CN112097365A - 基于预测和分类模型的空调故障检测与辩识方法及装置 - Google Patents
基于预测和分类模型的空调故障检测与辩识方法及装置 Download PDFInfo
- Publication number
- CN112097365A CN112097365A CN202010662000.3A CN202010662000A CN112097365A CN 112097365 A CN112097365 A CN 112097365A CN 202010662000 A CN202010662000 A CN 202010662000A CN 112097365 A CN112097365 A CN 112097365A
- Authority
- CN
- China
- Prior art keywords
- fault
- classification model
- prediction
- air conditioner
- model
- 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
Links
Images
Classifications
-
- 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
- F24F11/62—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种基于预测和分类模型的空调故障检测与辩识方法及装置,该方法包括:S101:根据空调的正常状态运行数据和故障运行数据,通过正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型;S102:通过运行预测模型判断空调是否发生故障,若是,则执行S103,若否,则执行S101;S103:利用运行预测模型定位空调发生故障的数据段,并通过故障分类模型获取数据段对应的故障类型。本发明通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型,并创造性融合状态预测模型和分类模型,实现了较高的检测和辨识准确率,同时,还能够充分利用不断累积的运行数据,通过持续的机器学习,提升了故障诊断准确率。
Description
技术领域
本发明涉及空调故障检测领域,尤其涉及一种基于预测和分类模型的空调故障检测与辩识方法及装置。
背景技术
目前空调广泛使用于人们的日常生活、工作中,但,人们普遍不了解空调的异常状况,在人们的生活经验中,一台空调往往用上五六年都不需要维修,因此人们误认为空调基本不会发生异常。造成该误解的主要原因是空调的很多异常都不会使空调完全丧失制冷能力,而是造成空调制冷能力的下降和能耗增加。如果异常没有及时发现,会加速空调设备的损坏,显著降低空调的使用寿命。
空调常见主要异常类型有:缺氟故障、回气故障、室外机脏堵故障、外风机启动故障、压缩机启动故障、空调主板故障等。目前的空调故障检测方法,要么是等用户报修后,由专业维修人员现场检修,属于被动维保,影响用户体验;要么将部分可明确规则化的专家知识固化在检测程序中,不能随着数据的累积实现自我学习和升级。
发明内容
为了克服现有技术的不足,本发明提出一种基于预测和分类模型的空调故障检测与辩识方法及装置,通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型,并创造性融合状态预测模型和分类模型,实现了较高的检测和辨识准确率,同时,还能够充分利用不断累积的运行数据,通过持续的机器学习,提升了故障诊断准确率。
为解决上述问题,本发明采用的一个技术方案为:一种基于预测和分类模型的空调故障检测与辩识方法,基于预测和分类模型的空调故障检测与辩识方法包括:S101:根据空调的正常状态运行数据和故障运行数据,通过所述正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型;S102:通过所述运行预测模型判断所述空调是否发生故障,若是,则执行S103,若否,则执行S101;S103:利用所述运行预测模型定位所述空调发生故障的数据段,并通过所述故障分类模型获取所述数据段对应的故障类型。
进一步地,所述正常状态运行数据包括空调运行的室内温度、设定温度、当地室外气温、空调运行电压电流中的至少一种。
进一步地,所述通过所述正常状态运行数据建立运行预测模型的步骤具体包括:根据所述正常状态运行数据划分测试集、训练集;通过基于决策树的集成学习算法搭建运行预测模型,并利用平方差误差损失函数完成所述运行预测模型的训练。
进一步地,所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括:在所述测试集中选择所述运行预测模型的超参数,根据所述超参数优化所述运行预测模型。
进一步地,所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括:将所述测试集输入所述运行预测模型以获取所述测试集的预测值,通过核密度估计获取所述预测值与真实值的误差值的概率密度函数;根据所述概率密度函数获取功率值异常点。
进一步地,所述通过故障运行数据建立故障分类模型的步骤具体包括:根据所述故障运行数据建立样本集,通过所述样本集划分训练集、验证集以及测试集;搭建基于卷积神经网络的故障分类模型,并通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练。
进一步地,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:在所述测试集中选取所述故障分类模型的超参数,根据所述超参数优化所述故障分类模型。
进一步地,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:将所述测试集输入所述故障分类模型,获取所述故障分类模型的故障类别预测结果,将所述类别预测结果与所述测试集对应的实际故障类别相结合,得到所述故障分类模型的分类精度。
进一步地,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:通过所述故障分类模型获取所述测试集中各样本属于各个故障类型的概率,根据所述概率计算各样本点对应于各个故障类型的概率熵值;
根据核密度估计建立所述测试集的熵值概率密度函数,并通过所述熵值概率密度函数识别新型故障。
基于相同的发明构思,本发明还提出一种基于预测和分类模型的空调故障检测与辩识装置,所述空调故障检测与辩识装置包括处理器、存储器,所述处理器与所述存储器连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如上所述的基于预测和分类模型的空调故障检测与辩识方法。
相比现有技术,本发明的有益效果在于:通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型,并创造性融合状态预测模型和分类模型,实现了较高的检测和辨识准确率,同时,还能够充分利用不断累积的运行数据,通过持续的机器学习,提升了故障诊断准确率。
附图说明
图1为本发明基于预测和分类模型的空调故障检测与辩识方法一实施例的流程图;
图2为本发明基于预测和分类模型的空调故障检测与辩识方法中建立运行预测模型、故障分类模型一实施例的流程图;
图3为本发明基于预测和分类模型的空调故障检测与辩识方法中故障检测、辨识一实施例的流程图;
图4为本发明基于预测和分类模型的空调故障检测与辩识装置一实施例的结构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-3,其中,图1为本发明基于预测和分类模型的空调故障检测与辩识方法一实施例的流程图;图2为本发明基于预测和分类模型的空调故障检测与辩识方法中建立运行预测模型、故障分类模型一实施例的流程图;图3为本发明基于预测和分类模型的空调故障检测与辩识方法中故障检测、辨识一实施例的流程图。结合附图1-3对本发明基于预测和分类模型的空调故障检测与辩识方法作详细说明。
在本实施例中,基于预测和分类模型的空调故障检测与辩识方法包括:
S101:根据空调的正常状态运行数据和故障运行数据,通过正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型。
在本实施例中,执行该基于预测和分类模型的空调故障检测与辩识方法的器件可以为空调的控制器,也可以为与空调连接的设备管理平台、运维器件以及其他设备。
在本实施例中,正常状态运行数据包括空调运行的室内温度、设定温度、当地室外气温、空调运行电压电流中的至少一种。
在本实施例中,通过正常状态运行数据建立运行预测模型的步骤具体包括:根据正常状态运行数据划分测试集、训练集;通过基于决策树的集成学习算法搭建运行预测模型,并利用平方差误差损失函数完成运行预测模型的训练。
在本实施例中,该集成学习算法包括但不限于随机森林算法以及各种GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)算法的变种。
在本实施例中,利用平方差误差损失函数完成运行预测模型的训练之后还包括:在测试集中选择运行预测模型的超参数,根据超参数优化运行预测模型。
在一个具体的实施例中,采用N折交叉验证和网格搜索法选取运行预测模型的超参数,其中,该超参数包括树的叶子数、树的深度、学习率、样本采样比例、迭代次数。
在本实施例中,利用平方差误差损失函数完成运行预测模型的训练之后还包括:将测试集输入运行预测模型,通过运行预测模型获取测试集的预测值,通过核密度估计获取预测值与真实值的误差值的概率密度函数;根据该概率密度函数获取功率值异常点。其中,真实值为预测值对应的样本点在实际运行中的真实数值。
在本实施例中,根据概率密度函数计算给定合格率的控制线,其中,该控制线为预测值与真实值的误差值不大于预设值的分界线,通过该控制线识别测试集中位于控制线外不满足误差值不大于预设值的样本点,并将该样本点确认为功率值异常点。其中,预设值可根据实际需求设置,也可以设定概率密度函数中误差值位于预设区域的分界线,并将位于预设区域外的误差值对应的样本点确认为功率值异常点。
在本实施例中,通过故障运行数据建立故障分类模型的步骤具体包括:根据故障运行数据建立样本集,通过样本集划分训练集、验证集以及测试集;搭建基于卷积神经网络的故障分类模型,并通过交叉熵损失函数、SoftMax函数完成故障分类模型的训练。
在一个具体的实施例中,采集空调实际运行过程中的故障运行数据,并对采集的数据标明所属的故障类别,通过该故障运行数据构成样本集X∈Rn×m,Y∈Nn,其中,n为按时序采集的样本个数,m代表采集的样本对应的数据维度,即采集的过程变量的数目。对样本集X进行数据增强,X={X0,X1,…,Xn},其中Xi为对应类别i的数据,i=0,1,2,...,n,Xi={v1,v2,…,vm},其中vj为对应过程变量j的数据,j=1,2,...,m, 按采集的时间时序排列,T为采集样本点的总数目,使用时间窗对采集的数据进行截取,然后划分为训练集,验证集和测试集。
在本实施例中,故障分类模型的结构包括多头一维卷积层,一维池化层,双向LSTM层,全连接层,标准化层,SoftMax分类层。故障分类模型采用交叉熵损失函数,并利用SoftMax函数输出预测的故障类别,完成模型的训练。
在本实施例中,通过交叉熵损失函数、SoftMax函数完成故障分类模型的训练的步骤之后还包括:在测试集中选取故障分类模型的超参数,根据超参数优化故障分类模型。
在一个具体的实施例中,使用N折交叉验证和网格搜索法选取故障分类模型的超参数。其中,该超参数包括截取数据的时间窗口长度、一维卷积网络的过滤器个数、第一全连接层的神经元数目和优化器的学习率。
在本实施例中,通过交叉熵损失函数、SoftMax函数完成故障分类模型的训练的步骤之后还包括:将测试集输入故障分类模型,获取故障分类模型的故障类别预测结果,将类别预测结果与测试集样本点对应的实际故障类别相结合,得到故障分类模型的分类精度。
在一个具体的实施例中,通过混淆矩阵评估算法评估故障分类模型的分类精度,根据该分类精度对故障分类模型进行再次优化。
在本实施例中,通过交叉熵损失函数、SoftMax函数完成故障分类模型的训练的步骤之后还包括:通过故障分类模型获取测试集中各样本点属于各个故障类型的概率,根据该概率计算各样本点对应于各个故障类型的概率熵值;根据核密度估计建立测试集的熵值概率密度函数,并通过熵值概率密度函数识别新型故障。
在本实施例中,根据熵值概率密度函数计算故障运行数据的测试的给定合格率的控制线,该控制线为划分测试集中概率熵值低于预设值和不低于预设值的样本点的分界线,并将位于控制线外的不低于预设值的样本点识别为新型故障。
S102:通过运行预测模型判断空调是否发生故障,若是,则执行S103,若否,则执行S101。
在本实施例中,运行预测模型对采集的空调运行状态数据进行处理,获取处理结果,判断该处理结果中是否存在功率值异常点,若是,则确定发生故障,若不存在,通过该空调运行状态数据对运行预测模型进行训练。其中,该空调运行状态数据包含的数据类型与正常状态运行数据包含的数据类型相同。
S103:利用运行预测模型定位空调发生故障的数据段,并通过故障分类模型获取数据段对应的故障类型。
在本实施例中,确定空调发生故障后,通过运行预测模型确定功率值异常点,进而获取该功率值异常点对应的数据段,将该数据段输入故障分类模型,通过故障分类模型判断故障的类型,并熵值概率密度函数判断该故障是否为新型故障。
有益效果:本发明的基于预测和分类模型的空调故障检测与辩识方法通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型,并创造性融合状态预测模型和分类模型,实现了较高的检测和辨识准确率,同时,还能够充分利用不断累积的运行数据,通过持续的机器学习,提升了故障诊断准确率。
基于相同的发明构思,本发明还提出一种基于预测和分类模型的空调故障检测与辩识装置,请参阅图4,图4为本发明基于预测和分类模型的空调故障检测与辩识装置一实施例的结构图,结合图4对本发明基于预测和分类模型的空调故障检测与辩识装置进行说明。
在本实施例中,基于预测和分类模型的空调故障检测与辩识装置包括处理器、存储器,处理器与存储器连接,存储器存储有计算机程序,处理器根据所述计算机程序执行如上述实施例所述的基于预测和分类模型的空调故障检测与辩识方法。
在本实施例中,基于预测和分类模型的空调故障检测与辩识装置可以为分体式空调的内置控制主板、控制芯片、控制器,也可以为分体式空调,还可以为与分体式空调连接的管理平台、控制器或控制终端,只需能够用于检测和辨识分体式空调的故障即可。
本发明采集空调运行过程的中正常状态运行数据和故障运行数据,根据该数据离线训练模型;在设备在线运行时,将采集到的运行数据输入至运行预测模型,实时地诊断故障是否发生,同时对故障类型进行辨识,能够及时发现异常状态,实现预测性维护,提高能源的利用率,节约能源,同时提高用户使用体验。且可随着数据的不断累积,实现自动学习和迭代,增加对新型故障的快速诊断和辨识能力。
有益效果:本发明基于预测和分类模型的空调故障检测与辩识装置通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型,并创造性融合状态预测模型和分类模型,实现了较高的检测和辨识准确率,同时,还能够充分利用不断累积的运行数据,通过持续的机器学习,提升了故障诊断准确率。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述方法包括:
S101:根据空调的正常状态运行数据和故障运行数据,通过所述正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型;
S102:通过所述运行预测模型判断所述空调是否发生故障,若是,则执行S103,若否,则执行S101;
S103:利用所述运行预测模型定位所述空调发生故障的数据段,并通过所述故障分类模型获取所述数据段对应的故障类型。
2.如权利要求1所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述正常状态运行数据包括空调运行的室内温度、设定温度、当地室外气温、空调运行电压电流中的至少一种。
3.如权利要求1所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述通过所述正常状态运行数据建立运行预测模型的步骤具体包括:
根据所述正常状态运行数据划分测试集、训练集;
通过基于决策树的集成学习算法搭建运行预测模型,并利用平方差误差损失函数完成所述运行预测模型的训练。
4.如权利要求3所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括:
在所述测试集中选择所述运行预测模型的超参数,根据所述超参数优化所述运行预测模型。
5.如权利要求4所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括:
将所述测试集输入所述运行预测模型以获取所述测试集的预测值,通过核密度估计获取所述预测值与真实值的误差值的概率密度函数;
根据所述概率密度函数获取功率值异常点。
6.如权利要求1所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述通过故障运行数据建立故障分类模型的步骤具体包括:
根据所述故障运行数据建立样本集,通过所述样本集划分训练集、验证集以及测试集;
搭建基于卷积神经网络的故障分类模型,并通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练。
7.如权利要求6所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:
在所述测试集中选取所述故障分类模型的超参数,根据所述超参数优化所述故障分类模型。
8.如权利要求6所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:
将所述测试集输入所述故障分类模型,获取所述故障分类模型的故障类别预测结果,将所述类别预测结果与所述测试集对应的实际故障类别相结合,得到所述故障分类模型的分类精度。
9.如权利要求6所述的基于预测和分类模型的空调故障检测与辩识方法,其特征在于,所述通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练的步骤之后还包括:
通过所述故障分类模型获取所述测试集中各样本属于各个故障类型的概率,根据所述概率计算各样本点对应于各个故障类型的概率熵值;
根据核密度估计建立所述测试集的熵值概率密度函数,并通过所述熵值概率密度函数识别新型故障。
10.一种基于预测和分类模型的空调故障检测与辩识装置,其特征在于,所述空调故障检测与辩识装置包括处理器、存储器,所述处理器与所述存储器连接,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如权利要求1-9任一项所述的基于预测和分类模型的空调故障检测与辩识方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662000.3A CN112097365A (zh) | 2020-07-10 | 2020-07-10 | 基于预测和分类模型的空调故障检测与辩识方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010662000.3A CN112097365A (zh) | 2020-07-10 | 2020-07-10 | 基于预测和分类模型的空调故障检测与辩识方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112097365A true CN112097365A (zh) | 2020-12-18 |
Family
ID=73749787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010662000.3A Pending CN112097365A (zh) | 2020-07-10 | 2020-07-10 | 基于预测和分类模型的空调故障检测与辩识方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112097365A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113757944A (zh) * | 2021-09-24 | 2021-12-07 | 广东电网有限责任公司 | 一种基于空调系统模型的空调系统故障诊断方法及系统 |
CN114036998A (zh) * | 2021-09-24 | 2022-02-11 | 浪潮集团有限公司 | 一种基于机器学习对工业硬件进行故障检测的方法及系统 |
CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
US11353840B1 (en) * | 2021-08-04 | 2022-06-07 | Watsco Ventures Llc | Actionable alerting and diagnostic system for electromechanical devices |
CN114738938A (zh) * | 2022-03-04 | 2022-07-12 | 青岛海尔空调电子有限公司 | 一种多联机空调机组故障监测方法、装置及存储介质 |
CN114838496A (zh) * | 2022-04-22 | 2022-08-02 | 江苏风神空调集团股份有限公司 | 基于人工智能的空调消声器性能检测方法 |
