一种可解释的空调系统深度神经网络故障诊断方法转让专利
申请号 : CN202110453526.5
文献号 : CN113221973B
文献日 : 2022-04-19
发明人 : 李冠男 , 董子明 , 胡云鹏 , 高佳佳 , 陈俭 , 方曦 , 熊嘉豪 , 胡浩楠 , 吴雨蓓 , 王璐晗
申请人 : 武汉科技大学
摘要 :
权利要求 :
1.一种可解释的空调系统深度神经网络故障诊断方法,其特征是:基于深度学习模型,利用一维卷积神经网络模型提取暖通空调运行数据的特征信息,并将绝对梯度加权类激活映射作为可视化分类诊断标准,利用绝对梯度加权类激活映射可视化暖通空调系统的故障特征信息,通过绝对梯度加权类激活映射获取一维卷积神经网络模型中各故障数据对应的故障诊断标准,使故障诊断模型变得可解释,具体包括以下步骤:S1、一维卷积神经网络模型的特征学习与故障诊断,具体方法为:
1)通过筛选得到冷水机组空调系统运行数据集,其中,数据集包括正常数据和5种典型故障数据,每种数据包含48个直接测量变量和16个间接计算变量;
2)采用一维卷积神经网络模型将暖通空调系统运行数据依次进行数据归一化、稳态数据处理、数据分割和数据张量变换处理,得处理后数据;
3)将处理后数据输入至一维卷积神经网络模型的输入层,并通过一维卷积神经网络模型的卷积层对处理后数据进行特征提取,然后将提取的特征平铺后输入至一维卷积神经网络模型的全连接层中,然后在一维卷积神经网络模型的输出层采用分类器对数据进行故障分类,完成故障的特征学习过程,并根据故障特性实现故障分类;
4)输入新的经过处理后的空调系统运行数据至一维卷积神经网络模型中,一维卷积神经网络模型根据特征学习的故障特征信息对新数据进行故障分类,实现故障诊断;
S2、绝对梯度加权类激活映射故障诊断准则对故障特征的解释,采用绝对梯度加权类激活映射对步骤S1中一维卷积神经网络模型提取的故障特征进行可视化解释,获取各故障诊断标准,其中,绝对梯度加权类激活映射的公式为: 式中: 表示第c类故障的绝对梯度激活映射; 表示最后一个卷积层中第c类故障的第k个特征的权重;K是卷积层中的通道数;k表示第c类故障类别的第k个特征映射;
k
A表示激活特征图;
S3、对正常数据和故障数据进行分类,采用一维卷积神经网络模型的两个全连接层接收一维卷积神经网络模型的卷积层中卷积运算后的平铺数据,并采用softmax函数作为故障分类器,实现对正常数据和故障数据的分类。
2.根据权利要求1所述的一种可解释的空调系统深度神经网络故障诊断方法,其特征是:步骤S1中所述的一维卷积神经网络模型包括输入层、卷积层、全连接层和输出层,不采用池化层操作,且所述卷积层的卷积核的大小为1×1。
3.根据权利要求2所述的一种可解释的空调系统深度神经网络故障诊断方法,其特征是:所述卷积层中的激活函数采用softsign函数。
说明书 :
一种可解释的空调系统深度神经网络故障诊断方法
技术领域
背景技术
的快速发展,以及数据积累和计算速度的提高,各种基于数据驱动的深度学习故障诊断方
法被运用于暖通空调系统,如长短期记忆网络(LSTM)、深度神经网络(DNN)和卷积神经网络
(CNN)等深度学习算法。这些深度学习方法因其在各种系统配置和运行条件下都能保证较
好的诊断性能而受到越来越多的关注。由于各种深度学习模型具有提取深层故障特征、实
现高精度非线性拟合等优点,在计算机视觉、自然语言处理、工业过程监测和机械故障诊断
等领域得到了广泛的应用。
和正常样本,但其工作机理和诊断准则难以理解。从实际应用的角度来看,对深度学习方法
进行模型解释具有重要意义。
发明内容
梯度加权类激活映射对故障特征可视化,获取各故障诊断标准,可加强对模型的可解释性。
调运行数据的特征信息,并将绝对梯度加权类激活映射作为可视化分类诊断标准,利用绝
对梯度加权类激活映射可视化暖通空调系统的故障特征信息,通过绝对梯度加权类激活映
射获取一维卷积神经网络模型中各故障数据对应的故障诊断标准,具体包括以下步骤:
实验。对一台制冷量为90吨的R134a冷媒离心式冷水机组进行了故障试验。其中,数据集包
括正常数据和5种典型故障数据,每种数据包含48个直接测量变量和16个间接计算变量。
表示为 式中:l为卷积层层数;N为一维输入的变量数目;Q
为卷积核大小; 表示第p个输入一维卷积核运算;xp表示第p个一维输入。对于第k通道,
其一维卷积层的输出 可以表示为 式中:j表示卷积层
中的通道数; 表示第l卷积层的第j通道中的第p个一维卷积核运算; 表示第l卷积层
l,j
的第j通道接收的第p个输入变量;b 是卷积的偏差; 是softsign
激活函数。提取的特征可表示为 将提取的特征平铺后输入
至一维卷积神经网络模型的全连接层中,全连接层用于处理由最后卷积层提取的特征信
息,其数学计算可以表示为 式中: 表示位于(g,h)位置的连接
权重矩阵ν的权重系数; 分别表示第l个全连接层中第h个变量的偏置向量; 表示由第l
个全连接层接收的第g个变量的激活特征。然后在一维卷积神经网络模型的输出层采用分
类器对数据进行故障分类,完成故障的特征学习过程,并根据故障特性实现故障分类;位于
c
softmax分类器前第c类故障的得分向量为y=σ(∑αν+r),输出层的softmax分类器预测分
c
类结果为 式中:Prob(y)表示故障类别c=(0,1,2,3,4,
5)的概率函数。
障诊断标准,其中,绝对梯度加权类激活映射的公式为: 式
中: 表示第c类故障的绝对梯度激活映射; 表示最后一个卷积层中第c类故
k
障的第k个特征的权重;K是卷积层中的通道数;k表示第c类故障类别的第k个特征映射;A
表示激活特征图;
为故障分类器,实现对正常数据和故障数据的分类。
障诊断结果准确率高;
型的可解释性,从而能够同时实现故障诊断、特征学习及模型解释三方面功能,对暖通空调
系统故障的自动诊断而言具有重大意义。
附图说明
具体实施方式
映射作为可视化分类诊断标准,利用绝对梯度加权类激活映射可视化暖通空调系统的故障
数据信息,通过绝对梯度加权类激活映射获取一维卷积神经网络模型中各故障数据对应的
故障诊断标准,使故障诊断模型变得可解释,如图1所示,具体包括以下步骤:
经网络模型的全连接层中,然后在一维卷积神经网络模型的输出层采用分类器对数据进行
故障分类,完成故障的特征学习过程,并根据故障特性实现故障分类;
障诊断标准,其中,绝对梯度加权类激活映射的公式为: 式
中: 表示第c类故障的绝对梯度激活映射; 表示最后一个卷积层中第c类故
k
障的第k个特征的权重;K是卷积层中的通道数;k表示第c类故障类别的第k个特征映射;A
表示激活特征图;利用绝对梯度加权类激活映射可视化暖通空调系统的故障数据信息,可
以更好的作为确定特定故障类别的诊断标准。
为故障分类器,实现对正常数据和故障数据的分类。
核,一维卷积神经网络模型不进行池化操作,softsign被用作每个卷积层后面的激活函数。
本发明采用的一维卷积神经网络模型最优参数如下表1所示。
积神经网络的核心模块卷积层中进行特征提取,再将卷积层提取的特征平铺后输入到全连
接层中,最后,输出层使用分类器对数据进行故障分类。至此,一维卷积神经网络模型完成
故障的特征学习过程,并根据其故障特性进行了故障分类。当输入新的经过处理后的空调
系统运行数据一维卷积神经网络模型会根据特征学习的故障特征信息对新数据进行故障
分类,以达到故障诊断的目的。
息丢失。(3)使用softsign作为激活函数。尽管ReLU在深度学习中广泛应用,但是它存在消
除卷积运算后所有负值的问题。消除负值会导致未知信息更改或者丢失。softsign作为激
活函数可以从数据样本的正值和负值中学习非线性信息。
组成的。通常,所有像素值都在0‑255之间,这意味着图像数据没有负像素。梯度加权类激活
映射利用ReLU保持方程 中的正线性组合部分,对目标类c具
有正影响。
正向的,也可能是负向的。这表明应同时保留正梯度和负梯度。
特征映射激活问题。
息。其表达式为 表示第c类故障的绝对梯度
激活映射; 表示最后一个卷积层中第c类故障的第k个特征的权重;K是卷积层中的通道
k
数;k表示第c类故障类别的第k个特征映射;A表示激活特征图。
体实施方案如下。
络模型,绝对梯度加权类激活映射将模型的输入层、三个卷积层的激活特性以及Softmax分
类器之前的故障类别诊断得分以激活特征图形式展现。
63号通道),为了更容易理解,图3‑5仅显示前4个通道(0号通道到3号通道)。如图2所示,输
入层的激活特征图上的最大值位于46供油压力(PO_feed)和47进出口油压差(PO_net)。如
图3‑5所示,前4个通道激活特征图按其激活图上的最大值可分为两类,0号通道到2号通道
为一类,3号通道为另一类。对于0号通道到2号通道的激活特征图,激活图的最大值位于45
供油温度(TO_feed)的位置。但对于3号通道的激活特征图来说,46供油压力(PO_feed)、47
进出口油压差(PO_net)和50蒸汽小阀开度(VSS)显示出的激活特征图的最大值。最后,冷凝
器结垢CdF故障样本诊断得分如图6所示。故障类别为1的故障在输入Softmax分类器之前获
得最大分数22。这表明冷凝器结垢故障CdF样本被正确分类为1,表示冷凝器结垢CdF故障。
RWEv、冷凝器水量不足RWCd、润滑油过多ExO。
Absolute‑CAM)。以冷凝器结垢CdF故障样本为例,负向梯度加权类激活映射和绝对梯度加
权类激活映射都能正确识别出位于46供油压力(PO_feed)和47进出口油压差(PO_net)的两
个特征变量。根据专业知识和以往的特征选择研究,供油压力(PO_feed)和进出口油压差
(PO_net)这两个变量是冷凝器结垢CdF的故障指示特征。然而,梯度加权类激活映射识别出
了51蒸汽大阀开度(VSL)和45供油温度(TO_feed)是冷凝器结垢CdF故障的故障指示特征,
这意味着梯度加权类激活映射无法找到冷凝器结垢CdF故障正确的位置。梯度加权类激活
映射可以正确识别不凝性气体NCdG,蒸发器水量不足RWEv,冷凝器水量不足RWCd这三个故
障类别的故障指示信息,而负向梯度加权类激活映射不能正确识别。而对于冷凝器水量不
足RWCd故障,梯度加权类激活映射和绝对梯度加权类激活映射都给出了正确的故障类别判
别信息,定位故障指示变量为23冷凝器侧水流量(FWC)。然而,负向梯度加权类激活映射将
故障指示变量为50蒸汽小阀开度(VSS),这很难根据冷水机组系统的专业知识进行解释。因
此,利用绝对梯度加权类激活映射诊断标准的可视化和故障指示信息的定位来解释模型的
诊断机理。
更加准确。5种典型冷水机组故障的绝对梯度加权类激活映射可视化图如图13‑17所示。在
绝对梯度加权类激活映射的可视化特征图中,可以清晰地观察到输入张量故障类别指示信
息的位置。从绝对梯度加权类激活映射可视化结果来看,5种冷水机组故障的故障识别特征
及诊断标准如表2所示。冷水机组系统64个变量及其特征信息如表3所示。
权类激活映射对故障特征可视化,获取故障诊断准则,加强对模型的可解释性,使得本发明
的方法可以同时实现故障诊断、特征学习及模型解释三方面功能。
发明的权利要求范围内都受到专利法的保护。