基于长短期记忆网络的空调机组故障诊断与风险评估

作     者：彭阳 余芳强 许璟琳 PENG Yang;YU Fangqiang;XU Jinglin

作者机构：上海建工四建集团有限公司上海201103 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2020年第40卷第S01期

页      面：248-252页

学科分类：08[工学] 0835[工学-软件工程] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：上海市扬帆计划项目(18YF1410400) 上海市启明星课题(18QB1402300) 上海市扬帆计划项目(19YF1421100) 

主　　题：设备故障 故障诊断 风险评估 长短期记忆(LSTM)网络 特征提取 

摘      要：针对大型空调机组运行参数多、故障类型复杂、故障诊断和评估困难的特点,基于长短期记忆(LSTM)神经网络,提出了一种空调机组故障诊断与风险评估(FDRE)的方法。首先,给出了新的故障情形定义,用于空调机组的特征提取,不仅包含了多维度的空调机组监测变量,还建模了环境因素、能耗变化情况和故障风险的三类发展模式。然后,建立了各种参数下的预测网络,训练结果表明有能力分析监测数据的时序特性,既可诊断出故障发生的具体原因,也可在故障未发之前评估故障风险。最后应用于大型医院的工程现场。与其他预测序列数据的神经网络算法对比,时间窗为35的LSTM在准确度和故障诊断稳定性方面占优。工程应用表明,提取的特征可以较为全面反映机组运行机理,发出的预警符合实际,有效辅助了现场空调设备的维修维保工作。