基于单类支持向量机的冷水机组温度传感器故障检测

冷水机组系统中,温度传感器出现故障会严重影响机组工作效率及使用寿命。针对冷水机组温度传感器偏差故障,本文提出一种基于单类支持向量机(one-class support vector machine,OC-SVM)的故障检测方法,采用冷水机组正常数据建立OCSVM模型,通过十折交叉验证法获得模型优化参数。分别采用工程实测数据和实验数据(共4组)对该方法进行了验证,结果表明:基于OC-SVM的方法能有效检测出4组冷水机组的温度传感器偏差故障。其中对于螺杆式冷水机组(数据集Ⅰ)的故障检测效果明显,当冷冻水侧温度传感器偏差故障幅值绝对值大于1℃时,检测效率达到100%。     

冷水机组多故障耦合研究

为了提高冷水机组的运行效率、设备可靠性和能源利用率,本研究将对冷水机组的多故障耦合进行检测和诊断。首先,本研究使用RP-1043(Research Promotion)项目的故障数据,对冷水机组几种典型故障数据进行分析对比。其次,本研究使用3种树模型对数据进行训练,发现随机森林在准确率和训练预测的效率上综合表现最好。使用随机森林模型,结合专家知识,对故障等级为1的冷水机组的运行数据进行特征选取,然后建立贝叶斯网络故障诊断模型。最后,使用该模型对实际故障案例进行诊断与分析,对比附加信息层对故障诊断的影响。结果表明,该模型仅使用故障特征节点便可以对故障进行有效的诊断,合理利用附加信息层可以进一步提高故障诊断的可靠性。     

基于改进BP网络的冷水机组故障诊断

采用常规神经网络进行冷水机组的故障检测与诊断,存在整体检测率低或完全无法检测的现象。为了提高冷水机组故障检测效率及诊断精度,本文提出了一种基于贝叶斯正则化的改进神经网络故障检测策略。由于BP神经网络存在泛化能力差的缺陷,对神经网络进行贝叶斯正则化,从而提高模型的检测效率。贝叶斯算法通过限制神经网络权值,使网络反应更加光滑,模型更精确。通过利用ASHRAE Project提供的数据对FDD(fault detection and diagnosis)策略进行验证,检测率明显提高。     

基于EWMA-BN的冷水机组故障诊断策略

为提高冷水机组故障诊断的准确度,本文提出一种基于EWMA-BN的冷水机组故障诊断策略。EWMA-BN模型通过EWMA控制图进行故障检测,以其控制限为阈值将各性能指标的故障数据分为高、低、正常3种状态,通过概率统计获得条件概率表,将条件概率表和由专家知识获得的先验概率表输入BN进行故障诊断。利用实验数据从输入模型的证据节点数量、顺序及完整性等方面分析该模型的故障诊断特性。结果表明:EWMA-BN方法对冷水机组常见故障的诊断效果显著,后验概率值(故障诊断结果)均大于0.85,且输入模型的证据节点越多,故障诊断结果越准确,但证据节点输入模型的顺序对最终故障诊断结果无任何影响;对不确定、不完整信息的利用进一步提高了模型的故障诊断能力。采用ASHRAE Project提供的数据对EWMA-BN模型进行验证,故障诊断结果良好。     

基于统计学参数与SVM算法的核电风冷式冷水机组高压保护故障研究

采用传统的人工识别方法很难确定核电风冷式冷水机组高压保护故障是源于翅片脏堵还是源于散热不良.本文采用基于统计学参数和机器学习的分析方法对冷水机组高压保护进行分类研究,经数据预处理和模型选择,提出一种基于统计学参数与SVM(支持向量机)算法的核电风冷式冷水机组高压保护故障诊断方法,故障识别率达96％,达到了行业专家分析水...     

