一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法技术

一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，属于暖通空调系统中冷水机组传感器故障诊断技术领域，使用构建的LSTM网络模型进行故障诊断，并对该模型是否可以用于冷水机组传感器故障诊断进行判断；本发明专利技术利用皮尔逊相关系数分析输入特征变量之间的相关性，优化LSTM网络的输入，从而克服目前基于专家规则和支持向量机存在的主要局限性。本发明专利技术提出的优化输入参数的方法减少了无关或弱相关变量的影响，进一步提高了故障诊断精度。并通过使用LSTM神经网络的方法，减少了对专家知识的依赖性。因此，本发明专利技术有效克服了目前基于专家规则和支持向量机存在的主要局限性。性。性。

【技术实现步骤摘要】
一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法


[0001]本专利技术属于暖通空调系统中冷水机组传感器故障诊断
，具体涉及一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法。

技术介绍

[0002]从上世纪80年代中期开始，故障检测与诊断技术(FDD
‑
Fault detection and diagnosis)开始应用于暖通空调领域(Heating，Ventilation and Air
‑
conditioning，HVAC)。随着技术发展，其设备结构越来越复杂，研究表明，由于暖通空调系统发生故障导致的能耗增加高达30％，而冷水机组作为暖通空调系统的主要设备之一，由传感器导致的冷水机组故障高达40
‑
60％，针对冷水机组传感器进行快速且准确的故障诊断是维护暖通空调系统正常运行与节约能耗的重要支撑。
[0003]目前针对冷水机组的故障诊断方法主要包括基于规则和支持向量机的方法等。基于规则的方法需要大量先验数据与专家知识，但在实际工程应用中难以实现；而基于支持向量机的方法，在输入的特征变量之间存在复杂相关性时的故障诊断效率较低，无法满足工程需要。

技术实现思路

[0004]为了解决起下管作业过程中管柱安装效率较低的问题，本专利技术提出：一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，包括如下步骤：
[0005]S1、获取冷水机组的8个传感器数据，包括无故障数据和故障数据；
[0006]S2、对获得的数据集进行筛选，剔除掉由于冷水机组瞬间启动造成的噪声干扰；
[0007]S3、根据经过筛选后的数据集，通过皮尔逊相关系数分析各个传感器数据之间的相关性；
[0008]S4、根据计算得到的皮尔逊相关系数，确定被研究对象与其他传感器数据之间的相关性，从而优化LSTM网络的输入参数；
[0009]S5、构建LSTM网络模型；
[0010]S6、根据各个传感器的特性确定对应的故障阈值区间；
[0011]S7、使用构建的LSTM网络模型进行故障诊断，并对该模型是否可以用于冷水机组传感器故障诊断进行判断；当优化输入特征参数的基于LSTM的冷水机组传感器故障诊断方法针对8个主要传感器的平均故障检测率高于90％时，且平均虚警率小于5％时，则本方法应用于冷水机组传感器故障诊断中。
[0012]本专利技术的有益效果为：本专利技术提出了一种优化输入特征参数的基于LSTM的冷水机组传感器故障诊断方法，该方法在冷水机组传感器故障诊断应用中，利用皮尔逊相关系数分析输入特征变量之间的相关性，优化LSTM网络的输入，从而克服目前基于专家规则和支持向量机存在的主要局限性。本专利技术提出的优化输入参数的方法减少了无关或弱相关变量
的影响，进一步提高了故障诊断精度。并通过使用LSTM神经网络的方法，减少了对专家知识的依赖性。因此，本专利技术有效克服了目前基于专家规则和支持向量机存在的主要局限性。
附图说明
[0013]图1为本专利技术的流程图；
[0014]图2为本专利技术的皮尔逊相关系数分析结果图；
[0015]图3为本专利技术冷凝器出水温度传感器TCO的故障诊断结果图；
[0016]图4为本专利技术冷凝器进水温度传感器TCI的故障诊断结果图；
[0017]图5为本专利技术冷凝器水流量传感器FWC的故障诊断结果图；
[0018]图6为本专利技术冷凝器压力传感器PRC的故障诊断结果图；
[0019]图7为本专利技术蒸发器出水温度传感器TEO的故障诊断结果图；
[0020]图8为本专利技术蒸发器进水温度传感器TEI的故障诊断结果图；
[0021]图9为本专利技术蒸发器水流量传感器FWE的故障诊断结果图；
[0022]图10为本专利技术蒸发器压力传感器PRE的故障诊断结果图。
具体实施方式
[0023]一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，如图1所示，包括如下步骤：
[0024]S1、获取冷水机组的8个主要传感器数据，包括无故障数据和故障数据；
[0025]S2、对获得的数据集进行筛选，剔除掉由于冷水机组瞬间启动造成的噪声干扰；
[0026]S3、根据经过筛选后的数据集，通过皮尔逊相关系数分析各个传感器数据之间的相关性；
[0027]S4、根据计算得到的皮尔逊相关系数，确定被研究对象与其他传感器数据之间的相关性，从而优化LSTM网络的输入参数；
[0028]S5、构建LSTM网络模型；
[0029]S6、根据各个传感器的特性确定对应的故障阈值区间；
[0030]S7、使用构建的LSTM网络模型进行故障诊断，并对该模型是否可以用于冷水机组传感器故障诊断进行判断；当优化输入特征参数的基于LSTM的冷水机组传感器故障诊断方法针对8个主要传感器的平均故障检测率高于90％时，且平均虚警率小于5％时，则本方法可应用于冷水机组传感器故障诊断中。
[0031]步骤S1中的数据来源为RP
‑
1043数据集，在RP
‑
1043实验项目中，每隔10秒测量一次数据，记录48个变量，并在这48个变量的基础上计算16个间接变量。选择具有显著特征的变量对于冷风机传感器的故障诊断至关重要。更多的特征可能会导致冗余或噪音增加，而更少的特征可能会减少训练和测试的计算时间。为了节省时间成本和保证诊断性能，从原来的64个变量中选择了8个变量进行样本构建，变量的详细描述见表1：
[0032]表格1
[0033][0034]步骤3中皮尔逊相关系数分析结果如图2所示；
[0035]由此确定网络输入输出参数如下表：
[0036]表格2
[0037][0038][0039]步骤S5中的LSTM模型构建如下：
[0040]LSTM的核心是单元状态和"门"结构，包括遗忘门、输入门和输出门。其中，遗忘门可以决定前一个单元状态的信息是被遗忘还是保留作为下一个单元状态的输入；输入门用于更新单元状态；输出门决定下一个单元状态的信息。长时间序列的相关信息传递就是通过这样的网络结构实现的。LSTM单元中的每个门和状态更新过程的公式如下：
[0041]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0042]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0043][0044][0045]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)...

【技术保护点】

【技术特征摘要】
1.一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，包括如下步骤：S1、获取冷水机组的8个传感器数据，包括无故障数据和故障数据；S2、对获得的数据集进行筛选，剔除掉由于冷水机组瞬间启动造成的噪声干扰；S3、根据经过筛选后的数据集，通过皮尔逊相关系数分析各个传感器数据之间的相关性；S4、根据计算得到的皮尔逊相关系数，确定被研究对象与其他传感器数据之间的相关性，从而优化LSTM网络的输入参数；S5、构建LSTM网络模型；S6、根据各个传感器的特性确定对应的故障阈值区间；S7、使用构建的LSTM网络模型进行故障诊断，并对该模型是否可以用于冷水机组传感器故障诊断进行判断；当优化输入特征参数的基于LSTM的冷水机组传感器故障诊断方法针对8个主要传感器的平均故障检测率高于90％时，且平均虚警率小于5％时，则本方法应用于冷水机组传感器故障诊断中。2.如权利要求1所述的基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，所述步骤S4中，优化LSTM网络的输入参数的具体方法如下：皮尔逊相关系数的数学表达式如下：其中y
i
是检测数据，是y
i
的平均值，y
o
是神经网络的输出，是y
o
的平均值；每个传感器参数进行归一化以获得分布在[0,1]范围内的数据，归一化过程由以下公式给出：其中y
n
代表归一化的数据，y
max
和y
min
代表数据系列中的最大值和最小值。3.如权利要求1所述的基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，所述步骤S5中，LSTM模型构建如下：LSTM的核心是单元状态和“门”结构，包括遗忘门、输入门和输出门，遗忘门决定前一个单元状态的信息是被遗忘还是保留作为下一个单元状态的输入；输入门用于更新单元状态；输出门决定下一个单元状态的信息，长时间序列的相关信息传递是通过这样的网络结构实现的，LSTM单元中的每个门和状态更新过程的公式如下：f<...

【专利技术属性】
技术研发人员：刘飞宇，汪语哲，曹钢，段晓东，唐宇龙，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：