一种基于残差多维泰勒网的暖通空调故障诊断方法

本发明涉及一种基于残差多维泰勒网的暖通空调故障诊断方法，属于暖通空调故障检测。

背景技术：

1、建筑能耗与工业能耗、交通能耗并列，成为中国能耗的三大能耗大户，据统计，建筑能耗已占到社会总电耗的28.3％，暖通空调的电耗占到建筑电耗的60％以上。

2、在暖通空调中大约42％的制冷能耗、以及26％的维修费用是设备故障造成。据估计，暖通空调故障会导致能源浪费、以及无法满足人的舒适度需求。由于诊断精度高，目前在针对暖通空调的故障诊断领域，深度学习方法得到广泛的使用，然而这些深度模型结构复杂，模型训练耗时，计算量大，可能无法满足快速诊断故障的需求。另外，由于现有模型复杂也可能存在过拟合、梯度消失等问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于残差多维泰勒网的暖通空调故障诊断方法，通过创新分类器结构设计，提高暖通空调的检测效率。

2、本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于残差多维泰勒网的暖通空调故障诊断方法，执行如下步骤a至步骤d，获得暖通空调故障诊断模型，然后执行步骤i，应用暖通空调故障诊断模型，完成目标暖通空调对应目标检测时刻的故障诊断；

3、步骤a.基于目标暖通空调分别对应预设各类型故障的各个历史样本时刻，获得目标暖通空调分别对应各历史样本时刻的预设各暖通空调变量类型的数据，然后进入步骤b；

4、步骤b.以目标暖通空调对应历史样本时刻的类型故障、以及各暖通空调变量类型的数据构成样本，获得各个样本，然后进入步骤c；

5、步骤c.基于bp-mtn分类器，构建用于以目标暖通空调对应时刻的各暖通空调变量类型的数据为输入，目标暖通空调对应该时刻的类型故障为输出应用的resmtn分类器，然后进入步骤d；

6、步骤d.基于各个样本，以样本中目标暖通空调对应历史样本时刻各暖通空调变量类型的数据为输入，以样本中目标暖通空调对应历史样本时刻的类型故障为输出，针对resmtn分类器进行训练，获得暖通空调故障诊断模型；

7、步骤i.采集目标暖通空调对应目标检测时刻的各暖通空调变量类型的数据，并应用暖通空调故障诊断模型，获得目标暖通空调在目标检测时刻所对应的类型故障。

8、作为本发明的一种优选技术方案：所述步骤a中，基于目标暖通空调分别对应各历史样本时刻的预设各暖通空调变量类型的数据，分别针对各暖通空调变量类型，对暖通空调变量类型对应各历史样本时刻的数据进行归一化，更新该暖通空调变量类型对应各历史样本时刻的数据，进而更新目标暖通空调分别对应各历史样本时刻的预设各暖通空调变量类型的数据，然后进入步骤b。

9、作为本发明的一种优选技术方案：所述步骤a中，分别针对各暖通空调变量类型，进一步分别针对暖通空调变量类型对应各历史样本时刻的数据xi(t')，按如下公式：

10、

11、执行归一化处理，获得归一化数据其中，1≤i≤i，i表示暖通空调变量类型的数量，xi(t')表示第i个暖通空调变量类型对应历史样本时刻t'的数据，表示xi(t')归一化后的数据，min(xi)表示第i个暖通空调变量类型对应各历史样本时刻的数据中的最小值，max(xi)表示第i个暖通空调变量类型对应各历史样本时刻的数据中的最大值，s表示预设缩放系数，s∈[0,1]。

12、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器自其输入端至其输出端方向依次串联输入层、多项式层、激活层、残差连接模块、全连接层、softmax层、输出层，且输入层的输出端同时对接残差连接模块的输入端。

13、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器中输入层用于接收目标暖通空调对应时刻t的各暖通空调变量类型的数据x(t)＝x1(t)、…、xi(t)、…、xi(t)，并转发多项式层，1≤i≤i，i表示暖通空调变量类型的数量，xi(t)表示目标暖通空调对应时刻t的第i个暖通空调变量类型的数据；

14、多项式层针对所接收目标暖通空调对应时刻t的各暖通空调变量类型的数据x(t)，根据待训练网络所对应的预设最高展开次项m，构建多项式层的输出y(k)如下，并向激活层进行传输，1≤m≤i；

15、y(t)＝[y1(t) … yi(t) … yi(t)]＝[w1 … wi … wi]t·v(t)

16、其中，yi(t)表示多项式层关于目标暖通空调对应时刻t的第i个暖通空调变量类型的输出，wi＝[wi，1 … wi，l … wi，l(i，m)]，1≤l≤l(i，m)，l(i，m)表示基于i、m的多项式中单项式个数，wi表示多项式层中关于目标暖通空调的第i个暖通空调变量类型的权值向量，wi，l表示wi中第l个权值，wi，l是resmtn分类器中的待训练参数，v(t)＝[1，x1(t)…xi(t)，x1(t)x2(t)…(xi(t))2，…，x1(t)…xm(t)…(xi(t))m]t，v(t)表示目标暖通空调对应时刻t的各暖通空调变量类型的数据x(t)关于最高展开次项m的各次项展开式。

17、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器中激活层为激活函数tanh，激活函数tanh用于接收来自多项式层的输出y(t)＝[y1(t) … yi(t) … yi(t)]，构建激活层的输出a(t)如下，并向残差连接模块传输；

18、a(t)＝tanh[y(t)|＝|a1(t) … ai(x) … ai(t)|

19、其中，i表示暖通空调变量类型的数量，ai(t)表示激活函数tanh关于目标暖通空调对应时刻t的第i个暖通空调变量类型的输出，yi(t)表示多项式层关于目标暖通空调对应时刻t的第i个暖通空调变量类型的输出，exp(yi(t))表示e的yi(t)次方，exp(-yi(t))表示e的-yi(t)次方。

20、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器中残差连接模块用于接收分别来自激活层的输出a(t)、以及来自输入层的输出x(t)，按r(t)＝a(t)+x(t)，构建残差连接模块的输出r(t)，并向全连接层传输。

21、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器中全连接层针对来自残差连接模块输出的r(t)，构建全连接层的输出z(t)如下，并向softmax层传输；

22、z(t)＝λt·r(t)＝[λ1 … λc … λc]t·r(t)＝[z1(t) … zc(t) … zc(t)]

23、其中，1≤c≤c，c表示预设各类型故障的类型数，λc表示第c个类型故障的权值列向量，λc，i表示第i个暖通空调变量类型到第c个类型故障的权值，λc，i是resmtn分类器中的待训练参数，zc(t)表示全连接层关于目标暖通空调在时刻t对应第c个类型故障的输出。

24、作为本发明的一种优选技术方案：所述步骤c中所构建resmtn分类器中softmax层针对来自全连接层输出的z(t)＝[z1(t) … zc(t) … zc(t)]，由softmax层输出目标暖通空调在时刻t分别对应各个类型故障的概率p(t)如下，并向输出层传输，由输出层根据p(t)，输出目标暖通空调在时刻t所对应的类型故障；

25、p(t)＝[p1(t) … pc(t) … pc(t)]t

26、其中，c表示预设各类型故障的类型数，zc(t)表示全连接层关于目标暖通空调在时刻t对应第c个类型故障的输出，exp(zc(t))表示e的zc(t)次方，pc(t)表示softmax层所输出目标暖通空调在时刻t对应第c个类型故障的概率。

27、作为本发明的一种优选技术方案：所述步骤d关于针对resmtn分类器的训练过程中，根据如下交叉熵函数：

28、

29、应用adam算法针对resmtn分类器进行训练，获得暖通空调故障诊断模型，其中，l表示损失结果，1≤c≤c，c表示预设各类型故障的类型数，pc(t)表示resmtn分类器中softmax层所输出目标暖通空调在时刻t对应第c个类型故障的概率，hc(t)表示目标暖通空调在时刻t是否对应第c个类型故障的真实标签。

30、本发明所述一种基于残差多维泰勒网的暖通空调故障诊断方法，采用以上技术方案与现有技术相比，具有以下技术效果：

31、(1)本发明所设计一种基于残差多维泰勒网的暖通空调故障诊断方法，针对目标暖通空调所对应的各类型故障、考虑各暖通空调变量类型数据，针对基于bp-mtn分类器所创新设计的resmtn分类器进行训练，获得暖通空调故障诊断模型，其中resmtn分类器依次包括输入层、多项式层、激活层、残差连接模块、全连接层、softmax层、输出层，进而在应用中实现对目标暖通空调的故障诊断；设计方案简化了模型复杂度、提升模型泛化能力，与常用的机器学习分类器相比，能够在不降低分类准确率的同时，提高暖通空调的检测效率。