[发明专利]一种冷水机组故障诊断方法及系统

说明书

本发明属于故障诊断领域，提供了一种冷水机组故障诊断方法及系统。其中，冷水机组故障诊断方法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。

技术领域

本发明属于故障诊断领域，尤其涉及一种冷水机组故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

冷水机组作为空调系统的重要组成部分，运行能耗占整个建筑能耗的绝大部分，对其进行节能研究是促进绿色建筑发展的重中之重。冷水机组运行状况的恶化及故障会带来大量的能源消耗、降低室内舒适度、增加设备维修成本以及缩短设备寿命，因此，迫切需要建立一种有效的冷水机组故障检测与诊断方法，提高冷水机组状态监测与故障诊断的水平，真正做到绿色节能。

LSTM神经网络模型是是深度学习和人工智能领域的热门话题，其结构简单、可用于学习复杂时间序列的有意义的表示、可挖掘数据间的长期依赖关系，因此受到众多研究人员的喜爱，多用于解决预测性问题。但是，在暖通空调系统中通过LSTM方法的故障检测与诊断(FDD)仍然缺乏较多关注，特别是在冷水机组设备FDD中。同时，LSTM神经网络能够很好地挖掘故障序列数据的时间关联性，解决耦合程度高，时序相关性较强的故障问题，但发明人发现，LSTM也具有一定的缺陷：

(1)建立LSTM网络模型最重要的是确定他的超参数，像LSTM层数、丢弃率、学习率等等，而目前LSTM模型参数的选择往往依靠研究者的经验来确定，随机性较大，会降低模型预测效果，容易陷入局部最优解，无法得到一个最优的LSTM网络模型。

(2)LSTM对某个数据集具有良好的诊断效果，但是应用到其他数据集无法得到良好的故障诊断正确率，导致算法的泛化能力差。

(3)当数据较多、时间跨度很大时，LSTM的网络会加深，并且LSTM无法并行处理，那么巨大的计算量会导致很长的诊断时间，造成时间和成本的浪费。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种冷水机组故障诊断方法及系统，其能够提高故障诊断的准确性与快速性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种冷水机组故障诊断方法。

一种冷水机组故障诊断方法，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。

本发明的第二个方面提供一种冷水机组故障诊断系统。

一种冷水机组故障诊断系统，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；