CN1201959A - 冷却器压缩机电机过热的预测 - Google Patents

Abstract

本发明的目的是为了在机器失效之前启动服务而检测冷却器的性能下降,以此推断是否会发生失效;预测是否需要冷却器服务从而可以随时而不是在紧急情况下启动服务;提供持续的冷却器运行。本发明的预测原理部分基于冷却器的低阶线性状态空间热力学模型,该模型由基于非线性代数微分方程的精确热力学数学模型推演而得,它精确地表征了压缩机电机过热状态。

Description

冷却器压缩机电机过热的预测

本发明涉及对冷却器系统热力运行状态的监视以提供冷却器异常运行的前期预警信息，该信息可以指示出压缩机电机的过热状态。

众所周知，冷却器提供了冷却水，并且期望提供有成本效率的不中断服务。冷却器传统上具备安全功能，包括采用内带诊断能力的控制器，以避免其在不良状态下运行。但是诊断通常只能检测到某些超出异常设计值的冷却器运行状态，并据此关闭冷却器和显示相关的报警代码。在报警之前系统没有任何先兆指示，所以当压缩机性能开始下降引起电机发热后，需要较长的一段时间才能察觉。到报警时，由于系统关闭，所以为时已晚，此外，电机可能已经严重损坏，需要大修。

本发明的目标包括：为了在机器失效之前启动服务而检测冷却器的性能下降，以此推断是否会发生失效；预测是否需要冷却器服务从而可以随时而不是在紧急情况下启动服务；提供持续的冷却器运行。

本发明的预测原理部分基于冷却器的低阶线性状态空间热力学模型，该模型由基于非线性代数微分方程的精确热力学数学模型推演而得，它精确地表征了压缩机电机过热状态。

本发明的预测原理还利用了基于冷却器热力学低阶模型的Kalman滤波器，以在在线运行期间提供冷却器的状态和输出，它们又被用来检测即将出现的压缩机电机过热。

按照本发明，冷却器的在线监视的实现方式为，监视输入(或原因)参数和可测输出(或结果)参数，并使参数通过基于冷却器热力学低阶状态空间表示或模型的Kalman滤波器。按照本发明，低阶模型的实现方式为，对大量样本进行计算机高阶模型输入随机激励处理，并对高维模型确定的最终输出和状态进行线性回归技术处理，以导出低阶状态空间模型的矩阵系数。输入可以是实际冷却器正常情况下的典型输入，并且可以限制随机变化，例如在实际冷却器输入额定值的99％～100％之间。

通过以下结合附图对实施例的描述，可以更好地理解本发明的其它目标、特征和优点。

图1为按照本发明方式监视的冷却器的示意图。

图2为本发明用于特定冷却器的实施例中数据获取部分所用装置的示意图。

图3为线性回归处理期间所用装置的简化示意图。

图4为按照本发明的方式在线监视冷却器时采用的装置的简化示意图。

图5为图4所示在线监视期间的流程图。

图6为报警逻辑程序的逻辑流程图。

参见图1，按照本发明的带传感器的冷却器12包括经管道14向冷凝器15提供高压致冷气体的压缩机13。液态致冷剂经流体管16道从冷凝器流动到扩张阀17，扩张阀的输出通过流体管道18到达蒸发器19，随后致冷剂气体通过流体管道20到达压缩机13。阀门17受控以响应步进电机或其它阀门控制装置24的控制，而这些控制装置又受到控制器26经线路25提供的信号的控制。线路25上的信号取决于管道20内蒸汽的过热状态，通常通过计算蒸发器19出口处温度(由温度传感器27检测)与压缩机13入口处致冷剂蒸汽温度(由温度传感器28检测)之差得到。温度传感器32检测的蒸发器19出口31处水温被控制器26用来开启和关闭压缩机从而将水温保持在设定点上。由冷凝器入口压力(由压力检测器34检测)与冷凝器出口压力(由压力检测器35检测)之差决定的冷凝器压力差被控制器用来在线路36上提供信号，以适时地开启和关闭风扇组37。上述所有装置与普通的冷却器相近，并且可以按照普通的方式实现和控制。

按照本发明，一种基于非线性代数和微分方程的精确数学模型(描述了冷却器的流体、压力和温度动态学)能够精确地表征本发明试图预测的压缩机电机的过热状态。对于往复式压缩机，所用模型与下列所述的任一种相似：

1)Clark，D.R.and W.B.May(1985)，HVACSIM+Building System andEquipment Simulation Program-User’s Manual，U.S.Department of Commerce，National Bureau of Standards，NBSIR 85-3243.

2)Clark，D.R.(1985)，HVACSIM+Building System and EquipmentSimulation Program-Reference Manual，U.S.Department of Commerce，National Bureau of Standards，NBSIR 84-2996.

3)Clark，D.R.，C.Park and G.E.Kelly(1986)，HVACSIM+Building Systemand Equipment Simulation Program-Building Loads Calculation，U.S.Department of Commerce，National Bureau of Standards，NBSIR 86-3331.

对于采用离心式压缩机的冷却器，所用模型与下列所述的相似：

4)Nadira，R.and I.Schick，Modeling and Simulation of an HVACSIMRefrigeration System，Simulators IV，Proceedings of the SCS SimulatorsConference，April 6-9，1987，Orlando，Fla，Vol.18，No.4.

5)Clark，D.R.(1985b)，Centrifugal Chiller Model：PreliminaryDocumentation，U.S.Department of Commerce，National Bureau of Standards，Not Released.

该模型被可变输入连续激励(在计算机程序内)以生成大量的数据集。例如，通过观察冷却器系统样机的响应来确定，该系统的参数响应频率在0.005 Hz与0.33 Hz之间。将时钟(采样速率)被选定为2倍最高频率的倒数，即等于每隔1.52秒采样一次。为了捕捉到最慢的响应，采样周期间隔选定为最低响应频率的倒数，即204秒，结果该周期采样134次。每个样本利用表1所示的三个输入U₁-U₃的激励。

表1

输入                  状态                    输出U₁蒸发器入水温度      X₁冷凝器中致冷剂的焓    Y₁蒸发器出水温度U₂冷凝器空进入气温度  X₂冷凝器中致冷剂的质量  Y₂冷却器放出空气温度U₃扩张阀位置          X₃蒸发器中致冷剂的焓    Y₃压缩机排气压力

                   X₄蒸发器中致冷剂的质量  Y₄压缩机吸气压力

                   X₅冷凝器中空气的焓      Y₅压缩机吸气温度

                   X₆冷凝器中致冷剂饱和温度Y₆过热温度

                   X₇蒸发器中水的焓        Y₇冷凝器中致冷剂进入

                                               温度

                   X₈蒸发器中致冷剂饱和温度Y₈冷凝器中致冷剂离开

                                               温度

                   X₉压缩机效率            Y₉蒸发器中致冷剂进入

                                               温度

每个输入包括数值取为特定冷却器额定或典型值的信号，该数值在每次采样周期内上升或降低一个百分点。每个信号的增大或减小又响应于伪随机数序列，从而使每次输入基本上按照随机方式变化，并且输入的组合也基本上以随机方式变化。在每次采样期间，记录下表1所示所有的输入U、状态X和输出Y。即，对于每次采样，记录下21项数据。这些数据被存储起来以作下列用途。与此同时，或者随后，根据同一计算机或者另一计算机内存储的数据来计算每对数值X和Y的标准偏差以用来确定误差阈值，该阈值在识别预测电机过热时比较重要，所有这些将在下面讨论。

建立Kalman滤波器的过程可以概括为如下步骤：

1.按一组非线性代数微分方程建立描述冷却器热力学过程的计算机模型。

2.选择受到电机过热状态影响的输入、状态和输出参数。

3.在每个选定输入上用随机信号激励冷却器模型；存储随之选定的状态和输出参数数据。(图2)

4.利用线性回归方程处理存储数据以拟合冷却器状态派生值与冷却器输出，从而确定模型矩阵数值；利用存储的数据将误差阈值定义为±3标准偏差。(图3)

5.利用步骤4中得到的矩阵值建立包含9次线性方程组的模型。

6.根据状态空间模型建立Kalman滤波器。

参见图2，获取大量样本的步骤利用了信号发生器42，该发生器包括伪随机二进制序列发生器和驱动器，以响应伪随机二进制序列，生成U₁-U₃的±1％的输入。这些信号经信号线路43提供给包含高次热力学模型的计算机44。由线路43上的输入激励的模型对每个连续输入生成数值X和Y(表1)，它们与相应的输入U一起经合适的总线提供给存储器46。

如图3所示，数值U、X和Y所有134个样本，共计2814个数据从存储器46提供给计算机44，在那里平均值被从数据中去除，并且利用递归最小平方估值线性回归拟合数据以导出9阶状态空间模型的矩阵系数值。显示器上显示的矩阵值随后被用来生成如下表示的线性9阶冷却器模型：

X(k+1)＝AX(k)+BU(k)+W(k)    (1)

Y(k)＝CX(k)+DU(k)+V(k)      (2)

式中，A、B、C和D为过渡矩阵，而W(k)和V(k)分别为协方差Q_k和R_k的零平均值白噪声高斯序列。递归最小估值程序可以参见

6)Soderstorm，T.，and P.Stoica，System Identification，Prentice Hall Inc.，New York，N.Y.，1989，Chapter 9，pp.324，349-350.

7)Dexter，A.L.，et al，Self-tuining Control Algorithm for Single-chipMicrocomputer Implementation，IEE Proceedings，Vol.130，No.5，September1983，pp.255-260.

8)Franklin，G.F.，and D.Powell，Digital Control of Dynamic System，Addison Wesley，Reading，MA，1980，pp.210-215.

一旦从高阶冷却器热力学模型(图2和3)生成的数据导出状态空间模型以后，就可以基于这种降阶状态空间表示以普通的方式建立Kalman滤波器，参见

9)Gelb，A.，Editor，Applied Optimal Estimation，M.I.T.Press，1980，Chapters3 and 4.

参见图4，在图1的冷却器运行的同时，现场在线计算机48(一般不是图2和3中的计算机)监视线路49上的输入U₁-U₃和输出Y₁-Y₃，并利用Kalman滤波器技术对特定采样时刻k检测的实际数值U和Y，预测下一采样时刻k+1的输出和状态的值。

显而易见，每次采样时，在对冷却器输出进行滤波以对状态和输出作出预测之前Kalman滤波器本身已经被更新。检测到输出首先被用来更新Kalman滤波器方程，随后输入和输出值通过更新过的Kalman滤波器方程以计算预测的状态(X)和输出(Y)。

初始状态估值为X(0)＝O，并且初始状态估值误差协方差矩阵为P(0)＝O，这些都在启动时的初始化阶段完成。在滤波器中，每一采样时刻k时状态估值利用下式更新： $\stackrel{\∩}{X}\left(k\right|k)=\stackrel{\∩}{X}\left(k\right|k-1)+K\left(k\right)\{y\left(k\right)-C\stackrel{\∩}{X}\left(k\right|k-1)\}---\left(3\right)$ 式中，

为时刻k时根据直到时刻k-1为止的测量得到的滤波器状态估值。采样k的间隔为三分钟左右。更新的Kalman增益矩阵K计算如下：

K(k)＝P(k|k-1)C^T[CP(k|k-1)C^T+R_k]^-1    (4)

式中，P(.|.)为满足下列关系的状态估值误差协方差矩阵：

P(k|k-1)＝AP(k-1|k-1)A^T+Q_k-1    (5)

P(k|k)＝[I-CK(k)]P(k|k-1)    (6)

式中，T表示转置矩阵。

在进行k+1时刻的下一次测量之前，利用状态动态方程使状态估值向前延伸一步： $\stackrel{\∩}{X}(k+1|k)=A\stackrel{\∩}{X}\left(k\right|k)+\mathrm{BU}\left(k\right)---\left(7\right)$

这随后被用作下次采样的方程(1)中的

在每次采样时的Kalman滤波器更新之后，来自冷却器的已知输入U和传感器信号Y经过Kalman滤波器处理以生成冷却器状态 的优化估值和传感器测量预测值

。将

从实际测量值Y中减去后生成误差信号矢量e，该矢量被用于作失效判断。对于Kalman滤波器，e(k)＝Y(k)-CX(k|k-1)。因此误差信号e(k)为协方差矩阵下的零平均值白噪声。

图5示出了在线监视期间计算机48内每次采用周期期间进行的处理。当监视系统为第一输入在线时，将进行初始化(块51)，包括上述的初始化状态估值和初始化状态估值误差协方差矩阵。在每次3分钟左右的采样期间，如同方程(3)那样更新状态估值(块52)。接着，如同在方程(4)-(6)中那样，计算Kalman增益矩阵(块53)，更新状态估值误差协方差矩阵并将其传送给下一次采样时刻。如同在方程(7)中那样，利用状态动态方程将状态估值传递到下一采样时刻(块54)。在Kalman滤波器更新之后，线路49上的输入传感器信号U1-U3和线路50上的输出传感器信号Y1-Y9被提供给Kalman滤波器(块55)。Kalman滤波器产生冷却器状态优化估值

和传感器测量预测

。传感器测量预测

与实际的电流传感器测量Y比较，而冷却器状态估值X与传递的冷却器状态前一估值比较(块56)，以生成误差信号。误差信号与相应的阈值比较(块57)，在本实施例中被取为±3标准偏差，并且如同6所示，在报警逻辑程序中检测是否超过阈值(块58)，以确定这种超过阈值是否预示压缩机电机过热状态的到来。

图6逻辑程序的入口点为62，并且测试63-65要求数值Y3、Y4和Y5必须存在误差，以识别报警状态。如果没有误差，程序通过返回点66返回而不设定报警状态。如果全部(Y3，Y4和Y5)存在误差，则进行一系列的测试67-70以判断X1、X3、X5或X9中是否存在误差。如果是，则产生报警状态；如果没有误差，则进至返回点66而不设定报警状态。如果X1、X3、X5或X9中存在误差，则进行一系列的测试71-73来判断X2、X4或X7中是否有误差。如果没有误差，则进至返回点而不设定报警状态。但是如果所有的Y3、Y4和Y5有误差，X1、X3、X5或X9中的任一种有误差，并且X2、X4或X7中的任一种有误差，则步骤74设定报警状态。

在图5中，报警状态将使线路76上的信号实际启动任何合适形式的报警77，并且使打印机78打印出线路49和50上所有当前的输入和输出参数，从而指示出恶化运行的性质。

用来按照上述方式控制冷却器12的控制器26和参数都是示意性质的；冷却器可以按照任一所需的方式控制，并且通过确保控制器根据原始高阶模型精确控制冷却器，本发明的实现方式较为简单。本发明同样可以用于各种其它的冷却器中。

虽然上面借助实施例对本发明作了描述，但是本发明的精神和范围由后面所附权利要求限定。

Claims (6)

1.一种预测冷却器压缩机电机过热的方法，其特征在于，

各种冷却器型分别进行：

在计算机中根据描述冷却器流体、压力和温度动态的非线性代数微分方程建立高阶数学模型；

在多次输入的每次输入时以选定输入信号随机数值激励冷却器模型，其变化将改变受电机过热影响的可测量输出参数的值和不可测量、但可计算的冷却器状态的值；

对所述激励输入信号的每次变化，记录包括每次所述输入值、每次所述输出值和每次所述可计算冷却器状态的一组数值；

利用线性回归方程对存储数据进行处理，拟合所述记录的冷却器状态数值和输出值，以确定冷却器低阶线性状态空间模型的矩阵值；

建立包括一组利用前一步骤确定的矩阵值得到的线性方程的低阶状态空间模型；

根据前一步骤得到的所述低阶线性状态空间模型建立Kalman滤波器；

在每个冷却器的正常运行状态下进行：

通过一边提供包括所述选定输入的输入信号，一边测量所述选定输入和所述可测量输出参数的数值来操作所述冷却器；

向采用所述Kalman滤波器的计算机提供所述测量输入值和输出值，以确定预测的输出值；

将所述预测输出值与所述测量输出值进行比较；

当计算的输出值与测量的输出值之差表明处于电机过热状态时指示报警。

2.如权利要求1所述的方法，其特征在于所述低阶状态空间模型为9阶模型。

3.如权利要求1所述的方法，其特征在于：

所述输入为进入蒸发器的水温、进入冷凝器的空气温度以及扩张阀的位置；

所述输出为离开蒸发器的水温、离开冷凝器的空气温度、压缩机的排气压力、压缩机入口压力、过热温度、进入冷凝器的致冷剂温度、离开冷凝器的致冷剂温度以及进入压缩机的致冷剂温度；

所述状态为冷凝器中致冷剂的焓、冷凝器中致冷剂的质量、蒸发器中致冷剂的焓、蒸发器中致冷剂的质量、冷凝器中空气的焓、冷凝器中致冷剂的饱和温度、蒸发器中水的焓、蒸发器中的致冷剂饱和温度以及压缩机效率。

4.如权利要求1所述的方法，其特征在于进一步包括：

对估计输出值与测量输出值的偏差建立阈值；

所述指示步骤包括只对估计输出值与测量输出值之差超过所述阈值的情况作出指示警报的响应。

5.如权利要求1所述的方法，其特征在于进一步包括：

对所述数值记录组指示的每一所述输出值和每一所述可计算冷却器状态确定标准偏差；

其中所述指示步骤包括在计算的输出值与测量的输出值之差和前后计算的冷却器状态之差超过指示电机过热状态的相应数值3标准偏差时指示报警。

6.如权利要求1所述的方法，其特征在于，所述指示步骤包括只对下列所述变化超过阈值的情况作出报警响应：(1)当每个压缩机排气压力、压缩机吸气压力和压缩机吸气温度的变化都超过阈值时，(2)冷凝器中致冷剂的焓、蒸发器中致冷剂的焓、冷凝器中空气的焓或者压缩机效率的变化都超过阈值时，(3)冷凝器中致冷剂的质量、蒸发器中致冷剂的质量以及蒸发器中水的焓的变化，三者中任一项超过阈值时。

Images