[发明专利]一种基于GSRA模型的冷水机组故障诊断方法

摘要

本发明公开了一种基于GSRA模型的冷水机组故障诊断方法。该方法首先使用遗传算法优化各劣化等级下的加权指数，构建综合参考故障模式；其次引入关联度阈值对待检故障模式进行定性诊断，利用灰色相似关联度(GSRD)和阈值确定它的嫌疑故障模式；最后再利用GSRD对定性结果进行定量诊断，确定待检故障模式的类别与劣化等级。该方法可有效应用于冷水机组故障诊断。相比于使用单一劣化等级下的参考故障模式表示综合参考故障模式和单一依靠最大关联度原则确定故障模式的传统手段，本发明提出的方法显著提高了故障诊断性能，该方法不仅对小样本模式识别有着良好分类效果，且具有计算量小、参数优化简单、不要求样本数据服从某种特定分布等诸多优点。

主权项

1.一种基于GSRA模型的冷水机组故障诊断方法，其特征在于，包括下述步骤：步骤1：离线模型训练1a)通过实验或现场存储的冷水机组故障历史数据获得故障历史数据；1b)稳态过滤：使用已有的稳态过滤方法对包含所考察的n种已知故障在多个劣化等级下的历史数据进行稳态过滤，得到稳态的样本数据；1c)特征选择：选择合适的特征表征冷水机组的健康状态；1d)构建训练集：根据步骤1c)选择的表征冷水机组健康状态的特征，随机选择一定量的经过步骤1b)稳态过滤后的数据组成训练集；1e)使用训练集数据，对每个劣化等级下的每个已知故障构建参考故障模式；1f)基于遗传算法GA确定对应每个已知故障的综合参考故障模式；1g)基于遗传算法GA确定对应每个已知故障的最佳关联度阈值；步骤2：在线模型应用2a)在线实时监测实际现场冷水机组上的特征；2b)稳态过滤：使用与步骤1b)相同的稳态过滤方法对与步骤1b)相同的工况下的实时采集到的数据进行稳态过滤；2c)特征选择：选择与步骤1c)相同的特征表征冷水机组的健康状态；2d)根据步骤2b)稳态过滤后的数据和步骤2c)选择的特征构建待检故障模式的比较序列；2e)定性诊断，即确定待检故障模式的嫌疑故障模式；计算待检故障模式的比较序列与在步骤1f)中确定的第i个已知故障F_i对应的综合参考故障模式之间的灰色相似关联度GSRD，即r_i；将i从1循环到n，即得待检故障模式与所有的已知故障所对应的综合参考故障模式之间的GSRD；输出所有的满足r_i≥R_i的综合参考故障模式，即为待检故障模式的嫌疑故障模式；如果对所有的已知故障模式，都不满足r_i≥R_i，则表明待检故障模式为一种新故障；其中，R_i为关联度阈值；2f)定量诊断，即确定待检故障模式的类别与劣化等级；2g)故障诊断结束，输出故障诊断报告；所述步骤1f)中，设定已知故障为F_i，已知故障F_i的综合参考故障模式可表示成F_i＝[x_i(1),x_i(2),…x_i(m)]，x_i(l)的计算见公式(1)式中，表示已知故障F_i在劣化等级为SL时的第l个特征，SL＝1～4，表示4个劣化等级；l＝1,2,…,m，m表示表征冷水机组健康状态的特征的总个数；p(1),p(2),p(3),p(4)表示权系数，具体为p＝[1^u,2^u,3^u,4^u]，其中u称为加权指数；确定加权指数u的原则是通过GA寻找使f(u)取最小值时的u，具体见下式：式中：n表示已知故障的个数；所述步骤1g)中，基于GA确定对应每个已知故障的最佳关联度阈值，具体步骤如下：1g‑1)将步骤1d)确定的训练集样本按照已知故障的种类分成n类，一个已知故障对应一类，其中n表示已知故障的个数；假设每类都有N个样本，则总样本数就是n×N；1g‑2)计算所有的属于已知故障F_i的训练集样本与步骤1f)确定的对应已知故障F_i的综合参考故障模式之间的GSRD，用r_id表示，d＝1,2,…,N；计算所有的不属于已知故障F_i的训练集样本与步骤1f)确定的对应已知故障F_i的综合参考故障模式之间的GSRD，用r_ih表示，h＝1,2,…,n×N；1g‑3)搜索r_id的最小值min r_id；搜索r_ih的最大值max r_ih；1g‑4)若min r_id≥max r_ih，则对应已知故障F_i的最佳关联度阈值R_i＝min r_id；若min r_id＜max r_ih，则关联度阈值R_i是min r_id和max r_ih之间的折中；令R_i＝βmin r_id+(1‑β)max r_ih；统计r_id＜R_i的样本数，记为b₁；统计r_ih＞R_i的样本数，记为b₂；则对应已知故障F_i的漏判率E_Li＝b₁/N，误判率E_Wi＝b₂/N；利用GA，找到使(b₁/N+b₂/N)最小时的β，以此确定对应已知故障F_i的最佳关联度阈值R_i。