CN115127192B - 基于图神经网络的半监督的冷水机组故障诊断方法及系统 - Google Patents
基于图神经网络的半监督的冷水机组故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115127192B CN115127192B CN202210555503.XA CN202210555503A CN115127192B CN 115127192 B CN115127192 B CN 115127192B CN 202210555503 A CN202210555503 A CN 202210555503A CN 115127192 B CN115127192 B CN 115127192B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- samples
- sample
- operation data
- neural network
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 40
- 239000003016 pheromone Substances 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 16
- 239000003507 refrigerant Substances 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000010977 unit operation Methods 0.000 description 4
- 238000004378 air conditioning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图神经网络的半监督的冷水机组故障诊断方法及系统，通过构建半监督的冷水主机故障诊断模型，获取包含带有标签的样本和未标记的样本构建运行数据集，确定运行数据集中各个样本的邻居样本，并构建各个样本与邻居样本之间的邻接矩阵，使用运行数据集及其邻接矩阵训练故障诊断模型，从而实现以较少带标记的样本训练得到高精度的故障诊断模型，显著减少冷水机组故障诊断模型对带标记的训练样本的依赖性，提高故障诊断模型在仅有少量带标记的训练样本下的诊断性能。此外，本发明在训练得到故障诊断模型后，采用蚁群优化算法优化故障诊断模型的邻居数量这一超参数，能进一步提高故障诊断模型的精度。
Description
技术领域
本发明涉及中央空调冷水机组故障诊断技术领域，尤其涉及基于图神经网络的半监督的冷水机组故障诊断方法及系统。
背景技术
国际能源的持续紧张和全球气候的变化，建筑的能耗占全球能耗的比重也日益增加，供暖、通风和空调制冷(HVAC)系统作为大型公共建筑必不可少的一部分，其能耗也占据建筑能耗的30％左右，冷水机组是HVAC系统中的主要耗能设备，也是最易发生故障的设备之一，一旦发生故障便会带来严重的后果，不仅会影响建筑内的舒适度，还会造成极大的能源浪费，降低设备的使用寿命，因此开展冷水机组的故障诊断工作对减少建筑能耗，提高制冷设备的能源利用效率和提高设备的使用寿命具有重要意义。
目前针对冷水机组的故障诊断方法，大多数为有监督学习的模型，需要依赖大量的带标记的训练样本进行训练与学习。在冷水机组的实际运行过程中，智慧楼宇管理系统收集到的冷水机组运行数据绝大多数都是不带有标记的，采用人工标记的方式费时费力，极大程度限制了有监督学习的冷水机组故障诊断模型的应用。
因此，如何降低模型对带有标签的学习样本数量的依赖，提高冷水主机故障诊断方法的实用性，已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了基于图神经网络的半监督的冷水机组故障诊断方法及系统，用于解决现有的冷水机组的故障诊断方法对带有标签的学习样本数量要求多，实用性低的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种基于图神经网络的半监督的冷水机组故障诊断方法，包括以下步骤：
S1：获取冷水机组的运行数据集，所述运行数据集包括带有标签的样本和未标记的样本，且每一个样本均包含其对应时刻的多种运行数据。
S2：计算运行数据集中各个样本间的距离，对于运行数据集的每一个样本，选取与其距离最近的前K个样本作为所述样本的邻居样本，建立所述样本与邻居样本之间的连接关系，并根据所述连接关系构造各个样本间的关联关系图；
S3：将所述关联关系图转化为图结构的邻接矩阵，并基于所述邻接矩阵构造以图神经网络为框架的故障诊断模型，使用运行数据集的样本及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，得到训练好的故障诊断模型；
S4：对训练好的故障诊断模型进行测试，并根据测试结果计算故障诊断模型的故障诊断准确率；
S5：将提高准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，直至达到预设的终止条件，输出最佳故障诊断准确率对应的最优邻居样本数量；并采用最优邻居样本数量对应的、训练好的故障诊断模型进行故障诊断。
优选的，所述多种运行数据包括：蒸发器出水温度TEO、冷凝器进水温度TWIC、蒸发器冷却速率Evap Tons、传感器测量瞬时压缩机功率kW、计算性能系数COP、计算的压缩机效率kW/ton、蒸发器趋近温度TEA、冷凝器趋近温度TCA、蒸发器中制冷剂的压力PRE、冷凝器中制冷剂的压力PRC、来自冷凝器的液管制冷剂过冷TRC_sub、制冷剂吸入过热温度Tsh_suc、制冷剂排放过热温度Tsh_dis、油底壳中的油温TO_sump、进油温度TO_feed、供油压力PO_feed以及供油量减去排油压力PO_net。
优选的，在计算运行数据集中各个样本间的距离前，还包括以下步骤：
S11：对由S个传感器采集的，连续T个时刻的运行数据集Xm∈RT×S进行预处理；
S12：对预处理后的运行数据集进行滑窗处理，假设窗口的大小为W，时间步长为L，经过滑窗处理后的运行数据集为X＝{x1,x2,…,xn}∈RS×m×n，其中n＝(T-W)/L。
S13：对滑窗处理后的运行数据集中的各个运行数据进行特征提取，采用皮尔逊相关性系数作为衡量数据间相关性的标准，其具体公式如下：
其中，n为样本数目，o，p为变量名称，通过相关性分析可得到一个对角线为1的相关性矩阵R＝{r11,r12,…,rmm}，通过分析相关性矩阵，并结合变量的物理意义，筛选出m′个变量作为特征变量，将筛选后的运行数据进行主成分分析进行特征提取和去除变量间的相关性，得到处理后的运行数据集XR＝{xR1,xR2,…,xRn}。
优选的，所述S11步骤具体为：
收集S个传感器连续T个时刻的采集的原始运行数据Xm∈RT×S，对所述原始运行数据进行归一化、并采用拉依达准则检测归一化后的原始运行数据的全局异常值，采用层次聚类法检测归一化后的原始运行数据的局部异常值，采用隐马尔科夫模型和马哈拉诺比斯距离法检测归一化后的原始运行数据中的时空异常值，并将所述全局异常值、局部异常值以及时空异常值剔除，针对剔除后存在的数据缺失空位，采用基于热卡填补法从历史数据中找到一组与它最相似的的数据进行填补。
优选的，所述S2步骤具体为：
S21：确定邻居样本数量K；
S22：按以下公式计算运行数据集中第i个样本与其他样本在欧式空间上的距离Dij：
S23：选择与第i个样本距离最近的K个样本作为第i个样本的邻居，并构成第i个样本的邻居列表disi∈RK，并建立第i个样本与其邻居样本之间的连接关系；
S24：确定运行数据集中所有样本的邻居，并得到邻居矩阵Dis＝{dis1,dis2...disn}∈Rn×K；
S25：依据所述邻居矩阵构造样本间的关联关系图。
优选的，将所述关联关系图转化为图结构的邻接矩阵，通过以下公式实现：
其中Aij代表第i个样本与第j个样本之间的连接关系，如果第i个样本与第j个样本之间存在连接关系，则Aij＝1，否则Aij＝0。
优选的，使用训练样本集的样本及其对应的邻接矩阵迭代训练故障诊断模型，包括以下步骤：
S31：将样本之间的邻接矩阵A∈Rn×n和处理后的数据集XR＝{xR1,xR2,…,xRn}一起输入至图神经网络模型按照以下公式进行前向传播：
其中，σ为激活函数ReLU，D为度矩阵，Hl是图神经网络模型第l层的输出，H0＝XR，Wl是带训练的参数，bl是偏置系数；
S32：故障诊断模型按照以下公式计算损失函数，并进行反向传播；
其中，M是故障的类型，n1是训练样本的数量，Ytrain是训练样本的标签；
S33：训练模型至收敛。
优选的，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，包括以下步骤：
S51：初始化算法，设置蚁群的数量、迭代次数、信息素释放量和信息素挥发率；
S52：蚂蚁随机寻找达到终点的路径，此后的迭代蚂蚁根据信息素的大小选择达到终点的路径，路径的选择公式如下；
其中，表示t时刻，第k只蚂蚁，从i点走向j点的概率，s是蚂蚁k能访问的所有点，τij(t)是t时刻i点到j点路径上的信息素浓，ηij(t)是t时刻，i点到j点路径的长度的倒数，α,β是参数，可以人为调整。
S53：把故障诊断的准确率当成优化的目标，采用S2构造关联关系图，采用S4训练得到诊断结果，按照以下公式计算准确率；
其中，n-n1为测试集的个数，Ytest为测试集的标签，Ypred为故障诊断模型预测结果；
S54：更新局部最优位置和全局最优位置；
S55：按照以下公式更新信息素的浓度；
其中，ρ为信息素挥发因子，1-ρ表示信息素残留因子，Δτij为信息素更新量，为第k只蚂蚁在i到j路径上信息素的更新量；
S56：继续迭代，直至达到预先设定的条件或者最大迭代次数，输出最优的邻居样本数量K和最佳的冷水机组故障诊断的准确率。
优选的，所述图神经网络具体为图卷积网络。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
本发明具有以下有益效果：
1、本发明中的基于图神经网络的半监督的冷水机组故障诊断方法及系统，通过构建半监督的冷水主机故障诊断模型，获取包含带有标签的样本和未标记的样本构建运行数据集，确定运行数据集中各个样本的邻居样本，并构建各个样本与邻居样本之间的邻接矩阵，使用运行数据集及其邻接矩阵训练故障诊断模型，从而实现以较少带标记的样本训练得到高精度的故障诊断模型，显著减少冷水机组故障诊断模型对带标记的训练样本的依赖性，提高故障诊断模型在仅有少量带标记的训练样本下的诊断性能。此外，本发明在训练得到故障诊断模型后，采用蚁群优化算法优化故障诊断模型的邻居数量这一超参数，能进一步提高故障诊断模型的精度。
2、在优选方案中，本发明采用图卷积网络作为故障诊断模型框架，能进一步提高了冷水机组故障诊断模型的准确性以及泛化能力。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例中的HVAC系统中冷水机组的结构示意图；
图2是本发明优选实施例中的基于图神经网络的半监督的冷水机组故障诊断的流程图；
图3是本发明优选实施例中的故障诊断结果与现有技术的对比图。
图4是本发明优选实施例中的采用蚁群优化算法选择邻居样本数量与未采用该方法的故障诊断结果对比图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一：
本实施中公开了一种基于图神经网络的半监督的冷水机组故障诊断方法，包括以下步骤：
S1：获取冷水机组的运行数据集，所述运行数据集包括带有标签的样本和未标记的样本，且每一个样本均包含其对应时刻的多种运行数据。
S2：计算运行数据集中各个样本间的距离，对于运行数据集的每一个样本，选取与其距离最近的前K个样本作为所述样本的邻居样本，建立所述样本与邻居样本之间的连接关系，并根据所述连接关系构造各个样本间的关联关系图；
S3：将所述关联关系图转化为图结构的邻接矩阵，并基于所述邻接矩阵构造以图神经网络为框架的故障诊断模型，使用运行数据集的样本及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，得到训练好的故障诊断模型；
S4：对训练好的故障诊断模型进行测试，并根据测试结果计算故障诊断模型的故障诊断准确率；
S5：将提高准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，直至达到预设的终止条件，输出最佳故障诊断准确率对应的最优邻居样本数量；并采用最优邻居样本数量对应的、训练好的故障诊断模型进行故障诊断。
此外，在本实施例中，还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
本发明中的基于图神经网络的半监督的冷水机组故障诊断方法及系统，通过构建半监督的冷水主机故障诊断模型，获取包含带有标签的样本和未标记的样本构建运行数据集，确定运行数据集中各个样本的邻居样本，并构建各个样本与邻居样本之间的邻接矩阵，使用运行数据集及其邻接矩阵训练故障诊断模型，从而实现以较少带标记的训练样本训练得到高精度的故障诊断模型，显著减少冷水机组故障诊断模型对带标记的训练样本的依赖性，提高故障诊断模型在仅有少量带标记的训练样本下的诊断性能。此外，本发明在训练得到故障诊断模型后，采用蚁群优化算法优化故障诊断模型的邻居数量这一超参数，能进一步提高故障诊断模型的精度。
实施例二：
实施例二是实施例一的优选实施例，其与实施例一的不同之处，对基于图神经网络的半监督的冷水机组故障诊断方法具体步骤进行了细化：
图1是本发明适用的典型HVAC系统中冷水机组的结构示意图。典型中央空调冷水主机包括：蒸发器、膨胀阀(节流阀)、冷凝器、压缩机等部件。
如图2所示，在本实施例中公开了基于图神经网络的半监督的冷水机组故障诊断的流程图，包括以下步骤：
S1：获取冷水机组的运行数据集，该数据集中包含少量带有标签的样本和大量未标记的样本，对获取到的原始数据进行处理；
本实施例中，采集的数据中包含的变量如下表1所示：
表1各变量含义表
本实施例中，对获取到的原始数据进行处理过程包括：
S11：收集了S个传感器连续T个时刻的数据Xm∈RT×S，首先应对数据进行归一化、剔除测量数据中的异常值，填补数据中的缺失值。
S12：t时刻传感器测量数据xm∈RS中仅包含了S个传感器变量，并未考虑t时刻数据与t-1,t-2,...,t-w等时刻之间的联系，因此需要对原始的传感器测量数据进行滑窗处理，假设窗口的大小为W，时间步长为L，经过滑窗处理后的样本数据X＝{x1,x2,…,xn}∈RS×m×n，其中n＝(T-W)/L。
S13：经过数据滑窗后的数据中仍包含大量的冗余信息，部分传感器采集数据之间的相关性过高，大量冗余数据的存在不利于关联图的构造，因此需要对数据进行特征提取，变量间的相关性分析常被用于特征选择，采用皮尔逊相关性系数作为衡量数据间相关性的标准，其具体公式如下：
其中，n为样本数目，o，p为变量名称，通过相关性分析可得到一个对角线为1的相关性矩阵R＝{r11,r12,…,rmm}，通过分析相关性矩阵，并结合变量的物理意义，筛选出m′个变量作为特征变量，将筛选后的数据进行主成分分析进行特征提取和去除变量间的相关性，得到处理后的数据集XR＝{xR1,xR2,…,xRn}。
本实施例中，对数据进行缺失值和异常值的处理包括以下步骤：
针对数据集中存在异常值的问题，首先采用拉依达准则检测最大值最小值等全局异常值，然后采用层次聚类法解决由数据颠倒、传感器失灵等引起的局部异常值的问题，最后采用隐马尔科夫模型和马哈拉诺比斯距离法检测时空异常值。
针对数据集中存在缺失值的问题，采用基于热卡填补法的缺失值填补方法，热卡填充法在历史数据中找到一组与它最相似的的数据，然后利用这组相似数据的值来进行填充。
S2：计算处理后的数据集中样本之间在欧式空间的距离，选取距离最近的前K个样本作为该样本的邻居样本，建立该样本与邻居样本之间的连接关系，并根据此连接关系构造样本间关联关系图，该步骤具体如下：
S21：确定邻居样本数量K；
S22：计算数据集中样本i与数据集中其他样本之间在欧式空间上的距离Dij；
S23：选择以样本i距离最近的K个样本作为样本i的邻居，并构成样本i的邻居列表disi∈RK，并建立样本i与其邻居样本之间的连接；
S24：计算数据集中所有样本的邻居并得到邻居矩阵Dis＝{dis1,dis2...disn}∈Rn×K；
S25：依据样本的邻居矩阵构造样本间的关联关系图。
S3：将所述关联关系图转化为图结构的邻接矩阵，并基于此邻接矩阵构造以图神经网络为框架的故障诊断模型，采用冷水机组运行数据集及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，具体步骤如下：
S31：将样本之间的邻接矩阵A∈Rn×n和处理后的数据集XR＝{xR1,xR2,…,xRn}一起输入至图神经网络模型按照以下公式进行前向传播；
其中σ为激活函数ReLU，D为度矩阵，Hl是l层的输出，H0＝XR，Wl是带训练的参数，bl是偏置；
S32：故障诊断模型按照以下公式计算损失函数，并进行反向传播；
其中M是故障的类型，n1是训练样本的数量，Ytrain是训练样本的标签；
S33：训练模型至收敛。
本实施例中，将关联关系图转化为图结构的邻接矩阵通过以下公式实现：
其中Aij代表样本i与样本j之间的连接关系，如果样本i与样本j之间存在连接关系，则Aij＝1，否则Aij＝0。
S4：将所述的冷水机组故障诊断数据集输入到训练好的故障诊断模型中，得到所述冷水机组故障诊断结果。
S5：计算故障诊断结果的准确率，并将准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化关联图中邻居样本的数量K，直至达到最大迭代次数，输出最优邻居样本数量K和最佳故障诊断准确率，具体步骤如下：
S51：初始化算法，设置蚁群的数量、迭代次数、信息素释放量和信息素挥发率等；
S52：蚂蚁随机寻找达到终点的路径，此后的迭代蚂蚁根据信息素的大小选择达到终点的路径，路径的选择公式如下；
其中表示t时刻，第k只蚂蚁，从i点走向j点的概率，s是蚂蚁k能访问的所有点，τij(t)是t时刻i点到j点路径上的信息素浓，ηij(t)是t时刻，i点到j点路径的长度的倒数，α,β是参数，可以人为调整。
S53：把故障诊断的准确率当成优化的目标，采用S2构造关联关系图，采用S4训练得到诊断结果，按照以下公式计算准确率；
其中n-n1为测试集的个数，Ytest为测试集的标签，Ypred为故障诊断模型预测结果；
S54：更新局部最优位置和全局最优位置；
S55：按照以下公式更新信息素的浓度；
其中ρ为信息素挥发因子，1-ρ表示信息素残留因子，Δτij为信息素更新量，为第k只蚂蚁在i到j路径上信息素的更新量；
S56：继续迭代，直至达到预先设定的条件或者最大迭代次数，输出最优的邻居样本数量K和最佳的冷水机组故障诊断的准确率；
本发明还提供一种基于图神经网络的半监督的冷水机组故障诊断系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施方式的步骤。
采用本发明中的方法，使用少量的带标记的训练样本训练图卷积网络，并在测试集上验证故障诊断结果的准确率，以此为依据判断图卷积网络的效果，结果见图3，图中由方点的连接成的线曲线表示所述方法的诊断结果的准确率。为验证本发明中方法的有效性，设置采用传统神经网络(长短期记忆神经网络和一维卷积神经网络)的诊断模型作为对照组，其中采用三角形连接成的曲线是长短期记忆神经网络模型诊断结果的准确率，采用圆点连接成的曲线是一维卷积神经网络模型诊断结果的准确率，从图中可以看出，在带标记的训练数据数量较少时，本发明中的方法要明显优于传统神经网络模型，随着训练样本增加，本发明中方法的也要略优于传统神经网络模型。采用蚁群优化算法选择邻居样本的数量K与未采用该算法的故障诊断模型的对比结果如图4所示，从图中可以看出，采用蚁群优化算法选择邻居样本数量K的故障诊断模型的准确率要高于未采用该方法的模型。
综上可知，本发明的基于图神经网络的半监督的冷水机组故障诊断方法及系统，首先获取冷水机组的运行数据集，该数据集中包含少量带有标签的样本和大量未标记的样本，对获取到的原始数据进行处理；然后计算处理后的数据集中样本之间在欧式空间的距离，选取距离最近的前K个样本作为该样本的邻居样本，建立该样本与邻居样本之间的连接关系，并根据此连接关系构造样本间关联关系图；将所述关联关系图转化为图结构的邻接矩阵，并基于此邻接矩阵构造以图神经网络为框架的故障诊断模型，采用冷水机组运行数据集及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛；最后，将所述的冷水机组故障诊断数据集输入到训练好的故障诊断模型中，得到所述冷水机组故障诊断结果；计算故障诊断结果的准确率，并将准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化关联图中邻居样本的数量K，直至达到最大迭代次数，输出最优邻居样本数量K和最佳故障诊断准确率。本发明通过分析少量带标签的样本与大量未带标记的样本之间在欧式空间中的距离，建立样本之间的联系，提高了在只有少量带标签的样本下冷水机组故障诊断模型的性能。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，包括以下步骤：
S1：获取冷水机组的运行数据集，所述运行数据集包括带有标签的样本和未标记的样本，且每一个样本均包含其对应时刻的多种运行数据；
S2：计算运行数据集中各个样本间的距离，对于运行数据集的每一个样本，选取与其距离最近的前K个样本作为所述样本的邻居样本，建立所述样本与邻居样本之间的连接关系，并根据所述连接关系构造各个样本间的关联关系图；
S3：将所述关联关系图转化为图结构的邻接矩阵，并基于所述邻接矩阵构造以图神经网络为框架的故障诊断模型，使用运行数据集的样本及其对应的邻接矩阵迭代训练故障诊断模型，直至其收敛，得到训练好的故障诊断模型；
S4：对训练好的故障诊断模型进行测试，并根据测试结果计算故障诊断模型的故障诊断准确率；
S5：将提高准确率作为蚁群优化算法的优化目标，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，直至达到预设的终止条件，输出最佳故障诊断准确率对应的最优邻居样本数量；并采用最优邻居样本数量对应的、训练好的故障诊断模型进行故障诊断；
在计算运行数据集中各个样本间的距离前，还包括以下步骤：
S11：对由S个传感器采集的，连续T个时刻的运行数据集Xm∈RT×S进行预处理；
S12：对预处理后的运行数据集进行滑窗处理，假设窗口的大小为W，时间步长为L，经过滑窗处理后的运行数据集为X＝{x1,x2,…,xn}∈RS×m×n，其中，n为运行数据集X的元素个数，n＝(T-W)/L，x1,x2,...,xn分别为运行数据集X中第1,第2,...,第n个元素；
S13：对滑窗处理后的运行数据集中的各个运行数据进行特征提取，采用皮尔逊相关性系数作为衡量数据间相关性的标准，其具体公式如下：
其中，n为样本数目，o，p为变量名称，通过相关性分析可得到一个对角线为1的相关性矩阵R＝{r11,r12,…,rmm}，通过分析相关性矩阵，并结合变量的物理意义，筛选出m′个变量作为特征变量，将筛选后的运行数据进行主成分分析进行特征提取和去除变量间的相关性，得到处理后的运行数据集XR＝{xR1,xR2,…,xRn}。
2.根据权利要求1所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述多种运行数据包括：蒸发器出水温度TEO、冷凝器进水温度TWIC、蒸发器冷却速率Evap Tons、传感器测量瞬时压缩机功率kW、计算性能系数COP、计算的压缩机效率kW/ton、蒸发器趋近温度TEA、冷凝器趋近温度TCA、蒸发器中制冷剂的压力PRE、冷凝器中制冷剂的压力PRC、来自冷凝器的液管制冷剂过冷TRC_sub、制冷剂吸入过热温度Tsh_suc、制冷剂排放过热温度Tsh_dis、油底壳中的油温TO_sump、进油温度TO_feed、供油压力PO_feed以及供油量减去排油压力PO_net。
3.根据权利要求2所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述S11步骤具体为：
收集S个传感器连续T个时刻的采集的原始运行数据Xm∈RT×S，对所述原始运行数据进行归一化、并采用拉依达准则检测归一化后的原始运行数据的全局异常值，采用层次聚类法检测归一化后的原始运行数据的局部异常值，采用隐马尔科夫模型和马哈拉诺比斯距离法检测归一化后的原始运行数据中的时空异常值，并将所述全局异常值、局部异常值以及时空异常值剔除，针对剔除后存在的数据缺失空位，采用基于热卡填补法从历史数据中找到一组与它最相似的的数据进行填补。
4.根据权利要求3所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述S2步骤具体为：
S21：确定邻居样本数量K；
S22：按以下公式计算运行数据集中第i个样本与其他样本在欧式空间上的距离Dij：
S23：选择与第i个样本距离最近的K个样本作为第i个样本的邻居，并构成第i个样本的邻居列表disi∈RK，并建立第i个样本与其邻居样本之间的连接关系；
S24：确定运行数据集中所有样本的邻居，并得到邻居矩阵Dis＝{dis1,dis2K disn}∈Rn ×K；
S25：依据邻居矩阵构造样本间的关联关系图。
5.根据权利要求4所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，将所述关联关系图转化为图结构的邻接矩阵，通过以下公式实现：
其中Aij代表第i个样本与第j个样本之间的连接关系，如果第i个样本与第j个样本之间存在连接关系，则Aij＝1，否则Aij＝0。
6.根据权利要求5所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，使用训练样本集的样本及其对应的邻接矩阵迭代训练故障诊断模型，包括以下步骤：
S31：将样本之间的邻接矩阵A∈Rn×n和处理后的数据集XR＝{xR1,xR2,…,xRn}一起输入至图神经网络模型按照以下公式进行前向传播：
其中，σ为激活函数ReLU，D为度矩阵，Hl是图神经网络模型第l层的输出，H0＝XR，Wl是带训练的参数，bl是偏置系数；
S32：故障诊断模型按照以下公式计算损失函数，并进行反向传播；
其中，M是故障的类型，n1是训练样本的数量，Ytrain是训练样本的标签；
S33：训练模型至收敛。
7.根据权利要求6所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，采用蚁群优化算法优化所述关联关系图中邻居样本的数量K，包括以下步骤：
S51：初始化算法，设置蚁群的数量、迭代次数、信息素释放量和信息素挥发率；
S52：蚂蚁随机寻找达到终点的路径，此后的迭代蚂蚁根据信息素的大小选择达到终点的路径，路径的选择公式如下；
其中，表示t时刻，第k只蚂蚁，从i点走向j点的概率，s是蚂蚁k能访问的所有点，τij(t)是t时刻i点到j点路径上的信息素浓，ηij(t)是t时刻，i点到j点路径的长度的倒数，α,β是参数，可以人为调整；
S53：把故障诊断的准确率当成优化的目标，采用S2构造关联关系图，采用S4训练得到诊断结果，按照以下公式计算准确率；
其中，n-n1为测试集的个数，Ytest为测试集的标签，Ypred为故障诊断模型预测结果；
S54：更新局部最优位置和全局最优位置；
S55：按照以下公式更新信息素的浓度；
其中，ρ为信息素挥发因子，1-ρ表示信息素残留因子，Δτij为信息素更新量，为第k只蚂蚁在i到j路径上信息素的更新量；
S56：继续迭代，直至达到预先设定的条件或者最大迭代次数，输出最优的邻居样本数量K和最佳的冷水机组故障诊断的准确率。
8.根据权利要求1所述的基于图神经网络的半监督的冷水机组故障诊断方法，其特征在于，所述图神经网络具体为图卷积网络。
9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现所述权利要求1至8任一方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555503.XA CN115127192B (zh) | 2022-05-20 | 2022-05-20 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555503.XA CN115127192B (zh) | 2022-05-20 | 2022-05-20 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115127192A CN115127192A (zh) | 2022-09-30 |
| CN115127192B true CN115127192B (zh) | 2024-01-23 |
Family
ID=83376910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210555503.XA Active CN115127192B (zh) | 2022-05-20 | 2022-05-20 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115127192B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116560277A (zh) * | 2023-05-17 | 2023-08-08 | 北京科技大学顺德创新学院 | 一种基于图神经网络的冷轧工业过程监测方法 |
| CN116842459B (zh) * | 2023-09-01 | 2023-11-21 | 国网信息通信产业集团有限公司 | 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 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2344908A1 (en) * | 2000-07-20 | 2002-01-20 | Siemens Building Technologies, Inc. | Model based fault detection and diagnosis methodology for hvac subsystems |
| CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
| CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
| CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
| KR20190117969A (ko) * | 2018-04-09 | 2019-10-17 | 주식회사 뷰노 | 레이블 있는 데이터 및 레이블 없는 데이터를 병용하는 준지도 강화 학습 방법 및 이를 이용한 장치 |
| CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
| CN111765593A (zh) * | 2020-07-07 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种空调节流元器件故障预警方法和空调 |
| CN112039687A (zh) * | 2020-07-14 | 2020-12-04 | 南京邮电大学 | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 |
| CN112443943A (zh) * | 2019-08-30 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种基于少量标记数据的模型训练方法、控制系统及空调机 |
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
| CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
| CN113537272A (zh) * | 2021-03-29 | 2021-10-22 | 之江实验室 | 基于深度学习的半监督社交网络异常账号检测方法 |
| CN113790516A (zh) * | 2021-09-18 | 2021-12-14 | 深圳达实智能股份有限公司 | 中央空调制冷站全局优化节能控制方法、系统和电子设备 |
| WO2022042002A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
| CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
| CN114387477A (zh) * | 2022-01-18 | 2022-04-22 | 中国农业银行股份有限公司 | 标签分类模型训练方法、标签分类方法、装置及设备 |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4360409B2 (ja) * | 2007-02-13 | 2009-11-11 | 株式会社デンソー | 車両用空調装置、車両用空調装置の制御方法および制御装置 |
| US11526762B2 (en) * | 2019-10-24 | 2022-12-13 | Ventech Solutions, Inc. | Method and system of training a machine learning neural network system for patient medical states |
-
2022
- 2022-05-20 CN CN202210555503.XA patent/CN115127192B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2344908A1 (en) * | 2000-07-20 | 2002-01-20 | Siemens Building Technologies, Inc. | Model based fault detection and diagnosis methodology for hvac subsystems |
| CN108376264A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种基于支持向量机增量学习的冷水机组故障诊断方法 |
| KR20190117969A (ko) * | 2018-04-09 | 2019-10-17 | 주식회사 뷰노 | 레이블 있는 데이터 및 레이블 없는 데이터를 병용하는 준지도 강화 학습 방법 및 이를 이용한 장치 |
| CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
| CN110097103A (zh) * | 2019-04-22 | 2019-08-06 | 西安电子科技大学 | 基于生成对抗网络的半监督图像分类方法 |
| CN112443943A (zh) * | 2019-08-30 | 2021-03-05 | 珠海格力电器股份有限公司 | 一种基于少量标记数据的模型训练方法、控制系统及空调机 |
| CN110542819A (zh) * | 2019-09-25 | 2019-12-06 | 贵州电网有限责任公司 | 一种基于半监督dbnc的变压器故障类型诊断方法 |
| WO2021073152A1 (zh) * | 2019-10-14 | 2021-04-22 | 平安科技（深圳）有限公司 | 基于神经网络的数据标签生成方法、装置、终端及介质 |
| CN111765593A (zh) * | 2020-07-07 | 2020-10-13 | 珠海格力电器股份有限公司 | 一种空调节流元器件故障预警方法和空调 |
| CN112039687A (zh) * | 2020-07-14 | 2020-12-04 | 南京邮电大学 | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 |
| WO2022042002A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
| CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
| CN113537272A (zh) * | 2021-03-29 | 2021-10-22 | 之江实验室 | 基于深度学习的半监督社交网络异常账号检测方法 |
| CN113432247A (zh) * | 2021-05-20 | 2021-09-24 | 中南大学 | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 |
| CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
| CN113790516A (zh) * | 2021-09-18 | 2021-12-14 | 深圳达实智能股份有限公司 | 中央空调制冷站全局优化节能控制方法、系统和电子设备 |
| CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
| CN114387477A (zh) * | 2022-01-18 | 2022-04-22 | 中国农业银行股份有限公司 | 标签分类模型训练方法、标签分类方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 基于RBF网络和ARX模型的液压系统故障诊断方法;贺湘宇;何清华;邹湘伏;谢习华;黄志雄;;系统仿真学报(第01期);33-39 * |
| 贺湘宇 ; 何清华 ; 邹湘伏 ; 谢习华 ; 黄志雄 ; .基于RBF网络和ARX模型的液压系统故障诊断方法.系统仿真学报.2009,(第01期),33-39. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115127192A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115127192B (zh) | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 | |
| CN111442489B (zh) | 空调设备的控制方法和系统、空调设备和可读存储介质 | |
| CN110715401B (zh) | 空调设备的化霜控制方法、装置、介质及空调设备 | |
| 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 | |
| CN105890109A (zh) | 一种房间空调器在线长效性能检测及优化运行方法 | |
| CN111140986A (zh) | 空调系统的运行状态检测方法、装置、存储介质及空调 | |
| CN112329813B (zh) | 一种能耗预测用特征提取方法及系统 | |
| 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 | |
| CN113378908B (zh) | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 | |
| CN114997044A (zh) | 一种用于中央空调的能耗优化方法及数据采集系统 | |
| CN111156657A (zh) | 空调结霜状态确定方法和装置 | |
| US20220065478A1 (en) | Predictive presence scheduling for a thermostat using machine learning | |
| CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
| CN116384700A (zh) | 一种基于数据挖掘的中央空调系统能源效率优化方法 | |
| CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| CN113432247B (zh) | 基于图神经网络的冷水机组能耗预测方法、系统及存储介质 | |
| CN110046662B (zh) | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 | |
| CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
| CN113468473A (zh) | 户外固定大型机械设备的运行状态实时评估方法及系统 | |
| Soltani et al. | Fault detection of supermarket refrigeration systems using convolutional neural network | |
| CN101672510A (zh) | 空调系统优化运行模拟及监控方法 | |
| CN113591982A (zh) | 一种故障检测与诊断算法的性能评估方法及系统 | |
| JP2001227792A (ja) | 空調負荷予測方法およびその装置 | |
| CN111928430A (zh) | 空调能效等级确定方法、装置、计算机设备和存储介质 | |
| CN116993232B (zh) | 一种综合能源站的能耗管理优化方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |