一种空调水系统调节阀故障智能诊断方法与流程

本发明型涉及调节阀故障诊断与检测技术领域，特别的涉及楼宇自动化控制系统。

背景技术：

随着我国对建筑能源利用率的持续高度关注，寻找切实有效的方法提高建筑能源的利用率、降低建筑能耗迫在眉睫。在建筑的实际工程运行中，即使经历了较为完善的建筑运行调试，在实际运行中也会逐渐偏离最佳的运行效果。

空调水系统负责建筑暖通空调系统冷热负荷的调节，对暖通空调系统的能耗起到关键作用。而在空调水系统中，阀门则是非常重要的控制部件，它用来改变管路系统的通路断面和介质流动方向，具有截断、止回、调节、安全等功能。

当空调水系统调节阀出现故障时，会影响到系统控制逻辑的执行，造成末端水系统的严重水利失衡，同时无法保证对冷热源机组的保护功能，严重时会影响机组的正常运转时和使用寿命，不仅影响机组运行安全性和室内舒适性，而且增大了设备费用和整个系统的能耗，造成能源浪费，从而导致不必要的经济损失。因此，实时对空调水系统阀门运行状态进行监控，并采用可靠的故障检测与诊断策略防止故障的发生，对空调水系统始终高效运行具有巨大的现实意义。

故障检测与诊断(fdd)的传统方式依赖维护人员的专业知识和经验，耗时耗力且对维护人员素质要求较高，可靠性及可持续性无法满足现代社会的要求。

目前，以智能化理论为基础的故障诊断技术是fdd系统发展的主流。现阶段被广泛接受的fdd方法有三类，即基于解析模型的故障诊断方法、基于信号处理的故障诊断方法以及基于知识的故障诊断方法。

空调水系统调节阀发生渐进性软故障的几率较大，会影响系统运行状态，日积月累甚至损坏整个阀体。但是，在不破坏原水系统管路的基础上进行阀门的故障检测与诊断一直是空调水系统调试的难题之一。

近年来研究人员提出了多种阀门故障诊断与检测方法，一种趋势是在管路系统上增加特殊的传感器以及检测设备来进行故障的检测，这种检测方法多是用来检测阀体本身故障，比如泄露、堵塞等。

另一种检测趋势是向智能化故障诊断与检测方法发展，这种检测方法对故障类型的判别更为全面，主要应用于执行机构相关的阀门控制故障判断。

随着现代设备的不断大型化、复杂化和非线性化，往往很难或者无法建立系统精确的数学模型，从而大大限制了基于解析模型的故障诊断方法的推广和应用。在解决高维度问题、非线性问题、小样本情况下的机器学习问题具有很大的局限性，难以避免神经网络结构选择和局部极小点问题。且现阶段的诊断方法对数据预处理的依赖性较高，灵敏度以及准确度较低。

技术实现要素：

针对上述现有技术的不足，本发明型专利所要解决的技术问题是：①在解决高维度问题、非线性问题、小样本情况下的机器学习问题方面的局限性；②解决现阶段空调水系统调节阀故障调节敏感性、准确性问题。

为实现上述目的，本发明基于支持向量机理论的可进行故障检测与诊断的空调水系统调节阀，从而进行空调水系统调节阀初期故障发生时故障的检测与诊断，即公开一种空调水系统调节阀故障智能诊断方法，其特征在于，包括以下步骤:

1)空调水系统模型建立

根据建筑内实际空调系统的水系统的管网系统建立仿真模型；

2)实际工况参数收集、特性参数提取

根据步骤1)所述的仿真模型，测试设置正常工况和若干种调节阀故障工况(滞后性、控制死区、失控带、粘滞性、泄露、卡堵)下可表征故障的特性参数:控制器输出信号、调节阀的阀位反馈信号和调节阀后流量；

3)基于svm的故障检测模型训练

3-1)选取步骤2)所获得若干种调节阀故障工况下的调节阀的阀位反馈信号合并作为一个故障工况数据集；

选取步骤2)所获得若干种调节阀正常工况下的调节阀的阀位反馈信号作为正常工况数据集；

故障工况数据集和正常工况数据集作为svm的故障诊断模型训练的输入；

对数据进行等间距拆分为两部分，一部分作为svm分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。

3-2)将训练集和测试集中的数据进行可视化处理后，利用matlab自带的归一化函数对数据进行离差标准化的归一化处理；

3-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的svm的核参数g和惩罚因子c；

3-4)根据步骤3-3)获得的最优参数进行模型的训练，训练过程通过libsvm工具箱完成，最终得到故障检测模型；

4)基于svm的故障诊断模型训练

4-1)将步骤2)所获得的将每种工况的数据进行等间距拆分为两部分，一部分作为svm分类模型的训练集，从而获得调节阀故障检测模型，另一部分则作为模型测试集。

4-2)将训练集和测试集中的数据进行可视化处理后，利用matlab自带的归一化函数对数据进行离差标准化的归一化处理；

4-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的svm的核参数g和惩罚因子c，以获取最为准确的故障检测分类模型；

4-4)根据步骤4-3)获得的最优参数进行模型的训练，训练过程通过libsvm工具箱完成，最终得到故障诊断模型；

5)基于svm的故障诊断模型训练，得到诊断结果

采集空调系统的水系统的工况参数和特性参数；根据步骤3)得到的故障检测模型，判断中央空调系统的水系统是否发生调节阀故障：若是，通过步骤4)获得的故障检测模型来检测故障类型。

值得说明的是，支持向量机(svm)是建立在机器学习理论的结构风险最小化原则之上，其主要思想是针对二元分类问题，在高维度空间中寻找一个超平面作为两类的分割，以保证最小的分类错误率，而且支持向量机一个重要的优点就是能处理线性不可分的情况。

在空调水系统中的调节阀6种常见故障有：滞后性、控制死区、失控带、粘滞性、泄露、卡堵。其中，前四种为阀门执行机构的非线性故障特征，后两种为阀体阀座故障。

本专利考虑到当调节阀存在故障时，各特性参数也会发生相应的变化，为了提高故障检测流程的可操作性与适用性，利用空调水系统调节阀最易测量的3个典型的阀门性能参数作为指示阀门故障的特性参数：控制器输出信号、阀位反馈信号、调节阀后流量(或者调节阀前后压差)。根据正常工况下以及各类故障条件下的模拟数据建立基于svm的fdd分类模型，将训练数据获得的分类模型对测试数据进行分类，根据分类结果对阀件进行故障检测，判断阀门是否发生故障。

当分类检测模型诊断阀门特性参数偏离正常工况，判断阀门发生故障后，再根据各类故障工况下的故障特性参数数据建立基于svm的故障诊断回归模型，并把模型预测值作为基准，计算特性参数的实测值与基准值的残差，从而通过残差t分布判断故障类型并进行诊断。至此，便可到一种空调水系统智能诊断调节阀。

附图说明

图1为故障诊断规则图。

图2为建筑空调水系统模型。

图2中，虚线框内组件标明了本发明型专利所述调节阀在空调水系统中的位置。元件8为水泵；元件9-21为管路模块及末端阻力设备模块；元件26-29为球阀(调节阀)，元件53为压差旁通隔膜阀，元件50，51为蝶阀；元件30，32为信号测量器；元件33，35，36，49为阀门控制器，元件31，48为信号控制器；元件25为定压压力源。

图3为故障诊断技术路线图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

一种空调水系统调节阀故障智能诊断方法，其特征在于，包括以下步骤:

1)空调水系统模型建立

根据建筑内实际一次泵定流量空调水系统的管网系统建立仿真模型，模型的建立需要忽略一些对结果影响不大的部件和参数。(图2为本实施例的建筑空调水系统模型)

2)实际工况参数收集、特性参数提取

根据步骤1)所述的仿真模型，测试设置正常工况、滞后故障工况、粘滞故障工况、失控带故障工况、控制死区故障工况、泄露故障工况、卡堵故障工况下可表征故障的特性参数:控制器输出信号、调节阀的阀位反馈信号和调节阀后流量(或者调节阀前后压差)。并根据故障工况类型对原始数据添加故障标签，如0代表正常工况，1代表故障工况。

通过flowmaster模拟得出数据进行处理，使其满足matlab下libsvm工具箱对训练数据和检验数据的文件格式要求。将每种工况包含的数据，根据故障类型对原始数据添加故障标签，如，0代表正常工况，1代表故障工况。

3)基于svm的故障检测模型训练

3-1)选取步骤2)所获得若干种调节阀故障工况下的调节阀的阀位反馈信号合并作为一个故障工况数据集；

选取步骤2)所获得若干种调节阀正常工况下的调节阀的阀位反馈信号作为正常工况数据集；

对数据进行等间距拆分为两部分，一部分作为svm分类模型的训练集，根据训练集和划分的故障标签进行svm分类模型的训练，从而获得调节阀故障检测模型，另一部分则作为模型测试集。

故障工况数据集和正常工况数据集作为svm的故障检测模型训练的输入；

3-2)将训练集和测试集中的数据进行可视化处理后，利用matlab自带的归一化函数对数据进行离差标准化的归一化处理，此方法是对原始数据的线性变换，使结果值映射到[0-1]之间。

3-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的svm的核参数g和惩罚因子c。值得说明的是，对于核参数g和惩罚因子c的选择，本专利采用交叉验证法(k-cv)进行参数选优。对于给定区间内的核参数g和惩罚因子c，针对每一组搭配首先将训练样本均分为三组，即k＝3，然后将每个子集数据分别做一次验证集，同时其余的两个子集数据作为训练集，这样会得到3个模型，那么它们的验证集的最终分类准确率的平均数就是分类器取该模型参数时的准确率。然后选取下一组核参数g和惩罚因子c的搭配继续进行交叉验证，直至完成给定区间内的所有搭配类型。

3-4)根据步骤3-3)获得的最优参数进行模型的训练，训练过程通过libsvm工具箱完成。之后，得到故障检测结果。

4)基于svm的故障诊断模型训练

4-1)将步骤2)所获得的将每种工况的数据进行等间距拆分为两部分，一部分作为svm分类模型的训练集，根据训练集和阀位反馈信号，从而获得调节阀故障诊断模型，另一部分则作为模型测试集。

4-2)将训练集和测试集中的数据进行可视化处理后，利用matlab自带的归一化函数对数据进行离差标准化的归一化处理，此方法是对原始数据的线性变换，使结果值映射到[0-1]之间。

4-3)在完成数据的归一化处理之后，开始进行支持向量机故障分类模型的参数优选过程。优选过程的目的是获得最佳的svm的核参数g和惩罚因子c，以获取最为准确的故障检测分类模型。如前所述，对于核参数g和惩罚因子c的选择，本文采用交叉验证法(k-cv)进行参数选优。对于给定区间内的核参数g和惩罚因子c，针对每一组搭配首先将训练样本均分为三组，即k＝3，然后将每个子集数据分别做一次验证集，同时其余的两个子集数据作为训练集，这样会得到3个模型，那么它们的验证集的最终分类准确率的平均数就是分类器取该模型参数时的准确率。然后选取下一组核参数g和惩罚因子c的搭配继续进行交叉验证，直至完成给定区间内的所有搭配类型。

4-4)根据步骤4-3)获得的最优参数进行模型的训练，训练过程通过libsvm工具箱完成。最终得到故障诊断模型；

5)基于svm的故障诊断模型训练，得到诊断结果

采集水冷式中央空调系统的水系统的工况参数和特性参数(与步骤2采集的数据的数据结构相同)；根据步骤3)得到的故障检测模型，判断中央空调系统的水系统是否发生调节阀故障：若是，通过步骤4)获得的故障诊断模型来检测故障类型。

下面以调节阀滞后故障为例，介绍基于svm的空调水系统调节阀故障诊断模型：按照步骤2)取故障工况下的模型训练集和测试集的性能参数数据，将按照步骤4)训练完成的诊断模型的预测值作为基准，计算特性参数的测试集数据与基准值的残差，并得出测试集数据与基准值之间的均方根误差和相关系数，作为故障诊断的基础。

再将正常工况下的特性参数数据和其他5种故障作为新的测试集带入该故障诊断模型，完成此故障的诊断流程。

根据各工况下得到的均方根误差和相关系数的数值，可根据滞后故障诊断模型的预测值与实际测量值的偏差来诊断当前是否发生滞后故障。此时，便得到故障诊断结果。

其他故障工况的诊断同上述步骤进行。诊断技术路线图见图3。