弱监督条件下空调系统风机故障诊断方法、系统及空调

专利主权项内容

1.一种弱监督条件下空调系统风机故障诊断方法，其特征是，包括以下步骤：S1.分别持续采集工况A和工况B下空调系统风机的运行参数，包括风机的状态信号和温度信号；S2.对步骤S1采集的数据进行预处理，将各风机的状态信号和温度信号按照最大最小归一化技术进行处理，通过采集空调系统风机各传感器连续运行M分钟的状态信号计算每种状态信号包含的样本点个数N，对获得的状态信号的样本与温度信号进行数据拼接处理；S2具体包括如下过程：按步骤S1所述，空调系统风机各传感器连续运行M分钟采集风机状态信号，每种状态信号共包含N＝12000×M×60个样本点；S2.1最大最小归一化：将各风机状态信号和温度信号按照最大最小归一化技术进行处理，计算公式如下：其中，S表示一种状态信号或温度信号，Min(S)表示S的最小值，Max(S)表示S的最大值，S′表示归一化处理后的信号；iiiiiiS2.2数据分段、样本划分：将每种状态信号包含的N个样本点，按照长度对样本点N进行分段处理，长度记为kens，每种状态包含m个样本，m＝N/lens；S2.3数据拼接：将温度信号与处理后的状态信号进行数据拼接，S＝[S′；S′]，swsw其中，S表示状态信号与温度信号融合后的信号，S′表示归一化处理后的状态信号，S′表示归一化处理后的温度信号；swswS3.对步骤S2预处理后的数据进行数据扩展处理，将数据拼接后的样本进行窗口划分，对获得的信号生成分位点信号，然后进行样本数据融合与维度转换；S3具体步骤如下：3.1划分窗口信号：从S信号的第一个采样点开始按照窗口w和步长s进行窗口划分，划分窗口个数为N＝n-w，n表示状态信号与温度信号融合后的第n个样本，S信号划分窗口后的信号为W＝[s[0：0+w]；S[1：1+w]，...，S[N：N+w]；swwswswswswswww3.2生成分位点信号：计算窗口信号W所对应的第一和第三分位点，得到滑动窗口第一分位点信号和滑动窗口第三分位点信号/>通过在/>和/>前后各补w/2个0值保持/>和S的维度一致；swsw3.3样本数据融合与维度转换：将和S进行融合，生成新的样本数据S，即swD其中，S的维度为R，Concat表示特征融合操作；D3×1936然后利用Reshape技术将1维信号S变成2维信号S′，S′的维度为R；DDD3×44×44S4.分别构建工况A和工况B下的N-way K-shot任务级数据集，数据集以N个类别和N个样本进行N-way K-shot任务级数据划分，从N中随机选择N-way个类别作为目标类别，构建单任务下的支撑集和查询集来生成数据集D，重复生成数据集来构成任务级的小样本数据集，然后对数据集进行划分；CsCtaskS5.根据S4中的数据集，通过提取层级特征、多层级多粒度特征融合以及长短期记忆LSTM层和全连接FC层构建多层级小样本数据特征提取器；S5具体包括如下过程：搭建以3个“卷积块+跳跃连接”为基础结构的残差网络模型，每个卷积块包含1×1，3×3和1×1的卷积层，批量处理归一化层BN和非线性层Relu；S5.1提取层级特征：(1)将D作为第一个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层，一个最大池化层得到第一层的输出F1；然后将F1输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F1；最后利用跳跃连接将F1和F1相加得到第一个残差块的输出F1＝F1+F1；taskcb1cb1cb2cb1taskcb1cb2(2)将F1作为第二个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层得到第一个卷积块的输出F2；然后将F2输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F2；最后利用跳跃连接将F2和F2相加得到第二个残差块的输出F2＝F2+F2；taskcb1cb1cb2cb1cb2taskcb1cb2(3)将F2作为第三个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层得到第一个卷积块的输出F3；然后将F3输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F3；最后利用跳跃连接将F3和F3相加得到第三个残差块的输出F3＝F3+F3；taskcb1cb1cb2cb1cb2taskcb1cb2S5.2多层级多粒度特征融合：将F1，F2，F3进行拼接来提取多层级多粒度的特征映射，进而形成多层级化的特征向量tasktasktaskS5.3 LSTM与FC层：通过将S5.2中得到的特征向量输入到2个级联的LSTM层提取特征来提取具有长时依赖关系的特征/>并利用两个全连接层FC实现全局特征的提取，得到空调系统风机在工况A下的运行特征/>即：S6.对步骤S5构建的特征提取器进行超参数设置，利用工况B的训练数据对特征提取器的参数微调后进行评估与泛化，将工况A的训练数据经过多层级特征提取器进行测试集评估；S6具体包括如下过程：S6.1训练参数设置：对步骤S5构建的特征提取器进行超参数设置；S6.2模型训练：(1)将D输入到步骤S5构建的多层级特征提取器中提取特征，对于某个单任务下的支撑集task和查询集task分别输出对应的支撑集多层级特征FLL和查询集多层级特征FLL；trsupportqrysupportqry(2)利用欧式距离Euclidean来衡量相似度，计算两者的相似度Sim为：distanceSim＝Euclidean(FLL，FLL)，distancesupportqry(3)将计算得到的Sim和真实标签y输入到负对数似然损失函数nlloss中计算当前单任务下的损失loss为：trueloss＝nlloss(Sim，y)，true将损失值loss与初始最佳损失值进行比较，如果损失值loss相比初始最佳损失值有所降低，则更新特征提取器的参数，并保存模型，否则，不予更新；(4)重复上述过程，直到达到预定的结束条件；S6.3模型评估与泛化：(1)将D测试集输入到保存的模型中，得到测试集对应的多层级特征FLL和FLL，然后利用欧式距离计算两者的相似度Sim，最后相似度最大的位置对应的标签分配给测试集数据，实现风机故障自动检测，获得工况A下的测试集评估结果；testsupportqry(2)对在工况B下获取的数据依次执行步骤S2、S3、S4，划分训练集与测试集后，利用训练集对步骤S6.2中保存的特征提取器的参数进行微调，然后在测试集上进行评估，实现不同数据分布间模型评估的泛化。