基于MCNN-BiLSTM的迁移学习变风量空调系统故障识别研究

摘要

针对实际空调系统中引入故障困难、无法获取故障数据，且未知故障难以分类等问题，提出了基于多尺度卷积与双向长短期记忆网络（MCNN-BiLSTM）模型结合迁移学习的故障诊断方法.以ASHRAE RP-1312故障数据集为源域，数据匮乏的实验变风量空调系统故障数据集为目标域，利用迁移学习将从源域训练得到的模型参数保留；在参数共享的基础上利用最大均值差异法（MMD）对模型参数进行微调，完成迁移学习模型建立，输入目标域数据集进行测试，并对变风量空调系统故障数据进行分类.实验结果表明，通过迁移前后的FDD模型性能对比，单发故障准确率为99.99%，并发故障的准确率也达到了95%左右的诊断效果，由此可知多尺度卷积神经网络和迁移学习适应任务需要，可以在系统故障样本量少的情况下解决问题.

关键词

卷积神经网络 / 长短期记忆网络 / 迁移学习 / 变风量空调系统 / 故障识别