冷水机组传感器多源故障诊断方法、系统、设备及介质

1.本发明属于空调传感器故障诊断技术领域，特别涉及一种冷水机组传感器多源故障诊断方法、系统、设备及介质。


背景技术：

2.建筑能源作为能源总消耗的重要组成部分；其中，暖通空调系统(hvac)在建筑总能耗中的的占比约为30％；伴随着智能建筑技术的发展，基于控制策略优化的暖通系统节能技术在建筑能耗节能中起到了重要的作用；传感器作为控制系统中重要的组成部分，在长期与外界接触的高温和高盐工作环境中，极易出现故障；在传感器故障情况下，hvac系统无法正常工作；这将导致一系列运行问题和许多缺点，如降低系统效率、浪费能源、造成室内空气质量差、缩短设备使用寿命、甚至损坏部件等。
3.因此，基于暖通系统的传感器故障诊断研究，对建筑节能与环境保护具有重要意义；空调系统通常由风系统和水系统构成；其中，水系统(即冷水机组)中的冷水机是冷水机组中的核心组成部分；冷水的交换介质通常由自来水构成，在长期运行过程中传感器长期处于高温高盐的工作环境中，极易导致传感器发生故障，且多个故障极易同时发生；现有的传感器故障诊断方法大多局限于系统内单个传感器的故障，对多个传感器多发故障的诊断与检测方法尚不充分，由于多源故障耦合程度较高等原因，缺乏对于冷水机组传感器多源故障的研究。


技术实现要素：

4.针对现有技术中存在的技术问题，本发明提供了一种冷水机组传感器多源故障诊断方法、系统、设备及介质，以解决现有的传感器故障诊断方法大多局限于系统内单个传感器的故障，缺乏对冷水机组传感器多源故障的研究的技术问题。
5.为达到上述目的，本发明采用的技术方案为：
6.本发明提供了一种冷水机组传感器多源故障诊断方法，其特征在于，包括以下步骤：
7.利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；
8.将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；
9.利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
10.进一步的，正常冷水机组的传感器历史数据包括冷却水供水温度传感器数据、冷却水回水温度传感器数据、冷冻水供水温度传感器数据及冷冻水回水温度传感器数据。
11.进一步的，所述预设故障数据采用对正常冷水机组中的一个或多个传感器预设故障形态后采集得到；其中，对正常冷水机组中的一个或多个传感器预设故障形态，具体包
括：单发故障形态、双发故障形态、三发故障形态或四法故障形态；
12.其中，单发故障形态包括：冷冻水供水温度传感器故障、冷冻水回水温度传感器故障、冷却水供水温度传感器故障及冷却水回水温度传感器故障；
13.双发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障及冷冻水回水温度传感器故障-冷却水回水温度传感器故障；
14.三发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障及冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障；
15.四发故障形态包括：冷冻水供水温度传感器故障-冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障。
16.进一步的，利用正常冷水机组的传感器历史数据，对高斯混合模块进行训练，得到多源故障故障预分类模型的过程，具体如下：
17.在不同时段正常冷水机组的传感器点位处，安置正常传感器或故障传感器；采集不同时段正常传感器或故障传感器数据，得到正常冷水机组的传感器历史数据；
18.利用eemd-std算法，对所述正常冷水机组的传感器历史数据进行去噪处理，得到去噪后的样本；
19.按照时间顺序利用去噪后的样本中同一时刻的传感器数据构建传感器数据矩阵mar，并进行归一化处理；根据预设故障数据形态，将归一化处理后的传感器数据矩阵mar划分为训练数据组mar1及测试数据组mar2；
20.利用训练数据组mar1作为高斯混合模型的训练样本，进行训练，得到训练后的聚类模型；其中，所述训练后的聚类模型为具有训练好参数的高斯混合模型；
21.利用测试数据组mar2作为训练后的聚类模型的测试样本，对训练后的聚类模型的参数进行评估调整，以获取似然函数的最大值为目标，得到具有最优参数的高斯混合模型，即得到所述的多源故障预分类模型。
22.进一步的，具有最优参数的高斯混合模型中的最优参数包括加权系数平均值μi和协方差矩阵∑i；
23.似然函数为：
[0024][0025]
其中，为训练数据的对数似然函数期望；β为高斯混合模型的初始参数；为高斯混合模型的最优参数；t为训练集中训练数据的序号；t为训练集的长度；x
t
为训练集中第t个训练数据；为训练集中每个数据的对数似然函数期望；θ为隐形变量，服从β概率的分布；k为高斯函数模型的个数；p(x
t
,θ/β)为训练集中第t个训练数据在隐形变量θ服从β概率下的概率；p(x
t
/β)为训练集中第t个训练数据服从β概率下的概率。
[0026]
进一步的，预处理好的待测冷水机组的传感器数据为利用eemd-std算法对待测冷水机组的传感器数据进行去噪处理得到。
[0027]
进一步的，利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果的过程中，k-means聚类算法的目标函数为：
[0028][0029][0030]
其中，p为欧式距离；r
nk
为指示矩阵；xn为编号为n的待测冷水机组的传感器故障预分类结果数据；μk为聚类中心；n为待测冷水机组的传感器故障预分类结果数据的编号；k为簇类编号；n为待测冷水机组的传感器故障预分类结果数据的总量；k为簇类别，即待测冷水机组的传感器故障预分类结果数据的类别。
[0031]
本发明还提供了一种冷水机组传感器多源故障诊断系统，包括：
[0032]
预分类模型模块，用于利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；
[0033]
故障预分类模块，用于将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；
[0034]
故障检测模块，用于利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
[0035]
本发明还提供了一种冷水机组传感器多源故障诊断设备，包括：
[0036]
存储器，用于存储计算机程序；
[0037]
处理器，用于执行所述计算机程序时实现所述的冷水机组传感器多源故障诊断方法的步骤。
[0038]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的冷水机组传感器多源故障诊断方法的步骤。
[0039]
与现有技术相比，本发明的有益效果为：
[0040]
本发明提供了一种冷水机组传感器多源故障诊断方法及系统，通过在正常冷水机组的传感器历史数据中预设故障数据，实现了对冷水机组中可能出现的各个故障状态进行模拟；利用高斯混合模型对传感器数据的聚类分析，实现对传感器数据的量化分析，满足了对耦合度较高的多源故障数据预分类问题，结合k-means聚类方法对传感器故障预分类结果进行具体分类，避免了多源故障在诊断过程中的混淆；无需对可疑目标进行人为认定，实现自动通过数据的整体运行状态进行故障检测；满足对冷水机组内的单源或多源传感器故障进行诊断检测，并获取故障区域及故障的传感器；故障检测效率较高，获取多源故障类型，有效的填补了针对冷水机组内传感器多源故障诊断的空白。
[0041]
进一步的，采用eemd-std算法对待测冷水机组的传感器数据进行去噪处理，有效提高了传感器数据的信噪比，有利于清晰数据的真实分布，有效提高了冷水机组内传感器多源故障诊断效率，提高了诊断成功率。
附图说明
[0042]
图1为本发明所述的冷水机组传感器多源故障诊断方法的流程图；
[0043]
图2为利用现有的gmm算法对测试样本的数据分类情况图；
[0044]
图3为利用现有的gmm算法的故障诊断过程的数据分类情况图；
[0045]
图4为利用现有的gmm算法的多源故障预分类效果图；
[0046]
图5为利用现有的k-means聚类算法的故障诊断成果图；
[0047]
图6为实施例中对测试样本的数据分类情况图；
[0048]
图7为实施例中故障诊断过程的数据分类情况图；
[0049]
图8为实施例中的多源故障预分类效果图；
[0050]
图9为实施例中的故障诊断成果图。
具体实施方式
[0051]
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0052]
如附图1所示，本发明提供了一种冷水机组传感器多源故障诊断方法，包括以下步骤：
[0053]
步骤1、利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型。其中，对高斯混合模型进行训练之前，采用eemd-std算法对所述正常冷水机组的传感器历史数据进行去噪处理；所述正常冷水机组传感器历史数据包括正常数据及预设故障数据。
[0054]
正常冷水机组的传感器历史数据包括冷却水供水温度传感器数据、冷却水回水温度传感器数据、冷冻水供水温度传感器数据及冷冻水回水温度传感器数据；所述预设故障数据采用对正常冷水机组中的一个或多个传感器预设故障形态后采集得到；其中，对正常冷水机组中的一个或多个传感器预设故障形态，具体包括：单发故障形态、双发故障形态、三发故障形态或四法故障形态；其中，单发故障形态包括：冷冻水供水温度传感器故障、冷冻水回水温度传感器故障、冷却水供水温度传感器故障及冷却水回水温度传感器故障；双发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障及冷冻水回水温度传感器故障-冷却水回水温度传感器故障；三发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障及冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障；四发故障形态包括：冷冻水供水温度传感器故障-冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障。
[0055]
本发明中，利用正常冷水机组的传感器历史数据，对高斯混合模块进行训练，得到多源故障故障预分类模型的过程，具体如下：
[0056]
步骤11、在不同时段正常冷水机组的传感器点位处，安置正常传感器或故障传感器；采集不同时段正常传感器或故障传感器数据，得到正常冷水机组的传感器历史数据；
[0057]
步骤12、利用eemd-std算法，对所述正常冷水机组的传感器历史数据进行去噪处理，得到去噪后的样本；
[0058]
步骤13、按照时间顺序利用去噪后的样本中同一时刻的传感器数据构建传感器数据矩阵mar，并进行归一化处理；根据预设故障数据形态，将归一化处理后的传感器数据矩
阵mar划分为训练数据组mar1及测试数据组mar2；
[0059]
步骤14、利用训练数据组mar1作为高斯混合模型的训练样本，进行训练，得到训练后的聚类模型；其中，所述训练后的聚类模型为具有训练好参数的高斯混合模型；所述具有最优参数的高斯混合模型中的最优参数包括加权系数平均值μi和协方差矩阵∑i；所述最优参数采用最大期望算法em计算得到。
[0060]
步骤15、利用测试数据组mar2作为训练后的聚类模型的测试样本，对训练后的聚类模型的参数进行评估调整，以获取似然函数的最大值为目标，得到具有最优参数的高斯混合模型，即得到所述的多源故障预分类模型；其中，似然函数为：
[0061][0062]
其中，为训练数据的对数似然函数期望；β为高斯混合模型的初始参数；为高斯混合模型的最优参数；t为训练集中训练数据的序号；t为训练集的长度；x
t
为训练集中第t个训练数据；为训练集中每个数据的对数似然函数期望；θ为隐形变量，服从β概率的分布；k为高斯函数模型的个数；p(x
t
,θ/β)为训练集中第t个训练数据在隐形变量θ服从β概率下的概率；p(x
t
/β)为训练集中第t个训练数据服从β概率下的概率。
[0063]
步骤2、将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果。其中，预处理好的待测冷水机组的传感器数据为利用eemd-std算法对待测冷水机组的传感器数据进行去噪处理得到。
[0064]
步骤3、利用k-means聚类算法，对待测冷水机组的传感器故障预分类结构进行区分，得到待测冷水机组的故障分类结果。其中，k-means聚类算法的目标函数为：
[0065][0066][0067]
其中，p为欧式距离；r
nk
为指示矩阵；xn为编号为n的待测冷水机组的传感器故障预分类结果数据；μk为聚类中心；n为待测冷水机组的传感器故障预分类结果数据的编号；k为簇类编号；n为待测冷水机组的传感器故障预分类结果数据的总量；k为簇类别，即待测冷水机组的传感器故障预分类结果数据的类别。
[0068]
本发明中，通过k-means聚类算法对待测冷水机组的传感器故障预分类结果进行区分诊断，k-means聚类算法作为一种经典的无监督学习算法，通过迭代将数据划分到各个区域，使得数据点到各个区域中心的距离之和最小；迭代优化中，聚类中心μk和指示矩阵r
nk
是一个np问题，需要进行迭代优化所述的聚类中心μk和指示矩阵r
nk
，从而得到最优解。
[0069]
其中，具体迭代步骤如下：
[0070]
(1)固定聚类中心μk，优化指示矩阵r
nk
；若第n个样本距离第k个中心最近，则赋值r
nk
＝1；否则r
nk
＝0；
[0071]
(2)固定指示矩阵r
nk
，优化聚类中心μk，由对，聚类中心μk进行求导，得
到则得到聚类中心μk；其中，聚类中心μk为：
[0072][0073]
通过迭代优化，最终达到所述数据点到各个区域中心的距离之和的目标为：
[0074][0075]
经过上述迭代优化过程，最终可得到k个区域的类中心；其中，所述k值为各故障分组中的故障类型数；k个区域由同组内k个不同故障预分类结果数据组成，每个区域代表一个故障类型；所述预处理好的待测冷水机组的传感器数据经多源故障预分类模型预分类处理后，生成多组按簇类组成的待测冷水机组的传感器故障预分类结果数据；将所述待测冷水机组的传感器故障预分类结果数据各自输入k-means聚类算法，每组所述待测冷水机组的传感器故障预分类结果数据经k-means聚类算法获得具体的故障类型；其中，k为人为设置得各个故障分组内的故障类型数。
[0076]
本发明还提供了一种冷水机组传感器多源故障诊断系统，包括预分类模型模块、故障预分类模块及故障检测模块；预分类模型模块，用于利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；故障预分类模块，用于将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；故障检测模块，用于利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
[0077]
本发明还提供了一种冷水机组传感器多源故障诊断设备，包括存储器及处理器：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现冷水机组传感器多源故障诊断方法的步骤。
[0078]
所述处理器执行所述计算机程序时实现上述冷水机组传感器多源故障诊断方法的步骤，例如：利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
[0079]
或者，所述处理器执行所述计算机程序时实现上述系统中各模块的功能，例如：预分类模型模块，用于利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；故障预分类模块，用于将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；故障检测模块，用于利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
[0080]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多
个模块/单元可以是能够完成预设功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序在所述冷水机组传感器多源故障诊断设备中的执行过程。例如，所述计算机程序可以被分割成预分类模型模块、故障预分类模块及故障检测模块，各模块具体功能如下：预分类模型模块，用于利用正常冷水机组的传感器历史数据，对高斯混合模型进行训练，得到多源故障预分类模型；其中，正常冷水机组的传感器历史数据包括正常数据及预设故障数据；故障预分类模块，用于将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；故障检测模块，用于利用k-means聚类算法，对待测冷水机组的传感器故障预分类结果进行区分，得到待测冷水机组的故障分类结果。
[0081]
所述冷水机组传感器多源故障诊断设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述冷水机组传感器多源故障诊断设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，上述仅仅是冷水机组传感器多源故障诊断设备的示例，并不构成对冷水机组传感器多源故障诊断设备的限定，可以包括比图示更多的部件，或者组合某些部件，或者不同的部件，例如所述冷水机组传感器多源故障诊断设备还可以包括输入输出设备、网络接入设备、总线等。
[0082]
所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等，所述处理器是所述冷水机组传感器多源故障诊断设备的控制中心，利用各种接口和线路连接整个冷水机组传感器多源故障诊断设备的各个部分。
[0083]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述冷水机组传感器多源故障诊断设备的各种功能。
[0084]
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0085]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种冷水机组传感器多源故障诊断方法的步骤。
[0086]
所述冷水机组传感器多源故障诊断系统集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0087]
基于这样的理解，本发明实现上述冷水机组传感器多源故障诊断方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述冷水机组传感
器多源故障诊断方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
[0088]
所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质等。
[0089]
需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
[0090]
实施例
[0091]
以某空调系统的冷水机组故障诊断过程为例，采集传感器数据为所述空调系统夏季工况数据。
[0092]
本实施例提供了一种冷水机组传感器多源故障诊断方法，包括以下步骤：
[0093]
步骤1、获取正常冷水机组的传感器历史数据，采用eemd算法对所述正常冷水机组的传感器历史数据进行去噪处理，利用去噪后的正常冷水机组的传感器历史数据对高斯混合模型进行训练，得到多源故障预分类模型；其中，所述正常冷水机组的传感器历史数据包括正常数据及预设故障数据。
[0094]
具体过程如下：
[0095]
步骤11、在不同时段正常冷水机组的传感器点位上，按照预设故障形态安置正常传感器或故障传感器；本实施例中，按照30％偏置故障预设故障形态；其中，正常冷水机组的传感器历史数据包括冷却水供水温度传感器数据、冷却水回水温度传感器数据、冷冻水供水温度传感器数据及冷冻水回水温度传感器数据。
[0096]
所述预设故障数据采用对正常冷水机组中的一个或多个传感器预设故障形态后采集得到；其中，对正常冷水机组中的一个或多个传感器预设故障形态，具体包括：单发故障形态、双发故障形态、三发故障形态或四法故障形态。
[0097]
其中，单发故障形态包括：冷冻水供水温度传感器故障、冷冻水回水温度传感器故障、冷却水供水温度传感器故障及冷却水回水温度传感器故障；双发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障及冷冻水回水温度传感器故障-冷却水回水温度传感器故障；三发故障形态包括：冷冻水供水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障及冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障；四发故障形态包括：冷冻水供水温度传感器故障-冷冻水回水温度传感器故障-冷却水供水温度传感器故障-冷却水回水温度传感器故障。
[0098]
本实施例中，共设置九种预设故障形态；在正常情况下及九种预设故障形态的不同时段的传感器数据作为实验以获取实时采集空调冷热交换器中的传感器参数，得到正常冷水机组的传感器历史数据。
[0099]
步骤12、利用eemd-std算法，对所述正常冷水机组的传感器历史数据进行去噪处理，得到去噪后的样本。
[0100]
本实施例中，eemd-std算法基于eemd算法基础上改进的数据去噪方法，可以有效提高高斯混合模型故障预分类的准确程度，通过去除噪声来增大高斯混合模型的故障预分
类成功率；本实施例中，eemd-std算法去噪时以传感器为单位，即将一段时间里的同一传感器采集的数据作为数据组进行去噪。
[0101]
步骤13、按照时间顺序利用去噪后的样本中同一时刻的传感器数据构建传感器数据矩阵mar，并进行归一化处理，得到归一化处理后的传感器数据mar；其中，传感器数据矩阵mar的为：
[0102]
mar＝[x
1 x2ꢀ…ꢀ
xiꢀ…ꢀ
xn]，n＝1,2,3,
…
[0103][0104]
其中，xi为第i时刻的传感器数据组；a
mi
为第i时刻的第m个传感器的采集数据，n为传感器数据组的个数，m为冷水机组中的传感器点位个数。
[0105]
步骤14、根据预设故障数据形态，将归一化处理后的传感器数据矩阵mar划分为训练数据组mar1及测试数据组mar2；其中，每个训练数据组mar1和测试数据组mar2中均包含正常数据及各类预设故障数据。
[0106]
步骤15、利用训练数据组mar1作为高斯混合模型的训练样本，进行训练，得到训练后的聚类模型；其中，所述训练后的聚类模型为具有训练好参数的高斯混合模型；
[0107]
步骤16、利用测试数据组mar2作为训练后的聚类模型的测试样本，对训练后的聚类模型的参数进行评估调整，以获取似然函数的最大值为目标，得到具有最优参数的高斯混合模型，即得到所述的多源故障预分类模型。
[0108]
本实施例中，利用训练样本内的正常数据和预设故障数据下的若干矢量作为高斯混合模型的初始参数β，对初始贡献率的选择按照模拟故障情况数量平均；采用最大期望算法em对高斯混合模型的最优参数进行估计。
[0109]
具体过程如下：
[0110]
取训练数据组mar1中长度为t的训练集x，则：
[0111][0112]
其中，p(x|β)为训练集x服从初始参数β的概率；p(x
t
|β)为第t个训练数据服从初始参数β的概率；t为训练集x的长度，x
t
为训练集中的第t个训练数据。
[0113]
通过对初始参数β的训练高斯混合模型的最优参数使其满足下式条件：
[0114][0115]
其中，为训练集x服从最优参数的概率。
[0116]
对高斯混合模型的最优参数的训练过程，直到模型收敛为止，具体步骤如下：
[0117]
定义似然函数似然函数为训练数据的对数似然函数期望，似然函数的表达式如下所示：
[0118]
[0119]
其中，x
t
为训练集中第t个训练数据；为训练集中每个数据的对数似然函数期望；θ为隐形变量，服从β概率的分布；k为高斯函数模型的个数；p(x
t
,θ/β)为训练集中第t个训练数据在隐形变量θ服从β概率下的概率；p(x
t
/β)为训练集中第t个训练数据服从β概率下的概率。
[0120]
利用贝叶斯概率公式，得到训练数据属于假设隐藏状态θ的概率为：
[0121][0122]
其中，p(θ/x
t
,β)为当前隐形变量θ下的后验概率；为隐藏状态下的贡献率。
[0123]
分别计算加权系数平均值μi和协方差矩阵∑i三个参数的似然函数偏导数为零时的参数值。
[0124]
重复上述步骤进行迭代，得到训练后的故障预分类聚类模型。
[0125]
步骤2、将预处理好的待测冷水机组的传感器数据作为多源故障预分类模型的输入，通过高斯分布聚类进行故障预分类，得到待测冷水机组的传感器故障预分类结果；其中，预处理好的待测冷水机组的传感器数据为利用eemd-std算法对待测冷水机组的传感器数据进行去噪处理得到。
[0126]
步骤3、利用k-means聚类算法，对待测冷水机组的传感器故障预分类结构进行区分，得到待测冷水机组的故障分类结果；其中，k-means聚类算法的目标函数为：
[0127][0128][0129]
其中，p为欧式距离；r
nk
为指示矩阵；xn为编号为n的待测冷水机组的传感器故障预分类结果数据；μk为聚类中心；n为待测冷水机组的传感器故障预分类结果数据的编号；k为簇类编号；n为待测冷水机组的传感器故障预分类结果数据的总量；k为簇类别，即待测冷水机组的传感器故障预分类结果数据的类别。
[0130]
试验结果
[0131]
本实施例中，采集不同时段正常冷水机组的传感器数据共计2500组，包括正常数据和九种预设故障数据；其中，每种预设故障形态下，采集500组传感器数据；利用现有的高斯混合模型方法及本发明所述的多源故障诊断方法，对上述数据进行处理，分别得到利用现有高斯混合模型方法的诊断结果及本实施例所述的多源故障诊断方法的诊断结果，具体如下：
[0132]
附图2-3以及附图6-7中的故障a、b、c、d分别代表：冷冻水供水温度传感器故障，冷冻水回水温度传感器故障，冷却水供水温度传感器故障、冷却水回水温度传感器故障等四种故障，其中由
“‑”
连接为同时发生故障。
[0133]
如附图2-5所示，附图2中给出了利用现有的gmm算法对测试样本的数据分类情况图，附图3中给出了利用现有的gmm算法的故障诊断过程的数据分类情况图，附图4中给出了利用现有的gmm算法的多源故障预分类效果图，附图5中给出了利用现有的k-means聚类算法的故障诊断成果图；从附图2-5中可以看出，虽然k-means聚类方法对预分类后数据故障
诊断成功率较高，但利用现有的高斯混合模型方法进行故障预分类过程，正常情况下判断综合正确率在58.92％；其中，双三发故障形态具有较高的耦合度，误判也相对较多；在工程应用中，显然是无法使用的。在工程应用中会造成巨大的安全隐患。
[0134]
如附图6-9所示，附图6中给出了实施例中对测试样本的数据分类情况图，附图7中给出了实施例中故障预分类过程的数据分类情况图，附图6中给出了实施例中的故障预分类成果图，附图7中给出了实施例中故障诊断过程的数据分类情况图，附图8中给出了实施例中的多源故障预分类效果图，附图9中给出了实施例中的故障诊断成果图；从附图6-9中可以看出，本实施例所述的多源故障诊断方法，具有良好的诊断能力，正常情况及四种故障分组下的预分类准确率分别为99％、99.4％、94.6％、98.8％及94.8％；相较于现有的高斯混合模型故障分类方法，本实施例有效提高了故障预分类的准确率，特别是在故障分组：冷冻水供水温度传感器故障+冷却水供水温度传感器故障，冷冻水供水温度传感器故障+冷却水供水温度传感器故障+冷却水回水温度传感器故障中中，预分类准确度分别提高了99％，极大地降低了诊断混淆的情况，故障诊断成功率综合达到97.6％。
[0135]
本实施例提供的一种冷水机组传感器多源故障诊断系统、设备及介质中相关部分的说明可以参见本实施例所述的一种冷水机组传感器多源故障诊断方法中对应部分的详细说明，在此不再赘述。
[0136]
本实施例中，通过eemd-std算法对传感器数据进行预处理，可以降低数据的噪声率，提高数据的信噪比，有利于清晰数据的真实分布，可以更好的拟合冷水机组内系统各部分物理运行状态；对系统内各个可能出现的故障状态进行模拟，并利用高斯混合模型进行预分类，通过预分类来降低多发故障的误判情况，对预分类后的数据采用k-means聚类方法进行分类得到具体的故障类型；本实施例中，基于eemd-std算法，对传感器数据进行降噪处理后，去除冗杂信息，提高信噪比，从而提升所述冷水机组传感器多源故障诊断方法对于冷水机系统传感器故障情况的诊断与检测。
[0137]
本发明所述的冷水机组传感器多源故障诊断方法，避免了目前的基于冷水机组乃至空气处理系统传感器故障的诊断局限于利用神经网络或pca方法的故障检测；故障诊断过程无需人为认定可疑目标，并无需对可疑目标进行检测，能够自动的通过传感器数据的整体运行状态进行故障检测；本发明所述的多源故障诊断方法，能够同时满足单源或多源传感器故障，实现对恶劣环境导致的多源传感器故障情况检测，找出故障区域和故障的传感器；本发明相较于仅仅使用现有的高斯混合模型以及k-means聚类的传感器故障检测和诊断方法，提高了故障检测率，并采用预分类概念，使复杂的多源故障诊断混淆概率大大降低。
[0138]
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。