CN114398939A - 系统故障检测的方法、装置及设备、存储介质 - Google Patents

系统故障检测的方法、装置及设备、存储介质 Download PDF

Info

Publication number
CN114398939A
CN114398939A CN202111480925.7A CN202111480925A CN114398939A CN 114398939 A CN114398939 A CN 114398939A CN 202111480925 A CN202111480925 A CN 202111480925A CN 114398939 A CN114398939 A CN 114398939A
Authority
CN
China
Prior art keywords
sequence
neural network
actual
fault detection
layer
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
Application number
CN202111480925.7A
Other languages
English (en)
Inventor
何万基
徐明仿
石健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yingweike Information Technology Co ltd
Original Assignee
Shenzhen Yingweike Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yingweike Information Technology Co ltd filed Critical Shenzhen Yingweike Information Technology Co ltd
Priority to CN202111480925.7A priority Critical patent/CN114398939A/zh
Publication of CN114398939A publication Critical patent/CN114398939A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及一种系统故障检测的方法、装置及设备、存储介质，系统故障检测的方法包括：获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于运行参数序列得到预测运行特征序列；基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；将高级实际特征和高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。如此，依据时间序列数据作为输入拓展了故障检测的检测范围；利用孪生神经网络的强特征提取优势，从运行特征序列中提取和生成了与故障关联性更强的高级特征，有效提高了故障检测的效果。

Description

系统故障检测的方法、装置及设备、存储介质
技术领域
本申请涉及设备故障检测技术领域，具体涉及一种系统故障检测的方法、装置及设备、存储介质。
背景技术
随着科技的发展，设备越来越自动化，以空调系统为例，空调系统是一个复杂的设备系统，其运行状态受到内部和外部因素共同影响，在运行过程中的一处微小故障就可能引起连锁反应，形成多位置关联故障。实际应用时，用户或运维人员通常只会在空调系统出现严重故障或彻底失效时才能发觉设备出现故障，而在此之前，空调系统可能长期处于一种“亚健康”的运行状态。因此提升系统故障检测的检测范围和检测效果，在严重故障之前及时发现并提示设备故障，对于延长设备使用寿命、提升设备可靠性、提高设备维护效率、节约能源等方面具有重要意义。
发明内容
有鉴于此，本申请的目的在于克服现有技术中故障检测的检测范围和检测效果还有待提升的技术问题，提供一种系统故障检测的方法、装置及设备、存储介质。
为实现以上目的，本申请采用如下技术方案：
本申请的第一方面提供一种系统故障检测的方法，包括：
获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
可选的，所述基于所述运行参数序列得到预测运行特征序列，包括：
将所述运行参数序列输入到预先构建的数学模型中，得到所述预测运行特征序列。
可选的，所述数学模型包括基于神经网络构建的黑箱模型；
所述黑箱模型的神经网络结构包括依次连接的长短期记忆层、拼接层、第一全连接层、加法层和第二全连接层。
可选的，所述基于所述运行参数序列得到预测运行特征序列之后，所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼之前，所述方法还包括：
分别对所述实际运行特征序列和所述预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列；
所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征，包括：
基于孪生神经网络，分别对所述实际特征序列和所述预测特征序列进行特征提炼，对应得到所述高级实际特征和所述高级预测特征。
可选的，所述归一化的表达式包括：
Figure BDA0003394886680000021
式中，
Figure BDA0003394886680000022
表示归一化结果，xj表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，qmin和qmax分别表示数据的下分位和上分位。
可选的，所述孪生神经网络包括预设数量的层级组合结构；所述层级组合结构包括依次连接的卷积层、批标准化层和激活函数层。
可选的，所述分类神经网络模型包括：二分类神经网络模型或者多分类神经网络模型；
所述将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果，包括：
将所述高级实际特征和所述高级预测特征输入到二分类神经网络模型中，得到系统的第一故障检测结果；或者，
将所述高级实际特征和所述高级预测特征输入到多分类神经网络模型中，得到系统的第二故障检测结果；所述第二故障检测结果包括故障类型。
可选的，所述二分类神经网络模型包括依次连接的输入层、相似性计算层、Sigmoid层和输出层；所述多分类神经网络模型包括依次连接的输入层、拼接层、全连接层、Softmax层和输出层。
本申请的第二方面提供一种系统故障检测的装置，包括：
获取模块，用于获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
特征提炼模块，用于基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
检测模块，用于将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
本申请的第三方面提供一种系统故障检测的设备，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如本申请的第一方面所述的方法。
本申请的第四方面提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本申请的第一方面所述的系统故障检测的方法的各个步骤。
本申请提供的技术方案可以包括以下有益效果：
本申请的方案中，在获取到系统在预设时间段内的运行参数序列和实际运行特征序列后，可以利用运行参数序列获取理想状态下的预测运行特征序列。继而分别将实际运行特征序列和预测运行特征序列输入到孪生神经网络中进行特征提炼，对应得到高级实际特征和高级预测特征。再将高级实际特征和高级预测特征输入到分类神经网络模型中进行对比，即可得到系统的故障检测结果。如此，一方面依据系统动态运行过程中的时间序列数据进行设备的故障检测，可以使故障检测应用于非稳态运行状态中，拓展了故障检测的范围；另一方面利用孪生神经网络的强特征提取优势，从运行特征序列中提取和生成了与故障关联性更强的高级特征，有效提高了故障检测的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种系统故障检测的方法的流程图。
图2是本申请另一个实施例提供的一种系统故障检测的方法中黑箱模型的神经网络结构示意图。
图3是本申请另一个实施例提供的一种黑箱模型中特征输入和输出的示意图。
图4是本申请另一个实施例提供的一种系统故障检测的方法中孪生神经网络下的特征输入和特征提炼的示意图。
图5是本申请另一个实施例提供的一种系统故障检测的方法中二分类神经网络模型的示意图。
图6是本申请另一个实施例提供的一种系统故障检测的方法中多分类神经网络模型的示意图。
图7是本申请另一个实施例提供的一种系统故障检测的装置的结构示意图。
图8是本申请另一个实施例提供的一种系统故障检测的设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
相关技术中，以空调系统为例，空调系统的运行过程是动态的，随着环境条件及设定目标的变化，空调控制逻辑实时调控系统的运行状态，以满足目标的温度、湿度要求。对于中小型空调设备，环境的剧烈变化会使空调运行过程变得非常不稳定。对于这类不太稳定的设备，故障检测和诊断变得更加困难。因此，应该充分考虑环境和控制影响下运行参数在一段时间内的动态变化信息，不能简单地将运行状态中的每一个状态点作为“准稳态”考虑。
本申请的实施例提供一种系统故障检测的方法，如图1所示，该方法至少可以包括如下步骤：
步骤11、获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于运行参数序列得到预测运行特征序列。
其中，运行参数序列是运行参数的数值在预设时间段内按照其发生的时间先后顺序排列而成的数列。以温度为例，预设时间段Δt按照时间先后顺序的时间点分别为t1、t2、t3……、tn，且t1时间的温度为T1,t2时间的温度为T2,t3时间的温度为T3,……，tn时间的温度为Tn，则关于温度的运行参数序列可以表示为[T1,T2,T3,...,Tn]。
实施时，以空调系统为例，可以将空调系统的运行参数分为内部运行参数和外部运行参数，内部运行参数可以是指描述空调系统制冷剂状态的热力学参数，如温度、压力、焓、过热度、过冷度等；外部运行参数可以是指环境参数和零部件的动作参数，如室外温度、室内温度、压缩机转速、风机转速、电子膨胀阀开度等。
实际运行特征序列是由空调系统在实际运行状态下的预设时间段内的动态运行数据产生。相应的，预测运行特征序列可以是空调系统在理想工作状态下，由与实际运行特征序列保持相同的预设时间段和运行参数序列时的动态运行数据产生。
具体的，预设时间段的具体数值范围可以根据实际需求进行设置，此处不作限定。
步骤12、基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征。
步骤13、将高级实际特征和高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
本实施例中，在获取到系统在预设时间段内的运行参数序列和实际运行特征序列后，可以利用运行参数序列获取理想状态下的预测运行特征序列。继而分别将实际运行特征序列和预测运行特征序列输入到孪生神经网络中进行特征提炼，对应得到高级实际特征和高级预测特征。再将高级实际特征和高级预测特征输入到分类神经网络模型中进行对比，即可得到系统的故障检测结果。如此，一方面依据系统动态运行过程中的时间序列数据进行设备的故障检测，可以使故障检测应用于非稳态运行状态中，拓展了故障检测的范围；另一方面利用孪生神经网络的强特征提取优势，从运行特征序列中提取和生成了与故障关联性更强的高级特征，有效提高了故障检测的效果。
一些实施例中，为了提升故障检测的鲁棒性，一定程度上发掘系统中各运行参数的潜在关联规律和约束关系，在上述基于运行参数序列得到预测运行特征序列时，可以将运行参数序列输入到预先构建的数学模型中，得到预测运行特征序列。
实施时，可以利用收集的系统的历史正常运行数据，构建或标定系统的数学模型，数学模型是指利用数学方法概括或近似表示系统的各参数关联规律和约束关系的数学结构，给定输入的情况下，利用数学模型模拟输出接近真实的预测值。
实际应用中，数学模型依据对系统内部物理意义描述的详尽程度从低到高可以分为黑箱模型、灰箱模型和白箱模型。
在一实施例中，考虑到空调系统运行过程中涉及的制冷剂状态变化过程非常复杂，如果完全根据已知的物理原理进行建模(即白箱模型)，计算速度慢而且计算资源占用极大，而黑箱模型可以简化空调系统内部状态变化的物理过程，直接构建相关参数的因果关系，计算速度和计算资源能够得到极大优化，因此，数学建模可以选用基于神经网络构建的黑箱模型。利用历史正常运行数据训练构建的黑箱模型，能够较好地描述空调系统在正常运行情况下各项参数的联系，而且数据覆盖面越大，黑箱模型精确性越高，有利于提升故障检测算法的鲁棒性。
另外，系统的运行过程大多是动态变化的，不能简单将运行过程中各时刻的状态视为“稳态”处理，尤其是空调系统的压缩机、电子膨胀阀等运动部件处于调节状态的情况，因此，在数学模型建立时考虑这种时序动态特性，有利于提高模型的精度。
实施时，如图2所示展示了一种基于长短期记忆网络(long short termmemory，LSTM)的系统黑箱模型结构，利用LSTM神经网络，黑箱模型以多维特征的时间序列作为输入，并提取时间序列中蕴含的状态变化信息，确保黑箱模型即使在系统未稳定状态下也能做出较精确的预测。
其中，LSTM是预测时间序列常用的神经网络之一，属于循环神经网络(recurrentneural network，RNN)的一种特殊类型；LSTM神经网络具有时间循环结构，可以很好地刻画具有时空关联的序列数据，应用在系统建模中，能够提炼出系统的各项特征的的动态变化信息，从而能够使黑箱模型具有更高预测精度。
具体实施时，如图2所示，黑箱模型从左至右，依次包括5层相连接的神经网络，依次是LSTM层，拼接层(Concat层)，第一全连接层(即全连接层1，Dense)，加法层(Add层)，第二全连接层(即全连接层2，Dense)。在进行预测时，运行参数序列(历史时刻数据特征，包括内部运行参数序列和外部运行参数序列)分别经过LSTM层，对输入的时序特征进行特征提炼，抓取输入特征的动态信息，得到内部特征和外部特征；经过Concat层，将内部特征和外部特征的通道拼接，合并内部特征与外部特征的信息；经过全连接层1，融合内部特征与外部特征的信息，得到融合特征，并将融合特征的通道数调整至与内部特征通道数相等；经过Add层，融合特征与内部特征相同通道的特征数值相加，目的是使神经网络训练内部特征残差，有利于提升模型的预测精度；最后经过全连接层2，处理输出为当前时刻数据特征序列(预测运行特征序列)。
具体的，各层神经网络的神经元数量，需根据实际情况进行调整，为了确保黑箱模型的计算效率，网络层数不宜过多，可以将每层神经元数量调整在64以下；如果系统较复杂，应适当增加各层神经元数量或网络层数。
如图3展示了图2所示黑箱模型的输入和输出，圆表示某一时刻下某一运行参数的值，其中白色圆表示模型输入运行参数(输入特征)，灰色圆表示模型输出预测运行特征(输出特征)。不同时刻的不同运行参数组成一个二维矩阵，图中横向为特征维度，纵向为时间维度。图3中，t表示当前黑箱模型预测时刻，s表示输入数据的采样周期，k表示模型输入的历史时间序列数据样本量。实施时，黑盒模型可以根据t-ks～t-s时刻的内部运行参数序列和t-ks～t时刻的外部运行参数序列，预测t时刻的内部特征值。s和k可以根据实际情况调整，如果采样周期s较短，应增大输入历史样本量k；如果空调系统的运行状态不稳定，应缩短采样周期s，增大历史样本量k；优选的，采样周期s取10秒，历史样本量k取6。
在实际应用中，以蒸汽压缩式空调系统为例，内部运行参数可以选取高压压力、低压压力、吸气温度、排气温度、冷凝器出口温度、吸气过热度、排气过热度、冷凝过冷度，共8项特征；外部运行参数可以选取压缩机转速、电子膨胀阀开度、内风机转速、外风机转速、室外温度、室内温度，共6项特征。
需要说明的是，图2和图3所展示的黑箱模型的结构和输入输出特征仅作为一个具体的实施案例展示，并非是对本申请的黑箱模型的限定。
一些实施例中，为了提高神经网络的训练效率，在上述基于运行参数序列得到预测运行特征序列之后，在基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼之前，系统故障检测的方法还可以包括：分别对实际运行特征序列和预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列。相应的，在基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征时，可以基于孪生神经网络，分别对实际特征序列和预测特征序列进行特征提炼，对应得到高级实际特征和高级预测特征。
具体实施时，归一化处理可以将不同量纲特征放在同一量纲下处理，加速神经网络的收敛，同时激活函数的输出通常以“零点”为中心，有利于网络的迭代优化。应用时，可以在对实际运行特征序列和预测运行特征序列归一化处理时使用相同的归一化参数，以区分二者的相对大小关系。由于算法的目的在于检出故障，若训练数据中包含有一些偏离总体分布的异常样本，很多时候不宜直接剔除掉，或者为了提升模型的鲁棒性而刻意在训练时保留一些异常样本。此时如果使用常规的归一化方法，如min-max归一化，则可能会使归一化映射后的数据在[0,1]之间分布极不均匀，影响故障检测模型的训练和最终性能。为此，结合鲁棒归一化和min-max归一化的思想，提出一种“鲁棒min-max归一化”方法，归一化的表达式可以是：
Figure BDA0003394886680000101
式中，
Figure BDA0003394886680000102
表示归一化结果，xj表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，即把所有样本x按数值从小到大排序，取前q％位置的值，qmin和qmax分别表示数据的下分位和上分位，qmin和qmax的具体取值与特征样本中异常值的分布和情况有关。优选地，qmin取1，qmax取99，即可以将98％的特征数据映射到[0,1]范围内。
一些实施例中，孪生神经网络可以包括预设数量的层级组合结构。其中，层级组合结构可以包括依次连接的卷积层、批标准化层和激活函数层。
具体实施时，孪生神经网络分别对预测运行特征序列和实际运行特征序列进行特征提炼，目的是发掘和生成与故障表现最相关的高级特征；孪生神经网络具有相同的网络结构并且网络参数共享，可由全连接神经网络、卷积神经网络、循环神经网络等组成；卷积神经网络的卷积层是一种天然优秀自动特征提取器，考虑到特征是时间序列，可以优选一维卷积层对各个时序特征进行特征提炼。如图4展示了一种一维卷积神经网络下的输入特征的处理和提炼过程示意，适合于多维时间序列特征提炼。首先对输入特征进行维度转换，在不改变特征数值和时间维度相对位置的情况下，在特征维度上将输入特征整体由二维转至三维，目的是使数据维度满足卷积神经网络的输入要求，如果特征提炼过程中不使用一维卷积层，则需要调整此步骤，以适应其他特征提炼方法的输入要求。在特征提炼过程中，展示了使用3层Conv1d+BN+ReLU层的组合下的特征信息提炼的过程，其中Conv1d表示一维卷积层，用于提炼高级特征，BN表示批标准化层(batch normalization)，用于控制神经网络收敛，防止过拟合，ReLU表示激活函数层(Rectified Linear Units)；最后阶段，通过全局池化层(GlobalPooling)，提炼得到包含了各特征随时间动态变化信息的高级特征。
具体的，Conv1d层的卷积核数量，需根据实际情况进行调整，为了确保模型的计算效率，网络层数不宜过多，卷积核数量可以设置在64以下；最后输出的全局池化层(GlobalPooling)可以使用全局平均池化(global average pooling)。
需要说明的是，图4所展示的孪生神经网络特征提炼过程仅作为一个具体的实施案例展示，并非是对孪生神经网络的具体限定。
在利用孪生神经网络完成特征提炼后，可以将得到的高级实际特征和高级预测特征输入到分类神经网络模型中，以得到输出结果。
其中，分类神经网络模型可以包括：二分类神经网络模型或者多分类神经网络模型。
实施时，在分类神经网络模型为二分类神经网络模型时，可以将高级实际特征和高级预测特征输入到二分类神经网络模型中，得到系统的第一故障检测结果。
其中，二分类神经网络模型可以包括依次连接的输入层、相似性计算层、Sigmoid层和输出层。
具体实施时，在对系统进行故障检测时，可以是指仅检测系统是否故障，而不划分具体的故障类型的问题，属于二分类的问题，因此输出可以是正常概率或异常概率。如图5所示为一种二分类问题的特征比较和概率输出的实施方案。输入是经过特征提炼后的高级预测特征(Inputs1)和高级运行特征(Inputs2)，然后通过相似性计算层计算二者的相似度作为差异性的度量，其中，相似性度量也可以通过欧式距离、皮尔逊相关系数，或者可以综合多个相似性度量加权计算得到。
在一实施例中，优选余弦相似度，计算公式如下：
Figure BDA0003394886680000121
上式中，A和B表示两个向量，Ai，Bi表示向量的各分量。余弦相似度的范围是[-1,1]，不符合概率分布的要求，因此需要再经过Sigmoid函数，将相似度转化输出为(0,1)范围内。图5中，Sigmoid层为一个激活函数Sigmoid，且仅有1个神经元的全连接网络层。若输出的故障概率大于预设阈值，例如大于0.5，则输出为异常概率，即第一故障检测结果为系统故障。其中，预设阈值可以根据实际需求进行设置，此处不作限定。通过相似性计算和全连接神经网络结合的方式提炼实际特征与预测特征之间的差异并生成差异特征，有利于提升故障检测和诊断的效果。
同样的，在分类神经网络模型为多分类神经网络模型时，可以将高级实际特征和高级预测特征输入到多分类神经网络模型中，得到系统的第二故障检测结果；其中，第二故障检测结果可以包括故障类型。
其中，多分类神经网络模型可以包括依次连接的输入层、Concat层、全连接层、Softmax层和输出层。
具体实施时，例如在对空调系统进行故障检测时，可以包括对空调系统的故障类型诊断。故障诊断问题，指不仅要求检测空调系统是否故障，还要求定位到具体的故障类型的问题，属于多分类的问题，输出可以是正常和多故障的概率。图6所示是一种多分类问题的特征比较和概率输出的实施方案。输入是经过特征提炼后的高级预测特征(Inputs1)和高级运行特征(Inputs2)，与图5不同的是，这里不再计算二者的相似性，而是直接通过Concat层将二者拼接起来，然后利用全连接层做差异处理，后经过Softmax层的Softmax函数，输出为各类故障的概率，第二输出结果结果即为各类故障的概率，根据各类故障的概率即可确定第二故障检测结果，第二故障检测结果中包含确定的故障设备，即故障诊断结果。图6中的Softmax层为一个激活函数为Softmax的n个神经元的全连接网络层，其中n为目标识别的故障种类数量。图6所示的神经网络结构亦可应用于二分类问题的输出，此时输出为正常概率和故障概率。
基于相同的技术构思，本申请的实施例提供一种系统故障检测的装置，如图7所示，该装置可以包括：获取模块701，用于获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于运行参数序列得到预测运行特征序列；特征提炼模块702，用于基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；检测模块703，用于将高级实际特征和高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
可选的，在基于运行参数序列得到预测运行特征序列时，获取模块701，具体可以用于：将运行参数序列输入到预先构建的数学模型中，得到预测运行特征序列。
其中，数学模型可以包括基于神经网络构建的黑箱模型，黑箱模型的神经网络结构包括依次连接的LSTM层、Concat层、第一全连接层、Add层和第二全连接层。
可选的，系统故障检测的装置还可以包括处理模块，处理模块可以用于：分别对实际运行特征序列和预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列。相应的，在基于孪生神经网络，分别对实际运行特征序列和预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征时，特征提炼模块702具体可以用于：基于孪生神经网络，分别对实际特征序列和预测特征序列进行特征提炼，对应得到高级实际特征和高级预测特征。
上述归一化的表达式可以是：
Figure BDA0003394886680000141
式中，
Figure BDA0003394886680000142
表示归一化结果，xj表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，qmin和qmax分别表示数据的下分位和上分位。
可选的，上述分类神经网络模型可以包括：二分类神经网络模型或者多分类神经网络模型；相应的，在将高级实际特征和高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果时，检测模块703，具体可以用于：将高级实际特征和高级预测特征输入到二分类神经网络模型中，得到系统的第一故障检测结果；或者，将高级实际特征和高级预测特征输入到多分类神经网络模型中，得到系统的第二故障检测结果；第二故障检测结果包括故障类型。
上述二分类神经网络模型可以包括依次连接的输入层、相似性计算层、Sigmoid层和输出层；多分类神经网络模型可以包括依次连接的输入层、Concat层、全连接层、Softmax层和输出层。
上述孪生神经网络可以包括预设数量的层级组合结构；层级组合结构可以包括依次连接的卷积层、批标准化层和激活函数层。
实施时，本申请的实施例提供的系统故障检测的装置的具体实现方式可以参考以上任意实施例所述的系统故障检测的方法的具体实施方式，此处不再赘述。
基于相同的技术构思，本申请的实施例提供一种系统故障检测的设备，如图8所示，该设备可以包括：处理器801，以及与处理器801相连接的存储器802；存储器802用于存储计算机程序；处理器801用于调用并执行存储器802中的计算机程序，以执行如以上任意实施例所述的系统故障检测的方法。
实施时，本申请的实施例提供的系统故障检测的设备的具体实现方式可以参考以上任意实施例所述的系统故障检测的方法的具体实施方式，此处不再赘述。
基于相同的技术构思，本申请的实施例提供一种存储介质，该存储介质存储有计算机程序，计算机程序被处理器执行时，实现如以上任意实施例所述的系统故障检测的方法的各个步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (11)

1.一种系统故障检测的方法，其特征在于，包括：
获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
2.根据权利要求1所述的系统故障检测的方法，其特征在于，所述基于所述运行参数序列得到预测运行特征序列，包括：
将所述运行参数序列输入到预先构建的数学模型中，得到所述预测运行特征序列。
3.根据权利要求2所述的系统故障检测的方法，其特征在于，所述数学模型包括基于神经网络构建的黑箱模型；
所述黑箱模型的神经网络结构包括依次连接的长短期记忆层、拼接层、第一全连接层、加法层和第二全连接层。
4.根据权利要求1所述的系统故障检测的方法，其特征在于，所述基于所述运行参数序列得到预测运行特征序列之后，所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼之前，所述方法还包括：
分别对所述实际运行特征序列和所述预测运行特征序列进行归一化处理，对应得到实际特征序列和预测特征序列；
所述基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征，包括：
基于孪生神经网络，分别对所述实际特征序列和所述预测特征序列进行特征提炼，对应得到所述高级实际特征和所述高级预测特征。
5.根据权利要求4所述的系统故障检测的方法，其特征在于，所述归一化的表达式包括：
Figure FDA0003394886670000021
式中，
Figure FDA0003394886670000022
表示归一化结果，xj表示训练数据中第j个特征的所有数据，quantile(x,q)函数表示计算样本x的分位值，qmin和qmax分别表示数据的下分位和上分位。
6.根据权利要求1所述的系统故障检测的方法，其特征在于，所述孪生神经网络包括预设数量的层级组合结构；所述层级组合结构包括依次连接的卷积层、批标准化层和激活函数层。
7.根据权利要求1所述的系统故障检测的方法，其特征在于，所述分类神经网络模型包括：二分类神经网络模型或者多分类神经网络模型；
所述将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果，包括：
将所述高级实际特征和所述高级预测特征输入到二分类神经网络模型中，得到系统的第一故障检测结果；或者，
将所述高级实际特征和所述高级预测特征输入到多分类神经网络模型中，得到系统的第二故障检测结果；所述第二故障检测结果包括故障类型。
8.根据权利要求7所述的系统故障检测的方法，其特征在于，所述二分类神经网络模型包括依次连接的输入层、相似性计算层、Sigmoid层和输出层；所述多分类神经网络模型包括依次连接的输入层、拼接层、全连接层、Softmax层和输出层。
9.一种系统故障检测的装置，其特征在于，包括：
获取模块，用于获取系统在预设时间段内的运行参数序列和实际运行特征序列，基于所述运行参数序列得到预测运行特征序列；
特征提炼模块，用于基于孪生神经网络，分别对所述实际运行特征序列和所述预测运行特征序列进行特征提炼，对应得到高级实际特征和高级预测特征；
检测模块，用于将所述高级实际特征和所述高级预测特征输入到分类神经网络模型中，得到系统的故障检测结果。
10.一种系统故障检测的设备，其特征在于，包括：
处理器，以及与所述处理器相连接的存储器；
所述存储器用于存储计算机程序；
所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1-8任一项所述的方法。
11.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的系统故障检测的方法的各个步骤。
CN202111480925.7A 2021-12-06 2021-12-06 系统故障检测的方法、装置及设备、存储介质 Pending CN114398939A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111480925.7A CN114398939A (zh) 2021-12-06 2021-12-06 系统故障检测的方法、装置及设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111480925.7A CN114398939A (zh) 2021-12-06 2021-12-06 系统故障检测的方法、装置及设备、存储介质

Publications (1)

Publication Number Publication Date
CN114398939A true CN114398939A (zh) 2022-04-26

Family

ID=81225882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111480925.7A Pending CN114398939A (zh) 2021-12-06 2021-12-06 系统故障检测的方法、装置及设备、存储介质

Country Status (1)

Country Link
CN (1) CN114398939A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024073944A1 (zh) * 2022-10-08 2024-04-11 佳都科技集团股份有限公司 一种空调节能控制方法、装置、设备及存储介质
CN117970224A (zh) * 2024-03-29 2024-05-03 国网福建省电力有限公司 一种cvt误差状态在线评估方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024073944A1 (zh) * 2022-10-08 2024-04-11 佳都科技集团股份有限公司 一种空调节能控制方法、装置、设备及存储介质
CN117970224A (zh) * 2024-03-29 2024-05-03 国网福建省电力有限公司 一种cvt误差状态在线评估方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Li et al. A novel semi-supervised data-driven method for chiller fault diagnosis with unlabeled data
Yan et al. Chiller faults detection and diagnosis with sensor network and adaptive 1D CNN
CN110162014A (zh) 一种集成多种智能算法的制冷系统故障诊断方法
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
Li et al. Review on fault detection and diagnosis feature engineering in building heating, ventilation, air conditioning and refrigeration systems
CN111723925B (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
CN116881832B (zh) 旋转机械设备故障诊断模型的构建方法及装置
Li et al. Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations
Zhang et al. Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis
CN111079861A (zh) 一种基于图像快速处理技术的配电网电压异常诊断方法
CN114118225A (zh) 发电机剩余寿命预测方法、系统、电子设备和存储介质
CN115757103A (zh) 基于树结构的神经网络测试用例生成方法
CN115290316A (zh) 一种偏心旋转阀故障诊断方法
CN114398939A (zh) 系统故障检测的方法、装置及设备、存储介质
Du et al. Deep learning GAN-based data generation and fault diagnosis in the data center HVAC system
Li et al. Across working conditions fault diagnosis for chillers based on IoT intelligent agent with deep learning model
CN115905959A (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
Zhang et al. Causal discovery-based external attention in neural networks for accurate and reliable fault detection and diagnosis of building energy systems
CN116186633A (zh) 一种基于小样本学习的用电异常诊断方法和系统
Gao et al. How to improve the application potential of deep learning model in HVAC fault diagnosis: Based on pruning and interpretable deep learning method
Balasubramaniam Fault detection and diagnosis in air handling units with a novel integrated decision tree algorithm
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
Li et al. Interpretation and explanation of convolutional neural network-based fault diagnosis model at the feature-level for building energy systems
CN117056402B (zh) 一种基于多源信号的电机诊断方法、装置及存储介质
CN110702438B (zh) 一种离心式冷水机组与新风系统联合故障诊断方法

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