- 頭條改進的LSTM方法在冷水機組傳感器故障檢測中的應用2020-08-14 作者：李冬輝、尹海燕、鄭博文、劉玲玲 | 來源：《電工技術學報》 | 點擊率：986導語天津大學電氣自動化與信息工程學院的研究人員李冬輝、尹海燕、鄭博文、劉玲玲，在2019年第11期《電工技術學報》上撰文，針對目前國內外對于冷水機組傳感器偏差故障檢測效果不理想的問題，結合長短期記憶網絡（LSTM）適用于處理高維、強耦合、高度時間相關性數據的特點，該文提出一種基于改進LSTM的深度學習方法，用于冷水機組傳感器偏差故障檢測。現場采集風冷冷水機組傳感器數據，用于訓練改進的LSTM。 通過實驗分析得出，不同傳感器檢測效率不同。將該文所提方法的檢測結果與自動編碼器（Autoencoder）、主元分析法（PCA）、標準的LSTM三種方法的檢測結果進行比較，得出該文所提方法在冷水機組傳感器偏差故障檢測中檢測效率明顯優于其他三種方法；并且針對同一傳感器相同大小、不同正負的偏差故障，所提方法的檢測效率具有更好的對稱性。最后證明該文所提的改進LSTM方法具有良好的泛化性。
冷水機組是制冷空調系統的核心設備，冷水機組傳感器的故障檢測及診斷對于保證制冷空調系統正常運行具有重要意義。近些年，學者們針對空調傳感器的故障檢測及診斷問題進行了諸多研究。
文獻[1]提出采用主元分析法（Principal Component Analysis, PCA）對空調傳感器進行故障診斷，通過對溫度、濕度傳感器的偏差故障進行仿真，證明了所提方法具有很好的診斷效果。但PCA應用的前提是假設過程為線性的，而空調系統多變量數據間具有非線性關系，使得PCA在處理空調傳感器故障問題上受到了限制。
針對PCA存在的問題，文獻[2]提出采用核主元分析法（Kernel Principal Component Analysis, KPCA）解決空調傳感器的故障診斷問題，并證明KPCA取得的效果優于PCA。文獻[3-4]分別利用位域運動誤差觀測器和解析冗余的方法進行齒輪斷齒故障診斷和整流器傳感器故障診斷。
在KPCA的基礎上，文獻[5]提出采用二分法進行核參數優化，進而解決核函數參數選擇主觀性較大的問題，從而獲得了改進KPCA的故障檢測方法。文獻[6]發現，基于PCA的空調傳感器故障診斷效率與測得的數據質量有關，對此，文獻[7-8]分別提出采用小波變換法和自適應主元分析法剔除訓練矩陣中的異常數，提高數據質量，并分別取得了優于PCA的效果。
然而PCA以及改進的PCA在用于空調傳感器故障診斷中存在以下不足：
- ①PCA以及改進的PCA需要進行降維處理，在此過程中，會丟失一部分數據，不能保證數據的完整性，同時被舍棄的貢獻率小的主成分往往可能含有對樣本差異的重要信息；
- ②利用PCA以及改進的PCA進行傳感器故障診斷需要兩步才能完成，首先要根據平方預測誤差（Squared Prediction Error, SPE）判斷系統是否存在故障傳感器，然后需要對系統中各個被監測的傳感器讀數進行重構，才能定位發生故障的傳感器，若系統中包含多個傳感器，則需要做大量多余的工作，費時費力；
- ③在選取主元時，沒有有效的準則，主觀性較大；
- ④PCA以及改進的PCA需要計算協方差矩陣，計算量大，不適用于含有多個需要診斷的傳感器的空調系統。
長短期記憶網絡（Long Short-Term Memory，LSTM）是由SeppHochreiter和JürgenSchmidhuber于1997年針對循環神經網絡（Recurrent Neural Network, RNN）在處理非線性時間問題上存在梯度爆炸和梯度消失的問題[9]提出的一種時間遞歸神經網絡，由于網絡自身結構的特點，被廣泛應用于處理和預測高度時間相關、強耦合的事件。
文獻[10]將LSTM用于非結構化文本的故障分類。文獻[11]利用LSTM進行航空發動機的故障檢測，從而保證發動機正常運行。針對游客出行，為了使其制定適當的出行路線，文獻[12]提出采用LSTM進行短期交通狀況預測。文獻[13]利用LSTM進行風電場發電功率的超短期預測，并證明預測精度高于人工神經網絡。
結合LSTM的特點以及冷水機組傳感器讀數的規律，本文提出一種改進LSTM的深度學習方法用于冷水機組傳感器偏差故障診斷。該方法將傳感器故障檢測看作分類問題，不同故障傳感器對應于不同的類別，并將傳感器故障檢測、診斷合二為一，可以直接定位故障傳感器。最后利用風冷冷水機組實驗平臺采集數據，通過實驗，證明本文所提方法的有效性。
圖5 壓縮式制冷系統耦合特性
圖6 故障診斷流程
圖7 風冷冷水機組實驗平臺
結論
為了提高冷水機組傳感器偏差故障的檢測效率，本文結合LSTM在處理強耦合、高度時間相關性數據的優勢，提出一種改進的LSTM，用于冷水機組傳感器偏差故障的檢測，并通過采集數據進行實驗分析，最后將本文所提方法的檢測結果與自動編碼器、PCA、標準的LSTM三種方法的檢測結果進行比較，得出以下結論：
- 1）本文所提出的改進LSTM，對于不同類型的傳感器，整體檢測效率不同，就本文而言，對于壓力類傳感器的檢測效率要好于其他兩類傳感器。
- 2）對于同一傳感器相同大小、相同正負的偏差故障，本文所提方法的檢測效率高于自動編碼器、PCA、標準的LSTM三種方法，尤其對于閾值較小的偏差故障，本文所提方法的檢測效果明顯優于其他三種方法，在其他三種方法幾乎完全失效的情況下，本文所提方法仍能保持較好的檢測效率。
- 3）對于同一傳感器相同大小、不同正負的偏差故障，本文所提方法的檢測效率略有不同，能保持良好的對稱性，而其他三種方法均不能保持良好的對稱性。
- 4）本文所提方法具有良好的泛化能力，對于未經過訓練的故障，本文方法仍保持較高的檢測效率。
- 5）自動編碼器和PCA進行冷水機組傳感器故障檢測時，都需要對數據進行降維處理，這就必然導致原始數據的丟失，相對而言，改進的LSTM是對原始數據直接處理，保持數據的真實性以及完整性。
綜上所述，本文將冷水機組傳感器故障檢測問題當作分類問題處理，取得了較理想的效果，為今后傳感器故障的診斷與重構的研究提供了新思路。但本文在搭建LSTM選取參數時，采取手動遍歷的方式，缺少理論依據，并且浪費時間。后續可以進一步研究如何更有效、更有依據地選取LSTM全連接層數以及相關的參數，解決本文所提的問題。
