基于深度學習LSTM的空調故障診斷

花 君,嚴 珂,陸慧娟,葉敏超

(中國計量大學 信息工程學院,浙江 杭州 310018)

目前空調故障頻繁發生,空調設備復雜,故障原因種類繁多,并且空調故障是伴隨著設備電子元器件的老化逐漸顯露出來,當人們察覺出來時,往往故障程度已經很嚴重,因此對空調故障進行及時的檢測診斷，以避免在故障狀態下運行產生巨大能耗和安全隱患，具有可行性和現實意義[1-3]。近年來,空調設備越來越復雜同時也更加智能,傳統的診斷技術遠遠不能滿足現代空調設備診斷的需求[4-7],在這樣的局面下,深度學習技術慢慢崛起,很多學習模型中都很好結合了時序數據的特點[8],訓練性能不斷提高。循環神經網絡(Recurrent neural networks, RNN)[9]是運用內部的記憶來處理任意輸入的時序數據,通過自循環的結構能長久的讓數據在網絡層上傳輸。在工業故障診斷方面,RNN使現有的神經網絡故障診斷的方法不斷提高,更加適應現代較復雜的設備并且在實時故障診斷中擴展性大大的提高。但由于存在梯度消失和梯度爆炸、長期記憶能力不足等問題,為解決該問題,1997年,Hochreiter和Schmidhuber等人[10]提出長短期記憶網絡(Long short-term memory, LSTM)[11]即在RNN中添加了三個門控機制,即輸入門、遺忘門和輸出門,使梯度消失和梯度爆炸的這樣的難題可以很好的處理[12-14]。

集中式空調中冷水機組(Chiller)系統消耗能量很大,頻繁出故障,是很重要的一個子系統[15-16]。本文針對冷水機組數據,提出了一種基于LSTM的空調故障診斷模型并且通過多次實驗調節、優化得到較優的LSTM模型,實驗表明,所搭建的模型能對空調故障進行準確的診斷。……