[发明专利]一种多联机的制冷剂充注量故障诊断方法和装置

说明书

本发明公开了一种多联机的制冷剂充注量故障诊断方法和装置，该方法包括：S1：采集多联机在不同充注量制冷剂下的运行数据；S2：通过主元分析法PCA对采集的运行数据进行处理，获得特征运行数据；S3：利用特征运行数据对BP神经网络进行训练，获得制冷剂充注量故障检测模型；S4：利用所述故障检测模型判断多联机的制冷剂充注量是否满足预设标准。本发明既可以除去原始数据中的冗余部分，降低输入数据维数，又可以发挥BP神经网络非线性建模的能力，提高模型的泛化能力和学习稳定，极大的提高神经网络的收敛性。

技术领域

本发明涉及能源技术领域，特别涉及一种多联机的制冷剂充注量故障诊断方法和装置。

背景技术

在能源资源日渐枯竭的今天，如何提高能源效率、降低能耗成为了一个具有重要意义的研究课题。目前，制冷空调系统占建筑系统总能耗的比例高达30％～45％，有效地降低空调能耗、提高制冷空调的工作效率便可以降低能耗，提升能源利用率。制冷剂充注量是影响制冷系统性能的重要参数之一，若发生故障没有及时排除，会导致系统能耗增加、设备寿命缩短、人员体感不适甚至影响正常的工作。

目前，故障诊断的方法基本都是从大量数据中挖掘有效信息，发现规律的数据挖掘算法是如今应用较为广泛的故障诊断方法。其中，多层前馈(Back Propagation，BP)神经网络是目前使用颇为成熟的数据挖掘算法之一，其推理过程实质是模拟大脑思维结构进行数值计算过程，避免了专家系统诊断过程中出现的“匹配冲突”、“无穷递归”等问题。

但是，直接利用BP神经网络进行故障诊断具有网络权值难以理解、容易陷入局部极小值、网络稳定性差且收敛速度较慢、泛化能力也会较弱等等缺陷。

发明内容

本发明实施例提供了一种多联机的制冷剂充注量故障诊断方法和装置，既可以除去原始数据中的冗余部分，降低输入数据维数，又可以发挥BP神经网络非线性建模的能力，提高模型的泛化能力和学习稳定，极大的提高神经网络的收敛性。

第一方面，本发明实施例提供了一种多联机的制冷剂充注量故障诊断方法，该方法包括：

S1：采集多联机在不同充注量制冷剂下的运行数据；

S2：通过主元分析法PCA对采集的运行数据进行处理，获得特征运行数据；

S3：利用特征运行数据对BP神经网络进行训练，获得制冷剂充注量故障检测模型；

S4：利用所述故障检测模型判断多联机的制冷剂充注量是否满足预设标准。

优选地，

在步骤S2之前，进一步包括：

对采集的运行数据进行预处理；

该预处理包括剔除运行数据中数值保持不变的死值变量、测量温度值中超出正常范围的测量值和压力测量值中超出正常范围的测量值。

优选地，

步骤S2的具体过程包括：

利用PCA分析得到各个主元的贡献率及累计贡献率；

根据各个主元的贡献率及累计贡献率，确定符合预设要求的特征运行数据。

优选地，

步骤S3的具体过程包括：

以特征运行数据作为BP神经网络的输入数据，以制冷剂充注量作为BP神经网络的输出数据，构建BP神经网络；

利用特征运行数据对构建的BP神经网络进行训练，获得制冷剂充注量故障检测模型。

第二方面，本发明实施例提供了一种多联机的制冷剂充注量故障诊断装置，该装置包括：数据采集模块、主元分析模块、模型训练模块和检测判断模块，其中，