空调机组故障分析方法、装置、终端设备及存储介质与流程

1.本发明涉及空调机组故障分析技术领域，尤其涉及一种空调机组故障分析方法、装置、终端设备及存储介质。


背景技术：

2.目前，基于历史数据的空调机组故障检测方法已成为研究热点。该方法的优势在于不需要建立错综复杂、耦合度高的物理模型，也不依赖于大量的专家知识，而是通过构建灰箱或者黑箱模型建立系统输入和输出的关系。随着人工智能技术的发展，已有研究将各类算法用于上述故障检测方法，再通过建立空调系统仿真模型进行故障分析。在建模时，该方法主要通过分解制冷循环四大件，即压缩机，冷凝器，蒸发器及节流装置，然后根据制冷剂流经各个部件的物理原理分别建立子模型，最后对模型方程联立求解组成整个系统的模型，从而结合相关故障诊断方法进行故障分析。
3.然而，上述检测方法实际上还都停留在理论分析阶段，通过仿真结合诊断方法的方式，不仅存在建模难度大、操作复杂，难以完全还原真实空调系统的问题，且建模机组往往只针对局部系统，即故障检测结果也仅是局部分析结果，缺乏对整个空调机组的系统性研究。因此，上述方法的故障检测结果往往精确度较低，与真实情况相差较远，缺乏实际应用和指导意义。


技术实现要素：

4.本发明的目的在于提供一种空调机组故障分析方法、装置、终端设备及存储介质，以解决现有的空调机组故障检测方法故障检测精确度较低，缺乏实际应用和指导意义的问题。
5.为实现上述目的，本发明提供一种空调机组故障分析方法，包括：
6.基于主成分分析法构建故障检测模型，利用所述故障检测模型对待测空调机组的样本数据进行故障检测；
7.根据故障检测结果判断所述待测空调机组是否出现故障，当所述待测空调机组出现故障时，利用支持向量机模型对所述待测空调机组进行故障诊断；
8.根据故障诊断结果，划分故障等级。
9.进一步地，所述基于主成分分析法构建故障检测模型，包括：
10.获取待测空调机组的历史数据，构建训练数据集；
11.利用主成分分析法对所述训练数据集进行降维处理，对降维后的训练数据集进行标准化处理；
12.计算标准化处理后的训练数据集的协方差矩阵，提取特征值和特征向量；
13.根据所述特征值和特征向量，确定主元空间、残差空间及q统计控制限值，生成故障检测模型。
14.进一步地，所述利用所述故障检测模型对待测空调机组的样本数据进行故障检
测，包括：
15.获取待测空调机组的样本数据，对所述样本数据进行标准化处理；
16.计算处理后的样本数据的q统计量，并与所述q统计控制限值进行比较；当所述q统计量大于所述q统计控制限值，则判定所述待测空调机组出现故障。
17.进一步地，所述根据故障诊断结果，划分故障等级，包括：
18.基于故障诊断结果，确定故障特征指标；
19.根据可拓物元评价模型，利用关联度函数计算所述故障特征指标的关联度；
20.根据关联度计算结果，划分故障等级。
21.本发明还提供一种空调机组故障分析装置，包括：
22.故障检测单元，用于基于主成分分析法构建故障检测模型，利用所述故障检测模型对待测空调机组的样本数据进行故障检测；
23.故障诊断单元，用于根据故障检测结果判断所述待测空调机组是否出现故障，当所述待测空调机组出现故障时，利用支持向量机模型对所述待测空调机组进行故障诊断；
24.故障等级划分单元，用于根据故障诊断结果，划分故障等级。
25.进一步地，所述故障检测单元，还用于：
26.获取待测空调机组的历史数据，构建训练数据集；
27.利用主成分分析法对所述训练数据集进行降维处理，对降维后的训练数据集进行标准化处理；
28.计算标准化处理后的训练数据集的协方差矩阵，提取特征值和特征向量；
29.根据所述特征值和特征向量，确定主元空间、残差空间及q统计控制限值，生成故障检测模型。
30.进一步地，所述故障检测单元，还用于：
31.获取待测空调机组的样本数据，对所述样本数据进行标准化处理；
32.计算处理后的样本数据的q统计量，并与所述q统计控制限值进行比较；当所述q统计量大于所述q统计控制限值，则判定所述待测空调机组出现故障。
33.进一步地，所述故障等级划分单元，还用于：
34.基于故障诊断结果，确定故障特征指标；
35.根据可拓物元评价模型，利用关联度函数计算所述故障特征指标的关联度；
36.根据关联度计算结果，划分故障等级。
37.本发明还提供一种终端设备，包括：
38.一个或多个处理器；
39.存储器，与所述处理器耦接，用于存储一个或多个程序；
40.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的空调机组故障分析方法。
41.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的空调机组故障分析方法。
42.相对于现有技术，本发明的有益效果在于：
43.本发明公开了一种空调机组故障分析方法、装置、终端设备及存储介质，该方法包括：基于主成分分析法构建故障检测模型，利用所述故障检测模型对待测空调机组的样本
数据进行故障检测；根据故障检测结果判断所述待测空调机组是否出现故障，当所述待测空调机组出现故障时，利用支持向量机模型对所述待测空调机组进行故障诊断；根据故障诊断结果，划分故障等级。
44.本发明首先采用基于过程数据的故障检测方案，利用pca主成分分析法进行降维处理，根据特征统计量实现故障检测；然后采用基于dag-svm的多分类支持向量机故障诊断方案，通过调整模型参数取值，可以实现最优故障诊断结果。最后采用基于关联分析的物元可拓模型方案，通过明确各故障表征指标的经典域和节域，通过计算综合关联度判定故障严重等级。整套故障诊断流程算法克服了传统暖通空调领域故障诊断研究的片面性，使得故障诊断研究更系统、更全面，不仅提高了空调系统故障诊断的精确度，也为维修人员提供科学有效的指导，有利于维护空调系统的稳定性，具有较强的适用性。
附图说明
45.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.图1是本发明某一实施例提供的空调机组故障分析方法的流程示意图；
47.图2是图1中步骤s10提供的故障检测方案的流程示意图；
48.图3是本发明某一实施例提供的svm的原理示意图；
49.图4是本发明某一实施例提供的多分类法中的“一对多法”和“一对一法”的原理示意图；
50.图5是本发明某一实施例提供的dag-svm法的原理示意图；
51.图6是图1中步骤s20提供的故障诊断方案的流程示意图；
52.图7是图1中步骤s30提供的故障等级评估方案的流程示意图；
53.图8是本发明某一实施例提供的基于过程数据的故障检测结果；
54.图9是本发明又一实施例提供的dag-svm法的原理示意图；
55.图10是本发明某一实施例提供的故障诊断结果；
56.图11是本发明某一实施例提供的空调机组故障分析装置的结构示意图；
57.图12是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
58.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
60.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
61.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
62.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
63.请参阅图1，本发明某一实施例提供一种空调机组故障分析方法。如图1所示，该空调机组故障分析方法包括步骤s10至步骤s30。各步骤具体如下：
64.s10、基于主成分分析法构建故障检测模型，利用所述故障检测模型对待测空调机组的样本数据进行故障检测。
65.需要说明的是，故障检测是整个故障诊断流程的第一步。对于暖通空调系统而言，空调系统的参数传感器数量有限。但是利用参数传感器，系统仍然可以采集到多维空调特征参数的历史数据，并可以考虑采用基于过程数据的故障检测方案，利用主成分分析法(pca)进行降维处理，根据特征统计量实现故障检测。
66.具体地，本实施例首先对pca算法的原理进行阐述：
67.pca检测模型将多维数据向量投影到两个相互正交的子空间，即主元空间和残差空间。对于空调机组，假设其安装了m个参数传感器，进行了n次测量，首先将测得的数据存储于矩阵xn×m，如下所示：
[0068][0069]
对于从空调机组采集到的不同量纲的数据，首先要对其进行标准化处理，得到x
′n×m，即对x
ij
标准化处理，得到x
ij*
，如下所示：
[0070][0071]
计算各列相关系数，可得到样本协方差矩阵如下：
[0072][0073][0074]
进一步地，对样本协方差矩阵r进行奇异值分解，得到：
[0075]
r＝u∧u
t
ꢀꢀ
(5)
[0076]
式中，将u＝[u1,u2,
…
