【技术实现步骤摘要】
本专利技术涉及空调故障检测，尤其涉及一种空调故障检测方法及系统。
技术介绍
1、随着现代建筑的复杂性和多样性不断增加，空调系统在为人们提供舒适环境的同时，其运行和维护也变得越来越复杂。现有的空调故障检测技术普遍只以某些核心参数是否位于预设区间作为是否存在故障的判断依据，例如能否达到预设温度，制冷或制热时间是否在预定时间内等，但是，由于空调机组涉及多个设备的配合，任意一个或几个设备出现问题，都有可能导致整台空调出现故障，因此，现有的故障检测技术只能发现故障，并不能精确定位到故障的源头。另外，在空调运行的过程中，部分非关键零部件可能出现问题时，由于并不影响整台空调的正常运行，也不会对核心参数造成影响，导致现有的故障检测技术无法及时检测出故障隐患，可能造成后续的空调大修甚至报废。
技术实现思路
1、本专利技术的目的是为解决上述问题，提供一种空调故障检测方法及系统，实现对空调运行过程中的大量数据进行实时监测，并与过往数据进行差异化分析，整体判断空调的运行状态，有效预防潜在故障。
2、所述空调故障检测方法，包括：
3、s1定时采集空调运行指标参数，包括空调出回水温度、湿度、外机压力、电机电流和电压、声音频率、工作模式和应用环境温度；
4、s2对采集数据进行标准化处理，将每隔10秒采集的空调运行指标参数作为一条数据，最终按照时间序列形成表格数据x∈rn×d(表示一共有n条数据，每条数据包含d个特征，每条数据表示某一个时刻空调运行中各指标参数的状态值),利用公
5、
6、其中，表示第i组特征的第n个数值，即x中的第n行第i列对应的数值；
7、s3对标准化处理后的数据进行训练划分，将n条数据按照连续100条记录作为一个样本x，样本x与样本x+1为x中相隔1条记录的两个样本,经过对数据x的划分后，可以得到n-100个样本,对每个样本中的前99条记录的所有参数按照时间先后顺序排列作为该样本的特征值x1，将最后1条记录中的空调运行参数值作为该样本的标签值y1，完成所有样本的特征和标签划分，得到所有的特征值x和标签值y；
8、s4对空调运行参数进行建模，将数据x中的所有组成的样本构成训练集xtrain，在xtrain的样本中通过逐步加入随机噪声，该噪声服从高斯分布，每一步加入的随机噪声的权重都由一组提前设定的参数确定，一直加入t步噪声后，xtrain中的数值变成完全随机噪声,对于任意xi，其初始没有加入任何噪声的状态记为x0，加入t步噪声的状态记为xt,每一步的状态都由其前一步的状态加入随机噪声得到,其加入噪声的过程看作一个马尔科夫链,
9、每一步加入的噪声通过公式2得到，
10、
11、其中，xt-1和xt分别表示加入t步和t-1步的噪声样本，αt是一组提前预设的参数中的第t个参数，zt表示随机采样的高斯噪声，公式2表示的是在第t-1步的样本上加入噪声得到第t步的样本，
12、任意一步的加入随机噪声的数据通过公式3得到，
13、
14、其中，αt＝1-βt是人为选取的参数，zt是随机采样的噪声，公式3可以通过训练数据x0获得任意一步加入噪声后的样本xt，
15、第t-1步的去噪后的样本概率通过公式4、5和6得到，
16、
17、
18、
19、其中，βt、都是提前设置的参数，zt是第t步加入到样本的噪声，用一个噪声预测器εθ对其进行预测，该噪声预测器由卷积神经网络构成，包括一个编码器和一个解码器，噪声预测器的输入是第t步的带噪样本xt和步数t，输出则是预测的加入xt中噪声的值zθ，通过最小化预测噪声zθ和加入噪声zt之间的均方误差，并采用反向传播和梯度下降方法优化噪声预测器εθ的参数；
20、s5对空调运行参数模型进行去噪，首先对缺失值部分用高斯噪声填充，再通过公式7求出第t-1步xtest在加上噪声后的样本表示xtest加入了t-1步的噪声后的带噪样本，
21、
22、同时，采样一个与xtest相同维度的随机噪声xt，并将xt与步数t输入到步骤四训练的噪声预测器中，得到预测噪声，随后将预测的噪声通过公式5和公式6求得第t-1步样本的均值和方差，在得到第t-1步样本的均值和方差后，通过采样获得去噪一步后的样本是通过随机噪声去除噪声得到的，通过公式8结合和的内容，即将前向和后向生产的两个样本组合，可以得到重组的t-1步的样本xt-1，
23、
24、其中，m∈r100*d是一个由0和1组成的指示矩阵，维度与xtest相同，其中的1表示该位置对应的xtest中的元素没缺失，0表示xtest中对应位置元素缺失，重复以上步骤t次，即可将随机采样的高斯噪声xt经过t次去噪后得到符合训练样本分布的干净样本x0；
25、s6判断空调运行状态，通过步骤五，得到空调运行当下时刻指标参数的预测结果(去噪t次得到的x0中的第100行的所有元素)，将预测参数值的集合记为p，将空调当下运行参数的真实记录值记为m，p跟m首先分别通过一个神经网络模块，得到两个维度不变的非线性特征表达p’和m’，随后，两个非线性特征表达输入到一个信息融合模块中，输出l+p′+m′，最后，两个非线性特征表达之间的特征差异结果被送入一个神经网络单元进行差异判定，并输出一个与p相同维度的阈值向量r，并与预设的阈值t进行比较，如果r中某个维度的对应的阈值大等于t，则空调运行过程对应的参数出现异常，需要及时查找问题，如果r小于t,则空调运行对应的参数运行正常。
26、进一步地，所述神经网络模块由输入层、隐藏层、输出层和对应的激活函数组成，输入层一共有d个神经元，每个神经元对应一个空调运行的参数，隐藏层一共有128个神经元，输出层有d个神经元，激活函数选用sigmoid函数进行非线性映射。
27、进一步地，所述信息融合模块输入的两个非线性特征表达p’和m’，p’和m’的维度都是d维，将两个特征表达在对应的维度上进行二范数求出差值li＝‖p′i-m′i‖，其中l是一个维度与p’相同的差值向量。
28、进一步地，所述神经网络单元由输入层、隐藏层和输出层组成，以及在每一层对应的激活函数，输入层由d个神经元组成，隐藏层由512个神经元组成，输出层由d个神经元组成，激活函数使用relu函数。
29、进一步地，所述阈值向量r一共有d维，每一个维度都有一个阈值，表示每个空调运行参数当下状态的发生故障的阈值。
30、为实现空调故障检测方法，本专利技术的空调故障检测系统，包括：数据采集模块、数据预处理模块、数据分析模块和故障反馈模块，所述数据采集模块与数据预处理模块通过有线或无线的方式连接，数据预处理模块与数据分析模块通过有线或无线的方式连接，数据分析模块与故障反馈模块通过有线或无线的方式连接；
【技术保护点】
1.一种空调故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的空调故障检测方法，其特征在于：所述神经网络模块由输入层、隐藏层、输出层和对应的激活函数组成，输入层一共有d个神经元，每个神经元对应一个空调运行的参数，隐藏层一共有128个神经元，输出层有d个神经元，激活函数选用sigmoid函数进行非线性映射。
3.根据权利要求1所述的空调故障检测方法，其特征在于：所述信息融合模块输入的两个非线性特征表达P’和M’，P’和M’的维度都是d维，将两个特征表达在对应的维度上进行二范数求出差值Li＝‖Pi′-Mi′‖，其中L是一个维度与P’相同的差值向量。
4.根据权利要求1所述的空调故障检测方法，其特征在于：所述神经网络单元由输入层、隐藏层和输出层组成，以及在每一层对应的激活函数，输入层由d个神经元组成，隐藏层由512个神经元组成，输出层由d个神经元组成，激活函数使用Relu函数。
5.根据权利要求1所述的空调故障检测方法，其特征在于：所述阈值向量R一共有d维，每一个维度都有一个阈值，表示每个空调运行参数当下状态的发生故障的阈
6.一种实现权利要求1至5中任意一项所述空调故障检测方法的系统，其特征在于，包括：数据采集模块(1)、数据预处理模块(2)、数据分析模块(3)和故障反馈模块(4)，所述数据采集模块(1)与数据预处理模块(2)通过有线或无线的方式连接，数据预处理模块(2)与数据分析模块(3)通过有线或无线的方式连接，数据分析模块(3)与故障反馈模块(4)通过有线或无线的方式连接；
...【技术特征摘要】
1.一种空调故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的空调故障检测方法，其特征在于：所述神经网络模块由输入层、隐藏层、输出层和对应的激活函数组成，输入层一共有d个神经元，每个神经元对应一个空调运行的参数，隐藏层一共有128个神经元，输出层有d个神经元，激活函数选用sigmoid函数进行非线性映射。
3.根据权利要求1所述的空调故障检测方法，其特征在于：所述信息融合模块输入的两个非线性特征表达p’和m’，p’和m’的维度都是d维，将两个特征表达在对应的维度上进行二范数求出差值li＝‖pi′-mi′‖，其中l是一个维度与p’相同的差值向量。
4.根据权利要求1所述的空调故障检测方法，其特征在于：所述神经网络单元由输入层、隐藏...
【专利技术属性】
技术研发人员：陈龙，吴军华，何国双，饶澍，
申请(专利权)人：广西桂科院新能源科技有限公司，
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。