CN115307670B - 用于定位中央空调***异常传感器的方法、设备和介质 - Google Patents
用于定位中央空调***异常传感器的方法、设备和介质 Download PDFInfo
- Publication number
- CN115307670B CN115307670B CN202211246341.8A CN202211246341A CN115307670B CN 115307670 B CN115307670 B CN 115307670B CN 202211246341 A CN202211246341 A CN 202211246341A CN 115307670 B CN115307670 B CN 115307670B
- Authority
- CN
- China
- Prior art keywords
- detection model
- air
- sensor
- sensors
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004378 air conditioning Methods 0.000 title claims description 10
- 238000001514 detection method Methods 0.000 claims abstract description 107
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 230000002547 anomalous effect Effects 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 description 40
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000008400 supply water Substances 0.000 description 3
- 239000000835 fiber Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例涉及用于定位被测***中异常传感器的方法,包括:获取第一检测模型和第二检测模型以及对应的统计量阈值;从被测***的多个传感器获取多组待检测数据,利用第一检测模型和第二检测模型解析待检测数据,从而确定待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值;基于统计量阈值和统计量值,确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率和第二故障概率;基于第二故障概率和对应于第二检测模型的残差值,确定多个传感器中部分传感器的第三故障概率;基于被测***运行的约束条件,确定多个传感器中部分传感器的第四故障概率,从而定位被测***的异常传感器。
Description
技术领域
本公开的实施例总体涉及故障诊断领域,并且更具体地涉及一种用于定位异常传感器的方法、设备和介质。
背景技术
随着智能化的发展,传感器扮演着愈来愈重要的角色。在各种***(例如,空调***)中,传感器(例如,空调***中的末端风柜的传感器)的测量信号是对该***进行控制和监测的基础。因此,如果传感器所提供的数据不可靠或不准确,可能会造成控制策略的决策偏差,进而导致整个***的能耗增加或者环境的舒适性下降。在通常情况下,传感器在经过长期使用之后都会出现测量偏差的问题,因此及时发现传感器的这种异常或故障非常重要。
当前的传感器故障检测研究的方法多数是基于数据驱动的方法,其中基于主元分析(principal component analysis, PCA)的传感器诊断方法被广泛研究。主元分析方法主要是利用变量间的高度相关性,将待检测数据分别向主元子空间及残差子空间投影,故障发生时,残差子空间内的投影显著增加,通过构造统计量及其阈值分析该投影,检测故障是否发生。
该种方法对传感器中异常数据敏感性较强,检测效率较高,但实际应用到中央空调领域时存在一定的局限性。首先,作为关键输入参数的冷冻水流量以及循环风量是难以获取的;其次,在检测出传感器异常后,定位具体是哪个传感器发生异常时存在一定的误判率,尤其是多个传感器故障并发的情况。这是由于主元分析方法是一种黑箱模型,并未涉及***参数间的物理关系。因此,现有技术中用于定位异常传感器的问题在于,当***存在多个传感器时无法准确定位***中的异常传感器。
发明内容
针对上述问题,本公开提供了一种用于定位异常传感器的方法和设备,使得能够基于专家规则的解耦方法提高主元分析传感器故障诊断的能力。方法基于主元分析方法并结合专业规则,在数据清洗、模型训练及故障诊断时均通过分析变量间的物理关系加入规则模型进行优化,从而有效提高训练数据的质量、检测模型的准确性以及异常传感器的诊断效率。方法适用于多种空调末端风柜***,可在线完成传感器的故障检测。根据本公开的第一方面,提供了一种用于定位被测***中异常传感器的方法,包括:获取第一检测模型和第二检测模型以及对应的统计量阈值;从被测***的多个传感器获取多组待检测数据,利用第一检测模型和第二检测模型解析所述待检测数据,从而确定所述待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值;基于所述统计量阈值和统计量值,确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率和第二故障概率;基于第二故障概率和对应于第二检测模型的残差值,确定多个传感器中部分传感器的第三故障概率;以及基于被测***运行的约束条件,确定多个传感器中部分传感器的第四故障概率,从而基于第一故障概率、第二故障概率、第三故障概率以及第四故障概率定位被测***的异常传感器。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于定位异常传感器的方法的示例***100的示意图。
图2示出了根据本公开的实施例的示例性传感器布置200的示意图。
图3示出了根据本公开的实施例的用于定位被测***中异常传感器的方法300的流程图。
图4示出了根据本公开的实施例的构建用于定位被测***中异常传感器的检测模型的方法400的流程图。
图5示出了根据本发明的实施例的第二检测模型与进出风温度差残差值和表冷器换热端差残差值之间的关系。
图6示出了根据本公开的实施例的电子设备600的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,当前的传感器故障检测研究的方法多数是基于数据驱动的方法,其中基于主元分析(principal component analysis, PCA)的传感器诊断方法被广泛研究。主元分析方法主要是利用变量间的高度相关性,将待检测数据分别向主元子空间及残差子空间投影,故障发生时,残差子空间内的投影显著增加,通过构造统计量及其阈值分析该投影,检测故障是否发生。该种方法对传感器中异常数据敏感性较强,检测效率较高,但实际应用到中央空调领域时存在一定的局限性。首先,作为关键输入参数的冷冻水流量以及循环风量是难以获取的;其次,在检测出传感器异常后,定位具体是哪个传感器发生异常时存在一定的误判率,尤其是多个传感器故障并发的情况。这是由于主元分析方法是一种黑箱模型,并未涉及***参数间的物理关系。因此,现有技术中用于定位异常传感器的问题在于,当***存在多个传感器或传感器组时无法准确定位***中的异常传感器。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于定位被测***中异常传感器的方法,包括:获取第一检测模型和第二检测模型以及对应的统计量阈值;从被测***的多个传感器获取多组待检测数据,利用第一检测模型和第二检测模型解析所述待检测数据,从而确定所述待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值;基于所述统计量阈值和统计量值,确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率和第二故障概率;基于第二故障概率和对应于第二检测模型的残差值,确定多个传感器中部分传感器的第三故障概率;以及基于被测***运行的约束条件,确定多个传感器中部分传感器的第四故障概率,从而基于第一故障概率、第二故障概率、第三故障概率以及第四故障概率定位被测***的异常传感器。
以此方式,使得能够利用被测设备自身的实时运行参数来完成对被测设备所包括的传感器的在线诊断,从而在包括多个传感器的被测***中准确检测发生故障的传感器,进而保证了传感器所测量的数据的准确性和可靠性,由此为被测设备的安全运行及节能控制策略提供了有效的数据支撑。而且,该方法可以在具有相应传感器的多种被测设备中使用,因此迁移性和普适性较高。
图1示出了用于实现根据本发明的实施例的用于定位异常传感器的方法的示例***100的示意图。如图1中所示,***100包括一个或多个故障诊断设备110以及被测***120。故障诊断设备110和被测***120可以例如通过网络130经由主机通讯协议进行数据交互。在本公开中,被测***120可以是诸如中央空调***中的末端风柜之类的包括多个传感器1201的***。故障诊断设备110可用于对被测***120进行故障诊断,包括对被测***120所包括的多个传感器1201进行故障诊断,以检测这些传感器中的存在故障(或异常)的传感器。故障诊断设备110可通过诸如台式机、膝上型计算机、笔记本电脑、工业控制计算机之类的计算设备或云平台来实现,其可以包括至少一个处理器1101以及与该至少一个处理器1101耦合的至少一个存储器1102,该存储器1102中存储有可由该至少一个处理器1102执行的指令,该指令在被该至少一个处理器1101执行时执行如下所述的方法300和方法400。故障诊断设备110的具体结构可例如为下面结合图6所描述的电子设备600。被测***120可例如为中央空调***中的末端风柜。
图2示出了根据本公开的实施例的示例性传感器布置200的示意图。如图2所示,传感器布置200可包括表冷器201、新风传感器SOA、混风传感器SMA、回风传感器SRA、送风传感器SSA、冷冻水供水传感器SWATER、新风阀开度传感器VOA。注意的是,传感器布置200还可包括其他温度传感器、湿度传感器、开度传感器或功率计等传感器。这些用于空气中的传感器均可用于同时测量温度以及湿度。例如,新风传感器SOA可以用于测量新风温度TOA和新风湿度ROA、混风传感器SMA可以用于测量混风温度TMA和混风湿度RMA、回风传感器SRA可以用于测量回风温度TRA和回风湿度RRA、送风传感器SSA可以用于测量送风温度TSA和送风湿度RSA、冷冻水供水传感器SWATER可以用于冷冻水供水温度TWATER。针对新风阀开度VOA、水阀开度VWATER、旁通阀开度VBYPASS等参数,可以由被测***120直接输出,或基于被测***120的输出模拟计算得出,在此不再赘述。本公开的方案可用于检测这些传感器中出现异常(或故障)的传感器。本发明所涉及的被测***例如可以是中央空调***。
图3示出了根据本公开的实施例的用于定位被测***中异常传感器的方法300的流程图。方法300可由如图1所示的故障诊断设备110执行,该故障诊断设备110的具体结构可如图6所示的电子设备600所示。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,故障诊断设备110可以获取第一检测模型和第二检测模型以及对应的统计量阈值。
在一个实施例中,第一检测模型可以是能量守恒模型并且第二检测模型可以是热交换模型以及对应的第一检测模型的统计量阈值Q10和对应的第二检测模型的统计量阈值Q20。
具体来说,能量守恒模型(即第一检测模型)和热交换模型(即第二检测模型)经由方法400的各步骤构建。
图4示出了根据本公开的实施例的构建用于定位被测***中异常传感器的检测模型的方法400的流程图。方法400可由如图1所示的故障诊断设备110执行,该故障诊断设备110的具体结构可如图6所示的电子设备600所示。应当理解的是,方法400还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤402,故障诊断设备110可以从被测***的多个传感器获取多组第一运行参数。多个传感器可以包括新风传感器、回风传感器、混风传感器、送风传感器、冷冻水供水温度传感器等。多个传感器测量的第一运行参数包括被测***的新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、新风阀开度、风机功率、送风温度、送风湿度、冷冻水供水温度、水泵功率、水阀开度、旁通阀开度。
获取多组第一运行参数可以是在采集时间周期内基于时间间隔实时采集的多组参数。例如,在24小时的采集时间周期每10分钟的时间间隔采集一组参数(新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、新风阀开度、风机功率、送风温度、送风湿度、冷冻水供水温度、水泵功率、水阀开度、旁通阀开度)。以此方式,故障诊断设备110可以采集144组第一运行参数。注意的是,采集时间周期和时间间隔可以根据被测***的需求动态调整。
在步骤404,故障诊断设备110可以基于被测***运行的约束条件,对所获取的多组第一运行参数执行筛选,从而获取经筛选的第一运行参数。约束条件可包括以下条件:被测***的混风温度处于被测***的新风温度与回风温度之间;被测***的混风湿度处于被测***的新风湿度和回风湿度之间;被测***的送风温度低于被测***的混风温度且高于被测***的冷冻水供水温度;以及被测***的送风湿度低于被测***的混风湿度。所筛选的第一运行参数可以是被测***的稳定运行数据。第一运行参数可以包括风机功率、新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、送风温度、送风湿度、冷冻水泵功率、冷冻水供水温度、诸如新风阀开度、水阀开度、旁通阀开度的电信号等。
因此,第二运行参数可包括基于混风温度和送风温度确定的进出风温度差以及基于送风温度和冷冻水供水温度确定的表冷器换热端差。
在步骤408,故障诊断设备110可以由经筛选的第一运行参数建立第一数据矩阵,并且由经筛选的第一运行参数和第二运行参数建立第二数据矩阵。
第一数据矩阵可以由经筛选的第一运行参数来建立,经筛选的第一运行参数具体包括新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、新风阀开度、风机功率开三次方。
第二数据矩阵可以由经筛选的第一运行参数和第二运行参数来建立,运行参数具体包括混风温度、混风湿度、送风温度、送风湿度、冷冻水供水温度、风机功率开三次方、水泵功率开三次方、进出风温度差、表冷器换热端差、水阀开度、旁通阀开度。
在步骤410,故障诊断设备110可以确定与第一数据矩阵和第二数据矩阵对应的主元向量、残差向量以及统计量阈值,从而获取第一检测模型和第二检测模型。
故障诊断设备110可以建立针对第一检测模型的第一数据矩阵以及针对第二检测模型的第二数据矩阵并对第一数据矩阵和第二数据矩阵的运行参数进行标准化处理后,计算第一数据矩阵和第二数据矩阵的特征值和特征向量。
故障诊断设备110可以采用主元贡献率百分比法(例如,确定主元贡献率为85%)确定第一数据矩阵和第二数据矩阵的主元个数。根据所确定主元个数确定第一数据矩阵和第二数据矩阵的主元向量和残差向量以及代表正常数据的统计量阈值Q0等关键检测参数,从而获取能量守恒模型(即第一检测模型)和热交换模型(即第二检测模型)。
在步骤304,故障诊断设备110可以从被测***的多个传感器获取多组待检测数据,利用第一检测模型和第二检测模型解析所述待检测数据,从而确定所述待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值。
在一个实施例中,故障诊断设备110可以从被测***的新风传感器SOA、混风传感器SMA、回风传感器SRA、送风传感器SSA、冷冻水供水传感器SWATER等传感器获取多组待检测数据,并且利用在方法400中确定的第一检测模型和第二检测模型解析所述待检测数据。具体来说,故障诊断设备110可以获取与第一检测模型和第二检测模型对应的第一矩阵和第二矩阵。基于第一矩阵和第二矩阵,故障诊断设备110可以分别将对应于第一检测模型的待检测数据的数据矩阵和对应于第二检测模型的待检测数据的数据矩阵在第一检测模型的主元向量和残差向量和第二检测模型的主元向量和残差向量上进行分解。通过计算任意一组待检测数据的统计量Q,确定所述待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值。故障诊断设备110还可以计算在第一检测模型和第二检测模型中所涉及的每一个传感器的对统计量Q的贡献率以及每一个传感器参数的残差值。
在步骤306,故障诊断设备110可以基于所述统计量阈值和统计量值,确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率和第二故障概率。
在一个实施例中,故障诊断设备110可以为被测***中每一个传感器(可以测量温度和湿度)定义一个参数,总故障概率F,其初始值为零。故障诊断设备110可以将在步骤304中获取的待检测数据的每一组运行参数的统计量Q与相应检测模型的阈值Q0进行比较,从而确定运行参数对应的传感器是否存在异常。需要说明的是,检测模型超过阈值或残差超出阈值指的是,模型数据矩阵中满足该条件的运行参数数据的组数占比超过预设百分比(例如百分之五十)。
因此,针对多个传感器中的每个传感器,如果其在第一检测模型和第二检测模型均未超出阈值,则传感器无异常。如果第一检测模型超出阈值,则将第一检测模型中传感器的统计量Q的贡献率赋值给对应的传感器的第一故障概率F1。如果第二检测模型超出阈值,则将第二检测模型中传感器的统计量Q的贡献率赋值给对应的传感器的第二故障概率F2。针对多个传感器中的每个传感器重复以上运算,从而确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率F1和第二故障概率F2。
在步骤308,故障诊断设备110可以基于第二故障概率和对应于第二检测模型的残差值,确定多个传感器中部分传感器的第三故障概率。
在一个实施例中,如果第二检测模型超出阈值,则故障诊断设备110可以将第二检测模型中传感器的统计量Q的贡献率赋值给对应的传感器的第二故障概率F2并且同时根据图5中所示的运行参数的残差关系进行再次赋值。
图5示出了根据本发明的实施例的第二检测模型与进出风温度差残差值和表冷器换热端差残差值之间的关系。如图5所示,当进出风温度差和表冷器换热端差的残差值绝对值均超过阈值,则确定多个传感器中送风传感器的第三故障概率F3增加预设概率。预设概率可以例如设置为30%。
如果进出风温度差残差绝对值超过第一阈值且表冷器换热端差的残差绝对值未超过阈值,则确定多个传感器中混风传感器的第三故障概率F3增加预设概率。预设概率可以例如设置为30%。
如果表冷器换热端差绝对值超过第一阈值且进出风温度差残差的残差绝对值未超过阈值,则确定多个传感器中冷冻水供水温度传感器的第三故障概率F3增加预设概率。预设概率可以例如设置为30%。
同时多个传感器中不满足以上情况的其他传感器第三故障概率可以不设置或设置为0。需要说明的是,图5中满足条件的运行参数数据占比需要超过预设百分比才符合第三故障概率的计算条件。
在步骤310,故障诊断设备110可以基于被测***运行的约束条件,确定多个传感器中部分传感器的第四故障概率,从而基于第一故障概率、第二故障概率、第三故障概率以及第四故障概率定位被测***的异常传感器。
在一个实施例中,故障诊断设备110可以基于被测***运行的约束条件,即被测***的混风温度与被测***的新风温度与回风温度的关系;被测***的混风湿度与被测***的新风湿度和回风湿度的关系;被测***的送风温度与被测***的混风温度和被测***的冷冻水供水温度的关系;以及被测***的送风湿度与被测***的混风湿度的关系确定多个传感器中部分传感器的第四故障概率。
如果混风温度不在新风温度和回风温度之间,则被测***的新风传感器、回风传感器和混风传感器确定有第四故障概率F4。第四故障概率F4增加预设概率例如30%。
如果混风湿度不在新风湿度和回风湿度之间,则新风传感器、回风传感器和混风传感器确定有第四故障概率F4。第四故障概率F4增加预设概率例如30%。
如果送风温度小于等于供水温度或者大于混风温度,则送风传感器、混风传感器和冷冻水供水温度传感器确定有第四故障概率F4。第四故障概率F4增加预设概率例如30%。
如果送风湿度大于混风湿度,则送风传感器和混风传感器确定有第四故障概率F4。第四故障概率F4增加预设概率例如30%。
注意的是,以上的预设概率均可以根据被测***的特性动态调整。
最后,故障诊断设备110可以根据被测***特性,确定与第一故障概率、第二故障概率、第三故障概率以及第四故障概率对应的第一权重、第二权重、第三权重和第四权重;基于第一权重、第二权重、第三权重和第四权重,将第一故障概率、第二故障概率、第三故障概率以及第四故障概率进行加权相加,从而确定总故障概率;将多个传感器中总故障概率大于第一故障阈值的传感器定位为异常传感器;将多个传感器中总故障概率小于第二故障阈值的传感器定位为正常传感器;以及将多个传感器中总故障概率小于第一故障阈值且大于第二故障阈值的传感器定位为可能存在异常征兆的关注传感器。
例如,如果多个传感器中一传感器的总故障概率大于第一阈值(例如80%),则该传感器存在异常;如果故障概率小于第二阈值(例如30%),则该传感器无异常;如果故障概率大于等于第二阈值且小于等于第一阈值,则该传感器存在异常征兆,后续需关注。
通过采用上述手段,本公开能够使得能够利用被测设备自身的实时运行参数来完成对其所包括的传感器的在线诊断,从而及时发现发生故障的传感器。本发明无需增加额外的水流量或风速等传感器,通过读取末端组合式空调箱的运行参数,基于主元分析结合专业机理模型,可完成故障传感器的在线检测,及时发现异常传感器,保障数据的准确性和可靠性,为机组的安全运行和节能控制策略提供有效的数据支撑。
图6示出了可以用来实施本公开内容的实施例的示例电子设备600的示意性框图。例如,如图1所示的故障诊断设备110可以由电子设备600来实施。如图所示,电子设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机存取存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器603中,还可存储电子设备600操作所需的各种程序和数据。中央处理单元601、只读存储器602以及随机存取存储器603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至输入/输出接口605,包括:输入单元606,例如键盘、鼠标、麦克风等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法300和方法400,可由中央处理单元601执行。例如,在一些实施例中,方法300和400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到随机存取存储器603并由中央处理单元601执行时,可以执行上文描述的方法300和400的一个或多个动作。
本公开涉及方法、装置、***、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种用于定位被测***中异常传感器的方法,所述被测***为中央空调***,包括:
获取第一检测模型和第二检测模型以及对应的统计量阈值,其中第一检测模型为能量守恒模型,并且第二检测模型为热交换模型;
从被测***的多个传感器获取多组待检测数据,利用第一检测模型和第二检测模型解析所述待检测数据,从而确定所述待检测数据对应于第一检测模型和第二检测模型的统计量值以及对应于第二模型的残差值;
基于所述统计量阈值和统计量值,确定多个传感器中每个传感器与第一检测模型和第二检测模型相对应的第一故障概率和第二故障概率,其中如果第一检测模型的统计量值超出阈值,则将第一检测模型中传感器的统计量的贡献率赋值给对应的传感器的第一故障概率,如果第二检测模型的统计量值超出阈值,则将第二检测模型中传感器的统计量的贡献率赋值给对应的传感器的第二故障概率;
基于第二故障概率和对应于第二检测模型的残差值,确定多个传感器中部分传感器的第三故障概率,其中如果表冷器换热端差的残差绝对值超过第一阈值且进出风温度差的残差绝对值未超过阈值,则确定第三故障概率增加预设概率;以及
基于被测***运行的约束条件,其中约束条件包括被测***的混风温度处于被测***的新风温度与回风温度之间;被测***的混风湿度处于被测***的新风湿度和回风湿度之间;被测***的送风温度低于被测***的混风温度且高于被测***的冷冻水供水温度;被测***的送风湿度低于被测***的混风湿度,确定多个传感器中部分传感器的第四故障概率,从而基于第一故障概率、第二故障概率、第三故障概率以及第四故障概率定位被测***的异常传感器,其中根据被测***特性,确定与第一故障概率、第二故障概率、第三故障概率以及第四故障概率对应的第一权重、第二权重、第三权重和第四权重;基于第一权重、第二权重、第三权重和第四权重,将第一故障概率、第二故障概率、第三故障概率以及第四故障概率进行加权相加,从而确定总故障概率;将多个传感器中总故障概率大于第一故障阈值的传感器定位为异常传感器;将多个传感器中总故障概率小于第二故障阈值的传感器定位为正常传感器;将多个传感器中总故障概率小于等于第一故障阈值且大于等于第二故障阈值的传感器定位为可能存在异常征兆的关注传感器。
2.根据权利要求1所述的方法,其中被测***为中央空调***,所述多个传感器包括:
新风传感器、回风传感器、混风传感器、送风传感器、冷冻水供水温度传感器。
3.根据权利要求1所述的方法,其中第一检测模型和/或第二检测模型经由以下各步骤而构建:
从被测***的多个传感器获取多组第一运行参数;
基于被测***运行的约束条件,对所获取的多组第一运行参数执行筛选,从而获取经筛选的第一运行参数;
基于经筛选的第一运行参数,确定第二运行参数;
由经筛选的第一运行参数建立第一数据矩阵,并且由经筛选的第一运行参数和第二运行参数建立第二数据矩阵;以及
确定与第一数据矩阵和第二数据矩阵对应的主元向量、残差向量以及统计量阈值,从而获取第一检测模型和第二检测模型。
4.根据权利要求3所述的方法,其中所述第一运行参数包括:
新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、新风阀开度、风机功率、送风温度、送风湿度、冷冻水供水温度、水泵功率、水阀开度、旁通阀开度。
5.根据权利要求4所述的方法,其中所述第二运行参数包括:
基于混风温度和送风温度确定的进出风温度差;以及
基于送风温度和冷冻水供水温度确定的表冷器换热端差。
6.根据权利要求5所述的方法,其中获取第一检测模型和第二检测模型包括:
基于以下运行参数中的一项或多项建立第一检测模型:新风温度、新风湿度、回风温度、回风湿度、混风温度、混风湿度、新风阀开度、风机功率。
7.根据权利要求6所述的方法,其中获取第一检测模型和第二检测模型包括:
基于以下运行参数中的一项或多项建立第二检测模型:混风温度、混风湿度、送风温度、送风湿度、冷冻水供水温度、风机功率、水泵功率、进出风温度差、表冷器换热端差、水阀开度、旁通阀开度。
8.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246341.8A CN115307670B (zh) | 2022-10-12 | 2022-10-12 | 用于定位中央空调***异常传感器的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211246341.8A CN115307670B (zh) | 2022-10-12 | 2022-10-12 | 用于定位中央空调***异常传感器的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115307670A CN115307670A (zh) | 2022-11-08 |
CN115307670B true CN115307670B (zh) | 2023-01-13 |
Family
ID=83867678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211246341.8A Active CN115307670B (zh) | 2022-10-12 | 2022-10-12 | 用于定位中央空调***异常传感器的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115307670B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643907A (zh) * | 2017-01-16 | 2017-05-10 | 大连理工大学 | 用于结构监测数据异常识别的加权主成分分析方法 |
CN108804740A (zh) * | 2018-04-02 | 2018-11-13 | 西安建筑科技大学 | 基于集成改进ica-krr算法的长输管道压力监测方法 |
CN109062194A (zh) * | 2018-09-27 | 2018-12-21 | 广东石油化工学院 | 一种闭环影响下催化裂化主风机组故障诊断方法和*** |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
CN110163451A (zh) * | 2019-06-03 | 2019-08-23 | 北京中科奥创科技有限公司 | 暖通***的健康度预测方法、***和计算机可读存储介质 |
CN110261122A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于分块的船舶柴油机故障监测方法 |
CN111126870A (zh) * | 2019-12-30 | 2020-05-08 | 华东理工大学 | 利用集成主成分分析的污水处理过程异常工况检测方法 |
CN111898725A (zh) * | 2020-07-07 | 2020-11-06 | 西安建筑科技大学 | 一种空调***传感器故障检测方法、装置及电子设备 |
CN112489841A (zh) * | 2020-11-23 | 2021-03-12 | 浙江大学 | 一种核电机组蒸汽发生器的水位容错控制方法 |
CN113253705A (zh) * | 2021-05-18 | 2021-08-13 | 北京航空航天大学 | 一种鼓风机的故障诊断方法及装置 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
CN115130731A (zh) * | 2022-06-06 | 2022-09-30 | 浪潮工业互联网股份有限公司 | 一种风力发电机故障检测方法、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2998894B1 (en) * | 2005-07-11 | 2021-09-08 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system |
US11385632B2 (en) * | 2018-12-21 | 2022-07-12 | The Boeing Company | Sensor fault detection and identification using residual failure pattern recognition |
-
2022
- 2022-10-12 CN CN202211246341.8A patent/CN115307670B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106643907A (zh) * | 2017-01-16 | 2017-05-10 | 大连理工大学 | 用于结构监测数据异常识别的加权主成分分析方法 |
CN108804740A (zh) * | 2018-04-02 | 2018-11-13 | 西安建筑科技大学 | 基于集成改进ica-krr算法的长输管道压力监测方法 |
CN109062194A (zh) * | 2018-09-27 | 2018-12-21 | 广东石油化工学院 | 一种闭环影响下催化裂化主风机组故障诊断方法和*** |
CN109444740A (zh) * | 2018-11-14 | 2019-03-08 | 湖南大学 | 一种风电机组的故障状态智能监测与诊断方法 |
CN110163451A (zh) * | 2019-06-03 | 2019-08-23 | 北京中科奥创科技有限公司 | 暖通***的健康度预测方法、***和计算机可读存储介质 |
CN110261122A (zh) * | 2019-06-20 | 2019-09-20 | 大连理工大学 | 一种基于分块的船舶柴油机故障监测方法 |
CN111126870A (zh) * | 2019-12-30 | 2020-05-08 | 华东理工大学 | 利用集成主成分分析的污水处理过程异常工况检测方法 |
CN111898725A (zh) * | 2020-07-07 | 2020-11-06 | 西安建筑科技大学 | 一种空调***传感器故障检测方法、装置及电子设备 |
CN112489841A (zh) * | 2020-11-23 | 2021-03-12 | 浙江大学 | 一种核电机组蒸汽发生器的水位容错控制方法 |
CN113253705A (zh) * | 2021-05-18 | 2021-08-13 | 北京航空航天大学 | 一种鼓风机的故障诊断方法及装置 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
CN115130731A (zh) * | 2022-06-06 | 2022-09-30 | 浪潮工业互联网股份有限公司 | 一种风力发电机故障检测方法、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于PCA的空调水***的传感器故障检测与诊断研究;王婉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150415(第4期);C038-729 * |
Also Published As
Publication number | Publication date |
---|---|
CN115307670A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coble et al. | Applying the general path model to estimation of remaining useful life | |
US7496472B2 (en) | Method and system for assessing performance of control systems | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
CN112098915B (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
CN111796233B (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
Xiao et al. | A diagnostic tool for online sensor health monitoring in air-conditioning systems | |
KR102279351B1 (ko) | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 | |
Yan et al. | A Decentralized Boltzmann-machine-based fault diagnosis method for sensors of Air Handling Units in HVACs | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
Alexandersen et al. | A stair-step probabilistic approach for automatic anomaly detection in building ventilation system operation | |
US20210312284A1 (en) | System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant | |
Li et al. | Reliability modeling of a series system with correlated or dependent component degradation processes | |
Lou et al. | Enhanced fault diagnosis method using conditional gaussian network for dynamic processes | |
CN118176467A (zh) | 用于监视技术安装中的资产的状况的***、装置和方法 | |
US20220404235A1 (en) | Improving data monitoring and quality using ai and machine learning | |
CN115307669B (zh) | 用于检测被测***的异常传感器的方法、设备和介质 | |
Yang et al. | Sensitivity analysis of scalable data on three PCA related fault detection methods considering data window and thermal load matching strategies | |
CN115307670B (zh) | 用于定位中央空调***异常传感器的方法、设备和介质 | |
CN110765486B (zh) | 一种资产故障识别方法 | |
CN114646342B (zh) | 用于定位异常传感器的方法、设备和介质 | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
CN115358352B (zh) | 用于定位异常传感器的方法、设备和介质 | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications | |
KR20010036423A (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치 | |
Liu et al. | An efficient sensor and thermal coupling fault diagnosis methodology for building energy 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 | ||
CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: China Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: China |
|
CP03 | Change of name, title or address |