在冷水機(jī)組現(xiàn)場的故障數(shù)據(jù)通常難以獲得,這是導(dǎo)致基于多分類算法的故障檢測方法未被廣泛現(xiàn)場應(yīng)用的主要障礙之一。本文將距離拒絕(DR)機(jī)制融入貝葉斯網(wǎng)絡(luò)(BN)中,將冷水機(jī)組故障檢測轉(zhuǎn)化為一類劃分問題,提出一種基于DR-BN的冷水機(jī)組故障檢測方法,該方法僅使用正常數(shù)據(jù)訓(xùn)練模型,從而有效克服上述障礙。本文通過使用ASHRAE RP-1043的故障實驗數(shù)據(jù)對提出方法的性能進(jìn)行驗證,并與傳統(tǒng)方法的性能進(jìn)行了對比,可知基于DR-BN的模型具有更高的故障檢測性能,尤其對低劣化等級下的故障,故障檢測正確率最高時可高出94%。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 兩特征表示的一類劃分問題

本文將DR機(jī)制融入BN中，構(gòu)建基于DR-BN的故障檢測方法，以實現(xiàn)將故障檢測轉(zhuǎn)化成一類劃分問題。圖2所示為基于DR-BN的故障檢測流程。該流程包括DR-BN模型構(gòu)建和在線故障檢測兩部分。DR-BN模型構(gòu)建的主要工作是確定DR-BN的結(jié)構(gòu)和參數(shù)。DR-BN結(jié)構(gòu)的確定。通常依據(jù)變量間....

圖2 基于DR-BN的故障檢測流程

在確定DR-BN參數(shù)時，需要確定根節(jié)點D狀態(tài)分別為Normal和Fault時連續(xù)型子節(jié)點X的條件概率分布。當(dāng)節(jié)點D狀態(tài)為Normal時，可由正常數(shù)據(jù)通過MLE得到。但由于缺少故障數(shù)據(jù)，當(dāng)節(jié)點D狀態(tài)為Fault時，子節(jié)點X的條件概率分布則不能由MLE直接得到。引入DR機(jī)制的目的就是....

圖3 基于DR-BN的結(jié)構(gòu)與參數(shù)

圖2基于DR-BN的故障檢測流程DR機(jī)制的具體內(nèi)容是:假設(shè)節(jié)點D狀態(tài)為Fault狀態(tài)時的X和為Normal狀態(tài)時有著同樣的μ0但更大的∑0[22]，這就是DR的思想。DR本質(zhì)上是數(shù)理統(tǒng)計中假設(shè)檢驗中的小概率拒絕思想。使用DR機(jī)制確定的BN參數(shù)見圖3。圖3中系數(shù)c表示DR,c>1....

圖4 基于DR-BN模型、基于PCA方法和基于SVDD方法的故障檢測性能對比

通常，相比于高劣化等級，低劣化等級下，故障數(shù)據(jù)之間的差異性小，檢測起來更加困難。因此，在低劣化等級下，基于DR-BN模型有更好的故障檢測性能。例如，對于SL-2下的fwe故障，基于PCA方法的檢測CR僅為6%，該方法對該劣化等級下的fwe故障幾乎不能有效檢測;基于SVDD方法的檢....

本文編號：4013798