一种基于半监督对比学习的制冷机组故障诊断方法技术

一种基于半监督对比学习的制冷机组故障诊断方法，方法包含三个部分，首先，设计制冷机组数据增强技术对原始数据进行数据增强，对数据进行成对约束组合，创建具有成对约束关系的有标签数据集合。然后，构建基于对比学习的样本对预测网络，利用具有成对约束关系的有标签数据集合训练模型，学习一对数据间的关联关系用于创建具有成对约束关系的全数据集。最后，构建基于记忆增强的半监督设备故障诊断网络，从具有成对约束关系的全数据集中抓取数据隐含的类别信息，同时引入记忆模块令半监督设备故障诊断网络提取的特征更具区别性。本发明专利技术提出的方法能够有效挖掘同一故障类型无标签数据的内在关联，提高制冷机组设备诊断的性能。提高制冷机组设备诊断的性能。提高制冷机组设备诊断的性能。

【技术实现步骤摘要】
一种基于半监督对比学习的制冷机组故障诊断方法


[0001]本专利技术属于制冷机组故障诊断与数据挖掘
，涉及一种基于半监督对比学习的制冷机组故障诊断方法。

技术介绍

[0002]暖通空调系统(HVAC)作为工商业的主要能耗设备，能够提供制冷、供暖、通风等服务。但是，随着工商业地区的迅速扩张，对于HVAC的系统也不断增长，随之而来是能源消耗也急剧增多。一旦系统发生故障，系统的工作效率将会降低，能耗以及二氧化碳等气体排放量都会增加。因此，许多研究开始关注设计有效设备故障诊断方法，及时发现设备故障减少能源消耗。在HVAC系统中，制冷机组是HVAC系统中最耗能且最复杂的子系统，相应地，面向制冷机组故障诊断的研究成为制冷设备故障诊断工作的主要方面之一。
[0003]传统的制冷机组故障诊断方法，利用人为设计的线性或者概率模型分析比较故障参数和正常运行参数的不同，如线性判别分析模型和贝叶斯模型，通过抓取两者之间的差异与一些现有的专家知识进行故障识别。这类方法需要大量的人工干预，模型的效果取决于现有的故障诊断知识的储备，并不适用于复杂系统的诊断。随着人工智能技术的发展，一些基于神经网络和SVM等非线性模型的设备诊断研究工作被提出。这些工作可以自动地进行故障诊断，如基于神经网络的设备诊断模型通过标签与模型预测之间的残差反馈自动调整模型参数，使得模型最终输出准确的诊断结果。
[0004]但是，当前基于深度学习的制冷机组诊断方法需要大量有标签的数据样本进行模型训练。然而，在实际应用中，故障数据是难以大规模采集的。现有的深度算法很难适用于实际的制冷机组故障诊断，因此，需要设计新的基于半监督学习的故障诊断方法，有效地探究分析同一故障类型无标签数据的内在关联。

技术实现思路

[0005]为解决上述问题，本专利技术提出一种基于半监督对比学习的制冷机组故障诊断方法，通过制冷机组故障数据增强方法创建具有成对约束关系的有标签数据集合；构建基于对比学习的样本对预测网络从具有成对约束关系的有标签数据集合学习相同故障类型中数据间的关联关系并对无标签数据对是否属于同一类别进行预测，创建具有成对约束关系的全数据集；构建基于记忆增强的半监督设备故障诊断网络从具有成对约束关系的全数据集中挖掘同一故障类型数据的内在关联，实现半监督学习下准确的制冷机组故障诊断。
[0006]该方法包含三个部分：制冷机组故障数据增强技术设计、基于对比学习的样本对预测网络构建和基于记忆增强的半监督设备故障诊断网络创建。先设计制冷机组故障数据增强技术对原始故障数据进行增强，解决机组故障数据量少的问题，创建为具有成对约束关系的有标签数据集接下来的半监督对比学习提供数据支撑；基于对比学习的样本对预测网络从具有成对约束关系的有标签数据中学习一对数据之间的关联关系，并对无标签数据对的关系进行预测；基于记忆增强的半监督设备故障诊断网络从利用样本对预测网络创建
的具有成对约束关系的全数据集中分析挖掘抓取同一故障类型数据的内在关联。
[0007]为了达到上述目的，本专利技术采用的技术方案为：
[0008]一种基于半监督对比学习的制冷机组故障诊断方法，包括以下步骤：
[0009]步骤1、设计制冷机组故障数据增强技术，先使用生成对抗网络生成故障数据，再利用变分自动编码器筛选低质量数据，基于筛选后的高质量数据创建具有成对约束关系的数据集合；
[0010]步骤2、构建基于对比学习的样本对预测网络，学习一对有标签数据间的关联关系并对数据集所有样本对是否属于同一类别进行预测，创建具有成对约束的全数据集；
[0011]步骤3、构建基于记忆增强的半监督设备故障诊断网络，从具有成对约束的全数据集中挖掘同一故障类型无标签数据的内在关联并利用记忆增强的方式增强学习到的特征表示的区别性。
[0012]本专利技术的有益效果为：本专利技术方法可以挖掘同一故障类型无标签数据的内在关联，实现半监督学习下准确的制冷机组故障诊断。该方法有效提取同一故障类型设备数据中隐藏的关联关系，提高半监督制冷机组设备诊断的性能。通过实验，验证了本专利技术在设备故障诊断任务中具有优异的性能。
附图说明
[0013]图1是基于半监督对比学习的制冷机组故障诊断方法框架图。
[0014]图2是基于半监督对比学习的制冷机组故障诊断方法的基本流程图。
具体实施方式
[0015]下面结合附图对本专利技术的实施方式做进一步说明。
[0016]如图1和图2所示，本专利技术的一种基于半监督对比学习的制冷机组故障诊断方法，包含三个部分，设计制冷机组故障数据增强技术、构建基于对比学习的样本对预测网络和构建基于记忆增强的半监督设备故障诊断网络。首先，设计制冷机组数据增强技术进行故障数据增强，构建生成对抗网络生成数据，再利用变分自动编码筛选低质量数据，接着对数据进行成对约束组合，创建具有成对约束关系的有标签数据集合。然后，构建基于对比学习的样本对预测网络，利用创建好具有成对约束关系的有标签数据集合训练样本对预测网络，学习一对有标签数据间的关联关系并对无标签数据对之间的关系进行预测并创建具有成对约束关系的全数据集。最后，构建基于记忆增强的半监督设备故障诊断网络从具有成对约束关系的全数据集中抓取数据隐含的类别信息，并引入记忆模块增强半监督设备故障诊断网络提取特征的区别性，最终实现对数据故障类型的准确预测。
[0017]各步骤具体实施如下：
[0018]步骤1、制冷机组故障数据增强；
[0019]考虑到现实情况中很难获取大规模有标签的制冷机组的故障数据，而只使用少量故障数据训练诊断模型容易导致模型过拟合的问题，需要对原始的制冷机组故障数据进行数据增强并进行成对约束组合，满足对比学习的要求使其能应用于基于对比学习的样本对预测网络训练。具体如下：
[0020]1.1故障数据生成
[0021]本专利技术构建生成对抗网络实现故障数据的生成，利用对抗学习保证合成数据尽可能和原始数据保持相似。对抗学习函数L
(G,D)
如公式(1)所示：
[0022][0023]其中，P表示数据分布，G表示生成器，D表示判别器。x～P
data
表示从真实数据中采样的样本，x～P
G
表示从生成数据中采样的样本。其中生成器用于从随机噪声生成数据，它的目标是让对抗损失最小，而判别器用于判断数据是否是真实的，希望对抗损失尽可能大。生成器和判别器在训练过程中进行对抗，在两者达到纳什均衡时生成对抗网络收敛。
[0024]在具体实现时，本专利技术采用条件WGAN为基础模型进行对抗学习。条件WGAN引入标签信息作为条件y，利用条件和随机噪声作为生成器输入进行数据生成，进一步提高数据生成质量。相应的对抗学习公式L
(G,D)
为：
[0025][0026]给定为生成器生成数据具体的生成对抗公式L
(G,D)
如公式(3)和(4)所示：
[0027][0028][0029]其中，表示生成器生成数据，表示生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督对比学习的制冷机组故障诊断方法，其特征在于，步骤如下：步骤1、制冷机组故障数据增强；对原始的制冷机组故障数据进行数据增强并进行成对约束组合，满足对比学习的要求使其能应用于基于对比学习的样本对预测网络训练；具体如下：1.1故障数据生成构建生成对抗网络实现故障数据的生成，利用对抗学习保证合成数据尽可能和原始数据保持相似；对抗学习函数L
(G,D)
如公式(1)所示：其中，P表示数据分布，G表示生成器，D表示判别器；x～P
data
表示从真实数据中采样的样本，x～P
G
表示从生成数据中采样的样本；生成器和判别器在训练过程中进行对抗，在两者达到纳什均衡时生成对抗网络收敛；1.2生成数据筛选为了确保生成数据质量，采用变分自动编码器对生成数据进一步筛选；变分自动编码器利用从生成数据随机采样的样本进行重构训练，在训练后变分自动编码器对所有数据进行重构解码，当重构损失高于设定的阈值则认为数据质量过低，不符合真实数据分布；训练变分自动编码器的目标函数L
(E,F)
为：其中，E和F分别表示编码器和解码器；q
F
(z|x)表示由解码器近似的后验分布；p
E
(z)表示隐变量z的先验分布；KL(q
F
(z|x)||p
E
(z))表示q
F
(z|x)后验分布和p
E
(z)先验分布之间的KL距离；1.3数据集改造为了满足基于对比学习的样本对预测网络训练，需要对数据集进行改造，构建具有成对约束特性的有标签数据集；成对约束以类别信息为指导，将两个同属一个类别的样本作为具有成对约束，不属同一类别的样本不具有成对约束；给定数据集带标签数据集根据成对约束关系重新表示为其中，其中，其中，(a,b)是数据集中任意一对样本；因为同属一个类或者属于不同类的这种二元关系是对称的，样本对满足以下性质在得到有标签的具有成对约束关系的数据集α后，相应地，无标签的具有成对约束关系的数据集β表示为β＝χ2\α；步骤2、构建基于对比学习的样本对预测网络；利用构建的有标签的具有成对约束关系的数据集进行基于对比学习的样本对预测网络训练，将一对样本作为输入，输出这对样本的相似性；在训练过程中确保样本的表示彼此接近，相应的对比损失如公式(8)所示：
其中，d(a,b)表示一对样本的特征表示之间的欧几里得距离，d(a,b)＝||h(a)
‑
h(b)||，h表示由多个全连接层拼接而成的编码网络；公式中用最大化操作符保证其值非负；由于基于对比学习的样本对预测网络的目标是产生一对样本的相似得分，而不是直接预测两个样本是否属于同一个类，进一步根据两个样本间距离值的大小对是否同属一个类进行预测；在实际预测无标签数据对时设计一个常量阈值T，当两个样本特征表示的距离小于阈值时，则认为这两个样本属于同一个类；因为对比损失只对有标签的具有成对约束关系的数据集有效，基于对比学习的样本对预测网络需要通过重构损失从无标签数据提取特征，使用编码网络h对输入的故障数据进行编码，将其映射到潜在空间中，再利用解码网络f对得到的潜在特征解码，实现数据的重构；通过构建这样的编码
‑
解码的框架保证编码网络h在预测分类的同时学习完整数据的内在特征，重构损失函数L(χ)的公式如下：基于对比学习的样本对预测网络的总体损失L
pair
公式如下：在训练完成后，使用基于对比学习的样本对预测网络为所有数据构建成对约束；其中，T表示控制一对样本同属于一类的常量阈值；步骤3、构建基于记忆增强的半监督设备故障诊断网络；利用基于对比学习的样本对预测网络对无标签数据进行成对约束预测后，设计基于记忆增强的故障诊断...

【专利技术属性】
技术研发人员：陈志奎，王峰，宋鑫，王恕清，钟芳明，李季，何江海，张广礼，
申请(专利权)人：大连冰山嘉德自动化有限公司，
类型：发明
国别省市：