一种基于1DCNN-DS的冷水机组故障诊断方法技术

本发明专利技术涉及一种基于1DCNN

A fault diagnosis method of water chiller based on 1dcnn-ds

【技术实现步骤摘要】
一种基于1DCNN
‑
DS的冷水机组故障诊断方法


[0001]本专利技术涉及冷水机组故障诊断
，具体涉及一种基于1DCNN
‑
DS的冷水机组故障诊断方法。

技术介绍

[0002]商业和住宅建筑占全球总能源使用量的40％以上，主要通过供暖、通风和空调 (HVAC)系统消耗能源。而随着暖通空调(HVAC)技术的发展，HVAC设备的系统结构愈发复杂，这给HVAC系统运行监测和故障诊断工作带来了挑战。冷水机组在建筑暖通空调系统能耗中占有相当大的比重，相关研究表明，及时地排除冷水机组故障可以有效降低20％～50％的能源消耗，既有利于建筑节能，又有利于节约运行成本。
[0003]近年来，在故障诊断领域，对基于神经网络的智能故障诊断算法研究与应用越来越广泛。现有技术采用BPNN结合混合粒子群优化算法应用于模拟电路故障诊断；池永为等采用LSTM
‑
RNN完成滚动轴承故障诊断；Olivier将CNN应用于旋转机械故障检测。
[0004]上述智能故障诊断算法通常采用深度的多隐层结构建立自适应模型，实现数据特征的逐层转换，这类结构会导致模型计算因子数量呈指数级增长，计算复杂度大大增加，在训练样本数量有限时，其泛化能力会变得很差。针对这一问题，现有技术提出自适应1DCNN，直接对患者的心电图(EGG)信号进行操作，在大大减少计算因子的同时，获得了良好诊断性能。在较短的时期内，1DCNN被更多学者广泛应用于故障诊断与检测领域，如大功率发动机故障检测、轴承损伤检测等。<br/>[0005]在冷水机组故障诊断应用领域内,由于冷水机组的故障状态数据获取成本高，不能提供大量训练数据，因此1DCNN相比于其他深度学习算法更适用。但同时冷水机组运行工况多变，在发生故障的早期，正常状态和故障状态下部分状态参数存在高度耦合的情况，1DCNN对其的诊断精度有限。而DS理论(Dempster
‑
Shafer，证据理论)是一种对不确定性进行推理和决策的成熟的方法，其与神经网络的结合被证明适用于缺乏证据(当没有任何特征提供鉴别信息时)和冲突证据(当不同的特征支持不同的类别时)的情况。因此，采用DS理论对1DCNN诊断模型进行改进，将1DCNN网络架构与DS理论结合，建立1DCNN
‑
DS诊断模型。

技术实现思路

[0006]为了提高冷水机组故障诊断的准确率，解决现有技术存在的诊断效果较差的问题，本专利技术提出了一种基于1DCNN
‑
DS模型的冷水机组故障诊断方法，利用1DCNN 和DS理论，实现冷水机组故障的精确预测和诊断。
[0007]为实现上述目的，本专利技术方法具体包括以下步骤：
[0008]步骤一、采集冷水机组正常运行和不同故障时的状态数据集，构成样本集w；
[0009]步骤二、将样本集按比例划分为训练样本w
train
和测试样本w
test
；
[0010]步骤三、训练1DCNN
‑
DS模型：具体如下：
[0011]步骤1、通过一维神经网络模块(包含两个一维卷积层、一个最大池化层、两个一维
卷积层、一个最大池化层和一个Flatten层)进行分类相关特征提取，通过 DS模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集 w
train
输入至1DCNN
‑
DS模型中；
[0012]步骤2、在一维神经网络模块中对w
train
进行一维卷积与最大池化操作，由flatten 层输出数据的特征向量X；
[0013]步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝ {w1，...，w
M
}为冷水机组状态类别集合，M为整数代表状态种类，w表示该种类状态的集合；则该模块在集合Ω中量化类别不确定性得出质量函数m的计算过程具体如下：
[0014]首先，定义{p1，p2，...p
i
，p
n
}为n个径向基(RBF)函数单元的输入层和隐藏层之间的连接权重向量(原型向量)，s
i
为特征向量x与每个原型p
i
之间基于距离的支持度：s
i
＝α
i
exp(
‑
(η
i
d
i
)2)；i＝1，
…
，n，α∈(0，1)，d
i
＝||x
‑
p
i
||为x与原型p
i
之间的欧氏距离，η
i
为与原型p
i
相关的参数。
[0015]然后，计算与原型p
i
相关的质量函数m
i
，m
i
(Ω)＝1
‑
s
i
；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于m
i
分配的信念质量；式中为原型p
i
对类w
j
的隶属度，且
[0016]然后，计算与原型p
i
相关的质量函数m
i
：
[0017]m
i
(Ω)＝1
‑
s
i
；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于m
i
分配的信念质量。其中为原型p
i
对类w
j
的隶属度，且
[0018]最后，将得到的n个质量函数m
i
根据邓普斯特(Dempster)规则进行聚合，组合质量函数μ
i
({wj})＝μ
i
‑1({w
j
})m
i
({w
j
})+μ
i
‑1({w
j
})m
i
(Ω)+μ
i
‑1(Ω)m
i
({w
j
})；
[0019]式中：μ1＝m1，μ
i
＝μ
i
‑1∩m
i
且i＝2，...，n；当i＝2，...，n且j＝1，...，M时：μ
i
(Ω)＝μ
i
‑1(Ω)m
i
(Ω)；
[0020]最终，由DS模块的输出的组合质量函数向量：
[0021]m＝(m
i
({w1})，...m
i
；(w
M
)，m
i
(Ω))
T
；其中m({w
j
})代表该特征属于状态类别w
j...

【技术保护点】

【技术特征摘要】
1.一种基于1DCNN
‑
DS模型的冷水机组故障诊断方法，其特征在于：具体包括如下步骤：步骤一、采集冷水机组正常运行和不同故障时的状态数据集，构成样本集w；步骤二、将样本集按比例划分为训练样本w
train
和测试样本w
test
；步骤三、训练1DCNN
‑
DS模型：具体如下：步骤1、通过一维神经网络模块进行分类相关特征提取，通过DS模块与期望效用模块量化选择类别时的不确定性并做出决策，将训练样本集w
train
输入至1DCNN
‑
DS模型中；步骤2、在一维神经网络模块中对w
train
进行一维卷积与最大池化操作，由flatten层输出数据的特征向量X；步骤3、将特征向量X输入DS模块中，该模块由神经网络层实现，定义Ω＝{w1，...，w
M
}为冷水机组状态类别集合，M为整数代表状态种类，w表示该种类状态的集合；则该模块在集合Ω中量化类别不确定性得出质量函数m的计算过程具体如下：首先，定义{p1，p2，...p
i
，p
n
}为n个径向基函数单元的输入层和隐藏层之间的原型向量，s
i
为特征向量x与每个原型p
i
之间基于距离的支持度：s
i
＝α
i
exp(
‑
(η
i
d
i
)2)；i＝1，...，n，α∈(0，1)，d
i
＝||x
‑
p
i
||为x与原型p
i
之间的欧氏距离，η
i
为与原型p
i
相关的参数；然后，计算与原型p
i
相关的质量函数m
i
，m
i
(Ω)＝1
‑
s
i
；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于m
i
分配的信念质量；式中为原型p
i
对类w
j
的隶属度，且然后，计算与原型p
i
相关的质量函数m
i
：m
i
(Ω)＝1
‑
s
i
；可视作DS模块第二隐藏层的激活，该层由n个模块组成，每个模块包含M+1个径向基函数单元，模块i的结果对应于m
i
分配的信...

【专利技术属性】
技术研发人员：丁晓雯，丁强，顾君垚，李聪，孙雨，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：