CN111412579B - 一种基于大数据的空调机组故障类型诊断方法和*** - Google Patents
一种基于大数据的空调机组故障类型诊断方法和*** Download PDFInfo
- Publication number
- CN111412579B CN111412579B CN202010225020.4A CN202010225020A CN111412579B CN 111412579 B CN111412579 B CN 111412579B CN 202010225020 A CN202010225020 A CN 202010225020A CN 111412579 B CN111412579 B CN 111412579B
- Authority
- CN
- China
- Prior art keywords
- fault
- air conditioning
- conditioning unit
- data
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 101
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims description 55
- 230000008439 repair process Effects 0.000 claims abstract description 52
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 210000001503 joint Anatomy 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009290 primary effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/60—Energy consumption
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
Abstract
本发明解决了空调机组的故障类型诊断问题,提升了建筑中重要设备的维修维保精细化和智能化水平。对接空调机组的运行状态大数据;采集实时用电量数据并计算机组能耗,采集实时天气信息;对接报修***,确定故障风险曲线;自动提取故障情形;建立人工智能故障诊断模型;对空调机组进行故障诊断。针对空调机组的特点,对接了精细的空调机组传感器物联网,并以此为基础给出了一种诊断故障发生的具体原因和故障发展阶段的智能模型,算法的准确率可以达到80%,可以支持自动化的现场工程应用。
Description
技术领域
本发明属于建筑运维领域,是一种基于物联网监测大数据的空调机组的故障类型诊断的方法和***。
背景技术
空调机组是建筑中常见的大型设备,尤其是在医院、航站楼、图书馆、商业办公楼等复杂公共建筑的温湿度调节中起到至关重要的作用。空调机组若发生故障,将直接造成建筑内的环境恶化,给用户带来负面体验。因此如何对空调机组设备的故障及时诊断以快速指导维修,是亟待解决的问题。
传统的机组故障诊断方法依靠现场人工巡检和师傅经验判断,一定程度上可以识别故障隐患,但存在费时费工、不客观、容易遗漏的缺点。近年来随着楼宇自动化***(BAS,Building Automation System)的普及,对空调机组这样的重点设备已经可以自动采集实时运行状态,并反映到统一的信息化中控***。这就为更先进的解决方案提供了物质基础,目前已有的技术及其局限性可叙述为以下三个方面:(1)基于统计规则的半自动化诊断和预测:自动抓取运行参数后输入预设的故障判断规则,在数据中心统一汇报,但仍需要人工判断具体故障类型,较依赖主观经验;(2)数据挖掘方法:采用决策树、支持向量机等数据挖掘算法建立故障与监测数据的模型,速度较快但准确度一般,且由于模型规模不够,无法拟合监测数据背后的深层关系;(3)人工智能方法:主要基于人工神经网络的各类变种,建立较智能化的诊断模型,但其输入基本上都限于单个时间点数据或一维信号序列。按可靠性理论,复杂机组故障的发生是一个随时间逐渐发展的过程,必须考虑故障时间段内各类监测数据的演化过程。
此外,现有技术处理有关设备的问题时,采用的数据往往不够丰富,无法精确还原设备运行的实际状态,导致结果准确性有疑问,实际应用的置信度不高。这主要是由于:(1)传感器尚不精细,由于技术限制了监测点位的数量和精细程度,采集的状态信息不全面;(2)仅提取机组自身的BA数据,没有纳入其它有价值的运行数据,例如大型机组的能耗曲线异常波动是很重要的异常信息,而实时的天气状况也可能影响空调运行,等等。但现有方法很少考虑这些外部变量;(3)现有的数据库技术普遍无法承受极大的监测数据的存储和操作,只能舍弃一部分数据,会一定程度上丢失信息。
为了解决以上问题,本申请提出一套新型的基于大数据的空调机组故障类型诊断的方法和***。针对空调机组的特点,搭建了精细的空调机组传感器物联网,并采用大数据技术存储和操作海量的监测数据。核心算法引入LSTM网络解决各种监测数据间关系复杂的问题,同时可考虑监测数据的时序特性,不但可以给出故障发生的具体原因,还可在故障未发之前预测潜在故障发展到的阶段。最后给出了自动化的现场工程应用方案。
发明内容
有鉴于此,本发明提出一套新型的基于大数据的空调机组故障类型诊断与方法和***,针对空调机组的特点,搭建了精细的空调机组传感器物联网,并采用大数据技术存储和操作海量的监测数据。本发明的核心算法解决了各种监测数据间关系复杂的问题,同时可考虑监测数据的时序特性,可以给出故障发生的具体原因。本发明解决了空调机组故障诊断方面自动化程度不高、数据不全面、结果不可信的问题,极大地提高了空调机组的运维效率,可以较为全面反映机组运行情况,提升了建筑中重要设备的维修维保精细化和智能化水平。
根据本发明的第一方面,提供一种基于大数据的空调机组故障类型诊断方法,其特征在于,包括:步骤101,对接空调机组的运行状态大数据;步骤102,采集实时用电量数据并计算能耗,采集实时天气信息;步骤103,对接报修***,确定故障风险曲线,自动提取故障情形;步骤104,建立人工智能故障类型诊断模型;步骤105,对故障进行故障类型诊断,优选地,将结果报告至运维管理部门。
进一步地,所述步骤101还包括:通过在所有的空调新风机组内布设传感器采集空调机组的运行状态大数据。
进一步地,所述步骤102还包括:设置智能电表采集空调机组的实时用电量数据;建立设备的能耗数据模型提取能耗标准化值;采集实时天气信息。
进一步地,所述步骤103还包括:所述报修***对接已有报修服务器或新建软件***,收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi};提取的故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器的数据。所述故障情形是一系列参数的集合,包含故障发生时刻向前推24小时范围内与故障相关的各种参数;每个报修工单的发起都会触发一次对故障情形的自动提取。
进一步地,所述步骤104还包括:步骤401:对采集的数据进行前处理,生成训练集;步骤402:采用长短期记忆网络构建人工智能算法模型;步骤403:执行模型训练和参数调整。
进一步地,所述步骤105还包括:将传感器采集的数据输入诊断器,若所得故障概率预测值大于0.5,则作为一个故障发出报警消息,同时从诊断器的输出向量output计算其对应的故障类型;所述报警消息通过建筑运维客户端或者手机端发送至管理人员。
进一步地,所述长短期记忆网络中的损失函数取为平均绝对误差(Mean AbsoluteError,MAE),即模型预测值与样本真实值之间距离的平均值,其定义如下式:
根据本发明第二方面,提供一种基于大数据的空调机组故障类型诊断***,其特征在于,包括:状态监控模块,对接空调机组的运行状态大数据;数据采集模块,采集实时用电量数据并计算能耗,采集实时天气信息;报修模块,对接报修***,确定故障风险曲线,自动提取故障情形;诊断器模块,建立人工智能故障类型诊断模型;报警模块,对故障进行诊断,并将结果报告至运维管理部门。
进一步地,所述状态监控模块还包括:通过对接空调新风机组内布设的传感器采集空调机组的运行状态大数据。
进一步地,所述数据采集模块还包括:对接智能电表采集空调机组的实时用电量数据;建立设备的能耗数据模型提取能耗标准化值;采集实时天气信息。
进一步地,所述报修模块还包括:所述报修***对接已有报修服务器或新建软件***,收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi}。提取的故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器数据。所述故障情形是一系列参数的集合,包含故障发生时刻向前推24小时范围内与故障相关的各种参数;每个报修工单的发起都会触发一次对故障情形的自动提取。
进一步地,所述诊断器模块还包括:预处理模块:用于对采集的数据进行前处理,生成训练集;算法模块:用于采用长短期记忆网络构建人工智能算法模型;执行模块:用于执行模型训练和参数调整。
进一步地,所述报警模块还包括:将传感器采集的数据输入诊断器,若所得故障发展阶段的预测值大于0.5,则作为一个故障发出报警消息,同时从诊断器的输出向量output计算其对应的故障类型;所述报警消息通过建筑运维客户端或者手机端发送至管理人员。
进一步地,一种基于大数据的空调机组故障类型诊断***,还包括,所述长短期记忆网络中的损失函数取为平均绝对误差(Mean Absolute Error,MAE),即模型预测值与样本真实值之间距离的平均值,其定义如下式:
根据本发明的上述方案,针对空调机组的特点,搭建了精细的空调机组传感器物联网,并以此为基础给出了一种诊断故障发生的具体原因的智能模型,可以支持自动化的现场工程应用。
LSTM网络有能力分析监测数据的时序特性,既可诊断出故障发生的具体原因,也可在故障未发之前评估故障风险。本申请优选的特定时间窗的LSTM模型对故障预测的准确率可以达到80%,而其它模型会出现故障类型预测结果波动很大的问题。因此与现有技术相比,本申请在准确度和故障诊断稳定性方面具备明显优势。基于LSTM网络的特点,本申请创造性地将其应用于大数据的空调机组故障类型诊断领域,使得空调机组的故障诊断效果明显改善。
实际工程应用表明,本申请方案提取的特征,特别是对环境特征的建模,可以较为全面反映机组运行情况。这是一种新的建筑设备分析模式。本发明解决了空调机组的故障类型诊断问题,提升了建筑中重要设备的维修维保精细化和智能化水平。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1示出了本发明的方法流程示意图。
图2示出了本发明的另一方法流程示意图。
图3为空调机组监测物联网点位示意图。
图4为监测数据的数据仓库结构示意图。
图5为空调机组的部分报修工单示意图。
图6为故障风险曲线类型示意图。
图7为故障情形的提取范围示意图。
图8为诊断器的训练结果示意图。
图9为手机端故障报警与处理示意图。
图10为故障诊断***示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明是一种空调机组的故障类型诊断的方法和装置,主要技术包括故障情形的自动提取,以及智能化类型诊断算法,数据基础是空调机组现场的物联网传输的监测大数据。
首先结合图1说明本发明的流程。如图1所示,提供一种基于大数据的空调机组故障类型诊断方法,其特征在于,包括:步骤101,采集空调机组的运行状态大数据;步骤102,采集实时用电量数据并计算能耗,采集实时的天气信息;步骤103,对接报修***,确定故障风险曲线,并自动提取故障情形;步骤104,建立人工智能故障类型诊断模型;步骤105,对空调机组进行故障类型诊断。
接下来,结合图2说明本发明的另一个流程,并描述如下:
步骤1:对接现场监测物联网的数据,在建筑内的所有空调新风机组内布设传感器,目前可用的传感器类型包括:冷热水阀开度反馈、送风温度、温度设定、冷热水阀强制值、新风阀模式、新风阀状态、手自动状态、运行状态、故障报警、初效滤网报警、中效滤网报警、新风阀开状态、新风阀关状态、冬夏切换、冷热水阀模式、***启停等,采集空调机组的运行状态大数据。所有的数据接口的返回频率应较高,例如在本实施案例中,网络传输间隔大多数优选为1分钟,这保证了机组运行状态监控的实时性。监测物联网的点位优选如图3,图中也给出了每个传感器的数据示例。
本步骤中,由于传感器数量多,采集频率高,故积累的数据量极大,不能再使用传统的数据库做存储。此处采用更适合分析算法的星型数据仓库为物联网大数据的存储和提取介质,其结构如图4。
步骤2:对接智能电表,在建筑用电回路中增加空调机组专用的监测回路,使用数字电表采集对应空调机组的实时用电量数据。由于用电量的监测值为状态量,故返回频率可比传感器适当减小,案例中优选为5分钟间隔,保证用电量数据的精确性和容错能力。在采集实时用电量数据的同时,还可以采集实时天气数据。
步骤3:基于所述步骤2的实时用电量数据,建立设备的能耗数据模型,将每个机组关联至对应的能耗回路,然后根据对应关系提取空调机组在每小时的能耗标准化值ei。例如,某机组的回路在24小时内的逐小时耗电量为{55.14,51.05,……,53.27},平均值为52.28,则e1=55.14/52.28=1.055,e2=51.05/52.28=0.976,……,e24=5 3.27/52.28=1.019。
步骤4:建立保修***,对接已有报修服务器或新建该软件***,在该***中收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,如图5所示。具体地,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi}。例如,根据***可靠性理论,轴承损坏属于中发性故障,其风险曲线中段上升速度快,如图6(a);冷凝水管脏堵属于晚发性故障,其风险曲线将加速上升,如图6(b);而传动皮带松动为早发性故障,其风险曲线表现为上升趋势渐缓,如图6(c)。空调机组故障情形的自动提取。提取的故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器。本文中的“故障情形”的定义是:故障情形是一系列参数的集合,它包含故障发生时刻向前推24小时范围内与故障相关的各种参数。如图7所示,故障发生前后可划分为4个阶段,即故障前正常使用阶段、发展阶段、维修阶段、故障后正常使用阶段。而故障情形提取只对发展阶段,风险曲线也仅在这个阶段有值。具体地,故障情形包含空调机组名称D、故障类型K、故障风险P={pi},故障时间T、天气数据W={wi}、物联网监测数据集合S={sij}、能耗标准化值E={ei}。其中,S由步骤1获得,E由步骤2经计算得到,{K,P,T}由步骤4获得,W通过实时查询当地温度、湿度等天气数据获得。
步骤5,空调机组故障情形的自动提取。对于每个机组报修工单的发起,都会触发一次对故障情形的自动提取过程。每个故障情形内部的时间窗口应根据设备的特性,取为30分钟或60分钟,相应的i值则为1~48或1~24。
除了所有故障时刻对应的情形,还应设置一定比例的无故障情形,作为没有故障时的训练数据。考虑到机组无故障时刻占90%左右,则选取的数量应适当多于有故障情形。本案例中有无故障的比例取为1:1.8。无故障情形的采集时刻是随机选取的。
步骤6:建立人工智能故障类型诊断模型,然后执行模型的训练。此处可分为以下三个步骤:
步骤6.1:生成训练集。进行传感器大数据的前处理。首先是输入变量input,对不同的变量类型进行不同的计算,一些数值变量如冷热水阀强制值、温度设定、送风温度、能耗值、空气温度湿度等,按下方第(1)式采用min-max归一化;部分有明确上下限的数值变量如冷热水阀强制值、空气湿度,按第(2)式做归一化。状态值变量和分类变量全部转换为one-hot向量,向量长度为总的状态数,具体方法按第(3)式计算。将所有变量在同一维度拼合将这些向量全部沿着长度方向,接续拼合,即构成一维的input向量。例如数值变量占据input向量的第1至第8个元素,运行状态有2个状态,因此占据input向量的第9和第10个元素,以此类推。
然后是输出变量output,为nt+1维向量,其中nt为故障类型的总数,按以下方法确定:(1)若当前故障为第x类,则output的第x个元素等于1;(2)剩余的1维是当前时刻的故障风险曲线值pi;(3)output的其余元素为0。对于空调机组故障,行业认定的故障类型约有20种,经领域专家筛选后,有10种类型可以由传感器状态表征,因此这些类型即可用于故障诊断,具体如下表所示。此外还有一种“无故障”类型,因此这里确定nt=11,则output总维数为12。
表1可诊断的故障类型
步骤6.2:构建人工智能算法模型,建立“空调机组故障类型诊断器”算法,以下简称“诊断器”。主要的人工智能算法为长短期记忆网络(LSTM,Long Short-Term Memory),这种网络是改进的循环神经网络(RNN),所有的RNN都具有重复的网络模块,可以接受一个前后相关联的序列作为输入,去预测该序列的未来行为。但是在标准RNN中,这个重复网络模块非常简单的结构,例如仅包含一个tanh层,这导致其拟合能力受限,并且输出值会受所有前期输入的影响,即长期依赖问题,这是不合理的。而LSTM将输入划分为长期影响和短期影响,这样越近的数据对结果的影响越大,较远的数据会选择性遗忘,更符合时序数据的特点,可以用来拟合机组发生故障的情景。
本文的网络模型包括输入层、输出层、全连接层各一个,其中全连接层的隐藏元取为32。优化器为Adam Optimizer。损失函数取为平均绝对误差(Mean Absolute Error,MAE),即模型预测值与样本真实值之间距离的平均值,其定义如下式:
其余参数在建模时取为工业界常用的一般值,这些参数包括激活函数、遗忘率、随机静默率等。
步骤6.3:执行模型训练和参数调整。每个训练周期(epoch)训练了全部512个样本,其中有183个为有故障情形。训练次数通过观察损失函数的值变化决定终止条件。案例中总共训练2000个epoch,使用minibatch训练方法,即每训练20个样本后计算损失和更新权重进行下一个batch的训练。该模型可达到的精度很高,验证集的结果如图8,可以看到基本是能够识别故障的发展。最终的训练样本拟合度为98.8%,测试数据上的故障类型诊断准确率约为95%。
步骤7:进行诊断和预测,结果报告给运维管理部门处理。具体地,将每个机组的传感器数据实时输入诊断器,若所得故障发展阶段预测值大于0.5,则作为一个故障发出报警,同时从诊断器的输出向量output计算其对应的故障类型。然后,该报警消息通过建筑运维客户端、手机端推送至管理人员,进入异常报警处理流程,如图9所示。
同时在数据仓库持续做空调机组监测传感器数据的转换集成,若有新的空调维修工单,则执行自动提取故障情形,加入到已有的训练集。分析引擎设定每15天重新训练一个新的诊断器,以不断增加其准确度。
针对空调机组的特点,搭建了精细的空调机组传感器物联网,并以此为基础给出了一种诊断故障发生的具体原因和故障概率的智能模型,可以支持自动化的现场工程应用。LSTM网络有能力分析监测数据的时序特性,既可诊断出故障发生的具体原因,也可在故障未发之前评估故障风险,在准确度和故障诊断稳定性方面显著提高。此外,本技术方案提取的特征,特别是对环境特征的建模,可以较为全面反映机组运行情况,提升了建筑中重要设备的维修维保精细化和智能化水平
本方法的***的模块结构如图10所示,并描述如下:
模块1:状态监控模块,包括机组监测传感器网。在建筑内的所有空调新风机组内布设传感器,需要布设的传感器类型包括但不限于:冷热水阀开度反馈、送风温度、温度设定、冷热水阀强制值、新风阀模式、新风阀状态、手自动状态、运行状态、故障报警、初效滤网报警、中效滤网报警、新风阀开状态、新风阀关状态、冬夏切换、冷热水阀模式、***启停等,采集空调机组的运行状态大数据。所有的数据接口的返回频率应较高,例如在本实施案例中,网络传输间隔大多数为1分钟,这保证了机组运行状态监控的实时性。监测物联网的点位如图3,图中也给出了每个传感器的数据示例。
本模块中,由于传感器数量多,采集频率高,故积累的数据量极大,不能再使用传统的数据库做存储。此处采用更适合分析算法的星型数据仓库为物联网大数据的存储和提取介质。
模块2:数据采集模块,用于现场空调机组用电监测。在建筑安装施工空调机组专用的用电监测回路,使用数字电表采集对应空调机组的实时用电量数据。由于用电量的监测值为状态量,故返回频率可比传感器适当加大,保证用电量数据的精确性和容错能力。所述数据采集模块还可以用于采集实时天气数据,图中未示出具体模块。
模块3:报修模块,对接已有报修服务器或新建该软件***,在该***中收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据。具体地,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi}。例如,根据***可靠性理论,传动皮带松动为早发性故障,其风险曲线表现为上升趋势渐缓;而冷凝水管脏堵属于晚发性故障,其风险曲线将加速上升,等等。
模块4:故障自动提取模块,用于大数据集成和处理。在数据仓库持续做空调机组监测传感器数据的转换集成,若有新的空调维修工单,则执行自动提取故障情形,加入到已有的训练集。分析引擎设定每15天重新训练一个新的诊断器,以不断增加其准确度。
模块5:诊断器模块,即空调机组故障类型诊断器。该模块为核心软件模块,建立人工智能故障诊断模型,然后执行网络训练。此处可分为以下三个模块:
模块5.1:预处理模块。生成训练集。进行传感器大数据的前处理。首先是输入变量input,对不同的变量类型,一些数值变量按下方第(1)式采用min-max归一化,如送风温度、能耗值,部分有明确上下限的数值变量如冷热水阀强制值、空气湿度,按第(2)式做归一化。状态值变量和分类变量全部转换为one-hot向量,该向量长度为总的状态数,具体方法为第(3)式。将这些向量全部沿着长度方向,接续拼合,即构成一维的input向量。例如数值变量占据input向量的第1至第8个元素,运行状态有2个状态,因此占据input向量的第9和第10个元素,以此类推。
然后是输出变量output,为nt+1维向量,其中nt为故障类型的总数,按以下方法确定:(1)若当前故障为第x类,则output的第x个元素等于1;(2)剩余的1维是当前时刻的故障风险曲线值pi;(3)output的其余元素为0。对于空调机组故障,行业认定的故障类型约有20种,经领域专家筛选后,有10种类型可以由传感器状态表征,因此这些类型即可用于故障诊断。此外还有一种“无故障”类型,因此这里确定nt=11,则output总维数为12。
模块5.2:算法模块。构建人工智能算法模型,建立“空调机组故障类型诊断器”,以下简称“诊断器”。主要的人工智能算法为长短期记忆网络(LSTM,Long Short-TermMemory),选取这个模型是因为时间序列的分析需要,而且还能解决一般的循环神经网络存在的长期依赖问题。本文的网络模型包括输入层、输出层、全连接层各一个,其中全连接层的隐藏元取为32。优化器为Adam Optimizer。损失函数取为平均绝对误差(Mean AbsoluteError,MAE),即模型预测值与样本真实值之间距离的平均值。其余参数在建模时取为工业界常用的一般值,这些参数包括激活函数、遗忘率、随机静默率等。
模块5.3:执行模块。执行模型训练和参数调整。每个训练周期(epoch)训练了全部512个样本,其中有183个为有故障情形。训练次数通过观察损失函数的值变化决定终止条件。案例中总共训练2000个epoch,使用minibatch训练方法,即每训练20个样本后计算损失和更新权重进行下一个batch的训练。该模型可达到的精度很高,验证集的结果如图8,可以看到基本是能够识别故障的发展。最终的训练样本拟合度为98.8%,测试数据上的故障类型诊断准确率约为95%,故障概率平均准确率约为87%。
模块6:报警模块,对接故障诊断应用模块。进行故障类型的诊断,结果报告给运维管理部门处理。具体地,将每个机组的传感器数据实时输入诊断器,若所得故障阶段的预测值大于0.5,则作为一个故障发出报警,同时从诊断器的输出向量output计算其对应的故障类型。然后,该报警消息通过建筑运维客户端、手机端推送至管理人员,进入异常报警处理流程,如图9。
本发明针对空调机组的特点,搭建了精细的空调机组传感器物联网,并以此为基础给出了一种诊断故障发生的具体原因和故障概率的智能模型,可以支持自动化的现场工程应用。LSTM网络有能力分析监测数据的时序特性,既可诊断出故障发生的具体原因,也可在故障未发之前评估故障风险。本技术现有技术相比,在准确度和故障诊断稳定性方面占优。此外,本技术方案提取的特征,特别是对环境特征的建模,可以较为全面反映机组运行情况。本发明解决了空调机组的故障类型诊断问题,提升了建筑中重要设备的维修维保精细化和智能化水平。
本发明提出的一套新型的基于大数据的调机组故障类型诊断方法和***,针对空调机组的特点,搭建了精细的空调机组传感器物联网,并采用大数据技术存储和操作海量的监测数据。本申请的核心算法解决了各种监测数据间关系复杂的问题,同时可考虑监测数据的时序特性,可以给出故障发生的具体原因。本发明解决了空调机组故障诊断方面自动化程度不高、数据不全面、结果不可信的问题。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于大数据的空调机组故障类型诊断方法,其特征在于,包括:
步骤101,搭建了精细的空调机组传感器物联网,对接空调机组的运行状态大数据;
步骤102,在建筑用电回路中增加空调机组专用的监测回路,采集实时用电量数据并计算能耗,采集实时天气信息;
步骤103,对接报修***,确定故障风险曲线,并自动提取故障情形;所述步骤103还包括:所述报修***对接已有报修服务器或新建软件***,收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,通过关键词匹配法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi};
步骤104,构建人工智能算法模型,建立人工智能故障类型诊断模型,能够诊断故障发生的具体原因和故障概率的智能模型,可以支持自动化的现场工程应用;其中,主要的人工智能算法为LSTM;所述步骤104还包括:步骤401:对采集的数据进行前处理,生成训练集;步骤402:采用长短期记忆网络构建人工智能算法模型;步骤403:执行模型训练和参数调整;
步骤105,对空调机组进行故障类型诊断。
2.如权利要求1所述的方法,其特征在于,所述步骤101还包括:
通过对接空调新风机组内布设的传感器,采集空调机组的运行状态大数据。
3.如权利要求1所述的方法,其特征在于,所述步骤102还包括:
对接智能电表,采集空调机组的实时用电量数据;
建立设备的能耗数据模型,提取能耗标准化值;
采集实时天气信息。
4.如权利要求1所述的方法,其特征在于,在所述步骤103中:
所述自动提取故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器的数据;
所述故障情形是一系列参数的集合,包含故障发生时刻向前推24小时范围内与故障相关的各种参数;
每个报修工单的发起都会触发一次对故障情形的自动提取。
5.如权利要求1所述的方法,其特征在于,所述步骤105还包括:
将传感器采集的数据输入诊断器,若所得故障发展阶段的预测值大于0.5,则作为一个故障发出报警消息,同时从诊断器的输出向量output计算其对应的故障类型;
所述报警消息通过建筑运维客户端或者手机端发送至管理人员。
7.一种基于大数据的空调机组故障类型诊断***,其特征在于,包括:
状态监控模块,搭建了精细的空调机组传感器物联网,对接空调机组的运行状态大数据;
数据采集模块,在建筑用电回路中增加空调机组专用的监测回路,采集实时用电量数据并计算能耗,采集实时天气信息;
报修模块,对接报修***,确定故障风险曲线,自动提取故障情形;所述报修模块还包括:所述报修***对接已有报修服务器或新建软件***,收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi};提取的故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器的数据;
诊断器模块,构建人工智能算法模型,建立人工智能故障类型诊断模型,能够诊断故障发生的具体原因和故障概率的智能模型,可以支持自动化的现场工程应用;其中,主要的人工智能算法为LSTM;所述诊断器模块还包括:预处理模块:用于对采集的数据进行前处理,生成训练集;算法模块:用于采用长短期记忆网络构建人工智能算法模型;执行模块:用于执行模型训练和参数调整;
报警模块,对故障进行诊断,并将结果报告至运维管理部门。
8.如权利要求7所述的***,其特征在于,所述状态监控模块还包括:
通过对接空调新风机组内布设传感器,采集空调机组的运行状态大数据;
和/或,所述数据采集模块还包括:
对接智能电表,采集空调机组的实时用电量数据;
建立设备的能耗数据模型,提取能耗标准化值;
采集实时天气信息;
和/或,在所述报修模块中:
所述报修***对接已有报修服务器或新建软件***,收集有关空调机组的故障报修记录,作为确定空调机组发生故障时间T和类型的依据,通过关键词匹配方法,确定报修工单对应的故障类别K及其发展规律,进而确定故障风险曲线P={pi};提取的故障情形来自报修***,是真实发生的、产生影响的、被后勤人员识别的故障,而不是采用机器自身的报警传感器的数据;
所述故障情形是一系列参数的集合,包含故障发生时刻向前推24小时范围内与故障相关的各种参数;
每个报修工单的发起都会触发一次对故障情形的自动提取;
和/或,所述报警模块还包括:
将传感器采集的数据输入诊断器,若所得故障发展阶段的预测值大于0.5,则作为一个故障发出报警消息,同时从诊断器的输出向量output计算其对应的故障类型;
所述报警消息通过建筑运维客户端或者手机端发送至管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225020.4A CN111412579B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大数据的空调机组故障类型诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010225020.4A CN111412579B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大数据的空调机组故障类型诊断方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111412579A CN111412579A (zh) | 2020-07-14 |
CN111412579B true CN111412579B (zh) | 2022-03-08 |
Family
ID=71491433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010225020.4A Active CN111412579B (zh) | 2020-03-26 | 2020-03-26 | 一种基于大数据的空调机组故障类型诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111412579B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
CN113446716B (zh) * | 2021-07-05 | 2022-09-16 | 成都地铁运营有限公司 | 一种轨道交通通风空调模式自诊断方法及*** |
CN113834183B (zh) * | 2021-08-18 | 2023-03-21 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN114135991B (zh) * | 2021-12-03 | 2023-03-31 | 中国海洋大学 | 一种用于地铁站公共区的温度预置控制和设备预警方法 |
CN115899964A (zh) * | 2022-12-22 | 2023-04-04 | 北京航天智造科技发展有限公司 | 基于多维的空调智能监测方法与*** |
CN116384980B (zh) * | 2023-05-25 | 2023-08-25 | 杭州青橄榄网络技术有限公司 | 一种报修方法与*** |
CN116678072B (zh) * | 2023-06-05 | 2024-05-10 | 耀昶嵘相变材料科技(广东)有限公司 | 中央空调***的故障处理方法、终端及中央空调*** |
CN117073129B (zh) * | 2023-10-17 | 2024-01-26 | 山东意林建筑规划设计研究院有限公司 | 一种暖通空调***故障诊断方法及*** |
CN117993894B (zh) * | 2024-04-03 | 2024-06-14 | 四川航天职业技术学院(四川航天高级技工学校) | 基于人工智能的轨道交通运维状态数据处理方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0287992A (ja) * | 1988-09-22 | 1990-03-28 | Mitsubishi Electric Corp | ルームエアコン用インバータ装置 |
JPH07324799A (ja) * | 1994-06-01 | 1995-12-12 | Matsushita Seiko Co Ltd | 空気調和機の異常内容確認装置 |
CN1443980A (zh) * | 2003-04-17 | 2003-09-24 | 上海交通大学 | 基于网络技术的中央空调监控和故障诊断*** |
JP2007249684A (ja) * | 2006-03-16 | 2007-09-27 | Ricoh Co Ltd | 設備管理支援システム、設備管理支援方法及びプログラム |
CN103616863A (zh) * | 2013-11-22 | 2014-03-05 | 青岛海尔软件有限公司 | 家用空调和冰箱的风险预估方法 |
DE112013003702T5 (de) * | 2012-07-27 | 2015-04-23 | Myine Electronics, Inc. | System und Verfahren zur Verwendung einer persönlichen elektronischen Vorrichtung zum drahtlosen Verbinden eines Ferndiagnostikstandorts mit einem Hausgerät zur Problembeseitigung |
CN104748327A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种基于电耗数据的公共建筑空调能效诊断*** |
CN109229034A (zh) * | 2017-07-11 | 2019-01-18 | 现代自动车株式会社 | 一体化连接管理方法及其联网车辆 |
CN109460873A (zh) * | 2018-11-14 | 2019-03-12 | 北京未来科学城科技发展有限公司 | 空调***运行优化方法和装置 |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及*** |
CN110119851A (zh) * | 2019-05-23 | 2019-08-13 | 上海建工四建集团有限公司 | 一种建筑机电***故障智能预测方法和*** |
-
2020
- 2020-03-26 CN CN202010225020.4A patent/CN111412579B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0287992A (ja) * | 1988-09-22 | 1990-03-28 | Mitsubishi Electric Corp | ルームエアコン用インバータ装置 |
JPH07324799A (ja) * | 1994-06-01 | 1995-12-12 | Matsushita Seiko Co Ltd | 空気調和機の異常内容確認装置 |
CN1443980A (zh) * | 2003-04-17 | 2003-09-24 | 上海交通大学 | 基于网络技术的中央空调监控和故障诊断*** |
JP2007249684A (ja) * | 2006-03-16 | 2007-09-27 | Ricoh Co Ltd | 設備管理支援システム、設備管理支援方法及びプログラム |
DE112013003702T5 (de) * | 2012-07-27 | 2015-04-23 | Myine Electronics, Inc. | System und Verfahren zur Verwendung einer persönlichen elektronischen Vorrichtung zum drahtlosen Verbinden eines Ferndiagnostikstandorts mit einem Hausgerät zur Problembeseitigung |
CN103616863A (zh) * | 2013-11-22 | 2014-03-05 | 青岛海尔软件有限公司 | 家用空调和冰箱的风险预估方法 |
CN104748327A (zh) * | 2015-03-23 | 2015-07-01 | 同济大学 | 一种基于电耗数据的公共建筑空调能效诊断*** |
CN109229034A (zh) * | 2017-07-11 | 2019-01-18 | 现代自动车株式会社 | 一体化连接管理方法及其联网车辆 |
CN109460873A (zh) * | 2018-11-14 | 2019-03-12 | 北京未来科学城科技发展有限公司 | 空调***运行优化方法和装置 |
CN109902153A (zh) * | 2019-04-02 | 2019-06-18 | 杭州安脉盛智能技术有限公司 | 基于自然语言处理和案例推理的设备故障诊断方法及*** |
CN110119851A (zh) * | 2019-05-23 | 2019-08-13 | 上海建工四建集团有限公司 | 一种建筑机电***故障智能预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111412579A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111412579B (zh) | 一种基于大数据的空调机组故障类型诊断方法和*** | |
CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及*** | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN108199795B (zh) | 一种设备状态的监测方法和装置 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断***及方法 | |
CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
RU2626780C1 (ru) | Способ и система удаленного мониторинга энергетических установок | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN112529320A (zh) | 空压机集群智能诊断*** | |
CN114047719A (zh) | 一种农村生活污水处理设施远程监测评估***与运行方法 | |
Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN110119851A (zh) | 一种建筑机电***故障智能预测方法和*** | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN110764474B (zh) | 监测设备运行状态的方法和*** | |
CN116224137A (zh) | 一种ups设备故障预警方法及*** | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家*** | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估***和方法 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |