CN115374881B - 一种制冷设备运行状态故障诊断方法 - Google Patents
一种制冷设备运行状态故障诊断方法 Download PDFInfo
- Publication number
- CN115374881B CN115374881B CN202211269079.9A CN202211269079A CN115374881B CN 115374881 B CN115374881 B CN 115374881B CN 202211269079 A CN202211269079 A CN 202211269079A CN 115374881 B CN115374881 B CN 115374881B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- refrigeration equipment
- data information
- running state
- 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
Images
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/18—Protocol analysers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明公开一种制冷设备运行状态故障诊断方法,涉及数据识别及故障处理技术领域,解决的技术问题是制冷设备运行状态故障诊断,本发明包括以下步骤:一、通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,所述数据采集模块为基于Clara算法模型的数据采集模块;二、通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断;三、诊断出的数据信息动态显示。本发明能够根据制冷设备运行状态输出的数据信息进行分析,实现制冷设备运行状态故障诊断,大大提高了运行状态故障诊断能力。
Description
技术领域
本发明涉及数据识别领域,且更具体地涉及一种制冷设备运行状态故障诊断方法。
背景技术
在智能制造装备技术领域中,制冷设备制冷是指主要用于船员食物冷藏、各类货物冷藏及暑天的舱室空气调节的设备。主要由压缩机、膨胀阀、蒸发器、冷凝器和附件、管路组成。按工作原理可分为压缩制冷设备、吸收制冷设备、蒸汽喷射制冷设备、热泵制冷设备和电热制冷装置等。船舶上应用最普遍的是压缩制冷设备。通过设备的工作循环将物体及其周围的热量移出,造成并维持一定的低温状态。所用的制冷剂主要是氟里昂和氨,尤以氟里昂使用最多。但由于氟里昂对大气臭氧层的破坏作用,已经开始受到环保条例的制约。氨及其他新型冷剂正被重新采用和试制中。
制冷设备在应用过程中,往往由于各种原因造成状态停滞,比如压缩机故障、膨胀阀故障、蒸发器故障故障、冷凝器故障或者设备附件故障、管路故障等等,这些问题容易造成制冷能力降低或者制冷设备运行状态停滞等各种问题,继而给用户带来无法衡量的故障灾难合作或者经济损失。
发明内容
针对上述技术的不足,本发明公开一种制冷设备运行状态故障诊断方法,能够根据制冷设备运行状态输出的数据信息进行分析,继而实现制冷设备运行状态故障诊断,大大提高了制冷设备运行状态故障诊断能力。
本发明采用以下技术方案:一种制冷设备运行状态故障诊断方法,其特征在于:包括以下步骤:
步骤一、通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的制冷设备运行状态数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,其中所述数据采集模块为基于Clara算法模型的数据采集模块,所述Clara算法模型包括数据输入模块、数据编码模块、数据加速模块和数据属性划分模块,其中所述数据输入模块的输出端与数据编码模块的输入端连接,所述数据编码模块的输出端与数据加速模块的输入端连接,所述数据加速模块的输出端与数据属性划分模块的输入端连接;
步骤二、通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断;所述数据分类模型为聚类分类模块;所述改进型神经网络模型包括搜索模块,所述搜索模块用于从制冷设备运行状态大数据信息中搜索目标数据信息,提高数据信息应用能力;
步骤三、诊断出的数据信息在大数据平台中存储,以动态显示制冷设备运行状态故障诊断数据信息。
作为本发明进一步的技术方案,所述数据采集模块包括芯片AMIS-49587和芯片CS5463。
作为本发明进一步的技术方案,所述数据输入模块设置有数据兼容接口,所述数据编码模块设置有数据编码控制器,所述数据加速模块设置有基于PFGA控制模块,所述数据属性划分模块设置数据属性设置模块。
