CN114484731B - 一种基于stacking融合算法的中央空调故障诊断方法及装置 - Google Patents
一种基于stacking融合算法的中央空调故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114484731B CN114484731B CN202111614025.7A CN202111614025A CN114484731B CN 114484731 B CN114484731 B CN 114484731B CN 202111614025 A CN202111614025 A CN 202111614025A CN 114484731 B CN114484731 B CN 114484731B
- Authority
- CN
- China
- Prior art keywords
- central air
- model
- air conditioning
- data set
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000004378 air conditioning Methods 0.000 claims abstract description 94
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000002790 cross-validation Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 99
- 239000003507 refrigerant Substances 0.000 claims description 50
- 239000000498 cooling water Substances 0.000 claims description 35
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 20
- 238000007906 compression Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004781 supercooling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/10—Pressure
- F24F2140/12—Heat-exchange fluid pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于stacking融合算法的中央空调故障诊断方法,包括:建立中央空调***数字孪生模型;采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集;将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型;采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;对多个中央空调故障诊断模型的预测性能进行评价,选取性能最佳的模型作为最优中央空调故障诊断模型进行故障诊断。
Description
技术领域
本发明属于中央空调技术领域,具体涉及一种基于stacking融合算法的中央空调故障诊断方法及装置。
背景技术
在城市化的发展进程中,随着城市规模的扩大,大型公共建筑的数量与规模均显著增大,其中,迅猛发展的建筑电气化与日渐兴起的建筑智能化这两大趋势获得了社会各界的广泛关注。出于大型公建的制冷需求,中央空调***及其自控***的规模日益庞大,设备种类及数量日益繁多,因而***复杂程度越来越高。而***运行过程中,不可避免地会出现各种故障,这些故障如果得不到及时的排除,势必导致***运行参数严重偏离要求的设定值,给室内工作人员带来不舒适感而影响工作效率和工作质量,增加***能耗,缩短设备使用寿命。而且,一旦中央空调***有故障发生,往往需要长时间去判断故障发生点以及完成后续的检修工作,这个过程就造成了不必要的能源浪费。据不完全统计,在中央空调***发生故障的排查过程中,寻找故障产生原因的时间一般来说要占总排查时间的50%之上。
由于中央空调***本身具有非线性、复杂多变、多个***参数互相耦合等特性,现阶段来建立一个极其完整、泛化通用的中央空调***故障诊断方法较难实现。目前,通常采用的中央空调故障诊断方法主要是从历史的经验数据出发,利用神经网络训练故障诊断模型。然而,采用单一的学习算法进行故障诊断模型的预测时,由于输入的数据变量过多,提高预测模型复杂程度,造成预测输出的过拟合,降低模型预测的准确率。
基于上述技术问题,需要设计一种新的基于stacking融合算法的中央空调故障诊断方法。
发明内容
本发明的目的是提供一种基于stacking融合算法的中央空调故障诊断方法,通过stacking融合多种模型,相比单一模型而言,能够有效地减小模型预测误差,提高模型预测精度。
为了解决上述技术问题,本发明提供了一种基于stacking融合算法的中央空调***故障诊断方法,所述中央空调***故障诊断方法包括:
步骤S1、采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
步骤S2、通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,对状态数据进行数据预处理,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,以及根据灰色关联度算法对提取的特征进行选择后获得样本数据集;
步骤S3、将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
步骤S4、采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
步骤S5、将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
步骤S6、通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过最优中央空调故障诊断模型进行中央空调***的故障诊断。
进一步,所述步骤S1中,采用机理建模和数据辨识方法建立中央空调***数字孪生模型,具体包括:
构建中央空调***的物理模型、逻辑模型和仿真模型;其中,
所述物理模型的构建包括:至少建立冷水机组、冷冻水循环***和冷却水循环***的物理模型,所述冷水机组为末端提供某一温度的冷冻水,由压缩机、蒸发器、冷凝器和节流阀组成;所述冷冻水循环***是将冷冻水传输至冷却盘管,对室内回风进行冷却,由冷冻水泵、冷冻水管和空气处理机组组成;所述冷却水循环***是将冷水机组制冷剂中吸收的热量释放到大气中,由冷却水泵、冷却水管和冷却塔组成;
所述逻辑模型的构建包括:依据中央空调***各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型,将物理模型映射至逻辑模型;
所述仿真模型的构建包括:基于采集的中央空调***的运行数据、状态数据、物理属性数据搭建中央空调***仿真模型;
将所述物理模型、逻辑模型和仿真模型进行虚实融合,构建中央空调***物理实体在虚拟空间的***级数字孪生模型;
