基于联邦学习的统一化暖通空调系统故障检测方法与流程

1.本发明涉及故障检测技术领域，具体涉及一种基于联邦学习的统一化暖通空调系统故障检测方法。


背景技术：

2.随着工业的进一步发展，现代化的工业产业园正在逐步代替传统工业园。暖通空调系统（hvac）是现代工业产业园中的必不可少的一部分。根据特定的季节和天气，全世界的暖通空调系统的能源消耗比例通常在40%-60%之间。随着工业水平的不断提高，这一比例还会继续增大。
3.暖通空调系统内部结构复杂，主要由冷水机组（chiller）和空气处理机组（ahu）两个子系统构成。暖通空调系统的各种故障导致了巨大的能源浪费。人工手动检测和诊断这些故障的时间成本和经济成本通常很高。为了减少能源和人力成本的浪费，需要一种准确的检测和诊断暖通空调系统故障的方法。
4.工业数字化让原本冷冰冰的机器变成了许多有意义的数据。在这些数据的基础上，暖通空调系统故障检测与诊断方法大量涌现。现有的故障检测与诊断方法，如支持向量机（svm）、贝叶斯网络（bn）、主成分分析（pca）、极端学习机（elm）、基于树形结构的方法和极端梯度提升（xgboost）等。但现有的暖通空调系统故障检测与诊断方法都只能应用于一个故障等级。使用某个严重程度的故障数据训练模型，然后通过模型检测同样严重程度的故障，没有将多等级故障数据充分利用。对于早期轻微等级的故障，大部分现有的方法表现并不是很好。且仅限于单独探索冷水机组或者空气处理机组中的其中一个系统，使用来自一个系统的数据训练模型，然后检测和诊断该组件中的故障，并不能进行跨系统的故障检测与诊断。


技术实现要素：

5.本发明以突破现有方法存在的难以对暖通空调系统进行多等级故障检测与诊断，难以发现早期轻微等级故障，且无法跨系统进行故障检测与诊断的局限性为目的，提供了一种基于联邦学习的统一化暖通空调系统故障检测方法。
6.为达此目的，本发明采取以下技术方案：提供一种基于联邦学习的统一化暖通空调系统故障检测方法，包括步骤：s1，各客户端获取各暖通空调系统的故障数据；s2，各所述客户端基于获取到的所述故障数据在本地训练由中央服务器发送的作为通用模型的cnn神经网络模型，并将训练后的通用模型参数发送给所述中央服务器；s3，所述中央服务器聚合各客户端发送的通用模型参数，生成全局故障检测模型参数并发送给各客户端；s4，各所述客户端根据接收到的所述全局模型参数继续利用本地的所述故障数据重复训练所述通用模型，直至全局故障检测模型收敛，模型训练结束。
7.作为优选，步骤s4后还包括步骤：s5，将完成训练的所述全局故障检测模型部署在各所述客户端，各所述客户端将获取到的暖通空调系统运行数据输入到所述全局故障检测模型中，模型预测输出暖通空调系统的故障类型。
8.作为优选，用于诊断所述暖通空调系统故障的所述暖通空调系统运行数据包括暖通空调系统的冷水机组特征数据，和/或空气处理机组特征数据。
9.作为优选，基于svc的嵌入式特征选择技术（eifs）从冷水机组数据集中的65个特征中选择8个冷水机组特征数据作为用于诊断所述暖通空调系统故障的基础数据，8个所述冷水机组特征数据分别为：供油压力、冷凝器接近温度、蒸发器阀门位置、油管压力差、冷凝器水流速、蒸发器水流速、冷凝温度、热平衡公差。
10.作为优选，通过成本敏感的顺序特征选择（cssfs）算法从ahu数据集中的102个特征中选择8个空气处理机组特征数据作为用于诊断所述暖通空调系统故障的基础数据，8个所述空气处理机组特征数据分别为：供应风扇功率、供应空气流量、返回空气流量、供应空气温度、混合空气温度、室外空气温度、加热水盘管排出的空气温度、冷却盘管负荷。
11.作为优选，冷水机组的故障类型包括7种，分别为f1（cf）、f2（eo）、f3（ncr）、f4（rcw）、f5（rew）、f6（rl）、f7（ro），每种故障类型划分为4个严重等级。
12.作为优选，每个所述客户端在本地使用冷水机组产生的不同严重等级的相同或不同的所述故障数据训练所述通用模型。
