一种冷水机组故障诊断方法及系统

技术领域

本发明属于故障诊断领域，尤其涉及一种冷水机组故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

冷水机组作为空调系统的重要组成部分，运行能耗占整个建筑能耗的绝大部分，对其进行节能研究是促进绿色建筑发展的重中之重。冷水机组运行状况的恶化及故障会带来大量的能源消耗、降低室内舒适度、增加设备维修成本以及缩短设备寿命，因此，迫切需要建立一种有效的冷水机组故障检测与诊断方法，提高冷水机组状态监测与故障诊断的水平，真正做到绿色节能。

LSTM神经网络模型是是深度学习和人工智能领域的热门话题，其结构简单、可用于学习复杂时间序列的有意义的表示、可挖掘数据间的长期依赖关系，因此受到众多研究人员的喜爱，多用于解决预测性问题。但是，在暖通空调系统中通过LSTM方法的故障检测与诊断(FDD)仍然缺乏较多关注，特别是在冷水机组设备FDD中。同时，LSTM神经网络能够很好地挖掘故障序列数据的时间关联性，解决耦合程度高，时序相关性较强的故障问题，但发明人发现，LSTM也具有一定的缺陷：

(1)建立LSTM网络模型最重要的是确定他的超参数，像LSTM层数、丢弃率、学习率等等，而目前LSTM模型参数的选择往往依靠研究者的经验来确定，随机性较大，会降低模型预测效果，容易陷入局部最优解，无法得到一个最优的LSTM网络模型。

(2)LSTM对某个数据集具有良好的诊断效果，但是应用到其他数据集无法得到良好的故障诊断正确率，导致算法的泛化能力差。

(3)当数据较多、时间跨度很大时，LSTM的网络会加深，并且LSTM无法并行处理，那么巨大的计算量会导致很长的诊断时间，造成时间和成本的浪费。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种冷水机组故障诊断方法及系统，其能够提高故障诊断的准确性与快速性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种冷水机组故障诊断方法。

一种冷水机组故障诊断方法，包括：

获取冷水机组运行状态数据，提取冷水机组的特征量；

将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

本发明的第二个方面提供一种冷水机组故障诊断系统。

一种冷水机组故障诊断系统，包括：

特征提取模块，其用于获取冷水机组运行状态数据，提取冷水机组的特征量；

故障识别模块，其用于将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

本发明的第三个方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的冷水机组故障诊断方法中的步骤。

本发明的第四个方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的冷水机组故障诊断方法中的步骤。

与现有技术相比，本发明的有益效果是：

本发明提供了一种冷水机组故障诊断方法及系统，其数据集中的数据特征进行了大幅度提取，深度挖掘了故障数据间的时间相关性及长期依赖关系，使用自适应粒子群优化算法对LSTM网络进行参数寻优，获得最优的LSTM故障诊断模型，解决了离心式冷水机组无法充分提取故障数据时间序列长期依赖关系，诊断正确率低、速度慢、效率低的问题，以及冷水机组故障导致的能源浪费、设备寿命缩短和室内环境舒适度下降的问题，提高了冷水机组故障诊断正确率及快速性，降低了能源损耗、设备成本，减缓设备寿命缩减。

由于自适应粒子群优化算法与LSTM算法的融合，该模型对于不同的数据集均具有良好的诊断效果，增强了LSTM神经网络的泛化能力，提高了故障诊断的稳定性和鲁棒性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的冷水机组故障诊断方法流程图；

图2是本发明实施例的RNN结构原理图；

图3是本发明实施例的LSTM细胞结构原理图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

如图1所示，本实施例提供了一种冷水机组故障诊断方法，其具体包括如下步骤：

步骤1：获取冷水机组运行状态数据，提取冷水机组的特征量。

步骤2：将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

其中，粒子群优化算法(PSO)具体原理：

粒子群算法(Particle Swarm Optimization,PSO)最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。最简单有效的策略便是寻找鸟群中离食物最近的个体来进行搜素。PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。算法将参数群体中的个体看作多维搜索空间中的一个粒子，每个粒子代表问题的一个可能解，其特征信息用位置、速度和适应度值三种指标描述，适应度值可以通过适应度函数计算取得，适应度值的大小在一定程度上决定了粒子的优劣。粒子以一定的速度移动，根据自身及其他粒子的移动经验，也就是自身和群体的最优适应度值，来改变移动的方向和距离。同时不断迭代寻找较优区域，从而完成在全局搜索空间中的寻优过程。假设在一个D维搜索空间，s个粒子构成的一个种群X＝(x

位置变量为：

速度变量为：

个体最优位置向量为：

全局最优位置向量为：

则该粒子在t+1时刻的速度和位置信息更新：

其中：w为惯性权重，功能是保证粒子在全局位置和局部位置间探索的有效平衡；c

传统的循环神经网络(RNN)，如图2所示，其中x表示输入层的值向量，h表示隐藏层的值向量，U、V、W均表示权重矩阵，O

循环神经网络的隐藏层的值h不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值h

由图2可知，隐含层输出h

h

隐藏层输出o

o

LSTM相比传统RNN最大的特点就是增加了“门”结构，“门”的结构的功能是去除或者增加信息到细胞状态。图3为标准LSTM细胞结构原理图，其中x

f

i

o

h

式中，W

在具体实施中，构建PSO优化LSTM网络故障诊断模型的具体过程为：

(1)建立LSTM网络模型，初始化相关参数，包括粒子群算法参数、LSTM网络超参数；

首先构建LSTM网络，如图3所示，模型结构主要由输入层、两层LSTM层、输出层组成，损失函数使用交叉熵损失函数，模型训练过程采用Nadam算法优化器进行优化，在Keras框架下实现网络模型的搭建。该模型将时间步长、批处理量、迭代次数和隐藏层神经元个数等设置为LSTM模型超参数。初始化粒子群算法参数：种群规模N、空间维数D、迭代次数n、粒子的初始位置p和初始速度v。初始化LSTM算法超参数：隐藏层为2层，第一层隐含层的初始神经元数

(2)确定粒子群的评价函数；

将带有LSTM模型参数的种群个体X

式中P，Q分别表示训练样本和验证样本的个数，y

(3)计算粒子的适应度值，确定全局最优粒子位置p

(4)更新粒子的速度与位置，判断粒子是否满足迭代终止的条件，若满足终止条件，返回最优超参数取值，将最优参数赋予LSTM并进行训练，输出故障分类预测值；否则，返回步骤(3)。

本实施例采用RP-1043冷水机组标准数据集作为离心式冷水机组故障诊断模型的训练数据，该数据集共有64个特征量，通过一种结合ReliefF和自适应遗传算法(AGA)方法的混合特征选择算法选取6个最具代表性和相关性的特征量，包括压缩机功率(kW)、冷凝器出水温度(TCO)、蒸发器进水温度(TEI)、冷凝器进水温度(TCI)、蒸发器侧温差(TEA)、蒸发器盘管提供的冷却量(Evap Tons)。

由于LSTM模型对数据尺度的敏感度较高，且原始数据在数量级上存在较大差异，为了避免出现较大数值的变化会覆盖较小数值的变化的情况，需要把输入数据约束在相似的数量级上，避免因个别输入数值较大而影响负荷预测的效果。因此，对数据进行归一化，具体计算公式如下：

其中，X、X

本实施例选取冷水机组5种典型故障(冷凝器水流量减少、蒸发器水流量减少、制冷剂泄漏、冷凝器结垢、制冷剂中的不凝物)数据和一份正常数据组成算法学习数据集，分别以0-5标签表示，而one-hot编码是分类变量作为二进制向量的表示，即对于第几类故障则在对应的位置上为1，其余的位置上为0，具体如表1所示。我们将选取的数据集划分为三部分，比例为6:2:2，分别是训练集、验证集、测试集；其中训练集用于故障诊断模型训练，是用于模型拟合的数据样本，验证集是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估，测试集用来评估最终模型的泛化能力以及准确率等。

表1故障类型及one-hot编码

在对LSTM网络故障诊断模型的超参数进行PSO寻优的过程中，通过粒子群的评价函数计算粒子的适应度值，从而确定全局最优粒子位置和局部最优粒子位置，继续更新粒子的速度与位置，直至满足终止条件，返回最优超参数取值，将最优参数赋予LSTM并进行训练，输出故障分类预测值。

PSO优化LSTM网络故障诊断模型逐层训练LSTM，将上一层LSTM网络的隐藏层的神经元的输出相对应送入下一层，进行计算，并将输出序列的最终结果送入softmax分类器作为输出层，输出的预测故障标签与实际标签进行对比，通过损失函数计算不断优化模型，最后通过实验对比选出最优参数并进行交叉验证，实现LSTM模型的搭建。在模型训练过程中，首先使用随机值对包含可能解的种群空间进行初始化，然后PSO根据适应度值不断判断个体是否符合优化准则，从而不断更新LSTM网络模型的超参数，即找到适应度最高的个体以得到一定网络结构下最优的超参数值，最终实现LSTM神经网络的优化，完成模型训练。

实施例二

本实施例提供了一种冷水机组故障诊断系统，其具体包括如下模块：

特征提取模块，其用于获取冷水机组运行状态数据，提取冷水机组的特征量；

故障识别模块，其用于将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

此处需要说明的是，本实施例的冷水机组故障诊断系统中的各个模块，与实施例一中的冷水机组故障诊断方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的冷水机组故障诊断方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的冷水机组故障诊断方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。