CN112541552B - Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法 - Google Patents

Abstract

本发明公开了一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，该方法采用双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN‑LGBM，对空气处理机组(AHU)进行准确的故障检测与诊断。本发明还在卷积神经网络中使用了残差网络，提高了双通道卷积神经网络的特征提取能力，同时提高了模型的整体故障检测与诊断精度，可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好，只需对模型的某些参数进行改变，就可以很容易移植到别的领域，如冷水机组故障检测与诊断等领域。

Description

DCCNN和LGBM相结合的空气处理机组故障检测与诊断方法

技术领域

本发明涉及故障检测领域，更具体的说，涉及一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法。

背景技术

隧道采暖、通风和空调(HIVC)系统是工业建筑和家庭建筑中的重要组成部分。该系统在调节室内环境中起着主导作用，为人们提供舒适安全的工作和居住环境。为了满足现代建筑对室内环境质量日益增长的要求，HVAC系统变得越来越复杂，其能耗也越来越高，约占全球建筑能耗总量的40％以上。HIVC系统在故障状态下运行，不仅会缩短设备的使用寿命，而且会造成额外损耗，该损耗占建筑总能耗的30％。因此，将故障检测与诊断(FDD)应用于HIVC系统，可以确保HIVC系统安全和高效的运行，进而可以提高用户的舒适度、延长设备的寿命和减少能源消耗。

空气处理装置是HIVC系统中最重要和最耗能的部件之一，用于调节整个供应区域空气质量。AHU是一种集中式空气处理装置，一般包括加热器、冷却器、过滤器以及风机。其基本工作过程是：室外来的新风与室内的一部分回风混合后，首先经过滤器滤掉空气中的粉尘、烟尘和有机粒子等有害物质，然后适当的对混合空气的温度、湿度、气压等进行调节，最后将调节好的空气输送到各个区域。因此对AHU装置进行故障检测与诊断也是监测HIVC是否正常工作。

早期HIVC系统的FDD大多数是基于模型的。然而，基于模型的方法是有限的，因为它们是专门地为特定系统定制，并且非常难以更新、更改或适应不同的系统。此外，如果遇到超出所包含知识边界的情况，基于模型的方法通常会失效。随着人工智能的发展，基于数据的方法越来越受到人们的关注。与基于模型的方法需要关于系统过程的先验知识相反，基于数据的方法只需要大量的历史过程数据就完成故障检测与诊断，而且泛化能力较好，很容易的移植到不同的系统。

现有基于数据的故障检测与诊断流程主要由特征选择、特征转换、特征提取和分类器组成。其中特征提取方法主要有经验模态分解 (EMD)，小波变换(WT)、傅里叶变换(FFT)、卡尔曼滤波(KF) 等。这些特征提取方法通过对时间序列信号进行一定的变换，可以提取出更有利于检测与诊断的特征。这种传统的人工设计提取特征的方法有一下两点不足之处。第一，上述的特征提取方法都有固定的模式，对于简单的系统是有效的，因为其状态信号往往具有明显的频率特性。但是对于AHU这样高度非线性的复杂系统，这些特征提取方法就显得比较乏力，只能在自己的算法设定范围内提取到片面的特征。第二，特征提取过程和后续的故障检测与诊断过程是相互独立的，这两者之间不存在联合优化。特征提取器提取出什么特征，分类器就只能使用什么特征，不能确定所提取的特征是否存在缺陷或冗余，这不利于系统的故障检测与诊断。

发明内容

针对上述技术方案中存在的问题，本发明提出了双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN-LGBM，用于对空气处理机组(AHU)进行准确的故障检测与诊断。

本发明采用以下技术方案实现：

一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，包括以下步骤：

1)人为的模拟多种空气处理机组故障，同时采集安装在空气处理机组各个回路的传感器数值，得到传感器在故障情况下运转的数据；

2)采用嵌入式重要特征选择方法选择出对空气处理机组的故障检测与诊断最相关的八个特征子集；

3)建立双通道卷积神经网络DCCNN模型和光梯度提升机分类器；

4)将步骤2)中选择出的特征子集按照7:3:1的比例划分为训练集、验证集以及测试集；使用训练集训练DCCNN模型，使用验证集验证DCCNN模型是否拟合，使用测试集测试其故障诊断性能，并保存已经训练好的DCCNN模型；

5)使用训练好的DCCNN模型对空气处理机组数据集进行特征提取，并将提取的特征输入到光梯度提升机分类器中进行训练；

6)将需要进行故障检测与诊断的空气处理机组的数据集输入 DCCNN模型进行特征提取，提取的特征输入到光梯度提升机分类器中，光梯度提升机分类器会输出空气处理机组的运行情况及故障情况。

上述技术方案中，进一步地，所述的双通道卷积神经网络为两个并行的卷积结构，一个通道为浅层卷积神经网络，用于对输入的数据进行浅层特征提取，另一个通道为深层卷积神经网络，用于对输入的数据进行深层特征提取。

更进一步地，所述的浅层神经网络由一层卷积层组成；所述的深层卷积神经网络由七层卷积层组成并使用残差网络。

进一步地，所述的深层卷积神经网络中的残差网络由一系列的残差块组成；残差块包括直接映射和残差部分，一个残差块可以表示为：

x_l+1＝h(x_l)+F(x_l,W_l)，其中h(x_l)是直接映射；F(x_l,W_l)是残差部分。

进一步地，步骤2)中所述的嵌入式重要特征选择方法具体为：使用LinearSVC作为分类器进行特征选择，并在LinearSVC的损失函数中加入惩罚项：L2范数，使得跟输出有关的特征在模型中对应的系数相对较大，而跟输出变量无关的特征对应的系数接近于0；分类器对每个特征进行打分，对各特征的得分按从大到小进行排序，选出前八个特征进行后续试验。

使用DCCNN模型对输入的数据进行特征提取，将提取的特征输入到光梯度提升机中进行故障检测与诊断。

使用accuracy_score函数对光梯度提升机的诊断结果进行评价。 accuracy_score计算公式如下：

其中，N_sample为样本总数,y′_i为第i个样本的诊断结果，y_i为第i个样本的真实值。如果y′_i与y_i相同，则说明第i个样本诊断正确返回1，否则返回0，计算所有样本的返回值，然后该值与N_sample相除返回最后的准确率。因此该函数的返回值的范围在[0,1]之间，如果测试集的预测结果与测试集的真实标签完全一致，那么分类准确度就为1，该函数的返回值也为1。

本发明与现有的技术相比，具有以下优点：

本发明针对现有空气处理机组故障检测与诊断模型特征提取部分与模式识别不能不能联合优化的问题，提出了使用双通道卷积神经网络与光梯度提升机相结合的故障检测与诊断模型，并在卷积神经网络中使用了残差网络，提高了双通道卷积神经网络的特征提取能力，同时提高了模型的整体故障检测与诊断精度，可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好，只需对模型的某些参数进行改变，就可以很容易的移植到别的领域，如冷水机组故障检测与诊断等领域。

附图说明

图1为双通道卷积神经网络的框架图；

图2为双通道卷积神经网络与光梯度提升机相结合的整体框架图。

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，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1所示，其中特征提取部分由双通道卷积神经网络组成。左通道对输入数据进行浅层特征提取，提取的特征具有较好的表征能力，代表输入数据中大部分有用信息。右通道对输入数据进行深层特征提取，用于捕捉输入数据中更深层的特征，对右通道提取的浅层特征进行补充。为了避免深层卷积网络出现梯度消失和获得更好的模式识别能力，在右通道中使用了残差网络技术。双通道卷积神经网络主要由 1D卷积层、激活函数和池化层组成。

卷积层是CNN中最核心的模块。每个卷积层包含多个卷积核，卷积核通常是一个矩形矩阵，矩阵的每个值都是由误差反向传播算法自动计算得来。在卷积层中，输入的特征图谱与多个可学习的卷积核进行卷积，不同的卷积核提取不同的特征图谱作为一层的输入。每个卷积核与输入特征图谱上所有位置的特征进行运算，实现同一个输入特征图谱上的权值共享，有效的降低了网络需要训练参数的数量。如果当前为卷积层，则1D卷积运算的公式如下：

式中*表示卷积算子，i表示输入层x^l+1的通道数，k表示卷积核,j表示卷积核数，b表示相应卷积核的偏执。

经过卷积运算后，对卷积层的输出应用一个非线性变换的激活函数是必不可少的。它使网络获得输入信号的非线性表示，增强了网络的表示能力，同时使学习到的特征具有更强大的表示能力。近年来，为了加快神经网络收敛速度，人们广泛使用非饱和的线性整流函数 (ReLU)作为激活单元。ReLU的公式如下：

其中，

表示第1层中第j个神经元的值，max会将

与0作比较并返回较大的那个值，

为max的返回值。

在下采样阶段，经过卷积层后，特征图谱的数量增加，导致数据维数的增加，不利于计算，因此需要在此阶段采用池化操作。池化操作操作的主要作用是降低CNN需要训练的参数的数量和维数，并从激活函数输出的特征图谱中筛选出主要代表性特征。为了减少无用特征的干扰，采用具有平移不变性的最大池化操作。最大池化操作类似于卷积操作，也是通过矩形矩阵来筛选特征。最大池化的计算方法如下：

其中，

表示第1层中第j个神经元的值，

表示

对应的返回值， w表示卷积池的宽度，max表示返回卷积池中最大的值，t表示卷积池中第t个神经元，其取值范围为t∈[(j-1)w+1,jw]。

输入数据经过特征提取后，进行模式识别。模式识别部分主要由全连接层和Softmax分类器组成。全连接层的作用有两个。首先将特征提取部分输出的多个特征整合到一起，这样做的好处是，只要特征值相同，不管特征值所在的位置是否相同，都能得到相同的分类结果，增加了模型的泛化能力。其次是将数据输入到Softmax分类器中进行模式识别。Softmax会输出每种模式的概率，概率总和为1，概率值最大的那个模式为模型的输出结果。

光梯度提升机于2017年提出，是一种新型的GBDT(Gradient Boosting DecisionTree)算法。光梯度提升机虽然是最近提出来的算法，已经被用于许多不同类型是数据挖掘任务，如回归预测、识别分类等。

光梯度提升机得益于两个新技术：基于梯度的单边采样和互斥特征绑定技术。单边梯度采样对于需要训练的样本给予重视，而不需要训练的样本进行随机采样，为了减小对损失函数的影响对随机采样的数据分配权重。互斥特征融合根据该特征与其它特征发生冲突的可能性对其进行降序排序，并使用贪心搜索算法，将冲突可能性小于特定值的进行标记，然后使用直方图进行横向融合，从而实现特征降维。

本发明提出了双通道卷积神经网络DCCNN和光梯度提升机 LGBM相结合的模型：DCCNN-LGBM，该模型的框架如图2所示。

为了说明本发明的故障检测与诊断效果，将本发明使用的 DCCNN-LGBM方法与DCCNN-SVM、DCCNN-C5、SVC、LGBM、 C5等算法进行比较，比较结果如表1所示。如表1所示，空气处理机组运转情况分为14种，其中有13种不同的故障模式和1种正常运转情况。首先，本发明提出的DCCNN-LGBM方法在平均故障检测与诊断方面效果最好。其次，在13种故障运转中本发明使用的方法在其中的10种故障检测中精度也是最高的。可见本方法的优越性。

从平均检测精度来看，使用DCNN模型提取的特特征进行故障检测与诊断是可行的而且与使用原始数据相比较可以取得更好的分类效果。

表1、DCCNN-LGBM方法与其他6种方法性能比较

虽然以上将方法与流程分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在方法与流程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 (4)

1.一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：包括以下步骤：

1)人为的模拟多种空气处理机组故障，同时采集安装在空气处理机组各个回路的传感器数值，得到传感器在故障情况下运转的数据；

2)采用嵌入式重要特征选择方法选择出对空气处理机组的故障检测与诊断最相关的八个特征子集；

3)建立双通道卷积神经网络DCCNN模型和光梯度提升机分类器；

4)将步骤2)中选择出的特征子集按照7:3:1的比例划分为训练集、验证集以及测试集；使用训练集训练DCCNN模型，使用验证集验证DCCNN模型是否拟合，使用测试集测试其故障诊断性能，并保存已经训练好的DCCNN模型；

5)使用训练好的DCCNN模型对空气处理机组数据集进行特征提取，并将提取的特征输入到光梯度提升机分类器中进行训练；

6)将需要进行故障检测与诊断的空气处理机组的数据集输入DCCNN模型进行特征提取，提取的特征输入到光梯度提升机分类器中，光梯度提升机分类器会输出空气处理机组的运行情况及故障情况；

所述的步骤2)中嵌入式重要特征选择方法具体为：使用LinearSVC作为分类器进行特征选择，并在LinearSVC的损失函数中加入惩罚项：L2范数，使得跟输出有关的特征在模型中对应的系数相对较大，而跟输出变量无关的特征对应的系数接近于0；分类器对每个特征进行打分，对各特征的得分按从大到小进行排序，选出前八个特征进行后续步骤。

2.根据权利要求1所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的双通道卷积神经网络为两个并行的卷积结构，一个通道为浅层卷积神经网络，用于对输入的数据进行浅层特征提取，另一个通道为深层卷积神经网络，用于对输入的数据进行深层特征提取。

3.根据权利要求2所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的浅层卷积神经网络由一层卷积层组成；所述的深层卷积神经网络由七层卷积层组成并使用残差网络。

4.根据权利要求3所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的深层卷积神经网络中的残差网络由一系列的残差块组成；残差块包括直接映射和残差部分，一个残差块可以表示为：

x_l+1＝h(x_l)+F(x_l,W_l)，其中h(x_l)是直接映射；F(x_l,W_l)是残差部分。

Images