一种基于一维DRSN的冷水机组故障诊断方法及系统与流程

一种基于一维drsn的冷水机组故障诊断方法及系统
技术领域
1.本发明属于制冷故障诊断的技术领域，具体涉及一种基于一维drsn的冷水机组故障诊断方法及系统。


背景技术：

2.冷水机组结构复杂，内部存在多种热质交换过程，能耗约占建筑空调总能耗的40％。受工作环境恶劣，维护不及时与运行参数设置不合理等问题的影响，冷水机组产生的典型故障可能降低室内热舒适性，导致中央空调系统的运行能耗增加，甚至引起火灾、爆炸等安全事故。目前，冷水机组大多采用“定期维护与报警检修”的维修原则，但该方法难以及时、准确识别典型故障。因此，探索准确高效的冷水机组故障诊断方法已成为该领域的研究热点。
3.冷水机组故障诊断方法可分为基于定型知识、基于定量模型与基于机器学习的方法。随着楼宇自控化监控系统和建筑能源管理系统的普及，大量空调实际运行数据被储存，基于机器学习的方法越来越受重视。目前，基于svm、pca等机器学习的冷水机组故障诊断方法应用较广。但冷水机组部分运行数据分布表现为非高斯性，难以满足pca应用。svm模型虽然具有较强的泛化能力，但时间复杂度较高，且受特征参数与超参数影响较大，仅适用于小样本数据。此外，传统机器学习算法严重依赖于特征工程，而深度学习算法可以从数据中直接提取特征，近年来受到各研究领域的广泛关注。
4.深度残差收缩网络(deep residual shrinkage network,drsn)算法是以卷积神经网络为低层架构的深度学习方法。与其他传统算法相比，深度残差收缩单元在考虑模型性能的同时，更加注重冗余信息对模型的干扰，能自动提取重要特征，同时模型结构中的注意力机制与软阈值函数，能有效避免冗余信息与噪声信息对模型的干扰，解决冷水机组数据存在的高维、冗余、强噪声的问题，并且具有较好的特征提取能力。然而冷水机组运行数据结构为一维数值，传统深度残差收缩网络结构中的卷积层通常执行二维卷积操作，该方法应用被受到限制。


技术实现要素：

5.本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于一维drsn的冷水机组故障诊断方法及系统，该方法通过注意力机制建立子通道阈值网络，自适应获取逐通道阈值，并使用软阈值函数将不重要的特征置零，一方面能够自动提取重要特征，另一方面能够减少噪声与冗余特征对模型的干扰。同时，提出的一维卷积层能够适用于冷水机组数据结构；提出的drsn模型能够对冷水机组不同类型的故障表现出较高的诊断率。
6.为了达到上述目的，本发明采用以下技术方案：
7.本发明的一个方面，提供了一种基于一维drsn的冷水机组故障诊断方法，包括下述步骤：
8.对冷水机组历史运行数据进行预处理，包括数据清洗、故障编码、数据归一化以及
数据集划分；
9.构建一维drsn故障诊断模型，包括输入层、一维卷积层、残差收缩单元、批量标准化层、整流线性函数、全局平均池化层、全连接层与输出层；在残差收缩单元中，嵌入注意力机制建立子通道阈值网络获取逐通道阈值，并使用软阈值函数对逐通道阈值朝向零值方向收缩；设置网络模型参数与默认训练超参数；
10.将训练集数据输入一维drsn模型进行训练，使用网格搜索对模型三个训练超参数：优化器、初始学习率与批尺寸进行寻优，并使用验证集选取模型最佳训练超参数组合；
11.采集冷水机组实时运行数据，并进行所述数据清洗与数据归一化；
12.将处理好的实时运行数据输入训练好的故障诊断模型，建立模型评价指标得到故障诊断结果，完成冷水机组故障诊断。
13.作为优选的技术方案，所述数据清洗过程包括稳态工况提取与失真数据剔除；其中，采用基于滑动窗口算法的几何加权方差法进行稳态工况提取，采用拉依达准则进行失真数据剔除；
14.s11、所述基于滑动窗口算法的几何加权方差法为：
[0015][0016][0017][0018]
式中，xi为滑动窗口中第i个数据，l为滑动窗口的长度，λ为几何加权系数，λ
l-i
为滑动窗口中第i个数据的权重，为几何加权平均，d为几何加权方差；
[0019]
采用试凑法，设置滑动窗口长度以及阈值；当滑动窗口中数据的几何加权方差都不高于阈值时，该组数据为稳态数据，并滑动至下一个窗口；若数据的几何加权方差高于阈值，顺时递推1步，重新判稳；
[0020]
s12、所述拉依达准则具体操作流程为：
[0021]
首先对数据进行正态分布检验，对每一列的数据x，μ为该列数据均值，σ为该列数据标准差，则l1为失真数据判定下限，l2为失真数据判定上限，处于l1～l2区间外的数据被作为失真数据进行剔除：
[0022]
l1＝μ-3σ
[0023]
l2＝μ+3σ。
[0024]
作为优选的技术方案，所述故障编码具体步骤包括：
[0025]
对历史运行数据进行对应的标注，用于表示该类数据下系统的实际运行状态，包括正常状态及发生故障时的故障类型；所述故障类型包括：冷凝器结垢、润滑油过量、存在不凝性气体、冷却水流量减少、冷冻水流量减少、制冷剂泄漏或充注不足与制冷剂充注过
量；
[0026]
使用深度学习算法执行多分类任务时，采用softmax作为输出层的激活函数，选取多分类交叉熵作为损失函数，同时对标签进行“one-hot”故障编码；
[0027]
所述多分类交叉熵损失函数由下式表示：
[0028][0029]
式中，k表示标签类别数，p
i,k
为观测样本属于类别k的概率，y
i,k
代表符号函数，i为真实类别则k取1，否则为0。
[0030]
作为优选的技术方案，所述数据归一化方法为min-max离差标准化，将数据归一化为[0,1]之间，其表达式如下：
[0031][0032]
式中，xa、x
l
分别表示数据归一化前、后的数据值；x
max
、x
min
分别表示该特征下数据的最大值与最小值。
[0033]
作为优选的技术方案，所述历史数据集划分方式为：采用scikit-learn库的train_test_split函数对历史运行数据按比例随机划分为训练集与测试集；所述训练集用于故障诊断模型训练；所述验证集用于模型训练超参数调整。
[0034]
作为优选的技术方案，所述构建一维drsn故障诊断模型，具体为：
[0035]
建立一维卷积层与残差收缩单元结构，在残差收缩单元结构的网络内进行特征提取并利用全局平均池化层操作降至一维向量；依次传入全连接层、批量标准化层、整流线性函数与第二个全连接层中，输出为z；其中，在第二个全连接层中根据sigmoid函数将z缩放到(0,1)范围内；sigmoid函数如下式所示：
[0036][0037]
其中，α为相应的缩放参数；e为指数函数；最终赋予每个特征通道独立的阈值，表示如下：
[0038]
τ＝α
·
average|x
c,w
|
[0039]
式中，average代表全局平均池化操作；c，w分别代表特征x对应通道的索引与特征宽度；
[0040]
通过软阈值函数进行去噪，将注意力机制注意到的重要特征保留，无关与不重要特征进行置零；软阈值的功能表现为：
[0041][0042]
其中，a为输入特征，f(a)为输出特征，τ为阈值且为正数；
[0043]
此外，设置卷积层、激活函数、bn层等网络结构参数；
[0044]
最后，在分类层中选用softmax激活函数并搭配“one-hot”标签，得到不同数据对应的故障类别概率；
[0045]
初始化一维drsn的故障诊断模型，设置网络模型参数，包括输入特征尺寸，残差收缩单元个数，卷积层数，通道数，卷积及池化核尺寸、步长、填充类型与全连接层个数；每个残差收缩单元执行两次卷积运算操作；在每次卷积运算后，均输入一个批量标准化层与整流线性函数进行批量标准化与非线性运算；另外，设置一定的迭代次数、l2正则项与学习率衰减；优化器、初始学习率与批尺寸由网格搜索确定。
[0046]
作为优选的技术方案，所述将训练集数据输入一维drsn模型进行训练，具体为：训练集用于进行模型训练，对优化器、初始学习率与批尺寸三个超参数进行网格搜索寻优，优化器选择范围为：adam、sgd、rmsprop与adagrad，初始学习率设定为10-1
～10-5
，批尺寸设置为32～512；验证集用于观察模型是否出现过拟合现象；使用多分类交叉熵损失函数评估超参数选择结果。
[0047]
作为优选的技术方案，所述采集冷水机组实时运行数据，并进行所述数据清洗与数据归一化，其中数据清洗包括稳态数据判别以及数据归一化；稳态数据判别采用基于滑动窗口算法的几何加权方差方法；失真数据判别使用拉依达准则的方法，判断其是否超出历史运行数据l1～l2区间外；若实时运行数据为非稳态及失真数据，将不会进行数据归一化，实时运行数据归一化方法为min-max离差标准化方法。
[0048]
作为优选的技术方案，将归一化后的实时运行数据作为测试集输入训练好的一维drsn故障诊断模型，通过分类准确率p与每种故障程度下的故障识别率r综合评价模型对冷水机组不同故障的诊断能力；分类准确率p为综合指标，判断测试集中被正确诊断样本数与总样本数的比值，故障识别率r为单类指标，分析测试集中不同标签类型下模型分类与其真实类别的匹配度，公式如下：
[0049][0050][0051]
其中，n为测试集总样本数，nc为测试集正确诊断样本数，n为测试集中每故障大小对应的样本数，nc为其被正确诊断的样本数。
[0052]
本发明的另一个方面，还提供了一种基于一维drsn的冷水机组故障诊断系统，应用于上述的基于一维drsn的冷水机组故障诊断方法，包括数据预处理模块、一维drsn模型模块、模型训练模块以及故障诊断模块；
[0053]
所述数据预处理模块，用于对获取的历史数据进行预处理，包括稳态工况提取、失真数据剔除、数据归一化与数据集划分；
[0054]
所述一维drsn模型模块，建立一维卷积层与残差收缩单元结构，初始化一维drsn故障诊断模型，设置网络模型参数与训练超参数；
[0055]
所述模型训练模块，使用训练集数据训练一维drsn模型，使用网格搜索算法对一维drsn模型训练超参数进行寻优，得到训练好的一维drsn故障诊断模型；
[0056]
所述故障诊断模块，将实时运行数据输入到训练好的一维drsn故障诊断模型中，得到冷水机组故障诊断结果。
[0057]
本发明与现有技术相比，具有如下优点和有益效果：
[0058]
(1)本发明通过一维卷积层代替传统二维卷积层进行卷积操作，适用于冷水机组
运行数据形式的同时，有效降低了模型的计算复杂度；
[0059]
(2)本发明通过注意力机制提取关键特征，并将软阈值函数作为非线性层嵌入网络结构中，能够依靠网络结构自动学习逐通道的阈值，降低重要度低的或冗余特征对模型的影响，提高模型故障诊断的准确性，同时避免了人工设计阈值的复杂性；
[0060]
(3)本发明提出的基于一维深度残差收缩网络的冷水机组故障诊断模型，与其他深度学习方法如经典cnn、alexnet、一维深度残差网络(deep residual network,drn)模型相比，模型故障分类准确率更高，对冷水机组不同类型故障的识别率也保持在更高的范围内，保证了冷水机组安全高效运行。
附图说明
[0061]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
[0062]
图1是本发明实施例基于一维drsn的冷水机组故障诊断方法的框架图；
[0063]
图2是本发明实施例一维深度残差收缩网络(drsn)模型示意图。
[0064]
图3是本发明实施例中残差收缩单元示意图；
[0065]
图4是本发明实施例网格搜索超参数优化部分展示结果。
[0066]
图5是本发明实施例模型对不同故障的识别结果。
[0067]
图6是本发明实施例基于一维drsn的冷水机组故障诊断系统的结构示意图。
具体实施方式
[0068]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0069]
实施例
[0070]
在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本技术所描述的实施例可以与其它实施例相结合。
[0071]
如图1所示，本实施例提供了一种基于一维drsn的冷水机组故障诊断方法，包括下述步骤：
[0072]
s1、历史数据预处理。对冷水机组历史运行数据进行预处理，包含数据清洗、故障编码、数据归一化与数据集划分四部分，所述数据清洗过程包括稳态工况提取与失真数据剔除。
[0073]
本文使用ashare rp-1043实验数据集用于验证基于一维drsn的冷水机组故障诊断方法有效性。实验装置是一台配备单个二通管壳式蒸发器与冷凝器并由恒温膨胀阀控制的90冷吨离心式冷水机组，其内部制冷剂为r134a。该制冷系统主要由冷水机组内部的制冷剂环路、城市供水环路、冷却水环路、冷冻水环路、蒸汽供应环路及热水环路在内的六个环路子系统组成。实验通过调节冷冻供水温度、冷却进水温度及主机负荷三个变量，每个变量
分别设置3个范围，在27种运行工况下分别对7种冷水机组典型故障进行模拟，对于每种类型的故障，分别设置四种不同的严重程度并加正常数据作为参照。冷水机组故障类型及故障程度如表1所示。实验数据包含64维故障特征量，其中48维由传感器直接测得，剩余16维通过计算获得。为保障每种运行条件下的实验均达到稳态，设置每组实验时间为51910s，数据采样间隔为10s，共收集冷水机组故障数据集总量为166112。其中，每种故障类型与正常状态(no)的数据量均为20764，用于平衡正常状态与冷水机组各类故障数据的样本量。
[0074]
表1.冷水机组故障类型及故障程度
[0075][0076][0077]
s11、基于滑动窗口算法的几何加权方差法进行稳态工况提取：
[0078][0079][0080][0081]
式中，xi为滑动窗口中第i个数据，l为滑动窗口的长度，λ为几何加权系数，λ
l-i
为滑动窗口中第i个数据的权重，为几何加权平均，d为几何加权方差。采用试凑法，滑动窗口长度设为8，阈值设为0.2℉；当滑动窗口中冷冻回水温度、冷冻供水温度和冷却回水温度的几何加权方差都不高于阈值时，该组数据为稳态数据，并滑动至下一个窗口；若数据的几何加权方差高于阈值，顺时递推1步，重新判稳。
[0082]
s12、拉依达准则用于失真数据剔除，首先对数据进行正态分布检验，对每一列的数据x，μ为该列数据均值，σ为该列数据标准差，则l1为失真数据判定下限，l2为失真数据判定上限，处于l1～l2区间外的数据被作为失真数据进行剔除，经过稳态数据提取与失真数据剔除，得到132008条稳态运行数据。
[0083]
l1＝μ-3σ
[0084]
l2＝μ+3σ
[0085]
s13、故障编码：首先，对7种冷水机组典型故障与正常运行状态进行对应标注。其次，当模型对多类型故障进行诊断时，网络模型需使用softmax作为输出层的激活函数，并
选取交叉熵作为损失函数指导网络模型优化，这需要时对标签进行“one-hot”编码。故障编码结果如表2所示。多类型交叉熵损失函数(categorical_cross entropy loss)由下式表示：
[0086][0087]
式中，k表示标签类别数，p
i,k
为观测样本属于类别k的概率，y
i,k
代表符号函数，i为真实类别则k取1，否则为0。
[0088]
表2.one-hot故障编码
[0089]
冷水机组故障类型故障编码cf10000000eo01000000nc00100000fwc00010000fwe00001000rl00000100ro00000010no00000001
[0090]
s14、对故障编码后的数据进行归一化处理，数据归一化处理采用min-max离差标准化方法：
[0091][0092]
式中，xa、x
l
分别表示数据归一化前后的数据值；x
max
、x
min
分别表示该特征下数据的最大值与最小值。
[0093]
数据集划分方式采用scikit-learn库的train_test_split函数对历史运行数据进行随机划分。在本实施例中，首先将数据按8:2的比例划分为训练集与测试集，再将训练集中1/8的数据作为验证集，并将测试集数据作为本例的在线运行数据。所述训练集用于故障诊断模型训练；所述验证集用于模型训练超参数调整。
[0094]
s2、一维drsn故障诊断模型建立，如图2所示，input为输入层、conv为一维卷积层、rsbu为残差收缩单元、bn为批量标准化层、relu为整流线性函数、gap为全局平均池化层、fc为全连接层。首先，为适应冷水机组运行数据的形式，以一维卷积层代替二维卷积操作，建立一维drsn模型，包括输入层、一维卷积层、残差收缩单元、批量标准化层、整流线性函数、全局平均池化层、全连接层与输出层；在rsbu中，嵌入注意力机制建立子通道阈值网络获取逐通道阈值，并使用软阈值函数降低噪声及冗余特征的影响，提高模型偏差故障诊断的准确率。其次，设置网络模型参数与默认训练超参数。具体步骤为：
[0095]
s21、使用一维卷积层对训练集与验证集进行卷积操作：
[0096]
[0097]
其中，vb表示该卷积层中第b个卷积运算后的输出特征向量；f为激活函数；p为输入特征向量个数；θ
b,p
表示该卷积层与第p个输入特征向量进行卷积的第b个卷积核；u
p
为该卷积层中第p个输入特征向量；cb为该卷积层中第b个偏置向量。
[0098]
s22、建立由两个rsbu组成的一维drsn模型，rsbu的结构如图3所示设置卷积层通道数为16，卷积核大小为6
×
1，每个rsbu执行两次卷积运算操作。每个rsbu执行两次卷积运算操作，为减少网络内部协变量转移，在每次卷积运算后，均需输入一个bn层与relu激活函数进行批量标准化与非线性运算。本实施例建立的一维drsn故障诊断模型结构如表3所示。
[0099]
表3.drsn故障诊断模型结构
[0100][0101][0102]
s23、输入层的输入特征首先经过一维conv，经局部卷积操作并计算特征值作为多个rsbu层的输入特征。在每一个rsbu中，特征继续通过两个bn、relu激活函数及一维conv提取特征，对特征取绝对值后利用gap操作降至一维向量。将一维向量通过注意力机制构造子通道阈值网络，将一维向量依次传入fc、bn、relu激活函数与第二层fc中，输出为z。其中，在第二层fc中根据sigmoid函数将z缩放到(0,1)范围内。sigmoid函数如下式所示：
[0103][0104]
其中，α为相应的缩放参数。子通道阈值网络可自适应赋予每个特征通道独立的阈值，表示如下：
[0105]
τ＝α
·
average|x
c,w
|
[0106]
式中，c，w分别代表特征x对应通道的索引与特征宽度。通过软阈值函数进行去噪，将注意力机制注意的重要特征保留，无关与不重要特征进行置零，降低噪声与冗余信息对模型干扰，软阈值函数表示如下：
[0107][0108]
其中，a为输入特征，f(a)为输出特征，τ为阈值且为正数。
[0109]
s24、将rsbu的输出特征依次经bn、relu激活函数与gap，将多个通道的特征展开输入至fc；最后，在分类层中选用softmax激活函数并搭配“one-hot”标签，得到不同数据对应的故障类别概率。
[0110]
s25、训练超参数设置：迭代次数设置为50，未设置学习率衰减。优化器、初始学习
率与批尺寸由网格搜索确定。
[0111]
s3、训练集数据输入一维drsn模型进行训练，使用网格搜索对模型三个训练超参数：优化器、初始学习率与批尺寸进行寻优，并使用验证集选取模型最佳训练超参数组合。具体操作如下：
[0112]
s31、输入训练集用于模型训练，对优化器、初始学习率与批尺寸三个超参数进行网格搜索寻优，如图4所示。
[0113]
s32、优化器选择范围为：adam、sgd、rmsprop与adagrad，初始学习率设定为10-1
～10-5
，批尺寸设置为32～512。验证集用于观察模型是否出现过拟合现象。使用多分类交叉熵损失函数评估超参数选择结果，得到最优超参数组合。
[0114]
s4、冷水机组运行数据在线采集与预处理。将测试集作为本案例的实时运行数据，并进行相应的稳态数据判别、失真数据判别与归一化处理。非稳态数据及失真数据将会干扰模型故障诊断效果，实时运行数据输入模型前应进行判别。稳态数据判别采用基于滑动窗口算法的几何加权方差方法，失真数据判别使用拉依达准则的方法，归一化处理方法为min-max离差标准化方法。
[0115]
s5、将测试集输入训练好的网络模型，建立模型评价指标得到故障诊断结果，完成冷水机组故障诊断。图5是本发明实施例模型对不同故障的识别结果。具体步骤为：将测试集输入训练好的一维drsn故障诊断模型，通过分类准确率p与每种故障程度下的故障识别率r综合评价模型对冷水机组不同故障的诊断能力。前者为综合指标，判断测试集中被正确诊断样本数与总样本数的比值，后者为单类指标，分析测试集中不同标签类型下模型分类与其真实类别的匹配度。公式如下：
[0116][0117][0118]
其中，n为测试集总样本数，nc为测试集正确诊断样本数，n为测试集中每故障大小对应的样本数，nc为其被正确诊断的样本数。
[0119]
结果分析：
[0120]
本案例建立的一维drsn故障诊断模型执行50次迭代次数后，经3次运行，测试集平均分类准确率p为99.57％，该模型泛化能力较强。图5为不同故障的识别率r，模型rl故障识别率为98.90％，对fwe、fwc、nc与cf四种故障的识别率极高，达到了99.9％以上，对no、eo与ro故障，模型识别率也高于99％。表4为四种模型的故障诊断结果，其中经典cnn网络结构选取已被公开发表的关于冷水机组故障诊断的文章结构，其卷积核大小分别为16、32、64，alexnet模型种卷积层设置与经典cnn一致，最后三个fc的神经元分别设置为32、24与8，一维drn网络参数与本文设置一致，模型训练超参数组合均采用网格搜索方法寻优得到。
[0121]
由表4(a)可知，四种模型的训练超参数选取结果不同，一维drsn模型的训练超参数选取为：优化器adam，初始学习率10-3
，批尺寸128。
[0122]
由结果可得，一维drsn三次运行的平均分类准确率高于其他三种模型，在训练集与测试集上的分类准确率均高于99％。alexnet模型表现不佳。此外，三次运行下模型故障平均识别率由表4(b)所示，对ro故障，本发明的方法识别率为99.65％，比alexnet模型低
0.02％，比cnn模型低99.73％，但对另外六种故障，模型始终保持最高的识别率，尤其是对rl故障与正常运行数据(no)，其余模型识别率均低于本发明方法，对于多故障分类问题，模型需对每种故障均保持较高的r才会实现故障诊断的目标，而一维drn、alexnet与经典cnn三种模型均不能保证对rl故障的有效识别。在实际系统中，rl故障发生频率较高，故障诊断难度较大。因此，本发明的方法具有更高的故障诊断准确率，对不同故障类型的识别率也保持在更高的范围内，能够满足冷水机组故障诊断需求。
[0123]
表4.模型故障诊断结果
[0124][0125]
(a)不同模型最优超参数组合及平均分类准确率p/％
[0126]
模型cfeoncfwcfwerlrono一维drsn99.9399.4699.9699.9799.9998.9099.6599.16一维drn99.7099.4599.1899.7499.9798.1299.4094.27alexnet99.8399.1399.9699.9699.9893.6999.6796.88经典cnn99.8898.8499.9699.9799.9996.2999.7398.07
[0127]
(b)故障平均识别率r/％
[0128]
如图6所示，在本技术的另一个实施例中，提供了一种基于一维drsn的冷水机组故障诊断系统，该系统包括数据预处理模块、一维drsn模型模块、模型训练模块以及故障诊断模块；
[0129]
所述数据预处理模块，用于对获取的历史数据进行预处理，包括稳态工况提取、失真数据剔除、数据归一化与数据集划分；
[0130]
所述一维drsn模型模块，建立一维卷积层与残差收缩单元结构，初始化一维drsn故障诊断模型，设置网络模型参数与训练超参数；
[0131]
所述模型训练模块，使用训练集数据训练一维drsn模型，使用网格搜索算法对一维drsn模型训练超参数进行寻优，得到训练好的一维drsn故障诊断模型；
[0132]
所述故障诊断模块，将实时运行数据输入到训练好的一维drsn故障诊断模型中，得到冷水机组故障诊断结果。
[0133]
在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的一种基于一维drsn的冷水机组故障诊断方法。
[0134]
应当理解，本技术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。
[0135]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

技术特征：
1.一种基于一维drsn的冷水机组故障诊断方法，其特征在于，包括下述步骤：对冷水机组历史运行数据进行预处理，包括数据清洗、故障编码、数据归一化以及数据集划分；构建一维drsn故障诊断模型，包括输入层、一维卷积层、残差收缩单元、批量标准化层、整流线性函数、全局平均池化层、全连接层与输出层；在残差收缩单元中，嵌入注意力机制建立子通道阈值网络获取逐通道阈值，并使用软阈值函数对逐通道阈值朝向零值方向收缩；设置网络模型参数与默认训练超参数；将训练集数据输入一维drsn模型进行训练，使用网格搜索对模型三个训练超参数：优化器、初始学习率与批尺寸进行寻优，并使用验证集选取模型最佳训练超参数组合；采集冷水机组实时运行数据，并进行所述数据清洗与数据归一化；将处理好的实时运行数据输入训练好的故障诊断模型，建立模型评价指标得到故障诊断结果，完成冷水机组故障诊断。2.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所述数据清洗过程包括稳态工况提取与失真数据剔除；其中，采用基于滑动窗口算法的几何加权方差法进行稳态工况提取，采用拉依达准则进行失真数据剔除；s11、所述基于滑动窗口算法的几何加权方差法为：s11、所述基于滑动窗口算法的几何加权方差法为：s11、所述基于滑动窗口算法的几何加权方差法为：式中，x
i
为滑动窗口中第i个数据，l为滑动窗口的长度，λ为几何加权系数，λ
l-i
为滑动窗口中第i个数据的权重，为几何加权平均，d为几何加权方差；采用试凑法，设置滑动窗口长度以及阈值；当滑动窗口中数据的几何加权方差都不高于阈值时，该组数据为稳态数据，并滑动至下一个窗口；若数据的几何加权方差高于阈值，顺时递推1步，重新判稳；s12、所述拉依达准则具体操作流程为：首先对数据进行正态分布检验，对每一列的数据x，μ为该列数据均值，σ为该列数据标准差，则l1为失真数据判定下限，l2为失真数据判定上限，处于l1～l2区间外的数据被作为失真数据进行剔除：l1＝μ-3σl2＝μ+3σ。3.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所
述故障编码具体步骤包括：对历史运行数据进行对应的标注，用于表示该类数据下系统的实际运行状态，包括正常状态及发生故障时的故障类型；所述故障类型包括：冷凝器结垢、润滑油过量、存在不凝性气体、冷却水流量减少、冷冻水流量减少、制冷剂泄漏或充注不足与制冷剂充注过量；使用深度学习算法执行多分类任务时，采用softmax作为输出层的激活函数，选取多分类交叉熵作为损失函数，同时对标签进行“one-hot”故障编码；所述多分类交叉熵损失函数由下式表示：式中，k表示标签类别数，p
i,k
为观测样本属于类别k的概率，y
i,k
代表符号函数，i为真实类别则k取1，否则为0。4.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所述数据归一化方法为min-max离差标准化，将数据归一化为[0,1]之间，其表达式如下：式中，x
a
、x
l
分别表示数据归一化前、后的数据值；x
max
、x
min
分别表示该特征下数据的最大值与最小值。5.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所述历史数据集划分方式为：采用scikit-learn库的train_test_split函数对历史运行数据按比例随机划分为训练集与测试集；所述训练集用于故障诊断模型训练；所述验证集用于模型训练超参数调整。6.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所述构建一维drsn故障诊断模型，具体为：建立一维卷积层与残差收缩单元结构，在残差收缩单元结构的网络内进行特征提取并利用全局平均池化层操作降至一维向量；依次传入全连接层、批量标准化层、整流线性函数与第二个全连接层中，输出为z；其中，在第二个全连接层中根据sigmoid函数将z缩放到(0,1)范围内；sigmoid函数如下式所示：其中，α为相应的缩放参数；e为指数函数；最终赋予每个特征通道独立的阈值，表示如下：τ＝α
·
average|x
c,w
|式中，average代表全局平均池化操作；c，w分别代表特征x对应通道的索引与特征宽度；通过软阈值函数进行去噪，将注意力机制注意到的重要特征保留，无关与不重要特征进行置零；软阈值的功能表现为：
其中，a为输入特征，f(a)为输出特征，τ为阈值且为正数；此外，设置卷积层、激活函数、bn层等网络结构参数；最后，在分类层中选用softmax激活函数并搭配“one-hot”标签，得到不同数据对应的故障类别概率；初始化一维drsn的故障诊断模型，设置网络模型参数，包括输入特征尺寸，残差收缩单元个数，卷积层数，通道数，卷积及池化核尺寸、步长、填充类型与全连接层个数；每个残差收缩单元执行两次卷积运算操作；在每次卷积运算后，均输入一个批量标准化层与整流线性函数进行批量标准化与非线性运算；另外，设置一定的迭代次数、l2正则项与学习率衰减；优化器、初始学习率与批尺寸由网格搜索确定。7.根据权利要求1所述的一种基于一维drsn的冷水机组故障诊断方法，其特征在于，所述将训练集数据输入一维drsn模型进行训练，具体为：训练集用于进行模型训练，对优化器、初始学习率与批尺寸三个超参数进行网格搜索寻优，优化器选择范围为：adam、sgd、rmsprop与adagrad，初始学习率设定为10-1
～10-5
，批尺寸设置为32～512；验证集用于观察模型是否出现过拟合现象；使用多分类交叉熵损失函数评估超参数选择结果。8.根据权利要求1所述的基于一维drsn的冷水机组故障诊断方法，其特征在于：所述采集冷水机组实时运行数据，并进行所述数据清洗与数据归一化，其中数据清洗包括稳态数据判别以及数据归一化；稳态数据判别采用基于滑动窗口算法的几何加权方差方法；失真数据判别使用拉依达准则的方法，判断其是否超出历史运行数据l1～l2区间外；若实时运行数据为非稳态及失真数据，将不会进行数据归一化，实时运行数据归一化方法为min-max离差标准化方法。9.根据权利要求1所述的基于一维drsn的冷水机组故障诊断方法，其特征在于：将归一化后的实时运行数据作为测试集输入训练好的一维drsn故障诊断模型，通过分类准确率p与每种故障程度下的故障识别率r综合评价模型对冷水机组不同故障的诊断能力；分类准确率p为综合指标，判断测试集中被正确诊断样本数与总样本数的比值，故障识别率r为单类指标，分析测试集中不同标签类型下模型分类与其真实类别的匹配度，公式如下：类指标，分析测试集中不同标签类型下模型分类与其真实类别的匹配度，公式如下：其中，n为测试集总样本数，n
c
为测试集正确诊断样本数，n为测试集中每故障大小对应的样本数，n
c
为其被正确诊断的样本数。10.一种基于一维drsn的冷水机组故障诊断系统，其特征在于，应用于权利要求1-9中任一项所述的基于一维drsn的冷水机组故障诊断方法，包括数据预处理模块、一维drsn模型模块、模型训练模块以及故障诊断模块；所述数据预处理模块，用于对获取的历史数据进行预处理，包括稳态工况提取、失真数据剔除、数据归一化与数据集划分；
所述一维drsn模型模块，建立一维卷积层与残差收缩单元结构，初始化一维drsn故障诊断模型，设置网络模型参数与训练超参数；所述模型训练模块，使用训练集数据训练一维drsn模型，使用网格搜索算法对一维drsn模型训练超参数进行寻优，得到训练好的一维drsn故障诊断模型；所述故障诊断模块，将实时运行数据输入到训练好的一维drsn故障诊断模型中，得到冷水机组故障诊断结果。

技术总结
本发明公开了一种基于一维DRSN的冷水机组故障诊断方法及系统。该方法包括对冷水机组历史运行数据进行预处理；构建一维DRSN故障诊断模型，包括输入层、一维卷积层、残差收缩单元、批量标准化层、整流线性函数、全局平均池化层、全连接层与输出层；在残差收缩单元中，嵌入注意力机制建立子通道阈值网络获取逐通道阈值，并使用软阈值函数对逐通道阈值朝向零值方向收缩；将训练集数据输入一维DRSN模型进行训练，使用网格搜索对模型训练超参数进行寻优，并使用验证集选取模型最佳训练超参数组合；采集冷水机组实时运行数据，并进行处理；将实时运行数据输入训练好的故障诊断模型，建立模型评价指标得到故障诊断结果，完成冷水机组故障诊断。诊断。诊断。


技术研发人员：周璇 闫学成
受保护的技术使用者：人工智能与数字经济广东省实验室（广州）
技术研发日：2023.05.12
技术公布日：2023/9/14