[发明专利]一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法

权利要求书

1.一种基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，包括如下步骤：

S1、获取冷水机组的8个传感器数据，包括无故障数据和故障数据；

S2、对获得的数据集进行筛选，剔除掉由于冷水机组瞬间启动造成的噪声干扰；

S3、根据经过筛选后的数据集，通过皮尔逊相关系数分析各个传感器数据之间的相关性；

S4、根据计算得到的皮尔逊相关系数，确定被研究对象与其他传感器数据之间的相关性，从而优化LSTM网络的输入参数；

S5、构建LSTM网络模型；

S6、根据各个传感器的特性确定对应的故障阈值区间；

S7、使用构建的LSTM网络模型进行故障诊断，并对该模型是否可以用于冷水机组传感器故障诊断进行判断；当优化输入特征参数的基于LSTM的冷水机组传感器故障诊断方法针对8个主要传感器的平均故障检测率高于90％时，且平均虚警率小于5％时，则本方法应用于冷水机组传感器故障诊断中。

2.如权利要求1所述的基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，所述步骤S4中，优化LSTM网络的输入参数的具体方法如下：皮尔逊相关系数的数学表达式如下：

其中y_i是检测数据，是y_i的平均值，y_o是神经网络的输出，是y_o的平均值；

每个传感器参数进行归一化以获得分布在[0,1]范围内的数据，归一化过程由以下公式给出：

其中y_n代表归一化的数据，y_max和y_min代表数据系列中的最大值和最小值。

3.如权利要求1所述的基于优化输入特征参数的LSTM的冷水机组传感器故障诊断方法，其特征在于，所述步骤S5中，LSTM模型构建如下：

LSTM的核心是单元状态和“门”结构，包括遗忘门、输入门和输出门，遗忘门决定前一个单元状态的信息是被遗忘还是保留作为下一个单元状态的输入；输入门用于更新单元状态；输出门决定下一个单元状态的信息，长时间序列的相关信息传递是通过这样的网络结构实现的，LSTM单元中的每个门和状态更新过程的公式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)             (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i)                (2)

o_t＝σ(W_o·[h_t-1,x_t]+b_o)           (5)

h_t＝tanh(c_t)*o_t                (6)

其中，x_t作为LSTM单元在当前时刻的输入，h_t-1，h_t为LSTM单元前一时刻和当前时刻的输出，W_f，W_i，W_c，W_o表示遗忘门、输入门、输入单元和输出门的权重矩阵，b_f为遗忘门偏置项，b_i为输入门偏置项，b_c为神经元偏置项，f_t，i_t，c_t，o_t表示遗忘门、输出门、输入单元和输出门的输出状态，c_t，c_t-1表示单元在当前时刻和上一时刻的状态，σ、tanh为sigmoid激活函数和tanh激活函数。