SCI论文（www.lunwensci.com）
摘 要 ：当前空调传感器故障诊断节点设置一般为独立目标式, 诊断的覆盖范围较小, 导致传感器故障诊断单元耗时延 长。为此提出对基于小波神经网络的空调传感器故障诊断方法的设计与验证分析。根据当前测定,先进行故障特征提取,采用 多阶的方式,扩大诊断的覆盖范围,部署多阶的诊断节点,以此为基础,设计小波神经网络空调传感器故障诊断模型,采用 局部重叠逼近的方式来实现故障诊断处理。测试结果表明 ：对比于传统基于 t-SNE 降维和 KNN 算法空调传感器故障诊断测试 组、传统 MMD 迁移学习空调传感器故障诊断测试组,此次所设计的小波神经网络空调传感器故障诊断测试组最终得出的传感 器故障诊断单元耗时均被控制在 0.25s 以下,说明在小波神经网络技术的辅助下,当前对于传感器故障诊断的效率明显提升, 针对性增大,误差可控,具有实际的应用价值。
A Fault Diagnosis Method for Air Conditioning Sensors Based onWavelet Neural Network
CAO Hua
(Suzhou University, Suzhou Jiangsu 215005)
【Abstract】：Currently, the setting of fault diagnosis nodes for air conditioning sensors is generally independent target type, with a small diagnostic coverage, resulting in an extended time consumption for sensor fault diagnosis units. This paper proposes the design and validation analysis of a fault diagnosis method for air conditioning sensors based on wavelet neural networks. Based on the current measurement, fault feature extraction is carried out first, and a multi-stage approach is adopted to expand the coverage of diagnosis. Multi stage diagnostic nodes are deployed. Based on this, a wavelet neural network fault diagnosis model for air conditioning sensors is designed and designed, using local overlap approximation to achieve fault diagnosis processing. The test results show that compared to the traditional t-SNE dimensionality reduction KNN algorithm for air conditioning sensor fault diagnosis test group and the traditional MMD transfer learning air conditioning sensor fault diagnosis test group, the time consumption of the sensor fault diagnosis unit ultimately obtained by the designed wavelet neural network air conditioning sensor fault diagnosis test group is controlled below 0.25 seconds, indicating that with the assistance of wavelet neural network technology, the current efficiency of sensor fault diagnosis has significantly improved, with increased specificity and controllable errors, which has practical application value.
【Key words】：wavelet technology;neural network;air conditioning sensor;fault identification;fault diagnosis; diagnostic methods
0 引言
传感器是空调自动化测试与定向控制系统中最为关键 且重要的一个组成部分,直接影响到后续空调的实际应用 效果,对于日常的运行也存在较大的影响。当前,较多的 工程在安装空调传感器时,安装的流程及方式并不规范,再加上现场环境复杂, 较容易出现不可控的传感器故障问 题,例如,阻值不稳定、控制信号不清晰、设备本身元件 损坏、脱落等。这些问题均会给处于稳定运行的传感器造 成阻碍,严重的甚至会出现关联性的故障问题,增加诊断 的难度,为缓解上述问题,且确保诊断结果的真实,相关人员设计了对应的诊断方法,参考文献 [1] 和文献 [2],设 定传统基于 t-SNE 降维和 KNN 算法空调传感器故障诊断 方法、传统 MMD 迁移学习空调传感器故障诊断方法,这 一类诊断形式虽然可以完成预期的诊断任务, 但是缺乏 针对性和稳定性,较容易受到外部环境及特定因素的影 响 [3]。此外,传统故障诊断方式多为单向,维护诊断效率 较低,时间延长,这也是导致最终诊断结果不精准的重要 原因之一。为此提出对基于小波神经网络的空调传感器故 障诊断方法的设计与验证分析, 所谓小波神经网络技术 (Wavelet Neural Network, WNN), 主要指的是在小 波分析的基础之上,所设计的一种人工神经网络,将其 与空调传感器故障诊断工作相融合,进一步扩大实施的 诊断范围,设计更加灵活、多变的诊断结构,从多个角 度强化诊断的能力,完善诊断的环节,推动传感器故障 诊断技术迈入一个新的发展台阶 [4]。
1 设计空调传感器小波神经网络故障诊断方法
1.1 故障特征提取及多阶诊断节点部署
一般来说,导致空调传感器故障的因素有很多,例 如,氧化、阻值过高或过低、温度不均衡等,但是每一 种故障都会形成对应的故障特征,结合小波神经网络技 术,进行单元故障特征的提取 [5]。首先,标定传感器在 正常状态下的瞬变情况,测算出空调的运行频率,作为 特征提取的比对标准,在周期之内, 一旦空调传感器出 现问题,对其进行小波分解处理,测算出故障分解系数, 一般控制在 3.2~4.5 之间为最佳 [6]。当传感器异常时,依 据信号的变动,计算出削减阈值,具体如公式(1)所示 ：
公式(1)中, K 表示削减阈值, δ 表示个干扰系数, ω 表示信号波动特征值, τ 表示单元特征向量, ϑ表示 覆盖特征提取范围。结合当前的测定,实现对削减阈值 的计算。针对削减阈值的变动,便可以反映故障信号的 阶段变化,从而获取故障特征向量值。以此为基础,布 设多阶的故障识别节点 [7]。节点的设置采用交叉式,在 传感器上及周围的装置中安装一定数量的节点,位置并 不固定,较为随机交叉,节点之间建立联系,形成循环 性的故障识别结构,营造基础的诊断环境 [8]。
1.2 设计小波神经网络空调传感器故障诊断模型
针对当前空调传感器的运行状态,结合小波神经网 络技术,设计空调传感器故障诊断模型。利用设置的节 点获取周期之内的空调运行数据、信息,依据提取的故 障特征,构建小波包,并对其进行诊断分解。
按照二进制变化形式,测算出传感器高频频率与低 频频率之间的运行差,测算出故障识别及诊断分辨率。接下来,结合故障特征的变化,自适应选择与之匹配诊 断频带,分三层进行小波包故障诊断模型的分解,具体 原理如图 1 所示。
根据图 1.实现对故障诊断模型小波包分解原理的 分析。图 1 中 X 为异常位置, Q1 和 Q2 分别为小波包 的分解诊断结果,三层小波包分解结构可以进一步定位 空调传感器的异常区域和具体的点位,获取实时的异常 数据和信息,强化模型故障诊断能力的同时,确保测试 结果的真实与可靠。
1.3 局部重叠逼近是故障诊断处理
局部重叠逼近实际上是针对故障诊断模型处理过的 结果进行二次解析的一种诊断修正方式。可以先测定出 当前的小波基函数,标定出局部重叠识别诊断的位置, 剔除对应的区间,对剩余的传感器位置进行逼近处理, 具体结构如图 2 所示。
依据图 2.完成对局部重叠逼近故障诊断结构的设计。 结合此次顺序,对当前的结果做出处理,强化空调故障 诊断结果的真实性与可靠性,完成故障诊断任务的处理。
2 方法测试
结合实际的测定要求,本次主要是对基于小波神经 网络的空调传感器故障诊断方法的应用效果进行分析与 验证研究,考虑到最终测试结果的真实性与可靠性,采 用比对的方式展开分析,参考文献设定传统基于 t-SNE 降维和 KNN 算法空调传感器故障诊断测试组、传统 MMD 迁移学习空调传感器故障诊断测试组以及此次所 设计的小波神经网络空调传感器故障诊断测试组。根据当前测定需求及标准的变化,对最终得出的测试结果比 照研究,接下来,就进行测试环境的搭建。
2.1 测试准备
