空调故障预测方法及空调
技术领域
本发明属于空调技术领域,具体提供一种空调故障预测方法及空调。
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,而空调在人们的生活中扮演着重要的角色,但是空调会不可避免的发生故障。空调发生故障时,不仅会影响人们的正常生活,还会造成经济等损失。因此,空调故障预测与诊断成为研究的重要方向领域之一。
公开号为CN111578444A的中国发明专利申请公开了一种空调故障预测方法,该方法中预先通过LSTM神经网络算法训练所述空调的故障预测模型,LSTM(Long Short-TermMemory,长短期记忆网络)是一种时间递归神经网络系统,可以用来处理和预测时间序列中间隔和延迟相对较长的重要事件,为了便于更好地理解上述方法,下面根据其文字记载和附图再结合图1说明该方法的具体控制步骤,图1是LSTM模型的原理示意图。
详细地,参见其说明书第【0050-0055】段以及附图3,该空调故障预测方法具体包括如下步骤S11:收集空调的历史运行数据,包括内部和外部历史数据。S12:数据预处理:对空调的历史运行数据进行缺失值、标准化、降噪等预处理。S13:提取外部数据特征F1(a,e,c)和内部数据特征F2(t,w,m,p,s),并导入到历史运行数据的输入层。其中外部数据特征F1(a,e,c)的a为室内面积参数,e为室内温度参数,c为室外天气参数。内部数据特征F2(t,w,m,p,s)的t为空调设定温度参数,w为空调风速参数,m为空调模式参数,p为空调用电量参数,s为空调语音参数。S14:历史运行数据的中间处理层:在t时刻,“输入门”、“遗忘门”和“输出门”根据当前输入xt、上一时刻状态ct-1和上一时刻输入ht-1,分别决定信息的保留、去除和输出;针对LSTM中间处理层的某个神经元,xt为t时刻该神经元的输入(外部数据特征和内部数据特征),ct-1为上个时刻(t-1)的该神经元的状态(是在0到1之间的数值,其中1表示“完全保留”,0表示“完全舍弃”),ht-1为t-1时刻前一个神经元对该神经元的输入。S15:故障输出层:最终输出外部数据和内部数据对应得故障类型Ti,完成模型训练。
继续参见其说明书第【0055-0060】段,该空调故障预测方法还包括如下步骤,S2:实时监测:对空调的状态进行实时监测。S3:采集当前的运行数据,包括内部数据和外部数据。S4:数据预处理:对空调当前的运行数据进行处理缺失值、标准化、降噪等预处理。S5:故障预测模型:利用训练出的历史运行数据进行故障预测。S6:故障可能性判断:根据模型的预测结果,通过阈值判断故障发生的可能性,如果没有发生故障,则返回步骤S2,否则执行S7。S7:故障种类:预测故障可能发生的种类。
该空调故障预测方法通过神经网络算法和空调的相关历史运行数据和故障种类数据训练故障预测模型,对空调进行故障预测,及时发现和处理空调设备的各种故障,尤其是软故障,从而延长空调设备使用寿命,减少设备维修费用,节约能源,提升用户体验效果,在预测可能发生故障时,能够及时准确地给出故障预测和预警,并通过语音提示给用户,并能将故障数据上传服务器,以便服务器侧根据故障数据制定相应的维修方案。
然而,在实际应用中,空调的运行数据包括近150多列,如果将150列数据都输入LSTM模型,则会因输入参数过多而造成过拟合现象,最终也会影响到预测结果的准确性。
因此,如何预处理输入LSTM模型的数据来提高故障预测结果的准确性,是本领域技术人员需要解决的技术问题。
发明内容
为了提高故障预测结果的准确性,本发明提供了一种空调故障预测方法。
本发明的故障预测方法包括如下步骤:S10、收集空调的运行参数的历史数据和故障的历史数据;S11、标准化所述历史数据;S12、确定直接导致所述故障的运行参数y的历史数据和其余运行参数x的历史数据之间的相关性系数r;S13、比较所述相关性系数r的绝对值|r|和预设的相关性系数阈值rset之间的大小关系;S14、根据比较结果,选择性地将所述运行参数x的历史数据剔除或者和所述运行参数y的历史数据一起输入到LTMS模型中进行训练以建立故障预测模型。
本发明的上述空调故障预测方法的一优选方案中,所述步骤S14具体包括如下步骤:当|r|≥rset时,执行步骤S141;S141、将所述运行参数x的历史数据和所述运行参数y的历史数据一起输入到LTMS模型中进行训练;S142、根据训练结果建立故障预测模型。
本发明的上述空调故障预测方法的一优选方案中,所述步骤S14具体包括如下步骤:当|r|<rset时,执行步骤S143;S143、将所述运行参数x的历史数据剔除。
本发明的上述空调故障预测方法的一优选方案中,所述步骤S12具体包括如下步骤:S120、选取直接导致所述故障的运行参数y的历史数据;S121、根据如下公式计算所述运行参数y的历史数据和所述运行参数x的历史数据之间的相关性系数r:
其中,Cov(x,y)为x与y的协方差,Var[x]为x的方差,Var[y]为y的方差。
本发明的上述空调故障预测方法的一优选方案中,所述空调故障预测方法还包括如下步骤:S20、实时采集所述空调的运行参数的当前数据;S21、标准化所述当前数据,并且将标准化后的所述当前数据输入到所述步骤S14建立的故障预测模型中;S22、预测是否存在发生故障的可能性;若是则执行步骤S23,否则返回所述步骤S20;S23、确定故障类型。
本发明的上述空调故障预测方法的一优选方案中,所述步骤S141中在将所述运行参数x的历史数据和所述运行参数y的历史数据一起输入到LTMS模型中进行训练之前,所述空调故障预测方法还包括如下步骤:S140、将所述运行参数x的历史数据和所述运行参数y的历史数据转换为有监督数据x′和y′;所述步骤S141进一步包括:将所述有监督数据x′和y′输入到所述LSTM模型中进行训练。
本发明的上述空调故障预测方法的一优选方案中,所述步骤S11中具体通过如下公式标准化所述运行参数的历史数据:
其中,最大数据是指同一所述运行参数的历史数据中的最大值,最小数据是指同一所述运行参数的历史数据中的最小值。
本发明的故障预测方法包括如下步骤:S10、收集空调的运行参数的历史数据和故障的历史数据;S11、标准化所述历史数据;S12、确定直接导致所述故障的所述运行参数y的历史数据和其余的所述运行参数x的历史数据之间的相关性系数r;S13、比较所述相关性系数r的绝对值|r|和预设的相关性系数阈值rset之间的大小关系;S14、根据比较结果,选择性地将所述运行参数x的历史数据剔除,或者和所述运行参数y的历史数据一起输入LTMS模型中进行训练以建立故障预测模型。
与背景技术中空调故障预测方法相比,本发明的空调故障预测方法的优点在于,增设了步骤S12、13和14,确定直接导致故障的运行参数的历史数据和其他运行参数的历史数据之间的相关性系数,再将相关性比较高的运行参数的历史数据输入到LSTM模型训练来建立故障预测模型,减少了输入LSTM模型的数据量,降低了发生过拟合问题的可能性,最终达到提高故障预测结果的准确性的目的。
本发明还提供一种空调,其包括存储装置,其特征在于,所述存储装置中存储有程序代码,所述程序代码适于被处理器加载以执行上述的空调故障预测方法。
本发明还提供一种空调,其包括控制装置,所述控制装置包括存储装置和处理器,其特征在于,所述存储装置中存储有程序代码,所述程序代码适于被所述处理器加载以执行上述的空调故障预测方法。
本发明还提供一种空调,其包括控制器,该控制器被配置成用来实施上述空调故障预测方法。
需要说明的是,本发明的空调具有上述控制方法的所有技术效果,本领域技术人员根据前面表述可以毫无疑义的获知,故而本文在此不再赘述。
附图说明
图1是LSTM模型的原理示意图;
图2是本发明的空调故障预测方法的主要步骤流程图;
图3是本发明的空调故障预测方法的详细步骤流程图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本申请的描述中,“控制器”可以包括硬件、软件或者两者的组合。相应地,本发明的方法既可以软件的形式来实施,也可以软硬件结合的方式来实施。
请参见图2和3,其中,图2是本发明的空调故障预测方法的主要步骤流程图,图3是本发明的空调故障预测方法的详细步骤流程图。
本发明的空调故障预测方法包括如下步骤:
S10、收集空调的运行参数的历史数据和故障的历史数据。
参见表1,历史数据包括空调正常运行时的数据和空调发生故障时的数据,空调运行参数至少包括:压缩机排气传感器温度、压缩机回气传感器温度、压缩机冷却油传感器温度、变频压机频率、外机换热器制热除霜传感器温度、电子膨胀阀开度、变频压机驱动模块发热温度、系统高压压力、变频压机驱动模块直流电压、和系统低压压力等。为了便于理解下文中出现的参数符号与运行参数名称之间的对应关系,请参见表1。空调的故障包括排气温度过热故障和低压压力传感器故障等,故障的历史数据包括故障名称以及是否发生了该故障。
表1
序号 |
运行参数名称 |
运行参数符号 |
1 |
压缩机排气传感器温度 |
TDTEMP |
2 |
压缩机回气传感器温度 |
TSACCTEMP |
3 |
压缩机冷却油传感器温度 |
TOILTEMP |
4 |
变频压机频率 |
INVFREQ |
5 |
外机换热器制热除霜传感器温度 |
TDEFTEMP |
6 |
电子膨胀阀开度 |
LEVAPLS |
7 |
变频压机驱动模块发热温度 |
INVTEMP |
8 |
功率 |
POWER |
9 |
系统高压压力 |
PDPRESSURE |
10 |
系统低压压力 |
PSPRESSURE |
参见表2,表2列出了多联机的一个室外机近三个月的运行参数的历史数据和故障的历史数据。另外,为了便于理解和篇幅简洁,表1中只是示例性的列出了部分运行参数的历史数据和一种故障类型的历史数据,示例性说明并不会限定本发明的保护范围。
表2
进行数据查看后发现,很多数据的范围波动很大,例如运行参数TDEFTEMP(外机换热器制热除霜传感器温度)的数据的量级为1000,POWER(功率)的数据的量级为10,数据量纲差距很大,若不进行数据标准化,会影响目标变量的预测,导致TDEFTEMP对故障的影响比POWER参数对故障的影响大。为了避免这种由数据量纲而非数据本身造成的差异,本发明的空调故障预测方法将历史数据进行标准化处理,具体参见步骤S11。
S11、标准化历史数据。
标准化历史数据包括标准化运行参数的历史数据和标准化故障的历史数据。
其中,标准化运行参数的历史数据是指将该历史数据通过如下公式转换为[0,1]范围内的标准数据。
其中,最大数据是指同一运行参数的历史数据中的最大值,相应地,最小数据是指同一运行参数的历史数据中的最小值。
标准化故障的历史数据是指将各个故障通过不同的阿拉伯数据人为的加以区分,例如,通常情况下用34代表排气温度过热故障,用39代表低压压力传感器故障,并且通过0和1分别表示是否发生了该故障,例如,表1中在某一时刻发生了某一故障时,在其对应的故障编号下方用1表示,反之,如果没有发生该故障则在其对应的编号下方用0表示。
如背景技术记载的现有空调故障预测方法中,对历史数据标准化处理后直接将其输入LSTM中模型进行训练,以建立故障预测模型。
但是,空调的历史数据包含近150多列数据,如果将150列数据均输入LSTM模型训练,会因为输入数据过多而造成过拟合现象,进而导致故障预测模型的预测结果和实际情况存在偏差的问题。
为了解决上述技术问题,本发明的空调故障预测方法还包括如下步骤:
S12、确定直接导致故障的运行参数y的历史数据和其余的运行参数x的历史数据之间的相关性系数r。
步骤S12具体包括如下步骤:
S120、选取直接导致故障的运行参数y的历史数据。
需要说明的是,根据历史实验数据和专家经验,表1中空调某个运行参数的历史数据超出其预设值时就会发生与之相关的故障,本文将这个运行参数称为直接导致相应故障的运行参数。
例如,以第34号故障(排气温度过热故障)为例,TDTEMP(压缩机排气传感器温度)是直接导致该故障的运行参数,也就是说,当TDTEMP的数值高于120度时必然会引起34号故障。但是,这并不说明,该故障只和TDTEMP这一项运行参数相关,其他的运行参数的数据发生变化时也有可能会引起上述故障,为了综合考虑所有运行参数与发生该故障的相关性,本发明分析了TDTEMP这个运行参数和其他运行参数之间的相关性高低,然后将与TDTEMP相关性比较高的参数输入LSTM模型训练,最后建立故障预测模型。
详细地,S121、根据如下公式计算运行参数y的历史数据和其余的运行参数x的历史数据之间的相关性系数r:
其中,Cov(x,y)为x与y的协方差,Var[x]为x的方差,Var[y]为y的方差。
为了更加直观的理解运行参数x和运行参数y两者的关系,请参见表3中根据S121计算得到的运行参数y和其余的运行参数x之间的相关性系数r。
表3
S13、比较相关性系数r的绝对值|r|和预设的相关性系数阈值rset之间的大小关系。
S14、根据比较结果,选择性地将运行参数x的历史运行数据剔除,或者和运行参数y的历史数据一起输入到LTMS模型中进行训练以建立故障预测模型。
本实施例中相关性系数阈值rset优选预设为0.4,可以理解,本领域技术人员可以根据空调功率等运行参数选择其他数值。
当|r|<rset时,执行步骤S143,将运行参数x的历史数据剔除,也就是说,该运行参数x和第34号故障之间的相关性比较低,引起该故障的可能性很低,无需在LSTM模型中训练,以减少输入LSTM模型的数据量,来避免发生过拟合现象的问题。
当|r|≥rset时,可以直接将运行参数y和运行参数x的历史数据输入LSTM模型中进行训练,而本发明中则是先执行步骤S140,将运行参数x的历史数据和运行参数y的历史数据转换为有监督数据x′和y′,然后再执行步骤S141,将有监督数据x′和y′输入到LSTM模型训练。
本实施例中将历史数据转化为有监督数据后更利于LSTM模型的训练需求,具体的转换方式是利用pandas dataframe shift()函数来完成,本文不再详细加以说明。
数据转换完成后,开始训练模型:创建3个隐藏层,每一有64个单元,model.add(LSTM(64,input_shape=(train_X.shape[1],train_X.shape[2]),return_sequences=True,activation='sigmoid')),设置Dropout为0.5防止过拟合,以72个样本为一个batch进行迭代,将数据划分为训练集合测试集,将训练集数据输入进行模型搭建。将步长设为20进行数据预测,通过输入的运行参数:TOIL1TEMP、INV1FREQ、TDEF1TEMP、LEVA2PLS、INV1TEMP、PD1PRESSURE、CIRCLETEMP、WORKINGMODE、POWER、FAN1RPM、INV1CT、LEVA1PLS进行预测,最终输出的结果有是否有34号故障,0为无34号故障,1为有34号故障,完成训练,建立故障预测模型。
建立故障预测模型后,就可以利用该故障预测模型来预测正在运行的空调是否存在发生故障的风险,以及如果存在风险时来确定故障种类,本发明的空调故障预测方法还包括如下步骤:
S20、实时采集空调的运行参数的当前数据;
S21、标准化当前数据,并且将标准化后的当前运行数据输入到步骤S142的故障预测模型中;
需要说明的是,步骤S21中标准化当前数据的方法和步骤S11相同,本文在此不再赘述。
S22、预测是否存在发生故障的可能性;
若是则进入步骤S23,否则返回步骤S20。
S23、确定故障类型。
本发明的空调故障预测方法通过神经网络算法和空调的相关历史运行数据和故障种类数据训练故障预测模型,对空调进行故障预测,在预测可能发生故障时,能够及时准确地给出故障预测,挑选夜间或其他空调空闲时间对空调的组件或模块进行维护及保养,从而减少对空调正常工作时间的占用,保证空调的稳定运行。
与背景技术中空调故障预测方法相比,本发明的空调故障预测方法的优点在于,增设了步骤S12、13和14,确定直接导致故障的运行参数的历史数据和其他运行参数的历史数据之间的相关性系数,再将相关性比较高的运行参数的历史数据输入到LSTM模型训练来建立故障预测模型,减少了输入LSTM模型的数据量,降低了发生过拟合问题的可能性,最终达到提高故障预测结果的准确性的目的。
除上述空调故障预测方法外,本发明还提供一种本发明还提供一种空调,其包括存储装置,该存储装置中存储有程序代码,所述程序代码适于被处理器加载以执行上述的空调故障预测方法。
本发明还提供一种空调,其包括控制装置,该控制装置包括存储装置和处理器,其中,存储装置中存储有程序代码,所述程序代码适于被所述处理器加载以执行上述的空调故障预测方法。
本发明还提供一种空调,其包括控制器,该控制器被配置成用来实施上述空调故障预测方法。
需要说明的是,构成空调的基本功能部件及工作原理与现有技术基本相同,本领域的技术人员基于现有技术完全可以实现,故本文不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。