[发明专利]基于深度学习LSTM的空调故障诊断方法

说明书

本发明公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

技术领域

本发明涉及医疗设备技术领域，更具体的说，涉及一种基于深度学习LSTM (长期短期记忆)的空调故障诊断方法。

背景技术

目前空调故障频繁发生，由于空调设备复杂，故障原因种类繁多，并且空调故障是伴随着设备电子元器件的老化逐渐显露出来，当人们察觉出来时，往往故障程度已经很严重，因此对空调故障进行及时的检测诊断以避免在故障状态下运行产生巨大能耗和安全隐患具有可行性和现实意义。近年来，空调设备越来越复杂同时也更加智能，传统的诊断技术远远不能满足现代空调设备诊断的需求，在这样的局面下，深度学习技术慢慢崛起，很多学习模型中都很好结合了时序数据的特点，训练性能不断提高。其中，循环神经网络(recurrent neural networks,RNN)是一种带有自循环结构的神经网络，允许时间序列数据在网络层上信息流动的持久化，在工业故障诊断方面，RNN使现有的神经网络故障诊断的方法不断提高，更加适应现代较复杂的设备并且在实时故障诊断中扩展性大大的提高。但存在梯度消失和梯度爆炸、长期记忆能力不足等问题。

冷水机组(chiller)是集中式空调中最重要的组成部分，同时也是消耗最大，最容易出错的子系统之一。现有技术还难以对此进行故障诊断，不利于空调的稳定可持续工作。

发明内容

有鉴于此，本发明提出一种针对空调冷水机组故障检测的基于深度学习 LSTM的空调故障诊断方法，用于解决现有技术存在的难以诊断空调故障的技术问题。

本发明提供了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：

1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；

2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为 LSTM网络的输入；

3)搭建LSTM网络模型，确定LSTM网络的参数；

4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；

5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。

可选的，对故障数据进行的所述预处理是指，选取重要的特征作为分类依据，用序列前向选择算法进行特征选择，选出N个重要故障特征[x1,x2,x3… xN]，并组成特征向量X，再将数据进行维度重建，将样本的时间维度扩张，样本的时间维度由原来的1维变成了L维，成为适合LSTM网络需要的维度； LSTM网络需要输入前面L条的故障数据值作为输入，即X1,X2,X3…XL，称L 为序列长度，定义序列为N个时间步长。

可选的，所述隐藏层为两层网络结构，逐层训练LSTM，将上一层LSTM 网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的 LSTM神经元进行计算；经过所有计算后，把LSTM网络的最后输出序列的最后个数放入softmax分类器作为输出层，softmax分类器输出得到结果y，将所述结果y输至所述网络优化模块，并作为预测标签y’，在所述网络优化模块中进行优化。