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LSTM-KAN的冷水機組故障診斷特征優(yōu)化

        2025-03-12 00:00:00郭馬超馮榮侯剛雷榮功王治國
        機電信息 2025年5期

        摘 要:冷水機組的故障檢測與診斷(FDD)對調(diào)節(jié)室內(nèi)舒適度和管理建筑能耗具有重要意義。然而,原始數(shù)據(jù)中的特征冗余給故障診斷帶來很大困擾,為解決這一問題,提出了一種結(jié)合機器學習回歸與分類的預測方法。首先,通過長短期記憶網(wǎng)絡(LSTM)及其變體精確預測高相關(guān)但低重要的特征,從而有效減少特征冗余。其次,利用支持向量機(SVM)對優(yōu)化后的特征進行故障診斷,評估其效果。研究表明,采用結(jié)合LSTM與科爾莫格羅夫-阿諾德網(wǎng)絡(KAN)的模型(LSTM-KAN)優(yōu)化特征后,當特征數(shù)減少至預設目標特征的60%時,診斷準確率達94.23%,相比未優(yōu)化前的準確率提高了16.64個百分點;此外,訓練次數(shù)大幅度減少,進一步提升了模型的訓練效率。該方法為冷水機組的故障檢測與診斷提供了更加高效和準確的技術(shù)支持。

        關(guān)鍵詞:故障檢測與診斷;冷水機組;特征優(yōu)化;長短期記憶

        中圖分類號:TK018" " 文獻標志碼:A" " 文章編號:1671-0797(2025)05-0010-07

        DOI:10.19514/j.cnki.cn32-1628/tm.2025.05.003

        0" " 引言

        供暖、通風和空調(diào)系統(tǒng)(Heating,Ventilation and Air Conditioning,HVAC)是一種高能耗建筑裝置,當出現(xiàn)維護不足、組件老化和控制紊亂時,會發(fā)生故障。調(diào)查顯示,65%的住宅空調(diào)單元和71%的商業(yè)空調(diào)單元存在故障,這些故障帶來的能源損失占總建筑能耗的15%~30%[1],造成了巨大的能源浪費和經(jīng)濟損失。因此,對故障快速準確和低成本的診斷不僅能滿足國家節(jié)能要求,還能挽回經(jīng)濟損失。

        HVAC的故障檢測與診斷技術(shù)(Fault Detection and Diagnosis,F(xiàn)DD)是一種嵌入在建筑能源管理系統(tǒng)中的先進技術(shù),可用于檢測設備在運行過程中的故障。近年基于數(shù)據(jù)驅(qū)動的FDD技術(shù)研究占比接近70%[2],利用運行數(shù)據(jù)來檢測和診斷系統(tǒng)中的故障,根據(jù)數(shù)據(jù)變化自動更新模型,不僅能滿足智能化要求,還能應對設備在長期運行過程中的性能變化[3]。原始數(shù)據(jù)特征冗余復雜,需要進行特征選擇,選出一組最具代表性和區(qū)分性的特征子集。經(jīng)過大量研究驗證,目前最佳的特征數(shù)集中在6~16個,在8個特征時模型已具有很好的效果[4],但在10個特征后準確率將隨特征數(shù)量的減少而急劇下降。然而特征個數(shù)對應傳感器數(shù)量,特征數(shù)量過多不僅會增加模型的訓練難度,還會增加經(jīng)濟成本。因此,在保證準確率的前提下,優(yōu)化特征子集個數(shù)到6個是一個很大的挑戰(zhàn)。

        針對上述問題,提出LSTM-KAN的方法優(yōu)化特征,以SVM作為基分類器,利用特征重要度和皮爾遜相關(guān)性分析,對高相關(guān)性與低重要度的特征進行預測,不僅減少了初始特征的數(shù)量,還提高了最終的診斷準確率。

        1" " 故障數(shù)據(jù)及分析

        1.1" "系統(tǒng)和數(shù)據(jù)

        本研究使用的是ASHRAE組織的冷水機組故障模擬數(shù)據(jù),項目編號是ASHRAE-RP-1043,該項目利用實驗室一臺90 t離心式冷水機組進行故障模擬實驗,生成多種故障數(shù)據(jù)[5]。圖1是實驗所用的單級冷水機組的系統(tǒng)圖,由壓縮機、冷凝器、膨脹閥和蒸發(fā)器組成,模擬的故障包括四個壓縮循環(huán)類故障:制冷劑過充(RO)、制冷劑欠充(RU)、不凝氣體(NC)和過量油(EO);三個水路循環(huán)故障:蒸發(fā)器水流量減少(FWE)、冷凝器水流量減少(FWC)和冷凝器結(jié)垢(CF)。

        項目報告將每個故障分為4個強度等級,在每個故障強度中選擇1 000組數(shù)據(jù)作為原始數(shù)據(jù)集,再集合5 000多組無故障數(shù)據(jù)得到33 000多組數(shù)據(jù),如表1所示。

        1.2" " 數(shù)據(jù)預處理

        故障檢測與診斷技術(shù)常用的歸一化方法有最小最大值歸一化、Sigmoid歸一化和Z值歸一化,最小最大值歸一化適合于數(shù)值分布均勻且不含異常值的情況,RP-1043數(shù)據(jù)符合該條件,因此選擇最小最大值歸一化進行數(shù)據(jù)預處理,公式如下:

        式中:xmin為特征x在所有樣本下的最小值;xmax為特征x在所有樣本下的最大值。

        1.3" " 評估方法

        模型評估是為了衡量模型訓練后的性能,在訓練LSTM及其變體形式算法預測效果時使用均方誤差(MSE)和決定系數(shù)(R2)兩種方法進行評估,訓練SVM分類效果時使用準確率(Accurary)和F1得分(F1-Score)兩種方法進行評估。

        式中:n為樣本數(shù)量;yi為第i個觀測值的實際值;為第i個觀測值的預測值;y為所有實際值的均值;NTP表示真實和預測結(jié)果都為正的數(shù)量;NFP表示真實標簽為負,預測結(jié)果為正的數(shù)量;NFN表示真實標簽為正,預測結(jié)果為負的數(shù)量;NTN表示真實標簽和預測結(jié)果都為負的數(shù)量;Precision為查準率;Recall為召回率。

        2" " 算法介紹

        2.1" " 多分類支持向量機

        支持向量機(Support Vector Machine,SVM)是一個功能強大而全面的機器學習模型,并且經(jīng)過大量研究驗證,可選擇作為基分類器進行故障診斷?;A的SVM是二分類,通過尋找一個最優(yōu)超平面來分隔不同類別的樣本,如圖2所示。多分類SVM可以分為一對一分類或一對多分類,都是將多分類轉(zhuǎn)化為多個二分類問題處理,區(qū)別在于一對一是每兩個類別進行對比,一對多是每個類別和其他類別進行對比,本文使用的是一對多分類。

        2.2" " LSTM算法模型

        LSTM是循環(huán)神經(jīng)網(wǎng)絡的一個變體形式,能有效解決循環(huán)神經(jīng)網(wǎng)絡梯度爆炸問題。LSTM由輸入門、遺忘門和輸出門組成[6],如圖3所示。輸入門it用來控制當前時刻內(nèi)部狀態(tài)輸入信息保存,遺忘門ft控制上一時刻候選狀態(tài)和信息保留,輸出門ot控制當前時刻內(nèi)部狀態(tài)的輸出,ct是當前的內(nèi)部狀態(tài),ht是隱藏層的外部狀態(tài),t是通過非線性激活函數(shù)tanh的候選狀態(tài)[7]。

        式中:ht-1是上一時刻的外部狀態(tài);xt是當前時刻輸入數(shù)據(jù);σ是激活函數(shù);W、U和b是可學習參數(shù)。

        2.3" " KAN

        KAN是基于Kolmogorov-Arnold定理衍生的新型神經(jīng)網(wǎng)絡架構(gòu),相對于多層感知機(Multi-Layer Perceptron,MLP),KAN模型將固定的非線性激活和線性參數(shù)學習變?yōu)閷?shù)非線性激活學習,在保持靈活性的同時,能夠以少量參數(shù)擬合復雜網(wǎng)絡結(jié)構(gòu),使得模型的網(wǎng)絡結(jié)構(gòu)具有更高的訓練效率。KAN的網(wǎng)絡架構(gòu)如圖4所示,表達式如式(13)所示[8-9]。式中:x為n維輸入向量;φq,p為內(nèi)部函數(shù);Φq為外部函數(shù);b(x)為基礎函數(shù);silu(x)為Swish激活函數(shù),是sigmoid函數(shù)的一種變體;spline(x)為樣條函數(shù);ci為樣條參數(shù);Bi(x)為預定義基礎樣條函數(shù);Φ(x)為激活函數(shù),它是b(x)與spline(x)的總和。

        KAN是MLP的一種替代方案,用于擺脫維度提高帶來的梯度爆炸,在LSTM中添加MLP和KAN架構(gòu),對處理復雜數(shù)據(jù)或解決特征密集的任務具有獨特的能力。

        3" " 特征選擇和分析

        原始特征冗余復雜,需要進行多重處理,為了更好地尋找用于優(yōu)化的輸入特征和輸出特征,對原始數(shù)據(jù)集包含的65個特征進行多次處理,如圖5所示。

        首先人工剔除4個始終保持不變的無關(guān)特征:Unit Siatus、Active Fault、VH和VE,再利用基分類器特征重要度排除31個低重要度特征,這些特征重要度占比為19.5%,與診斷結(jié)果呈負相關(guān),會使診斷準確率降低0.62%。這與基分類器處理復雜數(shù)據(jù)的能力有關(guān),SVM診斷特征重要度排序和特征分布如圖6所示,其中溫度特征和計算特征的重要度影響最大。

        通過特征重要度篩選得到30個關(guān)鍵特征,平均診斷準確率達到97.65%。以這些特征為基礎,繪制了兩個降序排列的雷達圖:一個是基于特征重要度的圖7(a),另一個是基于皮爾遜相關(guān)性分析的圖7(b)。結(jié)果顯示,在特征數(shù)量從30減少到10的過程中,診斷準確率的變化較小。然而,圖7(a)中特征重要度的準確率下降速率明顯高于圖7(b)中皮爾遜相關(guān)性分析的準確率下降速率。這表明特征重要度篩選有助于剔除相關(guān)性較低的特征?;谶@一發(fā)現(xiàn),進一步利用皮爾遜相關(guān)度分析剔除20個高相關(guān)度特征,僅保留10個最為關(guān)鍵的特征,這些特征的相關(guān)度閾值設定為0.73,最終診斷準確率為95.87%。

        當特征集數(shù)量低于10個時,診斷準確率快速下降,6個特征時診斷準確率減少到77.59%,此時特征重要度的準確率下降速率低于皮爾遜相關(guān)度分析的準確率下降速率,這證明在皮爾遜相關(guān)度分析時剔除了重要度高的特征,影響了診斷結(jié)果。圖8是10個特征的皮爾遜相關(guān)度分析矩陣圖,選擇相關(guān)度在[0.44,0.73)之間的5組特征對,根據(jù)高相關(guān)性和低重要度要求篩選,但發(fā)現(xiàn)Cond Tons這個特征與其他3個低重要度特征都有關(guān)系,保留該特征為輸入特征。最終選擇的6個輸入特征是:FWC、FWE、TO_feed、Cond Tons、TWE_set、VC;選擇的4個輸出特征(目標特征)是:Cond Energy Balance、PO_feed、PRE、TCA。

        4" " 基于LSTM的特征優(yōu)化結(jié)果分析

        選定的原始數(shù)據(jù)中包括10個特征,經(jīng)過特征重要度和皮爾遜相關(guān)性分析篩選,最終將10個特征分為6個輸入特征和4個輸出特征用于訓練LSTM、LSTM-MLP、LSTM-KAN三種模型。這三種模型的訓練和測試數(shù)據(jù)比例為8:2,總數(shù)據(jù)集為33 000多組。對于這三種模型,設置以下參數(shù):輸入特征數(shù)為6個,輸出特征數(shù)為4個,每個隱藏層包含64個神經(jīng)元。使用Adam優(yōu)化器進行參數(shù)優(yōu)化,其學習率設定為0.001,批次大小設置為32。最終模型的損失函數(shù)結(jié)果收斂在0.03附近,表明模型訓練效果良好。

        預測結(jié)果如圖9所示,為了更加清晰地展示基于LSTM-KAN預測的4個輸出特征測試情況,針對測試集數(shù)據(jù)6 000多個樣本,每100個數(shù)據(jù)設置為一個觀測點,最終得到了60個觀測點,可以看出預測值和真實值之間的相近程度。這樣處理后的數(shù)據(jù)可以更直觀地反映出模型在預測過程中的表現(xiàn),為進一步分析和優(yōu)化提供了基礎。在真實值大幅度波動的情況下,預測效果不佳,這是各種故障之間的數(shù)值差異性所致。訓練完成后,通過將輸入特征和輸出特征合并,得到10個特征的33 000多個數(shù)據(jù)集,并為每個數(shù)據(jù)集添加了故障標簽,進行故障分類。

        由表2可知,LSTM-KAN的效果優(yōu)于其他兩種,在近似的損失函數(shù)收斂值下,LSTM-KAN的訓練次數(shù)僅為LSTM的1/10,LSTM-MLP的1/5,并且在診斷結(jié)果差距不大的情況下,MSE分別減少13.057 2和6.524 6,表明LSTM-KAN在預測上有更小的誤差;R2分別提高了0.007 3和0.003 0,表明LSTM-KAN在預測結(jié)果上更為精準,數(shù)據(jù)擬合效果更好。

        為避免分類結(jié)果的不確定性,從每個標簽中隨機選擇1 000組數(shù)據(jù)組成8 000組數(shù)據(jù)作為基分類器的分類數(shù)據(jù)集,重復20次,每次分類結(jié)果進行十折交叉驗證。在利用LSTM及其變體將6個輸入特征擴充至10個特征后,3種模型得到的數(shù)據(jù)診斷準確率分別為94.14%、94.22%和94.23%,但比10個原始特征時的準確率少1.73、1.65、1.64個百分點,這是由于經(jīng)過模型訓練擴充的4個目標特征的誤差所造成。但與未擴充前6個特征時的準確率對比,分別提高16.55、16.63和16.64個百分點,這證明此種方法對特征子集的擴充效果明顯。

        5" " 結(jié)論

        為了保障少量特征時的診斷準確率,本文利用LSTM算法對特征子集進行優(yōu)化,成功提升了低特征數(shù)診斷的準確率。這種思路不僅解決了原始數(shù)據(jù)特征冗余問題,還探討了LSTM-KAN在訓練次數(shù)上的優(yōu)化,提高了診斷效率。本文可以得出下列結(jié)論:

        1)結(jié)合特征重要度和皮爾遜相關(guān)度分析可以滿足目標特征的選取預期,所選擇的4個目標特征對后續(xù)診斷的準確率有很大的提升,僅比原始10個特征的診斷準確率低1~2個百分點。

        2)結(jié)合KAN的LSTM算法體現(xiàn)出強大的分析能力,其使用更少的訓練次數(shù)能得到更好的效果,預測均方誤差分別減少13.057 2和6.524 6,決定系數(shù)提高了0.007 3和0.003 0。

        3)LSTM-KAN的預測結(jié)果帶來的診斷準確率的增益是16.64個百分點,大幅度提升了6個特征的診斷準確率。

        [參考文獻]

        [1] SHI Z X,O'BRIEN W.Development and implementation of automated fault detection and diagnostics for building systems:A review[J].Automation in Construction,2019,104:215-229.

