CN110388773A - 冷水机组的故障检测方法、***及冷水机组 - Google Patents

Abstract

本申请提出一种冷水机组的故障检测方法、***及冷水机组。其中，冷水机组的故障检测方法，包括：获取冷水机组的故障运行数据；对所述故障运行数据进行过采样，以得到故障缺失数据；根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型；根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。本申请的冷水机组的故障检测方法，具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

Description

冷水机组的故障检测方法、***及冷水机组

技术领域

本申请涉及制冷设备技术领域，特别涉及一种冷水机组的故障检测方法、***及冷水机组。

背景技术

相关技术中，冷水机组的故障检测手段包括基于专家知识设定规则进行故障判定方法、基于监督式学习的分类方法以及基于正常运行数据建立模型，对实时运行数据进行残差分析的方法。

其中，基于专家知识设定规则进行故障判定，例如根据热物理知识分析故障产生时传热温差、压力、温度、电流等参数的变化趋势，并设定相应阈值，从而可以根据变化趋势判定故障。基于监督式学习的分类方法，通过故障模拟试验获取各种工况条件下不同故障发生时的运行数据，与正常数据组成数据库，分别对数据分类并贴标签，然后利用神经网络或支持向量机等算法建立黑箱模型，通过训练使模型对运行数据能够正确分类，从而实现故障检测和诊断的目的。基于正常运行数据建立模型，对实时运行数据进行残差分析的方法，该方法对正常运行数据进行特性参数回归，建立特性参数预测模型，对实时运行数据与预测值进行对比，对残差超出阈值的运行数据作为故障处理。

存在以下缺点：基于专家知识设定规则故障判定方法识别明显的故障比较有效，但由于参数的变化通常受到多个因素的影响，对于故障发展初期的检测效果不理想，易造成漏检测或误检测；基于监督式学习的分类方法对于故障的检测和诊断效果较好，但需要基于大量的故障测试数据来实现，投入资源过高，模型泛化能力不强，对于非稳态数据识别困难；基于正常运行数据建立模型，对实时运行数据进行残差分析的方法不具备故障分类效果，另外由于建立初始模型的正常运行数据毕竟有限，因此，在遇到建模工况数据外的正常运行数据将可能出现误检测。

发明内容

本申请旨在至少解决上述技术问题之一。

为此，本申请的一个目的在于提出一种冷水机组的故障检测方法。该方法具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

本申请的第二个目的在于提出一种冷水机组的故障检测***。

本申请的第三个目的在于提出一种计算机可读存储介质。

本申请的第四个目的在于提出一种冷水机组。

为了实现上述目的，本申请的第一方面公开了一种冷水机组的故障检测方法，包括：获取冷水机组的故障运行数据；对所述故障运行数据进行过采样，以得到故障缺失数据；根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型；根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。

本申请的冷水机组的故障检测方法，具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

在一些示例中，所述对所述故障运行数据进行过采样，以得到故障缺失数据，包括：对所述故障运行数据进行分类，以建立多个故障数据库，其中，每个故障数据库存储一类故障运行数据；根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据。

在一些示例中，在对所述故障运行数据进行过采样之前，还包括：对所述故障运行数据进行去燥。

在一些示例中，所述根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型，包括：分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

在一些示例中，所述根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常，包括：根据所述故障特性参数预测模型确定冷水机组的运行数据预测值；获取所述冷水机组的运行数据与所述冷水机组的运行数据预测值之间的残差；根据所述残差判断所述冷水机组是否存在故障。

在一些示例中，所述获取冷水机组的故障运行数据，包括：根据冷水机组的故障运行实验，得到所述冷水机组的故障运行数据；和/或，将冷水机组发生故障时的历史运行数据作为所述冷水机组的故障运行数据。

本申请的第二方面公开了一种冷水机组的故障检测***，包括：获取模块，用于获取冷水机组的故障运行数据；过采样模块，用于对所述故障运行数据进行过采样，以得到故障缺失数据；模型创建模块，用于根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型；故障诊断模块，用于根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。

本申请的冷水机组的故障检测***，具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

在一些示例中，所述过采样模块用于对所述故障运行数据进行分类，以建立多个故障数据库，并根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据，其中，每个故障数据库存储一类故障运行数据；

