冷风列间空调压缩机故障预警方法及其参数训练方法技术

本发明专利技术涉及冷风列间空调压缩机故障预警方法及其参数训练方法，包括以下步骤：采用冷风列间空调压缩机K时刻时刻的各项与空调压缩机运行状态相关性较高的监测指标组成输入矩阵，作为模型输入变量；将输入变量进行归一化处理；采用卷积核分别对出入矩阵的每一列进行卷积运算；计算FT(k)分量所对应的隶属度函数值；计算FT(k)子类的相似度；将FT(k)对每个子类的相似度，做归一化处理；当y(k)>0.5时将发生故障，需要及时检修。该方法兼实现对空调压缩机运行状态的准确预测，在空调压缩机运行状态故障风险上升到某一预设程度是发出预警，相关人员采取相应措施，避免由于空调故障所带来的不必要损失。的不必要损失。的不必要损失。

【技术实现步骤摘要】
冷风列间空调压缩机故障预警方法及其参数训练方法


[0001]本专利技术属于空调设备故障预警
，尤其涉及一种冷风列间空调压缩机故障预警方法及其参数训练方法。

技术介绍

[0002]机房内设备众多而且有很多大功率设备，24小时不间断工作，运行时发热量巨大，空调基本都是超负荷运行，所以机房温度全靠空调来调节、保持温度的稳定。如果空调出现故障，机房一般会在半小时内上升到机房设备工作温度范围的上限，影响到机房内设备的正常运行，高温甚至会导致机房内设备的损坏。
[0003]空调压缩机可以说是整个空调系统运行过程中的最为重要的一个关键设备。空调压缩机不能正常稳定的长效运行对整个空调系统安全运行乃至机房正常运行，都有着无法预估的影响。因此，准确的故障预测方法和系统对于避免因故障带来的直接或间接损失是十分必要的。
[0004]传统监测方法是为重要的监测指标如出气压力、回风温度等重要监测指标设置监测阈值，一旦指标超出阈值则产生报警信息。这种方法存在以下几点不足：
[0005](1)只能在故障发生时，当指标超出阈值是报警，而这时已经存在造成经济损失的风险，无法提前预判运行状态的趋势，并采取措施避免，不能防患于未然；
[0006](2)故障点的产生可能由于机房中的温度、湿度、压力等多种因素影响，简单的阈值报警无法对多种因素根据采集的时序数据做联系上下文的综合分析；
[0007](3)简单阈值报警，阈值由人为设定容易产生由于阈值偏高后偏低或由于短时间的意外波动导致的误报警。
[0008]因此，针对上述现有技术不足，提供一种基于多层深度特征提取的递归神经网络冷风列间空调压缩机故障预警方法。

技术实现思路

[0009]鉴于此，本专利技术的目的在于，提供一种基于多变量时变矩阵深度特征提取的递归模糊冷风列间空调压缩机故障预警方法。
[0010]为了达到上述目的，进而采取的技术方案如下：
[0011]冷风列间空调压缩机故障预警方法，其特征在于，包括以下步骤：
[0012]步骤1：采用冷风列间空调压缩机K时刻及K
‑
1，K
‑2……
K
‑
(n
‑
1)时刻的各项与空调压缩机运行状态相关性较高的监测指标组成输入矩阵，作为模型输入变量；
[0013]步骤2：将输入变量进行归一化处理，将所有输入映射到[
‑
1，1]的区间内，公式如下：
[0014][0015]其中i＝(1、2、
…
、7)，x
imax
为这项指标量程的最大值，x
imin
为这项指标量程的最小
值，得到归一化处理后的输入矩阵为：
[0016][0017]步骤3：采用18个m
×
1的卷积核分别对出入矩阵的每一列进行卷积运算，得到18个1
×
n的特征图：
[0018][0019]步骤4：采用18个1
×
1的卷积核对1
×
n的特征图进行卷积运算，融合1
×
n的特征图18个通道的信息，并生成18个1
×
n的特征图：
[0020][0021]步骤5：采用36个由2个1
×
3串联1个1
×
1组成的卷积核对由步骤4所产生的18个1
×
n的特征图进行卷积操作，生成36个1
×
n的特征图：
[0022][0023]步骤6：对36个1
×
n的特征图进行平均池化，得到36个1
×
1大小的特征图：
[0024][0025]步骤7：计算FT(k)分量所对应的隶属度函数值，公式如下：
[0026][0027]其中，μ(k)、μ(k
‑
1)分别表示第k时刻、第k
‑
1时刻，第i个所述输入向量FT(k)的分量与其对应的第j个所述隶属度函数值；j＝(1，2，
…
，m)，表示根据数据训练样本不同的特点，通过聚类算法将数据集分为m个子类；
[0028]步骤8：计算FT(k)与1，2，
…
，m个子类的相似度，公式为：
[0029][0030]其中，m为规则数，每一条规则为：
[0031][0032]其中，
[0033]步骤9：将FT(k)对每个子类的相似度，做归一化处理，公式为：
[0034][0035]步骤10：每条规则产生的输出为：
[0036][0037]算法的预测值为：
[0038][0039]当y(k)>0.5时将发生故障，需要及时检修。
[0040]冷风列间空调压缩机故障预警参数训练方法，包括以下步骤：
[0041]步骤1：筛选一批采集的设备监测参数历史记录及设备运行记录形成训练集，X
l
为冷风列间空调压缩机K时刻及K
‑
1，K
‑2……
K
‑
(n
‑
1)时刻的各项与空调压缩机运行状态相关性较高的监测指标组成的时序矩阵，是由设备运行记录和相关专家判定的由于X
l
设备将进入的运行状态；表示设备出现异常，表示设备工作正常；
[0042]步骤2：模型在训练过程中的损失函数选用交叉熵损失函数，如公式：
[0043][0044]式中，l为样本数量，目标设备指示变量，h为样本的预测值，θ泛指需要训练的参数，选用AdamOptimizer作为参数优化器，训练权重为0.0001；模型中所需训练参数初始值为标准差为0.1的截断正态分布；
[0045]步骤3：训练目标是使J(θ)趋近于0，设定最大迭代次数为5000次。
[0046]本专利技术的有益效果是：
[0047]该方法将于空调压缩机运行状态关联度较高的出风温度、回风温度、盘管进水温度、盘管出水温度、冷热通道压差作为监测及模型输入对象，通过对多输入变量波形进行分层次特征提取，既包含初级细节特征，又包含高级语义信息特征，这样兼顾对监测数据某一时刻的特征分析和所监测时序数据的整体特征分析，实现对空调压缩机运行状态的准确预测，在空调压缩机运行状态故障风险上升到某一预设程度是发出预警，相关人员采取相应措施，避免由于空调故障所带来的不必要损失。
附图说明
[0048]图1为本专利技术的实施例中为9
×
1串联1
×
1的卷积核图；
[0049]图2为本专利技术的实施例中采用由2个1
×
3串联1个1
×
1的卷积核对由9
×
1串联1
×
1的卷积核卷积操作图。
具体实施方式
[0050]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合实施例和附图来详细说明本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.冷风列间空调压缩机故障预警方法，其特征在于，包括以下步骤：步骤1：采用冷风列间空调压缩机K时刻及K
‑
1，K
‑2……
K
‑
(n
‑
1)时刻的各项与空调压缩机运行状态相关性较高的监测指标，组成输入矩阵，作为模型输入变量；步骤2：将输入变量进行归一化处理，将所有输入映射到[
‑
1，1]的区间内，公式如下：其中i＝(1、2、
…
、7)，x
imax
为这项指标量程的最大值，x
imin
为这项指标量程的最小值，得到归一化处理后的输入矩阵为：步骤3：采用18个m
×
1的卷积核分别对出入矩阵的每一列进行卷积运算，如下：得到18个1
×
n的特征图：步骤4：采用18个1
×
1的卷积核对1
×
n的特征图进行卷积运算，融合1
×
n的特征图18个通道的信息：
并生成18个1
×
n的特征图：步骤5：采用36个由2个1
×
3串联1个1
×
1组成的卷积核对由步骤4所产生的18个1
×
n的特征图进行卷积操作，生成36个1
×
n的特征图：步骤6：对36个1
×
n的特征图进行平均池化，得到36个1
×
1大小的特征图：步骤7：计算FT(k)分量所对应的隶属度函数值，公式如下：其...

【专利技术属性】
技术研发人员：杨丽莉，侯婕，胡国芬，
申请(专利权)人：山西宏微智控科技有限公司，
类型：发明
国别省市：