【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)涉及冷水機(jī)組設(shè)備預(yù)測(cè)性維護(hù)，更具體的說(shuō)是涉及一種冷水機(jī)組故障檢測(cè)和分類(lèi)方法、系統(tǒng)、裝置及介質(zhì)。
技術(shù)介紹
1、隨著智能建筑和綠色建筑的發(fā)展，越來(lái)越多的hvac系統(tǒng)被集成到樓宇自動(dòng)化管理系統(tǒng)中。然而，冷水機(jī)組由于其工作環(huán)境復(fù)雜，易受多種因素影響，例如負(fù)荷變化、環(huán)境溫度波動(dòng)、操作不當(dāng)?shù)龋瑢?dǎo)致故障模式復(fù)雜多樣。傳統(tǒng)的維護(hù)手段往往依賴(lài)于專(zhuān)家經(jīng)驗(yàn)進(jìn)行定期檢查和故障處理，這種方式不僅成本高、耗時(shí)長(zhǎng)，還容易因?qū)＜宜讲灰欢鴮?dǎo)致故障漏檢或誤判。此外，傳統(tǒng)的基于規(guī)則的方法難以應(yīng)對(duì)復(fù)雜的多工況故障，往往難以及時(shí)、準(zhǔn)確地對(duì)冷水機(jī)組故障進(jìn)行預(yù)測(cè)性維護(hù)。
2、近年來(lái)，隨著物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的進(jìn)步，冷水機(jī)組的實(shí)時(shí)數(shù)據(jù)采集變得更加容易，大量的傳感器數(shù)據(jù)為機(jī)組的故障檢測(cè)與診斷提供了數(shù)據(jù)基礎(chǔ)。然而，由于冷水機(jī)組的正常和故障狀態(tài)樣本存在不平衡性，實(shí)際應(yīng)用中很多故障樣本較為稀缺，采用傳統(tǒng)的有監(jiān)督學(xué)習(xí)方法需要大量標(biāo)注數(shù)據(jù)，難以滿(mǎn)足工程實(shí)際的需求。因此，如何利用大量的未標(biāo)注數(shù)據(jù)，通過(guò)無(wú)監(jiān)督學(xué)習(xí)的方法進(jìn)行冷水機(jī)組的故障分類(lèi)，成為當(dāng)前研究的熱點(diǎn)問(wèn)題。
3、現(xiàn)有技術(shù)中，對(duì)冷水機(jī)組的故障檢測(cè)和分類(lèi)大多基于傳統(tǒng)機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型，常見(jiàn)的方法包括支持向量機(jī)（svm）、隨機(jī)森林（rf）、長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）等。這些方法雖然在一定程度上提高了故障檢測(cè)的性能，但往往存在泛化能力不足、對(duì)數(shù)據(jù)分布的假設(shè)過(guò)于嚴(yán)格等問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)以上問(wèn)題，本專(zhuān)利技術(shù)的目的在于提供一種冷水機(jī)組故障檢測(cè)和分類(lèi)
2、本專(zhuān)利技術(shù)為實(shí)現(xiàn)上述目的，通過(guò)以下技術(shù)方案實(shí)現(xiàn)：
3、第一方面，本專(zhuān)利技術(shù)公開(kāi)了一種冷水機(jī)組故障檢測(cè)和分類(lèi)方法，包括：
4、采集冷水機(jī)組的運(yùn)行數(shù)據(jù)，記錄為特征變量；對(duì)特征變量進(jìn)行預(yù)處理，提取其中的故障檢測(cè)特征變量生成時(shí)間序列數(shù)據(jù)，并存儲(chǔ)到時(shí)序數(shù)據(jù)庫(kù)中；
5、在時(shí)序數(shù)據(jù)庫(kù)中收集冷水機(jī)組運(yùn)行正常期間的時(shí)間序列數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集；
6、使用moe算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行算法建模，生成moe模型，并進(jìn)行模型參數(shù)配置；
7、基于訓(xùn)練樣本集，使用adam優(yōu)化器和cosinelr調(diào)度器訓(xùn)練moe模型；
8、在時(shí)序數(shù)據(jù)庫(kù)中獲取冷水機(jī)組實(shí)時(shí)的時(shí)間序列數(shù)據(jù)，輸入到moe模型中，識(shí)別出異常的時(shí)間序列數(shù)據(jù)；
9、使用k-means聚類(lèi)算法對(duì)異常的時(shí)間序列數(shù)據(jù)進(jìn)行無(wú)監(jiān)督分類(lèi)，以確定冷水機(jī)組的故障類(lèi)型。
10、進(jìn)一步，所述采集冷水機(jī)組的運(yùn)行數(shù)據(jù)，記錄為特征變量；對(duì)特征變量進(jìn)行預(yù)處理，提取其中的故障檢測(cè)特征變量生成時(shí)間序列數(shù)據(jù)，并存儲(chǔ)到時(shí)序數(shù)據(jù)庫(kù)中，包括：
11、通過(guò)安裝在制冷回路中的傳感器采集冷水機(jī)組的運(yùn)行數(shù)據(jù)，并記錄為預(yù)設(shè)數(shù)量的特征變量；所述特征變量包括壓力、制冷量、溫度和功率；
12、對(duì)特征變量進(jìn)行數(shù)據(jù)清洗和數(shù)據(jù)歸一化處理；
13、在特征變量中提取16個(gè)用于故障檢測(cè)的特征變量，并生成時(shí)間序列數(shù)據(jù)；
14、所述6個(gè)用于故障檢測(cè)的特征變量包括：蒸發(fā)器進(jìn)水溫度、蒸發(fā)器出水溫度、冷凝器進(jìn)水溫度、冷凝器出水溫度、壓縮機(jī)功率、蒸發(fā)器溫差表征值、冷凝器溫差表征值、蒸發(fā)溫度、冷凝溫度、制冷劑過(guò)冷度、壓縮機(jī)吸氣溫度、壓縮機(jī)吸氣過(guò)熱度、壓縮機(jī)排氣溫度、壓縮機(jī)排氣過(guò)熱度、油箱內(nèi)溫度和供油壓力；
15、通過(guò)modbus和mqtt協(xié)議將時(shí)間序列數(shù)據(jù)上傳至物聯(lián)網(wǎng)平臺(tái)，通過(guò)物聯(lián)網(wǎng)平臺(tái)將時(shí)間序列數(shù)據(jù)存儲(chǔ)到內(nèi)置的時(shí)序數(shù)據(jù)庫(kù)中。
16、進(jìn)一步，所述在時(shí)序數(shù)據(jù)庫(kù)中收集冷水機(jī)組運(yùn)行正常期間的時(shí)間序列數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集，包括：
17、在時(shí)序數(shù)據(jù)庫(kù)中收集冷水機(jī)組運(yùn)行正常期間的時(shí)間序列數(shù)據(jù)，根據(jù)對(duì)應(yīng)的設(shè)備，拼接同一設(shè)備在不同時(shí)段的時(shí)間序列數(shù)據(jù)，并進(jìn)行數(shù)據(jù)平滑處理，生成訓(xùn)練樣本集。
18、進(jìn)一步，所述使用moe算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行算法建模，生成moe模型，并進(jìn)行模型參數(shù)配置，包括：
19、將時(shí)間序列數(shù)據(jù)進(jìn)行時(shí)間對(duì)齊，生成具有t個(gè)連續(xù)時(shí)間戳和k個(gè)度量的多變量時(shí)間序列數(shù)據(jù)由有序序列，具體表示如下：
20、
21、其中，定義為特定時(shí)間戳?xí)r所有度量的觀測(cè)值集合：，?在集合中，每個(gè)數(shù)據(jù)點(diǎn)表示第個(gè)度量在該時(shí)間點(diǎn)的值。
22、構(gòu)建moe模型，moe模型包括專(zhuān)家網(wǎng)絡(luò)、門(mén)控機(jī)制和塔式網(wǎng)絡(luò)；
23、將moe模型第個(gè)任務(wù)表示為：
24、
25、其中，代表點(diǎn)乘，表示專(zhuān)家生成的中間結(jié)果集合，表示門(mén)控結(jié)構(gòu)，表示第個(gè)下游任務(wù)的模式，即塔式網(wǎng)絡(luò)。
26、通過(guò)配置moe模型的卷積層提取時(shí)間依賴(lài)性和跨度量依賴(lài)性。
27、結(jié)合共享門(mén)控和個(gè)性化門(mén)控為moe模型設(shè)置雙門(mén)控機(jī)制。
28、進(jìn)一步，所述基于訓(xùn)練樣本集，使用adam優(yōu)化器和cosinelr調(diào)度器訓(xùn)練moe模型，包括：
29、基于訓(xùn)練樣本集生成訓(xùn)練集和驗(yàn)證集；
30、設(shè)置訓(xùn)練參數(shù)，訓(xùn)練參數(shù)包括窗口大小、專(zhuān)家網(wǎng)絡(luò)數(shù)量、horizon的取值、每個(gè)專(zhuān)家網(wǎng)絡(luò)中的核心數(shù)量和共享門(mén)控的權(quán)重系數(shù)；
31、使用adam優(yōu)化器和cosinelr調(diào)度器訓(xùn)練moe模型；
32、訓(xùn)練時(shí)，將初始學(xué)習(xí)率為0.001。批大小設(shè)置為128。最大訓(xùn)練輪數(shù)設(shè)置為10。
33、進(jìn)一步，所述在時(shí)序數(shù)據(jù)庫(kù)中獲取冷水機(jī)組實(shí)時(shí)的時(shí)間序列數(shù)據(jù)，輸入到moe模型中，識(shí)別出異常的時(shí)間序列數(shù)據(jù)，包括：
34、在時(shí)序數(shù)據(jù)庫(kù)中獲取冷水機(jī)組實(shí)時(shí)的時(shí)間序列數(shù)據(jù)，輸入到moe模型中生成預(yù)測(cè)結(jié)果；
35、當(dāng)預(yù)測(cè)結(jié)果為0時(shí)，相應(yīng)的時(shí)間序列數(shù)據(jù)正常；
36、當(dāng)預(yù)測(cè)結(jié)果為1時(shí)，相應(yīng)的時(shí)間序列數(shù)據(jù)異常。
37、進(jìn)一步，所述使用k-means聚類(lèi)算法對(duì)異常的時(shí)間序列數(shù)據(jù)進(jìn)行無(wú)監(jiān)督分類(lèi)，以確定冷水機(jī)組的故障類(lèi)型，包括：
38、將冷水機(jī)組故障設(shè)定為八類(lèi)故障，所述八類(lèi)故障包括冷凍水流量減少、冷卻水流量減少、制冷劑充注過(guò)多、不凝性氣體、制冷劑泄漏、潤(rùn)滑油過(guò)多和調(diào)節(jié)閥故障；
39、基于八類(lèi)故障，設(shè)定k-means聚類(lèi)算法的初始質(zhì)心數(shù)量k=8；
40、基于異常的時(shí)間序列數(shù)據(jù)，生成時(shí)序數(shù)據(jù)集，其中，每條時(shí)間序列數(shù)據(jù)對(duì)應(yīng)一個(gè)異常特征；
41、對(duì)于每一對(duì)異常特征()，使用動(dòng)態(tài)時(shí)間規(guī)整算法計(jì)算它們之間的距離；
42、其中，；
43、構(gòu)建局部距離矩陣，其中和分別是時(shí)間序列數(shù)據(jù)和在第和第個(gè)時(shí)間點(diǎn)的值，
44、使用動(dòng)態(tài)規(guī)劃方法求解兩個(gè)時(shí)間序列數(shù)據(jù)的對(duì)齊路徑，并選擇代價(jià)最小的路徑；
45、通過(guò)以下公式遞歸計(jì)算累計(jì)最小距離矩陣：
46、
47、其中，矩陣的右下角值表示時(shí)間序列數(shù)據(jù)和之間的dtw距離；
48、計(jì)算所有異常的本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述采集冷水機(jī)組的運(yùn)行數(shù)據(jù)，記錄為特征變量；對(duì)特征變量進(jìn)行預(yù)處理，提取其中的故障檢測(cè)特征變量生成時(shí)間序列數(shù)據(jù)，并存儲(chǔ)到時(shí)序數(shù)據(jù)庫(kù)中，包括：
3.根據(jù)權(quán)利要求2所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述在時(shí)序數(shù)據(jù)庫(kù)中收集冷水機(jī)組運(yùn)行正常期間的時(shí)間序列數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集，包括：
4.根據(jù)權(quán)利要求3所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述使用MoE算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行算法建模，生成MoE模型，并進(jìn)行模型參數(shù)配置，包括：
5.根據(jù)權(quán)利要求4所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述基于訓(xùn)練樣本集，使用Adam優(yōu)化器和CosineLR調(diào)度器訓(xùn)練MoE模型，包括：
6.根據(jù)權(quán)利要求5所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述在時(shí)序數(shù)據(jù)庫(kù)中獲取冷水機(jī)組實(shí)時(shí)的時(shí)間序列數(shù)據(jù)，輸入到MoE模型中，識(shí)別出異常的時(shí)間序列數(shù)據(jù)，包括：
7.根據(jù)權(quán)利要求6所述的冷水機(jī)組故障檢測(cè)和分
8.一種冷水機(jī)組故障檢測(cè)和分類(lèi)系統(tǒng)，其特征在于，所述系統(tǒng)采用如權(quán)利要求1至7任一項(xiàng)所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法；
9.一種冷水機(jī)組故障檢測(cè)和分類(lèi)裝置，其特征在于，包括：
10.一種可讀存儲(chǔ)介質(zhì)，其特征在于：所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有冷水機(jī)組故障檢測(cè)和分類(lèi)程序，所述冷水機(jī)組故障檢測(cè)和分類(lèi)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法的步驟。
...【技術(shù)特征摘要】
1.一種冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述采集冷水機(jī)組的運(yùn)行數(shù)據(jù)，記錄為特征變量；對(duì)特征變量進(jìn)行預(yù)處理，提取其中的故障檢測(cè)特征變量生成時(shí)間序列數(shù)據(jù)，并存儲(chǔ)到時(shí)序數(shù)據(jù)庫(kù)中，包括：
3.根據(jù)權(quán)利要求2所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述在時(shí)序數(shù)據(jù)庫(kù)中收集冷水機(jī)組運(yùn)行正常期間的時(shí)間序列數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集，包括：
4.根據(jù)權(quán)利要求3所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述使用moe算法對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行算法建模，生成moe模型，并進(jìn)行模型參數(shù)配置，包括：
5.根據(jù)權(quán)利要求4所述的冷水機(jī)組故障檢測(cè)和分類(lèi)方法，其特征在于，所述基于訓(xùn)練樣本集，使用adam優(yōu)化器和cosinelr調(diào)度器訓(xùn)練moe模型，包括：
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：霍璇，李啟凱，徐昆，張嘉誠(chéng)，李亮，
申請(qǐng)(專(zhuān)利權(quán))人：山東浪潮智慧建筑科技有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。