(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111295840.1 (22)申请日 2021.11.03 (71)申请人 中国计量大 学上虞高等研究院有限 公司 地址 312000 浙江省绍兴 市上虞区曹娥街 道江西路2288号浙大网新科技园A1楼 401.402 申请人 中国计量大 学 (72)发明人 严珂　孙学腾　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 万尾甜　韩介梅 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/04(2020.01) G06F 111/10(2020.01) (54)发明名称 改进DRAGAN及数据驱动相结合的冷水机组 故障检测与诊断方法 (57)摘要 本发明公开了一种改进DRAGAN及数据驱动 相结合的冷水机组故障检测与诊断方法， 该方法 将带有条件的DRAGAN与基于数据驱动的冷水机 组故障检测方法相结合， 只使用少量的故障数据 就能完成冷水机组的准确故障检测与诊断。 现有 方法往往严重依赖于包含大量正常和故障数据 的平衡数据集。 然而， 在真实世界中， 故障数据的 收集比较困难， 因为故障通常会在短时间内修 复， 因此收集足够多的错误样 本来构建平衡的数 据集是比较困难的。 本发明使用提出的CDRAGAN 来生成故障样本， 以此来丰富训练集中的故障数 据。 并使用重新平衡的数据集来训练分类器， 进 行故障检测与诊断。 且通过 实验证实了本发明方 法在有限的错误训练样本下仍能实现较高的故 障检测与诊断准确率。 权利要求书1页 说明书6页 附图2页 CN 114021455 A 2022.02.08 CN 114021455 A 1.一种改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方法， 其特征在于， 包括： 人为的模拟典型的冷水机组故障， 并采集安装在冷水机组各个回路的传感器数值， 得 到传感器在各种故障情况 下运转的数据； 从每个故障中选出N个故障样本数据加上M个正常运转样本数据， 其中M大于100N， 组成 一个正常样本量与故障运转样 本量不平衡的故障检测训练数据集A1； 采用K个故障数据与K 个正常数据 组成故障检测测试数据集A2； 从每个故障中选出n个故障样本数据构成故障诊 断训练数据集a1， 采用k个故障数据作为故 障诊断测试数据集a2； 其中n与N同量级， k与K同 量级； 采用改进的DRAGAN即CDRAGAN对上述的数据 集A1中的故障数据进行扩充更新数据 集得 到A1’， 其为一个正常样 本量与故障运转样 本量平衡的故障检测训练数据集； 采用CDRAGA对 上述的数据集a1中的故障数据进行扩充， 更新得到数据集a1 ’； 采用数据驱动的冷水机组故障检测与诊断分类器， 用数据集A1 ’对检测分类器进行训 练， 并用数据集A2测试分类器的性能， 记录故障检测结果； 用数据集a1 ’对诊断分类器进行 训练， 并用数据集a2测试分类 器的性能， 记录故障诊断结果。 2.根据权利要求1所述的改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方 法， 其特征在于， 所述改进的DRAGAN为基于条件的DRAGAN， 即将DRAGAN的隐藏层采用卷积 层/反卷积层替代， 从而生成指定类型的数据。 3.根据权利要求2所述的改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方 法， 其特征在于， 改进的DRAGA N中采用卷积层/反卷积层 使得生成器接收噪音信号经过反卷 积层的训练最后输出指 定类型的故障数据， 判别器接收少量的真实的故障数据训练卷积层 以识别出生成器生成的假数据， 判别器与生成器相互竞争， 最终生成器生成的高质量故障 数据能骗过判别器， 训练完成。 4.根据权利要求1所述的改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方 法， 其特征在于， 所述的N取10～40， 所述的n取10～40 。 5.根据权利要求1所述的改进DRAGAN及数据驱动相结合的冷水机组故障检测与诊断方 法， 其特征在于， 所述的M取3 500， K与k均取 700。权　利　要　求　书 1/1 页 2 CN 114021455 A 2改进DRAGAN及数据驱动相结 合的冷水机组故障检测与诊断 方法 技术领域 [0001]本发明涉及故障检测领域、 数据增强领域， 更具体的说， 一种CDRGAN(Conditional   Deep Regret Analytic Generative  Adversari al Networks,带有条件的基于DRA的生成 对抗网络)数据生成方法与数据驱动的冷水机组故障检测与诊断分类 器相结合的方法。 背景技术 [0002]FDD(Fault  Detection  and Diagnosis,故障检测及诊断)， 主要目标是早期发现 故障并诊断故障产生的原因， 从而在系统出现额外的损坏或服务损失之前纠正故障。 这是 通过不断地监视系统的运行， 使用FDD来检测和诊断异常情况以及与之相关的故障， 然后评 估所检测到的故障的重要性， 并决定如何响应来实现的。 [0003]商业和住宅建筑能源消耗占全球总能源使用量的40％以上， 该能源主要由供暖、 通风和空调(HVAC)系统消耗。 在HVAC系统中， 冷水机组通常是最昂贵、 最消耗能源的设备。 当冷水机组发生故障时， 会缩短设备的使用寿命， 造成设备的能量损耗。 因此将FDD技术应 用于冷水机组对于降低维护和维修 成本、 减少停机时间， 提高舒适度以及较高的运行效率， 减少能源消耗至关重要。 [0004]在过去的几十年里， FDD 一直是一个 活跃的研究领域， 许多研究人员致力于开发各 种FDD方法， FDD在各个领域得到应用， 如汽 车、 航空航天、 制造以及冷水机组等。 在HVAC领域 中， 综述性文献将故障检测与诊断方法主要分为两大类:基于物理模型 的方法和基于数据 的方法。 在基于模型 的方法中， 需要利用冷水机系统的先验知识来识别实际测量值与参考 模型估计值之间的差异。 基于模型 的方法利用显式输入 ‑输出模型预测系统正常运行时的 期望行为， 对少量在线数据进行实时故障检测和诊断。 此外， 这种方法针对特定的故障建 模， 制定故障机制， 通常需要进 行广泛的实验和引进额外的输入和输出变量， 从而增加了联 机传感器的数量。 于是， 对于具有多输入、 多输出和多中间状态大型系统， 根据有关故障机 制的详细信息建立详细和可靠的模型 是复杂和耗时的。 [0005]随着人工智能与科技产品的发展， 特别是机器学习与深度学习的发展， 基于数据 驱动的故障检测与诊断方法越来越受到欢迎。 基于数据的故障检测与诊断方法也成功的应 用到HVAC的关键部件冷水机组上。 当有数据量足够并且故障数据与正常数据保持平衡时， 这些方法能取得令人满意的FDD结果。 然而， 在现实场景中， 故障通常会在短时间内进行修 复， 很难采集到足够的故障样 本数据。 这对于需要 大量的且 数量平衡的FDD方法来说是致命 的打击， 甚至会导 致模型的失效。 发明内容 [0006]为了解决上述问题， 本 发明提出了一种改进DRAGAN及数据驱动相结合的冷水机组 故障检测与诊断方法， 该方法将DRAGA N数据生成方法与数据驱动的冷水机组故障检测与诊 断分类器相结合,只使用少量的故障数据就能完成冷水机组的准确故障检测与诊断。说　明　书 1/6 页 3 CN 114021455 A 3