花 君,严 珂,陆慧娟,叶敏超

(中国计量大学 信息工程学院,浙江 杭州 310018)

目前空调故障频繁发生,空调设备复杂,故障原因种类繁多,并且空调故障是伴随着设备电子元器件的老化逐渐显露出来,当人们察觉出来时,往往故障程度已经很严重,因此对空调故障进行及时的检测诊断，以避免在故障状态下运行产生巨大能耗和安全隐患，具有可行性和现实意义[1-3]。近年来,空调设备越来越复杂同时也更加智能,传统的诊断技术远远不能满足现代空调设备诊断的需求[4-7],在这样的局面下,深度学习技术慢慢崛起,很多学习模型中都很好结合了时序数据的特点[8],训练性能不断提高。循环神经网络(Recurrent neural networks, RNN)[9]是运用内部的记忆来处理任意输入的时序数据,通过自循环的结构能长久的让数据在网络层上传输。在工业故障诊断方面,RNN使现有的神经网络故障诊断的方法不断提高,更加适应现代较复杂的设备并且在实时故障诊断中扩展性大大的提高。但由于存在梯度消失和梯度爆炸、长期记忆能力不足等问题,为解决该问题,1997年,Hochreiter和Schmidhuber等人[10]提出长短期记忆网络(Long short-term memory, LSTM)[11]即在RNN中添加了三个门控机制,即输入门、遗忘门和输出门,使梯度消失和梯度爆炸的这样的难题可以很好的处理[12-14]。

集中式空调中冷水机组(Chiller)系统消耗能量很大,频繁出故障,是很重要的一个子系统[15-16]。本文针对冷水机组数据,提出了一种基于LSTM的空调故障诊断模型并且通过多次实验调节、优化得到较优的LSTM模型,实验表明,所搭建的模型能对空调故障进行准确的诊断。……