作为本发明进一步的技术方案,所述数据通信模块包括通信协议识别模块、优先级计算模块、优先级排序模块和通信协议匹配模块,其中所述通信协议识别模块用于识别数据通信过程中的通信协议,优先级计算模块用于计算数据通信过程中的通信协议,优先级排序模块用于对计算出的数据通信的通信协议按照优先等级进行排列,所述通信协议匹配模块用于配对计算出的数据通信过程中的通信协议,其中所述通信协议识别模块的输出端与优先级计算模块的输入端连接,所述优先级计算模块的输出端与优先级排序模块的输入端连接,所述优先级排序模块的输出端与通信协议匹配模块的输入端连接。
作为本发明进一步的技术方案,所述聚类分类模块包括聚类中心设置模块和分别与所述聚类中心设置模块连接的聚类间隔模块、数据划分模块和中心点距离判断模块,其中所述聚类中心设置模块用于设置聚类中心参数,所述聚类间隔模块用于设置不同数据信息的间隔,所述数据划分模块用于划分不同数据信息,所述中心点距离判断模块用于计算不同数据信息之间距离。
作为本发明进一步的技术方案,改进型神经网络模型包括输入层、隐含层和输出层,其中所述隐含层内设置搜索模块。
作为本发明进一步的技术方案,改进型神经网络模型实现制冷设备运行状态故障诊断的方法为:
步骤一:BP神经网络首先将进行前向计算,将采集到的制冷设备运行状态数据经
输入层输入神经网络,原始数据设为,其中表示原始制冷设备运
行状态数据,n表示数据节点个数,隐含层设为,表示隐含层,j
表示蕴含节点,i表示输入数据排序,N表示累加次数,表示不同数据信息之间的权值,表示数据信息的阈值,输出层设为,表示输出层,H表示累
加次数,各个层次之间不同的数据权值由以及隐藏层数据输出进行表示;在输入层中
第n个节点的输出用来表示,输出层的第n个节点的输出用来表示,隐含层中第j个
节点的输出用来表示,用和来表示其中的阈值,各个节点的输出函数分别表示
为:
公式(1)表示输入层节点的输出函数,其中e表示欧拉数;
公式(2)表示隐含层数据输出函数;
公式(3)表示输出层的数据信息函数;
步骤二:对神经网络中的数据信息进行平均误差消除; 神经网络中制冷设备运行状态运行数据样本的平均误差表示为:
公式(4)中,通过N来表示神经网络训练过程中样本的个数,通过M来表示输出过程
中神经元的数量,通过来表示训练过程中第k个训练样本的均方误差,通过来
表示第k个样本中最终输出的神经元m的误差,通过E来表示整体训练过程结束时的判断参
数;
步骤三:通过搜素模块进行数据信息搜索,搜索方法为蚁群算法,通过寻找优化路径的概率查找制冷设备运行状态故障数据信息;
步骤四:逆向传递误差,在BP神经网络中制冷设备运行状态运行数据进行反向传递时,主要进行如下的步骤:首先对隐含层和输出层之间的权值进行计算,计算通过该式进行:
公式(5)、公式(6)中,表示输出层节
点(p,m)处输入,表示输出层节点(p,m)输出,δn表示着惯性系数,k表示数据排序,通
过这两个系数的调整可以控制BP神经网络模型的学习能力,BP神经网络模型的学习能力取
值控制在0-1的范围之内。。
作为本发明进一步的技术方案,所述搜索模块还包括路径导航模块。
作为本发明进一步的技术方案,制冷设备运行状态故障诊断数据信息动态显示的方法为滚动式显示屏数据显示融合声光报警的方式。
本发明具有的积极有益效果:
本发明通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的制冷设备运行状态数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,其中所述数据采集模块为基于Clara算法模型的数据采集模块,所述Clara算法模型包括数据输入模块、数据编码模块、数据加速模块和数据属性划分模块,其中所述数据输入模块的输出端与数据编码模块的输入端连接,所述数据编码模块的输出端与数据加速模块的输入端连接,所述数据加速模块的输出端与数据属性划分模块的输入端连接;大大提高了数据采集能力。
本发明通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断,大大提高数据信息应用能力;
本发明诊断出的数据信息在大数据平台中存储,能够以动态显示制冷设备运行状态故障诊断数据信息,提高了制冷状态运行监控能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明流程示意图;
图2为本发明制冷设备运行状态数据采集原理示意图;
图3为本发明CS5463芯片电路示意图;
图4为本发明AMIS-49587芯片运行电路原理示意图;
图5为本发明Clara算法流程示意图;
图6为本发明制冷设备故障检测流程图;
图7为本发明改进型BP神经网络模型图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本 发明,并不用于限定本发明。
一种制冷设备运行状态故障诊断方法,如图1所示,包括以下步骤:
步骤一、通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的制冷设备运行状态数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,其中所述数据采集模块为基于Clara算法模型的数据采集模块,所述Clara算法模型包括数据输入模块、数据编码模块、数据加速模块和数据属性划分模块,其中所述数据输入模块的输出端与数据编码模块的输入端连接,所述数据编码模块的输出端与数据加速模块的输入端连接,所述数据加速模块的输出端与数据属性划分模块的输入端连接;
步骤二、通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断;所述数据分类模型为聚类分类模块;所述改进型神经网络模型包括搜索模块,所述搜索模块用于从制冷设备运行状态大数据信息中搜索目标数据信息,提高数据信息应用能力;
步骤三、诊断出的数据信息在大数据平台中存储,以动态显示制冷设备运行状态故障诊断数据信息。
如图2-图5所示,在上述实施例中,所述数据采集模块包括芯片AMIS-49587和芯片CS5463。
在上述实施例中,所述数据输入模块设置有数据兼容接口,所述数据编码模块设置有数据编码控制器,所述数据加速模块设置有基于PFGA控制模块,所述数据属性划分模块设置数据属性设置模块。
在具体实施例中,为了提高现有制冷设备运行状态数据采集发明的精准度与采集传输数据的速度,该发明采用基于芯片AMIS-49587和芯片CS5463对制冷设备运行状态数据采集发明进行设计,本发明可以精确的测量实时的制冷设备电压、电流、瞬时功率等数据并改善数据传输时的通信抗干扰能力。该发明设计的制冷设备运行状态数据采集发明所用芯片采用CS5463芯片和AMIS⁃49587芯片,每一个芯片负责不同的功能部分,芯片CS5463负责整体的制冷设备运行状态数据采集,而芯片AMIS-49587负责数据的通信部分。制冷设备运行状态数据采集发明装置整体硬件设计图如图2所示。
图2中首先是负责数据采样计算处理部分的CS5463芯片,其中包含模/数转换器和功率计算功能,还有一个制冷设备运行状态/频率转换器。该芯片具有与控制器通信的双向串口,还有着可编程的制冷设备运行状态-脉冲输出功能,以便于校准误差,保证发明的精准度以及稳定运行。数据处理部分的CS5463芯片电路图如图3所示。如图3所示,图中芯片CS5463上所写的Vin+、Vin-为采样差分电压数据口且其中包含乘法放大器,而Iin+、Iin-为采样差分电流数据口,其中包含可编程放大器,PFMON接口在芯片中具有电源检测部分,Xin、Xout与CPUCLK是芯片中的时钟产生模块。CS、SDI、SDO、SCLK接口是其中的串行接口模块。E1、E2使其中的制冷设备运行状态/频率转换器部分。
制冷设备运行状态数据采集发明的第二部分是负责通信功能的AMIS⁃49587调制解调器芯片。它所采用的调制方式是频移键控(S-FSK)调制方式,该调制方式的优点是可以轻松的应对电网中常见的窄带干扰,更适合于智能制冷设备运行状态数据采集发明中的使用。而相对于相移键控(PSK)的调制技术来说虽然相比于芯片所使用频移键控调制方式来说成本低廉,但是在运行可靠性方面不如频移键控调制。AMIS-49587芯片运行电路如图4所示。
由图4中可以看出,AMIS-49587芯片运行电路由芯片AMIS-49587,电源电路和NCS5650芯片构成。NCS5650芯片起到对信号进行功率放大并同时对信号低通滤波。AMIS⁃49587调制解调器芯片采用的是UART通信方式,具有非常灵活的调制解调模式、优秀的解调算法、还拥有着很好的抵抗干扰的能力。AMIS⁃49587调制解调器芯片中还内嵌有协议处理功能,可以大幅度节省软件开发成本。降低设计所需时间。以上即为制冷设备运行状态数据采集发明硬件设计部分。
Clara算法和逻辑回归(Logistic Regression,LR)算法,通过对制冷设备运行状态数据采集发明的算法进行改进,从而提高单个制冷设备运行状态数据采集的精准度,并能准确地表达整体制冷设备运行状态数据所反映的特征。在面对大规模的制冷设备运行状态数据时使用Clara算法既保证了检测的误差很小,也使得大规模的制冷设备运行状态数据处理分析速度得到了提高。逻辑回归算法经常被使用于解决二类分类问题
该发明中的思路主要就是对整体的制冷设备运行状态数据进行随机的样本抽取,所使用的思想就是用部分样本制冷设备运行状态数据去更换整体的制冷设备运行状态数据,接着采用评估方法进行分析更换成本是否适合替换,最后计算整体聚类质量并进行评估,最终选出一个最优的数据采集方案。
在上述实施例中,数据兼容接口比如可以为兼容无线通信和RS232接口或者485接口的数据模块,数据编码控制器比如可以通过PLC控制实现数据信息的编码, PFGA控制模块比如通过主控芯片的控制,实现数据信息压缩或者编制,以提高数据信息控制或者编码,数据属性设置模块通过设置不同的数据属性设置,以提高不同数据属性的设置与编制。
