申请/专利权人：西安建筑科技大学

申请日：2021-04-02

公开（公告）日：2021-06-29

公开（公告）号：CN113051530A

主分类号：G06F17/18(20060101)

分类号：G06F17/18(20060101);G06F17/16(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2021.07.16#实质审查的生效;2021.06.29#公开

摘要：本发明公开了一种基于KDE‑FA的冷水机组故障特征刻画方法，选用移动平均滤波器法对冷水机组原始故障数据进行平滑处理，对平滑数据进行稳态筛选；采用KDE方法对稳态筛选后的故障数据进行故障特征选择；采用FA方法对选择出的冷水机组故障特征进行特征降维，完成故障特征刻画；构建KDE‑BN模型、FA‑BN模型及KDE‑FA‑BN模型，进行FD故障检测和评价；构建KDE‑SVDD模型、FA‑SVDD模型及KDE‑FA‑SVDD模型，进行FD故障检测和评价；步骤6：分别将构建的模型与传统BN、SVDD模型检测性能比较，判定该FD方法效果。该方法在现场冷水机组故障检测应用中，能够减少工作量，提高检测效率及精度。

主权项：1.一种基于KDE-FA的冷水机组故障特征刻画方法，其特征在于，包括下述步骤：步骤1：选用移动平均滤波器法对冷水机组原始故障数据进行平滑处理，然后选用计算几何加权运行平均值和几何加权运行方差的方法对平滑数据进行稳态筛选；步骤2：采用KDE方法对稳态筛选后的故障数据进行故障特征选择；步骤3：采用FA方法对KDE方法选择出的冷水机组故障特征进行特征降维，完成故障特征刻画工作；步骤4：构建KDE-BN模型、FA-BN模型及KDE-FA-BN模型，进行FD故障检测，对冷水机组的故障特征刻画的结果进行评价；步骤5：构建KDE-SVDD模型、FA-SVDD模型及KDE-FA-SVDD模型，进行FD故障检测，对冷水机组的故障特征刻画的结果进行评价；步骤6：分别将构建的KDE-BN模型、FA-BN模型及KDE-FA-BN模型与传统BN模型的检测性能进行比较，若正常状态被误判为故障状态的概率越低，则判定该FD方法效果越好；步骤7：分别将构建的KDE-SVDD模型、FA-SVDD模型及KDE-FA-SVDD模型与传统SVDD模型的检测性能进行比较，若正常状态被误判为故障状态的概率越低，则判定该FD方法效果越好。

全文数据：

权利要求：

百度查询： 西安建筑科技大学 一种基于KDE-FA的冷水机组故障特征刻画方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD