CN111999088A - 一种船舶制冷***故障诊断方法、装置及存储介质 - Google Patents
一种船舶制冷***故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111999088A CN111999088A CN202010890715.4A CN202010890715A CN111999088A CN 111999088 A CN111999088 A CN 111999088A CN 202010890715 A CN202010890715 A CN 202010890715A CN 111999088 A CN111999088 A CN 111999088A
- Authority
- CN
- China
- Prior art keywords
- data
- operation data
- fault diagnosis
- refrigeration system
- fault
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种船舶制冷***故障诊断方法、装置及存储介质。本发明方法,包括获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;对所述第一运行数据进行主成分分析,生成第二运行数据;针对第二行运行数据,通过搭建的故障诊断模型来进行状况分析预测;根据分析结果,利用优化的遗传算法训练调整故障诊断模型数据,得到最优故障诊断模型。本发明可以根据***运行数据,有效分析***运行趋势,***设备性能状况,有助于及时发现和更正隐患缺点,不仅能达到节能增效减排的效果,而且可以避免较大事故的发生。
Description
技术领域
本发明涉及船舶轮机工程技术领域,具体而言,尤其涉及一种船舶制冷***故障诊断方法、装置及存储介质。
背景技术
随着船舶朝着大型化、专业化和智能化方向发展,对船舶设备的性能要求越来越高。船舶制冷***作为重要的辅助设备,能够保障船舶的空气调节和伙食冷藏。但由于制冷***内部结构复杂以及船舶工作环境多变,导致***运行工况的不稳定及故障时有发生,降低了冷藏柜内食物的保鲜能力,导致船员生活舒适性降低,同时缩短设备的使用寿命,所以有必要研究性能更为优越的船舶制冷方法。故障诊断技术在制冷***的应用相对其他领域起步较晚,常用的故障诊断方法主要有三类:基于定量物理模型的方法、基于定性物理模型的方法和基于运行数据的方法。其中基于运行数据的诊断方法不需要依赖于***模型,通过对运行数据分析进行辨识,适用范围比较广,神经网络算法、支持向量机、概率神经网络等方法成为该领域比较热门的方法。
针对船舶制冷***故障诊断问题,有学者提出了对BP神经网络在不同结构参数下的诊断性能进行研究,运用主成分分析法对特征变量进行降维,并与概率神经网络相结合的方案,该方法提高了制冷***局部故障的识别效果,但是对于制冷剂泄漏、制冷剂不足等***故障的诊断效果不佳。也有学者提出采用主成分分析方法对故障特征进行提取,针对BP算法模型在训练过程中容易陷入局部极小点的缺陷,采用遗传算法对BP网络的参数进行组合优化,并通过构造的故障论域作为数据集验证了GABP模型的识别精度,但该方法缺少采集制冷***实际运行数据对优化后模型的诊断性能进行验证的过程,诊断结果不佳。
而针对制冷***特征变量间的相关性问题,有学者提出了基于独立元分析(ICA)与最小二乘支持向量机(LS-SVM)相结合的方法,解决了数据间的非高斯性问题,但在实验研究中仅对冷凝器结垢、冷却水不足及制冷剂泄漏这三种故障进行了诊断测试。采取核主元分析(KICA)与LS-SVM相结合的方法,对地铁站冷水机组故障进行检测,取得了不错的效果,但是缺少对故障类型进行分类识别的能力。
发明内容
本发明提供一种船舶制冷***故障诊断方法、装置及存储介质。目的在于解决现有船舶制冷***高度复杂,***运行数据间存在耦合特性、非线性及非高斯性,从而导致故障诊断结果不准确的问题。本发明根据采集到的船舶制冷***运行数据,利用主成分分析与改进的遗传算法优化支持向量机的方法对船舶制冷***进行故障预测和诊断,以提高船舶制冷***的故障诊断正确率,缩短诊断时间。
一种船舶制冷***故障诊断方法,包括:
获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;
对所述第一运行数据进行主成分分析,生成第二运行数据,所述第二运行数据的维数小于所述第一运行数据;
通过训练好的故障诊断模型对所述第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对所述第二运行数据进行分类,得到所述第二运行数据所属类别对应的故障名称,所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。
