亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于稀疏自編碼器-支持向量機的空調制冷系統(tǒng)故障診斷

        2019-08-14 03:06:18王志毅鐘加晨夏翠李靜凡
        制冷技術 2019年3期
        關鍵詞:主元制冷系統(tǒng)編碼器

        王志毅,鐘加晨,夏翠,李靜凡

        (浙江理工大學建筑工程學院,浙江杭州 310018)

        0 引言

        隨著社會的發(fā)展,建筑能耗逐年增加,其中空調系統(tǒng)能耗約占建筑總能耗的40%~50%[1]。空調制冷系統(tǒng)長時間運行后不可避免地會出現故障,這些故障導致設備能耗的增加。在系統(tǒng)出現運行故障之前進行故障診斷,可以節(jié)省能源,降低停機成本,具有一定的現實意義[2-3]??照{制冷系統(tǒng)通常發(fā)生的故障具有如下特點:不確定性、延時性、相關性、層次性以及復雜性。系統(tǒng)常見故障包括制冷劑過少、制冷劑過多、潤滑油過多、蒸發(fā)側水流量不足、冷凝側結垢、有非凝性氣體以及冷凝器水流量不足等。

        系統(tǒng)故障診斷方法包括基于物理模型的方法和基于數據的方法。基于物理模型的方法需要建立系統(tǒng)正常運行的定量物理模型或是定性物理模型,根據參考模型的預測值與實測值的偏差來進行故障的分析與診斷。例如參數估計法等定量物理模型,符號有向圖、專家系統(tǒng)、故障樹等定性物理模型?;跀祿姆椒ú恍枰獦嫿蚀_的物理模型,但需要構建灰箱或黑箱模型?;蚁淠P屠缁疑碚撝械年P聯分析和聚類分析。黑箱模型包括人工神經網絡等模式識別方法、貝葉斯網絡等統(tǒng)計學方法、小波分析等信號處理方法。模式識別方法的診斷思路一般分為3部分:數據采集、特征提取和分類器判斷。數據采集是指用數據采集設備對溫度、壓力、流量等物理量進行采集??紤]到制冷機組故障現場數據采集的全面性和經濟性,通常采用ASHRAE 1043-RP制冷機組故障模擬實驗提供的數據進行研究。特征提取方法包括遺傳算法[4]、多尺度主元分析[5]、互信息[6]、內蘊模式函數[7]、順序向前選擇算法[8]以及粒子群算法[9]等。分類器判斷方法包括樸素貝葉斯模型[10]、支持向量機[11]、K最鄰近分類算法[12]、隨機森林[13]以及神經網絡[14]等。

        深度學習是機器學習中一種新興的學習方法,近年來被人們在學術界以及工業(yè)界深入研究。深度學習通過模擬人腦的深度框架在文本處理、語音識別及計算機視覺等方面應用廣泛,在復雜工業(yè)系統(tǒng)的特征提取方面也有著一定的應用潛力[15]。主流的深度學習框架包括玻爾茲曼機[16]、自編碼器以及卷積神經網絡[17]。本文利用稀疏自編碼器構建特征學習模型,對樣本數據進行重構,然后在支持向量機中進行故障診斷,改善空調制冷系統(tǒng)由于多參數間復雜的耦合性引起的診斷困難等問題。通過優(yōu)化稀疏自編碼器的隱藏層層數和節(jié)點數,能夠自動尋找到較好表達原始樣本數據的特征。采用稀疏自編碼器有效提取的信息作為支持向量機的輸入向量,提高了故障診斷效率,在空調制冷系統(tǒng)故障診斷領域顯示出一定的應用潛力。

        1 基本原理

        1.1 自編碼器

        自編碼器是一種人工神經網絡,以無監(jiān)督的方法學習有效的數據編碼。自編碼器的原理如圖1所示,包括輸入層、隱藏層和輸出層。隱藏層相當于一個編碼器和解碼器,數據通過輸入層進入隱藏層,在隱藏層中進行編碼和解碼,最后由輸出層輸出。隱藏層的作用是盡可能確保輸出的數據和輸入的數據一致。隱藏層盡量用少的維度來提取輸入數據中有用的主要特征,同時要降低編碼前數據和解碼前數據之間的重構誤差。自編碼器的重構誤差如圖2所示。

        圖1 自編碼器的原理

        圖2 自編碼器的重構誤差

        1.2 稀疏自編碼器

        自編碼器中僅通過隱藏層簡單的數據表達難以達到理想的效果,同時缺乏實際意義。稀疏自編碼器由此被提出,在編碼過程中引入稀疏約束,限制隱藏層的數據表達,強迫神經網絡結構對輸入量進行降維表示。將稀疏懲罰項引入目標函數中,以此僅允許個別神經節(jié)點被激活,例如當神經節(jié)點偏離1時,節(jié)點不被激活。當隱藏層節(jié)點數大于輸入層節(jié)點數時,被激活的節(jié)點數仍可能低于輸入層節(jié)點數,此時達到了簡化數據和降維表示的目的。稀疏自編碼器訓練如圖3所示。

        圖3 稀疏自編碼器訓練

        1.3 支持向量機

        支持向量機是一種機器學習算法,能夠對數據進行二元分類。對于數據線性可分的情況,通過邊距最大化來尋找最優(yōu)分類平面。支持向量機的最大邊緣構造如圖4所示。對于線性不可分的情況,通過降噪忽略異常值或者是引入核函數將低維輸入空間轉換為高維輸入空間,線性不可分問題由此轉化為可分問題。支持向量機在非線性分類問題上有特定的優(yōu)勢,但泛化能力取決于核函數的優(yōu)化[18]。

        圖4 支持向量機的最大邊緣構造

        2 數據來源及評價指標

        2.1 數據來源

        ASHRAE項目1043-RP提供了全面的離心式冷水機組故障檢測與診斷研究的實驗數據,其研究對象是一臺制冷量為90冷噸的離心式冷水機組。通過實驗研究生成數據庫,并將數據庫用于開發(fā)和評估冷水機組故障檢測和診斷方法。實驗平臺包括3個主要環(huán)路(制冷劑、冷凍水和冷卻水環(huán)路)和3個輔助環(huán)路(熱水、自來水和蒸汽環(huán)路)。通過調節(jié)機組運行容量、冷凍水出水溫度和冷凝水進水溫度,實驗平臺能夠模擬27種典型工況;通過傳感器,實驗平臺能夠直接采集溫度、壓力、流量、閥位等48個參數;通過專用軟件VisSim,實驗平臺能夠間接得到冷量、熱量等16個參數。通過調節(jié)系統(tǒng)中的相關設備,實驗平臺能夠模擬7種典型故障,每種故障設有4種故障程度。7種典型故障如表1所示,出現總頻率約占40%。4種故障程度分別命名為A、B、C和D,嚴重程度依次遞增。

        2.2 評價指標

        采用機器學習方法解決某個二元分類問題時,通常采用準確率來對比不同模型間的性能。準確率即為正確分類總數目除以總樣本數,其計算公式如式1所示??紤]到冷水機組故障間的誤報(誤診)、有故障被視為無故障(漏診)以及無故障卻被診斷為有故障(虛警)等情況,僅僅依靠準確率評價模型的優(yōu)劣是不夠全面的。召回率和精確率由此提出。召回率可以反映系統(tǒng)的漏診情況,召回率越高,漏診率越低,計算公式如式2所示。精確度可以反映系統(tǒng)的虛警情況,精確度越高,虛警率越低,計算公式如式3所示。根據定義,召回率和精確率之間是相互影響的。一般來說,召回率較高時,精確率較低;精確率較高時,召回率較低。當召回率和精確率都較低時,說明存在較大的問題。當召回率和精確率都較高時,為了綜合考慮召回率和精確率,綜合評價指標由此提出,計算公式如式(4)所示。

        式中:

        Q——準確率;

        R——召回率;

        P——精確率;

        F——綜合評價指標;

        |TP|——實際為正類且被劃分為正類的個數;

        |TN|——實際為負類且被劃分為負類的個數;

        |FP|——實際為負類但被劃分為正類的個數;

        |FN|——實際為正類但被劃分為負類的個數。

        表1 7種典型故障

        3 基于稀疏自編碼器的故障診斷

        3.1 不同隱藏層節(jié)點數對模型診斷準確率的影響

        先對數據庫中的數據進行預處理,剔除無關變量。其中,測量時間與機組故障分類無關,機組狀態(tài)及熱水閥狀態(tài)數據對于穩(wěn)態(tài)樣本而言均相同,故將其刪除,選取61個變量參數進行建模。再從數據庫中隨機抽取A、B、C和D這4種故障程度數據為50,000組的實驗數據,總計200,000組。隨機抽取潤滑油過多、故障程度為A的5,000組數據,作為稀疏自編碼器和支持向量機的訓練和測試數據。

