基于Inception-LSTM-Attention的冷水機(jī)組傳感器偏差故障診斷方法

李冬輝，劉功尚，高龍

(天津大學(xué) 電氣自動化與信息工程學(xué)院，天津，300072)

在現(xiàn)代的工、商業(yè)及民用建筑中，制冷空調(diào)系統(tǒng)在調(diào)節(jié)室內(nèi)溫度和濕度方面發(fā)揮著重要的作用。冷水機(jī)組是制冷空調(diào)系統(tǒng)的核心組成部分，也是其主要耗能設(shè)備[1]。冷水機(jī)組傳感器負(fù)責(zé)實(shí)時監(jiān)測系統(tǒng)性能及記錄數(shù)據(jù)。然而，在系統(tǒng)長期運(yùn)行中，大多數(shù)傳感器無法始終保持正常運(yùn)行狀態(tài)，不可靠的測量數(shù)據(jù)不僅會影響室內(nèi)環(huán)境，也會導(dǎo)致不必要的能源浪費(fèi)[2]。因此，尋找一種有效的冷水機(jī)組傳感器故障診斷方法對于保證制冷空調(diào)系統(tǒng)的正常運(yùn)行有重要意義。

近年來，許多研究學(xué)者對制冷空調(diào)系統(tǒng)的傳感器故障診斷技術(shù)進(jìn)行了深入研究。其中，基于數(shù)據(jù)驅(qū)動的傳感器故障診斷方法取得了較大的進(jìn)展[3-6]。這類方法不需要建立精確的數(shù)學(xué)模型，也無需依賴專家經(jīng)驗與知識?；谥鞒煞址治?principal component analysis,PCA)的傳感器故障診斷方法是一種常用的數(shù)據(jù)驅(qū)動方法。張弘韜等[7]結(jié)合PCA 算法的原理給出了以Q 統(tǒng)計量、Q 貢獻(xiàn)率為檢驗標(biāo)準(zhǔn)的傳感器故障檢測和診斷流程，然后引入不同類型的傳感器故障，分析得到不同故障條件下的故障檢測和診斷特性。LI等[8]將密度聚類算法與PCA 相結(jié)合，用于冷水機(jī)組傳感器故障檢測與診斷，提高了故障檢測與診斷的靈敏度與可靠性。HU 等[9]提出了一種自適應(yīng)PCA 的方法并將其用于冷水機(jī)組傳感器故障檢測策略中，提高了冷水機(jī)組傳感器在微小故障下的故障檢測準(zhǔn)確率。然而，PCA 的方法對服從高斯分布的數(shù)據(jù)的特征提取效果較為明顯，但冷水機(jī)組系統(tǒng)的多變量數(shù)據(jù)具有非高斯性，同時其數(shù)據(jù)間具有非線性關(guān)系，在一定程度上限制了PCA 在冷水機(jī)組傳感器故障診斷中的應(yīng)用。

深度學(xué)習(xí)技術(shù)因其具有處理大量數(shù)據(jù)并能夠從數(shù)據(jù)中有效提取特征的能力而被廣泛應(yīng)用于傳感器故障診斷領(lǐng)域[10-11]。 卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)是深度學(xué)習(xí)中的一種常用方法，其能有效地提取數(shù)據(jù)中的深層特征。吳耀春等[12]將多傳感器振動信號轉(zhuǎn)換成多傳感器特征面集合并將其作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入，利用深度卷積網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)對多通道特征面的自適應(yīng)層級化融合與提取，最終由分類器輸出診斷結(jié)果。WEN 等[13]將傳感器信號轉(zhuǎn)換為二維圖像并將其作為LeNet-5 網(wǎng)絡(luò)的輸入，利用LeNet-5 網(wǎng)絡(luò)提取轉(zhuǎn)換后的二維圖像的特征，避免了手工選取特征，有效提高了傳感器故障診斷的準(zhǔn)確率。

長短時記憶網(wǎng)絡(luò)(long short-term memory,LSTM)是深度學(xué)習(xí)技術(shù)中另一種重要的方法，作為循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的一種變體，LSTM可以較好地提取數(shù)據(jù)中存在的時序特征，同時其特殊的門控結(jié)構(gòu)可以在一定程度上解決RNN中的梯度消失問題。GAO等[14]將雙向LSTM和典型相關(guān)分析相結(jié)合，該方法能夠自動從冷水機(jī)組系統(tǒng)原始運(yùn)行數(shù)據(jù)中提取非線性特征和時間特征，然后通過設(shè)計殘差生成器來生成方向殘差向量，并通過累積殘差向量法提高了傳感器故障的可檢測性。LEI等[15]提出一種基于LSTM的端到端的故障診斷框架，利用LSTM直接從多元時間序列數(shù)據(jù)中學(xué)習(xí)特征，通過LSTM的門控機(jī)制捕獲長期依賴關(guān)系，結(jié)果表明，該方法能夠有效地對多個傳感器采集的原始時間序列信號進(jìn)行故障診斷。

針對以上2種方法的特點(diǎn)，許多學(xué)者考慮將兩種方法相結(jié)合用于傳感器故障診斷。XU等[16]將多個傳感器采集到的信號轉(zhuǎn)換成多通道圖像，然后利用CNN對圖像進(jìn)行特征提取與融合，后將CNN輸出的特征輸入到LSTM中提取時間特征，最終輸出故障診斷結(jié)果。ZHAO 等[17]提出一種CNNBLSTM的模型，首先通過CNN提取局部特征，然后利用雙向LSTM提取時間依賴關(guān)系，研究結(jié)果表明該模型的性能優(yōu)于單一的CNN或LSTM的性能。

CNN 與LSTM 相結(jié)合的方法雖取得了一定程度的進(jìn)展，但仍存在一定的不足。首先，CNN 雖然可以提取傳感器數(shù)據(jù)的局部特征，但其卷積核尺度較為單一，且卷積核尺度的選取會影響故障診斷的效果。其次，該方法中LSTM最終的輸出僅依賴于最后時刻隱藏狀態(tài)的輸出，在輸入序列過長時存在丟失序列信息的問題，且傳感器時序數(shù)據(jù)中不同時間節(jié)點(diǎn)數(shù)據(jù)的重要程度常常不同，這使得LSTM的輸出結(jié)果無法較好地保留傳感器時序數(shù)據(jù)的全局信息。為解決上述問題，本文作者提出一種基于Inception-LSTM-Attention 的冷水機(jī)組傳感器偏差故障診斷方法，該方法通過Inception模塊提取冷水機(jī)組傳感器數(shù)據(jù)的多尺度實(shí)時特征，同時在LSTM 網(wǎng)絡(luò)中加入注意力機(jī)制，有效解決LSTM無法較好地保留傳感器時序數(shù)據(jù)全局信息的問題。該方法無需先驗知識與人工特征的提取，可以直接從冷水機(jī)組傳感器數(shù)據(jù)中提取特征信息，實(shí)現(xiàn)端到端的故障診斷。通過壓縮式冷水機(jī)組實(shí)驗平臺采集傳感器數(shù)據(jù)，并通過實(shí)驗驗證和對比分析驗證本文所提方法的有效性。

1 基本方法

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN 因其具有參數(shù)共享和稀疏連接的優(yōu)點(diǎn)而被廣泛應(yīng)用于計算機(jī)視覺領(lǐng)域。CNN 可以通過卷積、池化等操作從輸入數(shù)據(jù)中提取特征，具有強(qiáng)大的特征提取能力。典型的CNN 結(jié)構(gòu)主要包括卷積層、池化層和全連接層[18]。

卷積層的主要作用是對輸入數(shù)據(jù)進(jìn)行特征提取，卷積層中有多個卷積核，每個卷積核均以稀疏連接的方式遍歷輸入數(shù)據(jù)并進(jìn)行卷積操作，后經(jīng)過激活函數(shù)進(jìn)行非線性映射得到輸出特征圖。具體計算過程如下：

式中：f(x)為輸入x經(jīng)過激活后的輸出值。

池化層的作用是對卷積層的輸出進(jìn)行下采樣操作，主要包括最大池化和平均池化2種方式。池化操作一方面可以使提取到的特征更加抽象，過濾冗余信息，另一方面可以減少網(wǎng)絡(luò)參數(shù)，加快模型訓(xùn)練速度。本文采用最大池化方式，具體計算過程如下：

經(jīng)過多次卷積、池化操作后，通過全連接層將提取到的特征信息映射到輸入數(shù)據(jù)對應(yīng)的標(biāo)簽上，對于本文的多分類任務(wù)而言，可用Softmax分類器得到最終的分類結(jié)果。

1.2 Inception模塊

Inception模塊是SZEGEDY等[19]提出的一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其核心思想是在同一個卷積層中設(shè)置多個通道來增加網(wǎng)絡(luò)寬度，每個通道分別使用不同尺度的卷積核來對輸入數(shù)據(jù)進(jìn)行特征提取，本文使用結(jié)構(gòu)如圖1所示的Inception 模塊。Inception模塊有兩個特點(diǎn)：一是使用不同尺度的卷積核對輸入數(shù)據(jù)進(jìn)行卷積或池化操作，并最終在特征維度上進(jìn)行拼接，多尺度的卷積核可以使提取到的特征更為豐富，增加了網(wǎng)絡(luò)寬度，提高了網(wǎng)絡(luò)對尺度的適應(yīng)性；二是每個通道都引入了1×1的卷積核，增加網(wǎng)絡(luò)非線性能力的同時降低了計算的復(fù)雜程度。

圖1 Inception模塊結(jié)構(gòu)Fig.1 Structure of Inception module

1.3 長短時記憶網(wǎng)絡(luò)

LSTM是HOCHREITER等[20]針對RNN在訓(xùn)練時易出現(xiàn)的梯度消失和梯度爆炸問題所提出的一種改進(jìn)模型。LSTM的主要特點(diǎn)是其引入了門控機(jī)制和細(xì)胞狀態(tài)的概念，即通過門控機(jī)制來提高或降低信息到細(xì)胞狀態(tài)的能力，有效克服了RNN 處理長期依賴方面的不足。

LSTM 的結(jié)構(gòu)如圖2所示。圖2 中，“+”和“×”分別表示加法運(yùn)算和乘法運(yùn)算。LSTM單元模型包括遺忘門ft、輸入門it和輸出門ot。其中遺忘門的作用是將細(xì)胞狀態(tài)中的信息進(jìn)行選擇性遺忘，即決定上一時刻(t-1)的細(xì)胞狀態(tài)ct-1有多少保留到當(dāng)前時刻的細(xì)胞狀態(tài)ct中；輸入門負(fù)責(zé)更新細(xì)胞狀態(tài)，將新的信息選擇性地記錄在當(dāng)前時刻的細(xì)胞狀態(tài)ct中；輸出門則用來控制當(dāng)前時刻的細(xì)胞狀態(tài)ct輸出到LSTM 單元輸出值ht中的比例。LSTM單元的具體表達(dá)式如下：

圖2 LSTM結(jié)構(gòu)Fig.2 Structure of LSTM

式中：Wf，Wi，Wo和Wc分別為遺忘門、輸入門、輸出門、輸入單元狀態(tài)的權(quán)重；bf，bi，bo和bc分別為遺忘門、輸入門、輸出門、輸入單元狀態(tài)的偏置；ht-1為上一時刻的輸出；xt為當(dāng)前時刻的輸入；σ和tanh分別代表sigmoid函數(shù)和tanh函數(shù)。

1.4 注意力機(jī)制

注意力機(jī)制是受人腦思考問題時注意力資源分配機(jī)制的啟發(fā)而提出的一種深度學(xué)習(xí)方法，最初被用于自然語言處理領(lǐng)域[21]。人類大腦在思考問題時會將更多注意力集中在更為重要的區(qū)域，以獲取更多有價值的信息，而對于不重要的區(qū)域則加以抑制，排除無用信息的干擾。本文將注意力機(jī)制與LSTM相結(jié)合，通過給LSTM不同時間步的隱藏輸出分配不同權(quán)重系數(shù)的方式來提高重要信息的影響程度，降低非重要信息的干擾，最大化保留傳感器時間序列的全局信息，在一定程度上解決因輸入序列過長而存在的信息丟失問題。

2 基于Inception-LSTM-Attention的冷水機(jī)組傳感器偏差故障診斷方法

2.1 Inception-LSTM-Attention模型原理

本文提出一種將Inception 模塊與融合注意力機(jī)制的LSTM 相結(jié)合的Inception-LSTM-Attention網(wǎng)絡(luò)模型，以提高冷水機(jī)組傳感器偏差故障的診斷準(zhǔn)確率。該模型充分利用Inception 模塊的多尺度特征提取能力挖掘冷水機(jī)組傳感器序列的實(shí)時特征，同時利用融合注意力機(jī)制的LSTM學(xué)習(xí)傳感器時序數(shù)據(jù)中存在的時間相關(guān)關(guān)系，最大化提取時序數(shù)據(jù)中的全局信息。此外，在Inception-LSTM-Attention串行模型的基礎(chǔ)上增加了跳躍連接支路緩解網(wǎng)絡(luò)中存在的梯度消失問題，最終實(shí)現(xiàn)對冷水機(jī)組傳感器的偏差故障診斷。

2.2 Inception-LSTM-Attention模型結(jié)構(gòu)

本文提出的Inception-LSTM-Attention 模型結(jié)構(gòu)如圖3所示。將冷水機(jī)組各個傳感器采集到的數(shù)據(jù)進(jìn)行重構(gòu)，以重構(gòu)得到的二維數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸入。圖3中，輸入部分的表示第M個輸入樣本中第1 個時間步下第1 個傳感器的讀數(shù)信息。首先通過Inception 模塊對輸入樣本進(jìn)行多尺度的特征提取，Inception模塊因其自身包含了多個不同尺度的卷積核而可以自適應(yīng)地從輸入樣本中提取深層特征，一方面無需進(jìn)行人工特征的提取，避免了對專家知識和經(jīng)驗的依賴，另一方面采用不同尺度的卷積核對輸入進(jìn)行特征提取，可以最大化地提取故障數(shù)據(jù)中的特征。然后，將Inception模塊進(jìn)行特征提取后的結(jié)果輸入到LSTM中，提取不同傳感器存在的不同時間相關(guān)性，進(jìn)一步學(xué)習(xí)時序數(shù)據(jù)中存在的時間依賴關(guān)系。同時，在LSTM中加入注意力機(jī)制，給LSTM不同時間步的隱藏輸出賦予不同的權(quán)重，目的是讓LSTM最終的輸出綜合各個時間節(jié)點(diǎn)的輸出，提升重要信息的影響力，最大程度地保留時間序列的全局信息，使得最終的輸出結(jié)果不僅僅是依賴最后一個時間步的隱藏狀態(tài)。此外，本文在Inception-LSTM-Attention 串行模型的基礎(chǔ)上設(shè)計了跳躍連接支路，即將Inception模塊的輸出與LSTM-Attention的輸出在最終輸出前通過concat層進(jìn)行拼接，緩解網(wǎng)絡(luò)中存在的梯度消失問題。最終通過Softmax分類器輸出分類結(jié)果，實(shí)現(xiàn)故障診斷。

圖3 Inception-LSTM-Attention模型結(jié)構(gòu)Fig.3 Structure of Inception-LSTM-Attention model

