[發明專利]一種離心式冷水機組與新風系統聯合故障診斷方法

有效

• 申請號: 201910898566.3
• 申請日: 2019-09-23
• 公開（公告）號: CN110702438B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 王大全;朱能;楊昆
• 申請（專利權）人: 天津大學
• 主分類號: G01M99/00
• 分類號: G01M99/00;G06K9/62
• 代理公司: 天津創智天誠知識產權代理事務所(普通合伙) 12214
• 代理人: 李程;王秀奎

1.一種離心式冷水機組與新風系統聯合故障診斷方法，包括以下步驟：

步驟1，收集并歸類整理實際工程中運行的離心式冷水機組和新風系統的歷史運行數據集，所述歷史運行數據集包含樣本和特征；

所述樣本是離心式冷水機組或新風機組每隔M分鐘采集到的采樣點數據，所述特征是采樣點數據所包含的信息種類；

1.1將所述歷史運行數據集整理為矩陣形式得到矩陣形式數據集，在所述矩陣形式數據集中，每一列是不同特征對應的所有樣本值，稱之為特征列；每個元素稱之為數據點；若部分樣本的某些特征為空，則應舍棄此樣本，只允許特征完整的樣本進入后續處理步驟；

1.2為所述樣本標定故障種類標簽；

所述故障種類不多于：冷凍水不足、冷卻水不足、制冷劑泄漏、制冷劑充注過量、潤滑油充注過量、冷凝器結垢、不凝性氣體過多、新風熱回收效率降低與冷風滲透量過高；

收集到的所述樣本至少包含離心式冷水機組特征個數的50％和新風系統特征個數的80％：

所述離心式冷水機組特征：冷凍水設定溫度、冷凍水進水溫度、冷凍水出水溫度、冷卻水進水溫度、冷卻水出水溫度、壓縮機能耗、壓縮機性能系數、冷卻水流量、冷凍水流量、蒸發器內制冷劑飽和溫度、蒸發器內制冷劑壓力、冷凝器內制冷劑飽和溫度、冷凝器內制冷劑壓力、冷凝器制冷劑過冷溫度、制冷劑吸氣溫度、制冷劑吸氣過熱度、制冷劑排氣溫度、制冷劑排氣過熱度、壓縮機升壓、壓縮機最大負載電流百分比、油箱油溫、供油溫度、供油壓力、供油壓差；

所述新風系統特征：供熱季總能耗、熱負荷、設備能耗、顯熱冷負荷、室內空氣平均溫度、室內平均輻射溫度、工作區平均溫度、顯熱回收量、全熱回收量、制冷能耗、燃料消耗；

步驟2：數據集降噪和平滑：收集到符合步驟1要求的所述歷史運行數據集后，對步驟1中所述矩陣形式數據集進行降噪處理以消除個別樣本的個別特征的異常值對故障診斷模型診斷精度的負面影響得到降噪平滑數據集矩陣；

步驟3：特征篩選：對步驟2得到的降噪平滑數據集矩陣的特征列兩兩進行皮爾遜相關系數計算：

其中，X,Y為兩個不同的特征，x，y分別是二者的樣本取值，和分別是二者對應樣本的均值；

任意兩個特征列之間相關系數都必須計算，若一對特征列之間的相關系數超過0.7，則按照現實中易于收集、數據穩定性較好的原則保留其中一個特征；

篩選后的保留特征須至少包含：冷凍水設定溫度、冷凍水進水溫度、冷凍水出水溫度、冷卻水進水溫度、冷卻水出水溫度、冷卻水流量、冷凍水流量、制冷劑排氣溫度、壓縮機最大負載電流百分比、油箱油溫、供油壓差、供熱季總能耗、室內空氣平均溫度、工作區平均溫度、顯熱回收量、制冷能耗、燃料消耗；上述特征中，若存在兩兩相關系數大于0.7的兩個或多個特征，則均予以保留；

此步驟完成后，得到一個行數與降噪平滑數據集矩陣相同，但列數等于保留特征個數的新數據集矩陣；

步驟4：歸一化處理與數據集分離：對步驟3得到的新數據集矩陣的每個特征列進行歸一化處理，得到一個歸一化數據集矩陣；

將此歸一化數據集矩陣按行隨機分為訓練集和測試集；

所述訓練集和測試集所涵蓋的故障種類一致、特征完全相同，且包含各類故障樣本數據的個數比例也相同；

步驟5：聚類分組：對步驟4分離出的所述訓練集使用聚類分析的方法，首先區分訓練集中屬于離心式冷水機組和新風系統的數據，將離心式冷水機組數據標記為0，新風機組標記為1，將此數據集重命名為N號數據集；

然后，分離屬于離心式冷水機組的數據和屬于新風系統的數據，得到離心式冷水機組k₁號數據集和新風系統k₂號數據集，k₁為離心式冷水機組所包含的故障種類個數，k₂為新風系統所包含的故障種類個數，依次對分離出的k₁號數據集和k₂號數據集分別執行以下操作：

5.1.區分正常數據集和故障數據集；標記正常數據為0，所有故障數據不區分故障種類一律標記為1，將此數據集重命名為0號故障子數據集；然后，分離出0號故障子數據集中的所有故障數據，并把分離出來的數據單獨組建數據集，命名為(k-1)號故障子數據集，k為該系統所包含的故障種類個數；

5.2.對于所述(k-1)號故障子數據集，計算不同故障之間的幾何距離遠近；幾何距離計算公式為：

其中，為某故障X的第i特征對應的數據均值，為數據集中其余所有故障的同一特征對應的數據均值，n為特征個數；

若某種故障X的D最大，則說明此種故障最容易同其它故障區分，標記此故障對應的樣本為1，其余樣本行為0；

分離出最明顯故障對應的樣本數據，將(k-1)號故障子數據集的剩余部分命名為(k-2)號故障子數據集，并代入下一步驟中；

5.3.重復對剩余故障的樣本數據執行5.2子步驟的計算，每次均分離可與其他故障最容易區分的故障并標記其為1，其余為0，故而每次參與計算的數據集越來越小，依次命名為(k-3)號故障子數據集、(k-4)號故障子數據集…2號故障子數據集，每次執行5.2子步驟后，分離之后剩下的數據集中所包含的故障種類就減少一種，直到僅包含兩種故障的樣本數據，命名為1號故障子數據集；

最終，該系統的所有樣本數據被劃歸到以下數據集：(k-1)號故障子數據集，(k-2)號故障子數據集…1號故障子數據集，以及0號故障子數據集；

本步驟結束后，兩個系統得到的故障子數據集總數為：

其中，n_i為冷水機組和新風系統各自所包含的故障種類數目；

步驟6：確定支持向量機訓練所需的關鍵參數，懲罰因子C和核函數系數γ：

所述支持向量機為支持向量分類；

所述支持向量機選擇高斯徑向基函數(RBF核心)作為核函數，RBF的表達式為：

K(x_i,x_j)＝exp(-γ||x_i-x_j||²),γ＞0

其中，K(x_i,x_j)為低維空間中的向量x_i到高維空間中x_j的映射函數，γ為核函數系數；

步驟7：支持向量機訓練：用步驟6得到的懲罰因子C和核函數系數γ最優值，依次訓練步驟5得到的個故障子數據集，得到適用于離心式冷水機組與新風系統聯合故障診斷模型；

由不同數據集訓練出的支持向量機模型命名格式為“SVC-模型編號-系統編號”，其中離心式冷水機組的系統編號為1，新風系統的系統編號為2，上述所有故障子數據集對應的支持向量機模型依次命名如下：

N號數據集對應的支持向量機模型名稱為SVC-N；

0號故障子號數據集對應的支持向量機模型名稱為SVC-1：包括離心式冷水機組0故障子號數據集的SVC-1-1模型和新風系統0號故障子數據集的SVC-1-2模型；

(k-1)號故障子數據集對應的支持向量機模型名稱為SVC-2：包括離心式冷水機組(k₁-1)號故障子數據集的SVC-2-1和新風系統(k₂-1)號故障子數據集的SVC-2-2模型；

以此類推，始終保持離心式冷水機組故障子數據集編號(k₁號，(k₁-1)號，……，1號，0號)與模型編號之和為k₁+1，新風系統故障子數據集編號(k₂號，(k₂-1)號，……，1號，0號)與模型序號之和為k₂+1，直到：

1號故障子數據集對應的支持向量機模型名稱為SVC-k：包括離心式冷水機組1號故障子數據集對應的SVC-k₁-1模型和新風系統1號故障子數據集對應的SVC-k₂-2；

步驟8.當輸入特征完整的樣本數據給這些模型時，可以得到模型的預測標簽，具體流程為：

8.1首在SVC-N模型中判斷了所屬系統，樣本數據進入單一系統故障逆解析過程；一般來說，由于正常數據與故障數據的差距最大，所以針對離心式冷水機組或者新風系統，均首先使用由(k-1)號數據集建立起來的SVC-1模型判斷，若返回值為0，表示模型判定樣本數據屬于機組的正常運行數據；若返回值為1，說明模型判定輸入的樣本數據屬于故障數據，需要進一步判斷屬于何種故障；

8.2若8.1步驟返回值為1，則樣本數據繼續被帶入SVC-2模型中判斷是否屬于最明顯的那一種故障，若返回值為1，說明屬于最明顯的那一種故障；若返回值為0，則帶入下一個模型中繼續進行判斷；

8.3循環執行8.2步驟，逐步解析，確定故障種類；

步驟9：使用步驟4得到的所述測試集，按照步驟8.1～8.3所示的過程驗證上述模型的精度；本方法設定精度的及格線，若驗證精度超過所述及格線，則可以進行下一步；若不通過，則按照以下方法重復執行步驟2～7步，直到滿足精度要求：

9.1.在步驟2中更改小波函數類型再次降噪；

9.2.在步驟3中降低相關系數限定值；

9.3.在步驟4中提高測試集與訓練集的數量比；

9.4.在步驟5中更改距離計算公式；

9.5.在步驟6中更改懲罰因子C和核函數系數γ的取值范圍；

驗證精度滿足要求的模型即為最終得到的聯合故障診斷模型；

步驟10：將正在實時發生的數據按照步驟1～3的方式進行整理；且步驟2中篩選出的特征必須與訓練模型所使用的特征相一致，將處理后的數據歸一化后輸入所述聯合故障診斷模型進行故障診斷，診斷方式同步驟8。