摘要
为解决面对采集的故障数据量远远小于正常数据量时HVAC系统故障诊断问题，作者研究提出了一种基于SMOTETomek-M1DCNN-SVM的故障诊断方法。在数据不平衡的情况下，先用SMOTETomek技术合成更多的少数类样本，获取平衡数据集。其次，为了能够在有限的故障数据中学习提取到更全面的信息，利用M1DCNN提取学习输入信号不同尺度的特征并融合，再利用SVM分类器输出诊断结果，进一步提升分类效果。最终，使用不平衡比例为1:10的RP-1043数据集和实验数据集验证了提出的方法的可行性。结果表明尽管在数据不平衡的情况下，该方法对HVAC系统进行故障诊断时仍然可以具有较高准确率。
关键词：故障诊断；冷机；不平衡数据集；SMOTETomek；多尺度；神经网络
HVAC系统广泛应用于各个领域，其能耗占建筑能耗的40%以上。暖通空调系统在长时间运行后，容易出现各种故障，导致效率降低，维护成本增加，能源浪费严重。因此，通过故障诊断方法对暖通空调系统故障进行准确诊断，可以节省15%至30%的能耗，同时还可以减少设备停机时间和服务成本。
目前大部分的故障诊断方法均需利用数据量较为充足的平衡数据集，才能准确诊断HVAC系统故障。但在实际运行过程中，HVAC系统为故障状态下的运行次数和时间相对较少，导致难以获取到充足的故障数据。因此，为了能在故障数据量远小于正常数据量的情况下依旧可以准确诊断系统故障，作者提出了一种基于SMOTETomek-M1DCNN-SVM的故障诊断方法。
该故障诊断方法的主要贡献可总结如下：
（1）利用SMOTETomek混合采样方法解决了故障数据样本数量明显低于正常数据样本数量的数据不平衡问题。首先，应用SMOTE方法生成新的少数类合成样本；然后，使用Tomek Link方法去除类边界附近的噪声样本，提高分类器在边界样本上的性能，避免过拟合问题。
（2）提出了一种M1DCNN-SVM故障诊断模型，该模型利用多尺度一维卷积神经网络从扩充后的平衡数据集中学习不同尺度信息，避免忽略局部重要特征。M1DCNN通过融合不同大小的卷积核，在输入数据中实现了更好的空间信息捕获，从而提高了分类精度和泛化性能。为了进一步提高模型的分类性能，我们将M1DCNN与SVM模型结合，将M1DCNN输出层中的Softmax分类器替换为SVM分类器。
（3）采用ASHRAE RP-1043不平衡数据集和HVAC系统不平衡实验数据集对所提出的SMOTETomek-M1DCNN-SVM故障诊断方法进行了验证。结果表明，该方法对RP-1043和实验数据集均具有较高的诊断准确率，能够准确诊断出HVAC系统的故障。
对于HVAC数据集，分别进行数据预处理和特征选择。采用不替换的随机抽样方法，得到了一个比例为1:10的不平衡训练集。按照图1所示的方法，构建并训练SMOTETomek-M1DCNN-SVM故障诊断模型进行故障诊断。
图1 基于SMOTETomek-M1DCNN-SVM方法的故障诊断流程图
（一）RP-1043数据集诊断结果
（二）实验数据集诊断结果
本文提出了一种基于SMOTETomek-M1DCNN-SVM的故障诊断方法。该方法利用SMOTETomek对不平衡数据集中的少数类样本进行扩展，然后利用M1DCNN-SVM模型进行故障诊断。利用所提方法分别对不平衡的RP1043数据集和实验数据集进行故障诊断。在RP1043数据集上，该方法的故障诊断准确率最高，可达98.45%。此外，对于实验数据集，该方法达到了100%的故障诊断准确率。以上结果表明，SMOTETomek-M1DCNN-SVM模型能够在故障数据有限的情况下对HVAC系统进行准确诊断，具有一定的泛化能力。
作者
Rouhui Wu1, Yizhu Ren1, Mengying Tan1,2, Lei Nie1*
该论文的第一作者是湖北工业大学机械工程学院的硕士生吴柔慧，通讯作者为湖北工业大学机械工程学院教授聂磊，共同作者包括课题组硕士生任一竹和课题组老师谭梦颖。
Wu R, Ren Y, Tan M, et al. (2024). Fault diagnosis of HVAC system with imbalanced data using multi-scale convolution composite neural network. Building Simulation, 17: 371-386.
https://doi.org/10.1007/s12273-023-1086-1
相关阅读：
长按二维码或点击左下角“阅读原文”访问全文
基于HVAC系统不平衡数据集的多尺度卷积复合神经网络故障诊断
期刊介绍
Building Simulation 2008年创刊，是世界上第一本有关建筑模拟领域最新研究成果的英文学术期刊，跨多种学科领域，涉及建筑技术、土木工程、建筑学、环境工程、能源及动力工程等，致力于为中外同行提供一个高水平的学术交流平台。被SCI、EI Compendex、Scopus、CSCD等数据库收录。2024年SCI影响因子6.1，在JCR两个学科领域均位于Q1区；位于中科院期刊分区，工程技术类1区。
