基于CNN-GRU的冷水机组传感器偏差故障诊断方法

来源:用户上传      作者:李冬辉 赵墨刊 高龙

　　摘要：针对冷水机组传感器偏差故障识别率低的问题，提出一种基于卷积神经网络（Convolutional Neural Network，CNN）和门控递归单元（Gated Recurrent Unit，GRU）融合W络模型（CNN-GRU）的冷水机组传感器偏差故障诊断方法.该方法利用GRU记忆冷水机组因每个传感器动态响应特性不同造成的其每个传感器不同的时间相关性，克服了CNN在冷水机组传感器偏差故障诊断中仅能提取时间序列实时特征的缺点.首先采用CNN自动提取传感器时间序列的实时特征，然后利用具有长短期记忆能力的GRU实现对冷水机组传感器不同时间相关性的记忆，从而充分利用时间序列中的特征信息对数据进行表征建模，进而有效提升了冷水机组传感器偏差故障识别率.将该方法与CNN、主成分分析和自动编码器方法进行比较，实验结果表明：温度类和压力类传感器的偏差故障识别率分别在85%以上和90%以上;验证样本得到了83%以上的偏差故障识别率，验证了该方法的泛化能力良好;该方法对于同一传感器、故障大小互为相反数的偏差故障的故障识别率均具有良好的对称性;该方法的偏差故障识别率高于其他方法，尤其对于很小的偏差故障的识别率具有更明显的优势.
　　关键词：卷积神经网络;深度学习;冷水机组;传感器;故障诊断
　　中图分类号：TP277
　　文献标志码：A
　　在智能建筑中，冷水机组是制冷空调系统的主要耗能设备，冷水机组传感器实时监测系统的运行状况，对实现系统的最优控制和能源管理起到重要的作用.而冷水机组传感器故障不仅会影响制冷空调系统的运行状况，也会导致运行能耗的增加.因此冷水机组传感器故障诊断技术的实现对于确保系统正常运行和降低系统能耗具有十分重要的意义.
　　近几年来学者们对基于数据驱动的制冷空调系统传感器故障诊断方法的研究取得了卓越成果.主成分分析（Principal Components Analysis，PCA）方法是传感器故障诊断中比较流行的方法[1].文献[2]首先运用经验模态分解阈值除噪方法对原始传感器时序数据中的噪声进行消除，从而提高传感器时序数据的质量，然后针对除噪后的传感器时序数据建立PCA模型来实现冷水机组传感器的偏差故障诊断.但PCA方法不能直接解决空调系统的非线性和多模态问题.其在诊断空调系统传感器故障的问题上受到了一定限制.针对PCA方法存在的问题，文献[3]首先提出了核主成分分析（Kernel Princpal Compo?nent Analysis，KPCA）法.文献[4]利用KPCA方法提取空调系统的非线性特征来实现空调系统传感器故障诊断.然而PCA方法及KPCA方法必须通过建立Q统计量贡献图的方式间接的确定故障传感器，工作量大，费时费力.
　　深度学习方法也是制冷空调系统传感器故障诊断中常用方法.递归神经网络（Recurrent Neural Net?work，RNN）引入了记忆单元使网络具备了一定的记忆性，能够处理和分析具有时间相关性的数据[5].RNN的问题是存在梯度消失或爆炸的缺点，长短期记忆网络[6]及GRU解决了这个问题.文献[7]通过利用LSTM深度学习方法对空调系统传感器建立传感器故障诊断模型，从而实现对空调系统传感器偏差故障诊断.文献[8]通过对LSTM的门结构进行改进和简化来实现冷水机组传感器偏差故障诊断.文献[9]通过利用基于GRU单元的编码-解码神经网络对正常传感器时序数据特征进行挖掘与提取来诊断传感器偏差故障.
　　CNN是深度学习领域中另一种广泛应用的方法[10-13].文献[14]利用CNN和RNN深度学习方法通过学习空调传感器采集的时间序列，进而根据时间序列对温度进行预测来实现温度的自适应调节.文献[15]利用一维卷积神经网络诊断空调系统中的空气处理单元传感器故障，该方法利用卷积神经网络自动提取时序数据实时特征，并使用小波聚类对其进行分析，通过表示簇对传感器故障进行检测和诊断.
　　由于冷水机组每个传感器动态响应特性的不同造成冷水机组每个传感器具有不同的时间相关特性，即每个传感器当前采样时刻的读数都要受到过去采样时刻读数的影响，CNN虽然可以自动提取时间序列实时特征，但由于其自身结构的局限性，导致CNN难以记忆冷水机组传感器不同的时间相关性，而具有长短期记忆能力的GRU能够实现对传感器不同时间相关性的记忆，并且在GRU中加入CNN也增加了深度学习网络对时间序列实时特征的提取能力并通过降低参数数量减少了运算量.因此本文针对冷水机组传感器偏差故障识别率低的问题提出一种基于CNN-GRU融合网络模型的冷水机组传感器偏差故障诊断方法，并且以压缩式冷水机组为研究对象，通过大量的实验与对比分析验证了本文所提方法的有效性.
　　1深度学习网络结构
　　CNN和GRU网络是深度学习中两种常见的网络.与浅层学习相比，深度学习能够实现数据的逐层转换，保证了最有效的特征表达和信息提取.
　　1.1CNN原理结构
　　CNN模型采用权重共享和局部连接的方式，通过对原始数据进行逐层的特征提取，能够有效自动提取数据内部中的更高级更抽象的特征[16].如图1所示，一般CNN是由输入层、卷积层、池化层和全连接层构成的.
　　1.2GRU原理结构
　　GRU网络的基本结构见图2，其公式见式（1）.
　　GRU[17]网络由更新门和重置门构成.在时间序列处理任务中，GRU能够记忆各个传感器不同的时间相关性.
　　图2与式（1）中，x，为当前时刻的输入向量;h，和分别为当前时刻和上一时刻的状态记忆变量;T，、z，分别为重置门状态、更新门状态;为当前时刻候选集状态;W、W，和W表示可训练权重参数矩阵;I表示单位矩阵;・表示矩阵点乘;[]表示向量连接;×表示矩阵乘积;o表示sigmoid激活函数.tanh与sigmoid的表达分别见式（2）和式（3）：

nlc202204111632

转载注明来源:https://www.xzbu.com/4/view-15427905.htm