基于贝叶斯网络的冷水机组能耗故障诊断方法与相关设备技术

本发明专利技术涉及建筑能源能耗故障诊断领域，具体涉及一种基于贝叶斯网络的冷水机组能耗故障诊断方法与相关设备。本发明专利技术采用了多元回归模型对冷水机组数据进行残差分析得到条件概率表，并采用模糊化与去模糊化的方法将专家知识的语言变量转换成具体评估分数，并进一步地将条件概率表和模糊化的专家知识进行贝叶斯网络的结构学习，从而提高了贝叶斯网络结构建模的准确度，同时引入相应的权重，能够改变网络结构对于专家知识的依赖程度，从而提高冷水机组的故障判断率。机组的故障判断率。机组的故障判断率。

【技术实现步骤摘要】
基于贝叶斯网络的冷水机组能耗故障诊断方法与相关设备


[0001]本专利技术涉及建筑能源能耗故障诊断领域，具体涉及一种基于贝叶斯网络的冷水机组能耗故障诊断方法与相关设备。

技术介绍

[0002]暖通空调(HVAC)系统能源消耗约占全球建筑能耗的40％，同时，由于暖通空调系统包含有大量的设备，例如执行器、传感器和控制器，导致暖通空调系统总是会出现各种各样的故障，如果出现的故障未能得到及时的处理，暖通空调系统故障运行不仅会增加能源的消耗，同时也会对设备造成一定的损耗，从而降低室内空气的质量。而对于整个暖通空调系统而言，冷水机组是最为重要的一个部分，通常是作为整个建筑空调系统的集中冷源输出装备，因此，一旦冷水机组出现故障，将会影响整个暖通空调系统的运行效率，从而增加大量无谓的能源消耗。因此，对于暖通空调系统特别是冷水机组的故障诊断将会成为建筑能源节约的一大要点。
[0003]过去几年中，冷水机组的能耗故障检测与诊断一直是制冷空调系统的研究热点之一。为了实现冷水机组的故障诊断，目前主要采用的方法可以分为三种类型：一种是基于模型建模的，通过在软件上对整个冷水机组系统进行建模，从而实现冷水机组的故障诊断；一种是基于数据分析的，主要采用的方法是利用机器学习算法对异常数据和正常数据进行训练，然后带入异常数据进行在线的诊断；另外一种是将两者结合起来，其中最具有代表性的方法便是贝叶斯网络。
[0004]目前，在贝叶斯网络的搭建过程中存在两个普遍的问题：结构学习和参数学习。对于结构学习，比较常见的方法是利用机器学习的方法，根据操作数据来学习贝叶斯网络，另外一种是直接利用专家根据已有经验构建的贝叶斯网络结构。
[0005]利用专家根据已有经验构建的贝叶斯网络结构的方法容易受到专家的主观因素较大，网络的好坏过度的依赖于专家对相关领域熟悉程度；而依靠机器学习算法从正常和故障数据中学习贝叶斯网络结构，这种方法需要的数据量较大，并且对的数据的质量要求非常高。而在实际的数据采集过程中，由于传感器或者其他方面的操作容易出现失误，很难获得足量的完整的数据集。另外，在网络建立完成之后，没有充分的将专家在现场所得到的附加信息进行利用。

技术实现思路

[0006]本专利技术实施例提供一种基于贝叶斯网络的冷水机组能耗故障诊断方法与相关设备，旨在解决现有技术在冷水机组能耗故障诊断的过程中对与冷水机组数据采集和附加信息利用等方面仍存在不足的技术问题。
[0007]第一方面，本专利技术实施例提供一种基于贝叶斯网络的冷水机组能耗故障诊断方法，所述冷水机组能耗故障诊断方法包括以下步骤：
[0008]获取冷水机组的数据样本，并对所述数据样本进行预处理，得到稳态数据，所述数
据样本包括正常样本和故障样本，所述故障样本包括故障和症状；
[0009]根据所述稳态数据建立多元线性回归模型，得到关于故障数据的条件概率表；
[0010]获取专家语言数据，将所述专家语言数据进行去模糊化和模糊化处理，得到专家知识评估分数；
[0011]将所述条件概率表和所述专家知识评估分数输入贝叶斯网络进行学习，得到冷水机组能耗故障诊断模型；
[0012]将所述数据样本输入所述冷水机组能耗故障诊断模型，得到能耗故障诊断结果。
[0013]更进一步地，所述获取冷水机组的数据样本，并对所述数据样本进行预处理，得到稳态数据的步骤，包括以下子步骤：
[0014]使用基于滑动窗口的稳态滤波算法对所述正常样本进行计算，得到所述稳态滤波算法的斜率；
[0015]将所述滑动窗口的极限值设置为所述斜率的三倍；
[0016]根据所述极限值对所述数据样本进行筛选，得到不大于所述极限值的所述稳态数据。
[0017]更进一步地，根据所述稳态数据建立多元线性回归模型，得到关于故障数据的条件概率表的步骤，包括以下子步骤：
[0018]在所述稳态数据中选取自变量和因变量，构建多元线性函数；
[0019]将所述稳态数据中的所述故障数据代入所述多元线性函数，得到故障数据数值分布；
[0020]将所述故障数据数值分布与实际数据进行残差分析，得到故障数据置信区间；
[0021]根据所述故障数据在所述故障数据置信区间的分布频率得到关于所述故障和所述症状的故障条件概率，并进一步通过所述故障条件概率生成所述条件概率表。
[0022]更进一步地，所述获取专家语言数据，将所述专家语言数据进行去模糊化和模糊化处理，得到专家知识评估分数的步骤，包括以下子步骤：
[0023]根据所述专家语言数据生成具有所述故障和所述症状之间的关联度的语言变量；
[0024]将所述语言变量使用三角形模糊数和梯形模糊数进行模糊化，得到所述专家语言的模糊数和切点；
[0025]根据三角形模糊数和梯形模糊数对所述专家语言数据进行去模糊化，得到所述专家知识评估分数。
[0026]更进一步地，将所述条件概率表和所述专家知识评估分数输入贝叶斯网络进行学习，得到冷水机组能耗故障诊断模型的步骤，具体为：
[0027]为所述条件概率表和所述专家知识评估分数设置不同的权重，以在所述贝叶斯网络中进行所述故障和所述症状的关联性学习，并将完成学习的所述贝叶斯网络输出为所述冷水机组能耗故障诊断模型。
[0028]第二方面，本专利技术实施例还提供一种基于贝叶斯网络的冷水机组能耗故障诊断系统，包括：
[0029]预处理模块，用于获取冷水机组的数据样本，并对所述数据样本进行预处理，得到稳态数据，所述数据样本包括正常样本和故障样本，所述故障样本包括故障和症状；
[0030]条件概率模块，用于根据所述稳态数据建立多元线性回归模型，得到关于故障数
据的条件概率表；
[0031]专家语言模块，用于获取专家语言数据，将所述专家语言数据进行去模糊化和模糊化处理，得到专家知识评估分数；
[0032]贝叶斯学习模块，用于将所述条件概率表和所述专家知识评估分数输入贝叶斯网络进行学习，得到冷水机组能耗故障诊断模型；
[0033]诊断模块，用于将所述数据样本输入所述冷水机组能耗故障诊断模型，得到能耗故障诊断结果。
[0034]第三方面，本专利技术实施例还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上实施例中任意一项所述的基于贝叶斯网络的冷水机组能耗故障诊断方法中的步骤。
[0035]第四方面，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上实施例中任意一项所述的基于贝叶斯网络的冷水机组能耗故障诊断方法中的步骤。
[0036]本专利技术所达到的有益效果，由于采用了多元回归模型对冷水机组数据进行残差分析得到条件概率表，并采用模糊化与去模糊化的方法将专家知识的语言变量转换成具体评估分数，并进一步地将条件概率表和模糊化的专家知识进行贝叶斯网络的结构学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯网络的冷水机组能耗故障诊断方法，其特征在于，所述冷水机组能耗故障诊断方法包括以下步骤：获取冷水机组的数据样本，并对所述数据样本进行预处理，得到稳态数据，所述数据样本包括正常样本和故障样本，所述故障样本包括故障和症状；根据所述稳态数据建立多元线性回归模型，得到关于故障数据的条件概率表；获取专家语言数据，将所述专家语言数据进行去模糊化和模糊化处理，得到专家知识评估分数；将所述条件概率表和所述专家知识评估分数输入贝叶斯网络进行学习，得到冷水机组能耗故障诊断模型；将所述数据样本输入所述冷水机组能耗故障诊断模型，得到能耗故障诊断结果。2.如权利要求1所述的基于贝叶斯网络的冷水机组能耗故障诊断方法，其特征在于，所述获取冷水机组的数据样本，并对所述数据样本进行预处理，得到稳态数据的步骤，包括以下子步骤：使用基于滑动窗口的稳态滤波算法对所述正常样本进行计算，得到所述稳态滤波算法的斜率；将所述滑动窗口的极限值设置为所述斜率的三倍；根据所述极限值对所述数据样本进行筛选，得到不大于所述极限值的所述稳态数据。3.如权利要求1所述的基于贝叶斯网络的冷水机组能耗故障诊断方法，其特征在于，根据所述稳态数据建立多元线性回归模型，得到关于故障数据的条件概率表的步骤，包括以下子步骤：在所述稳态数据中选取自变量和因变量，构建多元线性函数；将所述稳态数据中的所述故障数据代入所述多元线性函数，得到故障数据数值分布；将所述故障数据数值分布与实际数据进行残差分析，得到故障数据置信区间；根据所述故障数据在所述故障数据置信区间的分布频率得到关于所述故障和所述症状的故障条件概率，并进一步通过所述故障条件概率生成所述条件概率表。4.如权利要求1所述的基于贝叶斯网络的冷水机组能耗故障诊断方法，其特征在于，所述获取专家语言数据，将所述专家语言数据进行去模糊化和模糊化处理，得到专家知识评估分数的步骤，包括以下子步骤：根据所述专家语言数据...

【专利技术属性】
技术研发人员：杨海东，伍代标，印四华，徐康康，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：