一種基于改進的FastICA的冷水機組故障檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于數(shù)據(jù)驅(qū)動的故障診斷技術(shù)領(lǐng)域，特別是涉及一種針對暖通空調(diào)領(lǐng) 域中的冷水機組制冷過程的故障檢測方法。
【背景技術(shù)】
[0002] 現(xiàn)代化的工業(yè)與民用建筑一般都使用大型水冷式冷水機組作為中央空調(diào)的冷源。 在機組運行過程中，不可避免地會出現(xiàn)各種故障，若得不到及時排除，勢必導致系統(tǒng)運行參 數(shù)嚴重偏離要求的設(shè)定值，給室內(nèi)人員帶來不舒適感，同時會增加系統(tǒng)能耗，縮短設(shè)備使用 壽命.因此，對冷水機組進行故障檢測與診斷，及時預防和排除故障，保持冷水機組正常、 高效運行是非常重要的.在過去幾十年里，冷水機組故障檢測與診斷（faultdetection anddiagnosis，F(xiàn)DD)的發(fā)展一直是研究的熱點之一。
[0003] 目前，應用在暖通空調(diào)系統(tǒng)中的FDD方法主要為三大類：基于定量模型的方法、基 于定性模型的方法、基于過程歷史數(shù)據(jù)的方法。因制冷系統(tǒng)較為復雜，知識獲取困難，為前 兩者的研究帶來諸多不便；而基于過程歷史數(shù)據(jù)方法則完全依靠數(shù)據(jù)本身建立模型，不需 要先驗知識，即可從豐富的數(shù)據(jù)中提煉出有用的信息，因此基于過程歷史數(shù)據(jù)的方法在制 冷系統(tǒng)的FDD中得到了很好的推廣。主成分分析方法屬于基于過程歷史數(shù)據(jù)方法的范疇， 廣泛應用于冷水機組、空氣處理機組傳感器、冷凍水回路傳感器、和系統(tǒng)級故障診斷的FDD 等。研究表明，冷水機組的觀測變量都是具有明顯的非高斯分布。然而，PCA方法成立的前 提是觀測數(shù)據(jù)服從正態(tài)分布，傳統(tǒng)的PCA必然導致過程故障檢測率較低以及故障的誤報、 漏報較大的現(xiàn)象。此外，主元分析僅解除了數(shù)據(jù)間的線性相關(guān)性，并未對數(shù)據(jù)的獨立性問題 予以考慮。
[0004] 而獨立元分析方法（IndependentComponentAnalysis，ICA)是近年來發(fā)展起來的 一種新的統(tǒng)計信號處理方法，作為標準PCA的延伸，它不僅去除了變量之間的相關(guān)性，而且 還包含了它們之間的高階統(tǒng)計信息，ICA方法得到的獨立成分分量滿足統(tǒng)計意義上的獨立 性，因此ICA比傳統(tǒng)的統(tǒng)計分析方法包含了更多的有用信息。雖然ICA在生物醫(yī)學信號處 理、混合語音信號分離、盲源分離等方面已得到較好的應用，但其在冷水機組過程監(jiān)控方面 的應用還鮮有報道。鑒于此，本方法在傳統(tǒng)FastICA的基礎(chǔ)上，引入松弛因子，改變了原迭 代方式。這樣可以放寬算法對初始值的依賴性，減弱FastICA算法對初始的分離矩陣的敏 感度。通過ASHRAE1043-RP的實驗數(shù)據(jù)驗證了該方法的有效性。

【發(fā)明內(nèi)容】

[0005] 針對冷水機組過程數(shù)據(jù)的非高斯性，及FastICA對初始值選擇的敏感問題，本發(fā) 明提供了一種基于改進的FastICA算法的冷水機組故障檢測方法。在傳統(tǒng)FastICA的基礎(chǔ) 上，引入松弛因子，改變了原迭代方式。用改進的FastICA算法提取的冷水機組過程數(shù)據(jù)的 獨立成分，構(gòu)建統(tǒng)計量，進行故障檢測，可有效減少過程檢測中漏報的發(fā)生，提高故障檢測 的準確性。
[0006] 本方法的實現(xiàn)步驟如下：
[0007]A.離線建模階段：
[0008] 1)穩(wěn)態(tài)處理：采集制冷過程正常工況下的歷史數(shù)據(jù)，該數(shù)據(jù)包含機組瞬態(tài)和穩(wěn)態(tài) 運行的數(shù)據(jù)，在開始故障診斷之前，需要對原始數(shù)據(jù)需進行穩(wěn)態(tài)篩查，去除非穩(wěn)態(tài)數(shù)據(jù)，保 留穩(wěn)態(tài)數(shù)據(jù)。
[0009] 設(shè)歷史數(shù)據(jù)的采樣時間序列為{x。，X1, X2，…，xn}，則幾何加權(quán)平均^及幾何加權(quán) 方差Sn分別為：
[0011]其中，xk為樣本的時間序列數(shù)據(jù)，k= 0, 1,2,???，!!，P為幾何加權(quán)系數(shù)且為大于0 小于1的常數(shù)，Tss為有效時間窗長度，At為時間步長，即數(shù)據(jù)的采集間隔。三者之間的
[0012] 蒸發(fā)器進水溫度（TWEI)、蒸發(fā)器出水溫度（TWEO)和冷凝器進水溫度（TWCI)三者 對定水量冷水機組的性能具有決定性作用，選作判斷機組是否處于穩(wěn)態(tài)的特征參數(shù)，只有 當三者的幾何加權(quán)均方差均低于事先設(shè)定的限值時，才認為機組處于（準）穩(wěn)態(tài)運行。各 組實驗數(shù)據(jù)經(jīng)穩(wěn)態(tài)篩查后，從經(jīng)過穩(wěn)態(tài)篩選后的數(shù)據(jù)中隨機選取部分數(shù)據(jù)（為保證模型的 精度，正常樣本最好不少于200個）作為建模過程的訓練數(shù)據(jù)。
[0013] 2)對訓練數(shù)據(jù)X進行標準化處理，處理方式如下：
[0014] 首先計算訓練數(shù)據(jù)X的所有時刻上所有過程變量的均值和標準方差，其中第j個
[0016] 然后對歷史數(shù)據(jù)X進行標準化，其中第i采樣時刻的第j個過程變量的標準化計 算公式如下：
[0018]其中，i= 1，? ? ?，N，j= 1，? ? ?，J;
[0019] 3)利用改進的FastICA方法提取獨立成分：
[0020] 3. 1)對二維矩陣X'利用主成分分析PCA方法得到白化矩陣Q，Q=A1/2UT，其中 U和A分別為X'的協(xié)方差矩陣對應的特征向量矩陣和特征值矩陣，之后將X'進行白化，白 化公式為：Z=QX' ；
[0021] 3. 2)對隨機權(quán)矢量W。進行初始化，并設(shè)收斂誤差e;
始值的選擇條件，可以提高收斂的穩(wěn)定性。
[0024] 3. 5)當Ib1+1-b」<e時，算法是收斂的，估算出一個獨立分量，如果不收斂，則返 回 3. 3)。
[0025] 4)利用改進的FastICA算法從Z中估計出新的混合矩陣B和分離矩陣W，再根據(jù) S=BtZ得到獨立成分S，沒=(式，? ? ?，6:;);
[0026]5)計算正常狀態(tài)下測量數(shù)據(jù)集的檢測統(tǒng)計量I2和SPE，計算公式如下：I2=SST， SPE=eTe，其中，e為殘差矩陣，e = -if;e為殘差矩陣Z，即估計出的觀測 數(shù)據(jù)與實際數(shù)據(jù)的誤差，J為通過獨立分量估計出的觀測數(shù)據(jù)，I= (T1;
[0027] 6)利用核密度估計方法估計統(tǒng)計量的控制限；
[0028] B.在線檢測階段：
[0029] 7)采集冷水機組制冷過程的當前時刻數(shù)據(jù)Xk，并根據(jù)步驟2)中得到均值和標準 方差對其進行標準化，其中第k采樣時刻的第j個過程變量的標準化公式如下：
[0031] 8)提取標準化后_的獨立成分Sk，計算公式如下：
[0032] Sj=Wxl
[0033] 其中，W為模型訓練階段步驟4)中所確定的分離矩陣；
[0034] 9)計算當前制冷過程k時刻測量數(shù)據(jù)的檢測統(tǒng)計量I2和SPE，計算公式如下： ，SPEk=ekTek，其中，Sk為標準化后的k時刻采集數(shù)據(jù)為的獨立成分；ek*k時 刻的殘差矩陣，％ =八-Zk
[0035] 10)將上述計算得到的檢測統(tǒng)計量與建模階段的步驟6)確定的控制限進行比較， 如果二者都未超出，則判定當前時刻的過程測量數(shù)據(jù)正常；否則認為發(fā)生故障，進行報警。
[0036] 11)若機組停止制冷，則終止檢測；否則采集下一時刻的數(shù)據(jù)，返回步驟7)，直到 制冷結(jié)束。
[0037] 有益效果
[0038] 與現(xiàn)有技術(shù)相比，本發(fā)明將改進的牛頓迭代法引入到FastICA中，改變了原迭代 方式，這樣可以放寬算法對初始值的依賴性，減弱FastICA算法對初始的分離矩陣的敏感 度。用改進的FastICA算法對冷水機組制冷過程數(shù)據(jù)建模并進行故障檢測，提高模型的穩(wěn) 定性，降低檢測的漏報率。
【附圖說明】
[0039] 圖1為本發(fā)明的方法流程圖；
[0040] 圖2(a)為傳統(tǒng)的FastICA方法對故障1-蒸發(fā)器水量不足的獨立成分平方和I2監(jiān) 測圖；
[0041] 圖2 (b)為傳統(tǒng)的FastICA方法對故障1-蒸發(fā)器水量不足的預測誤差平方和SPE 監(jiān)測圖；
[0042] 圖3 (a)為本發(fā)明的FastICA方法對故障1-蒸發(fā)器水量不足的獨立成分平方和I2 監(jiān)測圖；
[0043] 圖3(b)為本發(fā)明的FastICA方法對故障1-蒸發(fā)器水量不足的預測誤差平方和 SPE監(jiān)測圖；
[0044] 圖4 (a)為傳統(tǒng)的FastICA方法對故障2-冷凝器水量不足的獨立成分平方和I2監(jiān) 測圖；
[0045] 圖4 (b)為傳統(tǒng)的FastICA方法對故障2-冷凝器水量不足的預測誤差平方和SPE 監(jiān)測圖；
[0046] 圖5 (a)為本發(fā)明的FastICA方法對故障2-冷凝器水量不足的獨立成分平方和I2 監(jiān)測圖；
[0047] 圖5(b)為本發(fā)明的FastICA方法對故障2-冷凝器水量不足的預測誤差平方和 SPE監(jiān)測圖；
[0048] 圖