[发明专利]一种基于神经网络和集成学习融合的工业空调故障诊断方法

说明书

本发明提出了一种基于神经网络和集成学习算法的工业空调故障诊断方法。该方法融合了多种机器学习算法，是具有高准确率的故障诊断模型。神经网络通过学习自动提取输出、输出数据间的“合理规则”，对工业空调实时接收的时序数据分析有重要的作用。因此设计了基于神经网络算法的异常检测模块。集成算法有明显的避免过拟合，提高泛化能力等的优点。因此设计了基于集成学习算法的故障诊断模块。将异常检测模型与故障诊断模型结合，并引入注意力机制，让检测到的异常辅助故障诊断形成比基础模型要更准确的增强模型。该发明能够针对工业空调数据进行准确的故障诊断。

技术领域

本发明涉及互联网领域、深度学习领域，具体涉及到一种基于神经网络和集成学习融合的工业空调故障诊断方法。

背景技术

一种基于神经网络和集成学习融合的工业空调故障诊断方法，基于神经网络技术和集成学习技术。LSTM这种神经网络算法实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。适合于求解内部机制复杂的问题。LightGBM这种集成学习算法有明显的避免过拟合，提高泛化能力等的优点。近年来最接近本发明的技术有：

(1)、基于XGBoost的集成学习算法模型故障预测:近几年王新刚等也提出了一种基于XGBoost算法特征提取的故障诊断方法。通过对XGBoost算法生成输入要素的重要性顺序，分别将提取的时域和时频域特征输入到支持向量机中，以观察故障诊断的准确性。但是该方法自身对时序处理相对较弱，使得该方法在长期数据中表现欠佳。

(2)、基于LSTM模型的异常监测：LSTM在异常监测中有广泛的应用，可以针对近期数据记忆以及过往阶段数据累积分析，做出效果较好的异常监测判断。但是单一的监测方法在故障诊断方面应用较弱。

近年来，随着人工智能技术的突飞猛进，工业场景与机器学习、大数据等智能技术的联系变得越来越紧密。让多算法模型融合，联合或联立形成综合模型，再共同作用于样本数据，经过复杂算法的叠加计算最终得到更加准确的判断效果。本方法采用基于长短期记忆神经网络方法和集成机器学习算法融合能准确的诊断故障类型。该方法通过准确地诊断，从而提高设备安全性和可靠性。

发明内容

为解决现有技术中的缺点和不足，提高工业空调在现实场景中的安全性和可靠性。本发明提出了一种基于神经网络和集成学习算法的工业空调故障诊断模型，通过采用长短期记忆神经网络方法，对实时接收的空调传感器数据进行异常情况监测，建立实时检测模型；通过采用集成学习算法，对传感器数据进行分析和故障诊断。结合异常信号对诊断结果进行干预以得到准确的诊断结果。

本发明的技术方案为：

1、一种基于神经网络和集成学习算法的工业空调故障诊断方法，其特征在于，针对实时接收的工业空调数据，经过数据预处理模块、异常检测模块训练与测试、故障诊断模块训练与测试来得到准确的故障诊断结果。包括以下步骤：

步骤(1)、对收集到的工业空调传感器数据做数据预处理，进行清洗、降噪等操作。并针对实时接收格式处理，形成时序序列。

步骤(2)、将经过步骤(1)中处理后的数据，采用LSTM算法进行训练，得到基于神经网络的异常检测模型模块。

步骤(3)、将经过步骤(1)中处理后的数据，采用lightGBM算法进行训练，得到基于集成算法的故障诊断模型模块。

步骤(4)、实时接收工业空调数据，按步骤(1)中的处理方法处理实时数据。输入到步骤(2)训练得到的异常检测模块中，输出异常检测信号。

步骤(5)、将异常检测信号进行分析，将分析结果输入到步骤(3)得到的故障诊断模型中，辅助做故障诊断。

步骤(6)、输出最终的故障诊断结果。

本发明的有益效果：