用于确定气流装置的状况的方法和系统制造方法及图纸

本文公开了一种确定气流装置的状况的方法

【技术实现步骤摘要】
【国外来华专利技术】用于确定气流装置的状况的方法和系统


[0001]本专利技术涉及一种用于确定气流装置的状况的方法和系统，具体地但不排他地用于确定包括空气处理单元和
/
或冷却器单元
(chiller unit)
的空调和机械通风
(ACMV)
系统或暖通空调
(HAVC)
系统的状况的方法和系统
。

技术介绍

[0002]气流单元可能是建筑物能源消耗的重要贡献者
。
根据新加坡建筑能效研发路线图，商业建筑消耗新加坡总电力的约
31
％
。
冷却
(60
％
)
和通风
(10
％
)
合计占新加坡商业建筑的电力消耗的大部分
(
即
70
％
)。
在空调和机械通风
(ACMV)
系统中，冷却器单元占电力消耗的大部分
(55
％
)
，且空气处理单元
(AHU)
占电力消耗的约
35
％
(
来源：
K.Chua,S.Chou,W.Yang and J.Yan,“Achieving better energy
‑
efficient air conditioning
–
A review of technologies and strategies,”Applied Energy,104
卷
,87
‑
104
页
,2013)。
[0003]如果气流单元中出现故障，则气流单元的功耗可能会呈指数级增长，从而导致系统的整体效率在某些情况下降低高达
50
％至
80
％
。
[0004]此外，
ACMV
系统中的装置故障可能会导致系统中额外的电力损耗
(
性能劣化
)
或整个系统关停，从而导致运营和维护
(O&M)
成本更高以及系统的稳定性下降
。
[0005]已经提出了用于气流装置的离线故障检测和诊断技术
。
然而，这些仅在系统因故障而停止工作
、
之后执行离线故障检测和诊断测试以找出针对故障的原因
(
例如，故障部件
)
时才是适用的
。
基于系统的机械特征，已经提出了一些用于气流装置的在线故障检测和诊断技术
。
然而，通常这些方法只在故障达到特定严重性级别时才可以检测故障
。
因此，在较低的严重性级别下，故障仍然未被检测到，这可能导致效率降低
。
此外，机械传感器可能很昂贵，因此对于小型系统的应用或部件级别来说是不可行的
。
[0006]期望提供一种确定气流装置
(
例如包括空气处理单元或冷却器单元的气流装置
)
的状况的方法和系统，其解决现有技术的缺点中的至少一者和
/
或提供给公众一个有用的选择
。
附图说明
[0007]现在将参照附图描述示例性实施例，在附图中：
[0008]图1示出了根据第一实施例的气流装置，该气流装置包括
AHU
；
[0009]图2示出了图1的气流装置中所包括的状况确定模块；
[0010]图3示出了由系统执行的用于确定图1的气流装置的状况的方法；
[0011]图4示出了一种数据分析方法，该数据分析方法包括作为图3的方法的一部分的对电信号数据执行时间序列分析和频域分析；
[0012]图
5a
示意性地示出了一种人工神经网络
(ANN)
，诸如在图4的方法期间用作滤波器的人工神经网络；
[0013]图
5b
示出了训练图
5a
的
ANN
的方法；
[0014]图6示意性地示出了决策树，诸如作为图4的方法的一部分的用于选择相关本征模式函数的决策树；
[0015]图7示出了图3的确定气流装置的状况的方法，其中以框图形式示出了该方法的分类步骤；
[0016]图8示意性地示出了用于确定图1的气流装置的状况的数学模型；
[0017]图9示出了与图8的数学模型相对应的数据处理阶段；
[0018]图
10
详细示出了由在图3的方法的分类步骤中采用的分类模型执行的步骤；
[0019]图
11a
示意性地示出了由支持向量机执行的过程，诸如在图3的方法的分类步骤期间采用的过程；
[0020]图
11b
至图
11d
示出了适合于训练图6的决策树和图
10
的分类模型的
AHU
训练数据的示例；
[0021]图
12
示出了针对图1的气流装置中所包括的空气处理单元的示例性故障的故障影响比；
[0022]图
13a
和图
13b
分别示出了与现有方法的结果相比，使用根据图3的方法对于具有混合严重性级别的包括空气处理单元的气流装置的模拟故障的分类准确度和分类相对时间；
[0023]图
14a
和图
14b
分别示出了与现有方法的结果相比，使用根据图3的方法对于混合故障状况的包括空气处理单元的气流装置的模拟故障的分类准确度和分类相对时间；
[0024]图
15a
和图
15b
分别示出了与现有方法的结果相比，使用根据图3的方法对于在测试期间同时应用四种类型的故障状况和四个严重性级别的包括空气处理单元的气流装置的模拟故障的分类准确度和分类相对时间；
[0025]图
15c
示出了用以获得图
15a
和图
15b
的结果的测试数据的混淆矩阵；
[0026]图
16
示出了根据第二实施例的气流装置，该气流装置包括冷却器单元；
[0027]图
17
示出了图
16
的气流装置中包括的状况确定模块；
[0028]图
18
示出了由系统执行的用于确定图
16
的气流装置的状况的方法；
[0029]图
19
示出了图
17
的利用以框图形式示出的分类步骤来确定气流装置的状况的方法；
[0030]图
20
示意性地示出了用以确定图
16
的气流装置的状况的数学模型；
[0031]图
21
示出了与图
20
的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种确定气流装置的状况的方法，包括：
(i)
接收表示所述气流装置的运行状态的电信号数据；
(ii)
将所述电信号数据分解为所述电信号数据的多个第一分解分量，所述多个第一分解分量表示所述电信号数据的相对应的固有特征；
(iii)
使用基于神经网络的滤波器对所述多个第一分解分量中的每者进行过滤，以产生重建的电信号数据；
(iv)
将所述重建的电信号数据分解为所述重建的电信号数据的多个第二分解分量，所述多个第二分解分量表示相对应的最佳固有特征，所述最佳固有特征相比于所述固有特征与识别所述状况更相关；
(v)
至少从所述最佳固有特征中识别用于确定所述气流装置的状况的至少一个最相关固有特征；以及
(vi)
选择与所述至少一个最相关固有特征相对应的所述第二分解分量中的至少一者作为向状况分类模型的输入以确定所述气流装置的状况
。2.
根据权利要求1所述的确定气流装置的状况的方法，其中，使用决策树来识别所述至少一个最相关固有特征
。3.
根据权利要求1或2所述的确定气流装置的状况的方法，其中，所述基于神经网络的滤波器具有窗口大小，所述窗口大小取决于被过滤的所述第一分解分量的频率
。4.
根据权利要求1至3中任一项所述的确定气流装置的状况的方法，其中，将所述电信号数据分解为多个第一分解分量包括使用第一经验模式分解来分解所述电信号数据，并且其中，将重建的电信号数据分解为多个第二分解分量包括使用第二经验模式分解来分解所述重建的电信号数据
。5.
根据权利要求1至4中任一项所述的确定气流装置的状况的方法，其中，所述状况分类模型包括至少由第一参数和第二参数描述的机器学习模型，并且其中，所述方法还包括：训练所述机器学习模型，其中，训练所述机器学习模型包括使用第一优化算法调整所述机器学习模型的所述第一参数以及基于水文循环
(HC)
算法使用第二优化算法调整所述机器学习模型的所述第二参数
。6.
根据权利要求5所述的确定气流装置的状况的方法，其中，还基于所述水文循环
(HC)
算法来训练所述基于神经网络的滤波器
。7.
一种确定气流装置的状况的方法，包括：
(i)
接收表示所述气流装置的运行状态的电信号数据；
(ii)
将所述电信号数据输入到状况分类模型中以确定所述气流装置的状况，所述状况分类模型包括至少由第一参数和第二参数描述的机器学习模型；以及
(iii)
训练所述机器学习模型，其中，训练所述机器学习模型包括使用第一优化算法调整所述机器学习模型的所述第一参数以及基于水文循环
(HC)
算法使用第二优化算法调整所述机器学习模型的所述第二参数
。8.
根据前述权利要求中任一项所述的确定气流装置的状况的方法，其中，所述气流装置包括空气处理单元，并且其中，所述电信号数据表示所述空气处理单元的运行状态
。9.
根据权利要求8所述的确定气流装置的状况的方法，其中，所述状况分类模型包括支持向量机
。
10.
根据前述权利要求中任一项所述的确定气流装置的状况的方法，其中，所述气流装置包括冷却器...

【专利技术属性】
技术研发人员：哈斯马特，
申请(专利权)人：新加坡国立大学，
类型：发明
国别省市：