[发明专利]基于图神经网络的半监督的冷水机组故障诊断方法及系统

说明书

本发明公开了基于图神经网络的半监督的冷水机组故障诊断方法及系统，通过构建半监督的冷水主机故障诊断模型，获取包含带有标签的样本和未标记的样本构建运行数据集，确定运行数据集中各个样本的邻居样本，并构建各个样本与邻居样本之间的邻接矩阵，使用运行数据集及其邻接矩阵训练故障诊断模型，从而实现以较少带标记的样本训练得到高精度的故障诊断模型，显著减少冷水机组故障诊断模型对带标记的训练样本的依赖性，提高故障诊断模型在仅有少量带标记的训练样本下的诊断性能。此外，本发明在训练得到故障诊断模型后，采用蚁群优化算法优化故障诊断模型的邻居数量这一超参数，能进一步提高故障诊断模型的精度。

技术领域

本发明涉及中央空调冷水机组故障诊断技术领域，尤其涉及基于图神经网络的半监督的冷水机组故障诊断方法及系统。

背景技术

国际能源的持续紧张和全球气候的变化，建筑的能耗占全球能耗的比重也日益增加，供暖、通风和空调制冷(HVAC)系统作为大型公共建筑必不可少的一部分，其能耗也占据建筑能耗的30％左右，冷水机组是HVAC系统中的主要耗能设备，也是最易发生故障的设备之一，一旦发生故障便会带来严重的后果，不仅会影响建筑内的舒适度，还会造成极大的能源浪费，降低设备的使用寿命，因此开展冷水机组的故障诊断工作对减少建筑能耗，提高制冷设备的能源利用效率和提高设备的使用寿命具有重要意义。

目前针对冷水机组的故障诊断方法，大多数为有监督学习的模型，需要依赖大量的带标记的训练样本进行训练与学习。在冷水机组的实际运行过程中，智慧楼宇管理系统收集到的冷水机组运行数据绝大多数都是不带有标记的，采用人工标记的方式费时费力，极大程度限制了有监督学习的冷水机组故障诊断模型的应用。

因此，如何降低模型对带有标签的学习样本数量的依赖，提高冷水主机故障诊断方法的实用性，已成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了基于图神经网络的半监督的冷水机组故障诊断方法及系统，用于解决现有的冷水机组的故障诊断方法对带有标签的学习样本数量要求多，实用性低的技术问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于图神经网络的半监督的冷水机组故障诊断方法，包括以下步骤：

S1：获取冷水机组的运行数据集，所述运行数据集包括带有标签的样本和未标记的样本，且每一个样本均包含其对应时刻的多种运行数据。

S2：计算运行数据集中各个样本间的距离，对于运行数据集的每一个样本，选取与其距离最近的前K个样本作为所述样本的邻居样本，建立所述样本与邻居样本之间的连接关系，并根据所述连接关系构造各个样本间的关联关系图；

S3：将所述关联关系图转化为图结构的邻接矩阵，并基于所述邻接矩阵构造以图神经网络为框架的故障诊断模型，使用运行数据集的样本及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，得到训练好的故障诊断模型；

S4：对训练好的故障诊断模型进行测试，并根据测试结果计算故障诊断模型的故障诊断准确率；

S5：将提高准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，直至达到预设的终止条件，输出最佳故障诊断准确率对应的最优邻居样本数量；并采用最优邻居样本数量对应的、训练好的故障诊断模型进行故障诊断。

优选的，所述多种运行数据包括：蒸发器出水温度TEO、冷凝器进水温度TWIC、蒸发器冷却速率Evap Tons、传感器测量瞬时压缩机功率kW、计算性能系数COP、计算的压缩机效率kW/ton、蒸发器趋近温度TEA、冷凝器趋近温度TCA、蒸发器中制冷剂的压力PRE、冷凝器中制冷剂的压力PRC、来自冷凝器的液管制冷剂过冷TRC_sub、制冷剂吸入过热温度Tsh_suc、制冷剂排放过热温度Tsh_dis、油底壳中的油温TO_sump、进油温度TO_feed、供油压力PO_feed以及供油量减去排油压力PO_net。