[发明专利]基于1DCNN与GRU融合的故障特征学习与分类方法

说明书

本发明公开了一种基于1DCNN与GRU融合的冷水机组故障特征学习与分类方法，解决了现有方法在耗时、难以处理海量数据等方面存在的不足。本发明首先对采集的不同工况下连续时间的故障序列信息进行预处理，构建样本集；其次采用降维算法对样本集进行初步特征提取；然后构建1DCNN‑GRU神经网络模型，训练时将训练样本同一时刻的故障特征作为网络模型一个时间步的输入，采用交叉熵损失函数，结合反向传播BP算法调整模型参数，利用Softmax回归作为分类算法，对网络模型参数进行迭代更新，完成模型的训练。该方法不仅能提取序列局部特征与序列间的动态信息，还能实现故障的实时分类诊断。

技术领域

本发明属于基于大数据环境下冷水机组状态监测与故障诊断领域，具体涉及一种基于1DCNN与GRU融合的冷水机故障特征学习与分类方法。

背景技术

随着计算机、传感器技术的迅速发展，现代工业系统呈现复杂化、集成化方向发展的趋势，反映系统运行机理和状态的数据呈现出“大数据”特性。冷水机组作为数据中心制冷系统的关键设备，冷水机组包含冷凝器、压缩机、蒸发器、膨胀阀、冷冻水循环系统和冷却水循环系统，其主要作用是为机房提供冷源，保障数据中心的正常运行。冷水机组故障的发生轻者降低系统性能，造成机房设备受损，缩短设备的使用寿命；重者造成机房存储信息丢失，带来严重甚至无法挽回的经济损失，因此实现冷水机组精准的故障分类诊断尤为重要。

数据中心通过采用多个传感器装置实时采集冷水机组的运行状态数据，获得的数据呈现“大数据”特性。传统的浅层神经网络故障特征提取与分类方法，包含SVM、ANN、LR等，虽然在智能故障诊断分类方面已经取得了很大的成就，但是泛化能力小，提取有效特征需要耗费大量时间，难以满足这种工业“大数据”特征的故障分类诊断。此外，设备数据收集的速度比诊断分析的速度要快，因此迫切需要有效地分析海量数据，提供准确的诊断结果的诊断方法。不同于浅层神经网络，深度学习方法包含多层隐藏结构，能够实现数据特征的逐层转换，保证有效地特征提取；另一方面深度学习方法具有更好地逼近复杂函数的能力，因此可以有效处理高维、非线性数据，避免发生诊断能力不足的问题。

经过对现有技术的检索发现，中国专利文献号CN108985376A公开(公告)日2018.12.11，公开了一种基于卷积-循环神经网络的回转窑序列工况识别方法，具体包括：PCA主元分析法对预处理后的图像视频序列进行初步特征提取和降维；设计CNN-RNN卷积循环神经网络，进一步学习图像空间维和时间维的特征表达；输出层对所得到的特征进行全连接，通过softmax方法实现各种工况的概率统计，并选择出概率最大的工况输出，从而实现工况分类识别。该技术基于CNN-RNN提取图像的空间特征和图像序列之间关联信息，很好的实现的特征提取与工况识别。但该技术不能满足非图像序列的故障特征提取与分类。

发明内容

鉴于此，本专利提出了一种适用于序列数据的故障特征提取与分类方法——1DCNN-GRU。一维卷积神经网络1DCNN(1D Convolutional Neural Network)非常适合海量序列数据的处理与学习。卷积神经网络的卷积运算可以识别故障序列的局部特征，池化运算可以在保留主特征的同时减少参数和计算量，同时可以防止过拟合，提高泛化能力。GRU(Gated Recurrent Unit)作为循环神经网络RNN(Recurrent Neural Network)的一种变体，处理单元之间既有内部的反馈连接又有前馈连接，其内部反馈连接可以为网络保留隐层节点的状态和提供记忆方式。网络的输出不仅取决于当前的输入，而且与以前的网络内部状态有关，体现出了较好的动态特性，可以有效提取故障特征的动态信息，此外，由于记忆单元的存在，适用于复杂设备或系统的实时故障诊断。

本发明应用于冷水机组状态监测与故障诊断领域，实现对冷水机组传感器序列数据的特征提取与分类诊断。所述的故障特征学习与分类方法通过构建带有标签的冷水机组工况样本集对1DCNN-GRU网络模型进行训练，并将训练后的1DCNN-GRU网络处理未知冷水机组工况序列，根据1DCNN-GRU网络的输出向量判断冷水机组工况类别。

本发明具体包括如下步骤：