基于长短期记忆网络的空调机组故障诊断与风险评估

发布时间：2021-11-18 02:16

　　针对大型空调机组运行参数多、故障类型复杂、故障诊断和评估困难的特点,基于长短期记忆（LSTM）神经网络,提出了一种空调机组故障诊断与风险评估（FDRE）的方法。首先,给出了新的故障情形定义,用于空调机组的特征提取,不仅包含了多维度的空调机组监测变量,还建模了环境因素、能耗变化情况和故障风险的三类发展模式。然后,建立了各种参数下的预测网络,训练结果表明有能力分析监测数据的时序特性,既可诊断出故障发生的具体原因,也可在故障未发之前评估故障风险。最后应用于大型医院的工程现场。与其他预测序列数据的神经网络算法对比,时间窗为35的LSTM在准确度和故障诊断稳定性方面占优。工程应用表明,提取的特征可以较为全面反映机组运行机理,发出的预警符合实际,有效辅助了现场空调设备的维修维保工作。 

【文章来源】：计算机应用. 2020,40(S1)北大核心CSCD

【文章页数】：5 页

【部分图文】：

空调机组监测物联网点位图

首先，确定各种故障发生的故障概率值随时间变化的曲线。图3给出了三种风险曲线类型（实线）及其导数（虚线）。根据系统可靠性理论，中发性故障的风险曲线中段上升速度快，如图3(a）所示；晚发性故障的风险曲线将加速上升，如图3(b）所示；而早发性故障的风险曲线表现为上升趋势渐缓，如图3(c）所示。对于空调机组故障，行业认定的类型约有20种[18]，经领域专家筛选后，有10种类型可以由传感器状态表征，因此这些类型即可用于故障诊断，具体如表1所示。此外还有一种“无故障”类型。每种故障的风险类型已列出。数据提取时，对接该建筑已有的报修服务系统，自动收集有关空调机组的故障报修记录，确定空调机组发生故障时间T，并通过关键词匹配方法标记对应的故障类型K。

除了所有故障时刻对应的情形，还应在训练集中加入一定比例的无故障情形，作为没有故障时的对比训练数据。考虑到机组无故障时刻可以占运行时的90%以上，选取的数量应适当多于有故障情形。本案例中有无故障的比例约为1∶2。无故障情形的采集时刻是随机选取的。1.3 环境参数

【参考文献】：
期刊论文
[1]基于改进模糊神经网络的变压器故障诊断的研究[J]. 祁萌,王艳,何若雪.  成都工业学院学报. 2019(02)
[2]基于边缘计算的建筑设备状态感知模型与应用[J]. 吴宏杰,沈华祥,凌华靖,傅启明,陆卫忠,付保川.  计算机工程与应用. 2019(18)
[3]基于卷积神经网络的滚动轴承故障诊断算法[J]. 高峰,曲建岭,余路,王伟栋.  信息技术. 2019(04)
[4]基于机器学习算法的寿命预测与故障诊断技术的发展综述[J]. 郭一帆,唐家银.  计算机测量与控制. 2019(03)
[5]基于BP神经网络的故障诊断模型研究[J]. 冯玉芳,卢厚清,殷宏,曹林.  计算机工程与应用. 2019(06)
[6]电梯故障率预测模型及其应用[J]. 朱明,王志荣,郭文杰,佟轩.  中国安全科学学报. 2017(09)
[7]基于不确定性的故障预测方法综述[J]. 孙强,岳继光.  控制与决策. 2014(05)

硕士论文
[1]物联网技术在建筑设备管理系统中的应用研究[D]. 任虔英.长安大学 2013



本文编号：3502007