【技术实现步骤摘要】
本专利技术涉及冷水机组监测，具体为基于多头注意力长短时记忆神经网络冷水机组监测方法。
技术介绍
1、冷水机组是数据中心主要的能耗来源之一，冷水机组如果发生故障，将导致数据中心能耗增加，无法保障数据中心安全可靠的运行，因此，需要进行冷水机组的健康监测，提前预测冷水机组的健康数据，是提高数据中心能效的重要挑战之一。
2、如公告号为cn109446187b的中国专利技术，公开的一种基于注意力机制与神经网络的复杂装备健康状态监测方法，主要步骤为：获取复杂装备的多传感数据；进行特征选择获得有效测量数据；预处理得到多个切片样本；建立融合了注意力机制和深度神经网络的神经网络分类模型；将切片样本与其对应的标签输入到神经网络分类模型中离线训练神经网络分类模型；将待预测的多传感数据的切片样本输入到训练好的神经网络分类模型中，得到复杂装备的健康状态，本专利技术考虑到了多传感器信号的数据特征，充分挖掘了数据中的局部特征和时序信息，预测精度高，适用性广，能广泛应用于各种复杂装备中，但依然存在不足；
3、上述申请文件虽然考虑到了多传感器信号的数据特征，充分挖掘了数据中的局部特征和时序信息，预测精度高，适用性广，能广泛应用于各种复杂装备中，但在实际应用中，冷水机组运行的状态未知，且一旦内部发生故障，其具有一定的滞后性，无法及时告知用户故障情况，可能会给用户带来巨大的经济和其他损失，因此，研究冷水机组的健康监测方法具有一定的必要性和重要性，故而提出基于多头注意力长短时记忆神经网络冷水机组监测方法来解决上述问题。
<
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于多头注意力长短时记忆神经网络冷水机组监测方法，具备能够具体监测冷水机组健康情况等优点，解决了不便于具体监测健康情况的问题。
3、(二)技术方案
4、为实现上述能够具体监测冷水机组健康情况目的，本专利技术提供如下技术方案：基于多头注意力长短时记忆神经网络冷水机组监测方法，包括以下步骤：
5、s1：冷水机组数据预处理，每个时刻采样的数据包含冷水机组冷凝器结垢、冷凝器水流量、制冷剂的不凝气体、蒸发器水流量、制冷剂容量、室内外温度、制冷量输出、耗电量、性能系数(cop)等多个冷水机组特征数据，通过数据预处理方法，剔除空值和噪声等数据，将冷水机组的数据分成三部分，x1、x2、x3分别代表与耗电量、制冷量、性能系数相关的输入序列；
6、s2：分别以x1、x2、x3作为lstm的输入序列，将lstm在时刻隐藏层状态传递过程为：ft＝sigmoid(wf[ht-1,xt]+bf)，it＝sigmoid(wi[ht-1,xt]+bi)，at＝tanh(wa[ht-1,xt]+ba)，ct＝ct-1e ft+ite at，ot＝sigmoid(wo[ht-1,xt]+bo)，ht＝ote tanh(ct)；
7、其中，ft，it，ot分别是遗忘门、输入门与输出门在t时刻的向量值，wf，wi，wo，wa与bf，bi，bo，ba为各门控单元和候选记忆状态的系数矩阵与偏置矩阵，at是候选记忆状态，ct，ct-1和ht-1是当前时刻和前一时刻记忆单元状态和隐藏层状态，e表示元素对应相乘。
8、s3：将lstm的输出值传递给多头注意力，通过多头注意力机制，分别进行3头注意力计算，即h1与耗电量、h2与制冷量、h3与性能系数之间的注意力计算，各头分别输出多个特征与各自预测量之间的权值，并将输出的权值进行拼接集成，
9、多头注意力计算公式如下：
10、multihead(q,k,v)＝concat(head1,head2,head3)wo
11、
12、其中，q，k，v分别表示查询向量、键向量和值向量，wo表示输出变换矩阵，headi表示第i个头的输出，dk是键向量的维度，kt是键向量k的转置，分别是可训练权重参数；
13、s4：多头注意力机制输出耗电量预测值、制冷量预测值和性能系数预测值，通过健康评估准则，判断冷水机组的健康状况，
14、健康评估准则如下：其中，和分别是耗电量、制冷量、性能系数的预测值；
15、当ε小于等于阈值χ，表示冷水机组工作正常；当ε大于阈值χ，表示冷水机组工作异常，及时提醒用户排查情况，χ是人为设定的值，可根据经验设定。
16、优选的，所述步骤s2中ft，it，ot分别是遗忘门、输入门与输出门在t时刻的向量值，wf，wi，wo，wa与bf，bi，bo，ba为各门控单元和候选记忆状态的系数矩阵与偏置矩阵，at是候选记忆状态，ct，ct-1和ht-1是当前时刻和前一时刻记忆单元状态和隐藏层状态，e表示元素对应相乘。
17、优选的，所述步骤s3中是第i头对输入进行线性映射的系数矩阵，dk是健向量的维度，softmax是归一化函数。
18、优选的，所述步骤s4中分别是耗电量预测值、制冷量预测值和性能系数预测值，和分别是冷水机组标准的制冷量和性能系数。
19、(三)有益效果
20、与现有技术相比，本专利技术提供了一种基于多头注意力长短时记忆神经网络冷水机组监测方法，具备以下有益效果：
21、1、该基于多头注意力长短时记忆神经网络冷水机组监测方法，通过利用多个lstm对多段冷水机组的时间序列进行处理输出隐状态，能够有效记住长期记忆的特征，忘记不重要的特征。
22、2、该基于多头注意力长短时记忆神经网络冷水机组监测方法，通过多头注意力机制，分别从冷水机组的三个不同健康指标(耗电量、制冷量和性能系数)计算注意力数值，强化影响这三个健康指标的重要特征，从而提高预测性能。
23、3、该基于多头注意力长短时记忆神经网络冷水机组监测方法，通过建立冷水机组健康评估准则，从冷水机组三个不同健康维度联合计算预测值与真实值之间的差异，更加全面评估冷水机组的健康情况，能够更好得指导用户了解工况，健康评估准则的数据越小，表示冷水机组越健康。
本文档来自技高网...【技术保护点】
1.基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于：所述步骤S2中ft，it，ot分别是遗忘门、输入门与输出门在t时刻的向量值，Wf，Wi，Wo，Wa与bf，bi，bo，ba为各门控单元和候选记忆状态的系数矩阵与偏置矩阵，at是候选记忆状态，ct，ct-1和ht，ht-1是当前时刻和前一时刻记忆单元状态和隐藏层状态，e表示元素对应相乘。
3.根据权利要求1所述的基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于：所述步骤S3中是第i头对输入进行线性映射的系数矩阵，dk是健向量的维度，softmax是归一化函数。
4.根据权利要求1所述的基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于：所述步骤S4中分别是耗电量预测值、制冷量预测值和性能系数预测值，和分别是冷水机组标准的制冷量和性能系数。
【技术特征摘要】
1.基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多头注意力长短时记忆神经网络冷水机组监测方法，其特征在于：所述步骤s2中ft，it，ot分别是遗忘门、输入门与输出门在t时刻的向量值，wf，wi，wo，wa与bf，bi，bo，ba为各门控单元和候选记忆状态的系数矩阵与偏置矩阵，at是候选记忆状态，ct，ct-1和ht，ht-1是当前时刻和前一时刻记忆单元状态和隐...
【专利技术属性】
技术研发人员：李文娟，张伟，
申请(专利权)人：苏州黑盾环境股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。