,un]矩阵的前k维线性无关向量p作为主元空间，剩下的n-k维线性无关向量作为残差空间。因此可以将原数据样本x分解为：
[0077][0078]
式中，pp
t
x为样本数据在主元空间的投影，为样本数据在残差空间的投影。
[0079]
需要说明的是，对于残差空间，建立统计量q，当满足下式时，表明原数据样本满足置信度α的控制限制，认为无故障发生，其中i为单位矩阵，q
α
可以通过即时数据进行计算，
计算方式如下：
[0080]
q＝||(i-pp
t
)x||2≤q
α
ꢀꢀ
(7)
[0081]
基于上述pca方法，本发明提出了如图2所示的故障检测方案，该方案包括两个部分，分别是模型构建和故障检测两个部分：
[0082]
在一示例性地实施例中，构建故障检测模型主要包括以下步骤：
[0083]
1.1)获取待测空调机组的历史数据，构建训练数据集；
[0084]
1.2)利用主成分分析法对所述训练数据集进行降维处理，对降维后的训练数据集进行标准化处理；
[0085]
1.3)计算标准化处理后的训练数据集的协方差矩阵，提取特征值和特征向量；
[0086]
这一步中，使用eig函数对协方差矩阵进行特征分解，得到该矩阵的特征值和特征向量；
[0087]
1.4)根据所述特征值和特征向量，确定主元空间、残差空间及q统计控制限值，生成故障检测模型。
[0088]
这一步中，先提取1.3)种特征向量的对角元素，并将其从大到小排列，通过计算累计贡献率确定主元个数，当累计贡献率小于90％时，采取增加主元个数；然后根据主元个数提取相应的特征向量，得到主元空间与残差空间；最后计算q统计控制限值，本实施例优选计算置信度为95％的q统计控制限值。
[0089]
进一步地，执行故障检测步骤，具体包括：
[0090]
1.5)获取待测空调机组的样本数据，对所述样本数据进行标准化处理；
[0091]
1.6)计算处理后的样本数据的q统计量，并与所述q统计控制限值进行比较；当所述q统计量大于所述q统计控制限值，则判定所述待测空调机组出现故障。
[0092]
s20、根据故障检测结果判断所述待测空调机组是否出现故障，当所述待测空调机组出现故障时，利用支持向量机模型对所述待测空调机组进行故障诊断。
[0093]
可以理解的是，在步骤s10中检测到的空调系统中空调机组的故障后需要在本步骤中进行故障诊断，由于不同故障本质上属于空调系统的不同状态，属于多分类问题。此外，实际情况中可以获取的故障数据较少，对于小样本数据的故障诊断，本实施例优先采用基于支持向量机(svm)的方法。该方法的核心基于统计学习理论，在解决小样本、非线性和高维问题中具有良好的适用性，其基本思路是在样本空间寻求一个划分超平面，从而将不同类别的样本分开。其中，svm原理示意图的如图3所示。
[0094]
为了帮助理解本步骤的执行过程，本实施例首先对svm的分类原理进行详细阐述：
[0095]
设样本集d＝{(x1,y1),(x2,y2),
…
,(xm,ym)},yi∈-1,1，其中xi为样本属性，yi为样本分类结果。由于是二分类问题，yi可以取值1或者-1。对于样本线性可分的问题，若存在超平面w
t
x+b＝0，使得：
[0096][0097]
式中，w＝(w1；w2；
…
；wd)为法向量，该向量决定了超平面的方向，b为位移项，该项决定了超平面与原点的距离。
[0098]
最优超平面应使得距离平面最近的几个样本数据到平面距离之和γ最大，其中：
[0099][0100]
因此，问题转化为：
[0101][0102]
然而，当直线无法有效地分开全部样本时，考虑引入松弛变量ξi≥0及惩罚参数c，将问题转化为：
[0103][0104]
当样本数据非线性可分时，通常采取的方法是将其映射到更高维的特征空间，将其转化为线性可分的问题，引入函数将高维特征空间里的超平面表示为将高维特征空间里的超平面表示为从而将问题最终转化为：
[0105][0106]
对于上述问题，使用拉格朗日乘子法将其转化为对偶问题，引入拉格朗日乘子α，核函数k(xi,xj)，得到下式，最终采用smo算法求解。其中，求解的方程组如下式所示：
[0107][0108]
需要说明的是，支持向量机方法解决的问题局限于二分类，而空调系统往往会出现多种故障情况。因此本实施例中针对空调系统的多种可能故障，引入了多分类方法。从计算逻辑出发通常包括两种思路：“一对多法”和“一对一法”，如图4所示。
[0109]
具体地，对于前者所述的“一对多法”，假设空调机组含有k种状态(包含正常运行状态和各种故障)的数据，需要针对每种故障样本i建立一个支持向量机分类器，对于该分类器的训练，将该类故障样i标记为+1，其余所有空调机组状态的样本数据标记为-1，以此类推，完成k个支持向量机分类器的训练。在故障诊断时，输入某数据样本，算法需要轮询各个分类器，大部分情况下该数据样本只会被某一个分类器标记为+1，由此可以得出故障诊断结果。该方法在训练每个分类器时需取i类故障样本与其他所有类别数据样本，因此会造成训练样本间存在数量差距，容易出现数据不可分的现象。
[0110]
对于后者的“一对一法”，其在处理空调系统k种状态的数据时，每次取两个类别的数据样本训练支持向量机分类器，因此一共需要训练k(k-1)/2个分类器。在故障诊断时，算法依旧轮询各个分类器并得到对应的判断结果，最终对各个判断结果进行投票计数，得票最高的类别定为故障诊断结果。对于上述两种思路，均需要对各个svm分类器进行轮询操作，本发明采用结合一对一法和决策树的有向无环图(dag)多分类支持向量机(svm)方法。
该方法将各个svm分类器构建成一个有向无环图，对于空调系统含有k种状态的数据，建立含有k层的有向图，其中k个叶子节点对应空调系统的k种状态，k(k-1)/2个非叶子节点对应svm分类器。在故障诊断时，待检测数据由根节点进入有向图，每个节点连接下层两个节点的通道分别对应该节点分类器+和-1的分类结果，最终待检测数据进入的底层叶子节点对应的状态即可作为故障诊断的结果，该流程如图4所示。
[0111]
综上所述，本实施例在执行步骤s20时，提供了一种基于dag-svm的故障诊断方案提出故障诊断方案流程，如图6所示。具体地，该步骤可分为以下四个部分：
[0112]
2.1)划分训练集测试集：
[0113]
对于原始数据集，基于随机分类代码对其进行训练集和测试集的划分，按一定的比例进行划分，算法如下所示。
[0114]
2.1.1)读取原始数据，设置故障类别数k以及训练集所占比例ratio；
[0115]
2.1.2)对于每个故障类别的数据，提取每组数据的索引并进行随机置换，根据划分比例ratio计算训练集所需数据量，在置换后的索引集合中提取相应数据量的索引值，得到相应的数据集合作为训练集，剩余索引值对应的数据集合作为测试集；
[0116]
2.1.3)循环遍历每个故障类别的数据，得到整个故障诊断算法的训练集和测试集。
[0117]
2.2)支持向量机分类：
[0118]
对于得到的训练集数据，需要将其应用到支持向量机模型的训练，如前文理论基础所述，本故障诊断模型选取最为常用的高斯(rbf)核函数，作为将输入空间内线性不可分的数据映射到高维空间的函数，其形式为：
[0119][0120]
进一步地，支持向量机最终二次规划问题，本算法采用quadprog函数进行求解，该函数解决问题的基本数学模型如下：
[0121][0122]
式中，h为二次规划中的二次项矩阵，a为线性不等约束的系数矩阵，aeq为线性等式约束的系数矩阵，f二次规划中的一次项向量，beq为线性等式约束的右端向量，lb，ub分别为自变量下、上限约束向量。
[0123]
在本故障诊断的支持向量机模型中，上式的x对应拉格朗日乘子α，该部分具体算法如下所示。
[0124]
2.2.1)读取训练集数据，包括各特征指标的参数值和对应的故障标签值，并且对各特征参数值进行归一化处理；
[0125]
2.2.2)设置惩罚参数c以及核函数参数gamma，创建存储h，f，aeq，beq，lb，ub的初始矩阵；
[0126]
2.2.3)对于每组训练数据，分别计算对应的h值，结合quadprog函数求得拉格朗日乘子α集合，设置容忍误差tol，确定训练集中支持向量的索引；
[0127]
2.2.4)根据确定的支持向量，计算划分超平面的w和b，存入结构体数组struct，完
成支持向量机模型的训练。
[0128]
2.3)引入多分类策略：
[0129]
本实施例中根据故障诊断中涉及的空调系统状态(假设有n种)，采取前述提出的多分类支持向量机方法(dag-svm)策略，可以构建形如图5所示的多分类模型结构图，算法如下所示。
[0130]
2.3.1)读取原始训练集数据，设置5
×
5的元胞数组cell用于存储训练的支持向量机模型；
[0131]
2.3.2)分别读取各故障标签数据集，从正常工况数据集开始(即故障标签为1的数据集)按照1vs5，1vs4，1vs3，1vs2的顺序调用支持向量机分类算法，训练相应模型；
[0132]
2.3.3)依此规律遍历其他故障标签数据集，完成10个支持向量机的训练，构成由分类器组成的故障诊断树模型。
[0133]
2.4)故障诊断：
[0134]
基于前述三步操作，完成故障诊断模型的训练，将测试集数据导入模型进行分类即可实现故障检测诊断，算法如下所示。
[0135]
2.4.1)读取测试集数据，对各特征参数值进行归一化处理；
[0136]
2.4.2)将处理后的测试集数据代入训练完成的多分类支持向量机模型，计算每组测试集数据相应分类的标签；
[0137]
2.4.3)将模型计算的分类标签与实际标签进行对比，计算故障诊断正确率。
[0138]
s30、根据故障诊断结果，划分故障等级。
[0139]
进一步地，该步骤又包括：
[0140]
3.1)基于故障诊断结果，确定故障特征指标；
[0141]
3.2)根据可拓物元评价模型，利用关联度函数计算所述故障特征指标的关联度；
[0142]
3.3)根据关联度计算结果，划分故障等级。
[0143]
本实施例中，在得到故障诊断结果之后，需要对故障的严重等级进行一个判定，以便工作人员制定后续的维修计划。其中，本实施例主要采取可拓物元模型对空调机组故障严重程度进行分析，该方法通过明确各故障表征指标的经典域和节域，使用关联度函数计算各评价指标的关联度，根据关联度大小判定故障严重等级。同样地，本实施例首先对可拓物元模型的原理进行说明：
[0144]
具体地，对于可拓物元评价模型，采用物元r＝(n,c,v)描述某事物n，其中c为该事物特征，v为该特征的值。对于空调系统某种故障的严重程度描述，假设其设有n个特征参数，则可拓物元模型表述为：
[0145][0146]
在可拓物元模型中，定义实轴上点x与区间x＝(a,b)的距为：
[0147][0148]
进一步地，对于空调系统的某种典型故障，设其严重等级程度集合n＝{nj,j＝1,
2,
…
,m}，故障特征指标集合c＝{cj,j＝1,2,
…
,n}，特征指标值集合v＝{vj,j＝1,2,
…
,n}，首先确定经典域和节域：
[0149][0150]
式中，rj为该故障某严重程度下的物元模型，特征指标的取值范围vj即为该严重等级程度的经典域，代表该故障在该严重程度各个特征指标的取值范围。
[0151][0152]
式中，rw为该故障所有严重程度下的物元模型，特征指标的取值范围v即为该故障严重等级程度的节域，代表该故障在各种严重程度各个特征指标的取值范围。
[0153]
当诊断得到空调系统故障类型后，根据运行数据建立待检测物元模型ri如下，根据空调系统测得的特征数据值得到vi。
[0154][0155]
在可拓物元模型中，采用关联函数kj(vi)来评估物元的关联程度：
[0156][0157]
综上，对于某空调系统故障的m类严重程度，分别计算待检测物元与ri与各故障等级物元rj的关联函数，得到判定矩阵s如下，对判定矩阵进行归一化处理，将其记为s＝(s
ij
)m×n。
[0158][0159]
采用熵权法确定各特征参数关联函数的权重，该方法根据信息熵的思路，当某个特征参数对故障现象贡献度越大时，其承载的信息量越大，对应的熵值越大，计算各特征参数的熵得到：
[0160][0161]
计算各特征参数的权重，得到：
[0162][0163]
于是，计算待检测物元与各故障等级物元的综合关联度得到：
[0164][0165]
最后，取max(kj),j＝1,2,
…
,m。即对应综合关联度最大的故障等级为故障评估结果。
[0166]
因此，本实施例基于上述方式提出了基于关联分析的故障等级评估方案，如图7所示。由图7可知，首先根据模拟的各故障严重等级状态下的运行参数确定经典域物元和节域物元，采用熵权法确定各物元特征的权重，完成物元模型的建立。对于待评估的数据，以相应的物元模式代入模型，建立关联度矩阵确定关联度，最终得到故障等级划分结果。
[0167]
综上所述，本发明实施例提供的空调机组故障分析方法，通过利用pca主成分分析法进行降维处理，根据特征统计量实现故障检测；通过利用基于dag-svm的多分类支持向量机故障诊断方案，并调整模型参数取值，可以实现最优故障诊断结果。通过利用基于关联分析的物元可拓模型方案，并明确各故障表征指标的经典域和节域，最后计算综合关联度判定故障严重等级。本实施例克服了传统暖通空调领域故障诊断研究的片面性，使得故障诊断研究更系统、更全面，不仅提高了空调系统故障诊断的精确度，也为维修人员提供科学有效的指导，有利于维护空调系统的稳定性，具有较强的适用性。
[0168]
为了帮助理解上述实施例提供的方法，在某一具体实施例中以某空调系统的具体运行数据为例针对该故障分析方法进行阐述，具体包括以下步骤：
[0169]
(1)基于过程数据的故障检测：
[0170]
本实施例选取一组基于空调系统仿真平台得到的模拟数据，选取空调机组吸气压力，排气压力，蒸发温度，冷凝温度，制冷量，压缩机转速，车外温度这7个参数作为特征变量，示例如下：
[0171]
表1故障检测方案原始数据集示例
[0172]
[0173][0174]
将该过程数据集应用于本发明技术方法中的第一部分即故障检测流程中，对于四种故障数据集，每种故障数据集各含有2400组数据，其中前600组数据为正常工况下的空调系统运行数据，之后以每600组数据为间隔，分别为轻度，中度和重度劣化的故障数据。可以得到检测的效果如图8所示。
[0175]
进一步地，分析图8中故障检测结果可知，基于过程数据的故障检测方案能够实现对空调系统四种典型故障进行检测，即在数据采样点达到600时，待检测数据开始进入故障模式。此时通过故障检测算法计算得到的q统计量超过控制限，从而报警实现检测。对于压缩机性能劣化，轻度故障就会造成过程数据变化显著，从而故障检测效果较好，同时在各个故障严重程度下，计算得到的统计量均处于控制限之上，故障识别准确率较高。对于蒸发器换热性能劣化以及制冷剂泄漏这两种故障，本方案同样可以实现轻度劣化下的故障检测，但在中度劣化和重度劣化的情况下，故障检测效果更显著。对于冷凝器换热性能劣化，轻度故障下的过程数据变化不大，从而无法准确实现故障检测，随着劣化程度加剧，最终能够实现故障检测。
[0176]
(2)基于数据挖掘的故障诊断：
[0177]
将上述数据集按照故障类型分类并贴上标签，其中特征变量依然是吸气压力，排气压力，蒸发温度，冷凝温度，制冷量，压缩机转速，车外温度这7个参数，数据集大小为300组数据，数据示例如下：
[0178]
表2故障诊断方案原始数据集示例
[0179]
[0180][0181]
本故障诊断方案算法基于matlab软件，分为数据预处理，模型训练以及诊断结果输出三个步骤。对于原始数据集，基于随机置换函数randperm编写随机分类代码对其进行训练集和测试集的划分，划分比例为7:3。由于该故障诊断过程仅涉及5种空调系统状态，因此共需训练10个支持向量机模型，构成由分类器组成的故障诊断树模型，如图9所示。
[0182]
对于任意一组测试集数据，其本身可能是空调系统正常状态或是某种故障状态，而故障诊断模型对其的诊断结果也可能是正常状态或是某种故障状态，按照这种思路，所有测试集数据可以划分成四类，即正确诊断正常状态(tp)、正确诊断故障状态(tn)、错误诊断正常状态(fp)、错误诊断故障状态(fn)。本文对于故障诊断模型性能的评价从两个方面考虑，首先是正确率，即故障诊断精度，其定义为正确诊断样本数量(tp+tn)占所有测试集样本总数(tp+tn+fp+fn)的比例。此外，针对每一种故障状态(压缩机性能劣化、冷凝器换热劣化、蒸发器换热劣化、制冷剂泄漏)，分别计算其故障查准率，其定义为正确诊断某种故障状态样本数量(tn)占该类故障样本数量的比例(tn+fn)。采用本故障诊断模型运行结果如表3及图10所示。
[0183]
表3基于dag-svm故障诊断模型运行结果
[0184][0185]
由故障诊断结果可知，基于多分类支持向量机的故障诊断算法对于空调系统4类典型故障能够进行较好的检测诊断，对于模拟的故障数据查准率可以达到100％。当初始核函数参数取1时，蒸发器换热性能劣化故障存在一定的查准率损失，整个测试集样本也存在一定的故障误判，但通过调整参数取值，可以实现最优故障诊断结果。
[0186]
(3)基于关联分析的故障等级评估
[0187]
以制冷剂泄漏故障为例进行相关计算分析，部分原始样本数据如下表所示。
[0188]
表4各严重程度下的制冷剂泄漏故障数据
[0189][0190]
(3.1)提取经典域和节域：
[0191]
读取制冷剂泄漏各个严重等级的故障数据，对数据集各特征参数进行统计分析，建立经典域以及节域模型如下：
[0192][0193][0194]
(3.2)建立待检测物元：
[0195]
选取表3中的三组数据，建立待检测物元如下所示：
[0196][0197]
(3.3)计算关联度：
[0198]
计算三组待测物元的关联函数值如下所示：
[0199]
表5待测物元关联度及权重计算结果
[0200][0201][0202]
(3.4)计算评估结果：
[0203]
结合表5，计算最终三组待测物元的综合关联度如下表6所示，通过比较三组物元模型与各故障等级的综合关联度，选取关联值最大的作为故障等级评估结果。通过对比评估结果与故障实际等级，可以看出评估结果均正确，验证了基于关联分析的故障等级评估方案有效性。
[0204]
表6待测物元综合关联度计算结果
[0205]
物元模型iiiiii评估结果r10.370.18-0.64i
r20.130.40-0.52iir
3-0.72-0.660.31iii
[0206]
请参阅图11，本发明某一实施例还提供一种空调机组故障分析装置，包括：
[0207]
故障检测单元01，用于基于主成分分析法构建故障检测模型，利用所述故障检测模型对待测空调机组的样本数据进行故障检测；
[0208]
故障诊断单元02，用于根据故障检测结果判断所述待测空调机组是否出现故障，当所述待测空调机组出现故障时，利用支持向量机模型对所述待测空调机组进行故障诊断；
[0209]
故障等级划分单元03，用于根据故障诊断结果，划分故障等级。
[0210]
在某一实施例中，故障检测单元01，还用于：
[0211]
获取待测空调机组的历史数据，构建训练数据集；
[0212]
利用主成分分析法对所述训练数据集进行降维处理，对降维后的训练数据集进行标准化处理；
[0213]
计算标准化处理后的训练数据集的协方差矩阵，提取特征值和特征向量；
[0214]
根据所述特征值和特征向量，确定主元空间、残差空间及q统计控制限值，生成故障检测模型。
[0215]
在某一实施例中，故障检测单元01，还用于：
[0216]
获取待测空调机组的样本数据，对所述样本数据进行标准化处理；
[0217]
计算处理后的样本数据的q统计量，并与所述q统计控制限值进行比较；当所述q统计量大于所述q统计控制限值，则判定所述待测空调机组出现故障。
[0218]
在某一实施例中，故障等级划分单元03，还用于：
[0219]
基于故障诊断结果，确定故障特征指标；
[0220]
根据可拓物元评价模型，利用关联度函数计算所述故障特征指标的关联度；
[0221]
根据关联度计算结果，划分故障等级。
[0222]
可以理解的是，本发明实施例提供的空调机组故障分析装置用于执行上述任一项实施例所述的空调机组故障分析方法。本实施例通过利用pca主成分分析法进行降维处理，根据特征统计量实现故障检测；通过利用基于dag-svm的多分类支持向量机故障诊断方案，并调整模型参数取值，可以实现最优故障诊断结果。通过利用基于关联分析的物元可拓模型方案，并明确各故障表征指标的经典域和节域，最后计算综合关联度判定故障严重等级。本实施例克服了传统暖通空调领域故障诊断研究的片面性，使得故障诊断研究更系统、更全面，不仅提高了空调系统故障诊断的精确度，也为维修人员提供科学有效的指导，有利于维护空调系统的稳定性，具有较强的适用性。
[0223]
请参阅图12，本发明某一实施例提供一种终端设备，包括：
[0224]
一个或多个处理器；
[0225]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0226]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的空调机组故障分析方法。
[0227]
处理器用于控制该终端设备的整体操作，以完成上述的空调机组故障分析方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据
例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0228]
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的空调机组故障分析方法，并达到如上述方法一致的技术效果。
[0229]
在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的空调机组故障分析方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的空调机组故障分析方法，并达到如上述方法一致的技术效果。
[0230]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。