13.作为优选，每个所述客户端在本地使用冷水机组产生的相同严重等级的不同的所述故障数据训练所述通用模型。
14.作为优选，每个所述客户端在本地使用冷水机组产生的不同严重等级的相同或不同的所述故障数据，和/或空气处理机组产生的所述故障数据训练所述通用模型。
15.作为优选，每个所述客户端在本地使用冷水机组产生的相同严重等级的不同的所述故障数据，和/或空气处理机组产生的所述故障数据训练所述通用模型。
16.作为优选，所述通用模型的网络结构包括输入层、隐藏层和输出层，所述输入层用于将所述暖通空调系统的故障数据输入给所述隐藏层，所述隐藏层对所述故障数据作特征卷积提取后，将提取到的数据特征输出给所述输出层作数据分类；所述隐藏层中包括卷积层和全连接层，所述卷积层用于提取所述故障数据的数据特征，所述全连接层用于整合所述卷积层提取的数据特征并输出给所述输出层。
17.作为优选，步骤s3中，使用fedavg算法进行参数聚合，具体方法通过如下公式（4）表达：其中是所述中央服务器在第轮联邦学习中聚合后发送给各所述客户端的所述全局故障检测模型参数；是客户端发送给所述中央服务器的所述通用模型参数；参数是用于训练全局故障检测模型的数据点总数；是客户端用于训练的数据点总数。
18.本发明具有以下有益效果：1、提出了一种新颖的联邦学习结构。将卷积神经网络（cnn）与联邦学习相结合，卷积神经网络作为通用模型，利用卷积神经网络强大的特征提取能力，为模型的训练提供更好地条件。联邦学习保证数据的私密性的同时，利用多方数据进行共同建模，提高模型的泛化能力。
19.2、利用联邦学习将不同严重等级的故障联合起来，提高了早期轻微故障等级的检测与诊断准确率。利用不同严重等级故障数据联合建模，使得完成训练的联合模型能够更好地应对早期轻微故障。
20.3、利用联邦学习进行跨领域故障检测与诊断，提高冷水机组轻微故障的诊断效果。使用冷水机组数据和空气处理机组数据联合建模，两个建模数据选择的特征不同，建模得到的联合模型能够同时检测冷水机组故障和空气处理机组故障，并且提高了冷水机组中轻微故障的诊断效果。
附图说明
21.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是本发明实施例提供的基于联邦学习的统一化暖通空调系统故障检测方法的实现步骤图；图2是本实施例采用的经结构改进后的卷积神经网络的层级结构图；图3是多层卷积内部结构图；图4是联邦学习框架图；图5是冷水机组内部结构图；图6是空气处理机组内部结构图；图7是7种不同方法对冷水机组不同类型故障的f1-score曲线对比图；图8是fl2冷水机组诊断结果示意图；图9是fl2空气处理机组诊断结果示意图。
具体实施方式
23.下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
24.其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
25.本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描
述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
26.在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
27.本发明实施例提供的基于联邦学习的统一化暖通空调系统故障检测方法，如图1所示，包括如下步骤：s1，各客户端获取各暖通空调系统的故障数据；s2，各客户端基于获取到的故障数据在本地训练由中央服务器发送的作为通用模型的cnn神经网络模型，并将训练后的通用模型参数发送给中央服务器；s3，中央服务器聚合各客户端发送的通用模型参数，生成全局故障检测模型参数并发送给各客户端；s4，各客户端根据接收到的全局模型参数继续利用本地的故障数据重复训练通用模型，直至全局故障检测模型收敛，模型训练结束；s5，将完成训练的全局故障检测模型部署在各客户端，各客户端将获取到的暖通空调系统运行数据输入到全局故障检测模型中，模型预测输出暖通空调系统的故障类型。
