空调故障预测方法、电子设备和储存介质技术

本申请是关于一种空调故障预测方法。该方法包括：监测空调当前的M个热力学参数，所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。本申请提供的方案，能够提取最具判别性空调故障特征，用于建立空调故障模型，提高了预测模型预测的准确性。

【技术实现步骤摘要】
空调故障预测方法、电子设备和储存介质
本专利技术涉及空调
，尤其涉及一种空调故障预测方法。
技术介绍
当空调发生故障时，对空调系统和用户体验产生巨大的影响，不仅导致能源浪费，还会缩短设备使用寿命，带来低效的环境舒适度。对于复杂的空调系统，仅仅依靠人工很难及时发现系统中出现的故障。空调故障可分为硬故障和软故障，硬故障主要是因器件完全失效所造成的故障，软故障主要是因器件性能下降或者部分失效所造成的故障。硬故障可以直接发现并及时维修，但软故障是渐变的，发展较慢，在初期往往很难被发现。目前市场上的空调故障处理方式主要是在发生硬故障时，对空调系统进行人工检查和维修，但对于渐变的软故障，都是通过各种计算机算法对故障进行预测与诊断。如：公开号为CN111578111A的申请文件中公开了一种空调故障预测方法、装置、存储介质及空调，所述方法包括：通过神经网络算法训练所述空调的故障预测模型；当所述空调运行时获取所述空调当前的运行数据，所述运行数据，包括：外部数据和内部数据；将所述空调当前的运行数据输入所述故障预测模型中进行故障预测；若预测出所述空调发生故障，则向所述空调的用户发送相应的提示信息。本专利技术提供的方案能够对空调进行故障预测，及时发现空调的各种故障，尤其是软故障，从而延长空调设备使用寿命。公开号为CN109931678A的申请文件中公开了一种基于深度学习LSTM的空调故障诊断方法，包括以下步骤：1)构建LSTM的空调故障诊断模型，所述故障诊断模型包括输入层、隐藏层、输出层和网络优化模块；其中，所述隐藏层为LSTM网络；2)获取冷水机组不同故障数据并对其预处理，提取特征和降维后作为LSTM网络的输入；3)搭建LSTM网络模型，确定LSTM网络的参数；4)逐层训练，将上一层LSTM网络的隐藏层每一个LSTM神经元的输出都输入到下一层LSTM隐含层对应的LSTM神经元进行计算；5)通过Softmax分类，并通过网络优化模块进行不断优化模型通过固定其它参数不变而变化一种参数和交叉验证的方式搭建优化的LSTM网络模型。上述的空调故障预测与诊断方法，多着重于算法模型的构建与训练，而没有考虑到所采集到的空调故障模型训练样本数据线性不可分，无法获取样本数据中的最具判别性的信息，导致所建立的模型准确性较低，导致空调故障预测准确性降低。
技术实现思路
为克服相关技术中存在的问题，本申请提供一种空调故障预测方法，该空调故障预测方法，能够提高空调故障预测准确性。本申请第一方面提供一种空调故障预测方法，包括监测空调当前的M个热力学参数，该热力学参数为与空调故障相关的参数，该M为大于1的整数；将该M个热力学参数输入至空调故障预测模型进行故障预测，得到该空调的故障类型；该空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；该第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，该第一故障分析数据为包括有至少N个故障关系组的数据集合，一个该故障关系组包括：热力学参数和热力学参数对应的空调故障类型，该N为大于2的整数。在第一方面的第一种可能实现的方法中，该将所述M个热力学参数输入至空调故障预测模型进行故障预测之前，还包括：使用第二故障分析数据对所述空调故障预测模型进行训练。结合第一方面的第一种可能实现的方法，在第二种可能实现的方法中，所述使用第一故障分析数据对所述空调故障预测模型进行训练，包括：获取用于预测空调故障的该第一故障分析数据；确定该第一故障分析数据的映射函数；根据该映射函数将该第一故障分析数据从第一维度映射至第二维度；通过核函数计算得到第二故障分析数据，该第二故障分析数据在该第二维度线性可分；用该第二故障分析数据训练模型，得到所述空调故障预测模型。结合第一方面的第二种可能实现的方法，在第三种可能实现的方法中，该热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力；该空调故障类型包括：正常运行、制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小。结合第一方面的第三种可能实现的方法，在第四种可能实现的方法中，该通过核函数计算得到第二故障分析数据包括：计算该空调故障类型在该第二维度的类内散布矩阵和类间散布矩阵；通过该类内散布矩阵和该类间散布矩阵计算该热力学参数和该空调故障类型在该第二维度的特征值和特征向量；通过该特征值和该特征向量计算投影矩阵；通过该投影矩阵计算得到该第二故障分析数据。结合第一方面的第四种可能实现的方法，在第五种可能实现的方法中，该通过所述类内散布矩阵和该类间散布矩阵计算该热力学参数和该空调故障类型的特征值和特征向量，包括：确定该第二故障分析数据在该第二维度的投影方向；通过该投影方向、该类内散布矩阵和该类间散布矩阵确定类判别准则函数；通过对该类判别准则函数计算该热力学参数和所述空调故障类型的特征值和特征向量。结合第一方面的第五种可能实现的方法，在第六种可能实现的方法中，该通过对该类判别准则函数计算所述热力学参数和该空调故障类型的特征值和特征向量，包括：对该类判别准则函数的分母进行归一化；对归一化后的该类判别准则函数进行求导得到该热力学参数和该空调故障类型的特征值和特征向量。结合第一方面的第四种可能实现的方法，在第七种可能实现的方法中，该通过该特征值和该特征向量计算投影矩阵，包括：通过求解特征方程最大时D个该特征值和对应的该特征向量得到投影矩阵，该D个特征值之和大于或等于所述特征值总和。结合第一方面的第三种可能实现的方法，在第八种可能实现的方法中，该空调故障预测模型包括：第一概率神经网络模型和第二概率神经网络模型；该概率神经网络模型包括：输入层、模式层、求和层和输出层。结合第一方面的第八种可能实现的方法，在第九种可能实现的方法中，该第一概率神经网络模型为通过第一部分该第二故障分析数据训练得到的神经网络模型；该第一部分该第二故障分析数据包括：排气压力、排气温度、吸气温度、进水温度、出水温度和房间温度这五个空调机组热力学参数和该五个热力学参数强相关的六种空调故障：水流量过小、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大和正常运行。结合第一方面的第八种可能实现的方法，在第十种可能实现的方法中，该第二概率神经网络模型为通过第二部分该第二故障分析数据训练得到的神经网络模型；该第二部分该第二故障分析数据包括：排气压力、化霜温度或冷凝器出口温度、吸气压力和房间温度这四个空调机组热力学参数和该四个所述热力学参数强相关的五种空调故障：制冷剂不足、制冷剂过多、膨胀阀开度偏大、膨胀阀开度偏小和正常运行。结合第一方面的第八种可能实现的方法，在第十一种可能实现的方法中，该将该M个热力学本文档来自技高网...

【技术保护点】
1.一种空调故障预测方法，其特征在于，包括：/n监测空调当前的M个热力学参数，所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；/n将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；/n所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。/n

【技术特征摘要】
1.一种空调故障预测方法，其特征在于，包括：
监测空调当前的M个热力学参数，所述热力学参数为与空调故障相关的参数，所述M为大于1的整数；
将所述M个热力学参数输入至空调故障预测模型进行故障预测，得到所述空调的故障类型；
所述空调故障预测模型为通过第二故障分析数据训练得到的神经网络模型；所述第二故障分析数据为对第一故障分析数据进行高纬度映射后得到的线性可分的空调故障分析数据，所述第一故障分析数据为包括有至少N个故障关系组的数据集合，一个所述故障关系组包括：热力学参数和热力学参数对应的空调故障类型，所述N为大于2的整数。


2.根据权利要求1所述的一种空调故障预测方法，其特征在于，所述将所述M个热力学参数输入至空调故障预测模型进行故障预测之前，包括：使用第二故障分析数据对所述空调故障预测模型进行训练。


3.根据权利要求2所述的一种空调故障预测方法，其特征在于，
所述使用第一故障分析数据对所述空调故障预测模型进行训练，包括：
获取用于预测空调故障的所述第一故障分析数据；
确定所述第一故障分析数据的映射函数；
根据所述映射函数将所述第一故障分析数据从第一维度映射至第二维度；
通过核函数计算得到第二故障分析数据，所述第二故障分析数据在所述第二维度线性可分；
用所述第二故障分析数据训练模型，得到所述空调故障预测模型。


4.根据权利要求3所述的一种空调故障预测方法，其特征在于，
所述热力学参数包括：排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力；
所述空调故障类型包括：正常运行、制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小。


5.根据权利要求4所述的一种空调故障预测方法，其特征在于，所述通过核函数计算得到第二故障分析数据包括：
计算所述空调故障类型在所述第二维度的类内散布矩阵和类间散布矩阵；
通过所述类内散布矩阵和所述类间散布矩阵计算所述热力学参数和所述空调故障类型在所述第二维度的特征值和特征向量；
通过所述特征值和所述特征向量计算投影矩阵；
通过所述投影矩阵计算得到所述第二故障分析数据。


6.根据权利要求5所述的一种空调故障预测方法，其特征在于，
所述通过所述类内散布矩阵和所述类间散布矩阵计算所述热力学参数和所述空调故障类型的特征值和特征向量，包括：
确定所述第二故障分析数据在所述第二维度的投影方向；
通过所述投影方向、所述类内散布矩阵和所述类间散布矩阵确定类判别准则函数；
通过对所述类判别准则函数计算所述热力学参数和所述空调故障类型的特征值和特征向量。


7.根据权利要求6所述的一种空调故障预测方法，其特征在于，所述通过对所述类判别准则函数计算所述热力学参数和所述空调故障类型的特征值和特征向量，包括：
对所述类判别准则函数的分母进行归一化；
对归一化后的所述类判别准则函数进行求导得到所述热力学参数和所述空调故障类型的特征值和特征向量。


8.根据权利要求5所述的一种空调故障预测方法，其特征在于，所述通过所述特征值和所述特征...

【专利技术属性】
技术研发人员：罗建飞，郭庆，曾奕，黄童毅，唐小朱，
申请(专利权)人：格力电器武汉有限公司，珠海格力电器股份有限公司，
类型：发明
国别省市：湖北;42