US11803778B2 (en) | 2021-08-04 | 2023-10-31 | Watsco Ventures Llc | Actionable alerting and diagnostic system for water metering systems |
WO2023226595A1 (zh) * | 2022-05-23 | 2023-11-30 | 青岛海信日立空调系统有限公司 | 空调系统及空调系统的脏堵确定方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
US20140074730A1 (en) * | 2012-02-28 | 2014-03-13 | Emerson Climate Technologies, Inc. | Hvac system remote monitoring and diagnosis |
CN205593234U (zh) * | 2016-04-18 | 2016-09-21 | 安徽机电职业技术学院 | 一种汽车空调制冷系统故障监控装置 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN107979602A (zh) * | 2017-12-01 | 2018-05-01 | 西安交通大学 | 一种蜂窝网络中基于半监督统计的异常检测方法 |
CN107990485A (zh) * | 2017-11-29 | 2018-05-04 | 珠海格力电器股份有限公司 | 空调故障的识别方法、装置和系统 |
CN107992495A (zh) * | 2016-10-26 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 数据分析方法及装置 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
CN109543916A (zh) * | 2018-11-30 | 2019-03-29 | 广东工业大学 | 一种多晶硅还原炉内硅棒生长速率预估模型 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
CN109977621A (zh) * | 2019-04-30 | 2019-07-05 | 西南石油大学 | 一种基于深度学习的空调故障预测方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110619479A (zh) * | 2019-09-23 | 2019-12-27 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
-
2020
- 2020-07-10 CN CN202010662000.3A patent/CN112097365A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
US20140074730A1 (en) * | 2012-02-28 | 2014-03-13 | Emerson Climate Technologies, Inc. | Hvac system remote monitoring and diagnosis |
CN103488869A (zh) * | 2013-08-23 | 2014-01-01 | 上海交通大学 | 一种最小二乘支持向量机的风力发电短期负荷预测方法 |
CN205593234U (zh) * | 2016-04-18 | 2016-09-21 | 安徽机电职业技术学院 | 一种汽车空调制冷系统故障监控装置 |
CN107992495A (zh) * | 2016-10-26 | 2018-05-04 | 腾讯科技(深圳)有限公司 | 数据分析方法及装置 |
CN106709511A (zh) * | 2016-12-08 | 2017-05-24 | 华中师范大学 | 基于深度学习的城市轨道交通全景监控视频故障检测方法 |
CN107990485A (zh) * | 2017-11-29 | 2018-05-04 | 珠海格力电器股份有限公司 | 空调故障的识别方法、装置和系统 |
CN107979602A (zh) * | 2017-12-01 | 2018-05-01 | 西安交通大学 | 一种蜂窝网络中基于半监督统计的异常检测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
CN109543916A (zh) * | 2018-11-30 | 2019-03-29 | 广东工业大学 | 一种多晶硅还原炉内硅棒生长速率预估模型 |
CN109858886A (zh) * | 2019-02-18 | 2019-06-07 | 国网吉林省电力有限公司电力科学研究院 | 一种基于集成学习的费控成功率提升分析方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
CN109977621A (zh) * | 2019-04-30 | 2019-07-05 | 西南石油大学 | 一种基于深度学习的空调故障预测方法 |
CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN110619479A (zh) * | 2019-09-23 | 2019-12-27 | 阳光电源股份有限公司 | 光伏组件的故障判别模型建模方法及故障判别方法 |
Non-Patent Citations (2)
Title |
---|
俞勇: "《人工智能实践 动手做自己的AI》", 30 August 2019 * |
金之钧等: "《区带与圈闭定量评价新方法》", 28 February 2019 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11353840B1 (en) * | 2021-08-04 | 2022-06-07 | Watsco Ventures Llc | Actionable alerting and diagnostic system for electromechanical devices |
US11803778B2 (en) | 2021-08-04 | 2023-10-31 | Watsco Ventures Llc | Actionable alerting and diagnostic system for water metering systems |
CN113757944A (zh) * | 2021-09-24 | 2021-12-07 | 广东电网有限责任公司 | 一种基于空调系统模型的空调系统故障诊断方法及系统 |
CN114036998A (zh) * | 2021-09-24 | 2022-02-11 | 浪潮集团有限公司 | 一种基于机器学习对工业硬件进行故障检测的方法及系统 |
CN113757944B (zh) * | 2021-09-24 | 2022-11-11 | 广东电网有限责任公司 | 一种基于空调系统模型的空调系统故障诊断方法及系统 |
CN114312213A (zh) * | 2021-12-14 | 2022-04-12 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN114312213B (zh) * | 2021-12-14 | 2023-10-17 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN114738938A (zh) * | 2022-03-04 | 2022-07-12 | 青岛海尔空调电子有限公司 | 一种多联机空调机组故障监测方法、装置及存储介质 |
CN114838496A (zh) * | 2022-04-22 | 2022-08-02 | 江苏风神空调集团股份有限公司 | 基于人工智能的空调消声器性能检测方法 |
CN114838496B (zh) * | 2022-04-22 | 2024-02-23 | 北京百车宝科技有限公司 | 基于人工智能的空调消声器性能检测方法 |
WO2023226595A1 (zh) * | 2022-05-23 | 2023-11-30 | 青岛海信日立空调系统有限公司 | 空调系统及空调系统的脏堵确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
CN108376264A (zh) | 一种基于支持向量机增量学习的冷水机组故障诊断方法 | |
CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
JPWO2018146768A1 (ja) | 不良要因推定装置および不良要因推定方法 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
CN114118588A (zh) | 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及系统 | |
CN115905974B (zh) | 一种高炉异常炉况检测方法 | |
JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN115758912A (zh) | 一种空调能耗优化系统 | |
CN113468157A (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
Chen et al. | Whole building system fault detection based on weather pattern matching and PCA method | |
CN110765486B (zh) | 一种资产故障识别方法 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN115907138A (zh) | 一种用于对数据中心的pue值进行预测的方法、系统及介质 | |
CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
CN110781538A (zh) | 基于实地监测的开窗仿真算法 | |
KR20010036423A (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치 | |
CN113685972B (zh) | 一种空调系统控制策略识别方法、装置、设备及介质 |
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 |