CN112303810A - 一种基于机器学习的空调健康预测方法 - Google Patents
一种基于机器学习的空调健康预测方法 Download PDFInfo
- Publication number
- CN112303810A CN112303810A CN201910707083.0A CN201910707083A CN112303810A CN 112303810 A CN112303810 A CN 112303810A CN 201910707083 A CN201910707083 A CN 201910707083A CN 112303810 A CN112303810 A CN 112303810A
- Authority
- CN
- China
- Prior art keywords
- data
- air conditioner
- machine learning
- mathematical model
- prediction method
- 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
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
- F24F11/84—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers using valves
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Thermal Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种基于机器学习的空调健康预测方法,包括以下步骤:步骤一、收集空调系统运行的相关参数数据;步骤二、将收集到的数据按照统一格式存储到数据库中;步骤三、将数据分成训练数据集和验证数据集,基于训练数据通过机器学习算法生成数学模型;步骤四、通过验证数据集验证数学模型的准确性,根据验证结果调整数学模型参数,使模型输出结果与实际检测结果相接近;步骤五、调用数学模型,并输入空调系统的实时运行数据,经过模型计算后输出判断结果。本发明可以对空调运行故障提前做出预测,有利于降低空调的维护成本,提高空调零部件的使用寿命。
Description
技术领域
本发明涉及空调健康预测方法,尤其是一种基于机器学习的空调健康预测方法。
背景技术
随着信息化程度的不断推进,新型传感器及信息系统对设备设计、试验、生产、使用、维修各个环节的监测记录促进了设备生产、日常运行大数据的形成,这些大数据为设备故障预测与健康管理的应用提供了便利。与此同时,大数据存储与分析、计算机运算能力的提升和深度学习算法的突破大大推动了大数据及人工智能技术在各个行业的应用和发展,众多国家也把大数据技术摆在国家战略层面加以推进,使其成为抢占新世纪技术优势的战略制高点,是今后若干年内主要的技术发展方向,大数据技术正以前所未有的方式冲击着世界发展的既定轨迹。
空调设备作为轨道车辆的重要组成部分,为乘客提供了舒适的乘车出行环境。空调可靠的工作也是轨道车辆维保的重要环节。空调的维保作为空调正常运行的重要保证,现有的空调维护方法,一般只能依靠检修人员通过对空调各个部件的检测来做出判断,这种判断方法需要一定的工作经验,而且可靠性低,检测过程费时费力,效率低下,随着大数据技术的发展,这种传统的维保方式也亟待改变。
鉴于此提出本发明。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于机器学习的空调健康预测方法,可以提前对空调运行故障进行预测,并达到降低空调维护成本的目的。
为了实现该目的,本发明采用如下技术方案:
一种基于机器学习的空调健康预测方法,包括以下步骤:
步骤一、收集空调系统运行的相关参数数据;
步骤二、将收集到的数据按照统一格式存储到数据库中;
步骤三、将数据分成训练数据集和验证数据集,基于训练数据通过机器学习算法生成数学模型;
步骤四、通过验证数据集验证数学模型的准确性,根据验证结果调整数学模型参数,使模型输出结果与实际检测结果相接近;
步骤五、调用数学模型,并输入空调系统的实时运行数据,经过模型计算后输出判断结果。
进一步,所述步骤五中,空调的实时运行数据经过计算后,综合部件在空调中的作用范围,输出对应部件的健康度,所述健康度至少包括健康、亚健康、故障三种状态。
进一步,所述步骤一中所收集的参数数据包括,压缩机频率、压缩机电压、压缩机电流、膨胀阀开度、冷媒高压侧压力、冷媒低压侧压力、冷凝器温度、蒸发器温度、新风阀开度、回风阀开度。
进一步,所述步骤一中的空调系统是在实验室环境下运行,通过改变实验室环境使空调系统在不同工况下运行,以充分收集空调系统在各种工况下的运行参数。
进一步,所述步骤二还包括对收集到的数据进行预处理,所述预处理的过程包括,
S1、清除数据中的错误点、冗余点和数据的噪声;
S2、将多个数据源中的数据进行合并,形成一个统一的表格;
S3、找到数据的特征表示,用维度变换来减少数据量;
S4、寻找数据的有用特征,以缩减数据模型。
进一步,所述步骤三中基于训练数据集通过机器学习算法生成数学模型的过程为:
首先通过回归分析算法分析空调各个参数的变化规律以及发现空调各个参数变量之间的因果关系,然后通过迭代算法,找到与期望输出值最接近的数据间的函数关系,确定初步的数学模型。
进一步,在步骤三中,所述数据按比例分配为训练数据集和验证数据集,且训练数据集所占比例小于验证数据集。
进一步,所述步骤五中,还包括对空调系统的实时运行数据和判断结果通过显示设备进行显示。
采用本发明所述的技术方案后,带来以下有益效果:
利用本发明对空调系统的健康预测,可以由传统的计划修升级为状态修,如果系统健康度良好,可以不用任何维护,这样便有效降低了对空调系统的检修工作量,节省了人工成本,同时可以使配件的使用寿命达到最大,减小配件的更换频率,降低了配件的购买数量,节省库存压力,减小资金支出,有利于提高企业的经营效率,而且本发明根据系统提供的量化指标,可极大地提高保障的效率和精确度。
附图说明
图1:本发明的硬件系统框架图;
图2:本发明的流程示意图;
图3:本发明的数学模型通过验证时的输出波形图;
图4:本发明的数学模型未通过验证时的输出波形图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的描述。
如图1和图2所示,一种基于机器学习的空调健康预测方法,包括以下步骤:
步骤一、收集空调系统运行的相关参数数据,所述参数包含能够体现空调状态的各项传感器采集的信号,如:压缩机频率、压缩机电压、压缩机电流、膨胀阀开度、冷媒高压侧压力、冷媒低压侧压力、冷凝器温度、蒸发器温度、新风阀开度、回风阀开度;上述参数的采集主要通过电参数测量仪、振动测量仪、冷媒流量测量仪、压力测量仪、温度测量仪、风压测量仪、空气流量测量仪采集。
步骤二、将收集到的数据按照统一格式存储到数据库中,如可以以EXCEL表格的方式对数据进行存储和管理,上述步骤一中测量仪采集的信号先通过通讯网络上传至服务器的通讯服务端,然后经过数据预处理单元处理后,存入至数据库中,具体地,所述预处理的过程包括:
S1、清除数据中的错误点、冗余点和数据的噪声;
S2、将多个数据源中的数据进行合并,形成一个统一的表格;
S3、找到数据的特征表示,用维度变换来减少数据量,具体为,在稳定工况下,对特征表现比较相似的数据进行简化,从中选取一部分使用,这样可以减少数据量;
S4、寻找数据的有用特征,以缩减数据模型,具体地,试验人员先根据相关经验,将相关联密切的数据建立起较为紧密的联系,以便于数学模型的建立。
步骤三、将数据分成训练数据集和验证数据集,基于训练数据通过机器学习算法生成数学模型,该数学模型的建立原理是通过机器学习算法对空调系统各项参数的学习,建立起空调故障与空调运行参数之间的对应关系,通过对空调运行参数的计算,即可预测出空调发生故障的概率以及类型。
具体地,该步骤中基于训练数据集通过机器学习算法生成数学模型的过程为:
首先,通过回归分析算法分析空调各个参数的变化规律以及发现空调各个参数变量之间的因果关系,然后通过迭代算法,找到与期望输出值最接近的数据间的函数关系,确定初步的数学模型。
所述步骤三的整个过程主要通过中央处理单元运行。
步骤四、所述数学模型建立后,通过验证数据集验证数学模型的准确性,根据验证结果调整数学模型参数,使模型输出结果与实际检测结果相接近,当数学模型的输出与实际检测结果保持一致,如图3中接近于呈一条曲线时,则数学模型通过验证,当数学模型的输出与实际检测结果差距较大时,如图4中呈现出两条分开的曲线时,则需要对数学模型进行调整,包括调整其参数和权重,以进一步优化数学模型。
步骤五、调用数学模型,并输入空调系统的实时运行数据,经过模型计算后输出判断结果。
优选地,在该步骤中,空调的实时运行数据经过计算后,综合部件在空调中的作用范围,输出对应部件的健康度,一些重要部件,如压缩机、冷凝器、蒸发器等在故障发生概率较低时,则进行预警,一些不重要的部件,则可以在其发生故障概率较高时进行预警。
优选地,所述健康度至少包括健康、亚健康、故障三种状态,并以条状图进行显示,其中显示条越长则代表相应部件越健康,上述故障信息可以发送至客户端进行显示,以提醒工作人员注意。
优选地,所述步骤一中的空调系统是在实验室环境下运行,通过改变实验室环境使空调系统在不同工况下运行,以充分收集空调系统在各种工况下的运行参数。通过在实验室内模拟空调系统在极端工况下的使用,可以收集以前未知的、具有潜在应用价值的信息。
优选地,在步骤三中,所述数据按比例分配为训练数据集和验证数据集,且训练数据集所占比例小于验证数据集。
优选地,所述步骤五中,还包括对空调系统的实时运行数据和判断结果通过显示设备进行显示。
以上所述为本发明的实施方式,应当指出,对于本领域的普通技术人员而言,在不脱离本发明原理前提下,还可以做出多种变形和改进,这也应该视为本发明的保护范围。
Claims (8)
1.一种基于机器学习的空调健康预测方法,其特征在于,包括以下步骤:
步骤一、收集空调系统运行的相关参数数据;
步骤二、将收集到的数据按照统一格式存储到数据库中;
步骤三、将数据分成训练数据集和验证数据集,基于训练数据通过机器学习算法生成数学模型;
步骤四、通过验证数据集验证数学模型的准确性,根据验证结果调整数学模型参数,使模型输出结果与实际检测结果相接近;
步骤五、调用数学模型,并输入空调系统的实时运行数据,经过模型计算后输出判断结果。
2.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤五中,空调的实时运行数据经过计算后,综合部件在空调中的作用范围,输出对应部件的健康度,所述健康度至少包括健康、亚健康、故障三种状态。
3.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤一中所收集的参数数据包括,压缩机频率、压缩机电压、压缩机电流、膨胀阀开度、冷媒高压侧压力、冷媒低压侧压力、冷凝器温度、蒸发器温度、新风阀开度、回风阀开度。
4.根据权利要求1或3所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤一中的空调系统是在实验室环境下运行,通过改变实验室环境使空调系统在不同工况下运行,以充分收集空调系统在各种工况下的运行参数。
5.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤二还包括对收集到的数据进行预处理,所述预处理的过程包括,
S1、清除数据中的错误点、冗余点和数据的噪声;
S2、将多个数据源中的数据进行合并,形成一个统一的表格;
S3、找到数据的特征表示,用维度变换来减少数据量;
S4、寻找数据的有用特征,以缩减数据模型。
6.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤三中基于训练数据集通过机器学习算法生成数学模型的过程为:
首先通过回归分析算法分析空调各个参数的变化规律以及发现空调各个参数变量之间的因果关系,然后通过迭代算法,找到与期望输出值最接近的数据间的函数关系,确定初步的数学模型。
7.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:在步骤三中,所述数据按比例分配为训练数据集和验证数据集,且训练数据集所占比例小于验证数据集。
8.根据权利要求1所述的一种基于机器学习的空调健康预测方法,其特征在于:所述步骤五中,还包括对空调系统的实时运行数据和判断结果通过显示设备进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707083.0A CN112303810A (zh) | 2019-08-01 | 2019-08-01 | 一种基于机器学习的空调健康预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707083.0A CN112303810A (zh) | 2019-08-01 | 2019-08-01 | 一种基于机器学习的空调健康预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112303810A true CN112303810A (zh) | 2021-02-02 |
Family
ID=74486290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707083.0A Pending CN112303810A (zh) | 2019-08-01 | 2019-08-01 | 一种基于机器学习的空调健康预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112303810A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135984A (zh) * | 2021-11-22 | 2022-03-04 | 珠海格力电器股份有限公司 | 空调的仿真控制系统 |
CN115899964A (zh) * | 2022-12-22 | 2023-04-04 | 北京航天智造科技发展有限公司 | 基于多维的空调智能监测方法与系统 |
CN117572105A (zh) * | 2023-03-02 | 2024-02-20 | 广东省源天工程有限公司 | 一种电力设备隐性缺陷的混合式检测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012249341A (ja) * | 2011-05-25 | 2012-12-13 | Hitachi Appliances Inc | 電力変換装置、および、それを用いた空調機,洗濯機 |
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 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
CN109917758A (zh) * | 2019-01-25 | 2019-06-21 | 北京交通大学 | 一种工业设备数据的处理方法及系统 |
-
2019
- 2019-08-01 CN CN201910707083.0A patent/CN112303810A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012249341A (ja) * | 2011-05-25 | 2012-12-13 | Hitachi Appliances Inc | 電力変換装置、および、それを用いた空調機,洗濯機 |
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 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
CN109271374A (zh) * | 2018-10-19 | 2019-01-25 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
CN109917758A (zh) * | 2019-01-25 | 2019-06-21 | 北京交通大学 | 一种工业设备数据的处理方法及系统 |
Non-Patent Citations (2)
Title |
---|
钟娅: "《计算机网络与应用教程》", 31 December 2016, 电子科技大学出版社 * |
铁路机车车辆技术手册编委会: "《铁路机车车辆技术手册 第二卷 铁道车辆》", 31 December 2000, 中国铁道出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135984A (zh) * | 2021-11-22 | 2022-03-04 | 珠海格力电器股份有限公司 | 空调的仿真控制系统 |
CN115899964A (zh) * | 2022-12-22 | 2023-04-04 | 北京航天智造科技发展有限公司 | 基于多维的空调智能监测方法与系统 |
CN117572105A (zh) * | 2023-03-02 | 2024-02-20 | 广东省源天工程有限公司 | 一种电力设备隐性缺陷的混合式检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN107991870B (zh) | 一种电扶梯设备的故障预警与寿命预测方法 | |
CN103617110B (zh) | 服务器设备状态检修系统 | |
CN110376003B (zh) | 基于bim的智能列车整车服役寿命预测方法及其系统 | |
CN110516820B (zh) | 一种基于bim的钢结构桥梁信息化运维系统及处理方法 | |
KR101044744B1 (ko) | 신뢰도 기반 배전기자재 유지보수 시스템과 방법 | |
CN104638764A (zh) | 配网设备状态智能诊断和检修系统 | |
CN112529036B (zh) | 一种故障预警方法、装置、设备及存储介质 | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
US20110106747A1 (en) | Turbine life assessment and inspection system and methods | |
US20230366689A1 (en) | Methods and internet of things systems for jointly processing safety hazards based on smart gas geographic information systems | |
CN109507992B (zh) | 一种机车制动系统部件的故障预测方法、装置及设备 | |
CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
US20180150036A1 (en) | Systems and methods for concept drift learning with alternating learners | |
KR100564362B1 (ko) | 도시철도차량 유지보수 정보화 예방정비 분석을 이용한예방 정비 시스템 및 방법 | |
CN111806516A (zh) | 一种用于智能列车监测与运维的健康管理装置及方法 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN115936676A (zh) | 一种基于数字孪生的设备健康管理方法及系统 | |
CN113033913B (zh) | 空调故障预测性维护方法、系统、电子设备及存储介质 | |
CN113918123A (zh) | 一种产品优化管理系统及方法 | |
CN112836396A (zh) | 一种建筑实时能耗异常诊断系统 | |
KR20130065844A (ko) | 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법 | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
CN115183389A (zh) | 一种基于空调机房全生命周期的智能诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |