CN112381141A - 一种空调传感器故障检测方法及系统 - Google Patents
一种空调传感器故障检测方法及系统 Download PDFInfo
- Publication number
- CN112381141A CN112381141A CN202011270534.8A CN202011270534A CN112381141A CN 112381141 A CN112381141 A CN 112381141A CN 202011270534 A CN202011270534 A CN 202011270534A CN 112381141 A CN112381141 A CN 112381141A
- Authority
- CN
- China
- Prior art keywords
- data
- input
- training sample
- layer
- test sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 153
- 238000012360 testing method Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000009467 reduction Effects 0.000 claims abstract description 50
- 238000004378 air conditioning Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012847 principal component analysis method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004880 explosion Methods 0.000 description 4
- 238000011946 reduction process Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种空调传感器故障检测方法及系统，首先获取空调系统的若干传感器数据组，并构建训练样本和测试样本；标准化处理，得到标准化后的训练样本和标准化后的测试样本；采用KPCA核主成分分析，进行降维，得到降维后的训练样本和降维后的测试样本，将降维后的训练样本数据作为DL‑BiLSTM网络的输入，进行训练，得到训练后的DL‑BiLSTM网络；将降维后的测试样本数据作为训练后的DL‑BiLSTM网络的输出，得到空调系统传感器故障检测结果；本发明通过对样本数据进行标准化处理，消除了不同特征传感器之间的差异性，利用KPCA降维处理，有效降低了输入数据的复杂度，利用DL‑BiLSTM网络能够充分提取故障的时间特征，检测模型精度较高，故障检测结果的准确率较高。
Description
技术领域
本发明属于空调技术领域，特别涉及一种空调传感器故障检测方法及系统。
背景技术
传感器作为空调系统的检测部件，其测量信号是系统进行正常运行的基础，因此，及时、准确地检测出空调传感器的故障十分必要；空调传感器故障包括软故障和硬故障两大类；其中，偏差、漂移及精度等级下降属于软故障，是使用过程中因疲劳、腐蚀或磨损等造成的性能下降或者部分失效的故障，对于空调系统的危害较大；而完全失效故障属于硬故障，一般不做研究。
目前，依据是否需要进行系统建模，将故障检测方法分为定性和定量两大类分析方法；所谓的定性分析方法，指的是根据系统的原理、专家的经验知识来对系统进行分析，但此类方法不具备自适应、自学习能力，无法适应复杂多变的生产环境；定量分析方法包括基于解析模型的方法和基于数据驱动的方法，基于解析模型的方法需要建立系统精确的数学模型，一个模型只能用于特定的系统，可扩展性不强，并且该方法仅适用于线性系统，像空调系统这样高时变、强耦合以及非线性程度强的系统，难以建立恰当的数学模型，采用上述方法进行系统建模会导致故障检测效率降低；基于数据驱动的方法是当前研究的热点，主要包括主元分析方法和神经网络方法。
主元分析法于1901年正式提出，是一种多变量统计方法，主元分析法通过在主元子空间和残差子空间分别构建T2和Q统计量实现检测故障；但该方法适用于线性问题，针对非线性系统的空调系统，故障检测效果并不理想；为了解决主元分析方法的不足，核主元分析方法被提出来，通过非线性变换将样本数据从输入空间映射到高维特征空间，然后在高维特征空间利用主元分析方法进行特征提取；但在实际的传感器检测应用中，发现其不具有通用性，尤其针对漂移故障检测准确率较低。
神经网络是一种模仿动物神经网络行为特征的算法，该算法不需要精确的数学模型、非映射能力及非线性的特点，非常适合研究空调系统这种非线性系统；BP神经网络是经典的神经网络，但其不具备记忆功能；循环神经网络是运用内部的记忆来处理任意输入的时序数据，通过自循环的结构能长久的让数据在网络层上传输，但其存在梯度消失和梯度爆炸、长期记忆能力不足等问题；为解决该问题，提出了长短期记忆网络即在循环神经网络中添加了三个门控机制，即输入门、遗忘门和输出门，使梯度消失和梯度爆炸的这样的难题可以很好的处理，同时利用单元状态来保存长期的状态，该方法类比上述方法针对空调传感器的故障检测率略有提高，但整体而言检测准确率还是较低。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种空调传感器故障检测方法及系统，以解决现有的空调传感器故障检测准确率较低的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种空调传感器故障检测方法，包括以下步骤：
