[发明专利]一种基于深度强化学习的压缩机故障诊断方法

说明书

本发明公开了一种基于深度强化学习的压缩机故障诊断方法，属于压缩机故障诊断领域，包括：采集压缩机的实时运行数据，输入至已训练好的特征提取模型以提取特征；特征提取模型用于以无监督的方式提取输入数据的特征，特征用于表征在对应的运行数据下，压缩机处于各故障类型的概率；将实时运行数据的特征输入至已训练好的故障诊断模型以预测故障类型；故障诊断模型为深度强化学习模型，用于以特征为状态，预测在该状态下最大奖励值对应的动作，并将对应的故障类型作为故障诊断结果；深度强化学习模型的一个动作用于预测压缩机在给定状态处于某一种故障状态。本发明能够减少对专家经验和先验知识的依赖，提高压缩机故障诊断结果的精度和稳定性。

技术领域

本发明属于压缩机故障诊断领域，更具体地，涉及一种基于深度强化学习的压缩机故障诊断方法。

背景技术

压缩机是中央空调系统的中至关重要的部件。为了应对不同工况下的工作需求，压缩机会采取不同的工作模式运行，并由系统配置的多个的温度、压力传感器监控工作状态。因此，压缩机具有复杂的运行工况，并在运行中产生了大量的运行数据。压缩机故障的发生，不仅会导致冷水机组无法正常工作，令用户的舒适性要求得不到满足，还会严重影响空调系统整体的效率，从而造成严重的能源浪费并缩减空调系统的使用寿命。因此，通过各种检测和诊断手段，及时发现和处理各类压缩机故障，可以避免无谓的停机、检修及能源浪费。针对空调系统中的压缩机的故障进行智能识别，可以达到检测、故障诊断及故障动态预测的目的。

目前，已有一定针对压缩机故障方面的研究，并取得了一定研究成果。数据驱动方面，在压缩机故障诊断中常常采用ANN、SVM、聚类等方法进行故障模式分类，然而这种方法需要一定的先验知识，尤其集中在特征选取和模型参数选取上。

发明专利文献CN201910100466.1建立了一种基于XGBoost特征提取的压缩机故障诊断方法，此方法可以挖掘出故障数据中隐含的故障特征信息并对其进行重要度排序来作为故障定位与检测的依据，从而实现实现压缩机多故障模式的预测诊断，但是此种方法需要进行数据预处理，并且不同故障所采集和进行重要度排序的变量信息不固定，导致故障诊断模型的特征变量种类有波动，实时更新模型的成本也较高。

发明专利文献CN201910981586.7建立了一种基于大数据的压缩机故障诊断方法，此发明通专家经验对压缩机的各个故障模式进行故障识别，并且由识别结果建立了故障数据库以用于推导贝叶斯网络模型中每种压缩机故障的发生概率，对超过指定阈值的故障模式进行报警警告，从而达到故障诊断的效果。这种方法对专家经验依赖性较大且数据收集成本较大，需要大量的故障数据的积累才能建立可以用于推导故障发生概率的贝叶斯网络模型，如果故障数据库中还没有收集足够多的某故障数据，此故障的诊断精度会较低。

总体而言，现有的压缩机故障诊断方法，存在对专家经验和先验知识的依赖，故障诊断结果的精度和稳定性得不到保证。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于深度强化学习的压缩机故障诊断方法，其目的在于，减少压缩机故障诊断中对专家经验和先验知识的依赖，提高压缩机故障诊断结果的精度和稳定性。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度强化学习的压缩机故障诊断方法，包括：

采集压缩机的实时运行数据，输入至已训练好的特征提取模型，以提取实时运行数据的特征；特征提取模型用于以无监督的方式提取输入数据的特征，该特征用于表征在对应的运行数据下，压缩机处于各故障类型的概率；

将实时运行数据的特征输入至已训练好的故障诊断模型，故障诊断模型为深度强化学习模型，用于以输入的特征为状态，预测在该状态下能够得到最大奖励值时所采取的动作，并获得与该动作相对应的故障类型作为压缩机的故障诊断结果；在给定状态下，深度强化学习模型的一个动作用于预测压缩机在给定状态处于某一种故障状态。