CN109931678A - 基于深度学习lstm的空调故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

Description

基于深度学习LSTM的空调故障诊断方法

技术领域

本发明涉及医疗设备技术领域，更具体的说，涉及一种基于深度学习LSTM (长期短期记忆)的空调故障诊断方法。

背景技术

目前空调故障频繁发生，由于空调设备复杂，故障原因种类繁多，并且空调故障是伴随着设备电子元器件的老化逐渐显露出来，当人们察觉出来时，往往故障程度已经很严重，因此对空调故障进行及时的检测诊断以避免在故障状态下运行产生巨大能耗和安全隐患具有可行性和现实意义。近年来，空调设备越来越复杂同时也更加智能，传统的诊断技术远远不能满足现代空调设备诊断的需求，在这样的局面下，深度学习技术慢慢崛起，很多学习模型中都很好结合了时序数据的特点，训练性能不断提高。其中，循环神经网络(recurrent neural networks,RNN)是一种带有自循环结构的神经网络，允许时间序列数据在网络层上信息流动的持久化，在工业故障诊断方面，RNN使现有的神经网络故障诊断的方法不断提高，更加适应现代较复杂的设备并且在实时故障诊断中扩展性大大的提高。但存在梯度消失和梯度爆炸、长期记忆能力不足等问题。

冷水机组(chiller)是集中式空调中最重要的组成部分，同时也是消耗最大，最容易出错的子系统之一。现有技术还难以对此进行故障诊断，不利于空调的稳定可持续工作。

发明内容

有鉴于此，本发明提出一种针对空调冷水机组故障检测的基于深度学习 LSTM的空调故障诊断方法，用于解决现有技术存在的难以诊断空调故障的技术问题。

本发明提供了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：

1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；

2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为 LSTM网络的输入；

3)搭建LSTM网络模型，确定LSTM网络的参数；

4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；

5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

可选的，对故障数据进行的所述预处理是指，选取重要的特征作为分类依据，用序列前向选择算法进行特征选择，选出N个重要故障特征[x1,x2,x3… xN]，并组成特征向量X，再将数据进行维度重建，将样本的时间维度扩张，样本的时间维度由原来的1维变成了L维，成为适合LSTM网络需要的维度； LSTM网络需要输入前面L条的故障数据值作为输入，即X1,X2,X3…XL，称L 为序列长度，定义序列为N个时间步长。

可选的，所述隐藏层为两层网络结构，逐层训练LSTM，将上一层LSTM 网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的 LSTM神经元进行计算；经过所有计算后，把LSTM网络的最后输出序列的最后个数放入softmax分类器作为输出层，softmax分类器输出得到结果y，将所述结果y输至所述网络优化模块，并作为预测标签y’，在所述网络优化模块中进行优化。

可选的，所述网络优化模块接收输入层中的原始的冷水机组故障数据，并形成实际标签，所述的实际标签与所述预测标签y’进行损失计算，并通过 Nadam算法进行训练优化。

可选的，LSTM网络中的神经元cell的结构包括细胞状态C_t、遗忘门f_t、输入门i_t和输出门o_t，在整个循环周期内定义和维护一个内部记忆单元状态，即细胞状态C_t；通过遗忘门f_t、输入门i_t和输出门o_t三个门结构对细胞状态更新，神经元Cell中每个时刻不同门gate的计算公式如下：

f_t＝σ(W_f×[h_t-1,x_t]+b_f)， (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)， (2)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)， (5)

h_t＝o_t·tanh(C_t). (6)

式中f_t、i_t、o_t、C_t、分别表示遗忘门、输入门、输出门、记忆细胞的输出、输入的候选状态，W_f、W_i、W_C、W_o、b_f、b_i、b_C、b_o分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数。

可选的，在网络不断训练的过程中采用的时间反向传播算法，首先按照输入的时间序列，不断计算每个时刻的误差，计算完成后将该误差项传向上一层，对比每层神经元的输出和真实标签，重新更新每个权重的梯度。

可选的，在故障数据的预处理中，选用z-score方法对样本进行归一化处理，处理后将数据处理成时间序列数据放入模型训练。

采用本发明，与现有技术相比，具有以下优点：本发明针对冷水机组数据，提出了一种基于LSTM的空调故障诊断模型并且通过多次调节、优化得到较优的LSTM模型，所搭建的模型能对空调故障进行准确的诊断。