        [2] CHEN J L,ZHANG L,LI Y F,ET AL.A review of computing-

        based automated fault detection and diagnosis of heating,ventilation and air conditioning systems[J].Renewable and Sustainable Energy Reviews,2022,161:112395.

        [3] CHEN Z,XIAO F,GUO F C.Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data[J].Renewable and Sustainable Energy Reviews,2023(185):113612.

        [4] YAN K,MA L L,DAI Y T,et al.Cost-sensitive and sequential feature selection for chiller fault detection and diagnosis[J].International Journal of Refrigeration, 2018, 86: 401-409.

        [5] COMSTOCK M C,BRAUN J E,BERNHARD R.Experimental Data from Fault Detection and Diagnostic Studies on a Centrifugal Chiller[D].West Lafayette:Purdue University,1999.

        [6] HOCHREITER S,SCHMIDHUBER J.Long short-term memory[J].Neural Computation,1997,9(8):1735-1780.

        [7] 杜浩,趙健,鄒江,等.基于CNN-LSTM神經(jīng)網(wǎng)絡的輸電線路覆冰預測技術(shù)研究[J].機電信息,2024(21):81-85.

        [8] 劉燦鋒,孫浩,東輝.結(jié)合Transformer與Kolmogorov Arnold網(wǎng)絡的分子擴增時序預測研究[J].圖學學報,2024,45(6):1256-1265.

        [9] LIU Z M,WANG Y X,VAIDYA S,et al.KAN:Kolmogorov-

        arnold networks[J/OL].(2024-04-30)[2024-11-19]. arXiv preprint arXiv:2404.19756,2024.https://arxiv.org/abs/2404.19756.

        收稿日期:2024-11-28

        作者簡介:郭馬超(1997—),男,陜西商洛人,碩士研究生,研究方向:暖通空調(diào)故障檢測與診斷。

        通信作者:馮榮(1987—),男,甘肅定西人,工學博士,副教授,研究方向:分布式能源系統(tǒng)和新型熱泵技術(shù)。

        一本色道av久久精品+网站| 国产乱码一区二区三区精品| 国产在线精品一区二区三区| 国产又滑又嫩又白| 狠狠丁香激情久久综合| 色噜噜色哟哟一区二区三区| 色综合久久蜜芽国产精品| 日韩亚洲av无码一区二区三区| 国模雨珍浓密毛大尺度150p| 国产成人无码精品午夜福利a| 国产成年无码aⅴ片在线观看| 综合成人亚洲网友偷自拍| 亚洲日韩精品无码av海量| 五月天激情婷婷婷久久| 国产成人综合日韩精品无| 亚洲综合久久精品少妇av| 久久无码人妻一区二区三区午夜| 韩国v欧美v亚洲v日本v| 亚洲欧洲无码精品ⅤA| 在线观看国产视频午夜| 国产三级久久久精品麻豆三级| 在线观看国产高清免费不卡黄| 手机在线免费看av网站| 青青草精品视频在线播放| 亚洲精品字幕| 真实国产网爆门事件在线观看| 青青草视频国产在线观看| 亚洲av毛片在线免费观看 | 久久亚洲国产成人精品性色 | 人妻少妇不满足中文字幕 | 亚洲日本中文字幕高清在线| 最新中文字幕av无码不卡| 亚洲国产激情一区二区三区| 窄裙美女教师在线观看视频| 日本精品一区二区三区试看 | 中文字幕第1页中文字幕在| 蜜桃av噜噜一区二区三区免费| 精品国产yw在线观看| 久久久久久无码av成人影院| 91视频免费国产成人| 日韩精品资源在线观看免费|