基于长短期记忆网络的空调机组故障诊断与风险评估

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.