【技术实现步骤摘要】
本专利技术涉及，尤其涉及一种基于局部异常核熵成分分析的冷水机组故障检测方法。
技术介绍
1、冷水机组是暖通空调系统的主要耗能设备，当冷水机组发生故障时，不仅会影响暖通空调系统的运行状况，还会加剧运行能耗的增加，减少设备使用寿命。将故障检测技术应用于冷水机组，及时发现并排除故障，对空调系统可靠运行及节约能源具有重要意义。
2、由于冷水机组多输入多输出的特性，采取基于数据驱动的故障检测方法受到研究学者的广泛青睐。主成分分析(pca)、慢特征分析(sfa)、偏最小二乘法(pls)等算法逐渐被应用到冷水机组故障检测中。
3、但是传统的故障检测方法均假设故障数据来自单一工况并且服从高斯分布，变量间是线性关系，但是实际的冷水机组数据并不满足这些假设条件，常呈现出非高斯、非线性与多工况运行等特性。传统的pca仅能有效处理线性特性的数据，并不能有效的提取变量间的非线性特征，尽管一些改进的方法被提出，如采取核主元分析来针对数据非线性特性；采取独立成分分析来针对数据非高斯特性。
4、但是对于轻微劣化等级的故障，传统的数据驱动方法的检测准确率较低。专利cn105067252b公开了一种基于改进的独立主元分析的冷水机组故障检测方法，虽然对大多数故障检测都较好，但是并没有对冷水机组中的微小故障进行说明与检测：专利cn108758969a公开了一种冷水机组故障检测方法和系统，通过pca进行数据分解，再带入贝叶斯模型，虽然提高了贝叶斯模型对于冷水机组故障检测的效果，但是对于微小故障的检测率仍较低；文献fault detec
技术实现思路
1、为解决上述问题，本专利技术提出一种基于局部异常核熵成分分析的冷水机组故障检测方法，通过将动态局部异常因子(lof)融合核熵成分分析(keca)算法，实现对变量数据的动态检测，既可以不遗漏有用的敏感特征还可以降低特征维度，减少工作量，提高检测效率及准确度，尤其是提高了对冷水机组中轻微劣化等级，也就是微小故障的检测率。
2、为了实现上述专利技术目的，本专利技术采用技术方案具体为：本专利技术提供了一种基于局部异常核熵成分分析的冷水机组故障检测方法，由离线建模和在线检测构成，每个阶段具体包括以下步骤：
3、所述离线建模包括如下步骤：
4、步骤s1：获取冷水机组正常工作时的数据x作为训练数据，采取k均值聚类(k-means)，对训练数据进行动态聚类，保存最佳情况下的聚类簇数k与聚类质心点c；
5、步骤s2：对每一簇下的训练数据x0利用其均值mean(x0)和标准差std(x0)对其进行标准化，得到那一簇内标准化后的训练数据xtrain；
6、步骤s3：对每一簇下的训练数据xtrain分别进行基于keca的数据分解，并将训练数据分别投影到主元空间与残差空间中；
7、步骤s4：在每一簇数据的主元子空间与残差子空间中，分别都对训练数据采取局部异常值检测，得到统计量，再利用核密度估计方法(kde)计算主元子空间的控制限与残差子空间的控制限；
8、所述在线检测包括如下步骤：
9、步骤s5：采集冷水机组工作时的实时数据作为测试数据x1，利用训练数据k-means时的最佳聚类簇数k与聚类中心c对测试数据进行聚类；
10、步骤s6：在对应的簇内，利用训练数据的均值和标准差对其进行标准化处理，得到该簇内标准化后的测试数据xtest；
11、步骤s7：将每一簇下的测试数据分别投影到由训练数据建立的主元子空间与残差子空间中；
12、步骤s8：在每一簇数据的主元子空间与残差子空间中，分别都对测试数据进行局部异常值检测，得到统计量；
13、步骤s9：计算测试数据在主元空间与残差空间下的均方误差mse，动态调整lof中k邻域的范围，选择最小的mse对应的k邻域作为最终的取值；
14、步骤s10：通过贝叶斯推理机制计算两个空间数据故障概率，将两个空间的概率融合计算出最终监测统计量，依据是否超出控制线判断是否发生故障；
15、进一步地，在步骤s1中，对训练数据进行k-means聚类的具体过程为：
16、在给定k-means聚类的取值范围内，随机选择k个初始聚类质心，分别计算所有训练数据到k个初始聚类中心的距离，并将其分配到与其最近的质心所对应的簇中；
17、首先是初始化质心，然后更新质心，再重复执行初始化质心与更新质心两个步骤，直到质心不再发生显著变化或达到预定的迭代次数，此时每个样本都被分配到了最终的簇中；
18、对聚类结果进行评估，选择平均轮廓系数s来评估聚类的质量，选择s最大情况下对应的k聚类取值个数，并记录下其聚类质心点c，最终训练数据将分为k簇，每一簇中都含有部分的训练数据。
19、进一步地，在步骤s2中，在每一簇内对训练数据x0利用其均值和标准差进行标准化的具体表达式为：
20、xtrain＝(x0-mean(x0))/std(x0) (1)
21、式中，xtrain＝[x1,x2,...,xn]t∈rn×m，n表示当前簇内样本个数，m表示变量个数。
22、进一步地，在步骤s3中训练数据进行keca的数据分解，具体步骤为：
23、针对每一簇中的标准化后的部分训练样本数据将其投影到高维空间，获得投影训练样本k(xi,xj)，选择投影函数为高斯核函数，高斯核函数的具体表达式为：
24、
25、式中，i＝[1,2,...,n],j＝[1,2,...,n]，σ为核函数的宽度参数，通常依据经验设定；
26、将投影训练样本k(xi,xj)带入到高斯核函数中，得到投影训练样本k(xi,xj)的核矩阵ktrain；
27、对核矩阵ktrain进行特征分解，得到特征值λ和特征向量e；
28、利用特征值与特征向量计算该簇中训练数据的瑞利(renyi)熵，并对特征值进行降序排序；
29、keca的特征映射具体表示为：
30、
31、式中，为投影矩阵，φ表示非线性映射，dd为对角矩阵d中前d(d＜m)个特征值λ构成的对角矩阵，ed是对应特征向量e构成的特征矩阵，上式可以转化为一个优化问题：
32、
33、式中，表示取前d个特征值和对应特征向量计算得到的renyi熵值；
34、主元个数的选择通过交叉验证来确定其最终个数，选择d个主元个数，前d个特征值对应的特征向量构本文档来自技高网...
【技术保护点】
1.一种基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，包括离线建模和在线检测两个过程，
2.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S2中，在每一簇内对训练数据X0利用其均值和标准差进行标准化，得到Xtrain，其中Xtrain＝[X1,X2,...,Xn]T∈Rn×m，n表示当前簇内样本个数，m表示变量个数。
3.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S3中训练数据进行KECA的数据分解，包括以下步骤：
4.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S4中，
5.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S5中对测试数据X1进行聚类为：根据训练数据保留的聚类质心点c，分别计算所有测试数据到k个初始聚类中心的距离，并将其分配到与其最近的质心所对应的簇中。
6.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其
7.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S7中，先将每一簇中标准化后的部分测试数据Xtest投影到高维空间，依旧选择高斯核函数作为投影函数，投影之后得到核矩阵Ktest，计算测试数据投影到由训练数据建立的主元子空间与残差子空间，得到对应的主元得分矩阵Ytest与残差得分矩阵
8.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S8中，针对每一簇下测试数据的主元得分矩阵Ytest，采取同离线建模一样的计算LOF统计量过程，K邻域的取值与离线建模K邻域的取值保持一致，计算得到在线统计量LOFPCS，依据统计量LOFPCS是否超过控制限LOFPCS_lim来判断是否发生故障；
9.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S9中，计算主元子空间与残差子空间下所有簇的均方误差结果分别记为MSEPCS与MSERS，并计算两个空间下的均方误差的均值MSE0：
10.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤S10中，采用贝叶斯推理机制将步骤S9确定下的主元子空间统计量与残差子空间统计量转化为条件概率的形式，得到两个空间的故障概率P(F|XO)与P(F|XL)；
...【技术特征摘要】
1.一种基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，包括离线建模和在线检测两个过程，
2.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤s2中，在每一簇内对训练数据x0利用其均值和标准差进行标准化，得到xtrain，其中xtrain＝[x1,x2,...,xn]t∈rn×m，n表示当前簇内样本个数，m表示变量个数。
3.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤s3中训练数据进行keca的数据分解，包括以下步骤：
4.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤s4中，
5.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤s5中对测试数据x1进行聚类为：根据训练数据保留的聚类质心点c，分别计算所有测试数据到k个初始聚类中心的距离，并将其分配到与其最近的质心所对应的簇中。
6.根据权利要求1所述的基于局部异常核熵成分分析的冷水机组故障检测方法，其特征在于，在步骤s6中，在对应的簇内，利用训练数据x0的均值mean(x0)和标准差std(x0)对测试数据x1进行标准化，得到xtest。
7.根据权利要...
【专利技术属性】
技术研发人员：商亮亮，陆天奇，严浩，陈万，赵凡一，杨柳，张宇超，
申请(专利权)人：南通大学，
类型：发明
国别省市：
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。