28.以下从相关网络算法选择和联合模型训练，以及模型性能评估两个方面对本实施例提供的方法如何实现对暖通空调系统的多等级和跨系统故障检测进行具体说明。
29.一、相关网络算法选择和联合模型训练1、本发明以图2所示的经网络结构改进后的卷积神经网络（cnn）作为联邦学习的通用模型。卷积神经网络最初用于图像处理。cnn的主要特点包括共享权重和稀疏连接。cnn中的权重共享有效地避免了算法的过度拟合，而稀疏连接则减少了训练参数的数量。cnn模型可以通过卷积很好地识别数据中的某些特征，然后在高层次上形成更复杂的信息。本发明中，cnn模型作为联邦学习的通用模型，如图2所示，该通用模型总体上分为三部分：输入层、隐藏层和输出层。cnn模型的隐藏层一般由卷积层、池化层和全连接层组成。卷积层和池化层用来提取高级特征，全连接层进一步整合特征用于输出层的分类。但由于暖通空调系统的数据维度较小，本实施例没有使用池化层进行下采样，通过减少池化层的应用，有利于提升故障检测的效率。
30.1.1卷积层卷积层（cl）是执行大部分计算的层。卷积层的目的是从输入数据中提取特征，它是继输入层之后的网络的第一层。卷积层由多个卷积核组成，用于计算不同的特征图。首先将输入与卷积核进行卷积，卷积结果使用激活函数来获得新的特征图。为了生成每个特征图，输入的所有空间位置共享卷积核。完整的特征图是通过使用几个不同的卷积核获得的，卷积公式可以表达为：
其中定义为输入，定义为第卷积层的第个神经元的偏置，是第层的第个神经元的输出，是第层的第个神经元到第层的第个神经元的核。conv1d代表执行一维卷积。
31.多层卷积之间的具体操作如图3所示，卷积中间层的输出为，可以将输入激活函数f(x)来表示。现在流行的激活函数有三种，即sigmoid 函数、tanh函数和整流线性单元(relu)。relu函数的具体表示为：其中是第层第个神经元的输入。relu 是一个分段线性函数，它将负部分标记为零并保留正部分。相对其他两种激活函数，relu函数具有加快学习速度和缓解梯度消失的优势。
32.1.2全连接层全连接层（fc）是卷积神经网络中的重要组成部分。在经过多个卷积层和池化层的堆积后，大部分的架构都会添加一个或者多个全连接层来进一步处理特征。全连接层将前一层中的所有神经元连接到当前层的每个神经元，然后使用非线性函数对特征图进行变换。
33.需要强调的是，本实施例中，由于暖通空调系统的数据维度较小，没有使用池化层进行下采样，而是全连接层直接将前一卷积层中的所有神经元连接到当前层的每个神经元，通过减少池化层的应用，提升了故障检测的效率。
34.1.3输出层输出层使用之前提取的特征进行最终决策。在故障检测与诊断的多分类问题中，归一化指数函数（softmax）由于其有效性已成为分类任务中最受欢迎的选择之一。softmax操作可以描述为：其中表示z属于类的概率，，表示所有种类数量；表示第类。
35.1.4联邦学习联邦学习是一种宏观的分布式学习。分布式学习将一个庞大的机器学习任务分成若干个较小的任务，然后将较小的任务分发到各个地方的设备上，使用多个设备来提高机器学习的效率。与传统的分布式学习相比，联邦学习不需要数据传输，保证了数据的私密性。
36.本发明对作为通用模型的cnn神经网络模型进行联邦学习的具体步骤如图4所示，具体步骤如下：第一步，中央服务器将通用模型发送给每个客户端。
37.第二步，每个客户端接收到中央服务器发送的通用模型，使用自己的私有数据训练模型，并更新模型的权重。为了使通用全局模型能够更好地被训练，本技术进行了数据特征的选择，具体选择方法在后续内容中说明。
38.第三步，经过训练的客户端将更新后的模型权重发送到中央服务器。因为每个客户端使用不同的私有数据进行模型训练，所以每个客户端上传的模型权重不同。
39.第四步，中央服务器从每个客户端接收更新后的权重，然后进行聚合操作，构建一个全局故障检测模型。
40.本实施例中，使用fedavg算法进行参数聚合：其中是中央服务器在第()轮通信中发送的更新权重，是客户端发送给中央服务器的权重。参数是用于训练全局故障检测模型的数据点总数，是客户端用于训练的数据点总数。
41.第五步，经过多次联邦学习后，全局故障检测模型逐渐收敛达到预期目标，中央服务器将训练好的全局故障检测模型发送给客户端。
42.第六步，客户端使用从中央服务器接收到的最新模型进行暖通空调的故障检测与诊断。
43.1.5特征选择目前，通过安装在暖通空调系统各个结构中的各类型传感器来获取暖通空调系统的运行状态。但由于传感器价格昂贵，大部分暖通空调系统生产厂商不会如实验中放置太多的传感器，通常仅在关键结构部分放置传感器以实现对关键部位的运行状态监测。因此，联邦学习中数据选择是否合理成为确保模型故障检测性能的关键。
44.本实施例中使用的冷水机组数据是由美国供热、制冷和空调工程师协会（ashrae）的rp-1043项目收集的。该项目收集了一个重约为90吨的离心式空调冷水机的故障数据。如图5所示，该项目在空调器的不同位置安装传感器，每10秒记录65个特征。这65个特征包括温度传感器（tca、twcd等）、阀门传感器（ve、vc等）、流速传感器（fwc、few等）和其他传感器数值。
45.本实施例中，重点研究了7个典型的冷风机故障，包括表1中所示的f1）冷凝器结垢（cf）、f2)过量油(eo)，f3)制冷剂不凝结(ncr)，(f4)冷凝器水流量减少(rcw)，f5)蒸发器水流量减少(rew)，f6)制冷剂泄漏(rl)和f7)制冷剂过量(ro)和正常情况。冷水机的各种故障分类如图5所示。每种故障类型分为4个严重等级，如表1所解释。
46.表1 七个故障的四个严重级别（级别从1到4）的定量测量本实施例中，基于svc的嵌入式特征选择技术（eifs）从冷水机组数据集中的65个特征中选择了如下表2中记载的8个特征作为表征冷水机组运行状态的特征数据：
表2 冷水机组8个重要特征数据本实施例中使用的空气处理机组数据集，由ashrae收集，项目编号为1312-rp。在该项目中，空气处理机组ahu的基本结构如图6，由送风风扇、回风风扇、排气风门、冷却线圈、加热线圈、线圈控制阀等部分组成。该项目使用了两台完全相同的ahu，其中一台ahu模拟故障发生的情况，另一台ahu模拟设备正常进行的情况。本实施例挑选了8种故障，并将该8种故障数据用作联合模型学习，8种故障类型具体如下表3中记载：表3 空气处理机组的8类故障本实施例中，通过成本敏感的顺序特征选择（cssfs）算法从ahu数据集中的102个特征中选择了如下表4中记载的8个特征作为表征空气处理机组运行状态的特征数据：表4 空气处理机组的8个重要特征数据二、全局故障检测模型性能评估2.1 fl1和fl2联邦学习实验本实施例提供的通用模型中采用如图2中所示的三层一维卷积结构。在第一个联邦学习实验（fl1）中，选择表2中记载的冷水机组的8个特征数据，并划分为四个故障级别的数据，然后在不同的客户端中训练不同故障级别的冷水机组数据。训练结束后，四个客户端训练的4个通用模型参数被传送到中央服务器进行汇总，中央服务器返回聚合后的参数再次进行训练。重复该操作，当全局故障检测模型收敛到期望值时，全局故障检测模型被发送
到4个本地客户端进行暖通空调系统的故障诊断。
47.在第二个联邦学习实验（fl2）中，使用冷水机组和空气处理机组数据进行联邦学习。为了验证联邦学习在跨领域故障检测和诊断中能力，将fl2分成四个部分。在特征选择和数据划分之后，空气处理机组数据分别与冷水机组的四个故障等级数据进行联合学习。例如，冷水机组某故障等级数据与空气处理机组数据在不同的客户端中进行训练，训练结束后，两个通用模型参数被传送到中央服务器进行聚合，中央服务器返回聚合后的全局模型参数再次进行本地训练。重复进行此操作直到全局故障检测模型收敛，然后使用全局故障检测模型进行故障检测与诊断。
48.2.2 评价指标目前对于深度学习模型通常采用准确率（accuracy）作为实验结果的评价指标，本实施例则采用了更为全面的指标f1-score，定义如下：score，定义如下：score，定义如下：其中precision被称为查准率。n
tp
是预测为阳性，实际上也是阳性的数量，n
fp
是预测为阳性，实际上也是阴性的数量。recall被称为查准率。n
fn
是预测为阴性，实际上也是阳性的数量。
49.2.3 fl1实验结果分析本技术将联合训练得到的全局故障检测模型（fed_cnn模型）与其他传统模型进行性能比较，包括cnn、长短期记忆网络（lstm）、嵌套长短期记忆网络（nlstm）、双向长短期记忆网络（bilst）、梯度提升机（lgbm）和循环神经网络（gru）。fed_cnn模型利用冷水机组四个故障等级的数据进行联合建模，可以同时检测和诊断四个故障等级的故障。如下表5所示，fed_cnn在四个故障等级的故障检测和诊断中表现良好。在故障等级1（level_1）中，fed_cnn的f1-score为0.9052，是众多模型中唯一超过0.9的模型。fed_cnn在故障等级2（level_2)上的表现出人意料地好，比gru模型搞6%。基于联邦学习的全局故障检测模型在故障等级三（level_3)和故障等级四（level_4)中也表现良好，虽然没有达到最好的效果，但是和其他模型诊断效果相比差距不大，诊断效果都在0.99以上。
50.表5 7种不同方法对冷水机组故障检测与诊断的比较从图7中也可以看到不同方法对不同类型故障的检测效果。整体上看，四个故障等级中，exoil、refleak、refover这三个故障很难检测，尤其在轻微故障等级中。本实施例训练的全局故障检测模型在轻微故障等级中对这三个难以诊断的故障有着巨大的优势，在level3和level4中，本实施例提供的全局故障检测模型对这三个故障的诊断效果稍微逊色
于其他模型，这是因为联邦学习过程中进行权重聚合导致的。
51.2.4 fl2实验结果分析本实施例将冷水机组（chiller）四个故障等级数据分别与空气处理机组（ahu）数据联合建模，进行跨系统的联邦学习。在冷水机组方面，对冷水机组四个故障等级的检测和诊断效果并没有减少，设置略有提高。从图8中可以看出，用空气处理机组数据和冷水机组故障等级一数据进行联邦学习后，refover故障的诊断效果有了明显的提高，与传统cnn相比提高了14.4%，refleak和exoil两个故障的诊断效果提高了2%-4^%，其他故障的诊断效果也没有下降。在空气处理机组数据和冷水机组故障等级二数据进行联邦学习后，refover和refleak故障的诊断效果提高了约4%-7%。然而，对正常数据的检测发生了轻微的下降，约为1%。在冷水机组故障等级三和故障等级四种，联邦学习模型对单个故障的检测和诊断效果产生了轻微的下降，但每个故障的诊断效果都超过了0.99，整体故障检测效果与传统cnn模型相当。
52.在空气处理机组方面，从图9可以看出，经过联邦学习，f5的故障诊断效果下降最多，下降了约1.5%。对ahu数据和冷水机故障等级2数据进行联合学习后，f5的诊断效果也下降得最多，下降了约1.5%，其次是f8，下降了约0.8%。ahu数据和冷水机组四个故障等级数据进行联合学习后，整体故障诊断效果略有下降，约为0.3%-0.5%，但整体故障诊断效果仍保持在0.99左右，对实际应用影响不大。
53.需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本技术说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。