CN112560997A - 故障识别模型训练方法、故障识别方法及相关装置 - Google Patents

故障识别模型训练方法、故障识别方法及相关装置 Download PDF

Info

Publication number
CN112560997A
CN112560997A CN202011590807.7A CN202011590807A CN112560997A CN 112560997 A CN112560997 A CN 112560997A CN 202011590807 A CN202011590807 A CN 202011590807A CN 112560997 A CN112560997 A CN 112560997A
Authority
CN
China
Prior art keywords
data
fault
training
layer
compressor
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.)
Pending
Application number
CN202011590807.7A
Other languages
English (en)
Inventor
代宝
程建军
易红艳
陈志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Aux Electric Co Ltd
Original Assignee
Ningbo Aux Electric Co Ltd
Zhuhai Tuoxin Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Aux Electric Co Ltd, Zhuhai Tuoxin Technology Co Ltd filed Critical Ningbo Aux Electric Co Ltd
Priority to CN202011590807.7A priority Critical patent/CN112560997A/zh
Publication of CN112560997A publication Critical patent/CN112560997A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置，涉及空调器技术领域。其中，上述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。利用训练得到的故障识别模型实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。

Description

故障识别模型训练方法、故障识别方法及相关装置
技术领域
本发明涉及空调器技术领域，具体而言，涉及一种故障识别模型训练方法、故障识别方法及相关装置。
背景技术
随着科学技术的发展，智能化空调器兼具了多功能和舒适性，成为数字化楼宇温度调节器的首选设备。随着空调销量的攀升，后期对空调器运行检测和安全维护显得至关重要。
对于空调器而言，压缩机是其核心部件，空调器使用过程中由于压缩机安装位置特殊，通常得不到及时检修，进而造成较为严重的事故产生。不仅可能影响空调的使用寿命，还会造成财产损失。
发明内容
本发明解决的问题是空调器的压缩机所出现的故障难以被及时准确地被发现的问题。
为解决上述问题，本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置。
第一方面，本发明提供一种故障识别模型训练方法，所述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
在上述实施例中，利用不同故障类型下压缩机控制元件的控制输出量为训练样本，对神经网络模型进行逐层训练，得到能够根据空调器运行过程中产生的控制输出量即可识别出压缩机是否出现故障的模型，从而实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。
在可选的实施方式中，所述神经网络模型包括多层神经元处理层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤包括：在待训练神经元处理层是多层所述神经元处理层中的第一层时，将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层，以得到第一输出数据；将所述第一输出数据进行解码，得到第一解码数据；利用所述控制采样数据与第一解码数据之间的差异，对所述待训练神经元处理层进行迭代；在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，将相邻上一层神经元处理层的第二输出数据输入所述待训练神经元处理层，以得到第三输出数据；将所述第三输出数据进行解码，得到第二解码数据；利用所述第二输出数据与第二解码数据之间的差异，对所述待训练神经元处理层进行迭代。
在上述实施例中，通过对神经元处理层的逐层训练，保障了各层神经元处理层的特征提取准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及训练工作量。
在可选的实施方式中，所述神经网络模型包括分类层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将多层所述神经元处理层中最后一层输出的所述第四输出数据输入所述分类层，以获得分类结果；根据所述分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。
在上述实施例中，通过针对性地训练分类器，确保模型的分类准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及训练工作量。
在可选的实施方式中，在将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层之前，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：将每一个所述训练样本数据中的控制采样数据进行归一化处理，以便将归一化处理后的所述控制采样数据输入所述神经网络模型。
在可选的实施方式中，所述压缩机控制元件包括压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。
在上述实施例中，实现从多个压缩机控制元件的角度，评估压缩机是否出现故障，提高故障的识别准确性。
在可选的实施方式中，所述训练样本数据还包括压缩机的运行数据及对应的故障分类标签。
第二方面，本发明提供一种故障识别方法，应用于空调器，所述故障识别方法包括：
在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过前述实施方式任意一项所述的故障识别模型训练方法训练得到的模型。
在可选的实施方式中，若利用所述控制输出量未判断出故障类型，所述故障识别方法还包括：
采集所述压缩机的实时运行数据；
将所述实时运行数据输入故障识别模型，以确定故障识别结果。
在可选的实施方式中，在确定出现新故障的情况下，所述故障识别方法还包括：
获取预设时间段内采集到的目标控制输出量；其中，所述预设时间段包含所述新故障对应的发生时间点；
将所述目标控制输出量与所述新故障对应的故障分类标签关联，生成新的所述训练样本数据，以便利用所述故障识别模型训练方法对所述故障识别模型进行更新训练。
第三方面，本发明提供一种故障识别模型训练装置，所述故障识别模型训练装置包括：
获取模块，用于获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；
训练模块，用于利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
第四方面，本发明提供一种故障识别装置，应用于空调器，所述故障识别装置包括：
采集模块，用于在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
识别模块，用于将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过前述实施方式任意一项所述的故障识别模型训练方法训练得到的模型。
第五方面，本发明提供一种空调器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一项所述的故障识别模型训练方法，或者所述处理器可执行所述机器可执行指令以实现前述实施方式任一项所述的故障识别方法。
第六方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的故障识别模型训练方法；或者计算机程序被处理器执行时实现如前述实施方式任一项所述的故障识别方法。
附图说明
图1为本发明实施例中提到的神经网络模型的结构示例图；
图2为本发明实施例提供的电子设备的示意图；
图3为本发明实施例提供的故障识别模型训练方法的步骤流程图；
图4为本发明实施例提供的步骤S102的子步骤流程图之一；
图5为本发明实施例提供的步骤S102的子步骤流程图之二；
图6为本发明实施例提供的故障识别方法的步骤流程图；
图7为本发明实施例提供的故障识别模型训练装置的示意图；
图8为本发明实施例提供的故障识别装置的示意图。
附图标记说明：
100-空调器；110-存储器；120-处理器；130-通信模块；300-故障识别模型训练装置；301-获取模块；302-训练模块；400-故障识别装置；401-采集模块；402-识别模块。
具体实施方式
随着空调器安装量的快速增长，后期对设备运行检测和安全维护显得至关重要。压缩机及其控制器作为空调器核心部件，使用过程中由于安装位置特殊，通常得不到及时检修，早期的微小故障不易被发现；并且一部分空调器中的压缩机和控制器关键器件已经超过了规定使用年限，如果这些设备持续长时间运行将会导致故障发生，例如压缩机内部器件老化导致运转异常，控制器上的主控芯片、电解电容、IPM模块、IGBT等关键器件随工作时间的增加，出现器件老化，功能失效导致输出的控制数据出现阶跃、偏移，幅值异常等问题，从而引起空调工作异常。如果这些故障不能得到及时发现和处理，故障空调器持续运行将会导致事故发生，最终会影响空调的使用寿命，造成财产损失。
近年来，空调器故障发生率逐渐增加，如果单纯通过人为方式对每台空调器的压缩机和控制器进行安全维护，其过程势必会消耗大量的成本和物力，因而依靠人为方式对空调进行安全维护已经不能满足需求。
为了解决上述问题，本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例中所提到的训练样本数据由数据本体和数据标签两部分组成，数据本体与数据标签之间一一对应。上述数据本体可以是压缩机控制元件的控制输出量，也可以是压缩机的运行数据。上述数据标签可以是故障分类标签，比如，无故障、轻微故障和典型故障。为了方便描述，本发明实施例中，上述数据标签和故障分类标签可以互换使用。在一些实施例中，上述训练样本数据可以根据不同故障分类下从空调器中采集到的控制输出量或者压缩机运行数据生成。
本发明实施例中所提到的压缩机控制元件为能够影响压缩机运行的控制元器件，比如，压缩机主控芯片、压缩机电解电容、智能功率模块(IPM)、压缩机绝缘栅双极型晶体管(IGBT)中一个或多个。
显然，针对压缩机控制元件和压缩机可以构建不同的样本训练集，用于存放对应的训练样本数据。同时，针对不同的压缩机控制元件之间也可以构建不同的样本训练集。将不同的样本训练集组合在一起即可得到离线训练数据集。
下面介绍构建不同的样本训练集的细节：
(1)构建主控芯片所对应的样本训练集A，A＝(A1，A2，A3)。
可选地，A1为基于无故障状态下压缩机主控芯片的控制输出量生成的训练样本数据的集合，上述A1＝{(a1,a2...ap)i,j n}，一组“a1,a2...ap”代表同一时刻下，于主控芯片的p个控制输出点采集到的控制输出量(也即，控制采样数据)，比如，可以是电压值。n代表控制输出量的组数，可以理解地，在无故障运行下，可以于不同的时间点采集到多组a1,a2...ap。上述(i，j)指代“a1,a2...ap”的数据标签的索引，通过该索引即可查找到对应的数据标签，具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“无故障”对应的标签类型的序号是1，那么A1中的各组控制输出量对应的数据标签的索引分别为(i，1)。p也是取整数值，表征训练数据段长度。如果训练样本数据过长，可以对训练数据段的长度进行裁剪。
可选地，上述A2为基于轻微故障状态下压缩机主控芯片的控制输出量生成的训练样本数据的集合，上述A2＝{(a′1,a′2...a′p)i,j n}，一组“a′1,a′2...a′p”代表同一时刻下，于主控芯片的p个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在轻微故障状态下运行的过程中，可以于不同的时间点采集到多组a′1,a′2...a′p。(i，j)指代“a′1,a′2...a′p”的数据标签的索引，通过该索引即可查找到对应的数据标签。具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“轻微故障”对应的标签类型的序号是2，那么A2中的各组控制输出量对应的数据标签的索引分别为(i，2)。
可选地，上述A3为基于典型故障状态下压缩机主控芯片的控制输出量生成的训练样本数据的集合，上述A3＝{(a″1,a″2...a″p)i,j n}，一组“a″1,a″2...a″p”代表同一时刻下，于主控芯片的p个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在典型故障状态下运行的过程中，可以于不同的时间点采集到多组a″1,a″2...a″p。(i，j)指代“a″1,a″2...a″p”的数据标签的索引。上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“典型故障”对应的标签类型的序号是3，那么A3中的各组控制输出量对应的数据标签的索引分别为(i，3)。
(2)构建电解电容所对应的样本训练集C，C＝(C1，C2，C3)。
可选地，C1为基于无故障状态下电解电容的控制输出量生成的训练样本数据的集合，上述C1＝{(c1,c2...cq)i,j n}，一组“c1,c2...cq”代表同一时刻下，于电解电容的q个控制输出点采集到的控制输出量(也即，控制采样数据)，比如，可以是电压值。n代表控制输出量的组数，可以理解地，在无故障运行下，可以于不同的时间点采集到多组c1,c2...cq。上述(i，j)指代“c1,c2...cq”的数据标签的索引，通过该索引即可查找到对应的数据标签，具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“无故障”对应的标签类型的序号是1，那么C1中的各组控制输出量对应的数据标签的索引分别为(i，1)。q也是取整数值，表征训练数据段长度。如果训练样本数据过长，可以对训练数据段的长度进行裁剪。
可选地，上述C2为基于轻微故障状态下压缩机电解电容的控制输出量生成的训练样本数据的集合，上述C2＝{(c′1,c′2...c′q)i,j n}，一组“c′1,c′2...c′”代表同一时刻下，于电解电容的q个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在轻微故障状态下运行的过程中，可以于不同的时间点采集到多组c′1,c′2...c′。(i，j)指代“c′1,c′2...c′”的数据标签的索引，上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“轻微故障”对应的标签类型的序号是2，那么C2中的各组控制输出量对应的数据标签的索引分别为(i，2)。
可选地，上述C3为基于典型故障状态下压缩机电解电容的控制输出量生成的训练样本数据的集合，上述C3＝{(c″1,c″2..c″q)i,j n}，一组“c″1,c″2..c″q”代表同一时刻下，于电解电容的q个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在典型故障状态下运行的过程中，可以于不同的时间点采集到多组c″1,c″2..c″q。(i，j)指代“c″1,c″2..c″q”的数据标签的索引。上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“典型故障”对应的标签类型的序号是3，那么C3中的各组控制输出量对应的数据标签的索引分别为(i，3)。
(3)构建智能功率模块所对应的样本训练集D，D＝(D1，D2，D3)。
可选地，D1为基于无故障状态下智能功率模块的控制输出量生成的训练样本数据的集合，上述D1＝{(d1,d2...de)i,j n}，一组“d1,d2...de”代表同一时刻下，于智能功率模块的e个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在无故障运行下，可以于不同的时间点采集到多组d1,d2...de。上述(i，j)指代“d1,d2...de”的数据标签的索引，通过该索引即可查找到对应的数据标签，具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“无故障”对应的标签类型的序号是1，那么D1中的各组控制输出量对应的数据标签的索引分别为(i，1)。e也是取整数值，表征训练数据段长度。如果训练样本数据过长，可以对训练数据段的长度进行裁剪。
可选地，上述D2为基于轻微故障状态下智能功率模块的控制输出量生成的训练样本数据的集合，上述D2＝{(d′1,d′2...d′e)i,j n}，一组“d′1,d′2...d′e”代表同一时刻下，于智能功率模块的e个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在轻微故障状态下运行的过程中，可以于不同的时间点采集到多组d′1,d′2...d′e。(i，j)指代“d′1,d′2...d′e”的数据标签的索引，上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“轻微故障”对应的标签类型的序号是2，那么D2中的各组控制输出量对应的数据标签的索引分别为(i，2)。
可选地，上述D3为基于典型故障状态下压缩机智能功率模块的控制输出量生成的训练样本数据的集合，上述D3＝{(d″1,d″2..d″e)i,j n}，一组“d″1,d″2..d″e”代表同一时刻下，于智能功率模块的e个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在典型故障状态下运行的过程中，可以于不同的时间点采集到多组d″1,d″2..d″e。(i，j)指代“d″1,d″2..d″e”的数据标签的索引。上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“典型故障”对应的标签类型的序号是3，那么D3中的各组控制输出量对应的数据标签的索引分别为(i，3)。
(4)构建压缩机绝缘栅双极型晶体管所对应的样本训练集U，U＝(U1，U2，U3)。
可选地，U1为基于无故障状态下绝缘栅双极型晶体管的控制输出量生成的训练样本数据的集合，上述U1＝{(u1,u2...ur)i,j n}，一组“u1,u2...ur”代表同一时刻下，于绝缘栅双极型晶体管的r个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在无故障运行下，可以于不同的时间点采集到多组u1,u2...ur。上述(i，j)指代“u1,u2...ur”的数据标签的索引，通过该索引即可查找到对应的数据标签，具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“无故障”对应的标签类型的序号是1，那么U1中的各组控制输出量对应的数据标签的索引分别为(i，1)。r也是取整数值，表征训练数据段长度。如果训练样本数据过长，可以对训练数据段的长度进行裁剪。
可选地，上述U2为基于轻微故障状态下绝缘栅双极型晶体管的控制输出量生成的训练样本数据的集合，上述U2＝{(u′1,u′2...u′r)i,j n}，一组“u′1,u′2...u′r”代表同一时刻下，于绝缘栅双极型晶体管的r个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在轻微故障状态下运行的过程中，可以于不同的时间点采集到多组u′1,u′2...u′r。(i，j)指代“u′1,u′2...u′r”的数据标签的索引，上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“轻微故障”对应的标签类型的序号是2，那么U2中的各组控制输出量对应的数据标签的索引分别为(i，2)。
可选地，上述U3为基于典型故障状态下压缩机绝缘栅双极型晶体管的控制输出量生成的训练样本数据的集合，上述U3＝{(u″1,u″2..u″r)i,j n}，一组“u″1,u″2..u″r”代表同一时刻下，于绝缘栅双极型晶体管的r个控制输出点采集到的控制输出量(也即，控制采样数据)。n代表控制输出量的组数，可以理解地，在典型故障状态下运行的过程中，可以于不同的时间点采集到多组u″1,u″2..u″r。(i，j)指代“u″1,u″2..u″r”的数据标签的索引。上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“典型故障”对应的标签类型的序号是3，那么U3中的各组控制输出量对应的数据标签的索引分别为(i，3)。
(5)构建压缩机运行数据所对应的样本训练集V，V＝(V1，V2，V3)。
可选地，V1为基于无故障状态下的压缩机运行数据生成的训练样本数据的集合，上述V1＝{(v1,v2...vt)i,j n}，一组“v1,v2...vt”代表同一时刻下，于压缩机的t个运行数据采样点采集到的数据。n代表运行数据的组数，可以理解地，在无故障运行下，可以于不同的时间点采集到多组v1,v2...vt。上述(i，j)指代“v1,v2...vt”的数据标签的索引，通过该索引即可查找到对应的数据标签，具体的，i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“无故障”对应的标签类型的序号是1，那么V1中的各组运行数据对应的数据标签的索引分别为(i，1)。t也是取整数值，表征训练数据段长度。如果训练样本数据过长，可以对训练数据段的长度进行裁剪。
可选地，上述V2为基于轻微故障状态下压缩机的运行数据生成的训练样本数据的集合，上述V2＝{(v′1,v′2...v′t)i,j n}，一组“v′1,v′2...v′t”代表同一时刻下，于压缩机的t个运行数据采样点采集到的一组运行数据。n代表运行数据的组数，可以理解地，在轻微故障状态下运行的过程中，可以于不同的时间点采集到多组v′1,v′2...v′t。(i，j)指代“v′1,v′2...v′t”的数据标签的索引，上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“轻微故障”对应的标签类型的序号是2，那么V2中的各组运行数据对应的数据标签的索引分别为(i，2)。
可选地，上述V3为基于典型故障状态下压缩机的运行数据生成的训练样本数据的集合，上述V3＝{(v″1,v″2..v″t)i,j n}，一组“v″1,v″2..v″t”代表同一时刻下，于压缩机的t个运行数据采样点采集到的一组运行数据。n代表运行数据的组数，可以理解地，在典型故障状态下运行的过程中，可以于不同的时间点采集到多组v″1,v″2..v″t。(i，j)指代“v″1,v″2..v″t”的数据标签的索引。上述i∈(1,2,3....,I)代表数据标签的序号，j∈(1,2,3....,J)代表数据标签类型的序号。上述I取整数值，代表数据标签的总数。J也是取整数值，代表数据标签类别的总数。比如，“典型故障”对应的标签类型的序号是3，那么V3中的各组运行数据对应的数据标签的索引分别为(i，3)。
根据上述样本训练集A、C、D、U、V，创建离线训练数据集M。在一些实施例中，可以将样本训练集A、C、D、U、V中的一个或者多个进行组合得到离线训练数据集M。比如，将样本训练集A、C、D、U、V一起组合，那么得到的M＝{A、C、D、U、V}。如此，可以直接从离线训练数据集M中获取多条训练样本数据，用于神经网络模型的训练。每一条训练样本数据可以表示为X＝[x1,x2,...xy]，训练样本数据若来自样本训练集A，那么x等效于a，y等效于p。同理，训练样本数据若来自样本训练集C，那么x等效于c，y等效于q，以此类推。
本发明实施例中所提到的神经网络模型可以是深度经网络(deep neuralnetwork，DNN)，也称多层神经网络，可以理解为具有多层隐含层的神经网络。如图1所示，按照不同层的位置对DNN进行划分，DNN内部的神经网络可以分为输入层、多个隐藏层、输出层及分类层。上述输入层、多个隐藏层、输出层本质上都是由神经元构成的神经元处理层。输入层为神经网络模型中神经元处理层中的第一层，输出层为神经网络模型中神经元处理层中的最后一层。
上述神经网络模型可以通过多层非线性变换，将数据低级特征组合在一起形成更抽象的高级特征的模型。其能够有效提取数据潜在的特征。神经网络模型训练机制和特征抽取方法，能够对压缩机运行数据、控制输出量潜在特征进行有效分析。构建神经网络模型通过堆叠多个自动编码器得到，每一层自动编码器就相当于一个简单的人工神经网络，自动编码器实现方式是让输出信号等于输入信号，这是一种让输出重构输入的方式，通过训练调整神经网络每层中的权值和偏置参数，训练好的神经网络模型输出可以看作是输入数据的一种表示。
在一些实施例中，上述神经网络模型公式表示为如下：
Figure BDA0002868565460000161
其中，Net表示生成的神经网络模型，Tr表示神经网络模型的参数配置，funtion(·)函数用于生成神经网络模型，θ＝{θ1,θ2,...,θN}表示神经网络模型中每层神经元处理层参数集合，θ1＝(w1,b1)，w1和b1分别是神经网络模型中神经元处理层中第一层的权重矩阵和偏置矩阵；ON表示神经网络模型中第n个神经元处理层中神经元的个数n∈(1,2,...,N)，N是正整数，表示神经网络模型中神经元处理层的层数；
Figure BDA0002868565460000162
表示用于训练神经网络模型中的训练样本数据
Figure BDA0002868565460000163
神经网络模型第一层神经元处理层中神经元个数等于输入训练数据段长度表示为O1＝y。初始化的神经网络模型的参数θn＝(wn,bn)，神经网络模型权值矩阵初始化为wn＝rand(On,p),函数rand(·)表示随机生成0到1的随机数值，网络中所有神经元偏置矩阵均初始化0矩阵，表示为bn＝zeros(On,1)。
在一些实施例中，本发明实施例提供的故障识别模型训练方法、故障识别方法及相关装置可以应用于图2所示的电子设备。
在一些实施例中，上述电子设备可以是空调器。在另一些实施例中，上述电子设备可以是与空调器通信连接的计算机设备，其可从空调器中获取所需数据，从而，对故障识别模型进行训练或者进行故障识别工作。
以电子设备为空调器100为例，如图2所示，上述空调器100的方框示意图。所述空调器100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器110用于存储程序或者数据。所述存储器110可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。
通信模块130用于通过所述网络建立所述服务器与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图2所示的结构仅为服务器的结构示意图，所述服务器还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参考图3，图3示出了本发明实施例提供的一种故障识别模型训练方法。上述故障识别模型训练方法应用于电子设备。如图3所示，上述故障识别模型训练方法可以包括以下步骤：
步骤S101，获取训练样本数据。
在一些实施例中，可以从离线训练数据集中获取训练样本数据。比如，可以将离线训练数据集中每一条数据都作为训练样本数据。
可以理解地，若一条训练样本数据是从离线训练数据集对应的样本训练集A、C、D、U中任意一个抽取出来的，那么该条训练样本数据由控制采样数据及对应的故障分类标签所组成。上述控制采样数据为压缩机控制元件(也即，压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个)的控制输出量。若一条训练样本数据是从离线训练数据集对应的样本训练集V中抽取出来的，那么该条训练样本数据由压缩机的运行数据及对应的故障分类标签所组成。
在一些实施例中，面对训练样本数据的长度超过神经网络模型的输入层可接收的数据长度的场景，一方面，可以对从离线训练数据集中抽取出的数据进行裁剪，以使裁剪后得到的训练样本数据的长度不超过神经网络模型的输入层可接收的数据长度。另一方面，也可以在选择用于训练的神经网络模型时，选择输入层的神经元数量足够多的模型，以增加输入层可接收的数据长度。
步骤S102，利用训练样本数据对预选的神经网络模型进行逐层训练，以得到故障识别模型。
在一些实施例中，可以依次针对神经网络模型中每一层进行训练。也即，可以遍历神经网络模型中的每一层(可理解地，被遍历的层可以包括神经元处理层，也可以包括分类层)，将被遍历的到每一层神经元处理层作为待训练神经元处理层。再针对待训练神经元处理层进行训练。
在待训练神经元处理层是多层神经元处理层中的第一层时，如图4所示，上述步骤S102可以包括：
步骤S102-1，将训练样本数据中的数据本体输入待训练神经元处理层，以得到第一输出数据。
上述第一输出数据是由第一层神经元处理层提取出的特征矩阵。
上述数据本体可以指代控制采样数据，也可以指代压缩机运行数据。在实际运行过程中，根据所用的训练样本数据的不同，数据本体所指代的数据类型也不同。比如，训练样本数据是从样本训练集a中抽取出的，那么对应的数据本体为压缩机主控芯片所对应的控制采样数据(例如，“a1，a2…ap”)。
在一些实施例中，可以是根据训练样本数据中的数据本体，利用公式：
Figure BDA0002868565460000201
进行第一输出数据的提取。其中，h1代表第一输出数据，
Figure BDA0002868565460000202
是每个神经元的激活函数，表示为sigmoid函数
Figure BDA0002868565460000203
参数z＝w1h1+b1；上述w1和b1为神经网络模型迭代前的第一层神经元处理层的网络参数θ1＝(w1,b1)，为已知量。
步骤S102-2，将第一输出数据进行解码，得到第一解码数据。
在一些实施例中，可以是利用解码网络对第一输出数据进行解码，从而得到第一解码数据。比如，根据第一输出数据，利用公式：
Figure BDA0002868565460000204
计算第一解码数据。其中，δ(·)是第一层神经元处理层的sigmoid激活函数，
Figure BDA0002868565460000205
是解码网络的激活函数，
Figure BDA0002868565460000206
表示解码网络参数，
Figure BDA0002868565460000208
是解码网络的权值矩阵，d1是解码网络偏置矩阵。
步骤S102-3，利用数据本体与第一解码数据之间的差异，对待训练神经元处理层进行迭代。
在一些实施例中，可以是根据数据本体与第一解码数据之间的差异，利用误差反向传递更新待训练神经元处理层和对应的解码网络的网络参数，也即，利用误差反向传递更新θ1＝(w1,b1)和
Figure BDA0002868565460000207
在一些实施例中，通过最小化重构误差f(X,Y1,w1,b1)来优化第一层神经元处理层的网络参数θ1＝(w1,b1)，因而使得输出接近输入神经网络的重构误差计算方法为
Figure BDA0002868565460000211
Y1是第一解码数据，X为训练样本数据中的数据本体。进而通过梯度下降策略更新网络参数，参数更新计算表示为如下：
Figure BDA0002868565460000212
Figure BDA0002868565460000213
其中，α是初始化设置的学习率，w1,s+1和b1,s+1表示由反向传播更新的模型参数。s是当前网络更新误差反向传播层数，S表示误差反向传播的最大层数，比如，通过误差反向传播更新的是第一层神经元处理层和对应的解码网络，那么S取值为2，解码网络对应的s为1，第一层神经元处理层对应的s为2。
Figure BDA0002868565460000214
表示误差函数关于网络权值w1的导数，
Figure BDA0002868565460000215
是误差函数关于网路偏置b1的导数，作为神经网络梯度下降方向。
在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，如图5所示，上述步骤S102包括以下子步骤：
步骤S102-4，将相邻上一层神经元处理层的第二输出数据输入待训练神经元处理层，以得到第三输出数据。
在一些实施例中，可以是根据第二输出数据，利用公式：
Figure BDA0002868565460000216
进行第一输出数据的提取。其中，hi-1代表第二输出数据。i代表代训练神经元处理层在模型中所处的层数，可以取大于1的正整数，特别地，当i＝2时，表征相邻上一层神经元处理层为模型中的第一层神经元处理层，那么第二输出数据便是前述第一输出数据。
Figure BDA0002868565460000221
是每个神经元的激活函数，表示为sigmoid函数
Figure BDA0002868565460000222
参数z＝wihi+bi；上述wi和bi为神经网络模型迭代前的待训练神经元处理层的网络参数θi＝(wi,bi)，为已知量。
步骤S102-5，将第三输出数据进行解码，得到第二解码数据。
在一些实施例中，可以是利用待训练神经元处理层所对应的解码网络对第三输出数据进行解码，从而得到第二解码数据。比如，根据第三输出数据，利用公式：
Figure BDA0002868565460000223
计算第一解码数据。其中，δ(·)是待训练神经元处理层的sigmoid激活函数，
Figure BDA0002868565460000224
是对应的解码网络的激活函数，
Figure BDA0002868565460000225
表示对应的解码网络参数，
Figure BDA0002868565460000226
是待训练神经元处理层对应的解码网络的权值矩阵，di是待训练神经元处理层对应的解码网络偏置矩阵。i代表代训练神经元处理层在模型中所处的层数，可以取大于1的正整数。
在一些实施例中，不同神经元处理层所对应的解码网络可以不同。
步骤S102-6，利用第二输出数据与第二解码数据之间的差异，对待训练神经元处理层进行迭代。
在一些实施例中，可以是根据第二输出数据与第二解码数据之间的差异，利用误差反向传递更新待训练神经元处理层和对应的解码网络的网络参数，也即，利用误差反向传递更新θi＝(wi,bi)和
Figure BDA0002868565460000227
在一些实施例中，通过最小化重构误差f(hi-1,Yi,wi,bi)来优化待训练神经元处理层的网络参数θi＝(wi,bi)，因而使得输出接近输入神经网络的重构误差计算方法为
Figure BDA0002868565460000231
Yi是第二解码数据，hi-1为第二输出数据。进而通过梯度下降策略更新网络参数，参数更新计算表示为如下：
Figure BDA0002868565460000232
Figure BDA0002868565460000233
其中，α是初始化设置的学习率，i代表代训练神经元处理层在模型中所处的层数，可以取大于1的正整数，wi,s+1和bi,s+1表示由反向传播更新的模型参数。s是当前网络更新误差反向传播层数，S表示误差反向传播的最大层数，
Figure BDA0002868565460000234
表示误差函数关于网络权值wi的导数，
Figure BDA0002868565460000235
是误差函数关于网路偏置bi的导数，作为神经网络梯度下降方向。
另外，上述神经网络模型包括分类层，模型中的分类层未被训练的话，模型是不具备分类能力的，故，在一些实施例中，上述步骤S102还包括：
将多层所述神经元处理层中最后一层输出的所述第四输出数据输入分类层，以获得分类结果。根据分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。
以分类层为Softmax分类器为例。上述softmax分类器的目的是用来对压缩机运行数据或各类压缩机控制元件的控制输出量所对应的故障类型进行分类，也即，区分正常数据、轻微故障类型、典型故障类型。训练样本数据X＝[x1,x2,…,xy]的数据标签表示为l(i)，i∈{1,2,…,I},样本数据X，作为神经网络模型的输入，并将最后一层神经元处理层的输出特征hN作为Softmax分类器输入，每一个数据值使用似然函数计算一个概率值表示为
Figure BDA0002868565460000241
训练Softmax分类器的目的是，优化参数φ，使得代价函数能够获得最小值，代价函数表示为
Figure BDA0002868565460000242
然后使用训练好的Softmax分类器得到数据
Figure BDA0002868565460000243
的分类结果，其训练过程和分类过程表示为如下:
Figure BDA0002868565460000244
其中，l(i)表示数据标签，f(label＝s|X；φ)表示最大似然函数hφ(X)的I个参数，φ＝[φ1,φ2,…,φI]是Softmax分类器的模型参数。函数对每类别计算出的概率值表示为f(l＝i|xn,φ)，最后由概率值确定分类结果表示为
Figure BDA0002868565460000245
在一些实施例中，在将训练样本数据中的数据本体输入待训练神经元处理层之前，上述步骤S102还包括：
将每一个训练样本数据中的数据本体进行归一化处理，以便将归一化处理后的控制采样数据输入神经网络模型。比如，得到的训练样本数据为X＝{x1，x2…xy}，利用公式：
Figure BDA0002868565460000246
进行归一化处理。其中，m可以依次取1，2…y之间的每一个值，xmin代表“x1，x2…xy”之中的最小值，xmax代表“x1，x2…xy”之中的最大值。经过归一化处理后得到
Figure BDA0002868565460000251
与之对应的，步骤S102-1至步骤S102-6所提到的训练样本数据的数据本体即为
Figure BDA0002868565460000252
请参考图6，本发明实施例还提供了一种故障识别方法。如图6所示，上述故障识别方法可以包括以下步骤：
步骤S201，在空调器100运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据。
在一些实施例中，上述压缩机控制元件可以是压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。通过设置于压缩机控制元件的输出端口的采集设备，采集对应的控制输出量。
步骤S202，将检验数据输入故障识别模型，以得到故障识别结果。
在一些实施例中，上述故障识别模型为通过上述故障识别模型训练方法训练得到的模型。
在一些实施例中，若利用控制输出量未判断出故障类型，上述故障识别方法还包括：采集压缩机的实时运行数据；将实时运行数据输入故障识别模型，以确定故障识别结果。
此外，在确定出现新故障的情况下，上述故障识别方法还包括：
获取预设时间段内采集到的目标控制输出量及目标压缩机运行数据。可以理解地，上述预设时间段是包含新故障对应的发生时间点的时段。将目标控制输出量与新故障对应的故障分类标签关联，生成新的训练样本数据。将新的训练样本数据加入离线训练数据集中，重复利用上述故障识别模型训练方法对故障识别模型进行更新训练。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种故障识别模型训练装置300的实现方式，可选地，该故障识别模型训练装置300可以采用上述图2所示的空调器100的器件结构。进一步地，请参阅图7，图7为本发明实施例提供的一种故障识别模型训练装置300的功能模块图。需要说明的是，本实施例所提供的故障识别模型训练装置300，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该故障识别模型训练装置300包括：获取模块301及训练模块302。
获取模块301，用于获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量。
训练模块302，用于利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种故障识别装置400的实现方式，可选地，该故障识别装置400可以采用上述图2所示的空调器100的器件结构。进一步地，请参阅图8，图8为本发明实施例提供的一种故障识别装置400的功能模块图。需要说明的是，本实施例所提供的故障识别装置400，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该故障识别装置400包括：采集模块401及识别模块402。
采集模块401，用于在所述空调器100运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据。
识别模块402，用于将所述检验数据输入故障识别模型，以得到故障识别结果。
可选地，上述模块可以软件或固件(Firmware)的形式存储于图2所示的存储器110中或固化于该空调器100的操作***(Operating System，OS)中，并可由图2中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
综上所述，本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置。其中，上述故障识别模型训练方法包括：获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。利用不同故障类型下压缩机控制元件的控制输出量为训练样本，对神经网络模型进行逐层训练，得到能够根据空调器运行过程中产生的控制输出量即可识别出压缩机是否出现故障的模型，从而实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (13)

1.一种故障识别模型训练方法，其特征在于，所述故障识别模型训练方法包括：
获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；
利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
2.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括多层神经元处理层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤包括：
在待训练神经元处理层是多层所述神经元处理层中的第一层时，将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层，以得到第一输出数据；
将所述第一输出数据进行解码，得到第一解码数据；
利用所述控制采样数据与第一解码数据之间的差异，对所述待训练神经元处理层进行迭代；
在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，将相邻上一层神经元处理层的第二输出数据输入所述待训练神经元处理层，以得到第三输出数据；
将所述第三输出数据进行解码，得到第二解码数据；
利用所述第二输出数据与第二解码数据之间的差异，对所述待训练神经元处理层进行迭代。
3.根据权利要求2所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括分类层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：
将多层所述神经元处理层中最后一层输出的第四输出数据输入所述分类层，以获得分类结果；
根据所述分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。
4.根据权利要求2所述的故障识别模型训练方法，其特征在于，在将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层之前，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：
将每一个所述训练样本数据中的控制采样数据进行归一化处理，以便将归一化处理后的所述控制采样数据输入所述神经网络模型。
5.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述压缩机控制元件包括压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。
6.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述训练样本数据还包括压缩机的运行数据及对应的故障分类标签。
7.一种故障识别方法，其特征在于，应用于空调器，所述故障识别方法包括：
在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过权利要求1-6任意一项所述的故障识别模型训练方法训练得到的模型。
8.根据权利要求7所述的故障识别方法，其特征在于，若利用所述控制输出量未判断出故障类型，所述故障识别方法还包括：
采集所述压缩机的实时运行数据；
将所述实时运行数据输入故障识别模型，以确定故障识别结果。
9.根据权利要求7所述的故障识别方法，其特征在于，在确定出现新故障的情况下，所述故障识别方法还包括：
获取预设时间段内采集到的目标控制输出量；其中，所述预设时间段包含所述新故障对应的发生时间点；
将所述目标控制输出量与所述新故障对应的故障分类标签关联，生成新的所述训练样本数据，以便利用所述故障识别模型训练方法对所述故障识别模型进行更新训练。
10.一种故障识别模型训练装置，其特征在于，所述故障识别模型训练装置包括：
获取模块，用于获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；
训练模块，用于利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。
11.一种故障识别装置，其特征在于，应用于空调器，所述故障识别装置包括：
采集模块，用于在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；
识别模块，用于将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过权利要求1-6任意一项所述的故障识别模型训练方法训练得到的模型。
12.一种空调器，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-6任一项所述的故障识别模型训练方法，或者所述处理器可执行所述机器可执行指令以实现权利要求7-9任一项所述的故障识别方法。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的故障识别模型训练方法；或者计算机程序被处理器执行时实现如权利要求7-9任一项所述的故障识别方法。
CN202011590807.7A 2020-12-29 2020-12-29 故障识别模型训练方法、故障识别方法及相关装置 Pending CN112560997A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011590807.7A CN112560997A (zh) 2020-12-29 2020-12-29 故障识别模型训练方法、故障识别方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011590807.7A CN112560997A (zh) 2020-12-29 2020-12-29 故障识别模型训练方法、故障识别方法及相关装置

Publications (1)

Publication Number Publication Date
CN112560997A true CN112560997A (zh) 2021-03-26

Family

ID=75032748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011590807.7A Pending CN112560997A (zh) 2020-12-29 2020-12-29 故障识别模型训练方法、故障识别方法及相关装置

Country Status (1)

Country Link
CN (1) CN112560997A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113762344A (zh) * 2021-08-05 2021-12-07 上海电气集团股份有限公司 机床主轴的故障识别方法、故障识别模型训练方法及装置
CN114738938A (zh) * 2022-03-04 2022-07-12 青岛海尔空调电子有限公司 一种多联机空调机组故障监测方法、装置及存储介质
RU2786934C1 (ru) * 2021-12-24 2022-12-26 Федеральное государственное бюджетное образовательное учреждение высшего образования "Поволжский государственный университет телекоммуникаций и информатики" Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения
CN117961976A (zh) * 2024-03-29 2024-05-03 湖南大学 基于生成扩散迁移的装配机器人在线检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506825A (zh) * 2017-09-05 2017-12-22 河海大学 一种泵站故障识别方法
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法
CN110751261A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和***以及预测方法和***
CN111140986A (zh) * 2019-12-23 2020-05-12 珠海格力电器股份有限公司 空调***的运行状态检测方法、装置、存储介质及空调
CN111489539A (zh) * 2019-01-29 2020-08-04 珠海格力电器股份有限公司 家电***故障的预警方法、***及装置
CN111860667A (zh) * 2020-07-27 2020-10-30 海尔优家智能科技（北京）有限公司 设备故障的确定方法及装置、存储介质、电子装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506825A (zh) * 2017-09-05 2017-12-22 河海大学 一种泵站故障识别方法
CN110751261A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和***以及预测方法和***
CN111489539A (zh) * 2019-01-29 2020-08-04 珠海格力电器股份有限公司 家电***故障的预警方法、***及装置
CN109931678A (zh) * 2019-03-13 2019-06-25 中国计量大学 基于深度学习lstm的空调故障诊断方法
CN111140986A (zh) * 2019-12-23 2020-05-12 珠海格力电器股份有限公司 空调***的运行状态检测方法、装置、存储介质及空调
CN111860667A (zh) * 2020-07-27 2020-10-30 海尔优家智能科技（北京）有限公司 设备故障的确定方法及装置、存储介质、电子装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762344A (zh) * 2021-08-05 2021-12-07 上海电气集团股份有限公司 机床主轴的故障识别方法、故障识别模型训练方法及装置
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
RU2786934C1 (ru) * 2021-12-24 2022-12-26 Федеральное государственное бюджетное образовательное учреждение высшего образования "Поволжский государственный университет телекоммуникаций и информатики" Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения
CN114738938A (zh) * 2022-03-04 2022-07-12 青岛海尔空调电子有限公司 一种多联机空调机组故障监测方法、装置及存储介质
CN117961976A (zh) * 2024-03-29 2024-05-03 湖南大学 基于生成扩散迁移的装配机器人在线检测方法及装置

Similar Documents

Publication Publication Date Title
CN112560997A (zh) 故障识别模型训练方法、故障识别方法及相关装置
CN112784965B (zh) 面向云环境下大规模多元时间序列数据异常检测方法
US10831577B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
Zhang et al. Deep sparse autoencoder for feature extraction and diagnosis of locomotive adhesion status
KR102172925B1 (ko) 딥러닝 기반 기후 변화 예측 시스템의 동작 방법
CN108459955B (zh) 基于深度自编码网络的软件缺陷预测方法
CN113822421B (zh) 基于神经网络的异常定位方法、***、设备及存储介质
Yuan et al. Learning-based real-time event identification using rich real PMU data
CN115791174B (zh) 一种滚动轴承异常诊断方法、***、电子设备及存储介质
CN117110748A (zh) 一种基于融合终端的变电站主设备运行状态异常检测方法
CN116861924A (zh) 基于人工智能的项目风险预警方法及***
CN115510950A (zh) 基于时间卷积网络的飞行器遥测数据异常检测方法及***
CN113807728A (zh) 基于神经网络的绩效考核方法、装置、设备及存储介质
CN112363465B (zh) 一种专家规则集训练方法、训练器和工业设备预警***
CN113824575B (zh) 故障节点识别的方法、装置、计算设备及计算机存储介质
CN117852541A (zh) 一种实体关系三元组抽取方法、***及计算机设备
CN113469013A (zh) 一种基于迁移学习和时间序列的电机故障预测方法及***
CN117078007A (zh) 一种融合尺度标签的多尺度风控***及其方法
Juesas et al. Ascertainment-adjusted parameter estimation approach to improve robustness against misspecification of health monitoring methods
CN113076217B (zh) 基于国产平台的磁盘故障预测方法
CN116415485A (zh) 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法
CN110647117B (zh) 一种化工过程故障识别方法及***
CN114565004A (zh) 一种风电机组功率曲线异常散点剔除方法及装置
CN108763728B (zh) 用并联型深度神经网络分层特征提取的机械故障诊断方法
Wu et al. Understand how CNN diagnoses faults with Grad-CAM

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230506

Address after: 315000 No.1166 Mingguang North Road, Jiangshan Town, Yinzhou District, Ningbo City, Zhejiang Province

Applicant after: NINGBO AUX ELECTRIC Co.,Ltd.

Address before: 519080 202, 2nd floor, building B, headquarters base, No.2 Qianwan 2nd Road, Tangjiawan Town, high tech Zone, Zhuhai City, Guangdong Province

Applicant before: ZHUHAI TUOXIN TECHNOLOGY Co.,Ltd.

Applicant before: NINGBO AUX ELECTRIC Co.,Ltd.