在上述实施例中,数据通信模块包括通信协议识别模块、优先级计算模块、优先级排序模块和通信协议匹配模块,其中所述通信协议识别模块用于识别数据通信过程中的通信协议,优先级计算模块用于计算数据通信过程中的通信协议,优先级排序模块用于对计算出的数据通信的通信协议按照优先等级进行排列,所述通信协议匹配模块用于配对计算出的数据通信过程中的通信协议,其中所述通信协议识别模块的输出端与优先级计算模块的输入端连接,所述优先级计算模块的输出端与优先级排序模块的输入端连接,所述优先级排序模块的输出端与通信协议匹配模块的输入端连接。
在具体实施例中,制冷设备运行状态容易出现多种数据信息,在进行数据通信时,比如通信协议识别模块可以通过单片机控制以对制冷设备运行状态的数据信息进行识别,优先级计算模块比如可以通过优先级编程或者排布,比如无wifi通信优先排在蓝牙通信前面,在二者同时出现通信时,优先采用wifi通信,蓝牙通信排在RS232通信前面,RS232通信排在RS485通信前面等,通过识别不同通信的通信协议,对优先级进行安排。通过优先级排序模块对不同通信协议进行排布,比如wifi通信协议排在第一位,RS232通信协议排在第二位,RS485通信排在第三位,然后再通过通信协议匹配模块对不同级别的通信协议进行排布。
在具体实施例中,聚类分类模块包括聚类中心设置模块和分别与所述聚类中心设置模块连接的聚类间隔模块、数据划分模块和中心点距离判断模块,其中所述聚类中心设置模块用于设置聚类中心参数,所述聚类间隔模块用于设置不同数据信息的间隔,所述数据划分模块用于划分不同数据信息,所述中心点距离判断模块用于计算不同数据信息之间距离。
在具体实施例中,聚类中心设置模块通过单片机控制设置中心点和测量点等不同数据信息的参数,聚类间隔模块比如通过设置不同数据属性之间的距离远近或者不同数据信息之间的差值,或者通过PLC编程设置不同数据信息间隔之间的距离,数据划分模块比如通过不同的数据信息属性或者时间间隔点或者通信协议间隔点等以实现数据信息的隔离,将具有一定数据属性的信息隔离或者分割开来,以实现不同数据类型和数据信息之间的计算,通过中心点距离判断模块判断所隔离数据信息,进而实现数据信息的分类。
改进型神经网络模型包括输入层、隐含层和输出层,其中所述隐含层内设置搜索模块。
在具体实施例中,改进型神经网络模型实现制冷设备运行状态故障诊断的方法为:
制冷设备的规模一般很大,这就造成不同的设备会受不同地理位置及日照等自然因素的影响,即使在相同的天气条件下或者工作环境下,两组正常运行的设备都可能产生不同的数据,因此为了矫正该情况带来的数据差异,该发明设计了基于BP神经网络的故障诊断算法,具体数据处理流程如图6所示。BP神经网络是一种数据信号进行正向传播以及数据误差信号反向传播而形成多层前反馈的神经网络,有较强的适应学习能力,由一个输入层,一个或多个隐含层以及一个输出层构成,相邻的两个层级通过数据权值相连接,典型的BP神经网络如图7所示。
如图6和图7所示,BP网络对数据信号处理的整体过程如下:制冷设备故障检测所需要的相关数据信息首先从输入层进入BP网络中,在BP网络内部由隐含层对输入的相关数据信息进行处理计算,最终输出的数据值会与预设值进行对比,并且会与按照与输入时相反的方向即输出层、隐含层、输入层的顺序进行反向传播,以此提高数据处理的精度。
步骤一:BP神经网络首先将进行前向计算,将采集到的制冷设备运行状态数据经
输入层输入神经网络,原始数据设为,其中表示原始制冷设备运
行状态数据,n表示数据节点个数,隐含层设为,表示隐含层,j
表示蕴含节点,i表示输入数据排序,N表示累加次数,表示不同数据信息之间的权值,表示数据信息的阈值,输出层设为,表示输出层,H表示累
加次数,各个层次之间不同的数据权值由以及隐藏层数据输出进行表示;在输入层中
第n个节点的输出用来表示,输出层的第n个节点的输出用来表示,隐含层中第j个
节点的输出用来表示,用和来表示其中的阈值,各个节点的输出函数分别表示
为:
公式(1)表示输入层节点的输出函数,其中e表示欧拉数;
公式(2)表示隐含层数据输出函数;
公式(3)表示输出层的数据信息函数;
步骤二:对神经网络中的数据信息进行平均误差消除; 神经网络中制冷设备运行状态运行数据样本的平均误差表示为:
公式(4)中,通过N来表示神经网络训练过程中样本的个数,通过M来表示输出过程
中神经元的数量,通过来表示训练过程中第k个训练样本的均方误差,通过来
表示第k个样本中最终输出的神经元m的误差,通过E来表示整体训练过程结束时的判断参
数;
步骤三:通过搜素模块进行数据信息搜索,搜索方法为蚁群算法,通过寻找优化路径的概率查找制冷设备运行状态故障数据信息;
步骤四:逆向传递误差,在BP神经网络中制冷设备运行状态运行数据进行反向传递时,主要进行如下的步骤:首先对隐含层和输出层之间的权值进行计算,计算通过该式进行:
公式(5)、公式(6)中,表示输出层节
点(p,m)处输入,表示输出层节点(p,m)输出,δn表示着惯性系数,k表示数据排序,通
过这两个系数的调整可以控制BP神经网络模型的学习能力,BP神经网络模型的学习能力取
值控制在0-1的范围之内。
当通过上述整体计算过程计算出的误差超出设定的预设标准范围时,就表示着采集到的制冷设备的运行数据与标准状态下的运行数据严重不符,即为出现运行故障。为了节约人力成本并保证制冷设备出现运行故障时能够被系统及时检测到,该发明在BP神经网络检测运行故障的基础上加入了可信度检测,通过识别检测结果的可信度,系统可以自动判别制冷设备运行状态是否出现故障。该算法中将采集到的制冷设备的运行数据作为训练样本,以此修正权值和阈值,提高制冷设备运行状态检测故障的准确度。
在制冷设备故障检测中,通过将采集到的运行数据作为特征量,进行特征向量空间分类,并以此为基准作为神经网络训练样本执行自适应学习故障检测算法,对非训练样本的数据进行状态判断,实现了设备自主检测故障的功能。
所述搜索模块还包括路径导航模块。
路径导航模块通过设置蚂蚁信息元素搜索能力,通过人工智能的方法实现路径搜索和规划,比如通过设置蚂蚁属性,设置蚂蚁搜索信息参数等等,本研究使用蚁群算法(AntColony Optimization,ACO)优化深度卷积神经网络DCNN,在本发明中, 蚁群算法(antcolony optimization, ACO),也被称为是蚂蚁算法,该算法在应用过程中能够在图中通过寻找优化路径的方法,寻找最佳路径,该方法通过蚂蚁寻找食物的方式,类比诊断制冷设备运行状态的故障时寻找最佳故障,该算法能够利用ACO算法强大的搜索能力对DCNN关键参数进行寻优,在本发明中,蚁群优化算法在刚开始时,主要用于TSP问题的解决,随着人工智能算法的逐步发展,该算法已经被陆续渗透到各个技术领域中,本发明通过建立制冷设备运行状态的故障诊断模型,能够实现故障数据信息的最佳检索。以充分利用人工智能计算的思路,可以将本发明中的制冷设备运行状态故障数据信息类比为蚁群算法中的蚂蚁个体,可以假设蚁群算法中个体数量、蚂蚁元素信息素强度、转移概率、蚂蚁移动速度为、步长、适应度函数等数据信息,通过更新蚂蚁元素位置进而实现提高数据信息搜索能力。
在蚁群位置更新后进而判断是否超出可行域,并计算蚂蚁的临时适应度函数,执行信息素更新算子并记录最优蚂蚁位置。因此能够实现制冷设备运行状态的故障诊断的信息检索和查询。由于数据信息即时更新,在对数据信息进行计算或者变换时,需要不断地更新数据信息,进而实现制冷设备运行状态数据信息的不间断运行故障检测。
制冷设备运行状态故障诊断数据信息动态显示的方法为滚动式显示屏数据显示融合声光报警的方式。
在具体实施例中,比如通过单片机控制数据信息动态显示,以滚动字幕的形式实现数据信息显示,声光报警是通过声音和光电显示的方式实现数据信息异常警报。
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,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本 发明的原理和实质的情况下,可以对上述方法和发明的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本 发明的范围。因此,本 发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种制冷设备运行状态故障诊断方法,其特征在于:包括以下步骤:
步骤一、通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的制冷设备运行状态数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,其中所述数据采集模块为基于Clara算法模型的数据采集模块,所述Clara算法模型包括数据输入模块、数据编码模块、数据加速模块和数据属性划分模块,其中所述数据输入模块的输出端与数据编码模块的输入端连接,所述数据编码模块的输出端与数据加速模块的输入端连接,所述数据加速模块的输出端与数据属性划分模块的输入端连接;
步骤二、通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断;所述数据分类模型为聚类分类模块;所述改进型神经网络模型包括搜索模块,所述搜索模块用于从制冷设备运行状态大数据信息中搜索目标数据信息,提高数据信息应用能力;
步骤三、诊断出的数据信息在大数据平台中存储,以动态显示制冷设备运行状态故障诊断数据信息;
改进型神经网络模型包括输入层、隐含层和输出层,其中所述隐含层内设置搜索模块;
改进型神经网络模型实现制冷设备运行状态故障诊断的方法为:
步骤一:首先利用BP神经网络前向进行计算,将采集到的制冷设备运行状态数据经输
入层输入神经网络,原始数据设为,其中表示原始制冷设备运行
状态数据,n表示数据节点个数,隐含层设为:,j表示蕴含节点,i表
示输入数据排序,N表示累加次数,表示不同数据信息之间的权值,表示数据信息
的阈值,输出层设为,各个层次之间不同的数据权值由以及隐藏层
数据输出进行表示;隐含层中第j个节点的输出用来表示,用和来表示其中
的阈值,各个节点的输出函数分别表示为:
公式(1)表示输入层节点的输出函数;
公式(2)表示隐含层数据输出函数;
公式(3)表示输出层的数据信息函数;
步骤二:对神经网络中的数据信息进行平均误差消除; 神经网络中制冷设备运行状态运行数据样本的平均误差表示为:
式(4)中,通过N来表示神经网络训练过程中样本的个数,通过M来表示输出过程中神经
元的数量,通过来表示训练过程中第k个训练样本的均方误差,通过来表示第k个样
本中最终输出的神经元m的误差,通过E来表示整体训练过程结束时的判断参数;
步骤三:通过搜素模块进行数据信息搜索,搜索方法为蚁群算法,通过寻找优化路径的概率查找制冷设备运行状态故障数据信息;
步骤四:逆向传递误差,在BP神经网络中制冷设备运行状态运行数据进行反向传递时,主要进行如下的步骤:首先对隐含层和输出层之间的权值进行计算,计算通过该式进行:
2.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据采集模块包括芯片AMIS-49587和芯片CS5463。
3.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据输入模块设置有数据兼容接口,所述数据编码模块设置有数据编码控制器,所述数据加速模块设置有基于PFGA控制模块,所述数据属性划分模块设置数据属性设置模块。
4.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据通信模块包括通信协议识别模块、优先级计算模块、优先级排序模块和通信协议匹配模块,其中所述通信协议识别模块用于识别数据通信过程中的通信协议,优先级计算模块用于计算数据通信过程中的通信协议,优先级排序模块用于对计算出的数据通信的通信协议按照优先等级进行排列,所述通信协议匹配模块用于配对计算出的数据通信过程中的通信协议,其中所述通信协议识别模块的输出端与优先级计算模块的输入端连接,所述优先级计算模块的输出端与优先级排序模块的输入端连接,所述优先级排序模块的输出端与通信协议匹配模块的输入端连接。
5.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述聚类分类模块包括聚类中心设置模块和分别与所述聚类中心设置模块连接的聚类间隔模块、数据划分模块和中心点距离判断模块,其中所述聚类中心设置模块用于设置聚类中心参数,所述聚类间隔模块用于设置不同数据信息的间隔,所述数据划分模块用于划分不同数据信息,所述中心点距离判断模块用于计算不同数据信息之间距离。
6.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述搜索模块还包括路径导航模块。
7.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:制冷设备运行状态故障诊断数据信息动态显示的方法为滚动式显示屏数据显示融合声光报警的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269079.9A CN115374881B (zh) | 2022-10-17 | 2022-10-17 | 一种制冷设备运行状态故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211269079.9A CN115374881B (zh) | 2022-10-17 | 2022-10-17 | 一种制冷设备运行状态故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115374881A CN115374881A (zh) | 2022-11-22 |
CN115374881B true CN115374881B (zh) | 2023-01-17 |
Family
ID=84072985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211269079.9A Active CN115374881B (zh) | 2022-10-17 | 2022-10-17 | 一种制冷设备运行状态故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374881B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
CN112329868A (zh) * | 2020-11-10 | 2021-02-05 | 西安电子科技大学 | 基于clara聚类的制造加工设备群能效状态评价方法 |
CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3268820A1 (en) * | 2015-03-11 | 2018-01-17 | Siemens Industry, Inc. | Prediction in building automation |
CN105372087B (zh) * | 2015-11-30 | 2018-06-22 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
WO2018216209A1 (ja) * | 2017-05-26 | 2018-11-29 | 三菱電機株式会社 | 空調データ通信装置、空調データ通信方法及びプログラム |
JP2022523563A (ja) * | 2019-03-04 | 2022-04-25 | アイオーカレンツ, インコーポレイテッド | 機械学習および人工知能を使用する、機械異常の近リアルタイム検出ならびに分類 |
-
2022
- 2022-10-17 CN CN202211269079.9A patent/CN115374881B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
CN111245313A (zh) * | 2020-03-16 | 2020-06-05 | 爱科赛智能科技(浙江)有限公司 | 一种基于遗传神经网络的无刷直流电机pid调速方法 |
CN112329868A (zh) * | 2020-11-10 | 2021-02-05 | 西安电子科技大学 | 基于clara聚类的制造加工设备群能效状态评价方法 |
CN114386312A (zh) * | 2021-12-08 | 2022-04-22 | 华能沁北发电有限责任公司 | 一种设备故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115374881A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN108680244B (zh) | 一种旋转机械振动无线监测装置及方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN102779228B (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN109118384A (zh) | 一种风电机组健康预警方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN111444953A (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
CN110243595B (zh) | 一种基于LabVIEW的远程齿轮箱故障监测系统 | |
CN113776794B (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
CN110046834A (zh) | 工作场所有害气体健康风险定量评估系统及其评估方法 | |
CN116519895B (zh) | 一种基于大数据平台的水质在线监测分析管理系统 | |
CN104748305A (zh) | 空调的开关状态的识别方法及系统及估算方法及系统 | |
CN113418229A (zh) | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 | |
CN115374881B (zh) | 一种制冷设备运行状态故障诊断方法 | |
CN112819646B (zh) | 一种定制木工家具柔性生产线故障诊断系统 | |
CN110850717B (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
CN116147712A (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
CN115327942A (zh) | 一种环境智能监测系统 | |
CN107316130A (zh) | 一种基于聚类分析的计量采集终端故障诊断和可视化定位方法 | |
CN113702765A (zh) | 一种电网故障诊断智能系统 | |
Hu et al. | Research on the Application of a Water Quality Monitoring System in Aquaculture Based on IoT Technology | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
CN117387172B (zh) | 基于精准推荐设备控制参数的末端空调节能方法和系统 | |
CN110849050A (zh) | 利用风机振动和神经网络的热泵除霜控制装置及控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |