使用1-D CNN和聚类分析的AHU传感器故障检测与诊断方法

抽象的

本文提出了一种故障检测和诊断（FDD）方法，它使用一维卷积神经网络（1-D CNN）和WaveCluster聚类分析来检测和诊断供气温度中的传感器故障（T._吃晚饭)空气处理装置的控制回路。该方法采用一维CNN从原始数据中提取人工引导的特征，并对提取的特征进行WaveCluster聚类分析。对传感器的可疑故障用簇表示并进行分类。此外,T._C为了进一步提高FDD的准确性，引入了无罪推定程序。在验证中，主要采用虚警率和漏诊率来验证所提FDD方法的有效性。结果表明，传感器的突变故障T._吃晚饭可以有效地检测和诊断控制回路，并且所提出的方法在6 dBm至13 dBm的噪声范围内配备了良好的鲁棒性。

1.介绍

随着人们对能源消耗和温室气体排放的日益关注，采暖通风空调(HVAC)在未来几十年将有持续的发展[1]。作为暖通空调(HVAC)中最重要的设备之一，空气处理机组(AHU)用于为不同要求的区域提供冷风或热风[2]。典型的ahu由多个子系统组成，包括许多传感器，控制器和执行器。任何硬件故障或控制器错误，如温度传感器故障和容错控制中的错误[3.-5.]，可能会导致空调系统出现异常，从而影响暖通空调系统的整体性能，从而对能耗、热舒适性和建筑维护成本产生负面影响[6.]。[7.]显示AHU的故障检测和诊断（FDD）的出版物占总出版物的42％，是最常见的应用方案。

软驱软件可以识别传感器、执行器和控制器等硬件的异常。故障检测阶段确定任何故障的存在，而故障诊断阶段详细描述问题的根本原因。一般来说，FDD方法可以分为三类[1那8.那9.]：基于模型，基于规则的和数据驱动方法。其中，数据驱动方法吸引了更多的关注，并成为HVAC领域中最受欢迎的FDD方法[7.]。与其他两种方法不同，数据驱动方法基于历史数据，不需要理论模型[9.-14]。此外，通过构建自动化系统（BAS）获取的大量运行数据可以为该方法提供足够的支持，这可以通过大数据技术进一步激发。

作为典型的数据驱动方法，人工神经网络（ANN）在AHU的FDD中显示出很大的优势。在早期状态下，开发了由模式残差培训的后传播神经网络（BPNN）[15]。训练有素的BPNN可以检测和诊断八个完整的故障。然后，专注于检测传感器的固定和漂移偏差，介绍了与小波分析相结合的BPNN的方法[16那17]，利用分形分析将小波分析与BPNN过程相结合，可以促进训练过程[18]。在上述方法中，利用训练良好的BPNN的分类功能对采集的数据进行分类，识别AHU的运行状态。

然而，在文献[]中并没有很好地考虑空调系统中各变量之间的相关性。16-18，可能会出现误报[17]。为了解决这个问题，研究了每个控制循环中的变量的相互关系，并且系统中的基本保护关系和模型被认为将变量分组[8.那19-21]。小波分析仍然用于预处理原始数据以消除令人不安的因素，而BPNN在每个变量组中播放了预测作用。

BPNN的应用证明了神经网络在AHU FDD中的有效性，如果利用一些性能更好的神经网络，可以获得更好的预测。重点研究送风温度传感器突发性故障的检测与诊断(T._吃晚饭本文将一维卷积神经网络(1-D CNN)与聚类分析相结合，提出了一种新的FDD方法。文中充分利用一维CNN的特征提取能力捕获测量中的异常，并将WaveCluster聚类与一维CNN紧密结合，完成初步的故障检测与诊断。提出的方法实现如下:(1)初步故障检测阶段:利用一维CNN从原始数据中提取特征，利用WaveCluster聚类分析进行聚类。然后，根据表示聚类的存在性确定可疑故障的存在性。(2)故障初步诊断阶段:通过分析表示聚类和参考子空间的相对位置，估计出可疑故障的原因。(3)候选故障确认:剔除可信度较低的可疑故障，生成最终的FDD结果。采用该方法，可以解决传感器的突发性故障T._吃晚饭AHU系统的循环可以有效，准确地检测和诊断，1-D CNN和WaveCluster聚类分析的高处理速度使得该方法适用于在线FDD。

