CN111797136A - 基于大数据对空调软故障分析方法、装置及存储介质 - Google Patents

基于大数据对空调软故障分析方法、装置及存储介质 Download PDF

Info

Publication number
CN111797136A
CN111797136A CN202010594851.9A CN202010594851A CN111797136A CN 111797136 A CN111797136 A CN 111797136A CN 202010594851 A CN202010594851 A CN 202010594851A CN 111797136 A CN111797136 A CN 111797136A
Authority
CN
China
Prior art keywords
data
air conditioner
soft fault
fault analysis
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010594851.9A
Other languages
English (en)
Inventor
刘慧琳
邹观华
李云龙
李晓明
方梓泾
林梓健
彭伊敏
陈琛
兰友世
谢华慧
梁淑芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN202010594851.9A priority Critical patent/CN111797136A/zh
Publication of CN111797136A publication Critical patent/CN111797136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Combustion & Propulsion (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Linguistics (AREA)
  • Toxicology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种基于大数据对空调软故障分析方法、装置及存储介质，其中分析方法如下：输入空调在硬故障状态下的第一运行数据；通过肖维勒算法对第一运行数据进行计算，得到异常数据；通过移动平均过程对第一运行数据进行计算，得到噪声数据；通过皮尔森相关系数对异常数据和噪声数据进行分析，通过梯度下降法得到软故障分析模型；根据故障分析模型以及第二运行数据，得到空调的软故障对应的部件。能够准确检测到空调的软故障，从而能够对空调进行维护，提升空调的使用质量。

