CN109977621A - 一种基于深度学习的空调故障预测方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的空调故障预测方法，所属技术领域为空调设备的故障预测和诊断领域。该故障预测方法采用的模型包括：预测模型和故障诊断模型。其中，预测模型主要是实现空调运行数据的预测；故障诊断模型则是实现空调运行状态的识别和诊断。该空调故障预测方法不仅可以有效实现空调的故障预测，还可以推广至其他设备的故障预测中。

Description

一种基于深度学习的空调故障预测方法

【技术领域】

本发明涉及空调设备领域，特别是空调系统的故障预测和诊断领域，该预测方法适用于普通家用空调也同样适用于大型中央空调。

【背景技术】

近年来，伴随着科技的不断发展，人们的生产生活条件不断提高，而机械设备在人们的生活中扮演着重要的角色，但是设备会不可避免的发生故障。设备发生故障时，不仅会影响人们的正常生活，还会造成经济等损失，甚至对人们的生命都会产生威胁。因此，故障预测与诊断成为研究的重要方向领域之一。

在大型建筑系统中，如区域冷却厂房，设备经常退化或故障。此外，设置点，阀门，控制和时间表往往手动调整为特定情况，然后无法返回到正常运行的情况。此外，如若要对系统运行状态进行实时监测，足量的传感器是必不可少的，然而在大多数建筑系统中，传感器的数量是远远不足的。而这些运行状态的监测，是进行故障预测和诊断的基础。在许多商业供暖、通风和空调系统(HVAC)，各种类型的不合格的操作的发生，可能会直接导设备损坏和能源浪费问题。

对于空调系统的故障预测系统的研发，具有很大的经济效益。据统计，2009年，在美国的商业楼宇中，最常见的故障造成超过33亿美元的能源浪费。对于一个大型纺织工厂而言，空调系统的故障意味着大量纺织品质量不合格，从而造成巨大的经济损失。对于民用建筑中的中央空调而言，空调系统的故障会使人们工作和生活的舒适度性大打折扣。而对于洁净室的手术室而言，空调系统的故障更是会威胁到人们的生命安全！往往对于已经故障的空调系统而言，尽快通过故障诊断的手段去寻求故障点，并去集中解决，显得尤为重要。然而，试想人们如果可以在系统将要发生故障的前期，对故障可以准确预测，从而在最佳时期对系统进行检修，那么就可以将突发情况下，系统损坏造成的经济及各方面的损失降到最低。因此，就其发展前景而言，具有很大的研究潜力！

之前，设备故障发生以后，维修工人仅能凭借自己的经验确定设备故障的原因，并进行维修处理。这样，不仅需要维修人员超高的技术素养，还需要花费大量的时间和精力才可以解决故障问题。因此，现在很多学者致力于设备故障的诊断研究，他们打破了之前人为进行故障诊断的思路，试图采用人机交互的方式，直接通过计算机来诊断故障，也取得了不错的结果，计算机诊断的结果比维修员的速度更为迅速且准确率更高。然而，这种方式无法满足实时监测甚至是故障的预测。很多时候，故障的发生就已经意味着能源的浪费和经济的损失，因此，如果在故障发生之前可以准确预测，并给与相应的措施，防患于未然，那将是处理故障的理想方式。基于这种思路，本发明提出一种基于深度学习的空调故障预测方法。

【发明内容】

有鉴于此，本发明提供了一种空调故障预测方法，该方法能够对空调设备进行故障预测，防患于未然，从而优化资源配置，提高管理水平和经济效益。

本发明涉及的一种基于深度学习的空调故障预测方法，该故障预测方法采用的模型包括：预测模型和故障诊断模型。

预测模型主要是完成运行数据的预测任务，该模型采用的是回归模型预测法。回归模型预测采用最小二乘法的方法完成数据预测。

故障诊断模型采用由深度学习算法和模糊算法结合的自适应神经网络训练而成，深度学习算法采用BP神经网络，模糊算法中的隶属函数采用高斯隶属函数。

该模糊神经网络是由前件网络和后件网络构成。其中，前件网络用于匹配模糊规则的前件，后件网络用来产生模糊规则的和后件。

前件网络中网络第一层为输入层，输入层将输入信号x＝[x₁,x₂,x₃]^T输送给下一层。第2层是网络的隐层，它用于计算输入分量属于语言变量值的模糊集的隶属函数，隶属函数用表示：

其中，n是输入变量的维数3，m_i为输入变量的模糊分割数5；

模糊隶属函数采用高斯隶属函数，即隶属函数为：

其中：σ_ij和c_ij分别表示隶属函数的宽度和中心。

第3层中是模糊规则层，其作用是匹配模糊规则的前件，并计算出每条规则的适用度。在模糊规则层中，每一个节点都代表着一条模糊规则，而其中每条规则的适用度是通过下式求得，即：

i₁∈{1,2,···m₁},i₂∈{1,2,···m₂},i₁∈{1,2,···m₃}，其中：m为节点总数，即总规则数。

第4层主要作用是归一化处理，它与第3层的节点数是相同的，即N₄＝N₃＝m，归一化计算的公式如下：

网络的第5层是后件网络，其作用是计算每一条规则的后件，其计算公式如下：

每条规则的后件都变成了最后一层的连接权，系统的输出为：

由上式可得：v是各规则后件的加权和，其中加权系数是各模糊规则归一化的适用度，即前件网络的输出用作后件网络的连接权值。

对于各输入分量的模糊分割数是预先确定的，则在上述参数中，需要学习的参数主要是前件网络第2层中各节点隶属函数的中心值c_ij(i＝0，1,2···,n；j＝1,2···,m_i)和宽度σ_ij(i＝0，1,2···,n；j＝1,2···,m_i)以及后件网络的连接权p_ji(i＝0，1,2···,n；j＝1,2···,m)。

设误差代价函数为

其中：v_di表示期望输出；v_i表示实际输出。

参数的学习算法如下：

其中：i＝0，1,2···,n；j＝1,2···,m；k＝1,2···,r；β＞0为学习效率。

固定参数通过误差反传算法计算出和再通过梯度法进行寻优计算不断调节σ_ij和c_ij，一阶梯度如下：

参数寻优的迭代学习算法如下：

其中：β＞0为学习效率。

本训练网络采用BP神经网络训练系统，学习主要参数为第2层各节点隶属函数的转折点，并不断通过输出误差优化隶属度函数。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明基于深度学习的空调故障预测方法流程图；

图2模糊神经网络示意图。

【具体实施方式】

下面结合附图对本发明进一步详细的说明：本发明的核心是提供一种空调的故障预测方法，该方法主要由预测模型和诊断模型的组合模型实现。首先，将空调运行数据输入到预测模型，预测出后面时间段的运行数据。然后，将预测数据输入训练好的诊断模型。最后，诊断模型输出的结果即为空调运行状态的预测结果。所述的一种基于深度学习的空调故障预测方法的工作步骤为：

第一步：数据收集。对空调实时运行数据进行采集，该运行数据中包含正常数据和故障数据。

第二步：数据处理。对采集的数据进行分类和预处理，数据集分为预测集、训练集和测试集三个数据集。其中，预测集用于运行数据的预测；测试集和训练集用于故障诊断模型的训练和测试。

第三步：空调故障诊断模型的训练。将训练集输入自适应模糊神经网络模型中，通过学习，确定出相关参数值。再将测试集数据输入诊断模型，若输出结果与实际结果超过误差限，则重新进行模型训练，直到满足要求，最终模型训练完成。

第四步：参数预测。将预测集数据输入预测模型后，输出结果为后面时间段的运行数据。

第五步：故障预测。预测模型输出的预测数据输入至训练好的故障诊断模型，输出结果即为空调的运行状态的预测结果。

Claims (5)

1.一种基于深度学习的空调故障预测方法包括：

数据预测方法：该方法用于对空调参数运行数据进行预测；

故障诊断方法：该方法用于对输入的空调参数运行数据进行分析，并输出诊断结果，准确识别出空调运行状态。

2.如权利要求1所述的数据预测方法：

该方法由数据预测模型实现，该数据预测模型由改进后的回归模型实现。

3.如权利要求1所述的故障诊断方法：

该方法由故障诊断模型实现，该模型采用自适应模糊神经网络算法训练所得的诊断模型。

4.如权利要求2所述的改进回归模型：

该回归模型采取短时局部回归预测，不会过分依赖历史数据的影响。

5.如权利要求3所述的自适应模糊神经网络算法：

该算法由模糊算法和深度学习算法相结合，其中深度学习算法采用BP神经网络算法。