(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211340653.5 (22)申请日 2022.10.28 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 闫秀英　杜伊帆　刘光宇　官婷　 张伯言　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 陈翠兰 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/00(2006.01) G06F 17/16(2006.01) (54)发明名称 空气处理机组内传感器故障诊断方法、 系 统、 设备及 介质 (57)摘要 本发明公开了一种空气处理机组内传感器 故障诊断方法、 系统、 设备及介质， 包括： 获取待 预测空气处理机组 内的传感器实时数据； 将所述 待预测空气处理机组 内的传感器实时数据， 作为 预构建的空气处理机组传感器微小故障诊断模 型的输入， 输出得到所述待预测空气处理机组内 的传感器故障诊断结果； 其中， 利用粒子群算法 对核主成分相关分析算法的核参数进行优化， 得 到优化后的核主成分相关分析算法； 利用相关距 离对核主成分分析算法中的欧式距离进行替换， 以对核主成分分析算法中的高斯径向基核函数 进行优化， 得到所述的核主成分相关分析算法； 本发明能够对空气处理机组内的传感器微小故 障进行诊断检测， 获取故障区域及故障传感器， 故障检测效率较高。 权利要求书3页 说明书12页 附图7页 CN 115526274 A 2022.12.27 CN 115526274 A 1.一种空气处 理机组内传感器故障诊断方法， 其特 征在于， 包括： 获取待预测空气处 理机组内的传感器实时数据； 将所述待预测空气处理机组内的传感器实时数据， 作为预构建的空气处理机组传感器 微小故障诊断模型的输入， 输出 得到所述待预测空气处 理机组内的传感器故障诊断结果； 其中， 所述预构建的空气处 理机组传感器微小故障诊断模型的构建过程， 具体如下： 利用粒子群算法对核主成分相关分析算法的核参数进行优化， 得到优化后的核主成分 相关分析算法； 其中， 利用相关距离对核主成分分析算法中的欧式距离进 行替换， 以对核主 成分分析算法中的高斯径向基核函数进行优化， 得到所述的核 主成分相关 分析算法； 利用正常空气处理机组的传感器历史数据对所述优化后的核主成分相关分析算法进 行训练， 得到所述预构建的空气处理机组传感器微小故障诊断模型； 其中， 所述正常空气处 理机组的传感器历史数据包括 正常数据和预设故障数据。 2.根据权利要求1所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 所述 正常数据包括正常空气处理机组内的传感器历史数据； 其中， 所述正常空气处理机组内的 传感器历史数据包括冷冻水阀开度、 新风 温度、 新风湿度、 送风 温度、 送风湿度、 回风 温度及 回风湿度。 3.根据权利要求1所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 所述 预设故障数据采用对正常空气处理机组中传感器预设故障形态后采集得到； 其中， 所述预 设故障形态包括5％ ‑20％的漂移故障形态或5％ ‑20％的偏差故障形态。 4.根据权利要求1所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 将所 述待预测空气处理机组内的传感器实时数据， 作为预构建的空气处理机组传感器微小故障 诊断模型 的输入， 输出得到所述待预测空气处理机组内的传感器故障诊断结果的过程， 具 体如下： 根据所述待预测空气处 理机组内的传感器实时数据， 构建得到初始数据矩阵XN×m； 结合信息熵线性变化前后不变的原则， 对所述初始数据矩阵XN×m进行线性变换， 得到同 质数据矩阵ZN×m； 利用所述优化后的核主成分相关分析算法， 分别对所述初始数据矩阵XN×m和所述同质 数据矩阵ZN×m进行降维处 理， 得到初始数据降维结果YN×m和同质数据降维结果Y ′N×m； 计算所述初始数据降维结果YN×m和同质数据降维结果Y ′N×m之间的相关距离Di； 将所述相关距离Di与预设的最小相关距离Dmin进行比较， 若所述相关距离Di小于预设的 最小相关距离Dmin， 则利用主 元贡献率对故障特征进 行提取， 输出得到所述待 预测空气处理 机组内的传感器故障诊断结果。 5.根据权利要求4所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 所述 初始数据矩阵XN×m为： 其中， N为传感器实时数据的数量， m为传感器的个数； x ′Nm为第m个传感器的第N个传感 器实时数据； 所述同质数据矩阵ZN×m为：权　利　要　求　书 1/3 页 2 CN 115526274 A 2其中， Zij′为第j个传感器的第i个传感器实时数据经过线 性变换后的结果； xi′j为第j个 传感器的第i个传感器实时数据； xi′(j+1)为第j+1个传感器的第i个传感器实时数据； xi′m为 第m个传感器的第i个传感器实时数据； xi′1为第1个传感器的第i个传感器实时数据。 6.根据权利要求4所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 若所 述相关距离Di大于或等于预设的最小相关距离Dmin， 则利用粒子群算法对所述核主成分相 关分析算法的核参数进行 更新， 得到更新后的核 主成分相关 分析算法； 利用更新后的核主成分相关分析算法， 分别对所述初始数据矩阵XN×m和所述同质数据 矩阵ZN×m重新进行降维处 理及计算相关距离的操作。 7.根据权利要求4所述的一种空气处理机组内传感器故障诊断方法， 其特征在于， 利用 主元贡献率对故障特 征进行提取时， 第i个主元的贡献率CPV(i)为： 其中， λi为主成分分析法的第i个主元， 即第i个核 函数的特征值； n为主成分分析法的主 元总数； 前p个主元的累计贡献率CPV为： 8.一种空气处 理机组内传感器故障诊断系统， 其特 征在于， 包括： 数据获取模块， 用于获取待预测空气处 理机组内的传感器实时数据； 诊断输出模块， 用于将所述待预测 空气处理机组内的传感器实时数据， 作为预构建的 空气处理机组传感器微小故障诊断模型的输入， 输出得到所述待 预测空气处理机组内的传 感器故障诊断结果； 其中， 所述预构建的空气处 理机组传感器微小故障诊断模型的构建过程， 具体如下： 利用粒子群算法对核主成分相关分析算法的核参数进行优化， 得到优化后的核主成分 相关分析算法； 其中， 利用相关距离对核主成分分析算法中的欧式距离进 行替换， 以对核主 成分分析算法中的高斯径向基核函数进行优化， 得到所述的核 主成分相关 分析算法； 利用正常空气处理机组的传感器历史数据对所述优化后的核主成分相关分析算法进 行训练， 得到所述预构建的空气处理机组传感器微小故障诊断模型； 其中， 所述正常空气处 理机组的传感器历史数据包括 正常数据和预设故障数据。 9.一种空气处 理机组内传感器故障诊断设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1 ‑7任一项所述的空气处理机组权　利　要　求　书 2/3 页 3 CN 115526274 A 3