基于融入决策边界贝叶斯网络的冷水机组故障诊断方法

本发明涉及冷水机组故障诊断，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：

1、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系统的主要部分，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％。

2、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。

3、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。

技术实现思路

1、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。

2、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：

3、(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；

4、(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；

5、(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；

6、(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；

7、(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；

8、(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；

9、(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；

10、(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。

11、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。

12、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

13、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：

14、

15、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，

16、t2的控制限值cl可由fisher分布进行计算，其计算式如下：

17、

18、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。

19、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：

20、

21、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。

22、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系统，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：

23、(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；

24、(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；

25、(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；

26、(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；

27、(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；

28、(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；

29、(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；

30、(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。

31、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。

32、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)。

33、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：

34、

35、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：

36、

37、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。

38、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：

39、

40、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。

41、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。