CN115289606A - 除湿机在线故障诊断方法、***、服务器及存储介质 - Google Patents
除湿机在线故障诊断方法、***、服务器及存储介质 Download PDFInfo
- Publication number
- CN115289606A CN115289606A CN202210820907.7A CN202210820907A CN115289606A CN 115289606 A CN115289606 A CN 115289606A CN 202210820907 A CN202210820907 A CN 202210820907A CN 115289606 A CN115289606 A CN 115289606A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- fault
- target point
- dehumidifier
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001310 location test Methods 0.000 claims description 6
- 238000007791 dehumidification Methods 0.000 abstract description 34
- 238000001514 detection method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008929 regeneration Effects 0.000 description 5
- 238000011069 regeneration method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine 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
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种除湿机在线故障诊断方法、***、服务器及存储介质,方法包括:获取表征点位工作状态的点位数据和需要诊断的故障目标点,根据故障目标点获得影响故障目标点的其它点位,基于其它点位和点位数据获得表征其它点位工作状态的其它点位数据;对其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理特征值,得到故障目标点的预测数据,基于预测数据和故障目标点的实时数据,判断除湿机的运行状态。通过本申请,对除湿***的离线数据和在线数据进行了分析、建模和运算等操作,来解决除湿***通过传统技术进行故障检测的不及时、不准确和消耗人力的问题,减少除湿***所控制的空间温湿度异常带来的生产或存储的损失。
Description
技术领域
本申请涉及在线故障诊断技术领域,特别涉及一种除湿机在线故障诊断方法、***、服务器及存储介质。
背景技术
除湿***是室内回风口把室内有水分的空气抽到主机内,经过压缩机抽取其中的水分后,再通过室内送风口排到室内,通过室内回风口和室内送风口共两个风口完成了一个室内空气循环,调节室内空气的湿度,确保让人们处在一个舒适的空间。但因为其规模庞大,控制策略复杂,使得各类故障频频发生。
除湿***常见的异常故障包括阀门故障、管道故障、热交换盘管故障、除湿转轮故障、电机故障、风机故障以及控制***故障。近些年来研究人员提出了许多除湿***故障检测技术,主要包括四种故障检测技术,即人工现场巡检;除湿***自身携带的异常报警功能;现场数据已接入数据中心时,位于控制室或数据中心的在线检测平台提供的预警功能;工人在控制室或数据中心观察在线数据变化趋势、观察在线检测平台提供的预警,最终做出的故障判断。但是这些现有的除湿***故障检测技术还存在一些不足,比如,一个厂区内除湿***多达上百台时,需要大量人力进行巡检;不是***中所有的设备都含有自身报警功能,或漏掉部分***故障、异常;预警方式简单,仅采用上下阈值的方式,对单一测点数据或多测点按规则运算后的结果进行判断,超过设定阈值进行报警,且阈值设定后不会自动修改;工人对可观察到的报警、数据变化趋势等进行分析的过程需要一定的时间,从而不一定能够及时判断故障。即不能够及时、准确有效地完成对除湿***的故障及异常检测,使得除湿***所控制的空间温湿度异常状态对生产和存储造成损失。
发明内容
通过对除湿***的离线数据和在线数据进行了分析、建模和运算等操作,来解决除湿***通过传统技术进行故障检测的不及时、不准确和消耗人力的问题,减少除湿***所控制的空间温湿度异常带来的生产或存储的损失。
第一方面,本实施例提供了一种除湿机在线故障诊断方法,所述方法包括:
获取表征点位工作状态的点位数据和需要诊断的故障目标点,根据所述故障目标点获得影响所述故障目标点的其它点位,基于所述其它点位和所述点位数据获得表征其它点位工作状态的其它点位数据;
对所述其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据,基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态。
在其中的一些实施例中,所述根据所述故障目标点获得影响所述故障目标点的其它点位包括:
根据所述故障目标点判断所述故障目标点所属的故障类型,基于所述故障类型确定影响所述故障目标点的其它点位,其中,每种故障类型都有确定影响所述故障目标点的其它点位的判断标准。
在其中的一些实施例中,所述特征提取操作包括以下方式至少之一:所述其它点位数据中的某一个点位数据在一段时间内的运算操作,所述其它点位数据中若干个点位数据在一段时间内的运算操作。
在其中的一些实施例中,所述使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据包括:
定时获取所述除湿机的设备参数、故障目标点和特征值,根据所述故障目标点获得故障目标点的历史实际数据和影响所述故障目标点的其它点位的历史特征值;
基于所述除湿机的设备参数和所述故障目标点确定处理所述特征值的初始机器学习模型,根据历史特征值和故障目标点的历史实际数据离线训练所述初始机器学习模型,获得最终机器学习模型,使用所述最终机器学习模型在线处理所述其它点数数据,获得故障目标点的预测数据。
在其中的一些实施例中,所述根据历史特征值和故障目标点的历史实际数据离线训练所述初始机器学习模型,获得最终机器学习模型之前还包括:
获取所述历史特征值和故障目标点的历史实际数据中用于测试所述最终机器学习模型准确性的其它点位测试数据和故障目标点的测试数据,使用所述最终机器学习模型处理所述其它点位测试数据,获得故障目标点的测试预测数据;
判断所述故障目标点的测试预测数据与所述故障目标点的实际数据之间的差值是否大于阈值,若是,则调整所述特征提取操作和/或选择新的初始机器学习模型;否则,获得最终机器学习模型。
在其中的一些实施例中,所述基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态包括:
基于所述预测数据和故障目标点的实际数据,获得两者之间的偏差,记录所述偏差在固定时间内超过预设偏差的次数,判断所述次数是否超过预设次数,若是,则判断所述除湿机的运行状态为非正常,所述除湿机发出报警信号;否则,所述除湿机的运行状态为正常。
第二方面,本实施例提供了一种除湿机在线故障诊断***,所述***包括数据处理模块和算法计算模块;其中,
所述数据处理模块,用于获取表征点位工作状态的点位数据;
所述算法计算模块,用于获取需要诊断的故障目标点,根据所述故障目标点获得影响所述故障目标点的其它点位,基于所述其它点位和所述点位数据获得表征其它点位工作状态的其它点位数据;对所述其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据,基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态。
在其中的一些实施例中,所述***还包括软件前端模块和软件后端模块;其中,
所述软件前端模块,用于显示所述除湿机的运行状态和所述故障目标点的预测数据;
所述软件后端模块,用于与所述数据处理模块、所述算法计算模块和所述软件前端模块进行交互。
第三方面,本申请实施例提供了一种服务器,所述服务器包括:处理器和存储器,所述存储器上存储有能在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的除湿机在线故障诊断方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有能在处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如第一方面所述的除湿机在线故障诊断方法。
通过采用上述方案,本申请在线诊断除湿机的故障时,首先根据故障目标点来判断故障目标点所属的故障类型,基于故障类型来确定直接影响该故障目标点处数据变化的其它点位数据,并根据该故障类型来有针对性地选取进行特征提取的运算操作,获得特征值,通过对多点位进行联合运算,使得特征值能更准确地表征其它点位数据特征;接着基于除湿机的设备参数和故障目标点确定处理特征值的初始机器学习模型,根据历史的其它点位数据和故障目标点的历史实际数据离线训练初始机器学习模型,获得最终机器学习模型,使用最终机器学习模型在线处理其它点位数据,来获得故障目标点的预测数据;最后根据预测数据和实际数据获得两者的差值,并记录差值在固定时间内超过预设偏差的次数,若该次数没有超过预设次数,就认定该除湿机运行正常,否则就认定该除湿机有故障。
本申请一方面节省了除湿***故障诊断所需要的人力,另一方面通过数据分析、机器学习技术实现设备异常报警、设备故障诊断、设备数据趋势动态预警,且上述多种算法功能的综合运用也可以提高故障报警准确性。另外,对故障目标点和与其相关的点位进行全面数据分析、建模和运算,从而综合全面地分析可能存在的异常,提高故障识别率。因此,本方案可以及时、准确有效地完成对除湿***的故障及异常检测。
附图说明
图1是本实施例提供的双转轮除湿***工作原理图。
图2是本实施例提供的除湿机故障诊断***的结构框图。
图3是本实施例提供的除湿机在线故障诊断方法的流程图。
图4是本实施例提供的基于机器学习的除湿机预警方案的流程图。
图5是本实施例提供的机器学习模型维护示意图。
图6是本实施例提供的除湿***中部分点位说明图。
图7是本实施例提供测试的训练集预测结果对比图。
图8是本实施例提供的关于图7中预测阶段的放大图。
图9是本实施例提供的服务器的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点,下面结合附图和实施例,对本申请进行了描述和说明。然而,本领域的普通技术人员应该明白,可以在没有这些细节的情况下实施本申请。对于本领域的普通技术人员来说,显然可以对本申请所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请不限于所示的实施例,而是符合与本申请所要求保护的范围一致的最广泛范围。
下面结合说明书附图对本申请实施例作进一步详细描述。
双转轮除湿***包括若干子***:再生***、通风***、蒸汽***、冻水***、排水***、电力***和控制***,各个子***由一定的设备或组件构成。其中,再生***包括两个除湿转轮,即一级转轮和二级转轮,风机、电机、风管和热交换盘管等;通风***包括风机、电机、风管和阀门等;电力***包括电源线、断路器和动力柜等;控制***包括PLC控制器、变频器、传感器、数采和人机交互界面等。
图1是本实施例提供的双转轮除湿***工作原理图。如图1所示,入风和回风通过冻水盘管时,由于冻水排管可以改变经过其位置的空气温度,使得空气与冻水发生热交换,空气中的热量降低,空气温度降低,最终形成一定温度范围内的空气通过转轮,保证通过转轮的空气温度满足工艺需求;当通过转轮的空气为常温时,转轮具有吸附空气中水分的能力,因此入风和回风在经过冻水盘管及一级和/或二级转轮时,空气湿度较低,空气中携带的水分被转轮吸附,经过转轮后的空气湿度下降,得到的干燥空气送入双转轮除湿***控制的空间,从而使得被控制空间的湿度保持在设定的范围内。与此同时,部分经过两次转轮后的入风形成的干燥空气,进入再生回路,因此通过蒸汽盘管提高再生空气的温度,当通过转轮的空气为高温时,转轮会释放水分,将转轮局部烘干,最终将含有水分的空气通过排风口排出。
另外,转轮在电机的带动下进行转动,转轮上的任意位置在经过入风和回风回路时,带走空气中的水分,然后在旋转的作用下到达再生回路,在此处被烘干,将吸附的水分释放。通过连续的旋转,***达到动态平衡,入风空气和回风空气中的部分水分将由排风空气带出***,最终达到送风空气中的水分少于入风空气。
其中,一级转轮和二级转轮用于改变空气湿度;冻水盘管和蒸汽盘管用于改变经过其位置的空气温度,从而保证通过转轮的空气温度满足工艺要求,冻水盘管和蒸汽盘管还均由各自的阀门控制其中通过的冻水或蒸汽的流量,从而起到灵活调节冻水降温和蒸汽加热的效果;风机用来控制气流的方向与速度,由电机驱动其运转。
在实施例中,回风空气来自被双转轮除湿***控制的空间,一方面可以在回风处测量被控制空间的温度和湿度情况,便于控制***调整;另一方面可以保证被控制空间内的空气循环,并且由于回风空气的温度和湿度在正常情况下较为接近控制目标,从而减少***耗能。
本实施例提供了一种除湿机在线故障诊断***,图2是本实施例提供的除湿机故障诊断***的结构框图。如图2所示,该***包括:数据处理模块、软件后端模块、算法计算模块和软件前端模块。
数据处理模块用于获取表征点位工作状态的点位数据。
数据处理模块包括传感器、数据采集和数据传输三种类型的设备,其数量和拓扑结构可根据实际物理位置情况而定,本实施例不进行限定。***所需要的点位数据都对应传感器的一个输出数据,比如在送风口处设有一个温度传感器,来对应送风口温度这一点位数据。一个传感器设备可以测量一个点位处的一个或多个数据,比如温湿度一体传感器,可以同时测量一个点位上的温度和湿度,生成两个数据。其中,传感器在工作时需要对除湿机的关键运行数据、工艺数据和换件数据等进行实时地测量。比如除湿***管道中各个关键位置的温度和湿度;被控制空间内的温度和湿度;除湿***中各个阀门开度;除湿转轮的转速;除湿***中风机、电机的各个轴承的温度和振动等等,这些数据都需要通过相应的传感器进行检测。
点位通过传感器测量后,需要由数据采集设备进行采集,将传感器连续的检测结果转换为一定周期的离散数据,周期可根据算法需要或者其它情况来进行调整。通常一个传感器设备配有一个数据采集设备,也可以多个传感器设备共用一个数据采集设备。在多个传感器设备共用一个数据采集设备的情况下,可以选取位置相对靠近的传感器共同使用一个数据采集设备,也可根据实际情况来选取共用一个数据采集设备的传感器设备。
通过数据采集设备进行采集后,数据将通过数据传输设备进行传输,如路由器、网关等设备。通常同一物理空间内的数据采集设备可以共用一套数据传输设备,具体实现由实际物理空间的条件而决定。
软件后端模块是与其它模块进行数据的交互、管理各模块获得的数据,和管理各部分的任务进行或线程等,是各个模块相互连接的中心。具体包括但不限于数据获取功能、数据存储与管理功能、数据的简单处理功能、核心算法任务的调用与管理功能和前端的交互功能。
具体可以用于存储数据处理模块中的数据和算法计算模块的计算结果,并将数据和计算结果发送给软件前端模块。
算法计算模块用于获取需要诊断的故障目标点,根据故障目标点获得影响故障目标点的其它点位,基于其它点位和点位数据获得表征其它点位工作状态的其它点位数据;对其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理特征值,得到故障目标点的预测数据,基于预测数据和故障目标点的实际数据,判断除湿机的运行状态。
根据潜在故障发生可能性的大小,从除湿***存在的潜在故障类型中选取一个进一步诊断的故障类型,基于该故障类型来确定故障目标点,比如,选取进一步诊断的故障类型为送风口温度,那么该故障目标点为送风口处。通过机器学习技术,结合与该故障目标点相关联的其它点位的运行数据,同时也结合设备的运行机理和环境条件,全面综合地实现除湿***的故障准确诊断。
软件前端模块主要是与使用软件的用户进行交互,将***中的数据以一定的形式进行展示,同时获得用户的操作信息。具体的软件前端功能包括但不限于:操作界面功能、用户登录与管理功能、***总览功能、设备实时数据展示功能、故障报警功能、报警展示与管理功能、历史数据展示功能和***设置功能等。具体可以用于显示除湿机的运行状态和故障目标点的预测数据。
本实施例的除湿***中数据处理模块对除湿***进行若干点位的数据检测、采集和传输;由软件后端部分接收该数据,并对数据进行存储,同时将数据进行一定的处理后调用算法计算模块对数据进行运算;算法计算模块将计算的结果返回给软件后端模块;软件后端部分将获得的数据、计算结果发送给软件前端模块,由软件前端模块负责展示;本实施例中包含的硬件平台为搭载软件后端模块和算法计算模块的服务器;软件前端模块可在本地硬件平台上进行展示,也可通过网络在其它硬件平台上展示,如计算机上面远程展示;用户可通过软件前端模块或者远程软件前端模块对故障诊断***进行设置、控制等操作,用户在软件前端模块的操作信息将会发送给软件后端模块,由软件后端模块根据用户输入的信息对核心算法或软件后端模块本身的参数或结构进行相应的调整。
基于上述***,本***提供了一种除湿机在线故障诊断方法。图3是本实施例提供的除湿机在线故障诊断方法的流程图。如图3所示,该流程包括如下步骤:
步骤S301,获取表征点位工作状态的点位数据和需要诊断的故障目标点,根据故障目标点获得影响故障目标点的其它点位,基于其它点位和点位数据获得表征其它点位工作状态的其它点位数据。
在本实施例中,传感器在实时记录着除湿机不同位置的点位数据,根据其它点位可以从点位数据中获取表征其它点位工作状态的其它点位数据,
其中,根据故障目标点获得影响故障目标点的其它点位包括:根据故障目标点判断故障目标点所属的故障类型,基于故障类型确定影响故障目标点的其它点位,其中,每种故障类型都有确定影响故障目标点的其它点位的判断标准。
本实施例中故障目标点的故障类型包括受管道风向影响的故障类型和除湿***中设备工作参数的故障类型。影响每种故障类型的因素都不同,受管道风向影响的故障类型的影响因素是管道中的风向,而设备工作参数的故障类型的影响因素是该设备的其它数据。比如故障目标点属于受管道风向影响的故障类型,在基于该故障类型确定影响故障目标点的其它点位的具体操作为:根据故障目标点确定其所处的第一管道,基于第一管道的气体流向可以确定第一管道中直接影响故障目标点的第一其它点位,其中,第一其它点位至少包含一个点位。由于本实施例中设有两个管道,因此还需要判断气体从第一其它点位到故障目标点位的过程中是否会遇到分叉口,流入第二管道中,若有,就需要根据气体的流向确定第二管道中直接影响故障目标点的第二其它点位,其中,其它点位包括第一点位和第二点位;若没有流入第二管道中,那么第二其它点位就是空白,此时的其它点位就是第一其它点位。在诊断故障目标点时也充分考虑其它点位对该故障目标点处数据的影响,与其它点位进行联动分析。
步骤S302,对其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理特征值,得到故障目标点的预测数据,基于预测数据和故障目标点的实际数据,判断除湿机的运行状态。
在对其它点位数据进行特征提取时,可以采用以下操作方式至少之一:其它点位数据中的某一点位数据在一段时间内的运算操作;其它点位数据中若干个点位数据在一段时间内的运算操作。其中,其它点位数据中的某一点位数据在一段时间内的运算操作可以为这段时间内该点位数据的均值、最大值、最小值、方差、标准差、积分、微分和傅里叶变换后各能量的分量等,其它点位数据中若干个点位数据在一段时间内的运算操作可以为该点位在一段时间内数据的加和、乘积、差值、比例、均值、方差和标准差等操作。
由于对点位数据进行运算操作后的特征值可以更简单清楚地表明点数数据的变化趋势,体现当前点位的特点。因此,根据实际情况使用对点位数据进行运算操作后的特征值来替代原始的点位数据,对故障目标点和与其相关的点位进行全面数据分析,从而综合全面地分析可能存在的异常,提高故障识别率。
图4是本实施例提供的基于机器学习的除湿机预警方案的流程图。如图4所示,该方案包括目标确立、数据获取、特征提取、模型构建、上线运行和模型维护。其中,
目标确立用于确定所要预测或分类的故障类型,确定故障目标点。数据获取用于获取运行数据、环境数据和工艺数据,并对数据进行数据清洗等预处理,舍弃检测出现错误的数据。特征提取用于对所预测的故障目标点进行经验上的故障梳理,比如该设备容易出现哪些故障,相应的故障原因是哪些,同时对其它数据点进行统计分析,寻找故障相关的关键特征。其中步骤S301和步骤S302已经对其进行了详细说明,这里就不再进行赘述。
模型构建需要根据故障目标点的特点、类型、数据情况、特征情况等多方面因素,选择合适的机器学习算法。选择算法后需要对模型进行训练,同时通过算法参数的调整,目的是达到理想的计算结果。最终对模型的计算结果进行评估,不满足要求则需要重新调整模型参数、或调整特征、或重新选择模型,因此该步骤需要与特征提取进行互动,经过反复多次的特征提取和模型训练,达到最终理想的计算结果。
由于除湿机都有各自的设备参数,且故障目标点也有各自的特点,因此需要基于除湿机的设备参数和故障目标点先确定初始机器学习模型,然后再根据历史特征值和故障目标点的历史实际数据来离线训练初始机器学习模型,来得到最终机器学习模型。
另外,模型构建在和特征提取进行互动,经过反复多次的特征提取和模型训练,达到最终理想的计算结果,也就是根据历史特征值和故障目标点的历史实际数据离线训练初始机器学习模型,获得最终机器学习模型的过程。其中,机器学习模型所包含的具体算法有很多,具体的机器学习算法包括但不限于:BP神经网络、决策树、支持向量机、K近邻、随机森林、LSTM、集成学习、XGBoost、LightGBM和卷积神经网络等。
在获得最终机器学习模型之前还包括:获取历史特征值和故障目标点的历史实际数据中用于测试最终机器学习模型准确性的其它点位测试数据和故障目标点的测试数据,使用最终机器学习模型处理其它点位测试数据,获得故障目标点的测试预测数据;判断故障目标点的测试预测数据与故障目标点的实际数据之间的差值是否大于阈值,若是,则表明当前的机器学习模型不可用,需要调整特征提取操作和/或选择新的初始机器学习模型,接着进行训练,直到机器学习模型可用才停止训练;否则,就表明当前的机器学习模型可用,获得了最终机器学习模型。
获得最终机器学习模型后,由于特征提取操作方式中的包含某一点位数据在一段时间内的运算操作,因此特征提取的运算需要经过一定的调整,由离线数据特征提取计算转变为在线数据的特征提取计算。通过离线转在线之后的模型便可上线运行,对未来的数据进行实时的计算,获得故障目标点的预测数据。
模型上线运行后,会得到实时的结果,但与此同时,我们也需要关注模型结果的性能,若预测结果与实际情况相比的准确性、预测计算的耗时等,并且定期地将新的故障案例数据作为训练样本,对原有的模型进行增量学习,从而进一步提高模型的准确性,或防止模型随时间推移出现性能下降的情况。
图5是本实施例提供的机器学习模型维护示意图。如图5所示,实时测量所得的数据称为在线数据,在线数据经过在线特征提取后,得到若干量化的特征值,特征值作为机器学习模型的输入,经过模型的计算,得到相应的输出,即异常或故障的报警或诊断结果。
当在线数据发生后,以一定的方式存储下来,成为离线数据。在机器学习模型初次建立或后续更新时,需要利用足够量的离线数据进行模型训练。离线数据经过特征提取得到若干历史特征值,这些历史特征值用于模型的训练。当模型训练完毕并在验证数据上达到理想的效果后,模型可用于在线计算。需要注意的是,对于解决不同的故障诊断问题时,基于机器学习的除湿机预警方案的流程和机器学习模型维护方式都是相同的,但具体用到的点位数据、特征和机器学习模型并不一定相同,需要根据实际情况而进行选择。
在本实施例中,基于预测数据和故障目标点的实际数据,判断除湿机的运行状态包括:基于预测数据和故障目标点的实际数据,获得两者之间的偏差,记录偏差在固定时间内超过预设偏差的次数,判断次数是否超过预设次数,若是,则判断除湿机的运行状态为非正常,除湿机发出报警信号;否则,除湿机的运行状态为正常。通过数据分析、机器学习技术实现设备异常报警、设备故障诊断、设备数据趋势动态预警,且上述多种算法功能的综合运用也可以提高故障报警准确性。
在本实施例中,除湿机的运行状态为非正常之后还包括对故障目标点进行设置和/或控制操作来保护除湿机。
本实施例还提供了以双转轮除湿***中的一种故障:送风露点异常,采用LightGBM算法的机器学习模型为例的测试。图6是本实施例提供的除湿***中部分点位说明图。如图6所示,每一个编号代表一个点位数据,①送风露点、②后部冻水阀门开度、③中部风管温度、④中部风管湿度、⑤中部风机转速、⑥二级转轮转速、⑦后部蒸汽阀门开度、⑧后部再生风管温度和⑨后部排风风管温度。
在本测试中以①为故障目标点,②至⑨为模型所需的其它点位数据。然后对②至⑨采用平均值方式进行特征提取,并采用LightGBM算法的机器学习模型,其中本测试在2021.10.07到2021.10.17的时间段内一共采用了15000个时刻的数据,其中前12500个时刻作为训练及验证数据,训练与验证的数据比例为7:3,即有算法从12500个时刻的数据中随机选取70%的数据作为训练数据,30%的数据作为验证数据。剩下的2500个时刻的数据作为预测集,其中包含约300个时刻的异常数据和约2200个时刻的正常数据。上述的每一个时刻数据包含②至⑨点位数据的若干特征值。图7是本实施例提供测试的训练集预测结果对比图。如图7所示,灰虚线部分为用于模型训练的真实历史数据,灰点实线部分为未经过模型训练的真实历史数据,黑实线部分为模型经过训练后,对送风露点的预测结果。在训练阶段,预测数据能够较为准确地与真实数据重合,预测误差在5摄氏度以内,说明了模型的准确性较高。
图8是本实施例提供的关于图7中预测阶段的放大图。如图8所示,在对未来数据的预测部分,当设备正常时,预测数据与真实数据能够较好地重合,而当设备出现异常或故障时,真实数据与预测数据出现较大偏差,本测试中对送风露点预测的偏差最大达到30摄氏度,超过了正常的误差范围,***做出报警,认为出现送风露点异常。最后,将训练完成并经过验证的模型,部署至除湿机在线故障诊断***中,由软件后端进行调用,对未来的数据进行在线的、实时的计算,并将计算结果发送至软件前端展示。
图9是本实施例提供的服务器的结构框图,如图9所示,该服务器包括处理器91和存储器92,其中,存储器92上存储有能在处理器91上运行的计算机程序93,该计算机程序93被处理器执行时实现本申请实施例提供的一种除湿机在线故障诊断方法。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确地说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种除湿机在线故障诊断方法,其特征在于,所述方法包括:
获取表征点位工作状态的点位数据和需要诊断的故障目标点,根据所述故障目标点获得影响所述故障目标点的其它点位,基于所述其它点位和所述点位数据获得表征其它点位工作状态的其它点位数据;
对所述其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据,基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述故障目标点获得影响所述故障目标点的其它点位包括:
根据所述故障目标点判断所述故障目标点所属的故障类型,基于所述故障类型确定影响所述故障目标点的其它点位,其中,每种故障类型都有确定影响所述故障目标点的其它点位的判断标准。
3.根据权利要求1所述的方法,其特征在于,所述特征提取操作包括以下方式至少之一:所述其它点位数据中的某一个点位数据在一段时间内的运算操作,所述其它点位数据中若干个点位数据在一段时间内的运算操作。
4.根据权利要求3所述的方法,其特征在于,所述使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据包括:
定时获取所述除湿机的设备参数、故障目标点和特征值,根据所述故障目标点获得故障目标点的历史实际数据和影响所述故障目标点的其它点位的历史特征值;
基于所述除湿机的设备参数和所述故障目标点确定处理所述特征值的初始机器学习模型,根据历史特征值和故障目标点的历史实际数据离线训练所述初始机器学习模型,获得最终机器学习模型,使用所述最终机器学习模型在线处理所述其它点数数据,获得故障目标点的预测数据。
5.根据权利要求4所述的方法,其特征在于,所述根据历史特征值和故障目标点的历史实际数据离线训练所述初始机器学习模型,获得最终机器学习模型之前还包括:
获取所述历史特征值和故障目标点的历史实际数据中用于测试所述最终机器学习模型准确性的其它点位测试数据和故障目标点的测试数据,使用所述最终机器学习模型处理所述其它点位测试数据,获得故障目标点的测试预测数据;
判断所述故障目标点的测试预测数据与所述故障目标点的实际数据之间的差值是否大于阈值,若是,则调整所述特征提取操作和/或选择新的初始机器学习模型;否则,获得最终机器学习模型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态包括:
基于所述预测数据和故障目标点的实际数据,获得两者之间的偏差,记录所述偏差在固定时间内超过预设偏差的次数,判断所述次数是否超过预设次数,若是,则判断所述除湿机的运行状态为非正常,所述除湿机发出报警信号;否则,所述除湿机的运行状态为正常。
7.一种除湿机在线故障诊断***,其特征在于,所述***包括:数据处理模块和算法计算模块;其中,
所述数据处理模块,用于获取表征点位工作状态的点位数据;
所述算法计算模块,用于获取需要诊断的故障目标点,根据所述故障目标点获得影响所述故障目标点的其它点位,基于所述其它点位和所述点位数据获得表征其它点位工作状态的其它点位数据;对所述其它点位数据进行特征提取操作,获得特征值;使用机器学习模型处理所述特征值,得到所述故障目标点的预测数据,基于所述预测数据和故障目标点的实际数据,判断所述除湿机的运行状态。
8.根据权利要求7所述的***,其特征在于,所述***还包括软件前端模块、软件后端模块;其中,
所述软件前端模块,用于显示所述除湿机的运行状态和所述故障目标点的预测数据;
所述软件后端模块,用于与所述数据处理模块、所述算法计算模块和所述软件前端模块进行交互。
9.一种服务器,其特征在于,所述服务器包括:处理器和存储器,所述存储器上存储有能在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任意一项所述的除湿机在线故障诊断方法。
10.一种计算机可读存储介质,其上存储有能在处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至7中任意一项所述的除湿机在线故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820907.7A CN115289606A (zh) | 2022-07-13 | 2022-07-13 | 除湿机在线故障诊断方法、***、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820907.7A CN115289606A (zh) | 2022-07-13 | 2022-07-13 | 除湿机在线故障诊断方法、***、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115289606A true CN115289606A (zh) | 2022-11-04 |
Family
ID=83821333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820907.7A Pending CN115289606A (zh) | 2022-07-13 | 2022-07-13 | 除湿机在线故障诊断方法、***、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115289606A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN111766514A (zh) * | 2020-06-19 | 2020-10-13 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析方法 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
JP2021018821A (ja) * | 2019-07-18 | 2021-02-15 | ▲広▼州大学 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
CN112702184A (zh) * | 2019-10-23 | 2021-04-23 | 中国电信股份有限公司 | 故障预警方法及装置、计算机可存储介质 |
CN112781178A (zh) * | 2021-01-15 | 2021-05-11 | 杭州格米环境科技有限公司 | 除湿机在线诊断***和方法 |
CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
KR102285117B1 (ko) * | 2021-01-22 | 2021-08-03 | (주)제넥 | 멀티 노점계를 이용한 흡착식 제습장치의 공정 절환 제어 방법 |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
-
2022
- 2022-07-13 CN CN202210820907.7A patent/CN115289606A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934130A (zh) * | 2019-02-28 | 2019-06-25 | 中国空间技术研究院 | 基于深度学习的卫星故障在轨实时故障诊断方法及*** |
CN110837683A (zh) * | 2019-05-20 | 2020-02-25 | 全球能源互联网研究院有限公司 | 电力***暂态稳定的预测模型的训练及预测方法、装置 |
JP2021018821A (ja) * | 2019-07-18 | 2021-02-15 | ▲広▼州大学 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
CN112702184A (zh) * | 2019-10-23 | 2021-04-23 | 中国电信股份有限公司 | 故障预警方法及装置、计算机可存储介质 |
CN110991666A (zh) * | 2019-11-25 | 2020-04-10 | 远景智能国际私人投资有限公司 | 故障检测方法、模型的训练方法、装置、设备及存储介质 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN111766514A (zh) * | 2020-06-19 | 2020-10-13 | 南方电网调峰调频发电有限公司 | 一种设备检测点的数据分析方法 |
CN112508053A (zh) * | 2020-11-10 | 2021-03-16 | 泽恩科技有限公司 | 基于集成学习框架的智能诊断方法、装置、设备及介质 |
CN112781178A (zh) * | 2021-01-15 | 2021-05-11 | 杭州格米环境科技有限公司 | 除湿机在线诊断***和方法 |
KR102285117B1 (ko) * | 2021-01-22 | 2021-08-03 | (주)제넥 | 멀티 노점계를 이용한 흡착식 제습장치의 공정 절환 제어 방법 |
CN113011010A (zh) * | 2021-03-01 | 2021-06-22 | 常州英集动力科技有限公司 | 基于结构机理和运行数据的锅炉故障诊断方法及诊断*** |
CN113467420A (zh) * | 2021-06-30 | 2021-10-01 | 通号城市轨道交通技术有限公司 | 区域控制器故障检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN109240244B (zh) | 基于数据驱动的设备运行状态健康度分析方法及*** | |
Wang et al. | A robust fault detection and diagnosis strategy for multiple faults of VAV air handling units | |
RU2313815C2 (ru) | Устройство и способ для контроля технической установки, содержащей множество систем, в частности установки электростанции | |
CN111047732A (zh) | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
US20120271826A1 (en) | Data collecting method for detection and on-time warning system of industrial process | |
US11953894B2 (en) | Building management system with machine learning for detecting anomalies in vibration data sets | |
CN112836941B (zh) | 一种煤电机组汽轮机高加***在线健康状况评估方法 | |
CN105242660A (zh) | 基于相对变化分析的多模态卷烟制叶丝过程在线监测与故障诊断方法 | |
CN117032120A (zh) | 集成一体式空压站智能云控制***及控制方法 | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及*** | |
CN115575579A (zh) | 一种基于监测源分析的碳监测方法及*** | |
CN112132316A (zh) | 制丝环节在线设备异常监控***及方法 | |
CN114970101A (zh) | 除湿装置的管理方法、***、电子设备及计算机存储介质 | |
JP2005301582A (ja) | プロセス管理装置 | |
CN111275331A (zh) | 一种生产***的监控方法和装置 | |
CN114648212A (zh) | 一种基于云计算的船舶设备性能智能管理***及方法 | |
CN117091273A (zh) | 一种中央空调***自适应学习数据模型的控制方法及装置 | |
CN113390641A (zh) | 风烟***设备故障的智能预警与在线诊断方法及*** | |
CN115289606A (zh) | 除湿机在线故障诊断方法、***、服务器及存储介质 | |
CN110108457B (zh) | 一种基于万有引力神经网络的一次风机轴温诊断方法 | |
KR100340967B1 (ko) | 일반 회귀 신경망을 이용한 고장 검출 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 |