[发明专利]用于冷水机组故障诊断的传感器优化选择方法

说明书

本发明涉及一种用于冷水机组故障诊断的传感器优化选择方法，引入随机森林作为故障诊断元模型，同时采用敏感性分析与典型相关性分析为诊断模型选择最合适的特征参数(传感器)。敏感性分析能够结合诊断模型找到每类故障的敏感参数，具有很强的可解释性，而典型相关性分析可以去除参数间的相关性进一步简化参数。通过这两类方法的结合为诊断模型选择合适的特征集，从而确定需要安装的传感器。本发明能够大幅度减少安装传感器的数量，同时兼顾了系统复杂度以及诊断效果之间的平衡，具有优越的适用价值。

技术领域

本发明涉及一种诊断技术，特别涉及一种用于冷水机组故障诊断的传感器优化选择方法。

背景技术

制冷系统经过长期的运行难免会发生故障(制冷剂不足，冷凝器结垢等)，故障的发生会导致机组寿命缩减、能耗增大、维修成本增加等问题，因此需要建立故障诊断模型在故障发生之初对机组进行调节，而故障诊断模型的建立需要大量的数据支撑，数据的采集往往通过传感器(温度、压力、功率等传感器)实现，在安装少量传感器的情况下，训练一个诊断效果较好诊断模型是故障诊断的一个关键问题。

在现有的传感器优化选择技术中一般会通过制冷先验知识或者特征选择算法进行传感器的优化选择。通过先验知识选择的传感器对于数据驱动诊断模型并不适用，诊断效果较差。传统的特征选择算法有两类，一种是无模型的，它仅仅关注数据本身，能够去除特征间的相关性(信息交叉部分)，但缺乏与故障的关联，因此对于模型的适用性并不强；另一种是基于模型的，它依据模型诊断结果选择最适合模型的特征集，但是这类方法对于单个故障的可解释性较差，因为此方法选择的特征集是针对所有故障的，无法为每一类故障找到它在诊断过程中倚重的特征。

发明内容

本发明是针对现在通过传感器参数进行故障诊断中存在的参数难以选择问题，提出了一种用于冷水机组故障诊断的传感器优化选择方法，结合了敏感性性分析与典型相关性分析为诊断模型选择最合适的传感器组合；兼顾了安装成本、系统复杂度以及诊断效果三者的平衡；为每一类故障找到敏感参数，有较强的可解释性，能够方便技术人员进行调整分析。

本发明的技术方案为一种用于冷水机组故障诊断的传感器优化选择方法，具体包括如下步骤：

1)数据预处理：针对制冷系统常见故障，设置需要采集的特征参数，通过实验采集特征参数数据，特征参数包括直接由一个传感器测量出的直接测量特征参数和由数个传感器测量数据计算转换的间接计算特征参数，每组数据包含M个特征参数作为一样本数据，总共N组特征参数数据；对实验样本数据进行预处理，即将采集到的各类故障的特征数据随机划分为训练数据与测试数据，并将数据进行归一化处理，消除量纲影响；

2)建立并优化随机森林诊断模型，具体步骤如下:

2.1)从经过预处理后的训练数据中有放回的随机抽取特征数据组成子训练集，得到n个子训练集，形成的n个子训练集用来训练决策树，即每个子训练集作为一个决策树根节点处的样本，形成n个决策树的根节点处样本；

2.2)对于每个子训练集，从子训练集中随机选取特征作为节点分裂特征，构建决策树；

2.3)按照步骤2.1)～2.2)建立n个决策树，构成随机森林，在形成随机森林的过程中使用网格搜索与交叉验证对随机森林参数进行优化；

2.4)投票法类别判定：利用测试集对随机森林进行测试，根据每一棵决策树的类别输出，采用投票法进行类别判定；

3)生成分析样本集并输入训练好的随机森林诊断模型中:将未做预处理的训练数据中每一类故障的数据分开，依据各故障数据中各特征参数的最大值与最小值定义每一类故障的分析样本集的特征参数空间，使用Sobol序列生成每一类故障的样本特征参数集并进行归一化处理，将生成的各类故障样本特征参数集分别输入到训练好的随机森林模型中，并保存模型输出；

4)针对步骤3)输入和输出数据，采用Sobol法对模型进行方差分解，计算每类故障下特征的总敏感指数以及平均敏感指数；