[发明专利]一种基于滑动窗口多尺度主元分析的机组故障检测方法

说明书

本发明公开了一种基于滑动窗口多尺度主元分析的机组故障检测方法，包括以下步骤：首先利用正常运行工况历史数据建立机组故障检测模型，该模型包括滑动窗口算法、小波包分析和主元分析。然后，将由历史数据训练完全的模型用于在线故障检测，当被监测数据的某些尺度检测到异常后，将这些尺度的数据重构得到对应监测数据的重构数据。最后，将正常运行工况进行相同尺度的重构并建立滑动窗口主元模型，将监测数据的重构数据运用建立的滑动窗口主元模型进行检测，确定是否故障，并在判断无故障时进行相应模型和数据集更新。采用本方法使故障检测更加准确和高效。

技术领域

本发明涉及暖通空调系统内各种类型机组故障检测方法，尤其涉及一种基于滑动窗口多尺度主元分析的机组故障检测方法。

背景技术

随着国民经济的持续快速发展，建筑总能耗在能源消耗中占据的比重日益巨大。其中，暖通空调系统能耗占建筑总能耗的60％左右，而机组运行能耗则又占据暖通空调系统能耗的40％～50％，所以机组运行占据巨大的能耗。机组正常运行为建筑用户提供舒适和高效的生活及工作环境。然而，当机组发生故障时不仅造成热舒适性降低、机组效率低下、大量的能源浪费，严重时甚至存在安全隐患。通过有效的故障检测方法进行机组故障检测不仅可以改善环境热舒适、降低维修和保养费用，而且可以提高运行效率从而达到节能的效果。因此机组的故障检测对于暖通空调系统的高效运行及建筑节能具有重要意义。基于上述原因，在故障检测领域针对暖通空调系统内机组的故障检测备受关注。

目前，针对机组故障检测的方法主要有故障树、专家系统、基于模型、人工神经网络、回归模型、模糊算法、支持向量机、遗传算法、独立元分析、指定元分析和主元分析以及上述方法混合使用。上述方法中，故障树和专家系统需要大量先验知识和繁琐的规则设置，基于模型方法难以构建，且不具有广泛的普适性，人工神经网络、回归模型、模糊算法、支持向量机和遗传算法均需要大量机组正常和故障条件下的运行数据进行模型的构建，而统计学方法中的独立元分析、指定元分析和主元分析只需要机组正常条件下的运行数据进行模型构建。相对于正常数据而言，由于故障状态被极力避免而导致故障数据难以获得且相对较少。因此统计学方法以其优点而备受关注，其中主元分析又因为准确方便高效而广受青睐。目前采用主元分析对机组故障检测存在的问题是：一，主元分析构建的模型是固定的、非时变模型，其不符合实际过程的动态非平稳特性；二，主元分析为单尺度建模，其不符合实际工程数据的多尺度特性。

发明内容

本发明的目的在于克服已有技术的缺点，提供一种通过及时准确的故障检测来提高系统运行性能，达到节省能源和降低维修费用目的的基于滑动窗口多尺度主元分析的机组故障检测方法。

实现本发明方法采用的技术方案是：

一种基于滑动窗口多尺度主元分析的机组故障检测方法，其特征在于包括以下步骤：

步骤一、在计算机中输入正常运行状态下的历史数据组成历史数据矩阵，历史数据矩阵每行代表一个数据样本，每列代表一个数据变量；

步骤二、设定初始窗长度和终止窗长度，根据初始窗长度从历史数据矩阵中获得初始窗口内的初始数据组成初始数据矩阵，初始数据矩阵每行代表一个数据样本，每列代表一个数据变量；

步骤三、第一步，对初始数据矩阵内的各列数据进行小波包分解，获得不同变量每个尺度上的小波包系数，将每个变量相同尺度上的小波包系数按列组合在一起形成小波包系数矩阵，计算每个尺度小波包系数矩阵的均值和标准差；

第二步，将初始数据矩阵获得的每个尺度小波包系数矩阵处理为具有零均值和单位方差的标准化小波包系数矩阵，并计算每个标准化小波包系数矩阵的协方差矩阵；

步骤四、将每个标准化小波包系数矩阵进行主元分析，获得每个标准化小波包系数矩阵对应的主元模型，以及每个主元模型所对应的主元子空间、残差子空间和主元个数，同时计算出每个标准化小波包系数矩阵对应的统计量阈值Q_α；