一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法技术

本发明专利技术涉及一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，采用BPNN和UKF得到与故障相关变量的估计值，将估计值与实测值的差值作为故障特征，能够去除空调机组不同的工作模式、以及在不同负荷下工作对于变量大小的影响，容易将由不同工作模式、不同负荷引起的变量变化与故障引起的变量变化区分开来，提高故障诊断精度，减小误报率；另外基于隐马尔可夫模型特点实现离散统计过程控制方法，将当前移动窗口中偏离状态先验估计的点的个数与窗口宽度的比值作为统计量描述状态转移发生的可能性，可以比较精确地辨别状态估计值的偏移是由真实的状态转移引起的，还是由模型误差或是测量误差引起的，可以进一步提高故障诊断精度。故障诊断精度。故障诊断精度。

【技术实现步骤摘要】
一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法


[0001]本专利技术涉及一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，属于故障诊断


技术介绍

[0002]暖通空调系统在建筑物总能耗中的能耗占比最高，约为50
‑
60％。在暖通空调中大约42％的制冷能耗以及26％的维修费用是设备故障造成。据估计，暖通空调故障诊断可以减少10
‑
40％的能源消耗。在暖通空调系统中，冷却盘管被用来通过冷冻水和空气间的换热来降低空气温度以满足室内人员舒适度的要求。冷却盘管中的故障可能会引起换热效率下降，严重影响设备的正常工作，导致巨大的能源浪费以及无法满足人们对于舒适度的需求。故障诊断可以指导运维人员及时找到故障原因以及对故障定位，通过维修和更换设备尽快让冷却盘管正常工作，因此，对于冷却盘管故障的精确诊断非常关键。在过去的数十年中，对于冷却盘管的故障诊断研究很多。传感器的测量误差以及模型误差会影响状态估计的精度，导致无法精确诊断故障，尤其是在冷却盘管故障发生的早期阶段。另外，很多运用于故障诊断的软件由于故障误报率比较高，导致经常报假警而被运维人员弃用。因此，提高故障诊断精度非常重要。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，采用全新设计架构，能够针对冷却盘管，实现高精度的故障诊断，保证空调实际工作的稳定性。
[0004]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，包括如下步骤：
[0005]步骤A.基于空调机组上各指定工作属性分别沿时序的变化，构建空调机组上冷却盘管所对应各故障特征时序变化，进而获得冷却盘管所对应故障特征矩阵X
cc
，并进一步针对故障特征矩阵X
cc
，执行故障特征降维操作，获得冷却盘管所对应的主故障特征矩阵O
cc
，然后进入步骤B；
[0006]步骤B.根据冷却盘管所对应的主故障特征矩阵O
cc
，构建冷却盘管所对应的初始隐马尔可夫模型，并基于主故障特征矩阵O
cc
中的预设比例的训练数据，应用吉布斯采样法针对初始隐马尔可夫模型进行训练，估计隐马尔可夫模型参数，获得冷却盘管所对应的隐马尔可夫模型，然后进入步骤C；
[0007]步骤C.基于冷却盘管所对应主故障特征矩阵O
cc
中的预设比例测试数据、以及步骤B中所获隐马尔可夫模型参数，采用维特比算法获得对应时刻1至时刻K的状态估计值序列然后进入步骤D；
[0008]步骤D.针对冷却盘管所对应的状态估计值序列应用基于P控制图的离散
统计过程控制方法，滤除状态估计值中的错误估计，获得冷却盘管所对应的最终状态估计值序列进而实现对空调机组上冷却盘管的故障诊断。
[0009]作为本专利技术的一种优选技术方案，所述步骤B包括如下步骤B1至步骤B5；
[0010]步骤B1.基于冷却盘管所对应的主故障特征矩阵O
cc
作为观测，确定冷却盘管所对应的四种故障包括冷却盘管管道中出现沉积f
tube,cc
、冷却盘管肋片上有灰尘积压f
fin,cc
、冷却盘管冷冻水阀门卡死在全开状态f
vlvso,cc
、冷却盘管冷冻水阀门卡死在全关状态f
vlvsc,cc
，进而确定冷却盘管所对应的16个设备状态，实现冷却盘管所对应初始隐马尔可夫模型结构的确定；然后进入步骤B2；
[0011]步骤B2.基于冷却盘管所对应的初始隐马尔可夫模型结构，获得该隐马尔可夫模型的前向变量如下：
[0012]α
i
(t)＝Pr(O(1),...,O(t),s(t)＝i|λ)
[0013]其中，α
i
(1)＝π
i
b
i
(O(1))，i＝1、
…
、N；j＝1、
…
、N；2≤k≤K，α
i
(t)表示冷却盘管在时刻t对应第i个状态的概率；由第i个状态转移至第j个状态的概率；a
ij
表示冷却盘管由第i个状态转移至第j个状态的概率；s(t)表示冷却盘管在时刻t的状态；λ表示该隐马尔可夫模型的参数；Pr()表示概率函数；然后进入步骤B3；
[0014]步骤B3.针对该隐马尔可夫模型的参数划分为三类：分类1，初始概率向量π＝{π
i
}，π
i
表示在初始时刻分别属于不同状态i的概率；分类2，状态转移矩阵P＝{a
ij
},i,j＝1、
…
、N；分类3，观测值的似然函数b
i
(O(t)),i＝1、
…
、N；t＝1,...,K，O(t)表示冷却盘管在时刻t的观测值；然后进入步骤B4；
[0015]步骤B4.基于分类1初始概率向量服从狄利克雷分布、以及分类2状态转移矩阵服从狄利克雷分布，分别获得初始概率向量的后验分布、以及状态转移矩阵的后验分布；同时，基于不同状态的观测值服从不同的正态分布，获得分类3观测值的似然函数的后验分布；然后进入步骤B5；
[0016]步骤B5.基于该隐马尔可夫模型中各参数的后验分布，分别针对各个参数作为待处理参数，通过固定其他参数，从待处理参数的后验分布中随机采样产生该参数值的方式，执行参数迭代收敛，实现应用吉布斯采样法针对初始隐马尔可夫模型进行训练，获得冷却盘管所对应的隐马尔可夫模型。
[0017]作为本专利技术的一种优选技术方案：所述步骤D中针对冷却盘管所对应的状态估计值序列执行如下步骤D1至步骤D10，获得冷却盘管所对应的最终状态估计值序列进而实现对空调机组上冷却盘管的故障诊断；
[0018]步骤D1.针对冷却盘管所对应的状态估计值序列获得时刻1至时刻K中各时刻分别所对应移动窗口的状态估计值，然后进入步骤D2；
[0019]步骤D2.根据如下公式：
[0020][0021]结合获得各状态i分别所对应移动窗口的宽度L
i
，其中p
i
表示状态i被误报为其他状态的概率，x
i
表示移动窗口中状态i被错误估计的比例，γ表示各移动窗口中至少存在一个状态估计转移点的概率，L
i
表示状态i所对应移动窗口的长度；然后按L＝max{L
i
},i＝1,...,N，获得移动窗口宽度L，并进入步骤D3，max(
·
)表示取最大值函数；
[0022]步骤D3.基于状态估计值序列中预设比例长度的训练数据序列，根据该训练数据序列的长度K
train
，以及单个移动窗口的长度L，获取该训练数据序列中K
train
‑
L+1个移动窗口分别所对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于，包括如下步骤：步骤A.基于空调机组上各指定工作属性分别沿时序的变化，构建空调机组上冷却盘管所对应各故障特征时序变化，进而获得冷却盘管所对应故障特征矩阵X
cc
，并进一步针对故障特征矩阵X
cc
，执行故障特征降维操作，获得冷却盘管所对应的主故障特征矩阵O
cc
，然后进入步骤B；步骤B.根据冷却盘管所对应的主故障特征矩阵O
cc
，构建冷却盘管所对应的初始隐马尔可夫模型，并基于主故障特征矩阵O
cc
中的预设比例的训练数据，应用吉布斯采样法针对初始隐马尔可夫模型进行训练，估计隐马尔可夫模型参数，获得冷却盘管所对应的隐马尔可夫模型，然后进入步骤C；步骤C.基于冷却盘管所对应主故障特征矩阵O
cc
中的预设比例测试数据、以及步骤B中所获隐马尔可夫模型参数，采用维特比算法获得对应时刻1至时刻K的状态估计值序列然后进入步骤D；步骤D.针对冷却盘管所对应的状态估计值序列应用基于P控制图的离散统计过程控制方法，滤除状态估计值中的错误估计，获得冷却盘管所对应的最终状态估计值序列进而实现对空调机组上冷却盘管的故障诊断。2.根据权利要求1所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于：所述步骤B包括如下步骤B1至步骤B5；步骤B1.基于冷却盘管所对应的主故障特征矩阵O
cc
作为观测，确定冷却盘管所对应的四种故障包括冷却盘管管道中出现沉积f
tube,cc
、冷却盘管肋片上有灰尘积压f
fin,cc
、冷却盘管冷冻水阀门卡死在全开状态f
vlvso,cc
、冷却盘管冷冻水阀门卡死在全关状态f
vlvsc,cc
，进而确定冷却盘管所对应的16个设备状态，实现冷却盘管所对应初始隐马尔可夫模型结构的确定；然后进入步骤B2；步骤B2.基于冷却盘管所对应的初始隐马尔可夫模型结构，获得该隐马尔可夫模型的前向变量如下：α
i
(t)＝Pr(O(1),...,O(t),s(t)＝i|λ)其中，α
i
(1)＝π
i
b
i
(O(1))，i＝1、
…
、N；j＝1、
…
、N；2≤k≤K，α
i
(t)表示冷却盘管在时刻t对应第i个状态的概率；由第i个状态转移至第j个状态的概率；a
ij
表示冷却盘管由第i个状态转移至第j个状态的概率；s(t)表示冷却盘管在时刻t的状态；λ表示该隐马尔可夫模型的参数；Pr()表示概率函数；然后进入步骤B3；步骤B3.针对该隐马尔可夫模型的参数划分为三类：分类1，初始概率向量π＝{π
i
}，π
i
表示在初始时刻分别属于不同状态i的概率；分类2，状态转移矩阵P＝{a
ij
},i,j＝1、
…
、N；分类3，观测值的似然函数b
i
(O(t)),i＝1、
…
、N；t＝1,...,K，O(t)表示冷却盘管在时刻t的观测值；然后进入步骤B4；步骤B4.基于分类1初始概率向量服从狄利克雷分布、以及分类2状态转移矩阵服从狄利克雷分布，分别获得初始概率向量的后验分布、以及状态转移矩阵的后验分布；同时，基于不同状态的观测值服从不同的正态分布，获得分类3观测值的似然函数的后验分布；然后
进入步骤B5；步骤B5.基于该隐马尔可夫模型中各参数的后验分布，分别针对各个参数作为待处理参数，通过固定其他参数，从待处理参数的后验分布中随机采样产生该参数值的方式，执行参数迭代收敛，实现应用吉布斯采样法针对初始隐马尔可夫模型进行训练，获得冷却盘管所对应的隐马尔可夫模型。3.根据权利要求1所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于：所述步骤D中针对冷却盘管所对应的状态估计值序列执行如下步骤D1至步骤D10，获得冷却盘管所对应的最终状态估计值序列进而实现对空调机组上冷却盘管的故障诊断；步骤D1.针对冷却盘管所对应的状态估计值序列获得时刻1至时刻K中各时刻分别所对应移动窗口的状态估计值，然后进入步骤D2；步骤D2.根据如下公式：结合获得各状态i分别所对应移动窗口的宽度L
i
，其中p
i
表示状态i被误报为其他状态的概率，x
i
表示移动窗口中状态i被错误估计的比例，γ表示各移动窗口中至少存在一个状态估计转移点的概率，L
i
表示状态i所对应移动窗口的长度；然后按L＝max{L
i
},i＝1,...,N，获得移动窗口宽度L，并进入步骤D3，max(
·
)表示取最大值函数；步骤D3.基于状态估计值序列中预设比例长度的训练数据序列，根据该训练数据序列的长度K
train
，以及单个移动窗口的长度L，获取该训练数据序列中K
train
‑
L+1个移动窗口分别所对应移动窗口W(l)的状态估计值，然后进入步骤D4；其中，1≤l≤K
train
‑
L+1；步骤D4.基于当前时刻l所对应移动窗口W(l)的状态的先验估计为i，则在该移动窗口W(l)中偏离其先验估计的状态估计的个数Y
i
服从二项分布如下：然后进入步骤D5；其中，y
i
表示在移动窗口W(l')中状态i被估计为其他状态的点的个数，1≤l'≤K
train
‑
L+1；p
i
表示状态i被误报为其他状态的概率；步骤D5.获得Y
i
所服从二项分布的数学期望如下：以及方差如下：然后进入步骤D6；
步骤D6.获得移动窗口W(l)中状态i被错误估计的比例x
i
的公式为然后进入步骤D7；步骤D7.根据如下公式：步骤D7.根据如下公式：分别获得比例x
i
的期望值μ
i
的模型和方差的模型，然后进入步骤D8；步骤D8.基于P控制图，按如下公式：8.基于P控制图，按如下公式：确定x
i
的控制下限LCL
i
、以及控制上限UCL
i
，然后进入步骤D9；步骤D9.由训练数据序列中提取各个状态i分别对应的状态估计值，并比对训练数据序列与实际状态序列s(1:K
train
)，按如下公式：获得每个状态被错误估计为其他状态的概率作为p
i
，然后进入步骤D10，其中，y
i
(l)表示在移动窗口W(l)中状态i被估计为其他状态的点的个数；S
i
是对应于状态i的移动窗口的集合；δ
i
(l)是克罗内克脉冲函数；步骤D10.针对冷却盘管所对应的状态估计值序列获得移动窗口W(l)中各个状态i分别被错误...

【专利技术属性】
技术研发人员：严颖，蔡骏，张菀，李涛，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：