CN109213127A - 一种基于深度学习的hvac系统渐变故障诊断方法 - Google Patents

Abstract

一种基于深度学习的HVAC渐变故障识别与诊断方法。该方法利用健康系统的运行数据，对主成分分析(PCA)及循环神经网络(RNN)模型进行训练，利用PCA模型对系统故障进行识别，利用RNN模型对系统变化进程和渐变故障进行诊断，判定系统具体故障。由于RNN属于深层神经网络且具有记忆历史信息的特性，使得该模型可以很好地拟合类似于HVAC的高度非线性时变系统。本发明对早期渐变故障诊断具有较高精度，可以对非稳定系统的参数进行精确预测；大大降低了数据获取难度，该方法对渐变故障诊断效果良好，是一种可行的、高精度的渐变故障识别与诊断方法。

Description

一种基于深度学习的HVAC系统渐变故障诊断方法

技术领域

本发明涉及暖通空调(HVAC)系统的运维领域。具体包括深度学习、传感器技术、测试技术及制冷原理等领域。

背景技术

随着世界经济的高速发展，能源消耗量日益增加，而能源紧缺问题也日渐凸显。建筑能源消耗在总能源消耗中占有相当大的比重。在欧美地区，建筑能耗在总能耗中的占有量超过40％。随着经济的发展，中国建筑能耗的占有比也在逐年上升。截止2010年，中国建筑能耗的占有比达到27.3％，使得中国成为仅次于美国的世界第二大建筑能源消耗国。在建筑能耗中，近一半的能耗用于暖通空调(HVAC)系统。因此，节能研究一直是暖通空调领域的研究热点。暖通空调系统故障会导致系统能耗增加、损耗加速、热舒适度降低。及时的识别和诊断出故障不仅可以增加系统的使用寿命，获得良好的热舒适度，还可以降低系统能耗约15-30％。

暖通空调系统的常见故障可以分成两大类：突变故障和渐变故障。突变故障指的是短时间内突发性的故障，如风机停转、压缩机停转等。此类故障发生突然，对系统影响大，一旦发生，需立即做出响应。但值得庆幸的是，此类故障症状明显，容易被识别。渐变故障指的是长期积累，缓慢发生的故障，如换热条件变化、系统参数漂移、电机效率降低等。此类故障的发生是一个渐变的过程，早期很难被发现。工业中，通常以定期维护的方式来消除或减少渐变故障的影响，这种原始的方法问题针对性不强，造成较大浪费。如果能够对系统的渐变故障状态进行精确地评估，以此作为依据来指导维护，则可以大大提高故障排解度，提高效率，降低维护成本。本发明主要的故障诊断目标为渐变故障。

传统的暖通空调系统渐变故障诊断大多依靠工程师现场诊断，因系统存在耦合度强和复杂性高的特性，人工故障诊断对工程师的技能要求高，很难普及应用。早期的自动故障诊断技术依靠热力学知识对系统进行建模，精度较低，普适性较差。近年来出现的一些智能诊断方法虽能够降低对操作人员的要求，但模型的建立需要大量有标记的故障数据，而对于正常运行的系统，此类故障数据极为缺乏，很难满足模型训练的要求。

发明内容

为了克服现有暖通空调系统渐变故障诊断方式的依靠现场诊断、精度较低、普适性较差的不足，本发明提供了一种精度较高、普适应良好的基于深度学习的HVAC系统渐变故障诊断方法；本发明重点解决现存的HVAC系统渐变故障诊断的三个问题：(1)对故障数据依赖性大；(2)无法准确测量非稳定状态下的系统；(3)无法对渐变故障发展趋势进行预测。

本发明为了解决上述技术问题采用的技术方案如下：

一种基于深度学习的HVAC系统渐变故障诊断方法，包括以下步骤：

1)对HVAC新系统的运行数据进行采集，采集新系统数据均为健康数据；

2)将采集数据进行整理，分出不同故障对应的输入输出参数，整理成训练数据集；

该训练数据集用于训练神经网络，不同故障对应的数据集不同；

3)利用PCA进行故障识别；

4)利用不同训练数据集分别训练RNN网络；

5)利用训练好的模型对目标系统进行诊断：将目标系统的测试量分成输入输出数据，该分类与模型训练时一致，将输入量导入RNN模型，RNN会计算出输出量，将此输出量和测试的输出量对比，如果残差大于阈值，则为故障系统。

进一步，所述方法还包括以下步骤：

6)对设定时间段的残差进行线性拟合，得出渐变故障发展规律并预测未来发展趋势。

再进一步，所述步骤2)中，训练步骤如下：

2.1)首先选择模型训练的输入、输出参数，其中，输出参数为故障的目标参数，而输入参数为所有会对目标参数产生影响的系统参数；

2.2)对事先收集完成的健康系统数据集进行整理，抽取输入参数的数据作为输入数据集，抽取输出参数的数据作为输出数据集；

2.3)利用输入、输出数据集对RNN模型进行训练，得到针对该故障的系统模型。

本发明的技术构思为：本发明通过对几类渐变故障进行研究，应用人工智能深度学习的理论和方法，基于云服务器数据集提出一种渐变故障诊断方法。由于是基于云服务器的监控系统，可以实现对系统全生命周期的监控，通过系统的长期状态进行收集，获得大量数据。该方法利用大量健康数据对深度学习模型进行训练，数据获取难度大大降低。经过训练的模型可实现对HVAC系统渐变故障的早期诊断。通过对长期数据的分析，可以很好的估计出渐变故障的发展趋势以及给出建议的维护时间，使维护人员可以清楚地了解到系统的当前状况和故障恶化速度，便于合理安排维护时间。

本发明的有益效果表现在：

(1)对比现有的智能诊断技术，该发明只利用健康数据进行建模，不需要故障数据，因此很好的解决的故障数据获取困难的问题。

(2)本发明首次将RNN(循环神经网络)引入HVAC(暖通空调)系统渐变故障诊断领域。该方法可以对时间段内数据综合分析，可实现对非稳定系统滞后特性的捕捉，实现非稳定系统的高精度诊断。

(3)利用线性拟合技术，实现对渐变故障发展趋势的预测，可以对未来发展状态进行预估，为准确制定维护计划作出指导。

(4)利用深度学习技术RNN对系统建模，由于RNN结构复杂，可以很好的实现对高度非线性系统的建模，提高诊断精度。

附图说明

图1是循环神经网络(RNN)结构图。

图2是诊断流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1和图2，一种基于深度学习的HVAC系统渐变故障诊断方法，包括以下步骤：

1)对HVAC新系统的运行数据进行采集，采集新系统数据均为健康数据；

2)将采集数据进行整理，分出不同故障对应的输入输出参数，整理成训练数据集；

该训练数据集用于训练神经网络，不同故障对应的数据集不同；

3)利用PCA进行故障识别；

4)利用不同训练数据集分别训练RNN网络；

5)利用训练好的模型对目标系统进行诊断：将目标系统的测试量分成输入输出数据，该分类与模型训练时一致，将输入量导入RNN模型，RNN会计算出输出量，将此输出量和测试的输出量对比，如果残差大于阈值，则为故障系统。

进一步，所述方法还包括以下步骤：

6)对设定时间段的残差进行线性拟合，得出渐变故障发展规律并预测未来发展趋势。

本发明研究的故障识别与诊断方法包括模型训练和识别与诊断两大部分，流程见图2。

模型训练实施方式：

为了实现对系统的精确建模，我们利用大量健康系统的数据训练RNN模型。由于HVAC系统使用初期基本不存在渐变故障，故可以得到大量的健康数据。具体训练步骤如下：

2.1)首先选择模型训练的输入、输出参数。其中，输出参数为故障的目标参数，而输入参数为所有会对目标参数产生影响的系统参数。

2.2)对事先收集完成的健康系统数据集进行整理，抽取输入参数的数据作为输入数据集，抽取输出参数的数据作为输出数据集。

2.3)利用输入、输出数据集对RNN模型进行训练，得到针对该故障的系统模型。

由于RNN结构足够复杂，当数据量足够大时，我们可以得到精度足够高的模型，这一过程称为故障建模。我们需要对每种渐变故障分别进行故障建模，每一个模型只能诊断对应的一种故障。

PCA模型的训练则较为简单，直接将全部采集数据导入训练即可。

本实施例的故障诊断方法的实施方法：识别与诊断部分则是利用训练好的模型进行具体故障的判定，分为四个步骤：异常数据检测与数据清洗、故障识别、故障诊断、趋势分析。

第一步，异常数据检测与数据清洗

云端数据库中通常会存在部分异常数据，导致异常数据出现的原因有很多，如传感器故障、各种干扰、传输故障、编码错误、人为影响等。为了避免异常数据对模型训练产生影响，通常在数据使用之前需要进行数据清洗。数据集上的异常数据检测技术主要分为：基于统计的方法、基于密度的方法、基于距离的方法、基于深度的方法和基于偏差的方法。本文所用数据集的异常点检测较为简单，使用基于统计的方法。首先计算数据集的均值μ和标准差σ，按照3σ原则，将μ±3σ作为界限，超出范围的数据即认为异常。

第二步，故障识别

故障识别的目的是实时的识别出异常系统，该过程只需得出两个结果，即系统健康或系统异常。对故障识别算法的要求是响应速度快、计算量小、灵敏度高。基于RNN的算法虽然可以一次性完成故障识别和故障诊断两个过程，但其计算量大，实时进行RNN运算会导致服务器超负荷运行。本文利用PCA模型对系统进行实时的故障识别，该模型计算量小、识别精度高，非常适用于实时故障识别。当识别出系统存在异常后，再利用RNN模型对其进行具体故障判定。

第三步，故障诊断

故障诊断的目的是对异常系统进行具体故障的判定，将系统最终归类于预先设定的若干种故障。由于渐变故障发生频率较低且短时间内对系统影响较小，因此对故障诊断算法的计算量和实时性没有过多要求，只需保证足够高的准确度即可。本文利用RNN模型对异常系统进行故障诊断，一种RNN模型对应一种故障，依次使用不同模型对系统进行诊断，最终判定系统具体故障。

第四步，趋势分析

趋势分析的目的是对渐变故障发展趋势进行预测，并给出合理的维护时间节点。对处于亚健康的系统，可利用线性拟合的方法对故障目标参数的残差进行拟合，得到故障发展的趋势。以此趋势预测系统故障的发展情况，从而有针对性的对系统进行维护。

故障诊断参数的选择：本实施例诊断的三种目标故障为：冷凝器脏污或结垢、蒸发器脏污或结垢、系统漏液。由于暖通空调系统结构复杂，参数众多，不同参数间的关联性各不相同，合理的选择故障的输入和输出参数可以有效的提高模型预测精度。现将三种故障的输入输出参数列出，见表1。

表1

为表述更加详细，下面依次介绍冷凝器脏污或结垢、蒸发器脏污或结垢和系统漏液三种故障的参数选择及原因。

冷凝器脏污或结垢：当系统冷凝器脏污或结垢时，最直接的表现为冷凝器换热速度下降，故我们选取冷凝器换热速度作为该故障的输出参数。

换热器的换热速度是指单位时间内热交换的能量，表示如下：

其中，ν表示换热速度；E表示热交换的能量；t表示热交换的时间；ΔT表示进出风/水的温度差；q代表热交换风/水的流量。

换热速度通常无法直接测量得到。由上式可知，换热速度与进出风/水的温度差和流量有关。通常流量参数都是可控或恒定的，故为了得到换热速度需要对进出风/水温差进行测量。

在输入参数选择方面，由于流量参数不受系统影响，我们只需考虑影响冷凝器进出风/水温差的参数即可。进出风/水的温差直接受到进风/水温度和冷凝器入口制冷剂温度的影响，而冷凝器入口制冷剂温度与压缩机功率和膨胀阀开度有关。此外，环境温度也是影响系统工况的重要因素。故我们选择压缩机电流、膨胀阀开度、冷凝器入口制冷剂温度、冷凝器进风/水温度、环境温度作为输入参数。

蒸发器脏污或结垢：蒸发器脏污或结垢原理与冷凝器脏污或结垢大致相同，也会导致换热速度下降，故采用蒸发器换热速度作为输出参数，输入参数选择与冷凝器脏污或结垢类似，分别是压缩机电流、膨胀阀开度、蒸发器入口制冷剂温度、蒸发器进风/水温度、环境温度。

系统漏液：系统漏液最明显的现象为排气压力和吸气压力下降。通常排气压力和吸气压力与膨胀阀的开度是相关的，当系统漏液后，相同的膨胀阀开度对应的排气压力和吸气压力较正常值偏低，其中排气压力尤为明显。而环境温度对排气压力影响也非常明显。故本文将排气压力作为输出参数，膨胀阀开度和环境温度作为输入参数。

本实施例中，循环神经网络(RNN,recurrent neural network)是深度学习算法中的一种，专门用于处理序列数据。普通神经网络的各计算结果之间是相互独立的，而RNN的每一次计算结果都与当前输入以及上一次的隐含层输出结果相关。通过这种方法，RNN的计算结果便具备了记忆之前结果的特点。

RNN的结构图如图1，左侧为结构简图，右边为展开的结构图，从左至右，时序数据依次输入，同时，之前时间点的输出也作为这次的输入传递进神经元。历史数据与当前数据同时影响当前输出，即实现了记忆的效果。

RNN是为在有序的数据上进行学习而设计，但是RNN的结构决定了它对距离比较近的时刻的记忆更加强烈，而对距离久远的时间记忆较为模糊。长短期记忆网络(LSTM，LongShort-Term Memory)模型是一种RNN的变体，在传统RNN的基础上添加了遗忘门、输入门和输出门三类阀门。这些门的打开或关闭，由模型的记忆状态和当前的输入决定，通过计算决定两者在新的记忆状态和输出所占据的比重。这种结构只保留重要的记忆信息，不重要的记忆信息则被遗忘掉，从而达到更有效记忆长期信息的目的。

由于LSTM是从RNN衍生而来的，属于众多RNN变体中的一种，本文将RNN作为众多变体的统称，不再区分LSTM和经典RNN。

当系统存在故障A时，会有一种或多种系统参数发生变化，如系统漏液时，排气压力会相对较低，我们将此类参数称为故障A的目标参数。当工况和外部环境确定时，目标参数也为确定值。如果我们可以对健康的系统精确建模，就可以根据工况参数和环境参数计算出健康系统目标参数的理论值。接下来，通过对比目标参数理论值和实测值，就可以判断出该目标参数是否异常，即系统是否存在对应故障。

Claims (3)

1.一种基于深度学习的HVAC系统渐变故障诊断方法，其特征在于，所述方法包括以下步骤：

1)对HVAC新系统的运行数据进行采集，采集新系统数据均为健康数据；

2)将采集数据进行整理，分出不同故障对应的输入输出参数，整理成训练数据集；该训练数据集用于训练神经网络，不同故障对应的数据集不同；

3)利用PCA进行故障识别；

4)利用不同训练数据集分别训练RNN网络；

5)利用训练好的模型对目标系统进行诊断：将目标系统的测试量分成输入输出数据，该分类与模型训练时一致，将输入量导入RNN模型，RNN会计算出输出量，将此输出量和测试的输出量对比，如果残差大于阈值，则为故障系统。

2.如权利要求1所述的一种基于深度学习的HVAC系统渐变故障诊断方法，其特征在于，所述方法还包括以下步骤：

6)对设定时间段的残差进行线性拟合，得出渐变故障发展规律并预测未来发展趋势。

3.如权利要求1或2所述的一种基于深度学习的HVAC系统渐变故障诊断方法，其特征在于，所述步骤2)中，训练步骤如下：

2.1)首先选择模型训练的输入、输出参数，其中，输出参数为故障的目标参数，而输入参数为所有会对目标参数产生影响的系统参数；

2.2)对事先收集完成的健康系统数据集进行整理，抽取输入参数的数据作为输入数据集，抽取输出参数的数据作为输出数据集；

2.3)利用输入、输出数据集对RNN模型进行训练，得到针对该故障的系统模型。