CN116066975A - 用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 - Google Patents
用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN116066975A CN116066975A CN202111274888.4A CN202111274888A CN116066975A CN 116066975 A CN116066975 A CN 116066975A CN 202111274888 A CN202111274888 A CN 202111274888A CN 116066975 A CN116066975 A CN 116066975A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- preset
- conditioner operation
- screening
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及空调技术领域,公开一种用于训练空调运行参数预测模型的方法,包括:对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数;获取各第一预设区域与第二预设区域之间的距离;根据各距离获取各第一预设区域对应的筛选数量;根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。对不同的预设区域均能够生成对应的空调运行参数预测模型,从而提高了空调运行参数预测模型对不同区域的适用性。本申请还公开一种用于训练空调运行参数预测模型的装置及电子设备、存储介质。
Description
技术领域
本申请涉及空调技术领域,例如涉及一种用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质。
背景技术
目前,随着空调技术的不断进步,越来越多的场合使用空调。在空调运行过程中可能会出现故障,为了判断空调是否出现故障,需要了解用于诊断故障的空调运行参数,用于诊断故障的空调运行参数通常包括不便于直接通过传感器采集的空调运行参数,例如压缩机排气温度、压缩机吸气压力、压缩机排气压力等。现有技术一般通过采集冷凝器参数等便于直接通过传感器采集的空调运行参数训练空调运行参数预测模型来预测不便于直接通过传感器采集的空调运行参数。
由于不同地域的环境存在差异,导致不同地域能够采集到的空调运行参数也存在差异,现有技术在训练用于诊断故障的空调运行参数的预测模型时,需要对各类不同地域进行空调运行参数采集,根据采集到的所有地域的空调运行参数进行模型训练。但在实际情况中,我国地域辽阔,现有技术仅对单个地域的空调运行参数进行采集并利用采集到的空调运行参数进行预测模型的训练,在使用时针对不同地域均采用由单个地域的空调运行参数训练得到的模型来预测空调运行参数存在预测准确率不高的问题,因此现有技术中的空调运行参数预测模型存在对不同区域的适用性差的问题。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本公开实施例提供了一种用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质,以能够提高空调运行参数预测模型对不同区域的适用性。
在一些实施例中,所述用于训练空调运行参数预测模型的方法包括:对若干个第一预设区域进行空调运行参数采集,获得各所述第一预设区域对应的若干个空调运行参数;获取各所述第一预设区域与第二预设区域之间的距离;根据各所述距离获取各所述第一预设区域对应的筛选数量;根据各所述筛选数量对各所述第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;将所述待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
在一些实施例中,所述用于训练空调运行参数预测模型的装置包括:采集模块,被配置为对若干个第一预设区域进行空调运行参数采集,获得各所述第一预设区域对应的若干个空调运行参数;第一获取模块,被配置为获取各所述第一预设区域与第二预设区域之间的距离;第二获取模块,被配置为根据各所述距离获取各所述第一预设区域对应的筛选数量;筛选模块,被配置为根据各所述筛选数量对各所述第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;训练模块,被配置为将所述待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
在一些实施例中,所述用于训练空调运行参数预测模型的装置包括:处理器和存储有程序指令的存储器,所述处理器被配置为在运行所述程序指令时,执行如上述的用于训练空调运行参数预测模型的方法。
在一些实施例中,所述电子设备包括如上述的用于训练空调运行参数预测模型的装置。
在一些实施例中,所述存储介质,存储有程序指令,所述程序指令在运行时,执行如上述的用于训练空调运行参数预测模型的方法。
本公开实施例提供的用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质,可以实现以下技术效果:通过各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件示为类似的元件,附图不构成比例限制,并且其中:
图1是本公开实施例提供的一个用于训练空调运行参数预测模型的方法的示意图;
图2是本公开实施例提供的另一个用于训练空调运行参数预测模型的方法的示意图;
图3是本公开实施例提供的另一个用于训练空调运行参数预测模型的方法的示意图;
图4是本公开实施例提供的一个用于训练空调运行参数预测模型的装置的结构示意图;
图5是本公开实施例提供的另一个用于训练空调运行参数预测模型的装置的结构示意图;
图6是本公开实施例提供的另一个用于训练空调运行参数预测模型的装置的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容,下面结合附图对本公开实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本公开实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或多个实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个或两个以上。
本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本公开实施例提供一种用于训练空调运行参数预测模型的方法,包括:
步骤S101,对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数;
步骤S102,获取各第一预设区域与第二预设区域之间的距离;
步骤S103,根据各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量;
步骤S104,根据各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;
步骤S105,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
采用本公开实施例提供的用于训练空调运行参数预测模型的方法,通过各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
可选地,空调运行参数为空调的冷凝器温度、冷凝器压力、压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度等。
在一些实施例中,对各第一预设区域内的若干个空调分别进行若干次空调运行参数采集,将针对每个空调每次采集的冷凝器温度、冷凝器压力、压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度作为一个空调运行参数,则获得各第一预设区域对应的若干个空调运行参数。例如,对各第一预设区域内的若干个空调分别在8:00、8:01、8:02等时刻进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数。
可选地,根据各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,包括:按照各第一预设区域与第二预设区域之间的距离获取各第一预设区域之间的筛选比例;根据筛选比例获取各第一预设区域对应的筛选数量。
可选地,第二区域区域为空调的安装区域,第一预设区域为空调的安装区域的相邻区域。这样,对与空调安装区域相邻区域的空调进行空调运行参数进行筛选时,按照空调的安装区域与各相邻区域之间的距离远近自定义筛选数量,能够使得获取的空调运行参数更贴合空调安装区域的地域环境情况,从而能够降低待训练样本中样本之间的差异性。
可选地,第二预设区域为空调的安装区域,第一预设区域包括空调的安装区域和空调安装区域的相邻区域。这样,对第一预设区域的空调进行空调运行参数进行筛选时,按照空调的安装区域与各第一预设区域之间的距离远近自定义筛选数量,能够使得获取的空调运行参数更贴合空调安装区域的地域环境情况,从而能够降低待训练样本中样本之间的差异性。
在一些实施例中,空调的安装区域为北京,则第二预设区域为北京,北京的相邻区域为天津和河北,则第一预设区域分别为北京、天津和河北,分别获取北京、天津和河北与北京之间的距离,根据北京、天津和河北与北京之间的距离获取北京、天津和河北之间的筛选比例,根据筛选比例获取北京、天津和河北对应的筛选数量,按照北京、天津和河北对应的筛选数量对北京、天津和河北进行空调运行参数的筛选。由于在对相邻区域和安装区域的空调运行参数进行筛选时,能够按照空调的安装区域和空调的安装区域的相邻区域之间的距离远近自定义筛选数量,从而使得待训练样本更贴合地域环境,降低了待训练样本中的样本之间的差异性。
可选地,按照各第一预设区域与第二预设区域之间的距离获取各第一预设区域之间的筛选比例,包括:按照预设的筛选比例匹配表对各第一预设区域与第二预设区域之间的距离进行查找,获得各第一预设区域与第二预设区域之间的距离对应的筛选比例;筛选比例匹配表存储有各第一预设区域与第二预设区域之间的距离和筛选比例之间的对应关系。
结合图2所示,本公开实施例提供另一种用于训练空调运行参数预测模型的方法,包括:
步骤S201,对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数;
步骤S202,获取各第一预设区域与第二预设区域之间的距离;
步骤S203,按照预设的筛选比例匹配表对各第一预设区域与第二预设区域之间的距离进行查找,获得各第一预设区域与第二预设区域之间的距离对应的筛选比例;
步骤S204,根据各第一预设区域与第二预设区域之间的距离对应的筛选比例获取各第一预设区域对应的筛选数量;
