鬼佬大哥大
  • / 19
  • 下載費用:30 金幣  

一種基于改進的FASTICA的冷水機組故障檢測方法.pdf

摘要
申請專利號:

CN201510520758.2

申請日:

2015.08.23

公開號:

CN105067252A

公開日:

2015.11.18

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G01M 13/00申請日:20150823|||公開
IPC分類號: G01M13/00; F25B49/00 主分類號: G01M13/00
申請人: 北京工業大學
發明人: 王普; 辛嬌嬌; 張楠華; 高學金
地址: 100124北京市朝陽區平樂園100號
優先權:
專利代理機構: 北京思海天達知識產權代理有限公司11203 代理人: 沈波
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201510520758.2

授權公告號:

||||||

法律狀態公告日:

2017.11.03|||2015.12.16|||2015.11.18

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

一種基于改進的FastICA的冷水機組故障檢測方法,在傳統FastICA的基礎上,引入松弛因子,改變了原迭代方式,有效降低算法對初始值的依賴性。本發明包括“離線建模”和“在線檢測”兩個階段。“離線建模”包括:首先正常數據樣本進行穩態處理;之后采用引入松弛因子的FastICA算法提取數據的獨立成分信息;最后計算統計量I2和SPE,并利用核密度估計方法確定控制限。“在線檢測”包括:對新采集的制冷過程數據按照模型進行處理,計算其統計量并與控制限進行比較判斷制冷過程是否運行正常。本發明降低了FastICA算法對初始值的依賴性,保證了冷水機組制冷過程的安全性和穩定性。

權利要求書

1.一種基于改進的FastICA的冷水機組故障檢測方法,在傳統
FastICA的基礎上,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據的獨立成分,構建統計量,進
行故障檢測,可有效減少過程檢測中漏報的發生,提高故障檢測的準
確性;
其特征在于:本方法的實現步驟如下:
A.離線建模階段:
1)穩態處理:采集制冷過程正常工況下的歷史數據,該數據包
含機組瞬態和穩態運行的數據,在開始故障診斷之前,需要對原始數
據需進行穩態篩查,去除非穩態數據,保留穩態數據;
設歷史數據的采樣時間序列為{x0,x1,x2,…,xn},則幾何加權平
均及幾何加權方差sn分別為:
x n ( β ) = Σ k = 0 n β n - k x k Σ k = 0 n β n - k ]]> S n ( β ) = Σ k = 0 n β n - k ( x k - x n ( β ) ) 2 Σ k = 0 n β n - k ]]>
其中,xk為樣本的時間序列數據,k=0,1,2,…,n,β為幾何加權系
數且為大于0小于1的常數,τss為有效時間窗長度,Δt為時間步長,
即數據的采集間隔;三者之間的關系為
蒸發器進水溫度(TWEI)、蒸發器出水溫度(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態的特征參數,只有當三者的幾何加權均方
差均低于事先設定的限值時,才認為機組處于(準)穩態運行;各組實
驗數據經穩態篩查后,從經過穩態篩選后的數據中隨機選取部分數據
(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
訓練數據;
2)對訓練數據X進行標準化處理,處理方式如下:
首先計算訓練數據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個過程變量的均值的計算公式為,
j=1,...,J;第j個過程變量的標準方差sj的計算公式為,
s j = 1 N - 1 Σ i = 1 N ( x i , j - x j ) 2 , j = 1 , ... , J ; ]]>
然后對歷史數據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:
x ~ i , j = x i , j - x j s j ]]>
其中,i=1,...,N,j=1,...,J;
3)利用改進的FastICA方法提取獨立成分:
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=Λ-1/2UT,其中U和Λ分別為X'的協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';
3.2)對隨機權矢量W0進行初始化,并設收斂誤差ε;
3.3)對迭代式引入因子a,變為
其中0<a<1;引入松弛因子的牛頓迭
代法放寬了初始值的選擇條件,可以提高收斂的穩定性;
3.4)更新bi,并執行正交化:標準化:
b i = b i | | b i | | ; ]]>
3.5)當|bi+1-bi|<ε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);
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S=BTZ得到獨立成分S,S=(S'1,...,S'N);
5)計算正常狀態下測量數據集的檢測統計量I2和SPE,計算公
式如下:I2=SST,SPE=eTe,其中,e為殘差矩陣,
e為殘差矩陣,即估計出的觀測數據與實際數據的誤差,
為通過獨立分量估計出的觀測數據,
6)利用核密度估計方法估計統計量的控制限;
B.在線檢測階段:
7)采集冷水機組制冷過程的當前時刻數據xk,并根據步驟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:
x ~ k , j = x k , j - x k , j s k , j ]]>
8)提取標準化后的獨立成分sk,計算公式如下:
s k = W x ~ k ]]>
其中,W為模型訓練階段步驟4)中所確定的分離矩陣;
9)計算當前制冷過程k時刻測量數據的檢測統計量I2和SPE,
計算公式如下:其中,sk為標準化后的k時
刻采集數據的獨立成分;ek為k時刻的殘差矩陣,
10)將上述計算得到的檢測統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
據正常;否則認為發生故障,進行報警;
11)若機組停止制冷,則終止檢測;否則采集下一時刻的數據,
返回步驟7),直到制冷結束。

說明書

一種基于改進的FastICA的冷水機組故障檢測方法

技術領域

本發明涉及基于數據驅動的故障診斷技術領域,特別是涉及一
種針對暖通空調領域中的冷水機組制冷過程的故障檢測方法。

背景技術

現代化的工業與民用建筑一般都使用大型水冷式冷水機組作為
中央空調的冷源。在機組運行過程中,不可避免地會出現各種故障,
若得不到及時排除,勢必導致系統運行參數嚴重偏離要求的設定值,
給室內人員帶來不舒適感,同時會增加系統能耗,縮短設備使用壽
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(faultdetectionanddiagnosis,FDD)的發展一
直是研究的熱點之一。

目前,應用在暖通空調系統中的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、基于過程歷史數據的方法。
因制冷系統較為復雜,知識獲取困難,為前兩者的研究帶來諸多不
便;而基于過程歷史數據方法則完全依靠數據本身建立模型,不需
要先驗知識,即可從豐富的數據中提煉出有用的信息,因此基于過
程歷史數據的方法在制冷系統的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據方法的范疇,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據服從正態分布,傳統的PCA
必然導致過程故障檢測率較低以及故障的誤報、漏報較大的現象。
此外,主元分析僅解除了數據間的線性相關性,并未對數據的獨立
性問題予以考慮。

而獨立元分析方法(IndependentComponentAnalysis,ICA)是近年
來發展起來的一種新的統計信號處理方法,作為標準PCA的延伸,
它不僅去除了變量之間的相關性,而且還包含了它們之間的高階統
計信息,ICA方法得到的獨立成分分量滿足統計意義上的獨立性,
因此ICA比傳統的統計分析方法包含了更多的有用信息。雖然ICA
在生物醫學信號處理、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控方面的應用還鮮有報道。鑒
于此,本方法在傳統FastICA的基礎上,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的實驗數據驗證
了該方法的有效性。

發明內容

針對冷水機組過程數據的非高斯性,及FastICA對初始值選擇的
敏感問題,本發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FastICA的基礎上,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據的獨立成
分,構建統計量,進行故障檢測,可有效減少過程檢測中漏報的發
生,提高故障檢測的準確性。

本方法的實現步驟如下:

A.離線建模階段:

1)穩態處理:采集制冷過程正常工況下的歷史數據,該數據包
含機組瞬態和穩態運行的數據,在開始故障診斷之前,需要對原始
數據需進行穩態篩查,去除非穩態數據,保留穩態數據。

設歷史數據的采樣時間序列為{x0,x1,x2,…,xn},則幾何加權平
均及幾何加權方差sn分別為:

x n ( β ) = Σ k = 0 n β n - k x k Σ k = 0 n β n - k ]]> S n ( β ) = Σ k = 0 n β n - k ( x k - x n ( β ) ) 2 Σ k = 0 n β n - k ]]>

其中,xk為樣本的時間序列數據,k=0,1,2,…,n,β為幾何加權
系數且為大于0小于1的常數,τss為有效時間窗長度,Δt為時間步
長,即數據的采集間隔。三者之間的關系為

蒸發器進水溫度(TWEI)、蒸發器出水溫度(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態的特征參數,只有當三者的幾何加權均
方差均低于事先設定的限值時,才認為機組處于(準)穩態運行。各組
實驗數據經穩態篩查后,從經過穩態篩選后的數據中隨機選取部分
數據(為保證模型的精度,正常樣本最好不少于200個)作為建模
過程的訓練數據。

2)對訓練數據X進行標準化處理,處理方式如下:

首先計算訓練數據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個過程變量的均值的計算公式為,
第j個過程變量的標準方差sj的計算公式為,

s j = 1 N - 1 Σ i = 1 N ( x i , j - x j ) 2 , j = 1 , ... , J ; ]]>

然后對歷史數據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:

x ~ i , j = x i , j - x j s j ]]>

其中,i=1,...,N,j=1,...,J;

3)利用改進的FastICA方法提取獨立成分:

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=Λ-1/2UT,其中U和Λ分別為X'的協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';

3.2)對隨機權矢量W0進行初始化,并設收斂誤差ε;

3.3)對迭代式引入因子a,變為
其中0<a<1。引入松弛因子的牛頓
迭代法放寬了初始值的選擇條件,可以提高收斂的穩定性。

3.4)更新bi,并執行正交化:標準化:
b i = b i | | b i | | . ]]>

3.5)當|bi+1-bi|<ε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)。

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S=BTZ得到獨立成分S,

5)計算正常狀態下測量數據集的檢測統計量I2和SPE,計算公
式如下:I2=SST,SPE=eTe,其中,e為殘差矩陣,
e為殘差矩陣,即估計出的觀測數據與實際數據的誤差,
為通過獨立分量估計出的觀測數據,

6)利用核密度估計方法估計統計量的控制限;

B.在線檢測階段:

7)采集冷水機組制冷過程的當前時刻數據xk,并根據步驟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:

x ~ k , j = x k , j - x k , j s k , j ]]>

8)提取標準化后的獨立成分sk,計算公式如下:

s k = W x ~ k ]]>

其中,W為模型訓練階段步驟4)中所確定的分離矩陣;

9)計算當前制冷過程k時刻測量數據的檢測統計量I2和SPE,
計算公式如下:SPEk=ekTek,其中,sk為標準化后的k時
刻采集數據的獨立成分;ek為k時刻的殘差矩陣,

10)將上述計算得到的檢測統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
數據正常;否則認為發生故障,進行報警。

11)若機組停止制冷,則終止檢測;否則采集下一時刻的數據,
返回步驟7),直到制冷結束。

有益效果

與現有技術相比,本發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據建模并進行故障檢測,提高模型的穩定性,
降低檢測的漏報率。

附圖說明

圖1為本發明的方法流程圖;

圖2(a)為傳統的FastICA方法對故障1-蒸發器水量不足的獨
立成分平方和I2監測圖;

圖2(b)為傳統的FastICA方法對故障1-蒸發器水量不足的預
測誤差平方和SPE監測圖;

圖3(a)為本發明的FastICA方法對故障1-蒸發器水量不足的
獨立成分平方和I2監測圖;

圖3(b)為本發明的FastICA方法對故障1-蒸發器水量不足的
預測誤差平方和SPE監測圖;

圖4(a)為傳統的FastICA方法對故障2-冷凝器水量不足的獨
立成分平方和I2監測圖;

圖4(b)為傳統的FastICA方法對故障2-冷凝器水量不足的預
測誤差平方和SPE監測圖;

圖5(a)為本發明的FastICA方法對故障2-冷凝器水量不足的
獨立成分平方和I2監測圖;

圖5(b)為本發明的FastICA方法對故障2-冷凝器水量不足的
預測誤差平方和SPE監測圖;

圖6(a)為傳統的FastICA方法對故障3-制冷劑泄漏的獨立成
分平方和I2監測圖;

圖6(b)為傳統的FastICA方法對故障3-制冷劑泄漏的預測誤
差平方和SPE監測圖;

圖7(a)為本發明的FastICA方法對故障3-制冷劑泄漏的獨立
成分平方和I2監測圖;

圖7(b)為本發明的FastICA方法對故障3-制冷劑泄漏的預測
誤差平方和SPE監測圖;

圖8(a)為傳統的FastICA方法對故障4-制冷劑過量的獨立成
分平方和I2監測圖;

圖8(b)為傳統的FastICA方法對故障4-制冷劑過量的預測誤
差平方和SPE監測圖;

圖9(a)為本發明的FastICA方法對故障4-制冷劑過量的獨立
成分平方和I2監測圖;

圖9(b)為本發明的FastICA方法對故障4-制冷劑過量的預測
誤差平方和SPE監測圖;

圖10(a)為傳統的FastICA方法對故障5-制冷劑中含不凝性氣
體的獨立成分平方和I2監測圖;

圖10(b)為傳統的FastICA方法對故障5-制冷劑中含不凝性氣
體的預測誤差平方和SPE監測圖;

圖11(a)為本發明的FastICA方法對故障5-制冷劑中含不凝性
氣體的獨立成分平方和I2監測圖;

圖11(b)為本發明的FastICA方法對故障5-制冷劑中含不凝性
氣體的預測誤差平方和SPE監測圖;

圖12(a)為傳統的FastICA方法對故障6-冷凝器結垢的獨立成
分平方和I2監測圖;

圖12(b)為傳統的FastICA方法對故障6-冷凝器結垢的預測誤
差平方和SPE監測圖;

圖13(a)為本發明的FastICA方法對故障6-冷凝器結垢的獨立
成分平方和I2監測圖;

圖13(b)為本發明的FastICA方法對故障6-冷凝器結垢的預測
誤差平方和SPE監測圖;

圖14(a)為傳統的FastICA方法對故障7-潤滑油過多的獨立成
分平方和I2監測圖;

圖14(b)為傳統的FastICA方法對故障7-潤滑油過多的預測誤
差平方和SPE監測圖;

圖15(a)為本發明的FastICA方法對故障7-潤滑油過多的獨立
成分平方和I2監測圖;

圖15(b)為本發明的FastICA方法對故障7-潤滑油過多的預測
誤差平方和SPE監測圖;

具體實施方式

本發明中的實驗數據來自ASHRAE1043-RP,實驗對象是一臺
90冷噸(約316kW)的離心式冷水機組。在實驗室條件下通過特殊
設計的試驗臺模擬冷水機組的7種典型的漸變故障,每一種故障都
在27種工況下進行測試,收集了大量的實驗數據。這些數據包括正
常運行和故障運行下的數據。本文針對冷水機組7種不易檢測的漸
變故障進行建模分析,如表1所示。

表1冷水機組的故障模式


數據采集間隔為10s,獲取參數64個,其中16個為VisSim軟
件實時計算,48個為傳感器直接測得,包括溫度29個,壓力5個,
流量5個,閥位7個,壓縮機功率和電流,制冷性能系數(COP)、壓
縮機效率等。本實驗從64個原始特征中篩選出16個與試驗輔助系
統關系甚微、均十分靠近核心制冷循環的特征,作為故障指示特征,
監視過程運行狀況,如表2所示。經篩選的變量不但保持了對輕微
故障的靈敏度,而且大大的減少計算的復雜性。

表2建立模型所用的變量


將本發明方法應用到上述研究對象包括離線建模和在線檢測兩
個大步驟,具體陳述如下:

A.離線建模階段:

步驟1:將上述正常和故障數據進行穩態篩選,實驗數據采集間
隔為10s,設定的幾何加權均方差限值為0.2℃,時間窗長度為80s。
穩態篩選后,從中隨機選取200個數據樣本用于建模。

步驟2:對穩態處理的正常數據X進行標準化處理,處理方式如
下:

首先隨機選取200組正常數據X進行建模,計算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個過程變量的均值的
計算公式為, x j = 1 200 Σ i = 1 200 x i , j , j = 1 , ... , 16 ; ]]>第j個過程變量的標
準方差sj的計算公式為, s j = 1 200 - 1 Σ i = 1 200 ( x i , j - x j ) 2 , j = 1 , ... , 16 ; ]]>

然后對正常數據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:

x ~ i , j = x i , j - x j s j ]]>

其中,i=1,...,200,j=1,...,16;

3)利用改進的FastICA方法提取獨立成分:

3.1)利用Matlab中的主成分分析函數(princomp)對二維矩陣
X'進行分解,得到X'的協方差矩陣對應的特征向量矩陣U和特征值
矩陣Λ:[U,Tr,Λ]=princomp(X'),其中的得分矩陣Tr沒有使用;之后
構造白化矩陣Q,Q=Λ-1/2UT;最后將X'進行白化,白化公式為:
Z=QX';

3.2)在Matlab中的改進FastICA,首先對隨機權矢量W0進行
初始化,并設收斂誤差ε=1×10-6;

3.3)設a=1,求出Δbi,檢查是否滿足||G(bi||<||bi||,如果不滿
足,則a縮小一倍,循環檢查,直至滿足上式條件為止。

3.4)更新bi,并執行正交化:標準化:
b i = b i | | b i | | . ]]>

3.5)當|bi+1-bi|<ε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。

步驟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S=BTZ得到獨立成分S,

步驟5:計算正常狀態下測量數據集的檢測統計量I2和SPE,計
算公式如下:I2=SST,SPE=eTe,其中,e為殘差矩陣,

步驟6:利用Matlab中的核密度估計函數“ksdensity”估計統計
量在置信限為0.95時的值,并將其作為模型的控制限;

B.在線檢測階段:

步驟7:采集冷水機組制冷過程的當前時刻數據xk,并根據步驟
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:

x ~ k , j = x k , j - x k , j s k , j ]]>

其中,i=1,...,200,j=1,...,16;

步驟8:提取標準化后的獨立成分sk,計算公式如下:

s k = W x ~ k ]]>

其中,W為離線建模階段步驟4中所確定的分離矩陣;

步驟9:計算當前制冷過程k時刻測量數據的檢測統計量I2和
SPE,計算公式如下:SPEk=ekTek,其中,sk為標準化
后的k時刻采集數據的獨立成分;ek為k時刻的殘差矩陣,
e k = X k - X k ; ]]>

步驟10:將上述計算得到的檢測統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
測量數據正常;否則認為發生故障,進行報警。

步驟11:若機組停止制冷,則終止檢測;否則采集下一時刻的
數據,返回步驟7,直到制冷結束。

上述步驟即為本發明方法通過ASHRAE1043-RP的實驗數據進
行驗證。分別對7種漸變的典型故障進行了在線檢測階段的實驗,
建模數據樣本200個,測試數據300個,其中前100個樣本為正常
數據,后200個樣本為故障數據,從101開始引入故障數據。得到
的實驗結果見圖2至圖15,每幅圖分別包括與橫坐標平行的線和曲
線,其中與橫坐標平行的線為通過核密度估計方法確定的控制限,
曲線為實時的檢測值。如果曲線的值大于控制限的值,說明在此時
刻制冷過程發生了故障;否則說明制冷過程運行正常。

從7種故障的檢測效果圖中可以看到,對正常數據的誤報率均
為0%,可見FastICA方法對冷水機組制冷過程的正常數據有好的檢
測效果,有效減少過程檢測中誤報的發生。

圖2(a)-2(b)和圖3(a)-3(b)分別為傳統的FastICA方法
和本發明方法對故障1-蒸發器水量不足的檢測效果圖。圖2(a)中
的I2統計量誤報率為9%,圖2(b)中的SPE統計量誤報率為2.5%;
而本發明方法沒有任何誤報警,顯示出更好的檢測效果,其中松弛
因子a=1/2。

圖4(a)-4(b)和圖5(a)-5(b)分別為傳統的FastICA方法
和本發明方法對故障2-冷凝器水量不足的檢測效果圖。可見兩種方
法都沒有任何誤報警,檢測準確率為100%。然而,傳統的FastICA
方法在故障檢測中出現了“達到最大迭代次數,但還未收斂”的現
象;本發明降低了算法對初值選擇的敏感性,有較好的收斂性,保
證了故障檢測的可靠性,其中松弛因子a=1/2。

圖6(a)-6(b)和圖7(a)-7(b)分別為傳統的FastICA方法
和本發明方法對故障3-制冷劑泄漏的檢測效果圖。圖6(a)中的I2統
計量誤報率為20%,圖6(b)中的SPE統計量誤報率為27.5%;圖7
(a)中的I2統計量誤報率為0%,圖7(b)中的SPE統計量誤報率
為8%。可見而本發明方法有更好的檢測效果,其中松弛因子a=1/4。

圖8(a)-8(b)和圖9(a)-9(b)分別為傳統的FastICA方法
和本發明方法對故障4-制冷劑過量的檢測效果圖。圖8(a)中的I2統
計量誤報率為5%,圖8(b)中的SPE統計量誤報率為8%;圖9(a)
中的I2統計量誤報率為4%,圖9(b)中的SPE統計量誤報率為2%。
可見而本發明方法有更好的檢測效果,其中松弛因子a=1。

圖10(a)-10(b)和圖11(a)-11(b)分別為傳統的FastICA
方法和本發明方法對故障5-制冷劑中含不凝性氣體的檢測效果圖。
兩種方法檢測準確率均為100%,沒有任何誤報警。然而,傳統的
FastICA方法在故障檢測中出現了“達到最大迭代次數,但還未收斂”
的現象;本發明降低了算法對初值選擇的敏感性,有較好的收斂性,
保證了故障檢測的可靠性,其中松弛因子a=1/4。

圖12(a)-12(b)和圖13(a)-13(b)分別為傳統的FastICA
方法和本發明方法對故障6-冷凝器結垢的檢測效果圖。圖12(a)中
的I2統計量誤報率為28%,圖12(b)中的SPE統計量誤報率為0%;
而本發明方法沒有任何誤報警,顯示出更好的檢測效果,其中松弛
因子a=1/4。

圖14(a)-14(b)和圖15(a)-15(b)分別為傳統的FastICA
方法和本發明方法對故障7-潤滑油過多的檢測效果圖。圖14(a)中
的I2統計量誤報率為11%,圖14(b)中的SPE統計量誤報率為4%;
圖15(a)中的I2統計量誤報率為5%,圖15(b)中的SPE統計量誤
報率為3%。可見而本發明方法有更好的檢測效果,其中松弛因子
a=1/2。

為了更形象地對比傳統方法與本發明方法應用于冷水機組制冷
過程故障檢測的有效性,對上述7種故障數據的檢測效果列表對比
如下:

表3故障檢測情況



注:準確率是未發生故障時不產生警報的樣本數目加上故障發
生后報警的樣本數目總和與總的樣本數目比值;誤報率是未發生故
障時產生報警的樣本與總的樣本數目比值;漏報率是發生故障后未
報警的樣本與總的樣本數目的比值.

從表3可以發現,改進后的FastICA降低了算法對初始值的依賴
性,提高算法的穩定性,也有效地提高了故障檢測的準確率。

關 鍵 詞:
一種 基于 改進 FASTICA 冷水機組 故障 檢測 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種基于改進的FASTICA的冷水機組故障檢測方法.pdf
鏈接地址:http://www.wwszu.club/p-6385764.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大