[发明专利]一种冷水机组故障诊断方法及系统

权利要求书

1.一种冷水机组故障诊断方法，其特征在于，包括：

获取冷水机组运行状态数据，提取冷水机组的特征量；

将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

2.如权利要求1所述的冷水机组故障诊断方法，其特征在于，所述冷水机组的特征量包括压缩机功率、冷凝器出水温度、蒸发器进水温度、冷凝器进水温度、蒸发器侧温差和蒸发器盘管提供的冷却量。

3.如权利要求1所述的冷水机组故障诊断方法，其特征在于，在对LSTM网络故障诊断模型的超参数进行PSO寻优的过程中，通过粒子群的评价函数计算粒子的适应度值，从而确定全局最优粒子位置和局部最优粒子位置，继续更新粒子的速度与位置，直至满足终止条件，返回最优超参数取值，将最优参数赋予LSTM并进行训练，输出故障分类预测值。

4.如权利要求3所述的冷水机组故障诊断方法，其特征在于，粒子群的评价函数为：

其中，fitness_i为种群个体X_i的适应度值，P，Q分别表示训练样本和验证样本的个数，y_p、分别表示训练样本的真实值和预测值，y_q、分别表示验证样本的真实值和预测值。

5.如权利要求1所述的冷水机组故障诊断方法，其特征在于，在PSO优化LSTM网络故障诊断模型的训练过程中，还包括：

对冷水机组数据集进行数据预处理，所述数据预处理包括特征量选取、数据归一化、标签one-hot编码及数据集划分。

6.如权利要求1所述的冷水机组故障诊断方法，其特征在于，在PSO优化LSTM网络故障诊断模型训练过程中，首先使用随机值对包含可能解的种群空间进行初始化，然后PSO根据适应度值不断判断个体是否符合优化准则，从而不断更新LSTM网络模型的超参数，即找到适应度最高的个体以得到一定网络结构下最优的超参数值，最终实现LSTM神经网络的优化，完成模型训练。

7.如权利要求1所述的冷水机组故障诊断方法，其特征在于，LSTM网络故障诊断模型由输入层、两层LSTM层、输出层组成，损失函数使用交叉熵损失函数，模型训练过程采用Nadam算法优化器进行优化，在Keras框架下实现网络模型的搭建。

8.一种冷水机组故障诊断系统，其特征在于，包括：

特征提取模块，其用于获取冷水机组运行状态数据，提取冷水机组的特征量；

故障识别模块，其用于将冷水机组的特征量作为训练完成的PSO优化LSTM网络故障诊断模型的输入量，输出冷水机组故障类型；

其中，PSO优化LSTM网络故障诊断模型的构建为：

根据冷水机组数据的时间相关特性，搭建LSTM网络故障诊断模型，同时对LSTM网络故障诊断模型的超参数进行PSO寻优并进行交叉验证，以获取最优的模型来实现空调冷水机组故障标签的准确分类和快速识别。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的冷水机组故障诊断方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的冷水机组故障诊断方法中的步骤。