CN102393882A - 在线监控和诊断室内空气质量传感器的方法 - Google Patents

Abstract

本发明公开了在线监控和诊断室内空气质量传感器的方法，该方法是基于一IAQ传感器虚拟模型通过一控制图对IAQ传感器进行在线监控和诊断，所述控制图将所述IAQ传感器虚拟模型的预测的IAQ参数值与传感器测量到的IAQ参数值之间的平均差值和方差得以监控。通过上述方式，本发明能够基于准确、稳定和可靠的IAQ传感器虚拟模型具有在线监测IAQ传感器，主动发现潜在的故障，及时维护和校准传感器的功能，成本低，主动性好，针对性强。

Description

在线监控和诊断室内空气质量传感器的方法

技术领域

本发明涉及楼宇节能领域，特别是涉及一种在线监控和诊断室内空气质量传感器的方法。

背景技术

楼宇节能是一个比较年轻的行业。经过近20年的发展，已经从单纯的更换新设备节能发展到利用大量IT和自动控制技术来实现节能和提高室内舒适度，但是90%中国的楼宇节能公司还停留在更换设备的水平上。楼宇的近50%能耗是用在暖通系统上，因此针对暖通系统的节能是重点。

暖通系统的正常和高效地运营依赖各种传感器的输出，尤其是室内空气质量传感器（比如二氧化碳、湿度和温度传感器）。为了保证这些重要传感器的正常工作，现有的技术手段是定期对这些传感器进行校准，或者安装冗余传感器，确保测量信息的准确性。

这些技术手段主要存在以下不足：首先是成本较高，安装冗余的传感器必然增加相应的成本；其次是被动性，这种定期校准必然有一定的时间间隔，这样导致设备处于盲区，即使发生故障也只能等到下一检查时刻才能知道；盲目性，定期校准不管这个传感器有没有问题，都要校准，在一定程度上是浪费人力和物力，应该优先对那些有症状的传感器进行校准。

发明内容

本发明主要解决的技术问题是提供一种在线监控和诊断IAQ传感器的方法，基于一准确、稳定和可靠的IAQ传感器虚拟模型在线监测IAQ传感器，主动发现潜在的故障，及时维护和校准传感器的功能。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种在线监控和诊断IAQ传感器的方法，该方法是基于一IAQ传感器虚拟模型通过一控制图对IAQ传感器进行在线监控和诊断，所述控制图将IAQ传感器虚拟模型的预测的IAQ参数值与传感器测量到的IAQ参数值之间的平均差值和方差得以监控。

在本发明一个较佳实施例中，所述控制图的构建方法为：

a、从HVAC系统中选取除去异常值的由N_train个测量值组成的训练数据集和按照时间顺序的N_test个连续数据点组成的测试数据集，

训练数据集的表示方法为：y-TrainSet=[y(i),y’(i)], i=1,…,N_train.，

测试数据集的表示方法为：y-TestSet=[y(i),y’(i)]，i=1,…,N_test.；

b、计算出训练数据集中每个点之间的差值ε及其平均差值μ_train和标准差σ_train和测试数据集中每个点之间的差值ε及其平均差值μ_test和标准差σ_test；

c、当μ_train和σ_train已知，通过计算平均差值μ_train的控制极限和方差σ² _train的控制极限来检测异常情况，定义μ_train的控制极限的上极限值为UCL₁，下极限值为LCL₁，定义σ² _train的控制极限的上极限值为UCL₂，下极限值为LCL₂。

在本发明一个较佳实施例中，所述差值ε的计算方法为：ε=                                                

，其中y是传感器测量到的IAQ参数值，y’是由IAQ传感器虚拟模型预测IAQ参数值。

在本发明一个较佳实施例中，μ_train的计算方式为：μ_train= 

 

;

σ_train的计算方式为：σ_train= 

；

μ_test的计算方式为：μ_test= 

 

;

σ_test的计算方式为：σ_test =

。

在本发明一个较佳实施例中，UCL₁的计算方式为：UCL₁=

；

LCL₁的计算方式为：LCL₁=

；

UCL₂的计算方式为：UCL₂=

LCL₂的计算方式为：LCL₂=0；

其中，N_test是指测试数据集中数据点的数量，η是控制极限的倍数；

其中

表示右侧α/2分位点的卡方分布，N_test-1是指卡方分布的自由度。

在本发明一个较佳实施例中，所述μ_test高于UCL₁或者低于LCL₁，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅰ。

在本发明一个较佳实施例中，所述σ² _train高于UCL₂，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅱ。

