一种基于自适应ICA的冷水机组故障检测方法技术

本发明专利技术公开一种自适应ICA冷水机组故障检测的方法，包括：步骤一、首先对机组正常运行下采集的数据进行预处理；然后采用独立成分分析(ICA)提取数据的独立成分信息；之后构造统计量，并利用核密度估计方法确定控制限；最后以训练数据的SPE统计量阈值作为剔除异常值的判断标准，循环剔除每个采样点的统计值高于统计量阈值的数据，直至所有采样点的统计值均低于统计量阈值，将得到的数据重新训练，得到一个更加准确的控制限；步骤二、对新采集的数据按照模型进行处理，计算其统计值并与控制限进行比较，判断冷水机组是否运行正常。采用本发明专利技术的技术方案，可以自动的剔除实际中的异常采样点，故障检测的准确率较高。

【技术实现步骤摘要】

本专利技术属于暖通空调故障诊断
，尤其涉及一种基于自适应ICA的冷水机组故障检测方法，进一步涉及在暖通空调设备——冷水机组上的具体应用。
技术介绍
暖通空调系统是多变量、多状态、强耦合系统，长期处于变工况，部分负荷运行状。它向来是是工业设备，家用电器中的耗能大户。而冷水机组是暖通空调系统中最重要的设备，也是耗能最大的设备。由于多种原因，使设备经常出现故障。并且，随着设备的自动化和高度集成化，设备的成本和维护费用也在急剧增加。因此，及时发现其故障征兆并在故障将要发生时予以排除，对减少设备能耗，提高人们的舒适度有很重要的意义。目前，基于数据驱动的方法已经广泛应用到冷水机组的故障检测中。其中应用较多的方法是主成分分析(PrincipalComponentAnalysis，PCA)，该方法需要假设过程变量服从或近似服从多元高斯分布，应用在实际冷水机组中存在着不足。ICA可以利用高阶统计信息提取过程数据中的非高斯信号，显现出比PCA更优的效果。然而，在实际的测量当中，由于现场环境、机组自身振动等多方面因素的影响，使得实际测量数据会有异常值的存在。它们严重影响着故障检测的准确性。因此，急需一种改进的方法可以有效的剔除训练数据中的异常点，使得训练出来的模型更加的准确。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于自适应ICA的冷水机组故障检测方法，可以自动的剔除实际中的异常采样点，故障检测的准确率较高，减少机组能耗，提高人们的舒适度。为实现上述目的，本专利技术采用了如下的技术方案：一种基于自适应ICA的冷水机组故障检测方法包括以下步骤：A.建模阶段：1)采集实验所需正常数据：采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X1i,X2i,...Xki...,XKi)T表示，其中，i＝1,2,...,I，Xki表示第k采样时刻第i个变量的测量值，X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；2)对数据进行标准化处理，处理方式如下：首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中，第k采样时刻的第i个过程变量的均值的计算公式为：其中，xki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差。然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：其中，i＝1,...,I，k＝1,...,K。3)利用独立成分分析(ICA)方法提取独立成分：首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L-1/2UT，其中U和L分别为X'的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X'进行白化，白化公式为：Z＝QX'。白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(FastICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝BTZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数。4)构造I2和SPE两种统计量：I2统计量由k时刻独立成分sd(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：I2(k)＝sd(k)Tsd(k)5)估计控制线：由于独立分量的各个分量满足统计独立，则概率密度的估计可以转化成为单变量的概率密度估计问题，本专利技术采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限。6)自动去除异常点：对原始正常数据进行行分解，计算每一时刻的SPE值，用当前时刻SPE值和之前建立的SPE统计量值Qa比较，如果当前值超出Qa，则认为这一采样数据是异常点，记录这一行信息，继续执行，直到所有采样点执行完毕，在原始正常数据中将所有的异常采样点信息剔除，重新建立I2和SPE统计量，并得到相应的更加准确的控制限；B.检测阶段：7)采集监控数据，并对其进行标准化：采集当前第k采样时刻的I个过程变量的数据xk，并根据步骤2)中得到的均值和标准方差对其进行标准化，得到其中，第k采样时刻的第i个过程变量的标准化公式如下：其中，xk,i为当前第k采样时刻第i个过程变量，为第k采样时刻的第i个过程变量的平均值，sk,i为第k采样时刻的第i个过程变量的标准方差，i＝1,...,I，k＝1,...,K。8)提取当前时刻独立信息：提取标准化后的k时刻采集数据的独立成分sk，计算公式如下：其中，W为分离矩阵；9)计算当前时刻统计值：计算当前k时刻采集数据的I2和SPE统计值，计算公式如下：10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。作为优选，步骤6)具体包括：6.1)对原始正常数据进行行分解，计算每个采样点时刻的独立成分，即：sk＝WXk，其中，W为分离矩阵，Xk为第k时刻的采集数据；6.2)通过6.1)得到的sk计算每一时刻的SPE值；6.3)用当前时刻SPE值和之前建立的SPE统计量值Qa比较，如果当前值超出Qa，则认为这一采样数据是异常点；6.4)记录6.3)得到的当前异常采样点信息，继续执行下一个采样点，直到所有采样点都执行完毕，记录所有异常点信息；6.5)在原始正常数据中将所有的异常采样点信息剔除，重新按步骤1)到5)建立I2和SPE统计量，并得到相应的更加准确的控制限。本专利技术的基于自适应ICA的冷水机组故障检测方法，以训练数据的SPE统计量阈值作为剔除异常值的判断标准，循环剔除每个采样点的统计值高于阈值的数据，直至所有采样点的统计值均低于阈值为止，从而优化训练矩阵，使得模型更加的准确，有效的提高故障检测的正确率。附图说明图1为本专利技术的方法流程图；图2a为传统ICA方法对正常数据的I2检测图；图2b为传统ICA方法对正常数据的SPE检测图；图3a为本专利技术方法对正常数据的I2检测图；图3b为本专利技术方法对正常数据的SPE检测图；图4a为传统ICA方法对故障数据的I2检测图；图4b为传统ICA方法对故障数据的SPE检测图；图5a为本专利技术方法对故障数据的I2检测图；图5b为本专利技术方法对故障数据的SPE检测图。具体实施方式20世纪90年代，鉴于暖通空调系统数据的缺乏。美国制冷空调工程学会发起一个ASHRAE1043-RP研究项目，通过在实验条件下改变冷水机组的状况，使机组在各种工况和故障条件下运行，并详细记录各种状况下机组各个运行参数的数据。本实验以ASHRAE1043-RP数据为依据，该数据来源于一台90吨的离心式冷水机组。在一定的条件下，经过特殊设计的试验台可以模拟冷水机组的各种典型故障，每一种故障都工作在27种不同的工况下，通过实验收集了大量的数据。本文对这些数据中的3种常见的典型故障进行仿真分析，这3种典型的故障分别是制冷剂泄漏，润滑油过多，冷冻水水量不足。从64个原始变量中选出16个作为特征变量，如表1所示。这些变量与冷水机组密切相关，而与辅助的系统关系比较小。经过选择的变量不但能够保持对小故障的灵本文档来自技高网...

【技术保护点】
一种基于自适应ICA的冷水机组故障检测方法，其特征在于，包括以下步骤：A.建模阶段：1)采集实验所需正常数据采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X1i,X2i,...Xki...,XKi)T表示，其中，i＝1,2,...,I，Xki表示第k采样时刻第i个变量的测量值；X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；2)对数据进行标准化处理，处理方式如下：首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中第k采样时刻的第i个过程变量的均值的计算公式为：其中，xki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差，然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：x~ki=xki-x‾k,isk,i]]>其中，i＝1,...,I，k＝1,...,K；3)利用独立成分分析(ICA)方法提取独立成分首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L‑1/2UT，其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X进行白化，白化公式为：Z＝QX。白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(Fast ICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝BTZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数；4)构造I2和SPE两种统计量I2统计量由k时刻独立成分sd(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：I2(k)＝sd(k)Tsd(k)SPE(k)=e(k)Te(k)=(x(k)-x^(k))T(x(k)-x^(k));]]>5)估计控制限采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限；6)自动去除异常点对原始正常数据进行行分解，计算每一时刻的SPE值，用当前时刻SPE值和之前建立的SPE统计量值Qa比较，如果当前值超出Qa，则认为这一采样数据是异常点，记录这一行信息，继续执行，直到所有采样点执行完毕，在原始正常数据中将所有的异常采样点信息剔除，重新建立I2和SPE统计量，并得到相应的更加准确的控制限；B.检测阶段：7)采集监控数据，并对其进行标准化采集当前第k采样时刻的I个过程变量的数据xk，并根据步骤2)中得到的均值和方差对其进行标准化，得到其中第k采样时刻的第i个过程变量的标准化公式如下：x~k,i=xk,i-x‾k,isk,i]]>其中，xk,i为当前第k采样时刻第i个过程变量，为第k采样时刻的第i个过程变量的平均值，sk,i为第k采样时刻的第i个过程变量的方差，i＝1,...,I，k＝1,...,K；8)提取当前时刻独立信息提取标准化后的k时刻采集数据的独立成分sk，计算公式如下：sk=Wx~k]]>其中，W为分离矩阵；9)计算当前时刻统计值计算当前k时刻采集数据的I2和SPE统计值，计算公式如下：I2(k)=SkT(k)sk(k)]]>SPE(k)=e(k)Te(k)=(xk(k)-x^k(k))T(xk(k)-x^k(k));]]>10)将上述计算得到的统计值与建模阶段的步骤6)确定的控制限进行比较，如果超限则认为发生故障，进行报警；否则即为正常。...

【技术特征摘要】
1.一种基于自适应ICA的冷水机组故障检测方法，其特征在于，包括以下步骤：A.建模阶段：1)采集实验所需正常数据采集冷水机组正常运行状态下的数据，正常数据X可由X＝(X1i,X2i,...Xki...,XKi)T表示，其中，i＝1,2,...,I，Xki表示第k采样时刻第i个变量的测量值；X是一个矩阵，每一行表示一个采样点，每一列表示一个变量，一共有K个采样点，一共有I个变量；2)对数据进行标准化处理，处理方式如下：首先计算正常数据X的所有时刻上所有变量的均值和标准方差，其中第k采样时刻的第i个过程变量的均值的计算公式为：其中，xki表示第k采样时刻的第i个变量的测量值，I表示变量的个数，第k采样时刻的第i个过程变量的标准方差sk,i的计算公式为：其中一共有I个过程变量，可以算出来I个均值和标准差，然后对正常数据X进行标准化，其中第k采样时刻的第i个过程变量的标准化计算公式如下：x~ki=xki-x‾k,isk,i]]>其中，i＝1,...,I，k＝1,...,K；3)利用独立成分分析(ICA)方法提取独立成分首先，对正常数据X利用主成分分析(PCA)白化，得到白化矩阵Q：Q＝L-1/2UT，其中U和L分别为X的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X进行白化，白化公式为：Z＝QX。白化过程使得原来的混合矩阵简化成一个新的正交矩阵，使得计算简单；然后，利用快速ICA算法(FastICA)从Z中估计出新的混合矩阵B和分离矩阵W，再根据S＝BTZ得到独立成分S；最后，通过计算每个独立分量的负熵值，将各个独立分量按非高斯性从大到小排列，再以负熵累计贡献率选取独立分量个数；4)构造I2和SPE两种统计量I2统计量由k时刻独立成分sd(k)的标准平方和得到，通过独立成分向量模的变化来表征模型内部的波动情况；SPE统计量则表征了数据中主模型以外未被解释的残差部分，两者的定义如下：I2(k)＝sd(k)Tsd(k)SPE(k)=e(k)Te(k)=(x(k)-x^(k))T(x(k)-x^(k));]]>5)估计控制限采用核密度估计方法，计算统计量的概率密度函数，进而确定统计量的置信限；6)...

【专利技术属性】
技术研发人员：李亚芬，张楠华，高学金，王普，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11