[发明专利]基于残差数据缩放策略的热泵系统自适应故障诊断方法

说明书

本发明公开一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，属于制冷空调运维与人工智能的交叉领域。重点解决数据驱动诊断模型在实际多变场景中适应性差、迁移共享困难的问题。提出一种热力残差故障诊断框架结合数据随机缩放策略的自适应诊断方法，充分学习故障数据中偏离规律的知识而摒弃偏离幅值这类缺乏共享性的知识，并为知识辅助驱动介入提供可能，具有重要工程价值。

技术领域

本发明涉及制冷空调系统的智能化运维技术领域，具体涉及基于残差数据缩放策略的热泵系统自适应故障诊断方法。

背景技术

热泵系统因其显著的节能优势而被广泛用于采暖、制冷、生活热水和工业领域。由于使用量大面广，又为能耗装置，故总耗能巨大，约占社会能耗的20％左右。因此，热泵系统的高效节能对实现“碳达峰、碳中和”具有重要的支撑作用。由于热泵系统结构复杂、运行环境较差，长期使用极易产生各类故障。相关研究表明，热泵系统故障运行会造成15％-20％的能耗增加，结合其本身巨大的能耗基数，使得及时准确的故障诊断十分重要。

近年来，随着数据驱动技术的快速发展，基于深度模型的故障诊断方法成为热泵系统主流的诊断方案，其诊断效果远超其他类型方法。但是，深度模型具有很强的泛化局限性，即自适应能力差。当实际应用时，如果诊断目标的工况、工质、故障严重程度等与训练数据存在较大差异时，深度模型通常无法准确对其分类。而热泵系统故障标记数据获取的代价昂贵，无法收集到所有情况下的训练数据。因此，有必要研究一种自适应诊断算法，在训练数据较单一的条件下实现更加丰富场景的热泵故障诊断。

发明内容

针对现有技术中存在的问题，本发明提出一种基于残差数据缩放策略的故障诊断框架，将从单一数据集学习的知识迁移共享到多种场景，实现自适应故障诊断方法。

本发明的技术方案如下：

一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，包括如下步骤：

1)获取用于诊断模型训练的数据集；

2)利用数据集中的无故障数据训练基准模型；

3)利用基准模型获取残差数据，计算公式为：

y_res＝y-y_pre

其中y_res为残差数据，y为实测值，y_pre为基准模型计算值；

4)对残差数据的各个特征取均值，并通过利用式(1)获取偏离比例数据；

δ[x₁,x₂…x_n]/μ[x₁,x₂…x_n] (1)

其中δ代表残差数据，μ代表健康残差数据的均值，x_n代表故障敏感热力参数，包括11类：压缩机壳体温度、冷凝温度、蒸发温度、压机排气压力、压机吸气压力、压机排气温度、压机吸气温度、冷凝器进出口制冷剂温差、蒸发器进出口制冷剂温差、冷凝器进出风温差、蒸发器进出风温差；

5)利用数据缩放策略对偏离比例数据进行随机缩放，缩放系数在设定缩放范围内随机生成；

6)利用混合数据集训练故障诊断模型；

7)部署诊断模型，用于热泵系统故障的实时监测。

进一步的，所述步骤1)中，数据集来自单台热泵系统或仿真实验系统的运行数据。