Description

基于大数据对空调软故障分析方法、装置及存储介质
技术领域
本申请涉及控制技术领域，特别是基于大数据对空调软故障分析方法、装置及存储介质。
背景技术
暖通空调是目前使用比较广泛的空调，但是在使用的过程中，经常会出现各种各样的故障，这些故障经常会影响空调的正常使用，有时甚至还会对空调寿命造成影响。
暖通空调故障按照故障的性质可以分为自然故障和人为故障。自然故障主要是指系统在正常运行的情况下，由于自身原因而造成的故障，一般情况下，在这类的故障中，设备的自然磨损属于比较常见的一种。另外一种重要的暖通空调系统故障分类主要是按照故障程度分类，可以分为硬故障和软故障。硬故障主要指的是暖通空调系统中一些主要的硬件发生故障，包括设备或元件完全失效的故障。一般情况下，这类故障的发生具有很强的突发性，同时也带着很强的破坏性，而这类故障比较容易检测到，一般只要定期检查和维修，就不会带来较大的影响。而软故障则不同，主要指的是设备或元件的逐渐失效和故障的发生，主要会发生在使用过程中，原因主要是疲劳、腐蚀或磨损等，造成部分失效或者完全失效。一般来说，软故障不太容易在日常的检查中发现，再加上如果不及时更换，就更加容易发生。另外，软故障占相当大的比例，属于渐变性的故障，在发生的过程中不会对整个系统造成太大的影响，但是存在平常的故障检测难以被检测到的问题，软故障的规律寻找需要很多数据的支撑，但是这些数据也是难以获取的。
发明内容
为了克服现有技术的不足，本申请的目的在于提供一种基于大数据对空调软故障分析方法、装置及存储介质，能够准确检测到空调的软故障，从而能够对空调进行维护，提升空调的使用质量。
本申请解决其问题所采用的技术方案是：第一方面，本申请提供了基于大数据对空调软故障分析方法，包括以下步骤：
输入空调在硬故障状态下的第一运行数据；
通过肖维勒算法对所述第一运行数据进行计算，得到异常数据；
通过移动平均过程对所述第一运行数据进行计算，得到噪声数据；
通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，通过梯度下降法得到软故障分析模型；
根据故障分析模型以及第二运行数据，得到所述空调的软故障对应的部件。
进一步，在所述通过肖维勒算法对所述第一运行数据进行计算，得到异常数据包括：确定以正态分布的均值为中心的概率带；剔除第一运行数据中所述概率带内的数据，得到异常数据。
进一步，所述通过移动平均过程对所述第一运行数据进行计算，得到噪声数据包括：通过移动平均过程对所述第一运行数据中的白噪声数据进行计算，得到噪声数据。
进一步，所述通过移动平均过程对所述第一运行数据中的白噪声数据进行计算，得到噪声数据，包括：所述第一运行数据中的白噪声数据按照时间序列将每一期值的当前白噪声数据加上前一期白噪声数据的若干倍进行计算，得到噪声数据。
进一步，所述通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，包括：所述通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，得到所述异常数据和所述噪声数据相关系数。
进一步，所述通过梯度下降法得到软故障分析模型包括：根据梯度下降法计算所述异常数据和所述噪声数据的形成的波形中局部的最小值，得到软故障分析模型。
进一步，所述第一运行数据包括空调在硬故障状态下的前6个月的数据。
进一步，所述第一运行数据包括以下至少之一：温度值；电流值；功率值。
第二方面，本申请提供了一种基于大数据对空调软故障分析装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述所述的基于大数据对空调软故障分析方法。
第三方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于大数据对空调软故障分析方法。
第四方面，本申请还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于大数据对空调软故障分析方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下有益效果：本申请实施例输入空调在硬故障状态下的第一运行数据；通过肖维勒算法对所述第一运行数据进行计算，得到异常数据；通过移动平均过程对所述第一运行数据进行计算，得到噪声数据；通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，通过梯度下降法得到软故障分析模型；根据故障分析模型以及第二运行数据，得到所述空调的软故障对应的部件。能够准确检测到空调的软故障，从而能够对空调进行维护，提升空调的使用质量。
附图说明
下面结合附图和实例对本申请作进一步说明。
图1是本申请一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图2是本申请另一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图3是本申请另一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图4是本申请另一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图5是本申请另一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图6是本申请另一个实施例提供的基于大数据对空调软故障分析方法的流程图；
图7是本申请一个实施例提供的一种用于执行基于大数据对空调软故障分析方法的装置示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，如果不冲突，本申请实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
