基于可靠在线数据自适应的冷水机组故障诊断方法技术

一种基于可靠在线数据自适应的冷水机组故障诊断方法，采集机组实时运行数据，利用正交状态迭代方法进行空值预测与异常值校正，并将完整机组数据输入电气

【技术实现步骤摘要】
基于可靠在线数据自适应的冷水机组故障诊断方法


[0001]本专利技术涉及的是一种建筑空调领域的技术，具体是一种基于正交状态迭代方法、电气
‑
热力故障解耦及可靠在线数据自适应策略的冷水机组故障诊断方法。

技术介绍

[0002]暖通空调系统占据建筑总能耗的50％以上。而在暖通空调系统中，冷水机组的能耗占比最高，其运行可靠性对建筑节能具有直接的影响。现有的冷水机组故障诊断方法一般针对单故障，且多是对影响基本运行的硬故障予以告警，目前尚缺少对于多个软故障并存时的提前预测与快速诊断方法，特别是缺少一种能够解耦电气
‑
热力故障，快速泛化到不同型号冷水机组的多故障解耦诊断方法；同时现有模型也不具备根据实时数据进行自更新的能力。

技术实现思路

[0003]本专利技术针对现有技术不能很好地处理冷水机组数据采集异常引起的预测偏差，在运行工况与训练时偏差较大的情况下预测精度显著下降，导致最终诊断结果与实际不符；不能对多个软故障并存时进行快速解耦诊断，在多故障并存时预测准确率会显著下降；诊断模型也不具备根据实时数据进行自更新的问题，预测结果不能实时修正，在冷水机组运行工况与训练工况不一致时预测准确率会显著下降等问题，提出一种基于可靠在线数据自适应的冷水机组故障诊断方法，实现冷水机组数据空值预测与异常值校正、传感器测量偏差等电气故障与热力故障并存时的解耦诊断、冷水机组热力故障的准确预测、可靠的在线数据选取、故障诊断模型的在线自适应更新，并建立维修决策数据库，大幅提高冷水机组智能化水平，能够快速和高效地泛化应用到其他型号的冷水机组系统。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于可靠在线数据自适应的冷水机组故障诊断方法，采集机组实时运行数据，利用正交状态迭代方法进行空值预测与异常值校正，并将完整机组数据输入电气
‑
热力故障解耦模型进行传感器状态判别、剔除故障传感器数据以及无故障数据预测；最后采用热力故障检测模型对无故障预测数据进行机组热力状态判别，得到故障预测、诊断结果和辅助维修决策。
[0006]所述的机组实时运行数据，通过读取冷水机组传感器数据以及运行参数，并实时记录冷水机组的数据窗口，具体包括：运行状态、报警状态、压缩机吸气温度、排气温度、吸气压力、冷凝压力、压缩机电流、冷媒水进出水温度、冷却水进出水温度、冷凝器及蒸发器进出口压差、电子膨胀阀及水量调节阀阀位、开机停机及增载减载温度、过热度、过冷度数据。
[0007]所述的正交状态迭代方法是指：设定历史数据收集时间段长度为α分钟，收集机组实时运行数据，将实时运行数据投影到勒让德正交多项式基上，并根据状态空间表达式迭代更新正交基系数，最后通过正交基系数重建机组运行数据，获得当前运行时刻用勒让德基正交多项式逼近的运行数据曲线，并用预测出来的数据值填补数据采集中的空值与
hampel滤波所剔除掉的异常值。
[0008]所述的投影是指：根据正交投影定义，获得冷水机组运行数据在勒让德多项式基下的系数，具体包括：
[0009]1)根据历史数据收集时间段α分钟，得到冷水机组运行数据的投影空间的测度函数为根据将运行时间从[
‑
1，1]范围内转换到[t
‑
α，t]内的勒让德正交多项式其中：P
n
为第n阶勒让德正交多项式，x为当前冷水机组某项运行数据，如吸气温度、排气温度等，t为运行时刻，单位为分钟；多项式p
n
(t，x)满足<p
n(t)
，p
m(t)
>＝δ
n，m
，t为运行时刻，n和m分别为第n阶多项式和第m阶多项式，δ
n，m
为满足条件n＝m时δ
n，m
＝1，其余情况δ
n，m
＝0，符号<
·
，
·
>为在给定度量空间内多项式的内积。
[0010]2)计算冷水机组运行数据投影到勒让德正交多项式基后的系数其中：为在时刻t关于冷水机组运行数据向量x的第n阶勒让德正交多项式的系数，其中：T
CI
为压缩机吸气温度，T
CO
为压缩机排气温度，P
RE
为蒸发压力，P
RC
为冷凝压力，符号<
·
，
·
>
ω(t)
为在给定度量空间内，在测度函数ω(t)下多项式的内积，f
≤t
为由冷水机组在小于等于t时刻的真实运行数据所为的函数。
[0011]所述的状态空间表达式是指：根据勒让德正交多项式基系数的计算式，对时刻t求偏导得到系数的更新表达式：其中：C矩阵的表达式为：其中：C矩阵的表达式为：D矩阵的表达式为：n为勒让德正交多项式阶数，j为冷水机组运行数据维度。
[0012]所述的状态空间表达式迭代更新是指：利用双线性方法，离散化勒让德正交多项式基系数的状态空间表达式，计算t时刻的状态更新：的状态空间表达式，计算t时刻的状态更新：其中：I为单位矩阵。
[0013]所述的勒让德正交多项式基逼近是指：根据投影获得的正交多项基系数，利用勒让德正交多项式f(t)重建数据收集时间段α分钟内的冷水机组运行数据，具体为：让德正交多项式f(t)重建数据收集时间段α分钟内的冷水机组运行数据，具体为：其中：为勒让德正交多项基系数向量，x为当前冷水机组运行数据向量，n为勒让德正交多项式阶数。
[0014]所述的hampel滤波是指：设置冷水机组系统实时运行数据的异常值筛选窗口，对于每个窗口内的数据，计算其中位数和平均绝对偏差，当偏差大于该条数据窗口的标准差的3倍，则将其剔除。
[0015]所述的正交状态迭代方法中，若采集的冷水机组数据有空值或异常值，则在忽略当前时刻的勒让德正交多项式基系数的状态空间表达式更新步骤，当该项运行数据恢复正常时，再进行更新；在勒让德正交多项式基系数更新后，利用最新的系数预测时间段α分钟内的冷水机组运行数据，覆盖冷水机组直接采集而来的时间段α分钟内的空缺数据，将覆盖
后的完整数据输入电气
‑
热力故障解耦模型。
[0016]所述的电气
‑
热力故障解耦模型包括：传感器偏差故障检测模型和传感器无故障数据预测模型，其中：传感器偏差故障检测模型从机组运行实时数据中分离出传感器故障，传感器无故障数据预测模型消除传感器故障的干扰完成传感器
‑
热力故障的解耦并得到无故障预测数据；在离线阶段采用历史数据训练传感器偏差故障检测模型和传感器无故障数据预测模型，在在线阶段采集冷水机组最近20分钟的实时数据并将其中处于模型训练工况参数范围内的数据输入传感器偏差故障检测模型进行检测，得到预测的传感器故障。若故障检测模型输出为无故障，则直接输入热力故障检测模型进行热力故障判别；若故障检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可靠在线数据自适应的冷水机组故障诊断方法，其特征在于，采集机组实时运行数据，利用正交状态迭代方法进行空值预测与异常值校正，并将完整机组数据输入电气
‑
热力故障解耦模型进行传感器状态判别、剔除故障传感器数据以及无故障数据预测；最后采用热力故障检测模型对无故障预测数据进行机组热力状态判别，得到故障预测、诊断结果和辅助维修决策；所述的机组实时运行数据，通过读取冷水机组传感器数据以及运行参数，并实时记录冷水机组的数据窗口，具体包括：运行状态、报警状态、压缩机吸气温度、排气温度、吸气压力、冷凝压力、压缩机电流、冷媒水进出水温度、冷却水进出水温度、冷凝器及蒸发器进出口压差、电子膨胀阀及水量调节阀阀位、开机停机及增载减载温度、过热度、过冷度数据；所述的电气
‑
热力故障解耦模型包括：传感器偏差故障检测模型和传感器无故障数据预测模型，其中：传感器偏差故障检测模型从机组运行实时数据中分离出传感器故障，传感器无故障数据预测模型消除传感器故障的干扰完成传感器
‑
热力故障的解耦并得到无故障预测数据；所述的热力故障诊断模型为基于可靠在线数据自适应策略的人工神经网络，该网络根据压缩机进出口压力、蒸发压力和冷凝压力，经过非线性变换后通过softmax变换得到故障类别概率、根据预存的机组热力状态判别结果和当前机组状态，推荐维修建议及辅助决策。2.根据权利要求1所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的正交状态迭代方法是指：设定历史数据收集时间段长度为α分钟，收集机组实时运行数据，将实时运行数据投影到勒让德正交多项式基上，并根据状态空间表达式迭代更新正交基系数，最后通过正交基系数重建机组运行数据，获得当前运行时刻用勒让德基正交多项式逼近的运行数据曲线，并用预测出来的数据值填补数据采集中的空值与hampel滤波所剔除掉的异常值；所述的投影是指：根据正交投影定义，获得冷水机组运行数据在勒让德多项式基下的系数，具体包括：1)根据历史数据收集时间段α分钟，得到冷水机组运行数据的投影空间的测度函数为根据将运行时间从[
