基于Inception-LSTM-Attention冷水机组传感器偏差故障诊断方法
在现代的工、商业及民用建筑中，制冷空调系统在调节室内温度和湿度方面发挥着重要的作用，冷水机组是制冷空调系统的核心组成部分，也是其主要耗能设备，冷水机组传感器负责实时监测系统性能及记录数据。
然而，在系统长期运行中，大多数传感器无法始终保持正常运行状态，不可靠的测量数据不仅会影响室内环境，也会导致不必要的能源浪费，因此，寻找一种有效的冷水机组传感器故障诊断方法对于保证制冷空调系统的正常运行有重要意义。
CNN其具有参数共享和稀疏连接的优点而被广泛应用于计算机视觉领域，CNN可以通过卷积、池化等操作从输入数据中提取特征，具有强大的特征提取能力，典型的CNN结构主要包括卷积层、池化层和全连接层。
卷积层的主要作用是对输入数据进行特征提取，卷积层中有多个卷积核，每个卷积核均以稀疏连接的方式遍历输入数据并进行卷积操作，后经过激活函数进行非线性映射得到输出特征图。
Inception块是SZEGEDY提出的一种新的神经网络结构，其核心思想是在同一个卷积层中设置多个通道来增加网络宽度，每个通道分别使用不同尺度的卷积核来对输入数据进行特征提收，本文使用结构如图所示的Inception模块。
Inception模块有两个特点：一是使用不同尺度的卷积核对输入数据进行卷积或池化操作，并最终在特征维度上进行拼接，多尺度的卷积核可以使提取到的特征更为丰富，增加了网络宽度，提高了网络对尺度的适应性。
二是每个通道都引入了1x1的卷积核，增加网络非线性能力的同时降低了计算的复杂程度。
LSTM是HOCHREITER等一对RNN训练时易出现的梯度消失和梯度爆炸问题所提出的一种改进模型，LSTM的主要特点是其引入了门控机制和细胞状态的概念，即通过门控机制来提高或降低信息到细胞状态的能力，有效克服了RNN处理长期依赖方面的不足。
本文提出一种将Inception块与融合注意力机制的LSTM结合的Inception-LSTM-Attention网络模型，以提高冷水机组传感器偏差故障的诊断准确率。
该模型充分利用Inception模块的多尺度特征提取能力挖掘冷水机组传感器序列的实时特征，同时利用融合注意力机制的LSTM学习传感器时序数据中存在的时间相关关系，最大化提取时序数据中的全局信息。
此外，在Inception-LSTM-Attention串行模型的基础上增加了跳跃连接支路缓解网络中存在的梯度消失问题，最终实现对冷水机组传感器的偏差故障诊断。
本文的实验数据集来自压缩式冷水机组实验平台，如图5所示，该实验平台主要包括压缩机、冷凝器、蒸发器、电子膨胀阀、主控柜以及读取冷水机组传感器数据的上位机等部分。
本文主要诊断10种冷水机组传感器的偏差故障，因冷水机组中多个传感器同时发生故障的概率极低，故本文只考虑同一时刻只有1个传感器发生故障的情况。
实验中，打开设备使其正常工作，每隔1min采集1次数据，剔除异常数据后共得到42416组数据，将数据按照顺序等分为11份，分别对应10种传感器发生故障和1种正常情况，并对各份数据进行标签化处理，同一标签下的数据按照4:1划分为训练集数据和测试集数据，数据集具体描述如表1所示。
根据各个传感器的精度，考虑到所加偏差故障应在传感器读数误差的允许范围之外，且偏差故障不宜过大，据此确定压力类、温度类各传感器的偏差故障拟合范围。
同时为保证实验结果的完备性，在各传感器的偏差故障拟合范用内设定相应的故障步长，使得各传感器在实验中均包含了多个不同程度的正负偏差故障，对各个传感器数据分别拟合偏差故障的具体情况如表2和表3所示，引入偏差故障后，采用Z-score标准化对数据集进行处理。
本文方法直接将经过偏差故障拟合并标准化处理后的冷水机组传感器数据作为网络模型的输入，利用Inception-LSTM-Attention模型进行端到端的故障诊断，避免了先验知识及人工特征提取等主观因素带来的局限性。
本文方法针对冷水机组中的各压力、温度传感器的偏差故障诊断平均准确率均在94%以上，且对于各压力传感器的较小偏差故障诊断准确率保持在88.5%以上，各温度传感器的较小偏差故障诊断准确率保持在87.6%以上，同时，对各传感器的正负偏差故障的诊断准确率均有较好的对称性。
本文方法将Inception模块与融合注意力机制的LSTM相结合，使模型不仅可以提取传感器时序数据的多尺度实时特征，还可以捕捉不同传感器存在的不同时间相关关系，同时增加注意力机制来提高时序特征中重要信息的影响程度，使得LSTM最终的输出综合了各个时间节点的输出，更好地保留了传感器时序数据的全局信息。
