CN109781399A - 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 - Google Patents
一种基于神经网络的风冷式制冷机组传感器故障诊断方法 Download PDFInfo
- Publication number
- CN109781399A CN109781399A CN201910144268.5A CN201910144268A CN109781399A CN 109781399 A CN109781399 A CN 109781399A CN 201910144268 A CN201910144268 A CN 201910144268A CN 109781399 A CN109781399 A CN 109781399A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sensor
- refrigeration unit
- air cooling
- cooling refrigeration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于神经网络的风冷式制冷机组传感器故障诊断方法,包括以下步骤:将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入;通过正常样本对长短时记忆循环神经网络进行训练,根据训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值;将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差;将预测残差与预设阈值进行比较,若预测残差大于预设阈值,则对应传感器存在故障。本发明设计合理,其采用神经网络方法可准确、快速地对风冷式制冷机组多传感器故障进行定位,避免造成能源浪费,提高设备的使用寿命。
Description
技术领域
本发明属于风冷式制冷机组多传感器技术领域,尤其是一种基于神经网络的风冷式制冷机组传感器故障诊断方法。
背景技术
随着世界能源短缺问题的日益加剧,节能环保已成为当今最为重要的课题,而建筑行业作为高能源消耗行业,其对生态环境的影响不容忽视。建筑业中的能源消耗很大一部分来源于投入使用后建筑空调的能耗,当空调传感器发生故障时,可导致空调系统的能耗比正常情况下增加50%。因此,制冷机组多传感器故障诊断对空调系统的节能可靠运行起着至关重要的作用,如何准确及时地检测制冷机组多传感器故障是目前迫切需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提出一种设计合理且能充分挖掘制冷机组多传感器动态特征的基于神经网络的风冷式制冷机组传感器故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于神经网络的风冷式制冷机组传感器故障诊断方法,包括以下步骤:
步骤1、将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入;
步骤2、通过正常样本对长短时记忆循环神经网络进行训练,根据训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值;
步骤3、将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差;
步骤4、将预测残差与预设阈值进行比较,若预测残差大于预设阈值,则对应传感器存在故障。
所述传感器包含风冷式制冷机组的温度传感器、流量传感器或压力传感器。
所述传感器历史采集值是指从当前时刻,前T个时刻的传感器测量值,T为大于0的任意值。
所述长短时记忆循环神经网络的输入维数与输出维数相同。
在长短时记忆循环神经网络训练过程中,采用自适应学习速率进行训练。
所述自适应学习速率为η1=η(1+αe-λd),其中,η为初始学习速率,λ为迭代次数,α和d为系数。
所述预设阈值等于αE,其中,E为长短时记忆循环神经网络训练过程中的最大残差值,α为大于1的系数。
本发明的优点和积极效果是:
本发明设计合理,其通过正常样本对长短时记忆循环神经网络进行训练并得到每个传感器当前时刻的输出预测值;并将长短时记忆循环神经网络输出值与当前时刻对应传感器采集值进行比较得到预测残差;最后将预测残差与预设阈值进行比较判断传感器是否存在故障,可准确、快速地对风冷式制冷机组多传感器故障进行定位,避免造成能源浪费,提高设备的使用寿命。
附图说明
图1为本发明模型结构图;
图2为本发明自适应学习速率变化例图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于神经网络的风冷式制冷机组传感器故障诊断方法,包括以下步骤:
步骤1、将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入。
本发明的传感器包含风冷式制冷机组的温度、流量、压力等制冷机组中存在的所有传感器。
对于不同种类型传感器的故障诊断,须训练不同的长短时记忆循环神经网络模型。历史采集值指从当前时刻,前T个时刻的传感器测量值,T可以为大于0的任意值,本发明模型结构如图1所示。
步骤2、通过正常样本对长短时记忆循环神经网络进行训练,通过训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值。
在本步骤中,风冷式制冷机组传感器故障诊断方法假设在同一时刻仅存在一个传感器发生故障的情况。
在长短时记忆循环神经网络训练过程中,采用自适应学习速率η1=η(1+αe-λd),其中η为初始学习速率,λ为迭代次数,α和d为系数,当η取0.005时,通过选取合适的α和d得到的学习速率曲线如图2所示。
步骤3、将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差。
在本步骤中,长短时记忆循环神经网络具有相同的输入与输出维数,将测试数据输入长短时记忆循环神经网络得到的对应传感器预测值,通过与对应传感器采集值进行作差比较得到预测残差。
步骤4、将得到的预测残差与预设阈值进行比较,若预测残差大于预设阈值,则对应传感器存在故障。
在本步骤中,预设阈值等于αE,其中E为长短时记忆循环神经网络训练过程中的最大残差值,α为大于1的系数。
本发明未述及之处适用于现有技术。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于包括以下步骤:
步骤1、将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入;
步骤2、通过正常样本对长短时记忆循环神经网络进行训练,根据训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值;
步骤3、将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差;
步骤4、将预测残差与预设阈值进行比较,若预测残差大于预设阈值,则对应传感器存在故障。
2.根据权利要求1所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:所述传感器包含风冷式制冷机组的温度传感器、流量传感器和压力传感器。
3.根据权利要求1所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:所述传感器历史采集值是指从当前时刻,前T个时刻的传感器测量值,T为大于0的任意值。
4.根据权利要求1所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:所述长短时记忆循环神经网络的输入维数与输出维数相同。
5.根据权利要求1所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:在长短时记忆循环神经网络训练过程中,采用自适应学习速率进行训练。
6.根据权利要求5所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:所述自适应学习速率为η1=η(1+αe-λd),其中,η为初始学习速率,λ为迭代次数,α和d为系数。
7.根据权利要求1所述的一种基于神经网络的风冷式制冷机组传感器故障诊断方法,其特征在于:所述预设阈值等于αE,其中,E为长短时记忆循环神经网络训练过程中的最大残差值,α为大于1的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144268.5A CN109781399A (zh) | 2019-02-27 | 2019-02-27 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144268.5A CN109781399A (zh) | 2019-02-27 | 2019-02-27 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109781399A true CN109781399A (zh) | 2019-05-21 |
Family
ID=66487210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910144268.5A Pending CN109781399A (zh) | 2019-02-27 | 2019-02-27 | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109781399A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243405A (zh) * | 2019-06-25 | 2019-09-17 | 东北大学 | 一种基于深度学习的航空发动机传感器故障诊断方法 |
CN110471380A (zh) * | 2019-08-15 | 2019-11-19 | 四川长虹电器股份有限公司 | 一种用于智能家居系统的空调故障监控及预警方法 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN111426288A (zh) * | 2020-03-18 | 2020-07-17 | 中铁第一勘察设计院集团有限公司 | 一种多应变计联合测量方法及其系统 |
CN111946695A (zh) * | 2020-08-13 | 2020-11-17 | 四川大学 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
CN112183830A (zh) * | 2020-09-16 | 2021-01-05 | 新奥数能科技有限公司 | 一种冷冻水温度的预测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
CN106338264A (zh) * | 2016-08-19 | 2017-01-18 | 江苏大学 | 混合动力车用开关磁阻bsg位置传感器的故障诊断方法 |
CN108092623A (zh) * | 2017-12-16 | 2018-05-29 | 西安理工大学 | 一种光伏阵列多传感器故障检测定位方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
KR20180096075A (ko) * | 2017-02-20 | 2018-08-29 | 재단법인대구경북과학기술원 | Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
-
2019
- 2019-02-27 CN CN201910144268.5A patent/CN109781399A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070288409A1 (en) * | 2005-05-31 | 2007-12-13 | Honeywell International, Inc. | Nonlinear neural network fault detection system and method |
CN106338264A (zh) * | 2016-08-19 | 2017-01-18 | 江苏大学 | 混合动力车用开关磁阻bsg位置传感器的故障诊断方法 |
KR20180096075A (ko) * | 2017-02-20 | 2018-08-29 | 재단법인대구경북과학기술원 | Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
CN108092623A (zh) * | 2017-12-16 | 2018-05-29 | 西安理工大学 | 一种光伏阵列多传感器故障检测定位方法 |
CN108197648A (zh) * | 2017-12-28 | 2018-06-22 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 |
CN108681747A (zh) * | 2018-05-11 | 2018-10-19 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测系统及方法 |
Non-Patent Citations (1)
Title |
---|
王路瑶 等: "基于长短期记忆神经网络的数据中心空调系统传感器故障诊断", 《化工学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110243405A (zh) * | 2019-06-25 | 2019-09-17 | 东北大学 | 一种基于深度学习的航空发动机传感器故障诊断方法 |
CN110471380A (zh) * | 2019-08-15 | 2019-11-19 | 四川长虹电器股份有限公司 | 一种用于智能家居系统的空调故障监控及预警方法 |
CN111047732A (zh) * | 2019-12-16 | 2020-04-21 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
CN111426288A (zh) * | 2020-03-18 | 2020-07-17 | 中铁第一勘察设计院集团有限公司 | 一种多应变计联合测量方法及其系统 |
CN111426288B (zh) * | 2020-03-18 | 2022-02-11 | 中铁第一勘察设计院集团有限公司 | 一种多应变计联合测量方法及其系统 |
CN111946695A (zh) * | 2020-08-13 | 2020-11-17 | 四川大学 | 一种结合多通道残差与深度学习的作动器故障诊断方法 |
CN112183830A (zh) * | 2020-09-16 | 2021-01-05 | 新奥数能科技有限公司 | 一种冷冻水温度的预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109781399A (zh) | 一种基于神经网络的风冷式制冷机组传感器故障诊断方法 | |
CN110165248B (zh) | 燃料电池发动机空气供给系统容错控制方法 | |
CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN103278728B (zh) | 发电机转子匝间短路故障诊断方法与系统 | |
CN110502777A (zh) | 基于神经网络预测的igbt模块状态检测系统及方法 | |
DE602005018056D1 (de) | Sensor-fehlerdiagnose und -prognose unter verwendualer entwicklungen | |
CN112642230B (zh) | 智能自检清灰装置的气包压力变化与脉冲阀工作状态的关联判定方法 | |
CN101793928A (zh) | 移相全桥变换器实时故障诊断方法及系统 | |
CN107016448B (zh) | 一种故障/维修时间服从任意分布的周期性检查装备可用性评估方法 | |
CN109543743A (zh) | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 | |
CN107103425B (zh) | 发电设备运行状态计算机智能量化评价系统 | |
CN115453236A (zh) | 一种船舶风翼动力系统的故障诊断与健康评估方法 | |
CN106567964B (zh) | 一种基于dcs数据的流量控制阀监控方法 | |
CN109668588A (zh) | 基于虚拟传感器的风冷式制冷机组传感器故障诊断方法 | |
CN202033437U (zh) | 静电除尘器运行效率的监控系统 | |
CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
CN103837755A (zh) | 冰箱零部件故障检测方法及系统 | |
CN107024915B (zh) | 一种电网控制器板卡故障检测系统及检测方法 | |
Borges et al. | Fault detection and diagnosis by machine learning methods in air-to-water heat pumps: Evaluation of evaporator fouling | |
CN112381235A (zh) | 监测水泥厂预热器状态变化的辅助方法 | |
CN108875205A (zh) | 一种基于可达矩阵和离散事件驱动的系统可用度高效仿真方法 | |
CN1256549C (zh) | 基于空调水侧传感器在线故障诊断的机组启停优化控制器 | |
Lu et al. | Elevator Error Diagnosis Method Based on Neural Network Model | |
CN114264885B (zh) | 一种基于排序算法的换流阀模块电容在线监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |