[发明专利]DCCNN和LGBM相结合的空气处理机组故障检测与诊断方法

权利要求书

1.一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：包括以下步骤：

1)人为的模拟多种空气处理机组故障，同时采集安装在空气处理机组各个回路的传感器数值，得到传感器在故障情况下运转的数据；

2)采用嵌入式重要特征选择方法选择出对空气处理机组的故障检测与诊断最相关的八个特征子集；

3)建立双通道卷积神经网络DCCNN模型和光梯度提升机分类器；

4)将步骤2)中选择出的特征子集按照7:3:1的比例划分为训练集、验证集以及测试集；使用训练集训练DCCNN模型，使用验证集验证DCCNN模型是否拟合，使用测试集测试其故障诊断性能，并保存已经训练好的DCCNN模型；

5)使用训练好的DCCNN模型对空气处理机组数据集进行特征提取，并将提取的特征输入到光梯度提升机分类器中进行训练；

6)将需要进行故障检测与诊断的空气处理机组的数据集输入DCCNN模型进行特征提取，提取的特征输入到光梯度提升机分类器中，光梯度提升机分类器会输出空气处理机组的运行情况及故障情况；

所述的步骤2)中嵌入式重要特征选择方法具体为：使用LinearSVC作为分类器进行特征选择，并在LinearSVC的损失函数中加入惩罚项：L2范数，使得跟输出有关的特征在模型中对应的系数相对较大，而跟输出变量无关的特征对应的系数接近于0；分类器对每个特征进行打分，对各特征的得分按从大到小进行排序，选出前八个特征进行后续步骤。

2.根据权利要求1所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的双通道卷积神经网络为两个并行的卷积结构，一个通道为浅层卷积神经网络，用于对输入的数据进行浅层特征提取，另一个通道为深层卷积神经网络，用于对输入的数据进行深层特征提取。

3.根据权利要求2所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的浅层卷积神经网络由一层卷积层组成；所述的深层卷积神经网络由七层卷积层组成并使用残差网络。

4.根据权利要求3所述的双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法，其特征在于：所述的深层卷积神经网络中的残差网络由一系列的残差块组成；残差块包括直接映射和残差部分，一个残差块可以表示为：

x_l+1＝h(x_l)+F(x_l,W_l)，其中h(x_l)是直接映射；F(x_l,W_l)是残差部分。