制冷装置是船舶辅机的重要组成部分。现代船舶正向着网络化、智能化的方向发展，船舶制冷系统也变得日益复杂。船舶制冷系统若发生故障，将影响货物的质量与船员的工作效率，造成严重的经济损失，所以保证船舶制冷系统的正常运行，在降低运行成本、提高船舶运输经济性方面有着重要意义。深度学习在处理复杂问题方面具有明显优势，将深度学习与故障诊断相结合已逐渐成为一个研究热点。

本文针对传统故障诊断方法对于在制冷系统故障数据的复杂化与故障程度不高情况下存在故障检测效率低下问题，将深度学习中的SAE（Stacked Auto-Encoder，栈式自编码器）引入制冷系统故障诊断中，并使用SAE网络对分别对ASHRAE 1043-RP项目故障数据与仿真故障数据集进行制冷系统故障诊断研究，主要工作如下：

使用TensorFlow框架搭建SAE网络，对ASHRAE 1043-RP项目故障数据不经过特征选取，仅经过简单的预处理后直接作为SAE网络故障诊断模型的输入数据，利用无标签故障数据集使用逐层贪婪训练法预训练SAE网络，自适应提取数据特征后，利用有标签故障数据通过误差反向传播算法微调SAE网络，最后使用softmax分类器对不同故障类型进行分类识别。分析网络结构、epoch值、训练集与测试集样本数量比例、batch_size值、学习率、优化器与噪声系数等因素对网络分类性能的影响，总结其中的规律，确定最佳性能的SAE故障诊断网络。使用SAE网络与其他两种传统诊断方法进行对比分析，说明SAE网络在制冷系统故障诊断中的优越性。

基于Matlab/Simulink平台搭建船舶制冷系统实验台架仿真模型，将仿真数据与实测数据进行对比，验证仿真模型的准确性。通过调节模型中的相关参数，对制冷剂泄漏、冷冻水流量不足、冷却水流量不足、制冷量中混入不凝性气体与冷凝器结垢这5种故障在不同故障程度下进行故障仿真，结合制冷工作原理进行故障分析，并得到仿真故障数据集。使用SAE网络对仿真故障数据集进行故障诊断应用，结果表明SAE网络在仿真故障数据集中，在诊断精度和实时性方面具有很高的水平，而且在低故障程度的情况下，仍然保持着很高的诊断精度，可以实现轻微故障的故障诊断，提高制冷系统的可靠性。

[1] 韩厚德, 杨万枫. 船舶辅机[M]. 人民交通出版社, 2009.

[2] 侯志坚. 基于知识的空调系统智能决策支持系统及其应用[D]. 上海：上海交通大学, 2006.

[3] SrinivasKatipamula, Brambley M. Review Article: Methods for Fault Detection, Diagnostics, and Prognostics for Building Systemsa A Review, Part I[J]. Hvac & R Research, 2005, 11(1):3-25.

[4] 韩华. 基于顺序集成方法的制冷系统故障检测与诊断研究[D]. 上海：上海交通大学, 2012.

[5] Royh KW. Westphalen D. et al (TIAX LLC).Energy Consumption Characteristics of Commercial Building HVAC Systems Volume Ⅲ:Energy Sabing Potential[J]. Final report to US DOE Office of Building Technologies, 2002.

[6] Salsbury, T.I, Wright,et al. Condition monitoring in HVAC subsystems using first principles models[J]. Ashrae Transactions, 1996, 102(1).

[7] Dexter, A.L, Benouarets. A generic approach to identifying faults in HVAC plants[J]. International Journal on Hydropower & Dams, 1996, 102(1): 45-50.

[8] Breuker M, Rossi T, Braun J. Smart Maintenance for Rooftop Units[J]. ASHARE Journal. 2000, 42(11): 41-46.

[9] 夏虹, 刘永阔, 谢春丽. 设备故障诊断技术[M]. 哈尔滨工业大学出版社, 2010.

[10] 张梅军. 机械状态检测与故障诊断[M]. 国防大学出版社, 2008.

[11] Kothamasu R , Huang S H , Verduin W H . System health monitoring and prognostics—a review of current paradigms and practices[J]. International Journal of Advanced Manufacturing Technology, 2006, 28(9-10): 1012-1024.

[12] Mehra R K , Peschon J . An innovations approach to fault detection and diagnosis in dynamic systems[J]. Automatica, 1971, 7(5): 637-640.

[13] P.W.Brothers. Knowledge engineering for HVAC expert systems[J]. ASHRAE Transactions, 1988: 1063~1073

[14] Stallard L A. Model based expert system of failure detection and identification household refrigerators:[D]. Indiana: Doctoral Dissertation of School of mechanical engineering, Purdue University, 1989.

[15] 鲍士雄, 姚峻, 孙国平,等. 故障诊断专家系统在制冷系统中的实现研究[J]. 制冷, 1995(3): 15-18.

[16] Grimmelius H T, Woud J K, Been G. On-line failure diagnosis for compression refrigeration plants[J]. International Journal of Refrigeration, 1995, 18(1): 31-41.

[17] 姜大勇, 黄道. 空调系统的人工神经网络故障检测与诊断方法[C]// 中国自动化学会华东地区学术交流会. 1999.

[18] 周强. 基于模糊神经网络和遗传算法的故障诊断方法研究[D]. 大连：大连理工大学, 2006.

[19] 石书彪, 陈焕新, 李冠男,等. 基于改进BP网络的冷水机组故障诊断[J]. 制冷学报, 2015, 36(6): 34-39.

[20] J. Navarro-Esbrí, E. Torrella, R. Cabello. A vapour compression chiller fault detection technique based on adaptative algorithms. Application to on-line refrigerant leakage detection[J]. International Journal of Refrigeration, 2006, 29(5): 716-723.

[21] 洪迎春. 基于多变量统计分析的制冷系统故障检测与诊断[D]. 上海：上海交通大学, 2012.

[22] 孙楷政. 基于支持向量机的空调用制冷系统故障诊断研究[D]. 武汉：华中科技大学, 2016.

[23] 吴洁. 基于AIS的故障诊断专家系统研究与应用[D]. 杭州：浙江工业大学, 2010.

[24] Bakker V E. Application of BlackBox Models to HVAC Systems for Fault Detection[J]. Ashrae Transactions, 1996.

[25] 张国庆, 王超, 吴言凤. 灰关联分析在船用制冷系统故障诊断中的应用[J]. 舰船科学技术, 2011, 33(9): 113-115.

[26] Stylianou M, Nikanpour D. Performance Monitoring, Fault Detection, and Diagnosis of Reciprocating Chillers[J]. Ashrae Transactions, 1996, 73(102): 615-627.

[27] Comstock M C, Braun J E, Groll E A. The Sensitivity of Chiller Performance to Common Faults[J]. Hvac & R Research, 2001, 7(3): 263-279.

[28] 任能. 制冷系统故障检测、诊断及预测研究[D]. 上海：上海交通大学, 2008.

[29] Hu M, Chen H, Shen L, et al. A machine learning bayesian network for refrigerant charge faults of variable refrigerant flow air conditioning system[J]. Energy & Buildings, 2017, 158.

[30] 刘林凡.深度学习在故障诊断中的研究综述[J].新型工业化,2017,7(04): 45-48+61.

[31] 姜波,黄捷.机械故障诊断技术的发展现状和未来趋势[J].科技创新导报,2018(33): 65-66.

[32] 余洋. 深度学习在局部放电模式识别中的应用[D]. 北京：华北电力大学(北京), 2016.

[33] 石鑫. 基于深度学习的变压器故障诊断技术研究[D]. 北京：华北电力大学, 2016.

[34] Mohamed A R, Sainath T N, Dahl G, et al. Deep Belief Networks using discriminative features for phone recognition[C]// IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2011: 5060-5063.

[35] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012: 1097-1105.

[36] 陈华坤, 章卫国, 史静平,等. 航空电子设备故障预测特征参数提取方法研究[J]. 西北工业大学学报, 2017, 35(3): 364-373.

[37] 侯荣涛, 周子贤, 赵晓平,等. 基于堆叠稀疏自编码的滚动轴承故障诊断[J]. 轴承, 2018(3): 49-54.

[38] 胡俊. 基于堆栈降噪自编码的轴承故障诊断方法研究[D]. 南昌：华东交通大学, 2017.

[39] 汤芳, 刘义伦, 龙慧. 稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用[J]. 机械科学与技术, 2018, v.37;No.277(03): 30-35.

[40] 马龙. 基于递归神经网络的航空发动机故障诊断[C]// 十三省区市机械工程学会科技论坛. 2009.

[41] 梁晴晴, 韩华, 崔晓钰. 基于概率神经网络的离心式制冷机故障诊断[J]. 暖通空调, 2015, 45(11): 101-107.

[42] 曾雪琼. 基于卷积神经网络的变速器故障分类识别研究[D]. 广州：华南理工大学, 2016.

[43] 贾京龙, 余涛, 吴子杰,等. 基于卷积神经网络的变压器故障诊断方法[J]. 电测与仪表, 2017, 54(13): 62-67.

[44] 王丽华, 谢阳阳, 周子贤,等. 基于卷积神经网络的异步电机故障诊断[J]. 振动.测试与诊断, 2017(6): 1208-1215.

[45] 张伟. 基于卷积神经网络的轴承故障诊断算法研究[D]. 哈尔滨：哈尔滨工业大学, 2017.

[46] 石鑫. 基于深度学习的变压器故障诊断技术研究[D]. 北京：华北电力大学, 2016.

[47] 石鑫, 朱永利, 宁晓光,等. 基于深度自编码网络的电力变压器故障诊断[J]. 电力自动化设备, 2016, 36(5): 122-126.

[48] Baraldi P, Maio F D, Genini D, et al. Comparison of Data-Driven Reconstruction Methods For Fault Detection[J]. IEEE Transactions on Reliability, 2015, 64(3): 852-860.

[49] Amozegar M, Khorasam K. An ensemble of dynamic neural network identifiers for fault detection and isolation of gas turbine engines[J]. Neural Networks, 2016, 76: 106-121.

[50] Tim de Bruin, Kim Verbert, Robert Babuska. Railway track circuit fault diagnosis using recurrent neural networks[J]. IEEE Trans on Neural Networks and Learning Systems, 2017, 28(3): 523-533.

[51] Fan Yang, Hongli Dong, Zidong Wang, et al. A new approach to non-fragile state estimation for continuous neural networks with time-delays[J]. Neurocomputing, 2016, 197: 205-211.

[52] Vincent P, Larochelle H, Lajoie I, et al. Stacked Denoising Autoencoders: Learning Useful Representations in a Deep Network with a Local Denoising Criterion[J]. Journal of Machine Learning Research, 2010, 11(12): 3371-3408.

[53] 李杨. 智能楼宇空调系统故障预测与诊断的研究[D]. 合肥：安徽建筑工业学院, 2010.

[54] 闫爱云. 制冷系统故障预测与诊断方法研究[D]. 西安：西安科技大学, 2005.

[55] Comstock MC, Braun JE. Development of analysis tools for the evaluation of fault detection and diagnostics for chillers[R]. HL 99-20, Report # 4036-3. ASHRAE Research Project 1043,1999.

[56] Glass A S, Gruber P, Roos M, et al. Qualitative model-based fault detection in air-handling units[J]. IEEE Control Systems, 1995, 15(4): 11-22.

[57] 吴世杰. 船舶制冷与空调系统的仿真研究[D]. 大连：大连海事大学, 2014.

[58] 程有凯. 制冷与低温工艺[M]. 机械工业出版社, 2012.

[59] 丁国良, 张春路. 制冷空调装置仿真与优化[M]. 科学出版社, 2001.

[60] 高珊. 蒸气压缩式制冷装置稳态仿真及分析[D]. 阜新：辽宁工程技术大学, 2009.

[61] 缪道平.活塞式制冷压缩机(第二版).北京：机械工业出版社[M],1992.

[62] 李文林，周瑞秋，赵超人.会战时制冷压缩机. 北京：机械工业出版社[M],1992.

[63] Camposres R,B ics taro G and Rebellato L.Calculation of Themodynam ics of properties of Refrigerants by the Rdelich-Kwong-Soavee Equation of State Int[J] .ofRefrig, 1985,80: 147-151.

[64] 葛云亭, 彦启森, 彭雄兵. 制冷空调系统仿真数学模型的理论与实验研究[J]. 制冷学报, 1995(4): 9-18.

[65] 朱瑞琪, 陈文勇, 吴业正. 制冷机供液量调节系统中蒸发器的动态特性[J]. 流体机械, 1998(5): 33-37.

[66] 朱坤阳. 舰船空调系统的仿真研究[D]. 大连：大连海事大学,2016.

[67] 夏云铧, 高现文, 郭啸栋,等. 中央空调系统应用与维修[M]. 机械工业出版社, 2013.

[68] Comstock MC, Braun JE, Grooll E.A. A Survery of Common Faults for Chillers[J].ASHRAE Transactions. 2002,108(1): 1-7.