在一些示例中，还包括：去燥模块，用于在所述过采样模块对所述故障运行数据进行过采样之前，对所述故障运行数据进行去燥。

在一些示例中，所述模型创建模块用于分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

在一些示例中，所述故障诊断模块用于根据所述故障特性参数预测模型确定冷水机组的运行数据预测值，并获取所述冷水机组的运行数据与所述冷水机组的运行数据预测值之间的残差，以及根据所述残差判断所述冷水机组是否存在故障。

在一些示例中，所述获取模块用于根据冷水机组的故障运行实验，得到所述冷水机组的故障运行数据，和/或，将冷水机组发生故障时的历史运行数据作为所述冷水机组的故障运行数据。

本申请的第三方面公开了一种计算机可读存储介质，其上存储有冷水机组的故障检测程序，该冷水机组的故障检测程序被处理器执行时实现上述第一方面所述的冷水机组的故障检测方法。

本申请的第四方面公开了一种冷水机组，包括存储器、处理器及存储在存储器上并可在处理器上运行的冷水机组的故障检测程序，所述处理器执行所述冷水机组的故障检测程序时实现上述第一方面所述的冷水机组的故障检测方法。本申请的冷水机组具有故障检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，提升冷水机组的可靠性。

本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请的上述的和/或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请一个实施例的冷水机组的故障检测方法的流程图；

图2是根据本申请一个实施例的冷水机组的故障运行数据位于坐标系中显示的示意图；

图3是根据本申请一个实施例的冷水机组的故障运行数据和故障缺失数据位于坐标系中显示的示意图；

图4是根据本申请一个实施例的冷水机组的故障检测方法的故障检测结果示意图；

图5是根据本申请一个实施例的冷水机组的故障检测方法的实施步骤示意图；

图6是根据本申请一个实施例的冷水机组的故障检测***的结构框图。

附图标记说明：

冷水机组的故障检测***600、获取模块610、过采样模块620、模型创建模块630、故障诊断模块640。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

以下结合附图描述根据本申请实施例的冷水机组的故障检测方法、***及冷水机组。

图1是根据本申请实施例的冷水机组的控制方法的流程图。如图1所示，根据本申请一个实施例的冷水机组的故障检测方法，包括如下步骤：

S101：获取冷水机组的故障运行数据。

例如：可以根据冷水机组的故障运行实验，得到冷水机组的故障运行数据；和/或，将冷水机组发生故障时的历史运行数据作为冷水机组的故障运行数据。

即：对冷水机组进行不同负荷、不同温度(如冷却水温度)组合下的故障运行试验，从而得到不同负荷、不同温度组合下的故障运行数据。当然，如果有已确定的故障运行数据，即：冷水机组发生故障时的历史运行数据，则可以直接读取。

S102：对故障运行数据进行过采样，以得到故障缺失数据。

在具体示例中，可以首先对故障运行数据进行分类，以建立多个故障数据库，然后，根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据。

具体来说，使用数据过采样技术对故障数据库中的故障运行数据进行过采样，从而，可以弥补如工况间隔的故障缺失数据。过采样是在故障运行数据点之间做线性连接，在其中创建新的数据。例如：故障运行数据中包括20个数据，将这20个数据至于坐标系中，这样，20个坐标点之间的线性连接上可以得到多个新的数据。

如图2所示，是坐标系中呈现的故障运行数据，其中，一种形状的点代表一种数据。创建完成的故障缺失数据，如图3所示，为坐标系中呈现的故障运行数据和故障缺失数据，其中，如图3中虚线框内示出了故障运行数据和故障缺失数据。其中，故障运行数据和故障缺失数据可以成为过采样数据。

在以上描述中，每个故障数据库存储一类故障运行数据。例如：故障运行数据被分为10类，则可以建立10个故障数据库，每个故障数据库存储一类故障运行数据。

需要说明的是，对故障运行数据进行分类的标准可以根据冷水机组的实际需求确定，例如：针对每一种故障对应的故障运行数据，分为同一类。

当然，还可以依据其它原则进行分类，并且，分类的数量可以进行任意的增减。

S103：根据故障运行数据和故障缺失数据建立故障特性参数预测模型。

可以针对每个故障数据库建立一个故障特性参数预测模型。具体来说，分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

在具体示例中，可以通过主元分析方法建立故障特性参数预测模型。

S104：根据故障特性参数预测模型判断冷水机组的运行数据是否异常。

在本申请的一个实施例中，根据故障特性参数预测模型判断冷水机组的运行数据是否异常，包括：根据故障特性参数预测模型确定冷水机组的运行数据预测值；获取冷水机组的运行数据与冷水机组的运行数据预测值之间的残差；根据残差判断冷水机组是否存在故障。

