一种基于神经网络的制冷设备故障预测方法技术

本发明专利技术提出了一种基于神经网络的制冷设备故障预测方法，包括以下步骤：获取制冷设备中对故障敏感的N个传感器所采集到的时序数据集；根据时序数据集构建长短期神经网络模型，并根据长短期神经网络模型得到时序数据集的实际预测结果；根据时序数据集确定故障判别模型f(x)；获取部分已知制冷设备的故障情况的真实数据集，并根据故障判别模型f(x)及真实数据集确定故障阈值；根据故障判别模型确定实际预测结果的概率密度，通过实际预测结果的概率密度与故障阈值进行对比来判断制冷设备的健康情况。本发明专利技术采用长短期神经网络模型和故障判别模型f(x)相结合的方式对制冷设备进行故障预测，可有效预测制冷设备的健康状况。

A Fault Prediction Method for Refrigeration Equipment Based on Neural Network

The invention proposes a fault prediction method for refrigeration equipment based on neural network, which includes the following steps: acquiring the time series data set collected by N sensors sensitive to faults in refrigeration equipment; constructing the long-term and short-term neural network model according to the time series data set, and obtaining the actual prediction results of the time series data set according to the long-term and short-term neural network model; and determining the time series data set according to the time series data set. Fault discriminant model f (x); Obtain the real data sets of some known refrigeration equipment faults, and determine the fault threshold according to the fault discriminant model f (x) and the real data sets; Determine the probability density of the actual prediction results according to the fault discriminant model, and judge the health of refrigeration equipment by comparing the probability density of the actual prediction results with the fault threshold. The invention adopts a combination of long-term and short-term neural network model and fault discrimination model f (x) to predict the failure of refrigeration equipment, and can effectively predict the health status of refrigeration equipment.

【技术实现步骤摘要】
一种基于神经网络的制冷设备故障预测方法
本专利技术涉及制冷设备
，具体涉及一种基于神经网络的制冷设备故障预测方法。
技术介绍
随着人民生活水平的提高，人们对冷冻冷藏食品的依赖度越来越高，冷冻、冷藏食品产业呈现快速发展势头，冷库也得到大规模的建设。然而，目前冷库设备的管理水平普遍低下，技工技能水平不高，制冷系统没有得到合理的维修保养，经常小工做大活，带病运转，导致设备年检失修，老化加速，从而发生制冷系统氨制冷剂冒、露等现象，严重影响冷库的制冷质量。因此，急需提供一种针对制冷设备的故障预测方法，避免制冷设备的故障发生。
技术实现思路
针对现有技术的不足，本专利技术提出一种基于神经网络的制冷设备故障预测方法，可有效对制冷设备的故障进行预测。本专利技术的技术方案是这样实现的：一种基于神经网络的制冷设备故障预测方法，包括以下步骤：步骤1，获取制冷设备中对故障敏感的N个传感器所采集到的时序数据集；步骤2，根据所述时序数据集构建长短期神经网络模型，并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果；步骤3，根据所述时序数据集确定故障判别模型f(x)；步骤4，获取部分已知制冷设备的故障情本文档来自技高网...

【技术保护点】
1.一种基于神经网络的制冷设备故障预测方法，其特征在于，包括以下步骤：步骤1，获取制冷设备中对故障敏感的N个传感器所采集到的时序数据集；步骤2，根据所述时序数据集构建长短期神经网络模型，并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果；步骤3，根据所述时序数据集确定故障判别模型f(x)；步骤4，获取部分已知制冷设备的故障情况的真实数据集，并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值；步骤5，根据所述故障判别模型确定所述实际预测结果的概率密度，通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断制冷设备的健康情况。

【技术特征摘要】
1.一种基于神经网络的制冷设备故障预测方法，其特征在于，包括以下步骤：步骤1，获取制冷设备中对故障敏感的N个传感器所采集到的时序数据集；步骤2，根据所述时序数据集构建长短期神经网络模型，并根据所述长短期神经网络模型得到所述时序数据集的实际预测结果；步骤3，根据所述时序数据集确定故障判别模型f(x)；步骤4，获取部分已知制冷设备的故障情况的真实数据集，并根据所述故障判别模型f(x)及所述真实数据集确定故障阈值；步骤5，根据所述故障判别模型确定所述实际预测结果的概率密度，通过所述实际预测结果的概率密度与所述故障阈值进行对比来判断制冷设备的健康情况。2.如权利要求1所述基于神经网络的制冷设备故障预测方法，其特征在于，所述传感器包括温度传感器、湿度传感器、压力传感器、振动传感器、液位传感器和浓度传感器。3.如权利要求1所述基于神经网络的制冷设备故障预测方法，其特征在于，还包括以下步骤：对所采集的时序数据集进行预处理，所述预处理包括异常值剔除、缺失数据填补和归一化处理。4.如权利要求3所述基于神经网络的制冷设备故障预测方法，其特征在于，步骤2中，根据所述长短期神经网络模型得到所述时序数据集的实际预测结果的步骤为：通过长短期神经网络模型对所述时序数据集进行数据趋势预测，得到预测结果；对所述预测结果进行反归一化处理，得到实际预测结果。5.如权利要求1～4任一所述基于神经网络的制冷设备故障预测方法，其特征在于，步骤2中，根据所述时序数据集构建长短期神经网络模型的步骤包括：将所述时序数据集划分为训练集train和校验集val，然后根据预设时间步长将所述训练集train和所述校验集val分别划分为输入train_x、val_x和输出train_y、val_y，并分别格式化为三维数组train_X、val_X、train_Y、val_Y；通过所述三维数组train_X、val_X、train_Y、val_Y构建非线性的长短期记忆神经网络预测模型并采用黄金分割法确定隐含层最优节点数，进而确定神经网络最佳预测模型结构。6.如权利要求5所述基于神经网络的制冷设...

【专利技术属性】
技术研发人员：黎国华，肖杰荣，蔡沐宇，
申请(专利权)人：广州博通信息技术有限公司，
类型：发明
国别省市：广东,44