        稀疏自編碼器采取最簡單的3層神經網絡,對隱藏層節(jié)點數進行調整,分別選取30、70、150、300、400、500、700和1,000進行實驗。將稀疏自編碼器提取的特征輸入支持向量機進行訓練測試。隱藏層節(jié)點數與模型準確率的關系如圖5所示。可知隨著隱藏層節(jié)點數的增加,模型診斷的準確率也不斷提高。當隱藏層節(jié)點數較小時,如低于輸入層節(jié)點數,診斷準確率較低。當隱藏層節(jié)點數為700時,3層稀疏自編碼器的診斷準確率達到最高,為95.47%。

        圖5 隱藏層節(jié)點數與準確率的關系

        3.2 不同訓練樣本數對模型診斷準確率的影響

        針對潤滑油過多、故障程度為A的數據,稀疏自編碼器模型采取3層神經網絡,隱藏層節(jié)點數選取700。訓練樣本數分別取1,700、5,000、10,000和20,000,研究了不同訓練樣本數對模型診斷率的影響,訓練樣本數與準確率的關系如圖6所示。由圖6可以看出,隨著訓練樣本數的增加,準確率也增加,但增加的幅度并不明顯。當樣本數為20,000時,準確率為96.12%;當樣本數為1,700時,準確率就有95.41%??梢娽槍ι倭康臄祿?guī)模,稀疏自編碼器提取的特征性能較優(yōu),反映為對數據要求不高,并具有較好的診斷效果。

        3.3 不同稀疏自編碼器結構對模型診斷準確率的影響

        從數據庫中隨機提取每種故障程度為5,000組的實驗數據,調整隱藏層層數(分別取1、2、3、4和5),在A、B、C和D等4種故障程度下測試不同稀疏自編碼器的準確率。對于層數相同的稀疏自編碼器,繼續(xù)調整每層的節(jié)點數,進行對比分析,結果如表2所示。2(500-400)表示隱藏層層數為2,每層節(jié)點數分別為500和400。由表3分析可得:隨著稀疏自編碼器隱藏層層數的增加,模型準確率先增加后減小。當隱藏層層數為4時,模型準確率最高,此時每層的節(jié)點數分別為600、500、400和300。伴隨著稀疏自編碼器層數的增加,提取特征信息的維度也增加,有利于模型故障敏感度的提高。當隱藏層層數大于4,過多的特征信息之間會形成干擾,使診斷性能下降。

        圖6 訓練樣本數與準確率的關系

        表2 不同稀疏自編碼器結構下的模型準確率

        3.4 主元分析與稀疏自編碼器的對比

        從數據庫中隨機提取每種故障程度為14,000組的實驗數據,將其作為主元分析模型和稀疏自編碼器模型的原始樣本,分別計算不同故障程度下兩種模型的準確率,如圖7所示。可以看出,主元分析模型和稀疏自編碼器模型的故障診斷準確率隨著故障程度的加深而提高,這是因為故障程度越深即偏離正常參數的距離越大,模型就越容易發(fā)現故障。但在故障程度為A的條件下,主元分析模型的準確率為93.50%,稀疏自編碼器模型的準確率為96.10%,高了2.6%。說明針對程度較低的故障,稀疏自編碼器具有更高的故障靈敏度,能更及時發(fā)現故障,減少損失。綜合而言,稀疏自編碼器對于不同故障程度的數據,其提取特征的效果優(yōu)于主元分析,表現為故障識別準確率更高。

        圖7 主元分析和稀疏自編碼器模型準確率的對比

        3.5 不同模型對不同故障類別的評判

        建立支持向量機模型,記為M1;建立單層稀疏自編碼器和多層稀疏自編碼器模型,分別記為M2和M3,并將支持向量機作為分類器。對于7種典型的故障,3種模型的診斷準確率如圖8所示。

        由圖8可知,多層稀疏自編碼器模型診斷準確率最高,單層稀疏自編碼器模型診斷準確率次之,支持向量機模型準確率最低。尤其是對于制冷劑過少故障,稀疏自編碼器模型的準確率提高了1.2%。3種模型在各種故障下的綜合評價指標如表3所示。

        圖8 7種典型故障下的模型診斷準確率

        表3 7種典型故障下的綜合評判指標

        由表3可知,制冷劑和潤滑油相關的系統(tǒng)故障的綜合指標較低,蒸發(fā)器側、冷凝器側以及不凝性氣體等局部故障的綜合指標較高。尤其是針對水流量不足的故障,3種模型的準確率均為1,這是由于閥門和水流量相關參數表征效果強,可反映故障特征。制冷劑和潤滑油的故障涉及整個空調制冷系統(tǒng),影響因素很多,診斷難度比局部故障大得多[19-20]。對于制冷劑過少的故障,稀疏自編碼器模型的各項指標均有提高,診斷效果最好。相比單層稀疏自編碼器,多層稀疏自編碼器提取故障特征的能力更強,診斷性能更優(yōu)。

        4 結論

        本文提出一種基于稀疏自編碼器-支持向量機的空調制冷系統(tǒng)故障診斷方法,研究了在空調制冷系統(tǒng)故障診斷領域的應用潛力,得到如下結論:

        1)訓練樣本數對稀疏自編碼器模型的影響較小,針對少量的數據規(guī)模,模型有較高的診斷準確率。隱藏層層數和節(jié)點數對稀疏自編碼器模型的影響較大,本系統(tǒng)中隱藏層層數為4,節(jié)點數分別為600、500、400和300的多層稀疏自編碼器模型診斷性能最優(yōu);

        2)對于單層稀疏自編碼器模型,當隱藏層節(jié)點數為700時,故障診斷準確率達到最高,為95.47%;對于制冷劑過少的故障,在故障程度最低的情況下,主元分析模型的準確率為93.50%,稀疏自編碼器模型的準確率為96.10%,提高了2.6%;稀疏自編碼器模型具有更高的故障靈敏度,能更及時地發(fā)現故障,減少損失;

        3)相比于直接用原始數據進行支持向量機方法的故障診斷,經稀疏自編碼器提取故障特征,降低參數間相關性后的診斷方法精確度、召回率以及綜合評價指標均有提高,表現為誤診、漏診和虛警等情況明顯減少;相比于單層稀疏自編碼器,多層稀疏自編碼器提取故障特征的能力更強,診斷性能更優(yōu)。

        猜你喜歡
        主元制冷系統(tǒng)編碼器
        R290/R170單級壓縮回熱制冷系統(tǒng)模擬研究
        多元并行 誰主沉浮
        應用主元變換法分解因式
        基于FPGA的同步機軸角編碼器
        運用結構的齊次化,選換主元解題
        文理導航(2018年2期)2018-01-22 19:23:54
        基于PRBS檢測的8B/IOB編碼器設計
        奧迪A6L車制冷系統(tǒng)工作異常
        JESD204B接口協(xié)議中的8B10B編碼器設計
        電子器件(2015年5期)2015-12-29 08:42:24
        多總線式光電編碼器的設計與應用
        制冷系統(tǒng)節(jié)電控制改造的研究
        河南科技(2014年10期)2014-02-27 14:09:20
        国产精品自在线拍国产| 亚洲国产一区二区中文字幕| 91精品国产综合久久熟女| 国产免费艾彩sm调教视频| 色老汉免费网站免费视频| 国产在线天堂av| 毛茸茸的女性外淫小视频| 中国少妇×xxxx性裸交| 最新国产乱人伦偷精品免费网站| 久久精品性无码一区二区爱爱| 精品国产麻豆免费人成网站| 精品亚洲一区二区三区四| 亚洲日韩一区二区三区| 成人激情四射网| 日本一区二区高清在线观看| 免费日本一区二区三区视频| 国产成人精品电影在线观看 | 中文字幕亚洲综合久久久| 强奸乱伦影音先锋| 色视频www在线播放国产人成| 日韩精品一区二区三区四区| 男人的天堂av你懂得| 国内少妇毛片视频| 精品久久久久久久中文字幕| 日本精品久久久久中文字幕1| 99精品国产综合久久麻豆| 无码丰满熟妇一区二区| 亚洲欧美中文在线观看4| 国产精品美女自在线观看| 大尺度无遮挡激烈床震网站| 亚洲国产av导航第一福利网| 欧美亚洲尤物久久综合精品 | 亚洲最大成人网站| 欧美日韩一卡2卡三卡4卡 乱码欧美孕交| 国产国拍亚洲精品福利| 日韩女优视频网站一区二区三区 | 免费a级毛片无码a∨免费软件| 亚洲AV秘 无码一区二区三区| 九九精品国产亚洲av日韩| 亚洲娇小与黑人巨大交| 亚洲av无码片在线播放|