一种冷水机组故障诊断方法、系统、介质及设备与流程

本发明属于冷水机组故障诊断领域，尤其涉及一种冷水机组故障诊断方法、系统、介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、商用hvac系统所消耗的能源占世界各地建筑总能耗的50％-60％，冷水机组的各种故障使暖通空调系统的工作效率降低了15％-30％，造成了相当一部分的能源浪费。因此，准确检测制冷系统中的故障可以有效地缓解能源浪费，延长设备的生命周期。

3、在冷水机组的故障诊断研究中，对于基于机器学习的故障诊断算法研究与应用越来越广泛。但是冷水机组运行数据是具有高度时间相关性的时序数据，svm(支持向量机)、rf(随机森林)等传统方法提取高维时间序列潜在特征的能力有限，从而影响冷水机组故障诊断性能。因此lstm(长短期记忆递归神经网络)、cnn(卷积神经网络)、tcn(时间卷积网络)等深度学习方法因其优异的特征自动提取能力而被广泛应用于故障诊断领域。

4、一般来说，一个冷水机组过程是由多个运行单元组成的。每个单元都有其独特的功能。错误通常最初会影响相同运行单元中的变量。随后，由于运行单元之间的连接，更多的变量受到影响。而且多个运行单元意味着冷水机组运行数据具有海量、多类型的特点，这将增加算法提取有效特征的难度。在冷水机组故障诊断应用领域内，冷水机组运行工况多变，在发生故障的早期，正常状态和故障状态下部分状态参数存在高度耦合的情况，会导致深度学习模型不能有效地学习故障样本的特征。因此利用可并行训练深度学习模型的优势，并结合多块方法(multiblock，mb)方法提出了“局部提取，全局集成”的特征提取策略。但该方法默认样本的每个局部特征同等重要，无法加强样本的关键特征对诊断结果的影响，导致mb-tcn的诊断精度有限。

5、综上所述，冷水机组故障诊断中具有高耦合性和时间相关性的故障样本数据特征信息难以提取，且影响冷水机组故障诊断结果精度的问题。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种冷水机组故障诊断方法、系统、介质及设备，其通过自注意力机制对局部信息自适应加权，使其能够充分考虑子块之间的潜在相关性以及对全局特征的影响，从而提高冷水机组故障诊断结果的精度。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种冷水机组故障诊断方法。

4、一种冷水机组故障诊断方法，其包括：

5、获取待测冷水机组的状态数据；

6、利用训练完成的冷水机组故障诊断模型处理待测冷水机组的状态数据，得到冷水机组的故障诊断结果；其中，所述冷水机组故障诊断模型包括子块划分模型、引入自注意力层的时间卷积网络模型和多块自适应信息融合模型；

7、所述冷水机组故障诊断模型处理待测冷水机组的状态数据的过程为：

8、利用多块划分模型中的预设子块划分策略将待测冷水机组的状态数据划分成若干个子块；

9、利用引入自注意力层的时间卷积网络模型分别对应提取每个子块的局部故障特征；

10、利用多块自适应信息融合模型对各个子块的局部故障特征进行自注意力加权融合，形成全局故障特征；再基于全局故障特征与冷水机组故障类别的映射关系，得到冷水机组的故障诊断结果。

11、作为本发明第一个方面的一种实施方式，所述子块划分策略为：一个子块与冷水机组实验进程中的一个运行单元一一对应。

12、作为本发明第一个方面的一种实施方式，提取每个子块的局部故障特征的过程为：

13、利用引入自注意力层之前的时间卷积网络模型提取各个子块的每个时间步长的初始局部故障特征；

14、再引入自注意力层，找出时间卷积网络模型提取的各个子块的每个时间步长的初始局部特征中贡献最大的部分，进而确定出各个初始局部特征的权重；

15、再根据加权求和，求解出每个子块的局部故障特征。

16、作为本发明第一个方面的一种实施方式，引入自注意力层之前的时间卷积网络模型包括三个结构相同顺序连接的时间残差块。

17、作为本发明第一个方面的一种实施方式，形成全局故障特征的过程为：

18、利用自注意力机制计算各子块权重并串联加权局部故障特征，得到全局故障特征。

19、作为本发明第一个方面的一种实施方式，所述冷水机组故障诊断模型在训练的过程中，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用adam优化算法优化损失函数值，最终得到训练好的冷水机组故障诊断模型。

20、本发明的第二个方面提供一种冷水机组故障诊断系统。

21、一种冷水机组故障诊断系统，其包括：

22、数据获取模块，其用于获取待测冷水机组的状态数据；

23、故障诊断模块，其用于利用训练完成的冷水机组故障诊断模型处理待测冷水机组的状态数据，得到冷水机组的故障诊断结果；其中，所述冷水机组故障诊断模型包括子块划分模型、引入自注意力层的时间卷积网络模型和多块自适应信息融合模型；

24、所述冷水机组故障诊断模型处理待测冷水机组的状态数据的过程为：

25、利用多块划分模型中的预设子块划分策略将待测冷水机组的状态数据划分成若干个子块；

26、利用引入自注意力层的时间卷积网络模型分别对应提取每个子块的局部故障特征；

27、利用多块自适应信息融合模型对各个子块的局部故障特征进行自注意力加权融合，形成全局故障特征；再基于全局故障特征与冷水机组故障类别的映射关系，得到冷水机组的故障诊断结果。

28、作为本发明第二个方面的一种实施方式，所述子块划分策略为：一个子块与冷水机组实验进程中的一个运行单元一一对应。

29、作为本发明第二个方面的一种实施方式，提取每个子块的局部故障特征的过程为：

30、利用引入自注意力层之前的时间卷积网络模型提取各个子块的每个时间步长的初始局部故障特征；

31、再引入自注意力层，找出时间卷积网络模型提取的各个子块的每个时间步长的初始局部特征中贡献最大的部分，进而确定出各个初始局部特征的权重；

32、再根据加权求和，求解出每个子块的局部故障特征。

33、作为本发明第二个方面的一种实施方式，形成全局故障特征的过程为：

34、利用自注意力机制计算各子块权重并串联加权局部故障特征，得到全局故障特征。

35、作为本发明第二个方面的一种实施方式，所述冷水机组故障诊断模型在训练的过程中，使用交叉熵损失函数评估的期望效用分布和目标分布的误差，然后使用adam优化算法优化损失函数值，最终得到训练好的冷水机组故障诊断模型。

36、本发明的第三个方面提供一种计算机可读存储介质。

37、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的冷水机组故障诊断方法中的步骤。

38、本发明的第四个方面提供一种电子设备。

39、一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的冷水机组故障诊断方法中的步骤。

40、与现有技术相比，本发明的有益效果是：

41、(1)本发明不仅可以利用引入自注意力层的时间卷积网络模型自动选择局部特征中的关键特征信息，还可以利用多块自适应信息融合模型自适应增强关键特征的权重；利用自注意力机制加权以考虑不同故障情况下的各局部特征的重要程度，并集成为更精准反映全局情况的全局特征信息；

42、(2)本发明从工程实际应用的冷水机组通常所拥有的传感器类型和数量出发，针对冷水机组故障诊断中具有高度时间相关性的故障样本数据特征信息难以提取的问题，选取一种旨在处理时间序列建模问题的tcn网络来对样本进行分类有关时间相关信息的提取，相比于其他传统神经网络冷水机组故障诊断方法，通过大量样本驱动tcn网络进行特征学习，充分利用样本之间的时间相关性，同样避免了人工特征选取造成的信息损失。

43、(3)本发明针对冷水机组故障诊断中具有高耦合性和时间相关性的故障样本数据特征信息难以提取的问题，根据冷水机组传感器与系统结构的物理关系，将变量划分为多个子块，并在每个子块的tcn模型中引入自注意力层，然后对不同的子块进行综合考虑，将各子块tcn-sa模型的输出的局部特征信息利用自注意力机制进行加权融合，从而更全面地考虑不同故障下的局部特征并获得全局特征，更有效地实现了冷水机组故障诊断，拥有良好的应用前景。

44、(4)本发明尤其适用于rl(制冷剂泄露)、ro(制冷剂过量)、eo(润滑油过量)三种系统级故障状态的检测，由于上述三种系统级故障状态与正常状态运行参数相似而易错分，导致诊断模型整体准确率被拉低，本方法能有效提高这三类系统故障的诊断准确率。

45、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。