CN111981635B - 一种双智能算法的中央空调故障预测与诊断方法 - Google Patents
一种双智能算法的中央空调故障预测与诊断方法 Download PDFInfo
- Publication number
- CN111981635B CN111981635B CN202010702092.3A CN202010702092A CN111981635B CN 111981635 B CN111981635 B CN 111981635B CN 202010702092 A CN202010702092 A CN 202010702092A CN 111981635 B CN111981635 B CN 111981635B
- Authority
- CN
- China
- Prior art keywords
- neuron
- central air
- diagnosis
- representing
- air conditioner
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种双智能算法的中央空调故障预测与诊断方法,包括如下步骤:采集现场中央空调运行实时数据集;将“一”步骤中的实时数据集输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集是否满足中央空调故障预测与诊断误分类率最小;“二”步骤中的实时数据集如果满足中央空调故障预测与诊断误分类率最小则输出中央空调故障。预测与诊断分类结果。具有现场可实施性,便于工程应用。同时极限学习机具有良好的泛化能力,具有较高的运算效率。因此采用模拟退火算法求中央空调误分类率最小问题更容易得到全局最优解,提高在线部署中央空调故障检测与诊断模型分类的准确性和精度。
Description
技术领域:
本发明涉及中央空调故障预测与诊断技术领域,具体指一种基于模拟退火算法和极限学习机算法的双智能算法中央空调故障预测与诊断方法。
背景技术:
中央空调***既是现代建筑中不可缺少的能耗运行***,又是楼宇自动化控制***的重要组成部分。随着人们对生活质量要求的提高,中央空调***的设计越来越复杂,中央空调不仅可以提供制冷或者供暖,还可以提供生活热水、洗澡水、泳池恒温热水等。如果中央空调出现故障,不仅给***的运行及人们的生活带来不便,同时因中央空调出故障会增加***15%-30%能耗。因此将基于机器学习智能算法的故障预测与诊断技术应用到中央空调***中,准确快速判断出故障精确部件,减少设备检修时间,降低空调设备能耗,具有极其重要的现实意义。
传统进行中央空调故障预测与诊断的方法中,将实验室设备采集的中央空调***频域信号作为故障预测与诊断模型的特征向量。但是实验室频域信号采集分析设备具有高敏感性,中央空调***运行现场受环境制约很难采集并进行现场频域信号分析,导致依据实验室设备采集并分析信号所建立的中央空调故障预测与诊断模型很难在工业现场进行部署实施。现有的线性回归故障预测与诊断模型无法辨识出中央空调故障的非线性特征,预测与诊断准确性差。反向传播神经网络的中央空调故障预测与诊断模型,网络结构复杂,训练时间长,在线部署与在线检测可行性低。中央空调故障预测与诊断模型准确性问题可以通过数学建模的方法转化为故障误分类率最小的优化问题进行求解。遗传算法的每组新解都要经过编码、交叉、变异等过程,计算量较大,优化解的精度也较低。爬山算法在每次迭代过程中只接收优化解,易陷入局部最优解。
发明内容
发明目的:本发明提供一种基于模拟退火算法和极限学习机算法的双智能算法中央空调故障预测与诊断的方法,其目的是利用中央空调现场传感器采集的时域信号数据进行中央空调故障预测与诊断,提高中央空调故障检测准确度并明确诊断故障发生的精准位置,最终提高***工作效率,降低***能耗,保障***安全运行。
技术方案:本发明是通过以下技术方案来实现的:
一种双智能算法中央空调故障预测与诊断方法,其特征在于:该方法包括如下步骤:
一、采集现场中央空调运行实时数据集Son-line;
二、将“一”步骤中的实时数据集Son-line输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集Son-line是否满足中央空调故障预测与诊断误分类率最小;
三、“二”步骤中的实时数据集Son-line如果满足中央空调故障预测与诊断误分类率最小则输出中央空调故障预测与诊断分类结果。
“二”步骤中:如果“一”步骤中的实时数据集Son-line不满足中央空调故障预测与诊断误分类率最小,则将现场中央空调运行数据集Son-line与建立中央空调故障预测与诊断分类模型时采集的初始数据集Soff-line合并,并进行训练中央空调故障预测与诊断分类神经网络模型。
所述中央空调故障预测与诊断分类神经网络模型构建方法如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的初始数据集Soff-line包含运行正常的数据和运行故障的数据;
步骤2:判断故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;
步骤3:如果满足中央空调故障预测与诊断误分类率最小,则进入步骤7;
步骤4:如果不满足中央空调故障预测与诊断误分类率最小,则进入步骤6;
步骤5:采用模拟退火算法优化极限学习机的中央空调故障预测与诊断分类模型系数,得到新的中央空调故障预测与诊断分类神经网络模型,再判断这个新的中央空调故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;如果满足中央空调故障预测与诊断误分类率最小,则进入
步骤6;否则继续优化,直到满足误分类率最小;
步骤7:在线部署双智能算法的中央空调故障预测与诊断分类模型。
步骤中2中训练极限学习机的中央空调故障预测与诊断分类神经网络模型的方法具体如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:构建一个由12个输入神经元和4个输出神经元及L个隐藏层神经元构成的单层前馈神经网络模型;其中输入神经元分别为吸气压力x1、蒸发器趋近温度x2、冷凝器趋近温度x3、蒸发器回水温度x4、蒸发器出水温度x5、冷凝器回水温度x6、冷凝器出水温度x7、分水器供水压力x8、集水器回水压力x9、电流x10、电压x11、中央空调供暖/制冷供暖和制冷量x12;输出神经元分别为中央空调正常运行类型y1、蒸发器故障类型y2、冷凝器故障类型y3和压缩机故障类型y4;
步骤3:将12个输入神经元进行归一化;
步骤4:将初始数据集Soff-line分成训练样本集Strain和测试样本集Stest;其中训练样本集Strain包含运行正常类型的数据和运行故障类型的数据,总计有N个离散训练样本其中xi=[xi1,xi2,…,xi12]T∈R12;分量xij表示第i个样本的第j个输入神经元,且i=1,2,…,N;j=1,2,…,12;xi1表示第i个样本的第1个输入神经元吸气压力、xi2表示第i个样本的第2个输入神经元蒸发器趋近温度、xi3表示第i个样本的第3个输入神经元冷凝器趋近温度、xi4表示第i个样本的第4个输入神经元蒸发器回水温度、xi5表示第i个样本的第5个输入神经元蒸发器出水温度、xi6表示第i个样本的第6个输入神经元冷凝器回水温度、xi7表示第i个样本的第7个输入神经元冷凝器出水温度、xi8表示第i个样本的第8个输入神经元分水器供水压力、xi9表示第i个样本的第9个输入神经元集水器回水压力、xi10表示第i个样本的第10个输入神经元电流、xi11表示第i个样本的第11个输入神经元电压、xi12表示第i个样本的第12个输入神经元中央空调供暖/制冷供暖和制冷量;xi作为单层前馈神经网络模型的输入;ηi=[ηi1,ηi2,ηi3,ηi4]T∈R4表示样本里包含的正常运行结果和故障运行结果数据;分量ηi1表示第i个样本为中央空调正常运行类型、ηi2表示第i个样本为蒸发器故障类型、ηi3表示第i个样本为冷凝器故障类型、ηi4表示第i个样本为压缩机故障类型;符号[]T表示矩阵的转置;
步骤5:选定隐藏层神经元的个数为L;
步骤6:采用随机方法生成隐藏层第k个神经元与输入层12个神经元的权重值wk=[wk1,wk2,…,wk12]T;采用随机方法生成隐藏层第k个神经元的偏置值bk,k=1,2,…,L;
步骤7:选取极限学习机的中央空调故障预测与分类神经网络模型的激励函数g(wk·xi+bk),且i=1,2,…,N,k=1,2,…,L;
步骤8:利用步骤6中计算得出的权重值w1,…,wL和偏置值b1,...,bL及步骤7中的激励函数,计算隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN);
步骤9:利用步骤8得出的隐藏层输出矩阵H,计算隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;其中βk=[βk1,βk2,βk3,βk4]T表示隐藏层第k个神经元到输出层4个神经元的权重k=1,2,…,L;
步骤10:判断步骤9中的β是否满足单层前馈神经网络的输出误差最小,如果是则进入步骤11;否则返回步骤5;
步骤11:输出基于极限学习机的中央空调故障预测与分类模型;
步骤12:判断步骤11中的基于极限学习机的中央空调故障预测与分类模型是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤14,如果否则直接进入步骤13;
步骤13:如果模型不满足中央空调故障预测与诊断误分类率最小则返回步骤9,采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;
步骤14:利用测试样本验证训练好的中央空调故障预测与分类模型;
步骤15:判断测试样本是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤16;否则返回步骤5。
步骤13中采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T方法具体如下:
步骤1:初始化模拟退火算法相关参数,在基于极限学习机中央空调故障预测与诊断模型的可行解空间选取任一初始解β;
步骤2:计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β);
步骤3:随机生成β*,计算由β*生成的中央空调故障预测与诊断模型的误分类率Werror(β*);
步骤4:判断Werror(β*)-Werror(β)是否小于或者等于0;
步骤5:若Werror(β*)-Werror(β)≤0,则用β*生成中央空调故障预测与诊断模型,进入步骤7;
步骤6:若Werror(β*)-Werror(β)>0,则随机产生一个位于[0,1]区间内的随机数判断是否大于若则由β*生成中央空调故障预测与诊断分类模型,进入步骤7;若则中央空调故障预测与诊断分类模型参数不变;符号exp()表示指数计算;
步骤7:判断是否满足中央空调故障预测与诊断误分类率最小;如果满足则进入步骤8;否则返回步骤1,减小温度控制参数t继续进行运算。
步骤中2中计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β)方法具体如下:
中央空调故障预测与诊断分类模型的质量评估采用故障误分类率变换进行评价,以训练样本集合为例说明误分类率计算方法;
训练样本集Strain包含运行正常的数据和运行故障的数据,总计有N个离散训练样本W1是将中央空调故障预测与诊断模型输出为正常运行类型的样本误分类为故障类型,或者将模型输出为故障类型的样本误分类为正常运行类型的集合;
W2是将模型输出为故障状态的样本虽分类为故障类型但是没有归属为正确故障类型样本的数据集合;如原本输出类型为蒸发器故障却误分类为冷凝器故障或压缩机故障,原本输出类型为冷凝器故障却误分类为蒸发器故障或压缩机故障,原本输出类型为压缩机故障却误分类为蒸发器故障或冷凝器故障;
中央空调故障预测与诊断最小误分类变换如下:
其中ξij(β)表示由双智能算法的中央空调故障预测与诊断分类模型分类函数;yi表示由神经网络训练的输出层神经元,yi=[yi1,yi2,yi3,yi4]T,i=1,2,…,N,且满足输出误差最小min||yi-ηi||。
步骤3中将12个输入神经元参数归一化为0-1的数值,具体归一化方法如下:
(12)中央空调供暖和制冷量x12进行归一化后得到 其中为中央空调名义制热量,计算方法如下:其中K1中央空调机组制热量或制冷量修正系数;K2中央空调机组融霜修正系数;K建筑物综合传热系数;Tn供暖和制冷室内设计温度,Tp供暖季或制冷季室外计算温度;为归一化后的中央空调供暖和制冷量参数;
其中符号|| ||表示向量的模。
步骤8计算隐含层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN):
其中x1=[x11,x12,…,x112]T表示训练数据集中第1个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中xN=[xN1,xN2,…,xN12]T表示训练数据集中第N个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中w1=[w11,w12,…,w112]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与输入层12个神经元的权重值,分量w11表示隐藏层第1个神经元与输入层吸气压力神经元的权重值;w12表示隐藏层第1个神经元与输入层蒸发器趋近温度神经元的权重值;w13表示隐藏层第1个神经元与输入层冷凝器趋近温度神经元的权重值;w14表示隐藏层第1个神经元与输入层蒸发器回水温度神经元的权重值;w15表示隐藏层第1个神经元与输入层蒸发器出水温度神经元的权重值;w16表示隐藏层第1个神经元与输入层冷凝器回水温度神经元的权重值;w17表示隐藏层第1个神经元与输入层冷凝器出水温度神经元的权重值;w18表示隐藏层第1个神经元与输入层分水器供水压力神经元的权重值;w19表示隐藏层第1个神经元与输入层集水器回水压力神经元的权重值;w110表示隐藏层第1个神经元与输入层电流神经元的权重值;w111表示隐藏层第1个神经元与输入层电压神经元的权重值;w112表示隐藏层第1个神经元与输入层中央空调供暖和制冷量神经元的权重值;
其中wL=[wL1,wL2,…,wL12]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与输入层12个神经元的权重值,分量wL1表示隐藏层第L个神经元与输入层吸气压力神经元的权重值;wL2表示隐藏层第L个神经元与输入层蒸发器趋近温度神经元的权重值;wL3表示隐藏层第L个神经元与输入层冷凝器趋近温度神经元的权重值;wL4表示隐藏层第L个神经元与输入层蒸发器回水温度神经元的权重值;wL5表示隐藏层第L个神经元与输入层蒸发器出水温度神经元的权重值;wL6表示隐藏层第L个神经元与输入层冷凝器回水温度神经元的权重值;wL7表示隐藏层第L个神经元与输入层冷凝器出水温度神经元的权重值;wL8表示隐藏层第L个神经元与输入层分水器供水压力神经元的权重值;wL9表示隐藏层第L个神经元与输入层集水器回水压力神经元的权重值;wL10表示隐藏层第1个神经元与输入层电流神经元的权重值;wL11表示隐藏层第L个神经元与输入层电压神经元的权重值;wL12表示隐藏层第L个神经元与输入层中央空调供暖和制冷量神经元的权重值;"·"表示内积运算;以wL·x1为例进行说明:wL·x1=wL1×x11+wL2×x12+…wL12×x112∈R;
激励函数g(wk·xi+bk)将基于极限学习机算法的中央空调故障预测与诊断神经网络模型中将包含12个输入层神经元的吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量的线性空间映射到极限学习机中包含L个隐藏层特征的线性空间里;激励函数具体选择方法如下:
三角函数:g(wk·xi+bk)=cos(wk·xi+bk);
径向基函数:g(wk·xi+bk)=exp(-bk·xi-wk||)。
步骤9:根据β=H+Y计算隐藏层L个神经元到输出层神经元的权重隐藏层输出权重β=[β1,β2,…,βL];
其中β1=[β11,β12,β13,β14]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中β2=[β21,β22,β23,β24]T中分量β21表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β22表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β23表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β24表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中βL=[βL1,βL2,βL3,βL4]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第4个输出层神经元压缩机故障类型的权重值;
H+为隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,…,xN)的Moore-Penrose广义逆矩阵;当HTH非奇异时:H+=(HTH)-1HT,或者H+=HT(HTH)-1;其中()-1表示矩阵的逆,()T表示矩阵的转置;
在y1中,分量y11表示用零误差逼近来自第1个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y12表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y13表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y14表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
在y2中,分量y21表示用零误差逼近来自第2个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y22表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y23表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y24表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
在yN中,分量yN1表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量yN2表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第N个神经元为蒸发器故障类型;分量yN3表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量yN4表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
双智能算法中央空调故障预测与诊断******,其特征在于:所述***包括数据采集模块、数据判断模块和故障预测与诊断类型数据输出模块:
数据采集模块,采集现场中央空调运行实时数据集Son-line;
数据判断模块,将数据采集模块中的实时数据集Son-line输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集是否满足中央空调故障预测与诊断误分类率最小;
故障预测与诊断类型数据输出模块:当数据判断模块中的实时数据集Son-line满足中央空调故障预测与诊断误分类率最小则输出中央空调故障预测与诊断分类结果。
优点效果:
本发明设计一种利用中央空调现场传感器采集的时域信号数据,通过模拟退火算法和极限学习机算法的双智能算法对中央空调故障进行预测与诊断的方法,其特征在于包括如下步骤:
