CN109668588A - 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 - Google Patents
基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 Download PDFInfo
- Publication number
- CN109668588A CN109668588A CN201910144270.2A CN201910144270A CN109668588A CN 109668588 A CN109668588 A CN 109668588A CN 201910144270 A CN201910144270 A CN 201910144270A CN 109668588 A CN109668588 A CN 109668588A
- Authority
- CN
- China
- Prior art keywords
- sensor
- virtual
- refrigeration unit
- air cooling
- cooling refrigeration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,包括以下步骤:对风冷式制冷机组中任意两个传感器进行相关性分析;根据相关性分析结果,对制冷机组传感器进行分组并得到不同的组别;在每个组别中构造虚拟传感器;将虚拟传感器读数与对应传感器实际读数比较,若虚拟传感器读数发生突变,则对应传感器存在故障。本发明设计合理,其采用相关性分析方法对风冷式制冷机组传感器之间存在的相关性进行分析,将相关性强的传感器分为一组,并在组内利用长短时记忆循环神经网络构建出虚拟传感器,通过判断虚拟传感器读数是否发生突变,从而准确、快速地对制冷机组多传感器故障进行定位,避免造成能源浪费,提高设备的使用寿命。
Description
技术领域
本发明属于风冷式制冷机组多传感器技术领域,尤其是一种基于虚拟传感器的风冷式制冷机组传感器故障诊断方法。
背景技术
随着世界能源短缺问题的日益加剧,节能环保已成为当今最为重要的课题,而建筑行业作为高能源消耗行业,其对生态环境的影响不容忽视。建筑业中的能源消耗很大一部分来源于投入使用后建筑空调的能耗,当空调传感器发生故障时,可导致空调***的能耗比正常情况下增加50%。因此,制冷机组多传感器故障诊断对空调***的节能可靠运行起着至关重要的作用,如何准确及时地检测制冷机组多传感器故障是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理且能充分挖掘制冷机组多传感器动态特征的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,包括以下步骤:
步骤1、对风冷式制冷机组中任意两个传感器进行相关性分析;
步骤2、根据相关性分析结果,对制冷机组传感器进行分组并得到不同的组别;
步骤3、在每个组别中构造虚拟传感器;
步骤4、将虚拟传感器读数与对应传感器实际读数比较,若虚拟传感器读数发生突变,则对应传感器存在故障。
所述传感器包含风冷式制冷机组的温度传感器、流量传感器和压力传感器。
所述步骤1采用pearson相关系数方法进行相关性分析。
所述步骤2对制冷机组传感器进行分组时,将相关性大于0.5的传感器分为同一组别;如果一个传感器与其他所有传感器相关性都小于0.5,则选取与其相关性最大的传感器所在组别为该传感器所在组别。
所述步骤3的具体实现方法为:在不同的组别中,分别使用长短时记忆循环神经网络构造虚拟传感器。
所述长短时记忆循环神经网络构造虚拟传感器的方法为:若组别中含有n个传感器,则分别构造n个长短时记忆循环神经网络,其中,神经网络输入均为同一组内所有传感器前T个时刻的测量值,神经网络输出为不同传感器对应的虚拟传感器,T为大于0的任意数。
所述步骤4虚拟传感器读数发生突变的判断方法为:若当前时刻虚拟传感器与实际传感器读数之差大于两倍的上一时刻虚拟传感器与实际传感器读数之差,则认为虚拟传感器读数发生突变。
本发明的优点和积极效果是:
本发明设计合理,其采用相关性分析方法对风冷式制冷机组传感器之间存在的相关性进行分析,将相关性强的传感器分为一组,并在组内利用长短时记忆循环神经网络构建出虚拟传感器,通过判断虚拟传感器读数是否发生突变,从而准确、快速地对制冷机组多传感器故障进行定位,避免造成能源浪费,提高设备的使用寿命。
附图说明
图1为本发明的处理流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,如图1所示,包括以下步骤:
步骤1、通过pearson相关系数对风冷式制冷机组中任意两个传感器进行相关性分析。
本发明的传感器包含风冷式制冷机组的温度、流量、压力等所有传感器。对于不同种类型传感器的故障诊断须训练不同的长短时记忆循环神经网络模型,针对同一时刻仅存在一个传感器发生故障的情况。
步骤2、根据相关性分析结果,对制冷机组传感器进行分组,其中相关性大于0.5的传感器为同一组别。
在本步骤中,根据相关性分析结果,对制冷机组传感器进行分组,其中相关性大于0.5的传感器为同一组别,若某一传感器C与其他所有传感器相关性都小于0.5,则选取与其相关性最大的传感器所在组别为C所在组别。
步骤3、在每个组别中构造虚拟传感器。
在本步骤中,每个组别中使用长短时记忆循环神经网络构造虚拟传感器,在不同的组别中,若含有n个传感器,则分别需要构造n个长短时记忆循环神经网络,其中神经网络输入均为同一组内所有传感器前T个时刻的测量值,T为大于0的任意数,长短时记忆循环神经网络输出为不同传感器对应的虚拟传感器。
步骤4、将虚拟传感器读数与对应传感器实际读数比较,若虚拟传感器读数发生突变,则对应传感器存在故障。
在本步骤中,若当前时刻虚拟传感器与实际传感器读数之差大于两倍的上一时刻虚拟传感器与实际传感器读数之差,则认为虚拟传感器读数发生突变。
本发明未述及之处适用于现有技术。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于包括以下步骤:
步骤1、对风冷式制冷机组中任意两个传感器进行相关性分析;
步骤2、根据相关性分析结果,对制冷机组传感器进行分组并得到不同的组别;
步骤3、在每个组别中构造虚拟传感器;
步骤4、将虚拟传感器读数与对应传感器实际读数比较,若虚拟传感器读数发生突变,则对应传感器存在故障。
2.根据权利要求1所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述传感器包含风冷式制冷机组的温度传感器、流量传感器和压力传感器。
3.根据权利要求1所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述步骤1采用pearson相关系数方法进行相关性分析。
4.根据权利要求1所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述步骤2对制冷机组传感器进行分组时,将相关性大于0.5的传感器分为同一组别;如果一个传感器与其他所有传感器相关性都小于0.5,则选取与其相关性最大的传感器所在组别为该传感器所在组别。
5.根据权利要求1所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述步骤3的具体实现方法为:在不同的组别中,分别使用长短时记忆循环神经网络构造虚拟传感器。
6.根据权利要求5所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述长短时记忆循环神经网络构造虚拟传感器的方法为:若组别中含有n个传感器,则分别构造n个长短时记忆循环神经网络,其中,神经网络输入均为同一组内所有传感器前T个时刻的测量值,神经网络输出为不同传感器对应的虚拟传感器,T为大于0的任意数。
7.根据权利要求1所述的基于虚拟传感器的风冷式制冷机组传感器故障诊断方法,其特征在于:所述步骤4虚拟传感器读数发生突变的判断方法为:若当前时刻虚拟传感器与实际传感器读数之差大于两倍的上一时刻虚拟传感器与实际传感器读数之差,则认为虚拟传感器读数发生突变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144270.2A CN109668588A (zh) | 2019-02-27 | 2019-02-27 | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144270.2A CN109668588A (zh) | 2019-02-27 | 2019-02-27 | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109668588A true CN109668588A (zh) | 2019-04-23 |
Family
ID=66151856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910144270.2A Pending CN109668588A (zh) | 2019-02-27 | 2019-02-27 | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109668588A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652375A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
WO2022079686A1 (en) * | 2020-10-15 | 2022-04-21 | Abb Schweiz Ag | Online frequently derived measurements for process monitoring, control and optimization |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器***和方法 |
CN101681155A (zh) * | 2007-06-15 | 2010-03-24 | 卡特彼勒公司 | 虚拟传感器***和方法 |
EP2413205A1 (en) * | 2009-03-27 | 2012-02-01 | Honda Motor Co., Ltd. | Controller for plant |
CN103646179A (zh) * | 2013-12-19 | 2014-03-19 | 宜春市脉恩多能科技有限公司 | 虚拟传感器测量空调器制冷量的方法 |
CN105446821A (zh) * | 2015-11-11 | 2016-03-30 | 哈尔滨工程大学 | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
-
2019
- 2019-02-27 CN CN201910144270.2A patent/CN109668588A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101331504A (zh) * | 2005-11-18 | 2008-12-24 | 卡特彼勒公司 | 基于处理模型的虚拟传感器***和方法 |
CN101681155A (zh) * | 2007-06-15 | 2010-03-24 | 卡特彼勒公司 | 虚拟传感器***和方法 |
EP2413205A1 (en) * | 2009-03-27 | 2012-02-01 | Honda Motor Co., Ltd. | Controller for plant |
CN103646179A (zh) * | 2013-12-19 | 2014-03-19 | 宜春市脉恩多能科技有限公司 | 虚拟传感器测量空调器制冷量的方法 |
CN105446821A (zh) * | 2015-11-11 | 2016-03-30 | 哈尔滨工程大学 | 一种基于改进神经网络的智能水下机器人推进器故障诊断方法 |
CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
Non-Patent Citations (1)
Title |
---|
王路瑶 等: "基于长短期记忆神经网络的数据中心空调***传感器故障诊断", 《化工学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652375A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
CN111652375B (zh) * | 2020-06-02 | 2023-06-06 | 中南大学 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
WO2022079686A1 (en) * | 2020-10-15 | 2022-04-21 | Abb Schweiz Ag | Online frequently derived measurements for process monitoring, control and optimization |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109781399A (zh) | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN106662072A (zh) | 风力发电机状态监控方法与*** | |
Sun et al. | A hybrid ICA-BPNN-based FDD strategy for refrigerant charge faults in variable refrigerant flow system | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN102034344B (zh) | 光电隔离型超量通道电压信号在线检测诊断装置及其方法 | |
CN109660206A (zh) | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN109668588A (zh) | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 | |
CN109543743A (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN106650942A (zh) | 基于电子装备测试性模型的故障诊断方法 | |
CN111143438A (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
CN109442221A (zh) | 一种基于压力扰动提取的供水管网爆管侦测方法 | |
CN103529337B (zh) | 设备故障与电气量信息间非线性相关关系的识别方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价*** | |
CN102636998B (zh) | 一套用于空间环境模拟器抽气的自动控制方法及自动控制*** | |
CN111953657B (zh) | 一种序列-数据联合驱动的配电网cps网络攻击辨识方法 | |
CN117518939A (zh) | 一种基于大数据的工业控制*** | |
CN106227186A (zh) | 一种电动汽车热管理管路的测试***和方法 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理***及方法 | |
CN102253663B (zh) | 一种网络化三容水箱***的泄漏故障诊断方法及*** | |
CN116221037A (zh) | 一种风电机组监测方法和装置 | |
CN107085934B (zh) | 一种用电信息采集设备性能检测方法及*** | |
CN107024915B (zh) | 一种电网控制器板卡故障检测***及检测方法 | |
CN115186860A (zh) | 基于压力数据聚类的供水管网复杂多漏损识别方法、设备、介质、产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190423 |
|
RJ01 | Rejection of invention patent application after publication |