一种基于能耗模型和数据交互的设备异常诊断方法及装置与流程

本申请涉及计算机数据处理技术领域，尤其涉及一种基于能耗模型和数据交互的设备异常诊断方法及装置。

背景技术：

设备异常是指设备在自动化运行、或制造过程中意外停机、效率下降、或机械手和其他机电设备的故障而引起的材料损伤、和不定期的停止运行是常见的问题，这些问题通常是设备运行或设备制造的终端，给用户增加了相当大的成本。

在一些设备异常诊断方法的实现中，例如涉及楼宇能耗诊断领域，包括冷冻机组设备、水泵设备、冷却塔设备、水系统设备、风系统设备、空调末端设备、锅炉设备和设备供给末端室内环境，上述设备的相应位置设置温度传感器，多个温度传感器上均设有定位芯片，多个温度传感器通过无线信号传输的方式与远程计算机系统信号连接，所接收的数据进一步与提前设置的变量阈值比较，进而判断设备的异常状态。

但是，上述方法在实际运行的过程中，当设备老化或者设备处于故障临界时，虽然各个位置的传感器数值保持正常，但是经常会发生设备整体的性能系数发生较大的波动，即在设备故障发生之前上述方法无法提前做出预判，且对于设备整体的性能无法做出实时的检测和预判。

技术实现要素：

本申请提供了一种基于能耗模型和数据交互的设备异常诊断方法及装置，通过监测获取设备运行参数，对设备在稳态工况下性能系数的分析处理，实现通过设备的实时运行参数生成的性能曲线值与动态报警曲线比对得到较为准确，具有预判能力的设备异常诊断结果。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种基于能耗模型和数据交互的设备异常诊断方法，包括：

根据指定的运行参数变量为待诊断设备的一个或多个部件获取所选变量的时间历程数据；

基于所述时间历程数据，通过在滑动窗口中使用概率统计的方法获取处于稳态工况的时间段集合；

基于所述处于稳态工况的时间段集合计算得到稳态工况统计集合，所述稳态工况统计集合由不同的包含性能系数的稳态工况统计变量构成；

基于所述稳态工况统计集合筛选性能系数的可达值通过神经网络模型构建待诊断设备的性能系数动态报警曲线；

将实时采集的运行参数变量输入神经网络模型，若其输出值超过所述性能系数动态报警曲线，则判定所述待诊断设备疑似故障并发出报警信号。

本申请实施例的第二方面提供一种基于能耗模型和数据交互的设备异常诊断装置，包括：

能耗监测部件，用于采集待诊断设备的指定运行参数变量的一个或多个部件的时间历程数据；

服务器，通过网络与所述能耗监测部件和报警平台建立连接进行信息传递，基于所述时间历程数据，通过在滑动窗口中使用概率统计的方法获取处于稳态工况的时间段集合；基于所述处于稳态工况的时间段集合计算得到稳态工况统计集合，所述稳态工况统计集合由不同的包含性能系数的稳态工况统计变量构成；基于所述稳态工况统计集合筛选性能系数的可达值构建待诊断设备的性能系数动态报警曲线；将实时采集的运行参数变量输入神经网络模型，若其输出值超过所述性能系数动态报警曲线，则判定所述待诊断设备疑似故障并发出报警信号；

报警平台，通过网络与所述能耗监测部件和服务器建立连接进行信息传递，用于显示所述待诊断设备的实时运行参数变量，并显示所述服务器发出的报警信息。

本申请提供的技术方案包括以下有益技术效果：通过监测获取待诊断设备的一个或多个部件运行参数的时间历程数据，可以得到设别的稳态工况集合；进一步的通过在滑动窗口中使用统计方法进行数据处理，可以得到设备所有的稳态工况时间段集合；进一步的通过改进的神经网络模型进行性能系数的筛选计算，可以得到所有稳态工况下性能系数的可达值，并进一步的生成了设备性能系数的动态报警曲线，可以实时的通过设备运行参数生成的性能曲线值与动态报警曲线比对，得到较为准确，可以作为预判的设备异常诊断结果。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断系统100的示意图；

图2示出了本申请实施例一种计算设备200的示意图；

图3示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法的流程图；

图4示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法示滑动窗口示意图；

图5示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法χ²-分布的密度曲线示意图；

图6示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断装置600的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本说明书通篇提及的″多个实施例″、″一些实施例″、″一个实施例″或″实施例″等，意味着结合该实施例描述的具体特征、结构或特性包括在至少一个实施例中。因此，本说明书通篇出现的短语″在多个实施例中″、″在一些实施例中″、″在至少另一个实施例中″或″在实施例中″等并不一定都指相同的实施例。此外，在一个或多个实施例中，具体特征、结构或特性可以任何合适的方式进行组合。因此，在无限制的情形下，结合一个实施例示出或描述的具体特征、结构或特性可全部或部分地与一个或多个其他实施例的特征、结构或特性进行组合。这种修改和变型旨在包括在本申请的范围之内。

图1示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断系统100的示意图。基于能耗模型和数据交互的设备异常诊断系统100是一个为可以自动进行设备异常诊断的系统。

基于能耗模型和数据交互的设备异常诊断系统100可以包括一个服务器110、至少一个存储设备120、至少一个网络130、一个或多个检测装置150-1、150-2......150-n。服务器110可以包括一个处理引擎112。

在一些实施例中，服务器110可以是一个单独的服务器或者一个服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是一个分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络130访问存储在存储设备120中的数据。服务器110可以直接连接到存储设备120访问存储数据。在一些实施例中，服务器110可以在一个云平台上实现。所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，服务器110和报警平台可以在与本申请图2所示的计算设备上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括一个处理引擎112。处理引擎112可以处理与服务请求相关的信息和/或数据以执行本申请描述的一个或多个功能。例如，处理引擎112可以基于获取检测装置150采集的信息，并通过网络130发送至存储设备120，用于更新存储在其中的数据。在一些实施例中，处理引擎112可以包括一个或多个处理器。处理引擎112可以包括一个或多个硬件处理器，例如中央处理器(cpu)、专用集成电路(asic)、专用指令集处理器(asip)、图像处理器(gpu)、物理运算处理器(ppu)、数字信号处理器(dsp)、现场可编辑门阵列(fpga)、可编辑逻辑器件(pld)、控制器、微控制器单元、精简指令集计算机(risc)、微处理器等或上述举例的任意组合。

存储设备120可以存储数据和/或指令。在一些实施例中，存储设备120可以存储从检测装置150获得的数据。在一些实施例中，存储设备120可以存储供服务器110执行或使用的数据和/或指令，服务器110可以通过执行或使用所述数据和/或指令以实现本申请描述的实施例方法。在一些实施例中，存储设备120可以包括大容量存储器、可移动存储器、挥发性读写存储器、只读存储器(rom)等或上述举例的任意组合。在一些实施例中，存储设备120可以在一个云平台上实现。例如所述云平台可以包括私有云、公共云、混合云、社区云、分布云、多重云等或上述举例的任意组合。

在一些实施例中，存储设备120可以与网络130连接以实现与基于能耗模型和数据交互的设备异常诊断系统100中的一个或多个部件之间的通信。基于能耗模型和数据交互的设备异常诊断系统100的一个或多个部件可以通过网络130访问存储在存储设备120中的数据或指令。在一些实施例中，存储设备120可以直接与基于能耗模型和数据交互的设备异常诊断系统100的一个或多个部件连接或通信。在一些实施例中，存储设备120可以是服务器110的一部分。

网络130可以促进信息和/或数据的交换。在一些实施例中，基于能耗模型和数据交互的设备异常诊断系统100中的一个或多个部件可以通过网络130向基于能耗模型和数据交互的设备异常诊断系统100中的其他部件发送信息和/或数据。例如，服务器110可以通过网络130从检测装置150获取/得到请求。在一些实施例中，网络130可以是有线网络或无线网络中的任意一种，或其组合。在一些实施例中，网络130可以包括一个或多个网络接入点。例如，网络130可能包括有线或无线网络接入点，如基站和/或互联网交换点130-1、130-2等等。通过接入点，基于能耗模型和数据交互的设备异常诊断系统100的一个或多个部件可能连接到网络130以交换数据和/或信息。

检测装置150可以包括图像传感器、温度传感器、流量传感器、速度传感器、压力传感器、声音传感器、移动通信设备等。在一些实施例中，检测装置150可以用于对所在位置的周边环境进行摄像和/或拍照。在一些实施例中，检测装置150可以将采集到的各种数据信息发送到基于能耗模型和数据交互的设备异常诊断系统100中的一个或多个设备中。例如，检测装置150可以将待检测设备，例如中央空调冷水机组的冷冻水阀门处的温度或流量发送至服务器110进行处理，或存储设备120中进行存储。

图2是根据本申请的一些实施例所示的一种示例性计算设备200的示意图。

服务器110、存储设备120可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。

计算设备200可以包括用来实现本申请所描述的系统的任意部件。例如，处理引擎112可以在计算设备200上通过其硬件、软件程序、固件或其组合实现。为了方便起见图中仅绘制了一台计算机，但是本申请所描述的与交通数据预测系统100相关的计算功能可以以分布的方式、由一组相似的平台所实施，以分散系统的处理负荷。

计算设备200可以包括与网络连接的通信端口250，用于实现数据通信。计算设备200可以包括一个处理器220，可以以一个或多个处理器的形式执行程序指令。示例性的电脑平台可以包括一个内部总线210、不同形式的程序存储器和数据存储器包括，例如，硬盘270、和只读存储器(rom)230或随机存储器(ram)240，用于存储由计算机处理和/或传输的各种各样的数据文件。示例性的计算设备可以包括存储在只读存储器230、随机存储器240和/或其他类型的非暂时性存储介质中的由处理器220执行的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200也包括输入/输出部件260，用于支持电脑与其他部件之间的输入/输出。计算设备200也可以通过网络通讯接收本披露中的程序和数据。

为理解方便，图2中仅示例性绘制了一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的由一个处理器实现的操作和/或方法也可以共同地或独立地由多个处理器实现。例如，如果在本申请中，计算设备200的处理器执行步骤1和步骤2，应当理解的是，步骤1和步骤2也可以由计算设备200的两个不同的处理器共同地或独立地执行。

图3示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法的流程图。

在步骤301中，根据指定的运行参数变量为待诊断设备的一个或多个部件获取所选变量的时间历程数据。

在本实施例中，为了便于阐述基于能耗模型和数据交互的设备异常诊断方法，将以中央空调冷水机组为例进行阐述。尽管本实施例以特定的结构特征和/或方法动作对空调的异常诊断进行描述，但是应当理解，所附权利要求或说明书异常诊断方法并不限于空调设备。

在对空调冷水机组的诊断进行详细阐述之前，对空调冷水机组的基本概念进行简单的描述，通常主要好包括冷冻水和冷却水。

冷冻水是指在中央空调主机蒸发器降温，再送到风机盘管，为室内空间降温的冷媒水，冷冻水系统一般是封闭循环，为普通的自来水，其温度一般在7度到12度之间。

冷却水是指在中央空调主机冷凝器，为冷媒降温的循环水，冷却水在主机冷凝器里升温，再流到冷却塔里降温，降温的冷却水，再流到冷凝器，就这样不断循环，冷却水一般是经过处理的自来水，其温度一般在20度到40度之间。

在本实施例中，在所述中央空调冷水机组的水路进出口位置、电力供应节点、设备周边设置检测装置，即具体设置传感器来采集所述冷冻水和冷却水的运行参数变量、电力运行参数变量和环境温度等。

本实施例中使用的术语″传感器″是指安装在待检测设备或其任何部件上的测量、检测或感测设备。安装或可以安装在待监测设备上的传感器的部分的非穷尽列表：相机；化学传感器；天线、电容传感器或其他电场传感器、电磁波传感器；压力传感器；重量传感器；磁场传感器；空气交通计；湿度传感器；时钟；温度感器；流量传感器；滑度检测系统等。

在一些实施例中，关于传感器所采集数据类型通常期望从已经存在于工具中的源提取尽可能多的信息，即从设备使用的那些源来提取，以实现期望的功能。

现有传感器可测量的信号内容典型地包括以下信号，存在于设备运行或设备制造自动化过程中，并且可用于状态监测和故障诊断：

电机pwm负载(duty)：电机的pwm负载是在任何给定时间供给每个电机相的输入电压的百分比。每个电机相的占空比可用于健康监测和故障诊断系统。

电机电流：电机电流代表流过每个电机的三个相中的每一个的电流。电机电流可以被获得为绝对值或最大电流的百分比。如果被获得为绝对值，则该电流的单位是安培。电机电流值又可以使用电机转矩-电流关系被用来计算电机转矩。

实际位置、速度和加速度：这些是每个电机轴的位置、速度和加速度。对于旋转轴，位置、速度和加速度值的单位分别是度、度/秒和度/平方秒。对于平移轴，位置、速度和加速度值的单位分别是毫米、毫米/秒和毫米/平方秒。

期望的位置、速度和加速度：这些是控制器命令电机所具有的位置、速度和加速度值。这些属性与上述的实际位置、速度和加速度具有类似的单位。

位置和速度跟踪误差：这些是相应的希望的值与实际值之间的差。这些属性与上述的实际位置、速度和加速度具有类似的单位。

稳定时间：这是位置和速度跟踪误差在移动结束时在指定窗之内稳定所花费的时间。

编码器模拟和绝对位置输出：电机位置由编码器确定，编码器输出两种类型的信号：模拟信号和绝对位置信号。模拟信号是单位为毫伏的正弦和余弦信号。绝对位置信号是非易失性整数值，指示已经过去的模拟正弦周期的数目或模拟正弦周期的整数倍。典型地，数字输出在加电时读取，并且此后仅由模拟信号确定轴位置。

夹持器状态：这是夹持器的状态：打开或关闭。在真空激励的边缘接触夹持器的情况下，它是一个或多个传感器的阻塞/非阻塞状态。

真空系统压力：这是真空传感器所测量的真空水平。这是输出被模数转换器数字化的模拟传感器。在吸力夹持器的情况下，真空水平指示是否已经抓住晶片。

基板存在传感器状态：在无源夹持末端执行器中，晶片存在传感器输出是二进制输出。在真空激励的边源接触夹持末端执行器中，由两个或更多个传感器的输出状态确定晶片存在，每一个输出状态都是二进制的。

映射器传感器状态：这是映射器传感器的状态在任何给定实例中为阻塞或非阻塞。

映射器/对准器检测器光强度：这是由光检测器检测到的光强度的度量。这个信号通常可作为整数值得到(其例如可以具有0-1024的范围)。

映射器传感器位置捕获数据：这是机器人轴位置值的阵列，在这些值处，映射器传感器改变状态。

真空阀状态：这是真空阀的被命令的状态。其指定操作真空阀的螺线管是否应该被通电。

熔断器输出端的电压：电机控制电路中的每个熔断器的输出端处的电压被监测。熔断的熔断器导致低的输出端电压。

基板对准数据：这些是对准器所报告的基板的对准基准的基板偏心率矢量和角定向。

在外部基板传感器转换时的位置数据：在一些情况下，工具的大气和真空部分可以装备有光传感器，这些光传感器检测机器人所携带的基板的前缘和后缘。对应于这些事件的机器人位置数据被用于快速(on-the-fly)识别机器人末端执行器上的基板的偏心率。

基板周期时间：这是要由工具处理的单个基板所需要的时间，通常在稳定的流动状态下测量。

微环境压力：这是由工具的大气部分中压力传感器所测量的压力。

电机转矩的直接测量结果：电机转矩可以直接被测量，而不是由电机电流来估计。这是通过使用测力计或扭矩计来完成的，以测量为保持加电的电机固定而要求的外部力/转矩。

电机温度：这是指电机的温度并且由被安装在电机上的温度传感器读取。可以度c为单位得到温度。

超程传感器：这些是诸如限位开关的传感器，这些传感器指示与传感器相关联的电机轴是否超过其允许的行程范围。

声和振动传感器数据：这代表从被放置在机器人上或机器人附近的各个点处的麦克风和加速度计所获得的电信号。

红外传感器数据：这代表从放置在工具中的各个点的红外传感器获得的温度读数，以监测温度变化。

功率消耗：电机电流、速度和占空比的值可被用于计算在任何给定时刻每个电机所消耗的电功率。

偏转：这代表从放置在机器人上的各个点的应变仪所获得的电信号，以测量偏转。

皮带张力：附着到皮带伸张器的力感测设备的输出用作皮带张力的度量。单位为牛顿。

冷却风扇运行的持续时间：冷却风扇可以连续运行或者受温度调节器控制。来自机器人的热耗散的有用指标是受温度调节器控制的冷却风扇运行的持续时间。

基板的静电荷在其他方法中，基板电荷电平可以通过基的受控放电来确定。

在外部传感器转换时的位置数据：附加的外部传感器可以被用来检测移动基板和机器人部件的边缘，以允许控制器捕获相对应的机器人位置数据并且使用得到的信息，例如用于机器人和基板可重复性检查。

视频图像：这些代表从固定安装在机器人周期到达的具体位置处的摄像机或者由机器人携带的照相机获得的视频图像。在后一情况下，照相机可以指向末端执行器或者指向固定标记。

通风压力(plenumpressure)：这是由扇形滤波器单元中的滤波器的输入侧上的压力传感器所测量的压力。

部件故障可以大致地分为两个不同的类型：逐渐发展的″慢性″故障和立即发生的″急性″故障。第一类故障可以由状态监测系统在它们的早期发展阶段检测到。早期检测和修复有助于避免操作期间不期望的故障。另一方面，第二类故障并不适用于早期检测。然而，当故障发生时，故障诊断系统可以帮助诊断这些故障，并且因此缩短使机器返回运行的时间。

在本实施例中，通过采集中央空调冷水正常机组运行状态下的运行参数变量，所述运行参数变量至少包括以下内容：冷冻水入口温度、冷冻水出口温度、冷冻水流量、冷却水入口温度、冷却水出口温度、冷却水流量、所有设备功率，环境温度等。

所述中央空调冷水机组的运行参数变量x用矩阵表示如下：

其中，x11，x12，x1n表示第1个变量分别在第1个采样时刻的值，第2个采样时刻的值，...，第n个采样时刻的值；同理xm1，xm2，xmn表示第m个变量在第n个采样时刻的值；矩阵x中任意的参数可以表示为xij，即第i个变量在第j个采样时刻的值；在矩阵x中，采样间隔为t。

在步骤302中，基于所述时间历程数据，通过在滑动窗口中使用概率统计的方法获取处于稳态工况的时间段集合。

图4示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法示滑动窗口示意图。

如图所示，所述滑动窗口的长度为n，即表示中央空调冷水机组在正常运行状态的过程中每个运行参数变量的n个采样时刻点。当数据分析进入下一个窗口，可以发现所述滑动窗口中的起始采样时刻点，即第1个采样时刻点会向下移动一个采样间隔，相应的所述滑动窗口的终点采样时刻点，即第n个采样时刻点也会向下移动一个采样间隔，从而形成窗口的滑动效果。

在本实施例中，稳态工况是指中央空调冷水机组在正常运行时的状态，通过在所述时间历程数据眼用滑动窗口的方式使用标准差的方法判断其运行参数变量是否处于稳态工况。

标准差能反映一个数据集的离散程度，标准差是方差的算术平方根，用σ表示。需要说明的是，在概率统计中最常使用标准差的方法作为统计分布程度上的测量，平均数相同的两组数据，标准差未必相同。

在本实施例中，通过在滑动窗口中具体的使用标准差的方法获取处于稳态工况的时间段集合，标准差在本实施例中可以表征所采集的中央空调冷水机组运行参数变量的稳定程度。

计算窗口内所有采集的运行参数变量的标准差s，表示如下：

s＝(s1，s2，sm)，

其中，sm表示在所述滑动窗口内第m个变量的标准差。

设置所述滑动窗口的长度为n，即表示中央空调冷水机组在正常运行状态的过程中每个参数变量的n个采样时刻点，或称之为采样点。

所述滑动窗口内负荷数据的标准差si的计算公式表示为：

其中，n为所述滑动窗口内负荷数据的个数；xij为所述滑动窗口内第i个参数变量第j个采样时刻的值；为第i个变量在所述滑动窗口内n个负荷数据数据的算术平均值。

图5示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断方法χ²-分布的密度曲线示意图。

当中央空调冷水机组处于稳态工况时，其运行参数变量的测量值分布服从正态分布n(μ，σ²)，其中μ表示总体的平均数，σ表示标准差。即可以认为在稳态工况下，中央空调冷水机组的运行参数变量从整体上应当符合正态分布。

滑动窗口的长度为n，所述滑动窗口内负荷数据的标准差为s，则服从自由度为(n-1)的χ²-正态分布，其表示如下：

在本实施例中，非稳态工况的阈值θ可根据χ²-正态分布布的密度曲线来确定。

基于所述3σ准则的数值分布原理，下文中本实施例将对非稳态工况进行详细的阐述。取稳态工况对应的标准差s＜θ的概率为0.995，则运行参数变量的非稳态工况阈值θ可以表示为：

基于所述运行参数变量的非稳态工况阈值后，通过滑动窗口的方法对中央空调冷水机组的时间历程数据进行处理，得到所述滑动窗口内每个运行参数变量的标准差：

s＝(s1，s2，sm)，

当每个运行参数变量的标准差都小于对应的非稳态工况阈值时，则表示中央空调冷水机组为稳态工况处于正常运行状态。

根据本实施例能耗监测系统的采集数据记录，可以获取所述中央空调冷水机组在进入稳态工况的采样时刻点t1和退出稳态工况的采样时刻点t2，则t1～t2时间段为所述中央空调冷水机组持续的处于稳态工况的时间段，通过滑动窗口的方法，获取中央空调冷水机组时间历程数据中全部处于稳态工况的时间段集合。

在步骤303中，基于所述处于稳态工况的时间段集合计算得到稳态工况统计集合，所述稳态工况统计集合由不同的包含性能系数的稳态工况统计变量构成。

性能系数是指在稳态工况和规定条件下，空调制冷运行时，制冷量与制冷功耗之比。计算待诊断设备处于稳态工况的时间段集合中各个时间段的稳态工况下的性能系数。例如，计算上述t1～t2时间段稳态工况中央空调冷水机组的性能系数。提取t1～t2时间段内所述中央空调冷水机组的运行参数变量，即时间段内的所有时间历程数据，表示如下：

首先，计算t1～t2时间段内中央空调冷水机组的的制冷量，表示如下：

其中，qlds，i，表示冷冻水在i时刻的瞬时流量，其单位为kg/s；tldsin，i，表示冷冻水在i时刻的回水温度，其单位为℃；tldsout，i，表示冷冻水在i时刻的出水温度，其单位表示为℃；t，表示中央空调冷水机组的传感器采样周期，其单位为s；c，表示冷冻水的比热容，其单位为kj/(kg·℃)。

其次，计算t1～t2时间段内中央空调冷水机组的耗电量：

其中，p，表示中央空调冷水机组所有设备的瞬时功率，其单位为kw；t，表示中央空调冷水机组的传感器采样周期，其单位为s。

最后，根据t1～t2时间段内中央空调冷水机组的耗电量和制冷量，计算t1～t2时间段内中央空调冷水机组平均性能系数，其表示如下：

cop＝q/p

在本实施例中，构建稳态工况统计变量y，所述稳态工况统计变量y表示在某个时间段的稳态工况下，中央空调冷水机组的各个运行参数变量和其它参数构成的集合。

所述稳态工况统计变量y表示内容包括：制冷量、环境温度、性能系数、运行参数变量，其表示为：

其中，q表示中央空调冷水机组的制冷量，thj表示中央空所在环境温度，cop表示中央空调冷水机组的性能系数，表示中央空调冷水机组的运行参数变量。

通过所述滑动窗口的方法，统计不同时间段的稳态工况统计变量y，构成稳态工况统计集合y，表示如下：

y＝(y1，y2，，yk)

其中，k表示统计到的稳态工况统计变量的个数。

在步骤304中，基于所述稳态工况统计集合筛选性能系数的可达值通过神经网络模型构建待诊断设备的性能系数动态报警曲线。

计算不同时间段的稳态工况下性能系数的可达值，在上述步骤中对中央空调冷水机组在稳态工况下的性能系数进行了计算统计，得到中央空调冷水机组在正常运行状态时候的稳态工况统计集合y。

需要说明的是，由于中央空调操作方式的不同以及各种环境变量的差异，会导致稳态工况下的性能系数的差异会有较大不同，为了获取中央空调冷水机组在不同稳态工况下的可达性能系数，本实施例中将提取所有稳态工况统计集合中性能系数的可达值，或也称为边界值。

需要说明的是，尽管中央空调冷水机组的性能系数在某一次稳态工况下达到了某一个较大值，但是，如果该性能系数出现的频次太少，则表示该稳态工况下的该性能系数可能具有较大的偶然性，并不能够代表所述中央空调冷水机组在大部分稳态工况下所能达到的性能系数。在另一种情况下，虽然中央空调冷水机组处于稳态工况，但是由于设备发生临近故障或设备老化使得性能系数偏低，低于中央空调冷水机组最低要求性能系数，这样的稳态工况下的性能系数也可以认为其是不符合设备正常运行状态的。

因此，在本实施例将对稳态工况统计集合y中的性能系数cop进行统计筛选，保留性能系数较大的值，又能够筛选去除那些具有偶然性的较大值的性能系数，避免求解结果的偶然性引入模型。

图5示出了本申请实施例性能系数筛选流程示意图。

首先，基于所述中央空调冷水机组的最小额定性能系数cop0，将所述稳态工况统计集合y性能系数小于cop0的稳态工况统计变量去除，得到性能系数符合要求的稳态工况统计集合。

其次，基于所述性能系数符合要求的稳态工况统计集合，统计每个稳态工况统计变量中性能系数的频次；

然后，基于性能系数的频次使用3σ准则计算筛选得到性能系数具有偶然性的阈值n0，将性能系数的频次低于所述阈值n0的稳态工况统计变量去除，得到最终稳态工况统计集合。

参考3δ原则，在正态分布分析中，σ代表标准差，μ代表均值，x＝μ即为图像的对称轴，3σ原则可以用下列数值分布说明：

数值分布在(μ-σ，μ+σ)中的概率为0.6827；

数值分布在(μ-2σ，μ+2σ)中的概率为0.9545；

数值分布在(μ-3σ，μ+3σ)中的概率为0.9973；

由上述数值分布的特点可以认为，y的取值几乎全部集中在(μ-3σ，μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％。

最后，基于所述最终稳态公开统计集合使用l2-ga-bp神经网络模型构造性能系数的动态报警曲线。

l2-ga-bp神经网络模型是将l2正则化的bp神经网络模型与遗传算法ga相结合而构成的一种混合神经网络模型。

bp神经网络模型的学习训练过程是通过非线性函数求全局最优解的过程，由于神经网络模型整体求优的缺陷可能导致网络陷入局部最优数值。在所述bp神经网络模型中添加正则项，可避免数据权值矩阵过大的问题。

遗传算法ga的优点是对数据总体搜索求优的能力较强，而其缺陷是局部搜索能力较差。

在本实施例中，使用将遗传算法ga与l2-bp神经网络模型相结合的混合网络模型，可以界和两者的优点组合成新的全局搜索算法。

下面将对本实施例构建l2-ga-bp神经网络模型进行说明。

首先，对bp神经网络模型进行l2正则化得到l2-bp神经网络模型。

l2正则使得神经网络模型的解偏向于范数较小，通过限制范数的大小实现了对模型空间的限制，从而在一定程度上避免了过度拟合。不过其回归函数并不具有产生稀疏解的能力，得到的系数仍然需要数据中的所有特征才能计算预测结果。

为了避免神经网络的过拟合，提高模型的泛化能力，本实施例方法对bp神经网络模型进行了l2正则化处理，在反向求导的过程中起到惩罚权重的作用，可以表示如下：

其中，j为损失函数，m为输入批数据中数据的数量；λ为超参数，其取值范围[0，1]。

ω为神经网络模型训练过程中每一层的权重矩阵，这里进行的运算是对每一个权重矩阵进行了矩阵的2-范数运算，即对每个元素进行平方然后求总和。

对损失函数进行了修改之后，反向传播的求导也会发生改变，对权重矩阵ω求导表示如下：

然后通过对应层的ω进行更新，表示如下：

进一步的表示为：

实现了对权重矩阵ω的额外的惩罚，一定程度上实现了避免神经网络模型的过拟合，可以提高神经网络模型的泛化能力。

其次，对所述l2-bp神经网络模型进行ga遗传算法优化，得到l2-ga-bp神经网络模型。

bp算法具有寻优精确的特点，而ga遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将ga遗传算法与bp网络相结合，先用遗传算法进行寻优，缩小搜索范围，再利用bp网络进行精确求解，可以达到全局寻优和快速高效的目的，本申请实施例在基于数据学习训练的基础上，上述神经网络模型在随着数据的不断积累的过程中，能够对其数据学习的精确度进行不断的自我完善。

在步骤305中，将实时采集的运行参数变量输入神经网络模型，若其输出值超过所述性能系数动态报警曲线，则判定所述待诊断设备疑似故障并发出报警信号。

当神经网络模型的输入端持续的输入中央空调冷水机组的运行参数变量和其它参数变量，例如环境温度等，所述神经网络模型将输出性能系数值，并且所述性能系数随着持续的输入运行参数变量而形成即时的输出性能系数曲线，将所述输出的即时性能系数曲线与步骤304中得到的性能系数动态报警曲线相比对，若超过所述性能系数动态报警曲线则认为所在稳态工况的性能系数属于非正常状态，所述待诊断设备可能存在故障或未来可能存在故障，并发出报警信号给运维人员及时对设备进行人工诊断干预。

在本方法的实际应用时，结合中央空调冷水机组当前工况下的运行参数变量，神经网络模型可以计算当前运行工况下能耗的合理运行范围，基于实际运行数据，能够准确的分析出各设备的实际运行特性和运行规律，当实际能耗超出合理范围后，则进行报警。

本申请实施例还提供了一种基于能耗模型和数据交互的设备异常诊断装置，包括能耗监测部件，服务器，报警平台。

图6示出了本申请实施例一种基于能耗模型和数据交互的设备异常诊断装置600的示意图。

能耗监测部件601，用于采集待诊断设备的指定运行参数变量的一个或多个部件的时间历程数据。

服务器602，通过网络与所述能耗监测部件601和报警平台603建立连接进行信息传递，基于所述时间历程数据，通过在滑动窗口中使用概率统计的方法获取处于稳态工况的时间段集合；基于所述处于稳态工况的时间段集合计算得到稳态工况统计集合，所述稳态工况统计集合由不同的包含性能系数的稳态工况统计变量构成；基于所述稳态工况统计集合筛选性能系数的可达值构建待诊断设备的性能系数动态报警曲线；将实时采集的运行参数变量输入神经网络模型，若其输出值超过所述性能系数动态报警曲线，则判定所述待诊断设备疑似故障并发出报警信号。

报警平台603，通过网络与所述能耗监测部件601和服务器602建立连接进行信息传递，用于显示所述待诊断设备的实时运行参数变量，并显示所述服务器发出的报警信息。

在一些实施例中，所述报警平台还可以提供设备的用能异常诊断记录表，所述记录表支持以折线图的形式查看异常记录，页面载入时自动刷新系统会自动刷新。系统设定优化模型的正常区间，超出正常范围曲线显示为红色，工作人员的可根据报警及时响应。

需要说明的是，本申请实施例以中央空调为例阐述了设备异常诊断的方法，但本申请并不限定待诊断设备，根据采用不同的传感器对不同的设备进行数据采集分析处理，均可以应用本申请所述的诊断方法。

本申请通过将预测和实时反馈相结合，通过优化的神经网络模型对设备进行能耗异常诊断，能够对设备进行有效监测，同时对异常状况进行监测有效报警，提高建筑的的能源管理水平，有效减少建筑的能耗浪费，降低运营成本。对于工程实际问题，充分利用数据学习方法理论与实际相结合，结合大量历史数据对优化的神经网络模型进行训练，能够使智能算法获取空调负荷与影响因素的内在耦合关系，更加有针对性的找到实际空调负荷与其影响因素的强相关的变化规律。

本申请的有益效果在于，通过监测获取待诊断设备的一个或多个部件运行参数的时间历程数据，可以得到设别的稳态工况集合；进一步的通过在滑动窗口中使用统计方法进行数据处理，可以得到设备所有的稳态工况时间段集合；进一步的通过改进的神经网络模型进行性能系数的筛选计算，可以得到所有稳态工况下性能系数的可达值，并进一步的生成了设备性能系数的动态报警曲线，可以实时的通过设备运行参数生成的性能曲线值与动态报警曲线比对，得到较为准确，可以作为预判的设备异常诊断结果。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为″数据块″、″模块″、″引擎″、″单元″、″组件″或″系统″。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(lan)或广域网(wan)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(saas)。

需要说明的是，术语″包括″、″包含″或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句″包括一个......″限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

应当理解的是，本申请并不局限于上面已经描述的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。