本發(fā)明屬于冷水機(jī)組故障診斷，具體涉及一種面向不平衡數(shù)據(jù)的冷水機(jī)組故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、這里的陳述僅提供與本發(fā)明相關(guān)的背景技術(shù)，而不必然地構(gòu)成現(xiàn)有技術(shù)。

2、冷水機(jī)組通過(guò)高效協(xié)調(diào)制冷循環(huán)，實(shí)現(xiàn)對(duì)建筑供冷需求的精準(zhǔn)滿足。由于冷水機(jī)組通常由壓縮機(jī)、冷凝器、蒸發(fā)器、閥門(mén)及傳感器等多類關(guān)鍵設(shè)備構(gòu)成，并長(zhǎng)期運(yùn)行在多變量耦合、時(shí)變負(fù)荷的工況下，設(shè)備老化、操作參數(shù)失配或環(huán)境突變均可能引發(fā)異常工況。在故障條件下持續(xù)運(yùn)行不僅會(huì)導(dǎo)致制冷效率下降、能耗激增，還可能因系統(tǒng)控制失效造成冷卻效果不足，進(jìn)而影響室內(nèi)溫度調(diào)控和設(shè)備安全。因此，有必要探索一種高效、準(zhǔn)確的冷水機(jī)組故障診斷方法。

3、冷水機(jī)組存在壓縮機(jī)故障、閥門(mén)泄漏、換熱器效率衰減等多種故障模式，導(dǎo)致不同故障類型的故障數(shù)據(jù)數(shù)量存在明顯差異。因此，在冷水機(jī)組的故障診斷中，故障類型的數(shù)量不相等導(dǎo)致數(shù)據(jù)不平衡，導(dǎo)致訓(xùn)練模型對(duì)小樣本故障類型的識(shí)別精度較差。更具體地說(shuō)，數(shù)據(jù)不平衡導(dǎo)致模型學(xué)習(xí)關(guān)于訓(xùn)練集中樣本比例的先驗(yàn)信息的問(wèn)題，從而導(dǎo)致在實(shí)際預(yù)測(cè)中偏向大多數(shù)類別。因此，對(duì)于冷水機(jī)組的故障診斷方法及系統(tǒng)，需要考慮數(shù)據(jù)的不平衡問(wèn)題，并采用合適的數(shù)據(jù)生成方法解決數(shù)據(jù)不平衡問(wèn)題。

4、發(fā)明人發(fā)現(xiàn)，現(xiàn)有的冷水機(jī)組故障診斷方中采用的數(shù)據(jù)生成方法生成的數(shù)據(jù)穩(wěn)定性并不理想，主要存在以下問(wèn)題：（1）由于不同故障類型樣本數(shù)量存在較大差異，數(shù)據(jù)分布不平衡，進(jìn)而可能導(dǎo)致故障診斷結(jié)果出現(xiàn)偏差；而傳統(tǒng)數(shù)據(jù)生成方法通常采用串行生成方式，即逐一針對(duì)單一故障類型生成數(shù)據(jù)，存在生成效率低下的問(wèn)題。（2）在故障數(shù)據(jù)生成階段，由于傳統(tǒng)方法未能充分捕捉和融合原始故障數(shù)據(jù)中的時(shí)序動(dòng)態(tài)與傳感器間的空間拓?fù)涮卣?，?dǎo)致生成的某類故障數(shù)據(jù)在時(shí)序關(guān)系和空間結(jié)構(gòu)上與原始故障數(shù)據(jù)存在較大偏差。（3）傳統(tǒng)的故障診斷方法僅關(guān)注冷水機(jī)組運(yùn)行數(shù)據(jù)的時(shí)序或靜態(tài)結(jié)構(gòu)，無(wú)法對(duì)時(shí)序特征與動(dòng)態(tài)拓?fù)涮卣鲄f(xié)同建模，從而缺乏對(duì)實(shí)時(shí)變化工況的適應(yīng)能力，往往導(dǎo)致故障診斷模型在實(shí)際應(yīng)用中表現(xiàn)不佳。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了克服上述現(xiàn)有技術(shù)中存在的不足，提供一種面向不平衡數(shù)據(jù)的冷水機(jī)組故障診斷方法及系統(tǒng)，其實(shí)現(xiàn)了多類故障樣本的并行生成，保證每一類生成的故障數(shù)據(jù)與原始故障數(shù)據(jù)有相似的時(shí)空特性，能夠適應(yīng)冷水機(jī)組實(shí)時(shí)變化的工況，實(shí)現(xiàn)冷水機(jī)組復(fù)雜多傳感器系統(tǒng)中時(shí)序特征與動(dòng)態(tài)拓?fù)涮卣鲄f(xié)同建模，即使在邊緣設(shè)備上也能實(shí)現(xiàn)高精度的實(shí)時(shí)診斷。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明是通過(guò)如下的技術(shù)方案來(lái)實(shí)現(xiàn)：

3、一方面，本發(fā)明的技術(shù)方案提供了一種面向不平衡數(shù)據(jù)的冷水機(jī)組故障診斷方法，包括：

4、基于擾動(dòng)重構(gòu)機(jī)制，利用原始數(shù)據(jù)還原出具有原始數(shù)據(jù)特性的平衡故障數(shù)據(jù)；

5、利用時(shí)空自動(dòng)編碼器對(duì)平衡故障數(shù)據(jù)的時(shí)序特征和空間結(jié)構(gòu)進(jìn)行提取和建模，重建原始數(shù)據(jù)，得到保持原始數(shù)據(jù)的時(shí)間動(dòng)態(tài)特征和空間拓?fù)浣Y(jié)構(gòu)的低維特征；

6、利用動(dòng)態(tài)拓?fù)鋾r(shí)序特征集成網(wǎng)絡(luò)分別提取時(shí)序特征和拓?fù)涮卣鞑⒉捎脛?dòng)態(tài)門(mén)控融合機(jī)制進(jìn)行自適應(yīng)融合；

7、對(duì)融合后的特征進(jìn)行分類，得到故障診斷結(jié)果。

8、在至少一個(gè)實(shí)施例中，所述擾動(dòng)重構(gòu)機(jī)制具體為：

9、向原始數(shù)據(jù)逐步添加噪聲，使其變成符合高斯分布的噪聲；

10、通過(guò)去噪函數(shù)，逐步去除噪聲，重構(gòu)出具有原始數(shù)據(jù)特性的平衡故障數(shù)據(jù)。

11、在至少一個(gè)實(shí)施例中，在去噪過(guò)程中融入標(biāo)簽指導(dǎo)層，生成與特定標(biāo)簽對(duì)應(yīng)的數(shù)據(jù)，實(shí)現(xiàn)多類數(shù)據(jù)的并行生成。

12、在至少一個(gè)實(shí)施例中，所述時(shí)空自動(dòng)編碼器由第一卷積層、循環(huán)神經(jīng)網(wǎng)絡(luò)層、圖注意力網(wǎng)絡(luò)層、第二卷積層組成；

13、所述第一卷積層用于對(duì)原始輸入數(shù)據(jù)進(jìn)行預(yù)處理和局部特征提?。凰鲅h(huán)神經(jīng)網(wǎng)絡(luò)層用于捕捉時(shí)間序列中的時(shí)序依賴性，提煉出動(dòng)態(tài)變化的信息；所述圖注意力網(wǎng)絡(luò)層用于利用自注意力機(jī)制對(duì)傳感器節(jié)點(diǎn)間的復(fù)雜拓?fù)潢P(guān)系進(jìn)行建模，有效聚合多跳信息；所述第二卷積層用于整合和壓縮多尺度特征，生成高質(zhì)量的隱藏狀態(tài)。

14、在至少一個(gè)實(shí)施例中，所述動(dòng)態(tài)拓?fù)鋾r(shí)序特征集成網(wǎng)絡(luò)包括動(dòng)態(tài)拓?fù)涮崛》种б约皶r(shí)序特征提取分支；所述動(dòng)態(tài)拓?fù)涮崛》种в糜诓蹲嚼渌畽C(jī)組中隨工況變化的不同傳感器之間的關(guān)聯(lián)性；所述時(shí)序特征提取分支用于建模傳感器信號(hào)的長(zhǎng)期時(shí)間依賴，預(yù)測(cè)故障演進(jìn)趨勢(shì)。

15、在至少一個(gè)實(shí)施例中，所述時(shí)序特征提取分支的訓(xùn)練過(guò)程為：

16、輸入經(jīng)擴(kuò)散模型增強(qiáng)后的時(shí)序故障數(shù)據(jù)；然后使用步長(zhǎng)為2的1d卷積降低序列長(zhǎng)度，同時(shí)提取局部特征；隨后，將經(jīng)卷積提取的局部特征輸入到動(dòng)態(tài)稀疏注意力塊中，利用稀疏注意力和參數(shù)共享建模全局時(shí)序依賴，輸出時(shí)序特征。

17、在至少一個(gè)實(shí)施例中，所述動(dòng)態(tài)拓?fù)涮崛》种У挠?xùn)練過(guò)程為：

18、輸入來(lái)自傳感器以固定頻率采集的多維信號(hào)，并以滑動(dòng)窗口切分；對(duì)每個(gè)傳感器通道獨(dú)立標(biāo)準(zhǔn)化，構(gòu)建動(dòng)態(tài)圖，將動(dòng)態(tài)圖輸入到共m層chebyshev圖卷積中進(jìn)行卷積處理，使用時(shí)序卷積層捕捉傳感器信號(hào)的多尺度時(shí)序依賴；最后通過(guò)節(jié)點(diǎn)注意力池化層計(jì)算單個(gè)傳感器節(jié)點(diǎn)重要性權(quán)重，加權(quán)聚合為全局特征，輸出拓?fù)涮卣鳌?/p>

19、在至少一個(gè)實(shí)施例中，所述自適應(yīng)融合過(guò)程為：

20、將拓?fù)涮卣靼磿r(shí)間步復(fù)制至與時(shí)序特征對(duì)齊得到，然后生成動(dòng)態(tài)門(mén)控權(quán)重，輸出門(mén)控融合后的特征。

21、在至少一個(gè)實(shí)施例中，將融合后的特征輸入到層級(jí)化分類器中進(jìn)行分類，得到最后的故障診斷結(jié)果。

22、另一方面，本發(fā)明的技術(shù)方案還提供了一種面向不平衡數(shù)據(jù)的冷水機(jī)組故障診斷系統(tǒng)，包括：

23、平衡故障數(shù)據(jù)并行生成模塊，被配置為：基于擾動(dòng)重構(gòu)機(jī)制，利用原始數(shù)據(jù)還原出具有原始數(shù)據(jù)特性的平衡故障數(shù)據(jù)；

24、數(shù)據(jù)增強(qiáng)模塊，被配置為：利用時(shí)空自動(dòng)編碼器對(duì)平衡故障數(shù)據(jù)的時(shí)序特征和空間結(jié)構(gòu)進(jìn)行提取和建模，重建原始數(shù)據(jù)，得到保持原始數(shù)據(jù)的時(shí)間動(dòng)態(tài)特征和空間拓?fù)浣Y(jié)構(gòu)的低維特征；

25、特征提取與融合模塊，被配置為：利用動(dòng)態(tài)拓?fù)鋾r(shí)序特征集成網(wǎng)絡(luò)分別提取時(shí)序特征和拓?fù)涮卣鞑⒉捎脛?dòng)態(tài)門(mén)控融合機(jī)制進(jìn)行自適應(yīng)融合；

26、故障診斷模塊，被配置為：對(duì)融合后的特征進(jìn)行分類，得到故障診斷結(jié)果。

27、上述本發(fā)明的技術(shù)方案的有益效果如下：

28、1）本發(fā)明實(shí)現(xiàn)了多類故障樣本的并行生成，顯著提高了數(shù)據(jù)生成的效率，縮短了生成時(shí)間；同時(shí)，通過(guò)平衡數(shù)據(jù)分布，提升了生成數(shù)據(jù)的質(zhì)量，有效緩解了冷水機(jī)組故障數(shù)據(jù)不平衡的問(wèn)題，為后續(xù)故障診斷提供了更為準(zhǔn)確、全面的訓(xùn)練數(shù)據(jù)基礎(chǔ)。

29、2）本發(fā)明生成的故障數(shù)據(jù)在時(shí)序關(guān)系和空間結(jié)構(gòu)上與原始數(shù)據(jù)高度一致，顯著降低了生成偏差，提高了數(shù)據(jù)的真實(shí)性和可靠性，為故障診斷系統(tǒng)提供了更高質(zhì)量的數(shù)據(jù)支持，并進(jìn)一步提升了故障檢測(cè)和診斷的準(zhǔn)確率。

30、3）本發(fā)明通過(guò)動(dòng)態(tài)拓?fù)涮崛》种б约皶r(shí)序特征提取分支的協(xié)同，實(shí)現(xiàn)了多源異構(gòu)傳感器數(shù)據(jù)的高效分析與精準(zhǔn)診斷，兼具高精度、低延遲與強(qiáng)泛化能力，能夠適應(yīng)冷水機(jī)組實(shí)時(shí)變化的工況，實(shí)現(xiàn)冷水機(jī)組復(fù)雜多傳感器系統(tǒng)中時(shí)序特征與動(dòng)態(tài)拓?fù)涮卣鲄f(xié)同建模，在邊緣設(shè)備上也能實(shí)現(xiàn)高精度的實(shí)時(shí)診斷。