将中央空调***的多工况实时运行数据接入所述***级数字孪生模型,采用反向辨识方法对所述***级数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的中央空调***的数字孪生模型。
进一步,所述冷水机组模型建立包括:
忽略压缩机的吸排气压力损失以及忽略压缩机与环境换热,建立压缩机模型表示为:
其中,mr为制冷剂质量流量;Vth为压缩机理论输气量;v1为压缩机吸气比容;ξ为输气系数;Pths为压缩机等熵压缩过程的理论耗功;Pi为压缩机实际压缩过程的耗功,即为指示功率;Pel为压缩机实际压缩过程所需输入的电功率,即功率计所测得的功率;k为等熵压缩指数;Pe为蒸发压力,即压缩机吸气压力;Pk为冷凝压力,即压缩机排气压力;ηi为压缩机的指示效率;ηel为压缩机的电效率;h2为压缩机出口制冷剂焓值;h1为压缩机进口制冷剂焓值;
所述冷凝器的模型建立包括:
忽略冷凝器与外界的换热、制冷剂与冷却水的流动视为一维均匀流动,获得冷凝器内换热过程表示为:
Qc=mw,ccp,w(two,c-twi,c)=mr(hri,c-hro,c);
Q1,c=K1,cF1,cΔt1,c;
Q2,c=K2,cF2,cΔt2,c;
Q3,c=K3,cF3,cΔt3,c;
其中,Qc为冷凝器总换热量;mw,c为冷却水流量;cp,w为水的定压比热;twi,c为冷却水进口温度;two,c为冷却水出口温度;tri,c为制冷剂进口温度;tro,c为制冷剂出口温度;mr为制冷剂流量;hri,c为冷凝器入口制冷剂焓值;hro,c为冷凝器出口焓值;Q1,c、Q2,c、Q3,c分别为冷凝器过热区、两相区和过冷区换热量;F1,c、F2,c、F3,c分别为冷凝器过热区、两相区和过冷区的换热面积;Δt1,c、Δt2,c、Δt3,c分别为冷凝器过热区、两相区和过冷区的换热温差;K1,c、K2,c、K3,c分别为冷凝器过热区、两相区和过冷区传热系数;
所述蒸发器的模型建立包括:
忽略蒸发器与外界的换热、制冷剂与冷冻水的流动视为一维均匀流动,获得蒸发器内换热过程表示为:
Qe=mw,ecp,w(twi,e-two,e)=mr(1-x)(hro,e-hri,e);
Q1,e=K1,eF1,eΔt1,e;
Q2,e=K2,eF2,eΔt2,e;
其中,Qe为蒸发器换热量;mw,e为冷冻水流量;twi,e为蒸发器进口冷冻水温度;two,e为蒸发器出口冷冻水温度;tw1,e为两相区入口冷冻水温度;hri,e为蒸发器入口焓值;hro,e为蒸发器出口焓值;x为蒸发器入口制冷剂干度;Q1,e为蒸发器过热区换热量;
Q2,e为蒸发器两相区换热量;Δt1,e为蒸发器过热区换热温差;Δt2,e为蒸发器两相区换热温差;tro,e为压缩机吸气温度,即蒸发器出口制冷剂温度;tr,e为蒸发温度;
所述节流阀的模型建立包括:
热力膨胀阀由感温包中感温介质的压力Pb提供开阀力,由蒸汽压力Pc和弹簧力提供关阀力,弹簧力在阀处于关闭状态时最小,为ΔPmin;阀的位移y与Pb、Pc、ΔPmin之间的关系表示为:y=k(Pb-Pc-ΔPmin);k为弹簧弹性系数的倒数;
所述水泵模型建立包括:
水泵扬程、水泵效率与水泵流量及转速比的关系表示为:
其中,Hpu为水泵扬程;mw为水泵质量流量;ηpu为水泵效率;h01、h02、h03、h11、h12、h13为拟合系数。
进一步,所述步骤S2中,通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集,具体包括:
通过在压缩机进出口管壁上、蒸发器进出水口和冷凝器进出水口、冷凝器进出口制冷剂管壁上安装的热电偶采集正常运行和模拟故障时压缩机进出口温度、蒸发器进出水温度、蒸发器制冷剂进出口温度、冷凝器进出水温度和冷凝器制冷剂进出口温度;通过在压缩机进出口安装的压力传感器采集正常运行和模拟故障时压缩机进出口压力;通过在冷水泵和冷却水泵出口水平管上安装的流量传感器采集正常运行和模拟故障时冷水流量和冷却水流量;
对采集的数据进行去噪处理、缺失值填充、重复无效值删除和归一化预处理;
以中央空调设备状态特征参数为自变量,中央空调故障标签特征为因变量,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,并根据灰色关联度算法对提取的特征进行选择,建立中央空调状态特征参数和故障标签特征的映射关系,获得样本数据集;
其中,故障标签特征至少包括:冷却水流量增大或减小、冷冻水流量增大或减小、冷凝器进水温度过高、制冷剂中有不凝性气体、制冷剂泄漏;所述故障标签特征对应选取的特征变量至少包括冷凝器进水温度、冷凝器出水温度、蒸发器进水温度、蒸发器出水温度。
进一步,所述采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,包括:通过小波包分解算法对预处理后的数据变量进行分解,分解为多个小波值,并将分解后的小波值通过小波包重构算法进行重构小波特征,最后输出预处理后的数据的小波特征数据集;
所述根据灰色关联度算法对提取的特征进行选择,包括:根据灰色关联度算法计算出所述的提取的特征对应的关联度值,对各个提取的特征对应的关联度值进行大小排序,区分每个中央空调设备状态特征参数和故障标签特征之间的关联程度,取关联度较大的特征参数作为样本数据集进行故障诊断。
进一步,所述步骤S4中,采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集,具体包括:
确定基学习器的个数为m,将样本数据集D随机分为m个大小相等的数据集D1、D2、D3……Dj,定义Dj和D-j=D-Dj,j=1,2,3,……,m分别为k折交叉验证的第j折测试数据集和训练数据集,在训练数据集D-j上训练基学习器得到模型 m,对于测试数据集Dj中的每一个样本,模型会输出一个测试结果;当交叉验证过程结束,则获得基学习器对于整个训练数据集的输出结果;
将得到的基学习器的输出结果转化为概率型的结果,使m个基学习器的结果保持在[0,1]区间内,并将概率型的输出结果和训练集标签拼接起来构成新的训练集,作为次级训练数据集;
其中,m个基学习器在进行训练时,可选取的机器学习算法包括:SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机;依据不同算法的预测性能,固定m取值,选取多种不同算法组合生成基学习器的多种组合工况或对m进行不同取值,选取不同算法组合生成基学习器的多种组合工况。
进一步,所述步骤S5中,将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型,包括:将不同组合工况下各基学习器训练获得的次级训练数据集依次输入次级学习器中进行训练,获得多个中央空调故障诊断模型;所述次级学习器使用的机器学习算法为SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机中的一种。
进一步,所述步骤S6中,通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断,包括:
计算模型的平均绝对误差值MAE和均方根差值RMSE、拟合度R2,作为中央空调故障诊断模型评价标准,模型性能越好,平均绝对误差值MAE和均方根差值RMSE越小,拟合度R2越大;
进一步,所述双层stacking模型中的基学习器为加权基学习器,通过引入基于G-mean值的权值公式,对每个基学习器赋予一个权值,并根据权值对输出结果进行校正,校正后的结果再融合为次级训练数据集输入次级学习器获得最终的中央空调故障诊断模型;
所述stacking模型中的次级学习器为引入注意力机制的次级学习器,在t时刻当将次级训练数据集中的n维输入变量输入至次级学习器后,先计算n维特征的权值,再将得到的权值进行归一化处理,得到不同特征的权值重要程度占比,最后将得出的权值和权值占比以加权的方式得到最终的特征向量,优化输出中央空调故障诊断模型。
本发明第二方面还提供了一种基于stacking融合算法的中央空调***故障诊断装置,所述中央空调***故障诊断装置包括:
数字孪生模型建立模块:采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
样本数据采集模块:通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集;
stacking模型搭建模块:将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
基学习器训练模块:采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
次级学习器训练模块:将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
故障诊断模型评价模块:通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断。
本发明的有益效果是:
(1)本发明通过采用机理建模和数据辨识方法建立中央空调***数字孪生模型,对实际中央空调***进行虚拟仿真映射,并输入实测数据进行辨识和修正,提高模型的精度,为后续建立中央空调故障诊断模型提供基础,实现基于数字孪生模型做故障诊断模型的预测,基于模型预测做故障诊断决策;
(2)本发明通过对采集的数据进行去噪处理、缺失值填充、重复无效值删除和归一化预处理;以中央空调设备状态特征参数为自变量,中央空调故障标签特征为因变量,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,并根据灰色关联度算法对提取的特征进行选择,建立中央空调状态特征参数和故障标签特征的映射关系,获得样本数据集,对输入的特征参数进行特征提取和关联度分析,筛选出重要的特征参数,减少无关因素的影响;
(3)本发明通过搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,通过stacking融合多种模型,相比单一模型而言,能够有效地减小预测误差,提高预测精度;
(4)本发明设置双层stacking模型中的基学习器为加权基学习器,通过引入基于G-mean值的权值公式,对每个基学习器赋予一个权值,并根据权值对输出结果进行校正,校正后的结果再融合为次级训练数据集输入次级学习器获得最终的中央空调故障诊断模型,能够根据基学习器的分类效果的好坏,给该基学习器设定一个权值,对其分类结果进行校正后再融合,经过校正的次级学习器对整个集成学习器模型做出最终决策具有积极的作用,优化了基学习器输出信息的分布特征;次级学习器为引入注意力机制的次级学习器,增强了次级学习器对基学习器特征的利用效果,提升了故障诊断模型的预测精度。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于stacking融合算法的中央空调***故障诊断方法流程图;
图2为本发明中央空调***结构示意图;
图3为本发明中央空调***热量交换示意图;
图4为本发明stacking算法结构图;
图5为本发明一种基于stacking融合算法的中央空调***故障诊断装置结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
实施例1
图1是本发明所涉及的一种基于stacking融合算法的中央空调***故障诊断方法流程图。
如图1所示,本实施例1提供了一种基于stacking融合算法的中央空调***故障诊断方法,所述中央空调***故障诊断方法包括:
步骤S1、采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
步骤S2、通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,对状态数据进行数据预处理,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,以及根据灰色关联度算法对提取的特征进行选择后获得样本数据集;
步骤S3、将样本数据集划分为训练数据集和测试数据集,同时搭建改进的双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
步骤S4、采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
步骤S5、将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
步骤S6、通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断。
图2是本发明所涉及的中央空调***结构示意图。
图3是本发明所涉及的中央空调***热量交换示意图。
如图2、3所示,本实施例中,所述步骤S1中,采用机理建模和数据辨识方法建立中央空调***数字孪生模型,具体包括:
构建中央空调***的物理模型、逻辑模型和仿真模型;其中,
所述物理模型的构建包括:至少建立冷水机组、冷冻水循环***和冷却水循环***实体的物理模型,所述冷水机组为末端提供某一温度的冷冻水,由压缩机、蒸发器、冷凝器和节流阀组成;所述冷冻水循环***是将冷冻水传输至空气处理机中的冷却盘管或末端风机盘管,对室内回风进行冷却,由冷冻水泵、冷冻水管和空气处理机组或风机盘管组成;所述冷却水循环***是将冷水机组制冷剂中吸收的热量通过冷却塔释放到空气中,由冷却水泵、冷却水管和冷却塔组成;
所述逻辑模型的构建包括:依据中央空调***各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型,将物理模型映射至逻辑模型;
所述仿真模型的构建包括:基于采集的中央空调***的运行数据、状态数据、物理属性数据搭建中央空调***仿真模型;
将所述物理模型、逻辑模型和仿真模型进行虚实融合,构建中央空调***物理实体在虚拟空间的***级数字孪生模型;
将中央空调***的多工况实时运行数据接入所述***级数字孪生模型,采用反向辨识方法对所述***级数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的中央空调***的数字孪生模型。
本实施例中,所述冷水机组模型建立包括:
忽略压缩机的吸排气压力损失以及忽略压缩机与环境换热,建立压缩机模型表示为:
其中,mr为制冷剂质量流量;Vth为压缩机理论输气量;v1为压缩机吸气比容;ξ为输气系数;Pths为压缩机等熵压缩过程的理论耗功;Pi为压缩机实际压缩过程的耗功,即为指示功率;Pel为压缩机实际压缩过程所需输入的电功率,即功率计所测得的功率;k为等熵压缩指数;Pe为蒸发压力,即压缩机吸气压力;Pk为冷凝压力,即压缩机排气压力;ηi为压缩机的指示效率;ηel为压缩机的电效率;h2为压缩机出口制冷剂焓值;h1为压缩机进口制冷剂焓值;
所述冷凝器模型建立包括:
忽略冷凝器与外界的换热、制冷剂与冷却水的流动视为一维均匀流动,获得冷凝器内换热过程表示为:
Qc=mw,ccp,w(two,c-twi,c)=mr(hri,c-hro,c);
Q1,c=K1,cF1,cΔt1,c;
Q2,c=K2,cF2,cΔt2,c;
Q3,c=K3,cF3,cΔt3,c;
其中,Qc为冷凝器总换热量;mw,c为冷却水流量;cp,w为水的定压比热;twi,c为冷却水进口温度;two,c为冷却水出口温度;tri,c为制冷剂进口温度;tro,c为制冷剂出口温度;mr为制冷剂流量;hri,c为冷凝器入口制冷剂焓值;hro,c为冷凝器出口焓值;Q1,c、Q2,c、Q3,c分别为冷凝器过热区、两相区和过冷区换热量;F1,c、F2,c、F3,c分别为冷凝器过热区、两相区和过冷区的换热面积;Δt1,c、Δt2,c、Δt3,c分别为冷凝器过热区、两相区和过冷区的换热温差;K1,c、K2,c、K3,c分别为冷凝器过热区、两相区和过冷区传热系数;
所述蒸发器模型建立包括:
忽略蒸发器与外界的换热、制冷剂与冷冻水的流动视为一维均匀流动,获得蒸发器内换热过程表示为:
Qe=mw,ecp,w(twi,e-two,e)=mr(1-x)(hro,e-hri,e);
Q1,e=K1,eF1,eΔt1,e;
Q2,e=K2,eF2,eΔt2,e;
其中,Qe为蒸发器换热量;mw,e为冷冻水流量;twi,e为蒸发器进口冷冻水温度;two,e为蒸发器出口冷冻水温度;tw1,e为两相区入口冷冻水温度;hri,e为蒸发器入口焓值;hro,e为蒸发器出口焓值;x为蒸发器入口制冷剂干度;Q1,e为蒸发器过热区换热量;Q2,e为蒸发器两相区换热量;Δt1,e为蒸发器过热区换热温差;Δt2,e为蒸发器两相区换热温差;tro,e为压缩机吸气温度,即蒸发器出口制冷剂温度;tr,e为蒸发温度;
所述节流阀模型建立包括:
热力膨胀阀由感温包中感温介质的压力Pb提供开阀力,由蒸汽压力Pc和弹簧力提供关阀力,弹簧力在阀处于关闭状态时最小,为ΔPmin;阀的位移y与Pb、Pc、ΔPmin之间的关系表示为:y=k(Pb-Pc-ΔPmin);k为弹簧弹性系数的倒数;
所述水泵模型建立包括:
水泵扬程、水泵效率与水泵流量及转速比的关系表示为:
其中,Hpu为水泵扬程;mw为水泵质量流量;ηpu为水泵效率;h01、h02、h03、h11、h12、h13为拟合系数。
本实施例中,所述步骤S2中,通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集,具体包括:
通过在压缩机进出口管壁上、蒸发器进出水口和冷凝器进出水口、冷凝器进出口制冷剂管壁上安装的热电偶采集正常运行和模拟故障时压缩机进出口温度、蒸发器进出水温度、蒸发器制冷剂进出口温度、冷凝器进出水温度和冷凝器制冷剂进出口温度;通过在压缩机进出口安装的压力传感器采集正常运行和模拟故障时压缩机进出口压力;通过在冷水泵和冷却水泵出口水平管上安装的流量传感器采集正常运行和模拟故障时冷水流量和冷却水流量;
对采集的数据进行去噪处理、缺失值填充、重复无效值删除和归一化预处理;
以中央空调设备状态特征参数为自变量,中央空调故障标签特征为因变量,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,并根据灰色关联度算法对提取的特征进行选择,建立中央空调状态特征参数和故障标签特征的映射关系,获得样本数据集;
其中,故障标签特征至少包括:冷却水流量增大或减小、冷冻水流量增大或减小、冷凝器进水温度过高、制冷剂中有不凝性气体、制冷剂泄漏;所述故障标签特征对应选取的特征变量至少包括冷凝器进水温度、冷凝器出水温度、蒸发器进水温度、蒸发器出水温度。
需要说明的是,冷却水流量增大或减小的故障模拟方法为:冷水机组在额定工况下稳定运行时,调节冷却水管上的闸阀及旁通管上的截止阀;冷水量增大或减小的故障模拟方法为:冷水机组在额定工况下稳定运行时,调节冷水管上的闸阀及旁通管上的截止阀;冷凝器进水温度过高的故障模拟方法为:关闭冷却塔风机或将其反转;制冷剂中有不凝性气体的故障模拟方法为:冷水机组在额定工况下稳定运行时,从机组的加氟口冲入氮气;制冷剂故障模拟方法为:蒸发器出口温度升高。
本实施例中,所述采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,包括:通过小波包分解算法对预处理后的数据变量进行分解,分解为多个小波值,并将分解后的小波值通过小波包重构算法进行重构小波特征,最后输出预处理后的数据的小波特征数据集;
所述根据灰色关联度算法对提取的特征进行选择,包括:根据灰色关联度算法计算出所述的提取的特征对应的关联度值,对各个提取的特征对应的关联度值进行大小排序,区分每个中央空调设备状态特征参数和故障标签特征之间的关联程度,取关联度较大的特征参数作为样本数据集进行故障诊断。
图4是本发明所涉及的改进的stacking算法结构图。
如图4所示,本实施例中,所述步骤S4中,采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集,具体包括:
确定基学习器的个数为m,将样本数据集D随机分为m个大小相等的数据集D1、D2、D3……Dj,定义Dj和D-j=D-Dj,j=1,2,3,……,m分别为k折交叉验证的第j折测试数据集和训练数据集,在训练数据集D-j上训练基学习器得到模型 m,对于测试数据集Dj中的每一个样本,模型会输出一个测试结果;当交叉验证过程结束,则获得基学习器对于整个训练数据集的输出结果;
将得到的基学习器的输出结果转化为概率型的结果,使m个基学习器的结果保持在[0,1]区间内,并将概率型的输出结果和训练集标签拼接起来构成新的训练集,作为次级训练数据集;
其中,m个基学习器在进行训练时,可选取的机器学习算法包括:SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机;依据不同算法的预测性能,固定m取值,选取多种不同算法组合生成基学习器的多种组合工况或对m进行不同取值,选取不同算法组合生成基学习器的多种组合工况。
本实施例中,所述步骤S5中,将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型,包括:将不同组合工况下各基学习器训练获得的次级训练数据集依次输入次级学习器中进行训练,获得多个中央空调故障诊断模型;所述次级学习器使用的机器学习算法为SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机中的一种。
在实际的应用中,通过观察基学习器的学习曲线,分析基学习器的学习效果,判断是否出现过度拟合或欠拟合的现象,调节基学习器的参数值,使得模型具有更好的预测效果。在第二层模型中调用选择的分类学习算法,对第一层模型的预测结果进行了融合学习,训练得到强分类器,对选择的分类算法参数设置值进行设置。
本实施例中,所述步骤S6中,通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断,包括:
计算模型的平均绝对误差值MAE和均方根差值RMSE、拟合度R2,作为中央空调故障诊断模型评价标准,模型性能越好,平均绝对误差值MAE和均方根差值RMSE越小,拟合度R2越大;
本实施例中,所述双层stacking模型中的基学习器为加权基学习器,通过引入基于G-mean值的权值公式,对每个基学习器赋予一个权值,并根据权值对输出结果进行校正,校正后的结果再融合为次级训练数据集输入次级学习器获得最终的中央空调故障诊断模型;
所述改进的stacking模型中的次级学习器为引入注意力机制的次级学习器,在t时刻当将次级训练数据集中的n维输入变量输入至次级学习器后,先计算n维特征的权值,再将得到的权值进行归一化处理,得到不同特征的权值重要程度占比,最后将得出的权值和权值占比以加权的方式得到最终的特征向量,优化输出中央空调故障诊断模型。
实施例2
图5是本发明所涉及的一种基于stacking融合算法的中央空调***故障诊断装置结构示意图。
如图5所示,本实施例中,本发明第二方面还提供了一种基于stacking融合算法的中央空调***故障诊断装置,所述中央空调***故障诊断装置包括:
数字孪生模型建立模块:采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
样本数据采集模块:通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集;
stacking模型搭建模块:将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
基学习器训练模块:采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
次级学习器训练模块:将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
故障诊断模型评价模块:通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断。
本发明通过采用机理建模和数据辨识方法建立中央空调***数字孪生模型,对实际中央空调***进行虚拟仿真映射,并输入实测数据进行辨识和修正,提高模型的精度,为后续建立中央空调故障诊断模型提供基础,实现基于数字孪生模型做故障诊断模型的预测,基于模型预测做故障诊断决策。
本发明通过对采集的数据进行去噪处理、缺失值填充、重复无效值删除和归一化预处理;以中央空调设备状态特征参数为自变量,中央空调故障标签特征为因变量,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,并根据灰色关联度算法对提取的特征进行选择,建立中央空调状态特征参数和故障标签特征的映射关系,获得样本数据集,对输入的特征参数进行特征提取和关联度分析,筛选出重要的特征参数,减少无关因素的影响。
本发明通过搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,通过stacking融合多种模型,相比单一模型而言,能够有效地减小预测误差,提高预测精度。
本发明设置双层stacking模型中的基学习器为加权基学习器,通过引入基于G-mean值的权值公式,对每个基学习器赋予一个权值,并根据权值对输出结果进行校正,校正后的结果再融合为次级训练数据集输入次级学习器获得最终的中央空调故障诊断模型,能够根据基学习器的分类效果的好坏,给该基学习器设定一个权值,对其分类结果进行校正后再融合,经过校正的次级学习器对整个集成学习器模型做出最终决策具有积极的作用,优化了基学习器输出信息的分布特征;次级学习器为引入注意力机制的次级学习器,增强了次级学习器对基学习器特征的利用效果,提升了故障诊断模型的预测精度。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,也可以通过其它的方式实现。以上所描述的***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述中央空调***故障诊断方法包括:
步骤S1、采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
步骤S2、通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,对状态数据并进行数据预处理,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,根据灰色关联度算法对提取的特征进行选择后获得样本数据集;
步骤S3、将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
步骤S4、采用k折交叉验证方法训练各个基学习器,获得各个基学习器的预测结果作为次级训练数据集;训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
步骤S5、将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
步骤S6、通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过所述最优中央空调故障诊断模型进行中央空调***的故障诊断。
2.根据权利要求1所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述步骤S1中,采用机理建模和数据辨识方法建立中央空调***数字孪生模型,包括:
构建中央空调***的物理模型、逻辑模型和仿真模型;其中,
所述物理模型的构建包括:至少建立冷水机组、冷冻水循环***和冷却水循环***;所述冷水机组包括压缩机、蒸发器、冷凝器和节流阀;所述冷冻水循环***包括冷冻水泵、冷冻水管和空气处理机组;所述冷却水循环***包括冷却水泵、冷却水管和冷却塔;
所述逻辑模型的构建包括:依据中央空调***各个物理实体之间的逻辑机理关系建立可控制的闭环逻辑模型,将物理模型映射至逻辑模型;
所述仿真模型的构建包括:基于采集的中央空调***的运行数据、状态数据、物理属性数据搭建中央空调***仿真模型;
将所述物理模型、逻辑模型和仿真模型进行虚实融合,构建中央空调***物理实体在虚拟空间的***级数字孪生模型;
将中央空调***的多工况实时运行数据接入所述***级数字孪生模型,采用反向辨识方法对所述***级数字孪生模型的仿真结果进行自适应辨识修正,获得辨识修正后的中央空调***的数字孪生模型。
3.根据权利要求2所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述冷水机组的模型建立包括:
忽略压缩机的吸排气压力损失以及忽略压缩机与环境换热,建立压缩机模型表示为:
其中,mr为制冷剂质量流量;Vth为压缩机理论输气量;v1为压缩机吸气比容;ξ为输气系数;Pths为压缩机等熵压缩过程的理论耗功;Pi为压缩机实际压缩过程的耗功,即为指示功率;Pel为压缩机实际压缩过程所需输入的电功率,即功率计所测得的功率;k为等熵压缩指数;Pe为蒸发压力,即压缩机吸气压力;Pk为冷凝压力,即压缩机排气压力;ηi为压缩机的指示效率;ηel为压缩机的电效率;h2为压缩机出口制冷剂焓值;h1为压缩机进口制冷剂焓值;
所述冷凝器的模型建立包括:
忽略冷凝器与外界的换热、制冷剂与冷却水的流动视为一维均匀流动,获得冷凝器内换热过程表示为:
Qc=mw,ccp,w(two,c-twi,c)=mr(hri,c-hro,c);
Q1,c=K1,cF1,cΔt1,c;
Q2,c=K2,cF2,cΔt2,c;
Q3,c=K3,cF3,cΔt3,c;
其中,Qc为冷凝器总换热量;mw,c为冷却水流量;cp,w为水的定压比热;twi,c为冷却水进口温度;two,c为冷却水出口温度;tri,c为制冷剂进口温度;tro,c为制冷剂出口温度;mr为制冷剂流量;hri,c为冷凝器入口制冷剂焓值;hro,c为冷凝器出口焓值;Q1,c、Q2,c、Q3,c分别为冷凝器过热区、两相区和过冷区换热量;F1,c、F2,c、F3,c分别为冷凝器过热区、两相区和过冷区的换热面积;Δt1,c、Δt2,c、Δt3,c分别为冷凝器过热区、两相区和过冷区的换热温差;K1,c、K2,c、K3,c分别为冷凝器过热区、两相区和过冷区传热系数;
所述蒸发器的模型建立包括:
忽略蒸发器与外界的换热、制冷剂与冷冻水的流动视为一维均匀流动,获得蒸发器内换热过程表示为:
Qe=mw,ecp,w(twi,e-two,e)=mr(1-x)(hro,e-hri,e);
Q1,e=K1,eF1,eΔt1,e;
Q2,e=K2,eF2,eΔt2,e;
其中,Qe为蒸发器换热量;mw,e为冷冻水流量;twi,e为蒸发器进口冷冻水温度;two,e为蒸发器出口冷冻水温度;tw1,e为两相区入口冷冻水温度;hri,e为蒸发器入口焓值;hro,e为蒸发器出口焓值;x为蒸发器入口制冷剂干度;Q1,e为蒸发器过热区换热量;Q2,e为蒸发器两相区换热量;Δt1,e为蒸发器过热区换热温差;Δt2,e为蒸发器两相区换热温差;tro,e为压缩机吸气温度,即蒸发器出口制冷剂温度;tr,e为蒸发温度;
所述节流阀的模型建立包括:
热力膨胀阀由感温包中感温介质的压力Pb提供开阀力,由蒸汽压力Pc和弹簧力提供关阀力,弹簧力在阀处于关闭状态时最小,为ΔPmin;阀的位移y与Pb、Pc、ΔPmin之间的关系表示为:y=k(Pb-Pc-ΔPmin);k为弹簧弹性系数的倒数;
所述水泵的模型建立包括:
水泵扬程、水泵效率与水泵流量及转速比的关系表示为:
其中,Hpu为水泵扬程;mw为水泵质量流量;ηpu为水泵效率;h01、h02、h03、h11、h12、h13为拟合系数。
4.根据权利要求1所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述步骤S2中,通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集,包括:
通过在压缩机进出口管壁上、蒸发器进出水口、冷凝器进出水口和冷凝器进出口制冷剂管壁上安装的热电偶采集正常运行和模拟故障时压缩机进出口温度、蒸发器进出水温度、蒸发器制冷剂进出口温度、冷凝器进出水温度和冷凝器制冷剂进出口温度;通过在压缩机进出口安装的压力传感器采集正常运行和模拟故障时压缩机进出口压力;通过在冷水泵和冷却水泵出口水平管上安装的流量传感器采集正常运行和模拟故障时冷水流量和冷却水流量;
对采集的数据进行去噪处理、缺失值填充、重复无效值删除和归一化预处理;
以中央空调设备状态特征参数为自变量,中央空调故障标签特征为因变量,采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,并根据灰色关联度算法对提取的特征进行选择,建立中央空调状态特征参数和故障标签特征的映射关系,获得样本数据集;其中,
所述故障标签特征至少包括:冷却水流量增大或减小、冷冻水流量增大或减小、冷凝器进水温度过高、制冷剂中有不凝性气体、制冷剂泄漏;所述故障标签特征对应选取的特征变量至少包括冷凝器进水温度、冷凝器出水温度、蒸发器进水温度和蒸发器出水温度。
5.根据权利要求4所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述采用小波包分解算法和小波包重构算法对预处理后的数据变量进行特征提取,包括:通过小波包分解算法对预处理后的数据变量进行分解,分解为多个小波值,并将分解后的小波值通过小波包重构算法进行重构小波特征,最后输出预处理后的数据的小波特征数据集;
所述根据灰色关联度算法对提取的特征进行选择,包括:根据灰色关联度算法计算出所述的提取的特征对应的关联度值,对各个提取的特征对应的关联度值进行大小排序,区分每个中央空调设备状态特征参数和故障标签特征之间的关联程度,取关联度较大的特征参数作为样本数据集进行故障诊断。
6.根据权利要求1所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述步骤S4中,采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集,包括:
确定基学习器的个数为m,将样本数据集D随机分为m个大小相等的数据集D1、D2、D3……Dj,定义Dj和D-j=D-Dj,j=1,2,3,……,m分别为k折交叉验证的第j折测试数据集和训练数据集,在训练数据集D-j上训练基学习器得到模型k=1,2,3,……,m,对于测试数据集Dj中的每一个样本,模型会输出一个测试结果;当交叉验证过程结束,则获得基学习器对于整个训练数据集的输出结果;
将得到的基学习器的输出结果转化为概率型的结果,使m个基学习器的结果保持在[0,1]区间内,并将概率型的输出结果和训练集标签拼接起来构成新的训练集,作为次级训练数据集;
其中,m个基学习器在进行训练时,可选取的机器学习算法包括:SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机;依据不同算法的预测性能,固定m取值,选取多种不同算法组合生成基学习器的多种组合工况或对m进行不同取值,选取不同算法组合生成基学习器的多种组合工况。
7.根据权利要求1所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述步骤S5中,将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型,包括:将不同组合工况下各基学习器训练获得的次级训练数据集依次输入次级学习器中进行训练,获得多个中央空调故障诊断模型;所述次级学习器使用的机器学习算法为SVM、BP神经网络、随机森林、GBDT模型、XGBoost模型、Light GBM模型、线性回归模型、支持向量机、加权极限学习机中的一种。
9.根据权利要求1所述的一种基于stacking融合算法的中央空调***故障诊断方法,其特征在于,所述双层stacking模型中的基学习器为加权基学习器,通过引入基于G-mean值的权值公式,对每个基学习器赋予一个权值,并根据权值对输出结果进行校正,校正后的结果再融合为次级训练数据集;
所述stacking模型中的次级学习器为引入注意力机制的次级学习器,在t时刻当将次级训练数据集中的n维输入变量输入至次级学习器后,先计算n维特征的权值,再将得到的权值进行归一化处理,得到不同特征的权值重要程度占比,最后将得出的权值和权值占比以加权的方式得到最终的特征向量,优化输出中央空调故障诊断模型。
10.一种基于stacking融合算法的中央空调***故障诊断装置,其特征在于,所述中央空调***故障诊断装置包括:
数字孪生模型建立模块,采用机理建模和数据辨识方法建立中央空调***数字孪生模型;
样本数据采集模块,通过多个传感器采集中央空调***正常运行和不同故障时的状态数据,并进行数据预处理和特征提取后获得样本数据集;
stacking模型搭建模块,将样本数据集划分为训练数据集和测试数据集,同时搭建双层stacking模型,确定基学习器的个数为m,次级学习器的个数为1;
基学习器训练模块,采用k折交叉验证方法训练各基学习器,获得各个基学习器的预测结果作为次级训练数据集;所述训练各基学习器时,选取多组不同的机器学习算法进行组合,生成多组组合模式下的次级训练数据集;
次级学习器训练模块,将多组次级训练数据集输入次级学习器进行训练获得多个中央空调故障诊断模型;
故障诊断模型评价模块,通过测试数据集对多个中央空调故障诊断模型的预测性能进行评价,选取预测性能最佳的模型作为最优中央空调故障诊断模型,并通过该模型进行中央空调***的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614025.7A CN114484731B (zh) | 2021-12-27 | 2021-12-27 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614025.7A CN114484731B (zh) | 2021-12-27 | 2021-12-27 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114484731A CN114484731A (zh) | 2022-05-13 |
CN114484731B true CN114484731B (zh) | 2023-05-16 |
Family
ID=81495832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111614025.7A Active CN114484731B (zh) | 2021-12-27 | 2021-12-27 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114484731B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115127192B (zh) * | 2022-05-20 | 2024-01-23 | 中南大学 | 基于图神经网络的半监督的冷水机组故障诊断方法及*** |
CN114754973A (zh) * | 2022-05-23 | 2022-07-15 | 中国航空工业集团公司哈尔滨空气动力研究所 | 基于机器学习的风洞测力试验数据智能诊断与分析方法 |
CN115512717A (zh) * | 2022-11-21 | 2022-12-23 | 东北石油大学三亚海洋油气研究院 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
CN115773562A (zh) * | 2022-11-24 | 2023-03-10 | 杭州经纬信息技术股份有限公司 | 基于联邦学习的统一化暖通空调***故障检测方法 |
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*** |
CN116681291B (zh) * | 2023-08-02 | 2023-11-07 | 杭州小策科技有限公司 | 一种基于集成模型的风控预测方法及*** |
CN116975502B (zh) * | 2023-09-21 | 2023-12-19 | 天津津轨汇海科技发展有限公司 | 一种用于地铁列车空调***机电设备的能效监控管理*** |
CN117232097B (zh) * | 2023-11-09 | 2024-02-20 | 上海轻环能源科技有限公司 | 基于自学习融合模型中央空调制冷站优化控制方法及*** |
CN117704880B (zh) * | 2023-12-13 | 2024-05-07 | 中建-大成建筑有限责任公司 | 一种蒸发器的节能温度监测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000346496A (ja) * | 1999-06-09 | 2000-12-15 | Hitachi Ltd | 鉄道車両用空調装置 |
CN102538143A (zh) * | 2012-02-06 | 2012-07-04 | 广东美的电器股份有限公司 | 语音智能搜索引擎空调***及其控制方法 |
CN102563814A (zh) * | 2012-02-08 | 2012-07-11 | 广东志高空调有限公司 | 基于云计算技术的云空调*** |
JP2015182821A (ja) * | 2014-03-20 | 2015-10-22 | 三菱重工業株式会社 | 物品温度の指標を定める方法、温度センサ、空気調和機、配送車両、および倉庫 |
CN204880544U (zh) * | 2014-08-01 | 2015-12-16 | 三菱电机株式会社 | 空调机的远程操作装置 |
CN106547858A (zh) * | 2016-10-21 | 2017-03-29 | 珠海格力电器股份有限公司 | 一种空调机组大数据分析方法及空调机组 |
CN207570077U (zh) * | 2017-12-05 | 2018-07-03 | 南京贝龙通信科技有限公司 | 基于gsm/gprs通信的远程电梯空调控制*** |
CN109766952A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 |
AU2020101535A4 (en) * | 2020-07-28 | 2020-09-03 | Guangdong Ocean University | Fault Diagnosis Method for Ship Power System Based on Integrated Learning |
CN112257779A (zh) * | 2020-10-22 | 2021-01-22 | 重庆中源绿蓝环境科技有限公司 | 一种中央空调自学习工况参数获取方法 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11054342B2 (en) * | 2017-02-20 | 2021-07-06 | Lifewhere, Llc | System for abnormal condition detection using nearest neighbor |
-
2021
- 2021-12-27 CN CN202111614025.7A patent/CN114484731B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000346496A (ja) * | 1999-06-09 | 2000-12-15 | Hitachi Ltd | 鉄道車両用空調装置 |
CN102538143A (zh) * | 2012-02-06 | 2012-07-04 | 广东美的电器股份有限公司 | 语音智能搜索引擎空调***及其控制方法 |
CN102563814A (zh) * | 2012-02-08 | 2012-07-11 | 广东志高空调有限公司 | 基于云计算技术的云空调*** |
JP2015182821A (ja) * | 2014-03-20 | 2015-10-22 | 三菱重工業株式会社 | 物品温度の指標を定める方法、温度センサ、空気調和機、配送車両、および倉庫 |
CN204880544U (zh) * | 2014-08-01 | 2015-12-16 | 三菱电机株式会社 | 空调机的远程操作装置 |
CN106547858A (zh) * | 2016-10-21 | 2017-03-29 | 珠海格力电器股份有限公司 | 一种空调机组大数据分析方法及空调机组 |
CN207570077U (zh) * | 2017-12-05 | 2018-07-03 | 南京贝龙通信科技有限公司 | 基于gsm/gprs通信的远程电梯空调控制*** |
CN109766952A (zh) * | 2019-01-21 | 2019-05-17 | 福州大学 | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 |
AU2020101535A4 (en) * | 2020-07-28 | 2020-09-03 | Guangdong Ocean University | Fault Diagnosis Method for Ship Power System Based on Integrated Learning |
CN112257779A (zh) * | 2020-10-22 | 2021-01-22 | 重庆中源绿蓝环境科技有限公司 | 一种中央空调自学习工况参数获取方法 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
暖通空调***故障诊断技术的应用分析;王党琴;大众标准化;第120-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114484731A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Eom et al. | Refrigerant charge fault detection method of air source heat pump system using convolutional neural network for energy saving | |
CN114370696B (zh) | 基于d-s证据理论的中央空调冷却塔出水温度控制方法 | |
Zhou et al. | A comparison study of basic data-driven fault diagnosis methods for variable refrigerant flow system | |
CN110555479A (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、***及介质 | |
CN102135021B (zh) | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 | |
CN112766327B (zh) | 空调故障预测方法、电子设备和储存介质 | |
Li et al. | Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations | |
CN115115143B (zh) | 基于ai算法的冷却塔最优开启台数和最小运行能耗的计算方法 | |
Zhang et al. | Imbalanced data based fault diagnosis of the chiller via integrating a new resampling technique with an improved ensemble extreme learning machine | |
Zhang et al. | Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis | |
CN109902741A (zh) | 一种制冷***故障诊断方法 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制*** | |
CN111999088A (zh) | 一种船舶制冷***故障诊断方法、装置及存储介质 | |
Li et al. | Machine learning based diagnosis strategy for refrigerant charge amount malfunction of variable refrigerant flow system | |
Ding et al. | New fault diagnostic strategies for refrigerant charge fault in a VRF system using hybrid machine learning method | |
CN113822359B (zh) | 基于残差数据缩放策略的热泵***自适应故障诊断方法 | |
CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、***及存储介质 | |
Li et al. | Simulated annealing wrapped generic ensemble fault diagnostic strategy for VRF system | |
CN110702438B (zh) | 一种离心式冷水机组与新风***联合故障诊断方法 | |
Sathesh et al. | Optimized deep learning-based prediction model for chiller performance prediction | |
CN111473480A (zh) | 一种基于决策树分类的中央空调节能控制方法 | |
CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
Du et al. | IoT intelligent agent based cloud management system by integrating machine learning algorithm for HVAC systems |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Fault Diagnosis Method and Device for Central Air Conditioning Based on Stacking Fusion Algorithm Effective date of registration: 20230926 Granted publication date: 20230516 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: Zhejiang Yingji Power Technology Co.,Ltd. Registration number: Y2023980058937 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |