CN113033913B - 空调故障预测性维护方法、系统、电子设备及存储介质 - Google Patents
空调故障预测性维护方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113033913B CN113033913B CN202110409872.3A CN202110409872A CN113033913B CN 113033913 B CN113033913 B CN 113033913B CN 202110409872 A CN202110409872 A CN 202110409872A CN 113033913 B CN113033913 B CN 113033913B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- target monitoring
- difference value
- air conditioning
- historical
- 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
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 262
- 238000004378 air conditioning Methods 0.000 claims abstract description 203
- 238000012549 training Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 13
- 230000008439 repair process Effects 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013508 migration Methods 0.000 description 6
- 230000005012 migration Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000003507 refrigerant Substances 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明提供一种空调故障预测性维护方法、系统、电子设备及存储介质，该方法包括：建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；获取目标差异值轨迹预测模型；基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；当所述差异值拟合轨迹中有离群点时，输出相应的预警信息。本发明可以解决虚警过多、“过度修”偶发及突发性故障无法预测、先兆性故障难推测等问题。
Description
技术领域
本发明涉及轨道交通空调维护领域，尤其涉及一种空调故障预测性维护方法、系统、电子设备及存储介质。
背景技术
随着城市轨道交通行业的迅猛发展，各大城市每年投入运营的车辆逐年增多，运营及维保的任务也越来越繁重。其中上海、北京、广州等一线城市，经过轨道交通建设行业蓬勃发展的几十年后，也逐渐步入轨交维保黄金发展的阶段。如何提高列车可复用性及安全性，同时降低维保成本已成为当务之急。针对目前故障修与计划修的现行维保模式，行业内也越来越关注具有可持续性发展的“状态修”和预测性维护。关键部件及设备的故障预测，作为状态修的前提，是发展预测性维护的基础。
空调设备既要给乘客带来舒适的乘车体验，也要为车内设备健康运行创造稳定的温度，还要兼顾火灾等特殊情况的突发任务。同时作为轨交车辆的A类关键部件，如何准确进行预测性维护成了亟需解决的问题。
目前，轨道交通领域针对列车空调的故障预测及预测性维护研究比较少，主要有以下两类：
第一类，通过故障预测模型预测故障概率。例如，公开号为CN110503217A、发明名称为“一种空调冷媒慢泄漏故障预测方法、装置、设备及系统”的专利申请公开了如下空调故障预测方法：首先获取空调运行参数和列车环境数据并进行滤波处理，得到当前数据；而后，获取历史数据，利用所述历史数据和所述当前数据获取参数因子；再而后，将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中，得到故障概率值；最后，判断所述故障概率值是否处于空调冷媒慢泄漏故障预测区间内，若是，则发送空调冷媒慢泄漏故障预警。该方法对于特定类型故障，通过故障预测模型来得出故障概率，可以具有一定成效，但实际使用中会存在虚警过多的情况，且故障预测区间范围为人为设置，实际使用中往往难以预估准确，“过度修”的情况仍难以解决。同时，空调存在不同工况，例如春夏秋冬四季，该方法并未考虑实际使用场景下，工况分割的问题，例如应用“冬”季的历史数据来预测“夏”季的故障，预测准确率不言而喻。
第二类，通过模拟实际工况下的预测损耗曲线来预测元器件故障。例如，公开号为CN 109708249A、发明名称为“空调元器件故障预测方法、装置和计算机设备”的专利申请公开了如下空调故障预测方法：基于厂商提供的元器件初始损耗曲线，通过故障实验模拟出实际工况下的预测损耗曲线，并计算损耗率，而后通过现场条件下的实际损耗值校正模型，并预测元器件故障。此方法对于不同元器件的故障预测及寿命预测有较好效果，且不断跟踪记录机械元器件的损耗值来校正寿命及故障预测曲线，准确率有所保证。对于如何延长零部件的使用寿命及解决“过度修”的问题，该方法提供了很好的思路。但同时，该方法对于偶发及突发性故障无法预测，先兆性故障也很难推测。此外，由于负样本数据少，通常通过故障实验和加速老化实验的方式获取零部件的预测损耗曲线，以获取更多的故障样本，但在实际轨交场景下能否很好地进行模型迁移是一个难点，并且此方法通过不断纠正的损耗曲线预测现场零部件的损耗值，但实际场景下的损耗值往往很难通过监测数据来表征，可能需要更多的监测手段，例如零部件的定期人工检测。
发明内容
为了解决现有技术通过故障预测模型预测故障概率时存在的虚警过多、“过度修”等问题，以及通过模拟实际工况下的预测损耗曲线来预测元器件故障时存在的偶发及突发性故障无法预测、先兆性故障也很难推测等问题，本发明提供一种空调故障预测性维护方法、系统、电子设备及存储介质。
为了实现上述目的，本发明提供一种空调故障预测性维护方法，包括：
建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；
获取目标差异值轨迹预测模型；
基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；
当所述差异值拟合轨迹中有离群点时，输出相应的预警信息。
在本发明一个优选实施例中，所述获取目标差异值轨迹预测模型包括：
获取所述空调群组的历史目标工况数据和历史目标监测数据；
根据所述历史目标工况数据，对所述历史目标监测数据进行切片分组；
根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型；
根据所述空调群组当前的工况，从不同所述差异值轨迹预测模型中确定对应的差异值轨迹预测模型，并将确定的差异值轨迹预测模型作为所述目标差异值轨迹预测模型。
在本发明一个优选实施例中，当所述空调群组包括多台空调设备时，所述根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型，包括针对每组所述历史目标监测数据，分别执行以下步骤：
根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹；
根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本发明一个优选实施例中，所述根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹，包括针对每份所述历史目标监测数据，分别执行以下步骤：
根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，/>表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值；
根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调的数量，M表示M种目标监测数据类型。
在本发明一个优选实施例中，当所述空调群组包括单台空调设备时，所述根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型，包括针对每组所述历史目标监测数据，分别执行以下步骤：
根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹；
根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本发明一个优选实施例中，所述根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹，包括针对每份所述历史目标监测数据，分别执行以下步骤：
根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值；
根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
在本发明一个优选实施例中，所述判断所述差异值拟合轨迹中是否有离群点，包括：
获取故障报警阈值；
当所述差异值拟合轨迹中的某个差异值小于所述故障报警阈值时，判定所述差异值拟合轨迹中有离群点，并输出相应的预警信息。
在本发明一个优选实施例中，在获取所述空调群组的历史目标工况数据和历史目标监测数据之后，还包括：
采用主成分分析方法对所述历史目标工况数据和所述历史目标监测数据进行筛选。
为了实现上述目的，本发明还提供一种空调故障预测性维护系统，包括：
群组建立模块，用于建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；
获取目标差异值轨迹预测模型；
轨迹拟合模块，用于基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；
预警模块，用于当所述差异值拟合轨迹中有离群点时，输出相应的预警信息。
在本发明一个优选实施例中，所述模型获取模块包括：
特征获取子模块，用于获取所述空调群组的历史目标工况数据和历史目标监测数据；
切片子模块，用于根据所述历史目标工况数据，对所述历史目标监测数据进行切片分组；
模型训练子模块，用于根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型；
模型选择子模块，用于根据所述空调群组当前的工况，从不同所述差异值轨迹预测模型中确定目标差异值轨迹预测模型。
在本发明一个优选实施例中，当所述空调群组包括多台空调设备时，所述模型训练子模块包括：
第一历史轨迹获取单元，用于根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹；
第一训练单元，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本发明一个优选实施例中，所述第一历史轨迹获取单元具体用于：
根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，/>表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值；
根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调的数量，M表示M种目标监测数据类型。
在本发明一个优选实施例中，当所述空调群组包括单台空调设备时，所述模型训练子模块包括：
第二历史轨迹获取单元，用于根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹；
第二训练单元，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本发明一个优选实施例中，所述第二历史轨迹获取单元具体用于：
根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值；
根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
在本发明一个优选实施例中，所述预警模块具体用于：
获取故障报警阈值；
当所述差异值拟合轨迹中的某个差异值小于所述故障报警阈值时，判定所述差异值拟合轨迹中有离群点，并输出相应的预警信息。
在本发明一个优选实施例中，所述模型获取模块还包括：
特征筛选子模块，用于在所述特征获取子模块获取到所述空调群组的历史目标工况数据和历史目标监测数据之后，采用主成分分析方法对所述历史目标工况数据和所述历史目标监测数据进行筛选。
为了实现上述目的，本发明还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述方法的步骤。
为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
通过采用上述技术方案，本发明具有如下有益效果：
本发明通过预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中是否有离群点来预测空调设备是否故障，以便提前发出预警提示，为设备的维修预留了关键的时间窗口。在本发明中，基于差异的表征与传感器参数的物理含义无关，因此不必像现有方法一样依赖于原始传感器所提取的特征；同时，通过群组分析的方式，可以解决虚警过多、“过度修”、难以预测偶发突发性故障以及先兆性故障等问题，并且传统机器学习方法受制于工业场景下，负样本数量稀少，通过故障实验建立的模型与现场工况比配和模型迁移的问题一直以为难以彻底解决，本发明通过横向对比发现“离群”的方式进行空调故障预测，因而不会有负样本少的问题。此外，本发明通过互差的方式而不是绝对值的方式表现监测数据之间的差异性，这种方式对于空调的季节性特点和外在因素的影响具有一定的鲁棒性，而且利用自适应获取故障报警阈值的方式，一定程度上规避了传统人为设置阈值的不可靠性。
附图说明
图1为本发明实施例1的空调故障预测性维护方法的流程图；
图2为本发明实施例1中维修预留时间窗的示意图；
图3为本发明实施例3的空调故障预测系统的结构框图；
图4为本发明实施例4的空调故障预测系统的结构框图；
图5本发明实施例5的电子设备的硬件架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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，都属于本发明保护的范围。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开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。
实施例1
本实施例提供一种空调故障预测性维护方法，以基于群组分析(cohortanalysis)和差异性(dissimilarity)分析实现轨道交通空调设备的故障预测，如图1所示，该方法包括以下步骤：
S1，确定空调群组，所述空调群组包括多台处于相同工况的空调设备。
在本实施例中，将用于同一工况下的多台空调设备作为一个空调群组。例如，将用于同一轨道交通线路、同一型号的所有空调设备作为一个空调群组，或者将同一辆车的不同空调设备作为一个空调群组。当然本实施例并不对空调设备的应用场景作具体限制，除了轨道交通以外，也可就用于其它场景。
S2，获取目标差异值轨迹预测模型。本步骤的具体实现过程如下：
S21，获取所述空调群组的历史目标工况数据和历史目标监测数据。
具体地，首先获取空调群组内所有空调设备的历史特征数据，包括空调状态数据、控制信号数据和传感器采集的监测数据，空调状态数据和控制信号数据共同作为工况数据。其中，空调状态数据包括空调设备各组件的运行状态、故障率、维修履历、更换频率等。控制信号数据包括空调运行模式控制信号、空调压缩机运行状态控制信号等。监测数据包括空调设备的排气温度、高压压力、低压压力、客室温度、客室湿度、平均电流、回风温度、新风温度等。
而后，根据空调部件机理，包括空调失效模式、故障树等，确定目标故障模式对应的重要特征数据以及各传感器的性能指标，其中，重要特征数据包括历史目标工况数据和历史目标监测数据。应该理解，当某监测数据超过对应传感器的性能指标时，可直接根据该监测数据判定其故障。
S22，为了减少高纬数据的耦合和冗余，避免数据量和数据特征过多，此处利用主成分分析方法(PCA)将高纬特征向低纬特征进行映射，从历史目标工况数据和历史目标监测数据中筛选出贡献率大于预定值(如95％)的前M个重要特征数据。
S23，考虑到空调运行工况的复杂性和多变性，需要根据历史目标工况数据，对相应历史目标监测数据进行切片分组，例如按照空调的运行模式(制热模式、制冷模式、自动模式等)、压缩机开启状态(开、关)、运行时间(如春、夏、秋、冬季)等工况对不同历史目标监测数据进行划分。使得后续训练的模型能较好的适应空调不同的运行环境和工况，获取较好的分析效果。
S24，根据不同组所述历史目标监测数据，分别训练得到不同组对应的差异值轨迹预测模型。具体包括针对每组所述历史目标监测数据，分别执行以下步骤：
S241，根据该组中的每份历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹，以作为每份所述历史目标监测数据对应的所述历史差异值轨迹。
在本实施例中，一份历史目标监测数据包括多台空调设备的相同类型目标监测数据。
S242，根据每份历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本实施例中，步骤S241包括针对每份所述历史目标监测数据，分别执行以下步骤：
首先，根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，/>表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值。
而后，根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调的数量，M表示M种目标监测数据类型。
在本实施例中，差异值轨迹预测模型优选采用逻辑回归模型，步骤S62具体可以采用梯度下降方法对该模型进行训练，训练后的模型可用于预测未来一段时间所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
在本实施例中，前述差异值可以采用皮尔森(pearson)相关系数、斯皮尔曼(spearman)相关系数和肯德尔(kendall)相关系数等中的任意一种相关系数表示。
本实施例通过获取预定时间窗内，各所述空调设备与其它所述空调设备的所述监测数据之间的差异值，可以避免不同空调设备之间瞬时行为不统一的干扰。
S25，根据所述空调群组当前的工况数据，确定目标差异值轨迹预测模型。
从前述析可知，不同工况对应有不同的差异值轨迹预测模型，则选择与所述空调群组当前工况对应的差异值轨迹预测模型，作为目标差异值轨迹预测模型。
S3，基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
具体地，如图2所示，当前时刻为t时刻，将所述预定时间窗T内的目标监测数据输入前面确定的目标差异值轨迹预测模型，即可通过该模型拟合得到维修预留时间窗Ta+Tf内所述多台空调设备的相同类型目标监测。
在本实施例中，为了实现预测性维护，如图2所示，预设的维修预留时间窗包括两个时间窗Tf和Ta，其中，Tf是预测窗，即预测故障发生的时间窗口；Ta是动作窗，即t和Tf之间的时间间隔。通过定义不同的时间窗T、Ta和Tf，给予不同类型的故障以不同的维护策略。例如，对于系统高压故障，需更换排气风扇以解决此类问题，排气风扇的更换时间为1小时，那么Ta＝1h，此时根据列车排班，回库时间等考虑，Tf＝2h，那么在时间点t，即需预测未来3小时发生故障的可能性，即，维修预留时间窗设置为3h。
S4，判断所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中是否有离群点，若有，则输出相应的预警信息。具体判断过程如下：
S41，基于所述空调群组的历史目标监测数据，获取与所述维修预留时间窗对应的故障报警阈值。
在本实施例中，可以基于该空调群组的历史目标监测数据，采用核密度估计方法自适应获取故障报警阈值，具体过程如下：
首先，建立如下概率模型：
式中，K(.)为高斯核函数，K(x)≥0且xi为归一化后的样本点，n为样本数，h表示窗宽，一维最优窗宽计算公式为:/> 其中/>
而后，根据选定的置信度得到故障报警阈值。例如，选定置信度为99％(即漏报率和误报率总和为1％)，计算f(x)＝0.99时的自变量x，然后归一化后得到报警阈值δ。
S42，根据所述故障报警阈值，判断预测得到的所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中是否有离群点。
具体地，当所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中的所有差异值均不小于所述故障报警阈值时，判定所述差异值拟合轨迹中没有离群点；当所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中的某个差异值小于所述故障报警阈值时，判定所述某个差异值为离群点。
例如，当空调群组包括四台空调设备，四台空调设备的第1种监测数据在未来某时刻拟合的差异值为 时，若通过前述自适应确定阈值的方式获取维修预留时间窗内的故障报警阈值为： 则可以发现第一台空调设备的/>第一台空调设备出现了偏离，则输出相应的预警信息以提示对第一台空调设备采取适当的维护措施，通过预先结合现场情况设定的维修预留时间窗，运维人员可及时对相应空调设备进行维修保养，避免了空调设备故障的进一步恶化。
本实施例可以提前检测到空调设备的劣化趋势，实现故障预测，避免严重故障的发生，为主动服务提供技术支撑，延长设备使用寿命，降低故障率。可实现包括列车空调内部各传感器(新风温度传感器、回风温度传感器、送风温度传感器、车厢温度传感器、吸气温度传感器、排气温度传感器、蒸发器中间温度传感器、冷凝温度传感器等)故障预测，及空调系统制冷剂泄漏故障预测、排气温度过高和高压故障预测，空调制冷制热效果不佳等预测。
在本实施例中，基于差异的表征与传感器参数的物理含义无关，因此不必像现有方法一样依赖于原始传感器所提取的特征；同时，通过群组分析的方式，不必像传统机器学习针对单台设备的历史数据进行建模并预测故障时引起的虚警过多、“过度修”、难以预测偶发突发性故障以及先兆性故障等问题，并且传统机器学习方法受制于工业场景下，负样本数量稀少，通过故障实验建立的模型与现场工况比配和模型迁移的问题一直以为难以彻底解决，本方法不局限于单台设备，而是通过横向对比同类型设备发现“离群”设备的方式进行空调故障预测，因而不会有负样本少的问题。
此外，本发明通过互差的方式而不是绝对值的方式表现空调设备之间的差异性，这种方式对于空调的季节性特点和外在因素的影响具有一定的鲁棒性，而且利用自适应获取故障报警阈值的方式，一定程度上规避了传统人为设置阈值的不可靠性。
实施例2
本实施例提供空调故障预测性维护方法的另一种实施方式。与实施例1不同的是，本实施例步骤S1中的所述空调群组仅包括单台空调设备，该空调设备包括多个传感器，每个传感器用于采集空调设备的相应监测数据。
应该理解，单台空调设备下的不同传感器，在一段时间内它们之间的相关系数(即差异值)基本是一个固定值。例如，单台空调下的送风温度与冷凝器温度之间的相关系数、送风温度与回风温度之间的相关系数、压缩机电流与一段时间内的送风温度变化范围之间的相关系数。这些值就是单台空调下不同监测数据之间的差异值。
在本实施例中，步骤S24替换为：针对每组所述历史目标监测数据，分别执行以下步骤：
S24'，根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹，以作为每份所述历史目标监测数据对应的所述历史差异值轨迹。
在本实施例中，一份历史差异值轨迹包括单台空调设备的两种不同监测数据。
S242'，根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本实施例中，步骤S241'包括针对每份所述历史目标监测数据，分别执行以下步骤：
首先，根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值。
而后，根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
在本实施例中，差异值轨迹预测模型优选采用逻辑回归模型实现，步骤S242'具体可以采用梯度下降方法对该模型进行训练，训练后的模型可用于预测未来一段时间所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
在本实施例中，前述差异值可以采用皮尔森(pearson)相关系数、斯皮尔曼(spearman)相关系数和肯德尔(kendall)相关系数等中的任意一种相关系数表示。
基于本实施例的差异值轨迹预测模型，步骤S8替换为：基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹。
具体地，如图2所示，当前时刻为t时刻，将所述预定时间窗T内的目标监测数据输入前面确定的目标差异值轨迹预测模型，即可拟合得到维修预留时间窗Ta+Tf内所述单台空调设备的每两种目标监测数据之间的差异值拟合轨迹。
本实施例的其余步骤可参考实施例1中的相应步骤实现。
本实施例通过预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹中是否有离群点来预测空调设备是否故障，以便提前发出预警提示，为设备的维修预留了关键的时间窗口。在本实施例中，基于差异的表征与传感器参数的物理含义无关，因此不必像现有方法一样依赖于原始传感器所提取的特征；同时，通过群组分析的方式，可以解决虚警过多、“过度修”、难以预测偶发突发性故障以及先兆性故障等问题，并且传统机器学习方法受制于工业场景下，负样本数量稀少，通过故障实验建立的模型与现场工况比配和模型迁移的问题一直以为难以彻底解决，本实施例通过横向对比发现“离群”的方式进行空调故障预测，因而不会有负样本少的问题。此外，本实施例通过互差的方式而不是绝对值的方式表现监测数据之间的差异性，这种方式对于空调的季节性特点和外在因素的影响具有一定的鲁棒性，而且利用自适应获取故障报警阈值的方式，一定程度上规避了传统人为设置阈值的不可靠性。
实施例3
本实施例提供一种空调故障预测性维护系统，以基于群组分析(cohortanalysis)和差异性(dissimilarity)分析实现轨道交通空调设备的故障预测，如图3所示，该系统包括：群组建立模块11、模型获取模块12、轨迹拟合模块13和预警模块14。下面分别对各个模块进行详细描述：
群组建立模块11用于确定空调群组，所述空调群组包括多台处于相同工况的空调设备。
在本实施例中，将用于同一工况下的多台空调设备作为一个空调群组。例如，将用于同一轨道交通线路、同一型号的所有空调设备作为一个空调群组，或者将同一辆车的不同空调设备作为一个空调群组。当然本实施例并不对空调设备的应用场景作具体限制，除了轨道交通以外，也可就用于其它场景。
模型获取模块12用于获取目标差异值轨迹预测模型，其包括：特征获取子模块121、特征筛选子模块122、切片子模块123、模型训练子模块124和模型选择子模块125，其中：
特征获取子模块121首先获取空调群组内所有空调设备的历史特征数据，包括空调状态数据、控制信号数据和传感器采集的监测数据，空调状态数据和控制信号数据共同作为工况数据。其中，空调状态数据包括空调设备各组件的运行状态、故障率、维修履历、更换频率等。控制信号数据包括空调运行模式控制信号、空调压缩机运行状态控制信号等。监测数据包括空调设备的排气温度、高压压力、低压压力、客室温度、客室湿度、平均电流、回风温度、新风温度等。
而后，特征获取子模块121用于根据空调部件机理，包括空调失效模式、故障树等，确定目标故障模式对应的重要特征数据以及各传感器的性能指标，其中，重要特征数据包括历史目标工况数据和历史目标监测数据。应该理解，当某监测数据超过对应传感器的性能指标时，可直接根据该监测数据判定其故障。
特征筛选子模块122为了减少高纬数据的耦合和冗余，避免数据量和数据特征过多，利用主成分分析方法(PCA)将高纬特征向低纬特征进行映射，从历史目标工况数据和历史目标监测数据中筛选出贡献率大于预定值(如95％)的前M个重要特征数据。
切片子模块123用于根据历史目标工况数据，对相应历史目标监测数据进行切片分组，例如按照空调的运行模式(制热模式、制冷模式、自动模式等)、压缩机开启状态(开、关)、运行时间(如春、夏、秋、冬季)等工况对不同历史目标监测数据进行划分。使得后续训练的模型能较好的适应空调不同的运行环境和工况，获取较好的分析效果。
模型训练子模块124用于根据不同组所述历史目标监测数据，分别训练得到不同组对应的差异值轨迹预测模型。具体包括：
第一历史轨迹获取单元1241，用于针对每组所述历史目标监测数据，根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹；
第一训练单元1242，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本实施例中，第一历史轨迹获取单元1241用于针对每份所述历史目标监测数据，分别执行以下操作：
首先，根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，/>表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值。
而后，根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调设备的数量，M表示M种目标监测数据类型。
在本实施例中，差异值轨迹预测模型优选采用逻辑回归模型，第一训练单元1242具体可以采用梯度下降方法对该模型进行训练，训练后的模型可用于预测未来一段时间所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
在本实施例中，前述差异值可以采用皮尔森(pearson)相关系数、斯皮尔曼(spearman)相关系数和肯德尔(kendall)相关系数等中的任意一种相关系数表示。
本实施例通过获取预定时间窗内，各所述空调设备与其它所述空调设备的所述监测数据之间的差异值，可以避免不同空调设备之间瞬时行为不统一的干扰。
模型选择子模块125用于根据所述空调群组当前的工况数据，确定目标差异值轨迹预测模型。
从前述析可知，不同工况对应有不同的差异值轨迹预测模型，则选择与所述空调群组当前工况对应的差异值轨迹预测模型，作为目标差异值轨迹预测模型。
轨迹拟合模块13基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
具体地，如图2所示，当前时刻为t时刻，将所述预定时间窗T内的目标监测数据输入前面确定的目标差异值轨迹预测模型，即可通过该模型拟合得到维修预留时间窗Ta+Tf内所述多台空调设备的相同类型目标监测。
在本实施例中，为了实现预测性维护，如图2所示，预设的维修预留时间窗包括两个时间窗Tf和Ta，其中，Tf是预测窗，即预测故障发生的时间窗口；Ta是动作窗，即t和Tf之间的时间间隔。通过定义不同的时间窗T、Ta和Tf，给予不同类型的故障以不同的维护策略。例如，对于系统高压故障，需更换排气风扇以解决此类问题，排气风扇的更换时间为1小时，那么Ta＝1h，此时根据列车排班，回库时间等考虑，Tf＝2h，那么在时间点t，即需预测未来3小时发生故障的可能性，即，维修预留时间窗设置为3h。
预警模块14用于判断所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹中是否有离群点，若有，则输出相应的预警信息。具体判断过程参考实施例1的步骤S41和S42。
本实施例可以提前检测到空调设备的劣化趋势，实现故障预测，避免严重故障的发生，为主动服务提供技术支撑，延长设备使用寿命，降低故障率。可实现包括空调内部各传感器(新风温度传感器、回风温度传感器、送风温度传感器、车厢温度传感器、吸气温度传感器、排气温度传感器、蒸发器中间温度传感器、冷凝温度传感器等)故障预测，及空调系统制冷剂泄漏故障预测、排气温度过高和高压故障预测，空调制冷制热效果不佳等预测。
在本实施例中，基于差异的表征与传感器参数的物理含义无关，因此不必像现有方法一样依赖于原始传感器所提取的特征；同时，通过群组分析的方式，可避免虚警过多、“过度修”、难以预测偶发突发性故障以及先兆性故障等问题，并且传统机器学习方法受制于工业场景下，负样本数量稀少，通过故障实验建立的模型与现场工况比配和模型迁移的问题一直以为难以彻底解决。
此外，本发明通过互差的方式而不是绝对值的方式表现空调设备不同监测数据之间的差异性，这种方式对于空调的季节性特点和外在因素的影响具有一定的鲁棒性，而且利用自适应获取故障报警阈值的方式，一定程度上规避了传统人为设置阈值的不可靠性。
实施例4
如图4所示，本实施例提供空调故障预测性维护系统的另一种实施方式。与实施例3不同的是，群组建立模块11建立的所述空调群组仅包括单台空调设备，该空调设备包括多个传感器，每个传感器用于采集空调设备的相应监测数据。
应该理解，单台空调设备下的不同传感器，在一段时间内它们之间的相关系数(即差异值)基本是一个固定值。例如，单台空调下的送风温度与冷凝器温度之间的相关系数、送风温度与回风温度之间的相关系数、压缩机电流与一段时间内的送风温度变化范围之间的相关系数。这些值就是单台空调下不同监测数据之间的差异值。
在本实施例中，模型训练子模块124包括：
第二历史轨迹获取单元1241'，用于针对每组所述历史目标监测数据，根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹；
第二训练单元1242'，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
在本实施例中，第二历史轨迹获取单元241'具体用于针对每份所述历史目标监测数据，分别执行以下操作：
首先，根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值；
而后，根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
在本实施例中，差异值轨迹预测模型优选采用逻辑回归模型实现，步骤第二训练单元1242'具体可以采用梯度下降方法对该模型进行训练，训练后的模型可用于预测未来一段时间所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹。
在本实施例中，前述差异值可以采用皮尔森(pearson)相关系数、斯皮尔曼(spearman)相关系数和肯德尔(kendall)相关系数等中的任意一种相关系数表示。
基于本实施例的差异值轨迹预测模型，轨迹拟合模块18具体用于：基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹。
具体地，如图2所示，当前时刻为t时刻，将所述预定时间窗T内的目标监测数据输入前面确定的目标差异值轨迹预测模型，即可拟合得到维修预留时间窗Ta+Tf内所述单台空调设备的每两种目标监测数据之间的差异值拟合轨迹。
本实施例的其余模块可参考实施例1中的相应模块实现。
本实施例通过预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹中是否有离群点来预测空调设备是否故障，以便提前发出预警提示，为设备的维修预留了关键的时间窗口。在本实施例中，基于差异的表征与传感器参数的物理含义无关，因此不必像现有方法一样依赖于原始传感器所提取的特征；同时，通过群组分析的方式，可以解决虚警过多、“过度修”、难以预测偶发突发性故障以及先兆性故障等问题，并且传统机器学习方法受制于工业场景下，负样本数量稀少，通过故障实验建立的模型与现场工况比配和模型迁移的问题一直以为难以彻底解决，本实施例通过横向对比发现“离群”的方式进行空调故障预测，因而不会有负样本少的问题。此外，本实施例通过互差的方式而不是绝对值的方式表现监测数据之间的差异性，这种方式对于空调的季节性特点和外在因素的影响具有一定的鲁棒性，而且利用自适应获取故障报警阈值的方式，一定程度上规避了传统人为设置阈值的不可靠性。
实施例5
本实施例提供一种电子设备，电子设备可以通过计算设备的形式表现(例如可以为服务器设备)，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行计算机程序时可以实现实施例1或2提供的空调故障预测性维护方法。
图5示出了本实施例的硬件结构示意图，如图5所示，电子设备9具体包括：
至少一个处理器91、至少一个存储器92以及用于连接不同系统组件(包括处理器91和存储器92)的总线93，其中：
总线93包括数据总线、地址总线和控制总线。
存储器92包括易失性存储器，例如随机存取存储器(RAM)921和/或高速缓存存储器922，还可以进一步包括只读存储器(ROM)923。
存储器92还包括具有一组(至少一个)程序模块924的程序/实用工具925，这样的程序模块924包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器91通过运行存储在存储器92中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的空调故障预测性维护方法。
电子设备9进一步可以与一个或多个外部设备94(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口95进行。并且，电子设备9还可以通过网络适配器96与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器96通过总线93与电子设备9的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备9使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1或2所提供的空调故障预测性维护方法的步骤。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1或2所述的空调故障预测性维护方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (16)
1.一种空调故障预测性维护方法，其特征在于，包括：
建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；
获取目标差异值轨迹预测模型；
基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；
当所述差异值拟合轨迹中有离群点时，输出相应的预警信息；
所述获取目标差异值轨迹预测模型包括：
获取所述空调群组的历史目标工况数据和历史目标监测数据；
根据所述历史目标工况数据，对所述历史目标监测数据进行切片分组；
根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型；
根据所述空调群组当前的工况，从不同所述差异值轨迹预测模型中确定对应的差异值轨迹预测模型，并将确定的差异值轨迹预测模型作为所述目标差异值轨迹预测模型。
2.根据权利要求1所述的空调故障预测性维护方法，其特征在于，当所述空调群组包括多台空调设备时，所述根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型，包括针对每组所述历史目标监测数据，分别执行以下步骤：
根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹；
根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
3.根据权利要求2所述的空调故障预测性维护方法，其特征在于，所述根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹，包括针对每份所述历史目标监测数据，分别执行以下步骤：
根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值；
根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调设备的数量，M表示M种目标监测数据类型。
4.根据权利要求1所述的空调故障预测性维护方法，其特征在于，当所述空调群组包括单台空调设备时，所述根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型，包括针对每组所述历史目标监测数据，分别执行以下步骤：
根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹；
根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
5.根据权利要求4所述的空调故障预测性维护方法，其特征在于，所述根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹，包括针对每份所述历史目标监测数据，分别执行以下步骤：
根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值；
根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
6.根据权利要求1所述的空调故障预测性维护方法，其特征在于，所述当所述差异值拟合轨迹中有离群点时，输出相应的预警信息，包括：
获取故障报警阈值；
当所述差异值拟合轨迹中的某个差异值小于所述故障报警阈值时，则判定所述差异值拟合轨迹中有离群点，并输出相应的预警信息。
7.根据权利要求1所述的空调故障预测性维护方法，其特征在于，在获取所述空调群组的历史目标工况数据和历史目标监测数据之后，还包括：
采用主成分分析方法对所述历史目标工况数据和所述历史目标监测数据进行筛选。
8.一种空调故障预测性维护系统，其特征在于，包括：
群组建立模块，用于建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；
模型获取模块，用于获取目标差异值轨迹预测模型；轨迹拟合模块，用于基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；
预警模块，用于当所述差异值拟合轨迹中有离群点时，输出相应的预警信息；
所述模型获取模块包括：
特征获取子模块，用于获取所述空调群组的历史目标工况数据和历史目标监测数据；
切片子模块，用于根据所述历史目标工况数据，对所述历史目标监测数据进行切片分组；
模型训练子模块，用于根据不同组所述历史目标监测数据，分别训练得到不同差异值轨迹预测模型；
模型选择子模块，用于根据所述空调群组当前的工况，从不同所述差异值轨迹预测模型中确定目标差异值轨迹预测模型。
9.根据权利要求8所述的空调故障预测性维护系统，其特征在于，当所述空调群组包括多台空调设备时，所述模型训练子模块包括：
第一历史轨迹获取单元，用于根据该组中的每份所述历史目标监测数据，获取所述多台空调设备的相同类型目标监测数据之间的历史差异值轨迹；
第一训练单元，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
10.根据权利要求9所述的空调故障预测性维护系统，其特征在于，所述第一历史轨迹获取单元具体用于：
根据如下公式，计算t时刻第i台所述空调设备与第j台所述空调设备的第k种目标监测数据之间的差异值
其中，T表示所述预定时间窗，表示t时刻第i台空调设备的第k种目标监测数据，表示t时刻第j台空调设备的第k种目标监测数据，f()表示/>与/>之间的差异值；
根据所述差异值获取每个t时刻每两个所述空调设备的相同类型目标监测数据之间的历史差异值/>如下：
其中，N表示所述多台空调设备的数量，M表示有M种目标监测数据类型。
11.根据权利要求8所述的空调故障预测性维护系统，其特征在于，当所述空调群组包括单台空调设备时，所述模型训练子模块包括：
第二历史轨迹获取单元，用于根据该组中的每份所述历史目标监测数据，获取所述单台空调设备的不同类型目标监测数据之间的历史差异值轨迹；
第二训练单元，用于根据每份所述历史目标监测数据、以及与每份所述历史目标监测数据对应的所述历史差异值轨迹，训练得到与该组所述历史目标监测数据对应的差异值轨迹预测模型。
12.根据权利要求11所述的空调故障预测性维护系统，其特征在于，所述第二历史轨迹获取单元具体用于：
根据如下公式，计算t时刻所述单台空调设备的第i种目标监测数据与第j种目标监测数据之间的差异值dij(t)：
dij(t)＝f([si(t-T),…,si(t)],[sj(t-T),…,sj(t)])
其中，T表示所述预定时间窗，si(t)表示t时刻第i种目标监测数据，sj表示t时刻第j种目标监测数据，f()表示[si(t-T),…,si(t)]与[sj(t-T),…,sj(t)]之间的差异值；
根据所述差异值dij(t)，获取每个t时刻每两种目标监测数据之间的历史差异值如下：
其中，M表示M种目标监测数据类型。
13.根据权利要求8所述的空调故障预测性维护系统，其特征在于，所述预警模块具体用于：
获取故障报警阈值；
当所述差异值拟合轨迹中的某个差异值小于所述故障报警阈值时，判定所述差异值拟合轨迹中有离群点，并输出相应的预警信息。
14.根据权利要求8所述的空调故障预测性维护系统，其特征在于，所述模型获取模块还包括：
特征筛选子模块，用于在所述特征获取子模块获取到所述空调群组的历史目标工况数据和历史目标监测数据之后，采用主成分分析方法对所述历史目标工况数据和所述历史目标监测数据进行筛选。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110409872.3A CN113033913B (zh) | 2021-04-16 | 2021-04-16 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110409872.3A CN113033913B (zh) | 2021-04-16 | 2021-04-16 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033913A CN113033913A (zh) | 2021-06-25 |
| CN113033913B true CN113033913B (zh) | 2024-03-19 |
Family
ID=76457256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110409872.3A Active CN113033913B (zh) | 2021-04-16 | 2021-04-16 | 空调故障预测性维护方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033913B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN115758862B (zh) * | 2022-10-18 | 2023-05-30 | 深圳思谋信息科技有限公司 | 设备校准方法、装置、计算机设备及计算机可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
| CN109412892A (zh) * | 2018-10-23 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估系统及方法 |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
| CN110758414A (zh) * | 2019-11-11 | 2020-02-07 | 上海电气集团股份有限公司 | 一种轨道交通车辆控制系统及控制方法 |
| CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN112065668A (zh) * | 2020-09-08 | 2020-12-11 | 沈阳工业大学 | 一种风电机组状态异常评估方法及系统 |
| CN112200433A (zh) * | 2020-09-25 | 2021-01-08 | 华电福新广州能源有限公司 | 一种发电厂热力性能分析与优化系统 |
| CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10635095B2 (en) * | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
| US11494690B2 (en) * | 2019-03-15 | 2022-11-08 | Hong Kong Applied Science and Technology Research Institute Company Limited | Apparatus and method of high dimensional data analysis in real-time |
-
2021
- 2021-04-16 CN CN202110409872.3A patent/CN113033913B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101936283B1 (ko) * | 2017-12-28 | 2019-01-08 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 진단 및 예측 방법 |
| CN109412892A (zh) * | 2018-10-23 | 2019-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估系统及方法 |
| CN110262458A (zh) * | 2019-06-28 | 2019-09-20 | 佛山科学技术学院 | 故障特征信息提取与早期故障预警的方法及系统 |
| CN110758414A (zh) * | 2019-11-11 | 2020-02-07 | 上海电气集团股份有限公司 | 一种轨道交通车辆控制系统及控制方法 |
| CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
| CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
| CN112065668A (zh) * | 2020-09-08 | 2020-12-11 | 沈阳工业大学 | 一种风电机组状态异常评估方法及系统 |
| CN112200433A (zh) * | 2020-09-25 | 2021-01-08 | 华电福新广州能源有限公司 | 一种发电厂热力性能分析与优化系统 |
| CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
Non-Patent Citations (2)
| Title |
|---|
| "Research and Application of Transformer Condition Evaluation Model Based on Multi-source Information";hang Han et al.;《High Voltage Apparatus》;第52卷(第2期);19-27 * |
| "预测性维护——离心泵维护方式的未来";谢小青等;《水泵技术》(第01期);1-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033913A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113033913B (zh) | 空调故障预测性维护方法、系统、电子设备及存储介质 | |
| US10700942B2 (en) | Building management system with predictive diagnostics | |
| US7444251B2 (en) | Detecting and diagnosing faults in HVAC equipment | |
| Li et al. | Application of pattern matching method for detecting faults in air handling unit system | |
| CA3078441C (en) | Method and system for hvac inefficiency prediction using household electrical smart meter data | |
| Yang et al. | Machine learning-based prognostics for central heating and cooling plant equipment health monitoring | |
| CN112283876A (zh) | 空调故障预测方法及空调 | |
| US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
| 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 | |
| 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 | |
| Yang et al. | Toward failure mode and effect analysis for heating, ventilation and air-conditioning | |
| Zucker et al. | Improving energy efficiency of buildings using data mining technologies | |
| JP2022531886A (ja) | 分析方法及びそのための装置 | |
| JP2022532090A (ja) | 分析方法及びそのための装置 | |
| Guo et al. | Predictive maintenance for residential air conditioning systems with smart thermostat data using modified Mann-Kendall tests | |
| CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
| CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
| Guo et al. | Multivariate fault detection for residential HVAC systems using cloud-based thermostat data, part I: Methodology | |
| KR102315669B1 (ko) | 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법 | |
| CN117121025A (zh) | 暖通空调系统的管理方法、系统及存储介质 | |
| KR20130065844A (ko) | 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법 | |
| US20230349608A1 (en) | Anomaly detection for refrigeration systems | |
| Yang et al. | Sensitivity analysis of scalable data on three PCA related fault detection methods considering data window and thermal load matching strategies | |
| Borges et al. | Fault detection and diagnosis by machine learning methods in air-to-water heat pumps: Evaluation of evaporator fouling | |
| CN109740191A (zh) | 风传感器剩余使用寿命的预测方法、装置及设备 |
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 |