[發(fā)明專利]一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110453526.5
• 申請日: 2021-04-26
• 公開（公告）號: CN113221973B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）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(quán)）人: 武漢科技大學(xué)
• 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(dá)專利代理事務(wù)所(普通合伙) 50230
• 代理人: 任葦

本發(fā)明公開了一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法，涉及暖通空調(diào)系統(tǒng)故障診斷技術(shù)領(lǐng)域，其技術(shù)方案要點(diǎn)是：基于深度學(xué)習(xí)模型，利用一維卷積神經(jīng)網(wǎng)絡(luò)模型(1D?CNN)提取暖通空調(diào)運(yùn)行數(shù)據(jù)的特征信息，并將絕對梯度加權(quán)類激活映射(Grad?Absolute?CAM)作為可視化分類診斷標(biāo)準(zhǔn)，利用絕對梯度加權(quán)類激活映射可視化暖通空調(diào)系統(tǒng)的故障特征信息，通過絕對梯度加權(quán)類激活映射獲取一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷模型中各故障數(shù)據(jù)對應(yīng)的故障診斷標(biāo)準(zhǔn)，使故障診斷模型變得可解釋。本發(fā)明的方法采用一維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷，故障診斷結(jié)果準(zhǔn)確率高；同時(shí)，通過絕對梯度加權(quán)類激活映射對故障特征可視化，獲取故障診斷準(zhǔn)則，可加強(qiáng)對模型的可解釋性。

技術(shù)領(lǐng)域

本發(fā)明涉及暖通空調(diào)系統(tǒng)故障診斷技術(shù)領(lǐng)域，更具體地說，它涉及一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法。

背景技術(shù)

暖通空調(diào)系統(tǒng)是一個(gè)多設(shè)備運(yùn)行的系統(tǒng)，運(yùn)行過程中常常會(huì)發(fā)生一些故障，這些故障的發(fā)生不僅會(huì)影響系統(tǒng)的正常運(yùn)行，而且還會(huì)增加建筑的總能耗。隨著建筑物智能化的快速發(fā)展，以及數(shù)據(jù)積累和計(jì)算速度的提高，各種基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)故障診斷方法被運(yùn)用于暖通空調(diào)系統(tǒng)，如長短期記憶網(wǎng)絡(luò)(LSTM)、深度神經(jīng)網(wǎng)絡(luò)(DNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等深度學(xué)習(xí)算法。這些深度學(xué)習(xí)方法因其在各種系統(tǒng)配置和運(yùn)行條件下都能保證較好的診斷性能而受到越來越多的關(guān)注。由于各種深度學(xué)習(xí)模型具有提取深層故障特征、實(shí)現(xiàn)高精度非線性擬合等優(yōu)點(diǎn)，在計(jì)算機(jī)視覺、自然語言處理、工業(yè)過程監(jiān)測和機(jī)械故障診斷等領(lǐng)域得到了廣泛的應(yīng)用。

然而，上述這些方法大多是黑箱模型，雖然對系統(tǒng)的運(yùn)行狀態(tài)監(jiān)測和故障診斷具有很高的精度，但卻極難解釋。深度學(xué)習(xí)模型能將暖通空調(diào)輸入數(shù)據(jù)樣本劃分為故障樣本和正常樣本，但其工作機(jī)理和診斷準(zhǔn)則難以理解。從實(shí)際應(yīng)用的角度來看，對深度學(xué)習(xí)方法進(jìn)行模型解釋具有重要意義。

為了克服深度學(xué)習(xí)黑箱模型的可解釋性較差的缺點(diǎn)。本發(fā)明旨在提出一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法，以解決上述問題。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法，本發(fā)明的方法采用一維卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行故障診斷，故障診斷結(jié)果準(zhǔn)確率高；同時(shí)，通過絕對梯度加權(quán)類激活映射對故障特征可視化，獲取各故障診斷標(biāo)準(zhǔn)，可加強(qiáng)對模型的可解釋性。

本發(fā)明的上述技術(shù)目的是通過以下技術(shù)方案得以實(shí)現(xiàn)的：一種可解釋的空調(diào)系統(tǒng)深度神經(jīng)網(wǎng)絡(luò)故障診斷方法，基于深度學(xué)習(xí)模型，利用一維卷積神經(jīng)網(wǎng)絡(luò)模型提取暖通空調(diào)運(yùn)行數(shù)據(jù)的特征信息，并將絕對梯度加權(quán)類激活映射作為可視化分類診斷標(biāo)準(zhǔn)，利用絕對梯度加權(quán)類激活映射可視化暖通空調(diào)系統(tǒng)的故障特征信息，通過絕對梯度加權(quán)類激活映射獲取一維卷積神經(jīng)網(wǎng)絡(luò)模型中各故障數(shù)據(jù)對應(yīng)的故障診斷標(biāo)準(zhǔn)，具體包括以下步驟：

S1、一維卷積神經(jīng)網(wǎng)絡(luò)模型的特征學(xué)習(xí)與故障診斷，具體方法為：

1)通過篩選得到冷水機(jī)組空調(diào)系統(tǒng)運(yùn)行數(shù)據(jù)集，該數(shù)據(jù)集來源于美國供暖、制冷與空調(diào)程師學(xué)會(huì)(ASHRAE)的研究項(xiàng)目1043(RP-1043)中一個(gè)冷水機(jī)組暖通空調(diào)系統(tǒng)的故障實(shí)驗(yàn)。對一臺制冷量為90噸的R134a冷媒離心式冷水機(jī)組進(jìn)行了故障試驗(yàn)。其中，數(shù)據(jù)集包括正常數(shù)據(jù)和5種典型故障數(shù)據(jù)，每種數(shù)據(jù)包含48個(gè)直接測量變量和16個(gè)間接計(jì)算變量。

2)采用一維卷積神經(jīng)網(wǎng)絡(luò)模型將暖通空調(diào)系統(tǒng)運(yùn)行數(shù)據(jù)依次進(jìn)行數(shù)據(jù)歸一化、穩(wěn)態(tài)數(shù)據(jù)處理、數(shù)據(jù)分割和數(shù)據(jù)張量變換處理，得處理后數(shù)據(jù)；