进一步地,所述故障诊断模型为支持向量机,所述支持向量机的惩罚因子和核参数通过遗传算法寻优获得。
进一步地,所述支持向量机的惩罚因子和核参数的寻优过程包括:
将所述支持向量机的惩罚因子和径向基核参数组成个体染色体;
将所述支持向量机的识别准确率作为个体的适应度函数,所述识别准确率为所述支持向量机对船舶制冷***历史故障数据的故障识别准确率;
基于改进的遗传算法,根据所述适应度函数对所述惩罚因子和核参数进行寻优,再重新确定支持向量机的分类判决函数,并保存优秀的个体。
进一步地,对所述船舶制冷***运行数据进行处理得到第一运行数据,包括对船舶制冷***运行数据进行归一化处理。
进一步地,对所述第一运行数据进行主成分分析,生成第二运行数据,包括:
采用线性变换方法将所述第一运行数据中的综合数据特征映射到低维特征空间,得到包含低维综合数据特征的第二运行数据。
一种船舶制冷***故障诊断装置,包括:
数据采集单元,用于获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;
降维单元,用于对所述第一运行数据进行主成分分析,生成第二运行数据,所述第二运行数据的维数小于所述第一运行数据;
故障诊断单元,用于通过训练好的故障诊断模型对所述第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对所述第二运行数据进行分类,得到所述第二运行数据所属类别对应的故障名称,所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。
进一步地,所述故障诊断模型为支持向量机,所述支持向量机的惩罚因子和核参数通过遗传算法寻优获得。
进一步地,装置还包括模型构建单元,所述模型构建单元用于对所述支持向量机的惩罚因子和核参数的寻优,过程包括:
将所述支持向量机的惩罚因子和径向基核参数组成个体染色体;
将所述支持向量机的识别准确率作为个体的适应度函数,所述识别准确率为所述支持向量机对船舶制冷***历史故障数据的故障识别准确率;
基于改进的遗传算法,根据所述适应度函数对所述惩罚因子和核参数进行寻优,再重新确定支持向量机的分类判决函数,并保存优秀的个体。
进一步地,所述降维单元主要用于:采用线性变换方法将所述第一运行数据中的综合数据特征映射到低维特征空间,得到包含低维综合数据特征的第二运行数据。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如上述任一项所述的船舶制冷***故障诊断方法。
较现有技术相比,本发明具有以下优点:
1、本发明使用主成分分析法对数据特征进行选择,去除冗余的数据特征以及数据间相关性影响,实现对数据的降维及解耦。
2、本发明将经处理后的数据输入SVM进行模型训练,并进行多工况的故障诊断数值实验。
3、本发明引入遗传算法对所构建的支持向量基模型进行优化,提高了模型整体的诊断正确率,缩短诊断时间。
基于上述理由本发明可在船舶轮机工程领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明船舶制冷***故障诊断方法流程图。
图2为本发明支持向量机优化流程图。
图3为实施例中主成分贡献率和累积贡献率曲线。
图4为实施例中GA-SVM适应度曲线。
图5为实施例中GA-SVM预测结果。
图6为实施例中PCA-GA-SVM适应度曲线图。
图7为实施例中PCA-GA-SVM预测结果。
图8为实施例中不同工况类型各方法诊断正确率对比图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
故障理论发展至今已趋于成熟,一般可将故障分为硬故障和软故障:硬故障是指***不能启动,或在运行过程中突然失效,故障发生没有任何征兆,具有随机性和破坏性,但发生时易检测,检修人员能及时地采取弥补措施,如压缩机突然停机、水泵突然停转或送风机不能启动等;软故障是指***运行中因某种原因偏离了正常工况,反映在***参数的逐步劣化上,故障一般发生在设备使用寿命末期,如冷凝器结垢、膨胀阀冰塞、水管堵塞及阀门泄漏等,而这类故障的发生难以检测,具有长期性和隐蔽性,其潜在危害更大。然而,船舶制冷***发生故障大多仍在使用传统的人工检修,这不仅要求检修人员具有精准的判断力和丰富的经验知识,执行起来也费时费力。
基于上述研究背景,如图1所示,本发明提供了一种船舶制冷***故障诊断方法,包括:数据采集步骤、数据处理步骤和故障识别步骤。
具体来说,数据采集步骤用于获取船舶制冷***运行数据,对船舶制冷***运行数据进行处理得到第一运行数据。本发明使用船舶制冷***模拟实验平台进行故障实验,采集了6种工况下的船舶故障数据样本。为了消除不同的特征变量的量纲影响,对采集到的数据进行归一化处理。在主成分分析中,已经对样本数据进行z-score标准化处理,所以使用主成分析的模型不需要再进行归一化处理。
数据处理步骤主要用于对第一运行数据进行主成分分析,生成第二运行数据,第二运行数据的维数小于所述第一运行数据。在对船舶制冷***进行故障诊断过程中,数据采集时会包含多个观测点变量,从而形成一组观测数据,在一定时间内的多组观测数据就构成了原始的数据矩阵。目前进行数据采集时采样时间间隔设置一般较小,采集数据量较为庞大,船舶制冷***的数据间存在强耦合性。主成分分析属于多元统计回归的特征提取方法,将原始数据矩阵中的数据特征进行线性变换,并转化至新的特征空间中,新特征空间的基向量(主成分)能够包含原始变量的绝大部分信息,并且去除了相关性影响,降低了数据矩阵的维数。
故障诊断步骤主要是通过训练好的故障诊断模型对第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对第二运行数据进行分类,得到第二运行数据所属类别对应的故障名称,故障诊断结果包括所述第二运行数据所属类别对应的故障名称。进一步地,故障诊断模型为支持向量机,支持向量机的惩罚因子和核参数通过遗传算法寻优获得。具体地,SVM的主要思想是建立一个分类超平面,依据结构风险最小化原理,使正反例的隔离边际最大化。在少样本、非线性、高维度等识别问题中表现出了独特优势,是目前机器学习研究的热点之一,尤其在模式识别、回归分析和时间序列预测等领域应用广泛。SVM建模方法的惩罚因子C和核参数σ对其识别结果有直接影响,受惩罚因子C和核参数σ的具体影响情况:模型误差随着C的增大呈先减后增的趋势,而拟合情况随着σ的增大由过学习现象向欠学习现象转变。因此,本发明优选利用遗传算法对SVM的惩罚因子和核参数进行寻优。寻优过程如图2所示,包括:
a.初始化种群,对于SVM需要确定的参数有两个,分别是惩罚因子C和径向基核参数σ,将它们组成个体的染色体。
b.建立适应度函数,为了建立识别效果稳定的SVM模型,将SVM的识别准确率作为个体的适应度评价值。
c.SVM模型建立与预测,采用根据主成分分析法降维的综合特征数据作为数据集,建立多分类SVM模型。标准的SVM只能解决二分类问题,现在需要对6种工况进行分类,采用“一对一”多分类方法,构建个标准二分类SVM,对每个SVM结果采用投票法来确定最终属于哪种工况。建模前需要确定SVM的内部结构参数确定核函数类型,并指定惩罚因子和平滑因子。
d.然后基于改进的遗传算法,根据适应度函数对SVM的惩罚因子和核参数进行寻优,再重新确定SVM分类判决函数,并保存优秀的个体,以便在搭建新的GA模型时使用,减少运算时间,提高计算精度。
下面通过具体的应用实例,对本发明的方案和效果做进一步说明。
制冷***故障多样、工况复杂,本实施例以部分易获取的典型故障数据为例进行说明。这里所研究的五种故障包括压缩机吸气阀泄漏、压缩机排气阀泄漏和制冷剂含不凝性气体等,选定监控的特征变量有压缩机进气压力、压缩机排气压力、冷凝温度和送风机送风温度等共12个。
1、数据来源及预处理
(1)样本数据的提取
采集实验***包括正常和故障共6种工况的实验样本,具体工况序号和工况名称如表1所示,12个特征变量的符号及名称如表2所示,每种工况模式收集200组样本,原始特征数据如表3所示,共1200组实验样本,其大小为1200*12。
(2)样本数据的归一化
在主成分分析中,为了消除不同的特征变量的量纲影响,对样本数据进行了z-score标准化处理,所以使用主成分析的模型不需要再进行归一化处理。对于未进行主成分分析的模型,本文采用的归一化方法为min-max标准化(也称为离差标准化),把样本数据映射至[0,1]之间,使运算更加快捷。归一化函数的主要形式如下:
其中,xmax为该类样本数据的最大值,xmin为该类样本数据的最小值,x为归一化前的数值,x*为归一化后的数值,其值在[0,1]之间。用MATLAB自带函数mapminmax可以实现变量的归一化过程,由于函数默认是归一化至[-1,1]间,需要对该函数进行指定才能把变量映射至[0,1]区间。
表1工况序号和工况名称
工况序号 | 工况类型 |
y<sub>0</sub> | 正常工况 |
y<sub>1</sub> | 吸气阀泄漏 |
y<sub>2</sub> | 排气阀泄漏 |
y<sub>3</sub> | 膨胀阀冰塞 |
y<sub>4</sub> | 冷凝器脏污 |
y<sub>5</sub> | 制冷剂含不凝性气体 |
表2特征变量符号及名称
序号 | 变量符号 | 变量名称 | 序号 | 变量符号 | 变量名称 |
1 | P<sub>s</sub> | 压缩机进气压力 | 7 | P<sub>e</sub> | 蒸发器蒸发压力 |
2 | P<sub>d</sub> | 压缩机排气压力 | 8 | T<sub>ra</sub> | 房间空气温度 |
3 | T<sub>c</sub> | 冷凝器温度 | 9 | H<sub>sa</sub> | 送风焓值 |
4 | T<sub>a</sub> | 送风机送风温度 | 10 | H<sub>ra</sub> | 房间空气焓值 |
5 | T<sub>in</sub> | 冷却水进水温度 | 11 | W<sub>sa</sub> | 送风湿度 |
6 | T<sub>out</sub> | 冷却水出水温度 | 12 | W<sub>ra</sub> | 房间空气湿度 |
表3原始特征数据
2、主成分分析与改进的遗传算法优化支持向量机
(1)数据降维
利用主成分分析方法把采集的12维数据降到5维,主成分计算及提取公式如下:
Ti=Xpi(i=1,2,…,b) (2)
主成分Ti代表数据矩阵X在特征向量pi方向上投影,Ti越大表明在pi方向上代表X的信息越多。为了减少主成分个数且能够包含数据矩阵X中最多的信息,通过主成分贡献法(Cumulative Percent Variance,CPV)来确定保留的主成分个数。
其中,CPVi是第i个主成分的方差贡献率,CPVs是前k个主成分的累计方差贡献率,一般选取贡献率大于85%的主成分。
根据公式(2),计算出如表4所示的特征值和方差贡献率。特征值λi由大到小进行排列,序号1到12所对应的列是对应于特征值λi的特征向量pi,CPVi是对应主成分的方差贡献率。
表4主成分分析结果
1 | λ<sub>i</sub> | CPV<sub>i</sub>/% | 1 | 2 | 3 | 4 | … | 10 | 11 | 12 |
1 | 0.4172 | 47.344 | -0.369 | 0.518 | -0.057 | 0.102 | … | 0.135 | 0.001 | 0.000 |
2 | 0.2110 | 24.070 | -0.005 | 0.170 | 0.486 | 0.382 | … | 0.569 | 0.003 | 0.004 |
3 | 0.1321 | 15.254 | -0.012 | 0.077 | 0.109 | 0.447 | … | -0.533 | -0.003 | -0.007 |
4 | 0.0519 | 5.760 | -0.453 | -0.284 | 0.114 | -0.048 | … | -0.164 | -0.311 | 0.628 |
5 | 0.0311 | 3.357 | 0.072 | -0.180 | 0.513 | -0.084 | … | -0.170 | -0.004 | -0.001 |
6 | 0.0124 | 1.406 | 0.106 | 0.107 | 0.594 | 0.108 | … | -0.239 | -0.002 | 0.004 |
7 | 0.0080 | 0.884 | -0.433 | 0.524 | -0.063 | 0.064 | … | -0.187 | -0.004 | 0.006 |
… | … | … | … | … | … | … | … | … | … | … |
12 | 2.57E-06 | 2.80E-04 | 0.009 | -0.098 | 0.028 | 0.150 | … | 0.352 | -0.162 | -0.048 |
如图3所示,表4中前5个主成分,其累积方差贡献率已经超过95%,即前5个主成分特征数据已经能够反映原始数据特征95%以上的信息。
这样将原始数据集X中12个特征经过主成分分析后转换为相互独立的12个新的综合特征,如表5所示,结合上文中分析,只需采用表5中前5个列综合特征数据进行故障诊断,降低了原始数据特征的维度。
表5新生成的综合特征量
(2)建立SVM模型
采用表5中前5个列综合特征数据作为数据集,将数据集以9:1的比例分为训练集和测试集,即将包含6种工况的1080组数据(每种工况各180组)作为训练集,将包含每种工况各20组共计120组数据作为测试集。采用MATLAB中的LIBSVM工具箱进行建立多分类SVM模型,对每个SVM结果采用投票法来确定最终属于哪种工况,本文指定核函数类型为径向基函数,并指定惩罚因子和平滑因子均为1。
(3)GA优化SVM
由SVM建模原理可知,惩罚因子C和核参数σ对其识别结果有直接影响。SVM受惩罚因子C和核参数σ的具体影响情况:模型误差随着C的增大呈先减后增的趋势,而拟合情况随着σ的增大由过学习现象向欠学习现象转变。因此,本文使用遗传算法对SVM的惩罚因子和核参数进行寻优。
3、数值实验与结果分析
(1)GA-SVM算法故障诊断结果分析
GA优化SVM的惩罚因子和径向基核参数的适应度曲线和故障识别效果如下图4和图5所示,由该适应度曲线分析可得,遗传算法进行了200次迭代过程,最优解在前10代左右不断迭代更新,最终获得的最优惩罚因子和核参数分别为34.473和1.0608。整体种群不断收敛,直至迭代到160次左右收敛至最优解,然后一直保持在最优解,此时不再产生新的个体。
(2)PCA-GA-SVM算法故障诊断结果分析
根据前文中主成分分析得出前5个主成分特征数据能够反映原始数据中95%以上的信息,所以通过提取训练集和测试集中前5个主成分特征的数据,重新训练和测试3.1中建立的SVM和GA-SVM模型,GA优化SVM的惩罚因子和径向基核参数的适应度曲线和故障识别效果如下图6和图7所示。
该适应度曲线分析可得,遗传算法虽然进行了200次迭代过程,然而最优解却始终没有更新,说明种群在初始化阶段即存在一个适应度值最高的个体,获得的最优惩罚因子和核参数分别为36.5154和1.0292。整体种群不断收敛,直至迭代全部完成,收敛至最优解。
表6不同诊断方法实验结果对比
诊断方法 | 整体诊断正确率/% | 算法运行耗时 |
SVM | 84.16 | 0.34 |
PCA-SVM | 83.34 | 0.2 |
GA-SVM | 95.83 | 210.78 |
PCA-GS-SVM | 95 | 239.53 |
综上,船舶制冷***不同运行工况下对应不同诊断方法的实验结果如图8及表6所示,SVM模型在识别正常工况y0、吸气阀泄漏y1、排气阀泄漏y2、膨胀阀冰塞y3及冷凝器脏污y4这5类工况均能达到非常高的识别准确率,但对制冷剂含不凝性气体y5这类故障工况的识别准确率极低,这也直接导致SVM的整体识别准确率仅为84.16%;GA-SVM模型保证前5类工况的识别准确率非常高的同时,将y5工况的识别准确率提升至85%,所以整体准确率相比SVM模型提升10%以上。
同时从图8及表6中可以看到,使用PCA降低数据集维度,仅保留前5个主成分的特征数据对SVM模型和GA-SVM模型进行训练和测试,无论是在针对不同工况的诊断正确率还是整体的诊断正确率都能和使用多维度的原始数据集的诊断准确率几乎保持一致,甚至在制冷剂含不凝性气体y5这类故障工况的识别准确率有所提升。在SVM模型与PCA-SVM模型运算耗时对比中PCA-SVM模型能缩短诊断时间,但在PCA-GA-SVM模型运算耗时却比GA-SVM模型长,这主要是由于GA在优化SVM过程中迭代次数不同导致的,GA-SVM模型中GA迭代160次,而PCA-GA-SVM模型中GA迭代200次,所以掩盖了PCA降维后缩短的诊断时间。
针对船舶制冷***故障诊断分别建立了SVM、PCA-SVM、GA-SVM和PCA-GA-SVM模型,使用采集的6种不同工况下船舶制冷***运行数据,通过对诊断实验结果进行对比分析表明,使用本方法和技术能对数据进行降维处理,有效剔除了冗杂无效的信息,降低了数据间相关性干扰,同时,显著提升***故障诊断正确率和效率,对于数据集更为庞大的故障诊断效果更加明显。
对应本发明中的故障诊断方法,还公开了一种船舶制冷***故障诊断装置,包括:数据采集单元、降维单元以及故障诊断模块。
数据采集单元,用于获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;
降维单元,用于对所述第一运行数据进行主成分分析,生成第二运行数据,所述第二运行数据的维数小于所述第一运行数据;
故障诊断单元,用于通过训练好的故障诊断模型对所述第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对所述第二运行数据进行分类,得到所述第二运行数据所属类别对应的故障名称,所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。
进一步地,装置还包括模型构建单元,所述模型构建单元用于对所述支持向量机的惩罚因子和核参数的寻优,过程包括:
将所述支持向量机的惩罚因子和径向基核参数组成个体染色体;
将所述支持向量机的识别准确率作为个体的适应度函数,所述识别准确率为所述支持向量机对船舶制冷***历史故障数据的故障识别准确率;
基于改进的遗传算法,根据所述适应度函数对所述惩罚因子和核参数进行寻优,再重新确定支持向量机的分类判决函数,并保存优秀的个体。
进一步地,所述降维模块主要用于:采用线性变换方法将所述第一运行数据中的综合数据特征映射到低维特征空间,得到包含低维综合数据特征的第二运行数据。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如上述任一项所述的船舶制冷***故障诊断方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种船舶制冷***故障诊断方法,其特征在于,包括:
获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;
对所述第一运行数据进行主成分分析,生成第二运行数据,所述第二运行数据的维数小于所述第一运行数据;
通过训练好的故障诊断模型对所述第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对所述第二运行数据进行分类,得到所述第二运行数据所属类别对应的故障名称,所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。
2.根据权利要求1所述的船舶制冷***故障诊断方法,其特征在于,所述故障诊断模型为支持向量机,所述支持向量机的惩罚因子和核参数通过遗传算法寻优获得。
3.根据权利要求2所述的船舶制冷***故障诊断方法,其特征在于,所述支持向量机的惩罚因子和核参数的寻优过程包括:
将所述支持向量机的惩罚因子和径向基核参数组成个体染色体;
将所述支持向量机的识别准确率作为个体的适应度函数,所述识别准确率为所述支持向量机对船舶制冷***历史故障数据的故障识别准确率;
基于改进的遗传算法,根据所述适应度函数对所述惩罚因子和核参数进行寻优,再重新确定支持向量机的分类判决函数,并保存优秀的个体。
4.根据权利要求1所述的船舶制冷***故障诊断方法,其特征在于,对所述船舶制冷***运行数据进行处理得到第一运行数据,包括对船舶制冷***运行数据进行归一化处理。
5.根据权利要求1所述的船舶制冷***故障诊断方法,其特征在于,对所述第一运行数据进行主成分分析,生成第二运行数据,包括:
采用线性变换方法将所述第一运行数据中的综合数据特征映射到低维特征空间,得到包含低维综合数据特征的第二运行数据。
6.一种船舶制冷***故障诊断装置,其特征在于,包括:
数据采集单元,用于获取船舶制冷***运行数据,对所述船舶制冷***运行数据进行处理得到第一运行数据;
降维单元,用于对所述第一运行数据进行主成分分析,生成第二运行数据,所述第二运行数据的维数小于所述第一运行数据;
故障诊断单元,用于通过训练好的故障诊断模型对所述第二运行数据进行识别,得到故障诊断结果,所述故障诊断模型用于对所述第二运行数据进行分类,得到所述第二运行数据所属类别对应的故障名称,所述故障诊断结果包括所述第二运行数据所属类别对应的故障名称。
7.根据权利要求6所述的船舶制冷***故障诊断装置,其特征在于,所述故障诊断模型为支持向量机,所述支持向量机的惩罚因子和核参数通过遗传算法寻优获得。
8.根据权利要求7所述的船舶制冷***故障诊断装置,其特征在于,装置还包括模型构建单元,所述模型构建单元用于对所述支持向量机的惩罚因子和核参数的寻优,过程包括:
将所述支持向量机的惩罚因子和径向基核参数组成个体染色体;
将所述支持向量机的识别准确率作为个体的适应度函数,所述识别准确率为所述支持向量机对船舶制冷***历史故障数据的故障识别准确率;
基于改进的遗传算法,根据所述适应度函数对所述惩罚因子和核参数进行寻优,再重新确定支持向量机的分类判决函数,并保存优秀的个体。
9.根据权利要求6所述的船舶制冷***故障诊断方法,其特征在于,所述降维单元主要用于:采用线性变换方法将所述第一运行数据中的综合数据特征映射到低维特征空间,得到包含低维综合数据特征的第二运行数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机指令集;所述计算机指令集被处理器执行时实现如权利要求1-5任一项所述的船舶制冷***故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890715.4A CN111999088A (zh) | 2020-08-29 | 2020-08-29 | 一种船舶制冷***故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010890715.4A CN111999088A (zh) | 2020-08-29 | 2020-08-29 | 一种船舶制冷***故障诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111999088A true CN111999088A (zh) | 2020-11-27 |
Family
ID=73465712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010890715.4A Pending CN111999088A (zh) | 2020-08-29 | 2020-08-29 | 一种船舶制冷***故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111999088A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361016A (zh) * | 2021-06-30 | 2021-09-07 | 大连海事大学 | 一种船舶辅锅炉故障诊断方法和装置 |
CN113534727A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市兄弟制冰***有限公司 | 基于人工智能平台的渔船用制冷设备的预警控制*** |
CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
CN115081513A (zh) * | 2022-05-18 | 2022-09-20 | 江苏方天电力技术有限公司 | 一种水冷冷水机组故障诊断方法及*** |
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
CN117555280A (zh) * | 2024-01-12 | 2024-02-13 | 广东海洋大学 | 一种用于船舶制冷装置的故障监控预警装置及其预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556191A (zh) * | 2015-09-30 | 2017-04-05 | 大金工业株式会社 | 船舶用制冷装置 |
CN209927462U (zh) * | 2019-05-22 | 2020-01-10 | 中国人民解放军陆军军事交通学院镇江校区 | 船用柴油机故障诊断装置 |
CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、***、终端及存储介质 |
-
2020
- 2020-08-29 CN CN202010890715.4A patent/CN111999088A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556191A (zh) * | 2015-09-30 | 2017-04-05 | 大金工业株式会社 | 船舶用制冷装置 |
CN209927462U (zh) * | 2019-05-22 | 2020-01-10 | 中国人民解放军陆军军事交通学院镇江校区 | 船用柴油机故障诊断装置 |
CN111291783A (zh) * | 2020-01-15 | 2020-06-16 | 北京市燃气集团有限责任公司 | 一种燃气调压设备的智能化故障诊断方法、***、终端及存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361016A (zh) * | 2021-06-30 | 2021-09-07 | 大连海事大学 | 一种船舶辅锅炉故障诊断方法和装置 |
CN113534727A (zh) * | 2021-09-15 | 2021-10-22 | 深圳市兄弟制冰***有限公司 | 基于人工智能平台的渔船用制冷设备的预警控制*** |
CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
CN115081513A (zh) * | 2022-05-18 | 2022-09-20 | 江苏方天电力技术有限公司 | 一种水冷冷水机组故障诊断方法及*** |
CN116432082A (zh) * | 2023-03-29 | 2023-07-14 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
CN116432082B (zh) * | 2023-03-29 | 2024-01-09 | 武汉理工大学 | 一种船舶故障特征分析方法、***及存储介质 |
CN117555280A (zh) * | 2024-01-12 | 2024-02-13 | 广东海洋大学 | 一种用于船舶制冷装置的故障监控预警装置及其预警方法 |
CN117555280B (zh) * | 2024-01-12 | 2024-04-05 | 广东海洋大学 | 一种用于船舶制冷装置的故障监控预警装置及其预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999088A (zh) | 一种船舶制冷***故障诊断方法、装置及存储介质 | |
Li et al. | Data partitioning and association mining for identifying VRF energy consumption patterns under various part loads and refrigerant charge conditions | |
CN112036480A (zh) | 一种船舶制冷***故障诊断方法、装置及存储介质 | |
Guo et al. | Fault diagnosis of VRF air-conditioning system based on improved Gaussian mixture model with PCA approach | |
Li et al. | A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis | |
Sun et al. | A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount | |
Fan et al. | A framework for knowledge discovery in massive building automation data and its application in building diagnostics | |
CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、***及介质 | |
CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN108446529B (zh) | 基于广义互熵—dpca算法的有机朗肯循环***故障检测方法 | |
Li et al. | Review on fault detection and diagnosis feature engineering in building heating, ventilation, air conditioning and refrigeration systems | |
CN105160345B (zh) | 一种诊断列车空调机组故障的方法 | |
CN113177594B (zh) | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 | |
CN113203589A (zh) | 一种用于多联机空调***的分布式故障诊断方法及*** | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
CN112766327B (zh) | 空调故障预测方法、电子设备和储存介质 | |
CN113378908B (zh) | 基于LightGBM算法和网格搜索算法的暖通空调***故障诊断方法 | |
Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
Zhou et al. | An online compressor liquid floodback fault diagnosis method for variable refrigerant flow air conditioning system | |
Zeng et al. | A hybrid deep forest approach for outlier detection and fault diagnosis of variable refrigerant flow system | |
Li et al. | Machine learning based diagnosis strategy for refrigerant charge amount malfunction of variable refrigerant flow system | |
Zucker et al. | Improving energy efficiency of buildings using data mining technologies | |
Xia et al. | An enhanced fault detection method for centrifugal chillers using kernel density estimation based kernel entropy component analysis |
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: 20201127 |
|
RJ01 | Rejection of invention patent application after publication |