一种用于故障诊断的新型多层投票网络分类器构建方法技术

本发明专利技术涉及一种用于故障诊断的新型多层投票网络分类器构建方法，基于空调机组中各待分析对象分别所对应的各个约束等式，以各待分析对象作为各目标节点，各约束等式中等号两侧间差值的绝对值作为各故障特征，构建故障特征层、故障节点投票层、故障节点分析层、softmax层，并应用历史数据进行训练，获得用于故障诊断的新型多层投票网络分类器，能够对于空调机组待分析对象实现精确诊断，相较于传统的神经网络结构简单，设计模型复杂度要小很多，训练速度比较快，并且整体参数有限，不需要花很多时间选择合适的超参数，此外，设计分类器基于投票原理搭建的，因此其具有物理意义，相较于不包含物理意义的神经网络，本网络的鲁棒性更强。强。强。

【技术实现步骤摘要】
一种用于故障诊断的新型多层投票网络分类器构建方法


[0001]本专利技术涉及一种用于故障诊断的新型多层投票网络分类器构建方法，属于空调机组故障诊断


技术介绍

[0002]暖通空调系统在建筑物总能耗中的能耗占比最高，约为50
‑
60％。在暖通空调中大约42％的制冷能耗、以及26％的维修费用是设备故障造成。据估计，暖通空调故障诊断可以减少10
‑
40％的能源消耗。空调机组是暖通空调系统中重要的子系统，主要用于通过换热以及送风满足室内人员的舒适度需求。空调机组中的传感器可能出现偏差、零漂、大噪声等故障。这些故障导致无法准确了解设备当前的状态，导致错误的控制，引起能源浪费以及无法满足室内人员的舒适度需求。因此，对于空调机组的传感器的故障诊断很重要。由于空调机组中安装了大量传感器，对于故障的精确定位比较困难。在过去的数十年中，对于空调机组传感器的故障诊断研究一般是分布式的，需要求解大量的优化问题，而求解大量的优化问题非常耗时，无法满足故障诊断的实时性需求。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种用于故障诊断的新型多层投票网络分类器构建方法，能够有效提高空调机组故障判断的准确性。
[0004]本专利技术为了解决上述技术问题采用以下技术方案：本专利技术设计了一种用于故障诊断的新型多层投票网络分类器构建方法，基于空调机组中各待分析对象分别所对应的各个约束等式，以各待分析对象作为各目标节点，各约束等式中等号两侧间差值的绝对值作为各故障特征，执行如下步骤A至步骤F：
[0005]步骤A.以各故障特征所对应各约束等式涉及空调机组中各变量的数据值为输入，基于各故障特征分别对应的投票值，以各故障特征分别对应各目标节点的投票值为输出，构建故障特征层，然后进入步骤B；
[0006]步骤B.以故障特征层所输出各故障特征分别对应各目标节点的投票值为输入，基于各目标节点间的投票操作，以各目标节点分别对各目标节点的投票值为输出，构建故障节点投票层，然后进入步骤C；
[0007]步骤C.以故障节点投票层所输出各目标节点分别对各目标节点的投票值为输入，以各目标节点分别接受投票操作下所对应的被投票值为输出，构建故障节点分析层，然后进入步骤D；
[0008]步骤D.以故障节点分析层所输出各目标节点分别接受投票操作下对应的被投票值为输入，以各目标节点分别对应被判定发生故障的概率为输出，构建softmax层，然后进入步骤E；
[0009]步骤E.基于故障特征层、故障节点投票层、故障节点分析层、softmax层自输入至输出方向的依次连接，以故障特征层的输入作为待训练网络的输入，结合根据softmax层所
输出各目标节点分别对应被判定发生故障的概率，判定最大概率所对应的目标节点为故障节点、以及其余各目标节点为非故障节点的结果作为待训练网络的输出，构建待训练网络，然后进入步骤F；
[0010]步骤F.基于预设各历史时间下各待分析对象分别对应故障与否的实际标签，以及该各历史时间下各待分析对象分别对应各约束等式涉及空调机组中各变量的数据采集值，以各变量的数据采集值为输入、各待分析对象分别对应故障与否实际标签为输出，针对待训练网络进行训练，获得用于故障诊断的新型多层投票网络分类器。
[0011]作为本专利技术的一种优选技术方案：所述步骤A包括如下步骤A1至步骤A2；
[0012]步骤A1.以各故障特征所对应各约束等式涉及空调机组中各变量的数据值v1、L、v
M
为输入，基于各故障特征|r
k
|，结合正常状态下各故障特征分别对应的控制上限|r
k
|
ub
，按如下公式：
[0013][0014]构建各故障特征分别对应投票值s
k
(|r
k
|)的获得，其中，M表示各故障特征所涉及空调机组中变量的数量，k＝1、...、K，K表示故障特征的数量，|r
k
|表示第k个故障特征，|r
k
|
ub
表示第k个故障特征对应的控制上限，s
k
(|r
k
|)表示第k个故障特征所对应的投票值，然后进入步骤A2；
[0015]步骤A2.按如下公式：
[0016]out
ki,1
＝w
ki,1
×
s
k
(|r
k
|)
[0017]构建各故障特征分别对应各目标节点的投票值out
ki,1
的获得，进而以s
k
(|r
k
|)、out
ki,1
的依次获得，构建故障特征层；其中，i＝1、...、N，N表示目标节点的数量，out
ki,1
表示第k个故障特征对应第i个目标节点的投票值，w
ki,1
表示第k个故障特征向第i个目标节点的投票的权值参数。
[0018]作为本专利技术的一种优选技术方案：所述步骤A1中分别针对正常状态下各故障特征，按如下步骤i至步骤ii，获得正常状态下各故障特征分别对应的控制上限|r
k
|
ub
；
[0019]步骤i.基于正常状态下第k个故障特征对应预设时长段T内各个数据按如下公式：
[0020][0021][0022]获得正常状态下第k个故障特征对应预设时长段T内各个数据的平均值μ
k
，以及获得正常状态下第k个故障特征对应预设时长段T内各个数据的标准差σ
k
，其中，表示正常状态下第k个故障特征对应预设时长段T内第t个时间的数据，然后进入步骤ii；
[0023]步骤ii.按如下公式：
[0024]|r
k
|
ub
＝μ
k
+3σ
k
[0025]获得正常状态下第k个故障特征对应的控制上限|r
k
|
ub
。
[0026]作为本专利技术的一种优选技术方案：所述步骤B包括如下步骤B1至步骤B2；
[0027]步骤B1.基于i＝1、...、N，j＝1、...、N，以及目标节点的数量N，根据故障特征层所输出各故障特征分别对应各目标节点的投票值out
ki,1
，分别针对各组中第i个目标节点对第j个目标节点的投票操作，按如下公式：
[0028][0029]构建与第i个目标节点、第j个目标节点均相关各故障特征分别所对应投票值out
ki,1
的平均值的获得，其中，I
ij
表示与第i个目标节点、第j个目标节点均相关各故障特征的集合，out
k'i,1
表示集合I
ij
中第k'个故障特征对应第i个目标节点的投票值，然后进入步骤B2；
[0030]步骤B2.分别针对各组中第i个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于故障诊断的新型多层投票网络分类器构建方法，其特征在于：基于空调机组中各待分析对象分别所对应的各个约束等式，以各待分析对象作为各目标节点，各约束等式中等号两侧间差值的绝对值作为各故障特征，执行如下步骤A至步骤F：步骤A.以各故障特征所对应各约束等式涉及空调机组中各变量的数据值为输入，基于各故障特征分别对应的投票值，以各故障特征分别对应各目标节点的投票值为输出，构建故障特征层，然后进入步骤B；步骤B.以故障特征层所输出各故障特征分别对应各目标节点的投票值为输入，基于各目标节点间的投票操作，以各目标节点分别对各目标节点的投票值为输出，构建故障节点投票层，然后进入步骤C；步骤C.以故障节点投票层所输出各目标节点分别对各目标节点的投票值为输入，以各目标节点分别接受投票操作下所对应的被投票值为输出，构建故障节点分析层，然后进入步骤D；步骤D.以故障节点分析层所输出各目标节点分别接受投票操作下对应的被投票值为输入，以各目标节点分别对应被判定发生故障的概率为输出，构建softmax层，然后进入步骤E；步骤E.基于故障特征层、故障节点投票层、故障节点分析层、softmax层自输入至输出方向的依次连接，以故障特征层的输入作为待训练网络的输入，结合根据softmax层所输出各目标节点分别对应被判定发生故障的概率，判定最大概率所对应的目标节点为故障节点、以及其余各目标节点为非故障节点的结果作为待训练网络的输出，构建待训练网络，然后进入步骤F；步骤F.基于预设各历史时间下各待分析对象分别对应故障与否的实际标签，以及该各历史时间下各待分析对象分别对应各约束等式涉及空调机组中各变量的数据采集值，以各变量的数据采集值为输入、各待分析对象分别对应故障与否实际标签为输出，针对待训练网络进行训练，获得用于故障诊断的新型多层投票网络分类器。2.根据权利要求1所述一种用于故障诊断的新型多层投票网络分类器构建方法，其特征在于：所述步骤A包括如下步骤A1至步骤A2；步骤A1.以各故障特征所对应各约束等式涉及空调机组中各变量的数据值v1、...、v
M
为输入，基于各故障特征|r
k
|，结合正常状态下各故障特征分别对应的控制上限|r
k
|
ub
，按如下公式：构建各故障特征分别对应投票值s
k
(|r
k
|)的获得，其中，M表示各故障特征所涉及空调机组中变量的数量，k＝1、...、K，K表示故障特征的数量，|r
k
|表示第k个故障特征，|r
k
|
ub
表示第k个故障特征对应的控制上限，s
k
(|r
k
|)表示第k个故障特征所对应的投票值，然后进入步骤A2；步骤A2.按如下公式：out
ki,1
＝w
ki,1
×
s
k
(|r
k
|)
构建各故障特征分别对应各目标节点的投票值out
ki,1
的获得，进而以s
k
(|r
k
|)、out
ki,1
的依次获得，构建故障特征层；其中，i＝1、...、N，N表示目标节点的数量，out
ki,1
表示第k个故障特征对应第i个目标节点的投票值，w
ki,1
表示第k个故障特征向第i个目标节点的投票的权值参数。3.根据权利要求2所述一种用于故障诊断的新型多层投票网络分类器构建方法，其特征在于：所述步骤A1中分别针对正常状态下各故障特征，按如下步骤i至步骤ii，获得正常状态下各故障特征分别对应的控制上限|r
k
|
ub
；步骤i.基于正常状态下第k个故障特征对应预设时长段T内各个数据按如下公式：式：获得正常状态下第k个故障特征对应预设时长段T内各个数据的平...

【专利技术属性】
技术研发人员：严颖，蔡骏，陈胜，陈亮，贾红云，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：