随着社会工业化进程的推进,空调系统在工业生产中应用越来越广泛,确保车间温度准确稳定已经成为各大工厂车间有效避免安全隐患,高效生产作业的关键条件,空压机作为空调系统中最为关键的设备,其是否能在车间生产作业过程中正常的运转,对整个空调系统安全乃至工厂车间生产效率有着非常重要的作用。本文以空压机作为研究对象,目标在于研究空压机各级运行参数对空压机故障的影响,提出了一种基于变体长短时记忆网络(V-LSTM)的空压机运行参数预测与监测模型,再用Pearson相关性系数确定相关参数输入网络模型,接着采用3σ准则依据采集数据确定故障异常故障阈值。最后根据工厂实测数据进行仿真实验,以此来判断本文提出的变体LSTM模型的有效性,实验结果显示我们提出的变体长短时记忆网络模型对空压机的故障预测与监测具有更高的效率和准确性,最后通过监测的结果建立一个小型的故障机理推理专家系统进行故障诊断。论文主要内容如下:首先,本文通过对空压机的工作原理、机械构造、故障类型、故障机理进行全面理论概括,对本文的课题来源、国内外现状、研究内容、研究意义、进行了详细介绍,主要研究分析了故障诊断系统现状、深度学习算法的现状与长短时记忆网络相关技术的研究现状发展趋势,通过对基础数据特性的分析确定适合的深度学习算法。其次,简单介绍了循环神经网络在数据预测方面的不足,并研究分析了传统的长短时记忆网络基本原理与训练方法,在传统LSTM的算法上,提出了一种轻量级的算法模型V-LSTM,由于传统的LSTM算法中参数量多,必须大量的训练才能使模型收敛。在面对数据稀缺与小型轻量级场景下效果并不明显,本文提出的V-LSTM这种神经网络单元仅利用输入门和遗忘门,并通过简单加和(没有引入新的参数,直接把矩阵元素对应位置相加)得到输出结果,在参数规模上有了极大的优化,使得网络模型训练收敛速度更加迅速。然后我们利用PLC实时采集数据进行模型训练,用训练好的模型对设备参数进行实时监测预测,再使用我们改进的网络模型V-LSTM与传统的LSTM、BP神经网络、SVM比较,证明了本文提出的改进长短时记忆网络算法模型应有更强的有效性。同时,为了使我们提出的V-LSTM达到更好的训练效果,即实现更快的收敛、更好的模型鲁棒性,我们在优化目标上加入了L2范数,实验证明改进后的优化目标可以使模型达到更好的效果。再者,本文研究分析了空压机基本工作原理、确定可能出现的各类故障现象以及故障引发的原因,并在此基础上开发了一个只针对空压机故障推理的轻量级专家系统。一旦在模型预测与监测的过程中出现数据异常等情况,专家系统将自动的给出故障工况点、故障情况、引发故障的原因,最终给出相应处理方法。最后,本文利用C#和matlab开发了一套基于web的空压机故障诊断系统,系统主要功能包括,前端页面实时监测空压机系统各参数数据,包括实时工况、工况判断、工况推理;后台控制主要包括:空压机排气参数预测与监测、知识库和案例库添加管理。系统使用起来高效便捷,能够快速检测故障并诊断故障。