基于动态识别和聚类分析的制冷系统故障诊断训练数据优化分析

It’s significantly important to diagnose and analyze the refrigeration system fault for the safety and optimal operation. Fault feature selection of the thermodynamic parameters and the training data optimization for establishing model, are the bottleneck problems to restrict the model accuracy and to reduce the fault diagnosis effect. Based on the dynamic identification and the cluster analysis, a study on the training data optimization is proposed for improving the fault diagnosis effect. Investigating the thermodynamic characteristics identification of online measurement data, dynamic distributed parameter model is employed to analyze the moving two-phase refrigerant zone boundary in the condenser and evaporator. The fault diagnosis feature model, the matrix, is developed by the energy conservation - flow balance principles. Analyzing the rules that thermal characteristic parameters extraction influences the fault detection boundary, the training data optimization direction is revealed. Outlier removing strategies are developed by the diagnosis result investigation under different confidence intervals and different distance classification methods using the multidimensional data distance of cluster analysis. An evaluation mechanism of training data optimization, a high accurate fault feature model and multiple training data optimal strategies are developed in this project. The research results will provide the theoretical basis and the methodology support for promoting the of the development of the refrigeration system of dynamic fault diagnosis research and for enhancing system optimization and energy saving operation method.

制冷系统运行过程中的故障诊断与分析对系统安全可靠，优化运行至关重要。制冷系统热力参数的故障特征提取及建模的训练数据优化，是制约模型精度和诊断效果的主要瓶颈。本项目拟开展基于动态识别和聚类分析的训练数据优化分析研究，从而提高故障诊断效果。从在线测量数据的热力特征辨识入手，以动态分布参数模型分析换热器中制冷剂相区边界条件滑移特征，采用能量守恒-流动平衡方法建立故障诊断特征模型（矩阵）。分析热力特征参数提取对故障检测边界的影响规律，揭示训练数据特征优化方向。以聚类分析的多维数据距离为判定依据，考察不同置信区间及不同分类距离下训练数据中异常数据的剔除结果，并建立数据剔除的评价机制。拟建立数据剔除的评价机制，并拟提出一种高精度故障诊断特征模型和多种训练数据优化方法。研究成果将为促进制冷系统动态故障诊断研究的发展，为系统优化与节能运行提供理论依据和方法支持。

针对制冷空调系统故障诊断研究领域存在的数据利用率低、诊断模型结构单一、缺少知识解析等重点问题，本研究提出一种基于数据挖掘算法模型的故障诊断与用能模式识别的应用框架，分别以螺杆式冷水机组、离心式冷水机组、多联式机组等典型制冷空调系统作为研究对象，进行了传感器故障检测和诊断、热力故障检测、热力故障水平预测的性能优化，热力故障工况下系统能耗、运行模式识别和用能相关关联规则挖掘分析等一系列研究，为制冷空调系统的健康、高效、节能运行提供保证。.故障诊断本质是对制冷空调系统的故障类别进行分类、故障水平进行预测，对应于监督学习类分类预测算法的问题范畴。依据基于监督学习算法的故障诊断子框架，针对螺杆式冷水机组温度、流量传感器故障，利用单分类的支持向量数据描述算法，建立故障检测和诊断模型，提出一种新的基于距离的统计监测量和贡献率变化图的故障检测和诊断方法。引入固定偏差、漂移、精度下降和彻底失效四种典型传感器故障，验证子框架下故障诊断模型的故障检测灵敏性和诊断准确性，分析影响诊断性能的重要因素。.利用多联式空调系统制冷剂充注量故障能耗数据验证无监督用能模式识别子框架，提高能耗数据的利用率。用能模式识别具有一定的开放性，适宜用无监督算法进行探索分析。依据无监督用能模式识别子框架，提出一种基于聚类数据划分与关联规则挖掘分析相结合的集成分析方法，利用内部验证指标Dunn值筛选k-means聚类方法，有效划分能耗数据为三个数据簇，识别出三种可解释的系统能耗模式；分簇在各个能耗模式下利用aprior算法进行关联规则分析，对比挖掘出用能相关关联规则，识别出系统中的异常用能模式及相关关联规则。

内容获取失败，请点击重试