步骤1:采用中央空调供暖/制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:训练极限学习机的中央空调故障预测与诊断分类神经网络模型;
步骤3:判断故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;
步骤4:如果满足中央空调故障预测与诊断误分类率最小,则进入第7步;
步骤5:如果不满足中央空调故障预测与诊断误分类率最小,则进入第6步;步骤6:采用模拟退火算法优化极限学习机的中央空调故障预测与诊断分类模型系数,得到新的中央空调故障预测与诊断分类神经网络模型,判断是否满足中央空调故障预测与诊断误分类率最小;如果满足中央空调故障预测与诊断误分类率最小,则进入第7步;否则继续优化,直到满足误分类率最小;
步骤7:建立双智能算法的中央空调故障预测与诊断分类模型;
步骤8:在线部署双智能算法的中央空调故障预测与诊断分类模型;
步骤9:现场中央空调运行实时数据集Son-line是否满足中央空调故障预测与诊断误分类率最小;
步骤10:如果现场中央空调运行实时数据集Son-line满足中央空调故障预测与诊断误分类率最小,则进入步骤12;
步骤11:如果现场中央空调运行实时数据集Son-line不满足中央空调故障预测与诊断误分类率最小,则将现场中央空调运行数据集Son-line与初始数据集Soff-line合并,继续步骤2;
步骤12:输出中央空调故障预测与诊断分类结果。
本发明的具体优点如下:
(1)提供一种将中央空调现场传感器采集时域信号作为特征向量的故障检测与诊断模型,克服现有依据实验室设备频域信号建立的中央空调故障检测与诊断模型在现场无法在线部署的不足,具有现场可实施性,便于工程应用。
(2)提供一种利用极限学习机搭建中央空调故障检测与诊断的单层前馈神经网络方法,它适用于中央空调运行过程中故障数据样本较少,***具有高维非线性特征的模式识别问题。同时极限学习机具有良好的泛化能力,具有较高的运算效率。
(3)提供一种将提高中央空调故障模式识别准确性的问题转化为模型误分类率最小的优化问题,通过模拟退火算法求出误分类率最小的最优解的方法。模拟退火算法求出的最优解与初始解的选取无关,而且会以接近于1的概率收敛到全局最优解。因此采用模拟退火算法求中央空调误分类率最小问题更容易得到全局最优解,提高在线部署中央空调故障检测与诊断模型分类的准确性和精度。
附图说明:
图1是本发明的基于模拟退火算法和极限学习机算法的双智能算法的中央空调故障预测与诊断方法流程图;
图2是本发明的极限学习机的中央空调故障预测与诊断方法流程图;
图3是本发明采用模拟退火算法求解中央空调故障预测与诊断误分类率最小流程图。
具体实施方式:
一种双智能算法中央空调故障预测与诊断方法,该方法包括如下步骤:
一、采集现场中央空调运行实时数据集Son-line;
二、将“一”步骤中的实时数据集Son-line输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集Son-line是否满足中央空调故障预测与诊断误分类率最小;
三、“二”步骤中的实时数据集Son-line如果满足中央空调故障预测与诊断误分类率最小则输出中央空调故障预测与诊断分类结果。
“二”步骤中:如果“一”步骤中的实时数据集Son-line不满足中央空调故障预测与诊断误分类率最小,则将现场中央空调运行数据集Son-line与建立中央空调故障预测与诊断分类模型时采集的初始数据集Soff-line合并,并进行训练中央空调故障预测与诊断分类神经网络模型。(这个过程是利用数据机器自学习过程。由于工业***故障数据类型少,需要不断训练新的数据集,积累故障数据类型)
所述中央空调故障预测与诊断分类神经网络模型构建方法如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的初始数据集Soff-line包含运行正常的数据和运行故障的数据;
步骤2:训练极限学习机的中央空调故障预测与诊断分类神经网络模型;
步骤3:判断故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;
步骤4:如果满足中央空调故障预测与诊断误分类率最小,则进入步骤7;
步骤5:如果不满足中央空调故障预测与诊断误分类率最小,则进入步骤6;步骤6:采用模拟退火算法(模拟退火算法为现有方法,但是把这个算法应用到中央空调故障预测与诊断分类模型里时,需要结合中央空调***参数进行设计,具体设计方法为权利要求书5,模拟退火算法流程图为说明书附图的图3.)优化极限学习机的中央空调故障预测与诊断分类模型系数,得到新的中央空调故障预测与诊断分类神经网络模型,再判断这个新的中央空调故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;如果满足中央空调故障预测与诊断误分类率最小,则进入步骤7;否则继续优化,直到满足误分类率最小;
步骤7:建立双智能算法的中央空调故障预测与诊断分类模型;
步骤8:在线部署双智能算法的中央空调故障预测与诊断分类模型。
步骤中2中训练极限学习机的中央空调故障预测与诊断分类神经网络模型的方法具体如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:构建一个由12个输入神经元和4个输出神经元及L个隐藏层神经元构成的单层前馈神经网络模型;其中输入神经元分别为吸气压力x1、蒸发器趋近温度x2、冷凝器趋近温度x3、蒸发器回水温度x4、蒸发器出水温度x5、冷凝器回水温度x6、冷凝器出水温度x7、分水器供水压力x8、集水器回水压力x9、电流x10、电压x11、中央空调供暖/制冷供暖和制冷量x12;输出神经元分别为中央空调正常运行类型y1、蒸发器故障类型y2、冷凝器故障类型y3和压缩机故障类型y4;
步骤3:将12个输入神经元进行归一化;
步骤4:将初始数据集Soff-line分成训练样本集Strain和测试样本集Stest;其中训练样本集Strain包含运行正常类型的数据和运行故障类型的数据,总计有N个离散训练样本其中xi=[xi1,xi2,…,xi12]T∈R12;分量xij表示第i个样本的第j个输入神经元,且i=1,2,…,N;j=1,2,…,12。xi1表示第i个样本的第1个输入神经元吸气压力、xi2表示第i个样本的第2个输入神经元蒸发器趋近温度、xi3表示第i个样本的第3个输入神经元冷凝器趋近温度、xi4表示第i个样本的第4个输入神经元蒸发器回水温度、xi5表示第i个样本的第5个输入神经元蒸发器出水温度、xi6表示第i个样本的第6个输入神经元冷凝器回水温度、xi7表示第i个样本的第7个输入神经元冷凝器出水温度、xi8表示第i个样本的第8个输入神经元分水器供水压力、xi9表示第i个样本的第9个输入神经元集水器回水压力、xi10表示第i个样本的第10个输入神经元电流、xi11表示第i个样本的第11个输入神经元电压、xi12表示第i个样本的第12个输入神经元中央空调供暖/制冷供暖和制冷量。xi作为单层前馈神经网络模型的输入。ηi=[ηi1,ηi2,ηi3,ηi4]T∈R4表示样本里包含的正常运行结果和故障运行结果数据。分量ηi1表示第i个样本为中央空调正常运行类型、ηi2表示第i个样本为蒸发器故障类型、ηi3表示第i个样本为冷凝器故障类型、ηi4表示第i个样本为压缩机故障类型。符号[]T表示矩阵的转置;
步骤5:选定隐藏层神经元的个数为L;
步骤6:采用随机方法生成隐藏层第k个神经元与输入层12个神经元的权重值wk=[wk1,wk2,…,wk12]T;采用随机方法生成隐藏层第k个神经元的偏置值bk,k=1,2,…,L;
步骤7:选取极限学习机的中央空调故障预测与分类神经网络模型的激励函数g(wk·xi+bk),且i=1,2,…,N,k=1,2,…,L;
步骤8:利用步骤6中计算得出的权重值w1,...,wL和偏置值b1,...,bL及步骤7中的激励函数,计算隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN);
步骤9:利用步骤8得出的隐藏层输出矩阵H,计算隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;其中βk=[βk1,βk2,βk3,βk4]T表示隐藏层第k个神经元到输出层4个神经元的权重k=1,2,…,L;
步骤10:判断步骤9中的β是否满足单层前馈神经网络的输出误差最小(输出误差最小是将所有误差都进行比较后求模,其数学表示为输出误差最小min||yi-ηi||)如果是则进入步骤11;否则返回步骤5;
步骤11:输出基于极限学习机的中央空调故障预测与分类模型;
步骤12:判断步骤11中的基于极限学习机的中央空调故障预测与分类模型是否满足中央空调故障预测与诊断误分类率最小(是误分类率最小,即在误分类变换里,使误分类率的值最小;如果是则进入步骤14,如果否则直接进入步骤13;
步骤13:如果模型不满足中央空调故障预测与诊断误分类率最小则返回步骤9,采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;
步骤14:利用测试样本验证训练好的中央空调故障预测与分类模型;
步骤15:判断测试样本是否满足中央空调故障预测与诊断误分类率最小(这个步骤说的实际上就是步骤14的测试过程);如果是则进入步骤16;否则返回步骤5;
步骤16:在线部署双智能算法的中央空调故障预测与诊断分类模型。
步骤13中采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T方法具体如下:
步骤1:初始化模拟退火算法相关参数,在基于极限学习机中央空调故障预测与诊断模型的可行解空间选取任一初始解β;
步骤2:计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β);
步骤3:随机生成β*(基于极限学习机中央空调故障预测与诊断模型的可行解空间新的解β*),计算由β*生成的中央空调故障预测与诊断模型的误分类率Werror(β*);
步骤4:判断Werror(β*)-Werror(β)是否小于或者等于0;
步骤5:若Werror(β*)-Werror(β)≤0,则用β*生成中央空调故障预测与诊断模型,进入步骤7;
步骤6:若Werror(β*)-Werror(β)>0,则随机产生一个位于[0,1]区间内的随机数判断是否大于若则由β*生成中央空调故障预测与诊断分类模型,进入步骤7;若则中央空调故障预测与诊断分类模型参数不变;符号exp()表示指数计算;
步骤7:判断是否满足中央空调故障预测与诊断误分类率最小;如果满足则进入步骤8;否则返回步骤1,减小温度控制参数t继续进行运算;
步骤8:在线部署由β*生成的双智能算法的中央空调故障预测与诊断分类模型。
步骤中2中计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β)方法具体如下:
中央空调故障预测与诊断分类模型的质量评估采用故障误分类率变换进行评价,以训练样本集合为例说明误分类率计算方法;
训练样本集Strain包含运行正常的数据和运行故障的数据,总计有N个离散训练样本W1是将中央空调故障预测与诊断模型输出为正常运行类型的样本误分类为故障类型(意思就是说将输出为正常运行类型的样本误分类为故障类型,即本来是一个正常运行信号,但是因为模型误差或者传感器故障等不确定因素,在进行故障预测与诊断时,将正确运行的信号误识别为故障运行的信号;或者将故障运行的信号误识别为正常运行的信号。这种误分类对于模型影响特别大。举例说明蒸发器正常的样本误分类到蒸发器故障的样本集合里;或者将蒸发器故障的样本误分类到蒸发器正常的样本集合里等等),或者将模型输出为故障类型的样本误分类为正常运行类型的集合;
W2是将模型输出为故障状态的样本虽分类为故障类型但是没有归属为正确故障类型样本的数据集合;如原本输出类型为蒸发器故障却误分类为冷凝器故障或压缩机故障,原本输出类型为冷凝器故障却误分类为蒸发器故障或压缩机故障,原本输出类型为压缩机故障却误分类为蒸发器故障或冷凝器故障;
中央空调故障预测与诊断最小误分类变换如下:
其中ξij(β)表示由双智能算法的中央空调故障预测与诊断分类模型分类函数;yi表示由神经网络训练的输出层神经元,yi=[yi1,yi2,yi3,yi4]T,i=1,2,…,N,且满足输出误差最小min||yi-ηi||。
步骤3中将12个输入神经元参数归一化为0-1的数值,具体归一化方法如下:
(13)中央空调供暖和制冷量x12进行归一化后得到 其中为中央空调名义制热量,计算方法如下:其中K1中央空调机组制热量或制冷量修正系数;K2中央空调机组融霜修正系数;K建筑物综合传热系数;Tn供暖和制冷室内设计温度,Tp供暖季或制冷季室外计算温度;为归一化后的中央空调供暖和制冷量参数;
其中符号|| ||表示向量的模。
步骤8计算隐含层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN):
其中x1=[x11,x12,…,x112]T表示训练数据集中第1个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中xN=[xN1,xN2,…,xN12]T表示训练数据集中第N个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中w1=[w11,w12,…,w112]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与输入层12个神经元的权重值,分量w11表示隐藏层第1个神经元与输入层吸气压力神经元的权重值;w12表示隐藏层第1个神经元与输入层蒸发器趋近温度神经元的权重值;w13表示隐藏层第1个神经元与输入层冷凝器趋近温度神经元的权重值;w14表示隐藏层第1个神经元与输入层蒸发器回水温度神经元的权重值;w15表示隐藏层第1个神经元与输入层蒸发器出水温度神经元的权重值;w16表示隐藏层第1个神经元与输入层冷凝器回水温度神经元的权重值;w17表示隐藏层第1个神经元与输入层冷凝器出水温度神经元的权重值;w18表示隐藏层第1个神经元与输入层分水器供水压力神经元的权重值;w19表示隐藏层第1个神经元与输入层集水器回水压力神经元的权重值;w110表示隐藏层第1个神经元与输入层电流神经元的权重值;w111表示隐藏层第1个神经元与输入层电压神经元的权重值;w112表示隐藏层第1个神经元与输入层中央空调供暖和制冷量神经元的权重值;
其中wL=[wL1,wL2,…,wL12]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与输入层12个神经元的权重值,分量wL1表示隐藏层第L个神经元与输入层吸气压力神经元的权重值;wL2表示隐藏层第L个神经元与输入层蒸发器趋近温度神经元的权重值;wL3表示隐藏层第L个神经元与输入层冷凝器趋近温度神经元的权重值;wL4表示隐藏层第L个神经元与输入层蒸发器回水温度神经元的权重值;wL5表示隐藏层第L个神经元与输入层蒸发器出水温度神经元的权重值;wL6表示隐藏层第L个神经元与输入层冷凝器回水温度神经元的权重值;wL7表示隐藏层第L个神经元与输入层冷凝器出水温度神经元的权重值;wL8表示隐藏层第L个神经元与输入层分水器供水压力神经元的权重值;wL9表示隐藏层第L个神经元与输入层集水器回水压力神经元的权重值;wL10表示隐藏层第1个神经元与输入层电流神经元的权重值;wL11表示隐藏层第L个神经元与输入层电压神经元的权重值;wL12表示隐藏层第L个神经元与输入层中央空调供暖和制冷量神经元的权重值。"·"表示内积运算;以wL·x1为例进行说明:wL·x1=wL1×x11+wL2×x12+…wL12×x112∈R。
激励函数g(wk·xi+bk)将基于极限学习机算法的中央空调故障预测与诊断神经网络模型中将包含12个输入层神经元的吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量的线性空间映射到极限学习机中包含L个隐藏层特征的线性空间里。激励函数具体选择方法如下:
三角函数:g(wk·xi+bk)=cos(wk·xi+bk);
径向基函数:g(wk·xi+bk)=exp(-bk·xi-wk||)。
步骤9:根据β=H+Y计算隐藏层L个神经元到输出层神经元的权重隐藏层输出权重β=[β1,β2,…,βL];
其中β1=[β11,β12,β13,β14]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中β2=[β21,β22,β23,β24]T中分量β21表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β22表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β23表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β24表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中βL=[βL1,βL2,βL3,βL4]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第4个输出层神经元压缩机故障类型的权重值;
H+为隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN)的Moore-Penrose(穆尔-彭罗斯)广义逆矩阵;当HTH非奇异时:H+=(HTH)-1HT,或者H+=HT(HTH)-1;其中()-1表示矩阵的逆,()T表示矩阵的转置;
在y1中,分量y11表示用零误差逼近来自第1个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y12表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y13表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y14表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
在y2中,分量y21表示用零误差逼近来自第2个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y22表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y23表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y24表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
在yN中,分量yN1表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量yN2表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第N个神经元为蒸发器故障类型;分量yN3表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量yN4表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
双智能算法中央空调故障预测与诊断******,所述***包括数据采集模块、数据判断模块和故障预测与诊断类型数据输出模块:
数据采集模块,采集现场中央空调运行实时数据集Son-line;
数据判断模块,将数据采集模块中的实时数据集Son-line输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集是否满足中央空调故障预测与诊断误分类率最小;
故障预测与诊断类型数据输出模块:当数据判断模块中的实时数据集Son-line满足中央空调故障预测与诊断误分类率最小则输出中央空调故障预测与诊断分类结果。
下面结合附图对本发明进行详细描述。
步骤1:采用中央空调供暖/制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:训练极限学习机的中央空调故障预测与诊断分类神经网络模型;
步骤3:判断故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;
步骤4:如果满足中央空调故障预测与诊断误分类率最小,则进入第7步;
步骤5:如果不满足中央空调故障预测与诊断误分类率最小,则进入第6步;
步骤6:采用模拟退火算法优化极限学习机的中央空调故障预测与诊断分类模型系数,得到新的中央空调故障预测与诊断分类神经网络模型,判断是否满足中央空调故障预测与诊断误分类率最小;如果满足中央空调故障预测与诊断误分类率最小,则进入第7步;否则继续优化,直到满足误分类率最小;
步骤7:建立双智能算法的中央空调故障预测与诊断分类模型;
步骤8:在线部署双智能算法的中央空调故障预测与诊断分类模型;
步骤9:现场中央空调运行实时数据集Son-line是否满足中央空调故障预测与诊断误分类率最小;
步骤10:如果现场中央空调运行实时数据集Son-line满足中央空调故障预测与诊断误分类率最小,则进入步骤12;
步骤11:如果现场中央空调运行实时数据集Son-line不满足中央空调故障预测与诊断误分类率最小,则将现场中央空调运行数据集Son-line与初始数据集Soff-line合并,继续步骤2;
步骤12:输出中央空调故障预测与诊断分类结果。
图2是本发明的极限学习机的中央空调故障预测与诊断方法流程图;如图所示计算过程如下:
步骤1:采用中央空调供暖/制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:构建一个由12个输入神经元和4个输出神经元及L个隐藏层神经元构成的单层前馈神经网络模型;其中输入神经元分别为吸气压力x1、蒸发器趋近温度x2、冷凝器趋近温度x3、蒸发器回水温度x4、蒸发器出水温度x5、冷凝器回水温度x6、冷凝器出水温度x7、分水器供水压力x8、集水器回水压力x9、电流x10、电压x11、中央空调供暖/制冷量x12;输出神经元分别为中央空调正常运行类型y1、蒸发器故障类型y2、冷凝器故障类型y3、压缩机故障类型y4;
步骤3中将12个输入神经元参数归一化为0-1的数值,具体归一化方法如下:
(12)中央空调供暖/制冷量x12进行归一化后得到 其中为中央空调名义制热量,计算方法如下:其中K1中央空调机组制热量或制冷量修正系数;K2中央空调机组融霜修正系数;K建筑物综合传热系数;Tn供暖/制冷室内设计温度,Tp供暖季或制冷季室外计算温度;为归一化后的中央空调供暖/制冷量参数;
其中符号|| ||表示向量的模。
步骤4:将初始数据集Soff-line分成训练样本集Strain和测试样本集Stest;其中训练样本集Strain包含运行正常类型的数据和运行故障类型的数据,总计有N个离散训练样本其中xi=[xi1,xi2,…,xi12]T∈R12。分量xij表示第i个样本的第j个输入神经元,且i=1,2,…,N;j=1,2,…,12。xi1表示第i个样本的第1个输入神经元吸气压力、xi2表示第i个样本的第2个输入神经元蒸发器趋近温度、xi3表示第i个样本的第3个输入神经元冷凝器趋近温度、xi4表示第i个样本的第4个输入神经元蒸发器回水温度、xi5表示第i个样本的第5个输入神经元蒸发器出水温度、xi6表示第i个样本的第6个输入神经元冷凝器回水温度、xi7表示第i个样本的第7个输入神经元冷凝器出水温度、xi8表示第i个样本的第8个输入神经元分水器供水压力、xi9表示第i个样本的第9个输入神经元集水器回水压力、xi10表示第i个样本的第10个输入神经元电流、xi11表示第i个样本的第11个输入神经元电压、xi12表示第i个样本的第12个输入神经元中央空调供暖/制冷量。xi作为单层前馈神经网络模型的输入。ηi=[ηi1,ηi2,ηi3,ηi4]T∈R4表示样本里包含的正常运行结果和故障运行结果数据。分量ηi1表示第i个样本为中央空调正常运行类型、ηi2表示第i个样本为蒸发器故障类型、ηi3表示第i个样本为冷凝器故障类型、ηi4表示第i个样本为压缩机故障类型。符号[]T表示矩阵的转置;
步骤5:选定隐藏层神经元的个数为L;
步骤6:采用随机方法生成隐藏层第k个神经元与输入层12个神经元的权重值wk=[wk1,wk2,…,wk12]T;采用随机方法生成隐藏层第k个神经元的偏置值bk,k=1,2,…,L;
步骤7:选取极限学习机的中央空调故障预测与分类神经网络模型的激励函数g(wk·xi+bk),且i=1,2,…,N,k=1,2,…,L;
步骤8:利用步骤6中计算得出的权重值w1,…,wL和偏置值b1,...,bL及步骤7中的激励函数,计算隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN):
其中x1=[x11,x12,…,x112]T表示训练数据集中第1个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖/制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中xN=[xN1,xN2,…,xN12]T表示训练数据集中第N个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖/制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中w1=[w11,w12,…,w112]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与输入层12个神经元的权重值,分量w11表示隐藏层第1个神经元与输入层吸气压力神经元的权重值;w12表示隐藏层第1个神经元与输入层蒸发器趋近温度神经元的权重值;w13表示隐藏层第1个神经元与输入层冷凝器趋近温度神经元的权重值;w14表示隐藏层第1个神经元与输入层蒸发器回水温度神经元的权重值;w15表示隐藏层第1个神经元与输入层蒸发器出水温度神经元的权重值;w16表示隐藏层第1个神经元与输入层冷凝器回水温度神经元的权重值;w17表示隐藏层第1个神经元与输入层冷凝器出水温度神经元的权重值;w18表示隐藏层第1个神经元与输入层分水器供水压力神经元的权重值;w19表示隐藏层第1个神经元与输入层集水器回水压力神经元的权重值;w110表示隐藏层第1个神经元与输入层电流神经元的权重值;w111表示隐藏层第1个神经元与输入层电压神经元的权重值;w112表示隐藏层第1个神经元与输入层中央空调供暖/制冷量神经元的权重值;
其中wL=[wL1,wL2,…,wL12]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与输入层12个神经元的权重值,分量wL1表示隐藏层第L个神经元与输入层吸气压力神经元的权重值;wL2表示隐藏层第L个神经元与输入层蒸发器趋近温度神经元的权重值;wL3表示隐藏层第L个神经元与输入层冷凝器趋近温度神经元的权重值;wL4表示隐藏层第L个神经元与输入层蒸发器回水温度神经元的权重值;wL5表示隐藏层第L个神经元与输入层蒸发器出水温度神经元的权重值;wL6表示隐藏层第L个神经元与输入层冷凝器回水温度神经元的权重值;wL7表示隐藏层第L个神经元与输入层冷凝器出水温度神经元的权重值;wL8表示隐藏层第L个神经元与输入层分水器供水压力神经元的权重值;wL9表示隐藏层第L个神经元与输入层集水器回水压力神经元的权重值;wL10表示隐藏层第1个神经元与输入层电流神经元的权重值;wL11表示隐藏层第L个神经元与输入层电压神经元的权重值;wL12表示隐藏层第L个神经元与输入层中央空调供暖/制冷量神经元的权重值。
"·"表示内积运算;以wL·x1为例进行说明:wL·x1=wL1×x11+wL2×x12+…wL12×x112∈R。
激励函数g(wk·xi+bk)将基于极限学习机算法的中央空调故障预测与诊断神经网络模型中将包含12个输入层神经元的吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖/制冷量的线性空间映射到极限学习机中包含L个隐层特征的线性空间里。激励函数可以选择下面任一函数:
三角函数:g(wk·xi+bk)=cos(wk·xi+bk);
径向基函数:g(wk·xi+bk)=exp(-bk·||xi-wk||)。
步骤9:利用步骤8得出的隐藏层输出矩阵H,根据β=H+Y计算隐藏层L个神经元到输出层神经元的权重隐藏层输出权重β=[β1,β2,…,βL];
其中β1=[β11,β12,β13,β14]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中β2=[β21,β22,β23,β24]T中分量β21表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β22表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β23表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β24表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中βL=[βL1,βL2,βL3,βL4]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第4个输出层神经元压缩机故障类型的权重值;
H+为隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN)的Moore-Penrose(穆尔-彭罗斯)广义逆矩阵;H+可用如下二种方法求:
当HTH非奇异时:H+=(HTH)-1HT,或者H+=HT(HTH)-1;其中()-1表示矩阵的逆,()T表示矩阵的转置。
用岭回归算法求解,即H+=(HTH+λE)-1HT,或者H+=HT(HTH+λE)-1;其中λ表示很小的正数,E表示与HTH阶数相同的单位矩阵的。
在y1中,分量y11表示用零误差逼近来自第1个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y12表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y13表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y14表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
在y2中,分量y21表示用零误差逼近来自第2个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y22表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y23表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量y24表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
在yN中,分量yN1表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量yN2表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第N个神经元为蒸发器故障类型;分量yN3表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型类型;分量yN4表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型。
步骤11:输出基于极限学习机的中央空调故障预测与分类模型;
步骤12:判断模型是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤14;
步骤13:如果模型不满足中央空调故障预测与诊断误分类率最小则返回步骤9,采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;
步骤14:利用测试样本验证训练好的中央空调故障预测与分类模型;
步骤15:判断测试样本是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤16;否则返回步骤5;
步骤16:在线部署双智能算法的中央空调故障预测与诊断分类模型。
图3是本发明采用模拟退火算法求解中央空调故障预测与诊断误分类率最小流程图。为了提高中央空调故障模式识别精度和准确性,将中央空调故障预测与诊断的分类问题转化为模型误分类率最小的优化问题,通过模拟退火算法求出误分类率最小的全局最优解。所设计的基于模拟退火算法求解的中央空调故障预测与诊断误分类率最小化问题:
其中ξij(β*)表示由双智能算法的中央空调故障预测与诊断分类模型分类函数;yi表示由神经网络训练的输出层神经元,且满足输出误差最小min||yi-ηi||;KF为罚函数。
通过求解最小化问题得到使误分类率最小的中央空调故障预测与诊断模型参数,具体计算过程如下:
步骤1:初始化模拟退火算法相关参数:设定温度控制参数t的初始值t0,设定温度控制参数t下的马尔可夫链迭代次数M,在基于极限学习机中央空调故障预测与诊断模型的可行解空间选取任一初始解β;
步骤2:计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β);
步骤3:采用随机扰动方式生成β*,采用随机扰动方式生成β*:β*=β+τα,其中α为一个随机向量,其组成分量为(0-1)之间的数,τ为的迭代的步长;计算由β*生成的中央空调故障预测与诊断模型的误分类率Werror(β*);
步骤4:判断Werror(β*)-Werror(β)是否小于或者等于0;
步骤5:若Werror(β*)-Werror(β)≤0,则用β*生成中央空调故障预测与诊断模型,进入步骤7;
步骤6:若Werror(β*)-Werror(β)>0,则随机产生一个位于[0,1]区间内的随机数判断是否大于若则由β*生成中央空调故障预测与诊断分类模型,进入步骤7;若则中央空调故障预测与诊断分类模型参数不变;符号exp()表示指数计算;
步骤7:判断是否满足中央空调故障预测与诊断误分类率最小;如果满足则进入步骤8;否则返回步骤1,减小温度控制参数t继续进行运算;
步骤8:在线部署由β*生成的双智能算法的中央空调故障预测与诊断分类模型。
本发明所提供的中央空调故障检测与诊断方法具有在离线阶段学习稳定性好、在线阶段故障预测与诊断精度高等优点,同时本发明对于数据集中异常数据敏感性低。本发明所设计方法设计简单,不改变现有的中央空调***结构,操作方便,便于施工和推广。
Claims (7)
1.一种双智能算法中央空调故障预测与诊断方法,其特征在于:该方法包括如下步骤:
一、采集现场中央空调运行实时数据集Son-line;
二、将“一”步骤中的实时数据集Son-line输入至预先建立的基于模拟退火算法和极限学习机算法的中央空调故障预测与诊断分类神经网络模型,来判断“一”步骤中的实时数据集Son-line是否满足中央空调故障预测与诊断误分类率最小;
三、“二”步骤中的实时数据集Son-line如果满足中央空调故障预测与诊断误分类率最小则输出中央空调故障预测与诊断分类结果;
“二”步骤中:如果“一”步骤中的实时数据集Son-line不满足中央空调故障预测与诊断误分类率最小,则将现场中央空调运行数据集Son-line与建立中央空调故障预测与诊断分类模型时采集的初始数据集Soff-line合并,并进行训练中央空调故障预测与诊断分类神经网络模型;
所述中央空调故障预测与诊断分类神经网络模型构建方法如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的初始数据集Soff-line包含运行正常的数据和运行故障的数据;
步骤2:训练极限学习机的中央空调故障预测与诊断分类神经网络模型;
步骤3:判断故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;
步骤4:如果满足中央空调故障预测与诊断误分类率最小,则进入步骤7;
步骤5:如果不满足中央空调故障预测与诊断误分类率最小,则进入步骤6;
步骤6:采用模拟退火算法优化极限学习机的中央空调故障预测与诊断分类神经网络模型系数,得到新的中央空调故障预测与诊断分类神经网络模型,再判断这个新的中央空调故障预测与诊断分类神经网络模型是否满足中央空调故障预测与诊断误分类率最小;如果满足中央空调故障预测与诊断误分类率最小,则进入步骤7;否则继续优化,直到满足误分类率最小;
步骤7:建立双智能算法的中央空调故障预测与诊断分类神经网络模型;
步骤8:在线部署双智能算法的中央空调故障预测与诊断分类神经网络模型。
2.据权利要求1所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤中2中训练极限学习机的中央空调故障预测与诊断分类神经网络模型的方法具体如下:
步骤1:采用中央空调供暖/制冷供暖和制冷周期现场传感器采集的历史运行数据作为初始数据集Soff-line,并且所选取的样本包含运行正常的数据和运行故障的数据;
步骤2:构建一个由12个输入神经元和4个输出神经元及L个隐藏层神经元构成的单层前馈神经网络模型;其中输入神经元分别为吸气压力x1、蒸发器趋近温度x2、冷凝器趋近温度x3、蒸发器回水温度x4、蒸发器出水温度x5、冷凝器回水温度x6、冷凝器出水温度x7、分水器供水压力x8、集水器回水压力x9、电流x10、电压x11、中央空调供暖/制冷供暖和制冷量x12;输出神经元分别为中央空调正常运行类型y1、蒸发器故障类型y2、冷凝器故障类型y3和压缩机故障类型y4;
步骤3:将12个输入神经元进行归一化;
步骤4:将初始数据集Soff-line分成训练样本集Strain和测试样本集Stest;其中训练样本集Strain包含运行正常类型的数据和运行故障类型的数据,总计有N个离散训练样本其中xi=[xi1,xi2,…,xi12]T∈R12;分量xij表示第i个样本的第j个输入神经元,且i=1,2,…,N;j=1,2,…,12;xi1表示第i个样本的第1个输入神经元吸气压力、xi2表示第i个样本的第2个输入神经元蒸发器趋近温度、xi3表示第i个样本的第3个输入神经元冷凝器趋近温度、xi4表示第i个样本的第4个输入神经元蒸发器回水温度、xi5表示第i个样本的第5个输入神经元蒸发器出水温度、xi6表示第i个样本的第6个输入神经元冷凝器回水温度、xi7表示第i个样本的第7个输入神经元冷凝器出水温度、xi8表示第i个样本的第8个输入神经元分水器供水压力、xi9表示第i个样本的第9个输入神经元集水器回水压力、xi10表示第i个样本的第10个输入神经元电流、xi11表示第i个样本的第11个输入神经元电压、xi12表示第i个样本的第12个输入神经元中央空调供暖/制冷供暖和制冷量;xi作为单层前馈神经网络模型的输入;ηi=[ηi1,ηi2,ηi3,ηi4]T∈R4表示样本里包含的正常运行结果和故障运行结果数据;分量ηi1表示第i个样本为中央空调正常运行类型、ηi2表示第i个样本为蒸发器故障类型、ηi3表示第i个样本为冷凝器故障类型、ηi4表示第i个样本为压缩机故障类型;符号[]T表示矩阵的转置;
步骤5:选定隐藏层神经元的个数为L;
步骤6:采用随机方法生成隐藏层第k个神经元与输入层12个神经元的权重值wk=[wk1,wk2,…,wk12]T;采用随机方法生成隐藏层第k个神经元的偏置值bk,k=1,2,…,L;
步骤7:选取极限学习机的中央空调故障预测与分类神经网络模型的激励函数g(wk·xi+bk),且i=1,2,…,N,k=1,2,…,L;
步骤8:利用步骤6中计算得出的权重值w1,...,wL和偏置值b1,...,bL及步骤7中的激励函数,计算隐藏层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN);
步骤9:利用步骤8得出的隐藏层输出矩阵H,计算隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;其中βk=[βk1,βk2,βk3,βk4]T表示隐藏层第k个神经元到输出层4个神经元的权重k=1,2,…,L;
步骤10:判断步骤9中的β是否满足单层前馈神经网络的输出误差最小,如果是则进入步骤11;否则返回步骤5;
步骤11:输出基于极限学习机的中央空调故障预测与分类模型;
步骤12:判断步骤11中的基于极限学习机的中央空调故障预测与分类模型是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤14,如果否则直接进入步骤13;
步骤13:如果模型不满足中央空调故障预测与诊断误分类率最小则返回步骤9,采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T;
步骤14:利用测试样本验证训练好的中央空调故障预测与分类模型;
步骤15:判断测试样本是否满足中央空调故障预测与诊断误分类率最小;如果是则进入步骤16;否则返回步骤5;
步骤16:在线部署双智能算法的中央空调故障预测与诊断分类神经网络模型。
3.根据权利要求2所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤13中采用模拟退火算法优化隐藏层L个神经元到输出层神经元的权重β=[β1,β2,…,βL]T方法具体如下:
步骤1:初始化模拟退火算法相关参数,在基于极限学习机中央空调故障预测与诊断模型的可行解空间选取任一初始解β;
步骤2:计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β);
步骤3:随机生成β*,计算由β*生成的中央空调故障预测与诊断模型的误分类率Werror(β*);
步骤4:判断Werror(β*)-Werror(β)是否小于或者等于0;
步骤5:若Werror(β*)-Werror(β)≤0,则用β*生成中央空调故障预测与诊断模型,进入步骤7;
步骤6:若Werror(β*)-Werror(β)>0,则随机产生一个位于[0,1]区间内的随机数判断是否大于若则由β*生成中央空调故障预测与诊断分类模型,进入步骤7;若则中央空调故障预测与诊断分类模型参数不变;符号exp()表示指数计算;
步骤7:判断是否满足中央空调故障预测与诊断误分类率最小;如果满足则进入步骤8;否则返回步骤1,减小温度控制参数t继续进行运算;
步骤8:在线部署由β*生成的双智能算法的中央空调故障预测与诊断分类模型。
4.根据权利要求3所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤中2中计算由β生成的中央空调故障预测与诊断模型的误分类率Werror(β)方法具体如下:
中央空调故障预测与诊断分类模型的质量评估采用故障误分类率变换进行评价,以训练样本集合为例说明误分类率计算方法;
训练样本集Strain包含运行正常的数据和运行故障的数据,总计有N个离散训练样本W1是将中央空调故障预测与诊断模型输出为正常运行类型的样本误分类为故障类型,或者将模型输出为故障类型的样本误分类为正常运行类型的集合;
W2是将模型输出为故障状态的样本虽分类为故障类型但是没有归属为正确故障类型样本的数据集合;如原本输出类型为蒸发器故障却误分类为冷凝器故障或压缩机故障,原本输出类型为冷凝器故障却误分类为蒸发器故障或压缩机故障,原本输出类型为压缩机故障却误分类为蒸发器故障或冷凝器故障;
中央空调故障预测与诊断最小误分类变换如下:
其中ξij(β)表示由双智能算法的中央空调故障预测与诊断分类模型分类函数;yi表示由神经网络训练的输出层神经元,yi=[yi1,yi2,yi3,yi4]T,i=1,2,…,N,且满足输出误差最小min||yi-ηi||。
5.根据权利要求2所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤3中将12个输入神经元参数归一化为0-1的数值,具体归一化方法如下:
(12)中央空调供暖和制冷量x12进行归一化后得到其中为中央空调名义制热量,计算方法如下:其中K1中央空调机组制热量或制冷量修正系数;K2中央空调机组融霜修正系数;K建筑物综合传热系数;Tn供暖和制冷室内设计温度,Tp供暖季或制冷季室外计算温度;为归一化后的中央空调供暖和制冷量参数;
其中符号|| ||表示向量的模。
6.根据权利要求2所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤8计算隐含层输出矩阵H=H(w1,...,wL,b1,...,bL,x1,...,xN):
其中x1=[x11,x12,…,x112]T表示训练数据集中第1个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中xN=[xN1,xN2,…,xN12]T表示训练数据集中第N个样本参数:吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量;这12个参数作为基于极限学习机算法的中央空调故障预测与诊断神经网络模型的输入层参数;
其中w1=[w11,w12,…,w112]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与输入层12个神经元的权重值,分量w11表示隐藏层第1个神经元与输入层吸气压力神经元的权重值;w12表示隐藏层第1个神经元与输入层蒸发器趋近温度神经元的权重值;w13表示隐藏层第1个神经元与输入层冷凝器趋近温度神经元的权重值;w14表示隐藏层第1个神经元与输入层蒸发器回水温度神经元的权重值;w15表示隐藏层第1个神经元与输入层蒸发器出水温度神经元的权重值;w16表示隐藏层第1个神经元与输入层冷凝器回水温度神经元的权重值;w17表示隐藏层第1个神经元与输入层冷凝器出水温度神经元的权重值;w18表示隐藏层第1个神经元与输入层分水器供水压力神经元的权重值;w19表示隐藏层第1个神经元与输入层集水器回水压力神经元的权重值;w110表示隐藏层第1个神经元与输入层电流神经元的权重值;w111表示隐藏层第1个神经元与输入层电压神经元的权重值;w112表示隐藏层第1个神经元与输入层中央空调供暖和制冷量神经元的权重值;
其中wL=[wL1,wL2,…,wL12]表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与输入层12个神经元的权重值,分量wL1表示隐藏层第L个神经元与输入层吸气压力神经元的权重值;wL2表示隐藏层第L个神经元与输入层蒸发器趋近温度神经元的权重值;wL3表示隐藏层第L个神经元与输入层冷凝器趋近温度神经元的权重值;wL4表示隐藏层第L个神经元与输入层蒸发器回水温度神经元的权重值;wL5表示隐藏层第L个神经元与输入层蒸发器出水温度神经元的权重值;wL6表示隐藏层第L个神经元与输入层冷凝器回水温度神经元的权重值;wL7表示隐藏层第L个神经元与输入层冷凝器出水温度神经元的权重值;wL8表示隐藏层第L个神经元与输入层分水器供水压力神经元的权重值;wL9表示隐藏层第L个神经元与输入层集水器回水压力神经元的权重值;wL10表示隐藏层第1个神经元与输入层电流神经元的权重值;wL11表示隐藏层第L个神经元与输入层电压神经元的权重值;wL12表示隐藏层第L个神经元与输入层中央空调供暖和制冷量神经元的权重值;"·"表示内积运算;以wL·x1为例进行说明:wL·x1=wL1×x11+wL2×x12+…wL12×x112∈R;
激励函数g(wk·xi+bk)将基于极限学习机算法的中央空调故障预测与诊断神经网络模型中将包含12个输入层神经元的吸气压力、蒸发器趋近温度、冷凝器趋近温度、蒸发器回水温度、蒸发器出水温度、冷凝器回水温度、冷凝器出水温度、分水器供水压力、集水器回水压力、电流、电压、中央空调供暖和制冷量的线性空间映射到极限学习机中包含L个隐藏层特征的线性空间里;激励函数具体选择方法如下:
三角函数:g(wk·xi+bk)=cos(wk·xi+bk);
径向基函数:g(wk·xi+bk)=exp(-bk·||xi-wk||)。
7.根据权利要求2所述的双智能算法中央空调故障预测与诊断方法,其特征在于:步骤9:根据β=H+Y计算隐藏层L个神经元到输出层神经元的权重隐藏层输出权重β=[β1,β2,…,βL];
其中β1=[β11,β12,β13,β14]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第1个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中β2=[β21,β22,β23,β24]T中分量β21表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β22表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β23表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β24表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第2个神经元与第4个输出层神经元压缩机故障类型的权重值;
其中βL=[βL1,βL2,βL3,βL4]T中分量β11表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第1个输出层神经元中央空调正常运行类型的权重值;分量β12表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第2个输出层神经元蒸发器故障类型的权重值;分量β13表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第3个输出层神经元冷凝器故障类型的权重值;分量β14表示基于极限学习机算法的中央空调故障预测与诊断神经网络模型中隐藏层第L个神经元与第4个输出层神经元压缩机故障类型的权重值;
H+为隐藏层输出矩阵H=H(w1,…,wL,b1,…,bL,x1,…,xN)的Moore-Penrose广义逆矩阵;当HTH非奇异时:H+=(HTH)-1HT,或者H+=HT(HTH)-1;其中()-1表示矩阵的逆,()T表示矩阵的转置;
在y1中,分量y11表示用零误差逼近来自第1个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y12表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y13表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型;分量y14表示用零误差逼近来自第1个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
在y2中,分量y21表示用零误差逼近来自第2个样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量y22表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第2个神经元为蒸发器故障类型;分量y23表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型;分量y24表示用零误差逼近来自第2个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
在yN中,分量yN1表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第1个神经元为中央空调正常运行类型;分量yN2表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第N个神经元为蒸发器故障类型;分量yN3表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第3个神经元为冷凝器故障类型;分量yN4表示用零误差逼近来自第N个训练样本进行极限学习机神经网络模型训练后输出的第4个神经元为压缩机故障类型;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702092.3A CN111981635B (zh) | 2020-07-21 | 2020-07-21 | 一种双智能算法的中央空调故障预测与诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010702092.3A CN111981635B (zh) | 2020-07-21 | 2020-07-21 | 一种双智能算法的中央空调故障预测与诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111981635A CN111981635A (zh) | 2020-11-24 |
CN111981635B true CN111981635B (zh) | 2021-12-31 |
Family
ID=73439321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010702092.3A Active CN111981635B (zh) | 2020-07-21 | 2020-07-21 | 一种双智能算法的中央空调故障预测与诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111981635B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112556088B (zh) * | 2020-11-26 | 2022-08-02 | 珠海格力电器股份有限公司 | 空调器及空调器的检测方法 |
CN112766327B (zh) * | 2021-01-05 | 2024-05-24 | 格力电器(武汉)有限公司 | 空调故障预测方法、电子设备和储存介质 |
CN113158546B (zh) * | 2021-03-11 | 2023-05-09 | 南京信息工程大学 | 一种基于hsmm的空调机组设备的故障预测方法 |
CN112966399B (zh) * | 2021-04-15 | 2023-08-22 | 苏州大学张家港工业技术研究院 | 一种基于机器学习的脉管制冷机工况预测方法及*** |
CN116678072B (zh) * | 2023-06-05 | 2024-05-10 | 耀昶嵘相变材料科技(广东)有限公司 | 中央空调***的故障处理方法、终端及中央空调*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018092258A1 (ja) * | 2016-11-18 | 2018-05-24 | 三菱電機株式会社 | 空気調和機および空気調和システム |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调***传感器故障诊断方法 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及*** |
CN110160210A (zh) * | 2019-05-15 | 2019-08-23 | 北京上格云技术有限公司 | 风机盘管的故障检测方法、装置、存储介质和电子设备 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
CN111174370A (zh) * | 2018-11-09 | 2020-05-19 | 珠海格力电器股份有限公司 | 故障检测方法及装置、存储介质、电子装置 |
-
2020
- 2020-07-21 CN CN202010702092.3A patent/CN111981635B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018092258A1 (ja) * | 2016-11-18 | 2018-05-24 | 三菱電機株式会社 | 空気調和機および空気調和システム |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调***传感器故障诊断方法 |
CN111174370A (zh) * | 2018-11-09 | 2020-05-19 | 珠海格力电器股份有限公司 | 故障检测方法及装置、存储介质、电子装置 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及*** |
CN110160210A (zh) * | 2019-05-15 | 2019-08-23 | 北京上格云技术有限公司 | 风机盘管的故障检测方法、装置、存储介质和电子设备 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111981635A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
Sedano et al. | A soft computing method for detecting lifetime building thermal insulation failures | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN106156401B (zh) | 基于多组合分类器的数据驱动***状态模型在线辨识方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN109213127A (zh) | 一种基于深度学习的hvac***渐变故障诊断方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN115358347B (zh) | 一种针对不同子***下智能电表的剩余寿命预测方法 | |
CN115455746B (zh) | 一种核动力装置运行监测数据异常检测与校正一体化方法 | |
CN110072205A (zh) | 一种用于无线传感网异常数据检测的分层聚合方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、***及装置 | |
CN115222104A (zh) | 一种基于极限学习机的智能变电站二次设备状态评估方法 | |
CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
CN114912339A (zh) | 一种变电站一次设备多因素温度预测方法 | |
CN113486950B (zh) | 一种智能管网漏水检测方法及*** | |
Correa-Jullian et al. | Assessment of deep learning algorithms for fault diagnosis in solar thermal systems | |
CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN114399024B (zh) | 油气浓度大数据智能检测*** | |
CN112733457B (zh) | 一种改进双层长短期记忆网络的负荷用电特性建模方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
Sedano et al. | Learning and training techniques in fuzzy control for energy efficiency in buildings | |
CN105699043A (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |