[发明专利]一种集成SVM机制的冷水机组故障诊断方法

说明书

本发明公开了一种集成SVM机制的冷水机组故障诊断方法，通过现场冷水机组中获得机组无故障和故障运行历史数据，用于无故障和各类故障DW‑SVDD模型和全故障SVM模型训练；应用训练无故障DW‑SVDD模型在线故障检测，若满足条件，则现场冷水机组正常；否则用DW‑SVDD模型进行在线诊断，若实测数据仅满足其中一个故障模型的条件，则诊断为该类型故障；若实测数据满足其中两个以上故障模型条件，即诊断结果出现混淆，使用全故障SVM模型再次诊断，确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。该方法有效克服了目前故障诊断阶段存在的主要局限性，具有较高的诊断正确性和准确性。

技术领域

本发明属于空调系统中冷水机组故障诊断技术领域，具体涉及一种集成支持向量机(SVM)机制的冷水机组故障诊断方法。

背景技术

冷水机组是空调系统中的主要耗能设备，因此通过故障诊断方法，及时发现冷水机组运行过程中的性能劣化，及时进行运行维护与保养，从而保证冷水机组能够在较高能效水平下正常运行，既降低运行能耗，又节省运行及维保费用。

目前冷水机组故障检测与诊断的主流方法是基于历史数据的方法，包括人工神经网络、多元线性回归、模糊逻辑及支持向量数据描述等。这些故障检测与诊断方法主要存在的局限性有：

1)人工神经网络、多元线性回归、模糊逻辑等方法对样本需求量大，诊断正确率低等；

2)支持向量数据描述的方法用于故障检测时虚警率高，诊断结果易混淆，误诊率高等。

由于机房现场各类故障数据难以获得，传统的一类分类方法(如SVDD)对训练数据样本需求量少，但对故障的检测和诊断正确率较低，主要原因是由于未考虑数据密度分布造成的，因此本课题组在考虑密度分布的基础上，提出了基于密度权重支持向量数据描述(DW-SVDD)的一类分类方法，降低了检测阶段的虚警率，但诊断时出现诊断结果混淆，误诊率较高。因此基于DW-SVDD的一类分类方法，本发明通过在诊断阶段集成SVM多类分类方法，提出了DW-SVDD-SVM方法，可以有效解决诊断结果混淆问题，提高诊断正确率。

发明内容

为解决现有技术中存在的上述缺陷，本发明提出了一种集成SVM机制的冷水机组故障诊断方法，即DW-SVDD-SVM的故障检测与诊断方法，该方法具有对样本需求量少，检测正确率高，通过在诊断阶段集成SVM方法机制，可以有效克服DW-SVDD方法在诊断过程存在诊断结果混淆的问题。

为了有效提高故障检测和诊断性能，提出了一种集成SVM机制的冷水机组故障诊断方法，具体包括：(1)针对故障数据库样本量少的情况，本发明采用对训练数据样本量需求较少的密度权重支持向量数据描述(DW-SVDD)的方法进行故障检测与诊断；(2)针对DW-SVDD方法在诊断过程中出现的诊断结果混淆，误诊率高的问题，通过在诊断阶段集成SVM多类分类方法来解决。

实现本发明的目的的技术路径是：通过现场的冷水机组系统中安装的传感器获得机组无故障和各类故障运行下的数据，经过数据处理后用于DW-SVDD模型和全故障SVM模型训练；然后，应用建立好的无故障运行的DW-SVDD模型进行在线故障检测，若实测数据不满足该模型的条件，即现场冷水机组系统运行不正常，则进行在线故障诊断；最后用各故障DW-SVDD模型进行在线诊断，若实测数据仅满足其中一个故障模型的条件，则诊断为该类型故障；若实测数据满足其中两个或多个故障模型的条件，即诊断结果出现混淆，则使用全故障SVM模型再次进行诊断，以确定其故障类型；若实测数据均不满足所有的故障模型，则诊断为新类型故障。

本发明的具体技术方案如下：

一种集成SVM机制的冷水机组故障诊断方法，包括下述步骤：

步骤1：通过现场冷水机组系统中安装的传感器获得机组无故障运行和各类故障运行的历史数据；

步骤2：对机组无故障运行和每类故障情况下的历史数据进行稳态筛选、特征选择和标准化处理；