步骤S205,根据各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;
步骤S206,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
通过对各第一预设区域与第二预设区域之间的距离进行查表获得各第一预设区域与第二预设区域之间的距离对应的筛选比例,根据各第一预设区域与第二预设区域之间的距离对应的筛选比例获取各第一预设区域对应的筛选数量,根据各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。这样,按照各第一预设区域与第二预设区域之间的距离远近确定各第一预设区域的筛选比例,根据各第一预设区域的筛选比例获取待训练样本,以能够使获得的待训练样本更加适合预设的区域的地域环境情况,对不同的预设区域均能够生成对应的空调运行参数预测模型,从而提高了空调运行参数预测模型对不同区域的适用性。
可选地,根据各第一预设区域与第二预设区域之间的距离对应的筛选比例获取各第一预设区域对应的筛选数量,包括:根据各第一预设区域与第二预设区域之间的距离对应的筛选比例确定各第一预设区域对应的筛选数量占预设总筛选数量的占比;将各第一预设区域对应的占比分别乘以预设总筛选数量,获得各预设区域对应的筛选数量。这样,根据各第一预设区域与第二预设区域之间的距离对应的筛选比例获取各第一预设区域对应的筛选数量,按照各第一预设区域对应的筛选数量对各第一预设区域的若干个空调运行参数进行筛选,以能够对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
在一些实施例中,第一预设区域为空调安装区域A、A的相邻区域B、A的相邻区域C和A的相邻区域D,第二预设区域为空调安装区域A。第一预设区域A与第二预设区域A之间的距离为零,第一预设区域B、第一预设区域C和第一预设区域D与第二预设区域A之间的距离均为X,其中,X>0。对各第一预设区域与第二预设区域之间的距离进行查表,获得第一预设区域A、第一预设区域B、第一预设区域C和第一预设区域D之间的筛选比例为7:1:1:1,根据筛选比例获取第一预设区域A、B、C和D对应的筛选数量在待训练样本总筛选数量中的占比分别为70%、10%、10%和10%,各第一预设区域对应的占比乘以预设总筛选数量,获得各第一预设区域对应的筛选数量。
可选地,第一预设区域与第二预设区域之间的距离与第一预设区域对应的筛选数量成反比。这样,第一预设区域与第二预设区域之间的距离越近,第一预设区域对应的筛选数量越大,第一预设区域与第二预设区域之间的距离越远,第一预设区域对应的筛选数量越小,从而使得待训练样本更贴合地域环境情况,降低了待训练样本中的样本之间的差异性。
可选地,根据各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,包括:按照各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行随机筛选,将筛选出来的各空调运行参数中空调的冷凝器温度和冷凝器压力确定为各第一空调运行参数样本;将筛选出来的各空调运行参数中空调的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度确定为对应第一空调运行参数样本的第二标签;第二标签用于表征空调正常运行状态的参数或用于表征空调异常运行的参数;将所有带有第二标签的第一空调运行参数样本确定为待训练样本。
在一些实施例中,对若干个第一预设区域进行空调运行参数采集时,若空调处于异常运行状态,则采集到的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调异常运行的参数;若空调处于正常运行状态,则采集到的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调正常运行的参数。
可选地,初始预测模型通过以下方式获得:获取带有第一标签的初始空调运行参数样本,将带有第一标签的初始空调运行参数样本输入预设的神经网络模型进行训练,获得初始预测模型。可选地,第一标签用于表征空调正常运行状态的参数或用于表征空调异常运行的参数。
可选地,初始空调运行参数样本为空调的冷凝器温度和冷凝器压力。第一标签为压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度。初始空调运行参数样本与对应的第一标签均为对该空调在同一时刻采集的数据。可选地,在采集时刻,若空调处于异常运行状态,则压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调异常运行的参数;在采集时刻,若空调处于正常运行状态,则压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调正常运行的参数。
可选地,获取带有第一标签的初始空调运行参数样本,包括:在预设时间段内对若干个空调进行空调运行参数进行采集,将采集到的各空调运行参数中空调的冷凝器温度和冷凝器压力确定为各初始空调运行参数样本,将采集到的各空调运行参数中空调的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度确定为对应各初始空调运行参数样本的第一标签。
可选地,获得空调运行参数预测模型之后,还包括:根据空调运行参数预测模型获取备选训练样本;利用备选训练样本对空调运行参数预测模型进行增量学习。
结合图3所示,本公开实施例提供另一种用于训练空调运行参数预测模型的方法,包括:
步骤S301,对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数;
步骤S302,获取各第一预设区域与第二预设区域之间的距离;
步骤S303,根据各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量;
步骤S304,根据各第一预设区域对应的筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;
步骤S305,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型;
步骤S306,根据空调运行参数预测模型获取备选训练样本;
步骤S307,利用备选训练样本对空调运行参数预测模型进行增量学习。
这样,根据各第一预设区域与第二预设区域之间的距离对各第一预设区域对应的若干个空调运行参数进行筛选,获取待训练样本,根据将待训练样本获得空调运行参数预测模型,根据空调运行参数预测模型获取备选训练样本,利用备选训练样本对空调运行参数预测模型进行增量学习。通过对各第一预设区域对应的若干个空调运行参数进行筛选实现耦合不同区域的空调运行参数,由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性,同时,利用备选训练样本对空调运行参数预测模型进行增量学习,实现对空调运行参数预测模型反复训练,提高了空调运行参数预测模型预测空调运行参数的准确率。
可选地,根据空调运行参数预测模型获取备选训练样本,包括:获取空调运行参数预测模型的准确率;在准确率大于预设阈值的情况下,获取备选训练样本。这样,在准确率大于预设阈值的情况下,空调运行参数预测模型训练完成,获取备选训练样本,再利用备选训练样本对空调运行参数预测模型进行增量学习,提高了空调运行参数预测模型预测空调运行参数的准确率。
可选地,获取空调运行参数预测模型的准确率,包括:对第二预设区域进行空调运行参数采集,获得多个参考空调运行参数;获取各参考空调运行参数对应的测量结果;将各参考空调运行参数输入空调运行参数预测模型获得各参考空调运行参数对应的预测结果;分别将各参考空调运行参数的预测结果和各参考空调运行参数的测量结果进行比较,获得多个比较结果;比较结果用于表征预测结果与测量结果的差值是否在预设范围内;根据各比较结果获得空调运行参数预测模型的准确率。这样,根据各空调运行参数的预测结果和各空调运行参数的测量结果之间的比较结果能够更加准确地获取空调运行参数预测模型的准确率。
可选地,参考空调运行参数为空调的冷凝器温度和冷凝器压力。
可选地,参考空调运行参数对应的测量结果为:空调的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度的实际测量值。参考空调运行参数和参考空调运行参数对应的测量结果为对该空调在同一时刻采集的数据。
可选地,参考空调运行参数对应的预测结果为:将多个参考空调运行参数输入空调运行参数预测模型得到的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度的输出值。
可选地,根据各比较结果获得空调运行参数预测模型的准确率,包括:在比较结果为参考空调运行参数的预测结果与对应参考空调运行参数的测量结果的差值都在预设范围内的情况下,则确定空调运行参数预测模型预测准确;将空调运行参数预测模型预测准确的次数除以空调运行参数预测模型预测的总次数得到空调运行参数预测模型的准确率。
可选地,获取备选训练样本,包括:对第二预设区域进行空调运行参数采集,获得备选训练样本。
可选地,对第二预设区域进行空调运行参数采集,获得备选训练样本,包括:将采集到的各空调运行参数中空调的冷凝器温度和冷凝器压力确定为各第二空调运行参数样本;将采集到的各空调运行参数中空调的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度确定为对应第二空调运行参数样本的第三标签;第三标签用于表征空调正常运行状态的参数或用于表征空调异常运行的参数;将所有带有第三标签的第二空调运行参数样本确定为备选训练样本。
在一些实施例中,对第二预设区域进行空调运行参数采集时,若空调处于异常运行状态,则采集到的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调异常运行的参数;若空调处于正常运行状态,则采集到的压缩机排气口的压力、压缩机排气温度、压缩机吸气口的压力和冷冻水温度即为表征空调正常运行的参数。
可选地,获取备选训练样本,包括:根据空调运行参数预测模型的准确率获取多个带有第三标签的第二空调运行参数样本,第三标签用于表征空调正常运行的参数或用于表征空调异常运行的参数,将多个带有第三标签的第二空调运行参数样本确定为备选训练样本。
可选地,根据空调运行参数预测模型的准确率获取多个带有第三标签的第二空调运行参数样本,包括:根据空调运行参数预测模型的准确率确定带有第三标签的第二空调运行参数样本的总筛选数量,确定带有表征空调异常运行的参数的带有第三标签的第二空调运行参数样本的筛选数量;根据带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量和带有第三标签的第二空调运行参数样本的总筛选数量获取带有表征空调正常运行的参数的第二空调运行参数样本的筛选数量;根据各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选比例;根据带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量获取各第一预设区域对应的第一备选筛选数量;根据带有表征空调正常运行的参数的第二空调运行参数样本的筛选数量获取各第一预设区域对应的第二的备选筛选数量;在各第一预设区域的若干个空调运行参数中,按照第一备选筛选数量筛选带有表征空调异常运行的参数的第二空调运行参数样本,按照第二备选筛选数量筛选带有表征空调异常运行的参数的第二空调运行参数样本。
可选地,根据空调运行参数预测模型的准确率确定带有第三标签的第二空调运行参数样本的总筛选数量,包括:根据空调运行参数预测模型的准确率获取增量比例;通过第一预设算法利用增量比例进行计算,获得带有第三标签的第二空调运行参数样本的总筛选数量。这样,根据空调运行参数预测模型的准确率获取增量比例,根据增量比例获取获得带有第三标签的第二空调运行参数样本的总筛选数量,利用总筛选数量的第二空调运行参数样本对空调运行参数预测模型进行增量学习,能够提高利用空调运行参数预测模型对空调运行参数进行预测的准确率。
可选地,空调运行参数预测模型的准确率和增量比例成正比。
可选地,通过计算F=E*(1-N),获得带有第三标签的第二空调运行参数样本的总筛选数量;其中,F为带有第三标签的第二空调运行参数样本的总筛选数量,E为带有第二标签的第一空调运行参数样本的总筛选数量,N为增量比例。
可选地,准确率包括故障准确率和正常准确率,确定带有表征空调异常运行的参数的第二空调运行参数样本数量,包括:获取空调运行参数预测模型的故障准确率;根据空调运行参数预测模型的故障准确率获取空调运行参数预测模型的故障失败率;通过第二预设算法利用空调运行参数预测模型的故障失败率进行计算,获得带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量。这样,根据空调运行参数预测模型的故障准确率获取空调运行参数预测模型的故障失败率,根据故障失败率获得带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量,利用该筛选数量的带有表征空调异常运行的参数的第二空调运行参数样本对空调运行参数预测模型进行增量学习,能够更加准确的对空调异常运行参数进行预测,使得能够提高利用空调运行参数预测模型对空调运行参数进行预测的准确率。
可选地,在空调运行参数对应的测量结果和空调运行参数对应的预测结果之间的差值在预设范围内,且空调运行参数对应的测量结果为空调正常运行时测量,即空调未报故障,则空调运行参数预测模型预测空调正常运行参数正确。
可选地,在空调运行参数对应的测量结果和空调运行参数对应的预测结果之间的差值在预设范围内,且空调运行参数对应的测量结果为空调异常运行时测量,即空调报故障,则空调运行参数预测模型预测空调异常运行参数正确。
可选地,对处于预设的参数故障范围内的预测结果标记预测空调故障;对空调故障时的测量结果标记测量空调故障,获取空调运行参数预测模型的故障准确率,包括:获取标记有预测空调故障的预测结果的第一数量;获取预测结果与测量结果的差值处于预设范围内,且标记有预测空调故障的预测结果的第二数量;获取标记有测量空调故障的测量结果的第三数量;根据第一数量、第二数量和第三数量获取空调运行参数预测模型的故障准确率。
可选地,通过计算M=Nb÷(Na+Nc),获得空调运行参数预测模型的故障准确率;其中,M为空调运行参数预测模型的故障准确率,Na为标记有预测空调故障的预测结果的第一数量,Nb为预测结果与测量结果的差值在预设范围内,且标记有预测空调故障的预测结果的第二数量,Nc为标记有测量空调故障的测量结果的第三数量。
可选地,通过计算P=1-M,获得空调运行参数预测模型的故障失败率;其中,P为空调运行参数预测模型的故障失败率,M为空调运行参数预测模型的故障准确率。
可选地,通过计算D2=D1*P,获得带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量;其中,D2为带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量,D1为带有表征空调异常运行的参数的第一空调运行参数样本的筛选数量,P为空调运行参数预测模型的故障失败率。
可选地,通过计算G=F-D2,获得带有表征空调正常运行的参数的第二空调运行参数样本的筛选数量,其中,G为带有表征空调正常运行的参数的第二空调运行参数样本的筛选数量,D2为带有表征空调异常运行的参数的第二空调运行参数样本的筛选数量,F为带有第三标签的第二空调运行参数样本的总筛选数量。
可选地,利用备选训练样本对空调运行参数预测模型进行增量学习,包括:将待训练样本和备选训练样本进行融合,生成增量学习样本,将增量学习样本输入空调运行参数预测模型进行增量学习,这样,将待训练样本和备选训练样本进行融合,以能够增加训练空调运行参数预测模型的样本数量,从而提高了空调运行参数预测模型预测空调运行参数的准确率。
在一些实施例中,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型;对第二预设区域进行空调运行参数采集,获得多个参考空调运行参数,获取各参考空调运行参数对应的测量结果;将多个参考空调运行参数输入空调运行参数预测模型获得各参考空调运行参数对应的预测结果,根据各测量结果和各预测结果获得空调运行参数预测模型的准确率;在准确率小于预设阈值,例如90%的情况下,将多个参考空调运行参数做为第二空调运行参数样本存储在离线学习样本库中,将各参考空调运行参数对应的测量结果做为对应的第二空调运行参数样本的第三标签存储在离线学习样本库中,从离线学习样本库任意筛选出带有第三标签的第二空调运行参数样本做为备选训练样本,将待训练样本和备选训练样本进行融合,生成增量学习样本,将增量学习样本输入空调运行参数预测模型进行增量学习,提高了空调运行参数预测模型预测空调运行参数的准确率。
结合图4所示,本公开实施例提供一种用于训练空调运行参数预测模型的装置,包括采集模块401、第一获取模块402、第二获取模块403、筛选模块404和训练模块405。采集模块401被配置为对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数;第一获取模块402被配置为获取各第一预设区域与第二预设区域之间的距离;第二获取模块403被配置为根据各距离获取各第一预设区域对应的筛选数量;筛选模块404被配置为根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;训练模块405被配置为将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
采用本公开实施例提供的用于训练空调运行参数预测模型的装置,通过各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
可选地,第二获取模块通过以下方式实现根据各距离获取各第一预设区域对应的筛选数量:按照各第一预设区域与第二预设区域之间的距离获取各第一预设区域之间的筛选比例;根据筛选比例获取各第一预设区域对应的筛选数量。
可选地,第二获取模块通过以下方式实现按照各第一预设区域与第二预设区域之间的距离获取各第一预设区域之间的筛选比例:按照预设的筛选比例匹配表对各第一预设区域与第二预设区域之间的距离进行查找,获得各第一预设区域与第二预设区域之间的距离对应的筛选比例;筛选比例匹配表存储有各第一预设区域与第二预设区域之间的距离和筛选比例之间的对应关系。
结合图5所示,可选地,用于训练空调运行参数预测模型的装置还包括:第三获取模块406和增量学习模块407。第三获取模块406,被配置为根据空调运行参数预测模型获取备选训练样本;增量学习模块407,被配置为利用备选训练样本对空调运行参数预测模型进行增量学习。
在一些实施例中,采集模块对若干个第一预设区域进行空调运行参数采集,获得各第一预设区域对应的若干个空调运行参数,并将各第一预设区域对应的若干个空调运行参数发送给筛选模块;第一获取模块获取各第一预设区域与第二预设区域之间的距离,并将各第一预设区域与第二预设区域之间的距离发送给第二获取模块;第二获取模块接收各第一预设区域与第二预设区域之间的距离,根据各距离获取各第一预设区域对应的筛选数量,并将各第一预设区域对应的筛选数量发送给筛选模块;筛选模块接收第二获取模块发送的各第一预设区域对应的筛选数量和采集模块发送的各第一预设区域对应的若干个空调运行参数,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,并将待训练样本发送给训练模块;训练模块接收待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型,并将空调运行参数预测模型发送给第三获取模块;第三获取模块接收空调运行参数预测模型,根据空调运行参数预测模型获取备选训练样本,并将备选训练样本发送给增量学习模块;增量学习模块接收备选训练样本,利用备选训练样本对空调运行参数预测模型进行增量学习。
这样,根据各第一预设区域与第二预设区域之间的距离对各第一预设区域对应的若干个空调运行参数进行筛选,获取待训练样本,根据将待训练样本获得空调运行参数预测模型,根据空调运行参数预测模型获取备选训练样本,利用备选训练样本对空调运行参数预测模型进行增量学习。通过对各第一预设区域对应的若干个空调运行参数进行筛选实现耦合不同区域的空调运行参数,由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性,同时,利用备选训练样本对空调运行参数预测模型进行增量学习,实现对空调运行参数预测模型反复训练,提高了空调运行参数预测模型预测空调运行参数的准确率。
结合图6所示,本公开实施例提供一种用于训练空调运行参数预测模型的装置,包括处理器(processor)600和存储器(memory)601。可选地,该装置还可以包括通信接口(Communication Interface)602和总线603。其中,处理器600、通信接口602、存储器601可以通过总线603完成相互间的通信。通信接口602可以用于信息传输。处理器600可以调用存储器601中的逻辑指令,以执行上述实施例的用于训练空调运行参数预测模型的方法。
此外,上述的存储器601中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器601作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器601中的程序指令/模块,从而执行功能应用以及参数处理,即实现上述实施例中用于训练空调运行参数预测模型的方法。
存储器601可包括存储程序区和存储参数区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储参数区可存储根据终端设备的使用所创建的参数等。此外,存储器601可以包括高速随机存取存储器,还可以包括非易失性存储器。
采用本公开实施例提供的用于训练空调运行参数预测模型的装置,通过各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
本公开实施例提供了一种电子设备,包含上述的用于训练空调运行参数预测模型的装置。该电子设备通过各第一预设区域与第二预设区域之间的距离获取各第一预设区域对应的筛选数量,根据各筛选数量对各第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本,将待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。由于可以对任意的预设区域进行多个区域空调运行参数的筛选,进而丰富了待训练样本的地域维度,对不同的预设区域均能够生成对应的空调运行参数预测模型,使得训练出的空调运行参数预测模型更适合预设的区域,从而提高了空调运行参数预测模型对不同区域的适用性。
可选地,电子设备包括:计算机或服务器等。
本公开实施例提供了一种存储介质,存储有程序指令,所述程序指令在运行时,执行上述用于训练空调运行参数预测模型的方法。
本公开实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述用于训练空调运行参数预测模型的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本公开实施例的技术方案可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括一个或多个指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地,如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外,在本公开实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品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。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。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,这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中,不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生,有时不同的操作或步骤之间不存在特定的顺序。例如,两个连续的操作或步骤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,这可以依所涉及的功能而定。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动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。
Claims (11)
1.一种用于训练空调运行参数预测模型的方法,其特征在于,包括:
对若干个第一预设区域进行空调运行参数采集,获得各所述第一预设区域对应的若干个空调运行参数;
获取各所述第一预设区域与第二预设区域之间的距离;
根据各所述距离获取各所述第一预设区域对应的筛选数量;
根据各所述筛选数量对各所述第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;
将所述待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
2.根据权利要求1所述的方法,其特征在于,根据各所述距离获取各所述第一预设区域对应的筛选数量,包括:
按照各所述第一预设区域与第二预设区域之间的距离获取各所述第一预设区域之间的筛选比例;
根据所述筛选比例获取各所述第一预设区域对应的筛选数量。
3.根据权利要求2所述的方法,其特征在于,按照各所述第一预设区域与第二预设区域之间的距离获取各所述第一预设区域之间的筛选比例,包括:
按照预设的筛选比例匹配表对各所述第一预设区域与第二预设区域之间的距离进行查找,获得各所述第一预设区域与第二预设区域之间的距离对应的筛选比例;所述筛选比例匹配表存储有各第一预设区域与第二预设区域之间的距离和筛选比例之间的对应关系。
4.根据权利要求1所述的方法,其特征在于,获得空调运行参数预测模型之后,还包括:
根据所述空调运行参数预测模型获取备选训练样本;
利用所述备选训练样本对所述空调运行参数预测模型进行增量学习。
5.一种用于训练空调运行参数预测模型的装置,其特征在于,包括:
采集模块,被配置为对若干个第一预设区域进行空调运行参数采集,获得各所述第一预设区域对应的若干个空调运行参数;
第一获取模块,被配置为获取各所述第一预设区域与第二预设区域之间的距离;
第二获取模块,被配置为根据各所述距离获取各所述第一预设区域对应的筛选数量;
筛选模块,被配置为根据各所述筛选数量对各所述第一预设区域对应的若干个空调运行参数进行筛选,获得待训练样本;
训练模块,被配置为将所述待训练样本输入预设的初始预测模型进行训练,获得空调运行参数预测模型。
6.根据权利要求5所述的装置,其特征在于,第二获取模块通过以下方式实现根据各所述距离获取各所述第一预设区域对应的筛选数量:
按照各所述第一预设区域与第二预设区域之间的距离获取各所述第一预设区域之间的筛选比例;
根据所述筛选比例获取各所述第一预设区域对应的筛选数量。
7.根据权利要求6所述的装置,其特征在于,第二获取模块通过以下方式实现按照各所述第一预设区域与第二预设区域之间的距离获取各所述第一预设区域之间的筛选比例:
按照预设的筛选比例匹配表对各所述第一预设区域与第二预设区域之间的距离进行查找,获得各所述第一预设区域与第二预设区域之间的距离对应的筛选比例;所述筛选比例匹配表存储有各第一预设区域与第二预设区域之间的距离和筛选比例之间的对应关系。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三获取模块,被配置为根据所述空调运行参数预测模型获取备选训练样本;
增量学习模块,被配置为利用所述备选训练样本对所述空调运行参数预测模型进行增量学习。
9.一种用于训练空调运行参数预测模型的装置,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在运行所述程序指令时,执行如权利要求1至4任一项所述的用于训练空调运行参数预测模型的方法。
10.一种电子设备,其特征在于,包括如权利要求9所述的用于训练空调运行参数预测模型的装置。
11.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时,执行如权利要求1至4任一项所述的用于训练空调运行参数预测模型的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274888.4A CN116066975A (zh) | 2021-10-29 | 2021-10-29 | 用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274888.4A CN116066975A (zh) | 2021-10-29 | 2021-10-29 | 用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116066975A true CN116066975A (zh) | 2023-05-05 |
Family
ID=86182366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274888.4A Pending CN116066975A (zh) | 2021-10-29 | 2021-10-29 | 用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116066975A (zh) |
-
2021
- 2021-10-29 CN CN202111274888.4A patent/CN116066975A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
KR101316486B1 (ko) | 이상 검지 방법 및 시스템 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN109948860A (zh) | 一种机械系统剩余寿命预测方法及系统 | |
Seem | Using intelligent data analysis to detect abnormal energy consumption in buildings | |
CN110352389B (zh) | 信息处理装置及信息处理方法 | |
JP5858839B2 (ja) | 作業機械の異常診断装置 | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
TWI646414B (zh) | 不良原因推定裝置以及不良原因推定方法 | |
KR20080028457A (ko) | 기기 관리 방법, 그 기기 관리 방법에 사용하는 분석시스템 및 분석용 데이터 구조, 그 기기 관리 방법에사용하는 보수 점검 지원 장치 | |
CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN108763040B (zh) | 数据采集方法及数据采集装置 | |
CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN103324155A (zh) | 系统监控 | |
CN107121943B (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN109643484B (zh) | 在预警系统中考虑外部影响来学习最新数据的方法以及用于该方法的系统 | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
KR101886210B1 (ko) | 계측기 신뢰성 평가 장치 및 그의 동작 방법 | |
CN116066975A (zh) | 用于训练空调运行参数预测模型的方法及装置、电子设备、存储介质 | |
CN116562894A (zh) | 车险理赔欺诈风险识别方法、装置、电子设备及存储介质 | |
JP2007026134A (ja) | 異常判定装置 | |
KR20110107481A (ko) | 피로도 센서기반 임베디드 정비관리시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |