[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

说明书

本发明公开了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，该方法采用双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN‑LGBM，对空气处理机组(AHU)进行准确的故障检测与诊断。本发明还在卷积神经网络中使用了残差网络，提高了双通道卷积神经网络的特征提取能力，同时提高了模型的整体故障检测与诊断精度，可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好，只需对模型的某些参数进行改变，就可以很容易移植到别的领域，如冷水机组故障检测与诊断等领域。

技术领域

本发明涉及故障检测领域，更具体的说，涉及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。

背景技术

隧道采暖、通风和空调(HIVC)系统是工业建筑和家庭建筑中的重要组成部分。该系统在调节室内环境中起着主导作用，为人们提供舒适安全的工作和居住环境。为了满足现代建筑对室内环境质量日益增长的要求，HVAC系统变得越来越复杂，其能耗也越来越高，约占全球建筑能耗总量的40％以上。HIVC系统在故障状态下运行，不仅会缩短设备的使用寿命，而且会造成额外损耗，该损耗占建筑总能耗的30％。因此，将故障检测与诊断(FDD)应用于HIVC系统，可以确保HIVC系统安全和高效的运行，进而可以提高用户的舒适度、延长设备的寿命和减少能源消耗。

空气处理装置是HIVC系统中最重要和最耗能的部件之一，用于调节整个供应区域空气质量。AHU是一种集中式空气处理装置，一般包括加热器、冷却器、过滤器以及风机。其基本工作过程是：室外来的新风与室内的一部分回风混合后，首先经过滤器滤掉空气中的粉尘、烟尘和有机粒子等有害物质，然后适当的对混合空气的温度、湿度、气压等进行调节，最后将调节好的空气输送到各个区域。因此对AHU装置进行故障检测与诊断也是监测HIVC是否正常工作。

早期HIVC系统的FDD大多数是基于模型的。然而，基于模型的方法是有限的，因为它们是专门地为特定系统定制，并且非常难以更新、更改或适应不同的系统。此外，如果遇到超出所包含知识边界的情况，基于模型的方法通常会失效。随着人工智能的发展，基于数据的方法越来越受到人们的关注。与基于模型的方法需要关于系统过程的先验知识相反，基于数据的方法只需要大量的历史过程数据就完成故障检测与诊断，而且泛化能力较好，很容易的移植到不同的系统。

现有基于数据的故障检测与诊断流程主要由特征选择、特征转换、特征提取和分类器组成。其中特征提取方法主要有经验模态分解 (EMD)，小波变换(WT)、傅里叶变换(FFT)、卡尔曼滤波(KF) 等。这些特征提取方法通过对时间序列信号进行一定的变换，可以提取出更有利于检测与诊断的特征。这种传统的人工设计提取特征的方法有一下两点不足之处。第一，上述的特征提取方法都有固定的模式，对于简单的系统是有效的，因为其状态信号往往具有明显的频率特性。但是对于AHU这样高度非线性的复杂系统，这些特征提取方法就显得比较乏力，只能在自己的算法设定范围内提取到片面的特征。第二，特征提取过程和后续的故障检测与诊断过程是相互独立的，这两者之间不存在联合优化。特征提取器提取出什么特征，分类器就只能使用什么特征，不能确定所提取的特征是否存在缺陷或冗余，这不利于系统的故障检测与诊断。

发明内容

针对上述技术方案中存在的问题，本发明提出了双通道卷积神经网络(DCCNN)和光梯度提升机(LGBM)这两种高级分类器相结合的混合模型DCCNN-LGBM，用于对空气处理机组(AHU)进行准确的故障检测与诊断。

本发明采用以下技术方案实现：

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，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；