一种基于1DCNN-DS的冷水机组故障诊断方法

技术领域

本发明涉及冷水机组故障诊断技术领域，具体涉及一种基于1DCNN-DS的冷水机组故障诊断方法。

背景技术

商业和住宅建筑占全球总能源使用量的40％以上，主要通过供暖、通风和空调(HVAC)系统消耗能源。而随着暖通空调(HVAC)技术的发展，HVAC设备的系统结构愈发复杂，这给HVAC系统运行监测和故障诊断工作带来了挑战。冷水机组在建筑暖通空调系统能耗中占有相当大的比重，相关研究表明，及时地排除冷水机组故障可以有效降低20％～50％的能源消耗，既有利于建筑节能，又有利于节约运行成本。

近年来，在故障诊断领域，对基于神经网络的智能故障诊断算法研究与应用越来越广泛。现有技术采用BPNN结合混合粒子群优化算法应用于模拟电路故障诊断；池永为等采用LSTM-RNN完成滚动轴承故障诊断；Olivier将CNN应用于旋转机械故障检测。

上述智能故障诊断算法通常采用深度的多隐层结构建立自适应模型，实现数据特征的逐层转换，这类结构会导致模型计算因子数量呈指数级增长，计算复杂度大大增加，在训练样本数量有限时，其泛化能力会变得很差。针对这一问题，现有技术提出自适应1DCNN，直接对患者的心电图(EGG)信号进行操作，在大大减少计算因子的同时，获得了良好诊断性能。在较短的时期内，1DCNN被更多学者广泛应用于故障诊断与检测领域，如大功率发动机故障检测、轴承损伤检测等。

在冷水机组故障诊断应用领域内,由于冷水机组的故障状态数据获取成本高，不能提供大量训练数据，因此1DCNN相比于其他深度学习算法更适用。但同时冷水机组运行工况多变，在发生故障的早期，正常状态和故障状态下部分状态参数存在高度耦合的情况，1DCNN对其的诊断精度有限。而DS理论(Dempster-Shafer，证据理论)是一种对不确定性进行推理和决策的成熟的方法，其与神经网络的结合被证明适用于缺乏证据(当没有任何特征提供鉴别信息时)和冲突证据(当不同的特征支持不同的类别时)的情况。因此，采用DS理论对1DCNN诊断模型进行改进，将1DCNN网络架构与DS理论结合，建立1DCNN-DS诊断模型。

发明内容

为了提高冷水机组故障诊断的准确率，解决现有技术存在的诊断效果较差的问题，本发明提出了一种基于1DCNN-DS模型的冷水机组故障诊断方法，利用1DCNN 和DS理论，实现冷水机组故障的精确预测和诊断。

为实现上述目的，本发明方法具体包括以下步骤：

步骤一、采集冷水机组正常运行和不同故障时的状态数据集，构成样本集w；

步骤二、将样本集按比例划分为训练样本w

步骤三、训练1DCNN-DS模型：具体如下：

步骤1、通过一维神经网络模块(包含两个一维卷积层、一个最大池化层、两个一维卷积层、一个最大池化层和一个Flatten层)进行分类相关特征提取，通过 DS模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集 w

步骤2、在一维神经网络模块中对w

步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝{w

首先，定义{p

然后，计算与原型p

然后，计算与原型p

最后，将得到的n个质量函数m

式中：μ

最终，由DS模块的输出的组合质量函数向量：

m＝(m

步骤4、将DS模块输出的组合质量函数向量m输入期望效用模块，与DS模块类似，同样以神经网络层结构实现，其与DS模块的连接权重固定，用于计算各选择类别行为的预期效用，定义

下期望

上期望

上下期望加权和

最后，输出对冷水机组故障精确分类行为的效用分布：

步骤5、整个1DCNN-DS为端到端模型进行训练，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用Adam优化算法优化损失函数值，不断循环步骤2-步骤5，最终得到训练好的1DCNN-DS模型；

步骤四、将测试样本集w

步骤五、将待测冷水机组参数输入到1DCNN-DS模型中，对待测冷水机组故障进行诊断。

本发明具有以下优点：1)本发明针对冷水机组的故障状态数据获取成本高，不能提供大量训练数据的缺点，选取了计算复杂度低的1DCNN网络来对数据进行分类有关潜在特征的提取，解决了其他传统神经网络冷水机组故障诊断方法需要大规模训练数据以达到效果的问题；2)进一步的，针对RL、RO、EO三种系统级故障状态与正常状态运行参数相似而易错分，导致诊断模型整体准确率被拉低的问题，利用DS面对冲突证据(当不同的特征支持不同的类别时)情况时的谨慎推测能力进行解决，将DS以神经网络结构形式实现，并结合期望效用计算，嵌入1DCNN 模型中代替具有softmax的全连接层进行决策，有效提高了这三类系统故障的诊断准确率，从而提升模型总体诊断准确率(达到了99.42％)，更有效地实现了冷水机组故障诊断，拥有良好的应用前景。

附图说明

图1为基于1DCNN-DS的冷水机组故障诊断流程图；

图2为径向基函数单元结构图；

图3为1DCNN-DS模型结构；

图4为模型样本集与验证集误差收敛图；

图5为四种不同方法在测试集上的诊断结果图。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方案和具体的操作过程。

如图1～3所示，一种基于1DCNN-DS的冷水机组故障诊断方法，基于一维卷积神经网络与DS理论，结合了一维卷积神经网络的低计算复杂度和DS理论对不确定性进行推理的能力，建立端到端的自适应故障诊断模型，使用交叉熵损失函数作为模型损失函数，使用Adam优化整体模型，提升了模型的准确率和稳定性。

本实施中所述的1DCNN-DS模型采用python语言实现，基于TensorFlow2.6.0 深度学习框架，并引用了keras 2.6.0、Numpy1.19.5、Seaborn 0.11.2等多个科学计算包。

具体包括以下步骤：

步骤一、数据采集，收集暖通空调系统冷水机组的故障数据；

步骤二、对数据进行预处理，将预处理数据划分为训练集、验证集和测试集，具体步骤是：

本实施例选取美国采暖、制冷与工程师学会(ASHRAE)在1043-RP项目中的冷水机组故障数据，该项目是在实验室条件下，改变机组的运行状况，使其运行在不同的工况和故障条件下，采集相应的数据，为冷水机组故障检测和性能研究提供较为权威的数据资料。

ASHRAE-1043-RP数据采集间隔为10s，共采集64个参数。其中通过传感器直接采集的参数有48个，包括29个温度参数，7个阀位参数，5个压力参数，2个流量参数，1个功率参数，1个电流参数等，其余16个参数是借助VisSim软件进行实时计算得到的。

在本实施例中，随机选取冷水机组的7种典型故障数据各1500条以及正常状态数据5000条，7种典型故障如表1所示。

表1 ASHRAE RP-1043典型故障

对于该15500条数据，用one-hot编码将其分为具有相对独立特征的类别，以此完成故障分类。

实验通过选取T＝10作为交叉验证的迭代次数，以7:3的比例将数据集划分为训练样本集w

步骤三、建立1DCNN-DS模型；

初始化1DCNN-DS模型参数：

其中设置每次训练样本数Batch_Size大小为50，模型最大训练次数Max_Epochs大小为10，并初始化1DCN-DS模型迭代次数Iterator_Times大小为1，DS模块神经网络层中的径向基函数单元结构如图2所示，设置DS模块的原型向量维数 prototypes为35，期望效用模块的决策者悲观指数υ为0.9，表2为1DCNN-DS模型的1DCNN模块结构设置。

表2 DCNN模块结构设置

步骤1、通过一维神经网络模块(包含两个一维卷积层、一个最大池化层、两个一维卷积层、一个最大池化层和一个Flatten层)进行分类相关特征提取，通过DS 模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集w

步骤2、在一维神经网络模块中对w

步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝ {w

步骤4、将DS模块输出的组合质量函数向量m输入期望效用模块，与DS模块类似，同样以神经网络层结构实现，其与DS模块的连接权重固定，用于计算各选择类别行为的预期效用。

步骤5、整个1DCNN-DS为端到端模型进行训练，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用Adam优化算法优化损失函数值，不断循环步骤2-步骤5，最终得到训练好的1DCNN-DS模型；

用Adam优化算法优化损失函数值过程具体如下：

步骤1)、设置keras 2.6.0自带的Adam作为优化器，设置交叉熵函数为损失函数Loss，得到如图3所示的初始1DCNN-DS模型结构；

步骤2)、利用w

步骤3)、利用w

步骤4)、判断训练后的卷积神经网络模型迭代次数Iterator_Times是否大于设定的最大迭代次数T：

若大于等于设定的最大迭代次数T，则获得T组模型验证结果，转入步骤5)。

若小于设定的最大迭代次数T，则更新Iterator_Times＝Iterator_Times+1，重新将 w

步骤5)、对比求解10组模型验证结果，选取其中准确率最高的模型作为输出模型。

步骤四、将测试样本集w

步骤五、将待测冷水机组参数输入到1DCNN-DS模型中，对待测冷水机组故障进行诊断。