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。