CN117454279A - 一种冷水机组运行监测方法及系统 - Google Patents
一种冷水机组运行监测方法及系统 Download PDFInfo
- Publication number
- CN117454279A CN117454279A CN202311484392.9A CN202311484392A CN117454279A CN 117454279 A CN117454279 A CN 117454279A CN 202311484392 A CN202311484392 A CN 202311484392A CN 117454279 A CN117454279 A CN 117454279A
- Authority
- CN
- China
- Prior art keywords
- chilling unit
- water chilling
- chiller
- water
- temperature data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000498 cooling water Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010977 unit operation Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及冷水机组异常检测技术领域,具体而言,涉及一种冷水机组运行监测方法及系统,该方法的步骤包括:根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
Description
技术领域
本发明涉及冷水机组异常检测技术领域,具体而言,涉及一种冷水机组运行监测方法及系统。
背景技术
冷水机组是一种常用的制冷设备,主要用于为建筑物或工业过程提供冷却水或冷冻水,其由压缩机、冷凝器、蒸发器和控制系统等设备所组成。就目前而言,现有的研究主要针对冷水机组的控制逻辑进行改进,能够提高冷水机组的运行能力,进一步降低冷水机组的能耗,然而,由于缺乏冷水机组的异常识别研究,仅通过人工维护检修的方式对冷水机组进行异常诊断,容易导致无法及时识别和诊断机组的异常情况,进而导致冷水机组的损坏或故障进一步恶化,增加维修和替换的成本;另外,冷水机组的异常情况未能及时发现和处理,同样容易导致冷水机组的能效下降,增加了能耗。基于此,针对上述问题,我们设计了一种冷水机组运行监测方法及系统。
发明内容
本发明的目的在于提供一种冷水机组运行监测方法及系统,其针对于冷水机组的冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口布设温度传感器,通过数据预处理及基于孤立森林算法构建的异常识别模型对检测的温度数据进行异常诊断,不仅能够提高对冷水机组的实时温度数据诊断和异常检测的及时性及精确性,并且能够提高冷水机组的运行效率,减少设备故障和维修成本。
本发明的实施例通过以下技术方案实现:
一种冷水机组运行监测系统,包括:
温度采集单元,根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
故障识别单元,基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
控制单元,运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
可选的,所述布设在冷水机组各个区域的温度传感器,温度传感器具体布设区域为:冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口处。
可选的,所述对冷水机组的多个温度数据分别进行数据预处理,所述数据预处理具体为:缺失值填充处理、数据标准化处理,用以确保冷水机组温度数据的质量及一致性。
可选的,所述冷水机组异常识别模型的训练过程如下:
基于孤立森林算法构建冷水机组异常识别模型,并在冷水机组异常识别模型的每个孤立树求解每个训练样本xi的路径长度,根据每个训练样本xi在所有孤立树中的平均路径长度计算训练样本xi的异常分数s(xi);
通过测试样本集对冷水机组异常识别模型进行评估,获取冷水机组异常识别模型的评估结果。
可选的,所述冷水机组异常识别模型的目标函数具体为:
其中,xi为训练样本,w(xi)为训练样本xi的权重,E[h(xi)]为训练样本xi在所有孤立树中的平均路径长度,c(n)为训练样本集中样本数量的调整因子,用以标准化异常分数,n为训练样本集的大小。
可选的,所述通过测试样本集对冷水机组异常识别模型进行评估,其具体为:
通过计算每个训练样本xi的异常分数,并设置异常分数的阈值,异常分数大于阈值的训练样本,判定为异常,所述评估的指标具体包括:精确率P、召回率R及分数FS;
所述精确率的计算公式为:
所述召回率R的计算公式为:
所述分数FS的计算公式为:
其中,TP为真正例,FP为假正例,FN为假负例。
一种冷水机组运行监测方法,该方法的步骤包括:
根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
本发明实施例的技术方案至少具有如下优点和有益效果:
本发明实施例针对于冷水机组的冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口布设温度传感器,通过数据预处理及基于孤立森林算法构建的异常识别模型对检测的温度数据进行异常诊断,不仅能够提高对冷水机组的实时温度数据诊断和异常检测的及时性及精确性,并且能够提高冷水机组的运行效率,减少设备故障和维修成本。
附图说明
图1为本发明提供的一种冷水机组运行监测系统的原理示意图;
图2为本发明提供的一种冷水机组运行监测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,本发明提供了其中一种实施例:一种冷水机组运行监测系统,包括:
温度采集单元,根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
故障识别单元,基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
控制单元,运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
在本实施例中,本实施例通过获取冷水机组的实时温度数据并进行诊断,能够实时监测冷水机组的运行状态,及时发现温度异常、压力异常等问题;本实施例通过数据预处理和模型训练,能够对获取的温度数据进行清洗、处理异常值等操作,提高异常识别模型的准确性和可靠性;当冷水机组出现异常情况时,异常识别模型能够快速定位和诊断故障原因,减少故障排查的时间和成本;并且本实施例通过实时监测和诊断冷水机组的温度数据,能够提前预警潜在的设备故障,避免设备损坏和生产中断,减少维修时间和成本。
在本实施例中,所述布设在冷水机组各个区域的温度传感器,温度传感器具体布设区域为:冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口处。
本实施例将温度传感器分别布设在冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口处,其中,冷却水进口温度和出口温度的差异能够反映冷却效果,能够获取冷却水流量不足或冷却器故障的问题;冷冻水进口温度和出口温度的差异能够反映冷冻效果,能够获取冷冻水流量不足或蒸发器故障的问题;冷却器出风温度能够获取冷却器出现堵塞或风扇出现故障;蒸发器入风温度的变化能够获取蒸发器出现堵塞或风扇出现故障的问题;压缩机排气温度能够获取压缩机出现过热或润滑不良等情况。
更为具体的,所述对冷水机组的多个温度数据分别进行数据预处理,所述数据预处理具体为:缺失值填充处理、数据标准化处理,用以确保冷水机组温度数据的质量及一致性。
在本实施例中,所述冷水机组异常识别模型的训练过程如下:
基于孤立森林算法构建冷水机组异常识别模型,并在冷水机组异常识别模型的每个孤立树求解每个训练样本xi的路径长度,根据每个训练样本xi在所有孤立树中的平均路径长度计算训练样本xi的异常分数s(xi);
通过测试样本集对冷水机组异常识别模型进行评估,获取冷水机组异常识别模型的评估结果。
在本实施例的具体应用中,所述冷水机组异常识别模型的目标函数具体为:
其中,xi为训练样本,w(xi)为训练样本xi的权重,E[h(xi)]为训练样本xi在所有孤立树中的平均路径长度,c(n)为训练样本集中样本数量的调整因子,用以标准化异常分数,n为训练样本集的大小。
具体的,本实施例具体为收集冷水机组的温度数据,对收集到的温度数据进行预处理,包括填充缺失值、数据标准化等步骤,以确保数据的质量和一致性,将预处理后的冷水机组的温度数据分割为训练集和测试集,训练集用于训练模型,测试集用于评估模型的性能,通过训练集数据训练孤立森林模型,训练过程主要涉及构建多个孤立树,并在每个孤立树上计算每个样本的路径长度,并根据每个样本在所有孤立树中的平均路径长度计算其异常分数。另外本实施例中的目标函数并非以最小化异常检测误差为目标,而是在于计算每个训练样本的异常分数,本实施例引入了样本权重及调整因子,其中,样本权重能够对不同的训练样本赋予不同的重要性,更为准确地捕捉到异常训练样本的特征,使得优化后的目标函数能够更好区分异常样本和正常样本,进一步提高算法的性能。调整因子用于平衡孤立树中的路径长度和数据集的大小,并且调整因子能够根据数据集的特性进行自适应调整,以提高异常分数的准确性。
更为具体的,所述通过测试样本集对冷水机组异常识别模型进行评估,其具体为:
通过计算每个训练样本xi的异常分数,并设置异常分数的阈值,异常分数大于阈值的训练样本,判定为异常,所述评估的指标具体包括:精确率P、召回率R及分数FS;
所述精确率的计算公式为:
所述召回率R的计算公式为:
所述分数FS的计算公式为:
其中,TP为真正例,FP为假正例,FN为假负例。
具体的,模型评估通常是通过计算每个样本的异常分数,然后设置一个阈值,分数高于阈值的样本被认为是异常。因此,本实施例设置的评估指标包括精确率(Precision)、召回率(Recall)和F1分数(F1-Score)。给定一个阈值,计算出以下四个值:真正例(TP):实际为异常,预测也为异常。假正例(FP):实际为正常,预测为异常。真负例(TN):实际为正常,预测也为正常。假负例(FN):实际为异常,预测为正常。
如图2所示,基于上述一种冷水机组运行监测系统,本发明还提供了另外一种实施例:一种冷水机组运行监测方法,该方法的步骤包括:
根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
可以理解的,本实施例所提供冷水机组运行监测方法与上述实施例所提供的冷水机组运行监测系统出于相同的发明构思,关于本发明实施例中各个模块更加具体的工作原理参考上述实施例,在本发明实施例中不做赘述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种冷水机组运行监测系统,其特征在于,包括:
温度采集单元,根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
故障识别单元,基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
控制单元,运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
2.根据权利要求1所述的冷水机组运行监测系统,其特征在于,所述布设在冷水机组各个区域的温度传感器,温度传感器具体布设区域为:冷却水进出口、冷冻水进出口、冷却器出风口、蒸发器进风口及压缩机排气口处。
3.根据权利要求1所述的冷水机组运行监测系统,其特征在于,所述对冷水机组的多个温度数据分别进行数据预处理,所述数据预处理具体为:缺失值填充处理、数据标准化处理,用以确保冷水机组温度数据的质量及一致性。
4.根据权利要求1所述的冷水机组运行监测系统,其特征在于,所述冷水机组异常识别模型的训练过程如下:
基于孤立森林算法构建冷水机组异常识别模型,并在冷水机组异常识别模型的每个孤立树求解每个训练样本xi的路径长度,根据每个训练样本xi在所有孤立树中的平均路径长度计算训练样本xi的异常分数s(xi);
通过测试样本集对冷水机组异常识别模型进行评估,获取冷水机组异常识别模型的评估结果。
5.根据权利要求4所述的冷水机组运行监测系统,其特征在于,所述冷水机组异常识别模型的目标函数具体为:
其中,xi为训练样本,w(xi)为训练样本xi的权重,E[h(xi)]为训练样本xi在所有孤立树中的平均路径长度,c(n)为训练样本集中样本数量的调整因子,用以标准化异常分数,n为训练样本集的大小。
6.根据权利要求5所述的冷水机组运行监测系统,其特征在于,所述通过测试样本集对冷水机组异常识别模型进行评估,其具体为:
通过计算每个训练样本xi的异常分数,并设置异常分数的阈值,异常分数大于阈值的训练样本,判定为异常,所述评估的指标具体包括:精确率P、召回率R及分数FS;
所述精确率的计算公式为:
所述召回率R的计算公式为:
所述分数FS的计算公式为:
其中,TP为真正例,FP为假正例,FN为假负例。
7.一种冷水机组运行监测方法,其特征在于,该方法的步骤包括:
根据布设在冷水机组各个区域的温度传感器,在设定时间段,获取冷水机组的多个温度数据,对冷水机组的多个温度数据分别进行数据预处理后,汇总并划分为训练样本集及测试样本集;
基于孤立森林算法构建冷水机组异常识别模型,通过训练样本集对冷水机组异常识别模型进行训练,通过测试样本集对冷水机组异常识别模型进行评估,基于评估结果输出完成训练的冷水机组异常识别模型;
运转冷水机组,并获取冷水机组的实时温度数据,并通过完成训练的冷水机组异常识别模型执行冷水机组的实时温度数据的诊断,求得冷水机组的异常情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484392.9A CN117454279A (zh) | 2023-11-08 | 2023-11-08 | 一种冷水机组运行监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484392.9A CN117454279A (zh) | 2023-11-08 | 2023-11-08 | 一种冷水机组运行监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454279A true CN117454279A (zh) | 2024-01-26 |
Family
ID=89596416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311484392.9A Pending CN117454279A (zh) | 2023-11-08 | 2023-11-08 | 一种冷水机组运行监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454279A (zh) |
-
2023
- 2023-11-08 CN CN202311484392.9A patent/CN117454279A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN113834657B (zh) | 一种基于改进mset及频谱特征的轴承故障预警及诊断方法 | |
CN108801641B (zh) | 废气涡轮增压器的故障诊断与可靠性预测方法及其系统 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN109469896B (zh) | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 | |
CN108758969B (zh) | 一种冷水机组故障检测方法和系统 | |
WO2015121176A1 (en) | Method of identifying anomalies | |
CN111441864A (zh) | 发动机健康诊断方法及发动机诊断系统 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN113757093A (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
CN116311594B (zh) | 一种船舶子系统状态分析方法、装置及存储介质 | |
CN112598144A (zh) | 基于相关性分析的cnn-lstm突发故障预警方法 | |
CN112393906A (zh) | 一种地铁车辆转向架轴承微弱信号故障诊断、分类和健康评估的方法 | |
CN116678552B (zh) | 一种变温度环境下光纤应力传感器异常监测方法 | |
CN117272032B (zh) | 一种基于振动检测的空压机故障诊断方法与装置 | |
CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
CN114738132A (zh) | 基于实船数据的增压器转速传感器故障诊断方法及系统 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN116720150B (zh) | 一种机械制冷系统故障诊断方法及系统 | |
CN117708637A (zh) | 基于改进k均值聚类分析的风电机组叶片故障诊断方法 | |
CN117454279A (zh) | 一种冷水机组运行监测方法及系统 | |
KR20210079230A (ko) | 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템 | |
CN113899093B (zh) | 螺杆式制冷压缩机回油故障的辨识和预判方法 | |
CN113934191A (zh) | 一种冷水机组故障诊断系统 | |
CN116071053A (zh) | 基于数字孪生的往复式压缩机状态预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |