故障诊断方法、装置及计算机可读存储介质与流程

1.本发明涉及故障诊断技术领域，特别涉及一种故障诊断方法、装置及计算机可读存储介质。


背景技术：

2.许多机器设备，例如空调器，在产品设计开发过程中，考虑到来料、制程、零部件等因素，会预留一定的设计余量以防止产品生产过程出现承载范围误差而导致的同批次产品品质不一致化的问题。然而，在产品试制、试产甚至量产阶段，仍然会出现运行余量不足、能效测试值波动大等影响产品性能稳定性的问题，在这种情况下，由于不清楚机器设备发生故障的问题部件，因而无法提供提高机器设备能效稳定性的理论指导和优化方向，导致机器设备的能效稳定性较低。


技术实现要素：

3.本发明的主要目的是提供一种故障诊断方法、装置及计算机可读存储介质，旨在解决机器设备的能效稳定性较低的问题。
4.为实现上述目的，本发明提供一种故障诊断方法，所述故障诊断方法包括：
5.获取待诊断机器的诊断参数；
6.将所述诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到所述待诊断机器与各个所述样本机器的匹配结果；
7.根据所述匹配结果确定与所述待诊断机器相匹配的样本机器；
8.获取所述样本机器的故障信息，并根据所述故障信息确定所述待诊断机器的诊断结果，其中，所述诊断结果包括所述待诊断机器的问题部件、问题影响因素和/或所述问题影响因素的影响权重。
9.可选地，所述将所述诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到所述待诊断机器与各个所述样本机器的匹配结果的步骤包括：
10.获取所述诊断参数的参数水平，其中，所述参数水平为所述诊断参数的实际值相对于所述诊断参数的基准值的相对水平；
11.判断所述诊断参数的参数水平与各个所述样本机器的样本参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的匹配结果。
12.可选地，所述获取所述诊断参数的参数水平的步骤包括：
13.获取所述诊断参数的基准值；
14.获取所述诊断参数的实际值与所述基准值的比值；
15.根据所述比值确定所述诊断参数的参数水平。
16.可选地，所述诊断参数包括所述待诊断机器的输入参数和输出参数，所述样本参数包括所述样本机器的输入参数和输出参数，所述判断所述诊断参数的参数水平与各个所述样本机器的样本参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器
的匹配结果的步骤包括：
17.判断所述待诊断机器的输入参数的参数水平与各个所述样本机器的同一输入参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的第一匹配结果；
18.判断所述待诊断机器的输出参数的参数水平与各个所述样本机器的同一输出参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的第二匹配结果；
19.根据所述第一匹配结果和所述第二匹配结果确定所述待诊断机器与各个所述样本机器的匹配结果。
20.可选地，所述获取待诊断机器的诊断参数的步骤包括：
21.获取所述待诊断机器的输入参数；
22.将所述待诊断机器的输入参数输入目标神经网络模型进行预测，得到所述待诊断机器的输出参数；
23.将所述输入参数和所述输出参数确定为所述待诊断机器的诊断参数。
24.可选地，所述获取所述待诊断机器的输入参数的步骤之前还包括：
25.获取预设神经网络模型；
26.将训练数据库中训练机器的输入参数输入所述预设神经网络模型，得到所述训练机器的输出参数的实际输出值；
27.获取所述训练机器的输出参数的期望输出值；
28.在所述实际输出值等于所述期望输出值时，将所述预设神经网路模型确定为所述目标神经网络模型。
29.可选地，所述获取所述训练机器的输出参数的期望输出值的步骤之后还包括：
30.在所述实际输出值不等于所述期望输出值时，获取所述期望输出值与所述实际输出值之间的误差值；
31.根据所述误差值修正所述预设神经网络模型中网络节点偏向的权重；
32.将预设神经网络模型更新为所述修正后的神经网络模型，并返回执行所述获取预设神经网络模型的步骤。
33.可选地，所述获取所述样本机器的故障信息，并根据所述样本机器的故障信息确定所述待诊断机器的诊断结果，其中，所述诊断结果包括所述待诊断机器的问题部件、问题影响因素和/或所述问题影响因素的影响权重的步骤之后还包括：
34.关联所述待诊断机器的诊断参数以及诊断结果；
35.将关联后的所述待诊断机器的诊断参数以及诊断结果存储至所述机器样本数据库。
36.此外，为实现上述目的，本发明还提出一种故障诊断装置，所述故障诊断装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的故障诊断程序，所述故障诊断程序被所述处理器执行时实现如以上所述的故障诊断方法的步骤。
37.此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有故障诊断程序，所述故障诊断程序被处理器执行时实现如以上所述的故障诊断方法的步骤。
38.本发明提出了一种故障诊断方法、装置及计算机可读存储介质，通过获取待诊断机器的诊断参数，将诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到待
诊断机器与各个样本机器的匹配结果，然后根据匹配结果确定与待诊断机器相匹配的样本机器，之后获取样本机器的故障信息，并根据样本机器的故障信息确定待诊断机器的诊断结果，其中，所述诊断结果包括所述待诊断机器的问题部件、问题影响因素和/或所述问题影响因素的影响权重。这样，本方案可以对未知问题的待诊断机器的问题部件进行溯源，为提高待诊断机器的能效稳定性提供理论指导和优化方向，有效解决了机器设备能效稳定性较低的问题。
附图说明
39.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
40.图1为本发明实施例方案涉及的故障诊断装置的硬件架构示意图；
41.图2为本发明故障诊断方法第一实施例的流程示意图；
42.图3为本发明故障诊断方法第二实施例的流程示意图；
43.图4为本发明故障诊断方法第三实施例的流程示意图；
44.图5为本发明故障诊断方法第四实施例的流程示意图；
45.图6为本发明故障诊断方法第五实施例的流程示意图；
46.图7为本发明故障诊断方法第六实施例的流程示意图；
47.图8为本发明实施例方案涉及的待诊断空调器x/y的输入参数表；
48.图9为本发明实施例方案涉及的匹配度排序的规则示意图；
49.图10为本发明实施例方案涉及待诊断空调器x/y的诊断结果表；
50.图11为本发明实施例方案涉及的待诊断空调器x/y诊断前后的能效数据表；
51.图12为本发明实施例方案涉及的bp神经网络模型示意图。
具体实施方式
52.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
53.为了更好地理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
54.为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参照图1，图1是本发明实施例方案涉及的故障诊断装置的硬件架构示意图。如图1所示，该故障诊断装置可以包括：处理器1001，可选为cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如存储器(non-volatilememory))，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
55.本领域技术人员可以理解，图1中示出的故障诊断装置的结构并不构成对故障诊断装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
56.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统以及故
障诊断程序。
57.在图1所示的故障诊断装置中，处理器1001可以用于调用存储器1005中存储的故障诊断程序，并执行以下操作：
58.获取待诊断机器的诊断参数；
59.将所述诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到所述待诊断机器与各个所述样本机器的匹配结果；
60.根据所述匹配结果确定与所述待诊断机器相匹配的样本机器；
61.获取所述样本机器的故障信息，并根据所述样本机器的故障信息确定所述待诊断机器的诊断结果，其中，所述诊断结果包括所述待诊断机器的问题部件、问题影响因素和/或所述问题影响因素的影响权重。
62.参照图2，图2为本发明故障诊断方法第一实施例的流程示意图，所述故障诊断方法包括以下步骤：
63.步骤s10，获取待诊断机器的诊断参数；
64.在本实施例中，机器设备的能效稳定性是指机器设备在全年全工况下运行过程中的性能稳定性，通常作为一个评价机器设备性能优劣的指标，能效稳定性越高，机器设备性能越好，反之，能效稳定性越低，机器设备性能越差。一般情况下，机器设备都有一个能效标准评价指标，不同领域，不同设备的能效标准评价指标不同，能效标准评价指标通常会有一个合格标准，也即机器设备能效测试值的合格数值区间，当机器设备的能效测试值始终在该合格标准内波动时，表明该机器设备能效稳定性较高，机器设备性能较好；反之，当机器设备的能效测试值波动较大，特别是当机器设备的能效测试值不位于该合格标准内时，表明该机器设备的能效稳定性较低，机器设备性能较差。
65.在本实施例中，以空调器为例，在空调器领域，空调器能效限定值及能效等级gb 21455—2019新标准规定房间空气调节器产品的能效标注值应在其额定能效等级对应的取值范围内，其能效实测值不小于标注值的95％，且产品标注的额定制冷量和其实测值应在其额定能效等级对应的额定制冷量范围内。一般情况下，空调器的能效标准评价指标为apf(annual performance factor，全年能源消耗效率)，空调器的能效标准评价指标apf既考虑了空调的制冷能力又包含制热因素，一改以往考核变频空调的能效指标仅考核制冷季节内空调的能耗，空调器的能效标准评价指标apf考核的是全年的能耗水平，对空调性能的评估更加全面。空调器的能效标准评价指标apf的合格标准为3.822-3.978，根据该合格标准可知，当空调器的能效测试值始终在3.822-3.978区间内波动时，即仅在apf的合格标准范围内波动时，表明该空调器的能效稳定性较高，空调器性能较好；反之，当空调器的能效测试值波动较大，尤其是在空调器的能效测试值脱离了3.822-3.978区间时，即脱离了apf的合格标准范围时，表明空调器的能效稳定性较低，空调器的性能较差。
66.在本实施例中，为保证机器设备产品的能效稳定性，研发设计人员在产品的设计开发过程中会考虑到各种可能的因素，其中，可能的因素包括机器设备产品的来料、制程以及设备零部件等，以预留一定的设计余量，这样可以在一定程度上防止机器设备产品生产过程中出现承载范围误差导致同批次产品不一致，机器设备产品能效稳定性较低的问题。但是，在机器设备产品的实际生产过程中，或多或少还是会出现机器设备产品能效测试值波动较大，机器设备产品能效稳定性较低的问题，当出现此类问题时，表明机器设备的零部
件可能发生了故障，需要检查机器设备零部件的故障，以确定导致机器设备产品能效稳定性较低的问题部件及其产生的原因，进而更换或者优化出现问题的零部件，以提高机器设备产品的能效稳定性，提高机器设备的产品性能，但是，由于当前缺乏对问题部件进行溯源的有效方式方法，难以对影响机器设备能效稳定性的因素进行全面分析，因而无法提供提高机器设备产品能效稳定性的理论指导与优化方向，这使得生产的机器设备产品的能效稳定性依然较低。
67.针对上述问题，本发明提出的故障诊断方法，通过建立问题机器的样本数据库，其中，样本数据库中由一定数量的与待诊断机器的机器设备类型相同、但是能效测试值不在合格标准内且设备的零部件发生故障的样本机器组成，样本数据库中包括每一个能效测试值不在合格标准内且设备的零部件发生故障的样本机器的样本参数及其存在的故障信息，每一个设备零部件发生故障的样本机器的样本参数与其存在的故障信息相互关联。
68.在本实施例中，本发明提出的故障诊断方法首先通过获取能效测试值不在合格标准内的待诊断机器需要诊断的诊断参数，将待诊断机器需要诊断的诊断参数与预先建立的样本数据库中存储的样本数据进行比较匹配，以通过比较匹配的方式在样本数据库中确定与该待诊断机器匹配度较好的样本机器，其中，匹配度较好的样本机器可以是一个也可以是多个，具体可以根据实际需要确定，然后获取匹配度较好的样本机器的故障信息，故障信息至少包括样本机器出现问题的零部件，即样本机器的问题部件，最后根据匹配度较好的样本机器出现问题的零部件确定待诊断机器出现问题的零部件，从而实现对能效测试值不在合格标准内的待诊断机器出现问题的零部件进行问题部件的溯源，以向研发设计人员提供提高待诊断机器能效稳定性的改进策略，优化更新出现问题的零部件，提高生产的机器设备产品的能效稳定性。本发明实现了从机器数值端到部件问题端的精确联结，提高故障诊断的效率及准确性，节省传统诊断方法所需额外的人工及实验成本。
69.在本实施例中，本发明提出的故障诊断方法可以应用于故障诊断装置，故障诊断装置为可以对待诊断机器进行故障诊断的设备或者装置，故障诊断装置可选为终端设备，其中，终端设备为经由通信设施向计算机输入程序和数据或接收计算机输出处理结果的设备，终端设备可选为计算机，当然，在其他实施例中，故障诊断装置也可以为其他可进行故障诊断的设备，在工业控制领域，故障诊断装置可选为plc工业控制装置，本实施例对此不作限定。
70.在本实施例中，待诊断机器为能效稳定性较低，能效测试值不在合格标准内，设备零部件发生故障的机器设备。
71.在本实施例中，以待诊断机器为空调器为例，待诊断空调器为能效稳定性较低，能效测试值不在合格标准内(3.822-3.978)，零部件发生故障的空调器，当然，在其他实施例中，待诊断机器可以根据实际情况确定，本实施例对此不作限定。
72.在本实施例中，诊断参数为用于对待诊断机器进行故障诊断的相关工况数据，通常包括待诊断机器在相关工况下的运行参数，运行参数至少包括输入参数以及输出参数。需要说明的是，在具体的实施方式中，诊断参数可以根据具体情况确定。
73.在本实施例中，以待诊断机器为空调器为例，待诊断空调器的诊断参数为待诊断空调器在相关工况下的运行参数，包括带诊断空调器的输入参数以及输出参数，其中，输入参数至少包括待诊断空调器的工况能力、功率、室内机风量、室内出风干球温度以及室内出
风湿球温度等5个；输出参数至少包括空调器的回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度等7个。当然，在其他实施例中，根据待诊断机器的不同，诊断参数根据实际情况必然也不同，本实施例对此不作限定。
74.在本实施例中，故障诊断装置可以自动获取到待诊断机器用于故障诊断的诊断参数。
75.可选地，故障诊断装置通过传感器获取待诊断机器用于故障诊断的诊断参数，待诊断机器上设置有输入参数对应的传感器，传感器与故障诊断装置通信连接，通过传感器采集输入参数，并将采集到的输入参数发送至故障诊断装置，故障诊断装置接收传感器发送的输入参数并将接收到的输入参数输入预先建立并训练好的神经网络模型预测得到输出参数，将待诊断机器的输入参数以及输出参数作为待诊断机器用于故障诊断的诊断参数，其中，神经网络模型可选为bp(back propagation)神经网络模型，其中，bp(back propagation)神经网络模型是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小，bp(back propagation)网络是在输入层与输出层之间增加若干层(一层或多层)神经元，这些神经元称为隐单元，它们与外界没有直接的联系，但其状态的改变，则能影响输入与输出之间的关系，每一层可以有若干个节点。bp(back propagation)神经网络的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐单元层逐层处理，并转向输出层，每～层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。当然，在其他实施例中，神经网络模型可以根据实际情况确定，本实施例对此不作限定。需要说明的是，通过传感器采集输入参数，然后基于采集到的输入参数以及预先建立并训练好的神经网络模型得到输出参数，一方面可以减少待诊断机器中传感器的设置数量，节约硬件资源，另一方面可以提高待诊断机器诊断参数的获取效率和准确率。可以理解的是，对于不能用传感器采集的诊断参数也可以通过人工实验计算得到。
76.可选地，故障诊断装置通过传感器获取待诊断机器的全部诊断参数(既包括输入参数，也包括输出参数)，在待诊断机器上设置输入参数以及输出参数对应的传感器，传感器与故障诊断装置连接，通过传感采集输入参数以及输出参数，并将采集到的输入参数以及输出参数发送至故障诊断装置。可以理解的是，对于不能用传感器采集的诊断参数也可以通过人工实验计算得到。
77.在本实施例中，以待诊断机器为空调器为例，故障诊断装置通过传感器以及人工实验计算的方式得到待诊断空调器的输入参数，具体地，通过人工实验计算的方式得到待诊断空调器的工况能力以及功率，与此同时，在待诊断空调器上分别设置室内机风量传感器、室内出风干球温度传感器以及室内出风湿球温度传感器，通过设置的上述传感器分别采集空调器的室内机风量、室内出风干球温度以及室内出风湿球温度，将采集到的待诊断空调器的室内机风量、室内出风干球温度以及室内出风湿球温度发送至故障诊断装置，故障诊断装置接收传感器采集的待诊断空调器的室内机风量、室内出风干球温度以及室内出风湿球温度，同时，故障诊断装置接收人工实验计算并输入得到的待诊断空调器的工况能
力以及功率。参照图8，图8为本发明实施例方案涉及的待诊断空调器x/y的输入参数表。故障诊断装置在获取到空调器的输入参数后，将空调器的输入参数输入预先建立并训练好的bp(back propagation)神经网络模型，由于bp(back propagation)神经网络模型建立有待诊断空调器的输入参数及其输出参数之间的神经网络关联，因此，在待诊断空调器的输入参数输入到预先建立并训练好的bp(back propagation)神经网络模型后，可以得到待诊断空调器的输出参数，即得到待诊断空调器的回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度，进而将待诊断空调器的输入参数、以及根据输入参数和bp(back propagation)神经网络模型得到的输出参数确定为待诊断空调器的诊断参数。
78.在本实施例中，在获取待诊断空调器用于故障诊断的诊断参数的过程中，也可以完全采用人工试验计算以及通过设置传感器的方式获取诊断参数，具体地，通过人工实验计算得到待诊断空调器的工况能力以及功率，在待诊断空调器上分别设置室内机风量传感器、室内出风干球温度传感器、室内出风湿球温度传感器、回气温度传感器、排气温度传感器、室内换热器进口温度传感器、室内换热器中部温度传感器、室内换热器出口温度传感器、室外换热器中部温度传感器以及室外换热器出口温度传感器，通过设置的上述传感器分别采集空调器的室内机风量、室内出风干球温度、室内出风湿球温度，回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度，进而将通过传感器获取到的待诊断空调器的相关参数以及人工试验计算得到的相关参数确定为待诊断空调器的诊断参数。
79.步骤s20，将所述诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到所述待诊断机器与各个所述样本机器的匹配结果；
80.在本实施例中，样本机器指的是与待诊断机器的机器设备类型相同，但其能效测试值不在机器设备的合格标准内、并且零部件发生故障的机器设备；样本参数指的是上述样本机器在相关工况下的工况数据，也即在相关工况下的运行数据，每一个样本机器的样本参数与诊断参数的参数类型都相同，参数的数量也都相同；样本数据库为一定数量的样本机器的集合，样本数据库中存储有所有样本机器的样本参数及其故障信息，且样本机器的样本参数与其故障信息关联。
81.在本实施例中，同样以样本机器为能效测试值不在合格标准内，零部件发生故障的样本空调器为例，能效测试值不在合格标准内的样本空调器的样本参数为其在相关工况下的工况数据，即样本空调器在相关工况下的运行数据，具体包括样本空调器的输入参数以及样本空调器的输出参数，具体参数与作为待诊断机器的待诊断空调器的诊断参数的类型和数量完全相同，同样包括样本空调器的工况能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度，回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度。样本数据库为一定数量的样本空调器的集合，样本数据库存储有所有样本空调器的样本参数及其关联的故障信息，其中，故障信息包括样本空调器的室内机测和室外机测的故障信息，具体可以是样本空调的发生故障的问题部件，包括室内机测的换热器、室内机测的风道、室外机测的换热器、室外机测的压缩机及换热器等。
82.在本实施例中，故障诊断装置中建立有样本数据库，故障诊断装置在获取到待诊
断机器的诊断参数后，将诊断参数与样本数据库中存储的每一个样本机器的样本参数逐一进行比较匹配，得到待诊断机器与每一个样本机器的匹配结果。
83.可选地，将待诊断机器的每一个诊断参数与某一个样本机器的样本参数中同一个参数进行进行比较，得到每一个诊断参数与该样本机器的样本参数中同一个参数的匹配结果，综合各个诊断参数与该样本机器的样本参数中同一个参数的匹配结果，得到待诊断机器与该样本机器的匹配结果。重复上述过程，可以得到待诊断机器与样本数据库中其他所有样本机器的匹配结果。
84.在本实施例中，待诊断机器的诊断参数可以划分为三个参数水平，具体包括水平1/水平2/水平3，其中，参数水平指的是该诊断参数的实际值相对于其基准值的相对水平，通常通过比值获取，以百分比表示，而基准值指的是待诊断机器的能效测试值在合格标准内，零部件未发生故障时该诊断参数在相关工况下所应该具有的正常值。将待诊断机器的各个诊断参数与其对应的基准值进行比较，通过计算诊断参数的实际值与其基准值的比值得到各个诊断参数对应的参数水平。诊断参数的参数水平具体按如下计算方式确定：水平1》101％基准值；101％基准值≥水平2≥99％基准值；99％基准值》水平3。
85.同理，样本数据库中的样本机器的各个样本参数同样也具有一个样本参数水平，样本参数的样本参数水平的确定方式与诊断参数的参数水平的确定方式完全相同，具体可以参考上述内容，本实施例在此不再赘述。
86.进一步地，将待诊断机器的每一个诊断参数的参数水平与某一个样本机器的的同一参数的参数水平进行比较匹配，得到各个诊断参数的参数水平与样本机器的同一参数的参数水平的比较结果，综合各个诊断参数的参数水平与样本机器中同一参数的参数水平的比较结果，得到待诊断机器与该样本机器的匹配结果。
87.可选地，用红蓝球数据来表示待诊断机器与样本机器的匹配结果，其中，用匹配红球数表示待诊断机器的输出参数的参数水平与某一个样本机器的样本数据中同一输出参数的参数水平的匹配结果，用匹配蓝球数表示诊断参数中输入参数的参数水平与某一样本机器的样本数据中同一输入参数的参数水平的匹配结果。
88.在本实施例中，将待诊断机器的每一个输入参数的参数水平与某一个样本机器的样本参数中同一输入参数的参数水平进行比较匹配，判断两者是否相同，若相同，则判定将待诊断机器与该样本机器的匹配蓝球数加1，将待诊断机器的每一输出参数的参数水平与某一样本机器的样本参数中同一输出参数的参数水平进行比较匹配，判断两者是否相同，若相同，则判定将待诊断机器与该样本机器的匹配红球数加1，在待诊断机器的诊断参数与某一样本机器的样本参数全部匹配结束后，将最终的红球数据和蓝球数据作为待诊断机器与该样本机器的匹配结果，例如，待诊断机器与某一个样本机器的最终的比较匹配结果为4个蓝球，5个红球，则匹配结果即为4蓝球5红球。重复上述过程，可以得到待诊断机器与其他样本机器的匹配结果。
89.在本实施例中，以空调器为例，待诊断空调器的输入参数包括待诊断空调器的工况能力、功率、室内机风量、室内出风干球温度以及室内出风湿球温度5个；输出参数包括待诊断空调器的回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度7个。
90.在本实施例中，在样本数据库中，每一个样本空调器的样本参数也包括样本空调
器的工况能力、功率、室内机风量、室内出风干球温度以及室内出风湿球温度5个；输出参数包括空调器的回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度7个。
91.在本实施例中，首先按上述参数水平的确定方式计算出待诊断空调器的12个诊断参数所对应的参数水平以及样本空调器的12个参数对应的参数水平，将待诊断空调器的输入参数的参数水平逐个与某一个样本空调器的样本参数中同一参数的参数水平进行比较，判断两者参数水平是否相同，若相同，则判定待诊断空调器与该样本空调器的匹配蓝球数加1，当待诊断空调器的所有输入参数比较完成后得到待诊断空调器与该样本空调器的总的匹配蓝球数；将待诊断空调器的输出参数的参数水平逐个与某一个样本空调器的样本参数中同一参数的参数水平进行比较，判断两者参数水平是否相同，若相同，则判定待诊断空调器与样本空调器的匹配红球数加1，当待诊断空调器的所有输出参数比较完成后得到待诊断空调器与该样本空调器的总的匹配红球数，将总的匹配蓝球数和总的匹配红球数确定为待诊断空调器与该样本空调器的匹配结果，举例来说，总的匹配蓝球数为4，总的匹配红球数为5，则待诊断空调器与该样本空调器的匹配结果为4蓝球5红球。重复上述过程，可以得到待诊断空调器与其他样本空调器的匹配结果。
92.可选地，在获取待诊机器与样本机器的匹配结果时，也可以将待诊断机器的所有诊断参数作为一个整体确定待诊断机器的匹配指标，同理，将每一个样本机器的所有样本参数作为一个整体确定样本机器的匹配指标，将待诊断机器的匹配指标与各个样本机器的匹配指标进行比较匹配，根据比较匹配结果得到待诊断机器与各个样本机器的匹配结果。
93.在本实施例中，以空调器为例，根据待诊断空调器的工况能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度、回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度这12个诊断参数得到一个匹配指标，假设匹配指标为a；同理，根据样本空调器的工况能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度、回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器中部温度以及室外换热器出口温度这12个样本参数也得到一个匹配指标，假设匹配指标为b，比较两个匹配指标a和b，得到待诊断空调器与样本空调器的匹配结果。
94.步骤s30，根据所述匹配结果确定与所述待诊断机器相匹配的样本机器；
95.故障诊断装置在得到待诊断机器与各个样本机器的匹配结果后，根据各个匹配结果选出与待诊断机器匹配度较好的样本机器，其中，与待诊断机器匹配度较好的样本机器可选为1个或者2个，当然，在其他实施例中，与待诊断机器匹配度较好的样本机器还可以大于2个，具体可根据实际需要确定，本实施例对此不作限定。需要说明的是，一般情况下，与待诊断机器匹配度较好的样本机器的数量越多，后续加权计算后的诊断结果越准确。
96.具体地，对各个匹配结果进行匹配度的高低排序，将匹配度最高的样本机器确定为与待诊断机器匹配度较好的样本机器，或者，将匹配度最高和匹配度次高的样本机器确定为与待诊断机器匹配度较好的样本机器。其中，匹配度高低排序的规则为：优先对各个匹配结果中的匹配蓝球数进行从高到低排序，其中，匹配蓝球数越高，待诊断机器与该样本机器的匹配度越高，在匹配蓝球数相同时，对其匹配红球数进行从高到低排序，匹配红球数越多，匹配度越高。参照图9，图9为本发明实施例方案涉及的匹配度排序的规则示意图。其中，
实心球代表红球，空心球代表蓝球。
97.在本实施例中，以待诊断机器为空调器为例，优先对待诊断空调器与各个样本空调器的匹配结果中的匹配蓝球数进行从高到低排序，匹配蓝球数越高，待诊断空调器与该样本空调器的匹配度越高，在匹配蓝球数相同时，对待诊断空调器与各个样本空调器的匹配结果中的匹配红球数进行从高到低排序，匹配红球数越高，待诊断空调器与该样本空调器的匹配度越高，按此匹配度的排序规则得到与待诊断空调器匹配度较好的样本空调器，并将其确定为与待诊断空调器相匹配的样本空调器，或者，按此匹配度的排序规则得到与待诊断空调器匹配度最高和匹配度次高的样本空调器，并将其确定为与待诊断空调器匹配度较好的样本空调器。
98.步骤s40，获取所述样本机器的故障信息，并根据所述样本机器的故障信息确定所述待诊断机器的诊断结果，其中，所述诊断结果包括所述待诊断机器的问题部件、问题影响因素和/或所述问题影响因素的影响权重。
99.故障信息为样本机器的故障情况信息，故障信息包括样本机器的问题部件，即发生故障的零部件信息，诊断结果为待诊断机器的诊断情况，包括待诊断机器发生故障的零部件信息、出现该问题的影响因素和/或该问题影响因素的影响权重。
100.故障诊断装置在得到与待诊断机器匹配度较好的样本机器后，整理输出与该匹配度较好的样本机器的问题部件，根据整理输出的问题部件确定待诊断机器的诊断结果。
101.可选地，若匹配得到的与待诊断机器匹配度较好的样本机器只有一个，则整理输出该样本机器的问题部件，则待诊断机器的问题部件就为将该样本机器的问题部件，并通过各工况的加权计算得到诊断结果。
102.可选地，若匹配得到的与待诊断机器匹配度较好的样本机器有两个(即上述匹配度最高和匹配度次高的)，则整理出这两个样本机器的问题部件，通过各工况的加权计算得到诊断结果。需要说明的是，匹配得到的与待诊断机器匹配度较好的样本机器也可以大于两个，这样可以提高诊断结果的准确性。
103.进一步地，故障诊断装置在得到诊断结果后，输出该诊断结果，研发设计人员依据该诊断结果可以对待诊断机器进行优化调整，待诊断结果个研发设计人员提供了提高待诊断机器的能效稳定性的理论指导和优化方向，优化调整的方式可以为更换问题部件以使待诊断机器的能效测试值在合格标准内。
104.进一步地，故障诊断装置在获取到的诊断结果后，将诊断参数与诊断结果关联，并将关联后的诊断参数和诊断结果存储至样本数据库，这样，可以使样本数据库具有自更新、自扩充性的功能。
105.在本实施中，以待诊断机器为空调器为例，故障诊断装置在获取到与待诊断空调器的样本空调器后，整理输出样本空调器的出现问题的零部件，也即问题部件，并通过各工况的加权计得到待诊断空调器出现问题的零部件、出现该问题的影响因素和/或该问题影响因素的影响权重。参照图10，图10为本发明实施例方案涉及待诊断空调器x/y的诊断结果表。
106.可选地，若匹配得到的与待诊断空调器匹配度较好的样本空调器只有一个，则整理输出该样本空调器的问题部件，则待诊断空调器的问题部件就为将该样本空调器的问题部件，并通过各工况的加权计算得到待诊断空调器出现问题的零部件、出现该问题的影响
因素和/或该问题影响因素的影响权重。
107.可选地，若匹配得到的与待诊断空调器匹配度较好的样本空调器有两个(即上述匹配度最高和匹配度次高的)，则整理出这两个样本空调器的问题部件，通过各工况的加权计算得到待诊断空调器出现问题的零部件、出现该问题的影响因素和/或该问题影响因素的影响权重。
108.进一步地，故障诊断装置在得到待诊断空调器的诊断结果后，输出该诊断结果，研发设计人员依据该诊断结果可以对待诊断空调器进行优化调整，优化调整的方式可选为更换问题部件以使待诊断机器的能效测试值在合格标准内。参照图11，图11为本发明实施例方案涉及的待诊断空调器x/y诊断前后的能效数据表。由图11可知，根据诊断结果优化后，待诊断空调器的能效测试值位于合格标准内，有效提高了待诊断空调器的能效稳定性。
109.本实施例提供的技术方案中，故障诊断装置通过获取待诊断机器的诊断参数，将诊断参数与样本数据库中各个样本机器的样本参数进行匹配，得到待诊断机器与各个样本机器的匹配结果，然后根据匹配结果确定与待诊断机器相匹配的样本机器，最后获取样本机器的故障信息，并根据样本机器的故障信息确定待诊断机器的诊断结果，这样，本方案利用样本数据库对未知问题的待诊断机器的问题部件进行问题溯源，为提高待诊断机器的能效稳定性提供了理论指导和优化方向，有效解决了机器设备能效稳定性较低的问题。
110.参照图3，图3为本发明故障诊断方法第二实施例的流程示意图，基于实施例一，上述s20的步骤包括：
111.步骤s21，获取所述诊断参数对应的参数水平，其中，所述参数水平为所述诊断参数的实际值相对于所述诊断参数的基准值的相对水平；
112.步骤s22，判断所述诊断参数的参数水平与各个所述样本机器的样本参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的匹配结果。
113.在本实施例中，待诊断机器的诊断参数可以划分为三个参数水平，具体包括水平1/水平2/水平3，其中，参数水平指的是该诊断参数的实际值相对于其基准值的相对水平，通常通过比值获取，以百分比表示，而基准值指的是待诊断机器的能效测试值在合格标准内，零部件未发生故障时该诊断参数在相关工况下所应该具有的正常值。将待诊断机器的各个诊断参数与其对应的基准值进行比较，通过计算诊断参数的实际值与其基准值的比值得到各个诊断参数对应的参数水平。诊断参数的参数水平具体按如下计算方式确定：水平1》101％基准值；101％基准值≥水平2≥99％基准值；99％基准值》水平3。
114.同理，样本数据库中的样本机器的各个样本参数同样也具有一个样本参数水平，样本参数的样本参数水平的确定方式与诊断参数的参数水平的确定方式完全相同，具体可以参考上述内容，本实施例在此不再赘述。
115.进一步地，将待诊断机器的每一个诊断参数的参数水平与某一个样本机器的的同一参数的参数水平进行比较，得到各个诊断参数的参数水平与样本机器的同一参数的参数水平的比较结果，综合各个诊断参数的参数水平与样本机器中同一参数的参数水平的比较结果得到待诊断机器与该样本机器的匹配结果。
116.可选地，用红蓝球数据来表示待诊断机器与样本机器的匹配结果，其中，用匹配红球数表示待诊断机器的输出参数的参数水平与某一个样本机器的样本数据中同一输出参数的参数水平的匹配结果，用匹配蓝球数表示诊断参数中输入参数的参数水平与某一样本
机器的样本数据中同一输入参数的参数水平的匹配结果。
117.在本实施例中，若诊断参数中某一个输入参数的参数水平与某一个样本机器的样本参数中同一输入参数的参数水平相同，则判定将待诊断机器与该样本机器的匹配蓝球数加1；若诊断参数中某一个输出参数的参数水平与某一个样本机器的样本参数中同一输出参数的参数水平相同，则判定将待诊断机器与该样本机器的匹配红球数加1，在待诊断机器的诊断参数与某一样本机器的样本参数全部匹配结束后，将最终的红蓝球数据作为待诊断机器与该样本机器的匹配结果，举例来说，待诊断机器与某一个样本机器的最终比较匹配结果为4个蓝球，5个红球，则匹配结果即为4蓝球5红球。重复上述过程，可以得到待诊断机器与其他样本机器的匹配结果。
118.本实施例提供的技术方案中，通过获取待诊断机器的诊断参数的参数水平，判断诊断参数的参数水平与各个样本机器的样本参数的参数水平是否相同来确定待诊断机器与各个样本机器的匹配结果，这样，本方案通过设置参数水平并比较参数水平的方式确定匹配结果可以提高匹配的准确性，进而提高故障诊断的准确性。
119.参照图4，图4为本发明故障诊断方法第三实施例的流程示意图，基于实施例二，上述s21的步骤包括：
120.步骤s23，获取所述诊断参数的基准值；
121.步骤s24，获取所述诊断参数的实际值与所述基准值的比值；
122.步骤s25，根据所述比值确定所述诊断参数的参数水平。
123.在本实施例中，基准值指的是待诊断机器的能效测试值在合格标准内，零部件未发生故障时该诊断参数在相关工况下所应该具有的正常值。
124.将待诊断机器的各个诊断参数与其对应的基准值进行比较，通过计算诊断参数的实际值与其基准值的比值得到各个诊断参数对应的参数水平。诊断参数的参数水平具体按如下计算方式确定：水平1》101％基准值；101％基准值≥水平2≥99％基准值；99％基准值》水平3。
125.本实施例提供的技术方案中，通过基准值确定参数水平可以准确确定诊断参数相对于基准值的相对水平，进而提高故障诊断的准确率。
126.参照图5，图5为本发明故障诊断方法第四实施例的流程示意图，基于实施例三，上述s22的步骤包括：
127.步骤s26，判断所述待诊断机器的输入参数的参数水平与各个所述样本机器的同一输入参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的第一匹配结果；
128.在本实施里中，第一匹配结果为待诊断机器的输入参数的参数水平与某一样本机器的输入参数的参数水平的匹配结果，第一匹配结果用匹配蓝球数表示。
129.具体地，将待诊断机器的每一个输入参数的参数水平与某一个样本机器的样本参数中同一输入参数的参数水平进行比较，判断两者是否相同，若相同，则判定将待诊断机器与该样本机器的匹配蓝球数加1，在待诊断机器的全部输入参数比较完成后，最终得到的匹配蓝球总数即为待诊断机器与该样本机器的第一匹配结果，若最终得到的蓝球数为4，则第一匹配结果即为4蓝球。重复上述过程，可以得到待诊断机器与其他样本机器的第一匹配结果。
130.步骤s27，判断所述待诊断机器的输出参数的参数水平与各个所述样本机器的同一输出参数的参数水平是否相同，以确定所述待诊断机器与各个所述样本机器的第二匹配结果；
131.在本实施里中，第二匹配结果为待诊断机器的输出参数的参数水平与某一个样本机器的输出参数的参数水平的匹配结果，第二匹配结果用匹配红球数表示。
132.具体地，将待诊断机器的每一输出参数的参数水平与某一样本机器的样本参数中同一输出参数的参数水平进行比较，判断两者是否相同，若相同，则判定将待诊断机器与该样本机器的匹配红球数加1，在待诊断机器的全部输出参数比较完成后，最终得到的匹配红球总数即为待诊断机器与该样本机器的第二匹配结果，若最终得到的匹配红球书为5，则第二匹配结果为5红球。重复上述过程，可以得到待诊断机器与其他样本机器的第二匹配结果。
133.步骤s28，根据所述第一匹配结果和所述第二匹配结果确定所述待诊断机器与各个所述样本机器的匹配结果。
134.在本实施里中，匹配结果为待诊断机器的全部诊断参数与样本机器的样全部样本参数的比较完成后的最终匹配结果，匹配结果用待诊断机器与某一样本机器的红蓝球数据表示。待诊断机器与样本数据库中每一个样本机器都会产生一个匹配结果，若第一匹配结果为4蓝球，第二匹配结果为5红球，则匹配结果为4蓝球5红球。
135.本实施例提供的技术方案中，通过分别计算待诊断机器与样本机器的第一匹配结果和第二匹配结果，将第一匹配结果和第二匹配结果组合形成待诊断机器与样本机器的匹配结果，使得匹配方法更加合理，提高了匹配结果的准确性，进而提高了故障诊断的准确性。
136.参照图6，图6为本发明故障诊断方法第五实施例的流程示意图，基于实施例一，上述s10的步骤包括：
137.步骤s11，获取所述待诊断机器的输入参数；
138.在本实施例中，输入参数为待诊断机器输入部分的参数值，输入参数是待诊断机器诊断参数的一部分，故障诊断装置通过传感器获取待诊断机器的输入参数，待诊断机器上设置有输入参数对应的传感器，传感器与故障诊断装置连接，传感器采集待诊断机器的输入参数，并将采集到的输入参数发送至故障诊断装置，故障诊断装置接收传感器采集的输入参数。可以理解的是，对于不能用传感器采集的输入参数也可以通过人工实验计算得到。
139.步骤s12，将所述待诊断机器的输入参数输入目标神经网络模型进行预测，得到所述待诊断机器的输出参数；
140.在本实施例中，输出参数为待诊断机器输出部分的参数值，输出参数也是待诊断机器诊断参数的一部分；目标神经网络模型为预先建立并训练好的神经网络模型，目标神经网络模型可选为bp(back propagation)神经网络模型，当然，在其他实施例中，目标神经网络模型可以根据实际情况确定，本实施例对此不作限定。故障诊断装置在获取到待诊断机器的输入参数后，将输入参数输入预先建立并训练好的目标神经网络模型预测，得到待诊断机器的输出参数。可以理解的是，输出参数也可以通过传感器以及人工实验计算得到。
141.步骤s13，将所述输入参数和所述输出参数确定为所述待诊断机器的诊断参数。
142.在本实施里中，故障诊断装置在获取到待诊断机器的输入参数和输出参数后，将待诊断机器的输入参数、根据输入参数和bp(back propagation)神经网络模型得到的输出参数确定为待诊断机器的诊断参数。
143.本实施例提供的技术方案中，通过获取待诊断机器的输入参数，将输入参数输入预先建立并训练好的目标神经网络模型得到待诊断机器的输出参数，基于待诊断机器的输入参数以及目标神经网络模型得到待诊断机器的输出参数，一方面可以减少待诊断设备中传感器的设置数量，节约硬件资源，另一方面可以提高诊断参数的获取效率和准确率。
144.参照图7，图7为本发明故障诊断方法第六实施例的流程示意图，基于实施例五，上述s11的步骤之前包括：
145.步骤s14，获取预设神经网络模型；
146.在本实施例中，预设神经网络模型为在故障诊断装置中预先建立的但并未训练的神经网路模型，预设神经网络模型可选为bp(back propagation)神经网络模型。
147.具体地，以搭建bp(back propagation)神经网络模型为例，建立待诊断机器的输入参数与输出参数的神经网络关联的方式如下：
148.(1)设置输入层：将待诊断机器的输入参数作为预设神经网络模型的输入层，输入参数的个数等于输入层的层数。
149.(2)设置隐藏层：隐藏层的节点偏向qj＝10，隐藏层数为2，需要说明的是，隐藏层的节点偏向和层数可以根据实际需要确定，本实施例对此不作限定。
150.(3)设置输出层：将待诊断机器的输出参数作为预设神经网络模型的输出层，输出参数的个数等于输出层的层数。
151.在设置好输入层后、隐藏层和输出层后即得到预设神经网络模型(bp神经网络模型)。参照图12，图12为本发明实施例方案涉及的bp神经网络模型示意图。
152.依据该神经网络模型，输入数据后，由输入层向前(隐藏层及输出层)进行传送，计算式为：
[0153][0154]
其中ij为下个传输单元的值(等待进行非线性转化)，w
ij
为每个单元到下一个单元连线之间的权重，qj为偏向。通过非线性转化，即可得输出值.
[0155]
步骤s15，将训练数据库中训练机器的输入参数输入所述预设神经网络模型，得到所述训练机器的输出参数的实际输出值；
[0156]
在本实施例中，训练机器为与待诊断机器的机器设备类型相同的机器设备，训练数据库是一定数量的训练机器的集合，包括训练机器的输入参数和输出参数，训练数据库用于对预设的神经网络模型以得到目标神经网络模型。
[0157]
具体地，故障诊断装置中预先建立有训练数据库，故障诊断装置获取到预设神经网络模型后，将训练数据库中的输入参数输入预设神经网络模型训练得到训练机器的实际输出值。
[0158]
步骤s16，获取所述训练机器的输出参数的期望输出值；
[0159]
在本实施里中，期望输出值为训练机器的输入参数输入预设神经网络模型期望得到的理想输出值，故障诊断装置中预先存储有训练机器的输出参数的期望输出值，故障诊
断装置自动获取存储的训练机器的输出参数的期望输出值。
[0160]
步骤s17，在所述实际输出值等于所述期望输出值时，将所述预设神经网路模型确定为所述目标神经网络模型。
[0161]
在本实施例中，故障诊断装置获取到训练机器的输入参数的实际输出值和期望输出值后，比较实际输出值和期望输出值，判断实际输出值和期望输出值是否相等，在实际输出值和期望输出值相等时，将预设神经网络模型确定为目标神经网络模型。
[0162]
进一步地，在实际输出值与期望输出值不相等时，计算期望输出值与实际输出值的之间的误差值，然后根据误差值修正预设神经网络模型中网络节点偏向的权重。
[0163]
进一步地，将预设神经网络模型更新为修正后的神经网络模型，将训练数据库中训练机器的输入参数输入更新后的预设神经网络模型得到训练机器的实际输出值，以此类推，直到训练机器的输出参数的实际输出值和期望输出值相等，将最终修正后的预设神经网络模型确定为目标神经网络模型。
[0164]
本实施例提供的技术方案中，通过训练数据库训练预设神经网络模型得到目标神经网络模型，可以提高目标神经网络模型的预测准确率，进而提高故障诊断的诊断效率和准确率。
[0165]
需要说明的是，在本文中，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过程、方法、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0166]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0167]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0168]
以上仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。