2.3 基于Inception-LSTM-Attention 的冷水機(jī)組傳感器偏差故障診斷流程

圖4所示為基于Inception-LSTM-Attention的冷水機(jī)組傳感器偏差故障診斷流程，其診斷流程主要分為以下幾個步驟。

圖4 冷水機(jī)組傳感器偏差故障診斷流程Fig.4 Deviation fault diagnosis processes of chiller sensor

1)從壓縮式冷水機(jī)組實(shí)驗平臺中采集傳感器數(shù)據(jù)并進(jìn)行分組和標(biāo)簽化處理，各組分別對應(yīng)各個傳感器發(fā)生故障和無傳感器發(fā)生故障的正常情況。

2)將偏差故障引入除無故障組別外的各組數(shù)據(jù)中，并進(jìn)行Z-score標(biāo)準(zhǔn)化。同時按照4:1的比例將各組數(shù)據(jù)劃分為訓(xùn)練集和測試集。

3)初始化網(wǎng)絡(luò)參數(shù)，使用訓(xùn)練集對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，模型提取特征信息并通過反向傳播更新網(wǎng)絡(luò)參數(shù)。本文使用交叉熵函數(shù)作為模型訓(xùn)練的損失函數(shù)，其表達(dá)式如式(10)所示，并采用Adam優(yōu)化算法更新參數(shù)。

式中：yi與分別為第i個樣本的實(shí)際概率分布與預(yù)測概率分布；M為樣本數(shù)量；L為損失值。

4)判斷網(wǎng)絡(luò)訓(xùn)練次數(shù)k是否達(dá)到預(yù)先設(shè)定的迭代次數(shù)N，如果是，那么停止訓(xùn)練并保存模型，否則繼續(xù)訓(xùn)練。

5)將測試集數(shù)據(jù)輸入到已訓(xùn)練好的網(wǎng)絡(luò)模型中進(jìn)行故障診斷，輸出診斷結(jié)果。

3 實(shí)驗驗證與結(jié)果分析

3.1 實(shí)驗數(shù)據(jù)集

本文的實(shí)驗數(shù)據(jù)集來自壓縮式冷水機(jī)組實(shí)驗平臺，如圖5所示。該實(shí)驗平臺主要包括壓縮機(jī)、冷凝器、蒸發(fā)器、電子膨脹閥、主控柜以及讀取冷水機(jī)組傳感器數(shù)據(jù)的上位機(jī)等部分。本文主要診斷10 種冷水機(jī)組傳感器的偏差故障，因冷水機(jī)組中多個傳感器同時發(fā)生故障的概率極低，故本文只考慮同一時刻只有1 個傳感器發(fā)生故障的情況。

圖5 壓縮式冷水機(jī)組實(shí)驗平臺Fig.5 Experimental platform of compression chiller

實(shí)驗中，打開設(shè)備使其正常工作，每隔1 min采集1次數(shù)據(jù)，剔除異常數(shù)據(jù)后共得到42 416組數(shù)據(jù)。將數(shù)據(jù)按照順序等分為11份，分別對應(yīng)10種傳感器發(fā)生故障和1種正常情況，并對各份數(shù)據(jù)進(jìn)行標(biāo)簽化處理，同一標(biāo)簽下的數(shù)據(jù)按照4:1劃分為訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)。數(shù)據(jù)集具體描述如表1所示。

表1 實(shí)驗數(shù)據(jù)集Table 1 Data set of experiment

根據(jù)各個傳感器的精度，考慮到所加偏差故障應(yīng)在傳感器讀數(shù)誤差的允許范圍之外，且偏差故障不宜過大，據(jù)此確定壓力類、溫度類各傳感器的偏差故障擬合范圍。同時，為保證實(shí)驗結(jié)果的完備性，在各傳感器的偏差故障擬合范圍內(nèi)設(shè)定相應(yīng)的故障步長，使得各傳感器在實(shí)驗中均包含了多個不同程度的正負(fù)偏差故障。對各個傳感器數(shù)據(jù)分別擬合偏差故障的具體情況如表2 和表3所示。引入偏差故障后，采用Z-score 標(biāo)準(zhǔn)化對數(shù)據(jù)集進(jìn)行處理，Z-score標(biāo)準(zhǔn)化的公式如下：

表2 壓力類傳感器偏差故障擬合情況Table 2 Simulation of deviation fault of pressure sensor

表3 溫度類傳感器偏差故障擬合情況Table 3 Simulation of deviation fault of temperature sensor

式中：μ為數(shù)據(jù)的平均值，σ′為數(shù)據(jù)的標(biāo)準(zhǔn)差。經(jīng)過標(biāo)準(zhǔn)化處理后的數(shù)據(jù)均值為0，方差為1。

3.2 模型結(jié)構(gòu)參數(shù)

經(jīng)過多次傳感器故障診斷實(shí)驗并調(diào)整模型參數(shù)，得到最終的模型結(jié)構(gòu)參數(shù)。在本文提出的Inception-LSTM-Attention 模型中，輸入的維度為20×10，其中20 表示輸入樣本中包含的采樣點(diǎn)個數(shù)，10表示傳感器數(shù)量。Inception模塊中共有4個并行通道，分別對輸入進(jìn)行特征提取，其中卷積層的結(jié)構(gòu)參數(shù)(1，1，32)/(3，3，32)含義如下：首先通過1×1 的卷積核進(jìn)行特征提取(通道數(shù)量為32個)，后串行連接3×3的卷積核(通道數(shù)量為32個)；LSTM 的神經(jīng)元個數(shù)設(shè)置為200；最后加入全連接層，使用Softmax 激活函數(shù)實(shí)現(xiàn)對故障類別的映射，得到故障診斷結(jié)果。具體的模型參數(shù)如表4所示。表4 中，輸出尺寸(None，20，10，1)分別指圖像的批次、高度、寬度和深度。

表4 模型參數(shù)Table 4 Parameters of model

模型的訓(xùn)練設(shè)置如下：采用Adam優(yōu)化器優(yōu)化交叉熵?fù)p失函數(shù)，學(xué)習(xí)率為0.001，批次取值為64，使用dropout 抑制過擬合，且dropout 為0.4，迭代次數(shù)為20。

3.3 偏差故障診斷實(shí)驗結(jié)果與分析

3.3.1 模型訓(xùn)練過程

利用無傳感器發(fā)生故障和10 種傳感器分別發(fā)生故障的11 組數(shù)據(jù)進(jìn)行故障分類，驗證本文所提方法的有效性。圖6所示為Inception-LSTMAttention模型的訓(xùn)練過程。從圖6可以看出：隨著迭代次數(shù)的增加，模型在訓(xùn)練集的診斷準(zhǔn)確率逐漸增加，同時損失函數(shù)值逐漸減小；當(dāng)?shù)螖?shù)為15時，診斷準(zhǔn)確率和損失函數(shù)值趨于平穩(wěn)。

圖6 模型訓(xùn)練過程Fig.6 Model training process

3.3.2 模型測試結(jié)果與分析

模型訓(xùn)練完成后保存模型，并使用測試集來測試模型性能。

1)壓力類傳感器。壓力類傳感器得到的測試結(jié)果分別如表5、表6和圖7所示。

由表5、表6和圖7可知：P1～P4壓力傳感器的偏差故障診斷準(zhǔn)確率均隨著所加壓力偏差故障的增大而增大，且正負(fù)偏差故障的故障診斷準(zhǔn)確率有較好的對稱性。對于P1 和P4 的較小偏差故障(±0.02 MPa)，其故障診斷準(zhǔn)確率均在90.9%以上；對于P2和P3的較小偏差故障(±0.05 MPa)，其故障診斷準(zhǔn)確率均在88.5%以上。P1～P4壓力傳感器的偏差故障診斷平均準(zhǔn)確率分別為96.76%，95.21%，94.49%和96.59%，即本文提出的Inception-LSTMAttention模型能夠?qū)渌畽C(jī)組壓力類傳感器的偏差故障進(jìn)行有效診斷，且有較高的準(zhǔn)確率。

圖7 壓力類傳感器在不同壓力偏差故障下的故障診斷準(zhǔn)確率Fig.7 Fault diagnosis accuracy rate of pressure sensors under different pressure deviation faults

表5 P1和P4在不同壓力偏差故障下的故障診斷準(zhǔn)確率Table 5 Fault diagnosis accuracy rate of P1 and P4 under different pressure deviation faults

表6 P2和P3在不同壓力偏差故障下的故障診斷準(zhǔn)確率Table 6 Fault diagnosis accuracy rate of P2 and P3 under different pressure deviation faults

2)溫度類傳感器。溫度類傳感器得到的測試結(jié)果分別如表7～9和圖8所示。

圖8 溫度類傳感器在不同溫度偏差故障下的故障診斷準(zhǔn)確率Fig.8 Fault diagnosis accuracy rate of temperature sensors under different temperature deviation faults

由表7～9 和圖8 可知：T1～T6 這6 個溫度傳感器的偏差故障診斷準(zhǔn)確率均隨著所加溫度偏差故障的增大而增大，且正負(fù)偏差故障的故障診斷準(zhǔn)確率有較好的對稱性。對于T1，T5和T6的較小偏差故障(±0.3 ℃)，T3 和T4 的較小偏差故障(±1.0 ℃)以及T2的較小偏差故障(±1.5 ℃)，其故障診斷準(zhǔn)確率均在87.6%以上。T1～T6 這6 個溫度傳感器的偏差故障診斷平均準(zhǔn)確率分別為96.01%，98.54%，94.45%，94.28%，95.14%和96.95%，即本文提出的Inception-LSTM-Attention 模型能夠?qū)渌畽C(jī)組溫度類傳感器的偏差故障進(jìn)行有效診斷，且有較高的準(zhǔn)確率。

表7 T1，T5和T6在不同溫度偏差故障下的故障診斷準(zhǔn)確率Table 7 Fault diagnosis accuracy rate of T1,T5 and T6 under different temperature deviation faults

從壓縮式冷水機(jī)組的各壓力、溫度傳感器的偏差故障診斷結(jié)果來看，本文提出的Inception-LSTM-Attention模型可以對各傳感器不同程度的正負(fù)偏差故障進(jìn)行準(zhǔn)確、有效地診斷。Inception-LSTM-Attention模型因其強(qiáng)大的特征提取能力可以從壓縮式冷水機(jī)組傳感器數(shù)據(jù)中充分挖掘傳感器序列的多尺度實(shí)時特征及傳感器時序數(shù)據(jù)中存在的時間相關(guān)關(guān)系，并最終高效地完成故障診斷。

3.4 不同方法對比實(shí)驗

為驗證本文所提方法的可靠性，將本文方法與PCA，CNN，Inception和Inception-LSTM這4種方法進(jìn)行對比。其中CNN，Inception 和Inception-LSTM這3種方法的具體結(jié)構(gòu)參數(shù)如表10所示。

表10 不同方法結(jié)構(gòu)參數(shù)Table 10 Structure parameters of different methods

分別在相同的數(shù)據(jù)集上使用不同對比方法進(jìn)行傳感器偏差故障診斷實(shí)驗。

3.4.1 壓力類傳感器

壓力類傳感器得到的測試結(jié)果如表11所示。

表11 不同方法下壓力類傳感器偏差故障診斷準(zhǔn)確率Table 11 Deviation fault diagnosis accuracy rate of pressure sensors under different methods %

表8 T3和T4在不同溫度偏差故障下的故障診斷準(zhǔn)確率Table 8 Fault diagnosis accuracy rate of T3 and T4 under different temperature deviation faults

表9 T2在不同溫度偏差故障下的故障診斷準(zhǔn)確率Table 9 Fault diagnosis accuracy rate of T2 under different temperature deviation faults

3.4.2 溫度類傳感器

溫度類傳感器得到的測試結(jié)果如表12所示。

由表11 和表12 可知：對于壓縮式冷水機(jī)組中的各壓力、溫度傳感器，本文所提方法的傳感器偏差故障診斷準(zhǔn)確率均比其他4種方法的高，模型表現(xiàn)較為穩(wěn)定?；赑CA 的故障診斷方法需對輸入數(shù)據(jù)進(jìn)行降維處理，會在一定程度上丟失部分?jǐn)?shù)據(jù)信息。基于CNN 的方法僅包含單一尺度的卷積核，無法充分提取冷水機(jī)組傳感器數(shù)據(jù)的實(shí)時特征?；贗nception 模塊的方法雖有多尺度的卷積核，在一定程度上提高了網(wǎng)絡(luò)的特征提取能力，但卷積/池化結(jié)構(gòu)無法充分提取冷水機(jī)組傳感器數(shù)據(jù)中包含的時序特征?；贗nception-LSTM 的方法將Inception模塊的多尺度特征提取能力與LSTM的時序特征提取能力相結(jié)合，可以在一定程度上解決Inception 模塊中僅包含卷積/池化結(jié)構(gòu)而無法學(xué)習(xí)傳感器時序數(shù)據(jù)中存在的時間相關(guān)關(guān)系的問題，但該方法中LSTM的輸出僅依賴于最后時刻隱藏狀態(tài)的輸出，無法較好地保留時序數(shù)據(jù)中的全部關(guān)鍵信息。而本文所提方法則是在Inception-LSTM 模型的基礎(chǔ)上加入了注意力機(jī)制，使得LSTM最終的輸出綜合了各個時間節(jié)點(diǎn)的輸出，而不僅僅是依賴最后一個時間步的隱藏狀態(tài)，同時，注意力機(jī)制可以提高重要信息的影響程度，降低非重要信息的干擾。最終的對比實(shí)驗結(jié)果表明，本文提出的基于Inception-LSTM-Attention 的方法取得了最高的故障診斷準(zhǔn)確率，體現(xiàn)了所提方法的有效性及優(yōu)勢。

表12 不同方法下溫度類傳感器偏差故障診斷準(zhǔn)確率Table 12 Deviation fault diagnosis accuracy rate of temperature sensors under different methods

4 結(jié)論

1)本文方法直接將經(jīng)過偏差故障擬合并標(biāo)準(zhǔn)化處理后的冷水機(jī)組傳感器數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸入，利用Inception-LSTM-Attention 模型進(jìn)行端到端的故障診斷，避免了先驗知識及人工特征提取等主觀因素帶來的局限性。

2)本文方法針對冷水機(jī)組中的各壓力、溫度傳感器的偏差故障診斷平均準(zhǔn)確率均在94%以上，且對于各壓力傳感器的較小偏差故障診斷準(zhǔn)確率保持在88.5%以上，各溫度傳感器的較小偏差故障診斷準(zhǔn)確率保持在87.6%以上。同時，對各傳感器的正負(fù)偏差故障的診斷準(zhǔn)確率均有較好的對稱性。

3)本文方法將Inception 模塊與融合注意力機(jī)制的LSTM相結(jié)合，使模型不僅可以提取傳感器時序數(shù)據(jù)的多尺度實(shí)時特征，還可以捕捉不同傳感器存在的不同時間相關(guān)關(guān)系，同時增加注意力機(jī)制來提高時序特征中重要信息的影響程度，使得LSTM最終的輸出綜合了各個時間節(jié)點(diǎn)的輸出，更好地保留了傳感器時序數(shù)據(jù)的全局信息，充分刻畫了冷水機(jī)組傳感器數(shù)據(jù)中的復(fù)雜數(shù)據(jù)特征。本文方法在冷水機(jī)組各傳感器上的偏差故障診斷準(zhǔn)確率均比PCA， CNN， Inception 和Inception-LSTM這4種對比方法的高，模型表現(xiàn)比較穩(wěn)定。