附图说明

图1为深度学习LSTM网络模型的结构框图；

图2为不同优化器下的网络诊断准确率的变化图；

图3为不同LSTM层下的网络诊断准确率的变化图；

图4为不同批处理量下分类准确率的变化图；

图5为不同丢弃率下分类准确率的变化图；

图6为不同学习率下分类准确率的变化图；

图7为不同序列长度下分类准确率的变化图；

图8为不同学习率下分类准确率的变化图。

具体实施方式

以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。

为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。

在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

利用深度学习对空调系统进行准确诊断，可对空调的故障进行及时的检测排查并减少能源消耗，减少人力维护成本，保证空调系统高效运行.本文使用长期短期记忆(LSTM)神经网络，针对空调的冷水机组故障数据，利用时间序列特性，搭建LSTM分类模型，并对参数进行优化调整并进行交叉验证，确定最优的LSTM模型参数，准确的对空调故障标签进行分类.实验表明，在四种不同空调故障严重程度下，该模型能够较准确的对空调故障进行诊断，通过对比传统循环神经网络和它的另一个变体门控循环网络，该模型故障诊断的准确率的较好，泛化性能较优。

本发明提供一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：

1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；

2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为 LSTM网络的输入；

3)搭建LSTM网络模型，确定LSTM网络的参数；

4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；

5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

对故障数据进行的所述预处理是指，选取重要的特征作为分类依据，用序列前向选择算法进行特征选择，选出N个重要故障特征[x1,x2,x3…xN]，并组成特征向量X，再将数据进行维度重建，将样本的时间维度扩张，样本的时间维度由原来的1维变成了L维，成为适合LSTM网络需要的维度；LSTM网络需要输入前面L条的故障数据值作为输入，即X1,X2,X3…XL，称L为序列长度，定义序列为N个时间步长。

所述隐藏层为两层网络结构，逐层训练LSTM，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；经过所有计算后，把LSTM网络的最后输出序列的最后个数放入softmax分类器作为输出层，softmax分类器输出得到结果y，将所述结果y 输至所述网络优化模块，并作为预测标签y’，在所述网络优化模块中进行优化。

所述网络优化模块接收输入层中的原始的冷水机组故障数据，并形成实际标签，所述的实际标签与所述预测标签y’进行损失计算，并通过Nadam 算法进行训练优化。

LSTM网络中的神经元cell的结构包括细胞状态C_t、遗忘门f_t、输入门i_t和输出门o_t，在整个循环周期内定义和维护一个内部记忆单元状态，即细胞状态 C_t；通过遗忘门f_t、输入门i_t和输出门o_t三个门结构对细胞状态更新，神经元Cell中每个时刻不同门gate的计算公式如下：

f_t＝σ(W_f×[h_t-1,x_t]+b_f)， (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)， (2)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)， (5)

h_t＝o_t·tanh(C_t). (6)

式中f_t、i_t、o_t、C_t、分别表示遗忘门、输入门、输出门、记忆细胞的输出、输入的候选状态，W_f、W_i、W_C、W_o、b_f、b_i、b_C、b_o分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数。

在网络不断训练的过程中采用的时间反向传播算法，首先按照输入的时间序列，不断计算每个时刻的误差，计算完成后将该误差项传向上一层，对比每层神经元的输出和真实标签，重新更新每个权重的梯度。

在故障数据的预处理中，选用z-score方法对样本进行归一化处理，处理后将数据处理成时间序列数据放入模型训练。

本发明的一个更具体的实施例如下：

1、实验数据

本数据来自于美国供暖、制冷与空调程师学会(ASHRAE)的第一个工程包 ASHRAEproject 1043-RP，一架90吨的离心式冷却器在实验室中我们选取模拟出冷却器系统五种可能的故障数据包，以及在常规状态下的数据包.每种故障还被细分为了4种不同的故障程度(以百分比来衡量)，不同变量故障程度如表1。

表1故障严重性级别

整个数据包记录了两组数据，一组以10s为固定时间间隔，另一组以2 min为固定时间间隔.每一次记录，ASHRAE项目1043-RP都会提供64个数据，其中包括29个温度数据、5个压强数据、5个流量数据、7个阀门位置数据、以及压缩机的电能消耗、工作效率等.这是一份较为详尽的空调查错与诊断数据.

为保证试验数据的多样性，测试集数据不仅选取了故障程度分别为10％， 20％，30％，40％的数据组成的4组数据集进行测试，还从4种故障严重程度数据集中进行随机组合成一组混合数据集，以这5组数据作为测试集验证网络训练的模型。

2、硬件及软件平台

实验中所用的计算机配置环境为：处理器为Intel(R)Core(TM)i7-7700HQ CPU@2.8GHZ，内存为8.00GB，GPU为基于Pascal架构NVIDIA GeForce GTX1050Ti显卡，显存为2.00GB；操作系统为Windows10(64-bit)；程序设计语言为Python 3.6.5(64-bit)；集成开发环境为PYCharm Comm Edition2017.2.1.深度学习代码后端基于Google的深度学习开源框架Tensorflow 训练，版本为tensorflow1.8.0，前端为Keras2.6.1。

3、评价指标

本发明选用冷水机组故障数据测试所得的分类准确准确率(Accuracy)作为评价标准，衡量的是分类正确的比例Accuracy的计算公式为

Accuracy越大，表明诊断的故障标签和实际故障标签越接近，分类越准确。

4、实验结果及评估

模型使用美国冷水机组数据进行性能评估.其中，迭代次数、学习率等是重要的超参数，这些超参数的取值对模型的性能表现产生重大影响，需要选取合适的参数.

测试集选用故障严重程度为10％的数据集.为避免实验测试的偶然性，其中每次实验进行30次取实验结果的平均值.通过固定其它参数不变而变化一种参数进行实验。初始参数如表2所示。

表2初始参数

5、在不同优化器下的网络诊断结果的分析

自适应学习率优化算法有Adadelta、AdaGrad、RMSProp、Adam、Nadam、 Adamax等。相同参数下取不同优化器(Adadelta、AdaGrad、RMSProp、Adam、 Nadam、Adamax)对模型进行训练，得到的分类准确率。如图2所示，通过对比得出，Nadam对学习率有了更强的约束，同时对梯度的更新也有更直接的影响，Nadam优化器准确率最高，在此数据集下，Nadam的效果较好，因此选择Nadam算法作为模型的超参数优化算法。

6、不同迭代次数的网络诊断结果

随着迭代次数的不断增大，训练准确率呈上升趋势，并且在迭代次数为 80之后，趋于平稳；损失函数随着迭代次数增大经历了先下降又递增波动的过程，这说明迭代次数过大将导致模型产生了严重的过拟合.因此，将迭代次数定为50。

7、不同LSTM层下的网络诊断结果

在相同参数下取不同LSTM层数的选择(layer＝1，2，3，4)对模型进行训练，得到的分类准确率如图3所示。可见，LSTM层数并不是越多越好，基于本数据集，数据量不是非常庞大，过多的隐藏层层数会导致过拟合，因此，模型选用2层LSTM层。

8、不同批处理量下的网络诊断结果

在网络训练过程中，由于训练样本基数大，训练过程中优化算法使用小批量梯度下降算法(Mini-batch gradientdescent)，相对于批量梯度下降，小批量梯度下降每次选取一个批大小的样本更新参数，节省了运算成本，提高了运算速度；相比于随机梯度下降，小批量梯度下降降低了收敛的波动性，使得参数更新更加稳定，合适的小批处理量也决定网络的收敛速度。网络的损失函数定义为：

其中B表示一个批次中样本的数量；相同参数下取不同批处理量进行试验。通过实验对比，分类准确率如图4，小批处理量为32时模型性能最好。为了研究隐藏层神经元个数对网络训练的影响，实验中多次调整神经元个数，发现神经元个数为32是网络训练的最优选择，收敛速度也最快。

9、不同丢弃率下的网络诊断结果

为了防止过拟合，我们在每层LSTM后加入Dropout操作。Dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，使网络的结构发生了变化，减少冗余。

在相同参数下取不同丢弃率(dropout_rate＝0.1，0.2，0.3，0.4，0.5)对模型进行训练，得到的分类精度如图5所示。

10、不同学习率下的网络诊断结果

学习率η的选取对模型性能有重要影响，同时也常常是模型中最难调试的一个参数。在相同参数下取不同学习率(LR＝0.001，0.002，0.003，0.004，0.005) 对模型进行训练，得到的分类准确率如图6，可清楚的看出，学习率为0.001 时分类准确率最高，因此，将模型学习率定为0.002。

11、不同序列长度下的网络诊断结果

由图7所示，模型的序列长度定为16时，模型的分类准确率最高。

因此，搭建好的最优模型和参数如表3。

表3最优模型和参数

12、LSTM模型对比传统RNN和GRU模型

表4三种方法在5组数据集中诊断性能对比

故障严重程度	RNN	GRU	LSTM
				10％	0.7079	0.8273	0.8286
20％	0.8469	0.8713	0.8693
				30％	0.9385	0.9332	0.9313
40％	0.9010	0.9064	0.9116
				混合	0.8551	0.8740	0.8865

上表将本模型在四个不同故障程度分别为10％，20％，30％，40％以及混合选取不同故障程度的数据集上进行测试，评价指标使用准确率(Accuracy). 并和RNN和GRU进行了对比，结果如表4。从图8可以清楚的看出，除了RNN 方法只在故障程度为30％的数据集中表现最优，其他四组实验中，LSTM模型中分类表现都比RNN和GRU和好，这说明搭建的LSTM模型泛化能力比RNN、 GRU好。

本发明提出的搭建的LSTM的空调故障诊断模型，包括模型的框架，网络结构、超参数优化等内容。并使用冷水机组故障数据进行训练，对5组不同故障严重程度数据进行训练。本模型很好的利用了故障数据中时序的关联性，利用了前后故障样本对当前故障样本的影响，为空调故障的及时准确的诊断提供了保障，减少维护人力成本，尽早的发现故障种类针对性的进行维修，提高能源利用率，使设备使用年限大大延长。

虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (7)

1.一种基于深度学习LSTM的空调故障诊断方法，其特征在于：包括以下步骤：

1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；

2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；

3)搭建LSTM网络模型，确定LSTM网络的参数；

4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；

5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

2.根据权利要求1所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：对故障数据进行的所述预处理是指，选取重要的特征作为分类依据，用序列前向选择算法进行特征选择，选出N个重要故障特征[x1,x2,x3…xN]，并组成特征向量X，再将数据进行维度重建，将样本的时间维度扩张，样本的时间维度由原来的1维变成了L维，成为适合LSTM网络需要的维度；LSTM网络需要输入前面L条的故障数据值作为输入，即X1,X2,X3…XL，称L为序列长度，定义序列为N个时间步长。

3.根据权利要求2所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：所述隐藏层为两层网络结构，逐层训练LSTM，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；经过所有计算后，把LSTM网络的最后输出序列的最后个数放入softmax分类器作为输出层，softmax分类器输出得到结果y，将所述结果y输至所述网络优化模块，并作为预测标签y’，在所述网络优化模块中进行优化。

4.根据权利要求3所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：所述网络优化模块接收输入层中的原始的冷水机组故障数据，并形成实际标签，所述的实际标签与所述预测标签y’进行损失计算，并通过Nadam算法进行训练优化。

5.根据权利要求3所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：LSTM网络中的神经元cell的结构包括细胞状态C_t、遗忘门f_t、输入门i_t和输出门o_t，在整个循环周期内定义和维护一个内部记忆单元状态，即细胞状态C_t；通过遗忘门f_t、输入门i_t和输出门o_t三个门结构对细胞状态更新，神经元Cell中每个时刻不同门gate的计算公式如下：

f_t＝σ(W_f×[h_t-1,x_t]+b_f)， (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)， (2)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)， (5)

h_t＝o_t·tanh(C_t). (6)

式中f_t、i_t、o_t、C_t、分别表示遗忘门、输入门、输出门、记忆细胞的输出、输入的候选状态，W_f、W_i、W_C、W_o、b_f、b_i、b_C、b_o分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数。

6.根据权利要求3所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：在网络不断训练的过程中采用的时间反向传播算法，首先按照输入的时间序列，不断计算每个时刻的误差，计算完成后将该误差项传向上一层，对比每层神经元的输出和真实标签，重新更新每个权重的梯度。

7.根据权利要求6所述的基于深度学习LSTM的空调故障诊断方法，其特征在于：在故障数据的预处理中，选用z-score方法对样本进行归一化处理，处理后将数据处理成时间序列数据放入模型训练。