基于多源数据融合的空气能热泵故障智能预警方法及系统与流程

本发明涉及空气能热泵故障预警，具体的说是基于多源数据融合的空气能热泵故障智能预警方法、基于多源数据融合的空气能热泵故障智能预警系统。

背景技术：

1、空气能热泵在长期运行中，水侧换热器的循环水侧会因水中钙镁离子、悬浮物等逐渐沉积而产生“水垢”或“粘泥堵塞”。这是一个极其缓慢的缓变过程，初期对系统性能影响极其微弱。现有预警方法主要依赖定期拆机检查，或通过监测冷凝压力、冷凝温度等运行参数是否超过固定阈值来判断，当参数显著升高时，换热器传热性能往往已严重下降，系统已在低能效状态下运行了数周甚至数月，预警严重滞后，且无法区分结垢类型，导致清洗维护手段选择盲目。

2、部分现有技术尝试引入水质监测，但如钙硬度类的水质化验数据通常是周期性人工采集，数据稀疏，与高频连续运行数据在时间尺度上严重不匹配，仅对单一水质指标设限极易因工况波动产生误报；纯数据驱动的深度学习方法可在一定程度上学习故障特征，但缺乏物理约束，在热泵运行工况大范围漂移时，难以区分正常环境变化与换热器性能的早期微小蜕化，误报率居高不下。

3、更为关键的是，现有方法通常仅依赖单一运行指标的超限报警，对于结垢这类缓变过程，单指标在早期阶段的变化幅度极小，容易淹没在工况波动引起的正常参数变化中，降低报警阈值则误报频繁，提高阈值则预警滞后，灵敏度与误报率不可兼得。

技术实现思路

1、本发明针对现有技术中的问题，提供基于多源数据融合的空气能热泵故障智能预警方法及系统，具体技术方案如下：

2、一方面，本发明提供基于多源数据融合的空气能热泵故障智能预警方法，包括以下步骤：

3、s1，数据采集：实时采集多源数据，所述多源数据包括热泵机组运行参数、循环水质数据、水侧换热器进出口压差以及循环水泵运行参数；

4、s2，数据处理：将实时采集的多源数据输入训练后的状态估计器，得到期望总传热系数和期望水侧流阻系数，并基于实时运行数据计算热阻残差和流阻残差；

5、s3，数据分析：对所述热阻残差和流阻残差形成的残差向量进行预设结垢方向上的序贯概率比检验，当统计量超过判决边界时，判定换热器结垢故障并发出预警；其中，所述预设结垢方向为热阻残差正向漂移且流阻残差正向漂移。

6、作为本发明进一步的技术方案，所述循环水质数据包括在线采集的电导率、ph值、浊度，以及周期性录入的钙硬度值；

7、所述循环水泵运行参数包括水泵转速、电流，以及基于水泵转速和电流确定的扬程和流量。

8、作为本发明进一步的技术方案，所述状态估计器为物理启发式深度状态估计器，其训练过程引入热力学约束和结垢沉积速率物理约束；

9、所述状态估计器包括上下文特征提取器、多任务健康状态估计头和换热器状态子网络；

10、所述换热器状态子网络以工况上下文和水质特征为输入，输出所述期望总传热系数和期望水侧流阻系数。

11、作为本发明进一步的技术方案，所述结垢沉积速率物理约束，是指利用简化结垢模型根据所述循环水质数据计算理论污垢热阻增长趋势，并在训练中约束所述状态估计器输出的虚拟污垢热阻的变化趋势与所述理论污垢热阻增长趋势一致。

12、作为本发明进一步的技术方案，s2中所述热阻残差的计算公式为：

13、

14、其中，为根据进出水温度、水流量和换热量实时计算的总传热系数，为状态估计器输出的期望总传热系数，为总传热系数的正常波动标准差；

15、s2中所述流阻残差的计算公式为：

16、

17、

18、其中，为水侧压差，为水流量，为流体密度，为状态估计器输出的期望流阻系数，为流阻系数的正常波动标准差。

19、作为本发明进一步的技术方案，s2中还计算能效残差：

20、

21、其中，为根据进出水温度和水流量实时计算的实时制热系数，为状态估计器输出的期望制热系数，为制热系数的正常波动标准差；

22、所述残差向量包括热阻残差、流阻残差和能效残差，所述预设结垢方向对应为热阻残差正向漂移、流阻残差正向漂移、能效残差正向漂移。

23、作为本发明进一步的技术方案，s3中对多维残差向量在所述预设结垢方向上的投影值进行序贯概率比检验，所述预设结垢方向归一化后得到单位方向向量，所述投影值为残差向量与所述单位方向向量的点积；检验中设定原假设为投影均值为零、备择假设为投影均值漂移至预设最小可检测值，所述预设最小可检测值根据换热器容许的传热性能衰退程度预先标定；根据预设虚警率和漏报率确定判决边界，计算对数似然比累积和作为统计量，当所述统计量超过所述判决边界时触发预警。

24、作为本发明进一步的技术方案，s3中发出预警时，还包括判断结垢类型倾向：若热阻残差漂移速率大于流阻残差漂移速率，则判定为硬垢倾向；若流阻残差漂移速率大于热阻残差漂移速率，则判定为粘泥堵塞倾向。

25、作为本发明进一步的技术方案，s1中所述热泵机组运行参数包括压缩机吸排气温度、吸排气压力、冷凝温度、蒸发温度、过热度、过冷度、压缩机运行频率、电流、电子膨胀阀开度、水流量、进出水温度中的一种或多种。

26、另一方面，本发明还提供基于多源数据融合的空气能热泵故障智能预警系统，包括多源数据采集模块和计算处理单元，所述计算处理单元部署有训练后的状态估计器，用于执行上述任一项技术方案中所述方法中的s2和s3步骤。

27、本发明的有益效果如下：

28、（1）本发明中，通过同步采集热泵运行参数、循环水质数据、水侧压差及水泵参数，输入训练后的状态估计器获得期望总传热系数和期望水侧流阻系数，进而计算热阻残差和流阻残差，并对两者形成的残差向量进行预设结垢方向上的序贯概率比检验，实现了对换热器结垢故障在传热性能下降时的早期识别，解决了传统方法中预警滞后的问题。

29、本发明中，通过序贯概率比检验持续监测残差向量的漂移，实现了对随机波动与真实性能蜕化的有效区分，解决了固定阈值方法在变工况下误报率高的问题，预警置信度大幅提升。

30、本发明中，通过在发出预警时比较热阻残差漂移速率与流阻残差漂移速率，实现了对硬垢与粘泥堵塞的倾向性区分，解决了传统方法无法判断结垢类型导致清洗方式选择盲目的问题，为现场选择化学清洗或物理冲洗提供直接依据。

31、本发明中，通过将状态估计器训练为物理启发式深度状态估计器，并引入热力学约束和结垢沉积速率物理约束，实现了对稀疏水质数据与高频运行数据在机理层面的深度融合，解决了纯数据驱动模型因水质数据稀疏导致的过拟合和泛化能力不足的问题，模型在多变气候和复杂水质条件下的鲁棒性显著增强。

1.基于多源数据融合的空气能热泵故障智能预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于：所述循环水质数据包括在线采集的电导率、ph值、浊度，以及周期性录入的钙硬度值；

3.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于：所述状态估计器为物理启发式深度状态估计器，其训练过程引入热力学约束和结垢沉积速率物理约束；

4.根据权利要求3所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于：所述结垢沉积速率物理约束，是指利用简化结垢模型根据所述循环水质数据计算理论污垢热阻增长趋势，并在训练中约束所述状态估计器输出的虚拟污垢热阻的变化趋势与所述理论污垢热阻增长趋势一致。

5.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于，s2中所述热阻残差的计算公式为：

6.根据权利要求5所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于，s2中还计算能效残差：

7.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于，s3中对多维残差向量在所述预设结垢方向上的投影值进行序贯概率比检验，所述预设结垢方向归一化后得到单位方向向量，所述投影值为残差向量与所述单位方向向量的点积；检验中设定原假设为投影均值为零、备择假设为投影均值漂移至预设最小可检测值，所述预设最小可检测值根据换热器容许的传热性能衰退程度预先标定；根据预设虚警率和漏报率确定判决边界，计算对数似然比累积和作为统计量，当所述统计量超过所述判决边界时触发预警。

8.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于：s3中发出预警时，还包括判断结垢类型倾向：若热阻残差漂移速率大于流阻残差漂移速率，则判定为硬垢倾向；若流阻残差漂移速率大于热阻残差漂移速率，则判定为粘泥堵塞倾向。

9.根据权利要求1所述的基于多源数据融合的空气能热泵故障智能预警方法，其特征在于：s1中所述热泵机组运行参数包括压缩机吸排气温度、吸排气压力、冷凝温度、蒸发温度、过热度、过冷度、压缩机运行频率、电流、电子膨胀阀开度、水流量、进出水温度中的一种或多种。

10.基于多源数据融合的空气能热泵故障智能预警系统，其特征在于，包括多源数据采集模块和计算处理单元，所述计算处理单元部署有训练后的状态估计器，用于执行权利要求1至9任一项所述方法中的s2和s3步骤。