针对当前的测试,随机选定 G 区域中的 6 户空调 进行测试与验证。一般来说,空调传感器故障的类型较 多,可以利用专业的设备及装置,明确传感器的覆盖范 围,并在传感器的附近部署一定数量的监测节点。需要 注意的是,同区域节点之间最好建立联系,形成搭接, 便于后续数据、信息的传输与转换。接下来,结合小波 神经网络技术,以信号为引导,设计多层级的分解诊断 结构。可以先计算出三层小波包分解提取的传感器故障特征向量,具体如公式(2)所示 ：
公式(2)中 ：S 表示传感器故障特征向量, α 表示 向量长度, u 表示提取频次, ℑ1 和ℑ2 分别表示预设传 感器识别范围和实际传感器识别范围, η 表示单元故障 识别距离, m 表示输入向量。将当前所计算得出的传感 器故障特征向量设置为后期诊断识别的基准。随即,以 此为基础,结合小波神经网络技术,进行基础诊断环境 的搭建,具体如表 1 所示。
结合表 1.实现对空调传感器故障诊断指标及参数 的设置。通过小波神经网络技术,对所测试的空调传感 器进行协同覆盖控制,形成一个多维同频的控制测试程 序,完成对基础测试环境的搭建,接下来,进行具体的 验证及研究。
2.2 测试过程及结果分析
在上述搭建测试环境中,结合小波神经网络技术, 对选定的空调传感器进行故障诊断测试。可以先利用部 署的节点进行基础性数据、信息的采集,设置定向的测 试周期,每个周期 7 天,共设置 6 个周期,周期之内对 空调的运行状态进行测定。接下来,构建三维虚拟的故 障测试指令,利用主控系统下达,随即发送到定点的空 调之中。此时,集合小波神经网络技术,对当前空调传 感器在正常运行和故障状态下的信号波动情况,这部分从时域和频域两方面进行比对分析,如图 3 所示。
根据图 3.完成对时域和频域传感器故障信号的识 别与分析。接下来,诊断当前空调的运行状态,对传感 器的故障类型进行识别与异常位置标定,此时可以依据 小波神经网络技术,通过传感器的瞬时状态来判定诊断 故障情况,并对故障位置的信号进行分解处理,获取对 应的异常数据、信息。完成上述的测定之后,接下来, 测算出传感器故障诊断单元耗时,如公式(3)所示 ：
公式(3) 中 ：M 表示传感器故障诊断单元耗时, n 表示传感覆盖范围, b 表示可控单元转换值, ϖ 表示故 障异常区域, x 表示重复诊断位置, π 表示信号转换差值, g 表示瞬态偏差。结合当前测定,实现对测试结果的分 析,如图 4 所示。
根据图 4.完成对测试结果的分析 ：对比于传统基 于 t-SNE 降维和 KNN 算法空调传感器故障诊断测试 组、传统 MMD 迁移学习空调传感器故障诊断测试组 以及此次所设计的小波神经网络空调传感器故障诊断测 试组,最终得出的传感器故障诊断单元耗时均被控制在 0.25s 以下, 说明在小波神经网络技术的辅助下, 当前 对于传感器故障诊断的效率明显提升,针对性增大,误 差可控,具有实际的应用价值。
3 结语
综合上述分析,便是对基于小波神经网络的空调传 感器故障诊断方法的设计与验证分析,与初始的空调传 感装置故障诊断形式相比对,此次结合小波神经网络技 术,所设计的故障诊断形式更加灵活、稳定,自身更具 有较强的针对性,结合不同的传感器应用环境,第一时 间提取传感器存在的问题,设计对应的故障诊断方案, 最大程度缩短实际的诊断时间,提升整体的诊断效率。 与此同时,结合小波神经网络技术,解析故障诊断的时 频特性,反应传感器的瞬态变化,以此来调整诊断的方 向,获取更真实的诊断数据,使其训练诊断速度更快, 实践应用更为便捷。
参考文献
[1] 邰朋,宋苗苗,王波,等.基于t-SNE降维和KNN算法的波浪传 感器故障诊断方法[J].山东科学,2023.36(04):1-9.
[2] 高彤,盛蔚,尹艳召,等.基于MMD迁移学习的MEMS惯性 传感器故障诊断方法[J].太原科技大学学报,2023.44(02):97- 104+110.
[3] 胡丰.基于能耗分析及向量机回归的隧道施工管片调运系统 传感器故障诊断方法[J].中国新技术新产品,2023(06):73-75.
[4] 高运广,蔡艳平,盛安.基于模糊AGA-KPCA的MIMU传感器 故障诊断方法[J].中国惯性技术学报,2022.30(06):835-840.
[5] 王志福,罗崴,闫愿,等.基于GAPSO-FNN神经网络的锂离 子电池传感器故障诊断[J].储能科学与技术,2023.12(02):602- 608.
[6] 姜付杰,孙玉玺,张旭东,等.基于相电流算法的磁浮直线同步 电机电流传感器故障诊断[J].大电机技术,2022(06):21-26+31.
[7] 洪琳,李冬辉,高龙,等.软阈值时序卷积网络在冷水机组传 感器故障诊断中的应用[J].西安交通大学学报,2023.57(02):67- 77.
[8] 张红,石峰豪,陈苏坤.基于免疫算法的暖通空调系统传感器 故障诊断研究[J].机械制造与自动化,2022.51(02):214-217.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/74740.html
