[发明专利]一种基于神经网络的风冷式制冷机组传感器故障诊断方法

说明书

本发明涉及一种基于神经网络的风冷式制冷机组传感器故障诊断方法，包括以下步骤：将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入；通过正常样本对长短时记忆循环神经网络进行训练，根据训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值；将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差；将预测残差与预设阈值进行比较，若预测残差大于预设阈值，则对应传感器存在故障。本发明设计合理，其采用神经网络方法可准确、快速地对风冷式制冷机组多传感器故障进行定位，避免造成能源浪费，提高设备的使用寿命。

技术领域

本发明属于风冷式制冷机组多传感器技术领域，尤其是一种基于神经网络的风冷式制冷机组传感器故障诊断方法。

背景技术

随着世界能源短缺问题的日益加剧，节能环保已成为当今最为重要的课题，而建筑行业作为高能源消耗行业，其对生态环境的影响不容忽视。建筑业中的能源消耗很大一部分来源于投入使用后建筑空调的能耗，当空调传感器发生故障时，可导致空调系统的能耗比正常情况下增加50％。因此，制冷机组多传感器故障诊断对空调系统的节能可靠运行起着至关重要的作用，如何准确及时地检测制冷机组多传感器故障是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理且能充分挖掘制冷机组多传感器动态特征的基于神经网络的风冷式制冷机组传感器故障诊断方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于神经网络的风冷式制冷机组传感器故障诊断方法，包括以下步骤：

步骤1、将风冷式制冷机组的传感器历史采集值作为长短时记忆循环神经网络输入；

步骤2、通过正常样本对长短时记忆循环神经网络进行训练，根据训练完成的长短时记忆循环神经网络计算得到每个传感器当前时刻的输出预测值；

步骤3、将长短时记忆循环神经网络的输出预测值与当前时刻对应传感器采集值进行比较得到预测残差；

步骤4、将预测残差与预设阈值进行比较，若预测残差大于预设阈值，则对应传感器存在故障。

所述传感器包含风冷式制冷机组的温度传感器、流量传感器或压力传感器。

所述传感器历史采集值是指从当前时刻，前T个时刻的传感器测量值，T为大于0的任意值。

所述长短时记忆循环神经网络的输入维数与输出维数相同。

在长短时记忆循环神经网络训练过程中，采用自适应学习速率进行训练。

所述自适应学习速率为η₁＝η(1+αe^-λd)，其中，η为初始学习速率，λ为迭代次数，α和d为系数。

所述预设阈值等于αE，其中，E为长短时记忆循环神经网络训练过程中的最大残差值，α为大于1的系数。

本发明的优点和积极效果是：

本发明设计合理，其通过正常样本对长短时记忆循环神经网络进行训练并得到每个传感器当前时刻的输出预测值；并将长短时记忆循环神经网络输出值与当前时刻对应传感器采集值进行比较得到预测残差；最后将预测残差与预设阈值进行比较判断传感器是否存在故障，可准确、快速地对风冷式制冷机组多传感器故障进行定位，避免造成能源浪费，提高设备的使用寿命。

附图说明

图1为本发明模型结构图；

图2为本发明自适应学习速率变化例图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。