参照图1，本申请提出的基于大数据对空调软故障分析方法，包括以下步骤：
步骤S100，输入空调在硬故障状态下的第一运行数据；
步骤S200，通过肖维勒算法对第一运行数据进行计算，得到异常数据；
步骤S300，通过移动平均过程对第一运行数据进行计算，得到噪声数据；
步骤S400，通过皮尔森相关系数对异常数据和噪声数据进行分析，通过梯度下降法得到软故障分析模型；
步骤S500，根据故障分析模型以及第二运行数据，得到空调的软故障对应的部件。
在一实施例中，对空调中搭建一个物联网系统，将空调中每一个部件设置安装传感器，实时对空调的部件进行数据采集，将硬故障的异常的数据进行记录，将这些数据进行学习。将具体硬故障的数据进行数据挖掘，得到出软故障演变成硬故障的数据模型，可以输入空调在硬故障状态下的第一运行数据；通过肖维勒算法对第一运行数据进行计算，得到异常数据；通过移动平均过程对第一运行数据进行计算，得到噪声数据；通过皮尔森相关系数对异常数据和噪声数据进行分析，通过梯度下降法得到软故障分析模型；根据故障分析模型以及第二运行数据，得到空调的软故障对应的部件。能够准确检测到空调的软故障，从而能够对空调进行维护，提升空调的使用质量。
在一实施例中，第一运行数据可以包括空调在硬故障状态下的前6个月的数据，数据量的大小可以根据实际设定，本实施例不作唯一限定。
在一实施例中，第一运行数据可以包括以下至少之一：温度值；电流值；功率值。本实施例不作具体限定。
参考图2，在本申请的另一个实施例中，步骤S200包括但不限于以下细化步骤：
步骤S210，确定以正态分布的均值为中心的概率带；
步骤S220，剔除第一运行数据中概率带内的数据，得到异常数据。
在一实施例中，确定以正态分布的均值为中心的概率带，可以将第一运行数据中概率带包括的数据进行剔除，得到异常数据，即将第一运行数据中的概率带之外的数据定义为异常数据，为步骤S400预先的数据处理。
例如，在第一运行数据中找到一个以正态分布的均值为中心的概率带，概率带合理地包括数据集中所有n个样本，那么可以认为来自位于该概率带之外的n个样本的任何数据点是异常数据，可以将异常数据从数据集中剔除，并且可以计算基于剩余值和新样本大小的新的均值和标准偏差。异常数据的识别将通过找到与平均值周围的概率带边界相对应的标准偏差的数量并将标准偏差的数量与可疑异常数据与平均值之间的差值的绝对值进行比较实现，通过样本标准差找出异常数据，并将该异常数据的范围进行存储。
参考图3，在本申请的另一个实施例中，步骤S300包括但不限于以下细化步骤：
步骤S310，通过移动平均过程对第一运行数据中的白噪声数据进行计算，得到噪声数据。
在一实施例中，可以通过移动平均过程的公式对第一运行数据中的白噪声数据进行计算，可以得到噪声数据，能够为步骤S400预先的数据处理。
参考图4，在本申请的另一个实施例中，步骤S310包括但不限于以下细化步骤：
步骤S410，对第一运行数据中的白噪声数据按照时间序列将每一期值的当前白噪声数据加上前一期白噪声数据的若干倍进行计算，得到噪声数据。
在一实施例中，移动平均过程(moving average)是一个比白噪声数据复杂的时间序列，它是由下面这个方程产生的。计算公式如下：
yt＝εt+βεt-1
其中，εt为当前白噪声数据，εt-1为前一期白噪声数据，yt为噪声数据。
这个时间序列每一期值的当前的白噪声数据加上前一期的白噪声数据的若干倍。当β＝0时，这个时间序列与白噪声数据相同，因此，白噪声数据是这种时间序列的一个特殊形式。
移动平均过程的无条件期望和方差，可以得到，移动平均过程每一期的变量值是和前一期的变量值存在相关关系，因为它们的表达式中有一个共同的εt-1。因此，这个时间序列的历史数据可以帮助我们更好地预测未来趋势。在第t-1期时，εt-1已经为我们所观测到，而εt-1是一个期望为零的随机变量。
参考图5，在本申请的另一个实施例中，步骤S400包括但不限于以下细化步骤：
步骤S510，通过皮尔森相关系数对异常数据和噪声数据进行分析，得到异常数据和噪声数据相关系数。
在一实施例中，可以通过皮尔森相关系数对异常数据和噪声数据进行分析，能够得到异常数据和噪声数据之间的相关系数，皮尔森相关系数分析：通过衡量线性关联性的程度，皮尔森相关系数的一个几何解释是其代表两个变量的取值根据均值集中后构成的向量之间夹角的余弦。其中相关系数：考察两个事物之间的相关程度。
例如：如果有两个变量：异常数据、噪声数据，最终计算出的相关系数的含义可以有如下理解：
(1)、当相关系数为0时，异常数据和噪声数据两变量无关系。
(2)、当异常数据的值增大(减小)，噪声数据的值增大(减小)，那么两个变量为正相关，得到的相关系数可以在0.00与1.00之间。
(3)、当异常数据的值增大(减小)，噪声数据的值减小(增大)，那么两个变量为负相关，得到的相关系数可以在-1.00与0.00之间。
其中相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。
参考图6，在本申请的另一个实施例中，步骤S400包括但不限于以下细化步骤：
步骤S610，根据梯度下降法计算异常数据和噪声数据的形成的波形中局部的最小值，得到软故障分析模型。
在一实施例中，异常数据/噪声数据可以是为可微分的函数。可以通过梯度下降法找到函数的最小值。例如，函数为正弦函数，函数变化率最大的为函数曲线中梯度数据的最大的位置数据，可以朝着梯度相反的方向，找到函数值下降的最快的位置数据，可以重复利用上述方法，反复求取梯度数据，最后就计算得到局部的最小值。
参考图7，本申请的另一个实施例还提供了一种基于大数据对空调软故障分析装置700，包括：存储器720、控制处理器710及存储在存储器720上并可在控制处理器710上运行的计算机程序，控制处理器执行计算机程序时实现如上任意实施例中的基于大数据对空调软故障分析方法，例如，执行以上描述的图1中的方法步骤S100至S500，图2中的方法步骤S210至步骤S220，图3中的方法步骤S310，图4中的方法步骤S410，图5中的方法步骤S510，图6中的方法步骤S610。
控制处理器710和存储器720可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器720作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器720可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器720可选包括相对于控制处理器710远程设置的存储器，这些远程存储器可以通过网络连接至该基于大数据对空调软故障分析装置700。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
可选地，该基于大数据对空调软故障分析装置700还可以包括近距离无线通信模块、温度传感器、湿度传感器、时钟模块、显示屏、控制按键等。其中，近距离无线通信模块又可以为WIFI模块或者蓝牙模块；另外，当显示屏为触摸显示屏时，控制按键可以为该触摸显示屏的一个按键功能。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本申请的另一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图7中的一个控制处理器720执行，可使得上述一个或多个控制处理器720执行上述方法实施例中的基于大数据对空调软故障分析方法，例如，执行以上描述的图1中的方法步骤S100至S500，图2中的方法步骤S210至步骤S220，图3中的方法步骤S310，图4中的方法步骤S410，图5中的方法步骤S510，图6中的方法步骤S610。
需要说明的是，由于本实施例中的用于执行基于大数据对空调软故障分析方法的装置与上述的基于大数据对空调软故障分析方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于大数据对空调软故障分析方法，其特征在于，包括以下步骤：输入空调在硬故障状态下的第一运行数据；
通过肖维勒算法对所述第一运行数据进行计算，得到异常数据；
通过移动平均过程对所述第一运行数据进行计算，得到噪声数据；
通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，通过梯度下降法得到软故障分析模型；
根据故障分析模型以及第二运行数据，得到所述空调的软故障对应的部件。
2.根据权利要求1所述的基于大数据对空调软故障分析方法，其特征在于：在所述通过肖维勒算法对所述第一运行数据进行计算，得到异常数据包括：
确定以正态分布的均值为中心的概率带；
剔除第一运行数据中所述概率带内的数据，得到异常数据。
3.根据权利要求1所述的基于大数据对空调软故障分析方法，其特征在于：所述通过移动平均过程对所述第一运行数据进行计算，得到噪声数据包括：
通过移动平均过程对所述第一运行数据中的白噪声数据进行计算，得到噪声数据。
4.根据权利要求3所述的基于大数据对空调软故障分析方法，其特征在于：所述通过移动平均过程对所述第一运行数据中的白噪声数据进行计算，得到噪声数据，包括：
所述第一运行数据中的白噪声数据按照时间序列将每一期值的当前白噪声数据加上前一期白噪声数据的若干倍进行计算，得到噪声数据。
5.根据权利要求1所述的基于大数据对空调软故障分析方法，其特征在于，所述通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，包括：
所述通过皮尔森相关系数对所述异常数据和所述噪声数据进行分析，得到所述异常数据和所述噪声数据的相关系数。
6.根据权利要求5所述的基于大数据对空调软故障分析方法，其特征在于：所述通过梯度下降法得到软故障分析模型包括：
根据梯度下降法计算所述异常数据和所述噪声数据的形成的波形中局部的最小值，得到软故障分析模型。
7.根据权利要求1所述的基于大数据对空调软故障分析方法，其特征在于，所述第一运行数据包括空调在硬故障状态下的前6个月的数据。
8.根据权利要求1所述的基于大数据对空调软故障分析方法，其特征在于，所述第一运行数据包括以下至少之一：
温度值；
电流值；
功率值。
9.基于大数据对空调软故障分析的装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至8任一项所述的基于大数据对空调软故障分析方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至8任意一项所述的基于大数据对空调软故障分析方法。
CN202010594851.9A 2020-06-28 2020-06-28 基于大数据对空调软故障分析方法、装置及存储介质 Pending CN111797136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010594851.9A CN111797136A (zh) 2020-06-28 2020-06-28 基于大数据对空调软故障分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010594851.9A CN111797136A (zh) 2020-06-28 2020-06-28 基于大数据对空调软故障分析方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111797136A true CN111797136A (zh) 2020-10-20

Family

ID=72804621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010594851.9A Pending CN111797136A (zh) 2020-06-28 2020-06-28 基于大数据对空调软故障分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111797136A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971027A (zh) * 2017-03-09 2017-07-21 西安建筑科技大学 一种基于dr‑bn模型的冷水机组故障特征选择方法
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN109708249A (zh) * 2018-12-29 2019-05-03 珠海格力电器股份有限公司 空调元器件故障预测方法、装置和计算机设备
CN110425694A (zh) * 2019-08-09 2019-11-08 长江慧控科技(武汉)有限公司 基于phm的高铁智能车站暖通空调能效控制管理方法
CN110826583A (zh) * 2018-08-14 2020-02-21 珠海格力电器股份有限公司 故障的确定方法、装置、存储介质及电子装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971027A (zh) * 2017-03-09 2017-07-21 西安建筑科技大学 一种基于dr‑bn模型的冷水机组故障特征选择方法
CN108507117A (zh) * 2017-10-13 2018-09-07 上海智容睿盛智能科技有限公司 一种基于小波神经网络的空调系统传感器故障诊断方法
CN110826583A (zh) * 2018-08-14 2020-02-21 珠海格力电器股份有限公司 故障的确定方法、装置、存储介质及电子装置
CN109708249A (zh) * 2018-12-29 2019-05-03 珠海格力电器股份有限公司 空调元器件故障预测方法、装置和计算机设备
CN110425694A (zh) * 2019-08-09 2019-11-08 长江慧控科技(武汉)有限公司 基于phm的高铁智能车站暖通空调能效控制管理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李志生;张国强;李利新;李冬梅;梅胜;: "基于概率神经网络的中央空调故障诊断研究", 制冷与空调, no. 06, pages 97 - 100 *
陈友明, 郝小礼: "建筑能源管理与控制系统中传感器故障及其检测与诊断", 暖通空调, no. 02 *

Similar Documents

Publication Publication Date Title
US20220237060A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
US11307570B2 (en) Machine learning based predictive maintenance of equipment
Li et al. Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification
EP3489780B1 (en) Examining apparatus, examining method, program and recording medium
US8825567B2 (en) Fault prediction of monitored assets
EP3847586A1 (en) Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance
US20210157310A1 (en) System and method for forecasting industrial machine failures
US20120310597A1 (en) Failure cause diagnosis system and method
RU2724716C1 (ru) Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
US11933695B2 (en) System and method for detecting anomalies in sensory data of industrial machines located within a predetermined proximity
CN111221706B (zh) 一种cpu使用率预测方法、系统、介质及设备
US20220004163A1 (en) Apparatus for predicting equipment damage
CN112182056A (zh) 一种数据检测方法、装置、设备及存储介质
CN116034321A (zh) 解释工业应用中的机器学习输出
KR102623389B1 (ko) 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램
CN111859625A (zh) 基于大数据的节能控制方法、装置及存储介质
Alomari et al. Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance
CN111797136A (zh) 基于大数据对空调软故障分析方法、装置及存储介质
Hema et al. Robust soft sensor systems for industry: Evaluated through real-time case study
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
CN114416467A (zh) 一种异常检测方法及装置
CN113869373A (zh) 设备异常检测方法、装置、计算机设备和存储介质
Liu et al. A framework for asset prognostics from fleet data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination