【技术实现步骤摘要】
本专利技术涉及换热模组，尤其涉及一种换热模组的故障诊断方法及装置。
技术介绍
1、换热模组的运行状态直接影响整个系统的能效和安全性，因此对其进行准确的故障诊断具有重要意义。传统的故障诊断方法主要依赖于专家经验和简单的信号处理技术，难以应对复杂工况下的故障诊断任务。
2、近年来，深度学习技术在故障诊断领域取得了显著进展，但在换热模组的故障诊断中仍面临着诸多挑战。首要问题是不同工况下的数据分布差异较大，导致在数据充足工况下训练的模型难以迁移到数据不足的工况中。其次，现有的故障诊断方法往往只关注单一特征的提取，忽视了温度、压力、流量等多源信号之间的时空相关性。此外，由于换热模组故障类型的多样性和复杂性，传统的特征提取方法难以捕捉故障的动态演变过程，特别是在故障初期的微弱特征提取方面存在明显不足。
技术实现思路
1、本专利技术提供了一种换热模组的故障诊断方法及装置，本专利技术提升了换热模组的多源信号之间的特征融合效果，增强了对不同类型故障的识别能力。
2、第一方面，本专利技术提供了一种换热模组的故障诊断方法，所述换热模组的故障诊断方法包括：
3、构建换热模组的有限元模型并采集温度信号、压力信号和流量信号，划分得到源域数据集和目标域数据集；
4、对所述源域数据集和所述目标域数据集进行马尔可夫过渡场变换和时序空间特征增强处理，得到样本增强特征图像；
5、根据所述样本增强特征图像构建具有时空注意力机制的siamese诊断网络，在所述si
6、将所述源域数据集输入所述特征提取网络进行训练和误差重建，得到预训练诊断模型；
7、对所述预训练诊断模型的浅层特征提取参数进行固定，并将所述目标域数据集输入所述预训练诊断模型，对故障特征进行增强训练，得到训练完成的故障诊断模型；
8、将所述换热模组的实时运行数据输入所述训练完成的故障诊断模型进行故障类型概率分布计算和故障程度评估，生成故障诊断报告。
9、第二方面，本专利技术提供了一种换热模组的故障诊断装置，所述换热模组的故障诊断装置包括：
10、采集模块，用于构建换热模组的有限元模型并采集温度信号、压力信号和流量信号，划分得到源域数据集和目标域数据集；
11、变换模块，用于对所述源域数据集和所述目标域数据集进行马尔可夫过渡场变换和时序空间特征增强处理，得到样本增强特征图像；
12、构建模块，用于根据所述样本增强特征图像构建具有时空注意力机制的siamese诊断网络，在所述siamese诊断网络中嵌入编码器-解码器结构和通道注意力模块，得到特征提取网络；
13、误差重建模块，用于将所述源域数据集输入所述特征提取网络进行训练和误差重建，得到预训练诊断模型；
14、增强训练模块，用于对所述预训练诊断模型的浅层特征提取参数进行固定，并将所述目标域数据集输入所述预训练诊断模型，对故障特征进行增强训练，得到训练完成的故障诊断模型；
15、生成模块，用于将所述换热模组的实时运行数据输入所述训练完成的故障诊断模型进行故障类型概率分布计算和故障程度评估，生成故障诊断报告。
16、本专利技术第三方面提供了一种换热模组的故障诊断设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述换热模组的故障诊断设备执行上述的换热模组的故障诊断方法。
17、本专利技术的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的换热模组的故障诊断方法。
18、本专利技术提供的技术方案中，通过构建马尔可夫过渡场和递归图相结合的特征增强方法，有效提取了温度、压力、流量等多源信号中的时序动态特征，增强了故障特征的表达能力；采用siamese诊断网络结构和时空注意力机制，实现了不同工况下故障特征的有效迁移，解决了数据不平衡问题；引入编码器-解码器结构和通道注意力模块，提升了多源信号之间的特征融合效果，增强了模型对不同类型故障的识别能力；设计了带有角度边距惩罚的动态softmax损失函数，优化了故障特征的分类边界，提升了模型的泛化性能；通过浅层特征固定和深层特征迁移的方式，实现了从源域到目标域的知识迁移，增强了模型在数据不足工况下的诊断效果。
19、本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
20、为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种换热模组的故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的换热模组的故障诊断方法，其特征在于，所述构建换热模组的有限元模型并采集温度信号、压力信号和流量信号，划分得到源域数据集和目标域数据集，包括：
3.根据权利要求2所述的换热模组的故障诊断方法，其特征在于，所述对所述源域数据集和所述目标域数据集进行马尔可夫过渡场变换和时序空间特征增强处理，得到样本增强特征图像，包括：
4.根据权利要求3所述的换热模组的故障诊断方法，其特征在于，所述根据所述样本增强特征图像构建具有时空注意力机制的Siamese诊断网络，在所述Siamese诊断网络中嵌入编码器-解码器结构和通道注意力模块，得到特征提取网络，包括：
5.根据权利要求4所述的换热模组的故障诊断方法，其特征在于，所述将所述源域数据集输入所述特征提取网络进行训练和误差重建，得到预训练诊断模型，包括：
6.根据权利要求5所述的换热模组的故障诊断方法，其特征在于，所述对所述预训练诊断模型的浅层特征提取参数进行固定，并将所述目标域数据集输入所述预训练诊断模型
7.根据权利要求6所述的换热模组的故障诊断方法，其特征在于，所述将所述换热模组的实时运行数据输入所述训练完成的故障诊断模型进行故障类型概率分布计算和故障程度评估，生成故障诊断报告，包括：
8.一种换热模组的故障诊断装置，其特征在于，用于执行如权利要求1-7中任一项所述的换热模组的故障诊断方法，所述装置包括：
9.一种换热模组的故障诊断设备，其特征在于，所述换热模组的故障诊断设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的换热模组的故障诊断方法。
...【技术特征摘要】
1.一种换热模组的故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的换热模组的故障诊断方法，其特征在于，所述构建换热模组的有限元模型并采集温度信号、压力信号和流量信号，划分得到源域数据集和目标域数据集，包括：
3.根据权利要求2所述的换热模组的故障诊断方法，其特征在于，所述对所述源域数据集和所述目标域数据集进行马尔可夫过渡场变换和时序空间特征增强处理，得到样本增强特征图像，包括：
4.根据权利要求3所述的换热模组的故障诊断方法，其特征在于，所述根据所述样本增强特征图像构建具有时空注意力机制的siamese诊断网络，在所述siamese诊断网络中嵌入编码器-解码器结构和通道注意力模块，得到特征提取网络，包括：
5.根据权利要求4所述的换热模组的故障诊断方法，其特征在于，所述将所述源域数据集输入所述特征提取网络进行训练和误差重建，得到预训练诊断模型，包括：
6.根据权...
【专利技术属性】
技术研发人员：周艳，朱代合，谢锋，谢必华，谢洪梅，王娅，徐敏，王紫怡，吴全圣，赵小健，
申请(专利权)人：广东精冷源建设有限公司，
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。