CN116150601A - 空调压缩机故障诊断方法及系统 - Google Patents
空调压缩机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116150601A CN116150601A CN202211618022.5A CN202211618022A CN116150601A CN 116150601 A CN116150601 A CN 116150601A CN 202211618022 A CN202211618022 A CN 202211618022A CN 116150601 A CN116150601 A CN 116150601A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- air conditioner
- conditioner compressor
- fault
- data set
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- 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)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明关于空调压缩机故障诊断方法及系统,涉及空调压缩机故障诊断技术领域。该方法包括:获取空调压缩机工况数据组;建立故障诊断模型,故障诊断模型为基于神经网络的机器学习模型;将空调压缩机工况数据组输入故障诊断模型,输出得到故障诊断结果;对故障诊断结果进行存储,并基于故障诊断结果生成故障处理数据,故障处理数据用于指导与记录对故障的处理。针对空调压缩机使用过程当中的参数是非线性、非平稳的信号的情况,应用LSTM网络以及支持向量机的组合对于参数特征进行深度挖掘,使得最终输出的对于故障的预测结果更为精准,提高了对于空调压缩机故障诊断的准确率。
Description
技术领域
本发明涉及空调压缩机故障诊断技术领域,特别涉及空调压缩机故障诊断方法及系统。
背景技术
随着空调的广泛使用,空调系统在运行过程中经常会产生一些故障,如果不能及时发现处理故障,会影响设备运行效率,长时间会导致设备损坏,影响车间生产,也可能由于温度过高导致火灾,造成的损失不可估量,严重的话还会有人员伤亡事件发生。而压缩机是整个空调系统运行过程中最核心的部件,它的运行状态决定了整个空调系统是否正常安全运行,所以需要对空调压缩机的实时运行参数进行监测,在此基础上进一步的分析诊断压缩机故障,便于日后对设备及时维护保养,可以增加压缩机的使用寿命,提高产品的质量,减少在生产过程中可能会产生的额外经济成本,降低系统维护难度。
相关技术当中,受到经济和技术的限制,通常对于压缩机的故障诊断都是通过直观监测的方式进行的。工作人员依赖人工视觉、听觉以及自身经验判断压缩机存在的问题,或是结合采用机器学习的算法构建的数据预测模型,对于空调压缩机产生的参数进行预测。
然而,工作人员依赖人工视觉、听觉进行压缩机问题的判断方式仅能得到主观性较强的结果,而由于空调压缩机参数是非线性、非平稳性的信号,数据分析过程复杂,传统的机器学习算法模型预测精度与速度均无法达到要求。因此,相关技术对于空调压缩机故障诊断的准确率较差。
发明内容
本发明的目的在于克服已有技术中存在的不足,从而提供空调压缩机故障诊断方法及系统,提高对于空调压缩机故障诊断的准确率。该技术方案如下:
一方面,提供了一种空调压缩机故障诊断方法,该方法包括:
获取空调压缩机工况数据组,空调压缩机工况数据组中包括至少两类空调压缩机工况数据,压缩机工况数据包括温度、压力以及湿度中的至少一种;
建立故障诊断模型,故障诊断模型为基于神经网络的机器学习模型,故障诊断模型中包括改进型长短期记忆网络(Long Short-Term Memory,LSTM)网络模块以及支持向量机模块;
将空调压缩机工况数据组输入故障诊断模型,输出得到故障诊断结果,故障诊断结果用于指示空调压缩机的故障存在情况以及故障类型;
对故障诊断结果进行存储,并基于故障诊断结果生成故障处理数据,故障处理数据用于指导与记录对故障的处理。
另一方面,提供了一种空调压缩机故障诊断系统,该空调压缩机故障诊断系统用于执行如上所述的空调压缩机故障诊断方法。
本发明提供的技术方案带来的有益效果至少包括:
在进行空调压缩机的工况数据采集之后,进行基于改进型LSTM网络以及支持向量机的故障诊断模型的建立,并在模型建立完成之后,将工况数据组输入模型当中,得到对于故障类型的诊断结果。针对空调压缩机使用过程当中的参数是非线性、非平稳的信号的情况,应用LSTM网络以及支持向量机的组合对于参数特征进行深度挖掘,使得最终输出的对于故障的预测结果更为精准,提高了对于空调压缩机故障诊断的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一个示例性实施例提供的一种空调压缩机故障诊断系统的结构示意图。
图2示出了本申请一个示例性实施例提供的一种空调压缩机故障诊断方法的流程示意图。
图3示出了本申请另一个示例性实施例提供的一种空调压缩机故障诊断方法的流程示意图。
图4示出了本申请一个示例性实施例提供的一种LSTM模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在本申请实施例中,空调压缩机故障诊断方法需要借助空调压缩机故障诊断系统完成。可选地,请参考图1,空调压缩机故障诊断系统包括监控模块110以及后台服务模块120,其中,监控模块能够实现的功能为汇报实时故障、记录历史故障以及进行故障报警,后台服务模块能够实现的功能为建立故障诊断模型并进行数据库管理。可选地,监控模块以及后台服务模块能够集成为同一台计算机设备,或,监控模块与后台服务模块能够分别实现为一台计算机设备,或,监控模块与后台服务模块均实现为后台服务器与前台终端设备的组合。本申请对于监控模块与后台服务模块的实际实现及硬件组态形式不做限定。
图2示出了本申请一个示例性实施例提供的一种空调压缩机故障诊断方法的流程示意图,以该方法应用于如图1所示的空调压缩机故障诊断系统中为例进行说明,该方法包括:
步骤201,获取空调压缩机工况数据组。
需要说明的是,本申请实施例提供的方法需要通过计算机设备进行执行,该计算机设备即为图1所示实施例中,与后台服务模块对应的设备。可选地,步骤201至步骤203所示的过程即体现了后台服务模块的执行流程。在本过程中,空调压缩机工况数据组由图1中所示的监控模块获取。
在本申请实施例中,空调压缩机工况数据组中包括至少两类空调压缩机工况数据,压缩机工况数据包括温度、压力以及湿度中的至少一种。
可选地,空调压缩机工况数据体现了空调压缩机在运行过程中的预设时间段内,诸如温度、压力以及湿度等工况数据随着时间变化的曲线。
步骤202,建立故障诊断模型
需要说明的是,故障诊断模型为基于神经网络的机器学习模型。
在本申请实施例中,故障诊断模型为基于神经网络的机器学习模型;故障诊断模型中包括改进型LSTM网络模块以及支持向量机模块。其中,LSTM模块中用于通过卷积神经网络进行高阶信息提取,并通过LSTM神经网络进行序列化特征向量的生成。之后,支持向量机模块对于序列化特征进行处理,以进行结果输出。可选地,本申请实施例的改进型为针对传统LSTM网络记忆力差的特点进行的改进。
需要说明的是,在本申请实施例中,步骤202所对应的过程与步骤201所对应过程的执行时序不被限定。
步骤203,将空调压缩机工况数据组输入故障诊断模型,输出得到故障诊断结果。
在本申请实施例中,故障诊断结果用于指示所述空调压缩机的故障存在情况以及故障类型。可选地,在本申请实施例中,故障诊断类型实现为文本形式,例如,文本内容中包括制冷剂泄漏、冷凝器故障、原油过剩、制冷剂过剩等四类典型的故障类型。
步骤204,对故障诊断结果进行存储,并基于故障诊断结果生成故障处理数据
在本申请实施例中,故障处理数据用于指导与记录对故障的处理
步骤204为基于故障诊断系统的后续处理流程。
综上所述,本申请实施例提供的方法,在进行空调压缩机的工况数据采集之后,进行基于改进型LSTM网络以及支持向量机的故障诊断模型的建立,并在模型建立完成之后,将工况数据组输入模型当中,得到对于故障类型的诊断结果。针对空调压缩机使用过程当中的参数是非线性、非平稳的信号的情况,应用LSTM网络以及支持向量机的组合对于参数特征进行深度挖掘,使得最终输出的对于故障的预测结果更为精准,提高了对于空调压缩机故障诊断的准确率。
图3示出了本申请一个示例性实施例提供的另一种空调压缩机故障诊断方法的流程示意图,以该方法应用于如图1所示的空调压缩机故障诊断系统中为例进行说明,该方法包括:
步骤301,构建故障诊断初始模型。
步骤301至步骤303为故障诊断模型的建立与训练过程。在本申请实施例所述的构建故障诊断模型的过程中,首先将根据原始参数,构建初始诊断模型的基本结构。在本申请实施例中,故障诊断模型包括LSTM模块以及支持向量机模块。其中,请参考图4,LSTM模块内包括依次连接的输入层410、卷积神经网络层420、第一全连接层430、LSTM层440、第二全连接层450以及输出层460。
在本申请实施例中,LSTM层包括依次连接的输入门、遗忘门、输出门、更新记忆单元、记忆单元以及隐藏信息处理单元。对应的计算公式如下:
a、输入门:
it=σ(wi·[ht-1,xt]+bi)
其中,it表示t时刻的输入门的输出,xt表示x是t时刻的输入向量,σ表示sigmoid激活函数,wi表示输入门细胞状态,bi表示输入门对应的系数,ht-1表示记忆单元输入的隐含信息;
b、遗忘门:
ft=wf·[ht-1,xt]+bf
其中,ft表示t时刻的遗忘门的输出,wf表示遗忘门细胞状态,bf表示遗忘门对应的系数;
c、输出门:
ot=σ(wo·[ht-1,xt]+bo)
其中,ot表示t时刻的输出门的输出,wo表示输出门细胞状态,bo表示输出门对应的系数;
d、更新记忆单元:
e、记忆单元:
其中,ct表示t时刻的记忆单元,ct-1表示上一时刻记忆丢弃的信息;
f、隐藏信息:
ht=ot-tanhct
其中,ht表示记忆单元输出隐含信息。
步骤302,获取样本数据组。
样本数据组标注有样本故障类型。
步骤302所示的过程为样本数据组的训练过程。在该过程当中,计算机设备将会进行样本数据组的获取,样本数据组即是以确定了对应故障诊断结果的数据组。在获取了样本数据组以及与其对应的样本数据后,即进入模型的训练与调整过程。
步骤303,通过样本数据组对故障诊断初始模型进行训练,得到故障诊断模型。
在本申请实施例,样本数据组将会被输入故障诊断初始模型中,并输出得到初始预测样本故障类型,该初始预测样本故障类型能够直接与样本故障类型进行比对。在此情况下,当初始预测样本故障类型与样本故障类型存在差异时,即能够对于初始故障诊断模型进行调整。可选地,响应于调整次数达到调整次数阈值,或样本故障类型比对结果指示初始预测样本故障类型与样本预测类型小于差异阈值,可视为调整完成,并确定故障诊断模型。
步骤304,获取空调压缩机工况数据组。
该过程与步骤201所述的过程相同,在此不作赘述。可选地,结合空调压缩机故障诊断系统中包括监控模块的情况,空调压缩机工况数据组由监控模块获得。可选地,监控模块为web监控模块。在一个示例中,利用传感器采集空调压缩机运行过程中的关键数据,并将数据上传至web端,web接收采集的数据,进行存储、处理分析、报警提示,存储即空调压缩机故障诊断结果存至数据库。
步骤305,将空调压缩机工况数据组输入故障诊断模型。
步骤306,通过LSTM模块对空调压缩机工况数据组进行处理,得到序列化向量。
步骤307,通过支持向量机模块对序列化向量进行处理,输出得到故障诊断结果。
步骤306至步骤307即对应步骤203的故障诊断结果生成过程。
步骤308,响应于故障诊断结果指示与空调压缩机工况数据组对应的目标空调压缩机存在故障,生成报警信息。
在本申请实施例中,报警信息用于以可视化方式执行报警提示。
综上所述,本申请实施例提供的方法,在进行空调压缩机的工况数据采集之后,进行基于改进型LSTM网络以及支持向量机的故障诊断模型的建立,并在模型建立完成之后,将工况数据组输入模型当中,得到对于故障类型的诊断结果。针对空调压缩机使用过程当中的参数是非线性、非平稳的信号的情况,应用LSTM网络以及支持向量机的组合对于参数特征进行深度挖掘,使得最终输出的对于故障的预测结果更为精准,提高了对于空调压缩机故障诊断的准确率。
上述仅为本发明的可选实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种空调压缩机故障诊断方法,其特征在于,所述方法应用于计算机设备中,所述方法包括:
获取空调压缩机工况数据组,所述空调压缩机工况数据组中包括至少两类空调压缩机工况数据,所述压缩机工况数据包括温度、压力以及湿度中的至少一种;
建立故障诊断模型,所述故障诊断模型为基于神经网络的机器学习模型,所述故障诊断模型中包括改进型长短期记忆网络LSTM网络模块以及支持向量机模块;
将所述空调压缩机工况数据组输入故障诊断模型,输出得到故障诊断结果,所述故障诊断结果用于指示所述空调压缩机的故障存在情况以及故障类型;
对所述故障诊断结果进行存储,并基于所述故障诊断结果生成故障处理数据,所述故障处理数据用于指导与记录对故障的处理。
2.根据权利要求1所述的方法,其特征在于,所述将所述空调压缩机工况数据组输入故障诊断模型,输出得到故障诊断结果,包括:
将所述空调压缩机工况数据组输入所述故障诊断模型;
通过所述LSTM模块对所述空调压缩机工况数据组进行处理,得到序列化向量;
通过所述支持向量机模块对所述序列化向量进行处理,输出得到所述故障诊断结果。
3.根据权利要求1所述的方法,其特征在于,所述LSTM网络模块包括依次连接的输入层、卷积神经网络层、第一全连接层、LSTM层、第二全连接层以及输出层。
4.根据权利要求3所述的方法,其特征在于,所述LSTM层包括依次连接的输入门、遗忘门、输出门、更新记忆单元、记忆单元以及隐藏信息处理单元。
5.根据权利要求3所述的方法,其特征在于,所述卷积神经网络层与所述LSTM层对应有相同的初始权值。
6.根据权利要求1所述的方法,其特征在于,所述建立故障诊断模型,包括:
构建故障诊断初始模型;
获取样本数据组,所述样本数据组标注有样本故障类型;
通过所述样本数据组对所述故障诊断初始模型进行训练,得到所述故障诊断模型。
7.根据权利要求6所述的方法,其特征在于,所述通过所述样本数据组对所述故障诊断初始模型进行训练,得到所述故障诊断模型包括:
将所述样本数据组输入所述故障诊断初始模型,输出得到初始预测样本故障类型;
将所述初始预测样本故障类型与所述样本故障类型进行比对,得到样本故障类型比对结果;
基于所述样本故障类型比对结果对所述故障诊断初始模型进行调整;
响应于所述调整次数达到调整次数阈值,或所述样本故障类型比对结果指示所述初始预测样本故障类型与所述样本预测类型小于差异阈值,确定所述故障诊断模型。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于所述故障诊断结果指示与所述空调压缩机工况数据组对应的目标空调压缩机存在故障,生成报警信息,所述报警信息用于以可视化方式执行报警提示。
9.一种空调压缩机故障诊断系统,其特征在于,所述空调压缩机故障诊断系统用于执行如权利要求1至8任一所述的空调压缩机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618022.5A CN116150601A (zh) | 2022-12-15 | 2022-12-15 | 空调压缩机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211618022.5A CN116150601A (zh) | 2022-12-15 | 2022-12-15 | 空调压缩机故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116150601A true CN116150601A (zh) | 2023-05-23 |
Family
ID=86356624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211618022.5A Pending CN116150601A (zh) | 2022-12-15 | 2022-12-15 | 空调压缩机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116150601A (zh) |
-
2022
- 2022-12-15 CN CN202211618022.5A patent/CN116150601A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340238B (zh) | 一种工业系统的故障诊断方法、装置、设备及存储介质 | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
CN111639430A (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
CN112529320A (zh) | 空压机集群智能诊断系统 | |
CN115827411B (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
CN111412579A (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
EP2971768B2 (de) | Entwicklung eines uebergeordneten modells | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
US11645794B2 (en) | Monitoring apparatus, monitoring method, and computer-readable medium having recorded thereon monitoring program | |
Le | Contribution to deterioration modeling and residual life estimation based on condition monitoring data | |
CN116150601A (zh) | 空调压缩机故障诊断方法及系统 | |
CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 | |
CN112651444B (zh) | 一种基于自学习的非平稳过程异常检测方法 | |
CN114970950A (zh) | 风机故障报警方法、装置、存储介质及电子设备 | |
CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
CN112378651A (zh) | 一种基于数据驱动的设备动态可靠性评估方法 | |
Jiang | A novel approach for selecting underlying variables of a stochastic degradation process | |
KR20010036423A (ko) | 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
CN112116003B (zh) | 一种复杂传感器网络自适应动态故障诊断方法及系统 | |
CN114528914B (zh) | 一种人在回路的冷水主机状态监测方法、终端及存储介质 |
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 |