CN111814976B - 一种空调系统传感器故障误差再学习方法及系统 - Google Patents

一种空调系统传感器故障误差再学习方法及系统 Download PDF

Info

Publication number
CN111814976B
CN111814976B CN202010676072.3A CN202010676072A CN111814976B CN 111814976 B CN111814976 B CN 111814976B CN 202010676072 A CN202010676072 A CN 202010676072A CN 111814976 B CN111814976 B CN 111814976B
Authority
CN
China
Prior art keywords
data
neural network
error
prediction error
relearning
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.)
Active
Application number
CN202010676072.3A
Other languages
English (en)
Other versions
CN111814976A (zh
Inventor
闫秀英
张伯言
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202010676072.3A priority Critical patent/CN111814976B/zh
Publication of CN111814976A publication Critical patent/CN111814976A/zh
Application granted granted Critical
Publication of CN111814976B publication Critical patent/CN111814976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity

Abstract

本发明公开了一种空调系统传感器故障误差再学习方法及系统，利用传感器的历史数据作为训练数据，构建基础神经网络，得到预测误差；由于该预测误差数据相对较小，通过对预测误差进行比例扩大化处理后，再通过标准差删除离群数据，使数据分布稳定；利用分布稳定的数据进行再学习后，得到的预测结构更加准确；最终对再学习后的数据进行回归，得到真实的误差数据，使预测数据更加逼近实际数据，降低了残差故障识别产生的消极影响，故障识别精准度更高，满足误差程度较小的误差识别，具有广泛的适用性；本发明在承认误差存在的基础上，通过再学习神经网络，对故障进行预测，从而达到消弭误差，提高准确性的作用，故障预测精准度较高。

Description

一种空调系统传感器故障误差再学习方法及系统
技术领域
本发明属于空调传感器故障诊断技术领域，特别涉及一种空调系统传感器故障误差再学习方法及系统。
背景技术
现代空调系统大多依靠自动化控制，来满足使用者舒适性和规定能耗要求；当空调控制系统出现故障后，会造成不必要的能源浪费和影响使用者舒适性要求；因此，检测并诊断空调系统的故障显得极为重要。传感器作为空调控制系统的重要组成部分，直接决定来对于空调系统故障诊断的准确度和精度；由此，传感器的故障诊断就显得尤为重要，尤其是一些小的故障，目前的一些检测手段很难检测到，然而这些故障程度较小的故障有可能会对空调系统造成较大的隐患。
目前，关于传感器故障诊断普遍采用BP神经网络法、小波分析法或模糊神经网络法等；其中，BP神经网络法是一种信号前向传递，按误差反向传播的多层前馈神经网络；BP神经网络能够学习和储存大量的输入和输出模式映射关系，无需事前关系的数学方程；BP神经网络包含输入层、隐含层及输出层；输入数据通过输入层传经过标准化处理并施以相应权阈值，激活函数传递到隐含层，隐含层再次通过相应的权阈值和激活函数传递到输出层，输出层输出相应的神经网络预测值；若输出层的预测输出数据未达到相应的期望输出数据，则进行误差逆向传播阶段；将输出误差按照一定的方式“返还”各层，并修改各层的权值阈值；通过不断的修改，即神经网络的学习过程，误差减小到一定可接受的程度时或者一定的学习次数时截至，输出预测输出数据。
当前，BP神经网络法已经广泛的应用到空调系统传感器的故障诊断中，但在一些小程度的故障上仍不能有很好的效果，原因在于目前的BP神经网络在预测数据中存在着较大的误差值，如果该误差值的误差范围大于空调系统传感器故障的程度，则很难区分是神经网络数据预测结果本身误差导致还是空调系统传感器故障导致；
因此，需要通过一种方法在不改变神经网络本身结构的前提下，减小预测数据误差的方法，更逼近实际数据；现有基于BP神经网络故障诊断法基础上，提高利用神经网络对空调系统传感器微小故障，检测的准确度。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种空调系统传感器故障误差再学习方法、系统及储存介质，以解决现有的BP神经网络在预测数据中存在较大的误差值，进而导致空调传感器系统故障诊断的精度降低的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种空调系统传感器故障误差再学习方法，包括以下步骤：
步骤1、实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；
步骤2、构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；
步骤3、将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；
步骤4、利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差；
步骤5、将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；
步骤6、剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
步骤7、构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络；
步骤8、将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；
步骤9、利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据。
进一步的，步骤1中，空调系统的传感器数据包括新风温度、新风湿度、送风温度、送风湿度及回风温度；步骤3中，输入数据a1包括新风温度、新风湿度、送风温度、送风湿度及回风温度；输出数据a2包括回风温度。
进一步的，步骤1中，将训练样本中的若干传感器数据随机打乱后，按照1:1的比例，将若干传感器数据划分为a组样本数据及b组样本数据。
进一步的，步骤2中，基础神经网络采用BP神经网络；步骤7中，再学习神经网络采用BP神经网络。
进一步的，步骤4中，预测误差a预测误差的数学表达式为：
预测误差a预测误差＝输出数据a2-预测输出数据a预测。
进一步的，步骤5中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值，a预测误差max为预测误差a预测误差中的最大值元素，最小值元素a预测误差min为预测误差a预测误差中的最小值元素。
进一步的，步骤8中，预测误差回归数据a预测回归的数学表达式为：
进一步的，步骤9中，输出数据a输出的数学表达式为：
a输出＝a预测-a预测回归。
本发明还提供了一种空调系统传感器故障误差再学习系统，包括传感器数据采集模块、基础神经网络模块及再学习神经网络模块；
所述传感器数据采集模块，用于实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；
基础神经网络模块，用于构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差；将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
再学习神经网络模块，用于构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络；将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据。
与现有技术相比，本发明的有益效果为：
本发明提供了一种空调系统传感器故障误差再学习方法及系统，利用传感器的历史数据作为训练数据，构建基础神经网络，得到预测误差；由于该预测误差数据相对较小，通过对预测误差进行比例扩大化处理后，再通过标准差，删除离群数据，使数据分布稳定；利用分布稳定的数据进行再学习后，得到的预测结构更加准确；最终对再学习后的数据进行回归，得到真实的误差数据，使预测数据更加逼近实际数据，降低了残差故障识别产生的消极影响，故障识别精准度更高，满足误差程度较小的误差识别，具有广泛的适用性，有效提高了空调传感器系统故障诊断的精度。
