[发明专利]一种基于HSMM的空调机组设备的故障预测方法

说明书

本发明涉及一种基于HSMM的空调机组设备的故障预测方法，首先采用神经网络以及滤波等方法提取故障特征，并结合主成分分析法，获得主故障特征矩阵；接着建立空调机组各故障分别对应的初始半隐马尔可夫模型，并采用吉布斯采样法训练获得各半隐马尔可夫模型；之后应用缩放维特比算法，获得空调机组各设备所对应半隐马尔可夫模型的状态估计；然后应用后向递归算法将不同故障的半隐马尔可夫模型，合成空调机组及其设备的半隐马尔可夫模型，降低计算量；最后，基于空调机组及其设备所对应半隐马尔可夫模型当前状态估计值的获得，进一步采用后向递归算法，计算获得空调机组及其设备的剩余使用寿命；如此能够针对空调机组设备故障实现精确预测，保证空调机组的实际工作效率。

技术领域

本发明涉及一种基于HSMM的空调机组设备的故障预测方法，属于空调机组故障诊断技术领域。

背景技术

商业建筑中的大约50％的能源是被暖通空调系统消耗的。在暖通空调系统中，故障可能会引起很大的能源消耗以及无法满足人们对于舒适度的需求。作为暖通空调系统的重要子系统，空调机组(air handling unit,AHU)被用于将室内空气调节到适宜温度。该系统由混风箱，过滤器，盘管，风扇和送风管道等组成。空调机组的故障会影响冷冻水与空气的换热或者空气的流动，导致能源浪费以及人们的舒适度无法得到满足。故障预测可以在故障发生之前可以通过估计设备的剩余使用寿命(remaining useful life,RUL)来预测故障可能发生的时刻和位置。通过及时维修或者替换潜在的故障设备可以避免未来突然发生的造成重大危害的故障，增加设备的使用寿命，以及降低运维成本。因此，精确地且及时地进行故障预测非常关键，目前空调机组的故障预测的研究还很少。

发明内容

本发明所要解决的技术问题是提供一种基于HSMM的空调机组设备的故障预测方法，采用全新设计架构，应用半隐马尔可夫模型和后向递归算法，能够针对空调机组，实现高精度的故障诊断预测，保证实际工作的稳定性。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于HSMM的空调机组设备的故障预测方法，包括如下步骤：

步骤A.基于空调机组故障相关变量分别沿时序的变化，构建空调机组上冷却盘管与风扇分别所对应各故障特征时序变化，进而获得冷却盘管与风扇分别所对应故障特征矩阵X_cc、X_sf，并进一步针对故障特征矩阵X_cc、X_sf，分别执行故障特征降维操作，获得冷却盘管与风扇分别所对应的主故障特征矩阵O_cc、O_sf，然后进入步骤B；

步骤B.根据冷却盘管与风扇分别所对应的主故障特征矩阵O_cc和O_sf，构建冷却盘管不同故障分别所对应的初始半隐马尔可夫模型，以及构建风扇不同故障分别所对应的初始半隐马尔可夫模型，并基于主故障特征矩阵O_cc和O_sf中的预设比例训练数据，应用吉布斯采样法分别针对各初始半隐马尔可夫模型进行训练，获得冷却盘管不同故障分别所对应的半隐马尔可夫模型，以及风扇不同故障分别所对应的半隐马尔可夫模型，然后进入步骤C；

步骤C.基于冷却盘管与风扇分别所对应主故障特征矩阵O_cc和O_sf中的预设比例测试数据，采用缩放维特比算法，获得冷却盘管不同故障与风扇不同故障分别所对应半隐马尔可夫模型、对应时刻1至时刻K的状态估计，然后进入步骤D；

步骤D.针对冷却盘管与风扇，应用后向递归算法将设备各故障分别所对应的半隐马尔可夫模型进行集成，获得空调机组、以及其冷却盘管与风扇分别所对应的半隐马尔可夫模型，并进一步获得空调机组、以及其冷却盘管与风扇所对应半隐马尔可夫模型的当前状态估计值，然后进入步骤E；

步骤E.根据空调机组、以及其冷却盘管与风扇分别所对应的半隐马尔可夫模型、以及各设备当前状态估计值，采用后向递归算法，计算获得空调机组以及其中的冷却盘管与风扇的剩余使用寿命。