本公开涉及故障诊断,尤其涉及一种制冷机的故障诊断方法、装置及存储介质。
背景技术:
1、作为建筑物总能耗高达40%的大型能源消耗者,制冷机系统可能由于故障的存在而损失高达30%的性能系数,因此制冷机的故障自动诊断对于评估制冷机的退化状态具有重要的作用,通常需要保证故障诊断的效率和可靠性。现有技术中的故障诊断模型通常依赖于历史数据,需要大量的标记数据来训练诊断模型。但是,由于数据标记通常需要费力并且通常被认为既耗时又昂贵,因此通常故障诊断模型只针对单一类型的制冷机,而该行业主要由定制冷水机主导在大小和设计上差异很大的站点上构建,因此模型可能不适用于不同结构的制冷机。针对不同结构的制冷机通常需要使用跨域故障诊断,虽然跨域故障诊断时需要较少的目标域数据,但是,大多数现有的制冷机跨域故障诊断模型依赖于目标域数据中的几个正确标记的实例,而这些实例只能通过极大的努力和相关成本提取。
技术实现思路
1、为克服相关技术中存在的问题,本公开提供一种制冷机的故障诊断方法、装置及存储介质。
2、根据本公开实施例的第一方面,提供一种制冷机的故障诊断方法,所述制冷机的故障诊断方法包括:
3、获取源域数据和目标域数据,所述源域数据表示具有大量原始标记的参考制冷机的数据,所述目标域数据表示具有预设原始标记的目标制冷机的数据;
4、获取所述源域数据和所述目标域数据中的共享特征;
5、根据所述共享特征和所述源域数据,得到初始支持向量机分类器;
6、基于所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器;
7、基于所述目标分类器,对所述目标制冷机进行故障诊断。
8、在一示例性实施例中,所述获取所述源域数据和所述目标域数据中的共享特征,包括:
9、确定所述源域数据的边缘分布和所述目标域数据的边缘分布之间的距离;
10、当所述距离最小时,分别从所述源域数据和所述目标域数据中提取特征,作为共享特征。
11、在一示例性实施例中,所述基于所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器,包括:
12、根据所述初始支持向量机分类器,获得所述目标域数据中的预测故障数据和预测非故障数据;
13、将所述预设故障数据和所述预测非故障数据作为所述目标域数据的伪标记;
14、基于具有所述伪标记的所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器。
15、在一示例性实施例中,所述基于具有所述伪标记的所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器,包括:
16、每次选取部分具有所述伪标记的所述目标域数据替换同等数量符合预设条件的所述源域数据,得到更新后的源域数据;
17、基于所述更新后的源域数据和所述共享特征,训练所述初始支持向量机分类器,得到更新后的支持向量机分类器;
18、根据更新后的支持向量机分类器,更新所述目标域数据的伪标记;
19、当所述目标域数据的伪标记均不再更新时,将所述更新后的支持向量机分类器作为所述目标分类器。
20、在一示例性实施例中,所述制冷机的故障诊断方法还包括:
21、将所述目标分类器获得的所述目标域数据的预测数据作为所述目标域数据的标记;
22、将所述目标域数据作为验证源域数据,所述源域数据作为验证目标域数据;
23、根据所述验证源域数据和所述验证目标域数据,确定所述目标分类器是否符合预设标准。
24、在一示例性实施例中,所述根据所述验证源域数据和所述验证目标域数据,确定所述目标分类器是否符合预设标准,包括:
25、根据所述验证源域数据和所述验证目标域数据,确定所述源域数据的分类器;
26、根据所述源域数据的分类器,确定所述源域数据的预测标记;
27、根据所述源域数据的所述原始标记和所述预测标记,确定所述源域数据的分类器的分类精度;
28、当所述分类精度大于或等于预设阈值时,确定所述目标分类器符合预设标准。
29、根据本公开实施例的第二方面,提供一种制冷机的故障诊断装置,所述制冷机的故障诊断装置包括:
30、第一获取模块,被配置为获取源域数据和目标域数据,所述源域数据表示具有大量原始标记的参考制冷机的数据,所述目标域数据表示具有预设原始标记的目标制冷机的数据;
31、第二获取模块,被配置为获取所述源域数据和所述目标域数据中的共享特征;
32、确定模块,被配置为根据所述共享特征和所述源域数据,得到初始支持向量机分类器;
33、调整模块,被配置为基于所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器;
34、诊断模块,被配置为基于所述目标分类器,对所述目标制冷机进行故障诊断。
35、在一示例性实施例中,所述第二获取模块还被配置为:
36、确定所述源域数据的边缘分布和所述目标域数据的边缘分布之间的距离;
37、当所述距离最小时,分别从所述源域数据和所述目标域数据中提取特征,作为共享特征。
38、在一示例性实施例中,所述调整模块还被配置为:
39、根据所述初始支持向量机分类器,获得所述目标域数据中的预测故障数据和预测非故障数据;
40、将所述预设故障数据和所述预测非故障数据作为所述目标域数据的伪标记;
41、基于具有所述伪标记的所述目标域数据和所述共享特征,调整所述初始支持向量机分类器,得到所述目标域数据的目标分类器。
42、在一示例性实施例中,所述调整模块还被配置为:
43、每次选取部分具有所述伪标记的所述目标域数据替换同等数量符合预设条件的所述源域数据,得到更新后的源域数据;
44、基于所述更新后的源域数据和所述共享特征,训练所述初始支持向量机分类器,得到更新后的支持向量机分类器;
45、根据更新后的支持向量机分类器,更新所述目标域数据的伪标记;
46、当所述目标域数据的伪标记均不再更新时,将所述更新后的支持向量机分类器作为所述目标分类器。
47、在一示例性实施例中,所述制冷机的故障诊断装置还包括验证模块,被配置为:
48、将所述目标分类器获得的所述目标域数据的预测数据作为所述目标域数据的标记;
49、将所述目标域数据作为验证源域数据,所述源域数据作为验证目标域数据;
50、根据所述验证源域数据和所述验证目标域数据,确定所述目标分类器是否符合预设标准。
51、在一示例性实施例中,所述验证模块还被配置为:
52、根据所述验证源域数据和所述验证目标域数据,确定所述源域数据的分类器;
53、根据所述源域数据的分类器,确定所述源域数据的预测标记;
54、根据所述源域数据的所述原始标记和所述预测标记,确定所述源域数据的分类器的分类精度;
55、当所述分类精度大于或等于预设阈值时,确定所述目标分类器符合预设标准。
56、根据本公开实施例的第三方面,提供一种制冷机的故障诊断装置,包括:
57、处理器;
58、用于存储处理器可执行指令的存储器;
59、其中,所述处理器被配置为执行如本公开实施例的第一方面中任一项所述的方法。
60、根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置的处理器执行时,使得装置能够执行如本公开实施例的第一方面中任一项所述的方法。
61、采用本公开的上述方法,具有以下有益效果:使用本公开中的方法,能够训练出应用于原始标记很少或者无标记的目标域数据的分类器,使用该分类器能够实现对目标域数据的自动故障诊断。
62、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。