解决热泵系统故障诊断中数据依赖问题的模型迁移方法技术方案

技术编号:26891306 阅读:28 留言:0更新日期:2020-12-29 16:09
解决热泵系统故障诊断中数据依赖问题的模型迁移方法,属于制冷空调系统运维技术领域。它包括以下步骤:步骤一、源域与目标域数据准备;步骤二、迁移模型准备及模型独立训练;步骤三、联合优化;步骤四、模型嫁接及自适应层微调;步骤五、分类器训练;步骤六、故障诊断精度验证。本发明专利技术通过采用一种模型迁移方法实现知识共享,利用实验环境获取的仿真数据进行机器学习,并将学习到的知识迁移到目标系统上,最终实现目标系统的故障诊断。整个学习过程不需要目标系统的任何标记数据,只需要少量无标记的运行数据,而无标记运行数据的获取通常十分方便,不会造成额外成本增加。

【技术实现步骤摘要】
解决热泵系统故障诊断中数据依赖问题的模型迁移方法
本专利技术属于制冷空调系统运维
,具体涉及解决热泵系统故障诊断中数据依赖问题的模型迁移方法。
技术介绍
伴随着世界科技与经济的高速发展,能源消耗量日益增长,资源匮乏与碳排放过度等问题逐渐突显。世界各国纷纷制定自己的节能策略,我国也将节能减排作为一项国家重大战略。热泵系统作为建筑能耗的重要组成部分,占社会总能耗20%以上,因此,热泵系统节能研究具有重要意义,是实现节能减排国家战略的重要组成。热泵系统长期运行会产生各类故障,导致大量额外能耗,是热泵节能的研究重点。随着人工智能、深度学习等技术的快速发展,大量基于数据驱动的热泵系统故障诊断技术出现,大幅提高了故障识别精度,成为了最主流的故障诊断方案。然而,数据驱动技术往往需要大量标记数据用于监督训练,这类数据在实际中极难获取且需消耗大量成本。因此,数据依赖问题已成为制约热泵系统智能诊断技术的瓶颈问题。
技术实现思路
针对现有技术中存在的上述问题,本专利技术的目的在于提供一种模型迁移方法实现知识共享,利用实验环境获取的仿真数据进本文档来自技高网...

【技术保护点】
1.解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于包括以下步骤:/n步骤一、源域与目标域数据准备:获取源域数据集及目标域数据集,用于深度迁移模型的训练,所述源域数据集需要故障标记,目标域数据集不需要故障标记;/n步骤二、迁移模型准备及模型独立训练:分别利用获取的源域数据集和目标域数据集对迁移模型进行无监督训练,所述迁移模型结构包括自适应输入层、表征器、自适应输出层;/n步骤三、联合优化:将步骤二中独立训练完毕的源域迁移模型和目标域迁移模型载入,进行联合训练,使得两模型的表征向量分布接近,实现特征域对齐;/n步骤四、模型嫁接及自适应层微调,包括以下步骤:/n401、模型嫁接:将目标...

【技术特征摘要】
1.解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于包括以下步骤:
步骤一、源域与目标域数据准备:获取源域数据集及目标域数据集,用于深度迁移模型的训练,所述源域数据集需要故障标记,目标域数据集不需要故障标记;
步骤二、迁移模型准备及模型独立训练:分别利用获取的源域数据集和目标域数据集对迁移模型进行无监督训练,所述迁移模型结构包括自适应输入层、表征器、自适应输出层;
步骤三、联合优化:将步骤二中独立训练完毕的源域迁移模型和目标域迁移模型载入,进行联合训练,使得两模型的表征向量分布接近,实现特征域对齐;
步骤四、模型嫁接及自适应层微调,包括以下步骤:
401、模型嫁接:将目标域迁移模型的自适应层嫁接到源域迁移模型的表征器上,实现跨域组合模型,并利用原始的源域迁移模型作为训练辅助模型;
402、自适应层微调:将源域自适应层和源域的表征器参数冻结,不做训练,利用目标域数据训练组合模型,微调目标域自适应层的输入输出层。
步骤五、分类器训练:载入源域自适应输入层以及源域表征器,利用带标记的源域数据训练分类器,使得分类器有能力在源域特征向量上诊断出各类故障;
步骤六、故障诊断精度验证:载入目标域自适应输入层及源域表征器组合成最终的迁移模型,将目标系统的运行数据输入该迁移模型,获得表征向量,将表征向量输入分类器,即可获得故障诊断结果。


2.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤一中,所述源域数据集及目标域数据集均使用(data/μ)/σ进行归一化处理。

【专利技术属性】
技术研发人员:孙哲沈希金华强顾江萍黄跃进胡健峰李康
申请(专利权)人:浙江工业大学
类型:发明
国别省市:浙江;33

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1