一种集成SVM机制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集成SVM机制的冷水机组故障诊断方法，通过现场冷水机组中获得机组无故障和故障运行历史数据，用于无故障和各类故障DW‑SVDD模型和全故障SVM模型训练；应用训练无故障DW‑SVDD模型在线故障检测，若满足条件，则现场冷水机组正常；否则用DW‑SVDD模型进行在线诊断，若实测数据仅满足其中一个故障模型的条件，则诊断为该类型故障；若实测数据满足其中两个以上故障模型条件，即诊断结果出现混淆，使用全故障SVM模型再次诊断，确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。该方法有效克服了目前故障诊断阶段存在的主要局限性，具有较高的诊断正确性和准确性。

A fault diagnosis method of chiller with integrated SVM mechanism

The invention discloses a chiller fault diagnosis method of integrated SVM system, generator fault and fault operation historical data obtained through field water chiller, for no fault and fault DW SVDD model and SVM model of total failure of training; training in the application of fault free DW SVDD model of online fault detection, if the condition is satisfied, is the scene of the chiller is normal; otherwise DW SVDD model for online diagnosis, if the measured data only meet one of the conditions of fault model, the diagnosis of this type of fault; if the data satisfy the fault model in which more than two conditions, namely the diagnosis results of confusion, using the SVM model again fault diagnosis, determine the fault types; if the data do not satisfy all of the fault model, fault diagnosis of new type. This method effectively overcomes the main limitations of the current fault diagnosis stage, and has high accuracy and accuracy.

【技术实现步骤摘要】
一种集成SVM机制的冷水机组故障诊断方法
本专利技术属于空调系统中冷水机组故障诊断
，具体涉及一种集成支持向量机(SVM)机制的冷水机组故障诊断方法。
技术介绍
冷水机组是空调系统中的主要耗能设备，因此通过故障诊断方法，及时发现冷水机组运行过程中的性能劣化，及时进行运行维护与保养，从而保证冷水机组能够在较高能效水平下正常运行，既降低运行能耗，又节省运行及维保费用。目前冷水机组故障检测与诊断的主流方法是基于历史数据的方法，包括人工神经网络、多元线性回归、模糊逻辑及支持向量数据描述等。这些故障检测与诊断方法主要存在的局限性有：1)人工神经网络、多元线性回归、模糊逻辑等方法对样本需求量大，诊断正确率低等；2)支持向量数据描述的方法用于故障检测时虚警率高，诊断结果易混淆，误诊率高等。由于机房现场各类故障数据难以获得，传统的一类分类方法(如SVDD)对训练数据样本需求量少，但对故障的检测和诊断正确率较低，主要原因是由于未考虑数据密度分布造成的，因此本课题组在考虑密度分布的基础上，提出了基于密度权重支持向量数据描述(DW-SVDD)的一类分类方法，降低了检测阶段的虚警率，但诊断时出现诊断结本文档来自技高网...

【技术保护点】
一种集成SVM机制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：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；步骤2：对机组无故障运行和各类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW‑SVDD模型和全故障SVM模型；现场冷水机组系统中传感器采集的机组无故障运行和各类故障运行的历史数据被包含在无故障和各类故障运行数据构建的以a'为中心R'为半径的DW‑SVDD模型的超球体中和各类故障运行数据对应的全故障SVM模型的超...

【技术特征摘要】
1.一种集成SVM机制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：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；步骤2：对机组无故障运行和各类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；步骤3：处理后的数据形成包括机组无故障和各类故障运行的数据训练集，利用该数据训练集分别构建无故障和各类故障运行数据对应的DW-SVDD模型和全故障SVM模型；现场冷水机组系统中传感器采集的机组无故障运行和各类故障运行的历史数据被包含在无故障和各类故障运行数据构建的以a'为中心R'为半径的DW-SVDD模型的超球体中和各类故障运行数据对应的全故障SVM模型的超平面中；步骤4：进行在线故障检测，将现场冷水机组系统中采集的无故障运行或各类故障运行实测数据，采用与步骤2相同的稳态筛选、特征选择和标准化处理后，通过构建的无故障DW-SVDD模型进行故障检测；步骤5：如果该实测数据到无故障DW-SVDD模型超球体中心a'的距离D'与无故障DW-SVDD模型比较，满足D'≤R'小于等于时，则现场冷水机组系统运行正常，故障检测结束；如果不满足，则进入下一步；步骤6：若实测数据仅满足其中一个故障模型与步骤5相同的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型与步骤5相同的条件，则使用步骤3构建的全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。2.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述现场冷水机组系统中的传感器包括温度、压力、流量或功率传感器，获得数据包括机组储存历史数据和实测数据。3.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述稳态筛选包括：通过传感器采集到的冷水机组系统中历史数据中包括掺杂的瞬态数据，该瞬态数据对于检测机组当前的运行状态会产生干扰，采用计算几何加权平均值和几何加权方差的方法进行稳态筛选。4.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述特征选择选择包括冷水机组系统中成本低和对故障的敏感特征，所述成本低是指由温度传感器和压力传感器获得的特征；所述对故障敏感特征是指故障能引起特征的显著变化。5.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述标准化处理是为了消除数据特征变量量纲和变量自身变异大小和数值大小的影响，将采集到的历史数据压缩到[-3,3]之间，采用数理统计中求解均值、均方差和标准化的方法，公式如下：式中，xi,j为样本数据中的参数，Mj为样本数据第j列特征参数的均值，σj为样本数据第j列特征参数的均方差，n为样本数据的个数，为标准化处理后样本数据中的参数。6.根据权利要求1所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，所述步骤3中，无故障运行和各类故障运行数据对应的DW-SVDD模型如下：式中，xi为训练集里面的样本数据，n为样本数据的个数，a'为超球体中心，R'为超球体半径，C为惩罚因子，ξi'为松弛变量，φ为训练集的训练样本点映射到高维特征空间的非线性映射，ρ(xi)为xi的密度权重，计算式如下：式中，k为距离每个训练集样本点最近的第k个点，为xi的第k个最近邻点，为xi与之间的欧式距离，trainset表示训练集。7.根据权利要求6所述的一种集成SVM机制的冷水机组故障诊断方法，其特征在于，通过引入拉格朗日乘子求解对DW-SVDD模型进行优化，同时采用核函数计算内积，得到其对偶形式如下：

【专利技术属性】
技术研发人员：王智伟，陈奎良，顾笑伟，王占伟，
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