一种基于多维泰勒网的空调机组故障预测方法

1.本发明涉及空调机组故障检测技术领域，尤其涉及一种基于多维泰勒网的空调机组故障预测方法。

背景技术：

2.在公共建筑中，暖通空调系统是主要的耗能设备，约为50-60％。在暖通空调中大约42％的制冷能耗、以及26％的维修费用是设备故障造成，据估计，暖通空调故障预测诊断可以减少10％-40％的能源消耗。现如今，我国能源的消耗量不断增加，因此，需实施节能和环保处理，从而提高暖通空调系统应用的科学性和合理性。作为暖通空调系统的重要子系统，空调机组被用于将室内空气调节到适宜温度。而且空调机组中的设备相互耦合，通过闭环控制实现对于室内室温、湿度等控制为用户提供舒适的环境。在这种情况下，空调机组中的一个设备一旦发生故障，就会引起连锁反应，造成故障的传递与扩散。因此，在设备耦合的情况下，精准预测出空调机组的故障是有必要的。
3.现有技术对故障的预测研究有很多，最常见的可以分为：基于模型的故障预测技术、基于数据驱动的故障预测技术、基于概率统计的故障预测技术，但是现在预测方法在实际应用中，预测准确度有限，预测效率不高。

技术实现要素：

4.针对以上问题，本发明提出一种基于多维泰勒网的空调机组故障预测方法。
5.为实现本发明的目的，提供一种基于多维泰勒网的空调机组故障预测方法，包括如下步骤：
6.s1：基于预设的空调机组中指定类型各故障所对应的故障特征，从ashrae rp-1312数据集中，自t0时刻起向历史时间方向采集l个正常运作状态时间点下的故障特征值用来构建x多维矩阵；同时自(t0+t)时刻起向历史时间方向采集l个正常运作状态时间点下的故障特征值用来构建y多维矩阵，以此构成样本数据集(x,y)；
7.s2：对所述样本数据集(x,y)进行数据归一化操作更新，得到样本数据x
*
多维矩阵和样本数据y
*
多维矩阵；
8.s3：计算所述样本数据y
*
多维矩阵中各故障特征的静态故障阈值，再提取所述样本数据y
*
多维矩阵作为各故障特征在下一个t时间段的模型预估状态对应的标签向量；
9.s4：基于所述样本数据x
*
多维矩阵的维度，构建同维输入、同维输出的多维泰勒网bp-mtn模型，然后将所述样本数据x
*
多维矩阵作为模型输入特征，输入所述多维泰勒网bp-mtn模型并输出模型预估状态接着对所述标签向量y
*
和模型预估状态进行误差计算，最后根据反向传播方法完成对所述多维泰勒网bp-mtn模型的训练；
10.s5：基于预设的空调机组中指定类型的各故障所对应的故障特征，从ashrae rp-1312数据集中，自t0时刻起向历史时间方向采集l个包含正常运作状态和故障状态时间点下的故障特征值用来构建x多维矩阵；同时自(t0+t)时刻起向历史时间方向采集l个包含正
常运作状态和故障状态时间点下的故障特征值用来构建y多维矩阵，以此构成待测数据集(x,y)，再对所述待测数据集(x,y)进行归一化操作，得到更新后的待测数据集(x
*
,y
*
)；
11.s6：基于所述步骤s3中计算得到的各故障特征的静态故障阈值和所述训练过的多维泰勒网bp-mtn模型，判断所述待测数据集(x
*
,y
*
)中各故障特征在(t0+t)时刻往后的第一个t时间段内的预估状态是否存在异常，若存在异常，则判定对应的故障特征为异常故障特征，并基于故障特征和故障类型之间的对应关系，进一步判别所述异常故障特征对应的故障类型，以便后续判断故障是否确实发生；反之，则判定空调机组对应(t0+t)时刻往后的第一个t时间段内的预估状态为正常。
12.进一步地，所述步骤s3中，所述样本数据y
*
多维矩阵中各故障特征的静态故障阈值的计算公式如下：
[0013][0014]
其中，ucl表示静态故障特征阈值上限，lcl表示静态故障特征阈值下限，μ0表示当前观察样本均值，σ为当前观察样本的标准差，λ为平滑常数介于0和1之间，l表示控制限参数。
[0015]
进一步地，所述多维泰勒网bp-mtn模型包括：输入层、数据处理层、输出层、全连接层和激活函数层，各层之间依次按顺序连接，前一层的输出为后一层的输入。
[0016]
进一步地，所述数据处理层加权求和的公式如下：
[0017][0018]
其中，tj表示多维泰勒网第j个输出节点，m表示数据处理层的最高展开项的次数，n(n,m)表示数据处理层n个输入故障特征经过m幂次展开后多项式的项数，q∈n(n,m)表示数据处理层幂次展开后第q个多项式，w
j,q
表示维泰勒网第j个输出节点上第q个多项式前的权值，σ
q,i
表示第q个多项式中变量x上的幂次。
[0019]
进一步地，步骤s4中，所述多维泰勒网bp-mtn模型按如下公式进行多维拟合预测：
[0020][0021]
其中，θj表示全连接层第j个节点值进入激活函数后的权值向量，relu为激活函数。
[0022]
进一步地，所述步骤s4中，反向传播算法根据如下公式计算拟合误差平方：
[0023][0024]
进一步地，所述步骤s6中，
[0025]
判断所述待测数据集(x
*
,y
*
)中各故障特征在(t0+t)时刻往后的第一个t时间段内的预估状态是否存在异常的过程包括：通过标记故障节点和故障类型的方式进行统计辨识。
[0026]
首先，将各个故障特征设置为故障特征节点，当故障特征处于正常状态下时，节点值置为0，当故障特征发生异常时，节点值置为1，然后通过0,1组成故障特征统计向量[1,0,1,
……
,0]，且向量排列顺序与节点排序顺序一致，同时将故障类型也通过1,0进行编码，即可通过故障节点的状态值统计与故障编码进行比对来判断故障类型。
[0027]
进一步地，所述预设的空调机组中指定类型的各故障包括：回风卡在固定速度故障、回风风扇完全损坏故障、室外空气风阀卡死在全关位置故障、冷却盘管阀门卡死在全开位置故障、和冷却盘管阀门卡死在固定角度故障；
[0028]
所述回风卡在固定速度故障对应的故障特征包括：回风风扇能量、空气调节器供气温度、供气速率和回气速率；
[0029]
所述回风风扇完全损坏故障对应的故障特征包括：空气调节器供气温度、回气速率和混风温度；
[0030]
所述室外空气风阀卡死在全关位置故障对应的故障特征包括：室外空气流速、回风风扇能量和送风温度；
[0031]
所述冷却盘管阀门卡死在全开位置故障对应的故障特征包括：室外空气流速、送风温度和回风温度；
[0032]
所述冷却盘管阀门卡死在固定角度故障对应的故障特征包括：室外空气流速和回气速率。
[0033]
跟现有技术相比，本发明具有以下有益的技术效果：
[0034]
本发明所设计的基于多维泰勒网的空调机组故障预测方法，基于预设空调机组中指定各类型故障分别所对应的各个故障特征，计算获得正常状态下有效特征变量的故障阈值范围，通过多维泰勒网预测输出值与故障阈值范围的比较，实现对空调机组中指定各类型故障的预测，相比于其它数据驱动的故障预测技术，多维泰勒网结构能够将复杂的非线性函数用级数项的数学组合表达，不需要进行大量的网络训练，就能拟合常规条件下的非线性系统，并且多维泰勒网具有网络结构简单，网络泛化能力强，有一定可解释性和更强大的逼近性能的优点；进而使得本发明能够有效提高空调机组故障的预测效率。
附图说明
[0035]
图1是一个实施例的一种基于多维泰勒网的空调机组故障预测方法的流程示意图；
[0036]
图2是一个实施例的多维泰勒网增加全连接层及激活函数层的网络结构图；
[0037]
图3是一个实施例的故障特征节点辨识统计图；
[0038]
图4(a)、(b)、(c)是一个实施例的冷却盘管阀门卡死在全开位置故障诊断原理波形图示例。
具体实施方式
[0039]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0040]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包
含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0041]
本发明所设计一种基于多维泰勒网的空调机组故障预测方法，基于预设空调机组中指定各类型故障分别所对应的各个故障特征，实现对空调机组中指定各类型故障的预测；实际应用当中，如图1所示，实时执行如下步骤。
[0042]
步骤1.由于ashrae rp-1312数据集存放着空调机组运行过程中采集到的95种特征参数，其中包括正常状态下的运行数据和故障状态下的运行数据，因此针对预设空调机组中指定各类型故障所涉及的各个故障特征，从ashrae rp-1312数据集中，自当前时间t0起向历史时间方向预设l个数量的各时间故障特征值，构建x多维矩阵；基于当前时间(t0+t)起向历史时间方向预设l个数量的各时间故障特征值，构建y多维矩阵，获得样本数据集(x,y)，然后进入步骤2。
[0043]
步骤2.将多维矩阵x、y按照如下公式进行数据归一化操作：
[0044][0045]
其中：min(xi)表示样本数据集x多维矩阵中输入的第i维故障特征状态向量中的最小值，max(xi)表示样本数据集x多维矩阵中输入第i维故障特故障特征状态向量中的最大值；min(yi)表示样本数据集y多维矩阵中第i维故障特征状态向量中标签值的最小值，max(yi)表示样本数据集y多维矩阵中第i维故障特征状态向量中标签值的最大值；由此得到归一化的样本数据x
*
、y
*
作为网络输入；然后进入步骤3。
[0046]
步骤3.计算y
*
多维矩阵中各故障特征的故障阈值，按如下公式得：
[0047][0048]
其中，ucl为静态故障特征阈值上限，lcl为静态故障特征阈值下限，μ0为当前观察样本均值，σ为当前观察样本的标准差，λ为平滑常数介于0和1之间，l为控制限参数，通常设为1.5；然后进入步骤4。
[0049]
步骤4.根据样本输入数据x*的维度搭建bp-mtn模型，其中mtn结构分为输入层、数据处理层、输出层，其中输入输出层的节点等于x*的维度，数据处理层用于实现对输入变量的各幂次乘积项进行加权求和，按如下公式：
[0050][0051]
其中，m表示多维泰勒网数据处理层的最高展开项的次数，n(n,m)表示多维泰勒网中数据处理层n个输入故障特征经过m幂次展开后多项式的项数，q∈n(n,m)表示数据处理层幂次展开后第q个多项式，tj表示多维泰勒网第j个输出节点,w
j,q
表示维泰勒网第j个输
出节点上第q个多项式前的权值，σ
q,i
表示第q个多项式中变量x
*
上的幂次；然后进入步骤5。
[0052]
步骤5.如图2所示，在步骤4所搭建的多维泰勒网结构后增加全连接层与激活函数层，其多维拟合预测按如下公式：
[0053][0054]
其中，θj表示全连接层第j个节点值进入激活函数后的权值向量，relu为激活函数；然后进入步骤6。
[0055]
步骤6.根据反向传播算法原理进行模型训练，按如下公式计算拟合误差平方：
[0056][0057]
以j节点的输出为例进行反向传播，其网络相关权值梯度计算,有如下公式：
[0058][0059]
从公式(6)求得的梯度向量中计算各权值的平均梯度按照如下公式进行权值更新
[0060][0061]
然后进入步骤7。
[0062]
步骤7.根据各故障特征数据的正常阈值区间，判断各故障特征分别对应当前时间的下一个时间的预测状态中是否存在异常，是则判定预测状态异常的各个故障特征为各个异常故障特征，并结合预设空调机组中指定各类型故障与所涉及各个故障特征之间的对应关系，进一步判定空调机组对应当前时间的下一个时间的预测状态中、存在与各异常故障特征相对应的各个指定类型故障；否则判定空调机组对应当前时间的下一个时间的预测状态为正常。如图3所示，建立对应输入故障特征n个辨识统计节点，以便于分辨故障特征与故障类型的对应关系，进行上述故障类型预测。
[0063]
实际应用当中，所述指定各类型故障包括回风卡在固定速度故障、回风风扇完全损坏故障、室外空气风阀卡死在全关位置故障、冷却盘管阀门卡死在全开位置故障、冷却盘管阀门卡死在固定角度故障。
[0064]
其中，回风卡在固定速度故障所对应的各故障特征包括：回风风扇能量、空气调节器供气温度、供气速率、回气速率。
[0065]
回风风扇完全损坏故障所对应的各故障特征包括：空气调节器供气温度、回气速率、混风温度。
[0066]
室外空气风阀卡死在全关位置故障所对应的各故障特征包括：室外空气流速、回风风扇能量、送风温度。
[0067]
冷却盘管阀门卡死在全开位置故障所对应的各故障特征包括：室外空气流速、送
风温度、回风温度。
[0068]
冷却盘管阀门卡死在固定角度故障所对应的各故障特征包括：室外空气流速、回气速率。
[0069]
实际应用中，基于空调机组中上述各类型故障分别所对应的各个故障特征，实现对空调机组中上述各类型故障的预测；上述技术方案所设计基于多维泰勒网的空调机组故障预测方法，基于预设空调机组中指定各类型故障分别所对应的各个故障特征，计算获得正常状态下有效特征变量的故障阈值范围，通过多维泰勒网预测输出值与故障阈值范围的比较，实现对空调机组中指定各类型故障的预测，如图4(a)、(b)、(c)是冷却盘管阀门卡死在全开位置故障诊断原理波形图。相比于其它数据驱动的故障预测技术，多维泰勒网结构能够将复杂的非线性函数用级数项的数学组合表达，不需要进行大量的网络训练，就能拟合常规条件下的非线性系统，并且多维泰勒网具有网络结构简单，网络泛化能力强，有一定可解释性和更强大的逼近性能的优点；进而使得本发明所设计空调机组故障预测方法，能够有效提高空调机组故障的预测效率。
[0070]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0071]
需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
[0072]
本技术实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
[0073]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：

1.一种基于多维泰勒网的空调机组故障预测方法，其特征在于，包括如下步骤：s1：基于预设的空调机组中指定类型各故障所对应的故障特征，从ashrae rp-1312数据集中，自t0时刻起向历史时间方向采集l个正常运作状态时间点下的故障特征值用来构建x多维矩阵；同时自(t0+t)时刻起向历史时间方向采集l个正常运作状态时间点下的故障特征值用来构建y多维矩阵，以此构成样本数据集(x,y)；s2：对所述样本数据集(x,y)进行数据归一化操作更新，得到样本数据x
*
多维矩阵和样本数据y
*
多维矩阵；s3：计算所述样本数据y
*
多维矩阵中各故障特征的静态故障阈值，再提取所述样本数据y
*
多维矩阵作为各故障特征在下一个t时间段的模型预估状态对应的标签向量；s4：基于所述样本数据x
*
多维矩阵的维度，构建同维输入、同维输出的多维泰勒网bp-mtn模型，然后将所述样本数据x
*
多维矩阵作为模型输入特征，输入所述多维泰勒网bp-mtn模型并输出模型预估状态接着对所述标签向量y
*
和模型预估状态进行误差计算，最后根据反向传播方法完成对所述多维泰勒网bp-mtn模型的训练；s5：基于预设的空调机组中指定类型的各故障所对应的故障特征，从ashrae rp-1312数据集中，自t0时刻起向历史时间方向采集l个包含正常运作状态和故障状态时间点下的故障特征值用来构建x多维矩阵；同时自(t0+t)时刻起向历史时间方向采集l个包含正常运作状态和故障状态时间点下的故障特征值用来构建y多维矩阵，以此构成待测数据集(x,y)，再对所述待测数据集(x,y)进行归一化操作，得到更新后的待测数据集(x
*
,y
*
)；s6：基于所述步骤s3中计算得到的各故障特征的静态故障阈值和所述训练过的多维泰勒网bp-mtn模型，判断所述待测数据集(x
*
,y
*
)中各故障特征在(t0+t)时刻往后的第一个t时间段内的预估状态是否存在异常，若存在异常，则判定对应的故障特征为异常故障特征，并基于故障特征和故障类型之间的对应关系，进一步判别所述异常故障特征对应的故障类型，以便后续判断故障是否确实发生；反之，则判定空调机组对应(t0+t)时刻往后的第一个t时间段内的预估状态为正常。2.根据权利要求1所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述步骤s3中，所述样本数据y
*
多维矩阵中各故障特征的静态故障阈值的计算公式如下：其中，ucl表示静态故障特征阈值上限，lcl表示静态故障特征阈值下限，μ0表示当前观察样本均值，σ为当前观察样本的标准差，λ为平滑常数介于0和1之间，l表示控制限参数。3.根据权利要求2所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述多维泰勒网bp-mtn模型包括：输入层、数据处理层、输出层、全连接层和激活函数层，各层之间依次按顺序连接，前一层的输出为后一层的输入。4.根据权利要求3所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述数据处理层加权求和的公式如下：
其中，t
j
表示多维泰勒网第j个输出节点，m表示数据处理层的最高展开项的次数，n(n,m)表示数据处理层n个输入故障特征经过m幂次展开后多项式的项数，q∈n(n,m)表示数据处理层幂次展开后第q个多项式，w
j,q
表示维泰勒网第j个输出节点上第q个多项式前的权值，σ
q,i
表示第q个多项式中变量x上的幂次。5.根据权利要求4所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，步骤s4中，所述多维泰勒网bp-mtn模型按如下公式进行多维拟合预测：其中，θ
j
表示全连接层第j个节点值进入激活函数后的权值向量，relu为激活函数。6.根据权利要求5所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述步骤s4中，反向传播算法根据如下公式计算拟合误差平方：7.根据权利要求6所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述步骤s6中，判断所述待测数据集(x
*
,y
*
)中各故障特征在(t0+t)时刻往后的第一个t时间段内的预估状态是否存在异常的过程包括：通过标记故障节点和故障类型的方式进行统计辨识。8.根据权利要求7所述的一种基于多维泰勒网的空调机组故障预测方法，其特征在于，所述预设的空调机组中指定类型的各故障包括：回风卡在固定速度故障、回风风扇完全损坏故障、室外空气风阀卡死在全关位置故障、冷却盘管阀门卡死在全开位置故障、和冷却盘管阀门卡死在固定角度故障；所述回风卡在固定速度故障对应的故障特征包括：回风风扇能量、空气调节器供气温度、供气速率和回气速率；所述回风风扇完全损坏故障对应的故障特征包括：空气调节器供气温度、回气速率和混风温度；所述室外空气风阀卡死在全关位置故障对应的故障特征包括：室外空气流速、回风风扇能量和送风温度；所述冷却盘管阀门卡死在全开位置故障对应的故障特征包括：室外空气流速、送风温度和回风温度；所述冷却盘管阀门卡死在固定角度故障对应的故障特征包括：室外空气流速和回气速率。

技术总结

本发明公开了一种基于多维泰勒网的空调机组故障预测方法，基于预设空调机组中指定各类型故障分别所对应的各个故障特征，通过指数加权移动平均控制图计算获得正常状态下有效特征变量的故障静态阈值范围，再将基于多维泰勒网模型的预测输出值与静态故障静态阈值进行比较，实现对空调机组中指定各类型故障的预测。本发明以多维泰勒网BP-MTN模型的多维拟合实现对各个故障特征的并行预测，不但增强了原有多维泰勒网的拟合性能，还提高了故障特征的预测效率，进而使得本发明一种基于多维泰勒网的空调机组故障预测方法，能够有效提高空调机组故障的预测效率。组故障的预测效率。组故障的预测效率。