[發明專利]一種可解釋的空調系統深度神經網絡故障診斷方法

有效

• 申請號: 202110453526.5
• 申請日: 2021-04-26
• 公開（公告）號: CN113221973B
• 公開（公告）日: 2022-04-19
• 發明（設計）人: 李冠男;董子明;胡云鵬;高佳佳;陳儉;方曦;熊嘉豪;胡浩楠;吳雨蓓;王璐晗
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/82;G06N3/04;G06N3/08;G01M99/00
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 任葦

1.一種可解釋的空調系統深度神經網絡故障診斷方法，其特征是：基于深度學習模型，利用一維卷積神經網絡模型提取暖通空調運行數據的特征信息，并將絕對梯度加權類激活映射作為可視化分類診斷標準，利用絕對梯度加權類激活映射可視化暖通空調系統的故障特征信息，通過絕對梯度加權類激活映射獲取一維卷積神經網絡模型中各故障數據對應的故障診斷標準，使故障診斷模型變得可解釋，具體包括以下步驟：

S1、一維卷積神經網絡模型的特征學習與故障診斷，具體方法為：

1)通過篩選得到冷水機組空調系統運行數據集，其中，數據集包括正常數據和5種典型故障數據，每種數據包含48個直接測量變量和16個間接計算變量；

2)采用一維卷積神經網絡模型將暖通空調系統運行數據依次進行數據歸一化、穩態數據處理、數據分割和數據張量變換處理，得處理后數據；

3)將處理后數據輸入至一維卷積神經網絡模型的輸入層，并通過一維卷積神經網絡模型的卷積層對處理后數據進行特征提取，然后將提取的特征平鋪后輸入至一維卷積神經網絡模型的全連接層中，然后在一維卷積神經網絡模型的輸出層采用分類器對數據進行故障分類，完成故障的特征學習過程，并根據故障特性實現故障分類；

4)輸入新的經過處理后的空調系統運行數據至一維卷積神經網絡模型中，一維卷積神經網絡模型根據特征學習的故障特征信息對新數據進行故障分類，實現故障診斷；

S2、絕對梯度加權類激活映射故障診斷準則對故障特征的解釋，采用絕對梯度加權類激活映射對步驟S1中一維卷積神經網絡模型提取的故障特征進行可視化解釋，獲取各故障診斷標準，其中，絕對梯度加權類激活映射的公式為：式中：表示第c類故障的絕對梯度激活映射；表示最后一個卷積層中第c類故障的第k個特征的權重；K是卷積層中的通道數；k表示第c類故障類別的第k個特征映射；A^k表示激活特征圖；

S3、對正常數據和故障數據進行分類，采用一維卷積神經網絡模型的兩個全連接層接收一維卷積神經網絡模型的卷積層中卷積運算后的平鋪數據，并采用softmax函數作為故障分類器，實現對正常數據和故障數據的分類。

2.根據權利要求1所述的一種可解釋的空調系統深度神經網絡故障診斷方法，其特征是：步驟S1中所述的一維卷積神經網絡模型包括輸入層、卷積層、全連接層和輸出層，不采用池化層操作，且所述卷積層的卷積核的大小為1×1。

3.根據權利要求2所述的一種可解釋的空調系統深度神經網絡故障診斷方法，其特征是：所述卷積層中的激活函數采用softsign函數。