一种基于深度强化学习的压缩机故障诊断方法技术

本发明专利技术公开了一种基于深度强化学习的压缩机故障诊断方法，属于压缩机故障诊断领域，包括：采集压缩机的实时运行数据，输入至已训练好的特征提取模型以提取特征；特征提取模型用于以无监督的方式提取输入数据的特征，特征用于表征在对应的运行数据下，压缩机处于各故障类型的概率；将实时运行数据的特征输入至已训练好的故障诊断模型以预测故障类型；故障诊断模型为深度强化学习模型，用于以特征为状态，预测在该状态下最大奖励值对应的动作，并将对应的故障类型作为故障诊断结果；深度强化学习模型的一个动作用于预测压缩机在给定状态处于某一种故障状态。本发明专利技术能够减少对专家经验和先验知识的依赖，提高压缩机故障诊断结果的精度和稳定性。果的精度和稳定性。果的精度和稳定性。

【技术实现步骤摘要】
一种基于深度强化学习的压缩机故障诊断方法


[0001]本专利技术属于压缩机故障诊断领域，更具体地，涉及一种基于深度强化学习的压缩机故障诊断方法。

技术介绍

[0002]压缩机是中央空调系统的中至关重要的部件。为了应对不同工况下的工作需求，压缩机会采取不同的工作模式运行，并由系统配置的多个的温度、压力传感器监控工作状态。因此，压缩机具有复杂的运行工况，并在运行中产生了大量的运行数据。压缩机故障的发生，不仅会导致冷水机组无法正常工作，令用户的舒适性要求得不到满足，还会严重影响空调系统整体的效率，从而造成严重的能源浪费并缩减空调系统的使用寿命。因此，通过各种检测和诊断手段，及时发现和处理各类压缩机故障，可以避免无谓的停机、检修及能源浪费。针对空调系统中的压缩机的故障进行智能识别，可以达到检测、故障诊断及故障动态预测的目的。
[0003]目前，已有一定针对压缩机故障方面的研究，并取得了一定研究成果。数据驱动方面，在压缩机故障诊断中常常采用ANN、SVM、聚类等方法进行故障模式分类，然而这种方法需要一定的先验知识，尤其集中在特征选取和模型参数选取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度强化学习的压缩机故障诊断方法，其特征在于，包括：采集压缩机的实时运行数据，输入至已训练好的特征提取模型，以提取所述实时运行数据的特征；所述特征提取模型用于以无监督的方式提取输入数据的特征，所述特征用于表征在对应的运行数据下，所述压缩机处于各故障类型的概率；将所述实时运行数据的特征输入至已训练好的故障诊断模型，以由所述故障诊断模型输出所述压缩机所处的故障类型；所述故障诊断模型为深度强化学习模型，用于以输入的特征为状态，预测在该状态下能够得到最大奖励值时所采取的动作，并获得与该动作相对应的故障类型作为所述压缩机的故障诊断结果；在给定状态下，所述深度强化学习模型的一个动作用于预测所述压缩机在所述给定状态处于某一种故障状态。2.如权利要求1所述的基于深度强化学习的压缩机故障诊断方法，其特征在于，所述特征提取模型为自编码器模型中的编码器。3.如权利要求2所述的基于深度强化学习的压缩机故障诊断方法，其特征在于，所述特征提取模型的训练方法包括：建立自编码器模型，其中的编码器用于提取输入数据的特征，解码器用于根据编码器提取的特征重构数据；获取所述压缩机在不同故障状态下的历史运行数据，并输入所建立的自编码器模型以对所述自编码器模型进行训练，在训练过程中，不断调整所述自编码器模型的参数以使重构误差最小；在所述自编码器训练结束后，将其中的编码器作为所述特征提取模块。4.如权利要求3所述的基于深度强化学习的压缩机故障诊断方法，其特征在于，所述故障诊断模型的训练方法包括如下步骤：(S1)建立深度强化学习模型，并初始化Q表，并利用所述特征提取模块提取所述历史运行数据的特征作为训练数据集；所述Q表的行与状态对应，所述Q表的列与动作对应，每个单元格的值是给定状态和动作下奖励总和期望的最大值；(S2)采用ε
‑
greedy策略在当前状态s
t
选择一个动作a
t
，以由环境反馈在状态s
t
下选择动作a
t
的奖励，根据奖励计算得分，并进入...

【专利技术属性】
技术研发人员：陈焕新，韩林志，钟寒露，吴俊峰，李正飞，申利梅，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：