基于机器学习技术的空调故障识别系统的制作方法

[0001]
本发明涉及空调系统技术领域，具体而言涉及一种基于机器学习技术的空调故障识别系统。


背景技术：

[0002]
现有空调设备的检修，尤其是大型商用中央空调系统的检修需要单独安排专业人员上门进行检修和维护。这种维护方式下，往往只有在空调系统严重故障，以至于设备无法正常工作时，才会被上报至设备维护方进行检修排查。这种维护方式在检修排查故障前，空调系统早已在长期工作在故障状态下，很可能对系统硬件部件造成不可逆的损伤。因此现有方式下空调系统维护成本高昂。
[0003]
为解决这一问题，目前的空调系统设计有检修接口，以便通过电子信号方式获知空调运转、故障情况。但是现有技术下，检修接口的电子信号所携带的信息单一，对于大型空调设备系统，现有的单一检修信号仍不足以实现对系统各类故障的检修和排查。


技术实现要素：

[0004]
本发明针对现有技术的不足，提供一种基于机器学习技术的空调故障识别系统，本发明先将空调设备中各检测线路所获得的各类数据形成空调状态张量，然后对张量进行投影映射，获得能够保留各通道检修参数之间联系的多通道特征数据，最终利用机器学习技术根据多通道特征数据提取空调设备所对应的运行状态，实时进行报修和维护。本发明具体采用如下技术方案。
[0005]
首先，为实现上述目的，提出一种基于机器学习技术的空调故障识别系统，其包括：检测线路，其连接有传感设备或数据接口，所述传感设备或数据接口分别设置在空调系统中的不同部件上或分别与空调系统中的不同部件通讯连接，用于获取空调系统中不同部件所分别对应的各类运行数据；故障识别单元，其分别连接各所述检测线路，用于接收各类运行数据，还用于输出空调系统所对应的运行状态；通讯单元，其一侧连接在故障识别单元的输出端，其另一侧与维护方平台有线连接或无线连接，用于在接收到故障识别单元所输出的空调系统的运行状态异常时，实时上报该空调系统所对应的运行状态，进行报修和维护；存储单元，其连接所述故障识别单元，所述存储单元内存储有可供故障识别单元运行的计算机程序以及训练好的机器学习模型，使得所述故障识别单元运行该计算机程序时执行以下步骤：先根据各检测线路所获得的各类运行数据生成空调状态张量；然后对所述空调状态张量进行由张量到向量的投影映射，获得多通道特征向量；最后调用机器学习模型根据多通道特征向量提取并输出空调系统所对应的运行状态。
[0006]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，根据各检测线路所获得的各类运行数据生成空调状态张量的具体步骤包括：步骤z1，分别接收并按照接收顺序依次缓存各检测线路所获得的各类运行数据，缓存时，按照所述运行数据的接收时间以及接收端口进行标记；步骤z2，将步骤z1中所缓存的d个接收端口，分别在t个时间
节点所分别获得的m个运行数据，按照端口标号顺序和接收时间顺序生成d
×
t
×
m的空调状态张量{z
1
，z
2
，...，z
m
}。
[0007]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，对所述空调状态张量进行由张量到向量的投影映射的具体步骤如下：步骤t1，记所述空调状态张量{z
1
，z
2
，...，z
l
}中的任一个张量元素均满足}中的任一个张量元素均满足其中，构成一张量空间，i
n
表示张量空间中第n阶的维度，n表示张量空间所对应的阶数；步骤t2，以投影后向量空间中的特征方差最大为目标，对空调状态张量{z
1
，z
2
，...，z
l
}中的任一个张量元素z
l
执行由张量到向量的投影，将张量元素z
l
从张量空间量空间投影到低维的向量空间依次获得每一个张量元素z
l
所对应的多通道特征向量分别为：其中表示用于投影的第1个初级多重线性投影集。
[0008]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，调用机器学习模型根据多通道特征向量提取的步骤具体包括：步骤s1，依次将每一个张量元素z
l
所对应的多通道特征向量y
l
输入至机器学习模型，由所述机器学习模型调用经生成对抗网络训练而获得的卷积神经网络进行若干层特征提取，获得若干层状态特征；步骤s2，间隔抽取各层的状态特征，分别生成相应的特征检测框；步骤s3，对各所述特征检测框分别进行非极大值抑制处理，筛选出空调系统所对应的故障状态。
[0009]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，所述卷积神经网络由以下步骤训练获得：步骤c1，分别采集并标记空调系统上每一个部件出现故障时所对应的多通道特征向量y
l*
和空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
；步骤c2，将高斯随机分布生成的噪声数据输入至生成对抗网络中的生成网络g中，获得噪声分布g(z)；步骤c3，将所述空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
以及所述噪声分布g(z)共同输入至生成对抗网络中的鉴别网络d中，生成额外的正样本，将额外的正样本同样标记为正常；步骤c4，从上述步骤c1以及步骤c3中所获得的空调系统上每一个部件出现故障时所对应的多通道特征向量y
l*
和空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
随机按照预设比例选取图片分别作为训练集；步骤c5，将训练集中各多通道特征向量依次输入至卷积神经网络中，对所述卷积神经网络按照损失函数最小的方向进行反向传播训练，直至所述卷积神经网络达到纳什均衡时完成对所述卷积神经网络的训练。
[0010]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，所述传感设备包括：分别设置在空调系统中的压缩机、风机、换热器和各阀门上的震动传感器、温度传感器、电流传感器和/或麦克风。
[0011]
可选的，如上任一所述的基于机器学习技术的空调故障识别系统，其中，所述数据接口包括空调系统中的遥控数据传输接口、环境温度传感接口、电源信号接口。
[0012]
有益效果
[0013]
本发明在空调系统中设置有若干检测线路、故障识别单元、通讯单元和存储单元。本发明通过各检测线路分别获得空调运行过程中的各部件的运行数据，将该运行数据以张量方式提供给故障识别单元，由故障识别单元通过对张量元素之间关联关系和数据本身的
特征提取，获知空调系统的实时运行状态。由此，本发明能够尽可能准确的检测到空调系统的各类运行故障，并进行提示。本发明由于检测数据丰富，因此能够有效减少对空调系统故障状态误判的可能，可为空调系统的维护提供便利。
[0014]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
[0015]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。在附图中：
[0016]
图1是本发明系统框图；
具体实施方式
[0017]
为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
[0018]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0019]
图1为根据本发明的一种基于机器学习技术的空调故障识别系统，其包括：检测线路，其连接有传感设备或数据接口，所述传感设备或数据接口分别设置在空调系统中的不同部件上或分别与空调系统中的不同部件通讯连接，用于获取空调系统中不同部件所分别对应的各类运行数据；
[0020]
故障识别单元，其分别连接各所述检测线路，用于接收各类运行数据，根据各检测线路所获得的各类运行数据生成空调状态张量，然后对所述空调状态张量进行由张量到向量的投影映射，获得多通道特征向量，最后调用机器学习模型根据多通道特征向量提取并输出空调系统所对应的运行状态；
[0021]
通讯单元，其一侧连接在故障识别单元的输出端，其另一侧与维护方平台有线连接或无线连接，用于在接收到故障识别单元所输出的空调系统的运行状态异常时，实时上报该空调系统所对应的运行状态，进行报修和维护；
[0022]
存储单元，其连接所述故障识别单元，用于存储运行数据以及供故障识别单元执行的程序算法，以及识别故障所需的机器学习模型。
[0023]
其中，为保证对空调中各主要部件的准确检测，本发明优选可设置所述传感设备包括：分别设置在空调系统中的压缩机、风机、换热器和各阀门上的震动传感器、温度传感器、电流传感器和/或麦克风，分别获取空调系统中的压缩机、风机、换热器和各阀门的运行状态数据。同时，本发明中所设置的数据接口可包括：空调系统中的遥控数据传输接口、环境温度传感接口、电源信号接口，以便更全面的检测空调的运行效率。
[0024]
在对各类运行数据进行特征提取以输出空调系统运行状态时，本发明具体可设置
所述故障识别单元通过以下步骤实现该过程：
[0025]
步骤1，分别接收并按照接收顺序依次缓存各检测线路所获得的各类运行数据，缓存时，按照所述运行数据的接收时间以及接收端口进行标记；
[0026]
步骤2，将步骤1中所缓存的d个接收端口，分别在t个时间节点所分别获得的m个运行数据，按照端口标号顺序和接收时间顺序生成d
×
t
×
m的空调状态张量{z
1
，z
2
，...，z
m
}；
[0027]
步骤3，记所述空调状态张量{z
1
，z
2
，...，z
l
}中的任一个张量元素均满足}中的任一个张量元素均满足其中，构成一张量空间，i
n
表示张量空间中第n阶的维度，n表示张量空间所对应的阶数；
[0028]
步骤4，以投影后向量空间中的特征方差最大为目标，对空调状态张量{z
1
，z
2
，...，z
l
}中的任一个张量元素z
l
执行由张量到向量的投影，将张量元素z
l
从张量空间投影到低维的向量空间依次获得每一个张量元素z
l
所对应的多通道特征向量分别为：
[0029][0030]
其中表示用于投影的第1个初级多重线性投影集
[0031]
步骤5，依次将每一个张量元素z
l
所对应的多通道特征向量y
l
输入至机器学习模型，由所述机器学习模型调用经生成对抗网络训练而获得的卷积神经网络进行若干层特征提取，获得若干层状态特征；
[0032]
步骤6，间隔抽取各层的状态特征，分别生成相应的特征检测框；
[0033]
步骤7，对各所述特征检测框分别进行非极大值抑制处理，筛选并输出空调系统所对应的故障状态。
[0034]
其中，步骤5中所调用的卷积神经网络可相应由以下步骤训练获得，以避免训练样本不均衡所造成的模型偏差：
[0035]
步骤c1，分别采集并标记空调系统上每一个部件出现故障时所对应的多通道特征向量y
l*
和空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
；
[0036]
步骤c2，将高斯随机分布生成的噪声数据输入至生成对抗网络中的生成网络g中，获得噪声分布g(z)；
[0037]
步骤c3，将所述空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
以及所述噪声分布g(z)共同输入至生成对抗网络中的鉴别网络d中，生成额外的正样本，将额外的正样本同样标记为正常；
[0038]
步骤c4，从上述步骤c1以及步骤c3中所获得的空调系统上每一个部件出现故障时所对应的多通道特征向量y
l*
和空调系统分别处于不同工作状态下正常运行的多通道特征向量y
l
′
随机按照预设比例选取图片分别作为训练集；
[0039]
步骤c5，将训练集中各多通道特征向量依次输入至卷积神经网络中，对所述卷积神经网络按照损失函数最小的方向进行反向传播训练，直至所述卷积神经网络达到纳什均衡时完成对所述卷积神经网络的训练。
[0040]
由此，本发明通过对机器学习模型的训练，通过噪声和生成网络扩充正常运行数据，可保证对空调各类运行状态和各类故障情况的识别准确度。由此，本发明能够在故障早
期对维护方进行提示，以便及时对空调系统进行维护更新，避免损伤空调系统，降低空调检修成本。
[0041]
以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。