基于关联规则分类的冷水机组故障诊断研究

鉴于现有基于数据驱动的故障诊断方法多以黑箱模型为主,诊断过程和结果难以解释的问题,本文提出一种基于关联规则分类的冷水机组故障诊断和故障作用机理解释的方法,在保证较好故障诊断精度的前提下,利用故障诊断模型中的规则库对诊断过程进行逆向分析,解析故障作用机理和模型的诊断过程,提升了基于数据驱动的故障诊断方法的可靠性。通过ASHRAE研究项目1043的实验数据对该方法进行验证。结果表明,基于关联规则分类的冷水机组故障诊断方法可以有效地识别7种典型冷水机组故障,平均故障诊断准确率高达90.84％。此外,提取的规则能够较好地吻合制冷原理及热力学相关知识,可用于故障作用机理分析与故障诊断的进一步研究。     

基于小波去噪和神经网络的冷水机组故障诊断

对基于神经网络方法的冷水机组故障监测效率取决于训练数据和被测数据的质量问题进行了研究。采用小波变换的方法剔除测量数据中的噪声,提高数据质量,从而提高冷水机组故障诊断效率。结果表明:采用小波变换使得各个水平故障的检测效率均得到提高,尤其水平一的故障检测效率提高明显。故障水平一检测率的提高能够及时的辨别冷水机组的故障,从而采用措施防止故障进一步恶化,对降低能源消耗、提高系统的可靠性以及保证室内舒适性具有重要的意义。通过利用ASHRAE Project提供的数据对故障诊断与检测(fault detection and diagnosis)策略进行验证,检测率明显提高。     

基于Tri-Training的制冷系统半监督故障诊断

针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能。采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明：该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%～3.90%,虚警率、漏报率、误报率均有不同程度改善。同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素。     

扩展卡尔曼滤波器在冷水机组传感器故障诊断中的应用

围绕暖通空调系统中冷水机组传感器的故障诊断,基于扩展卡尔曼滤波器(EKF)提出一种冷水机组传感器故障检测方法。首先对数据进行预处理,根据诊断阈值范围与异常变化整定2个误差协方差矩阵。然后分为单参数和双参数自适应阈值诊断,双参数的诊断效果不好故舍弃,而在单参数方法中,对正常样本与异常样本均值进行加权平均,根据诊断效率和误报率认为最优模型对应的正常样本均值与异常样本均值权重比为0.8:0.2。     

基于SVM的不同故障程度下冷水机组故障诊断

冷水机组是一个高度非线性的复杂系统,其系统故障会导致系统的运行偏离正常状态,不仅会造成工作空间空气质量的下降,更会造成机组能耗的增加。在选取RP-1043实验数据中的一组正常数据之后,又选取了其中七组故障数据,建立了训练数据。通过支持向量机(SVM)方法进行分类,以测试其对于冷水机组故障诊断的性能,并采用正确率(correct rate,CP)、命中率(hit rate,HR)、虚警率(false alarm rate,FAR)三个指标来评价模型的分类性能。同时引入四种不同程度故障,分析SVM方法随着故障程度变化的分类准确率变化。     

An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts

Development of the fault detection and diagnosis (FDD) for chiller systems is very important for improving the equipment reliability and saving energy consumption. The results of FDD performance are strongly dependent on the accuracy of chiller models. Since the accuracy of the chiller models depends on the indefinite model parameters which are normally chosen by experiments or experiences, an accurate chiller model is difficult to build. Therefore, optimization of model parameters is very useful to increase the accuracy of chiller models. This paper presents a new FDD strategy for centrifugal chillers of building air-conditioning systems, which is the combination between the nonlinear least squares support vector regression (LSSVR) based on the differential evolution (DE) algorithm and the exponentially weighted moving average (EWMA) control charts. In this strategy, the nonlinear LSSVR, which is a reformulation of SVR model with better generalization performances, is adopted to develop the reference feature parameter models in a typical non-linear chiller system. The DE algorithm which is a real-coding optimal algorithm with powerful global searching capacity is employed to enhance the accuracy of LSSVR models. The exponentially weighted moving average (EWMA) control charts are introduced to improve the fault detection capability as well as to reduce the Type II errors in a t-statistics-based way. Six typical faults of the chiller from the real-time experimental data of ASHRAE RP-1043 project are chosen to validate proposed FDD methods. Comprehensive comparisons between the proposed method and two similarly previous studies are performed. The comparison results show that the proposed method has achieved significant improvement in accuracy and reliability, especially at low severity levels. The proposed DE-LSSVR-EWMA strategy is robust for fault detection and diagnosis in centrifugal chiller systems.     

基于谱聚类下采样失衡数据下SVM故障检测

在故障诊断领域中,对传统支持向量机（SVM）算法在数据失衡情况下无法有效实现故障检测的不足,提出一种基于谱聚类下采样失衡数据下SVM故障检测算法。该算法在核空间中对多数类进行谱聚类,然后选择具有代表意义的信息点,最终实现样本均衡。将该算法应用在轴承故障检测领域,并同其他算法进行比较,试验结果表明本文建议的算法在失衡数据情况下较其他算法具有较强的故障检测性能。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于PSO-SVR的冷水机组运行能效预测模型研究

针对冷水机组运行能效模型结构复杂、受运行参数影响较大、机理建模困难等问题,本文建立了基于支持向量回归机的冷水机组运行能效预测模型,并采用粒子群优化算法对模型参数寻优,提高了模型的精度。论文以某商场中央空调离心式冷水机组为研究对象,随机选取396组运行数据对建立的模型进行训练和测试。结果表明,基于粒子群算法优化的冷水机组支持向量回归机模型较BP神经网络模型具有较高的预测精度,其相对误差基本上在3%以内。最后分别采集夏季和过渡季两日的运行数据验证模型的有效性,验证相对误差均在5%以内,因此,该模型能准确地反应冷水机组的运行能效,为冷水机组运行能效分析、故障诊断以及优化控制等提供参考依据。     

Sensitivity analysis for PCA-based chiller sensor fault detection

This paper presents an algebraic solution of erroneous sensor's undetectable boundary to evaluate the sensitivity of chiller sensor fault detection based on principal component analysis. Q-statistic of PCA is normally applied as a collective statistical index to detect sensor fault by comparing its value with the threshold. However, Q-statistic has no specific physical meaning and cannot evaluate the sensitivity of the provided method for sensor fault detection. We analyzed the definition of Q-statistic and derived the numerical value of the minimum range not to detect sensor fault. Bias sensor fault of a fielded screw chiller was studied for each sensor in PCA model by introducing different severity levels. Results showed that each sensor has different fault detection sensitivity using the same PCA model. The undetectable boundary can be a criterion used to evaluate the detection sensitivity of PCA-based method easily.     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于 ResU-Net 的三维断层识别方法及应用

断层刻画了地层的边界位置,地震成像数据中反射层的不连续性可作为断层解释的主要依据。深度神经网络的强非线性性质可作为地震数据中断层不连续特征表达的有力工具,断层识别问题可视作一个像素级别的二分类问题,并使用深度学习方法对此问题进行建模求解。据此可给出一种端到端的基于深度学习网络的三维断层自动识别方法。首先利用地震子波与反射系数卷积合成多组三维地震数据,建立用于深度网络学习断层特征的样本数据,随后搭建网络进行训练,网络训练完成后应用于实际地震数据。鉴于残差模块可很好地提升网络泛化性能,所提出的将残差网络中的残差块结构引入U-Net中的方法,可用于提升通过合成数据样本训练得到的网络模型在训练数据之外,即实际地震数据上的断层识别性能。所建立网络用于断层解释时,输入为叠后三维地震数据,输出为相同维度的三维数据体,其中每一输出值代表输入三维地震数据相同位置处断层的概率。实际算例对比测试表明,此方法可对三维地震数据中的断层进行有效识别,在合成数据集上训练精度相差不大的前提下,引入残差模块的ResU-Net在实际地震数据上的断层识别泛化性能得到提升。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

基于改进Duffing理论的轴承微弱故障信号判断

分析了传统Duffing振子混沌系统的基本理论对检测微弱信号的不足,给出了基于改进之后的Duffing振子检测微弱信号的新方法。改进后的方法能够弥补传统方法对系统固有频率的限制,检测具有较大固有频率的微弱信号。本文主要利用传统方法和改进方法分别对轴承外圈故障信号进行验证性分析,发现改进方法能更好的找出微弱故障信号。通过对仿真信号分析和轴承故障诊断实验,结果验证了本文方法的有效性。