CN112766327B - 空调故障预测方法、电子设备和储存介质 - Google Patents

空调故障预测方法、电子设备和储存介质 Download PDF

Info

Publication number
CN112766327B
CN112766327B CN202110005910.9A CN202110005910A CN112766327B CN 112766327 B CN112766327 B CN 112766327B CN 202110005910 A CN202110005910 A CN 202110005910A CN 112766327 B CN112766327 B CN 112766327B
Authority
CN
China
Prior art keywords
air conditioner
fault
analysis data
thermodynamic parameters
temperature
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
CN202110005910.9A
Other languages
English (en)
Other versions
CN112766327A (zh
Inventor
罗建飞
郭庆
曾奕
黄童毅
唐小朱
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.)
Gree Electric Appliances Inc of Zhuhai
Gree Wuhan Electric Appliances Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Gree Wuhan Electric Appliances Co Ltd
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 Gree Electric Appliances Inc of Zhuhai, Gree Wuhan Electric Appliances Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202110005910.9A priority Critical patent/CN112766327B/zh
Publication of CN112766327A publication Critical patent/CN112766327A/zh
Application granted granted Critical
Publication of CN112766327B publication Critical patent/CN112766327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/21—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本申请是关于一种空调故障预测方法。该方法包括：监测空调当前的M个热力学参数，所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。本申请提供的方案，能够提取最具判别性空调故障特征，用于建立空调故障模型，提高了预测模型预测的准确性。

Description

空调故障预测方法、电子设备和储存介质
技术领域
本发明涉及空调技术领域，尤其涉及一种空调故障预测方法。
背景技术
当空调发生故障时，对空调系统和用户体验产生巨大的影响，不仅导致能源浪费，还会缩短设备使用寿命，带来低效的环境舒适度。对于复杂的空调系统，仅仅依靠人工很难及时发现系统中出现的故障。
空调故障可分为硬故障和软故障，硬故障主要是因器件完全失效所造成的故障，软故障主要是因器件性能下降或者部分失效所造成的故障。硬故障可以直接发现并及时维修，但软故障是渐变的，发展较慢，在初期往往很难被发现。目前市场上的空调故障处理方式主要是在发生硬故障时，对空调系统进行人工检查和维修，但对于渐变的软故障，都是通过各种计算机算法对故障进行预测与诊断。如：
公开号为CN111578111A的申请文件中公开了一种空调故障预测方法、装置、存储介质及空调，所述方法包括：通过神经网络算法训练所述空调的故障预测模型；当所述空调运行时获取所述空调当前的运行数据，所述运行数据，包括：外部数据和内部数据；将所述空调当前的运行数据输入所述故障预测模型中进行故障预测；若预测出所述空调发生故障，则向所述空调的用户发送相应的提示信息。本发明提供的方案能够对空调进行故障预测，及时发现空调的各种故障，尤其是软故障，从而延长空调设备使用寿命。
公开号为CN109931678A的申请文件中公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。
上述的空调故障预测与诊断方法，多着重于算法模型的构建与训练，而没有考虑到所采集到的空调故障模型训练样本数据线性不可分，无法获取样本数据中的最具判别性的信息，导致所建立的模型准确性较低，导致空调故障预测准确性降低。
发明内容
为克服相关技术中存在的问题，本申请提供一种空调故障预测方法，该空调故障预测方法，能够提高空调故障预测准确性。
本申请第一方面提供一种空调故障预测方法，包括监测空调当前的M个热力学参数，该热力学参数为与空调故障相关的参数，该M为大于1的整数；
将该M个热力学参数输入至空调故障预测模型进行故障预测，得到该空调的故障类型；
该空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；该第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，该第一故障分析数据为包括有至少N个故障关系组的数据集合，一个该故障关系组包括：热力学参数和热力学参数对应的空调故障类型，该N为大于2的整数。
在第一方面的第一种可能实现的方法中，该将所述M个热力学参数输入至空调故障预测模型进行故障预测之前，还包括：
使用第二故障分析数据对所述空调故障预测模型进行训练。
结合第一方面的第一种可能实现的方法，在第二种可能实现的方法中，所述使用第一故障分析数据对所述空调故障预测模型进行训练，包括：
获取用于预测空调故障的该第一故障分析数据；
确定该第一故障分析数据的映射函数；
根据该映射函数将该第一故障分析数据从第一维度映射至第二维度；
通过核函数计算得到第二故障分析数据，该第二故障分析数据在该第二维度线性可分；
用该第二故障分析数据训练模型，得到所述空调故障预测模型。
结合第一方面的第二种可能实现的方法，在第三种可能实现的方法中，该热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力；
该空调故障类型包括：正常运行、制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小。
结合第一方面的第三种可能实现的方法，在第四种可能实现的方法中，该通过核函数计算得到第二故障分析数据包括：
计算该空调故障类型在该第二维度的类内散布矩阵和类间散布矩阵；
通过该类内散布矩阵和该类间散布矩阵计算该热力学参数和该空调故障类型在该第二维度的特征值和特征向量；
通过该特征值和该特征向量计算投影矩阵；
通过该投影矩阵计算得到该第二故障分析数据。
结合第一方面的第四种可能实现的方法，在第五种可能实现的方法中，该通过所述类内散布矩阵和该类间散布矩阵计算该热力学参数和该空调故障类型的特征值和特征向量，包括：
确定该第二故障分析数据在该第二维度的投影方向；
通过该投影方向、该类内散布矩阵和该类间散布矩阵确定类判别准则函数；
通过对该类判别准则函数计算该热力学参数和所述空调故障类型的特征值和特征向量。
结合第一方面的第五种可能实现的方法，在第六种可能实现的方法中，该通过对该类判别准则函数计算所述热力学参数和该空调故障类型的特征值和特征向量，包括：
对该类判别准则函数的分母进行归一化；
对归一化后的该类判别准则函数进行求导得到该热力学参数和该空调故障类型的特征值和特征向量。
结合第一方面的第四种可能实现的方法，在第七种可能实现的方法中，该通过该特征值和该特征向量计算投影矩阵，包括：
通过求解特征方程最大时D个该特征值和对应的该特征向量得到投影矩阵，该D个特征值之和大于或等于所述特征值总和。
结合第一方面的第三种可能实现的方法，在第八种可能实现的方法中，该空调故障预测模型包括：
第一概率神经网络模型和第二概率神经网络模型；
该概率神经网络模型包括：输入层、模式层、求和层和输出层。
结合第一方面的第八种可能实现的方法，在第九种可能实现的方法中，该第一概率神经网络模型为通过第一部分该第二故障分析数据训练得到的神经网络模型；
该第一部分该第二故障分析数据包括：排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度这五个空调机组热力学参数和该五个热力学参数强相关的六种空调故障：水流量过小、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大和正常运行。
结合第一方面的第八种可能实现的方法，在第十种可能实现的方法中，该第二概率神经网络模型为通过第二部分该第二故障分析数据训练得到的神经网络模型；
该第二部分该第二故障分析数据包括：排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度这四个空调机组热力学参数和该四个所述热力学参数强相关的五种空调故障：制冷剂不足、制冷剂过多、膨胀阀开度偏大、膨胀阀开度偏小和正常运行。
结合第一方面的第八种可能实现的方法，在第十一种可能实现的方法中，该将该M个热力学参数输入至空调故障预测模型进行故障预测，包括：
对该M个热力学参数进行归一化处理；
将归一化后的该M个热力学参数输入该输入层；
计算模式距离，该模式距离为归一化后的该M个热力学参数与归一化后的该第二故障分析数据中相应元素之间的距离；
计算该M个热力学参数属于各个该空调故障类型的概率；
取最大该概率对应的所述空调故障类型作为该概率神经网络的输出。
结合第一方面的第十一种可能实现的方法，在第十二种可能实现的方法中，该计算模式距离之后所述计算该M个热力学参数属于各个该空调故障类型的概率之前，还包括：
激活该模式层的高斯函数得到初始概率矩阵；
计算该待识别数据属于各类该空调故障类型的初始概率和。
结合第一方面的第九种或第十种可能实现的方法，在第十三种可能实现的方法中，该监测空调当前的M个热力学参数之后该将该M个热力学参数输入至空调故障预测模型进行故障预测，得到该空调的故障类型之前，还包括：
将该M个热力学参数进行分类：将排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度划分为第一类，作为所述第一概率神经网络模型的输入；将排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度划分为第二类，作为所述第二概率神经网络模型的输入。
本申请第二方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当该可执行代码被该处理器执行时，使该处理器执行如上该的方法。
本申请第三方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当该可执行代码被电子设备的处理器执行时，使该处理器执行如上该的方法。
本申请提供的技术方案可以包括以下有益效果：本方案通过将实时监测到的M个热力学参数输入到通过第二故障分析数据训练得到的神经网络模型。输出得到空调的故障类型，所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。通过将直接获取到的线性不可分样本数据映射到线性可分空间提取最具判别性空调故障特征，用于建立空调故障模型，提高了预测模型预测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的一种空调故障预测方法的流程示意图；
图2是本申请实施例示出的一种空调故障预测方法的另一流程示意图；
图3是本申请实施例示出的一种空调故障预测方法的另一流程示意图；
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
现有的的空调故障预测与诊断方法，多着重于算法模型的构建与训练，而没有考虑到所采集到的用于训练预测模型的训练样本数据线性不可分，无法获取样本数据中的最具判别性的信息，导致所建立的模型准确性较低，导致空调故障预测准确性降低。
针对上述问题，本申请实施例提供一种空调故障预测方法，能够提高空调故障预测准确性。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的一种空调故障预测方法的流程示意图。
参见图1，本申请实施例示出的空调故障预测方法的一个实施例包括：
101.监测空调当前的M个热力学参数；
所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；
空调故障分为硬故障和软故障，硬故障可以通过机理分析，可以在生产设计时通过技术改进尽量避免；而软故障具有隐蔽性和渐变性，我们很难直接发现，只能通过与其相关的空调热力学参数的变化来实现对软故障的预测，来保证软故障对空调造成实际损坏之前对其进行维修，降低空调维修成本。
空调常见软故障有：制冷剂不足、制冷剂过多、冷却水进水温度过低和冷却水进水温度过高。
热力学参数是描写物质状态用的基本量，例如温度、压力、比容、焓、熵等。
本申请实施例中，在空调运行时通过设置在空调中的温度传感器和压力传感器实时采集的M个热力学参数为空调软故障相关的温度和压力如：排气温度和排气压力等。
102.将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；
所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。
第一故障分析数据是通过设置在空调中的温度传感器和压力传感器所收集到的空调即将发生故障时一组空调热力学参数和空调即将发生的故障类型。具体表现形式为：
其中：x1，x2……xi代表的是多个不同的热力学参数，yi代表的是一个空调故障类型。因为某一类的空调故障是多个热力学参数发生异变后表现出来的结果。但是由于采集到的数据可能在低维空间并不线性可分，无法提取到最具判别性的故障特征，如果直接使用采集到的数据训练预测模型，那么模型预测准确率会受到影响。因此，将第一故障分析数据在低维空间的特征向量映射到高维空间，得到第二故障分析数据，在高维空间中第二故障分析数据线性可分的可能性比第一故障分析数据大，可以从第二故障分析数据中提取到空调故障的判别性特征，用第二故障分析数据来训练空调故障预测模型，可保证模型的准确性。
本申请实施例中，将步骤101中通过传感器采集到的热力学参数输入用可提取故障类型判别性特征的线性可分样本数据训练出来的空调故障预测模型，准确预测输出得到当前所采集到的热力学参数所对应的空调故障类型。
本申请技术方案通过将实时检测到的M个热力学参数输入到通过第二故障分析数据训练得到的神经网络模型。输出得到空调的故障类型，所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。通过将直接获取到的线性不可分样本数据映射到线性可分空间提取最具判别性空调故障特征，用于建立空调故障模型，提高了预测模型预测的准确性。
为了便于理解，以下提供了空调故障预测方法的一个应用实施例进行说明，请参阅图2，本申请实施例中空调故障预测方法的一个实施例包括:
本申请实施例中，将详尽示出实施例1所提到的用于训练故障预测模型的第二故障分析数据是如何通过第一故障分析数据转化得到的。
201.获取用于预测空调故障的第一故障分析数据；
第一故障分析数据包含的信息有空调的热力学参数和空调故障类型，热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力；空调故障类型包括：正常运行、制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小。
本申请实施例中，因为一台空调发生的故障的次数和发生故障的类型都是有限的，而如果训练样本太少的话，也不能保证模型的准确性，所以通过网络大数据收集大量同一型号的空调在即将发生故障时第一故障分析数据。第一故障分析数据表现为：
202.通过映射函数将所述第一故障分析数据从第一维度映射至第二维度；
第一维度为第一故障分析数据所在的线性不可分的低维空间；
第二维度为第二故障分析数据所在的线性可分的高维空间。
因一个空调故障的影响因素为多个热力学参数，所以一个第一故障分析数据是一个多维的数据，所以直接采集到的数据是不同故障类型的数据交叉分布在一个低维空间，无法直接用直线或平面将它们按不同故障类型的划分区别出来。
本申请实施例中，设非线性映射函数可实现将第一故障分析数据从线性不可分的低维空间映射到线性可分的高维空间。在高维空间中可以用超平面直接把不同故障类型的第一故障分析数据按故障类型进行划分，可进行线性可分的第一故障分析数据为第二故障分析数据。
203.通过核函数计算得到第二故障分析数据，所述第二故障分析数据在所述第二维度线性可分；
核函数定义：支持向量机通过某非线性变换φ(x)，将输入空间映射到高维特征空间。特征空间的维数可能非常高。如果支持向量机的求解只用到内积运算，而在低维输入空间又存在某个函数K(x,x′)，它恰好等于在高维空间中这个内积，即K(x,x′)＝<φ(x)·φ(x′)>。那么支持向量机就不用计算复杂的非线性变换，而由这个函数K(x,x′)直接得到非线性变换的内积，使大大简化了计算。这样的函数K(x,x′)称为核函数
核函数是二元函数，输入是映射之前的两个向量，其输出等价于两个向量映射之后的内积。
核函数包括线性核函数、多项式核函数、高斯核函数等，其中高斯核函数最常用，可以将数据映射到无穷维，也叫做径向基函数(Radial Basis Function简称RBF)，是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||)，其作用往往是局部的，即当x远离xc时函数取值很小。
本申请实施例中，通过核函数求第二故障分析数据的具体过程包括：
计算所述空调故障类型在所述第二维度的类内散布矩阵和类间散布矩阵和/>的具体计算公式如下：
其中ni表示第i类空调故障的第二故障分析数据的个数,Ni表示所有第二故障分析数据的个数，和c是空调故障类的数量；表示第i类空调故障的平均向量,/>代表高维空间中所有空调故障类的平均向量，/>表示所述映射函数，/>表示第二故障分析数据在高维空间中所对应的向量，xij表示第i个故障类中的第j个第二故障分析数据，xi代表任意一个第二故障分析数据，其中第i类空调故障的平均向量/>的计算公式为：高维空间中所有空调故障类的平均向量/>的计算公式为：
确定所述第二故障分析数据在所述第二维度的投影方向；
在高维空间中，投影方向w表示为第二故障分析数据的线性组合，所以投影方向w的计算公式①如下：
其中α表示特征向量
通过所述投影方向、所述类内散布矩阵和所述类间散布矩阵确定类判别准则函数；
根据投影方向w进行投影后的类判别准则函数可表示如下式②：
联合公式①和公式②可将判别准则函数改写成如下式③所示：
其中
通过对所述类判别准则函数计算所述热力学参数和所述空调故障类型的特征值和特征向量，详细计算过程如下：
对判别准则函数③的分母进行归一化，，令||αTNα||＝1，加入拉格朗日乘子后，再求导：c(α)＝αTMα-λ(αTNα-1)
Mα＝λNα
其中用到了矩阵微积分，求导时可以简化地把αTNα当做Nα2看待。如果N可逆，那么将求导后的结果两边都乘以N-1，得：
N-1Mα＝λα
通过所述特征值和所述特征向量计算投影矩阵；
计算N-1M最大的d个特征值和对应的特征向量(α1，α2，…αd)得到投影矩阵W。d个特征值之和大于或等于所述特征值总和。
通过所述投影矩阵计算得到所述第二故障分析数据。
第二故障分析数据在w上的投影变换为核函数k(xi，x)到α的投影，即
将第一故障分析数据集中的每一个第一故障分析数据特征xi，通过zi＝WTxi得到第二故障分析数据特征zi，得到第二故障分析数据，第二故障分析数据的具体表现形式如下所示：
204.用第二故障分析数据训练空调故障模型；
本申请实施例中，将步骤203中计算得到的第二故障分析数据训练用于预测空调故障的空调故障模型。
205.监测空调当前的M个热力学参数；
本申请实施例中，通过设置在空调中传感器采集的M个热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力。
206.将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；
本申请实施例中，将步骤205中采集到的M个热力学参数输入步骤204中训练得到的空调故障模型，输出得到对应的空调故障类型。
本申请实施例，通过获取用于预测空调故障的第一故障分析数据，通过映射函数将所述第一故障分析数据从第一维度映射至第二维度，通过核函数计算得到第二故障分析数据，用第二故障分析数据训练空调故障模型，监测空调当前的M个热力学参数，将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型。本方案通过核函数通过隐函数降维计算得到第二故障分析数据用于训练模型，在保证模型预测准确性的同时，降低了计算成本。
为了便于理解，以下提供了空调故障预测方法的一个应用实施例进行说明，请参阅图3，本申请实施例中空调故障预测方法的一个实施例包括:
本申请实施例中，通过将故障类型进行分类，分别建立两个预测模型，进一步提高模型的预测准确率。
301.获取用于预测空调故障的第一故障分析数据；
在本申请实施例中，步骤301的具体内容与上述实施例2中的步骤201的内容相似，此处不作赘述。
302.将第一故障分析数据分为两部分；
因为一个故障类型不是同时受八个热力学参数的共同影响的，可能是受两个、三个或四个热力学参数的影响，如果将八个热力学参数都作为每个故障类型的影响因素都用于训练模型，其中会有一部分的热力参数对某一类故障类型是没有影响的，即这部分热力学参数不能作为这一类故障类型的判别特征，属于无用数据，会影响模型的预测准确性。为了消除无用数据对模型的影响，对第一故障分析数据按照故障类型与热力学参数之间的相关性进行分类。
根据：(1)水流量过小这个故障最直接的影响是进水温度和出水温度的变化，由于故障产生会导致换热效果不好，因此高压会上升，与高压相关的热力参数为排气压力和排气温度。由于故障影响了制冷效果，因此房间温度会上升，且压缩机的吸气温度会上升；(2)冷却水进水温度过低最直接的影响是进水温度和出水温度的变化，随着冷却水温度的降低,压缩机的排气压力、排气温度会下降。初始时房间温度会保持不变(因为冷却水温度还没有下降到会影响制冷效果的程度)，等冷却水温度降至一定程度(类似于房间负荷过大)，影响制冷效果，房间温度会上升，吸气温度也有一定的影响；
(3)冷却水进水温度过高最直接的影响是进水温度和出水温度的变化，冷却水进口温度过高会使制冷剂过冷温度，从而使高压(排气压力，排气温度)高，低压(吸气温度)也会有一定程度的影响，压缩机的压比增大,轴功率提高,输气系数降低,因此降低系统的制冷能力，从而使房间温度上升；(4)风机不转，冷凝器换热效果下降，导致高压高，与高压相关的参数有排气压力和排气温度。因此节流后的温度也会比平时的要高，此时进入套管换热器时的冷媒温度会比正常情况下高，若冷却水进水温度不变(相当于故障冷却水进水温度过低的情况)，冷媒不能完全冷却。因此，压缩机的吸气温度会上升。换热效果不好，房间温度会上升；(5)房间负荷过大空调房间负荷过大会导致空调房间温度上升,最后达不到正常空调房间应保持的温度指标，受影响最大的两个参数是压缩机吸气温度和排气温度。
综合以上的相关性，将排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度这五个空调机组热力学参数和所述五个热力学参数强相关的六种空调故障：水流量过小、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大和正常运行，划分为第一部分第一故障分析数据。
同时根据：(6)制冷剂不足与膨胀阀开度偏小相似，整个系统循环制冷剂不足，其变化最明显的是吸排气压力以及房间温度。从理论上分析,其制冷剂冷凝器出口温度应该有所区别,因为就制冷剂不足这个故障而言,这个系统充注制冷剂不足,而其它工况均保持不变,那么吸排气温度与空调房间温度会上升,吸排气压力会下降,而冷凝器出口制冷的温度会下降,因为冷凝器的换热能力没有变化,就热力膨胀阀开度过小这个故障而言,其它参数变化趋势均与制冷剂不足这个故障一致,除了制冷剂冷凝器出口温度(即过冷温度)会上升,因为制冷剂充注量正常时,若热力膨胀阀开度过小,使得制冷剂循环量减少,未参与循环的制冷剂会以液态存储于冷凝器中从而影响冷凝器的换热效果,所以制冷剂冷凝器出口温度应该上升,这个因素会使制冷量往下降的方向变化；(7)制冷剂过多与膨胀阀开度偏大相似，制冷剂过多会减少冷凝器内的有效换热面积,使换热效果降低,致使冷凝温度上升,冷凝压力提高,高压也就过高了。过多的制冷剂进入蒸发器未能全部气化而被压缩机吸入造成低压高。膨胀阀开度过大会导致制冷剂流量过大，蒸发器进口压力过大。蒸发器未能充分蒸发，导致吸气压力(低压)偏高，会造成吸气温度也升高，而吸气温度高又会使排气温度也升高。过高的排气温度对压缩机润滑油及线圈绝缘都存在较大的危害，最终会损坏压缩机。
综合(6)(7)所述的相关性，将排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度这四个空调机组热力学参数和所述四个所述热力学参数强相关的五种空调故障：制冷剂不足、制冷剂过多、膨胀阀开度偏大、膨胀阀开度偏小和正常运行，划分为第二部分第一故障分析数据。
通过分类保证每个第一故障分析数据中的热力学参数都是对对应的故障类型有影响的，可作为对应故障类型的判别性特征的。
303.通过映射函数将所述第一故障分析数据从第一维度映射至第二维度；
在本申请实施例中，步骤303的具体内容与上述实施例2中的步骤202的内容相似，此处不作赘述。
304.通过核函数计算得到第二故障分析数据，所述第二故障分析数据在所述第二维度线性可分；
在本申请实施例中，通过核函数计算得到第一部分第二故障分析数据和第二部分故障分析数据。
305.用第二故障分析数据训练空调故障模型；
本申请实施例中空调故障模型采用概率神经网络模型，概率神经网络模型包括：输入层、模式层、求和层和输出层；输入层，用于获取输入数据的矩阵并将输入数据矩阵传递给模式层；模式层，用于基于模式距离计算出初始概率矩阵；求和层，用于计算初始概率和；输出层，用于识别出具有最大概率的故障类标签，并输出其对应的空调故障类型标签。
在本申请实施例中，用第一部分第二故障分析数据训练建立第一概率神经网络模型，第一概率神经网络的输入为：排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度，输出为故障标签：1.2.3.4.5或6，故障标签：1.2.3.4.5和6分别对应的故障类型为水流量过小、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大和正常运行这六个空调故障类型；用第二部分第二故障分析数据训练建立第二概率神经网络模型，第一概率神经网络的输入为：排气压力、吸气压力、化霜温度和房间温度，输出为故障标签6.7.8.9或10，故障标签6.7.8.9和10分别对应的故障类型为：正常运行、制冷剂不足、制冷剂过多、膨胀阀开度偏大和膨胀阀开度偏小这五种空调故障类型。
306.监测空调当前的M个热力学参数；
在本申请实施例中，步骤305的具体内容与上述实施例2中的步骤205的内容相似，此处不作赘述。
307.对M个热力学参数进行分类；
本申请实施例中，将M个热力学参数进行分类：将排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度划分为第一类，作为所述第一概率神经网络模型的输入；将排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度划分为第二类，作为所述第二概率神经网络模型的输入。
308.将第一类和第二类M个热力学参数分别输入第一和第二概率神经网络模型进行故障预测；
对第一类和第二类M个热力学参数进行故障预测的过程相同，此处以第一类M个热力学参数在第一概率神经网络模型中的预测过程为例进行说明。
模型的预测过程具体有：
对第一部分第二故障分析数据和所述M个热力学参数进行归一化处理：
第一部分第二故障分析数据总共m个，每一个第一部分第二故障分析数据的维数为5，所以有矩阵：
归一化系数：
归一化后的第一部分第二故障分析数据可表示为：
Cm×5＝Bm×1[11...1]1×5·Xm×5
将归一化后的第一部分第二故障分析数据输入所述输入层后有：
由p个5维向量组成的矩阵为第一类M个热力学参数矩阵D，进行归一化后，有：
计算模式距离；
即模式距离为归一化后的第一类M个热力学参数与归一化后的第二故障分析数据中相应元素之间的欧式距离E：
其中Ci为：归一化的第一部分第二故障分析数据,i＝1,2,…,m；
dj为：归一化的第一类M个热力学参数,j＝1,2,…,p；Eij：表示第i个第一类M个热力学参数(di)与第j个第一部分第二故障分析数据(Cj)的欧式距离。
激活所述模式层的高斯函数得到初始概率矩阵；
第一部分第二故障分析数据和第一类M个热力学参数被归一化后，通常取标准差σ＝0.1的高斯型函数。激活后得到初始概率矩阵：
计算所述待识别数据属于各类所述空调故障类型的初始概率和；
设第一类M个热力学参数共有m个，一个可以分为6类空调故障，并且各类故障对应的M个热力学参数的数目相同，设为k,则可以在概率神经网络的求合层求得各个M个热力学参数属于各类故障的初始概率和S；
计算所述M个热力学参数属于各个所述空调故障类型的概率：即第i个M个热力学参数属于第j类故障的概率probij，
取最大概率probij对应的所述空调故障类型的故障标签作为所述概率神经网络的输出。得到输入的M个热力学参数所对应的空调故障类型。
本申请实施例，通过获取用于预测空调故障的第一故障分析数据，将第一故障分析数据分为两部分；通过映射函数将所述第一故障分析数据从第一维度映射至第二维度，通过核函数计算得到第二故障分析数据，用第二故障分析数据训练空调故障模型，监测空调当前的M个热力学参数，对M个热力学参数进行分类；将第一类和第二类M个热力学参数分别输入第一和第二概率神经网络模型进行故障预测，得到所述空调的故障类型。本方案根据热力学参数和空调故障类型之间的相关性将训练数据进行分类，用分类后的数据分别训练两个预测模型来对空调故障进行预测，进一步提高了空调故障预测的准确性，同时缩短预测时间。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4，电子设备401包括存储器402和处理器403。
处理器403可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器403或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器402可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器402可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器402上存储有可执行代码，当可执行代码被处理器403处理时，可以使处理器403执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种空调故障预测方法，其特征在于，包括：
监测空调当前的M个热力学参数，所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；
使用第二故障分析数据对空调故障预测模型进行训练：获取用于预测空调故障的第一故障分析数据；
确定所述第一故障分析数据的映射函数；
根据所述映射函数将所述第一故障分析数据从第一维度映射至第二维度；
通过核函数计算得到第二故障分析数据：计算空调故障类型在所述第二维度的类内散布矩阵和类间散布矩阵；
通过类内散布矩阵和所述类间散布矩阵计算所述热力学参数和所述空调故障类型在所述第二维度的特征值和特征向量；
通过所述特征值和所述特征向量计算投影矩阵；
通过所述投影矩阵计算得到所述第二故障分析数据
用所述第二故障分析数据训练模型，得到所述空调故障预测模型；其中，所述第二故障分析数据在所述第二维度线性可分；
将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；所述空调故障预测模型包括：第一概率神经网络模型和第二概率神经网络模型；所述概率神经网络模型包括：输入层、模式层、求和层和输出层；
所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。
2.根据权利要求1所述的一种空调故障预测方法，其特征在于，
所述热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力；
所述空调故障类型包括：正常运行、制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小。
3.根据权利要求2所述的一种空调故障预测方法，其特征在于，
所述通过所述类内散布矩阵和所述类间散布矩阵计算所述热力学参数和所述空调故障类型的特征值和特征向量，包括：
确定所述第二故障分析数据在所述第二维度的投影方向；
通过所述投影方向、所述类内散布矩阵和所述类间散布矩阵确定类判别准则函数；
通过对所述类判别准则函数计算所述热力学参数和所述空调故障类型的特征值和特征向量。
4.根据权利要求3所述的一种空调故障预测方法，其特征在于，所述通过对所述类判别准则函数计算所述热力学参数和所述空调故障类型的特征值和特征向量，包括：
对所述类判别准则函数的分母进行归一化；
对归一化后的所述类判别准则函数进行求导得到所述热力学参数和所述空调故障类型的特征值和特征向量。
5.根据权利要求2所述的一种空调故障预测方法，其特征在于，所述通过所述特征值和所述特征向量计算投影矩阵，包括：
通过求解特征方程最大时d个所述特征值和对应的所述特征向量得到投影矩阵，所述d个特征值之和大于或等于所述特征值总和。
6.根据权利要求2所述的一种空调故障预测方法，其特征在于，所述第一概率神经网络模型为通过第一部分所述第二故障分析数据训练得到的神经网络模型；
所述第一部分所述第二故障分析数据包括：排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度这五个空调机组热力学参数和五个热力学参数强相关的六种空调故障：水流量过小、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大和正常运行。
7.根据权利要求2所述的一种空调故障预测方法，其特征在于，所述第二概率神经网络模型为通过第二部分所述第二故障分析数据训练得到的神经网络模型；
所述第二部分所述第二故障分析数据包括：排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度这四个空调机组热力学参数和四个所述热力学参数强相关的五种空调故障：制冷剂不足、制冷剂过多、膨胀阀开度偏大、膨胀阀开度偏小和正常运行。
8.根据权利要求2所述的一种空调故障预测方法，其特征在于，
所述将所述M个热力学参数输入至空调故障预测模型进行故障预测，包括：
对所述M个热力学参数进行归一化处理；
将归一化后的所述M个热力学参数输入所述输入层；
计算模式距离，所述模式距离为归一化后的所述M个热力学参数与归一化后的所述第二故障分析数据中相应元素之间的距离；
计算所述M个热力学参数属于各个所述空调故障类型的概率；
取最大所述概率对应的所述空调故障类型作为所述概率神经网络的输出。
9.根据权利要求8所述的一种空调故障预测方法，其特征在于，所述计算模式距离之后所述计算所述M个热力学参数属于各个所述空调故障类型的概率之前，还包括：
激活所述模式层的高斯函数得到初始概率矩阵；
计算待识别数据属于各类所述空调故障类型的初始概率和。
10.根据权利要求6或7所述的一种空调故障预测方法，其特征在于，所述监测空调当前的M个热力学参数之后所述将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型之前，还包括：
将所述M个热力学参数进行分类：将排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度划分为第一类，作为所述第一概率神经网络模型的输入；将排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度划分为第二类，作为所述第二概率神经网络模型的输入。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-10中任一项所述的方法。
12.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-10中任一项所述的方法。
CN202110005910.9A 2021-01-05 2021-01-05 空调故障预测方法、电子设备和储存介质 Active CN112766327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110005910.9A CN112766327B (zh) 2021-01-05 2021-01-05 空调故障预测方法、电子设备和储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110005910.9A CN112766327B (zh) 2021-01-05 2021-01-05 空调故障预测方法、电子设备和储存介质

Publications (2)

Publication Number Publication Date
CN112766327A CN112766327A (zh) 2021-05-07
CN112766327B true CN112766327B (zh) 2024-05-24

Family

ID=75699202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110005910.9A Active CN112766327B (zh) 2021-01-05 2021-01-05 空调故障预测方法、电子设备和储存介质

Country Status (1)

Country Link
CN (1) CN112766327B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113551386A (zh) * 2021-08-31 2021-10-26 合肥美的暖通设备有限公司 空调系统的控制方法、控制电路以及空调系统
WO2023197711A1 (zh) * 2022-04-11 2023-10-19 青岛海信日立空调系统有限公司 多联机空调系统、故障定位方法及故障诊断模型训练方法
WO2024114675A1 (zh) * 2022-12-02 2024-06-06 青岛海信日立空调系统有限公司 多联机空调系统及其控制方法
CN116678072B (zh) * 2023-06-05 2024-05-10 耀昶嵘相变材料科技(广东)有限公司 中央空调系统的故障处理方法、终端及中央空调系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2344908A1 (en) * 2000-07-20 2002-01-20 Siemens Building Technologies, Inc. Model based fault detection and diagnosis methodology for hvac subsystems
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
CN108647707A (zh) * 2018-04-25 2018-10-12 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN111175046A (zh) * 2020-03-18 2020-05-19 北京工业大学 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法
CN111981635A (zh) * 2020-07-21 2020-11-24 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2344908A1 (en) * 2000-07-20 2002-01-20 Siemens Building Technologies, Inc. Model based fault detection and diagnosis methodology for hvac subsystems
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
CN108647707A (zh) * 2018-04-25 2018-10-12 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN111175046A (zh) * 2020-03-18 2020-05-19 北京工业大学 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法
CN111981635A (zh) * 2020-07-21 2020-11-24 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于PCA-KLFDA的小样本故障数据集降维方法;赵荣珍;王雪冬;邓林峰;;华中科技大学学报(自然科学版)(12);全文 *
基于概率神经网络的制冷空调系统故障诊断分析;卞荷洁, 谷波, 黎远光;上海交通大学学报(10);全文 *

Also Published As

Publication number Publication date
CN112766327A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112766327B (zh) 空调故障预测方法、电子设备和储存介质
CN113792762B (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
Li et al. Data partitioning and association mining for identifying VRF energy consumption patterns under various part loads and refrigerant charge conditions
Li et al. An improved fault detection method for incipient centrifugal chiller faults using the PCA-R-SVDD algorithm
Han et al. PCA-SVM-based automated fault detection and diagnosis (AFDD) for vapor-compression refrigeration systems
Sun et al. A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount
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
Zhou et al. Data-driven fault diagnosis for residential variable refrigerant flow system on imbalanced data environments
Zhang et al. Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis
Zhang et al. Fault detection and diagnosis for the screw chillers using multi-region XGBoost model
Li et al. Identification and isolation of outdoor fouling faults using only built-in sensors in variable refrigerant flow system: A data mining approach
Wang et al. Liquid floodback detection for scroll compressor in a VRF system under heating mode
Li et al. Diagnosis for multiple faults of chiller using ELM-KNN model enhanced by multi-label learning and specific feature combinations
van de Sand et al. Data-driven fault diagnosis for heterogeneous chillers using domain adaptation techniques
CN105160345B (zh) 一种诊断列车空调机组故障的方法
CN110542178B (zh) 具有自学习能力的空调冷冻机房控制方法及系统
CN111999088A (zh) 一种船舶制冷系统故障诊断方法、装置及存储介质
CN111156657A (zh) 空调结霜状态确定方法和装置
Xia et al. An enhanced fault detection method for centrifugal chillers using kernel density estimation based kernel entropy component analysis
Barandier et al. A review of fault diagnostics in heat pumps systems
Chen et al. Generalizability of machine learning-based fault classification for residential air-conditioners
CN115950045A (zh) 一种多联机空调系统及控制方法
CN113822359B (zh) 基于残差数据缩放策略的热泵系统自适应故障诊断方法
WO2021256119A1 (ja) 異常検出装置、プログラムおよび電気機器システム
Deng et al. A novel semi-supervised fault diagnosis method for chillers based on neighbor-optimized graph convolutional network

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
GR01 Patent grant