增量式制冷压缩机故障诊断方法与流程

本发明属于制冷系统，尤其涉及一种增量式制冷压缩机故障诊断方法。

背景技术：

1、对于制冷设备、制冷系统而言，制冷压缩机是核心部件，其性能的好坏直接关系整个制冷设备、制冷系统工作的可靠性。制冷压缩机是电机与压缩机构的紧密结合体，机械结构复杂，是集机、光、电、液、气等因素交叉的机电设备，制冷压缩机故障可监测的外部特征会出现重叠、减弱、甚至消失现象，制冷设备、制冷系统的其他部件故障也会在压缩机侧有特征体现，这对准确诊断制冷压缩机故障带来困难。

2、传统的故障诊断方法是通过温度、压力等单一参数的阈值判断实现压缩机的故障预警，然而，这种方法存在以下几个主要问题：

3、1、准确性差：传统方法依赖单一或少数参数进行判断，缺乏对多维度数据的综合分析，导致诊断结果的准确性较低，难以全面反映压缩机的真实工作状态；

4、2、时效性因素考虑不足：现有的故障诊断方法在设计时，往往忽视了压缩机运行过程中参数随时间变化的影响，无法及时反映故障的发生和发展情况，影响了诊断的及时性和有效性；

5、3、灵活性差：现有的故障诊断方法的模型在实际应用中缺乏灵活性和可调性，难以根据实际工况和需求，改变诊断所需参数、数据的种类和数量，导致其适应性较差，无法满足不同应用场景下的故障诊断要求。

技术实现思路

1、针对相关技术中存在的不足之处，本发明提供了一种增量式制冷压缩机故障诊断方法，以解决传统的故障诊断方法准确性差、时效性考虑不足、灵活性差的问题。

2、本发明提供一种增量式制冷压缩机故障诊断方法，具体步骤如下：

3、建立元模型：

4、元模型包括指标模型和专家模型；

5、所述指标模型中包括多个指标参数，所述指标参数包括指标数值ai、阈值范围[amin，amax]、指标时长阈值atime、指标距今时长along和指标静态权重ωa，阈值范围[amin，amax]、指标时长阈值和指标静态权重ωa均人工设定，∑ωa＝1，指标数值ai为劣化度值，并通过传感器采集获取；

6、所述专家模型中包括多个专家参数，所述专家参数包括专家数值bi、专家时长阈值btime、专家距今时长blong和专家静态权重ωb，专家时长阈值btime和专家静态权重ωb均为人工设定，∑ωb＝1，专家数值bi为健康值，并通过专家人员人工评定；

7、获取元模型的参数值：

8、获取指标模型中各个指标参数的参数值xi，若指标参数中的ai＜amin，则将该指标参数的参数值xi设定为0；若ai≥amin，该指标参数的参数值并且指标参数的数值yi为参数值乘以100；

9、获取专家模型中各个专家参数的参数值xi，当专家参数中的blong≤btime，则将该专家参数的参数值xi设定为0；当专家参数中的blong＞btime，该专家参数的参数值xi＝blong-btime；

10、进行一级模型评价；

11、对指标模型进行评价值计算，得到指标模型的健康评估值ehealth；对专家模型进行评价值计算；得到专家模型的健康评估值ehealth；

12、建立强模型：

13、强模型包括强指标参数和强专家参数，强指标参数包括强指标数值sai、强指标时长阈值satime、强指标距今时长salong和强指标静态权重ωsa，强指标数值sai为指标模型的健康评估值ehealth，强指标距今时长salong为指标距今时长along中的最小值，强指标时长阈值satime和强指标静态权重ωsa为人工设定；

14、强专家参数包括强专家数值sbi、强专家时长阈值sbtime、强专家距今时长sblong和强专家静态权重ωsb，强专家数值sbi为专家模型的健康评估值ehealth，强专家距今时长sblong为专家距今时长blong中的最小值，强专家时长阈值sbtime和强专家静态权重ωsb为人工设定；

15、ωsa+ωsb＝1；

16、获取强模型的参数值：

17、获取强指标参数的参数值xi，若强指标距今时长salong＜强指标时长阈值satime，则将强指标参数的参数值xi设定为0；若强指标距今时长salong≥强指标时长阈值satime，强指标参数的参数值xi＝salong-satime；

18、获取强专家参数的参数值xi，若强专家距今时长sblong＜强专家时长阈值sbtime，则将强专家参数的参数值xi设为0；若强专家距今时长sblong≥强专家时长阈值sbtime，强专家参数的参数值xi＝sblong-sbtime；

19、进行二级模型评价：

20、对强模型进行评价值计算，得到强模型的健康评估值ehealth；

21、故障判断：

22、将强模型的健康评估值ehealth与健康值阈值进行比较，若强模型的健康评估值ehealth大于等于健康值阈值，则认定设备正常；若强模型的健康评估值ehealth小于健康值阈值，则认定设备故障；

23、其中，所述评价值计算的具体步骤如下：

24、计算参数i的动态权重ωis，ωid为参数i的静态权重，k为参数i的修正参数，a为指数函数底数值，xi为参数i的参数值，k和a均通过人工设定，k≤1；

25、计算参数i的全部权重指数ωip，ωip＝ωis+ωid；

26、计算参数i在n个参数组成的评价模型中的权重因子ωi，

27、计算评价值dk，yi为参数i的数值；

28、获取健康评估值ehealth，若yi为健康值，则将dk作为ehealth；若yi为劣化度值，dh为设备全新时的健康值，且通过人工设定。

29、在其中一些实施例中，建立元模型步骤中，所述元模型进一步包括模拟诊断模型，所述模拟诊断模型包括多个模拟参数，所述模拟参数包括模拟数值ci、模拟时长阈值ctime、模拟距今时长clong和模拟静态权重ωc，模拟数值ci为健康值，并通过机器学习算法生成，模拟时长阈值ctime和模拟静态权重ωc均为人工设定，∑ωc＝1；

30、获取元模型的参数值步骤中，进一步获取模拟诊断模型中各个模拟参数的参数值xi，当模拟参数中的clong≤ctime，则将该模拟参数的参数值xi设定为0；当模拟参数中的clong＞ctime，该专家参数的参数值xi＝clong-ctime；

31、进行一级模型评价步骤中，进一步包括对模拟诊断模型进行评价值计算，得到模拟诊断模型的健康评估值ehealth；

32、建立强模型步骤中，强模型进一步包括强模拟参数，强模拟参数包括强模拟数值sci、强模拟时长阈值sctime、强模拟距今时长sclong和强模拟静态权重ωsc，强模拟数值sci为模拟诊断模型的健康评估值ehealth，强模拟距今时长sclong为模拟距今时长clong中的最小值，强模拟时长阈值sctime和强模拟静态权重ωsc为人工设定，此时ωsa+ωsb+ωsc＝1；

33、获取强模型的参数值步骤中，进一步包括获取强模拟参数的参数值xi，若强模拟距今时长sclong＜强模拟时长阈值sctime，则将强模拟参数的参数值xi设为0；若强模拟距今时长sclong≥强模拟时长阈值sctime，强模拟参数的参数值xi＝sclong-sctime。

34、在其中一些实施例中，对指标模型进行评价值计算时，a大于1，k等于1。

35、在其中一些实施例中，所述专家人员分为由高到低的多个专家等级，对专家模型进行评价值计算时，修正参数k随着专家等级的由高到低逐渐减小，a小于1。

36、在其中一些实施例中，多个所述模拟参数通过多种机器学习算法生成，所述机器学习算法包括逻辑回归、支持向量机、决策树、神经网络、朴素贝叶斯、k近邻。

37、在其中一些实施例中，多个所述机器学习算法分为由低到高的多个模拟精度等级，对模拟诊断模型进行评价值计算时，修正参数k随着模拟精度等级的由高到低逐渐减小，a小于1。

38、在其中一些实施例中，强模型中的参数分为由低到高的多个强模精度等级，对强模型进行评价值计算时，修正参数k随着强模精度等级的由高到低逐渐减小，a小于1。

39、在其中一些实施例中，所述强模拟参数和所述强专家参数的强模精度等级均高于所述强指标参数。

40、在其中一些实施例中，健康值的取值范围均为0～100。

41、在其中一些实施例中，所述指标参数包括时域参数、频域参数和时频域参数；

42、所述时域参数包括波形数据、特征时域数据和标定数据；

43、所述波形数据包括电流、电压、加速度、速度、位移的波形图；所述特征时域数据包括波形数据中的最大值、最小值、峰峰值、均值、均方值、方差、方根幅值、平均幅值、均方幅值、歪度、峭度、波形指标、峰值指标、脉冲指标、裕度指标、歪度指标、峭度指标、平均差；所述标定数据包括报警次数、报警时长、趋势变化率；

44、所述频域参数包括频域频谱数据和特征频域数据；所述频域频谱数据包括波形数据通过快速傅里叶变换得到的线性谱、功率谱、倒频谱、包络谱；所述特征频域数据包括频谱数据的能量值和特征幅值；

45、所述时频域参数包括时频域频谱数据和特征时频域数据；所述时频域频谱数据包括波形数据通过短时傅里叶变换、小波变换、希尔伯特黄变换得到的时频域频谱；所述特征时频域数据包括时频域频谱的能量值和特征幅值。

46、基于上述技术方案，本发明实施例中将多种元模型进行评价值计算，评价值计算是一种采用基于动态权重的自适应评估算法，从而将各个元模型有效结合，最终形成一个可控的强模型，达到博采众长的目标，将强模型再次进行评价值计算得到健康评估值，元模型中指标模型包括多种指标构成的指标参数，提供了多维度的综合分析，提升了诊断结果的准确性；两次评价值计算均考虑了时效性因素，从而提升了诊断的及时性和有效性；可根据改变诊断所需参数、数据的种类和数量，满足不同应用场景下的故障诊断要求，提升诊断的灵活性和可调性，解决了传统的故障诊断方法准确性差、时效性考虑不足、灵活性差的问题。