【技术实现步骤摘要】
一种基于HSMM的空调机组设备的故障预测方法
本专利技术涉及一种基于HSMM的空调机组设备的故障预测方法，属于空调机组故障诊断
技术介绍
商业建筑中的大约50％的能源是被暖通空调系统消耗的。在暖通空调系统中，故障可能会引起很大的能源消耗以及无法满足人们对于舒适度的需求。作为暖通空调系统的重要子系统，空调机组(airhandlingunit,AHU)被用于将室内空气调节到适宜温度。该系统由混风箱，过滤器，盘管，风扇和送风管道等组成。空调机组的故障会影响冷冻水与空气的换热或者空气的流动，导致能源浪费以及人们的舒适度无法得到满足。故障预测可以在故障发生之前可以通过估计设备的剩余使用寿命(remainingusefullife,RUL)来预测故障可能发生的时刻和位置。通过及时维修或者替换潜在的故障设备可以避免未来突然发生的造成重大危害的故障，增加设备的使用寿命，以及降低运维成本。因此，精确地且及时地进行故障预测非常关键，目前空调机组的故障预测的研究还很少。
技术实现思路
本专利技术所要解决的技术问题是提...
【技术保护点】
1.一种基于HSMM的空调机组设备的故障预测方法，其特征在于，包括如下步骤：/n步骤A.基于空调机组故障相关变量分别沿时序的变化，构建空调机组上冷却盘管与风扇分别所对应各故障特征时序变化，进而获得冷却盘管与风扇分别所对应故障特征矩阵X
【技术特征摘要】
1.一种基于HSMM的空调机组设备的故障预测方法，其特征在于，包括如下步骤：
步骤A.基于空调机组故障相关变量分别沿时序的变化，构建空调机组上冷却盘管与风扇分别所对应各故障特征时序变化，进而获得冷却盘管与风扇分别所对应故障特征矩阵Xcc、Xsf，并进一步针对故障特征矩阵Xcc、Xsf，分别执行故障特征降维操作，获得冷却盘管与风扇分别所对应的主故障特征矩阵Occ、Osf，然后进入步骤B；
步骤B.根据冷却盘管与风扇分别所对应的主故障特征矩阵Occ和Osf，构建冷却盘管不同故障分别所对应的初始半隐马尔可夫模型，以及构建风扇不同故障分别所对应的初始半隐马尔可夫模型，并基于主故障特征矩阵Occ和Osf中的预设比例训练数据，应用吉布斯采样法分别针对各初始半隐马尔可夫模型进行训练，获得冷却盘管不同故障分别所对应的半隐马尔可夫模型，以及风扇不同故障分别所对应的半隐马尔可夫模型，然后进入步骤C；
步骤C.基于冷却盘管与风扇分别所对应主故障特征矩阵Occ和Osf中的预设比例测试数据，采用缩放维特比算法，获得冷却盘管不同故障与风扇不同故障分别所对应半隐马尔可夫模型、对应时刻1至时刻K的状态估计，然后进入步骤D；
步骤D.针对冷却盘管与风扇，应用后向递归算法将设备各故障分别所对应的半隐马尔可夫模型进行集成，获得空调机组、以及其冷却盘管与风扇分别所对应的半隐马尔可夫模型，并进一步获得空调机组、以及其冷却盘管与风扇所对应半隐马尔可夫模型的当前状态估计值，然后进入步骤E；
步骤E.根据空调机组、以及其冷却盘管与风扇分别所对应的半隐马尔可夫模型、以及各设备当前状态估计值，采用后向递归算法，计算获得空调机组以及其中的冷却盘管与风扇的剩余使用寿命。
2.根据权利要求1所述一种基于HSMM的空调机组设备的故障预测方法，其特征在于，所述步骤A包括如下步骤A1至步骤A5：
步骤A1.采集空调机组冷冻水流量送风流量分别对应时刻1至时刻K的时序变化与分别作为空调机组上的故障特征时序变化；
同时，采集空调机组送风温度Ta,sup与其预设值Tsup,spt之间差值对应时刻1至时刻K的时序变化ΔTsup,spt(1)、…、ΔTsup,spt(K)，作为空调机组上的故障特征时序变化，然后进入步骤A2；
步骤A2.构建训练冷却盘管所对应以冷冻水流量混风流量以及混风温度Ta,mix与冷冻水送水温度Tchw,sup差值为输入，以冷却盘管的换热量估计值为输出的反向传递神经网络，并应用Ta,mix-Tchw,sup分别对应时刻1至时刻K的时序变化，获得换热量估计值对应时刻1至时刻K的时序变化；
然后根据冷冻水比热容cpw、以及冷冻水回水温度Tchw,rn，应用如下公式：
获得换热量Qcc对应时刻1至时刻K的时序变化，进而按获得ΔQcc对应时刻1至时刻K的时序变化ΔQcc(1)、…、ΔQcc(K)，作为空调机组上的故障特征时序变化，并进入步骤A3；
步骤A3.应用灰箱模型、以及粒子滤波方法，获得空调机组上冷却盘管上管壁内径估计值与肋片面积估计值分别对应时刻1至时刻K的时序变化与以及获得风扇的效率估计值对应时刻1至时刻K的时序变化然后进入步骤A4；
步骤A4.获得冷却盘管与风扇分别所对应故障特征矩阵Xcc、Xsf分别如下：
然后进入步骤A5；
步骤A5.针对故障特征矩阵Xcc、Xsf，分别执行PCA主成分分析法，针对故障特征降维操作，获得冷却盘管与风扇分别所对应的主故障特征矩阵Occ、Osf。
3.根据权利要求2所述一种基于HSMM的空调机组设备的故障预测方法，其特征在于，所述步骤A3包括如下步骤A3-1至步骤A3-6：
步骤A3-1.构建冷却盘管所对应包含管壁内径dtube,in与肋片面积Afin的灰箱模型如下：
其中，Ea,mix＝(1.006Ta,mix)+Wa,mix(1.84Ta,mix+2501),
Ea,sup＝(1.006Ta,sup)+Wa,sup(1.84Ta,sup+2501),
LMTD＝(ΔTsup-ΔTrn)/(lnΔTsup-lnΔTrn)，
τ＝(Afin+Atube,out)/Atube,in，
αa,e＝αa[1-Afin(1-ηfin)/(Atube,out+Afin)]，
其中，Wa,mix和Wa,sup分别表示空调机组混风的湿度、以及经过降温的送风的湿度、Ea,mix和Ea,sup分别表示空调机组混风的焓值、以及经过降温的送风的焓值，δtube表示冷却盘管管道的厚度，λtube表示冷却盘管管道的导热系数，Rf表示冷却盘管因灰尘造成的热阻，Atube,in表示冷却盘管管道的内表面积，Atube,out表示冷却盘管管道的外表面积，ΔTsup＝Ta,sup-Tchw,sup,ΔTrn＝Ta,mix-Tchw,rn，Ta,sup表示送风温度，Tchw,rn表示冷却盘管中冷冻水回水温度，αa表示肋片的对流换热系数，ηfin表示肋片效率，A表示物性系数，表示冷却盘管中冷冻水流速，ψ表示热流密度；然后进入步骤A3-2；
步骤A3-2.将管壁内径dtube,in与肋片面积Afin作为滤波框架中的状态，构建冷却盘管所对应的粒子滤波框架如下：
冷却盘管状态方程：xcc(t+1)＝xcc(t)+vcc(t)
其中，xcc(t+1)表示冷却盘管对应t+1时刻的状态，表示冷却盘管对应t+1时刻的状态，xcc(t)表示冷却盘管对应t时刻的状态，冷却盘管的状态包括管壁内径dtube,in与肋片面积Afin，vcc(t)表示冷却盘管对应t时刻的过程噪声，过程噪声包括管壁内径的过程噪声与肋片面积的过程噪声；
冷却盘管测量方程：zcc(t)＝h(xcc(t))+wcc(t)
其中，
其中，wcc(t)表示冷却盘管对应t时刻的测量噪声，然后进入步骤A3-3；
步骤A3-3.基于冷却盘管状态方程和冷却盘管测量方程，采用粒子滤波方法通过一组具有权重的随机样本，即粒子来表示随机事件的后验概率，从公式中含有噪声的传感器读数中，获得空调机组上冷却盘管上管壁内径估计值与肋片面积估计值分别对应时刻1至时刻K的时序变化与然后进入步骤A3-4；步骤A3-4.构建风扇所对应包含其效率esf的灰箱模型如下：
其中，Qsf表示风扇的功率；ρair表示空气的密度；表示送风风量的预设值；ΔPsf,des表示风扇的压降，c1、c2、c3、c4、c5是多项式中每一项的系数，这些系数可以在风扇的手册中查到，或者采用非线性最小二乘法基于数据训练得到；然后进入步骤A3-5；
步骤A3-5.构建风扇所对应的粒子滤波框架如下：
风扇状态方程：esf(t+1)＝esf(t)+vsf(t)
其中，esf(t+1)表示风扇对应t+1时刻的效率，vsf(t)表示风扇对应t时刻的过程噪声；
风扇测量方程如下：
其中，wsf(t)表示风扇对应t时刻的测量噪声，Qsf(t)表示风扇对应t+1时刻的功率；然后进入步骤A3-6；
步骤A3-6.基于风扇状态方程和风扇测量方程，采用粒子滤波方法从含噪声的测量值、以及对应t时刻的风扇效率估计的加权平均中，获得风扇对应t+1时刻的效率估计值进而获得风扇的效率估计值对应时刻1至时刻K的时序变化
4.根据权利要求1所述一种基于HSMM的空调机组设备的故障预测方法，其特征在于，所述步骤B包括如下步骤B1至步骤B3；
步骤B1.基于冷却盘管所对应的主故障特征矩阵Occ作为观测，确定冷却盘管不同故障分别所对应的初始半隐马尔可夫模型，各初始半隐马尔可夫模型均具有四个状态，分别对应正常、故障初期、故障中期、故障晚期；
同时，基于风扇所对应的主故障特征矩阵Osf作为观测，确定风扇不同故障分别所对应的初始半隐马尔可夫模型，该各初始半隐马尔可夫模型均具有四个状态，分别对应正常、故障初期、故障中期、故障晚期；然后进入步骤B2；
步骤B2.分别针对冷却盘管不同故障、风扇不同故障分别所对应的初始半隐马尔可夫模型，针对各初始半隐马尔可夫模型，基于各半隐马尔可夫模型均具有四个状态，构建状态转移矩阵P＝{aij},i＝1、…、4,j＝1、…、4，{aij}表示设备由第i个状态转移至第j个状态的概率；...
【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：江苏;32
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。