第 2 章 栈式自编码器(SAE)

2.1 深度学习概述

深度学习是人工神经网络的进化与衍生，是一种具有多个神经层级的人工 神经网络。人工神经网络是上个世纪 80 年代中期以来兴起的人工智能(Artificial Intelligence, AI)领域的热点。最经典的 BP 神经网络是通过对大脑进行抽象，大 量的神经元通过权值相互连接， 每个节点的输出都要经过激活函数（非线性函数） 的计算， 通过误差反向传播算法对自身进行训练， 来学习数据中隐藏的某种规律， 抽象出事物的特征， 常应用于非线性函数逼近， 分类， 模式识别， 数据压缩四个 方面。但随着数据的数量与复杂程度呈几何倍数增长， 人们需要通过加深神经网 络才适应这些数据， 但随着网络层数的加深， 传统的神经网络出现了以下几个问 题[32]：（1）容易陷入局部最优或鞍点， 难以保证网络收敛到最优解；（2）梯度弥 散，过深的网络结构会导致权值的导数到后来会变得越来越小或者越来越大， 神 经网络会变得无法继续学习；（3）标签的获取： 现实生活中多数的数据是无标签 的，传统的神经网络无法利用这些无标签数据， 而为数据打上标签代价非常高昂， 传统神经网络会因数据量过小，无法进行有效的训练，导致过拟合现象。
经典的机器学习方法无法解决上述问题， 深度学习便被提了出来。2006 年， 加拿大多伦多教授 Geoffrey Hinton 在《Nature》上所发表的文章中首次提出了深 度学习(Deep Learning)的思想[33] ，并提出以下两个观点：（1）多隐层神经网络比 单隐层神经网络有着更强的学习能力， 能够学到更高层更抽象的数据特征；（2） 为解决深层结构相关优化问题，提出基于深度置信网络(Deep Belief Network ， DBN)的非监督贪心逐层训练算法。
此后， 深度学习在学术界与工业界发展迅猛， 经过十几年的发展， 已经具备 了其他传统机器学习算法无法比拟的优势：（1）性能更加强大， 面对复杂繁多的 数据， 深度学习网络在精确度， 泛化能力等方面的表现已经远超传统机器学习， 而且这种差距无法弥补；（2）不需要特征工程， 传统的机器学习方法采用的是“数 据处理特征提取+机器学习模型”方式， 而许多深度学习算法中不需要提取特征， 可直接将数据输入网络， 便可得到优秀的性能， 大大简化工作量；（3）对无标签 数据的利用， 深度学习网络可以直接利用无标签数据进行预训练， 与传统机器学

习相比， 对现代数据有着更好的适应性。各个领域的专家开始尝试研究深度学习 理论，应用深度学习方法来解决各自领域的难题。
近年来， 深度学习领域已经出现了许多经典的深度学习模型， 具体如图 2-1 所示。它们已经在语音识别、计算机视觉和自然语言处理等领域取得了巨大成功， Mohamed AR、Sainath TN、Dahl G 等人[34]将深度学习技术应用于因素识别和大 词汇量连续语音识别中， 有效提取更具表征能力的特征， 大大降低了语音识别错 误率； Krizhevsky A、Sutskever I、Hinton GE 等人[35]将卷积神经网络层数加深，
构建深度卷积神经网络， 并提升其在 Image Net 数据集中的分类性能； SocherR,、 Jefftey P 、Eric H 等人研究了深度学习技术在自然语言处理方面的应用，构建学 习模型， 并详细描述了模型学习短语或任意类型长度句子特征的过程。此外， 深 度学习在生物制药、搜索引擎、智能设备、物联网等方面应用的研究也进行的如 火如荼，许多类似的项目如雨后春笋般地涌现出来。

图 2-1 深度学习经典模型分类图

第 3 章 SAE 网络在制冷系统中的故障诊断研究

制冷系统是一个复杂的热力系统， 它由复杂的制冷压缩机、众多的辅助设备、 精细的自动控制元件组成， 制冷剂与润滑油不仅在系统工作时， 不断循环变化成 气、液及气液混合三种状态， 同时容易混有气体、杂质、水等有害物质。所以制 冷系统的故障呈以下几种特点[21,53,54]：
（1）故障原因与故障表现呈多样性，制冷系统组成部件众多而松散，各个 部件都有可能发生， 同时会引起温度、压力、流量、噪音等众多物理参数的异常。
（2）故障原因与现象之间关系的存在不确定性，某个原因可能会引起多个 故障现象，某个现象可能是多个故障原因造成的。
（3）参数之间存在着耦合关联性，系统运行时，会影响运行参数，参数的 变化会引起其他参数的变化，单纯地依靠参数变化很难判断系统故障。
（4）某些参数难以获得。
现在迎来大数据时代， 大数据特点与制冷系统的上述特点相结合， 使得制冷 系统的故障数据具有了一些新的特性： 数量更多， 维度更高， 参数相互之间的关 系更复杂，而 SAE 网络具着强大的学习能力和擅长处理非线性问题能力，所以 本章对将 SAE 网络引入到制冷系统的故障诊断中进行研究。

3.1 基于 SAE 网络故障诊断流程

基于 SAE 网络的制冷故障诊断的流程如图 3-1 所示。
（1）故障数据预处理。实验采集的数据通常混有稳态数据、瞬态数据、异 常数据等各类数据， 本文故障诊断只需要稳态数据， 所以先从实验原始数据筛选 出稳态数据，再对稳态数据进行归一化处理。
（2）设定 SAE 网络的结构与超参数。通过分析网络结构、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 网络性能的影响，根据具体数据集选择合理的超参数。
（3）SAE 网络训练。先使用无标签数据利用逐层贪婪训练法对 SAE 网络进 行预训练， 待网络收敛后， 再使用含有标签故障数据进行微调。网络再次收敛后， 使用测试集中的数据集测试网络性能， 若故障诊断精度无法满足要求， 不断重复 。

第 2 步与第 3 步，直到诊断精度满足要求为止。
（4）利用 SAE 网络进行故障诊断。将未知故障的数据数据输入训练好的 SAE 诊断模型中去，网络的输出便是诊断出的故障类型。

第 4 章 基于仿真的 SAE 网络在船舶制冷系统故障诊 断中的应用

实际是测得制冷系统的故障数据非常困难，主要有有以下三种原因： 1.制冷 系统是一个非常复杂的系统， 特别是在船舶上， 有些参数是难以测量的； 2.制冷 装置在实际运行中， 绝大多数时间处于稳定的正常工作状态， 导致故障数据难以 获得； 3.若依靠台架实验模拟故障， 由于实验测试时， 对传感器的安装布置及测 试环境都有一定的要求， 而且在故障状态下的模拟实验通常会伴有破坏性， 实验 成本较大， 难以大量进行。所以本章将对船舶制冷系统进行故障仿真， 取得仿真 故障数据， 再使用 SAE 网络对仿真故障数据进行故障诊断应用， 研究 SAE 网络 在仿真故障数据中的可行性。

4.1 船舶制冷系统

4.1.1 船舶制冷系统概述

船舶制冷主要用于船舶冷藏运输， 船舶伙食冷藏和船舶空气调节等方面。在 船舶上， 冷藏制冷系统与空气调节系统是两个相对独立的系统， 但它们的系统组 成基本相似， 实现的功能也大体一样，仅在舱室负荷和目标控制有着不同之处， 在温度控制部分亦可作相似处理[57]。
船舶冷藏运输是食品冷藏链的重要组成之一，它包括了冷藏渔船， 冷藏运输 船和冷冻母船[58] 。 冷藏渔船一般与捕捞船组结成一队， 集中对捕捞的鱼类进行 冷藏； 冷藏运输船是对冷藏品进行运输， 其中由于冷藏集装箱具有设备少、结构 紧凑、宽泛的调温范围、精确的温度调节与较高的可靠性等优点[59]，冷藏集装箱 在冷藏运输船上的应用已经慢慢取代传统的船舶冷藏货舱；冷冻母船是指可进 行冷藏运输的万吨级以上的大船。
船舶伙食冷藏的功能是保证船舶航行期间， 船员与乘客的必要食物存储， 是 重要的船舶生活保证设施之一。船舶冷库一般分为多个分库， 分别存放鱼、肉食 类食品、水果蔬菜蛋奶类与粮食， 通过低温降低抑制微生物的活动与食品货物的 呼吸作用来延长保质期。

46

设备运行和人体自身的新陈代谢产生的热量与水蒸气会散发到空气中去， 使空气状态发生变化， 人体的舒适感与空气的温度、湿度、洁净度、室内外温差 等有关， 为了给舱室中的工作人员提供一个舒适的工作生活环境， 现代船舶大多 设有空气调节系统，将空气质量维持在规定的范围内。
尽管船舶制冷技术是一种在陆用制冷技术基础上的扩展和延伸，但它也有 着自身的特点[58]：
（1）船舶的工作环境可能遍布于全球，南北极与赤道的环境截然不同，制 冷负荷工况变换较大；
（2）必须具有隔热和气密性良好的船体结构；
（3）要有足够的制冷量，而且要求制冷装置与设备要运行可靠； （4）在船舱的结构设计上，要适应装卸货物的要求；
（5）船舶制冷系统应该具有良好的自动控制系统，为冷藏货物提供良好的 温度、湿度与通风条件；
（6）船舶的制冷系统及其阀件技术、自动控制器等比陆用技术要求更高。
4.1.2 船舶制冷系统的组成

船舶上广泛应用的制冷技术为蒸汽压缩式制冷方式，按照制冷剂压力从高 到低的设备顺序为： 压缩机→滑油分离器→冷凝器→贮液器→ （回热器→ )过滤 干燥器→ 电磁阀→节流阀→蒸发器→蒸发器压力调节阀→ （气液分离器→ ) 压缩 机。
4.1.3 制冷系统的基本工作原理

蒸汽压缩式制冷系统一般由压缩机， 冷凝器， 节流阀与蒸发器四个主要部件 组成，其工作循环主要分为四个过程：
（1）压缩过程：从蒸发器出来的过热低温低压制冷剂气体，经过压缩机压 缩， 把机械能转化成热能传给制冷剂， 制冷剂变成高温高压制冷剂气体， 其理想 过程为绝热过程。
（2）冷凝过程：由于从压缩机出来的高温高压气体制冷剂气体的温度比外 界环境空气或冷却水温度高，制冷剂把热量传给外界（舷外水），降温成过冷的 高温高压液体，其理想过程为等压放热过程。
（3）节流过程：从冷凝器或储液器过来的高温高压制冷剂液体，经过节流

47

阀节流作用， 制冷剂压力变低， 沸点变低， 制冷剂液体汽化成气体， 自身温度下 降，变成低温低压的混合态制冷剂，其理想过程为等熵过程。
（4）蒸发过程：从节流阀过来的低温低压混合态制冷剂，其温度比冷库或 冷冻水温度低， 通过吸收冷库空气或冷冻水的热量， 升温成过热的低温低压气体， 其理想过程为等压吸热过程。
这样制冷系统就是通过制冷剂把低温冷库的热量源源不断地转移到高温的 外界环境，来维持冷库的低温状态。

4.2.5 基于 Matlab/Simulink 的仿真建模

制冷系统模型由压缩机、冷凝器、节流阀和蒸发器四个模块组成一个闭环回 路，系统中的参数有的只是影响单个部件， 有的则是通过制冷剂流动与热量传递 影响整个系统[66]，四个部件模块依靠制冷剂的流量质量与比焓相互联系。本文采 用的系统仿真算法流程图如图 4-3 所示。

输入工况参数与已知条 件

假设 冷凝 温度 Tk、 蒸发温度Te

YES

输出结果

结束
图 4-3 制冷系统稳态仿真流程图
根据前文的数学模型，在 Matlab/Simulink 环境下，搭建相应的子模型，再 通过与制冷剂的质量、能量相关的热力学参数连接四个子模块， 组成整个制冷系 统的仿真模型。具体模型如图 4-4 至图 4-8 所示。

58

图 4-4 整体模型图

第五章 总结与展望

5.1 论文工作总结

深度学习在人工智能领域中是一个新兴的、极具潜力的研究热点，其中的 SAE 网络凭借着深度学习具有的自适应提取特征能力与更强大的学习能力，消 除了特征工程的繁琐并且提高了故障诊断的精确性。本文使用了 ASHRAE 1043- RP 项目数据集与仿真故障数据集， 将 SAE 网络引入制冷系统的故障诊断中， 并 与传统故障诊断方法进行实验对比，证明了该方法在制冷故障诊断方面的可用 性与优越性。本文主要工作如下：
（1）通过学习与研究有关深度学习在故障诊断中应用的国内外文献资料与 深度学习的相关概念后，将 SAE 网络的诊断方法引入制冷系统故障诊断中，并 详细介绍 SAE 网络的工作原理、特点与训练过程， 为 SAE 网络的应用到制冷故 障诊断提供了理论基础。
（2）利用 ASHRAE 1043-RP 项目的故障数据， 不手动提取特征、只进行数 据预处理后，使用 tensorflow 框架建立基于 SAE 网络的制冷故障诊断模型。研 究了网络结构、epoch 值、训练集与测试集样本数量比例、 batch_size 值、学习 率、优化器与噪声系数对网络性能的影响，确定性能最佳的 SAE 网络。把该方 法与 PCA+SVM 模型、BP 神经网络这两种诊断方法在不同故障、不同故障等级 下进行对比研究。结果表明， 网络的超参数对最终的诊断性能有着复杂的影响， 优化网络超参数对确定一个高性能 SAE 网络来说非常重要； SAE 网络在制冷系 统故障诊断中， 表现出来的性能都要优于其他两种故障诊断方法， 特别是在低故 障等级下 SAE 网络性能表现更加优异；制冷剂泄漏与制冷剂过量这两种故障更 难被检测。
（3）使用 Matlab/Simulink 平台搭建仿真模型， 与实测数据进行对比， 结果 表明仿真数据与实测数据的误差在理想范围内， 可以满足故障仿真的研究需要。
（4）通过查阅相关文献，选取了制冷剂泄漏、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 种在制冷系统中的常见故 障，并在不同故障等级下进行了故障仿真， 结合制冷系统的实际工作原理与故障 仿真数据进行了故障机理分析，并收集到仿真故障数据集。

文章底部可以获取博主的联系方式，获取源码、查看详细的视频演示，或者了解其他版本的信息。
所有项目都经过了严格的测试和完善。对于本系统，我们提供全方位的支持，包括修改时间和标题，以及完整的安装、部署、运行和调试服务，确保系统能在你的电脑上顺利运行。