‑
1，1]范围内转换到[t
‑
α，t]内的勒让德正交多项式其中：P
n
为第n阶勒让德正交多项式，滰为当前冷水机组某项运行数据，t为运行时刻，单位为分钟；多项式p
n
(t，x)满足<p
n(t)
，p
m(t)
>＝δ
n，m
，t为运行时刻，n和m分别为第n阶多项式和第m阶多项式，δ
n，m
为满足条件n＝m时δ
n，m
＝1，其余情况δ
n，m
＝0，符号<
·
，
·
>为在给定度量空间内多项式的内积；2)计算冷水机组运行数据投影到勒让德正交多项式基后的系数其中：为在时刻t关于冷水机组运行数据向量滰的第n阶勒让德正交多项式的系数，其中：T
CI
为压缩机吸气温度，T
CO
为压缩机排气温度，P
RE
为蒸发压力，P
RC
为冷凝压力，符号<
·
，
·
>
ω(t)
为在给定度量空间内，在测度函数ω(t)下多项式的内积，f
≤t
为由冷水机组在小于等于t时刻的真实运行数据所为的函数。3.根据权利要求2所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的状态空间表达式是指：根据勒让德正交多项式基系数的计算式，对时刻t求偏导
得到系数的更新表达式：其中：C矩阵的表达式为：其中：C矩阵的表达式为：D矩阵的表达式为：n为勒让德正交多项式阶数，j为冷水机组运行数据维度；所述的状态空间表达式迭代更新是指：利用双线性方法，离散化勒让德正交多项式基系数的状态空间表达式，计算t时刻的状态更新：的状态空间表达式，计算t时刻的状态更新：其中：I为单位矩阵。4.根据权利要求2所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的勒让德正交多项式基逼近是指：根据投影获得的正交多项基系数，利用勒让德正交多项式f(t)重建数据收集时间段α分钟内的冷水机组运行数据，具体为：交多项式f(t)重建数据收集时间段α分钟内的冷水机组运行数据，具体为：其中：为勒让德正交多项基系数向量，滰为当前冷水机组运行数据向量，n为勒让德正交多项式阶数。5.根据权利要求2所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的hampel滤波是指：设置冷水机组系统实时运行数据的异常值筛选窗口，对于每个窗口内的数据，计算其中位数和平均绝对偏差，当偏差大于该条数据窗口的标准差的3倍，则将其剔除。6.根据权利要求2
‑
5中任一所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的正交状态迭代方法中，若采集的冷水机组数据有空值或异常值，则在忽略当前时刻的勒让德正交多项式基系数的状态空间表达式更新步骤，当该项运行数据恢复正常时，再进行更新；在勒让德正交多项式基系数更新后，利用最新的系数预测时间段α分钟内的冷水机组运行数据，覆盖冷水机组直接采集而来的时间段α分钟内的空缺数据，将覆盖后的完整数据输入电气
‑
热力故障解耦模型。7.根据权利要求1所述的基于可靠在线数据自适应的冷水机组故障诊断方法，其特征是，所述的电气
‑
热力故障解耦模型在离线阶段采用历史数据训练传感器偏差故障检测模型和传感器无故障数据预测模型，在在线阶段采集冷水机组最近20分钟的实时数据并将其中处于模型训练工况参数范围内的数据输入传感器偏差故障检测模型进行检测，得到预测的传感器故障；若故障检测模型输出为无故障，则直接输入热力故障检测模型进行热力故障判别；若故障检测模型输出为有故障，则将预测为故障的传感器数据输入传感器无故...

【专利技术属性】
技术研发人员：刘卓轩，杜志敏，张哲铭，晋欣桥，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：