在本发明一个较佳实施例中，所述IAQ传感器虚拟模型的建立方法，包括：

a、收集数据：首先从供热、通风和空调调节（HVAC）系统中收集多种的参数集，包括温度参数集、二氧化碳水平参数集、相对湿度参数集，将各参数集分成两个单独的子集，包括训练数据集、测试数据集；

b、建立模型：用多种不同数据挖掘算法基于训练数据集中数据建立的IAQ传感器虚拟模型，IAQ传感器虚拟模型是用其他的HVAC参数产生预测IAQ参数值，包括预测温度的IAQ传感器虚拟模型、预测二氧化碳水平的IAQ传感器虚拟模型、预测相对湿度的IAQ传感器虚拟模型；

c、选择最佳数据挖掘算法：预测的IAQ参数值与传感器检测到的IAQ参数值差值的绝对值为绝对误差，通过绝对误差平均值和绝对误差的标准差衡量用不同数据挖掘算法的建立的IAQ传感器虚拟模型的预测效果，选择预测效果最好的数据挖掘算法；

d、有效性检验：将预测的IAQ参数值与测试数据集中的测量数据比较，根据两个数据值之间的一致性，判断预测效果最好的数据挖掘算法建立的IAQ传感器虚拟模型的有效性。

在本发明一个较佳实施例中，所述绝对误差定义为AE，所述AE的计算方法为：AE=|y’-y|;

所述绝对误差平均值定义为MAE，所述MAE的计算方法为：MAE=;

所述绝对误差的标准差定义为Std，所述Std的计算方法为：Std=

;

其中y’是IAQ传感器虚拟模型预测的IAQ参数值，y是传感器测量到的IAQ参数值，N是测试数据点的数量。

在本发明一个较佳实施例中，所述多种不同数据挖掘算法包括多层感知器（MLP）神经网络（NN）、径向基函数（RBF）神经网络（NN）、支持向量机回归（SVM）、逐步回归（Pacereg）。

本发明的有益效果是：本发明在线监控和诊断IAQ传感器的方法能够基于准确、稳定和可靠的IAQ传感器虚拟模型具有在线监测IAQ传感器，主动发现潜在的故障，及时维护和校准传感器的功能，成本低，主动性好，针对性强。

具体实施方式

下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本发明实施例包括：

一种在线监控和诊断IAQ传感器的方法，该方法是基于一IAQ传感器虚拟模型通过一控制图对IAQ传感器进行在线监控和诊断，所述控制图将IAQ传感器虚拟模型的预测的IAQ参数值与传感器测量到的IAQ参数值之间的平均差值和方差得以监控。

所述控制图的构建方法为：

a、从HVAC系统中选取除去异常值的由N_train个测量值组成的训练数据集和按照时间顺序的N_test个连续数据点组成的测试数据集，

训练数据集的表示方法为：y-TrainSet=[y(i),y’(i)], i=1,…,N_train.，

测试数据集的表示方法为：y-TestSet=[y(i),y’(i)]，i=1,…,N_test.；

b、计算出训练数据集中每个点之间的差值ε及其平均差值μ_train和标准差σ_train和测试数据集中每个点之间的差值ε及其平均差值μ_test和标准差σ_test；

c、当μ_train和σ_train已知，通过计算平均差值μ_train的控制极限和方差σ² _train的控制极限来检测异常情况，定义μ_train的控制极限的上极限值为UCL₁，下极限值为LCL₁，定义σ² _train的控制极限的上极限值为UCL₂，下极限值为LCL₂。

所述差值ε的计算方法为：ε=

，其中y是传感器测量到的IAQ参数值，y’是由IAQ传感器虚拟模型预测IAQ参数值。

μ_train的计算方式为：μ_train= 

;

σ_train的计算方式为：σ_train= 

；

μ_test的计算方式为：μ_test= 

 

;

σ_test的计算方式为：σ_test =

;

UCL₁的计算方式为：UCL₁=

；

LCL₁的计算方式为：LCL₁=

；

UCL₂的计算方式为：UCL₂=；

LCL₂的计算方式为：LCL₂=0；

其中，N_test是指测试数据集中数据点的数量，η是控制极限的倍数；

其中

表示右侧α/2分位点的卡方分布，N_test-1是指卡方分布的自由度。参数α需要被调整来降低控制图对数据变化的敏感度。LCL2设置为0说明测试数据的差值的方差为0，所以IAQ的测量值和正常状态的IAQ参数值相符。

所述μ_test高于UCL₁或者低于LCL₁，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅰ。

所述σ² _train高于UCL₂，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅱ。错误类型Ⅰ是由于异常的差值平均值而错误类型Ⅱ是由于反常的差值方差导致的传感器错误。

IAQ传感器虚拟模型被当做监控HVAC系统中的物理IAQ传感器和室内空气质量的参照物。控制图方法被用于监控IAQ参数测量值和参照值之差，以及差值的方差。确定结构的非静态HVAC程序中的IAQ传感器错误可以在线检测出来。

