本发明专利技术实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置，涉及空调器技术领域。其中，上述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。利用训练得到的故障识别模型实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。造成财产损失。造成财产损失。
【技术实现步骤摘要】
故障识别模型训练方法、故障识别方法及相关装置
[0001]本专利技术涉及空调器
，具体而言，涉及一种故障识别模型训练方法、故障识别方法及相关装置。
技术介绍
[0002]随着科学技术的发展，智能化空调器兼具了多功能和舒适性，成为数字化楼宇温度调节器的首选设备。随着空调销量的攀升，后期对空调器运行检测和安全维护显得至关重要。
[0003]对于空调器而言，压缩机是其核心部件，空调器使用过程中由于压缩机安装位置特殊，通常得不到及时检修，进而造成较为严重的事故产生。不仅可能影响空调的使用寿命，还会造成财产损失。
技术实现思路
[0004]本专利技术解决的问题是空调器的压缩机所出现的故障难以被及时准确地被发现的问题。
[0005]为解决上述问题，本专利技术实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置。
[0006]第一方面，本专利技术提供一种故障识别模型训练方法，所述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
[0007]在上述实施例中，利用不同故障类型下压缩机控制元件的控制输出量为训练样本，对神经网络模型进行逐层训练，得到能够根据空调器运行过程中产生的控制输出量即可识别出压缩机是否出现故障的模型，从而实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。
[0008]在可选的实施方式中，所述神经网络模型包括多层神经元处理层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤包括：在待训练神经元处理层是多层所述神经元处理层中的第一层时，将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层，以得到第一输出数据；将所述第一输出数据进行解码，得到第一解码数据；利用所述控制采样数据与第一解码数据之间的差异，对所述待训练神经元处理层进行迭代；在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，将相邻上一层神经元处理层的第二输出数据输入所述待训练神经元处理层，以得到第三输出数据；将所述第三输出数据进行解码，得到第二解码数据；利用所述第二输出数据与第二解码数据之间的差异，对所述待训练神经元处理层进行迭代。
[0009]在上述实施例中，通过对神经元处理层的逐层训练，保障了各层神经元处理层的特征提取准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及
训练工作量。
[0010]在可选的实施方式中，所述神经网络模型包括分类层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将多层所述神经元处理层中最后一层输出的所述第四输出数据输入所述分类层，以获得分类结果；根据所述分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。
[0011]在上述实施例中，通过针对性地训练分类器，确保模型的分类准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及训练工作量。
[0012]在可选的实施方式中，在将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层之前，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将每一个所述训练样本数据中的控制采样数据进行归一化处理，以便将归一化处理后的所述控制采样数据输入所述神经网络模型。
[0013]在可选的实施方式中，所述压缩机控制元件包括压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。
[0014]在上述实施例中，实现从多个压缩机控制元件的角度，评估压缩机是否出现故障，提高故障的识别准确性。
[0015]在可选的实施方式中，所述训练样本数据还包括压缩机的运行数据及对应的故障分类标签。
[0016]第二方面，本专利技术提供一种故障识别方法，应用于空调器，所述故障识别方法包括：
[0017]在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
[0018]将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过前述实施方式任意一项所述的故障识别模型训练方法训练得到的模型。
[0019]在可选的实施方式中，若利用所述控制输出量未判断出故障类型，所述故障识别方法还包括：
[0020]采集所述压缩机的实时运行数据；
[0021]将所述实时运行数据输入故障识别模型，以确定故障识别结果。
[0022]在可选的实施方式中，在确定出现新故障的情况下，所述故障识别方法还包括：
[0023]获取预设时间段内采集到的目标控制输出量；其中，所述预设时间段包含所述新故障对应的发生时间点；
[0024]将所述目标控制输出量与所述新故障对应的故障分类标签关联，生成新的所述训练样本数据，以便利用所述故障识别模型训练方法对所述故障识别模型进行更新训练。
[0025]第三方面，本专利技术提供一种故障识别模型训练装置，所述故障识别模型训练装置包括：
[0026]获取模块，用于获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；
[0027]训练模块，用于利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
[0028]第四方面，本专利技术提供一种故障识别装置，应用于空调器，所述故障识别装置包
括：
[0029]采集模块，用于在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
[0030]识别模块，用于将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过前述实施方式任意一项所述的故障识别模型训练方法训练得到的模型。
[0031]第五方面，本专利技术提供一种空调器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一项所述的故障识别模型训练方法，或者所述处理器可执行所述机器可执行指令以实现前述实施方式任一项所述的故障识别方法。
[0032]第六方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的故障识别模型训练方法；或者计算机程序被处理器执行时实现如前述实施方式任一项所述的故障识别方法。
附图说明
[0033]图1为本专利技术实施例中提到的神经网络模型的结构示例图；
[0034]图2为本专利技术实施例提供的电子设备的示意图；
[0035]图3为本专利技术实施例提供的故障识别模型训练方法的步骤流程图；
[0036]图4为本专利技术实施例提供的步骤S102的子步骤流程图之一；
[0037]图5为本专利技术实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种故障识别模型训练方法，其特征在于，所述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。2.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括多层神经元处理层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤包括：在待训练神经元处理层是多层所述神经元处理层中的第一层时，将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层，以得到第一输出数据；将所述第一输出数据进行解码，得到第一解码数据；利用所述控制采样数据与第一解码数据之间的差异，对所述待训练神经元处理层进行迭代；在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，将相邻上一层神经元处理层的第二输出数据输入所述待训练神经元处理层，以得到第三输出数据；将所述第三输出数据进行解码，得到第二解码数据；利用所述第二输出数据与第二解码数据之间的差异，对所述待训练神经元处理层进行迭代。3.根据权利要求2所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括分类层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将多层所述神经元处理层中最后一层输出的第四输出数据输入所述分类层，以获得分类结果；根据所述分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。4.根据权利要求2所述的故障识别模型训练方法，其特征在于，在将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层之前，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将每一个所述训练样本数据中的控制采样数据进行归一化处理，以便将归一化处理后的所述控制采样数据输入所述神经网络模型。5.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述压缩机控制元件包括压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。6.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述训练样本数据还包括压缩机的运行数据及对应的故障分类标签。7.一种故障识别方法，其特征在于，应用于空调器，所述故障识别方法包括：在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出...
【专利技术属性】
技术研发人员：代宝，程建军，易红艳，陈志强，
申请(专利权)人：宁波奥克斯电气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。