用于确定气流装置的状况的方法和系统

本发明涉及一种用于确定气流装置的状况的方法和系统，具体地但不排他地用于确定包括空气处理单元和/或冷却器单元(chiller unit)的空调和机械通风(acmv)系统或暖通空调(havc)系统的状况的方法和系统。

背景技术：

1、气流单元可能是建筑物能源消耗的重要贡献者。根据新加坡建筑能效研发路线图，商业建筑消耗新加坡总电力的约31％。冷却(60％)和通风(10％)合计占新加坡商业建筑的电力消耗的大部分(即70％)。在空调和机械通风(acmv)系统中，冷却器单元占电力消耗的大部分(55％)，且空气处理单元(ahu)占电力消耗的约35％(来源：k.chua,s.chou,w.yang and j.yan,“achieving better energy-efficient air conditioning–a reviewof technologies and strategies,”applied energy,104卷,87-104页,2013)。

2、如果气流单元中出现故障，则气流单元的功耗可能会呈指数级增长，从而导致系统的整体效率在某些情况下降低高达50％至80％。

3、此外，acmv系统中的装置故障可能会导致系统中额外的电力损耗(性能劣化)或整个系统关停，从而导致运营和维护(o&m)成本更高以及系统的稳定性下降。

4、已经提出了用于气流装置的离线故障检测和诊断技术。然而，这些仅在系统因故障而停止工作、之后执行离线故障检测和诊断测试以找出针对故障的原因(例如，故障部件)时才是适用的。基于系统的机械特征，已经提出了一些用于气流装置的在线故障检测和诊断技术。然而，通常这些方法只在故障达到特定严重性级别时才可以检测故障。因此，在较低的严重性级别下，故障仍然未被检测到，这可能导致效率降低。此外，机械传感器可能很昂贵，因此对于小型系统的应用或部件级别来说是不可行的。

5、期望提供一种确定气流装置(例如包括空气处理单元或冷却器单元的气流装置)的状况的方法和系统，其解决现有技术的缺点中的至少一者和/或提供给公众一个有用的选择。

技术实现思路

1、在第一方面，提供了一种确定气流装置的状况的方法。该方法包括：接收表示气流装置的运行状态的电信号数据；将该电信号数据分解为电信号数据的多个第一分解分量，该多个第一分解分量表示电信号数据的相对应的固有特征；使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤，以产生电信号的重建的电信号数据；将重建的电信号数据分解为该重建的电信号数据的多个第二分解分量，该多个第二分解分量表示相对应的最佳固有特征，该最佳固有特征相比于固有特征与识别所述状况更相关；至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关固有特征；以及选择与所述至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况。

2、通过使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤，以产生电信号的重建的电信号数据；将重建的电信号数据分解为重建的电信号数据的表示相对应的最佳固有特征的多个第二分解分量，该最佳固有特征相比于固有特征与识别所述状况更相关；至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关的固有特征；以及选择与至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况，可以准确且快速地确定气流装置的状况，而不干扰系统的运行。

3、在一个具体的实施例中，可使用决策树来识别至少一个最相关固有特征。

4、有利地，基于神经网络的滤波器可具有窗口大小，该窗口大小取决于被过滤的第一分解分量的信息熵相对于多个第一分解分量的信息熵。可设想到的是，窗口大小可进一步取决于被过滤的第一分解分量的频率。这可确保对分解分量的最佳过滤，以用于保留用于确定气流装置的状况的相关信息。

5、可设想到的是，将电信号数据分解为多个第一分解分量可包括使用第一经验模式分解来分解电信号数据，并且将重建的电信号数据分解为多个第二分解分量可包括使用第二经验模式分解来分解重建的电信号数据。

6、优选地，状况分类模型可包括至少由第一参数和第二参数描述的机器学习模型，并且该方法还可包括：训练该机器学习模型，其中训练该机器学习模型包括使用第一优化算法调整该机器学习模型的第一参数以及基于水文循环(hc)算法使用第二优化算法调整该机器学习模型的第二参数。基于水文循环(hc)算法使用第二优化算法来训练机器学习模型的第二参数可使得能够提高在不同环境状况下状况确定的准确性的鲁棒性。

7、有利地，还可基于水文循环(hc)算法来训练基于神经网络的滤波器。

8、在一个具体实施例中，气流装置可包括空气处理单元，并且电信号数据可表示空气处理单元的运行状态。因此，该方法可被等效地描述为确定空气处理单元的状况的方法。此外，状况分类模型可包括支持向量机(svm)。

9、在另一具体实施例中，气流装置可包括冷却器单元，并且电信号数据可表示冷却器单元的运行状态。因此，该方法可被等效地描述为确定冷却器单元的状况的方法。此外，状况分类模型可包括人工神经网络(ann)。由于相对大量的变量可用于冷却器单元，因此将ann与冷却器单元一起使用可使得能够将用于执行确定气流装置的状况的方法的计算负担最小化。

10、在第二方面，提供了一种确定气流装置的状况的方法。该方法包括：接收表示气流装置的运行状态的电信号数据；将电信号数据输入到状况分类模型中以确定气流装置的状况，该状况分类模型包括至少由第一参数和第二参数描述的机器学习模型；以及训练该机器学习模型，其中，训练该机器学习模型包括使用第一优化算法调整机器学习模型的第一参数以及基于水文循环(hc)算法使用第二优化算法调整机器学习模型的所述第二参数。

11、在第三方面，提供了一种用于确定气流装置的状况的系统。该系统包括：输入端，其用于接收表示气流装置的运行状态的电信号数据；处理器，其被配置为：将电信号数据分解为电信号数据的多个第一分解分量(其表示所述电信号数据的相对应的固有特征)，使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤以产生电信号数据的重建的电信号数据，将重建的电信号数据分解为重建的电信号数据的表示相对应的最佳固有特征(该最佳固有特征相比于固有特征与识别所述状况更相关)的多个第二分解分量，至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关固有特征，以及选择与至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况；以及输出端，其被配置为输出指示气流装置的状况的数据。

12、在第四方面，提供了一种用于确定气流装置的状况的系统，该系统包括：输入端，其用于接收表示气流装置的运行状态的电信号数据；处理器，其被配置为：将电信号数据输入到包括至少由第一参数和第二参数描述的机器学习模型的状况分类模型中以确定气流装置的状况，以及训练该机器学习模型，其中，训练该机器学习模型包括使用第一优化算法调整机器学习模型的第一参数以及基于水文循环(hc)算法使用第二优化算法调整机器学习模型的第二参数；以及输出端，其被配置为输出指示气流装置的状况的数据。

13、可设想到的是，该系统还可包括电传感器，该电传感器被配置为接收表示气流装置的运行状态的电信号。

14、在一个具体实施例中，气流装置包括空气处理单元并且电信号数据表示空气处理单元的运行状态。在另一具体实施例中，气流装置包括冷却器单元并且电信号数据表示冷却器单元的运行状态。

15、在第五方面，提供了一种气流装置，该气流装置包括用于确定气流装置的状况的系统。该系统包括：输入端，其用于接收表示气流装置的运行状态的电信号数据；处理器，其被配置为：将电信号数据分解为电信号数据的多个第一分解分量(其表示所述电信号数据的相对应的固有特征)，使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤以产生电信号数据的重建的电信号数据，将重建的电信号数据分解为重建的电信号数据的表示相对应的最佳固有特征(该最佳固有特征相比于固有特征与识别所述状况更相关)的多个第二分解分量，至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关固有特征，以及选择与至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况；以及输出端，其被配置为输出指示气流装置的状况的数据。

16、优选地，状况分类模型可包括至少由第一参数和第二参数描述的机器学习模型，并且该方法还可包括：训练该机器学习模型，其中训练该机器学习模型包括使用第一优化算法调整机器学习模型的第一参数以及基于水文循环(hc)算法使用第二优化算法调整机器学习模型的第二参数。

17、在第六方面，提供了一种计算机可读介质，其被配置为使得计算机执行确定气流装置的状况的方法。该方法包括：接收表示气流装置的运行状态的电信号数据；将该电信号数据分解为电信号的多个第一分解分量，该多个第一分解分量表示电信号的相对应的固有特征；使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤，以产生电信号的重建的电信号数据；将重建的电信号数据分解为重建的电信号数据的多个第二分解分量，该多个第二分解分量表示相对应的最佳固有特征，该最佳固有特征相比于固有特征与识别所述状况更相关；至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关固有特征；以及选择与至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况。计算机可读介质可以是暂时性的或非暂时性的、有形的或无形的。

18、在第七方面，提供了一种确定气流装置的状况的方法，该方法包括：接收表示气流装置的运行状态的电信号；将该电信号分解为电信号的多个第一分解分量，该多个第一分解分量表示电信号的相对应的固有特征；使用基于神经网络的滤波器对多个第一分解分量中的每者进行过滤，以产生电信号的重建的电信号数据；将该重建的电信号数据分解为重建的电信号数据的多个第二分解分量，该多个第二分解分量表示相对应的最佳固有特征，该最佳固有特征相比于固有特征与识别所述状况更相关；至少从最佳固有特征中识别用于确定气流装置的状况的至少一个最相关固有特征；以及选择与至少一个最相关固有特征相对应的第二分解分量中的至少一者作为向状况分类模型的输入以确定气流装置的状况。

19、在第八方面，提供了一种确定气流装置的状况的方法，该方法包括：接收表示气流装置的运行状态的电信号数据；将电信号数据输入到状况分类模型中以确定气流装置的状况，该状况分类模型包括至少由第一参数和第二参数描述的机器学习模型；以及训练该机器学习模型，其中，训练该机器学习模型包括使用第一优化算法调整机器学习模型的第一参数以及基于水文循环(hc)算法使用第二优化算法调整机器学习模型的所述第二参数。

20、应领会的是，与一个方面相关的特征也可以与其他方面相关。