CN116089885A - 一种基于随机深度森林的未知故障类型诊断方法 - Google Patents
一种基于随机深度森林的未知故障类型诊断方法 Download PDFInfo
- Publication number
- CN116089885A CN116089885A CN202310142704.1A CN202310142704A CN116089885A CN 116089885 A CN116089885 A CN 116089885A CN 202310142704 A CN202310142704 A CN 202310142704A CN 116089885 A CN116089885 A CN 116089885A
- Authority
- CN
- China
- Prior art keywords
- fault
- air conditioning
- state
- conditioning unit
- sample
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于随机深度森林的未知故障类型诊断方法，基于空调机组对应历史时序下的样本数据，抽取建立多个训练集，分别用于训练各个深度森林模型，获得各个分别关于预设已知故障类型的各空调机组故障诊断模型；进而针对空调机组对应目标时间下的检测数据进行应用，根据各诊断状态之间一致性的判断，实现空调机组对应目标时间的诊断，即实现了已知故障与未知故障的精确诊断，相比之其他可诊断未知故障类型的方法，有独特的优势，解决了因人们对系统物理机理和经验方面缺失所带来未知故障问题，以及传统方法无法检测未知故障类型的情况，保证实际工作的稳定性。
Description
技术领域
本发明涉及一种基于随机深度森林的未知故障类型诊断方法，属于空调机组故障诊断技术领域。
背景技术
暖通空调系统在建筑物总能耗中的占比最高，约为50％-60％，在暖通空调中大约42％的制冷能耗、以及26％的维修费用是设备故障造成。据估计，暖通空调故障诊断可以减少10％-40％的能源消耗。作为暖通空调系统的重要子系统，空调机组被用于将室内空气调节到适宜温度，该系统由冷却盘管，风扇等设备组成，空调机组中的设备相互耦合，实现对于室内温度、湿度等的控制，以满足人们的舒适度需求。目前的工作都集中于已知故障类型的诊断，对于未知故障类型诊断的研究还比较少，并且已知故障类型在目前的方法中会被误诊为正常状态或者已知故障类型，造成无法正确定位故障，找到故障原因，造成严重后果。
发明内容
本发明所要解决的技术问题是提供一种基于随机深度森林的未知故障类型诊断方法，采用全新设计架构，能够针对空调机组，实现未知故障的诊断，保证实际工作的稳定性。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于随机深度森林的未知故障类型诊断方法，按如下步骤A至步骤C，获得各空调机组故障诊断模型；然后按如下步骤i至步骤ii，实现空调机组对应目标时间的诊断；
步骤A.基于空调机组分别对应正常状态、以及预设各类型故障状态的各样本历史时间点，获得各样本历史时间点下、空调机组上指定各故障特征检测数据组成的特征向量，并基于样本历史时间点下特征向量、结合对应状态构成样本，获得各样本历史时间点分别对应的样本，然后进入步骤B；其中，空调机组对应任意状态下的样本历史时间点的数量均大于预设用于诊断未知故障的深度森林数量M，且M大于1；
步骤B.由全部样本中抽取M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本，然后进入步骤C；
步骤C.由M个训练集分别针对预设M个深度森林模型进行训练，获得各训练集分别对应训练后的深度森林模型，即各空调机组故障诊断模型；
步骤i.采集目标时间下、空调机组上指定各故障特征检测数据组成的特征向量，作为目标特征向量，并进入步骤ii；
步骤ii.基于目标特征向量作为输入，分别应用各空调机组故障诊断模型，获得各空调机组故障诊断模型分别输出的诊断状态，并判断各诊断状态是否一致，是则确认空调机组对应目标时间的状态，实现空调机组诊断；否则确认空调机组对应目标时间出现预设各类型故障状态以外的未知故障状态。
作为本发明的一种优选技术方案：所述预设深度森林模型包括自输入端至输出端依次相连的多粒度扫描和级联森林，多粒度扫描执行中，首先应用预设不同大小的各采样窗口分别对输入的特征向量进行采样，并结合各采样窗口分别一一对应由随机森林和完全随机森林组成的森林模型，将各采样窗口分别所获采样特征向量输送至对应的森林模型中，森林模型中的随机森林和完全随机森林分别针对所接收采样特征向量进行处理获得结果特征向量，并将两结果特征向量进行拼接获得高纬特征向量，即获得各森林模型分别输出的高纬特征向量，并向级联森林进行输送。
作为本发明的一种优选技术方案：所述级联森林接收来自多粒度扫描的高纬特征向量，级联森林执行中每一层的输出依次与多粒度扫描中各森林模型的其中一个高纬特征向量进行拼接，形成一个新特征向量，并将其转移到下一层。
