CN109902741A - 一种制冷系统故障诊断方法 - Google Patents
一种制冷系统故障诊断方法 Download PDFInfo
- Publication number
- CN109902741A CN109902741A CN201910148922.XA CN201910148922A CN109902741A CN 109902741 A CN109902741 A CN 109902741A CN 201910148922 A CN201910148922 A CN 201910148922A CN 109902741 A CN109902741 A CN 109902741A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- refrigeration system
- breakdown
- feature parameter
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 46
- 230000015556 catabolic process Effects 0.000 title claims abstract description 34
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 238000003745 diagnosis Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000002922 simulated annealing Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000011478 gradient descent method Methods 0.000 claims abstract description 7
- 230000007257 malfunction Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000153 supplemental effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 229910052738 indium Inorganic materials 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 241000272510 Apteryx Species 0.000 description 1
- 241000532370 Atla Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明的制冷系统故障诊断方法,包括以下步骤:通过模拟冷水机组故障实验,采集并处理后得到训练组数据和测试组数据;设置深度神经网络的节点数及层数;建立深度神经网络模型,确定深度神经网络的拓扑结构,该拓扑结构包括深度神经网络的输入层数、权值以及阈值;确定深度神经网络的训练步数;在深度神经网络模型中应用训练组数据进行训练后得到故障诊断模型;采用小批量动量随机梯度下降法对深度神经网络进行训练;设置深度神经网络的学习率;计算损失函数C;采用模拟退火算法对学习率进行优化;得到最优学习率;满足训练结束条件,得到训练好的故障诊断模型;使用训练好的故障诊断模型对S2中测试组数据进行故障诊断,得到故障诊断结果。
Description
技术领域
本发明属于制冷领域,具体涉及一种基于SA-DNN制冷系统故障诊断方法。
背景技术
现代化的工业及民用建筑都离不开制冷系统,制冷系统部件复杂,导致其在运行过程中故障频发,且种类繁多。故障的发生影响制冷效果的同时增加能耗、缩短设备使用寿命并带来安全隐患,因此,确保制冷系统的运行质量显得尤为重要。对制冷系统进行实时状态检测与故障诊断,不仅可以保证制冷系统的正常运行,而且能够及时发现问题并进行维修,在过去的几十年,制冷系统故障诊断与检测技术一直是研究的热点。另外,神经网络通常会有学习率难以调整,初始权值阈值难以确定等问题。
发明内容
本发明采用智能算法优化可使深度神经网络能够较高效的寻找到全局最优。模拟退火算法(Simulated Annealing,SA)是一种通用的优化算法,理论上具有概率的全局优化性能,在如今大数据的时代背景下,表现了重要而广阔的发展应用空间。
本发明将SA-DNN(模拟退火优化深度神经网络)应用至制冷系统故障诊断,选择SGDM(小批量动量随机梯度下降法)训练方法,每一步梯度计算只随机选取训练集中的一组样本,提高了模型收敛速度,为了达到全局最优,使用模拟退火思想对神经神经网络中的学习率进行优化,逐步呈指数降低学习率,使误差精度快速下降到一个较小的值,并找到全局最优。鉴于此,本发明提供一种制冷系统故障诊断方法。
本发明提供了一种制冷系统故障诊断方法,具有这样的特征,包括以下步骤:
S1,通过模拟冷水机组故障实验,采集得到多个第一特征参数,在第一特征参数的基础上通过计算获得多个第二特征参数,合并第一特征参数和第二特征参数得到多组第三特征参数;
S2,对S1中的多组第三特征参数进行预处理,得到处理后的训练组数据和测试组数据;
S3,设置深度神经网络的节点数及层数;
S4,建立深度神经网络模型,确定深度神经网络的拓扑结构,该拓扑结构包括深度神经网络的输入层数、权值以及阈值;
S5,确定深度神经网络的训练步数;
S6,在深度神经网络模型中应用S2中处理后的训练组数据进行训练后得到故障诊断模型;
S6-1,采用小批量动量随机梯度下降法对深度神经网络进行训练;
S6-2,设置深度神经网络的学习率;
S6-3,计算损失函数C;
S6-4,采用模拟退火算法对学习率进行优化;
S6-5,得到最优学习率;
S7,满足训练结束条件,得到训练好的故障诊断模型;
S8,使用训练好的故障诊断模型对S2中测试组数据进行故障诊断,得到故障诊断结果。
在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,权值的表达式为:
阈值的表达式为:
式中:ωj为第j次迭代时的权值,ωj-1为第j-1次迭代时的权值;α为学习率;υdωj为第j次迭代时权值更新方向的速度,υdbj为第j次迭代时阈值更新方向的速度,bj为第j次迭代时的阈值,bj-1为第j-1次迭代时的阈值;υdbj为第j次迭代时阈值更新方向的速度。
另外,在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,S2中包括:
步骤S2-1,计算多组第三特征参数数据每一特征(即维度)的均值及标准方差。
另外,在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,第i个特征参数Xi的均值计算公式为:
式中:为第i个特征参数的均值,m为特征参数的个数,N为采集数据的组数,Xj,i为第j组数据第i个特征参数的值。
另外,在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,S2中还包括:
步骤S2-2,对所有数据进行标准化处理,第j组第i个特征向量的标准化计算公式为:
式中:为第j组第i个特征向量的标准化后的值,Xj,i为第j组数据第i个特征参数的值,为第i个特征参数的均值,Si为第i个特征参数的标准方差。
另外,在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,S6-2中,先设置较大的学习率。
另外,在本发明提供的一种制冷系统故障诊断方法中,还可以具有这样的特征:其中,所示损失函数C的表达式为:
式中,x表示样本,y表示实际值,a表示输出值,n表示样本的总数。
发明的作用与效果
针对普通BP神经网络寻优时易陷于局部极小值,且网络结构不够稳定,每次训练得到的结果相差较大并且网络训练时间过长等问题,为了提高深度神经网络(Deep NeuralNetwork,DNN)对制冷系统故障诊断的效率与正确率,本发明所涉及的制冷系统故障诊断方法应用小批量动量随机梯度下降(Stochastic Gradient Descent Momentum,SGDM)训练方法对深度神经网络进行训练,每一步梯度计算只随机选取训练集中一组样本,提高了其收敛速度。
另外,为了达到全局最优,本发明的制冷系统故障诊断方法同时采用模拟退火优化深度神经网络(Simulated annealing-Deep Neural Network,SA-DNN)模型。结果表明:对制冷系统的七类典型故障,SA-DNN极大地提高了诊断正确率,最优的网络结构为2隐层64个节点,诊断正确率为99.3%,诊断耗时仅为3min50s。相比传统反向传播(BackPropagation,BP)神经网络,本发明的制冷系统故障诊断方法具有SA-DNN结果稳定,不易陷入局部极小值,更有效地实现了制冷系统故障诊断,且性能优良的有益效果。
附图说明
图1是本发明的实施例中模拟退火算法优化深度神经网络的流程示意图;
图2是本发明的实施例中DNN深度神经网络拓扑图;
图3是本发明的实施例中无动量的梯度下降示意图;
图4是本发明的实施例中加入动量的梯度下降的示意图;
图5是本发明的实施例中模拟退火算法优化学习率流程示意图;
图6是本发明的实施例中SA-DNN与DNN模型隐层节点数及诊断正确率比较的热力图;以及
图7是本发明的实施例中SA-DNN、DNN与BP神经网络诊断性能比较示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明制冷系统故障诊断方法作具体阐述。
实施例
本实施例的制冷系统故障诊断方法,具体涉及一种模拟退火算法优化深度神经网络(SA-DNN)模型冷水机组故障诊断方法。
如图1所示的流程图。本实施例通过模拟冷水机组故障实验,采集得到多个第一特征参数,在第一特征参数的基础上通过计算获得多个第二特征参数,合并第一特征参数和第二特征参数得到多组第三特征参数。
本实施例所用的制冷系统故障模拟实验对象是一台离心式冷水机组。使用故障模拟实验台在不同工况下,模拟冷水机组不同种类、不同等级故障的实验。每隔一定时间采集一次数据,采集包括温度、压力在内的特征参数(共a个),在采集到数据的基础上通过计算获得COP、水流量、散热量在内的特征参数(共b个),把这些特征参数(个数为C=a+b个)合并起来作为表征冷水机组故障的特征。在实验过程中共采集N组数据(每组数据的维度为C)。其中,每组数据还有一个对应的标签集,标签集是一个1xN的矩阵,矩阵里每一行数字分别代表了此组数据的状态(包括是否为故障状态及故障的种类)。
对多组第三特征参数进行预处理,得到处理后的训练组数据和测试组数据。
为去除量纲对模型训练过程的影响,防止某一维或某几维对数据影响过大,对所有数据进行标准化处理,处理方式如下:
1)首先:计算N组数据每一特征(即维度)的均值及标准方差。
第i个特征参数Xi的均值计算公式为:
其中:-第i个特征参数的均值;
C-特征参数的个数;
N-采集数据的组数;
Xj,i-第j组数据第i个特征参数的值。
第i个特征参数的标准方差Si的计算公式为:其中:Si-第i个特征参数的标准方差;
N-采集数据的组数;
Xj,i-第j组数据第i个特征参数的值;
-第i个特征参数的均值。
2)计算出均值及标准方差后对所有数据进行标准化处理,其中第j组第i个特征向量的标准化计算公式:
其中,-第j组第i个特征向量的标准化后的值;
Xj,i-第j组数据第i个特征参数的值;
-第i个特征参数的均值;
Si-第i个特征参数的标准方差。
归一化处理完成后,将所有N组数据随机划分为两组,一组为训练组(约占总数据的2/3),用来训练建立起来的SA-DNN(模拟退火算法优化深度神经网络)模型,另一组作为测试组(约占总数据的1/3),用来对训练好的模型进行测试。
建立SA-DNN(模拟退火算法优化深度神经网络)的冷水机组的故障诊断模型,针对冷水机组7种不易检测的渐变故障进行建模分析,如:制冷剂泄漏、润滑油过量、蒸发器及冷凝器水流量不足、冷凝器结垢、制冷剂含不凝性气体等。
神经网络网络模型由神经网络的结构(表现为隐含层层数和节点数,如图2所示的网络模型为五隐含层,每个隐含层节点数为5个的深度神经网络的结构拓扑图),激活函数(激活函数用来计算一个节点至下一个连接着的节点的值,计算过程用到权值阈值)这里的激活函数选择Sigmoid,具体计算方式为(以某一隐含层,共m个隐含层节点数为例),激活函数σ的表达式为:
y=ω1×x1+ω2×x2+…ωm×xm+b (1)
式(1)中,ωm为某一层第m个隐含层节点的权值,xm为某一层第m个隐含层节点的输入值。b为某一层第m个隐含层节点的阈值
(1)首先对深度神经网络的节点数及层数进行设计,层数从1,2,3逐渐试验,节点数设置为2的幂(64、128、256、1024…)。
深度神经网络包括它多隐层的结构及训练它的方法两个方面。多隐层的拓扑结构和多层感知机类似,如图2所示,由输入层、5个隐含层及输出层组成的深度神经网络,通过信息向前传播,误差反向传播的方法来修正其权值及阈值。图2中X1、X2、X3、……、X64为输入64个特征参数,其中包括蒸发器及冷凝器侧进出水温度,压缩机吸气排气温度等48个参数为实验所测得,包括散热量、水量等16个参数由计算所得。Y为输出故障类别,为0-7,其中0代表冷制冷系统正常运行的情况,1-4为四个局部故障,5-7为三个系统故障,故障代号见表1。
表1
C为损失函数,为避免出现梯度消散问题,本实施例选取交叉熵函数(crossentropy,CE)作为损失函数。CE刻画了两个概率分布之间的距离,它是分类问题中使用比较广的一种损失函数,该准则的公式如下:
其中,x表示样本,y表示实际值,a表示输出值,n表示样本的总数。
本实施例使用的深度神经网络训练方法为SGDM(小批量动量随机梯度下降法)。将8000组训练样本划分为100组,每组包含80个样本进行训练,DNN神经网络计算每一步梯度时,即每更新一次参数时,随机选取训练集中的一组样本,在规模较大的数据集上,大大提高了网络模型的训练效率。并且因其随机性,与传统梯度下降法相比呈现出更多的不规律性,可以很轻松的跳过局部最小值,因此在寻找全局最小值上比传统梯度下降算法表现出更多的优势。
在随机梯度下降训练方法中,引入动量,每一次梯度的下降都有前一次梯度下降方向的影响,这种方法有助于加速向量向正确的方向梯度下降,从而使其收敛速度更快,以下公式为权值与阈值随动量更新的公式。
其中,
υdωj=β*υdωj-1+(1-β)*dωj-1
υdbj=β*υdbj-1+(1-β)*dbj-1
