[发明专利]一种基于1DCNN-DS的冷水机组故障诊断方法

说明书

本发明涉及一种基于1DCNN‑DS的冷水机组故障诊断方法，本发明针对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的缺点，选取了计算复杂度低的1DCNN网络来对数据进行分类有关潜在特征的提取，解决了其他传统神经网络冷水机组故障诊断方法需要大规模训练数据以达到效果的问题；针对RL、RO、EO三种系统级故障状态与正常状态运行参数相似而易错分，导致诊断模型整体准确率被拉低的问题，利用DS面对冲突证据情况时的谨慎推测能力进行解决，将DS以神经网络结构形式实现，并结合期望效用计算，嵌入1DCNN模型中代替具有softmax的全连接层进行决策，有效提高了这三类系统故障的诊断准确率，从而提升模型总体诊断准确率，实现了冷水机组故障的有效诊断。

技术领域

本发明涉及冷水机组故障诊断技术领域，具体涉及一种基于1DCNN-DS的冷水机组故障诊断方法。

背景技术

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。

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。

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。

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。

发明内容

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，本发明提出了一种基于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。

为实现上述目的，本发明方法具体包括以下步骤：

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(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；