一种基于自适应ICA的冷水机组故障检测方法技术

技术编号:14772299 阅读:111 留言:0更新日期:2017-03-08 15:34
本发明专利技术公开一种自适应ICA冷水机组故障检测的方法,包括:步骤一、首先对机组正常运行下采集的数据进行预处理;然后采用独立成分分析(ICA)提取数据的独立成分信息;之后构造统计量,并利用核密度估计方法确定控制限;最后以训练数据的SPE统计量阈值作为剔除异常值的判断标准,循环剔除每个采样点的统计值高于统计量阈值的数据,直至所有采样点的统计值均低于统计量阈值,将得到的数据重新训练,得到一个更加准确的控制限;步骤二、对新采集的数据按照模型进行处理,计算其统计值并与控制限进行比较,判断冷水机组是否运行正常。采用本发明专利技术的技术方案,可以自动的剔除实际中的异常采样点,故障检测的准确率较高。

【技术实现步骤摘要】

本专利技术属于暖通空调故障诊断
,尤其涉及一种基于自适应ICA的冷水机组故障检测方法,进一步涉及在暖通空调设备——冷水机组上的具体应用。
技术介绍
暖通空调系统是多变量、多状态、强耦合系统,长期处于变工况,部分负荷运行状。它向来是是工业设备,家用电器中的耗能大户。而冷水机组是暖通空调系统中最重要的设备,也是耗能最大的设备。由于多种原因,使设备经常出现故障。并且,随着设备的自动化和高度集成化,设备的成本和维护费用也在急剧增加。因此,及时发现其故障征兆并在故障将要发生时予以排除,对减少设备能耗,提高人们的舒适度有很重要的意义。目前,基于数据驱动的方法已经广泛应用到冷水机组的故障检测中。其中应用较多的方法是主成分分析(PrincipalComponentAnalysis,PCA),该方法需要假设过程变量服从或近似服从多元高斯分布,应用在实际冷水机组中存在着不足。ICA可以利用高阶统计信息提取过程数据中的非高斯信号,显现出比PCA更优的效果。然而,在实际的测量当中,由于现场环境、机组自身振动等多方面因素的影响,使得实际测量数据会有异常值的存在。它们严重影响着故障检测的准确性。因此,急需一种改进的方法可以有效的剔除训练数据中的异常点,使得训练出来的模型更加的准确。
技术实现思路
为了克服上述现有技术的不足,本专利技术提供一种基于自适应ICA的冷水机组故障检测方法,可以自动的剔除实际中的异常采样点,故障检测的准确率较高,减少机组能耗,提高人们的舒适度。为实现上述目的,本专利技术采用了如下的技术方案:一种基于自适应ICA的冷水机组故障检测方法包括以下步骤:A.建模阶段:1)采集实验所需正常数据:采集冷水机组正常运行状态下的数据,正常数据X可由X=(X1i,X2i,...Xki...,XKi)T表示,其中,i=1,2,...,I,Xki表示第k采样时刻第i个变量的测量值,X是一个矩阵,每一行表示一个采样点,每一列表示一个变量,一共有K个采样点,一共有I个变量;2)对数据进行标准化处理,处理方式如下:首先计算正常数据X的所有时刻上所有变量的均值和标准方差,其中,第k采样时刻的第i个过程变量的均值的计算公式为:其中,xki表示第k采样时刻的第i个变量的测量值,I表示变量的个数,第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为:其中一共有I个过程变量,可以算出来I个均值和标准差。然后对正常数据X进行标准化,其中第k采样时刻的第i个过程变量的标准化计算公式如下:其中,i=1,...,I,k=1,...,K。3)利用独立成分分析(ICA)方法提取独立成分:首先,对正常数据X利用主成分分析(PCA)白化,得到白化矩阵Q:Q=L-1/2UT,其中U和L分别为X'的协方差矩阵对应的特征向量矩阵和特征值矩阵,之后将X'进行白化,白化公式为:Z=QX'。白化过程使得原来的混合矩阵简化成一个新的正交矩阵,使得计算简单;然后,利用快速ICA算法(FastICA)从Z中估计出新的混合矩阵B和分离矩阵W,再根据S=BTZ得到独立成分S;最后,通过计算每个独立分量的负熵值,将各个独立分量按非高斯性从大到小排列,再以负熵累计贡献率选取独立分量个数。4)构造I2和SPE两种统计量:I2统计量由k时刻独立成分sd(k)的标准平方和得到,通过独立成分向量模的变化来表征模型内部的波动情况;SPE统计量则表征了数据中主模型以外未被解释的残差部分,两者的定义如下:I2(k)=sd(k)Tsd(k)5)估计控制线:由于独立分量的各个分量满足统计独立,则概率密度的估计可以转化成为单变量的概率密度估计问题,本专利技术采用核密度估计方法,计算统计量的概率密度函数,进而确定统计量的置信限。6)自动去除异常点:对原始正常数据进行行分解,计算每一时刻的SPE值,用当前时刻SPE值和之前建立的SPE统计量值Qa比较,如果当前值超出Qa,则认为这一采样数据是异常点,记录这一行信息,继续执行,直到所有采样点执行完毕,在原始正常数据中将所有的异常采样点信息剔除,重新建立I2和SPE统计量,并得到相应的更加准确的控制限;B.检测阶段:7)采集监控数据,并对其进行标准化:采集当前第k采样时刻的I个过程变量的数据xk,并根据步骤2)中得到的均值和标准方差对其进行标准化,得到其中,第k采样时刻的第i个过程变量的标准化公式如下:其中,xk,i为当前第k采样时刻第i个过程变量,为第k采样时刻的第i个过程变量的平均值,sk,i为第k采样时刻的第i个过程变量的标准方差,i=1,...,I,k=1,...,K。8)提取当前时刻独立信息:提取标准化后的k时刻采集数据的独立成分sk,计算公式如下:其中,W为分离矩阵;9)计算当前时刻统计值:计算当前k时刻采集数据的I2和SPE统计值,计算公式如下:10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较,如果超限则认为发生故障,进行报警;否则即为正常。作为优选,步骤6)具体包括:6.1)对原始正常数据进行行分解,计算每个采样点时刻的独立成分,即:sk=WXk,其中,W为分离矩阵,Xk为第k时刻的采集数据;6.2)通过6.1)得到的sk计算每一时刻的SPE值;6.3)用当前时刻SPE值和之前建立的SPE统计量值Qa比较,如果当前值超出Qa,则认为这一采样数据是异常点;6.4)记录6.3)得到的当前异常采样点信息,继续执行下一个采样点,直到所有采样点都执行完毕,记录所有异常点信息;6.5)在原始正常数据中将所有的异常采样点信息剔除,重新按步骤1)到5)建立I2和SPE统计量,并得到相应的更加准确的控制限。本专利技术的基于自适应ICA的冷水机组故障检测方法,以训练数据的SPE统计量阈值作为剔除异常值的判断标准,循环剔除每个采样点的统计值高于阈值的数据,直至所有采样点的统计值均低于阈值为止,从而优化训练矩阵,使得模型更加的准确,有效的提高故障检测的正确率。附图说明图1为本专利技术的方法流程图;图2a为传统ICA方法对正常数据的I2检测图;图2b为传统ICA方法对正常数据的SPE检测图;图3a为本专利技术方法对正常数据的I2检测图;图3b为本专利技术方法对正常数据的SPE检测图;图4a为传统ICA方法对故障数据的I2检测图;图4b为传统ICA方法对故障数据的SPE检测图;图5a为本专利技术方法对故障数据的I2检测图;图5b为本专利技术方法对故障数据的SPE检测图。具体实施方式20世纪90年代,鉴于暖通空调系统数据的缺乏。美国制冷空调工程学会发起一个ASHRAE1043-RP研究项目,通过在实验条件下改变冷水机组的状况,使机组在各种工况和故障条件下运行,并详细记录各种状况下机组各个运行参数的数据。本实验以ASHRAE1043-RP数据为依据,该数据来源于一台90吨的离心式冷水机组。在一定的条件下,经过特殊设计的试验台可以模拟冷水机组的各种典型故障,每一种故障都工作在27种不同的工况下,通过实验收集了大量的数据。本文对这些数据中的3种常见的典型故障进行仿真分析,这3种典型的故障分别是制冷剂泄漏,润滑油过多,冷冻水水量不足。从64个原始变量中选出16个作为特征变量,如表1所示。这些变量与冷水机组密切相关,而与辅助的系统关系比较小。经过选择的变量不但能够保持对小故障的灵本文档来自技高网...
一种基于自适应ICA的冷水机组故障检测方法

【技术保护点】
一种基于自适应ICA的冷水机组故障检测方法,其特征在于,包括以下步骤:A.建模阶段:1)采集实验所需正常数据采集冷水机组正常运行状态下的数据,正常数据X可由X=(X1i,X2i,...Xki...,XKi)T表示,其中,i=1,2,...,I,Xki表示第k采样时刻第i个变量的测量值;X是一个矩阵,每一行表示一个采样点,每一列表示一个变量,一共有K个采样点,一共有I个变量;2)对数据进行标准化处理,处理方式如下:首先计算正常数据X的所有时刻上所有变量的均值和标准方差,其中第k采样时刻的第i个过程变量的均值的计算公式为:其中,xki表示第k采样时刻的第i个变量的测量值,I表示变量的个数,第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为:其中一共有I个过程变量,可以算出来I个均值和标准差,然后对正常数据X进行标准化,其中第k采样时刻的第i个过程变量的标准化计算公式如下:x~ki=xki-x‾k,isk,i]]>其中,i=1,...,I,k=1,...,K;3)利用独立成分分析(ICA)方法提取独立成分首先,对正常数据X利用主成分分析(PCA)白化,得到白化矩阵Q:Q=L‑1/2UT,其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵,之后将X进行白化,白化公式为:Z=QX。白化过程使得原来的混合矩阵简化成一个新的正交矩阵,使得计算简单;然后,利用快速ICA算法(Fast ICA)从Z中估计出新的混合矩阵B和分离矩阵W,再根据S=BTZ得到独立成分S;最后,通过计算每个独立分量的负熵值,将各个独立分量按非高斯性从大到小排列,再以负熵累计贡献率选取独立分量个数;4)构造I2和SPE两种统计量I2统计量由k时刻独立成分sd(k)的标准平方和得到,通过独立成分向量模的变化来表征模型内部的波动情况;SPE统计量则表征了数据中主模型以外未被解释的残差部分,两者的定义如下:I2(k)=sd(k)Tsd(k)SPE(k)=e(k)Te(k)=(x(k)-x^(k))T(x(k)-x^(k));]]>5)估计控制限采用核密度估计方法,计算统计量的概率密度函数,进而确定统计量的置信限;6)自动去除异常点对原始正常数据进行行分解,计算每一时刻的SPE值,用当前时刻SPE值和之前建立的SPE统计量值Qa比较,如果当前值超出Qa,则认为这一采样数据是异常点,记录这一行信息,继续执行,直到所有采样点执行完毕,在原始正常数据中将所有的异常采样点信息剔除,重新建立I2和SPE统计量,并得到相应的更加准确的控制限;B.检测阶段:7)采集监控数据,并对其进行标准化采集当前第k采样时刻的I个过程变量的数据xk,并根据步骤2)中得到的均值和方差对其进行标准化,得到其中第k采样时刻的第i个过程变量的标准化公式如下:x~k,i=xk,i-x‾k,isk,i]]>其中,xk,i为当前第k采样时刻第i个过程变量,为第k采样时刻的第i个过程变量的平均值,sk,i为第k采样时刻的第i个过程变量的方差,i=1,...,I,k=1,...,K;8)提取当前时刻独立信息提取标准化后的k时刻采集数据的独立成分sk,计算公式如下:sk=Wx~k]]>其中,W为分离矩阵;9)计算当前时刻统计值计算当前k时刻采集数据的I2和SPE统计值,计算公式如下:I2(k)=SkT(k)sk(k)]]>SPE(k)=e(k)Te(k)=(xk(k)-x^k(k))T(xk(k)-x^k(k));]]>10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较,如果超限则认为发生故障,进行报警;否则即为正常。...

【技术特征摘要】
1.一种基于自适应ICA的冷水机组故障检测方法,其特征在于,包括以下步骤:A.建模阶段:1)采集实验所需正常数据采集冷水机组正常运行状态下的数据,正常数据X可由X=(X1i,X2i,...Xki...,XKi)T表示,其中,i=1,2,...,I,Xki表示第k采样时刻第i个变量的测量值;X是一个矩阵,每一行表示一个采样点,每一列表示一个变量,一共有K个采样点,一共有I个变量;2)对数据进行标准化处理,处理方式如下:首先计算正常数据X的所有时刻上所有变量的均值和标准方差,其中第k采样时刻的第i个过程变量的均值的计算公式为:其中,xki表示第k采样时刻的第i个变量的测量值,I表示变量的个数,第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为:其中一共有I个过程变量,可以算出来I个均值和标准差,然后对正常数据X进行标准化,其中第k采样时刻的第i个过程变量的标准化计算公式如下:x~ki=xki-x‾k,isk,i]]>其中,i=1,...,I,k=1,...,K;3)利用独立成分分析(ICA)方法提取独立成分首先,对正常数据X利用主成分分析(PCA)白化,得到白化矩阵Q:Q=L-1/2UT,其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵,之后将X进行白化,白化公式为:Z=QX。白化过程使得原来的混合矩阵简化成一个新的正交矩阵,使得计算简单;然后,利用快速ICA算法(FastICA)从Z中估计出新的混合矩阵B和分离矩阵W,再根据S=BTZ得到独立成分S;最后,通过计算每个独立分量的负熵值,将各个独立分量按非高斯性从大到小排列,再以负熵累计贡献率选取独立分量个数;4)构造I2和SPE两种统计量I2统计量由k时刻独立成分sd(k)的标准平方和得到,通过独立成分向量模的变化来表征模型内部的波动情况;SPE统计量则表征了数据中主模型以外未被解释的残差部分,两者的定义如下:I2(k)=sd(k)Tsd(k)SPE(k)=e(k)Te(k)=(x(k)-x^(k))T(x(k)-x^(k));]]>5)估计控制限采用核密度估计方法,计算统计量的概率密度函数,进而确定统计量的置信限;6)...

【专利技术属性】
技术研发人员:李亚芬张楠华高学金王普
申请(专利权)人:北京工业大学
类型:发明
国别省市:北京;11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1