一种变工况冷水主机健康状态评估方法及系统与流程

1.本发明涉及故障预测技术领域，尤其涉及一种变工况冷水主机健康状态评估方法及系统。


背景技术：

2.冷水主机是通过冷水机制将水冷却，提供恒温、恒流、恒压的冷却水设备。冷水主机广泛应用在塑料、电子、机械、食品、医药等行业，以及大型建筑的中央空调系统中。冷水主机是公共建筑、工业生产中的主要耗能设备。在公共建筑中，冷水主机作为中央空调的核心设备，其耗电量占建筑能耗的30％以上。冷水主机一般包括蒸发器、冷凝器、压缩机、膨胀阀四个部分，通过制冷剂循环系统、水循环系统、自控系统交互实现制冷供冷，是一个典型的机电液耦合的系统。由于设备运行过程中面临零部件磨损、换热管结垢、制冷剂泄露等性能缓慢退化问题，导致系统运行能耗逐渐增加，如果设备性能退化严重，甚至可能加剧设备损坏，引发设备故障。准确辨识冷水主机性能，可以有效监测设备健康状态，从而实现视情维护，对减小设备维护成本，增强设备安全稳定高效运行的保障能力，具有重要作用。现有的冷水主机健康状态评估方法可以分为模型驱动、数据驱动和知识驱动三类方法。模型驱动方法是基于设备的失效机理建立数学解析模型，进而评估设备的健康状态。数据驱动方法是依据装备的运行数据，构建退化特征和健康状态间的非线性关系，常见的数据模型有神经网络、隐马尔可夫模型、支持向量机、集成学习等。知识驱动方法是以专家知识为基础，通过推理分析，构建退化特征和健康状态之间的映射关系。模型驱动方法对数学解析模型的完整性和准确性要求较高，知识驱动方法需要完善的、精准的、清晰的先验知识对健康状态评估进行指导。对于复杂装备，往往存在关键性能变量难以测量、缺乏精准的物理退化先验知识、设备失效机理模型难以构建等问题，使得模型驱动和知识驱动的健康状态评估难以适用于复杂设备上。数据驱动的方法由于仅依靠大量的历史监测数据，近些年来受到越来越广泛的关注。
3.冷凝器换热管结垢是冷水主机运行中存在的常见问题，它会导致冷却水和制冷剂之间的换热效率降低，进而导致设备运行能耗增加。直接反应冷凝器换热管结垢程度的关键性能指标是换热管换热系数，但该参数不可测量，难以采用模型驱动和知识驱动方法来评估冷凝器换热管结垢程度。同时，由于传统数据驱动方法在数据建模时需要多条完整的全生命周期数据，且绝大多数方法是针对单一运行工况或者少量有限工况的。由于冷水主机运行工况随室外环境、冷负荷需求变化而变化，是一个典型的复杂变工况运行系统，不同工况下设备健康状态对冷水主机的运行状态的影响程度也不同。如何针对复杂变工况运行过程提取冷水主机退化性能相关特征，评估设备健康状态仍然存在巨大挑战。
4.因此，现有技术还有待改进。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种变工况冷水
主机健康状态评估方法及系统，旨在解决现有技术中对于复杂变工况运行过程中设备健康状态评估难的问题。
6.本发明解决问题所采用的技术方案如下：
7.第一方面，本发明实施例提供一种变工况冷水主机健康状态评估方法，其中，所述方法包括：
8.获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；
9.对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；
10.提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；
11.基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。
12.在一种实现方式中，所述获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据，包括：
13.获取冷水主机的运行数据，并确定所述运行数据的数据类型，所述数据类型包括条件变量数据和状态变量数据；
14.根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，所述稳态数据包括条件变量稳态数据和状态变量稳态数据。
15.在一种实现方式中，所述根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，包括：
16.计算所述运行数据的几何加权平均值与方差，对所述运行数据进行稳态过滤获取所述运行数据中的稳态数据。
17.在一种实现方式中，所述对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据，包括：
18.基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据；
19.剔除所述稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据。
20.在一种实现方式中，所述基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据，包括：
21.将所述稳态数据中的条件变量稳态数据输入至深度变分信息瓶颈模型，对所述条件变量稳态数据中的变工况特征进行提取，获取所述稳态数据的变工况特征数据。
22.在一种实现方式中，所述剔除稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据，包括：
23.对所述稳态数据的变工况特征数据和所述稳态数据中的状态变量稳态数据作残差，获取残差值为所述稳态数据中的工况无关数据。
24.在一种实现方式中，所述提取所述工况无关数据中的缓慢退化性能特征数据，包括：
25.将所述工况无关数据输入至深度变分信息瓶颈的编码器模型中对所述工况无关数据中的缓慢退化性能特征数据进行提取，得到缓慢退化性能特征数据。
26.在一种实现方式中，所述基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果，包括：
27.设定监测时间窗，并基于所述监测时间窗内的缓慢退化性能特征数据确定参照基准值；
28.计算当前时间窗内缓慢退化性能特征数据均值到所述参照基准值的距离，根据所述距离获取冷水主机健康状态评估结果，所述距离为反映冷水主机退化性能的健康状态指标。
29.在一种实现方式中，所述方法还包括：
30.若健康状态指标超出设定阈值，则发出报警维护信息，通知运维人员及时进行设备清洗。
31.第二方面，本发明实施例还提供一种变工况冷水主机健康状态评估系统，其中，所述系统包括：
32.数据获取模块，用于获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；
33.第一特征提取模块，用于对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；
34.第二特征提取模块，用于提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；
35.评估结果获取模块，用于基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。
36.在一种实现方式中，所述数据获取模块，包括：
37.类型确定单元，用于获取冷水主机的运行数据，并确定所述运行数据的数据类型，所述数据类型包括条件变量数据和状态变量数据；
38.数据处理单元，用于根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，所述稳态数据包括条件变量稳态数据和状态变量稳态数据。
39.在一种实现方式中，所述数据处理单元，包括：
40.数据过滤子单元，用于计算所述运行数据的几何加权平均值与方差，对所述运行数据进行稳态过滤获取所述运行数据中的稳态数据。
41.在一种实现方式中，所述第一特征提取模块，包括：
42.第一数据提取单元，用于基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据；
43.数据剔除单元，用于剔除所述稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据。
44.在一种实现方式中，所述第一数据提取单元，包括：
45.第一数据提取子单元，用于将所述稳态数据中的条件变量稳态数据输入至深度变分信息瓶颈模型，对所述条件变量稳态数据中的变工况特征进行提取，获取所述稳态数据的变工况特征数据。
46.在一种实现方式中，所述数据剔除单元，包括：
47.数据剔除子单元，用于对所述稳态数据的变工况特征数据和所述稳态数据中的状态变量稳态数据作残差，获取残差值为所述稳态数据中的工况无关数据。
48.在一种实现方式中，所述第二特征提取模块，包括：
49.第二特征提取单元，用于基于深度变分信息瓶颈法对所述工况无关数据中的缓慢退化性能特征数据进行提取，获取缓慢退化性能特征数据。
50.在一种实现方式中，所述第二特征提取单元，包括：
51.第二数据提取子单元，用于将所述工况无关数据输入至深度变分信息瓶颈的编码器模型中对所述工况无关数据中的缓慢退化性能特征数据进行提取，得到缓慢退化性能特征数据。
52.在一种实现方式中，所述评估结果获取模块，包括：
53.标准确定单元，用于设定监测时间窗，并基于所述监测时间窗内的缓慢退化性能特征数据确定参照基准值；
54.评估结果获取单元，用于计算当前时间窗内缓慢退化性能特征数据均值到所述参照基准值的距离，根据所述距离获取冷水主机健康状态评估结果，所述距离为反映冷水主机退化性能的健康状态指标。
55.在一种实现方式中，所述系统还包括：
56.报警提示模块，用于若健康状态指标超出设定阈值，则发出报警维护信息，通知运维人员及时进行设备清洗。
57.第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备为商显终端，所述终端设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的变工况冷水主机健康状态评估方法的程序，所述处理器执行所述变工况冷水主机健康状态评估方法的程序时，实现上述方案中任一项的变工况冷水主机健康状态评估方法的步骤。
58.第四方面，本发明实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质上存储有变工况冷水主机健康状态评估方法的程序，所述变工况冷水主机健康状态评估方法的程序被处理器执行时，实现上述方案中任一项所述的变工况冷水主机健康状态评估方法的步骤。
59.本发明的有益效果：与现有技术相比，本发明提供一种变工况冷水主机健康状态评估方法及系统，本发明首先获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；然后对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；再提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；最后基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。本发明通过对冷水主机的工况变化相关特征信息进行提取与剔除，有效地避免外界环境因素变化、操作工况变化对性能退化相关特征提取的影响，进一步提取与设备退化性能相关的特征，减少与退化设备性能无关信息的存在，并基于此构建性能健康状态指标，实现设备性能的在线监测。通过去工况处理和设备退化性能相关特征提取，可以实现冷水主机长期变工况运行下的健康状态的变化趋势识别和健康状态评估。
附图说明
60.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1是本发明实施例提供的变工况冷水主机健康状态评估方法的流程示意图。
62.图2是本发明实施例提供的变工况冷水主机健康状态评估方法的框架图。
63.图3是本发明实施例提供的变工况冷水主机健康状态评估方法的deep vib模型有向图结构。
64.图4是本发明实施例提供的变工况冷水主机健康状态评估方法的工况相关信息剔除流程图。
65.图5是本发明实施例提供的变工况冷水主机健康状态评估方法的基于deep vib的退化性能相关特征提取过程图。
66.图6是本发明实施例提供的变工况冷水主机健康状态评估方法的冷水主机健康状态指标变化趋势图。
67.图7是本发明实施例提供的变工况冷水主机健康状态评估系统的原理框图。
68.图8是本发明实施例提供的变工况冷水主机健康状态评估设备的内部结构原理框图。
具体实施方式
69.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
70.需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
71.本实施例提供了一种变工况冷水主机健康状态评估方法，通过所述方法可以实现冷水主机健康状态的在线监测。在具体实施时，首先，获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；然后，对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；进一步，提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；最后，基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。本发明通过对冷水主机的工况变化相关特征信息进行提取与剔除，再进一步提取与冷水主机退化性能相关的特征，构建性能健康状态指标，实现对冷水主机变工况运行下的健康状态的变化趋势监测和健康状态评估。
72.举例说明，对一个冷水主机的健康状态进行监测与评估，获取冷水主机的运行数据，对其进行预处理得到其中的稳态数据；接着，对所获得的稳态数据中的变工况特征进行提取后再剔除，以得到工况无关数据；接着对获得的工况无关数据中的缓慢退化性能特征数据进行提取；最后，根据所提取出的缓慢退化性能特征数据得到冷水主机的健康状态评
估结果。本发明通过采用去工况相关信息，从运行数据中提取与冷水主机退化性能相关的特征，实现对冷水主机变工况运行下的健康状态的健康变化趋势的识别和评估。
73.示例性方法
74.本实施例提供一种变工况冷水主机健康状态评估方法，该方法可以应用于冷水主机健康监测的终端设备中，具体如图1所示，所述方法包括：
75.步骤s100、获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据。
76.在本实施例中，获取冷水主机的运行数据，并需要对其进行预处理，以获得符合要求的稳态数据。在具体实施时，首先，获取冷水主机的运行数据，并确定所述运行数据的数据类型，所述数据类型包括条件变量数据和状态变量数据；然后，根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，所述稳态数据包括条件变量稳态数据和状态变量稳态数据。通过对冷水主机运行数据进行分类并进行数据处理，避免了异常数据的干扰，以及稳态数据更能准确反映冷水主机的运行性能。
77.在一种实现方式中，对所述冷水主机运行数据进行划分，将所述冷水主机按数据类型可以分为条件变量数据和状态变量数据，所述条件变量数据一般为输入变量或者设定变量，所述输入变量为外界作用到冷水主机的变量，不受冷水主机运行状态的直接影响，比如说冷冻水进水温度、冷冻水流速等，所述设定变量为用户或者智能控制系统给冷水主机下达的设定值，如冷冻水的出水温度。所述状态变量为冷水主机运行过程中的一些测量变量，所述状态变量一方面会受所述条件变量的影响，另一方面也会受设备自身性能变化的影响，如蒸发器趋近温度、蒸发器压力、冷凝器趋近温度、冷凝器压力、冷水主机功率、冷却水出水温度等。所述冷水主机测量变量的分类如表1所示。
78.表1、冷水主机测量变量分类
[0079][0080]
在一种实现方式中，获取所述运行数据中的稳态数据。计算所述运行数据的几何加权平均值与方差，对所述运行数据进行稳态过滤获取所述运行数据中的稳态数据。由于通信设备、传感器等外界因素的影响，所采集的冷水主机运行数据可能存在数据缺失、离群点等问题，首先需要对所述运行数据进行异常数据预处理，剔除掉不符合要求的异常数据，以确保数据的准确有效，以便后续得到准确的结果。冷水主机运行状态可以分为暂态和稳态两种，所述暂态主要是冷水主机开机、停机或者主机负载率调节阶段冷水主机从一个稳定阶段切换到另一个稳定阶段的过渡阶段。所述稳态是冷水主机运行状态之间维持平衡关系，此时各变量的变化幅度较小。采用稳态数据可以较为准确的反映冷水主机的运行性能，因此需要对所述运行数据进行稳态判定以及筛选。
[0081]
在一种实现方式中，所述稳态判定的方法依据是表征机组运行状态的关键参数的波动情况。所述稳态过滤采用计算几何加权平均值和方差。例如，对给定的一组稳态数据{x1,x2,
…
,xn}进行稳态过滤，计算所述稳态数据的几何加权平均值，所述几何加权平均值
计算公式如式(1)，
[0082][0083]
计算所述稳态数据的方差，所述方差的计算公式如式(2)
[0084][0085][0086]
式中，为几何加权值，n为所述稳态数据的个数，β为取值在[0,1]之间的几何加权因子，xk为第k个稳态数据，τ
ss
为有限时间窗长度，δt为采样间隔时间，sn()为所述稳态数据的均方差。
[0087]
在一种实现方式中，当所述运行数据的几何加权均方差sn()超过设定阈值，则表示当前时刻运行在非稳态阶段。
[0088]
步骤s200、对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据。
[0089]
在本实施例中，需要获得冷水主机稳态数据中的工况无关数据。在具体实施时，首先，基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据；然后，剔除所述稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据。通过剔除变工况特征数据，可以去除变工况对冷水主机性能判断的影响。
[0090]
在一种实现方式中，将所述稳态数据中的条件变量稳态数据输入至深度变分信息瓶颈模型，对所述条件变量稳态数据中的变工况特征进行提取，获取所述稳态数据的变工况特征数据。深度变分信息瓶颈法(deep vib)是在信息瓶颈法(information bottleneck，ib)的理论基础上发展出来的，可以提取与目标输出相关的特征，并从提取的特征中移除无关信息。如图3所示，用v表示从x中提取出与y相关的特征。ib准则是在最小化互信息i(x,v)的约束下最大化互信息i(v,y)来获取最简单的统计。所述ib准则的学习目标是式(4)：
[0091]
maxi(v,y；θ)，s.t.i(v,x；θ)≤ic，
ꢀꢀꢀ
(4)
[0092]
式中，θ是要学习的参数，ic是约束条件。在连续随机过程中，所述互信息表示为式(5)，
[0093][0094]
基于所述学习目标，信息瓶颈拉格朗日(information bottleneck lagrangian，ibl)优化函数表示为式(6)，
[0095]jib
(θ)＝i(v,y；θ)-βi(x,v；θ)，
ꢀꢀꢀ
(6)式中，β是用来折中v关于x对y表示的充分性和i(x,v)的最小化的系数。
[0096][0097]
式中，h(y)仅由先验分布p(y)决定，为常数项，对所述ib目标函数中的互信息i(x,v)变分上界形式为式(8)，
[0098][0099][0100]
在本实施例中，可以利用采集数据分布来近似分布p(x,v)，历史运行数据集由输入数据和输出数据构成，所述deep vib的优化目标函数近似为式(9)，
[0101][0102]
在一种实现方式中，对所述稳态数据的变工况特征数据和所述稳态数据中的状态变量稳态数据作残差，获取残差值为所述稳态数据中的工况无关数据。如图4所示，将所述条件变量稳态数据作为输入，状态变量预测数据作为输出，训练deep vib模型。基于所述deep vib模型，可实现基于条件变量的状态变量预测，其预测值基本上包含了所有的工况相关信息，则状态变量实际测量值和预测值的残差基本上与条件变量无关。使用该残差来表示冷水主机工况无关信息，则实现了对于工况相关信息的剔除。
[0103]
步骤s300、提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况。
[0104]
在本实施例中，在具体实施时，基于深度变分信息瓶颈法对所述工况无关数据中的缓慢退化性能特征数据进行提取，获取缓慢退化性能特征数据。冷水主机冷凝器换热管结构是一个缓慢退化的过程，该退化趋势与时间具有强相关性，通过提取冷水主机运行数据中与时间变化相关的特征，能够更好的反映出设备的性能变换趋势。
[0105]
在一种实现方式中，将所述工况无关数据输入至深度变分信息瓶颈的编码器模型中对所述工况无关数据中的缓慢退化性能特征数据进行提取，得到缓慢退化性能特征数据。利用所述deep vib方法进行退化性能相关的特征提取，如图5所示，将多个运行周期的数据根据滑动窗口将某一持续时间段的数据输入至deep vib的编码器模型中，所述编码器模型输出潜变量特征。采用lstm是为了获取冷水主机运行过程缓慢变化信息，减少单一时
刻系统噪声对退化性能相关特征提取的干扰。所述lstm(long short-term memory)是长短期记忆网络，是一种时间递归神经网络，适用于处理和预测时间序列中间隔和延迟相对较长的事件。多个运行周期共享一个编码器模型，而对每个运行周期分别设有一个单独的解码器模型，根据潜变量特征进行一个周期内的运行时间预测。所述模型采用随机batch采样进行训练。由于特征层保留的是与输出相关的信息，去除了输出无关的信息，因此提取的特征可以很好的反映出冷水主机的性能退化情况。
[0106]
在一种实现方式中，将冷水主机上一次除垢到下一次除垢视为一次完整的运行周期。除垢完成后第一次开机视为0时，开始计时。冷水主机运行时间表示为除垢完成后第一次开机到当前时刻冷水主机总运行持续时间，不包含关机时间。对一个运行周期的时间进行归一化，(0-1)范围内。冷水主机历史运行数据可以划分为多个独立的运行周期。
[0107]
步骤s400、基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。
[0108]
在本实施例中，要获得冷水主机的健康状态结果，首先，设定监测时间窗，并基于所述监测时间窗内的缓慢退化性能特征数据确定参照基准值；然后，计算当前时间窗内缓慢退化性能特征数据均值到所述参照基准值的距离，根据所述距离获取冷水主机健康状态评估结果，所述距离为反映冷水主机退化性能的健康状态指标。
[0109]
在一种实现方式中，提取的所述退化性能相关特征数据是多维的，无法直观的反映设备性能退化情况，因此，利用退化性能相关特征数据构建单一的健康状态指标。首先，设定一个固定大小的监测时间窗，以一个周期内初始时间对应的时间窗内的特征均值为参照基准值，计算当前时刻的时间窗内特征均值到参照基准值的距离，距离值作为反映退化性能的健康状态指标。图6所示为某一运行周期内的健康指标变化情况。所述历史运行数据，认为至少一个运行周期在清洗前设备的健康状态最差，需要及时维护。基于该设定，根据历史数据计算健康指标，选择指标值最大的后1％的数据为设备健康异常数据，确定健康状态指标控制限。
[0110]
在一种实现方式中，若健康状态指标超出设定阈值，则发出报警维护信息，通知运维人员及时进行设备清洗。及时提醒运维人员进行设备清洗以避免设备因长期未清洗导致的设备故障，或因为结垢而导致的制冷效果极大的降低，造成资源浪费。
[0111]
示例性系统
[0112]
基于上述实施例，本发明还提供一种变工况冷水主机健康状态评估系统，如图7所示，本实施例中的系统包括数据获取模块10、第一特征提取模块20、第二特征提取模块30、评估结果获取模块40，具体的，所述数据获取模块10，用于获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；所述第一特征提取模块20，用于对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；所述第二特征提取模块30，用于提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；所述评估结果获取模块40，用于基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。
[0113]
在一种实现方式中，所述数据获取模块，包括：
[0114]
类型确定单元，用于获取冷水主机的运行数据，并确定所述运行数据的数据类型，所述数据类型包括条件变量数据和状态变量数据；
[0115]
数据处理单元，用于根据所述运行数据的数据类型对所述运行数据进行异常数据
剔除，获取所述运行数据中的稳态数据，所述稳态数据包括条件变量稳态数据和状态变量稳态数据。
[0116]
在一种实现方式中，所述数据处理单元，包括：
[0117]
数据过滤子单元，用于计算所述运行数据的几何加权平均值与方差，对所述运行数据进行稳态过滤获取所述运行数据中的稳态数据。
[0118]
在一种实现方式中，所述第一特征提取模块，包括：
[0119]
第一数据提取单元，用于基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据；
[0120]
数据剔除单元，用于剔除所述稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据。
[0121]
在一种实现方式中，所述第一数据提取单元，包括：
[0122]
第一数据提取子单元，用于将所述稳态数据中的条件变量稳态数据输入至深度变分信息瓶颈模型，对所述条件变量稳态数据中的变工况特征进行提取，获取所述稳态数据的变工况特征数据。
[0123]
在一种实现方式中，所述数据剔除单元，包括：
[0124]
数据剔除子单元，用于对所述稳态数据的变工况特征数据和所述稳态数据中的状态变量稳态数据作残差，获取残差值为所述稳态数据中的工况无关数据。
[0125]
在一种实现方式中，所述第二特征提取模块，包括：
[0126]
第二特征提取单元，用于基于深度变分信息瓶颈法对所述工况无关数据中的缓慢退化性能特征数据进行提取，获取缓慢退化性能特征数据。
[0127]
在一种实现方式中，所述第二特征提取单元，包括：
[0128]
第二数据提取子单元，用于将所述工况无关数据输入至深度变分信息瓶颈的编码器模型中对所述工况无关数据中的缓慢退化性能特征数据进行提取，得到缓慢退化性能特征数据。
[0129]
在一种实现方式中，所述评估结果获取模块，包括：
[0130]
标准确定单元，用于设定监测时间窗，并基于所述监测时间窗内的缓慢退化性能特征数据确定参照基准值；
[0131]
评估结果获取单元，用于计算当前时间窗内缓慢退化性能特征数据均值到所述参照基准值的距离，根据所述距离获取冷水主机健康状态评估结果，所述距离为反映冷水主机退化性能的健康状态指标。
[0132]
在一种实现方式中，所述系统还包括：
[0133]
报警提示模块，用于若健康状态指标超出设定阈值，则发出报警维护信息，通知运维人员及时进行设备清洗。
[0134]
本实施例变工况冷水主机健康状态评估系统中的各个模块的工作原理与上述方法实施例中各个步骤的原理相同，此处不再赘述。
[0135]
基于上述实施例，本发明还提供了一种终端设备，所述终端设备的原理框图可以如图8所示。终端设备可以包括一个或多个处理器100(图8中仅示出一个)，存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102，例如，变工况冷水主机健康状态评估方法的程序。一个或多个处理器100执行计算机程序102时可以实现变
工况冷水主机健康状态评估方法的方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序102时可以实现变工况冷水主机健康状态评估方法的装置实施例中各模块/单元的功能，此处不作限制。
[0136]
在一个实施例中，所称处理器100可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0137]
在一个实施例中，存储器101可以是电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
[0138]
本领域技术人员可以理解，图8中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图8中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0139]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其他介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双运营数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0140]
综上所述，本发明公开了一种变工况冷水主机健康状态评估方法及系统，所述方法包括：获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；对所述稳态数据的变工况数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；提取所述工况无关数据中的缓慢退还性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。本发明通过采用深度变分信息瓶颈法对冷水主机的工况变化相关特征信息进行提取与剔除，有效地避免外界环境因素变化、操作工况变化对性能退化相关特征提取的影响，进一步采用深度变分信息瓶颈法提取与设备退化性能相关的特征，减少与退化设备性能无关信息的存在，并基于此构建性能健康状态指标，实现设备性能的在线监测。通过去工况处理和设备退化性能相关特征提取，可以实现冷水主机长期变工况运行下的健康状态的变化趋势识别和健康状态评估。
[0141]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种变工况冷水主机健康状态评估方法，其特征在于，所述方法包括：获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。2.根据权利要求1所述变工况冷水主机健康状态评估方法，其特征在于，所述获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据，包括：获取冷水主机的运行数据，并确定所述运行数据的数据类型，所述数据类型包括条件变量数据和状态变量数据；根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，所述稳态数据包括条件变量稳态数据和状态变量稳态数据。3.根据权利要求2所述变工况冷水主机健康状态评估方法，其特征在于，所述根据所述运行数据的数据类型对所述运行数据进行异常数据剔除，获取所述运行数据中的稳态数据，包括：计算所述运行数据的几何加权平均值与方差，对所述运行数据进行稳态过滤获取所述运行数据中的稳态数据。4.根据权利要求1所述变工况冷水主机健康状态评估方法，其特征在于，所述对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据，包括：基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据；剔除所述稳态数据的变工况特征数据，得到所述稳态数据中的工况无关数据
。
5.根据权利要求4所述变工况冷水主机健康状态评估方法，其特征在于，所述基于深度变分信息瓶颈法对所述稳态数据的变工况特征进行提取，获取所述稳态数据的变工况特征数据，包括：将所述稳态数据中的条件变量稳态数据输入至深度变分信息瓶颈模型，对所述条件变量稳态数据中的变工况特征进行提取，获取所述稳态数据的变工况特征数据。6.根据权利要求4所述变工况冷水主机健康状态评估方法，其特征在于，所述剔除所述稳态数据的变工况特征数据，获取所述稳态数据中的工况无关数据，包括：对所述稳态数据的变工况特征数据和所述稳态数据中的状态变量稳态数据作残差，获取残差值为所述稳态数据中的工况无关数据。7.根据权利要求1所述变工况冷水主机健康状态评估方法，其特征在于，所述提取所述工况无关数据中的缓慢退化性能特征数据，包括：基于深度变分信息瓶颈法对所述工况无关数据中的缓慢退化性能特征数据进行提取，获取缓慢退化性能特征数据。8.根据权利要求7所述变工况冷水主机健康状态评估方法，其特征在于，所述基于深度变分信息瓶颈法对所述工况无关数据中的缓慢退化性能特征数据进行提取，获取缓慢退化
性能特征数据，包括：将所述工况无关数据输入至深度变分信息瓶颈的编码器模型中对所述工况无关数据中的缓慢退化性能特征数据进行提取，得到缓慢退化性能特征数据。9.根据权利要求1所述变工况冷水主机健康状态评估方法，其特征在于，所述基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果，包括：设定监测时间窗，并基于所述监测时间窗内的缓慢退化性能特征数据确定参照基准值；计算当前时间窗内缓慢退化性能特征数据均值到所述参照基准值的距离，根据所述距离获取冷水主机健康状态评估结果，所述距离为反映冷水主机退化性能的健康状态指标。10.根据权利要求1所述变工况冷水主机健康状态评估方法，其特征在于，所述方法还包括：若健康状态指标超出设定阈值，则发出报警维护信息，通知运维人员及时进行设备清洗。11.一种变工况冷水主机健康状态评估系统，其特征在于，所述系统包括：数据获取模块，用于获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；第一特征提取模块，用于对所述稳态数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；第二特征提取模块，用于提取所述工况无关数据中的缓慢退化性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；评估结果获取模块，用于基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。12.一种终端设备，其特征在于，所述终端设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的变工况冷水主机健康状态评估方法程序，所述处理器执行所述变工况冷水主机健康状态评估方法程序时，实现如权利要求1-10任一项所述的变工况冷水主机健康状态评估方法的步骤。13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有变工况冷水主机健康状态评估方法程序，所述程序被处理器执行时，实现如权利要求1-10任一项所述的变工况冷水主机健康状态评估方法的步骤。

技术总结
本发明公开了一种变工况冷水主机健康状态评估方法及系统，所述方法包括：获取冷水主机的运行数据并对所述运行数据进行预处理，并获取所述运行数据中的稳态数据；对所述稳态数据的变工况数据的变工况特征进行提取与剔除，得到所述运行数据中的工况无关数据；提取所述工况无关数据中的缓慢退还性能特征数据，所述缓慢退化性能特征数据用于反映所述冷水主机的性能退化情况；基于所述缓慢退化性能特征数据获取冷水主机健康状态评估结果。本发明对冷水主机的工况变化相关特征信息进行提取与剔除，再提取与设备退化性能相关特征，构建性能健康状态指标，实现对冷水主机变工况运行下健康状态变化趋势的监测和健康状态评估。康状态变化趋势的监测和健康状态评估。康状态变化趋势的监测和健康状态评估。


技术研发人员：唐鹏 陈志文 邓撬 赵正润 骆伟超 蒋朝辉 阳春华 桂卫华
受保护的技术使用者：鹏城实验室
技术研发日：2023.04.13
技术公布日：2023/8/9