一种基于GSRA模型的冷水机组故障诊断方法技术

本发明专利技术公开了一种基于GSRA模型的冷水机组故障诊断方法。该方法首先使用遗传算法优化各劣化等级下的加权指数，构建综合参考故障模式；其次引入关联度阈值对待检故障模式进行定性诊断，利用灰色相似关联度(GSRD)和阈值确定它的嫌疑故障模式；最后再利用GSRD对定性结果进行定量诊断，确定待检故障模式的类别与劣化等级。该方法可有效应用于冷水机组故障诊断。相比于使用单一劣化等级下的参考故障模式表示综合参考故障模式和单一依靠最大关联度原则确定故障模式的传统手段，本发明专利技术提出的方法显著提高了故障诊断性能，该方法不仅对小样本模式识别有着良好分类效果，且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。

【技术实现步骤摘要】
一种基于GSRA模型的冷水机组故障诊断方法
本专利技术属于制冷设备
，尤其涉及一种基于GSRA(灰色相似关联分析)模型的冷水机组故障诊断方法。
技术介绍
冷水机组是暖通空调系统中的主要部件，目前国内运行在实际现场中的冷水机组大多仅对其运行状态进行监测与控制，而对故障检测与诊断，仅能够完成“高压报警”和“低压报警”等的硬故障检测功能。现场冷水机组缺乏对软故障的检测与诊断能力是普遍存在的现象。将有效的故障检测与诊断技术应用于冷水机组，及时发现故障并予以排除，对维持室内环境舒适度、减少设备损耗、节约能源具有重要意义。过去十几年间，许多学者对冷水机组的故障检测与诊断方法进行了广泛研究，提出了一些从理论上可行的对软故障检测与诊断的方法。然而，这些方法却未能有效应用到实际现场冷水机组中，其主要原因是：1)现场缺乏大量的故障采集数据，而目前提出的方法为了获得良好的诊断性能，往往需要大量数据用于模型训练；2)对采集样本数据分布要求高，常常需要样本数据服从某种特定分布，比如高斯分布，而实际现场数据难以满足。虽然基于支持向量机的方法具有一定的小样本模式识别能力，但目前耗费大量计算时间的参数优化使其不适合现场在线应用。解决“小样本，贫信息”问题是灰色系统理论与技术最显著特点。目前，在将GSRA应用到冷水机组故障诊断中时，传统的技术途径有：1)使用单一劣化等级下的参考故障模式构建综合参考故障模式；2)单一依靠最大关联度原则确定待检故障模式的类别。然而，上述两条传统途径常常存在故障漏判和误判的现象。针对此不足，基于如下两点：1)综合考虑多种劣化等级下的参考故障模式构建综合参考故障模式；2)引入关联度阈值作为判别待检故障模式的类别的依据；提出一种基于GSRA模型的冷水机组故障诊断方法成为目前本领域亟待解决的技术问题。
技术实现思路
为解决现有技术中存在的上述缺陷，本专利技术针对冷水机组现场在线故障诊断属于“小样本，贫信息”的问题特点，提出一种基于GSRA模型的冷水机组故障诊断方法，该方法可以有效解决现有方法上的不足，它不仅对小样本模式识别有着良好分类效果，且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。该方法的形成原则：1)构建综合参考故障模式时必须考虑故障劣化等级，实现软故障诊断；2)避免单一依靠最大关联度原则导致的故障误判和漏判问题，从而提升故障诊断性能。本专利技术旨在将该故障诊断技术有效应用到冷水机组的实际现场中，从而有利于降低机组能耗，提高机组运行可靠性。实现本专利技术的目的的技术路径是：第一步，确定待检故障模式的嫌疑故障模式(待检故障模式最有可能属于的故障模式)。在该步骤中，首先将每个已知故障模式在多个劣化等级下的参考故障模式进行加权平均，得到对应每个已知故障模式的综合参考故障模式；然后针对每个已知故障模式引入一个关联度阈值，作为确定待检故障模式的嫌疑故障模式的依据，即通过比较待检故障模式与综合参考故障模式之间GSRD(灰色相似关联度)与阈值的大小，确定待检故障模式的嫌疑故障模式；第二步，确定待检故障模式的类别与劣化等级。在该步骤中，计算待检故障模式与它的各个嫌疑故障模式在各个劣化等级下的参考故障模式之间的GSRD，依据最大关联度原则确定待检故障模式的类别与劣化等级。为了获得优良的故障诊断性能，本专利技术引入遗传算法(GA)确定最优的加权系数和阈值。本专利技术是通过下述技术方案来实现的。一种基于GSRA模型的冷水机组故障诊断方法，包括下述步骤：步骤1：离线模型训练1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据；1b)稳态过滤：使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤，得到稳态的样本数据；1c)特征选择：选择合适的特征表征冷水机组的健康状态；1d)构建训练集：根据步骤1c)选择的表征冷水机组健康状态的特征，随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集；1e)使用训练集数据，对每个劣化等级下的每个已知故障构建参考故障模式；1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式；1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值；步骤2：在线模型应用2a)在线实时监测实际现场冷水机组上的特征；2b)稳态过滤：使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤；2c)特征选择：选择与步骤1c)相同的特征表征冷水机组的健康状态；2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列；2e)定性诊断，即确定待检故障模式的嫌疑故障模式；计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障Fi对应的综合参考故障模式之间的GSRD，即ri；将i从1循环到n，即得待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD；输出所有的满足ri≥Ri的综合参考故障模式，即为待检故障模式的嫌疑故障模式；如果对所有的已知故障模式，都不满足ri≥Ri，则表明待检故障模式为一种新故障；Ri为关联度阈值；2f)定量诊断，即确定待检故障模式的类别与劣化等级；2g)故障诊断结束，输入故障诊断报告。进一步，所述步骤1f)中，设定已知故障为Fi，已知故障Fi的综合参考故障模式可表示成Fi＝[xi(1),xi(2),Λxi(m)]。进一步，确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u。进一步，所述步骤1g)中，基于GA确定对应每个已知故障的最佳关联度阈值，具体步骤如下：1g-1)将步骤1d)确定的训练集样本按照已知故障的种类分成n类，一个已知故障对应一类，其中n表示已知故障的个数；假设每类都有N个样本，则总样本数就是n×N；1g-2)计算所有的属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD，用rid表示；计算所有的不属于已知故障Fi的训练集样本与步骤1f)确定的对应已知故障Fi的综合参考故障模式之间的GSRD，用rih表示；1g-3)搜索rid的最小值minrid；搜索rih的最大值maxrih；1g-4)若minrid≥maxrih，则对应已知故障Fi的最佳关联度阈值Ri＝minrid；若minrid<maxrih，则关联度阈值Ri是minrid和maxrih之间的折中；令Ri＝βminrid+(1-β)maxrih；统计rid<Ri的样本数，记为b1；统计rih>Ri的样本数，记为b2；则对应已知故障Fi的漏判率ELi＝b1/N，误判率EWi＝b2/N；利用GA，找到使(b1/N+b2/N)最小时的β，以此确定对应已知故障Fi的最佳关联度阈值Ri。所述步骤1g-2)中，GSRD的计算步骤如下：1g-2-1)设Fi为参考序列，UF为比较序列，它们表示如下：Fi＝[xi(1),xi(2),Λ,xi(m)]，UF＝[x(1),x(2),Λ,x(m)]其中xi(l),x(l)表示第l个特征，l＝1,2,Λ,m，m表示表征冷水机组健康状态的特征的总个数；1g-2-2)比较序列UF与参考序列Fi在l点的GSRD，由公式(3)计算得到：因此，比较序列UF与参考序列Fi的GSRD由公式(4)计算：进一步，所本文档来自技高网...

【技术保护点】
一种基于GSRA模型的冷水机组故障诊断方法，其特征在于，包括下述步骤：步骤1：离线模型训练1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据；1b)稳态过滤：使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤，得到稳态的样本数据；1c)特征选择：选择合适的特征表征冷水机组的健康状态；1d)构建训练集：根据步骤1c)选择的表征冷水机组健康状态的特征，随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集；1e)使用训练集数据，对每个劣化等级下的每个已知故障构建参考故障模式；1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式；1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值；步骤2：在线模型应用2a)在线实时监测实际现场冷水机组上的特征；2b)稳态过滤：使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤；2c)特征选择：选择与步骤1c)相同的特征表征冷水机组的健康状态；2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列；2e)定性诊断，即确定待检故障模式的嫌疑故障模式；计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障F...

【技术特征摘要】
1.一种基于GSRA模型的冷水机组故障诊断方法，其特征在于，包括下述步骤：步骤1：离线模型训练1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据；1b)稳态过滤：使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤，得到稳态的样本数据；1c)特征选择：选择合适的特征表征冷水机组的健康状态；1d)构建训练集：根据步骤1c)选择的表征冷水机组健康状态的特征，随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集；1e)使用训练集数据，对每个劣化等级下的每个已知故障构建参考故障模式；1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式；1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值；步骤2：在线模型应用2a)在线实时监测实际现场冷水机组上的特征；2b)稳态过滤：使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤；2c)特征选择：选择与步骤1c)相同的特征表征冷水机组的健康状态；2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列；2e)定性诊断，即确定待检故障模式的嫌疑故障模式；计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障Fi对应的综合参考故障模式之间的灰色相似关联度GSRD，即ri；将i从1循环到n，即得待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD；输出所有的满足ri≥Ri的综合参考故障模式，即为待检故障模式的嫌疑故障模式；如果对所有的已知故障模式，都不满足ri≥Ri，则表明待检故障模式为一种新故障；其中，Ri为关联度阈值；2f)定量诊断，即确定待检故障模式的类别与劣化等级；2g)故障诊断结束，输入故障诊断报告。2.根据权利要求1所述的一种基于GSRA模型的冷水机组故障诊断方法，其特征在于，所述步骤1f)中，设定已知故障为Fi，已知故障Fi的综合参考故障模式可表示成Fi＝[xi(1),xi(2),Λxi(m)]，xi(l)的计算见公式(1)式中，表示已知故障Fi在劣化等级为SL时的第l个特征，SL＝1～4，表示4个劣化等级；l＝1,2,Λ,m，m表示表征冷水机组健康状态的特征的总个数；p(1),p(2),p(3),p(4)表示权系数，具体为p＝[1u,2u,3u,4u」，其中u称为加权指数。3.根据权利要求2所述的一种基于GSRA模型的冷水机组故障诊断方法，其特征在于，确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u，具体见下式：

【专利技术属性】
技术研发人员：王智伟，王占伟，顾笑伟，何所谓，闫增峰，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西,61