本发明所述的一种空调系统传感器故障误差再学习方法及系统，在承认误差存在的基础上，通过再学习神经网络，对故障进行预测，从而达到消弭误差，提高准确性的作用，故障预测精准度较高；在故障诊断方面可以检测出误差程度更小的误差，且能够满足应用在其他神经网络中，具有广泛的适用性；本发明所述的空调机组传感器故障误差再学习方法也可以运用在空调系统故障的诊断上，而不局限于空调机组传感器的故障诊断中，具有广泛性。
附图说明
图1为实施例1中，空调系统传感器回风湿度百分比的真实值、经过现有的BP神经网络及本发明的再学习神经网络预测后的回风湿度百分比数据曲线；
图2为实施例1中，经过现有的BP神经网络及本发明的再学习神经网络预测后回风湿度的相对误差曲线；
图3为实施例2中，从第101组到第300组传感器数据，设置漂移程度0.05/单位的漂移故障测试时，现有的BP神经网络和本发明的再学习神经网络预测的回风湿度的相对误差曲线图；
图4为实施例2中，从第101组到第300组传感器数据，设置偏置程度为2％的偏置故障测试时，现有的BP神经网络和本发明的再学习神经网络预测的回风湿度的相对误差结果曲线图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明。
本发明提供了一种空调系统传感器故障误差再学习方法，包括以下步骤：
步骤1、实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；其中，空调系统的传感器数据包括新风温度、新风湿度、送风温度、送风湿度及回风温度；将训练样本中的若干传感器数据随机打乱后，按照1:1的比例，将若干传感器数据划分为a组数据及b组数据。
步骤2、构建基础神经网络，其中，基础神经网络采用BP神经网络；并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络。
步骤3、将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；其中，输入数据a1包括新风温度、新风湿度、送风温度、送风湿度及回风温度；输出数据a2包括回风温度。
步骤4、利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差，并求得预测误差a预测误差中的最大值元素a预测误差max和最小值元素a预测误差min；
其中，预测误差a预测误差的数学表达式为：
预测误差a预测误差＝输出数据a2-预测输出数据a预测。
步骤5、将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；
其中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值。
步骤6、剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的排列顺序排列，得到新的元素集合a'预测数据；
步骤7、构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络。
步骤8、将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；
其中，预测误差回归数据a预测回归的数学表达式为：
步骤9、利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据；进而获取空调系统传感器故障信息；
其中，输出数据a输出的数学表达式为：
a输出＝a预测-a预测回归。
本发明还提供了一种空调系统传感器故障误差再学习系统，包括传感器数据采集模块、基础神经网络模块及再学习神经网络模块；
所述传感器数据采集模块，用于实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；
基础神经网络模块，用于构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差，并求得预测误差a预测误差中的最大值元素a预测误差max和最小值元素a预测误差min；将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的排列顺序排列，得到新的元素集合a'预测数据；
再学习神经网络模块，用于构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络；将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据，进而获取空调系统传感器故障信息。
本发明所述的一种空调系统传感器故障误差再学习方法及系统，利用传感器的历史数据作为训练数据，构建基础神经网络，得到预测误差；由于该预测误差数据相对较小，通过对预测误差进行比例扩大化处理后，再通过标准差，删除离群数据，使数据分布稳定；利用分布稳定的数据进行再学习后，得到的预测结构更加准确；最终对再学习后的数据进行回归，得到真实的误差数据，使预测数据更加逼近实际数据，降低了残差故障识别产生的消极影响，故障识别精准度更高，满足误差程度较小的误差识别，具有广泛的适用性。
实施例1
实施例1中，获取某中央空调系统中的100组传感器数据，利用所述的空调系统传感器故障误差再学习方法，进行传感器故障诊断，具体包括以下步骤：
步骤1、实时采集某空调系统的100组传感器数据，其中，每组传感器数据中包括同一时刻空调系统的新风温度、新风湿度、送风温度、送风湿度及回风温度，构建训练样本；将训练样本中的传感器数据随机打乱后，按1:1的比例，将其中50组传感器数据作为a组样本数据，将剩余50组数据作为b组样本数据。
步骤2、采用BP神经网络，构建基础神经网络，其中，BP神经网络的输入层包括5个输入点，输出层包括1个输出点，隐藏层包括8个神经元；并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络。
步骤3、将a组样本数据中同一时刻空调系统的新风温度、新风湿度、送风温度、送风湿度及回风温度数据作为输入数据a1，将a组样本数据中同一时刻空调系统的回风温度数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测。
步骤4、利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差，并求得预测误差a预测误差中的最大值元素a预测误差max和最小值元素a预测误差min；
其中，预测误差a预测误差的数学表达式为：