作为本发明的一种优选技术方案：关于步骤ii中，确认空调机组对应目标时间出现预设各类型故障状态以外的未知故障状态后，以各诊断状态发生位置的交集作为未知故障状态的位置，以各诊断状态发生原因的交集作为未知故障状态的发生原因。
作为本发明的一种优选技术方案：所述步骤B中，基于全部样本、以及对[0,1]均分的M个数值区间，分别针对空调机组对应的各个状态作为待分析状态，执行如下步骤B1至步骤B8，实现待分析状态下各样本向各数值区间的分配，即获得M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本；
步骤B1.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第一取值范围，进入步骤B2；
步骤B2.在第一取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B3；
步骤B3.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则返回步骤B2；否则将该样本分配到该数值区间中，然后进入步骤B4；其中，N表示待分析状态下样本的数量，
表示向下取整；
步骤B4.判断待分析状态下未分配样本的数量是否大于
的结果，是则返回步骤B1；否则进入步骤B5；
步骤B5.判断待分析状态下未分配样本的数量是否等于0，是则结束关于待分析状态下各样本的分配；否则进入步骤B6；
步骤B6.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第二取值范围，进入步骤B7；
步骤B7.在第二取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B8；
步骤B8.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则返回步骤B7；否则将该样本分配到该数值区间中，然后返回步骤B5；其中，
表示向上取整。
作为本发明的一种优选技术方案：所述步骤B3中，基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量达到
时，剔除第一取值范围中的该数值区间，更新第一取值范围，并返回步骤B2；
所述步骤B8中，基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量达到
时，剔除第二取值范围中的该数值区间，更新第二取值范围，并返回步骤B7。
作为本发明的一种优选技术方案：所述步骤A中指定各故障特征包括空气流量
送风风扇的压降
送风温度Ta,sup、送风流量
风扇功率Qsf、混风温度Ta,mix、冷却盘管阀门开度θvlv,cc、回风温度Ta,rn、回风流量
本发明所述一种基于随机深度森林的未知故障类型诊断方法，采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明所设计基于随机深度森林的未知故障类型诊断方法，基于空调机组对应历史时序下的样本数据，抽取建立多个训练集，分别用于训练各个深度森林模型，获得各个分别关于预设已知故障类型检测的各空调机组故障诊断模型；进而针对空调机组对应目标时间下的检测数据进行应用，根据各诊断状态之间一致性的判断，实现空调机组对应目标时间的诊断，即实现了已知故障与未知故障的精确诊断，相比之其他可诊断未知故障类型的方法，有独特的优势，解决了因人们对系统物理机理和经验方面缺失所带来未知故障问题，以及传统方法无法检测未知故障类型的情况，保证实际工作的稳定性。
附图说明
图1是本发明设计基于随机深度森林的未知故障类型诊断方法的过程示意图；
图2是本发明设计中深度森林中多粒度扫描和级联森林的结构示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种基于随机深度森林的未知故障类型诊断方法，实际应用当中，如图1所示，具体设计按如下步骤A至步骤C，获得各空调机组故障诊断模型。
步骤A.基于空调机组分别对应正常状态、以及预设各类型故障状态的各样本历史时间点，获得各样本历史时间点下、空调机组上指定各故障特征检测数据组成的特征向量，并基于样本历史时间点下特征向量、结合对应状态构成样本，获得各样本历史时间点分别对应的样本，然后进入步骤B；其中，空调机组对应任意状态下的样本历史时间点的数量均大于预设用于诊断未知故障的深度森林数量M，且M大于1。
实际应用当中，空调机组的主要设备冷却盘管和送风风扇等的各个传感器的读数，包括冷冻水的流量
冷冻水的送水温度Tchw,sup、冷冻水的回水温度Tchw,rn、冷却盘管阀门开度θvlv,cc、空气流量
混风流量
送风流量
混风温度Ta,mix、送风温度Ta,sup、送风风扇的压降
以及风扇的功率Qsf；以及某些设备参数，包括送风风扇的压降.ΔPsf,des.、送风温度的设定值Tsup,spt、送风风量的设计值
在关于步骤A的实施例应用当中，这里所选择指定各故障特征设计采用十个故障特征，具体为空气流量
送风风扇的压降
送风温度Ta,sup、送风流量
风扇功率Qsf、混风温度Ta,mix、冷却盘管阀门开度θvlv,cc、回风温度Ta,rn、回风流量
步骤B.由全部样本中抽取M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本，然后进入步骤C。
实际应用当中，上述步骤B中，基于全部样本、以及对[0,1]均分的M个数值区间，分别针对空调机组对应的各个状态作为待分析状态，执行如下步骤B1至步骤B8，实现待分析状态下各样本向各数值区间的分配，即获得M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本。
步骤B1.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第一取值范围，进入步骤B2。
步骤B2.在第一取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B3。
步骤B3.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则剔除第一取值范围中的该数值区间，更新第一取值范围，并返回步骤B2；否则将该样本分配到该数值区间中，然后进入步骤B4；其中，N表示待分析状态下样本的数量，
表示向下取整。
步骤B4.判断待分析状态下未分配样本的数量是否大于
的结果，是则返回步骤B1；否则进入步骤B5。
步骤B5.判断待分析状态下未分配样本的数量是否等于0，是则结束关于待分析状态下各样本的分配；否则进入步骤B6。
步骤B6.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第二取值范围，进入步骤B7。
步骤B7.在第二取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B8。
步骤B8.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则剔除第二取值范围中的该数值区间，更新第二取值范围，并返回步骤B7；否则将该样本分配到该数值区间中，然后返回步骤B5；其中，
表示向上取整。
步骤C.由M个训练集分别针对预设M个深度森林模型进行训练，获得各训练集分别对应训练后的深度森林模型，即各空调机组故障诊断模型。
实际应用当中，这里所述预设深度森林模型包括自输入端至输出端依次相连的多粒度扫描和级联森林，粒度扫描作为深度森林的第一部分，多粒度扫描被设计用来增强数据的特性。
多粒度扫描执行中，首先应用预设不同大小的各采样窗口分别对输入的特征向量进行采样，并结合各采样窗口分别一一对应由随机森林和完全随机森林组成的森林模型，将各采样窗口分别所获采样特征向量输送至对应的森林模型中，森林模型中的随机森林和完全随机森林分别针对所接收采样特征向量进行处理获得结果特征向量，并将两结果特征向量进行拼接获得高纬特征向量，即获得各森林模型分别输出的高纬特征向量，并向级联森林进行输送。
本专利中使用了2维和3维两种窗口，采用3维窗口的多粒度扫描的过程如图2所示，联系实施例所涉及考虑的10个故障特征，即考虑到故障特征为10维，因此深度森林的输入序列为10维(m＝10)，因为扫描窗口为3维(q＝3)。根据下面的公式可以计算，当移动窗口以一维(k＝1)滑动时，可以产生8个实例(S＝8)，因为扫描窗口有3维，所以每个实例有3维。
然后，如图2所示，将产生的这8个实例输入随机森林B1与完全随机森林B2。因为输出总共分为14类，因此每个实例输入一个随机森林都会产生14个输出。因此，8个实例输入B1总共产生8×14＝112个输出。类似的，将产生的这8个实例输入完全随机森林B2中也会产生112个输出。也就是说，通过B1和B2，原来的数据被增强为224维的特征向量。类似的，当采用大小为2维的扫描窗口，可以得到252维的特征向量，接着，需要用级联森林来实现对数据特征的逐层迭代。
如图2所示，级联森林接收来自多粒度扫描的高纬特征向量，级联森林执行中每一层的输出依次与多粒度扫描中各森林模型的其中一个高纬特征向量进行拼接，形成一个新特征向量，并将其转移到下一层。比如，将多粒度扫描中通过森林A得到的252维的特征向量输入到级联森林中。这个252维的向量作为四个森林的输入。因为，总共要把数据分为14类，因此每个森林的输出也是14。这样四个森林总共得到4×14＝56的输出到层1。然后，将多粒度扫描中通过森林A得到的252维的特征向量直接拼接到这个56维的特征向量上。最终可以得到一个308维的特征向量，这个就是图2中的层1。类似的，可以得到层2,…,层N。
此外，由于决策树和随机森林可以判断各层之间的熵增，级联森林将能够自适应地确定层数。当增加层数不能明显提高分类效果时，将停止增加层数，并综合分析每个随机森林的分类结果，并提出最终分类结果。
基于上述所获各空调机组故障诊断模型，接着按如下步骤i至步骤ii，实现空调机组对应目标时间的诊断。
步骤i.采集目标时间下、空调机组上指定各故障特征检测数据组成的特征向量，作为目标特征向量，并进入步骤ii。
步骤ii.基于目标特征向量作为输入，分别应用各空调机组故障诊断模型，获得各空调机组故障诊断模型分别输出的诊断状态，并判断各诊断状态是否一致，是则确认空调机组对应目标时间的状态，实现空调机组诊断；否则确认空调机组对应目标时间出现预设各类型故障状态以外的未知故障状态，之后结合经验以及物理机理，实现对于未知故障的诊断，以各诊断状态发生位置的交集作为未知故障状态的位置，以各诊断状态发生原因的交集作为未知故障状态的发生原因。
实际应用中，诸如基于所产生的的三个空调机组故障诊断模型执行上述步骤ii，这三个空调机组故障诊断模型可能对未知故障f14(回风风扇卡在固定速度)的数据产生不同的分类结果。比如当f7(回风风扇彻底损坏)故障发生，空调机组故障诊断模型1判断f7发生的概率为0.8，是其所有类别中最大的，所以该已知类型故障被分类为f7，同样的，空调机组故障诊断模型2在诊断该已知故障时，同样能够以0.85的概率判断该已知故障类型为f7，同理空调机组故障诊断模型3也判断发生的故障为已知故障类型f7，由此可见，在面对已知故障时，不同的空调机组故障诊断模型能够给出统一的结论。但是，在未知故障f14发生时，由于空调机组故障诊断模型1、空调机组故障诊断模型2和空调机组故障诊断模型3并未学习该未知故障f14的特征信息，所以在基于未知故障类型数据做分类时，各个类别的概率相差不大，诸如空调机组故障诊断模型1判断其为f7的概率是0.35，是所有概率中最高的，因此空调机组故障诊断模型1将该未知故障判断为f7，类似的，空调机组故障诊断模型2在面对f14时，判断f8的概率为0.4是最大的，因此空调机组故障诊断模型2判断的结果是f8，而空调机组故障诊断模型3在面对f14时，判断f9的概率为0.5是最大的，因此空调机组故障诊断模型2判断的结果是f9。因此，这三个空调机组故障诊断模型在面对未知类型故障f14的时候，给出的判断结果不一致。此时，可以认为未知故障发生了，进而以各诊断状态发生位置的交集作为未知故障状态的位置，以各诊断状态发生原因的交集作为未知故障状态的发生原因。
上述技术方案所设计基于随机深度森林的未知故障类型诊断方法，基于空调机组对应历史时序下的样本数据，抽取建立多个训练集，分别用于训练各个深度森林模型，获得各个分别关于预设已知故障类型检测的各空调机组故障诊断模型；进而针对空调机组对应目标时间下的检测数据进行应用，根据各诊断状态之间一致性的判断，实现空调机组对应目标时间的诊断，即实现了已知故障与未知故障的精确诊断，相比之其他方法，有独特的优势，解决了因人们对系统物理机理和经验方面缺失所带来未知故障问题，以及传统方法无法检测未知故障类型的情况，保证实际工作的稳定性。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于随机深度森林的未知故障类型诊断方法，其特征在于：按如下步骤A至步骤C，获得各空调机组故障诊断模型；然后按如下步骤i至步骤ii，实现空调机组对应目标时间的诊断；
步骤A.基于空调机组分别对应正常状态、以及预设各类型故障状态的各样本历史时间点，获得各样本历史时间点下、空调机组上指定各故障特征检测数据组成的特征向量，并基于样本历史时间点下特征向量、结合对应状态构成样本，获得各样本历史时间点分别对应的样本，然后进入步骤B；其中，空调机组对应任意状态下的样本历史时间点的数量均大于预设用于诊断未知故障的深度森林数量M，且M大于1；
步骤B.由全部样本中抽取M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本，然后进入步骤C；
步骤C.由M个训练集分别针对预设M个深度森林模型进行训练，获得各训练集分别对应训练后的深度森林模型，即各空调机组故障诊断模型；
步骤i.采集目标时间下、空调机组上指定各故障特征检测数据组成的特征向量，作为目标特征向量，并进入步骤ii；
步骤ii.基于目标特征向量作为输入，分别应用各空调机组故障诊断模型，获得各空调机组故障诊断模型分别输出的诊断状态，并判断各诊断状态是否一致，是则确认空调机组对应目标时间的状态，实现空调机组对于已知故障类型的诊断；否则确认空调机组对应目标时间出现预设各类型故障状态以外的未知故障状态，以实现对于未知故障类型的检测。
2.根据权利要求1所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：所述预设深度森林模型包括自输入端至输出端依次相连的多粒度扫描和级联森林，多粒度扫描执行中，首先应用预设不同大小的各采样窗口分别对输入的特征向量进行采样，并结合各采样窗口分别一一对应由随机森林和完全随机森林组成的森林模型，将各采样窗口分别所获采样特征向量输送至对应的森林模型中，森林模型中的随机森林和完全随机森林分别针对所接收采样特征向量进行处理获得结果特征向量，并将两结果特征向量进行拼接获得高纬特征向量，即获得各森林模型分别输出的高纬特征向量，并向级联森林进行输送。
3.根据权利要求2所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：所述级联森林接收来自多粒度扫描的高纬特征向量，级联森林执行中每一层的输出依次与多粒度扫描中各森林模型的其中一个高纬特征向量进行拼接，形成一个新特征向量，并将其转移到下一层。
4.根据权利要求1所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：关于步骤ii中，确认空调机组对应目标时间出现预设各类型故障状态以外的未知故障状态后，以各诊断状态发生位置的交集作为未知故障状态的位置，以各诊断状态发生原因的交集作为未知故障状态的发生原因。
5.根据权利要求1所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：所述步骤B中，基于全部样本、以及对[0,1]均分的M个数值区间，分别针对空调机组对应的各个状态作为待分析状态，执行如下步骤B1至步骤B8，实现待分析状态下各样本向各数值区间的分配，即获得M个彼此独立、且彼此满足数据平衡的训练集，以及各训练集分别均包含对应正常状态、以及预设各类型故障状态的样本；
步骤B1.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第一取值范围，进入步骤B2；
步骤B2.在第一取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B3；
步骤B3.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则返回步骤B2；否则将该样本分配到该数值区间中，然后进入步骤B4；其中，N表示待分析状态下样本的数量，
表示向下取整；
步骤B4.判断待分析状态下未分配样本的数量是否大于
的结果，是则返回步骤B1；否则进入步骤B5；
步骤B5.判断待分析状态下未分配样本的数量是否等于0，是则结束关于待分析状态下各样本的分配；否则进入步骤B6；
步骤B6.随机选择待分析状态下的一个未分配的样本，并定义[0,1]为第二取值范围，进入步骤B7；
步骤B7.在第二取值范围中随机产生一个随机数，与该样本相对应，并进入步骤B8；
步骤B8.基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量是否达到
是则返回步骤B7；否则将该样本分配到该数值区间中，然后返回步骤B5；其中，
表示向上取整。
6.根据权利要求5所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：所述步骤B3中，基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量达到
时，剔除第一取值范围中的该数值区间，更新第一取值范围，并返回步骤B2；
所述步骤B8中，基于M个数值区间，判断该样本所对应随机数所属数值区间中对应待分析状态的样本数量达到
时，剔除第二取值范围中的该数值区间，更新第二取值范围，并返回步骤B7。
7.根据权利要求1所述一种基于随机深度森林的未知故障类型诊断方法，其特征在于：所述步骤A中指定各故障特征包括空气流量
送风风扇的压降
送风温度Ta,sup、送风流量
风扇功率Qsf、混风温度Ta,mix、冷却盘管阀门开度θvlv,cc、回风温度Ta,rn、回风流量
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310142704.1A CN116089885A (zh) | 2023-02-21 | 2023-02-21 | 一种基于随机深度森林的未知故障类型诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310142704.1A CN116089885A (zh) | 2023-02-21 | 2023-02-21 | 一种基于随机深度森林的未知故障类型诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116089885A true CN116089885A (zh) | 2023-05-09 |
Family
ID=86212030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310142704.1A Pending CN116089885A (zh) | 2023-02-21 | 2023-02-21 | 一种基于随机深度森林的未知故障类型诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116089885A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055537A (zh) * | 2023-10-12 | 2023-11-14 | 深圳丰汇汽车电子有限公司 | 一种基于物联网的摩托车电控系统故障诊断方法 |
| CN117592571A (zh) * | 2023-12-05 | 2024-02-23 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
-
2023
- 2023-02-21 CN CN202310142704.1A patent/CN116089885A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055537A (zh) * | 2023-10-12 | 2023-11-14 | 深圳丰汇汽车电子有限公司 | 一种基于物联网的摩托车电控系统故障诊断方法 |
| CN117055537B (zh) * | 2023-10-12 | 2024-01-02 | 深圳丰汇汽车电子有限公司 | 一种基于物联网的摩托车电控系统故障诊断方法 |
| CN117592571A (zh) * | 2023-12-05 | 2024-02-23 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
| CN117592571B (zh) * | 2023-12-05 | 2024-05-17 | 武汉华康世纪医疗股份有限公司 | 基于大数据的空调机组故障类型诊断方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116089885A (zh) | 一种基于随机深度森林的未知故障类型诊断方法 | |
| CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
| CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN109918708B (zh) | 一种基于异质集成学习的材料性能预测模型构建方法 | |
| KR102139358B1 (ko) | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 | |
| CN104008427A (zh) | 基于bp神经网络的中央空调冷负荷的预测方法 | |
| CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
| CN108375474A (zh) | 一种航空发动机过渡态关键性能参数预测方法 | |
| CN105204438B (zh) | 一种面向缸盖零件的加工质量控制方法 | |
| CN111080039B (zh) | 一种风机集群故障预测方法及系统 | |
| CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
| Markovic et al. | Learning short-term past as predictor of window opening-related human behavior in commercial buildings | |
| CN1369902A (zh) | 自适应等离子体表征系统 | |
| CN114819102A (zh) | 基于gru的空调设备故障诊断方法 | |
| Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
| CN111221249B (zh) | 一种用于数据中心系统群控的参数优化的方法 | |
| CN112070317A (zh) | 酒店空调能耗预测方法 | |
| CN115511100A (zh) | 一种基于环境温度相关数据学习的空调负荷回归预测方法 | |
| CN105389442A (zh) | 一种耦合遗传算法、神经网络与数值模拟的反向设计方法 | |
| US20210117861A1 (en) | Machine learning variable selection and root cause discovery by cumulative prediction | |
| Hobson et al. | Wi-Fi Based Occupancy Clustering and Motif Identification: A Case Study. | |
| CN113239654A (zh) | 基于fig和ipso算法的igbt剩余寿命预测方法 | |
| CN110927478B (zh) | 一种确定电力系统变压器设备的状态的方法和系统 | |
| CN117113185A (zh) | 一种基于残差多维泰勒网的暖通空调故障诊断方法 | |
| CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 |
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 |