[发明专利]一种基于KDE-FA的冷水机组故障特征刻画方法

说明书

本发明公开了一种基于KDE‑FA的冷水机组故障特征刻画方法，选用移动平均滤波器法对冷水机组原始故障数据进行平滑处理，对平滑数据进行稳态筛选；采用KDE方法对稳态筛选后的故障数据进行故障特征选择；采用FA方法对选择出的冷水机组故障特征进行特征降维，完成故障特征刻画；构建KDE‑BN模型、FA‑BN模型及KDE‑FA‑BN模型，进行FD故障检测和评价；构建KDE‑SVDD模型、FA‑SVDD模型及KDE‑FA‑SVDD模型，进行FD故障检测和评价；步骤6：分别将构建的模型与传统BN、SVDD模型检测性能比较，判定该FD方法效果。该方法在现场冷水机组故障检测应用中，能够减少工作量，提高检测效率及精度。

技术领域

本发明属于空调系统中冷水机组故障检测领域，具体涉及一种基于非参数核密度估计和因子分析(KDE-FA)的冷水机组故障特征刻画方法。

背景技术

冷水机组是暖通空调系统中的主要耗能设备，通过冷水机组的故障检测(FD)，及时发现和识别故障，并作出相应决策，对实现空调系统节能，保持空调系统高能效运行和维持室内环境舒适度具有重要的工程意义和经济意义。

故障特征刻画主要包括故障数据特征选择和特征降维。选择合适的故障特征是FD的前提和关键，特征选择的好坏很大程度上决定了故障检测的性能。故障特征维度较高及特征之间具有信息冗余性是现有FD方法研究所面临的主要问题之一，这会导致维度灾难，增加工作量，需要更多的时间和空间，从而降低故障检测效率。

大多数现有FD方法通常以其检测性能最佳为原则选择表征故障的特征参数，这往往导致获取这些特征参数的传感器数量多、成本高。冷水机组现场传感器安装现状的调研结果显示：温度传感器是现场存在最多且成本较低的传感器，压力和流量传感器成本较高且现场大量缺乏。因此选择大量压力或流量特征进行FD工作不具备经济意义，基于成本进行特征刻画成为FD方法的出发点。

目前，在冷水机组故障检测技术中，故障特征刻画的传统技术途径有：1)考虑现场成本和特征敏感性进行特征选择；2)基于PCA等方法进行特征降维。然而，上述两条传统途径常常存在两大问题：1)不能完全从样本数据本身出发，反映故障特征的真实分布，从而导致对FD有用的敏感特征可能被遗漏；2)原始变量和公共因子之间的关系无法得到较好解释，提取出来的主成分无法清晰地解释其代表的含义。

发明内容

为解决现有技术中存在的上述缺陷，本发明提出了一种基于KDE-FA的冷水机组故障特征刻画方法，根据该方法所确定的故障特征以及匹配的故障检测方法，在现场冷水机组故障检测应用中，既可以不遗漏有用的敏感特征，真实刻画故障数据特征，又可以降低特征维度，减少工作量，提高检测效率及精度，从而有效克服目前故障特征刻画存在的主要问题。

实现本发明的技术路径是：首先基于KDE进行敏感特征选择，然后基于FA进行特征降维，从而达到在不影响检测精度的条件下，以最少特征表征冷水机组故障的目的；最后基于KDE-FA方法建立特征刻画模型，并将此模型用于BN和SVDD的FD技术。其中，融入KDE-FA特征刻画方法的FD包括三个过程：1)数据预处理；2)特征刻画；3)故障检测过程。

本发明具体技术方案如下。

一种基于KDE-FA模型的冷水机组故障特征刻画方法，包括下述步骤：

步骤1：选用移动平均滤波器法对冷水机组原始故障数据进行平滑处理，然后选用计算几何加权运行平均值和几何加权运行方差的方法对平滑数据进行稳态筛选；

步骤2：采用KDE方法对稳态筛选后的故障数据进行故障特征选择：

步骤3：采用FA方法对KDE选择出的冷水机组故障特征进行特征降维，完成故障特征刻画工作。采用FA方法对KDE选择出的故障特征进行特征降维时，包括因子描述、因子提取、因子旋转和因子得分四个环节。