测效果图。图2(a)中的I2统计量误报率为9%，图2(b)中的SPE 统计量误报率为2. 5%;而本发明方法没有任何误报警，显示出更好的检测效果，其中松弛 因子a= 1/2。
[0104] 图4(a)_4(b)和图5(a)_5(b)分别为传统的FastICA方法和本发明方法对故障 2- 冷凝器水量不足的检测效果图。可见两种方法都没有任何误报警，检测准确率为100%。 然而，传统的FastICA方法在故障检测中出现了"达到最大迭代次数，但还未收敛"的现象； 本发明降低了算法对初值选择的敏感性，有较好的收敛性，保证了故障检测的可靠性，其中 松弛因子a= 1/2。
[0105] 图6(a)_6(b)和图7(a)_7(b)分别为传统的FastICA方法和本发明方法对故障 3- 制冷剂泄漏的检测效果图。图6(a)中的I2统计量误报率为20%，图6(b)中的SPE统 计量误报率为27. 5 % ;图7 (a)中的I2统计量误报率为0 %，图7 (b)中的SPE统计量误报 率为8%。可见而本发明方法有更好的检测效果，其中松弛因子a= 1/4。
[0106] 图8(a)_8(b)和图9(a)_9(b)分别为传统的FastICA方法和本发明方法对故障 4-制冷剂过量的检测效果图。图8(a)中的I2统计量误报率为5%，图8(b)中的SPE统计 量误报率为8 % ;图9 (a)中的I2统计量误报率为4 %，图9 (b)中的SPE统计量误报率为 2%。可见而本发明方法有更好的检测效果，其中松弛因子a= 1。
[0107] 图10 (a)-10(b)和图11 (a)-11(b)分别为传统的FastICA方法和本发明方法对故 障5-制冷剂中含不凝性气体的检测效果图。两种方法检测准确率均为100%，没有任何误 报警。然而，传统的FastICA方法在故障检测中出现了"达到最大迭代次数，但还未收敛" 的现象；本发明降低了算法对初值选择的敏感性，有较好的收敛性，保证了故障检测的可靠 性，其中松弛因子a= 1/4。
[0108] 图12 (a)-12(b)和图13 (a)-13(b)分别为传统的FastICA方法和本发明方法对故 障6-冷凝器结垢的检测效果图。图12(a)中的I2统计量误报率为28%，图12(b)中的SPE 统计量误报率为〇% ;而本发明方法没有任何误报警，显示出更好的检测效果，其中松弛因 子a= 1/4。
[0109] 图14 (a) -14 (b)和图15 (a) -15 (b)分别为传统的FastICA方法和本发明方法对故 障7-润滑油过多的检测效果图。图14(a)中的I2统计量误报率为11%，图14(b)中的SPE 统计量误报率为4% ;图15(a)中的I2统计量误报率为5%，图15(b)中的SPE统计量误报 率为3%。可见而本发明方法有更好的检测效果，其中松弛因子a= 1/2。
[0110] 为了更形象地对比传统方法与本发明方法应用于冷水机组制冷过程故障检测的 有效性，对上述7种故障数据的检测效果列表对比如下：
[0111] 表3故障检测情况
[0112]
[0114] 注：准确率是未发生故障时不产生警报的样本数目加上故障发生后报警的样本数 目总和与总的样本数目比值；误报率是未发生故障时产生报警的样本与总的样本数目比 值；漏报率是发生故障后未报警的样本与总的样本数目的比值.
[0115] 从表3可以发现，改进后的FastICA降低了算法对初始值的依赖性，提高算法的稳 定性，也有效地提高了故障检测的准确率。
【主权项】
1. 一种基于改进的FastICA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； 其特征在于：本方法的实现步骤如下： A.离线建模阶段： 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； 设历史数据的采样时间序列为{X(]，Xl，X2，…，χη}，则几何加权平均及几何加权方差 sj别为：其中，xk为样本的时间序列数据，k = 0，l，2, ···，!!，β为几何加权系数且为大于O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；三者之间的关系为蒸发器进水温度（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； 2) 对训练数据X进行标准化处理，处理方式如下： 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个过程变量的均值-的计算公式为 ；第j个过程变量的标准方差 Ij. S_j的计算公式为，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：3) 利用改进的FastICA方法提取独立成分： 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 = Λ 1/2UT，其中U和 Λ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' ； 3. 2)对随机权矢量W。进行初始化，并设收敛误差ε ; 3. 3)对迭代式引入因子a，变为其中O < a< 1 ;引入松弛因子的牛顿迭代法放宽了初始 值的选择条件，可以提高收敛的稳定性； 3.4) 更新Id1，并执行正交化3.5) 当|b1+1-b」< ε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)； 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，S = (S' ^…，S' Ν); 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：I 2= SS T，SPE =eTe，其中，e为残差矩阵，e =. I _e为残差矩阵，.= I - ,r:,即估计出的观测数据 与实际数据的误差，I为通过独立分量估计出的观测数据，I = ; 6) 利用核密度估计方法估计统计量的控制限； B.在线检测阶段： 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：8) 提取标准化后》的独立成分Sk，计算公式如下： % = Wxt 其中，W为模型训练阶段步骤4)中所确定的分离矩阵； 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： G =足5了，57? = e/e,，其中，Sk为标准化后的k时刻采集数据Χ?的独立成分；％为k 时刻的残差矩阵，％ = JTa - ; 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； 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。
【专利摘要】一种基于改进的FastICA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，有效降低算法对初始值的依赖性。本发明包括“离线建模”和“在线检测”两个阶段。“离线建模”包括：首先正常数据样本进行稳态处理；之后采用引入松弛因子的FastICA算法提取数据的独立成分信息；最后计算统计量I2和SPE，并利用核密度估计方法确定控制限。“在线检测”包括：对新采集的制冷过程数据按照模型进行处理，计算其统计量并与控制限进行比较判断制冷过程是否运行正常。本发明降低了FastICA算法对初始值的依赖性，保证了冷水机组制冷过程的安全性和稳定性。
【IPC分类】F25B49/00, G01M13/00
【公开号】CN105067252
【申请号】CN201510520758
【发明人】王普, 辛娇娇, 张楠华, 高学金
【申请人】北京工业大学
【公开日】2015年11月18日
【申请日】2015年8月23日