本發(fā)明型涉及調(diào)節(jié)閥故障診斷與檢測技術(shù)領(lǐng)域，特別的涉及樓宇自動化控制系統(tǒng)。

背景技術(shù)：

隨著我國對建筑能源利用率的持續(xù)高度關(guān)注，尋找切實有效的方法提高建筑能源的利用率、降低建筑能耗迫在眉睫。在建筑的實際工程運行中，即使經(jīng)歷了較為完善的建筑運行調(diào)試，在實際運行中也會逐漸偏離最佳的運行效果。

空調(diào)水系統(tǒng)負(fù)責(zé)建筑暖通空調(diào)系統(tǒng)冷熱負(fù)荷的調(diào)節(jié)，對暖通空調(diào)系統(tǒng)的能耗起到關(guān)鍵作用。而在空調(diào)水系統(tǒng)中，閥門則是非常重要的控制部件，它用來改變管路系統(tǒng)的通路斷面和介質(zhì)流動方向，具有截斷、止回、調(diào)節(jié)、安全等功能。

當(dāng)空調(diào)水系統(tǒng)調(diào)節(jié)閥出現(xiàn)故障時，會影響到系統(tǒng)控制邏輯的執(zhí)行，造成末端水系統(tǒng)的嚴(yán)重水利失衡，同時無法保證對冷熱源機組的保護(hù)功能，嚴(yán)重時會影響機組的正常運轉(zhuǎn)時和使用壽命，不僅影響機組運行安全性和室內(nèi)舒適性，而且增大了設(shè)備費用和整個系統(tǒng)的能耗，造成能源浪費，從而導(dǎo)致不必要的經(jīng)濟(jì)損失。因此，實時對空調(diào)水系統(tǒng)閥門運行狀態(tài)進(jìn)行監(jiān)控，并采用可靠的故障檢測與診斷策略防止故障的發(fā)生，對空調(diào)水系統(tǒng)始終高效運行具有巨大的現(xiàn)實意義。

故障檢測與診斷(fdd)的傳統(tǒng)方式依賴維護(hù)人員的專業(yè)知識和經(jīng)驗，耗時耗力且對維護(hù)人員素質(zhì)要求較高，可靠性及可持續(xù)性無法滿足現(xiàn)代社會的要求。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是解決現(xiàn)有的調(diào)節(jié)閥出現(xiàn)故障時無法及時識別并及時處理的問題

為實現(xiàn)本發(fā)明目的而采用的技術(shù)方案是這樣的，一種空調(diào)水系統(tǒng)智能診斷調(diào)節(jié)閥，其特征在于:包括安裝于空調(diào)系統(tǒng)的水系統(tǒng)的調(diào)節(jié)閥；所述調(diào)節(jié)閥根據(jù)控制器輸出的信號，調(diào)節(jié)其閥位；所述控制器向上位機傳遞輸出信號；調(diào)節(jié)閥的閥位反饋信號和調(diào)節(jié)閥后流量通過信號測量器傳遞給上位機；

所述上位機存儲有svm故障檢測模型和svm故障診斷模型；

所述故障檢測模型和故障診斷模型的建立過程如下：

1)空調(diào)水系統(tǒng)模型建立

根據(jù)建筑內(nèi)實際空調(diào)系統(tǒng)的水系統(tǒng)的管網(wǎng)系統(tǒng)建立仿真模型；

2)實際工況參數(shù)收集、特性參數(shù)提取

根據(jù)步驟1)所述的仿真模型，測試設(shè)置正常工況和若干種調(diào)節(jié)閥故障工況，多次提取各種工況下，表征故障的特性參數(shù)；所述的表征故障的特性參數(shù)包括控制器輸出信號、調(diào)節(jié)閥的閥位反饋信號和調(diào)節(jié)閥后流量；

3)基于svm的故障檢測模型訓(xùn)練

3-1)選取步驟2)所獲得的全部調(diào)節(jié)閥故障工況下的調(diào)節(jié)閥的閥位反饋信號，將其作為一個故障工況數(shù)據(jù)集；

選取步驟2)所獲得的調(diào)節(jié)閥正常工況下的調(diào)節(jié)閥的閥位反饋信號，將其作為正常工況數(shù)據(jù)集；

故障工況數(shù)據(jù)集和正常工況數(shù)據(jù)集作為svm的故障診斷模型訓(xùn)練的輸入；

對數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為svm分類模型的訓(xùn)練集，從而獲得調(diào)節(jié)閥故障檢測模型，另一部分則作為模型測試集。

3-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用matlab自帶的歸一化函數(shù)對數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理；

3-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的svm的核參數(shù)g和懲罰因子c；

3-4)根據(jù)步驟3-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過libsvm工具箱完成，最終得到故障檢測模型；

4)基于svm的故障診斷模型訓(xùn)練

4-1)將步驟2)所獲得的將每種工況的數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為svm分類模型的訓(xùn)練集，從而獲得調(diào)節(jié)閥故障檢測模型，另一部分則作為模型測試集。

4-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用matlab自帶的歸一化函數(shù)對數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理；

4-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的svm的核參數(shù)g和懲罰因子c，以獲取最為準(zhǔn)確的故障檢測分類模型；

4-4)根據(jù)步驟4-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過libsvm工具箱完成，最終得到各個類型的故障診斷模型；

故障診斷過程如下：

a)將閥位反饋信號作為svm故障檢測模型的輸入，判斷空調(diào)系統(tǒng)的水系統(tǒng)是否發(fā)生調(diào)節(jié)閥故障；若是，進(jìn)入步驟b)，將控制器輸出信號、閥位反饋信號和調(diào)節(jié)閥后流量作為故障診斷模型的輸入，來檢測故障類型；

b)用某一類型的故障診斷svm模型對該類型故障的特性參數(shù)進(jìn)行預(yù)測，然后計算出測試數(shù)據(jù)與預(yù)測值的殘差，進(jìn)而計算指數(shù)加權(quán)移動平均(ewma)值。

c)根據(jù)步驟b所述的該類型故障工況下的ewma控制圖，將測試值和預(yù)測值的殘差的ewma值比較：

若測試值超出控制限閾值，則可判斷當(dāng)前工況非該類故障工況，回到步驟b)，更換另外一類型的故障診斷svm模型；

若測試值未超出控制限閾值，則可判斷當(dāng)前工況是該類故障工況。

值得說明的是，在空調(diào)水系統(tǒng)中的調(diào)節(jié)閥6種常見故障有：滯后性、控制死區(qū)、失控帶、粘滯性、泄露、卡堵。其中，前四種為閥門執(zhí)行機構(gòu)的非線性故障特征，后兩種為閥體閥座故障。

本專利考慮到當(dāng)調(diào)節(jié)閥存在故障時，各特性參數(shù)也會發(fā)生相應(yīng)的變化，為了提高故障檢測流程的可操作性與適用性，利用空調(diào)水系統(tǒng)調(diào)節(jié)閥最易測量的3個典型的閥門性能參數(shù)作為指示閥門故障的特性參數(shù)：控制器輸出信號、閥位反饋信號、調(diào)節(jié)閥后流量(或者調(diào)節(jié)閥前后壓差)。根據(jù)正常工況下以及各類故障條件下的模擬數(shù)據(jù)建立基于svm的fdd分類模型，將訓(xùn)練數(shù)據(jù)獲得的分類模型對測試數(shù)據(jù)進(jìn)行分類，根據(jù)分類結(jié)果對閥件進(jìn)行故障檢測，判斷閥門是否發(fā)生故障。

當(dāng)分類檢測模型診斷閥門特性參數(shù)偏離正常工況，判斷閥門發(fā)生故障后，再根據(jù)各類故障工況下的故障特性參數(shù)數(shù)據(jù)建立基于svm的故障診斷回歸模型，并把模型預(yù)測值作為基準(zhǔn)，計算特性參數(shù)的實測值與基準(zhǔn)值的殘差，從而通過殘差t分布判斷故障類型并進(jìn)行診斷。至此，便可到一種空調(diào)水系統(tǒng)智能診斷調(diào)節(jié)閥。

附圖說明

圖1為本發(fā)明的建筑空調(diào)水系統(tǒng)模型。

圖1中，虛線框內(nèi)組件標(biāo)明了本發(fā)明型專利所述調(diào)節(jié)閥在空調(diào)水系統(tǒng)中的位置。元件8為水泵。元件9-21為管路模塊及末端阻力設(shè)備模塊。元件26-29為球閥(調(diào)節(jié)閥)，元件53為壓差旁通隔膜閥，元件50，51為蝶閥。元件30，32為信號測量器。元件33，35，36，49為閥門控制器，元件31，48為信號控制器。元件25為定壓壓力源。

圖2故障診斷規(guī)則圖。

圖3為故障診斷技術(shù)路線圖。

具體實施方式

下面結(jié)合實施例對本發(fā)明作進(jìn)一步說明，但不應(yīng)該理解為本發(fā)明上述主題范圍僅限于下述實施例。在不脫離本發(fā)明上述技術(shù)思想的情況下，根據(jù)本領(lǐng)域普通技術(shù)知識和慣用手段，做出各種替換和變更，均應(yīng)包括在本發(fā)明的保護(hù)范圍內(nèi)。

一種空調(diào)水系統(tǒng)智能診斷調(diào)節(jié)閥，其特征在于:包括安裝于空調(diào)系統(tǒng)的水系統(tǒng)的調(diào)節(jié)閥。所述調(diào)節(jié)閥根據(jù)控制器輸出的信號，調(diào)節(jié)其閥位。所述控制器向上位機傳遞輸出信號。調(diào)節(jié)閥的閥位反饋信號和調(diào)節(jié)閥后流量通過信號測量器傳遞給上位機。

所述上位機存儲有故障檢測模型和故障診斷模型。

將閥位反饋信號作為故障檢測模型的輸入，判斷空調(diào)系統(tǒng)的水系統(tǒng)是否發(fā)生調(diào)節(jié)閥故障。若是，將控制器輸出信號、閥位反饋信號和調(diào)節(jié)閥后流量作為故障診斷模型的輸入，來檢測故障類型：

所述故障檢測模型和故障診斷模型的建立過程如下：

1)空調(diào)水系統(tǒng)模型建立

根據(jù)建筑內(nèi)實際一次泵定流量空調(diào)水系統(tǒng)的管網(wǎng)系統(tǒng)建立仿真模型，模型的建立需要忽略一些對結(jié)果影響不大的部件和參數(shù)。(圖2為本實施例的建筑空調(diào)水系統(tǒng)模型)

2)實際工況參數(shù)收集、特性參數(shù)提取

根據(jù)步驟1)所述的仿真模型，測試設(shè)置正常工況、滯后故障工況、粘滯故障工況、失控帶故障工況、控制死區(qū)故障工況、泄露故障工況、卡堵故障工況下可表征故障的特性參數(shù):控制器輸出信號、調(diào)節(jié)閥的閥位反饋信號和調(diào)節(jié)閥后流量(或者調(diào)節(jié)閥前后壓差)。并根據(jù)故障工況類型對原始數(shù)據(jù)添加故障標(biāo)簽，如0代表正常工況，1代表故障工況。

通過flowmaster模擬得出數(shù)據(jù)進(jìn)行處理，使其滿足matlab下libsvm工具箱對訓(xùn)練數(shù)據(jù)和檢驗數(shù)據(jù)的文件格式要求。將每種工況包含的數(shù)據(jù)，根據(jù)故障類型對原始數(shù)據(jù)添加故障標(biāo)簽，如，0代表正常工況，1代表故障工況。

3)基于svm的故障檢測模型訓(xùn)練

3-1)選取步驟2)所獲得若干種調(diào)節(jié)閥故障工況下的調(diào)節(jié)閥的閥位反饋信號合并作為一個故障工況數(shù)據(jù)集。

選取步驟2)所獲得若干種調(diào)節(jié)閥正常工況下的調(diào)節(jié)閥的閥位反饋信號作為正常工況數(shù)據(jù)集。

對數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為svm分類模型的訓(xùn)練集，根據(jù)訓(xùn)練集和劃分的故障標(biāo)簽進(jìn)行svm分類模型的訓(xùn)練，從而獲得調(diào)節(jié)閥故障檢測模型，另一部分則作為模型測試集。

故障工況數(shù)據(jù)集和正常工況數(shù)據(jù)集作為svm的故障檢測模型訓(xùn)練的輸入。

3-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用matlab自帶的歸一化函數(shù)對數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理，此方法是對原始數(shù)據(jù)的線性變換，使結(jié)果值映射到[0-1]之間。

3-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的svm的核參數(shù)g和懲罰因子c。值得說明的是，對于核參數(shù)g和懲罰因子c的選擇，本專利采用交叉驗證法(k-cv)進(jìn)行參數(shù)選優(yōu)。對于給定區(qū)間內(nèi)的核參數(shù)g和懲罰因子c，針對每一組搭配首先將訓(xùn)練樣本均分為三組，即k＝3，然后將每個子集數(shù)據(jù)分別做一次驗證集，同時其余的兩個子集數(shù)據(jù)作為訓(xùn)練集，這樣會得到3個模型，那么它們的驗證集的最終分類準(zhǔn)確率的平均數(shù)就是分類器取該模型參數(shù)時的準(zhǔn)確率。然后選取下一組核參數(shù)g和懲罰因子c的搭配繼續(xù)進(jìn)行交叉驗證，直至完成給定區(qū)間內(nèi)的所有搭配類型。

3-4)根據(jù)步驟3-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過libsvm工具箱完成。之后，得到故障檢測結(jié)果。

4)基于svm的故障診斷模型訓(xùn)練

4-1)將步驟2)所獲得的將每種工況的數(shù)據(jù)進(jìn)行等間距拆分為兩部分，一部分作為svm分類模型的訓(xùn)練集，根據(jù)訓(xùn)練集和閥位反饋信號，從而獲得調(diào)節(jié)閥故障診斷模型，另一部分則作為模型測試集。

4-2)將訓(xùn)練集和測試集中的數(shù)據(jù)進(jìn)行可視化處理后，利用matlab自帶的歸一化函數(shù)對數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化的歸一化處理，此方法是對原始數(shù)據(jù)的線性變換，使結(jié)果值映射到[0-1]之間。

4-3)在完成數(shù)據(jù)的歸一化處理之后，開始進(jìn)行支持向量機故障分類模型的參數(shù)優(yōu)選過程。優(yōu)選過程的目的是獲得最佳的svm的核參數(shù)g和懲罰因子c，以獲取最為準(zhǔn)確的故障檢測分類模型。如前所述，對于核參數(shù)g和懲罰因子c的選擇，本文采用交叉驗證法(k-cv)進(jìn)行參數(shù)選優(yōu)。對于給定區(qū)間內(nèi)的核參數(shù)g和懲罰因子c，針對每一組搭配首先將訓(xùn)練樣本均分為三組，即k＝3，然后將每個子集數(shù)據(jù)分別做一次驗證集，同時其余的兩個子集數(shù)據(jù)作為訓(xùn)練集，這樣會得到3個模型，那么它們的驗證集的最終分類準(zhǔn)確率的平均數(shù)就是分類器取該模型參數(shù)時的準(zhǔn)確率。然后選取下一組核參數(shù)g和懲罰因子c的搭配繼續(xù)進(jìn)行交叉驗證，直至完成給定區(qū)間內(nèi)的所有搭配類型。

4-4)根據(jù)步驟4-3)獲得的最優(yōu)參數(shù)進(jìn)行模型的訓(xùn)練，訓(xùn)練過程通過libsvm工具箱完成。最終得到故障診斷模型。

下面以調(diào)節(jié)閥滯后故障為例，介紹基于svm的空調(diào)水系統(tǒng)調(diào)節(jié)閥故障診斷模型：按照步驟2)取故障工況下的模型訓(xùn)練集和測試集的性能參數(shù)數(shù)據(jù)，將按照步驟4)訓(xùn)練完成的診斷模型的預(yù)測值作為基準(zhǔn)，計算特性參數(shù)的測試集數(shù)據(jù)與基準(zhǔn)值的殘差，并得出測試集數(shù)據(jù)與基準(zhǔn)值之間的均方根誤差和相關(guān)系數(shù)，作為故障診斷的基礎(chǔ)。

再將正常工況下的特性參數(shù)數(shù)據(jù)和其他5種故障作為新的測試集帶入該故障診斷模型，完成此故障的診斷流程。

根據(jù)各工況下得到的均方根誤差和相關(guān)系數(shù)的數(shù)值，可根據(jù)滯后故障診斷模型的預(yù)測值與實際測量值的偏差來診斷當(dāng)前是否發(fā)生滯后故障。此時，便得到故障診斷結(jié)果。

其他故障工況的診斷同上述步驟進(jìn)行。診斷技術(shù)路線圖見圖3。