[發(fā)明專利]一種空調(diào)水系統(tǒng)調(diào)節(jié)閥故障智能診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710260512.5
• 申請(qǐng)日: 2017-04-20
• 公開（公告）號(hào): CN107015486A
• 公開（公告）日: 2017-08-04
• 發(fā)明（設(shè)計(jì)）人: 李楠;羅天;劉迎;李興華;陶辰陽;代華健;高亞鋒;王宇辰
• 申請(qǐng)（專利權(quán)）人: 重慶大學(xué)
• 主分類號(hào): G05B17/02
• 分類號(hào): G05B17/02
• 代理公司: 重慶大學(xué)專利中心50201
• 代理人: 王翔

1.一種空調(diào)水系統(tǒng)調(diào)節(jié)閥故障智能診斷方法，其特征在于，包括以下步驟:

1)所述空調(diào)水系統(tǒng)模型建立

根據(jù)建筑內(nèi)實(shí)際空調(diào)系統(tǒng)的水系統(tǒng)的管網(wǎng)系統(tǒng)建立仿真模型；

2)所述實(shí)際工況參數(shù)收集、特性參數(shù)提取

根據(jù)步驟1)所述的仿真模型，測試設(shè)置正常工況和若干種調(diào)節(jié)閥故障工況，多次提取各種工況下，表征故障的特性參數(shù)；所述的表征故障的特性參數(shù)包括控制器輸出信號(hào)、調(diào)節(jié)閥的閥位反饋信號(hào)和調(diào)節(jié)閥后流量；

3)基于SVM的故障檢測模型訓(xùn)練

3-1)選取步驟2)所獲得的全部調(diào)節(jié)閥故障工況下的調(diào)節(jié)閥的閥位反饋信號(hào)，將其作為一個(gè)故障工況數(shù)據(jù)集；

選取步驟2)所獲得的調(diào)節(jié)閥正常工況下的調(diào)節(jié)閥的閥位反饋信號(hào)，將其作為正常工況數(shù)據(jù)集；

故障工況數(shù)據(jù)集和正常工況數(shù)據(jù)集作為SVM的故障診斷模型訓(xùn)練的輸入；

對(duì)數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為SVM分類模型的訓(xùn)練集，從而獲得調(diào)節(jié)閥故障檢測模型，另一部分則作為模型測試集。

3-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用MATLAB自帶的歸一化函數(shù)對(duì)數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理；

3-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機(jī)故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的SVM的核參數(shù)g和懲罰因子c；

3-4)根據(jù)步驟3-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過LIBSVM工具箱完成，最終得到故障檢測模型；

4)基于SVM的故障診斷模型訓(xùn)練

4-1)將步驟2)所獲得的將每種工況的數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為SVM分類模型的訓(xùn)練集，從而獲得調(diào)節(jié)閥故障檢測模型，另一部分則作為模型測試集。

4-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用MATLAB自帶的歸一化函數(shù)對(duì)數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理；

4-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機(jī)故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的SVM的核參數(shù)g和懲罰因子c，以獲取最為準(zhǔn)確的故障檢測分類模型；

4-4)根據(jù)步驟4-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過LIBSVM工具箱完成，最終得到故障診斷模型；

5)基于SVM的故障診斷模型訓(xùn)練，得到診斷結(jié)果

采集水冷式中央空調(diào)系統(tǒng)的水系統(tǒng)的工況參數(shù)和特性參數(shù)；根據(jù)步驟3)得到的故障檢測模型，判斷空調(diào)系統(tǒng)的水系統(tǒng)是否發(fā)生調(diào)節(jié)閥故障：若是，通過步驟4)獲得的故障診斷模型來檢測故障類型。