2. ahu中的典型故障和变量

如图所示为典型的AHU1，室外空气是ahu的输入。首先，将室外空气提供给AHU并与循环空气混合，从多个区域反馈。然后，在通过冷却线圈之后，混合空气可以得到所需的温度。最后，提供所需温度的空气被提供给多个区域。在AHU系统中，阻尼器控制器用于调节空气流。由压力控制器控制的供应风扇用于调节空气供应量。由流量控制器控制的返回风扇调节返回空气的速度。供应空气的温度由温度控制器调节。

在本文中，我们专注于供应空气温度中存在的传感器故障（T._吃晚饭）控制循环，用图中的橙色划分的盒子突出显示1并详述2．考虑四种典型传感器：供应空气温度（T._吃晚饭）传感器，供水温度（T._WS.)传感器、回水温度(T._WR.）传感器和冷水流量（m_W.） 传感器。每个传感器或控制器的输出被认为是变量。在运行状态下，变量的变量规则描述如下。

2.1。正常情况

这T._WS.在正常情况下假定不变。通过比较设定温度T._吃晚饭对于被测量的一个，控制器输出一个命令C_W.调整水阀的开口，导致冷却水流量的变化m_W.在线圈中，因而是理想的T._吃晚饭可以实现。在这种情况下，所有变量都在没有突然变化的情况下滑波动。

2.2。有缺陷的情况

在本文中调查的传感器故障可分为两种类型，监控变量传感器的故障（T._WR.那T._WS.,或m_W.传感器）和受控变量传感器的传感器（T._吃晚饭传感器）。

2.2.1。情况1：监控变量传感器故障

监控变量传感器发生故障对PID调节没有影响。在这种情况下，异常仅出现在故障传感器的输出测量上。因此，所有变量都遵循与正常情况相同的变化规则，除了故障传感器的变量之外（T._WR.那T._WS.,或m_W.），在失败时刻突然变化。

2.2.2。情况2：受控变量传感器故障

可控可变传感器发生的故障要复杂得多。通过反馈控制行动，两者T._吃晚饭其相关变量覆盖有偏差。取得积极偏见T._吃晚饭传感器故障为例。已知测量，真实和期望的值T._吃晚饭正常情况下是一样的。一旦T._吃晚饭传感器出现故障时，测量值为T._吃晚饭将突然超过其实际和期望的值。此时，将测量值保持为所需的值，更大C_W.生成，因此m_W.增加。由于较大的制冷效率较高m_W.，受控变量T._吃晚饭将逐渐减少，直到其测量值等于所需值。在这种情况下，控制变量T._吃晚饭失败时刻的变化。此刻不久，变量的突然变化C_W.那m_W.,T._WR.可以几乎同时观察。

总之，当没有发生故障时，四个变量中的任何一个都不会出现突然变化;当监控变量传感器发生故障时，其中一个T._WR.那T._WS.,m_W.突然改变;当被控变量传感器失效时，变量C_W.那m_W.,T._WR.同时会突然发生变化。在此基础上，我们选择变量T._WR.那T._WS.那C_W.,m_W.检测和诊断传感器故障T._吃晚饭控制循环并将其定义为检查变量在这工作。表中汇总了各被测变量在不同传感器故障发生时的变化情况1．通过对四个被测变量的分析，得出了有关传感器的健康状况T._吃晚饭可以评估控制循环。

值得一提的是，存在两种偏差:(1)故障传感器输出测量中的测量偏差;(2)变量的偏差T._WR.那C_W.,m_W.由PID调节引起的T._吃晚饭传感器失败。传感器故障的时间标记为T._R.并且PID调节引起的变量异常的标记为T._PID， 分别。捕捉周围发生的变化T._R.或T._PID， 定义为异常本文在Section中开发了基于一维cnn的特征提取器3.．

3.方法

3.1。拟议的FDD方法概述

使用1-D CNN和WaveCluster聚类的所提出的FDD方法在图中概述3.，其中包含三个阶段：初步故障检测，初步故障诊断和候选故障的确认。阶段1:首先，基于一维CNN进行特征提取，捕捉变量的突变。然后，通过WaveCluster聚类，判断表示故障发生的表示簇的存在性，得到初步的故障检测结果。阶段2：计算每个表示簇的聚类中心。然后，计算群集中心和所有四个参考子空间之间的距离并与预设阈值进行比较T._D.分别对应于特定传感器故障的每个子空间。比较结果标志着可疑传感器故障作为候选故障或未知故障。第3阶段：基于表示簇的中心计算候选故障的置信度评分。如果分数超过预设阈值T._C，候选故障被确认为最终的诊断结果。否则，它认为系统处于正常状态。

该方法实现了在线检测，实时检测设备的状态。该方法所使用的数据均来自模拟空调机组运行状态下现有的传感器和控制器。

3.2。初步故障检测策略

3.2.1。基于1-D CNN的特征提取

卷积神经网络（CNN）[22那23]这是一类深，前馈人工神经网络，广泛应用于图像识别和对象检测的领域[24-28]。近年来，基于cnn的故障诊断方法在不同领域不断被提出[29-31]。在这些应用中，CNN在找到特定的高级功能中展示了专用特征提取能力，基于输入数据可以分为不同类别。对于AHU的运行数据是序列，使用一维卷积神经网络（1-D CNN）来捕获变量测量中的异常。

使用的1-D CNN的结构如图所示4.，其中包含三个卷积层，没有池化层和全连通层。第一层提取高频和低级特征。第二层和第三层是在前一层的基础上提取更高层次的特征。一维CNN的卷积形式是相同的，这意味着所有特征序列都与输入序列相同的长度。所提出的1-D CNN通过使用具有位置信息的标签特征序列来训练，该标签特征序列使用时间窗口表征偏差，并且窗口内的样本被标记为“1”，而另外则标记为“0”。在培训过程中，最后一个卷积层的输出越来越接近标签特征序列。代替自动探索基于给定的类别信息，而是为提取特征序列的1-D CNN提供位置指导，命名为男人指导特征，这避免了捕获非行为特征并减少训练难度。

所提出的1-D CNN可以处理由故障传感器和PID调节引起的偏置。然而，偏差包括正偏压和负偏压，其不能通过单个1-D CNN处理。因此，两个1-D CNN分别用于检测正偏压和负偏压。基于两个1-D CNN，构造了一个特征提取器，如图所示5.，包括数据归一化预处理器，两个1-D CNN偏置检测器和组合器。两个探测器处理标准化数据，以及两个人引导的特征序列和得到了。合并器非常简单，它将两个序列对应的值逐个比较，然后保留较大的那个。这是最后一个特性是实现。

由于一维CNN结构简单，特征提取嵌入执行速度快，有助于实现高速在线FDD。

3.2.2。WaveCluster聚类用于初步故障检测

WaveCluster聚类是一种基于网格的聚类算法，常用于包含大量孤立离群值的多维大规模数据[32]。两个原因使WaveCluster聚类特别适合我们的方法：（1）不需要指定簇的数量，这适用于初步故障检测阶段，其中簇的数量是要观察的重要未知量;（2）高速，符合在线FDD的要求。本文在初步故障检测和初步故障诊断阶段使用波段聚类。

由于特征提取器的输出不能直接用于波段群集，因此进行简单的转换。在本文中，四个检查的变量，T._WR.那T._WS.那C_W.,m_W.，都是在T._吃晚饭控制回路。因此，使用了四个特征提取器。如图所示6.,原始数据R.₁〜R._4.，这是从四个检查的变量中提取的数据段，分别由特征提取器处理。因此，四个提取的特征F₁〜F_4.得到了。四个提取的特征被连接起来，产生列向量D.₁，D.₂，...，d_N.，它被馈送到WaveCluster聚类。

列向量由波段聚集，获得的群集的数量表示是否发生了可疑故障。在正常情况下，只会发生一个集群。我们称之为这个群集正常的集群，代表C_N,C_N通常出现在笛卡尔坐标系的起源附近。

否则，除了普通集群外，如果发生其他群集，则表示检测到一个或多个可疑故障。另外发生的群集命名为表示集群，代表 ．与正常的集群相比，表示集群内的样本数量通常很小。表示类直接对应于可疑故障，涵盖了本文所考虑的所有传感器故障。

3.3。初步故障诊断策略

通过分析表示簇来确定故障诊断以确定可疑故障的原因。本文认为共有四个传感器，其中包括所有关键传感器T._吃晚饭控制回路。相关的传感器可以分为两类，监控变量传感器和受控变量传感器。本文为两类提供了单独的诊断策略。在诊断中，通过关于的线性空间T._WR.那T._WS.那C_W.,m_W.作为坐标，分析了表示簇的位置在线性空间。

3.3.1。可变传感器监控策略

对于监测变量传感器故障，由于偏差和噪声水平的不同，表示簇的位置不是固定的，它在一维子空间内变化，我们称之为参考子空间。子空间的T._WS.那T._WR.,m_W.是由 那 那和 那在方程中表达（1) - (3.）， 分别：

在本文中，我们通过检查表示簇是否坐在某个参考子空间附近，诊断监控变量传感器故障。服用例如，其聚类中心由μ._j，这是通过将集群中的所有成员平均得到的。然后是欧几里德距离的μ._j到每个引用子空间R._V.从等式计算（4.）， 在哪里一世是单位矩阵:

如果计算小于或等于预设阈值T._D.，表示簇表示相应的监控变量传感器失败，标记为候选故障。三个参考子空间， 那 那和 那与彼此正交，阈值T._D.设置为小值，保证表示群集没有机会坐在两个或更多的参考子空间附近。但是，如果三个距离中没有小于或等于T._D.，需要对受控变量传感器故障的判断。

3.3.2。可控可变传感器策略

当受控变量传感器发生故障时，它将对检查的变量产生很大影响T._WR.那C_W.,m_W.．在这种情况下，表示的簇不再在一维子空间中变化，而是在三维子空间中变化，用 ：

子空间的尺寸决定了受控变量传感器的诊断精度。为了提高诊断精度，分析了四种检查变量之间的相关性以进行尺寸减少的意图。首先，Pearson相关系数T._WR.那T._WS.那C_W.,m_W.基于等式计算（6.)，结果如表所示2．

如表所示，之间的相关系数C_W.和m_W.大约等于1，表明两个变量之间存在强烈的相关性。之间的相关系数T._WR.和C_W.之间,T._WR.和m_W.均约为0.6，表明中等的相关程度。至于T._WS.，它与其他三个变量表现出很少的相关性。表中的结果与运行中存在的以下事实一致T._吃晚饭控制循环：（1）T._吃晚饭传感器故障导致变量突然变化C_W.那m_W.,T._WR.同时，虽然它没有影响T._WS.;(2)根据反馈控制动作，m_W.直接受到变化的影响C_W.，虽然的影响C_W.在T._WR.与其他因素相互作用。

根据相关分析，R._T.吃晚饭可以简化为等式（7.)．这里，C_W.和m_W.由于它们之间的强烈相关而被认为具有线性关系和是常数。建立线性回归模型来估计和 那并采用了最小二乘法。估计结果为 = 0.9938, which is about 1; = 0.0077, which is about 0. Therefore,R._T.吃晚饭可化为二维子空间，如方程(9.)．

类似于监测变量传感器的诊断，欧式距离μ._j到引用子空间是计算的，代表的 ．计算的计算取决于投影矩阵P.．取两个线性无关的向量和 那在哪里 那  ∈ R._T.吃晚饭，构造一个矩阵一种 =  那投影矩阵P.参考子空间可以通过等式计算（10)．这就是欧几里得距离从等式获得（11)．然后，计算出的是否与预设阈值比较T._D.如果诊断T._吃晚饭发生传感器故障。如果没有，则记录未知的故障。基于以上策略，完成了整个初步故障诊断程序。

3.4。确认候选人错误

为了验证故障检测和诊断策略的可靠性，评估误报和缺失的诊断。误报是指正常传感器被错误检测为故障传感器的情况，缺失的诊断是指故障传感器的实际故障未成功诊断出来。保留所有候选故障降低缺失诊断的发生，而误报的情况相对频繁。提高缺陷，一个名为的程序T._C开释介绍了，旨在降低误报并在误报和缺少诊断之间寻找最佳权衡。T._C无罪判决可以通过引入信心评分来评估候选错误来取消一些候选错误。

标记表示集群的中心作为 ．如果监控变量传感器被诊断为候选故障的原因，则位置在太空中主要取决于该传感器的检查变量。因此，监控传感器故障的置信度得分定义如下：

如果T._吃晚饭传感器被诊断为候选故障的原因，位置在空间中取决于三个被检查的变量:T._WR.那C_W.,m_W.．此时，受控变量传感器故障的置信度得分被定义为等式（13）， 在哪里ξ_一世是分配给每个受检查变量的重量。在本文中，我们设置了ξ₁ = 0.5 andξ_3. = ξ_4.根据变量之间的相关分析结果= 0.25。

对于每个候选故障，将其置信度与预设阈值进行比较T._C．如果置信度得分小于T._C，候选故障被删除。否则，确认候选故障。

这一点值得注意T._C无罪判决将导致虚惊减少，但相应的漏诊可能会出现。因此，我们应该调整价值T._C在误报和漏诊之间取得最佳平衡。

4.验证

4.1。数据说明和准备

仿真是基于TRNSYS进行的。TRNSYS是一个图形化的软件环境，用于模拟瞬态系统的行为T._吃晚饭控制循环在ahu。在仿真中添加了故障发生器和噪声发生器。在本文中，所需的T._吃晚饭设置为15°C。这T._WS.设置为8℃。这C_W.是一个浮点数，在0和1之间变化。在模拟中，AHU安装在非洲瓦加杜古市。使用的气象数据为该城市典型气象年(TMY)数据，包含8760小时的数据。本文仅考虑制冷工况下空调机组传感器故障的FDD，因此仅使用5 - 7月的数据。

要获取培训数据和测试数据，请执行以下操作。对于故障状态的数据，首先，从模拟开始时间T._英石时，集成故障发生器实时产生故障T._英石 + ΔT.那T._英石 + 2ΔT.，......，T._英石 + 一世δ.T.，...分别直到模拟终端时间T._TT.．这里，δT.设定为5个小时。每个故障独立产生，互不重叠，互不干扰。所有的原始数据将在模拟后产生，包括四个被检查变量的测量T._英石来T._TT.．然后，执行数据预处理。处理原始数据以获得具有长度的数据段N.,N.本文设置为160。通过分区包含偏差的原始数据来获得每个数据段。对于正常情况下的数据，我们将故障发生器终止并以相同的方式分区模拟的原始数据，以获取具有相同长度的数据段。之后，1-D CNN的训练数据在5月份选自数据，而测试数据选自6月和7月。在仿真期间，数据采样间隔设置为28.8秒。

通过计算以下四个指标来评价所提方法的性能:误报率(FAR):正常样本误检数与正常样本总数的比值缺少报警比（MAR）：未检测到的故障样本数量与总故障样品的数量之间的比率误诊断率(FDR):误诊断样本数与总故障样本数的比值缺少诊断率（MDR）：未成功诊断的样品数量与总故障样品的数量之间的比率

4.2。验证初步FDD

4.2.1。准备初步的故障检测

我们把T._吃晚饭以传感器故障为例，说明了初步故障检测的结果。这里引入了0.5°C偏置和6dbm噪声。检测两个数据段，分别采集正常状态和故障状态下的数据。WaveCluster聚类结果如图所示7.和8.，在哪里7.为正常情况下的聚类结果，图8.显示故障状态。

从图中可以看出，在正常情况下，聚类分析只生成了一个聚类，并且聚类的位置都在原点附近。在故障状态下，表示集群出现，表示可疑故障的发生。除了T._吃晚饭传感器故障，还模拟了其他三个传感器故障。验证结果表明表示群集也会出现T._WR.那T._WS.,m_W.传感器故障。

4.2.2。初步故障诊断

为了更好地观察不同传感器故障的表示簇，所有传感器故障的初步故障检测结果都放在同一空间中。数字9.分别给出了0.5℃偏置温度传感器和5%偏置流量传感器下四种传感器故障的分布。在仿真过程中，在每个故障传感器的输出中加入6 dBm高斯白噪声(WGN)。我们还给出了四个传感器之一发生故障时的时域变量动态，如图所示10-13．在这些图中的每一个中，（c）不仅示出了四个检查变量的归一化数据，而且显示它们对应的1-D CNN特征，其可以与图中所示的聚类结果相关联9.．

数字9.表示不同传感器故障的表示簇分布在不同的位置。表示监测变量传感器故障的簇位于相应的一维参考子空间附近， 那 那和 那分别表示控制变量传感器故障的表示簇坐在双维参考子空间附近 ．因此，阈值T._D.用于分离传感器故障。

进行实验以选择适当的值T._D.．实验数据的噪声为13 dBm，误差分别为0.5°C和5%。每个传感器故障选择50个数据。计算每个表示簇的中心到子空间的距离，如图所示14， 分别。该图证明了每个传感器故障的表示簇非常接近相应的子空间。另一件事要注意的是表示的簇T._WR.传感器故障也坐在附近子空间。由于在受控变量传感器的监控变传感器的诊断，因此进行了错误的诊断T._WR.没有引入传感器故障。根据实验结果，我们设定了阈值T._D.为0.15，可以准确地诊断绝大多数传感器故障。

4.3。寻找FAR和MDR之间的最佳权衡

由于噪声和偏置的变化，表示簇的位置不确定。在不同的传感器故障下表示簇在故障的相应参考子空间内分布。该方法比较了表示簇和参考子空间之间的距离而不是当前发生的表示簇和某个坐标之间的距离。然后在比较之后获得候选故障。

然而，有时候选错误是一个错误的判断。如图所示15，测试数据段在正常情况下收集，但仍会显示表示群集。因此，故障诊断程序错误地宣布出现T._WR.传感器故障。

与正确检测到的指示簇相比，错误判断的指示簇通常位于更靠近原点的位置。在这种情况下，候选故障的置信度相对较低。因此，可以通过排除低置信度的错误来降低FAR。然而，这可能会增加MDR。的价值T._C对FAR和MDR具有显着影响，以及远程和MDR的响应到变化T._C是相反的。因此，通过实验来获得最优解T._C这是远远和MDR之间的最佳权衡。

对同一批数据进行了不同的应用T._C，比较远和MDR。此批次数据选自5月，如表所示3.．结果，远远和MDR在不同的价值观T._C如图所示16．MDR几乎保持不变，略有增加T._C大于0。7。然而，FAR随着。的增加而迅速下降T._C．该图说明了相对较低的FAR和MDR同时实现T._C是0.85。这T._C被命名为最优T_C．最优T._C在本文中选择只是估计值，这与使用的数据的数量和类型涉及。

4.4。绩效评估

4.4.1。检测效率

为了验证故障检测策略的可靠性，对基于神经网络的现有AHU传感器故障检测策略进行了比较[8.那21]，其中使用了FAR和MAR指数。我们的方法的数据是通过测试数据获得的，其中包括1464小时的原始数据，使用了近14400个数据段。特别是基本神经网络(BSC-NN)、辅助神经网络(AUX-NN)、组合神经网络(CB-NN)等不同方法的检测效率如表所示4.，表明所提方法在FAR和mar上都有很好的表现。与其他方法相比，所提方法平均检测效率最高，比[8.那21]。尤其是对MAR的正反两种偏向T._吃晚饭传感器故障为0.00％，证明该方法对受控变量传感器故障检测具有更好的性能。

4.4.2。诊断效率

还分析了所提出的FDD方法的诊断效率，包括FDR和MDR。在这里，FDR包括两种可能性：（1）真正的故障被成功诊断出来，而一个或多个不存在的故障也被认为已经发生;（2）真正的错误被误诊为其他一些错误。此外，初步FDD和FDD的表现T._C比较禁食，最佳的比较T._C用来。用于诊断效率分析的数据是部分中使用的相同数据4.1.1．

桌子5.显示了效率，这说明，受益于T._C禁止，FDR显着减少。与此同时，在大多数情况下，MDR仍然存在，除了案件T._吃晚饭那T._WR.,T._WS.传感器故障，偏置0.5°C。结果验证了效率T._C无罪释放。

桌子5.还意味着监控变量传感器故障具有比受控变量传感器故障更高的MDR。主要原因是三个检查的变量共享受控变量传感器故障的诊断，这提供了更可靠的诊断结果，并且只有一个检查的变量进行监控变量传感器故障。

对于具有不同传感器故障和不同偏差的数据，FDD时间大致相同，为0.013至0.016秒。我们还测试了完成图中所示的每个阶段的时间3.，如表所示6.．

4.4.3。白色高斯噪声条件下的鲁棒性测试

本节测试所提方法的鲁棒性。上面使用的偏差为0.5°C和5%的测试数据也在这里使用。不同噪声条件下的FAR和MDR见表7.．测试结果表明，在6 dBm ~ 13 dBm噪声范围内，FAR和MDR值变化较小，表明该方法在不同噪声条件下具有良好的鲁棒性。

结论

一种用于传感器故障的FDD方法T._吃晚饭本文提出了AHU的控制回路，其中应用了1-D CNN和波段聚类分析。检测和诊断有四种传感器故障，包括三个监控可变传感器和一个受控变量传感器。验证结果表明，该方法可以成功检测和诊断突然的传感器故障T._吃晚饭AHU控制回路。的程序T._C无罪释放有效地降低了FAR和FDR，而MDR略有增加的代价是，FAR和MDR之间的最佳权衡可以在T._C = 0.85. Robustness assessment indicates that, within a noise range of 6 dBm∼13 dBm, the level of noise shows little influence on MDR and FAR in all conditions.

该系统的局限性在于所采用的WaveCluster聚类算法具有多个超参数，如网格密度、可以将多少个离群值视为噪声等。超参数的设置对聚类结果有很大的影响。较差的超参数可能会导致真实的表示聚类缺失或表示聚类判断错误，最终影响最终的FDD结果。

数据可用性

用于支持本研究结果的数据可从荆京刘（liujj@stu.xidian.edu.cn） 根据要求。

利益冲突

作者宣称没有利益冲突。

作者的贡献

JL和MZ构思和设计了实验;JL提出了这种方法;MZ进行实验;HW，WZ和YL分析了数据;JL准备了原稿;MZ，HW和WZ审查并编辑了论文。

致谢

该研究得到了中国博士后科学基金会和中国国家自然科学基金资助的项目（No.61801357和No.1505358）。

参考

1. M. W. Ahmad，M. Macshed，B. Yuce和Y.Rezgui，“HVAC系统的计算智能技术：审查”建筑模拟，卷。9，没有。4，pp。359-398,2016。查看在：谷歌学术
2. Y.B. Yu，D.C.C.WORADECHJUMRON和D. H. YU，“空气处理单位对故障检测和诊断方法进行审查”能源和建筑物，卷。82，pp。550-562，2014。查看在：出版商的网站|谷歌学术
3. R. F. Escobar, C. M. Astorga-Zaragoza, a . C. Tellez-Anguiano, D. Juárez-Romero, J. a . Hernández，和G. V. Guerrero-Ramírez，“通过高增益观察者检测和隔离传感器故障:应用于双管换热器”，ISA交易，卷。50，不。3，pp。480-486，2011。查看在：谷歌学术
4. R.。F. Escobar-Jimenez, D. A. Carbot-Rojas, J. F. Gómez-Aguilar, V. M. Alvarado-Martínez, A. C. Téllez-Anguiano, and J. A. Hernandez-Perez, “Actuator fault tolerant control based on a MIMO-MPC: application in a double-pipe heat exchanger,”化学工程通信，卷。204，没有。1，pp。86-96,2016。查看在：出版商的网站|谷歌学术
5. R. F. Escobar, C. M. Astorga-Zaragoza, J. a . Hernandez, D. Juarez-Romero, C. D. Garcia-Beltran，“通过软件传感器的传感器故障补偿:在热泵螺旋蒸发器中的应用”，化学工程研究与设计，第93卷，第473-482页，2015。查看在：出版商的网站|谷歌学术
6. S. Katipamula和M. R.Brambley，“审查文章：用于建筑系统的故障检测，诊断和预测方法 - 评论，第I部分，”HVAC＆R研究，第11卷，第2期。1，第3-25页，2005。查看在：出版商的网站|谷歌学术
7. W. Kim和S. Katipamula，“建筑系统故障检测和诊断方法综述”建筑环境科学与技术，卷。24，不。1，pp。3-21,2018。查看在：出版商的网站|谷歌学术
8. Z.Du，B. Fan，J.Chi和X.Jin，使用组合神经网络的空气处理单元中的传感器故障检测及其效率分析“能源和建筑物，第72卷，第157-166页，2014。查看在：出版商的网站|谷歌学术
9. R. Yan，Z. Ma，G. Kokogiannakis和Y. Zhao，“使用集群分析的空气处理单元的传感器故障检测策略”自动化建设，卷。70，pp。77-88,2016。查看在：出版商的网站|谷歌学术
10. P. M. Van Every, M. Rodriguez, C. B. Jones, A. A. Mammoli, and M. Martínez-Ramón，“使用无监督支持向量机新奇检测和高斯过程模型的HVAC故障高级检测，”能源和建筑物， vol. 149, pp. 216-224, 2017。查看在：出版商的网站|谷歌学术
11. r·严z马、赵y和g . Kokogiannakis”一个基于决策树的数据驱动的空气处理单元,诊断策略”能源和建筑物，第133卷，37-45页，2016。查看在：出版商的网站|谷歌学术
12. Y. Zhao，J. Wen，F. Xiao，X. Yang和S. Wang，“诊断贝叶斯网络用于诊断空气处理装置的故障 - 第一部分：阻尼器，风扇，滤波器和传感器的故障，”应用热工程，卷。111，pp。1272-1286,2017。查看在：出版商的网站|谷歌学术
13. Y. Zhao，J. Wen和S. Wang，“诊断贝叶斯网络诊断空气处理单元故障 - 第二部分：线圈和传感器的故障，”应用热工程，卷。90，pp。145-157,2015。查看在：出版商的网站|谷歌学术
14. Y. Yan，P. Luh和K.Pattipati，“考虑到故障传播的HVAC空气处理系统的故障诊断”组件之间的影响“，”自动化科学与工程学报，卷。14，不。2，pp。705-717，2017。查看在：出版商的网站|谷歌学术
15. W. Y. Lee, J. House，和G. E. Kelly，“基于人工神经网络的空气处理装置故障诊断”，ashrae交易，第102卷，1996年。查看在：谷歌学术
16. Z.Du，X. Jin和Y. Yang，“空气处理单位的小波神经网络的故障诊断”HVAC＆R研究，卷。14，不。6，PP。959-973，2008。查看在：谷歌学术
17. 杨旭东，杜振东，金旭东，“基于小波包和神经网络的空气处理单元传感器故障诊断方法”，《机械工程学报》，2015年第1期第六届采暖、通风和空调国际研讨会，卷。3，PP。1992-1999，中国南京，2009年11月。查看在：谷歌学术
18. “基于小波和分形预处理的神经网络在空气处理单元传感器故障诊断中的应用”，能源和建筑物，第44卷，第7-16页，2012。查看在：出版商的网站|谷歌学术
19. Z.Du，X. Jin和Y. Yang，“使用小波神经网络的VAV系统中的温度，流量和压力传感器的故障诊断”应用能源，第86卷，第2期。9, 1624-1631页，2009。查看在：出版商的网站|谷歌学术
20. B.粉丝，Z.Du，X. Jin，X. Yang和Y. Guo，基于人工神经网络和小波分析的AHU本地系统混合FDD战略，“建筑与环境，第45卷，第4期。12页，2698-2708,2010。查看在：出版商的网站|谷歌学术
21. Z.Du，B. Fan，X. Jin和J.Chi，“建筑物和HVAC系统的故障检测和诊断使用组合神经网络和减法聚类分析”建筑与环境，卷。73，pp。1-11,2014。查看在：出版商的网站|谷歌学术
22. Y. Lecun和Y.Bengio，“用于图像，演讲和时间序列的卷积网络，”脑理论和神经网络的手册， A. A. Michael，主编，第255-258页，麻省理工学院出版社，剑桥，MA, USA, 1998。查看在：谷歌学术
23. L. Bottou, Y. Bengio, P. Haffner，“基于梯度的学习应用于文档识别，”IEEE的诉讼程序，第86卷，第2期。11，PP。2278-2324,1998。查看在：出版商的网站|谷歌学术
24. A. Krizhevsky, I. Sutskever和G. E. Hinton，“基于深度卷积神经网络的ImageNet分类”神经信息处理系统的程序2012年12月，美国太浩湖，第25卷。查看在：谷歌学术
25. C. Szegedy, L. Wei, J. Yangqing等人，“深度卷积”，在2015年IEEE计算机视觉和模式识别（CVPR）的诉讼程序，pp.1-9，波士顿，马马，美国，2015年6月。查看在：谷歌学术
26. R. Girshick, J. Donahue, T. Darrell, J. Malik，“基于区域的卷积网络用于精确的目标检测和分割”，IEEE模式分析与机器智能汇刊，第38卷，no。1，页142-158,2016。查看在：出版商的网站|谷歌学术
27. R. Girshick，“Fast R-CNN，”2015 IEEE计算机视觉国际会议论文集，pp.1440-1448，圣地亚哥，智利，2015年12月。查看在：谷歌学术
28. S. Ren，K. He，R. Girshick和J. Sun，“更快的R-CNN：与地区建议网络的实时对象检测”，“IEEE模式分析与机器智能汇刊第39卷，没有。6, pp. 1137-1149, 2017。查看在：谷歌学术
29. 杨涛，高伟，张春，“一种基于卷积神经网络的旋转机械故障诊断方法，”传感器第18卷，第2期。5, 2018。查看在：出版商的网站|谷歌学术
30. 余文霞，黄世东，肖文华，“基于卷积神经网络和频谱图的故障诊断方法及其在风力发电系统中的应用”能量，第11卷，第2期。10,2018。查看在：出版商的网站|谷歌学术
31. V.Tra，J.Kim，S. A. Khan和J. M.Kim，“使用卷积神经网络和随机对角线举行的可变速度下的故障诊断和随机对角线左侧举例术”传感器第17卷，没有。12、Article ID 2834, 2017。查看在：出版商的网站|谷歌学术
32. G. Sheikholeslami，S. Chatterjee和A. D. Zhang，WaveCluster：基于小波的聚类方法，用于非常大的数据库中的空间数据，“VLDB杂志第8卷第2期。3-4页289-304,2000。查看在：谷歌学术

版权

版权所有©2019 Jingjing Liu等人。这是分布下的开放式访问文章知识共享署名许可如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。