一种冷水机组故障诊断方法及系统技术方案

本发明专利技术属于故障诊断领域，提供了一种冷水机组故障诊断方法及系统。其中，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。

【技术实现步骤摘要】
一种冷水机组故障诊断方法及系统
本专利技术属于故障诊断领域，尤其涉及一种冷水机组故障诊断方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
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，但专利技术人发现，LST本文档来自技高网...

【技术保护点】
1.一种冷水机组故障诊断方法，其特征在于，包括：/n获取冷水机组运行状态数据，提取冷水机组的特征量；/n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；/n其中，PSO优化LSTM网络故障诊断模型的构建为：/n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。/n

【技术特征摘要】
1.一种冷水机组故障诊断方法，其特征在于，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。


2.如权利要求1所述的冷水机组故障诊断方法，其特征在于，所述冷水机组的特征量包括压缩机功率、冷凝器出水温度、蒸发器进水温度、冷凝器进水温度、蒸发器侧温差和蒸发器盘管提供的冷却量。


3.如权利要求1所述的冷水机组故障诊断方法，其特征在于，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。


4.如权利要求3所述的冷水机组故障诊断方法，其特征在于，粒子群的评价函数为：



其中，fitnessi为种群个体Xi的适应度值，P，Q分别表示训练样本和验证样本的个数，yp、分别表示训练样本的真实值和预测值，yq、分别表示验证样本的真实值和预测值。


5.如权利要求1所述的冷水机组故障诊断方法，其特征在于，在PSO优化LSTM网络故障诊断模型的训练过程中，还包括：
对冷水机组数据集进行数据预处理，所述数据预处理包括特征量选取、数据归一化、标签one-hot编...

【专利技术属性】
技术研发人员：马昕，田崇翼，王有银，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东;37