预测误差a预测误差＝输出数据a2-预测输出数据a预测。
步骤5、将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；
其中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值。
步骤6、剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
步骤7、构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络。
步骤8、将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；
其中，预测误差回归数据a预测回归的数学表达式为：
步骤9、利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果，将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据，进而获取空调系统的传感器故障信息；
其中，输出数据a输出的数学表达式为：
a输出＝a预测-a预测回归。
在同等条件下，利用现有的BP基础神经网络对获取某中央空调系统中的100组传感器数据，进行传感器故障诊断，获取传感器故障数据，判断传感器故障信息。
附图1给出了空调系统传感器的回风湿度百分比的真实值、经过现有的BP神经网络预测后的回风湿度百分比数据及经过本发明的再学习神经网络预测后的回风湿度百分比数据曲线，从附图1中可以看出，经过本发明所述的故障误差再学习方法，获得的回风湿度的百分比更接近空调传感器的回风湿度百分比的真实值，预测结果准确度较高。
附图2给出了经过现有的BP神经网络及经过本发明的再学习神经网络预测后的回风湿度的相对误差曲线，从附图2中可以看出，经过本发明所述的故障误差再学习方法预测的回风湿度相对误差明显小于经过现有的BP神经网络预测的回风湿度相对误差，其平均误差从0.0862下降到0.0690，平均误差下降了19.95％。
实施例2
本实施例中，获取某中央空调系统中的300组传感器数据，利用所述的空调系统传感器故障误差再学习方法，进行传感器故障诊断，具体包括以下步骤：
步骤1、实时采集某空调系统的300组传感器数据，其中，每组传感器数据中包括同一时刻空调系统的新风温度、新风湿度、送风温度、送风湿度及回风温度，构建训练样本；将训练样本中的传感器数据随机打乱后，按1:1的比例，将其中150组传感器数据作为a组样本数据，将剩余150组数据作为b组样本数据。
步骤2、采用BP神经网络，构建基础神经网络，其中，BP神经网络的输入层包括5个输入点，输出层包括1个输出点，隐藏层包括8个神经元；并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络。
步骤3、将a组样本数据中同一时刻空调系统的新风温度、新风湿度、送风温度、送风湿度及回风温度数据作为输入数据a1，将a组样本数据中同一时刻空调系统的回风温度数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测。
步骤4、利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差，并求得预测误差a预测误差中的最大值元素a预测误差max和最小值元素a预测误差min；
其中，预测误差a预测误差的数学表达式为：
预测误差a预测误差＝输出数据a2-预测输出数据a预测。
步骤5、将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；
其中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值。
步骤6、剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
步骤7、构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络。
步骤8、将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；
其中，预测误差回归数据a预测回归的数学表达式为：
步骤9、利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据；进而获取空调系统传感器故障信息；
其中，输出数据a输出的数学表达式为：
a输出＝a预测-a预测回归。
在同等条件下，利用现有的BP神经网络对获取某中央空调系统中的300组传感器数据，进行传感器故障诊断，获取传感器故障数据，判断传感器故障信息。
附图3中给出了从第101组到第300组传感器数据，设置漂移程度0.05/单位的漂移故障测试时，现有的BP神经网络和本发明的再学习神经网络预测的回风湿度相对误差结果曲线图；从附图3中可以看出，漂移程度为0.05/单位的故障测试情况下，现有的BP神经网络诊断成功率分布在29％-47％之间，而再学习神经网络诊断成功率分布在31％-67％之间，诊断成功率普遍提高了4％-22％，平均检测的准确率从37.91％上升到48.47％，提高了10.44％。
附图4给出了从第101组到第300组传感器数据，设置偏置程度为2％的偏置故障测试时，现有的BP神经网络和本发明的再学习神经网络预测的回风湿度相对误差结果曲线图；从附图4中可以看出，设置偏差程度为2％的漂移故障时，采用现有的BP神经网络的诊断率较低；以0.4的故障触发阈值作为划定界限，现有的BP神经网络诊断成功率分布在35％-49.5％之间，再学习神经网络诊断成功率分布在36％-58％之间，诊断成功率普遍提高了2％-11.5％，平均检测的准确率从41.5％上升到49.1％，提高了7.6％。
本发明所述的一种空调系统传感器故障误差再学习方法及系统，在承认误差存在的基础上，通过再学习神经网络，对故障进行预测，从而达到消弭误差，提高准确性的作用，故障预测精准度较高；在故障诊断方面可以检测出误差程度更小的误差，且能够满足应用在其他神经网络中，具有广泛的适用性；本发明所述的空调机组传感器故障误差再学习方法也可以运用在空调系统故障的诊断上，而不局限于空调机组传感器的故障诊断中，具有广泛性。
以上所述仅表示本发明的优选实施方式，任何人在不脱离本发明的原理下而做出的结构变形、改进和润饰等，这些变形、改进和润饰等均视为在本发明的保护范围内。

Claims (8)

1.一种空调系统传感器故障误差再学习方法，其特征在于，包括以下步骤：
步骤1、实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；
步骤2、构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；
步骤3、将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；
步骤4、利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差；
步骤5、将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；其中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值，a预测误差max为预测误差a预测误差中的最大值元素，最小值元素a预测误差min为预测误差a预测误差中的最小值元素
步骤6、剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
步骤7、构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络；
步骤8、将步骤3中的预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；
步骤9、利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据。
2.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤1中，空调系统的传感器数据包括新风温度、新风湿度、送风温度、送风湿度及回风温度；步骤3中，输入数据a1包括新风温度、新风湿度、送风温度、送风湿度及回风温度；输出数据a2包括回风温度。
3.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤1中，将训练样本中的若干传感器数据随机打乱后，按照1:1的比例，将若干传感器数据划分为a组样本数据及b组样本数据。
4.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤2中，基础神经网络采用BP神经网络；步骤7中，再学习神经网络采用BP神经网络。
5.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤4中，预测误差a预测误差的数学表达式为：
预测误差a预测误差＝输出数据a2-预测输出数据a预测。
6.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤8中，预测误差回归数据a预测回归的数学表达式为：
7.根据权利要求1所述的一种空调系统传感器故障误差再学习方法，其特征在于，步骤9中，输出数据a输出的数学表达式为：
a输出＝a预测-a预测回归。
8.一种空调系统传感器故障误差再学习系统，其特征在于，包括传感器数据采集模块、基础神经网络模块及再学习神经网络模块；
所述传感器数据采集模块，用于实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；
基础神经网络模块，用于构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；将a组样本数据中的一部分数据作为输入数据a1，剩余部分数据作为输出数据a2；将输入数据a1带入训练后的基础神经网络中，得到预测输出数据a预测；利用输出数据a2与预测输出数据a预测，计算得到预测误差a预测误差；将预测误差a预测误差按比例扩大到预设扩大分布区间(-n，n)中，得到比例扩大数据组a'；剔除比例扩大数据a'中的数据，构建传感器误差数据集合a”；获取传感器误差数据集合a”中与预测误差a预测误差一一对应的元素，并按预测误差a预测误差与传感器误差数据集合a”相对应的顺序排列，得到新的元素集合a'预测数据；
其中，比例扩大数据组a'的数学表达式为；
其中，a'(x)为比例扩大数组a'中的第x个元素，a预测误差(x)为预测误差a预测误差中的第x个元素，n为预设扩大分布区间的上限值，a预测误差max为预测误差a预测误差中的最大值元素，最小值元素a预测误差min为预测误差a预测误差中的最小值元素；
再学习神经网络模块，用于构建再学习神经网络，并将新的元素集合a'预测数据中的数据带入再学习神经网络，进行再学习神经网络训练，得到训练后的再学习神经网络；将预测输出数据作为a预测作为输入数据，带入训练后的再学习神经网络，得到再学习神经网络的输出数据am；对再学习神经网络的输出数据am进行范围逆过程化，得到预测误差回归数据a预测回归；利用预测输出数据a预测及预测误差回归数据a预测回归，计算得到输出数据a输出，输出数据a输出即为所述空调系统传感器故障误差再学习方法结果；将输出数据a输出与预设阈值进行对比，当输出数据输出数据a输出中超出阈值部分的数据，即为传感器故障数据。
CN202010676072.3A 2020-07-14 2020-07-14 一种空调系统传感器故障误差再学习方法及系统 Active CN111814976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010676072.3A CN111814976B (zh) 2020-07-14 2020-07-14 一种空调系统传感器故障误差再学习方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010676072.3A CN111814976B (zh) 2020-07-14 2020-07-14 一种空调系统传感器故障误差再学习方法及系统

Publications (2)

Publication Number Publication Date
CN111814976A CN111814976A (zh) 2020-10-23
CN111814976B true CN111814976B (zh) 2024-04-09

Family

ID=72864756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010676072.3A Active CN111814976B (zh) 2020-07-14 2020-07-14 一种空调系统传感器故障误差再学习方法及系统

Country Status (1)

Country Link
CN (1) CN111814976B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022126397A1 (zh) * 2020-12-15 2022-06-23 深圳市大疆创新科技有限公司 传感器的数据融合方法、设备及存储介质
CN113188235A (zh) * 2021-05-28 2021-07-30 西安建筑科技大学 空调系统内传感器多源故障诊断方法、系统及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
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
CN108592352A (zh) * 2018-05-09 2018-09-28 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
CN109657789A (zh) * 2018-12-06 2019-04-19 重庆大学 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN110245745A (zh) * 2019-05-30 2019-09-17 华中科技大学 基于集成双向循环神经网络的设备剩余使用寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11379284B2 (en) * 2018-03-13 2022-07-05 Nec Corporation Topology-inspired neural network autoencoding for electronic system fault detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
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
CN108592352A (zh) * 2018-05-09 2018-09-28 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
CN109657789A (zh) * 2018-12-06 2019-04-19 重庆大学 基于小波神经网络的风机齿轮箱故障趋势预测方法
CN110245745A (zh) * 2019-05-30 2019-09-17 华中科技大学 基于集成双向循环神经网络的设备剩余使用寿命预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Sensor fault detection and its efficiency analysis in air handling unit using the combined neural networks;Du zhiming etal.;Energy and buildings;20141130;全文 *
基于BP神经网络优化的离心式冷水机组故障诊断研究;梁晴晴等;制冷与空调;20160131;第16卷(第1期);全文 *
基于GA-BP神经网络建筑负荷预测模型;雷磊;闫秀英;;现代物业(中旬刊);20191215(第12期);全文 *
基于遗传算法-误差反传神经网络的变风量空调系统空调箱故障诊断;张善兴;何金凝;杜志敏;何军;晋欣桥;;制冷技术;20191015(第05期);全文 *

Also Published As

Publication number Publication date
CN111814976A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
Jiang et al. Indoor occupancy estimation from carbon dioxide concentration
US6609036B1 (en) Surveillance system and method having parameter estimation and operating mode partitioning
CN111814976B (zh) 一种空调系统传感器故障误差再学习方法及系统
CN110288046B (zh) 一种基于小波神经网络与隐马尔科夫模型的故障预测方法
EP3250965B1 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
US20140012791A1 (en) Systems and methods for sensor error detection and compensation
CN111723925B (zh) 一种在途智能列车空调机组故障诊断方法、装置、设备及介质
Wang et al. Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest
CN111103325A (zh) 一种基于集成神经网络学习的电子鼻信号漂移补偿方法
Kanal Perceptron
CN110824914A (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN114740361A (zh) 基于长短期记忆神经网络模型的燃料电池电压预测方法
US6292738B1 (en) Method for adaptive detection of engine misfire
CN112541526A (zh) 一种基于pso-abc-elm的电子鼻气体浓度预测方法
CN113505926A (zh) 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113837364A (zh) 基于残差网络和注意力机制的污水处理软测量方法及系统
CN112269367B (zh) 基于eemd-组合神经网络空气处理系统的故障检测方法及系统
Kumar et al. Pollutant gases detection using the machine learning on benchmark research datasets
CN112734186B (zh) 列车车厢空气微生物污染实时评估方法、系统及存储介质
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
US20220187772A1 (en) Method and device for the probabilistic prediction of sensor data
KR100973527B1 (ko) 반도체식 가스센서의 고장진단장치 및 방법
Dong et al. Neural networks for engine fault diagnostics
Bilski Analysis of the classifier fusion efficiency in the diagnostics of the accelerometer
Pelliccioni et al. Use of neural net models to forecast atmospheric pollution

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
GR01 Patent grant