空调柜运行状态智能预警方法与流程

1.本发明涉及卷烟工业领域，尤其涉及一种空调柜运行状态智能预警方法。


背景技术：

2.卷烟领域的空调系统，对卷烟生产安全有着至关重要作用，由于整个系统较为庞大，空调系统出现细微故障很难被第一时间发现，以至于造成严重的生产事故才被发现处理，不但严重影响生产，对卷烟安全生产也是一种威胁。
3.而空调系统工作状态优劣，主要反映在空调柜工作状态，对空调柜工作状态实时监测，对细微问题及时发现并预警能有效避免空调系统出现重大故障，影响安全生产。但是，目前对于卷烟工业领域空调系统的故障监测还缺乏较为智能、合理的解决方案。


技术实现要素：

4.鉴于上述，本发明的目的是提供一种空调柜运行状态智能预警方法，以弥补现有卷烟工业领域空调系统故障监测的不足。
5.本发明采用的技术方案如下：
6.一种空调柜运行状态智能预警方法，其中包括：
7.实时采集空调柜涉及的空调机组运行状态参数；
8.将预设的横向及纵向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果；
9.根据异常分析结果，调用预先构建的语音交互数据库，输出预警交互语音信息；其中所述预警交互语音信息包括异常位置交互信息、异常时间节点交互信息以及修复指导交互信息。
10.在其中至少一种可能的实现方式中，预设的横向异常分析策略包括：对不同的空调机组在相同时间节点以及相同工作状态下的运行参数进行横向对比。
11.在其中至少一种可能的实现方式中，将预设的横向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果包括：
12.预先收集不同空调机组不少于3个季节的全线运行状态及参数；
13.根据全线运行状态及参数预先构建第一异常研判模型；
14.基于横向对比的结果以及所述第一异常研判模型得到异常分析结果。
15.在其中至少一种可能的实现方式中，预设的纵向异常分析策略包括：对同一空调机组的当前运行参数以及在相同工作状态下的历史运行参数进行纵向对比。
16.在其中至少一种可能的实现方式中，将预设的横向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果包括：
17.预先收集同一空调机组的在多个历史时间周期的全线运行状态及参数；其中所述多个历史时间周期包括如下历史时间节点的多种组合：一天、一周、一个月、一个季度、半年、三个季度、一年；
18.根据多个历史时间周期的全线运行状态及参数预先构建若干个对应的第二异常研判模型；
19.基于纵向对比的结果以及若干个所述第二异常研判模型得到若干个异常分析结果；
20.将若干个异常分析结果进行融合分析，确定目标异常分析结果。
21.在其中至少一种可能的实现方式中，所述方法还包括：预警交互语音信息涉及的异常状态在被清除前，按预设的时间周期重复输出预警交互语音信息。
22.在其中至少一种可能的实现方式中，所述方法还包括：对每次输出的异常分析结果、预警交互语音信息进行归类存储，并使存储的信息参与到大数据及机器学习的迭代优化过程。
23.在其中至少一种可能的实现方式中，所述实时采集空调柜涉及的空调机组运行状态参数包括从空调柜读取如下运行参数的多种组合：新风风速、送风风速、回风风速、风温、风湿、风压、空调风机运行频率、空调风机温度、空调风机振动烈度、加湿系统工作参数、蒸汽系统工作参数、过滤器及表冷器的两端压差。
24.本发明的主要构思在于，通过实时监测空调柜的多项参数，进行横向和纵向的综合分析，以此判断空调柜的工作状态并进行细微故障预警。具体地，通过数据收集和机器自学习分析研判，对现有空调系统运行状态进行实时监控，并通过大数据分析对空调运行过程出现的细微异常进行研判，实现在出现较为严重的故障之前就提前预警，并根据数据分析结果提供预警部位的处理方案，从而避免影响生产安全，具体是以语音交互形式通知操作人员，并对预警处理提供语音指导，方便维护人员对故障隐患精准排除。
25.本发明通过大数据和机器学习技术，自动、智能地研判空调系统的工作状态和异常状态，以自学习的方式逐步提高对系统细微异常的预警精准度。
26.本发明具备完善的智能分析和语音交互功能，能广泛应用在类似于卷烟领域的大型工业空调系统、商业中央空调系统之中。
附图说明
27.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
28.图1为本发明实施例提供的空调柜运行状态智能预警方法的流程图。
具体实施方式
29.下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
30.本发明提供了一种空调柜运行状态智能预警方法的实施例，具体可以如图1所示，其中包括：
31.步骤s1、实时采集空调柜涉及的空调机组运行状态参数；
32.步骤s2、将预设的横向及纵向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果；
33.步骤s3、根据异常分析结果，调用预先构建的语音交互数据库，输出预警交互语音信息；其中所述预警交互语音信息包括异常位置交互信息、异常时间节点交互信息以及修复指导交互信息。
34.在实际操作中，所述实时采集空调柜涉及的空调机组运行状态参数可以包括从空调柜读取如下运行参数的多种组合：新风风速、送风风速、回风风速、风温、风湿、风压、空调风机运行频率、空调风机温度、空调风机振动烈度、加湿系统工作参数、蒸汽系统工作参数、过滤器及表冷器的两端压差。
35.本发明强调将上述空调柜的运行参数与机器学习、大数据技术相结合的目的是能够有效提高预警的精准度，例如较佳的预警精度可以达到异常率1％即进行预警，并且将横纵分析结果与大数据分析进行综合研判，能够更为精准地定位到异常点位，从而可以提供具有针对性的维护维修方案。
36.本发明上述提及的语音交互数据库也可以利用机器学习、大数据技术进行不断的优化、丰富，例如但不限于通过自学习方式识别不同人员的语法和发音，不断提高语音交互指令的识别及分析能力。
37.上述将空调柜数据进行横纵分析并结合大数据、机器学习技术进行优化输出的策略，能够对空调系统的细微故障进行精准预警并提供最优的处理方案，以及在实现精准预警的同时，借由无障碍语音智能交互，提升维修维护的处理效率。
38.进一步地，预设的横向异常分析策略可以包括：对不同的空调机组在相同时间节点以及相同工作状态下的运行参数进行横向对比。
39.进一步地，将预设的横向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果可以包括：预先收集不同空调机组不少于3个季节的全线运行状态及参数；根据全线运行状态及参数预先构建第一异常研判模型；基于横向对比的结果以及所述第一异常研判模型得到异常分析结果(横向)。
40.进一步地，预设的纵向异常分析策略可以包括：对同一空调机组的当前运行参数以及在相同工作状态下的历史运行参数进行纵向对比。
41.进一步地，将预设的横向异常分析策略与大数据及机器学习技术结合，通过迭代方式优化并输出异常分析结果可以包括：预先收集同一空调机组的在多个历史时间周期的全线运行状态及参数；其中所述多个历史时间周期包括如下历史时间节点的多种组合：一天、一周、一个月、一个季度、半年、三个季度、一年；根据多个历史时间周期的全线运行状态及参数预先构建若干个对应的第二异常研判模型；基于纵向对比的结果以及若干个所述第二异常研判模型得到若干个异常分析结果；将若干个异常分析结果进行融合分析(例如但不限于加权求和)，确定目标异常分析结果(纵向)。
42.进一步地，所述方法还可以包括：预警交互语音信息涉及的异常状态在被清除前，按预设的时间周期重复输出预警交互语音信息。
43.进一步地，所述方法还可以包括：对每次输出的异常分析结果、预警交互语音信息进行归类存储，并使存储的信息参与到大数据及机器学习的迭代优化过程。
44.综上所述，本发明的主要构思在于，通过实时监测空调柜的多项参数，进行横向和纵向的综合分析，以此判断空调柜的工作状态并进行细微故障预警。具体地，通过数据收集和机器自学习分析研判，对现有空调系统运行状态进行实时监控，并通过大数据分析对空
调运行过程出现的细微异常进行研判，实现在出现较为严重的故障之前就提前预警，并根据数据分析结果提供预警部位的处理方案，从而避免影响生产安全，具体是以语音交互形式通知操作人员，并对预警处理提供语音指导，方便维护人员对故障隐患精准排除。
45.以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。