一种空调水系统调节阀故障智能诊断方法技术方案

本发明专利技术公开一种空调水系统调节阀故障智能诊断方法，基于支持向量机理论的可进行故障检测与诊断的空调水系统调节阀，从而进行空调水系统调节阀初期故障发生时故障的检测与诊断。从而解决高维度问题、非线性问题、小样本情况下的机器学习问题方面的局限性；以及解决现阶段空调水系统调节阀故障调节敏感性、准确性问题。

Intelligent fault diagnosis method for regulating valve of air conditioning water system

The invention discloses an air conditioning water system regulating valve fault intelligent diagnosis method, the theory of support vector machine for fault detection and diagnosis system based on the air conditioning water regulating valve, thereby regulating the air conditioning water system fault detection and diagnosis of early fault valve. In order to solve the problem of high dimensional problems, nonlinear problems and machine learning problems in small samples, and to solve the problem of sensitivity and accuracy of conditioning valve fault adjustment in the air conditioning water system at the present stage.

【技术实现步骤摘要】

本专利技术型涉及调节阀故障诊断与检测
，特别的涉及楼宇自动化控制系统。
技术介绍
随着我国对建筑能源利用率的持续高度关注，寻找切实有效的方法提高建筑能源的利用率、降低建筑能耗迫在眉睫。在建筑的实际工程运行中，即使经历了较为完善的建筑运行调试，在实际运行中也会逐渐偏离最佳的运行效果。空调水系统负责建筑暖通空调系统冷热负荷的调节，对暖通空调系统的能耗起到关键作用。而在空调水系统中，阀门则是非常重要的控制部件，它用来改变管路系统的通路断面和介质流动方向，具有截断、止回、调节、安全等功能。当空调水系统调节阀出现故障时，会影响到系统控制逻辑的执行，造成末端水系统的严重水利失衡，同时无法保证对冷热源机组的保护功能，严重时会影响机组的正常运转时和使用寿命，不仅影响机组运行安全性和室内舒适性，而且增大了设备费用和整个系统的能耗，造成能源浪费，从而导致不必要的经济损失。因此，实时对空调水系统阀门运行状态进行监控，并采用可靠的故障检测与诊断策略防止故障的发生，对空调水系统始终高效运行具有巨大的现实意义。故障检测与诊断(FDD)的传统方式依赖维护人员的专业知识和经验，耗时耗力且对维护人员素质要求较高，可靠性及可持续性无法满足现代社会的要求。目前，以智能化理论为基础的故障诊断技术是FDD系统发展的主流。现阶段被广泛接受的FDD方法有三类，即基于解析模型的故障诊断方法、基于信号处理的故障诊断方法以及基于知识的故障诊断方法。空调水系统调节阀发生渐进性软故障的几率较大，会影响系统运行状态，日积月累甚至损坏整个阀体。但是，在不破坏原水系统管路的基础上进行阀门的故障检测与诊断一直是空调水系统调试的难题之一。近年来研究人员提出了多种阀门故障诊断与检测方法，一种趋势是在管路系统上增加特殊的传感器以及检测设备来进行故障的检测，这种检测方法多是用来检测阀体本身故障，比如泄露、堵塞等。另一种检测趋势是向智能化故障诊断与检测方法发展，这种检测方法对故障类型的判别更为全面，主要应用于执行机构相关的阀门控制故障判断。随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。在解决高维度问题、非线性问题、小样本情况下的机器学习问题具有很大的局限性，难以避免神经网络结构选择和局部极小点问题。且现阶段的诊断方法对数据预处理的依赖性较高，灵敏度以及准确度较低。
技术实现思路
针对上述现有技术的不足，本专利技术型专利所要解决的技术问题是：①在解决高维度问题、非线性问题、小样本情况下的机器学习问题方面的局限性；②解决现阶段空调水系统调节阀故障调节敏感性、准确性问题。为实现上述目的，本专利技术基于支持向量机理论的可进行故障检测与诊断的空调水系统调节阀，从而进行空调水系统调节阀初期故障发生时故障的检测与诊断，即公开一种空调水系统调节阀故障智能诊断方法，其特征在于，包括以下步骤:1)空调水系统模型建立根据建筑内实际空调系统的水系统的管网系统建立仿真模型；2)实际工况参数收集、特性参数提取根据步骤1)所述的仿真模型，测试设置正常工况和若干种调节阀故障工况(滞后性、控制死区、失控带、粘滞性、泄露、卡堵)下可表征故障的特性参数:控制器输出信号、调节阀的阀位反馈信号和调节阀后流量；3)基于SVM的故障检测模型训练3-1)选取步骤2)所获得若干种调节阀故障工况下的调节阀的阀位反馈信号合并作为一个故障工况数据集；选取步骤2)所获得若干种调节阀正常工况下的调节阀的阀位反馈信号作为正常工况数据集；故障工况数据集和正常工况数据集作为SVM的故障诊断模型训练的输入；对数据进行等间距拆分为两部分，一部分作为SVM分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。3-2)将训练集和测试集中的数据进行可视化处理后，利用MATLAB自带的归一化函数对数据进行离差标准化的归一化处理；3-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的SVM的核参数g和惩罚因子c；3-4)根据步骤3-3)获得的最优参数进行模型的训练，训练过程通过LIBSVM工具箱完成，最终得到故障检测模型；4)基于SVM的故障诊断模型训练4-1)将步骤2)所获得的将每种工况的数据进行等间距拆分为两部分，一部分作为SVM分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。4-2)将训练集和测试集中的数据进行可视化处理后，利用MATLAB自带的归一化函数对数据进行离差标准化的归一化处理；4-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的SVM的核参数g和惩罚因子c，以获取最为准确的故障检测分类模型；4-4)根据步骤4-3)获得的最优参数进行模型的训练，训练过程通过LIBSVM工具箱完成，最终得到故障诊断模型；5)基于SVM的故障诊断模型训练，得到诊断结果采集空调系统的水系统的工况参数和特性参数；根据步骤3)得到的故障检测模型，判断中央空调系统的水系统是否发生调节阀故障：若是，通过步骤4)获得的故障检测模型来检测故障类型。值得说明的是，支持向量机(SVM)是建立在机器学习理论的结构风险最小化原则之上，其主要思想是针对二元分类问题，在高维度空间中寻找一个超平面作为两类的分割，以保证最小的分类错误率，而且支持向量机一个重要的优点就是能处理线性不可分的情况。在空调水系统中的调节阀6种常见故障有：滞后性、控制死区、失控带、粘滞性、泄露、卡堵。其中，前四种为阀门执行机构的非线性故障特征，后两种为阀体阀座故障。本专利考虑到当调节阀存在故障时，各特性参数也会发生相应的变化，为了提高故障检测流程的可操作性与适用性，利用空调水系统调节阀最易测量的3个典型的阀门性能参数作为指示阀门故障的特性参数：控制器输出信号、阀位反馈信号、调节阀后流量(或者调节阀前后压差)。根据正常工况下以及各类故障条件下的模拟数据建立基于SVM的FDD分类模型，将训练数据获得的分类模型对测试数据进行分类，根据分类结果对阀件进行故障检测，判断阀门是否发生故障。当分类检测模型诊断阀门特性参数偏离正常工况，判断阀门发生故障后，再根据各类故障工况下的故障特性参数数据建立基于SVM的故障诊断回归模型，并把模型预测值作为基准，计算特性参数的实测值与基准值的残差，从而通过残差t分布判断故障类型并进行诊断。至此，便可到一种空调水系统智能诊断调节阀。附图说明图1为故障诊断规则图。图2为建筑空调水系统模型。图2中，虚线框内组件标明了本专利技术型专利所述调节阀在空调水系统中的位置。元件8为水泵；元件9-21为管路模块及末端阻力设备模块；元件26-29为球阀(调节阀)，元件53为压差旁通隔膜阀，元件50，51为蝶阀；元件30，32为信号测量器；元件33，35，36，49为阀门控制器，元件31，48为信号控制器；元件25为定压压力源。图3为故障诊断技术路线图。具体实施方式下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。一本文档来自技高网...

【技术保护点】
一种空调水系统调节阀故障智能诊断方法，其特征在于，包括以下步骤:1)所述空调水系统模型建立根据建筑内实际空调系统的水系统的管网系统建立仿真模型；2)所述实际工况参数收集、特性参数提取根据步骤1)所述的仿真模型，测试设置正常工况和若干种调节阀故障工况，多次提取各种工况下，表征故障的特性参数；所述的表征故障的特性参数包括控制器输出信号、调节阀的阀位反馈信号和调节阀后流量；3)基于SVM的故障检测模型训练3‑1)选取步骤2)所获得的全部调节阀故障工况下的调节阀的阀位反馈信号，将其作为一个故障工况数据集；选取步骤2)所获得的调节阀正常工况下的调节阀的阀位反馈信号，将其作为正常工况数据集；故障工况数据集和正常工况数据集作为SVM的故障诊断模型训练的输入；对数据进行等间距拆分为两部分，一部分作为SVM分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。3‑2)将训练集和测试集中的数据进行可视化处理后，利用MATLAB自带的归一化函数对数据进行离差标准化的归一化处理；3‑3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的SVM的核参数g和惩罚因子c；3‑4)根据步骤3‑3)获得的最优参数进行模型的训练，训练过程通过LIBSVM工具箱完成，最终得到故障检测模型；4)基于SVM的故障诊断模型训练4‑1)将步骤2)所获得的将每种工况的数据进行等间距拆分为两部分，一部分作为SVM分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。4‑2)将训练集和测试集中的数据进行可视化处理后，利用MATLAB自带的归一化函数对数据进行离差标准化的归一化处理；4‑3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的SVM的核参数g和惩罚因子c，以获取最为准确的故障检测分类模型；4‑4)根据步骤4‑3)获得的最优参数进行模型的训练，训练过程通过LIBSVM工具箱完成，最终得到故障诊断模型；5)基于SVM的故障诊断模型训练，得到诊断结果采集水冷式中央空调系统的水系统的工况参数和特性参数；根据步骤3)得到的故障检测模型，判断空调系统的水系统是否发生调节阀故障：若是，通过步骤4)获得的故障诊断模型来检测故障类型。...

【技术特征摘要】
1.一种空调水系统调节阀故障智能诊断方法，其特征在于，包括以下步骤:1)所述空调水系统模型建立根据建筑内实际空调系统的水系统的管网系统建立仿真模型；2)所述实际工况参数收集、特性参数提取根据步骤1)所述的仿真模型，测试设置正常工况和若干种调节阀故障工况，多次提取各种工况下，表征故障的特性参数；所述的表征故障的特性参数包括控制器输出信号、调节阀的阀位反馈信号和调节阀后流量；3)基于SVM的故障检测模型训练3-1)选取步骤2)所获得的全部调节阀故障工况下的调节阀的阀位反馈信号，将其作为一个故障工况数据集；选取步骤2)所获得的调节阀正常工况下的调节阀的阀位反馈信号，将其作为正常工况数据集；故障工况数据集和正常工况数据集作为SVM的故障诊断模型训练的输入；对数据进行等间距拆分为两部分，一部分作为SVM分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。3-2)将训练集和测试集中的数据进行可视化处理后，利用MATLAB自带的归一化函数对数据进行离差标准化的归一化处理；3-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优...

【专利技术属性】
技术研发人员：李楠，罗天，刘迎，李兴华，陶辰阳，代华健，高亚锋，王宇辰，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50