申请/专利权人:中国计量大学上虞高等研究院有限公司;中国计量大学
申请日:2020-12-16
公开(公告)日:2022-04-19
公开(公告)号:CN112541552B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/46;G06V10/82;G06K9/62;G06N3/04;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2022.04.19#授权;2021.04.09#实质审查的生效;2021.03.23#公开
摘要:本发明公开了一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法,该方法采用双通道卷积神经网络DCCNN和光梯度提升机LGBM这两种高级分类器相结合的混合模型DCCNN‑LGBM,对空气处理机组AHU进行准确的故障检测与诊断。本发明还在卷积神经网络中使用了残差网络,提高了双通道卷积神经网络的特征提取能力,同时提高了模型的整体故障检测与诊断精度,可以有效的应用于实际工程中对空气处理机组进行准确的故障检测与诊断。而且本模型的可移植能力很好,只需对模型的某些参数进行改变,就可以很容易移植到别的领域,如冷水机组故障检测与诊断等领域。
主权项:1.一种双通道卷积神经网络和光梯度提升机相结合的空气处理机组故障检测与诊断方法,其特征在于:包括以下步骤:1人为的模拟多种空气处理机组故障,同时采集安装在空气处理机组各个回路的传感器数值,得到传感器在故障情况下运转的数据;2采用嵌入式重要特征选择方法选择出对空气处理机组的故障检测与诊断最相关的八个特征子集;3建立双通道卷积神经网络DCCNN模型和光梯度提升机分类器;4将步骤2中选择出的特征子集按照7:3:1的比例划分为训练集、验证集以及测试集;使用训练集训练DCCNN模型,使用验证集验证DCCNN模型是否拟合,使用测试集测试其故障诊断性能,并保存已经训练好的DCCNN模型;5使用训练好的DCCNN模型对空气处理机组数据集进行特征提取,并将提取的特征输入到光梯度提升机分类器中进行训练;6将需要进行故障检测与诊断的空气处理机组的数据集输入DCCNN模型进行特征提取,提取的特征输入到光梯度提升机分类器中,光梯度提升机分类器会输出空气处理机组的运行情况及故障情况;所述的步骤2中嵌入式重要特征选择方法具体为:使用LinearSVC作为分类器进行特征选择,并在LinearSVC的损失函数中加入惩罚项:L2范数,使得跟输出有关的特征在模型中对应的系数相对较大,而跟输出变量无关的特征对应的系数接近于0;分类器对每个特征进行打分,对各特征的得分按从大到小进行排序,选出前八个特征进行后续步骤。
全文数据:
权利要求:
百度查询: 中国计量大学上虞高等研究院有限公司;中国计量大学 DCCNN和LGBM相结合的空气处理机组故障检测与诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。