基于边缘计算和神经网络的换热机组故障诊断方法及系统技术方案

本发明专利技术公开了一种基于边缘计算和神经网络的换热机组故障诊断方法，包括：实时采集换热机组设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；边缘计算节点针对振动数据采用滑动窗口策略和提取相应的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量；针对压力数据、温度数据和流量数据进行主成分分析，若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为主元特征，形成泄漏和堵塞故障诊断特征向量；根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至故障诊断模型进行诊断，生成诊断结果。生成诊断结果。生成诊断结果。

【技术实现步骤摘要】
基于边缘计算和神经网络的换热机组故障诊断方法及系统


[0001]本专利技术属于智慧供热故障诊断
，具体涉及一种基于边缘计算和神经网络的换热机组故障诊断方法及系统。

技术介绍

[0002]集中供热由于热源量大、热效率高、单位燃料消耗少、节约劳动力和占用面积小，因此，在城市供热中，普遍以集中供热为主。所谓集中供热，就是由热源——换热站——用户三部分组成，利用一定的管道向住户的住宅内以各种方式输送热量的一个循环过程。换热站是集中供热系统的重要组成部分，换热站是系统供热网路和供热用户连接的场所，是热源和热源所送达目的地的中间环节。所以换热站的设备在集中供热中起着举足轻重的作用。换热站里面核心设备是换热机组，换热机组由二次侧和一次侧循环系统构成。二次侧循环系统由循环水泵、补水泵、管道和阀门等组成，与用户构成一个环路；一次侧循环系统由热侧管道、阀门等组成，与热源构成一个环路。两个循环系统通过换热器进行热量交换，将一次侧循环系统的热量传递到二次侧，进而把热量送给用户。
[0003]换热机组中的设备在长期运行后，由于磨损、变形、松动、材料疲劳等原因，发生故障的概率大为增加，严重时会给人们生活带来重大影响和损失，对于换热机组进行定期的故障诊断，可以有效降低设备的运行维护成本，保证设备的安全稳定运行；目前，针对换热机组故障的诊断由于数据量较大、数据类型不一、采样频率高，因此不易完成实时计算和智能诊断分析。
[0004]云计算是近年来快速发展的新型计算模式，它是一种将可伸缩、弹性、共享的物理和虚拟资源池以按需自服务的方式供应和管理，并提供网络访问的模式。但是由数据量急增带来的网络传输拥堵和计算复杂度增强等问题，使得数据在传输过程中时延不断增大，另外换热机组设备、施工常处于偏远的位置和恶劣的环境中，存在带宽和网络连接方面的问题。
[0005]基于上述技术问题，需要设计一种新的基于边缘计算和卷积神经网络的换热机组故障诊断方法及系统。

技术实现思路

[0006]本专利技术的目的是提供一种基于边缘计算和神经网络的换热机组故障诊断方法及系统。
[0007]为了解决上述技术问题，本专利技术提供了一种基于边缘计算和神经网络的换热机组故障诊断方法，包括如下步骤：
[0008]步骤S1，在换热机组设备上部署不同类型的传感器，实时采集设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障，所述换热机组设备包括循环泵、换热器、过滤器和管路；
[0009]步骤S2，所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；
[0010]步骤S3，根据故障诊断特征向量构建基于卷积神经网络的故障诊断模型；
[0011]步骤S4，对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。
[0012]进一步，所述步骤S1中，所述振动数据通过在循环泵采集获得，所述压力数据通过在一次侧供回水、二次侧换热器和循环泵的进出口采集获得；所述温度数据通过在一次侧和二次侧的供回水的进出口采集获得；所述流量数据通过在一次侧供回水、二次侧供回水和循环泵的进出口采集获得。
[0013]进一步，在所述步骤S2之前还包括：对所述样本数据集进行预处理，所述预处理的方法包括：数据清洗、数据集成和数据规约；
[0014]所述数据清洗选取删除法或插值法进行缺失值填补，选取回归法或小波去噪法或均值平滑法进行噪声去除；
[0015]所述数据集成是将数据通过一定的逻辑关系集成到数据集合中；
[0016]所述数据规约是剔除冗余的、无效的数据，将数据中有效的数据提取出来。
[0017]进一步，所述步骤S2中，所述滑动窗口策略具体包括：滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割；滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列；
[0018]所述步骤S2中，所述提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，具体包括：
[0019]提取子序列的时域特征，包括：加速度有效值、速度有效值、峰值因子、峭度因子、裕度因子和偏斜度；
[0020]提取子序列的频域特征，包括：采用绝对傅里叶变换将子序列转换成频域信号，然后提取频谱的质心、方差、偏度和峰度作为频域特征；
[0021]提取子序列的时频域特征，包括：小波包分解子序列后的信号能量谱中各频带的能量；
[0022]对每个子序列包含的换热机组中传感器采集的振动数据提取时域特征、频域特征和时频域特征，形成振动故障诊断特征向量。
[0023]进一步，所述步骤S2中，针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，具体包括：
[0024]对样本数据集中的压力数据、温度数据和流量数据进行标准化处理，得到由n个特征变量组成的数据矩阵；
[0025]计算数据矩阵的协方差得到协方差矩阵，再计算协方差矩阵的特征值和每个特征
值对应的特征向量；
[0026]将特征值从大到小排列，并将特征向量依照对应的特征值排序方式进行排列；
[0027]按照特征向量对应的方差贡献率选取累计贡献率为预设值的前m个主元作为特征提取后的主元特征；
[0028]对换热机组中传感器采集的压力数据、温度数据和流量数据提取主元特征，形成泄漏和堵塞故障诊断特征向量。
[0029]进一步，所述步骤S3中，所述卷积神经网络为输入层、相互交替的卷积层和池化层构成的中间隐藏层、全连接层与输出层逐层连接构成。
[0030]进一步，所述步骤S3中，所述根据所述故障诊断特征向量构建基于卷积神经网络的振动故障诊断模型，具体包括：
[0031]搭建卷积神经网络，将样本数据集中的训练集数据对应的故障诊断特征向量作为输入，训练基于卷积神经网络的振动故障诊断模型，选用交叉熵作为训练的损失函数，将诊断结果作为输出；所述诊断结果包括静止状态、正常运行状态和某一故障状态；
[0032]测试基于卷积神经网络的振动故障诊断模型，将样本数据集中的验证集对应的故障诊断特征向量输入已经训练好的卷积神经网络，得到预测的诊断结果，然后将预测的诊断结果与真实的诊断结果进行比对，若比对一致，则说明振动故障诊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算和神经网络的换热机组故障诊断方法，其特征在于，包括如下步骤：步骤S1，在换热机组设备上部署不同类型的传感器，通过传感器实时采集换热机组设备不同工况下的各项数据构成样本数据集，并传输至邻近部署的边缘计算节点；所述采集的数据至少包括振动数据、压力数据、温度数据和流量数据；所述工况至少包括换热机组设备的正常运行、振动、泄漏和堵塞故障；步骤S2，所述边缘计算节点针对样本数据集中的振动数据采用滑动窗口策略，将样本数据集沿时间维度划分为n个子序列，提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，n为预设值；针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量；步骤S3，所述边缘计算节点根据故障诊断特征向量构建基于神经网络的故障诊断模型；步骤S4，所述边缘计算节点对采集的换热机组的实时运行数据进行特征提取后，将故障诊断特征向量输入至所述故障诊断模型进行诊断，生成诊断结果。2.根据权利要求1所述的换热机组故障诊断方法，其特征在于，所述步骤S1中，所述振动数据通过在循环泵采集获得，所述压力数据通过在一次侧供回水、二次侧换热器和循环泵的进出口采集获得；所述温度数据通过在一次侧和二次侧的供回水的进出口采集获得；所述流量数据通过在一次侧供回水、二次侧供回水和循环泵的进出口采集获得。3.根据权利要求1所述的换热机组故障诊断方法，其特征在于，在所述步骤S2之前还包括：对所述样本数据集进行预处理，所述预处理的方法包括：数据清洗、数据集成和数据规约；所述数据清洗选取删除法或插值法进行缺失值填补，选取回归法或小波去噪法或均值平滑法进行噪声去除；所述数据集成是将数据通过一定的逻辑关系集成到数据集合中；所述数据规约是剔除冗余的、无效的数据，将数据中有效的数据提取出来。4.根据权利要求1所述的换热机组故障诊断方法，其特征在于，所述步骤S2中，所述滑动窗口策略具体包括：滑动窗口以预设的一不小于滑动窗口大小的值作为滑动步长对数据沿时间维度进行分割；滑动窗口数量预设为n,每个滑动窗口包含的数据即为一个子序列；所述步骤S2中，所述提取每个子序列的时域特征、频域特征和时频域特征，形成振动故障诊断特征向量，具体包括：提取子序列的时域特征，包括：加速度有效值、速度有效值、峰值因子、峭度因子、裕度因子和偏斜度；提取子序列的频域特征，包括：采用绝对傅里叶变换将子序列转换成频域信号，然后提取频谱的质心、方差、偏度和峰度作为频域特征；提取子序列的时频域特征，包括：小波包分解子序列后的信号能量谱中各频带的能量；对每个子序列包含的换热机组中传感器采集的振动数据提取时域特征、频域特征和时频域特征，形成振动故障诊断特征向量。
5.根据权利要求1所述的换热机组振动故障诊断方法，其特征在于，所述步骤S2中，针对样本数据集中的压力数据、温度数据和流量数据进行主成分分析，得到方差贡献率依次递减的若干个主成分特征，选择贡献率达到预设值的前m个主元特征作为泄漏和堵塞故障模式识别的主元特征，形成泄漏和堵塞故障诊断特征向量，具体包括：对样本数据集中的压力数据、温度数据和流量数据进行标准化处理，得...

【专利技术属性】
技术研发人员：时伟，穆佩红，谢金芳，
申请(专利权)人：常州英集动力科技有限公司，
类型：发明
国别省市：