CN112633351A - 检测方法、装置、存储介质及处理器 - Google Patents
检测方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN112633351A CN112633351A CN202011504202.1A CN202011504202A CN112633351A CN 112633351 A CN112633351 A CN 112633351A CN 202011504202 A CN202011504202 A CN 202011504202A CN 112633351 A CN112633351 A CN 112633351A
- Authority
- CN
- China
- Prior art keywords
- refrigerating unit
- detection
- model
- detection model
- detected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 303
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 41
- 238000005057 refrigeration Methods 0.000 claims description 39
- 230000009467 reduction Effects 0.000 claims description 8
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000007710 freezing Methods 0.000 description 10
- 230000008014 freezing Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000013526 transfer learning Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000234314 Zingiber Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种检测方法、装置、存储介质及处理器。其中，该方法包括：获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的；将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于第二检测模型对待检测制冷机组的特征参数进行检测。本发明解决了由于现有技术无法使用小样本训练检测模型，造成的检测效率差的技术问题。
Description
技术领域
本发明涉及检测领域，具体而言，涉及一种检测方法、装置、存储介质及处理器。
背景技术
随着科学技术的发展，如何降低设备的维护维修成本成为非常关键的问题。设备故障会导致能源超额使用、碳排放量增加、生产和工作环境的失控、用户投诉、运维成本的上升，因此故障异常检测对实现智能化管理至关重要。在现有故障检测方法，存在有效数据量缺少、模型训练代价高等问题，导致设备故障检测准确度低，花费高等问题。
关于故障检测问题为提升故障检测模型的性能，许多专家学者尝试了多种方法。主要将故障检测方法大致分为三类：基于模型的、基于知识的和基于数据驱动的。
基于模型的故障检测方法利用系统内部的深层信息反映物理系统故障的本质特征，诸如利用非线性状态估计方法，建立变桨控制系统模型，通过观测向量与正常变桨模型的偏差实现对变浆系统的故障识别。
基于知识的故障检测方法包括模糊故障诊断、专家系统等，指信息被收集后，运用各种专家知识进行推理的一种方法。例如，首先根据知识向量机来确定模型，然后根据模型进行了知识推理和信息融合混合推理的故障识别模式。
基于数据驱动的故障检测方法是利用设备已有的运行数据信息，通过数据挖掘、数学统计分析等技术实现数据特征属性与对应状态之间的映射关系，从而达到故障检测的目的。例如，利用最小二乘支持向量机对调节阀进行了故障检测和分类，首先对实验数据进行了清洗，然后利用LS-SVM多分类器对调节阀样本进行了分类实验，取得了比较好的实验结果。
但是，上述已有的故障检测技术存在泛化能力弱，数据要求高等问题：例如基于数据驱动的故障检测方法虽然准确度较高、训练时间较短，但是该模型难以移植、对于小样本数据情况模型难以训练。因此，本发明提出了一种基于迁移学习解决多元时间序列数据的小样本问题的设备故障检测方法。该方法能很好的利用现有的数据，将已有的经验结果迁移入目标源模型中，可以很好的解决目标源小样本问题。从而使得目标源模型准确度更高、训练时间更短。
针对上述由于现有技术无法使用小样本训练检测模型，而造成检测效率差的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种检测方法、装置、存储介质及处理器，以至少解决由于现有技术无法使用小样本训练检测模型，造成的检测效率差的技术问题。
根据本发明实施例的一个方面，提供了一种检测方法，包括：获取第一检测模型，所述第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，所述多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；将所述第一检测模型中的模型参数迁移至预先配置的用于对所述待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于所述待检测制冷机组的样本数据对所述初始检测模型的模型参数进行调整，得到第二检测模型，其中，所述样本数据为所述待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于所述第二检测模型对所述待检测制冷机组的特征参数进行检测，得到所述待检测制冷机组的检测结果。
可选地，获取第一检测模型包括：获取模板制冷机组的检测数据和所述待检测制冷机组的检测数据，其中，所述模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；基于所述模板制冷机组的检测数据和所述待检测制冷机组的检测数据，确定所述模板制冷机组和所述待检测制冷机组的关联度；在所述关联度符合预定条件的情况下，确定所述模板制冷机组为所述预设制冷机组，确定所述模板制冷机组的检测模型为所述第一检测模型。
可选地，所述方法还包括：在确定所述待检测制冷机组的第二检测模型后，将所述待检测制冷机组的检测数据，和所述第二检测模型存入所述数据库。
可选地，获取第一检测模型包括：获取所述预设制冷机组的特征参数，和各个所述特征参数对应的故障类型；将所述特征参数和各所述特征参数对应的故障类型输入预设模板模型，训练得到所述第一检测模型。
可选地，获取所述预设制冷机组的特征参数包括：获取所述预设制冷机组的检测数据，其中，所述预设制冷机组的检测数据为多元时间序列数据；对所述多元时间序列数据进行降维处理，得到所述预设制冷机组的特征参数。
可选地，所述预设模板模型包括：多个模型单元；将所述特征参数和各所述特征参数对应的故障类型输入预设模板模型，训练得到所述第一检测模型包括：将所述预设制冷机组的特征参数划分为的多个数据集；确定各个数据集对应的模型单元；将各个数据集中的特征参数输入至与所述各个数据集对应的模型单元，训练所述第一检测模型。
根据本发明实施例的另一方面，还提供了一种检测装置，包括：获取单元，用于获取第一检测模型，其中，所述第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，所述多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；迁移单元，用于将所述第一检测模型中的模型参数迁移至预先配置的用于对所述待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；调整单元，用于基于所述待检测制冷机组的样本数据对所述初始检测模型的模型参数进行调整，得到第二检测模型，其中，所述样本数据为所述待检测制冷机组的特征参数和各参数所对应的故障类型；检测单元，用于基于所述第二检测模型对所述待检测制冷机组的特征参数进行检测，得到所述待检测制冷机组的检测结果。
可选地，所述获取单元包括：获取模块，用于获取模板制冷机组的检测数据和所述待检测制冷机组的检测数据，其中，所述模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；第一确定模块，用于基于所述模板制冷机组的检测数据和所述待检测制冷机组的检测数据，确定所述模板制冷机组和所述待检测制冷机组的关联度；第二确定模块，用于在所述关联度符合预定条件的情况下，确定所述模板制冷机组为所述预设制冷机组，确定所述模板制冷机组的检测模型为所述第一检测模型。
根据本发明实施例的又一方面，还提供了一种计算机可读存储介质或非易失性存储介质，所述计算机可读存储介质或非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质或非易失性存储介质所在设备执行上述所述检测方法。
根据本发明实施例的再一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述检测方法。
在本发明实施例中，获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于第二检测模型对待检测制冷机组的特征参数进行检测，得到待检测制冷机组的检测结果；从而通过模型的迁移学习技术，可以基于与待检测制冷机组具有关联关系的预设制冷机组所训练出的第一检测模型，以及待检测制冷机组的少量样本数据快速生成待检测制冷机组的第二检测模型，达到了快速生成第二检测模型的目的，从而基于第二检测模型实现了提高待检测模型检测效率的技术效果，进而解决了由于现有技术无法使用小样本训练检测模型，造成的检测效率差技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种检测方法的流程图；
图2是根据本发明实施例的一种基于迁移学习的制冷机组故障检测方法的示意图；
图3是根据本发明实施例的一种三个连续循环结构的LSTM的示意图；
图4是根据本发明实施例的一种LSTM的基本单元结构的示意图；
图5是根据本发明实施例的一种PCA-LSTM的多元时间序列故障检测框架的示意图；
图6是根据本发明实施例的一种检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；
步骤S104，将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；
步骤S106，基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；
步骤S108，基于第二检测模型对待检测制冷机组的特征参数进行检测，得到待检测制冷机组的检测结果。
通过上述步骤，获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于第二检测模型对待检测制冷机组的特征参数进行检测，得到待检测制冷机组的检测结果；从而通过模型的迁移学习技术，可以基于与待检测制冷机组具有关联关系的预设制冷机组所训练出的第一检测模型，以及待检测制冷机组的少量样本数据快速生成待检测制冷机组的第二检测模型，达到了快速生成第二检测模型的目的，从而基于第二检测模型实现了提高待检测模型检测效率的技术效果，进而解决了由于现有技术无法使用小样本训练检测模型，造成的检测效率差技术问题。
可选地，上述检测检测方法可以应用于制冷机组的故障检测，则用于训练机器学习模型(即检测模型，如第一检测模型和第二检测模型)的特征参数，即制冷机组的特征参数包括：室外湿度、室外露点温度、冷却总管净累积热量增量、累计冷却塔计算排热量、冷冻总管供水温度、冷冻总管回水温度、冷冻总管供水压力、冷冻总管回水压力等；制冷机组的故障类型包括：冷却水泵故障、冷冻水泵故障、离心机组内部故障、螺杆冷机内部故障、传感器故障、冷机阀门故障、无任何异常。
可选地，第一检测模型可以是基于已知制冷机组的大量特征参数，和特征参数对应的故障类型，通过机器学习方式训练得到的。
可选地，在数据库中可以预先存储多个已知制冷机组(如模板制冷机组)的特征参数，和特征参数对应的故障类型，以及已知制冷机组(如模板制冷机组)的检测模型，然后在数据库中筛选出于待检测制冷机组具有关联关系的已知制冷机组(如模板制冷机组)，以及该已知制冷机组(如模板制冷机组)的检测模型，并将筛选出的已知制冷机组(如模板制冷机组)作为预设制冷机组，该已知制冷机组(如模板制冷机组)的检测模型即为第一检测模型。
作为一种可选的实施例，获取第一检测模型包括：获取模板制冷机组的检测数据和待检测制冷机组的检测数据，其中，模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；基于模板制冷机组的检测数据和待检测制冷机组的检测数据，确定模板制冷机组和待检测制冷机组的关联度；在关联度符合预定条件的情况下，确定模板制冷机组为预设制冷机组，确定模板制冷机组的检测模型为第一检测模型。
本申请要求保护的技术方案，可以通过计算数据库中存储的各模板制冷机组与待检测制冷机组之间的关联度，从数据库中存储的多个模板制冷机组中筛选出与待检测模型具有关联关系的模板制冷机组作为预设制冷机组，该模板制冷机组的检测模型即为第一检测模型。
可选地，可以通过关联度值表示模板制冷机组与待检测制冷机组之间关联度，进而通过计算数据库中存储的各模板制冷机组与待检测制冷机组之间的关联度值，并筛选关联度值大于预设阈值，或筛选关联度值最大的模板制冷机组作为预设制冷机组。
可选地，可以基于模板制冷机组的检测数据(或特征参数)和待检测制冷机组的检测数据(或特征参数)，计算模板制冷机组与待检测制冷机组之间的关联度值。
可选地，可以基于模板制冷机组与待检测制冷机组的硬件设备类型，或基于模板制冷机组与待检测制冷机组的运行环境，或基于模板制冷机组与待检测制冷机组的工作形式来确定模板制冷机组与待检测制冷机组之间的关联度值。
作为一种可选的实施例，方法还包括：在确定待检测制冷机组的第二检测模型后，将待检测制冷机组的检测数据，和第二检测模型存入数据库。
本申请要求保护的技术方案，在各制冷机组的检测模型后(如确定待检测制冷机组的第二检测模型后)，可以将确定的检测模型(即第二检测模型)，以及该检测模型(即第二检测模型)的制冷机组(即待检测制冷机组)存储数据库中，作为样本制冷机组和样本制冷机组的检测模型，便于下一次被其他制冷机组使用。
作为一种可选的实施例，获取第一检测模型包括：获取预设制冷机组的特征参数，和各个特征参数对应的故障类型；将特征参数和各特征参数对应的故障类型输入预设模板模型，训练得到第一检测模型。
本申请要求保护的技术方案，第一检测模型可以是基于预设制冷机组的特征参数，以及各个特征参数对应的故障类型，输入预设模板模型中，通过机器学习的方式训练得到第一检测模型，从而可以基于预设制冷机组中已知的大量特征参数，以及各个特征参数对应的故障类型，训练第一检测模型。
作为一种可选的实施例，获取预设制冷机组的特征参数包括：获取预设制冷机组的检测数据，其中，预设制冷机组的检测数据为多元时间序列数据；对多元时间序列数据进行降维处理，得到预设制冷机组的特征参数。
本申请要求保护的技术方案，在训练检测模型前，可以对各制冷机组所采集的检测数据进行预处理，得到该制冷机组的特征参数，再基于预处理后的特征参数训练检测模型。
例如，在训练预设制冷机组的第一检测模型时，可以对预设制冷机组的检测数据进行降维等预处理，得到该预设制冷机组的特征参数，再基于预处理后的特征参数训练第一检测模型。
又例如，在训练待检测制冷机组的检测模型时，可以对待检测制冷机组的检测数据(如样本数据)进行降维等预处理，得到该待检测制冷机组的特征参数，再基于预处理后的特征参数确定第二检测模型。
作为一种可选的实施例，预设模板模型包括：多个模型单元；将特征参数和各特征参数对应的故障类型输入预设模板模型，训练得到第一检测模型包括：将预设制冷机组的特征参数划分为的多个数据集；确定各个数据集对应的模型单元；将各个数据集中的特征参数输入至与各个数据集对应的模型单元，训练第一检测模型。
本申请要求保护的技术方案，预设模板模型中包括多个模型单元，在基于特征参数训练预设模板模型的过程中，可以将预设制冷机组的多个特征参数划分为多个数据集，并将各数据集分别输入到对应模型单元中，从而基于多个模型单元可以共同确定待检测制冷机组的第一检测模型。
本发明还提供了一种优选实施例，该优选实施例提供了一种基于迁移学习的制冷机组故障检测与诊断方法。
图2是根据本发明实施例的一种基于迁移学习的制冷机组故障检测方法的示意图，如图2所示，包括步骤如下：
步骤1：获取A楼宇中冷机设备的检测数据，构建一个多元时间序列的冷机设备的各项属性观测值数据序列。
可选地，A楼宇和B楼宇中冷机设备运行数据(即检测数据)均通过冷冻水系统、冷却水系统、气象站数据中获取。其中，A楼宇拥有过去四年超过3000万条并且已数据预处理的冷机运行数据(即检测数据)，B楼宇只有三个月的已数据预处理的冷机运行数据(即检测数据)。A楼宇与B楼宇冷机设备运行检测的特征数据以五分钟为时间间隔所统计，从而将一天分为288个时刻点，形成的一组长度为288的时间序列数据。A楼宇与B楼宇冷机设备运行的特征参数包括：室外湿度、室外露点温度、冷却总管净累积热量增量、累计冷却塔计算排热量、冷冻总管供水温度、冷冻总管回水温度、冷冻总管供水压力、冷冻总管回水压力等；将冷机设备样本数据(即检测数据)已经基于专家系统对其进行正常与异常类标注可分为以下7种类型：冷却水泵故障、冷冻水泵故障、离心机组内部故障、螺杆冷机内部故障、传感器故障、冷机阀门故障、无任何异常。其中训练样本占据样本容量的80％，测试样本占20％。
可选地，对A楼宇和B楼宇中冷机设备的运行数据(即检测数据)进行预处理。首先利用PCA算法对原始多元时间序列数据降维；其次对降维后的数据归一化处理，值区间转化为[0,1]。公式如下：
其中，xi(j)表示第i个时刻下，第j个指标观测值，max(xi)，min(xi)表示时间序列数据的最大和最小值。
步骤2：使用迁移学习方法预训练PCA-LSTM模型(即检测模型，包括第一检测模型、第二检测模型)，对模型的初始化参数进行训练，有效的提高了模型检测的准确度；解决小样本情况下模型的训练度不够所导致准确度低的问题，使用具有大量冷机设备数据的A楼宇，将获取的大量数据在PCA-LSTM模型中进行预训练。
可选地，进行源(A)楼宇冷机设备与目标(B)楼宇冷机设备关联度分析。
首先，A楼宇与B楼宇是属于、同一设备类型(螺杆机、离心机)、相同的建筑类型(办公楼、商场、医院)、相同的空调末端形式(风机盘管+新风系统、全空气变风量系统)等。
其次，采用灰色关联分析法来判断楼宇间设备数据的相似度。计算公式如下：
其中，
表示参考序列在t时刻的冷机设备监测值，
表示观察序列在t时刻的冷机设备监测值，ρ为分辨系数，一般取0.5。
最后，计算关联系数的平均值，该值为楼宇A与B的关联度值。计算公式如下：
图3是根据本发明实施例的一种三个连续循环结构的LSTM的示意图，如图3所示，PCA-LSTM模型(即检测模型，包括第一检测模型、第二检测模型)包括多个模型单元LSTM，将输入时间序列表示为X＝(x1，x2，…，xn)，存储单元的隐藏状态为H＝(h1，h2，…，hn)，输出时间序列为Y＝(y1，y2，…，yn)。
其中，LSTM网络(即模型单元)进行如下计算：
ht＝H(whxxt+whhht-1+bh)
yt＝whyht+by
其中：w代表的是各层间的权重矩阵；bh和by分别为隐含层和输出层是偏置矢量；H为输出层的激活函数。
图4是根据本发明实施例的一种LSTM的基本单元结构的示意图，如图4所示，在存储单元的隐藏状态计算中选用sigmoid激活函数进行如下计算：
输入门：it＝σ(wixxt+wihht-1+wicct-1+bi)；
遗忘门：fi＝σ(wfxxt+wfhht-1+wfcct-1+bf)；
记忆单元状态值：ct＝ft*ct-1+it*tanh(wcxxt+wchht-1+bc)；
输出门：ot＝σ(woxxt+wohht-1+wocct-1+b0)；
网络单元的输出：ht＝ot*tanh(ct)；
其中：σ代表sigmoid激活函数
*代表2个向量或矩阵的标量乘积。
可选地，使用平方函数来作为损失函数，公式如下：
其中：yt代表实际输出，
代表预测的分类结果。为了最小化训练误差并同时避免陷入局部最小点。
可选地，在模型训练优化方面，使用Adam优化算法。该优化算法对模型的目标函数损失值收敛速度快并且不容易陷入局部最优，通过找到一组例如权值的参数来最小化目标函数差值，提高模型了精确度。调整网络参数对目标函数
进行优化。Adam算法更新参数公式如下：
mt＝β1mt-1+(1-β1)gt
其中，θt-1为待更新参数；a为学习速率；gt为随机目标函数的梯度；mt为偏一阶矩估计，m0＝0；vt为偏二阶矩估计，v0＝0；β1和β2为矩估计的指数衰减率；ε为小正数在机器学习中默认a＝0.01，β1＝0.9，β2＝0.999，ε＝10-8。采用反向传播算法多次迭代直至网络参数收敛，训练结束，得到最优的网络参数W，b。
步骤3：建立B楼宇冷机设备PCA-LSTM网络。通过大量已有数据对模型进行初始的训练得到最优的网络参数W，b之后，将A楼宇冷机设备的PCA-LSTM网络模型迁移至B楼宇冷机设备PCA-LSTM中。最后接入一个7分类的全连接层。进而构成了B楼宇冷机设备故障检测模型。
可选地，输入步骤1中提前处理好的多元时间序列样本，对模型进行进一步训练。通过B楼宇冷机设备的训练样本，对网络中参数进一步优化调整，从而缩短了训练时间、检测的准确率和稳定性；并通过多元时间序列训练样本不断训练，使用Adam优化算法进行参数微调。
可选地，在本发明中，采用softmax算法得出预测故障类型
计算真实故障类型y和预测
之间的损失函数，采用步骤2.5反向更新梯度。重复上述训练过程，不断降低损失函数值，直到训练次数达到设定的最大值，选取检测故障准确度最高的模型。
其中，Softmax算法公式如下：
其中，si表示模型对输入x在第i个类别上的评分值。而概率最高的类别即为选择的类别。
步骤4：B楼宇设备故障检测模型性能分析。通过分类精度和计算时间来说明本发明所建立的模型具有较好的性能。采用的计算方法如下：
平均绝对误差：
均方根误差：
其中：yi代表实际的分类数据，
代表预测的分类数据。
图5是根据本发明实施例的一种PCA-LSTM的多元时间序列故障检测框架的示意图，如图5所示，在预处理阶段，可以对检测数据中原始的多元时间序列进行PCA姜维、以及数据归一化处理，来实现特征维度降维；再通过输入层对预处理后的检测数据(即特征参数)划分数据集，并将划分后的数据集输入至隐藏层内的对应模型单元(即LSTM)中，由隐藏层实现时间维度降维；然后将隐藏层中各模型单元(即LSTM)传输中输出层中，并在输出层中进行网络预测分类，并在网络预测分类过程进行迭代检测，以及确定多元时间序列测试集合。
其中，该PCA-LSTM的多元时间序列故障检测框架还包括网格训练过程，基于输入层所划分数据集作为理论输出，基于输出层的输出结果作为模型输出，并基于理论输出与模型输出进行损失计算。
本发明提供的技术方案，运用迁移学习技术，将已训练好的PCA-LSTM模型进行模型的迁移，有效的解决在新的模型训练下训练时间长和由于小样本所导致准度低等问题；并且通过已有的大量数据先对模型进行训练，这样的方法可使得原本从随机初始化的模型参数开始训练的模型，变化为模型已是经过迁移学习后参数已是在优化的状态。从而再次经过样本数据的参数调整训练不仅缩短了训练时间，更提高了检测准确度。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质或非易失性存储介质，计算机可读存储介质或非易失性存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质或非易失性存储介质所在设备执行上述检测方法。
根据本发明的又一个实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述检测方法。
根据本发明实施例，还提供了一种检测装置实施例，需要说明的是，该检测装置可以用于执行本发明实施例中的检测方法，本发明实施例中的检测方法可以在该检测装置中执行。
图6是根据本发明实施例的一种检测装置的示意图，如图6所示，该装置可以包括：获取单元60，用于获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；迁移单元62，用于将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；调整单元64，用于基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各参数所对应的故障类型；检测单元66，用于基于第二检测模型对待检测制冷机组的特征参数进行检测，得到待检测制冷机组的检测结果。
需要说明的是，该实施例中的获取单元60可以用于执行本申请实施例中的步骤S102，该实施例中的迁移单元62可以用于执行本申请实施例中的步骤S104，该实施例中的调整单元64可以用于执行本申请实施例中的步骤S106，该实施例中的检测单元66可以用于执行本申请实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
本发明上述实施例，获取第一检测模型，其中，第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；将第一检测模型中的模型参数迁移至预先配置的用于对待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；基于待检测制冷机组的样本数据对初始检测模型的模型参数进行调整，得到第二检测模型，其中，样本数据为待检测制冷机组的特征参数和各特征参数所对应的故障类型；基于第二检测模型对待检测制冷机组的特征参数进行检测，得到待检测制冷机组的检测结果；从而通过模型的迁移学习技术，可以基于与待检测制冷机组具有关联关系的预设制冷机组所训练出的第一检测模型，以及待检测制冷机组的少量样本数据快速生成待检测制冷机组的第二检测模型，达到了快速生成第二检测模型的目的，从而基于第二检测模型实现了提高待检测模型检测效率的技术效果，进而解决了由于现有技术无法使用小样本训练检测模型，造成的检测效率差技术问题。
作为一种可选的实施例，获取单元包括：获取模块，用于获取模板制冷机组的检测数据和待检测制冷机组的检测数据，其中，模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；第一确定模块，用于基于模板制冷机组的检测数据和待检测制冷机组的检测数据，确定模板制冷机组和待检测制冷机组的关联度；第二确定模块，用于在关联度符合预定条件的情况下，确定模板制冷机组为预设制冷机组，确定模板制冷机组的检测模型为第一检测模型。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种制冷机组检测方法，其特征在于，包括：
获取第一检测模型，其中，所述第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，所述多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；
将所述第一检测模型中的模型参数迁移至预先配置的用于对所述待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；
基于所述待检测制冷机组的样本数据对所述初始检测模型的模型参数进行调整，得到第二检测模型，其中，所述样本数据为所述待检测制冷机组的特征参数和各特征参数所对应的故障类型；
基于所述第二检测模型对所述待检测制冷机组的特征参数进行检测，得到所述待检测制冷机组的检测结果。
2.根据权利要求1所述的方法，其特征在于，获取第一检测模型包括：
获取模板制冷机组的检测数据和所述待检测制冷机组的检测数据，其中，所述模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；
基于所述模板制冷机组的检测数据和所述待检测制冷机组的检测数据，确定所述模板制冷机组和所述待检测制冷机组的关联度；
在所述关联度符合预定条件的情况下，确定所述模板制冷机组为所述预设制冷机组，确定所述模板制冷机组的检测模型为所述第一检测模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在确定所述待检测制冷机组的第二检测模型后，将所述待检测制冷机组的检测数据，和所述第二检测模型存入所述数据库。
4.根据权利要求1所述的方法，其特征在于，获取第一检测模型包括：
获取所述预设制冷机组的特征参数，和各个所述特征参数对应的故障类型；
将所述特征参数和各所述特征参数对应的故障类型输入预设模板模型，训练得到所述第一检测模型。
5.根据权利要求4所述的方法，其特征在于，获取所述预设制冷机组的特征参数包括：
获取所述预设制冷机组的检测数据，其中，所述预设制冷机组的检测数据为多元时间序列数据；
对所述多元时间序列数据进行降维处理，得到所述预设制冷机组的特征参数。
6.根据权利要求4所述的方法，其特征在于，所述预设模板模型包括：多个模型单元；将所述特征参数和各所述特征参数对应的故障类型输入预设模板模型，训练得到所述第一检测模型包括：
将所述预设制冷机组的特征参数划分为的多个数据集；
确定各个数据集对应的模型单元；
将各个数据集中的特征参数输入至与所述各个数据集对应的模型单元，训练所述第一检测模型。
7.一种检测装置，其特征在于，包括：
获取单元，用于获取第一检测模型，其中，所述第一检测模型为满足预设制冷机组与待检测制冷机组的关联关系条件后使用多组数据通过机器学习训练出来的，所述多组数据中的每组包括：预设制冷机组的特征参数，和特征参数所对应的故障类型；
迁移单元，用于将所述第一检测模型中的模型参数迁移至预先配置的用于对所述待检测制冷机组进行检测的预设检测模型中，得到初始检测模型；
调整单元，用于基于所述待检测制冷机组的样本数据对所述初始检测模型的模型参数进行调整，得到第二检测模型，其中，所述样本数据为所述待检测制冷机组的特征参数和各参数所对应的故障类型；
检测单元，用于基于所述第二检测模型对所述待检测制冷机组的特征参数进行检测，得到所述待检测制冷机组的检测结果。
8.根据权利要求7所述的装置，其特征在于，所述获取单元包括：
获取模块，用于获取模板制冷机组的检测数据和所述待检测制冷机组的检测数据，其中，所述模板制冷机组为数据库中预先存储的具有检测模型的制冷机组；
第一确定模块，用于基于所述模板制冷机组的检测数据和所述待检测制冷机组的检测数据，确定所述模板制冷机组和所述待检测制冷机组的关联度；
第二确定模块，用于在所述关联度符合预定条件的情况下，确定所述模板制冷机组为所述预设制冷机组，确定所述模板制冷机组的检测模型为所述第一检测模型。
9.一种计算机可读存储介质或非易失性存储介质，其特征在于，所述计算机可读存储介质或非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质或非易失性存储介质所在设备执行权利要求1至6中任意一项所述检测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011504202.1A CN112633351A (zh) | 2020-12-17 | 2020-12-17 | 检测方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011504202.1A CN112633351A (zh) | 2020-12-17 | 2020-12-17 | 检测方法、装置、存储介质及处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633351A true CN112633351A (zh) | 2021-04-09 |
Family
ID=75317006
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011504202.1A Pending CN112633351A (zh) | 2020-12-17 | 2020-12-17 | 检测方法、装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633351A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013080395A (ja) * | 2011-10-04 | 2013-05-02 | Nippon Telegr & Teleph Corp <Ntt> | 誤分類検出装置、方法、及びプログラム |
| CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技（深圳）有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
| CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
| KR20200032443A (ko) * | 2018-09-18 | 2020-03-26 | 인하대학교 산학협력단 | 소표본 의료 영상의 전이학습을 위한 중간 레벨 특징 추출 방법 및 장치 |
| CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
| WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技（深圳）有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
| US20200342274A1 (en) * | 2019-04-26 | 2020-10-29 | Samsara Networks Inc. | Object-model based event detection system |
| CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及系统 |
-
2020
- 2020-12-17 CN CN202011504202.1A patent/CN112633351A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013080395A (ja) * | 2011-10-04 | 2013-05-02 | Nippon Telegr & Teleph Corp <Ntt> | 誤分類検出装置、方法、及びプログラム |
| CN109409198A (zh) * | 2018-08-31 | 2019-03-01 | 平安科技（深圳）有限公司 | Au检测模型训练方法、au检测方法、装置、设备及介质 |
| KR20200032443A (ko) * | 2018-09-18 | 2020-03-26 | 인하대학교 산학협력단 | 소표본 의료 영상의 전이학습을 위한 중간 레벨 특징 추출 방법 및 장치 |
| WO2020155518A1 (zh) * | 2019-02-03 | 2020-08-06 | 平安科技（深圳）有限公司 | 物体检测方法、装置、计算机设备及存储介质 |
| US20200342274A1 (en) * | 2019-04-26 | 2020-10-29 | Samsara Networks Inc. | Object-model based event detection system |
| CN110516757A (zh) * | 2019-09-02 | 2019-11-29 | 广东工业大学 | 一种变压器故障检测方法及相关装置 |
| CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
| CN111860236A (zh) * | 2020-07-06 | 2020-10-30 | 中国科学院空天信息创新研究院 | 一种基于迁移学习的小样本遥感目标检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| Li et al. | Application of pattern matching method for detecting faults in air handling unit system | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| Singh et al. | A comprehensive review: Fault detection, diagnostics, prognostics, and fault modeling in HVAC systems | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN114484731B (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
| CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
| Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
| Liu et al. | Complex engineered system health indexes extraction using low frequency raw time-series data based on deep learning methods | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
| CN111723925A (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 | |
| Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
| CN116205508A (zh) | 一种分布式光伏发电异常诊断方法和系统 | |
| CN115774958A (zh) | 一种数据中心制冷系统预测与停机温度设定优化方法 | |
| CN115456287A (zh) | 一种基于长短时记忆网络的综合能源系统多元负荷预测方法 | |
| Li et al. | Simulated annealing wrapped generic ensemble fault diagnostic strategy for VRF system | |
| Dehestani et al. | Robust fault tolerant application for HVAC system based on combination of online SVM and ANN black box model | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| Dey et al. | Unsupervised learning techniques for HVAC terminal unit behaviour analysis | |
| CN117013520A (zh) | 一种基于增量学习的柔性负荷可调功率评估方法 | |
| Eghbalian et al. | Multi-view data mining approach for behaviour analysis of smart control valve | |
| CN112633351A (zh) | 检测方法、装置、存储介质及处理器 | |
| Li et al. | An interpretable graph convolutional neural network based fault diagnosis method for building energy systems |
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 |