CN117029179A - 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 - Google Patents
基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 Download PDFInfo
- Publication number
- CN117029179A CN117029179A CN202311023826.5A CN202311023826A CN117029179A CN 117029179 A CN117029179 A CN 117029179A CN 202311023826 A CN202311023826 A CN 202311023826A CN 117029179 A CN117029179 A CN 117029179A
- Authority
- CN
- China
- Prior art keywords
- fault
- normal
- state
- faults
- data
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 64
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 239000000498 cooling water Substances 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 208000024891 symptom Diseases 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 238000010977 unit operation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- LVGUZGTVOIAKKC-UHFFFAOYSA-N 1,1,1,2-tetrafluoroethane Chemical group FCC(F)(F)F LVGUZGTVOIAKKC-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,包括:对现场获得的冷水机组历史数据进行稳态过滤;确定故障特征关联矩阵;利用正常数据构建特征的基准值模型;获得特征相对于其基准值的偏差数据,构建正常和各类故障的BNC模型;应用训练好的基准值模型获得在线监测特征相对于其基准值的偏差数据,输入训练好的BNC模型,计算正常和各类故障的后验概率;计算正常和各类故障下每个特征的决策边界;进行在线故障检测,进行在线故障诊断,本申请有效克服了现有故障诊断方法不能实现在同一个诊断体系中对单发和并发故障进行诊断、对新故障进行识别,以及对虚警率进行调节的局限性,同时取得优良的诊断性能。
Description
技术领域
本发明涉及冷水机组故障诊断技术领域,具体涉及一种基于融入决策边界贝叶斯网络的冷水机组故障诊断方法。
背景技术
近年来,能源紧张的问题在建筑领域日趋严重,冷水机组的运行能耗是整个暖通空调***的主要部分,在商业建筑中,其运行能耗占建筑总能耗的35%~40%。而当冷水机组发生故障时,能耗增加可达30%。
冷水机组故障诊断现如今已取得了较大的发展,大量应用到冷水机组中的故障诊断方法已被提出。而当故障诊断技术应用到现场时,应该包含如下几点属性:单发故障诊断、并发故障诊断、新故障识别和虚警率可调。单发故障是指冷水机组同时仅有一种故障发生。经过多年的发展,单发故障诊断在冷水机组领域得到了广泛研究。并发故障是指冷水机组同时存在两种及以上的故障,相较于单发故障,并发故障诊断难度更高。新故障是指不属于模型构建时训练集中的故障类型,新故障的有效识别对增强故障诊断模型准确性和故障库的更新有着重要作用。虚警是指机组没有发生故障,而模型错误地检测出故障,发出虚假的警报。为了满足不同应用场景对不同虚警率的要求,一种故障诊断模型能够实现虚警率可调节是必要的。
综上所述,单发和并发故障诊断、新故障识别与虚警率可调是故障诊断模型现场应用时应该具备的属性,在同一个诊断体系中,同时具备上述属性,显然对提高诊断效率和降低同时使用多个模型的复杂性具有重要意义,然而,目前尚没有提出一种有效的诊断方法,可以在同一个诊断体系中实现单发和并发故障诊断、新故障识别与虚警率可调。
发明内容
针对现有技术的缺陷,本发明提供一种基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,可以在同一个诊断体系中实现单发和并发故障诊断、新故障识别与虚警率可调。
为了达到上述目的,本发明所采用的技术方案是:基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,包括下述步骤:
(1)获取现场冷水机组在正常和各类故障运行工况下的历史数据,对正常和故障历史数据进行稳态过滤,获得冷水机组在正常和故障运行工况下的稳态历史数据;
(2)构建故障特征关联矩阵,筛选出与故障一一对应的敏感特征;
(3)利用步骤(1)处理后的正常工况下历史数据,构建敏感特征的基准值模型,然后将步骤(1)处理后的全部历史数据输入到构建好的基准值模型中,计算得到各敏感特征相对于其基准值的偏差数据;
(4)利用步骤(3)计算的各敏感特征的偏差数据,构建对应正常和各类故障的BNC模型;
(5)将在线实时监测的数据按照步骤(2)进行相同的稳态过滤,将处理后的数据输入到步骤(3)构建好的对应各敏感特征的基准值模型中,通过计算得到各敏感特征相对于其基准值的偏差数据,将此数据输入到步骤(4)训练好的BNC模型中,计算得到对应正常和各类故障状态的后验概率;
(6)根据步骤(3)通过历史数据获得的各敏感特征的偏差数据,以及步骤(5)通过实时监测数据获得的各敏感特征的偏差数据,计算正常及各故障状态下对应各敏感特征的决策边界;
(7)进行故障检测,将步骤(5)实测偏差数据输入BNC模型计算得到的正常状态下的后验概率与步骤(6)计算得到的对应正常状态下的各敏感特征的决策边界进行比较,若正常状态下的后验概率大于或等于正常状态下的各敏感特征的决策边界,则冷水机组对应的运行状态被检测为正常,故障检测结束;否则认为存在故障,进入下一步;
(8)进行故障诊断,将步骤(5)实测偏差数据输入BNC模型计算得到的各故障状态下的后验概率与步骤(6)计算得到的对应故障状态下的各敏感特征的决策边界进行比较,若仅有一种故障满足其后验概率大于或等于该故障各敏感特征的决策边界,则被诊断为该故障的单发故障;当同时存在多种故障满足此条件时,则被诊断为这些故障的并发故障;当没有任何故障满足此条件时,则被识别为新故障。
进一步的,所述步骤(2)在构建特征关联矩阵时,需要借助于热力学相关理论,对不同故障发生时,各个敏感特征相对于其正常状态时的热力学变化规律进行分析,通过大量的对比,找到一组敏感特征,使得每个敏感特征仅对某一特定故障敏感,当某一故障发生时,能够引起对应的敏感特征的变化幅度超过预先设定的阈值。
进一步,所述步骤(4)构建的BNC模型,主要包括BNC的结构和参数,BNC结构主要由状态层和征兆层构成,分别使用状态节点D和征兆节点R表示,状态节点D有K+1个状态,分别表示机组处于不同的运行状态,包括1种正常状态Normal和K种单发故障状态Fi,i=1,2,…,K,征兆层节点R=(r1,r2,…,rm),是由m个步骤(2)确定的敏感特征的偏差数据组成,BNC模型的参数包括状态节点D的先验概率以及征兆节点R的条件概率分布,状态节点D的先验概率PNormal和i=1,2,…,K,可由专家经验估计或基于故障频率统计得到,征兆节点R认为其服从m维条件高斯分布,通过对步骤(3)得到历史数据获得的各敏感特征的偏差数据进行极大似然估计,获得描述征兆节点R高斯分布的均值向量(μNormal或/>)和协方差矩阵
进一步的,所述步骤(6)在计算决策边界时,引入了Hotelling统计量T2来作为判别准则的统计量,假设数据服从多维正态分布,各特征相互独立,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],其计算式如下:
式中,r是给定的一组特征的偏差数据,r=(r1,r2,…,rm),和/>分别是Ci类偏差rj的均值和标准差,i=1,2,…,K+1,j=1,…,m,
T2的控制限值CL可由Fisher分布进行计算,其计算式如下:
式中,是对应类别Ci在给定显著性水平αi的控制限值,Ni是属于类别Ci的样本数,/>是自由度为m和Ni-m的Fisher分布的第(1-αi)个分位数。
进一步的,所述步骤(6)在计算决策边界时,计算的是正常状态或某一故障状态下每个敏感特征的决策边界,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],r是给定的一组敏感特征的偏差数据,r=(r1,r2,…,rm),机组运行状态Ci类下对应的第j(j=1,…,m)个敏感特征的决策边界的计算式如下:
式中,Cv是指除了类别Ci的剩余类,是指Cv类的权重,/>对应类别Ci在特征偏差rj下的控制限值,/> 是指除去特征偏差rj剩余特征偏差的T2统计量。
本发明还提供一种基于融入决策边界贝叶斯网络的冷水机组故障诊断***,包括存储器和处理器,所述存储器上存储有用于在处理器上执行的计算机程序,所述处理器执行计算机程序时,实现如下步骤:
(1)获取现场冷水机组在正常和各类故障运行工况下的历史数据,对正常和故障历史数据进行稳态过滤,获得冷水机组在正常和故障运行工况下的稳态历史数据;
(2)构建故障特征关联矩阵,筛选出与故障一一对应的敏感特征;
(3)利用步骤(1)处理后的正常工况下历史数据,构建敏感特征的基准值模型,然后将步骤(1)处理后的全部历史数据输入到构建好的基准值模型中,计算得到各敏感特征相对于其基准值的偏差数据;
(4)利用步骤(3)计算的各敏感特征的偏差数据,构建对应正常和各类故障的BNC模型;
(5)将在线实时监测的数据按照步骤(2)进行相同的稳态过滤,将处理后的数据输入到步骤(3)构建好的对应各敏感特征的基准值模型中,通过计算得到各敏感特征相对于其基准值的偏差数据,将此数据输入到步骤(4)训练好的BNC模型中,计算得到对应正常和各类故障状态的后验概率;
(6)根据步骤(3)通过历史数据获得的各敏感特征的偏差数据,以及步骤(5)通过实时监测数据获得的各敏感特征的偏差数据,计算正常及各故障状态下对应各敏感特征的决策边界;
(7)进行故障检测,将步骤(5)实测偏差数据输入BNC模型计算得到的正常状态下的后验概率与步骤(6)计算得到的对应正常状态下的各敏感特征的决策边界进行比较,若正常状态下的后验概率大于或等于正常状态下的各敏感特征的决策边界,则冷水机组对应的运行状态被检测为正常,故障检测结束;否则认为存在故障,进入下一步;
(8)进行故障诊断,将步骤(5)实测偏差数据输入BNC模型计算得到的各故障状态下的后验概率与步骤(6)计算得到的对应故障状态下的各敏感特征的决策边界进行比较,若仅有一种故障满足其后验概率大于或等于该故障各敏感特征的决策边界,则被诊断为该故障的单发故障;当同时存在多种故障满足此条件时,则被诊断为这些故障的并发故障;当没有任何故障满足此条件时,则被识别为新故障。
优选的,所述步骤(2)在构建特征关联矩阵时,需要借助于热力学相关理论,对不同故障发生时,各个敏感特征相对于其正常状态时的热力学变化规律进行分析,通过大量的对比,找到一组敏感特征,使得每个敏感特征仅对某一特定故障敏感,当某一故障发生时,能够引起对应的敏感特征的变化幅度超过预先设定的阈值。
优选的,所述步骤(4)构建的BNC模型,主要包括BNC的结构和参数,BNC结构主要由状态层和征兆层构成,分别使用状态节点D和征兆节点R表示,状态节点D有K+1个状态,分别表示机组处于不同的运行状态,包括1种正常状态Normal和K种单发故障状态Fi,i=1,2,…,K,征兆层节点R=(r1,r2,…,rm),是由m个步骤(2)确定的敏感特征的偏差数据组成,BNC模型的参数包括状态节点D的先验概率以及征兆节点R的条件概率分布,状态节点D的先验概率PNormal和i=1,2,…,K,可由专家经验估计或基于故障频率统计得到,征兆节点R认为其服从m维条件高斯分布,通过对步骤(3)得到历史数据获得的各敏感特征的偏差数据进行极大似然估计,获得描述征兆节点R高斯分布的均值向量(μNormal或/>)和协方差矩阵(∑Normal或/>)。
优选的,所述步骤(6)在计算决策边界时,引入了Hotelling统计量T2来作为判别准则的统计量,假设数据服从多维正态分布,各特征相互独立,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],其计算式如下:
式中,r是给定的一组特征的偏差数据,r=(r1,r2,…,rm),和/>分别是Ci类偏差rj的均值和标准差,i=1,2,…,K+1,j=1,…,m,T2的控制限值CL可由Fisher分布进行计算,其计算式如下:
式中,是对应类别Ci在给定显著性水平αi的控制限值,Ni是属于类别Ci的样本数,/>是自由度为m和Ni-m的Fisher分布的第(1-αi)个分位数。
优选的,所述步骤(6)在计算决策边界时,计算的是正常状态或某一故障状态下每个敏感特征的决策边界,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],r是给定的一组敏感特征的偏差数据,r=(r1,r2,…,rm),机组运行状态Ci类下对应的第j(j=1,…,m)个敏感特征的决策边界的计算式如下:
式中,Cv是指除了类别Ci的剩余类,是指Cv类的权重,/>对应类别Ci在特征偏差rj下的控制限值,/> 是指除去特征偏差rj剩余特征偏差的T2统计量。
有益效果:本发明能够在同一个诊断体系中实现对虚警率的可调节;单发故障诊断性能优良,与常规诊断方法对比,构建的诊断方法总体上取得了更优的诊断性能;实现了对并发故障的有效诊断;实现了对新故障的有效识别。
附图说明
图1为本发明冷水机组故障诊断方法的诊断流程图;
图2为本发明所构建的贝叶斯网络分类器的通用结构和参数;
图3为实施例所构建的贝叶斯网络分类器的结构和参数;
图4为实施例所构建的贝叶斯网络分类器的虚警率随决策边界显著性水平的变化趋势图;
图5为实施例所构建的贝叶斯网络分类器相对于其他三种诊断方法对单发故障诊断的性能对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
参照附图1所示,对本发明提出的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法的具体实施步骤如下:
步骤1:离线模型构建
1a)数据预处理,包括如下步骤:
1a-1)通过实验或现场的冷水机组***中安装的传感器获取冷水机组在正常和各类故障运行工况下的历史数据;
1a-2)稳态过滤:采用已有的稳态过滤方法对步骤1a-1)获得的正常和故障历史数据进行稳态过滤,获得冷水机组在正常和各类故障运行工况下的稳态历史数据;
1a-3)对于正常和每种单发故障,随机选取不少于100组由步骤1a-2)得到的稳态数据构成训练集;
1b)特征选择:首先构建故障特征关联矩阵,这需要借助于热力学相关理论,对不同故障发生时,各个敏感特征相对于其正常状态时的热力学变化规律进行分析,通过大量的对比,找到一组敏感特征,使得每个敏感特征仅对某一特定故障敏感,当某一故障发生时,能够引起对应的敏感特征的变化幅度超过预先设定的阈值;
1c)构建基准值模型,包括如下步骤:
1c-1)选择现有的模型预测精度高的回归模型作为敏感特征的基准值模型;
1c-2)以能够指示冷水机组运行工况的特征作为基准值模型的输入;
1c-3)以步骤1b)选择的敏感特征作为基准值模型的输出;
1c-4)使用步骤1a-3)得到的训练集的正常运行工况数据对模型进行训练,并确定基准值模型的回归决定系数;
1d)计算敏感特征的偏差数据:将步骤1a-3)得到的训练集的正常和各类单发故障运行工况数据输入到步骤1c-4)已构建好的基准值模型中,获得正常和各类单发故障运行工况数据的基准值,再用数据的实测值减去基准值,得到敏感特征的偏差数据;
1e)训练BNC模型,包括如下步骤:
1e-1)确定BNC模型的结构:本发明构建的BNC模型的通用结构见附图2,由状态层和征兆层构成,其中状态层是一个离散型节点D,有着K+1个状态,分别表示机组处于不同的运行状态,包括1种正常状态Normal和K种单发故障状态Fi,i=1,2,…,K,征兆层是一个连续型节点R,征兆层偏差节点R=(r1,r2,…,rm),是由m个表征机组健康状态的敏感特征的偏差数据组成。
1e-2)确定BNC模型的参数:本发明构建的BNC模型的通用参数见附图2,包括状态节点D的先验概率以及征兆节点R的条件概率分布,状态节点D的先验概率RNormal和i=1,2,…,K,可由专家经验估计或基于故障频率统计得到,征兆节点R认为其服从m维条件高斯分布,通过对步骤1a-3)得到历史数据获得的各敏感特征的偏差数据进行极大似然估计,获得描述征兆节点R高斯分布的均值向量(μNormal或/>)和协方差矩阵(∑Normal或/>)。
步骤2:在线模型应用。
2a)数据预处理,包括如下步骤:
2a-1)采集现场通过传感器实时监测的冷水机组运行数据;
2a-2)稳态过滤:使用与步骤1a-2)相同的稳态过滤方法对步骤2a-1)实时监测到的数据进行稳态过滤,获得冷水机组实时运行的稳态数据;
2b)特征选择:选择与步骤1b)完全相同的敏感特征;
2c)计算敏感特征的偏差数据:将步骤2a-2)得到的冷水机组实时运行稳态数据输入到步骤1c-4)已构建好的基准值模型中,获得实时运行稳态数据的基准值,再用数据的实测值减去基准值,得到敏感特征的偏差数据;
2d)将步骤2c)得到的实时运行的偏差数据一并作为输入进入到训练好的BNC模型中,获得K+1个状态的后验概率;
2e)根据步骤1d)得到的历史数据的偏差数据及步骤2c)得到的实时运行数据的偏差数据计算正常状态及各故障状态下各敏感特征的决策边界,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],r是给定的一组敏感特征的偏差数据,r=(r1,r2,…,rm),机组运行状态Ci类下对应的第j(j=1,…,m)个敏感特征的决策边界的计算如下:
式中,Cv是指除了类别Ci的剩余类,是指Cv类的权重,/>对应类别Ci在特征偏差rj下的控制限值,/> 是指除去特征偏差rj剩余特征偏差的T2统计量。
T2统计量的计算式如下:
式中,r是给定的一组特征的偏差数据,r=(r1,r2,…,rm),和/>分别是Ci类偏差rj的均值和标准差,i=1,2,…,K+1,j=1,…,m。
T2的控制限值CL的计算式如下:
式中,是对应类别Ci在给定显著性水平αi的控制限值,Ni是属于类别Ci的样本数,/>是自由度为m和Ni-m的Fisher分布的第(1-αi)个分位数。
2f)进行故障检测,将步骤2d)实测偏差数据利用BNC模型计算得到的正常状态下的后验概率与步骤2e)计算得到的对应正常状态下的每个特征偏差的决策边界进行比较,若正常状态下的后验概率大于或等于正常状态的每个特征偏差的决策边界,则现场的冷水机组对应的运行状态被检测为正常,故障检测结束;否则认为存在故障,进入下一步。
2g)进行故障诊断,将步骤2d)实测偏差数据输入BNC模型计算得到的各故障状态下的后验概率与步骤2e)计算得到的对应故障状态下的各敏感特征的决策边界进行比较,若仅有一种故障满足其后验概率大于或等于该故障每个特征偏差的决策边界,则被诊断为该故障的单发故障;当同时存在多种故障满足此条件时,则被诊断为这些故障的并发故障;当没有任何故障满足此条件时,则被识别为新故障。
***实施例:
本实施例提供一种基于融入决策边界贝叶斯网络的冷水机组故障诊断***,包括存储器和处理器,存储器上存储有用于在处理器上执行的计算机程序;处理器执行计算机程序时,实现如上述方法实施例中提供的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法。
下面通过具体实施例进一步阐述本发明提供的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法的具体实施和验证本发明的有益效果。
本实施例的数据来源于ASHRAE RP-1043项目的实验数据,该实验对象为一台制冷量约316kW的离心式冷水机组,蒸发器和冷凝器均为满液式壳管换热器,管内介质为水,管外介质为制冷剂R134a。通过特殊设计的试验台测试了冷水机组4种典型单发故障和一种并发故障,这4种单发故障依次为冷却水量减少(RedCdW)、冷冻水量减少(RedEvW)、存在过量的油(ExOil)、存在不凝性气体(NcG),并发故障为冷却水量减少且冷冻水量减少(RedCdW&RedEvW)同时发生。获得了正常工况、4个劣化等级下的单发故障和并发故障64个特征的测试数据,数据采集的时间间隔为10s。
步骤1:离线模型构建
1a)数据预处理,包括如下步骤:
1a-1)通过实验中安装的传感器获取冷水机组在正常和各类故障运行工况下的历史数据;
1a-2)稳态过滤:采用计算几何加权平均数及方差的稳态过滤方法对步骤1a-1)获得的正常和故障历史数据进行稳态过滤,获得冷水机组在正常和各类故障运行工况下的稳态历史数据。
1a-3)对于正常和每种单发故障,随机选取三分之二的由步骤1a-2)得到的稳态数据构成训练集;
1b)特征选择:根据故障信息和先验知识构建一个故障特征关联矩阵,具体是需要借助于热力学相关理论,对不同故障发生时,各个敏感特征相对于其正常状态时的热力学变化规律进行分析,通过大量的对比,找到一组敏感特征,使得每个敏感特征仅对某一特定故障敏感,当某一故障发生时,能够引起对应的敏感特征的变化幅度超过预先设定的阈值。本实施例选择冷却水进出口温差、冷冻水进出口温差、油槽温度、机组停机时测量冷凝温度与由压力计算冷凝温度之差四种敏感特征,这四种特征分别仅与一种故障存在关联。四种特征的具体描述及其计算见表1,构建故障与特征之间的关联矩阵见表2。
表1
备注:tco、tci:冷却水出、入口温度;teo、tei:冷冻水出、入口温度;tcond,ms:实际测量的冷凝温度;tcond,cl:是由冷凝器压力计算的冷凝温度。
表2
1c)构建基准值模型,包括如下步骤:
1c-1)选择多元线性回归(MLR)的方法构建敏感特征基准值的基准值模型;
1c-2)选择合适的特征参数用于指示冷水机组运行工况:以负荷率、冷却水入口水温和冷冻水出口水温这三个特征作为基准值模型的输入;
1c-3)以步骤1b)选择的敏感特征作为基准值模型的输出;
1c-4)使用步骤1a-3)得到的训练集的正常运行工况数据对模型进行训练,并确定基准值模型的回归决定系数;
1d)计算敏感特征的偏差数据:将步骤1a-3)得到的训练集的正常和各类单发故障运行工况数据输入到步骤1c-4)已构建好的基准值模型中,获得正常和各类单发故障运行工况数据的基准值,再用数据的实测值减去基准值,得到敏感特征的偏差数据;
1e)训练BNC模型,包括如下步骤:
1e-1)确定BNC模型的结构:本实施例构建的BNC模型的结构见附图3,由状态层和征兆层构成,其中状态层是一个离散型节点D,有着5种状态,分别表示机组处于不同的运行状态,包括1种正常状态Normal和4种单发故障状态Fi,i=1,2,3,4。征兆层是一个连续型节点R,征兆层偏差节点R=(r1,r2,r3,r4),是由4个表征机组健康状态的敏感特征的偏差数据组成。
1e-2)确定BNC模型的参数:本实施例构建的BNC模型的参数见附图3,包括状态节点D的先验概率以及征兆节点R的条件概率分布,状态节点D中各状态先验概率均设置为0.2,征兆节点R认为其服从四维条件高斯分布,通过对步骤1a-3)得到历史数据获得的各敏感特征的偏差数据进行极大似然估计,获得描述征兆节点R高斯分布的均值向量(μNormal或)和协方差矩阵(∑Normal或/>)。
步骤2:在线模型应用。
2a)数据预处理,包括如下步骤:
2a-1)采集现场通过传感器实时监测的冷水机组运行数据;
2a-2)稳态过滤:使用与步骤1a-2)相同的稳态过滤方法对步骤2a-1)实时监测到的数据进行稳态过滤,获得冷水机组实时运行的稳态数据;
本实施例为了评价所构建的基于融入决策边界贝叶斯网络的冷水机组故障诊断模型的性能,从经过上述步骤1a-3)得到由稳态数据构成的训练集后,针对包含正常工况、4个劣化等级下的单发故障,分别选取剩余的三分之一的稳态数据构成测试集,再加入步骤1a-2)中全部的并发故障的稳态数据,用以测试构建的基于融入决策边界贝叶斯网络的冷水机组故障诊断模型的故障诊断性能。
2b)特征选择:选择与步骤1b)完全相同的敏感特征;
2c)计算敏感特征的偏差数据:将步骤2a-2)得到的冷水机组实时运行稳态数据输入到步骤1c-4)已构建好的基准值模型中,获得实时运行稳态数据的基准值,再用数据的实测值减去基准值,得到敏感特征的偏差数据;
2d)将步骤2c)得到的实时运行的偏差数据一并作为输入进入到步骤1训练好的BNC模型中,获得5个状态的后验概率;
2e)根据步骤1d)得到的历史数据的偏差数据及步骤2c)得到的实时运行数据的偏差数据计算正常状态及各故障状态下各敏感特征的决策边界,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,…,FK],r是给定的一组敏感特征的偏差数据,r=(r1,r2,…,rm),机组运行状态Ci类下对应的第j(j=1,…,m)个敏感特征的决策边界的计算如下:
式中,Cv是指除了类别Ci的剩余类,是指Cv类的权重,/>对应类别Ci在特征偏差rj下的控制限值,/> 是指除去特征偏差rj剩余特征偏差的T2统计量。
T2统计量的计算式如下:
式中,r是给定的一组特征的偏差数据,r=(r1,r2,…,rm),和/>分别是Ci类偏差rj的均值和标准差,i=1,2,…,K+1,j=1,…,m。
T2的控制限值CL的计算式如下:
式中,是对应类别Ci在给定显著性水平αi的控制限值,Ni是属于类别Ci的样本数,/>是自由度为m和Ni-m的Fisher分布的第(1-αi)个分位数。
2f)进行故障检测,将步骤2d)实测偏差数据利用BNC模型计算得到的正常状态下的后验概率与步骤2e)计算得到的对应正常状态下的每个特征偏差的决策边界进行比较,若正常状态下的后验概率大于或等于正常状态的每个特征偏差的决策边界,则现场的冷水机组对应的运行状态被检测为正常,故障检测结束;否则认为存在故障,进入下一步。
2g)进行故障诊断,将步骤2d)实测偏差数据输入BNC模型计算得到的各故障状态下的后验概率与步骤2e)计算得到的对应故障状态下的各敏感特征的决策边界进行比较,若仅有一种故障满足其后验概率大于或等于该故障每个特征偏差的决策边界,则被诊断为该故障的单发故障;当同时存在多种故障满足此条件时,则被诊断为这些故障的并发故障;当没有任何故障满足此条件时,则被识别为新故障。
诊断性能评价:使用本实施例步骤2a)中确定的全部测试集数据对本实施例所提供的故障诊断方法进行性能评价。
为了测试本实施例对虚警率调节的能力,设置步骤2e)中决策边界的显著性水平从0.001变化到0.5,变化步长为0.001,得到虚警率随显著性水平变化的趋势见图4,结果显示,当设置决策边界中的显著性水平从0.001变化到0.5时,基于BNC的诊断模型的FAR从6.37%变化到15.76%,变化幅度达9.39%。
在测试本实施例对单发故障的诊断性能时,设置步骤2e)中决策边界的显著性水平为0.001。本实施例对四种常见单发故障的诊断正确率为99.79%,四种单发故障诊断结果的混淆矩阵与分布诊断性能的精度、召回率和F-measure一并呈现在表3中,其中,诊断精度、召回率和F值均达到99%以上。图5为本实施例与基于BPNN、基于SVM和基于RF的诊断方法关于正确率、精度、召回率和F-measure的对比结果。本实施例所采用的基于DB-BNC的诊断方法具有最高的诊断正确率,比BPNN、SVM和RF的诊断正确率分别高出0.96%、0.19%和0.28%。在对每类故障分别进行诊断时,基于DB-BNC模型的诊断方法在总体上获得了最好的诊断性能,从F-measure这一评价指标,基于DB-BNC模型在RedEvW、RedCdW和NcG三种故障上均取得了更高的F-measure,即使在ExOil故障上,也仅低于基于RF模型的F-measure0.02%。
表3
本实施例对并发故障诊断的混淆矩阵呈现在表4中,对冷却水流量减少和冷冻水流量减少故障同时发生时,诊断正确率达到了88.62%。
表4
本实施例对新故障识别的测试结果见表5-表8,表5-表8代表四个Case,每个Case分别假设一种已知故障为新故障,当某一已知故障被假设为新故障时,该故障对应数据将缺失在训练集中,同时诊断节点D的先验概率也相应调整,使用测试集中被假设为新故障的故障样本数据对训练好模型进行测试,其中NF表示新故障。Case1假设RedCdW为新故障NF1,NF1被识别的正确率为97.12%。Case2假设RedEvW为新故障NF2,NF2被识别的正确率为93.49%。Case3假设ExOil为新故障NF3,NF3被识别的正确率为100%,Case4假设NcG为新故障NF4,NF4被识别的正确率为98.08%。
表5
表6
表7
表8
本实施例的结果充分显示:本发明提供的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法能够在同一个诊断体系中实现对虚警率的可调节;单发故障诊断性能优良,与常规诊断方法对比,构建的诊断方法总体上取得了更优的诊断性能;实现了对并发故障的有效诊断;实现了对新故障的有效识别。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,其特征在于,包括下述步骤:
(1)获取现场冷水机组在正常和各类故障运行工况下的历史数据,对正常和故障历史数据进行稳态过滤,获得冷水机组在正常和故障运行工况下的稳态历史数据;
(2)构建故障特征关联矩阵,筛选出与故障一一对应的敏感特征;
(3)利用步骤(1)处理后的正常工况下历史数据,构建敏感特征的基准值模型,然后将步骤(1)处理后的全部历史数据输入到构建好的基准值模型中,计算得到各敏感特征相对于其基准值的偏差数据;
(4)利用步骤(3)计算的各敏感特征的偏差数据,构建对应正常和各类故障的BNC模型;
(5)将在线实时监测的数据按照步骤(2)进行相同的稳态过滤,将处理后的数据输入到步骤(3)构建好的对应各敏感特征的基准值模型中,通过计算得到各敏感特征相对于其基准值的偏差数据,将此数据输入到步骤(4)训练好的BNC模型中,计算得到对应正常和各类故障状态的后验概率;
(6)根据步骤(3)通过历史数据获得的各敏感特征的偏差数据,以及步骤(5)通过实时监测数据获得的各敏感特征的偏差数据,计算正常及各故障状态下对应各敏感特征的决策边界;
(7)进行故障检测,将步骤(5)实测偏差数据输入BNC模型计算得到的正常状态下的后验概率与步骤(6)计算得到的对应正常状态下的各敏感特征的决策边界进行比较,若正常状态下的后验概率大于或等于正常状态下的各敏感特征的决策边界,则冷水机组对应的运行状态被检测为正常,故障检测结束;否则认为存在故障,进入下一步;
(8)进行故障诊断,将步骤(5)实测偏差数据输入BNC模型计算得到的各故障状态下的后验概率与步骤(6)计算得到的对应故障状态下的各敏感特征的决策边界进行比较,若仅有一种故障满足其后验概率大于或等于该故障各敏感特征的决策边界,则被诊断为该故障的单发故障;当同时存在多种故障满足此条件时,则被诊断为这些故障的并发故障;当没有任何故障满足此条件时,则被识别为新故障。
2.根据权利要求1所述的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,其特征在于,所述步骤(2)在构建特征关联矩阵时,需要借助于热力学相关理论,对不同故障发生时,各个敏感特征相对于其正常状态时的热力学变化规律进行分析,通过大量的对比,找到一组敏感特征,使得每个敏感特征仅对某一特定故障敏感,当某一故障发生时,能够引起对应的敏感特征的变化幅度超过预先设定的阈值。
3.根据权利要求1所述的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,其特征在于,所述步骤(4)构建的BNC模型,主要包括BNC的结构和参数,BNC结构主要由状态层和征兆层构成,分别使用状态节点D和征兆节点R表示,状态节点D有K+1个状态,分别表示机组处于不同的运行状态,包括1种正常状态Normal和K种单发故障状态Fi,i=1,2,…,K,征兆层节点R=(r1,r2,…,rm),是由m个步骤(2)确定的敏感特征的偏差数据组成,BNC模型的参数包括状态节点D的先验概率以及征兆节点R的条件概率分布,状态节点D的先验概率PNormal和i=1,2,…,K,可由专家经验估计或基于故障频率统计得到,征兆节点R认为其服从m维条件高斯分布,通过对步骤(3)得到历史数据获得的各敏感特征的偏差数据进行极大似然估计,获得描述征兆节点R高斯分布的均值向量(μNormal或/>)和协方差矩阵(∑Normal或/>)。
4.根据权利要求1所述的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,其特征在于,所述步骤(6)在计算决策边界时,引入了Hotelling统计量T2来作为判别准则的统计量,假设数据服从多维正态分布,各特征相互独立,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,...,FK],其计算式如下:
式中,r是给定的一组特征的偏差数据,r=(r1,r2,…,rm),和/>分别是Ci类偏差rj的均值和标准差,i=1,2,…,K+1,j=1,…,m;
T2的控制限值CL可由Fisher分布进行计算,其计算式如下:
式中,是对应类别Ci在给定显著性水平αi的控制限值,Ni是属于类别Ci的样本数,是自由度为m和Ni-m的Fisher分布的第(1-αi)个分位数。
5.根据权利要求1所述的基于融入决策边界贝叶斯网络的冷水机组故障诊断方法,其特征在于,所述步骤(6)在计算决策边界时,计算的是正常状态或某一故障状态下每个敏感特征的决策边界,以机组某一运行状态Ci为例,Ci∈[Normal,F1,F2,...,FK],r是给定的一组敏感特征的偏差数据,r=(r1,r2,…,rm),机组运行状态Ci类下对应的第j(j=1,…,m)个敏感特征的决策边界的计算式如下:
式中,Cv是指除了类别Ci的剩余类,是指Cv类的权重,/>对应类别Ci在特征偏差rj下的控制限值,/> 是指除去特征偏差rj剩余特征偏差的T2统计量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023826.5A CN117029179A (zh) | 2023-08-14 | 2023-08-14 | 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023826.5A CN117029179A (zh) | 2023-08-14 | 2023-08-14 | 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117029179A true CN117029179A (zh) | 2023-11-10 |
Family
ID=88625974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311023826.5A Pending CN117029179A (zh) | 2023-08-14 | 2023-08-14 | 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117029179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807527A (zh) * | 2023-12-29 | 2024-04-02 | 兰州理工大学 | 基于贝叶斯网络的机械部件故障诊断方法及*** |
-
2023
- 2023-08-14 CN CN202311023826.5A patent/CN117029179A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807527A (zh) * | 2023-12-29 | 2024-04-02 | 兰州理工大学 | 基于贝叶斯网络的机械部件故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm | |
CN107844799B (zh) | 一种集成svm机制的冷水机组故障诊断方法 | |
CN108758969B (zh) | 一种冷水机组故障检测方法和*** | |
US7188482B2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、***及介质 | |
CN106971027B (zh) | 一种基于dr-bn模型的冷水机组故障特征选择方法 | |
Zhou et al. | A novel strategy for the fault detection and diagnosis of centrifugal chiller systems | |
Liu et al. | A refrigerant charge fault detection method for variable refrigerant flow (VRF) air-conditioning systems | |
CN117029179A (zh) | 基于融入决策边界贝叶斯网络的冷水机组故障诊断方法 | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
Xia et al. | Fault detection for centrifugal chillers using a Kernel Entropy Component Analysis (KECA) method | |
CN109858140A (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
Wen et al. | An enhanced principal component analysis method with Savitzky–Golay filter and clustering algorithm for sensor fault detection and diagnosis | |
JP2015179443A (ja) | 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置 | |
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 | |
CN115508119A (zh) | 残差-知识-数据联合驱动的故障复合诊断方法及*** | |
CN114893936A (zh) | 制冰***进出水控制***与控制方法 | |
Wang et al. | Fault diagnosis based on residual–knowledge–data jointly driven method for chillers | |
JP7445533B2 (ja) | 異常検出装置、プログラムおよび電気機器システム | |
CN114838968B (zh) | 一种基于冷水水冷测试的空调故障检测方法及*** | |
Yang et al. | A local Mahalanobis distance analysis based methodology for incipient fault diagnosis | |
van de Sand et al. | A data-driven fault diagnosis approach towards oil retention in vapour compression refrigeration systems | |
CN110702438A (zh) | 一种离心式冷水机组与新风***联合故障诊断方法 | |
CN113051530A (zh) | 一种基于kde-fa的冷水机组故障特征刻画方法 | |
CN113899093A (zh) | 螺杆式制冷压缩机回油故障的辨识和预判方法 |
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 |