[发明专利]基于深度迁移学习的冷水机组故障诊断方法

说明书

本发明涉及一种基于深度迁移学习的冷水机组故障诊断方法，属于自动化领域。采集大量有标签的现有冷水机组的运行数据；利用大量有标签的现有数据训练得到基础模型。模拟部分故障，采集少量有标签与大量无标签的新的冷水机组的运行数据；利用新机组少量有标签的运行数据通过深度迁移学习使基础模型变为初步迁移的模型；利用深度迁移学习将初步迁移的模型用新机组大量无标签的运行数据修正得到迁移后的故障诊断模型；最后将新机组的实时运行数据传入故障诊断模型，得到故障诊断结果。本发明的方法可以降低冷水机组故障诊断模型的构建成本，成为冷水机组故障诊断技术在实际应用中的手段之一，具有较好的应用前景。

技术领域

本发明属于自动化领域，涉及基于深度迁移学习的冷水机组故障诊断方法。

背景技术

近年来，基于机器学习的故障诊断模型由于其良好的特性得到了广泛的发展，常见的机器学习手段有人工神经网络，支持向量机和深度神经网络。但是现有的机器学习其特征提取仍取决于人工，且已经证明这些人工提取的特征定义了现有机器学习方法的最高性能，通常情况下，通过人工获得较好的特征以表示设备的内部状态是很困难的。尽管深度学习可以在训练中自动的学习特征表示，即无需人工即可自动从输入数据中提取多个复杂特征，但深度学习依赖于大量的训练数据，因为深度学习需要大量的数据才能理解数据的潜在模式，并且，许多机器学习方法只有训练和测试数据遵循相同的分布时才能很好地发挥作用。当分布发生变化时，大多数统计模型都需要使用新收集的训练数据从头开始重建。在故障诊断中，由于设备通常处于正常工况而非故障工况，使得收集数量与种类足够多的数据需要花巨额成本，并且不同设备间的差异导致无法直接复用现有的诊断模型，而重新收集足够的数据并进一步标记它们会花费大量成本，这使得针对新的冷水机组构建故障诊断模型耗时且昂贵，是不利于制冷设备的经济效应的。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度迁移学习的冷水机组故障诊断方法。

为达到上述目的，本发明提供如下技术方案：

基于深度迁移学习的冷水机组故障诊断方法，该方法包括以下步骤：

S1：在冷水机组1上，模拟冷水机组1在多种工况下的多种故障，通过传感器，采集冷水机组1的运行数据1；

S2：将S1收集到的数据构建冷水机组1的数据集a，以数据集a作为DTL-FD方法中的源域；

S3：使用S2中的数据集a，训练得到拥有知识的故障诊断模型1，并使用S1中的数据集a，测试拥有知识的故障诊断模型1的基础性能；

S4：在冷水机组2上，模拟冷水机组2在部分工况下的部分故障，通过传感器，采集得到若干数据2，并在运行时通过传感器收集若干无标签的数据3；

S5：将S4收集到的数据2和数据3构建冷水机组2的数据集b与数据集c，以数据集b与数据集c作为DTL-FD方法中的目标域；

S6：使用S5中的数据集b，基于S3中拥有知识的故障诊断模型1，使用深度迁移学习方法，得到属于冷水机组2的初步迁移的故障诊断模型2，使用S5中的数据集c，基于深度迁移学习方法修正故障诊断模型2得到迁移后的故障诊断模型3，故障诊断模型3为通过DTL-FD方法建立的故障诊断模型。

可选的，使用所述深度迁移学习中的微调方法将拥有知识的故障诊断模型微调为初步迁移的故障诊断模型。

可选的，使用所述深度迁移学习中的基于对抗的无监督领域自适应方法将初步迁移的故障诊断模型修正为迁移后的故障诊断模型。

本发明的有益效果在于：针对基于机器学习的现有故障诊断方法依赖于数据规模的问题，提出了基于深度迁移学习的冷水机组故障诊断方法，其优点在于：利用深度神经网络，成功的提升了故障诊断模型的准确率；利用深度迁移学习，成功地利用了现有故障诊断模型，降低了新的故障诊断模型的构建成本与时间，这将提升制冷系统内部的经济性。