[发明专利]基于模型与数据融合的冷水机组复合故障诊断方法及系统

权利要求书

1.基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，包括如下步骤：

（1）获取冷水机组正常工作和故障时的数据，并将冷水机组正常工作和故障时的数据进行稳态过滤，得到冷水机组正常工作和故障时的稳态数据，选择用于表征冷水机组故障的特征参数和直接测量参数，选择用于表征冷水机组运行工况的指示参数；

（2）选择用于确定特征参数正常值的参考模型；

（3）使用获取的冷水机组正常工作时的稳态数据，对参考模型进行训练，确定参考模型中的回归系数，得到训练好的参考模型；

（4）构建BN模型；所述BN模型包括BN的结构和BN的参数；

（5）获取冷水机组运行时的实时数据，经过特征选择后，得到各项特征参数的计算值和直接测量参数的测量值；

（6）将获取冷水机组运行时的实时数据输入构建好的参考模型中，得到各项特征参数的正常值；

（7）比较特征参数的正常值与计算值，得到各项特征参数相对于正常值的变化方向；

（8）将各项特征参数的变化方向和直接测量参数的测量值一并作为证据，输入构建好的对应于每个故障的BN模型中，根据每个故障发生的后验概率，判断冷水机组出现了何种故障。

2.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，所述步骤（3）在对参考模型进行训练时，表征冷水机组故障的特征参数作为参考模型的输出，表征冷水机组运行工况的指示参数作为参考模型的输入。

3.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，所述步骤（4）在构建BN模型时，所述BN的结构包括故障层和征兆层，其中故障层包括一个节点，该节点表示某个具体故障，设有“Yes”和“No”两种状态，分别表示故障发生与否，所述征兆层包括若干个特征参数和直接测量参数，每个特征参数包括三个状态，分别是“变大”、“不变”和“变小”，直接测量参数组成的节点为m维连续型节点，其数据服从m维高斯分布。

4.根据权利要求3所述的基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，所述步骤（4）在构建BN模型时，所述BN的参数包括故障层节点两个状态的先验概率、征兆层中特征参数节点三个状态的条件概率以及描述征兆层中直接测量参数节点的高斯分布的两个参数；其中，故障层节点两个状态的先验概率依据维修记录统计数据确定，征兆层中特征参数节点三个状态的条件概率由维修记录统计数据给出，描述征兆层中直接测量参数节点的高斯分布的两个参数分别为均值向量和协方差矩阵，均值向量和协方差矩阵在故障层节点为“Yes”状态时，由获取的冷水机组故障时的稳态数据通过极大似然估计得到。

5.根据权利要求3所述的基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，在确定所述征兆层中具体特征参数时，首先对故障与特征参数之间的内在物理关系进行分析，再构建表征故障与特征参数之间映射关系的诊断规则表，然后确定征兆层中具体的特征参数。

6.根据权利要求1所述的基于模型与数据融合的冷水机组复合故障诊断方法，其特征在于，所述步骤（5）中获取冷水机组运行时的实时数据，首先进行稳态过滤，再进行特征选择。