[发明专利]基于混合神经网络的冷水机组故障诊断方法

说明书

本发明公开了基于混合神经网络的冷水机组故障诊断方法，针对单一BP神经网络对冷水机组难以实时做出准确预测，而且BP神经网络自身存在缺陷，该方法结合RBF神经网络可以逼近任意函数的特性，提出了基于小波变换的混合神经网络模型RBF‑BP对冷水机组进行故障诊断。由RBF网络和BP网络并联作为一个神经网络，简称为RBF‑BP的隐层，该算法同时具有RBF网络和BP网络的优点，其学习过程收敛速度很快，并且能避免训练过程容易陷入局部最小值的问题，可有效应用于冷水机组的故障诊断，提高故障诊断的性能。

技术领域

本发明涉及一种数据驱动的故障诊断技术领域，具体涉及一种基于混合神经网络的冷水机组故障诊断方法。

背景技术

随着社会经济的蓬勃发展，暖通空调已成为高层建筑不可缺少的重要设备。冷水机组是暖通空调中最主要的耗能设备，能耗约占总能耗的70％，所以通过冷水组的故障诊断，及时发现并解决故障对暖通空调系统可靠运行及节约能源具有重大意义。

冷水机组本质上大部分是非线性、耦合、参量时变、工作过程随机的系统。针对冷水机组故障诊断已经有较完整的特征参数选择，包括冷冻水供水温度、冷凝器进水温度、冷凝器出水温度、蒸发器温差、冷凝器温差、过冷温度、制冷器排气温度和压缩机壳底温度等。实际进行故障诊断可以根据具体工况选择其中部分参数作为故障特征变量，而故障诊断的方法更大程度上决定了冷水机组故障诊断结果的高效性和准确性。

所有的故障诊断方法可以划分为基于信号处理的方法、基于解析模型的方法和基于知识的方法。由于暖通空调领域中进行故障诊断的数学模型极其复杂，而基于知识的方法具有不需要精确数学模型的特性，这将具有很好的应用前景。

目前基于知识的冷水机组故障诊断大部分利用的是神经网络，绝大多数是利用单一的神经网络和其他技术如小波分解、模糊系统、遗传算法等相结合的方法，这其中最常用的就是BP神经网络，这些只是从特征提取分析和网络参数优化问题中的某一点来弥补BP网络自身的缺陷，很难同时解决神经网络的两个问题。

发明内容

为解决背景技术中的问题，针对冷水机组过程数据的复杂非线性，以及BP神经网络自身学习速度慢且易陷入局部最优等不足，本发明提供了解决上述问题的基于混合神经网络的冷水机组故障诊断方法。

本发明通过下述技术方案实现：

基于混合神经网络的冷水机组故障诊断方法，包括以下步骤：

步骤1、采集制冷过程正常和发生故障工况下的历史数据，并对数据进行预处理，所述预处理包括缺失值处理和异常值处理；

步骤2、采用小波变换去除数据中的噪声；

步骤3、将小波变换后的历史数据划分为训练输入数据和训练输出数据，将处理后的故障特征变量作为神经网络的输入变量，冷水机组工况变量作为神经网络的输出变量；

步骤4、建立RBF-BP混合神经网络模型，利用输入输出数据不断训练网络，并优化权值阈值参数，直至网络收敛，得到故障诊断模型；

步骤5、利用训练成功的RBF-BP混合神经网络进行实时故障诊断。

通过小波变换是应用非常广泛的变换域去噪方法，采用小波变换去除噪声可以避免用傅里叶变换去除噪声带来的信号折损，因此利用小波变换可以有效去除噪声，还原数据中的有用信号；小波变换的主要特点是通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，利用小波变换对处理后的历史数据进行去噪，分解得到特征向量矩阵，提取冷水机组故障特征向量。在故障诊断领域，采用小波变换去除噪声可以避免用傅里叶变换去噪带来的信号折损。RBF网络具有学习快、能够避免陷入局部最优等优点，因此本发明将两种单一网络相互结合构成一个网络，增强故障诊断网络的稳定性，提高网络的收敛速度。