一种基于改进的FastICA的冷水机组故障检测方法
【技术领域】
[0001] 本发明涉及基于数据驱动的故障诊断技术领域，特别是涉及一种针对暖通空调领 域中的冷水机组制冷过程的故障检测方法。
【背景技术】
[0002] 现代化的工业与民用建筑一般都使用大型水冷式冷水机组作为中央空调的冷源。 在机组运行过程中，不可避免地会出现各种故障，若得不到及时排除，势必导致系统运行参 数严重偏离要求的设定值，给室内人员带来不舒适感，同时会增加系统能耗，缩短设备使用 寿命.因此，对冷水机组进行故障检测与诊断，及时预防和排除故障，保持冷水机组正常、 高效运行是非常重要的.在过去几十年里，冷水机组故障检测与诊断（faultdetection anddiagnosis，FDD)的发展一直是研究的热点之一。
[0003] 目前，应用在暖通空调系统中的FDD方法主要为三大类：基于定量模型的方法、基 于定性模型的方法、基于过程历史数据的方法。因制冷系统较为复杂，知识获取困难，为前 两者的研究带来诸多不便；而基于过程历史数据方法则完全依靠数据本身建立模型，不需 要先验知识，即可从丰富的数据中提炼出有用的信息，因此基于过程历史数据的方法在制 冷系统的FDD中得到了很好的推广。主成分分析方法属于基于过程历史数据方法的范畴， 广泛应用于冷水机组、空气处理机组传感器、冷冻水回路传感器、和系统级故障诊断的FDD 等。研究表明，冷水机组的观测变量都是具有明显的非高斯分布。然而，PCA方法成立的前 提是观测数据服从正态分布，传统的PCA必然导致过程故障检测率较低以及故障的误报、 漏报较大的现象。此外，主元分析仅解除了数据间的线性相关性，并未对数据的独立性问题 予以考虑。
[0004] 而独立元分析方法（IndependentComponentAnalysis，ICA)是近年来发展起来的 一种新的统计信号处理方法，作为标准PCA的延伸，它不仅去除了变量之间的相关性，而且 还包含了它们之间的高阶统计信息，ICA方法得到的独立成分分量满足统计意义上的独立 性，因此ICA比传统的统计分析方法包含了更多的有用信息。虽然ICA在生物医学信号处 理、混合语音信号分离、盲源分离等方面已得到较好的应用，但其在冷水机组过程监控方面 的应用还鲜有报道。鉴于此，本方法在传统FastICA的基础上，引入松弛因子，改变了原迭 代方式。这样可以放宽算法对初始值的依赖性，减弱FastICA算法对初始的分离矩阵的敏 感度。通过ASHRAE1043-RP的实验数据验证了该方法的有效性。
【发明内容】
[0005] 针对冷水机组过程数据的非高斯性，及FastICA对初始值选择的敏感问题，本发 明提供了一种基于改进的FastICA算法的冷水机组故障检测方法。在传统FastICA的基础 上，引入松弛因子，改变了原迭代方式。用改进的FastICA算法提取的冷水机组过程数据的 独立成分，构建统计量，进行故障检测，可有效减少过程检测中漏报的发生，提高故障检测 的准确性。
[0006] 本方法的实现步骤如下：
[0007]A.离线建模阶段：
[0008] 1)稳态处理：采集制冷过程正常工况下的历史数据，该数据包含机组瞬态和稳态 运行的数据，在开始故障诊断之前，需要对原始数据需进行稳态筛查，去除非稳态数据，保 留稳态数据。
[0009] 设历史数据的采样时间序列为{x。，X1, X2，…，xn}，则几何加权平均^及几何加权 方差Sn分别为：
[0011]其中，xk为样本的时间序列数据，k= 0, 1,2,???，!!，P为几何加权系数且为大于0 小于1的常数，Tss为有效时间窗长度，At为时间步长，即数据的采集间隔。三者之间的
[0012] 蒸发器进水温度（TWEI)、蒸发器出水温度（TWEO)和冷凝器进水温度（TWCI)三者 对定水量冷水机组的性能具有决定性作用，选作判断机组是否处于稳态的特征参数，只有 当三者的几何加权均方差均低于事先设定的限值时，才认为机组处于（准）稳态运行。各 组实验数据经稳态筛查后，从经过稳态筛选后的数据中随机选取部分数据（为保证模型的 精度，正常样本最好不少于200个）作为建模过程的训练数据。
[0013] 2)对训练数据X进行标准化处理，处理方式如下：
[0014] 首先计算训练数据X的所有时刻上所有过程变量的均值和标准方差，其中第j个
[0016] 然后对历史数据X进行标准化，其中第i采样时刻的第j个过程变量的标准化计 算公式如下：
[0018]其中，i= 1，? ? ?，N，j= 1，? ? ?，J;
[0019] 3)利用改进的FastICA方法提取独立成分：
[0020] 3. 1)对二维矩阵X'利用主成分分析PCA方法得到白化矩阵Q，Q=A1/2UT，其中 U和A分别为X'的协方差矩阵对应的特征向量矩阵和特征值矩阵，之后将X'进行白化，白 化公式为：Z=QX' ；
[0021] 3. 2)对随机权矢量W。进行初始化，并设收敛误差e;
始值的选择条件，可以提高收敛的稳定性。
[0024] 3. 5)当Ib1+1-b」<e时，算法是收敛的，估算出一个独立分量，如果不收敛，则返 回 3. 3)。
[0025] 4)利用改进的FastICA算法从Z中估计出新的混合矩阵B和分离矩阵W，再根据 S=BtZ得到独立成分S，沒=(式，? ? ?，6:;);
[0026]5)计算正常状态下测量数据集的检测统计量I2和SPE，计算公式如下：I2=SST， SPE=eTe，其中，e为残差矩阵，e = -if;e为残差矩阵Z，即估计出的观测 数据与实际数据的误差，J为通过独立分量估计出的观测数据，I= (T1;
[0027] 6)利用核密度估计方法估计统计量的控制限；
[0028] B.在线检测阶段：
[0029] 7)采集冷水机组制冷过程的当前时刻数据Xk，并根据步骤2)中得到均值和标准 方差对其进行标准化，其中第k采样时刻的第j个过程变量的标准化公式如下：
[0031] 8)提取标准化后_的独立成分Sk，计算公式如下：
[0032] Sj=Wxl
[0033] 其中，W为模型训练阶段步骤4)中所确定的分离矩阵；
[0034] 9)计算当前制冷过程k时刻测量数据的检测统计量I2和SPE，计算公式如下： ，SPEk=ekTek，其中，Sk为标准化后的k时刻采集数据為的独立成分；ek*k时 刻的残差矩阵，％ =八-Zk
[0035] 10)将上述计算得到的检测统计量与建模阶段的步骤6)确定的控制限进行比较， 如果二者都未超出，则判定当前时刻的过程测量数据正常；否则认为发生故障，进行报警。
[0036] 11)若机组停止制冷，则终止检测；否则采集下一时刻的数据，返回步骤7)，直到 制冷结束。
[0037] 有益效果
[0038] 与现有技术相比，本发明将改进的牛顿迭代法引入到FastICA中，改变了原迭代 方式，这样可以放宽算法对初始值的依赖性，减弱FastICA算法对初始的分离矩阵的敏感 度。用改进的FastICA算法对冷水机组制冷过程数据建模并进行故障检测，提高模型的稳 定性，降低检测的漏报率。
【附图说明】
[0039] 图1为本发明的方法流程图；
[0040] 图2(a)为传统的FastICA方法对故障1-蒸发器水量不足的独立成分平方和I2监 测图；
[0041] 图2 (b)为传统的FastICA方法对故障1-蒸发器水量不足的预测误差平方和SPE 监测图；
[0042] 图3 (a)为本发明的FastICA方法对故障1-蒸发器水量不足的独立成分平方和I2 监测图；
[0043] 图3(b)为本发明的FastICA方法对故障1-蒸发器水量不足的预测误差平方和 SPE监测图；
[0044] 图4 (a)为传统的FastICA方法对故障2-冷凝器水量不足的独立成分平方和I2监 测图；
[0045] 图4 (b)为传统的FastICA方法对故障2-冷凝器水量不足的预测误差平方和SPE 监测图；
[0046] 图5 (a)为本发明的FastICA方法对故障2-冷凝器水量不足的独立成分平方和I2 监测图；
[0047] 图5(b)为本发明的FastICA方法对故障2-冷凝器水量不足的预测误差平方和 SPE监测图；
[0048] 图