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

背景技術(shù)：

隨著我國(guó)對(duì)建筑能源利用率的持續(xù)高度關(guān)注，尋找切實(shí)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(shí)際工程運(yùn)行中，即使經(jīng)歷了較為完善的建筑運(yùn)行調(diào)試，在實(shí)際運(yùn)行中也會(huì)逐漸偏離最佳的運(yùn)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(duì)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(dòng)方向，具有截?cái)?、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(shí)，會(huì)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(shí)無法保證對(duì)冷熱源機(jī)組的保護(hù)功能，嚴(yán)重時(shí)會(huì)影響機(jī)組的正常運(yùn)轉(zhuǎn)時(shí)和使用壽命，不僅影響機(jī)組運(yùn)行安全性和室內(nèi)舒適性，而且增大了設(shè)備費(fèi)用和整個(gè)系統(tǒng)的能耗，造成能源浪費(fèi)，從而導(dǎo)致不必要的經(jīng)濟(jì)損失。因此，實(shí)時(shí)對(duì)空調(diào)水系統(tǒng)閥門運(yùn)行狀態(tài)進(jìn)行監(jiān)控，并采用可靠的故障檢測(cè)與診斷策略防止故障的發(fā)生，對(duì)空調(diào)水系統(tǒng)始終高效運(yùn)行具有巨大的現(xiàn)實(shí)意義。

故障檢測(cè)與診斷(fdd)的傳統(tǒng)方式依賴維護(hù)人員的專業(yè)知識(shí)和經(jīng)驗(yàn)，耗時(shí)耗力且對(duì)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(huì)的要求。

目前，以智能化理論為基礎(chǔ)的故障診斷技術(shù)是fdd系統(tǒng)發(fā)展的主流?，F(xiàn)階段被廣泛接受的fdd方法有三類，即基于解析模型的故障診斷方法、基于信號(hào)處理的故障診斷方法以及基于知識(shí)的故障診斷方法。

空調(diào)水系統(tǒng)調(diào)節(jié)閥發(fā)生漸進(jìn)性軟故障的幾率較大，會(huì)影響系統(tǒng)運(yùn)行狀態(tài)，日積月累甚至損壞整個(gè)閥體。但是，在不破壞原水系統(tǒng)管路的基礎(chǔ)上進(jìn)行閥門的故障檢測(cè)與診斷一直是空調(diào)水系統(tǒng)調(diào)試的難題之一。

近年來研究人員提出了多種閥門故障診斷與檢測(cè)方法，一種趨勢(shì)是在管路系統(tǒng)上增加特殊的傳感器以及檢測(cè)設(shè)備來進(jìn)行故障的檢測(cè)，這種檢測(cè)方法多是用來檢測(cè)閥體本身故障，比如泄露、堵塞等。

另一種檢測(cè)趨勢(shì)是向智能化故障診斷與檢測(cè)方法發(fā)展，這種檢測(cè)方法對(duì)故障類型的判別更為全面，主要應(yīng)用于執(zhí)行機(jī)構(gòu)相關(guān)的閥門控制故障判斷。

隨著現(xiàn)代設(shè)備的不斷大型化、復(fù)雜化和非線性化，往往很難或者無法建立系統(tǒng)精確的數(shù)學(xué)模型，從而大大限制了基于解析模型的故障診斷方法的推廣和應(yīng)用。在解決高維度問題、非線性問題、小樣本情況下的機(jī)器學(xué)習(xí)問題具有很大的局限性，難以避免神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇和局部極小點(diǎn)問題。且現(xiàn)階段的診斷方法對(duì)數(shù)據(jù)預(yù)處理的依賴性較高，靈敏度以及準(zhǔn)確度較低。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)的不足，本發(fā)明型專利所要解決的技術(shù)問題是：①在解決高維度問題、非線性問題、小樣本情況下的機(jī)器學(xué)習(xí)問題方面的局限性；②解決現(xiàn)階段空調(diào)水系統(tǒng)調(diào)節(jié)閥故障調(diào)節(jié)敏感性、準(zhǔn)確性問題。

為實(shí)現(xiàn)上述目的，本發(fā)明基于支持向量機(jī)理論的可進(jìn)行故障檢測(cè)與診斷的空調(diào)水系統(tǒng)調(diào)節(jié)閥，從而進(jìn)行空調(diào)水系統(tǒng)調(diào)節(jié)閥初期故障發(fā)生時(shí)故障的檢測(cè)與診斷，即公開一種空調(diào)水系統(tǒng)調(diào)節(jié)閥故障智能診斷方法，其特征在于，包括以下步驟:

1)空調(diào)水系統(tǒng)模型建立

根據(jù)建筑內(nèi)實(shí)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(shí)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(cè)試設(shè)置正常工況和若干種調(diào)節(jié)閥故障工況(滯后性、控制死區(qū)、失控帶、粘滯性、泄露、卡堵)下可表征故障的特性參數(shù):控制器輸出信號(hào)、調(diào)節(jié)閥的閥位反饋信號(hào)和調(diào)節(jié)閥后流量；

3)基于svm的故障檢測(cè)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(hào)合并作為一個(gè)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(hào)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(duì)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(cè)模型，另一部分則作為模型測(cè)試集。

3-2)將訓(xùn)練集和測(cè)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(duì)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(jī)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(cè)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(cè)模型，另一部分則作為模型測(cè)試集。

4-2)將訓(xùn)練集和測(cè)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(duì)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(jī)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(cè)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，最終得到故障診斷模型；

5)基于svm的故障診斷模型訓(xùn)練，得到診斷結(jié)果

采集空調(diào)系統(tǒng)的水系統(tǒng)的工況參數(shù)和特性參數(shù)；根據(jù)步驟3)得到的故障檢測(cè)模型，判斷中央空調(diào)系統(tǒng)的水系統(tǒng)是否發(fā)生調(diào)節(jié)閥故障：若是，通過步驟4)獲得的故障檢測(cè)模型來檢測(cè)故障類型。

值得說明的是，支持向量機(jī)(svm)是建立在機(jī)器學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則之上，其主要思想是針對(duì)二元分類問題，在高維度空間中尋找一個(gè)超平面作為兩類的分割，以保證最小的分類錯(cuò)誤率，而且支持向量機(jī)一個(gè)重要的優(yōu)點(diǎn)就是能處理線性不可分的情況。

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(jī)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(shí)，各特性參數(shù)也會(huì)發(fā)生相應(yīng)的變化，為了提高故障檢測(cè)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(cè)量的3個(gè)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(hào)、閥位反饋信號(hào)、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(duì)測(cè)試數(shù)據(jù)進(jìn)行分類，根據(jù)分類結(jié)果對(duì)閥件進(jìn)行故障檢測(cè)，判斷閥門是否發(fā)生故障。

當(dāng)分類檢測(cè)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(cè)值作為基準(zhǔn)，計(jì)算特性參數(shù)的實(shí)測(cè)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為故障診斷規(guī)則圖。

圖2為建筑空調(diào)水系統(tǒng)模型。

圖2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(hào)測(cè)量器；元件33，35，36，49為閥門控制器，元件31，48為信號(hào)控制器；元件25為定壓壓力源。

圖3為故障診斷技術(shù)路線圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例對(duì)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(shí)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(shí)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)調(diào)節(jié)閥故障智能診斷方法，其特征在于，包括以下步驟:

1)空調(diào)水系統(tǒng)模型建立

根據(jù)建筑內(nèi)實(shí)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(duì)結(jié)果影響不大的部件和參數(shù)。(圖2為本實(shí)施例的建筑空調(diào)水系統(tǒng)模型)

2)實(shí)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(cè)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(hào)、調(diào)節(jié)閥的閥位反饋信號(hào)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(duì)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(duì)訓(xùn)練數(shù)據(jù)和檢驗(yàn)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(duì)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(cè)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(hào)合并作為一個(gè)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(hào)作為正常工況數(shù)據(jù)集；

對(duì)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(cè)模型，另一部分則作為模型測(cè)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(cè)模型訓(xùn)練的輸入；

3-2)將訓(xùn)練集和測(cè)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(duì)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(duì)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(jī)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(duì)于核參數(shù)g和懲罰因子c的選擇，本專利采用交叉驗(yàn)證法(k-cv)進(jìn)行參數(shù)選優(yōu)。對(duì)于給定區(qū)間內(nèi)的核參數(shù)g和懲罰因子c，針對(duì)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(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，同時(shí)其余的兩個(gè)子集數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到3個(gè)模型，那么它們的驗(yàn)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(shí)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(yàn)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(cè)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(hào)，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(cè)試集。

4-2)將訓(xùn)練集和測(cè)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(duì)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(duì)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(jī)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(cè)分類模型。如前所述，對(duì)于核參數(shù)g和懲罰因子c的選擇，本文采用交叉驗(yàn)證法(k-cv)進(jìn)行參數(shù)選優(yōu)。對(duì)于給定區(qū)間內(nèi)的核參數(shù)g和懲罰因子c，針對(duì)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(gè)子集數(shù)據(jù)分別做一次驗(yàn)證集，同時(shí)其余的兩個(gè)子集數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到3個(gè)模型，那么它們的驗(yàn)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(shí)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(yàn)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；

5)基于svm的故障診斷模型訓(xùn)練，得到診斷結(jié)果

采集水冷式中央空調(diào)系統(tǒng)的水系統(tǒng)的工況參數(shù)和特性參數(shù)(與步驟2采集的數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)相同)；根據(jù)步驟3)得到的故障檢測(cè)模型，判斷中央空調(diào)系統(tǒng)的水系統(tǒng)是否發(fā)生調(diào)節(jié)閥故障：若是，通過步驟4)獲得的故障診斷模型來檢測(cè)故障類型。

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(cè)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(cè)值作為基準(zhǔn)，計(jì)算特性參數(shù)的測(cè)試集數(shù)據(jù)與基準(zhǔn)值的殘差，并得出測(cè)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(cè)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(cè)值與實(shí)際測(cè)量值的偏差來診斷當(dāng)前是否發(fā)生滯后故障。此時(shí)，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。