本发明属于制冷机组多传感器故障诊断技术领域，尤其是一种基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法。
背景技术：
随着经济社会的快速发展，能源短缺问题也日益加剧，节能降耗是我们不得不考虑的重要问题。建筑工程行业是高能耗行业，而暖通空调则是建筑行业中最耗能的设备之一，其中制冷机组是暖通空调的主要耗能部件。在许多公共建筑中，制冷机组的工作时间长，功率大，若制冷机组发生故障，则会导致能源的极度浪费，同时也会缩短机组的使用寿命。而在制冷机组中，所有传感器的读数是空调系统检测和控制的必要条件，准确的传感器读数是实现空调系统良好运行的重要条件。因此，制冷机组的多传感器故障诊断对于空调系统的稳定、安全、节能运行至关重要，准确、快速地检测出传感器故障不仅可以保证系统的安全，还可以降低能耗，延长空调系统使用寿命。
技术实现要素：
本发明的目的在于克服现有技术的不足，提出一种设计合理且能充分挖掘制冷机组多传感器动态特征的基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，包括以下步骤：
步骤1、将制冷机组传感器采集到的数据进行预处理，并分为不同组别，在不同组别中分别加入偏差故障，对应于每个传感器分别发生故障和所有传感器均不发生故障的情况。
步骤2、将所有组别的数据均进行归一化操作，并将归一化后数据转换成对应于不同故障情况的灰度图像，并设置相应标签。
步骤3、使用cnn对不同故障情况的灰度图像进行特征提取。
步骤4、基于cnn增添并行注意力机制支路，利用注意力机制模块提取图像的显著性特征，并将其输出数值约束在0-1之间。
步骤5、将cnn的输出特征与其对应注意力机制模块输出的显著性特征进行逐元素相乘。
步骤6、相乘得到的结果作为lstm的输入，通过lstm捕捉时序数据的时间相关性，最终输出分类标签。
所述步骤1中制冷机组传感器包含了7个温度传感器和4个压力传感器。
所述步骤2归一化操作为最大-最小归一化，并将结果映射到[0,255]之间，其公式为：
其中，signal′为归一化后的数据，max(signal)为样本数据的最大值，min(signal)为样本数据的最小值，signal为样本数据。round函数用来对数值进行四舍五入，这里不保留小数点后的位数。
所述步骤4增添注意力机制模块，模型可以获取更全面的上下文信息，从而学习到cnn输出特征中不同局部特征的重要程度，输出特征中重要的局部特征即反映了该局部对应的若干个传感器之间的数据相关性较强，对于该种比较重要的特征，通过注意力机制提高其影响程度，从而更好地提取输入图像中的特征，提高故障诊断任务的准确率。对于非重要特征，则降低其影响程度，抑制非重要特征对模型的干扰。
所述步骤6运用lstm来提取制冷机组传感器数据之间存在的数据相关性，挖掘传感器数据之间存在的时间依赖。同时lstm可以有效解决普通循环神经网络存在的梯度消失和梯度爆炸等问题。
本发明的优点和积极效果是：
本发明设计合理，本发明根据制冷机组多个传感器的时序数据，依据不同传感器之间存在的数据相关性和时间相关性，构建了基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断模型，可以快速、准确地对制冷机组多传感器发生的偏差故障进行检测和定位，避免能源浪费，延长了制冷机组的使用寿命。
附图说明
图1为本发明一种基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法流程图；
图2为本发明构建输入图像的示意图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
本发明的设计思想为：通过卷积神经网络提取不同传感器分别发生故障以及所有传感器均不发生故障的情况下对应的各类灰度图像的特征，同时在卷积神经网络的基础上增加并行的注意力机制模块，为提取的特征赋予合适的权值，增加重要特征的影响，抑制不重要特征的影响，深入刻画制冷机组不同传感器之间的动态数据相关性。同时，不同时间步下的传感器读数信息存在着时间依存关系，即传感器时序之间存在着动态的时间相关性，故将融合的输出特征作为lstm的输入，以此来捕获多传感器数据的时间相关性特征。该方法充分挖掘了制冷机组多传感器数据的数据相关性和时间相关性特征，可以快速、准确地对制冷机组传感器发生的偏差故障进行诊断。
一种基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，如图1所示，包括以下步骤：
步骤1、将制冷机组传感器采集到的数据进行预处理，并分为不同组别，在不同组别中分别加入偏差故障，对应于每个传感器分别发生故障和所有传感器均不发生故障的情况。
在本步骤中，制冷机组共有7个温度传感器和4个压力传感器。数据集共分为12个组别，每个组别包含了若干个时间步下所有传感器的数据。同时，各个温度传感器加入-1.2℃-1.2℃范围内的偏差故障，各个压力传感器加入-0.15mpa-0.15mpa范围内的偏差故障。故障诊断方法假设在同一时刻只有一个传感器发生故障。
步骤2、将所有组别的数据均进行归一化操作，并将归一化后数据转换成对应于不同故障情况的灰度图像，并设置相应标签。
在本步骤中，归一化操作为最大-最小归一化，并将结果映射到[0,255]之间。其公式为：
其中，signal′为归一化后的数据，max(signal)为样本数据的最大值，min(signal)为样本数据的最小值，signal为样本数据。round函数用来对数值进行四舍五入，这里不保留小数点后的位数。
每个灰度图像包含了15个时间步下所有传感器的数值，灰度图像构建方式如图2所示。
步骤3、使用cnn对不同故障情况的灰度图像进行特征提取。
在本步骤中，将不同组别的灰度图像以及对应标签输入cnn中进行特征提取，这里cnn采用了lenet-5的网络结构。
步骤4、基于cnn增添并行注意力机制支路，利用注意力机制模块提取图像的显著性特征，并将其输出数值约束在0-1之间。
在本步骤中，注意力机制模块的输入覆盖cnn的输入，且包含多于15个时间步下的所有传感器的数值，同时注意力机制模块的输出同cnn模块的输出维度保持一致，并通过sigmoid函数将其输出数值约束在0-1之间。
步骤5、将cnn的输出特征与其对应注意力机制模块输出的显著性特征进行逐元素相乘。
步骤6、相乘得到的结果作为lstm的输入，通过lstm捕捉时序数据的时间相关性，最终输出分类标签。
在本步骤中，将cnn的输出与注意力机制的输出逐元素相乘的结果输入到lstm中，lstm用来捕获不同时间步下的传感器读数信息存在的时间依存关系。最终通过全连接层和softmax分类器输出分类标签，实现故障诊断。
本发明未述及之处适用于现有技术。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
1.一种基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，其特征在于包括如下步骤：
步骤1、将制冷机组传感器采集到的数据进行预处理，并分为不同组别，在不同组别中分别加入偏差故障，对应于每个传感器分别发生故障和所有传感器均不发生故障的情况；
步骤2、将所有组别的数据均进行归一化操作，并将归一化后数据转换成对应于不同故障情况的灰度图像，并设置相应标签；
步骤3、使用cnn对不同故障情况的灰度图像进行特征提取；
步骤4、基于cnn增添并行注意力机制支路，利用注意力机制模块提取图像的显著性特征，并将其输出数值约束在0-1之间；
步骤5、将cnn的输出特征与其对应注意力机制模块输出的显著性特征进行逐元素相乘；
步骤6、相乘得到的结果作为lstm的输入，通过lstm捕捉时序数据的时间相关性，最终输出分类标签。
2.根据权利要求1所述的基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，其特征在于，步骤1中，制冷机组传感器包括温度传感器和压力传感器。
3.根据权利要求1所述的基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，其特征在于，在步骤2中，归一化操作为最大-最小归一化，并将结果映射到[0,255]之间，其公式为：
其中，
4.根据权利要求1所述的基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，其特征在于，在步骤4中，增添注意力机制模块，模型可以获取更全面的上下文信息，从而学习到cnn输出特征中不同局部特征的重要程度，输出特征中重要的局部特征即反映了该局部对应的若干个传感器之间的数据相关性较强，对于该种比较重要的特征，通过注意力机制提高其影响程度，从而更好地提取输入图像中的特征，提高故障诊断任务的准确率；对于非重要特征，则降低其影响程度，抑制非重要特征对模型的干扰。
5.根据权利要求1所述的基于注意力机制的cnn-lstm制冷机组传感器偏差故障诊断方法，其特征在于，在步骤6中，运用lstm来提取制冷机组传感器数据之间存在的数据相关性，挖掘传感器数据之间存在的时间依赖，同时lstm可以有效解决普通循环神经网络存在的梯度消失和梯度爆炸等问题。
技术总结