上述公式中,ω为权值,ωj为第j次迭代时的权值,ωj-1为第j-1次迭代时的权值;b为阈值,bj为第j次迭代时的阈值,bj-1为第j-1次迭代时的阈值;α为学习率,也用LR(Learning Rate)来表示;υdωj为第j次迭代时权值更新方向的速度,υdbj为第j次迭代时阈值更新方向的速度,计算方式分别为第j次迭代时损失函数对ω和b的偏导数;υdωj-1为第j-1次迭代时权值更新方向的速度,υdbj-1为第j-1次迭代时阈值更新方向的速度,计算方式分别为第j-1次迭代时损失函数对ω和b的偏导数;β为自行设置的超参数,一般默认为0.9,这里按照默认值。
图3、图4显示了随机梯度下降法中引入动量前后训练时寻找全局最优的过程。图3为无动量的梯度下降,图4为加入动量的梯度下降训练方法,由图3、图4可以看出,图4中梯度下降法中引入动量,在梯度下降的方向增加了一个加速度,能更快的找到全局最优点。
本实施例采用深度神经网络(Deep Neural Network,DNN)对制冷系统进行故障诊断,应用小批量动量随机梯度下降(Stochastic Gradient Descent Momentum,SGDM)训练方法,每一步梯度计算只随机选取训练集中一组样本,提高了其收敛速度。
根据神经网络的结构、激活函数、损失函数等建立深度神经网络模型,确定深度神经网络的拓扑结构,该拓扑结构包括深度神经网络的输入层数、权值以及阈值。
(2)确定神经网络的训练步数,从100起(150、200、250、300…)逐步试验,以找到较好的训练步数(判断标准为最后测试集输入后诊断正确率较高)。
(3)开始训练神经网络,使用模拟退火算法进行优化(以0.01或者0.001的速率对学习率进行衰减),具体流程图如图5所示。
图5为模拟退火算法对深度神经网络的学习率进行全局寻优的流程图,先设置较大的学习率,因为初始的随机权重远离最优值。在训练过程中,引入一个常数对学习率造成扰动,公式如下:
LRj=0.1*LRj-1
学习率逐渐下降,以允许细粒度的权重更新。初始学习率从0.1开始,然后再指数下降,0.01,0.001...。
式中,j为当前迭代次数,j-1为上一迭代次数,LR代表Learning Rate,学习率,LRj为当前迭代次数的学习率,LRj-1为上一迭代次数的学习率。使得误差精度快速下降到一个较小值。这个过程被称为模拟退火,因为它类似于熔融金属慢慢冷却的冶金学退火过程,模拟退火优化DNN减小了DNN神经网络训练的时间,提高了神经网络训练速度,解决了训练DNN神经网络不能得到全局最优解的问题。
为了达到全局最优,本实施例同时采用模拟退火优化深度神经网络(Simulatedannealing-Deep Neural Network,SA-DNN)模型,来优化深度神经网络学习率,α在梯度下降算法中被称作学习率或者步长,意味着可以通过α来控制每一步走的距离,以保证不要走太快,错过了最低点。同时也要保证不要走的太慢,导致迟迟走不到最低点,SA将α控制为一个随训练次数逐渐变小的值,使DNN神经网络先以较快的速度训练,当模型训练至接近全局最优时以较小的学习率训练。
(4)若满足网络结束条件(判断条件为第(2)段中所设置的训练步数),则使用测试集进行测试来验证所提出的诊断模型的性能。若不满足,则继续调整学习率直至网络训练结束。
当满足结束条件,得到训练好的故障诊断模型;在训练好的故障诊断模型对S2中测试组数据进行故障诊断,得到故障诊断结果。诊断结果的输出形式为:XX故障被诊断为XX故障,可以用混淆矩阵的形式来表示。
本实施例使用模拟退火SA优化DNN深度神经网络应用于制冷系统故障诊断,结果表明:
如图6所示,为SA-DNN与DNN模型隐层节点数及诊断正确率比较的热力图。
其中,图a)、图b)为单隐层DNN隐层节点数与正确率比较,图a)、图b)横坐标为隐含层节点数,纵坐标为诊断正确率,从图a)、图b)中可以看出隐层节点数为64时,诊断正确率最高。
c)、d)图为双隐层节点数与正确率比较,c)、d)图横坐标为第一个隐层的节点数,纵坐标为第二个隐层的节点数,颜色的深浅表示诊断正确率,具体深浅数值表现在图中右侧色卡处,如图中线条指示的区域为较好的结果。
a)、c)图为DNN深度神经网络模型所作图。
b)、d)图为SA-DNN深度神经网络模型所作图。
如图7所示,SA-DNN、DNN与BP神经网络诊断性能比较。横坐标为网络结构,主纵坐标为诊断正确率,次纵坐标为诊断耗时。横坐标前两个为BP模型,中间两个为DNN模型,后两个为SA-DNN模型。BP1_18表示单隐层18个节点BP神经网络,BP2_25表示双隐层每层25个节点BP神经网络;DNN1_64表示单隐层64个节点DNN神经网络,DNN2_32表示双隐层每层32个节点DNN神经网络;SA-DNN1_128表示模拟退火优化单隐层128个节点DNN,SA-DNN2_64表示模拟退火优化双隐层每层64个节点的网络。
从图中可以看出BP1_18模型诊断正确率最低,BP2_25模型诊断耗时最长达14.16,以耗时最少的模型DNN1_64作为单位1,其他的模型的耗时为模型DNN1_64诊断耗时的倍数。14.16为BP2_25模型诊断耗时是DNN1_64诊断耗时的14.16倍。
SA-DNN2_64的诊断正确率为99.3%,诊断正确率在六个模型中是最高的,诊断耗时为1.04。
综上结果表明:SA-DNN结果稳定,不易陷入局部极小值,更有效地实现了制冷系统故障诊断,且性能优异。
如图1所示,模拟退火算法优化深度神经网络的流程为:
A1,数据收集并处理;
A2,设置深度神经网络的节点数及层数;
A3,根据神经网络的结构、激活函数、损失函数等建立深度神经网络模型;
A4,确定深度神经网络的训练步数;
A5,训练深度神经网络;
A6,采用模拟退火算法对学习率进行优化;
A7,判断满足结束的条件,若判断为是,进入下一步,若判断为否,回到A6;
A8,得到训练好的故障诊断模型;
A9,在训练好的故障诊断模型中使用测试组数据进行故障诊断,得到故障诊断结果;
A10,结束。
如图5所示,模拟退火算法优化学习率流程为:
B1,生成初始学习率LR;
B2,计算损失函数C;
B3,扰动产生新学习率LR_new;
B4,计算ΔC=C(LR_new)-C(LR);
B5,判断满足结束的条件,若判断为是,进入下一步,若判断为否,进入B7;
B6,接受新解LR_new;
B7,以一定概率接受新解LR_new,进入B8;
B8,判断满足结束的条件,若判断为是,进入下一步,若判断为否,回到B3;
B9,返回最优学习率;
B10,结束。
实施例的作用与效果
针对普通BP神经网络寻优时易陷于局部极小值,且网络结构不够稳定,每次训练得到的结果相差较大并且网络训练时间过长等问题,为了提高深度神经网络(Deep NeuralNetwork,DNN)对制冷系统故障诊断的效率与正确率,本实施例的制冷系统故障诊断方法应用小批量动量随机梯度下降(Stochastic Gradient Descent Momentum,SGDM)训练方法对深度神经网络进行训练,每一步梯度计算只随机选取训练集中一组样本,提高了其收敛速度。
另外,为了达到全局最优,本实施例的制冷系统故障诊断方法同时采用模拟退火优化深度神经网络(Simulated annealing-Deep Neural Network,SA-DNN)模型。结果表明:对制冷系统的七类典型故障,SA-DNN极大地提高了诊断正确率,最优的网络结构为2隐层64个节点,诊断正确率为99.3%,诊断耗时仅为3min50s。相比传统反向传播(BackPropagation,BP)神经网络,本实施例的制冷系统故障诊断方法具有SA-DNN结果稳定,不易陷入局部极小值,更有效地实现了制冷系统故障诊断,且性能优良的有益效果。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (7)
1.一种制冷系统故障诊断方法,其特征在于,包括以下步骤:
S1,通过模拟冷水机组故障实验,采集得到多个第一特征参数,在所述第一特征参数的基础上通过计算获得多个第二特征参数,合并所述第一特征参数和所述第二特征参数得到多组第三特征参数;
S2,对S1中的多组所述第三特征参数进行预处理,得到处理后的训练组数据和测试组数据;
S3,设置深度神经网络的节点数及层数;
S4,建立深度神经网络模型,确定深度神经网络的拓扑结构,该拓扑结构包括所述深度神经网络的输入层数、权值以及阈值;
S5,确定深度神经网络的训练步数;
S6,在所述深度神经网络模型中应用S2中处理后的所述训练组数据进行训练后得到故障诊断模型;
S6-1,采用小批量动量随机梯度下降法对深度神经网络进行训练;
S6-2,设置深度神经网络的学习率;
S6-3,计算损失函数C;
S6-4,采用模拟退火算法对学习率进行优化;
S6-5,得到最优学习率;
S7,满足训练结束条件,得到训练好的故障诊断模型;
S8,使用训练好的所述故障诊断模型对S2中所述测试组数据进行故障诊断,得到故障诊断结果。
2.根据权利要求1所述的制冷系统故障诊断方法,其特征在于:
其中,所述权值的表达式为:
所述阈值的表达式为:
式中:ωj为第j次迭代时的权值,ωj-1为第j-1次迭代时的权值;α为学习率;vdωj为第j次迭代时权值更新方向的速度,vdbj为第j次迭代时阈值更新方向的速度,bj为第j次迭代时的阈值,bj-1为第j-1次迭代时的阈值;υdbj为第j次迭代时阈值更新方向的速度。
3.根据权利要求1所述的制冷系统故障诊断方法,其特征在于:
其中,S2中包括:
步骤S2-1,计算多组所述第三特征参数数据每一特征(即维度)的均值及标准方差。
4.根据权利要求3所述的制冷系统故障诊断方法,其特征在于:
其中,第i个特征参数Xi的均值计算公式为:
式中:为第i个特征参数的均值,C为特征参数的个数,N为采集数据的组数,Xj,i为第j组数据第i个特征参数的值。
5.根据权利要求3所述的制冷系统故障诊断方法,其特征在于:
其中,S2中还包括:
步骤S2-2,对所有数据进行标准化处理,第j组第i个特征向量的标准化计算公式为:
式中:为第j组第i个特征向量的标准化后的值,Xj,i为第j组数据第i个特征参数的值,为第i个特征参数的均值,Si为第i个特征参数的标准方差。
6.根据权利要求1所述的制冷系统故障诊断方法,其特征在于:
其中,S6-2中,先设置较大的所述学习率。
7.根据权利要求1所述的制冷系统故障诊断方法,其特征在于:
其中,所示损失函数C的表达式为:
式中,x表示样本,y表示实际值,a表示输出值,n表示样本的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148922.XA CN109902741A (zh) | 2019-02-28 | 2019-02-28 | 一种制冷系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910148922.XA CN109902741A (zh) | 2019-02-28 | 2019-02-28 | 一种制冷系统故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109902741A true CN109902741A (zh) | 2019-06-18 |
Family
ID=66945887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910148922.XA Pending CN109902741A (zh) | 2019-02-28 | 2019-02-28 | 一种制冷系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902741A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287031A (zh) * | 2019-07-01 | 2019-09-27 | 南京大学 | 一种减少分布式机器学习通信开销的方法 |
CN110569971A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN112945552A (zh) * | 2021-02-04 | 2021-06-11 | 常州大学 | 一种基于变节点双隐层极限学习机的齿轮故障诊断方法 |
CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102984A1 (en) * | 2015-10-13 | 2017-04-13 | Huawei Technologies Co., Ltd. | Fault Diagnosis Method and Apparatus for Big-Data Network System |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108171318A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种基于模拟退火—高斯函数的卷积神经网络集成方法 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN108873695A (zh) * | 2018-06-01 | 2018-11-23 | 哈尔滨理工大学 | 多层全连接神经网络控制系统 |
-
2019
- 2019-02-28 CN CN201910148922.XA patent/CN109902741A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170102984A1 (en) * | 2015-10-13 | 2017-04-13 | Huawei Technologies Co., Ltd. | Fault Diagnosis Method and Apparatus for Big-Data Network System |
CN108171318A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种基于模拟退火—高斯函数的卷积神经网络集成方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
CN108334059A (zh) * | 2018-02-26 | 2018-07-27 | 上海理工大学 | 基于粒子群算法优化bp神经网络模型故障诊断方法 |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN108873695A (zh) * | 2018-06-01 | 2018-11-23 | 哈尔滨理工大学 | 多层全连接神经网络控制系统 |
Non-Patent Citations (1)
Title |
---|
韩正一: "基于深度神经网络的银行信贷风险监测模型研究及实现", 《万方数据》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287031A (zh) * | 2019-07-01 | 2019-09-27 | 南京大学 | 一种减少分布式机器学习通信开销的方法 |
CN110287031B (zh) * | 2019-07-01 | 2023-05-09 | 南京大学 | 一种减少分布式机器学习通信开销的方法 |
CN110569971A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 |
CN110569792A (zh) * | 2019-09-09 | 2019-12-13 | 吉林大学 | 一种基于卷积神经网络的自动驾驶汽车前方物体检测方法 |
CN110569971B (zh) * | 2019-09-09 | 2022-02-08 | 吉林大学 | 一种基于LeakyRelu激活函数的卷积神经网络单目标识别方法 |
CN113541985A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 物联网故障诊断方法、模型的训练方法及相关装置 |
CN112945552A (zh) * | 2021-02-04 | 2021-06-11 | 常州大学 | 一种基于变节点双隐层极限学习机的齿轮故障诊断方法 |
CN117450688A (zh) * | 2023-12-26 | 2024-01-26 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
CN117450688B (zh) * | 2023-12-26 | 2024-03-29 | 山东历控能源有限公司 | 一种基于物联网的烟气余热回收能源调度管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902741A (zh) | 一种制冷系统故障诊断方法 | |
CN109948778A (zh) | 一种制冷设备故障诊断装置及系统 | |
CN108334059A (zh) | 基于粒子群算法优化bp神经网络模型故障诊断方法 | |
Yan et al. | Generative adversarial network for fault detection diagnosis of chillers | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN113792762B (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN109931678A (zh) | 基于深度学习lstm的空调故障诊断方法 | |
CN111553590A (zh) | 一种雷达嵌入式健康管理系统 | |
CN102339389B (zh) | 一种基于密度的参数优化单分类支持向量机故障检测方法 | |
CN108376286A (zh) | 一种设备故障诊断装置及系统 | |
CN110750655B (zh) | 一种智能ietm故障维修辅助系统的知识库优化方法 | |
CN104484548B (zh) | 一种改进的序贯故障诊断策略优化方法 | |
CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN108121215A (zh) | 基于全回路重构仿真的工业控制回路性能评价方法及装置 | |
CN106569030A (zh) | 一种电能计量异常诊断中的告警阈值寻优方法及装置 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN111695288A (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN115730228A (zh) | 基于bp神经网络的中央空调能耗分析方法 | |
CN117553404A (zh) | 一种提高大型水冷中央空调系统能效的方法及系统 | |
CN108730775A (zh) | 一种树状管网爆管分析方法及装置 | |
CN110702438B (zh) | 一种离心式冷水机组与新风系统联合故障诊断方法 | |
CN114626655A (zh) | 一种区域综合能源系统多标准综合评价方法 |
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: 20190618 |