CN113822359A - 基于残差数据缩放策略的热泵系统自适应故障诊断方法 - Google Patents
基于残差数据缩放策略的热泵系统自适应故障诊断方法 Download PDFInfo
- Publication number
- CN113822359A CN113822359A CN202111114878.4A CN202111114878A CN113822359A CN 113822359 A CN113822359 A CN 113822359A CN 202111114878 A CN202111114878 A CN 202111114878A CN 113822359 A CN113822359 A CN 113822359A
- Authority
- CN
- China
- Prior art keywords
- data
- scaling
- training
- temperature
- heat pump
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims description 46
- 239000003507 refrigerant Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000009833 condensation Methods 0.000 claims description 5
- 230000005494 condensation Effects 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 abstract description 4
- 238000004378 air conditioning Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000005265 energy consumption Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B30/00—Heat pumps
- F25B30/02—Heat pumps of the compression type
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，属于制冷空调运维与人工智能的交叉领域。重点解决数据驱动诊断模型在实际多变场景中适应性差、迁移共享困难的问题。提出一种热力残差故障诊断框架结合数据随机缩放策略的自适应诊断方法，充分学习故障数据中偏离规律的知识而摒弃偏离幅值这类缺乏共享性的知识，并为知识辅助驱动介入提供可能，具有重要工程价值。
Description
技术领域
本发明涉及制冷空调系统的智能化运维技术领域，具体涉及基于残差数据缩放策略的热泵系统自适应故障诊断方法。
背景技术
热泵系统因其显著的节能优势而被广泛用于采暖、制冷、生活热水和工业领域。由于使用量大面广，又为能耗装置，故总耗能巨大，约占社会能耗的20％左右。因此，热泵系统的高效节能对实现“碳达峰、碳中和”具有重要的支撑作用。由于热泵系统结构复杂、运行环境较差，长期使用极易产生各类故障。相关研究表明，热泵系统故障运行会造成15％-20％的能耗增加，结合其本身巨大的能耗基数，使得及时准确的故障诊断十分重要。
近年来，随着数据驱动技术的快速发展，基于深度模型的故障诊断方法成为热泵系统主流的诊断方案，其诊断效果远超其他类型方法。但是，深度模型具有很强的泛化局限性，即自适应能力差。当实际应用时，如果诊断目标的工况、工质、故障严重程度等与训练数据存在较大差异时，深度模型通常无法准确对其分类。而热泵系统故障标记数据获取的代价昂贵，无法收集到所有情况下的训练数据。因此，有必要研究一种自适应诊断算法，在训练数据较单一的条件下实现更加丰富场景的热泵故障诊断。
发明内容
针对现有技术中存在的问题，本发明提出一种基于残差数据缩放策略的故障诊断框架，将从单一数据集学习的知识迁移共享到多种场景，实现自适应故障诊断方法。
本发明的技术方案如下：
一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，包括如下步骤：
1)获取用于诊断模型训练的数据集；
2)利用数据集中的无故障数据训练基准模型；
3)利用基准模型获取残差数据，计算公式为：
yres＝y-ypre
其中yres为残差数据，y为实测值，ypre为基准模型计算值；
4)对残差数据的各个特征取均值，并通过利用式(1)获取偏离比例数据；
δ[x1,x2…xn]/μ[x1,x2…xn] (1)
其中δ代表残差数据，μ代表健康残差数据的均值，xn代表故障敏感热力参数，包括11类：压缩机壳体温度、冷凝温度、蒸发温度、压机排气压力、压机吸气压力、压机排气温度、压机吸气温度、冷凝器进出口制冷剂温差、蒸发器进出口制冷剂温差、冷凝器进出风温差、蒸发器进出风温差；
5)利用数据缩放策略对偏离比例数据进行随机缩放，缩放系数在设定缩放范围内随机生成；
6)利用混合数据集训练故障诊断模型；
7)部署诊断模型，用于热泵系统故障的实时监测。
进一步的，所述步骤1)中，数据集来自单台热泵系统或仿真实验系统的运行数据。
进一步的，所述步骤2)中，数据集按照设定比例分为训练数据集和验证数据集，基准模型训练数据分为输入参数及输出参数，输入参数为6类，包括冷凝器进风口温度、蒸发器进风口温度、膨胀阀开度、压缩机控制转速、冷凝器换热风扇功率、蒸发器换热风扇功率；输出参数为11类，包括压缩机壳体温度、冷凝温度、蒸发温度、压机排气压力、压机吸气压力、压机排气温度、压机吸气温度、冷凝器进出口制冷剂温差、蒸发器进出口制冷剂温差、冷凝器进出风温差、蒸发器进出风温差；基准模型训练完成后，在验证数据集上对输出参数的拟合误差均值限定如下：9类温度参数拟合误差需小于0.3℃，2类压力参数拟合误差需小于0.02MPa。
进一步的，所述步骤2)中，采用Transformer框架，利用纯注意力机制来构建基准模型。
进一步的，所述步骤5)中，数据缩放策略如下：
5.1)数据缩放系数生成：
缩放范围设定依据如下：根据诊断的目的，给定三种随机缩放范围：a)目标诊断对象的故障严重程度均低于训练样本，则设定缩放范围[0.2,1]；b)目标诊断对象的故障严重程度均高于训练样本，则设定缩放范围[1.1,3]；c)目标诊断对象的故障严重程度覆盖训练样本(即目标诊断对象的故障严重程度包含训练样本)，则设定缩放范围[0.5,2]；
5.2)局部缩放：
根据残差比例数据特征对偏离比例在0.7-1.5之间的数据不进行缩放，从而对选定需要缩放维度局部进行缩放；
5.3)样本数据缩放：
利用缩放系数对样本数据进行随机缩放(一个缩放系数生成一个样本)，得到缩放后的数据集；并和原始数据集按比例混合得到混合数据集，混合数据样本量的比例为2:1-4:1之间；选择依据为：当原始数据量较大时，比例接近2:1，当原始数据量严重不足时，可适当提高到4:1。
进一步的，所述步骤6)中，故障诊断模型利用卷积神经网络搭建，将多维数据以时间段分割成矩阵数据，利用监督学习法训练模型，并限定故障诊断模型训练性能指标为：混合数据训练模型在同分布数据上的验证正确率较原始数据训练正确率的下降量不超过5％。
本发明的有益效果是：本发明可以适用于仅有少量标记数据或无标记数据的场景，实现热泵系统故障自适应诊断，包括运行工况多变、运行环境互异、系统规格及工质差异等场景；解决了现有智能诊断方法泛化性差、实际应用精度低等难题，大大提高了智能诊断技术实际应用的可能性。
附图说明
图1为本发明热泵系统基准模型结构图；
图2为本发明局部数据缩放策略示意图。
具体实施方式
以下结合说明书附图，对本发明作进一步描述。
以美国ASHRAE的RP-1043数据集为算例，对本发明方法的具体实施做进一步说明。ASHRAE RP-1043是美国供暖、制冷与空调工程师学会于1999年启动的项目，全名为：Faultdetection and diagnostic(FDD)requirements and evaluation tools for chillers。项目测试系统为一台制冷量为90冷吨的离心式制冷机组，机组安装在70℉的恒温室中。项目中共有6类故障状态和1类正常状态，每类故障设定四种不同的严重程度，由轻到重命名为Level1-Level4，并分别记录运行数据。由于基于机器学习的算法有很强的针对性，当目标对象的数据分布发生变化时，模型适用效果会显著下降。例如本实施例中，故障的严重程度不同，对应的数据分布也不同，如果同一个诊断模型在不使用全部严重程度数据训练的条件下也可以适应各种严重程度诊断目标，则实现了自适应故障诊断。
基于残差数据缩放策略的热泵系统自适应故障诊断方法，具体步骤如下：
步骤1)训练数据准备：将7种类别数据进行标签编码，以one-hot编码形式表示，用于诊断分类器监督训练。本实施例的真实数据集而言，则直接获取一类严重程度数据即可，这里选择Level4数据集，即故障程度最严重的数据集作为源域数据集。如果这里采用伪数据，即构造数据，则根据专业知识设定各个参数的偏离比例，如特征参数为：蒸发器出水温度、冷凝器出水温度、蒸发温度、冷凝温度、吸气温度、吸气过热度、排气温度、排气过热度。以10或-10代表该特征偏离向上或向下偏离较大比例；以3或-3表示该特征向上或向下偏离较小比例；以1表示该特征不产生偏离；以此为规则生成伪数据。
步骤2)训练基准模型：对于真实数据集而言，首先需要利用无故障数据(系统无故障状态下采集获取的数据)训练基准模型，模型结构如图1所示。训练基准模型的目的是得到热泵系统理论上的特征基准值，即如果系统是无故障的，则该特征在本条件下应有的值。热泵运行参数为多维时序数据，且具有大滞后、强耦合的特性，精准建模十分困难又直接影响诊断精度。因此，本发明采用Transformer框架，利用纯注意力机制构建基准模型，实现高精度热泵基准建模。
步骤3)获取残差数据：残差数据是诊断目标系统各个特征的测量值和基准模型预测值的差值，在基准建模精度较高的条件下，该差值代表这特征相对于无故障条件的偏离量，而各个特征的偏离规律则是热泵系统故障状态的热力表现，是故障诊断的依据。
步骤4)获取残差比例数据：因为不同特征的残差值代表的物理意义具有明显差异，同样的0.5残差值代表的实际含义不同。如压缩机功率特征偏离0.5几乎无实际意义，因为压缩机功率通常都是几千甚至几万的。而对于压缩机排气压力而言，0.5的差异则代表了巨大的偏离，因为排气压力通常只有1-5MPa。即便使用归一化数据，由于归一因子不同导致具体数据的度量也是有差异的。因此，本发明将残差数据换算成残差比例。利用式δ[x1,x2…xn]/μ[x1,x2…xn]获取偏离比例数据。其中δ代表残差数据，μ代表健康残差数据的均值。由于基准模型自身带有误差，该误差的均值表示了对应特征的度量。换算后的比例数据代表特征相对于健康数据的偏离倍数，如果该特征具有显著偏离，通常该比例大于5甚至大于10。
步骤5)数据缩放系数生成：数据缩放的整体策略如图2所示。由于热力系统存在故障程度越严重，热力参数的偏离量越大的特性。因此，数据缩放策略的目的是通过将偏离数据的随机放大或缩小来实现不同故障严重程度的模拟。数据的缩放系数决定偏离数据是被放大还是缩小，缩放系数的随机生成必须限制在一定范围内。根据诊断的目的，本发明给定三种随机缩放范围：a)目标诊断对象的故障严重程度均低于训练样本，则设定缩放范围[0.2,1]；b)目标诊断对象的故障严重程度均高于训练样本，则设定缩放范围[1.1,3]；c)目标诊断对象的故障严重程度覆盖训练样本，则设定缩放范围[0.5,2]。最终缩放系统在设定的范围内随机生成并与偏离样本相乘，一个随机系数生成一个样本，需求的训练样本量决定了随机缩放系数的数量。
步骤6)局部缩放策略：因为多维残差比例数据的每一维代表一个特征，针对每一类具体故障而言，并不是所有特征都会产生偏离，有些特性不产生偏离(偏离比例系数在0.7-1.5之间)。如果对该特征进行缩放，特别是放大时，会产生干扰信息。因此，根据局部缩放策略，选定需要缩放维度局部进行缩放，相比于全局缩放更加高效。
步骤7)样本数据缩放：利用生成的缩放系数对样本数据随机缩放，得到缩放后的数据集，该数据集包含的偏离信息可以适应不同严重故障诊断任务。将该生成数据集和原始数据集按4:1比例混合，得到混合数据集。
缩放系数会在设定范围内随机生成，每个样本的缩放系数都是随机的，以保证样本经过缩放后最大化的覆盖所有故障严重程度。实际训练时，要将缩放后的数据作为数据扩充添加进原始残差数据一并训练，而不是只利用缩放数据训练。
步骤8)训练诊断模型：利用添加了缩放数据的混合数据集训练诊断模型，这里诊断模型利用卷积神经网络搭建，将多维数据以时间段分割成矩阵数据，利用监督学习法训练模型。由于训练数据经过局部缩放，可以适应于各种环境，因此，该模型属于自适应模型，适用范围更广。
步骤9)实时诊断：将训练完成的模型部署到监测平台，可以实现对不同热泵系统健康状态的实时监测与诊断。
下表为本算例中，利用ASHRAE RP-1043数据集中的Level4数据(故障程度最为严重)作为源域数据并在Level1-Level4的4组数据集上验证。实验#1是直接将Level数据训练诊断模型并在不同程度数据集上测试。实验#2是使用局部数据缩放策略后在训练模型。从实验结果来看，使用数据缩放后无论是整体诊断精度还是具体故障的单独诊断精度均有明显提高，在Level1-Level3数据集上的诊断正确率提升分别为16.88％、17.74％、17.4％。而针对Level4数据集，诊断正确率略有下降，这是由于训练数据信息复杂给模型学习加大难度导致的，但下降程度仅3.91％。综上，使用本发明随机缩放策略后，诊断模型的整体性能得到明显提升。
表1诊断正确率对比
Claims (6)
1.一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，包括如下步骤：
1)获取用于诊断模型训练的数据集；
2)利用数据集中的无故障数据训练基准模型；
3)利用基准模型获取残差数据，计算公式为：
yres＝y-ypre
其中yres为残差数据，y为实测值，ypre为基准模型计算值；
4)对残差数据的各个特征取均值，并通过利用式(1)获取偏离比例数据；
δ[x1,x2…xn]/μ[x1,x2…xn] (1)
其中δ代表残差数据，μ代表健康残差数据的均值，xn代表故障敏感热力参数，包括11类：压缩机壳体温度、冷凝温度、蒸发温度、压机排气压力、压机吸气压力、压机排气温度、压机吸气温度、冷凝器进出口制冷剂温差、蒸发器进出口制冷剂温差、冷凝器进出风温差、蒸发器进出风温差；
5)利用数据缩放策略对偏离比例数据进行随机缩放，缩放系数在设定缩放范围内随机生成；
6)利用混合数据集训练故障诊断模型；
7)部署诊断模型，用于热泵系统故障的实时监测。
2.根据权利要求1所述的一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，所述步骤1)中，数据集来自单台热泵系统或仿真实验系统的运行数据。
3.根据权利要求1所述的一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，所述步骤2)中，数据集按照设定比例分为训练数据集和验证数据集，基准模型训练数据分为输入参数及输出参数，其中输入参数为6类，包括冷凝器进风口温度、蒸发器进风口温度、膨胀阀开度、压缩机控制转速、冷凝器换热风扇功率、蒸发器换热风扇功率；其中输出参数为11类，包括压缩机壳体温度、冷凝温度、蒸发温度、压机排气压力、压机吸气压力、压机排气温度、压机吸气温度、冷凝器进出口制冷剂温差、蒸发器进出口制冷剂温差、冷凝器进出风温差、蒸发器进出风温差；基准模型训练完成后，在验证数据集上对输出参数的拟合误差均值限定如下：9类温度参数拟合误差需小于0.3℃，2类压力参数拟合误差需小于0.02MPa。
4.根据权利要求1所述的一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，所述步骤2)中，采用Transformer框架，利用纯注意力机制来构建基准模型。
5.根据权利要求1所述的一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，所述步骤5)中，数据缩放策略如下：
5.1)数据缩放系数生成：
缩放范围设定依据如下：根据诊断的目的，给定三种随机缩放范围：a)目标诊断对象的故障严重程度均低于训练样本，则设定缩放范围[0.2,1]；b)目标诊断对象的故障严重程度均高于训练样本，则设定缩放范围[1.1,3]；c)目标诊断对象的故障严重程度覆盖训练样本，则设定缩放范围[0.5,2]；
5.2)局部缩放：
根据残差比例数据特征对偏离比例在0.7-1.5之间的数据不进行缩放，从而对选定需要缩放维度局部进行缩放；
5.3)样本数据缩放：
利用缩放系数对样本数据进行随机缩放，得到缩放后的数据集；并和原始数据集按比例混合得到混合数据集，混合数据样本量的比例为2:1-4:1之间。
6.根据权利要求1所述的一种基于残差数据缩放策略的热泵系统自适应故障诊断方法，其特征在于，所述步骤6)中，故障诊断模型利用卷积神经网络搭建，将多维数据以时间段分割成矩阵数据，利用监督学习法训练模型，并限定故障诊断模型训练性能指标为：混合数据训练模型在同分布数据上的验证正确率较原始数据训练正确率的下降量不超过5％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114878.4A CN113822359B (zh) | 2021-09-23 | 2021-09-23 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111114878.4A CN113822359B (zh) | 2021-09-23 | 2021-09-23 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113822359A true CN113822359A (zh) | 2021-12-21 |
| CN113822359B CN113822359B (zh) | 2024-02-02 |
Family
ID=78915255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111114878.4A Active CN113822359B (zh) | 2021-09-23 | 2021-09-23 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822359B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN115048748A (zh) * | 2022-08-12 | 2022-09-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149350A (zh) * | 2020-09-21 | 2020-12-29 | 浙江工业大学 | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 |
| CN112733943A (zh) * | 2021-01-13 | 2021-04-30 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
| KR20210079230A (ko) * | 2019-12-19 | 2021-06-29 | 사단법인 한국선박전자산업진흥협회 | 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템 |
-
2021
- 2021-09-23 CN CN202111114878.4A patent/CN113822359B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210079230A (ko) * | 2019-12-19 | 2021-06-29 | 사단법인 한국선박전자산업진흥협회 | 선박 기관실의 실시간 이상 감지 및 고장 진단 방법 및 시스템 |
| CN112149350A (zh) * | 2020-09-21 | 2020-12-29 | 浙江工业大学 | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 |
| CN112733943A (zh) * | 2021-01-13 | 2021-04-30 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114893390A (zh) * | 2022-07-15 | 2022-08-12 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN114893390B (zh) * | 2022-07-15 | 2023-08-04 | 安徽云磬科技产业发展有限公司 | 一种基于注意力与集成学习机制的泵机设备故障检测方法 |
| CN115048748A (zh) * | 2022-08-12 | 2022-09-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
| CN115048748B (zh) * | 2022-08-12 | 2022-10-28 | 中国空气动力研究与发展中心低速空气动力研究所 | 获得压缩机压力预测模型的方法、系统、处理终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113822359B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
| Luo et al. | Development of clustering-based sensor fault detection and diagnosis strategy for chilled water system | |
| 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 | |
| Zhou et al. | A comparison study of basic data-driven fault diagnosis methods for variable refrigerant flow system | |
| CN102135021B (zh) | 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法 | |
| CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
| CN104657596A (zh) | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 | |
| CN111546854A (zh) | 一种智能列车空调机组在途识别与诊断方法 | |
| CN115542824B (zh) | 一种基于能耗管控的中央空调机组控制方法及系统 | |
| Luo et al. | Novel pattern recognition-enhanced sensor fault detection and diagnosis for chiller plant | |
| CN105160345A (zh) | 一种诊断列车空调机组故障的方法 | |
| CN109711049B (zh) | 一种混合式的地铁空调冷水机组能效估计方法 | |
| Du et al. | Knowledge-infused deep learning diagnosis model with self-assessment for smart management in HVAC systems | |
| CN105698454B (zh) | 一种跨临界co2热泵最优压力的控制方法 | |
| CN114154689A (zh) | 一种冷水主机单机能耗预测方法、系统及存储介质 | |
| CN110702438B (zh) | 一种离心式冷水机组与新风系统联合故障诊断方法 | |
| Zhang et al. | From laboratory to on-site operation: Reevaluation of empirically based electric water chiller models | |
| CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
| CN112733943B (zh) | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 | |
| Sun et al. | Research on fault detection method for air handling units system | |
| Malinowski et al. | Neural model for forecasting temperature in a distribution network of cooling water supplied to systems producing petroleum products | |
| Pan et al. | Electricity gain via integrated operation of turbine generator and cooling tower using local model network | |
| Cirera et al. | Data-driven operation performance evaluation of multi-chiller system using self-organizing maps | |
| CN109884426B (zh) | 获得环控系统冷却塔能效随运营年限演化特性的方法 | |
| Tahmasebi et al. | An Intelligent Approach to Develop, Assess and Optimize Energy Consumption Models for Air-Cooled Chillers Using Machine Learning Algorithms |
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 |