也就是说，将冷水机组实时的运行数据与通过故障特性参数预测模型得到的预测值进行对比，对实时的运行数据进行残差分析，对残差低于预设阈值的运行数据作为异常数据，进而，确定出冷水机组存在故障。其中，预设阈值可以由经验确定。

如图4所示，其中，位于虚线以下的数据表示残差低于预设阈值，即：故障运行数据，表示冷水机组发生故障。

根据本申请实施例的冷水机组的故障检测方法，具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

本申请实施例的冷水机组的故障检测方法，冷水机组的故障运行数据可以随着故障检测的不断进行而不断增加，这样，可以对故障特性参数预测模型进行实时地更新，从而不断提升故障检测的全面性和可靠性，有效降低漏检测、错检测的概率，为冷水机组提供有效保障。

在本申请的一个实施例中，在对故障运行数据进行过采样之前，还包括：对故障运行数据进行去燥。从而，可以进一步提升故障检测的准确性和可靠性。

如图5所示，本申请实施例的冷水机组的故障检测方法在具体实施中，包括：

1、输入，即：机组(冷水机组)在线监测数据，即：监测冷水机组实时的运行数据。

2、去除噪音，即：对冷水机组实时的运行数据进行去燥。

3、建立故障1模型、故障2模型至故障n模型，其中，故障1模型、故障2模型至故障n模型表示针对每个故障数据库中的故障运行数据建立的故障特性参数预测模型。然而，故障1模型、故障2模型至故障n模型可以同时运行，对冷水机组实时的运行数据进行分析，从而确定冷水机组是否存在故障。

本申请实施例的冷水机组的故障检测方法，对故障运行数据的特征参数进行回归，这样，可以取代人工设定阈值的方式进行故障检测，提高了故障检测效率，通过使用过采样，对故障运行数据的空缺进行弥补，从而显著降低了测试的工作量，节约了故障特性参数预测模型的建模成本，利用故障运行数据建立故障特性参数预测模型，避免了对未识别的运行数据的误检测，因此，不需在最初进行完整的全工况故障模拟测试而得到全面的故障运行数据，可以在故障诊断过程中，不断完善故障特性参数预测模型，从而，可以降低前期投入，此外，通过多类故障的故障特性参数预测模型可以同时在线检测，不仅可以实现故障的分类，不还可以降低检测和诊断的资源需求。

图6是根据本申请一个实施例的冷水机组的故障检测***的结构框图。如图6所示，根据本申请一个实施例的冷水机组的故障检测***600，包括：获取模块610、过采样模块620、模型创建模块630以及故障诊断模块640。

其中，获取模块610用于获取冷水机组的故障运行数据。过采样模块620用于对所述故障运行数据进行过采样，以得到故障缺失数据。模型创建模块630用于根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型。故障诊断模块640用于根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。

在本申请的一个实施例中，所述过采样模块620用于对所述故障运行数据进行分类，以建立多个故障数据库，并根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据，其中，每个故障数据库存储一类故障运行数据；

在本申请的一个实施例中，还包括：去燥模块(图6中没有示出)，用于在所述过采样模块对所述故障运行数据进行过采样之前，对所述故障运行数据进行去燥。

在本申请的一个实施例中，所述模型创建模块630用于分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

在本申请的一个实施例中，所述故障诊断模块640用于根据所述故障特性参数预测模型确定冷水机组的运行数据预测值，并获取所述冷水机组的运行数据与所述冷水机组的运行数据预测值之间的残差，以及根据所述残差判断所述冷水机组是否存在故障。

在本申请的一个实施例中，所述获取模块610用于根据冷水机组的故障运行实验，得到所述冷水机组的故障运行数据，和/或，将冷水机组发生故障时的历史运行数据作为所述冷水机组的故障运行数据。

根据本申请实施例的冷水机组的故障检测***，具有检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，有利于在冷水机组中实施，提升冷水机组的可靠性。

需要说明的是，本申请实施例的冷水机组的故障检测***的具体实现方式与本申请实施例的冷水机组的故障检测方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

进一步地，本申请的实施例公开了一种计算机可读存储介质，其上存储有计算机程序，其上存储有冷水机组的故障检测程序，该冷水机组的故障检测程序被处理器执行时实现上述的冷水机组的故障检测。

进一步地，本申请的实施例公开了一种冷水机组，包括存储器、处理器及存储在存储器上并可在处理器上运行的冷水机组的故障检测程序，所述处理器执行所述冷水机组的故障检测程序时实现上述的冷水机组的故障检测方法。本申请的冷水机组，具有故障检测准确、可靠的优点，另外，可以有效降低检测对于资源的占用，从而，提升冷水机组的可靠性。

另外，根据本申请实施例的冷水机组的其它构成以及作用对于本领域的普通技术人员而言都是已知的，为了减少冗余，此处不做赘述。

上述非临时性计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory；以下简称：ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory；以下简称：EPROM)或闪存、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LocalArea Network；以下简称：LAN)或广域网(Wide Area Network；以下简称：WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同限定。

Claims (14)

1.一种冷水机组的故障检测方法，其特征在于，包括：

获取冷水机组的故障运行数据；

对所述故障运行数据进行过采样，以得到故障缺失数据；

根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型；

根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。

2.根据权利要求1所述的冷水机组的故障检测方法，其特征在于，所述对所述故障运行数据进行过采样，以得到故障缺失数据，包括：

对所述故障运行数据进行分类，以建立多个故障数据库，其中，每个故障数据库存储一类故障运行数据；

根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据。

3.根据权利要求1或2所述的冷水机组的故障检测方法，其特征在于，在对所述故障运行数据进行过采样之前，还包括：

对所述故障运行数据进行去燥。

4.根据权利要求2所述的冷水机组的故障检测方法，其特征在于，所述根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型，包括：

分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

5.根据权利要求2所述的冷水机组的故障检测方法，其特征在于，所述根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常，包括：

根据所述故障特性参数预测模型确定冷水机组的运行数据预测值；

获取所述冷水机组的运行数据与所述冷水机组的运行数据预测值之间的残差；

根据所述残差判断所述冷水机组是否存在故障。

6.根据权利要求1所述的冷水机组的故障检测方法，其特征在于，所述获取冷水机组的故障运行数据，包括：

根据冷水机组的故障运行实验，得到所述冷水机组的故障运行数据；和/或，

将冷水机组发生故障时的历史运行数据作为所述冷水机组的故障运行数据。

7.一种冷水机组的故障检测***，其特征在于，包括：

获取模块，用于获取冷水机组的故障运行数据；

过采样模块，用于对所述故障运行数据进行过采样，以得到故障缺失数据；

模型创建模块，用于根据所述故障运行数据和故障缺失数据建立故障特性参数预测模型；

故障诊断模块，用于根据所述故障特性参数预测模型判断所述冷水机组的运行数据是否异常。

8.根据权利要求7所述的冷水机组的故障检测***，其特征在于，所述过采样模块用于对所述故障运行数据进行分类，以建立多个故障数据库，并根据每个故障数据库中的相邻故障运行数据创建新的数据，并将所述新的数据作为所述故障缺失数据，其中，每个故障数据库存储一类故障运行数据；

9.根据权利要求7或8所述的冷水机组的故障检测***，其特征在于，还包括：

去燥模块，用于在所述过采样模块对所述故障运行数据进行过采样之前，对所述故障运行数据进行去燥。

10.根据权利要求8所述的冷水机组的故障检测***，其特征在于，所述模型创建模块用于分别根据多个故障数据库中的故障运行数据进行特性参数回归，以建立分别对应于多个故障数据库的多个故障特性参数预测模型。

11.根据权利要求8所述的冷水机组的故障检测***，其特征在于，所述故障诊断模块用于根据所述故障特性参数预测模型确定冷水机组的运行数据预测值，并获取所述冷水机组的运行数据与所述冷水机组的运行数据预测值之间的残差，以及根据所述残差判断所述冷水机组是否存在故障。

12.根据权利要求7所述的冷水机组的故障检测***，其特征在于，所述获取模块用于根据冷水机组的故障运行实验，得到所述冷水机组的故障运行数据，和/或，将冷水机组发生故障时的历史运行数据作为所述冷水机组的故障运行数据。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，其上存储有冷水机组的故障检测程序，该冷水机组的故障检测程序被处理器执行时实现权利要求1-6任一所述的冷水机组的故障检测方法。

14.一种冷水机组，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的冷水机组的故障检测程序，所述处理器执行所述冷水机组的故障检测程序时实现权利要求1-6任一所述的冷水机组的故障检测方法。