步骤1、获取空调系统的若干传感器数据组，并构建训练样本和测试样本；
步骤2、分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；
步骤3、采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本数据进行降维，得到降维后的训练样本和降维后的测试样本；
步骤4、将降维后的训练样本作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；
步骤5、将降维后的测试样本作为训练后的DL-BiLSTM网络的输入，得到空调系统传感器故障检测结果。
进一步的，步骤1中，将其中一部分传感器数据组作为训练样本，剩余部分传感器数据组作为测试样本；每个传感器数据组包括输入特征数据及输出特征数据；其中，输入特征数据包括冷冻水阀开度、送风湿度、新风温度、新风湿度、回风温度及回风湿度；输出特征数据包括送风温度。
进一步的，步骤2中，对训练样本数据及测试样本数据进行zero-mean标准化处理；
其中，x*为标准化后的传感器数据；x为传感器的原始数据；μ为每类传感器训练样本数据的均值；σ为每类传感器训练样本数据的标准差。
进一步的，步骤3中，分别对标准化后的训练样本数据及测试样本数据进行主成分提取时，具体包括以下步骤：
步骤31、利用高斯径向核函数，将标准化后的训练样本数据或测试样本数据映射到高维空间，得到核矩阵；
步骤32、对核矩阵进行中心化，得到中心化核矩阵；
步骤33、确定中心化核矩阵的特征值和特征向量，将特征向量按对应特征值大小降序进行排序；
步骤34、设定累计方差贡献率的阈值为85％，确定主元个数p；取前p行特征向量，并单位化后构建矩阵，得到降维后的训练样本及降维后的测试样本。
进一步的，步骤4中，首先采用时间滑动窗口将降维后的训练样本数据转换为具有时间功能的传感器数据序列，得到输入训练样本，并将输入训练样本作为DL-BiLSTM网络的输入。
进一步的，步骤4中，对DL-BiLSTM网络进行训练时，具体包括以下步骤：
将输入训练样本输入至DL-BiLSTM网络中，得到输出数据的预测值；利用均方误差作为损失函数，计算得到输入训练样本的损失函数的损失值之和；利用Adam算法对DL-BiLSTM网络的梯度进行更新优化，直至迭代完成，得到训练后的DL-BiLSTM网络。
进一步的，DL-BiLSTM网络采用两层双向LSTM网络模型；DL-BiLSTM网络包括序列输入层、第一层双向LSTM网络、第一丢弃层、第二层双向LSTM网络、第一全连接层、第二丢弃层、第二全连接层及回归预测层；
序列输入层的输出与第一层双向LSTM网络的输入连接，第一层双向LSTM网络的输出与第一丢弃层的输入连接，第一丢弃层的输出与第二层双向LSTM网络的输入连接，第二层双向LSTM网络的输出与第一全连接层的输入连接，第一全连接层的输出与第二丢弃层的输入连接，第二丢弃层的输出与第二全连接层的输入连接，第二全连接层的输出与回归预测层的输入连接。
进一步的，步骤4中，均方误差E的表达式为：
其中，ti为训练样本中的输出特征数据的真实值，yi为训练样本中的输出特征数据的预测值。
进一步的，步骤5中，首先采用时间滑动窗口将降维后的训练测试数据转换为具有时间功能的序列，得到输入测试样本，并将输入测试样本输入至训练后的DL-BiLSTM网络；得到预测输出，利用预测输出与实际输出作差，得到残差；之后将残差与预设故障阈值进行对比，得到空调系统传感器的故障检测结果。
本发明还提供了一种空调传感器故障检测系统，包括获取模块、标准化处理模块、主成分提取模块、模型训练模块及预测判定模块；
数据获取模块，获取空调系统的若干传感器数据组，并构建训练样本和测试样本；
标准化处理模块，分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；
主成分提取模块，采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本进行降维，得到降维后的训练样本和降维后的测试样本；
模型训练模块，将降维后的训练样本数据作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；
预测判定模块，将降维后的测试样本数据作为训练后的DL-BiLSTM网络的输入，得到空调系统传感器故障检测结果。
与现有技术相比，本发明的有益效果为：
本发明提供了一种空调传感器故障检测方法及系统，通过对样本数据进行标准化处理，消除了不同特征传感器之间的差异性；采用KPCA核主成分分析降维较好的适应非线性的空调系统，利用KPCA核主成分分析降维处理，有效降低了DL-BiLSTM网络输入数据的复杂度，同时，降低的传感器数据组的采集的难度；利用DL-BiLSTM网络能够充分提取故障的时间特征，检测模型精度较高，对微小故障检测结果的准确率较高。
进一步的，充分利用KPCA的贡献率图，无需利用专业知识分析变量的关联性，只需根据贡献率的大小就可判断特征的重要性；在数据的采集过程并不需要大量的先验知识，即使不是本专业的人员也能采取相关数据，实际可操作性强。
进一步的，通过采用KPCA核主成分分析，降低了网络模型输入数据的维度，有效降低了模型检测运行的时长，实现故障检测的时效性。
进一步的，将KPCA降维后不具备时间功能的数据转为序列，使得故障的判定不仅仅只依赖于当前时刻的变化，而与前几个时刻的状态都相关联，一定程度上避免了误判，使得查准率更高，故障检测更加准确。
综上，本发明利用DL-BiLSTM能够充分提取故障的时间特性，同时两层的双向LSTM结构相比于标准的LSTM使得模型训练精度更加高；与KPCA结合对数据进行降维，减少了DL-BiLSTM模型输入数据的复杂度；采用KPCA相比于传统PCA方法更加适用于空调这个非线性系统。
附图说明
图1为本发明所述的空调传感器故障检测方法的流程示意图；
图2为本实施例所述的空调传感器故障检测方法设置10％漂移故障的检测结果曲线图；
图3为本实施例所述的空调传感器故障检测方法设置20％漂移故障的检测结果曲线图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如附图1所示，本发明提供了一种空调传感器故障检测方法，包括以下步骤：
步骤1、获取空调系统的若干传感器数据组，并构建训练样本和测试样本。
本发明步骤1中，获取的传感器数据组为空调系统整个回路中所有可采传感器数据，传感器数据获取过程无需过度关注空调系统中各个传感器之间的关系，无需利用过多的专业知识判断数据的采集范围，有效降低了对操作人员的专业技术背景要求。
本发明步骤1中，将其中一部分传感器数据组作为训练样本，剩余部分传感器数据组作为测试样本；每个传感器数据组包括输入特征数据及输出特征数据；其中，输入特征数据包括冷冻水阀开度、送风湿度、新风温度、新风湿度、回风温度及回风湿度；输出特征数据包括送风温度。
步骤2、分别对训练样本及测试样本中的输入特征数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；本发明通过对输入特征数据进行数据标准化处理，消除传感器数据类型的差异性，得到标准化后的输入特征数据。
本发明步骤2中，对训练样本及测试样本中的输入特征数据进行zero-mean标准化处理，其标准化公式为：
其中，x*为标准化后的传感器数据；x为传感器的原始数据；μ为每类传感器训练样本数据的均值；σ为每类传感器训练样本数据的标准差。
其中，对训练样本中的输入特征数据进行标准化时，首先，计算训练样本中输入特征数据的每一类传感器数据的均值及标准差，然后利用每一类传感器数据的均值及标准差，采用标准化公式对训练样本中对应类别传感器数据进行zero-mean标准化处理，得到标准化后的训练样本。
对测试样本中的输入特征数据进行标准化时，利用训练样本中输入特征数据对应类别传感器数据的均值和标准差，采用采用标准化公式对测试样本中对应类别传感器数据进行zero-mean标准化处理，得到标准化后的测试样本。
步骤3、采用KPCA核主成分分析，对标准化后的训练样本中的输入特征数据及标准化后的测试样本中的输入特征数据进行降维，得到降维后的训练样本和降维后的测试样本。
以对标准化后的训练样本中的输入特征数据进行降维为例，具体的包括以下步骤：
步骤31、利用高斯径向核函数，将标准化后的训练样本中的输入特征数据映射到高维空间，得到训练样本核矩阵K；其中，高维空间的维数为无穷大。
步骤32、利用中心化公式，对训练样本核矩阵K进行中心化，得到中心化训练样本核矩阵Kc；
其中，中心化公式为：
Kc＝(K-lNK-KlN+lNKlN)
其中，lN为表示系数为
的N×N阶矩阵，N为训练样本核矩阵的维数。
步骤33、确定中心化训练样本核矩阵Kc的特征值λ及对应特征向量v，并将特征向量及对应特征值λ大小降序进行排序，即按特征值从大到小进行排序，特征值越大，其对应的特征向量包含的有用信息越多。
步骤34、设定中心化训练样本核矩阵Kc中的主元累计方差贡献率的阈值为85％，确定主元个数p；取前p行特征向量，并单位化后构建矩阵，得到降维后的训练样本；
主元累计方差贡献率的阈值计算公式为：
其中，λk为中心化训练样本核矩阵Kc得到的按降序排列的第k个特征值，p为主元个数。
本发明中，对标准化后的测试样本中的输入特征数据的降维过程与标准化后的训练样本中的输入特征数据的降维过程一致。
步骤4、采用时间滑动窗口将降维后的训练样本中的输入特征数据转换为具有时间功能的序列，得到输入训练样本；采用时间滑动窗口将降维后的测试样本中的输入特征数据转换为具有时间功能的序列，得到输入测试样本。
本发明步骤4中，为保证DL-BiLSTM网络的输入输出在同一量级，由于KPCA主成分分析对样本进行降维，仅对输入特征数据进行了降维，而输出特征数据没有任何操作；因此，输入特征数据和输出特征数据必然不在一个量级，需要消除两者间的差异性，避免影响检测结果。
具体过程如下：
将降维后的训练样本记为：
其中，xtj为降维后的训练样本中第t个时刻的第j个传感器数据，t取1、2、……或n；降维后的训练样本的每一行为某一时刻j个传感器的数据；
例如，t时刻的传感器数据为Xt＝(xt,1 xt,2…xt,j)
设定时间步长为T，确定序列划分依据，将不具备时间功能的数据转换为具有时序性的数据；在DL-BiLSTM网络的应用过程中，需要将其转换为具有时序特征的数据，则每一个时刻输入的数据不再单独仅仅是当前时刻的，而应该包含整个序列。
降维后数据作为DL-BiLSTM某个时刻的输入的表达式应为：
其中，T＜t＜n；采用时间滑动窗口转换后的输入训练样本及输入测试样本均为元胞数组类型
步骤5、将步骤4中的输入训练样本作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络，训练后的DL-BiLSTM网络作为故障检测模型。
具体包括以下步骤：
建立DL-BiLSTM网络，设置DL-BiLSTM网络参数，定义DL-BiLSTM网络架构；
设置DL-BiLSTM网络模型参数：根据实际的网络模型设定输入神经元数、输出神经元数、最大训练轮数、最小批次处理大小、初始学习率以及每层BiLSTM的隐含单元数。
定义DL-BiLSTM网络架构：本发明DL-BiLSTM网络采用两层双向LSTM模型；相比与标准LSTM模型，本发明DL-BiLSTM网络设置两层双向LSTM叠加，即上一层双向LSTM经过丢弃层后的输出作为下一层双向LSTM的输入，使得结果精度更高；设计丢弃层的目的是防止训练过程过拟合。
DL-BiLSTM网络包括序列输入层、第一层双向LSTM网络、第一丢弃层、第二层双向LSTM网络、第一全连接层、第二丢弃层、第二全连接层及回归预测层；序列输入层的输出与第一层双向LSTM网络的输入连接，第一层双向LSTM网络的输出与第一丢弃层的输入连接，第一丢弃层的输出与第二层双向LSTM网络的输入连接，第二层双向LSTM网络的输出与第一全连接层的输入连接，第一全连接层的输出与第二丢弃层的输入连接，第二丢弃层的输出与第二全连接层的输入连接，第二全连接层的输出与回归预测层的输入连接；其中，第一丢弃层及第二丢弃层的丢弃率均为0.5。
将输入训练样本中的输入特征数据输入至DL-BiLSTM网络中，得到输出特征数据的预测值；利用均方误差作为损失函数，计算得到训练样本输入特征数据的损失函数的损失值之和；利用自适应学习率算法Adam对DL-BiLSTM网络的梯度进行更新优化，直至迭代完成，得到训练后的DL-BiLSTM网络，训练后的DL-BiLSTM网络作为故障检测模型；为了防止出现DL-BiLSTM网络的梯度爆炸，本发明设定DL-BiLSTM网络的梯度的阈值为1；其中，均方误差的表达式为：
其中，ti为训练样本中的输出特征数据的真实值，yi为训练样本中的输出特征数据的预测值。
步骤6、将步骤4中的输入测试样本作为故障检测模型的输入，得到空调系统传感器故障检测结果；具体的包括以下步骤：
首先，采用时间滑动窗口将降维后的测试样本中的输入特征数据转换为具有时间功能的序列，得到输入测试样本；并将输入测试样本输入至故障检测模型，得到预测输出特征数据，利用预测输出特征数据与测试样本中实际输出特征数据作差，得到残差；之后将残差与预设故障阈值进行对比，得到空调系统传感器的故障检测结果；其中，当残差大于预设故障阈值时，则空调系统传感器存在故障；当残差小于等于预设故障阈值时，则空调系统传感器正常。
步骤7，引入机器学习通用的准确率、查准率及查全率作为评价指标，判定故障检测性能的优劣；具体的，将实际为故障样本且判定为故障样本的个数记为TP；实际为正常样本且判定为正常样本的个数记为TN；实际为正常样本但判定为故障样本的个数记为FP；实际为故障样本但判定为正常样本的个数记为FN。
其中，准确率评价指标的表达式为：
查准率评价指标的表达式为：
查全率评价指标的表达式为：
本发明还提供了一种空调传感器故障检测系统，包括获取模块、标准化处理模块、主成分提取模块、模型训练模块及预测判定模块；
数据获取模块，获取空调系统的若干传感器数据组，并构建训练样本和测试样本；
标准化处理模块，分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；
主成分提取模块，采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本进行降维，得到降维后的训练样本和降维后的测试样本；
模型训练模块，将降维后的训练样本数据作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；
预测判定模块，将降维后的测试样本数据作为训练后的DL-BiLSTM网络的输出，得到空调系统传感器故障检测结果。
实施例
本实施例提供了一种空调传感器故障检测方法，包括以下步骤：
步骤1、获取空调系统的传感器数据；本实施例中选择某空调系统中的空调传感器正常运行时的1000个传感器数据组；其中，每个传感器数据组包括输入特征数据和输出特征数据，输入特征数据包括冷冻水阀开度、送风湿度、新风温度、新风湿度、回风温度及回风湿度；所述输出特征数据包括送风温度；并将前700个传感器数据组需作为训练样本，后300个传感器数据组作为测试样本；
步骤2、分别对训练样本及测试样本中的输入特征数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；本实施例通过对中的输入特征数据进行数据标准化处理，消除传感器数据类型的差异性，得到标准化后的输入特征数据。
步骤2中，对训练样本及测试样本中的输入特征数据进行zero-mean标准化处理，其标准化公式为：
其中，x*为标准化后的传感器数据；x为传感器的原始数据；μ为每类传感器训练样本数据的均值；σ为每类传感器训练样本数据的标准差。
其中，对训练样本中的输入特征数据进行标准化时，首先，计算训练样本中中的输入特征数据的每一类传感器数据的均值及标准差，然后利用每一类传感器数据的均值及标准差，采用标准化公式对训练样本中对应类别传感器数据进行zero-mean标准化处理，得到标准化后的训练样本。
对测试样本中的输入特征数据进行标准化时，利用训练样本中输入特征数据对应类别传感器数据的均值和标准差，采用采用标准化公式对测试样本中对应类别传感器数据进行zero-mean标准化处理，得到标准化后的测试样本。
采用KPCA核主成分分析，对标准化后的训练样本中的输入特征数据及标准化后的测试样本中的输入特征数据进行降维，得到降维后的训练样本和降维后的测试样本。
以对标准化后的训练样本中的输入特征数据进行降维为例，具体的包括以下步骤：
步骤31、利用高斯径向核函数，将标准化后的训练样本中的输入特征数据映射到高维空间，得到训练样本核矩阵K；其中，高维空间的维数为无穷大。
步骤32、利用中心化公式，对训练样本核矩阵K进行中心化，得到中心化训练样本核矩阵Kc；
其中，中心化公式为：
Kc＝(K-lNK-KlN+lNKlN)
其中，lN为表示系数为
的N×N阶矩阵，N为训练样本核矩阵的维数。
步骤33、确定中心化训练样本核矩阵Kc的特征值λ及对应特征向量v，即Kc＝λv；并将特征向量及特征值大小降序进行排序，即按特征值从大到小进行排序，特征值越大，其对应的特征向量包含的有用信息越多。
步骤34、设定中心化训练样本核矩阵Kc中的主元累计方差贡献率的阈值为85％，确定主元个数p；取前p行特征向量，并单位化后构建矩阵，得到降维后的训练样本；
本实施例中，对标准化后的测试样本中的输入特征数据的降维过程与标准化后的训练样本中的输入特征数据的降维过程一致。
步骤4、采用时间滑动窗口将降维后的训练样本中的输入特征数据转换为具有时间功能的序列，得到输入训练样本；采用时间滑动窗口将降维后的测试样本中的输入特征数据转换为具有时间功能的序列，得到输入测试样本。
步骤4中，为保证DL-BiLSTM网络的输入输出在同一量级，由于KPCA主成分分析对样本进行降维，仅对输入特征进行了降维，而输出特征数据没有任何操作；因此，输入特征数据和输出特征数据必然不在一个量级，需要消除两者间的差异性，避免影响检测结果。
具体过程如下：
将降维后的训练样本记为：
设定时间步长为3，确定序列划分依据，将不具备时间功能的数据转换为具有时序性的数据；在DL-BiLSTM网络的应用过程中，需要将其转换为具有时序特征的数据，则每一个时刻输入的数据不再单独仅仅是当前时刻的，而应该包含整个序列。
降维后数据作为DL-BiLSTM某个时刻的输入的表达式应为：
其中，3＜t＜n；采用时间滑动窗口转换后的输入训练样本及输入测试样本均为元胞数组类型
步骤5、将步骤4中的输入训练样本作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络，训练后的DL-BiLSTM网络作为故障检测模型。
具体包括以下步骤：
建立DL-BiLSTM网络，设置DL-BiLSTM网络参数，定义DL-BiLSTM网络架构；
设置DL-BiLSTM网络模型参数：根据实际的网络模型设定输入神经元数为5、输出神经元数为1、最大训练轮数为50、最小批次处理大小为20、初始学习率为200以及每层BiLSTM的隐含单元数为100。
定义DL-BiLSTM网络架构：本实施例DL-BiLSTM网络采用两层双向LSTM模型；相比与标准LSTM模型，本实施例DL-BiLSTM网络设置两层双向LSTM叠加，即上一层双向LSTM经过丢弃层后的输出作为下一层双向LSTM的输入，使得结果精度更高；设计丢弃层的目的是防止训练过程过拟合。
DL-BiLSTM网络包括序列输入层、第一层双向LSTM网络、第一丢弃层、第二层双向LSTM网络、第一全连接层、第二丢弃层、第二全连接层及回归预测层；
序列输入层的输出与第一层双向LSTM网络的输入连接，第一层双向LSTM网络的输出与第一丢弃层的输入连接，第一丢弃层的输出与第二层双向LSTM网络的输入连接，第二层双向LSTM网络的输出与第一全连接层的输入连接，第一全连接层的输出与第二丢弃层的输入连接，第二丢弃层的输出与第二全连接层的输入连接，第二全连接层的输出与回归预测层的输入连接；其中，第一丢弃层及第二丢弃层的丢弃率均为0.5.
将输入训练样本中的输入特征数据输入至DL-BiLSTM网络中，得到输出特征数据的预测值；利用均方误差作为损失函数，计算得到输入训练样本输入特征数据的损失函数的损失值之和；利用自适应学习率算法Adam对DL-BiLSTM网络的梯度进行更新优化，直至迭代完成，得到训练后的DL-BiLSTM网络，训练后的DL-BiLSTM网络作为故障检测模型；为了防止出现DL-BiLSTM网络的梯度爆炸，本实施例设定DL-BiLSTM网络的梯度的阈值为1；其中，均方误差的表达式为：
其中，ti为训练样本中的输出特征数据的真实值，yi为训练样本中的输出特征数据的预测值。
步骤6、将步骤4中的输入测试样本作为故障检测模型的输入，得到空调系统传感器故障检测结果；具体的包括以下步骤：
首先，采用时间滑动窗口将降维后的测试样本中的输入特征数据转换为具有时间功能的序列，得到输入测试样本；并将输入测试样本输入至故障检测模型，得到预测输出特征数据，利用预测输出特征数据与测试样本中实际输出特征数据作差，得到残差；之后将残差与预设故障阈值进行对比，得到空调系统传感器的故障检测结果。
步骤7，引入机器学习通用的准确率、查准率及查全率作为评价指标，判定故障检测性能的优劣；具体的，将实际为故障样本且判定为故障样本的个数记为TP；实际为正常样本且判定为正常样本的个数记为TN；实际为正常样本但判定为故障样本的个数记为FP；实际为故障样本但判定为正常样本的个数记为FN。
其中，准确率评价指标的表达式为：
查准率评价指标的表达式为：
查全率评价指标的表达式为：
对测试数据的第101组起开始设置漂移故障，本实施例中测试了10％和20％漂移偏差下故障检测效果，同时与KPCA和标准LSTM的故障检测效果相比对。
如下表1所述，表1中给出了对空调系统的传感器数据设置10％及20％漂移故障时，本实施例、KPCA及标准LSTM故障检测方法的检测结果对比表，从表1中可以看出KPCA方法虽然考虑了空调系统的非线性特点，但是对于微小的漂移故障的检测效果不佳，对于10％和20％的漂移故障的准确率分别为54.33％和56.33％，而查全率仅有32.50％和35.50％；标准的LSTM方法虽然考虑故障的时间特性，但是由于模型仅有一层LSTM，精度不高，导致故障检测率仍有提升的空间；本实施例提出的KPCA-DL-BiLSTM既充分考虑了故障的时间特性，采用两层双向LSTM来建立精确的故障检测模型；又结合了KPCA对非线性系统特征降维的优点，减少了模型的复杂度，可以看出KPCA-DL-BiLSTM对空调传感器微小故障检测有一定的现实意义。
表1对空调系统的传感器数据设置10％及20％漂移故障示的故障检测结果的对比表
如附图2及附图3所示，附图2和附图3中分别给出了本实施例所述的空调传感器故障检测方法设置10％和20％漂移故障的检测结果曲线图，从附图2、3中可以看出本实施例KPCA-DL-BiLSTM的残差曲线相比于LSTM更加平滑，说明KPCA-DL-BiLSTM故障检测模型的稳定性也更好；本实施例KPCA-DL-BiLSTM在无故障阶段残差值基本都位于故障阈值基准线下，在故障阶段残差值基本都位于故障阈值基准线上，说明其故障检测准确度较高。
本实施例所述的故障检测方法及系统，故障检测正确率相比于KPCA和标准的LSTM更高，稳定性更强，实施更加便捷；充分利用KPCA核主成分分析的贡献率图，此部分不需要利用专业知识分析变量的关联性，只需根据贡献率的大小就可判断特征的重要性；因此，在传感器数据的采集过程并不需要大量的先验知识，即使不是本专业的人员也能采取相关传感器数据，实际可操作性强；深度学习的复杂性往往导致训练、预测时间过长，而本实施例的检测方法与KPCA相结合，降低输入数据的维度，在一定程度上减少了运行的时长，实现故障检测的时效性；将KPCA降维后不具备时间功能的数据转为序列，使得故障的判定不仅仅只依赖于当前时刻的变化，而与前几个时刻的状态都相关联，一定程度上避免了误判，使得查准率更高，即故障检测更加准确；采用两层的双向LSTM模型建立预测模型，相比于标准的LSTM模型涉及的参数更加细致，使得预测模型精度更高，从而实现故障检测准确率更高。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种空调传感器故障检测方法，其特征在于，包括以下步骤：
步骤1、获取空调系统的若干传感器数据组，并构建训练样本和测试样本；
步骤2、分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；
步骤3、采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本数据进行降维，得到降维后的训练样本和降维后的测试样本；
步骤4、将降维后的训练样本作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；
步骤5、将降维后的测试样本作为训练后的DL-BiLSTM网络的输入，得到空调系统传感器故障检测结果。
2.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤1中，将其中一部分传感器数据组作为训练样本，剩余部分传感器数据组作为测试样本；每个传感器数据组包括输入特征数据及输出特征数据；其中，输入特征数据包括冷冻水阀开度、送风湿度、新风温度、新风湿度、回风温度及回风湿度；输出特征数据包括送风温度。
3.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤2中，对训练样本数据及测试样本数据进行zero-mean标准化处理；
其中，x*为标准化后的传感器数据；x为传感器的原始数据；μ为每类传感器训练样本数据的均值；σ为每类传感器训练样本数据的标准差。
4.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤3中，分别对标准化后的训练样本数据及测试样本数据进行主成分提取时，具体包括以下步骤：
步骤31、利用高斯径向核函数，将标准化后的训练样本数据或测试样本数据映射到高维空间，得到核矩阵；
步骤32、对核矩阵进行中心化，得到中心化核矩阵；
步骤33、确定中心化核矩阵的特征值和特征向量，将特征向量按对应特征值大小降序进行排序；
步骤34、设定累计方差贡献率的阈值为85％，确定主元个数p；取前p行特征向量，并单位化后构建矩阵，得到降维后的训练样本及降维后的测试样本。
5.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤4中，首先采用时间滑动窗口将降维后的训练样本数据转换为具有时间功能的传感器数据序列，得到输入训练样本，并将输入训练样本作为DL-BiLSTM网络的输入。
6.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤4中，对DL-BiLSTM网络进行训练时，具体包括以下步骤：
将输入训练样本输入至DL-BiLSTM网络中，得到输出数据的预测值；利用均方误差作为损失函数，计算得到输入训练样本的损失函数的损失值之和；利用Adam算法对DL-BiLSTM网络的梯度进行更新优化，直至迭代完成，得到训练后的DL-BiLSTM网络。
7.根据权利要求6所述的一种空调传感器故障检测方法，其特征在于，DL-BiLSTM网络采用两层双向LSTM网络模型；DL-BiLSTM网络包括序列输入层、第一层双向LSTM网络、第一丢弃层、第二层双向LSTM网络、第一全连接层、第二丢弃层、第二全连接层及回归预测层；
序列输入层的输出与第一层双向LSTM网络的输入连接，第一层双向LSTM网络的输出与第一丢弃层的输入连接，第一丢弃层的输出与第二层双向LSTM网络的输入连接，第二层双向LSTM网络的输出与第一全连接层的输入连接，第一全连接层的输出与第二丢弃层的输入连接，第二丢弃层的输出与第二全连接层的输入连接，第二全连接层的输出与回归预测层的输入连接。
8.根据权利要求6所述的一种空调传感器故障检测方法，其特征在于，步骤4中，均方误差E的表达式为：
其中，ti为训练样本中的输出特征数据的真实值，yi为训练样本中的输出特征数据的预测值。
9.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤5中，首先采用时间滑动窗口将降维后的训练测试数据转换为具有时间功能的序列，得到输入测试样本，并将输入测试样本输入至训练后的DL-BiLSTM网络；得到预测输出，利用预测输出与实际输出作差，得到残差；之后将残差与预设故障阈值进行对比，得到空调系统传感器的故障检测结果。
10.一种空调传感器故障检测系统，其特征在于，包括获取模块、标准化处理模块、主成分提取模块、模型训练模块及预测判定模块；
数据获取模块，获取空调系统的若干传感器数据组，并构建训练样本和测试样本；
标准化处理模块，分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；
主成分提取模块，采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本进行降维，得到降维后的训练样本和降维后的测试样本；
模型训练模块，将降维后的训练样本数据作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；
预测判定模块，将降维后的测试样本数据作为训练后的DL-BiLSTM网络的输入，得到空调系统传感器故障检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011270534.8A CN112381141A (zh) | 2020-11-13 | 2020-11-13 | 一种空调传感器故障检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011270534.8A CN112381141A (zh) | 2020-11-13 | 2020-11-13 | 一种空调传感器故障检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112381141A true CN112381141A (zh) | 2021-02-19 |
Family
ID=74582298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011270534.8A Pending CN112381141A (zh) | 2020-11-13 | 2020-11-13 | 一种空调传感器故障检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381141A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921230A (zh) * | 2018-07-25 | 2018-11-30 | 浙江浙能嘉华发电有限公司 | 基于类均值核主元分析和bp神经网络的故障诊断方法 |
| CN109188198A (zh) * | 2018-08-30 | 2019-01-11 | 武汉大学 | 一种基于卷积神经网络的故障数据匹配方法 |
| CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
| WO2019090878A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111191727A (zh) * | 2019-12-31 | 2020-05-22 | 北京建筑大学 | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 |
-
2020
- 2020-11-13 CN CN202011270534.8A patent/CN112381141A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090878A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 基于向量值正则核函数逼近的模拟电路故障诊断方法 |
| CN108921230A (zh) * | 2018-07-25 | 2018-11-30 | 浙江浙能嘉华发电有限公司 | 基于类均值核主元分析和bp神经网络的故障诊断方法 |
| CN109188198A (zh) * | 2018-08-30 | 2019-01-11 | 武汉大学 | 一种基于卷积神经网络的故障数据匹配方法 |
| CN109472317A (zh) * | 2018-11-22 | 2019-03-15 | 哈尔滨工业大学 | 多维信号的实时故障检测与实时故障隔离方法 |
| CN110824914A (zh) * | 2019-09-30 | 2020-02-21 | 华南师范大学 | 一种基于pca-lstm网络的废水处理智能监控方法 |
| CN111191727A (zh) * | 2019-12-31 | 2020-05-22 | 北京建筑大学 | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| MENG Q ETAL.: "Global optimal control of variable air volume airconditioning system with iterative learning", JOURNAL OF ZHENGJIANG UNIVERSITY-SCIENCE A, 30 April 2015 (2015-04-30) * |
| 李兆峰;: "基于主成分分析和卷积神经网络的入侵检测方法研究", 现代信息科技, no. 10, 25 May 2019 (2019-05-25) * |
| 李冠男等: "基于PCA-SVDD的冷水机组故障检测方法", 华中科技大学（自然科学版）, vol. 43, no. 8, 31 August 2015 (2015-08-31) * |
| 龚瑞昆;李昊;: "核主元分析优化神经网络的变压器故障检测", 工业控制计算机, no. 10, 25 October 2018 (2018-10-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN109934130A (zh) | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 | |
| CN109062189B (zh) | 一种用于复杂故障的工业过程故障诊断方法 | |
| CN111861272B (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN109623489B (zh) | 一种改进的机床健康状态评定方法及数控机床 | |
| CN113642754A (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN113780420A (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
| CN112381965A (zh) | 一种基于数据挖掘的航空发动机健康状态识别系统及方法 | |
| CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
| US20240184678A1 (en) | Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis | |
| CN114897103A (zh) | 一种基于近邻成分损失优化多尺度卷积神经网络的工业过程故障诊断方法 | |
| CN114493023A (zh) | 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法 | |
| CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
| CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
| CN112381141A (zh) | 一种空调传感器故障检测方法及系统 | |
| Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
| CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 |
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 |