在线IAQ传感器监控为HVAC行业中的IAQ传感器错误探测提供了一种数据驱动的方法。多个IAQ传感器模型作为虚拟传感器来进行监控和校准，甚至可以代替HVAC系统中安装的物理传感器。虚拟传感器估计参数值作为物理传感器的补充或代替。本发明提出的方法为旨在维持良好的室内空气质量和节能的HVAC控制优化提供了基础。

本发明在线监控和诊断IAQ传感器的方法，将应用数据挖掘算法开发IAQ传感器的模型。构建好的模型将用于绘制室内空气质量的在线数据图表和虚拟传感器。这也可以用来监测安装在HVAC系统中的IAQ传感器的性能。IAQ传感器模型是基于某个现有装置中的HVAC系统的历史数据而建立的。

所述IAQ传感器虚拟模型的建立方法，包括：

a、收集数据：首先从供热、通风和空调调节（HVAC）系统中收集多种的参数集，包括温度参数集、二氧化碳水平参数集、相对湿度参数集等其他室内空气质量参数集，将各参数集分成两个单独的子集，包括训练数据集、测试数据集，训练数据集用于开发IAQ传感器虚拟模型，而测试数据集则用于检验从训练数据集中学习到的模型的有效性；

收集所述参数集中的每个参数值之间设有时间间隔，如每隔一分钟收集一次样本，且每个参数值都是最后一次测量时的点数据；

b、建立模型：用多种不同数据挖掘算法基于训练数据集中数据建立的IAQ传感器虚拟模型，IAQ传感器虚拟模型是用其他的HVAC参数产生预测IAQ参数值，包括预测温度的IAQ传感器虚拟模型、预测二氧化碳水平的IAQ传感器虚拟模型、预测相对湿度的IAQ传感器虚拟模型等对应预测其他室内空气质量参数集的IAQ传感器虚拟模型；

IAQ参数值和其他各种HVAC参数的关系比较复杂，因此在数学建模中很难识别模型并用高维度的HVAC参数作为输入数据来准确预测IAQ参数值。而数据挖掘是从海量数据中提炼知识的有力工具。IAQ传感器虚拟模型反映了IAQ参数和其他HVAC参数之间潜在的函数关系；

c、选择最佳数据挖掘算法：预测的IAQ参数值与传感器检测到的IAQ参数值差值的绝对值为绝对误差，通过绝对误差平均值和绝对误差的标准差衡量用不同数据挖掘算法的建立的IAQ传感器虚拟模型的预测效果，选择预测效果最好的数据挖掘算法，绝对误差平均值和绝对误差的标准差的值越小，说明IAQ传感器虚拟模型的预测效果越好；

d、有效性检验：将预测的IAQ参数值与测试数据集中的测量数据比较，根据两个数据值之间的一致性，判断预测效果最好的数据挖掘算法建立的IAQ传感器虚拟模型的有效性，一致性高则有效性好。

所述绝对误差定义为AE，所述AE的计算方法为：AE=|y’-y|;

所述绝对误差平均值定义为MAE，所述MAE的计算方法为：MAE=

;

所述绝对误差的标准差定义为Std，所述Std的计算方法为：Std=

;

其中y’是IAQ传感器虚拟模型预测的IAQ参数值，y是传感器测量到的IAQ参数值，N是测试数据点的数量。

所述多种不同数据挖掘算法包括多层感知器（MLP）神经网络（NN）、径向基函数（RBF）神经网络（NN）、支持向量机回归（SVM）、逐步回归（Pacereg）。其中MLP NN算法和RBF NN算法经常应用于非线性回归和分类建模，因为他们可以获得参数间的复杂关系。SVM是有指导性的学习算法，用于分类和回归，它构成了一个线性判别式函数来尽可能广泛地分离案例。为了便于计算，在SVM回归中一个高维度的线性优化问题被转化为一个双层凸二次规划问题。逐步回归算法则采用一组或全部最优或在特定情况下最优的估计量。这是一种相对较新的在高维空间开发线性模型的方法。

本发明在线监控和诊断IAQ传感器的方法能够只利用系统的信息冗余，通过软件实现虚拟传感器的功能，建立准确、稳定和可靠的IAQ传感器虚拟模型，成本低；基于IAQ传感器虚拟模型具有在线监测IAQ传感器，主动发现潜在的故障，及时维护和校准传感器的功能，主动性好，针对性强。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。 

Claims (10)

1.一种在线监控和诊断室内空气质量（IAQ）传感器的方法，其特征在于，包括基于一IAQ传感器虚拟模型通过一控制图对IAQ传感器进行在线监控和诊断，所述控制图将所述IAQ传感器虚拟模型的预测的IAQ参数值与传感器测量到的IAQ参数值之间的平均差值和方差得以监控。

2.根据权利要求1所述的在线监控和诊断IAQ传感器的方法，其特征在于，所述控制图的构建方法为：

a、从HVAC系统中选取除去异常值的由N_train个测量值组成的训练数据集和按照时间顺序的N_test个连续数据点组成的测试数据集，

训练数据集的表示方法为：y-TrainSet=[y(i),y’(i)], i=1,…,N_train.，

测试数据集的表示方法为：y-TestSet=[y(i),y’(i)]，i=1,…,N_test.；

b、计算出训练数据集中每个点之间的差值ε及其平均差值μ _train和标准差σ_train和测试数据集中每个点之间的差值ε及其平均差值μ _test和标准差σ_test；

c、当μ _train和σ_train已知，通过计算平均差值μ _train的控制极限和方差σ² _train的控制极限来检测异常情况，定义μ _train的控制极限的上极限值为UCL₁，下极限值为LCL₁，定义σ² _train的控制极限的上极限值为UCL₂，下极限值为LCL₂。

3.根据权利要求2所述的在线监控和诊断IAQ传感器的方法，其特征在于：所述差值ε的计算方法为：ε=                                               ，其中y是传感器测量到的IAQ参数值，y’是由IAQ传感器虚拟模型预测IAQ参数值。

4.根据权利要求2所述的在线监控和诊断IAQ传感器的方法，其特征在于：

μ _train的计算方式为：μ _train= 

 

;

σ_train的计算方式为：σ_train= ；

μ _test的计算方式为：μ _test= 

 

；

σ_test的计算方式为：σ_test =

。

5.根据权利要求2所述的在线监控和诊断IAQ传感器的方法，其特征在于：

UCL₁的计算方式为：UCL₁=

；

LCL₁的计算方式为：LCL₁=

；

UCL₂的计算方式为：UCL₂=

；

LCL₂的计算方式为：LCL₂=0；

其中，N_test是指测试数据集中数据点的数量，η是控制极限的倍数；

其中表示右侧α/2分位点的卡方分布，N_test-1是指卡方分布的自由度。

6.根据权利要求2所述的在线监控和诊断IAQ传感器的方法，其特征在于，所述μ_test高于UCL₁或者低于LCL₁，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅰ。

7.根据权利要求2所述的在线监控和诊断IAQ传感器的方法，其特征在于，所述σ² _train高于UCL₂，IAQ参数在取样时间点的值y-TestSet则被认为是有误的，这种错误定义为错误类型Ⅱ。

8.根据权利要求1所述的在线监控和诊断IAQ传感器的方法，其特征在于：所述IAQ传感器虚拟模型的建立方法，包括：

a、收集数据：首先从供热、通风和空调调节（HVAC）系统中收集多种的参数集，包括温度参数集、二氧化碳水平参数集、相对湿度参数集，将各参数集分成两个单独的子集，包括训练数据集、测试数据集；

b、建立模型：用多种不同数据挖掘算法基于训练数据集中数据建立的IAQ传感器虚拟模型，IAQ传感器虚拟模型是用其他的HVAC参数产生预测IAQ参数值，包括预测温度的IAQ传感器虚拟模型、预测二氧化碳水平的IAQ传感器虚拟模型、预测相对湿度的IAQ传感器虚拟模型；

c、选择最佳数据挖掘算法：预测的IAQ参数值与传感器检测到的IAQ参数值差值的绝对值为绝对误差，通过绝对误差平均值和绝对误差的标准差衡量用不同数据挖掘算法的建立的IAQ传感器虚拟模型的预测效果，选择预测效果最好的数据挖掘算法；

d、有效性检验：将预测的IAQ参数值与测试数据集中的测量数据比较，根据两个数据值之间的一致性，判断预测效果最好的数据挖掘算法建立的IAQ传感器虚拟模型的有效性。

9.根据权利要求8所述的在线监控和诊断IAQ传感器的方法，其特征在于：所述绝对误差定义为AE，所述AE的计算方法为：AE=|y’-y|;

所述绝对误差平均值定义为MAE，所述MAE的计算方法为：MAE=

;

所述绝对误差的标准差定义为Std，所述Std的计算方法为：Std=

;

其中y’是IAQ传感器虚拟模型预测的IAQ参数值，y是传感器测量到的IAQ参数值，N是测试数据点的数量。

10.根据权利要求8所述的在线监控和诊断IAQ传感器的方法，其特征在于：所述多种不同数据挖掘算法包括多层感知器（MLP）神经网络（NN）、径向基函数（RBF）神经网络（NN）、支持向量机回归（SVM）、逐步回归（Pacereg）。