CN116678072A - 中央空调***的故障处理方法、终端及中央空调*** - Google Patents
中央空调***的故障处理方法、终端及中央空调*** Download PDFInfo
- Publication number
- CN116678072A CN116678072A CN202310660875.3A CN202310660875A CN116678072A CN 116678072 A CN116678072 A CN 116678072A CN 202310660875 A CN202310660875 A CN 202310660875A CN 116678072 A CN116678072 A CN 116678072A
- Authority
- CN
- China
- Prior art keywords
- fault
- air conditioning
- central air
- conditioning system
- data
- 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.)
- Granted
Links
- 238000004378 air conditioning Methods 0.000 title claims abstract description 129
- 238000003672 processing method Methods 0.000 title abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 112
- 238000003745 diagnosis Methods 0.000 claims abstract description 109
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 230000006870 function Effects 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 47
- 238000013145 classification model Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004806 packaging method and process Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 2
- 239000000498 cooling water Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000001276 controlling effect Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- F24F11/62—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
-
- 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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种中央空调***的故障处理方法、终端及中央空调***，所述中央空调***的故障处理方法包括：接收中央空调***运行过程中的设备信息，确定控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制***进行分析处理；当判定总处理时长大于预设处理时长时，则控制边缘计算机对设备信息进行预处理，得到目标设备信息，将目标设备信息输入预先训练好的故障诊断模型，得到中央空调***的故障类型及故障原因，并发送给维修人员所在终端，从而借助神经网络进行数字化及智能化故障诊断，提高故障诊断精度及效率。
Description
技术领域
本发明涉及中央空调***的故障处理技术领域，尤其涉及一种中央空调***的故障处理方法、终端及中央空调***。
背景技术
中央空调***是一种重要的建筑设备，用于控制室内温度、湿度和空气质量等参数，提供舒适的室内环境。出于大型公建的制冷需求，中央空调***及其自控***的规模日益庞大，设备种类及数量日益繁多，因而***复杂程度越来越高。而***运行过程中，不可避免地会出现各种故障，这些故障如果得不到及时的排除，势必导致***运行参数严重偏离要求的设定值，给室内工作人员带来不舒适感而影响工作效率和工作质量，增加***能耗，缩短设备使用寿命。而且，一旦中央空调***有故障发生，往往需要长时间去判断故障发生点以及完成后续的检修工作，这个过程就造成了不必要的能源浪费。
由于中央空调***本身具有非线性、复杂多变、多个***参数互相耦合等特性，目前通常采用的中央空调故障诊断方法主要是从历史的经验数据出发，需要借助人工干预，耗时耗力，而且准确率不高。
在申请号为CN202110406070.7的技术方案中，虽然其通过对中央空调运行数据的实时监测，当中央空调***信号或传感器数据发生故障告警时，***根据故障参数来源追溯其他可能引发故障的关联采集项，以此寻找故障病因，得到故障诊断结果，但并未提供具体的故障分析手段，技术方案具有局限性。
发明内容
本发明提供一种中央空调***的故障处理方法、终端及中央空调***，以对中央空调***进行数字化及智能化故障诊断，提高中央空调***的故障诊断精度及效率。
为解决上述问题，本发明采用如下技术方案：
本发明提供一种中央空调***的故障处理方法，应用于中央空调***的控制***，所述中央空调***还包括冷源***、空气处理***、边缘计算机及风管***，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，所述边缘计算机的另一端与所述控制***电性连接，所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，所述中央空调***的故障处理方法包括：
接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定所述控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制***进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量；
当判定所述总处理时长大于预设处理时长时，则确定所述控制***的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因，将所述故障类型及故障原因发送给维修人员所在终端；其中，所述故障诊断模型为神经网络模型，用于根据目标设备信息自动分析出中央空调***的故障类型及故障原因。
优选地，所述故障诊断模型的训练过程包括：
获取所述中央空调***的各个设备在正常运行和不同故障时的初始状态信息；
利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息；
根据每个所述特征信息所属设备的设备类型对所述特征信息进行分类，以将来源于同一设备类型的所述特征信息划分至同一个数据集，将来源于不同设备类型的所述特征信息划分至不同的数据集，得到多个样本数据集；
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型；
在训练各个第一分类模型时，选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及各个第二分类模型的分类结果作为第二训练数据集；
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一故障诊断模型；
根据预设的损失函数计算每个第一故障诊断模型的损失值，选取损失值低于预设损失值的第一故障诊断模型作为第二故障诊断模型，利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型。
优选地，所述利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息的步骤，包括：
将所述初始状态信息进行小波包分解，得到各个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个特征信息。
进一步地，所述利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型的步骤之后，包括：
从所述多个样本数据集中选取预设比例的数据集作为测试数据集；
利用所述测试数据集对多个所述故障诊断模型的诊断性能进行评估，得到每个所述故障诊断模型的评估值；
选取评估值最大的故障诊断模型作为目标故障诊断模型，并利用所述目标故障诊断模型对所述中央空调***进行故障诊断。
优选地，所述预设的损失函数包括：
S＝∑n(x′ a-xa)2/n；
其中，n是第二训练数据集的数量，xa是第a个第二训练数据集对应的真实标签值，x′ a是第a个第二训练数据集的模型预测值，所述真实标签值用于表征标准故障结果，所述模型预测值用于表征故障预测结果。
优选地，所述控制边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制***用于控制所述设备信息所对应的设备的输出数据，所述控制***的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
优选地，所述将所述故障类型及故障原因发送给维修人员所在终端的步骤，包括：
获取所述中央空调***出现故障的时间信息，将所述时间信息划分为多个相同时长的时间段，得到多个时间段；
统计每个时间段内对应的中央空调***出现故障的故障次数，将所述故障次数最多的时间段作为预设时间段；
统计所述预设时间段内所述中央空调***已出现的故障类型及所述故障类型的出现次数；
根据所述故障类型的出现次数确定所述故障类型的优先级，将所述故障类型、优先级及故障原因发送给维修人员所在终端，以使维修人员按照所述优先级依次处理所述中央空调***的故障事件。
优选地，所述将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因的步骤，包括：
将所述目标设备信息进行标准化及向量化处理，得到第一特征向量；
将所述第一特征向量输入预先训练好的故障诊断模型中的输入层，并通过所述故障诊断模型中的各个隐藏层的加权计算，在所述故障诊断模型的输出层输出多种故障类型及每个故障类型对应的概率值；
调用激活函数对所述输出层的多种故障类型及每个故障类型对应的概率值进行分析，得到分析结果；其中，所述分析结果包括概率值排在前M位的故障类型及对应的故障原因，所述M为正整数。
本发明提供一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调***的故障处理方法的步骤。
本发明还提供一种中央空调***，所述中央空调***包括控制***、冷源***、空气处理***、边缘计算机及风管***，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，所述边缘计算机的另一端与所述控制***电性连接，所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，所述控制***包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调***的故障处理方法的步骤。
相对于现有技术，本发明的技术方案至少具备如下优点：
本发明提供的中央空调***的故障处理方法、终端及中央空调***，通过接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制***进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制***的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入预先训练好的故障诊断模型，得到中央空调***的故障类型及故障原因，将故障类型及故障原因发送给维修人员所在终端，从而精准确定控制***是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制***的负载，确保整个中央空调***稳定运行；同时借助神经网络进行数字化及智能化故障诊断，提高中央空调***的故障诊断精度及效率。
附图说明
图1为本发明中央空调***的故障处理方法一种实施例流程框图；
图2为本发明中央空调***的故障处理装置一种实施例模块框图；
图3为本发明一个实施例中终端的内部结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S11、S12等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本领域普通技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。显然，所描述的实施例仅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，本领域技术人员在没有作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。
请参阅图1，本发明提供一种中央空调***的故障处理方法，应用于中央空调***的控制***，该控制***可以是计算机设备，所述中央空调***还包括冷源***、空气处理***、边缘计算机及风管***，这些设备协同工作，以达到为建筑物提供舒适室内环境的目的。其中，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，用于接收所述冷源***、空气处理***及风管***的设备信息，所述边缘计算机的另一端与所述控制***电性连接，用于将设备信息直接或预处理后发送给控制***，该边缘计算机将计算资源和数据存储靠近终端设备，以便更快地响应用户请求，减少网络延迟和带宽消耗。边缘计算的核心思想是将计算从云端下移到网络边缘，即由离用户更近的设备来处理数据和计算任务，如路由器、交换机、移动设备等。所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，如在中央空调***出现故障事件时，生成故障预警信息，以及时告知维修人员。
其中，所述中央空调***的故障处理方法包括：
S11、接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定所述控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制***进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量；
S12、当判定所述总处理时长大于预设处理时长时，则确定所述控制***的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
S13、将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因，将所述故障类型及故障原因发送给维修人员所在终端；其中，所述故障诊断模型为神经网络模型，用于根据目标设备信息自动分析出中央空调***的故障类型及故障原因。
如上述步骤S11所述，中央空调***的各个设备设置有传感器，用于实时采集中央空调***在运行过程中的设备信息，该设备信息是指记录在设备上的各种参数和配置信息，用于描述设备的性能、功能和状态等信息。该设备信息包括温度、湿度、压力及流量，还可包括以下几个方面：
基本信息：设备的型号、制造商、序列号、操作***版本、固件版本等。
硬件信息：设备的处理器、内存、存储器、显示器、传感器等硬件配置信息。
网络信息：设备的IP地址、MAC地址、网络类型、信号强度等网络相关信息。
应用信息：设备上安装的应用程序名称、版本号、安装时间等。
电池信息：设备的电池容量、电池健康状况、电池电量等信息。
位置信息：设备的GPS位置信息、WIFI定位信息等。
***日志：设备的运行日志、错误日志、调试日志等。
然后确定控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，该预设处理时长可自定义设置，如设置为10分钟，当判定所述总处理时长小于预设处理时长时，将所述设备信息直接发送给所述控制***进行分析处理。其中，预估每个进程的处理时长通常需要考虑以下几个方面：
确定进程的输入和输出：进程的输入和输出决定了进程所需的处理时间，因此需要先确定进程的输入和输出数据格式和大小。
确定进程的算法和复杂度：不同的算法和复杂度会影响进程的处理时间，需要根据具体情况选择合适的算法和优化方法。
进行测试和性能评估：可以通过对进程进行测试和性能评估来确定进程的处理时间。测试和评估可以在模拟环境中进行，也可以在实际运行环境中进行。
考虑硬件和***资源：硬件和***资源的不同也会影响进程的处理时间，因此需要考虑硬件和***资源的限制，如CPU性能、内存容量等。
考虑并发处理：如果多个进程可以并发处理，可以将进程分配给不同的处理器或线程，从而提高处理效率。
总之，预估每个进程所需的处理时长需要考虑多个因素，包括输入和输出、算法和复杂度、测试和性能评估、硬件和***资源以及并发处理等。通过综合考虑这些因素，可以得到比较准确的进程处理时间预估。
如上述步骤S12所述，当判定所述总处理时长大于预设处理时长时，则确定所述控制***的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息，该预处理的方式可以包括数据清洗、数据归一化、特征提取及数据加密。其中，数据清洗是指在进行数据分析或建模之前，对数据集中的不准确、不完整、重复或不合法的数据进行检测和纠正的过程。如缺失值处理：检测并处理数据集中的缺失值，可以使用插值法、删除法、填补法等方法。异常值处理：检测并处理数据集中的异常值，可以使用离群点检测、平滑法、删除法等方法。重复值处理：检测并处理数据集中的重复值，可以使用去重法、聚类法等方法。不一致性处理：检测并处理数据集中的不一致性，可以使用规则匹配、数据转换等方法。数据格式化：将数据集中的数据格式转换为标准格式，如日期格式、货币格式等。数据清洗可以提高数据的质量和准确性，减少数据分析和建模过程中的误差和偏差。
数据归一化是指将数据按照一定的比例缩放到一个特定的范围内，使得不同量纲(单位)之间的数据能够进行比较和分析。
特征提取是指从原始数据中提取出对于问题解决有用的特征，以便进行后续的机器学习、数据挖掘和模式识别等任务。在实际应用中，原始数据通常包含大量的冗余信息和噪声，而特征提取可以去除这些无用的信息，提高数据的表达能力和分类准确度。
在一个实施例中，在控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息时，控制***可控制边缘计算机将所述设备信息转化为二进制数列，并对所述二进制数列进行填充及分组，得到目标二进制数列，利用Logistic映射或Henon映射方法对所述目标二进制数列进行加密，得到密文数据，将所述密文数据作为目标设备信息，控制***接收所述目标设备信息，并利用Logistic映射或Henon映射方法对所述目标设备信息进行解密，得到原始的明文数据，以保护数据的安全性。
其中，Logistic映射和Henon映射是一种混沌映射算法，它可以产生一系列随机的、不可预测的数值序列。
如上述步骤S13所述，本实施例预先训练好故障诊断模型，该故障诊断模型为神经网络模型，用于根据目标设备信息自动分析出中央空调***的故障类型及故障原因。因此可将所述目标设备信息输入预先训练好的故障诊断模型，自动生成所述中央空调***的故障类型及故障原因，将所述故障类型及故障原因发送给维修人员所在终端，以便维修人员及时处理中央空调***的故障事件。
本发明提供的中央空调***的故障处理方法，通过接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制***进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制***的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入预先训练好的故障诊断模型，得到中央空调***的故障类型及故障原因，将故障类型及故障原因发送给维修人员所在终端，从而精准确定控制***是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制***的负载，确保整个中央空调***稳定运行；同时借助神经网络进行数字化及智能化故障诊断，提高中央空调***的故障诊断精度及效率。
在一个实施例中，所述故障诊断模型的训练过程包括：
获取所述中央空调***的各个设备在正常运行和不同故障时的初始状态信息；
利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息；
根据每个所述特征信息所属设备的设备类型对所述特征信息进行分类，以将来源于同一设备类型的所述特征信息划分至同一个数据集，将来源于不同设备类型的所述特征信息划分至不同的数据集，得到多个样本数据集；
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型；
在训练各个第一分类模型时，选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及各个第二分类模型的分类结果作为第二训练数据集；
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一故障诊断模型；
根据预设的损失函数计算每个第一故障诊断模型的损失值，选取损失值低于预设损失值的第一故障诊断模型作为第二故障诊断模型，利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型。
在本实施例中，可分别获取中央空调***的各个设备在正常运行和不同故障时的初始状态信息，利用小波包分解算法和小波包重构算法对初始状态信息进行特征提取，得到多个特征信息。该小波包分解算法是一种基于小波变换的信号分析方法，它将信号分解为多个分量，每个分量对应不同频率和尺度的信号成分，可以提取信号的频谱、时频特征等信息，从而实现信号的分析和处理，小波包分解可以得到更细致的频率信息，从而更准确地描述信号的特征。其中，小波包分解算法的步骤可包括如下：
1、将原始信号进行小波分解，得到一组小波系数。
2、对小波系数进行分组，每组包含若干个系数。
3、对每个系数组进行小波分解，得到一组更细致的小波系数。
4、重复步骤2和3，直到达到预设的分解层数。
5、根据分解结果重构信号，得到一组小波包系数。
小波包重构算法是小波包分解算法的逆过程，它将小波包系数转换为原始信号。小波包重构算法可以通过合并小波包系数来重构信号，从而实现信号的还原和恢复。小波包重构算法的步骤可包括如下：
1.对小波包系数进行分组，每组包含若干个系数。
2.对每组系数进行小波重构，得到一组更粗略的小波系数。
3.重复步骤1和2，直到达到分解时的层数。
4.根据小波重构的结果得到原始信号。
本实施例可根据每个特征信息所属设备的设备类型对特征信息进行分类，以将来源于同一设备类型的特征信息划分至同一个数据集，将来源于不同设备类型的特征信息划分至不同的数据集，得到多个样本数据集，以实现对数据的精准分类。
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型，该决策树算法是一种机器学习算法，它可以用于分类和回归等任务。决策树算法通过构建树形结构来表示数据的分类过程，每个节点代表一个属性或特征，每条分支代表一个判断条件，叶子节点代表一个类别或数值。
然后对每个第一分类模型进行训练，且在训练每个第一分类模型时，选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及得到各个第二分类模型的分类结果，将分类结果作为第二训练数据集。例如，可将样本数据集1、2、3进行组合作为第一训练数据集A，将样本数据集1、3、4进行组合作为第一训练数据集B，选取第一训练数据集A对未训练的第一分类模型q1进行训练，得到第二分类模型Q1，并选取第一训练数据集B对未训练的第一分类模型q2进行训练，得到第二分类模型Q2，以此类推，以提高第二分类模型的训练效果。
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一故障诊断模型，如将多组第二训练数据集输入第二分类模型Q1进行再次训练，得到第一故障诊断模型L1，同时将多组第二训练数据集输入第二分类模型Q2进行再次训练，得到第一故障诊断模型L2，从而得到多个第一故障诊断模型。
根据预设的损失函数计算每个第一故障诊断模型的损失值，将每个第一故障诊断模型的损失值与预设损失值进行比较，选取损失值低于预设损失值的第一故障诊断模型作为第二故障诊断模型，利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型。其中，Bagging(自举汇聚法)：Bagging是一种基于自助采样的集成学***均，得到最终的分类结果。Bagging方法可以减小过拟合，提高分类准确率。
Boosting(提升法)：Boosting是一种逐步提高分类器性能的集成学***均，得到最终的分类结果。
总之，将决策树算法训练得到的分类模型进行组合可以提高分类准确率，也可以将多个弱分类器组合成一个强分类器，从而提高分类性能。
在一个实施例中，所述利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息的步骤，包括：
将所述初始状态信息进行小波包分解，得到各个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个特征信息。
在本实施例中，该小波包分解算法是一种基于小波变换的信号分析方法，它将信号分解为多个分量，每个分量对应不同频率和尺度的信号成分，可以提取信号的频谱、时频特征等信息，从而实现信号的分析和处理，小波包分解可以得到更细致的频率信息，从而更准确地描述信号的特征。
具体的，本实施例可以将初始状态信息进行小波包分解，得到各个子带的系数，调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征，然后将每个特征转换为向量形式，得到多个特征向量，并计算每个特征向量与标准特征向量的余弦距离，将每个特征向量与标准特征向量的余弦距离与预设值进行比较，如预设值为0，95，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量，如设备具体的温度、湿度等等。
其中，支持向量机模型(Support Vector Machine，SVM)是一种监督学***面来实现数据的分类或回归，即将数据映射到高维空间中，找到一个最优的分割超平面，使得不同类别的数据点能够被正确地分开。SVM模型的基本思想是，将数据点看作是高维空间中的向量，通过选择合适的核函数和参数，将数据点映射到高维空间中，从而使得数据点在低维空间中线性不可分的问题得到解决。在高维空间中，SVM模型找到一个最优的分割超平面，使得两个类别的数据点距离该超平面的距离(即Margin)最大，以便对数据进行分类，确定特征。
最后确定所述目标特征向量反向的小波包系数，对小波包系数进行分组，每组包含若干个系数，对每组系数进行小波重构，得到一组更粗略的小波系数。重复执行对小波包系数进行分组，每组包含若干个系数，对每组系数进行小波重构，得到一组更粗略的小波系数的步骤，直到达到分解时的层数。根据小波重构的结果得到原始信号进行小波包重构，得到多个特征信息，以实现初始状态信息的精准特征提取。
在一个实施例中，所述利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型的步骤之后，包括：
从所述多个样本数据集中选取预设比例的数据集作为测试数据集；
利用所述测试数据集对多个所述故障诊断模型的诊断性能进行评估，得到每个所述故障诊断模型的评估值；
选取评估值最大的故障诊断模型作为目标故障诊断模型，并利用所述目标故障诊断模型对所述中央空调***进行故障诊断。
本实施例可从多个样本数据集中选取预设比例的数据集作为测试数据集，如随机选取20％的样本数据集作为测试数据集，该测试数据集含有真实标签值，用于表征标准故障结果，利用所述测试数据集对多个故障诊断模型的诊断性能进行评估，得到每个故障诊断模型的评估值；具体的，可计算每个故障诊断模型的所有测试数据集的故障预测结果与标准故障结果相一致的命中率，根据命中率确定每个故障诊断模型的评估值；其中，所述评估值与命中率成正比。然后选取评估值最大的故障诊断模型作为目标故障诊断模型，并利用所述目标故障诊断模型对所述中央空调***进行故障诊断，从而提高中央空调***的故障诊断精度。
在一个实施例中，所述预设的损失函数可包括：
S＝∑n(x′ a-xa)2/n；
其中，n是第二训练数据集的数量，xa是第a个第二训练数据集对应的真实标签值，x′ a是第a个第二训练数据集的模型预测值，所述真实标签值用于表征标准故障结果，所述模型预测值用于表征故障预测结果。
在一个实施例中，所述控制边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，可具体包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制***用于控制所述设备信息所对应的设备的输出数据，所述控制***的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
在本实施例中，控制参数值是指控制***中的一组参数，可以是PID值，该PID值包括比例系数、积分时间和微分时间。这些参数用于调节控制***的输出，以使其尽可能接近期望的目标值，从而实现对控制***输出的精确控制。如控制***输出的用于调节冷却塔的冷却温度，用于调节加湿器的湿度。
需要说明的是，所述控制***的输出数据的数据类型为非数值型数据，在控制***自动调节和控制设备运行时，边缘计算机接收到控制***的该输出数据后，还需要根据设备所使用的数据类型对该输出数据的数据类型进行转换，将输出数据转换为数据类型与设备所使用的数据类型相一致的数据，得到该设备相对应的控制参数值。
其中，比例系数表示控制***在当前时刻输出的控制量与误差之间的比例关系，即控制量与误差成正比例关系。积分时间表示控制***对误差进行积分的时间长度，可以消除偏差。微分时间表示控制***对误差变化率进行调节的时间长度，可以缓解过冲问题。
解析函数是指在某个区域内处处可导的复函数。如果一个函数在某个区域内是解析函数，那么它在该区域内可以展开为幂级数形式，即在该区域内具有泰勒级数。该解析函数包括整函数：在整个复平面上都是解析函数的函数，例如指数函数、三角函数等。亚纯函数：在复平面上除了有限个孤立奇点外都是解析函数的函数，例如多项式函数、正切函数等。带状函数：在某个带状区域内是解析函数的函数，例如正弦积分函数、伽马函数等。椭圆函数：在复平面上具有一定对称性和周期性的解析函数，例如椭圆积分函数、雅可比椭圆函数等。超越整函数：可以表示为两个整函数之商的函数，例如Riemann Zeta函数、Dirichleteta函数等。特殊函数：具有特殊形式和性质的解析函数，例如贝塞尔函数、连带勒让德多项式等。
本实施例可控制边缘计算机根据设备信息获取相对应的控制参数值及解析函数，以后续基于控制参数值确定该设备信息对应的设备所使用的数据类型，并根据所述解析函数解析所述设备信息，得到解析数据。
此外，边缘计算机还可根据数据类型的不同划分为数值型数据(Numeric)和字符型数据(Character)，然后判断控制参数值的数据类型是否为数值型数据，当判定所述控制参数值的数据类型不是数值型数据时，则直接对所述解析数据进行压缩打包，将压缩打包后的解析数据确定为目标设备信息，接收所述目标设备信息；当判定所述控制参数值的数据类型是数值型数据时，则将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息，从而利用边缘计算机将设备信息转换为统一的、便于控制***识别的数据类型，后续无需控制***进行数据转换，以减少控制***的处理量。
在一个实施例中，所述将所述故障类型及故障原因发送给维修人员所在终端的步骤，包括：
获取所述中央空调***出现故障的时间信息，将所述时间信息划分为多个相同时长的时间段，得到多个时间段；
统计每个时间段内对应的中央空调***出现故障的故障次数，将所述故障次数最多的时间段作为预设时间段；
统计所述预设时间段内所述中央空调***已出现的故障类型及所述故障类型的出现次数；
根据所述故障类型的出现次数确定所述故障类型的优先级，将所述故障类型、优先级及故障原因发送给维修人员所在终端，以使维修人员按照所述优先级依次处理所述中央空调***的故障事件。
本实施例可统计每个时间段内对应的中央空调***出现故障的故障次数，将故障次数最多的时间段作为预设时间段，统计预设时间段内中央空调***已出现的故障类型及故障类型的出现次数，从而选取最具代表性的时间段进行故障类型的统计，无需对所有时间段的故障类型进行统计，减少运算量。
然后根据故障类型的出现次数确定故障类型的优先级，该故障类型的优先级与出现次数成正相关，将所述故障类型、优先级及故障原因发送给维修人员所在终端，以使维修人员按照优先级依次处理所述中央空调***的故障事件，以优先处理容易出现故障的故障类型。
在一个实施例中，所述将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因的步骤，包括：
将所述目标设备信息进行标准化及向量化处理，得到第一特征向量；
将所述第一特征向量输入预先训练好的故障诊断模型中的输入层，并通过所述故障诊断模型中的各个隐藏层的加权计算，在所述故障诊断模型的输出层输出多种故障类型及每个故障类型对应的概率值；
调用激活函数对所述输出层的多种故障类型及每个故障类型对应的概率值进行分析，得到分析结果；其中，所述分析结果包括概率值排在前M位的故障类型及对应的故障原因，所述M为正整数。
在本实施例中，所述控制***将目标设备信息进行标准化及向量化处理，得到第一特征向量，将特征向量输入故障诊断模型的输入层，并通过各个隐藏层进行一系列的计算和加权，最终到达输出层，在所述故障诊断模型的输出层输出多种故障类型及每个故障类型对应的概率值，通过激活函数(sigmoid函数)对多种故障类型及每个故障类型对应的概率值进行分析，比较各个输出值和阈值，根据预设的阈值大小，生成分析结果。例如，模型输出的概率值为[0.1,0.5,0.7]，其中第1个和第2个概率都较低，第3个概率最高。接下来对这个概率向量进行处理，例如通过sigmoid函数进行标准化。标准化后的结果可能是[0.14,0.35,0.76]。如果我们按照概率向量中具有最高概率的位置来选择答案，那么我们会输出标签为"类型3"的答案，找到“类型3”对应的故障类型为所需输出的目标故障类型。
其中，标准化是指将数据的每个特征都缩放到0均值和1标准差的范围内。在这个过程中，我们需要计算每个特征的均值和标准差。如对于每个特征，减去该特征的均值，然后除以该特征的标准差，得到标准化处理结果。
请参考图2，本发明的实施例还提供一种中央空调***的故障处理装置，包括：
接收模块11，用于接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定所述控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制***进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量；
控制模块12，用于当判定所述总处理时长大于预设处理时长时，则确定所述控制***的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
发送模块13，用于将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因，将所述故障类型及故障原因发送给维修人员所在终端；其中，所述故障诊断模型为神经网络模型，用于根据目标设备信息自动分析出中央空调***的故障类型及故障原因。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明提供的一种终端，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调***的故障处理方法的步骤。
在一个实施例中，本申请一个实施例中提供的终端，参照图3，该终端可以是计算机设备，其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储中央空调***的故障处理方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现以上实施例所述的中央空调***的故障处理方法。
在一个实施例中，本发明还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述中央空调***的故障处理方法。其中，所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种中央空调***，所述中央空调***包括控制***、冷源***、空气处理***、边缘计算机及风管***，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，所述边缘计算机的另一端与所述控制***电性连接，所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，所述控制***包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上任一项所述的中央空调***的故障处理方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccess Memory，RAM)等。
综合上述实施例可知，本发明最大的有益效果在于：
本发明提供的中央空调***的故障处理方法、终端及中央空调***，通过接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断总处理时长是否大于预设处理时长，当判定总处理时长小于预设处理时长时，将设备信息发送给控制***进行分析处理；当判定总处理时长大于预设处理时长时，则确定控制***的负载大于预设负载，控制边缘计算机对设备信息进行预处理，接收预处理后得到的目标设备信息，将目标设备信息输入预先训练好的故障诊断模型，得到中央空调***的故障类型及故障原因，将故障类型及故障原因发送给维修人员所在终端，从而精准确定控制***是否负载过大，灵活调用边缘计算机进行数据预处理，减少控制***的负载，确保整个中央空调***稳定运行；同时借助神经网络进行数字化及智能化故障诊断，提高中央空调***的故障诊断精度及效率。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种中央空调***的故障处理方法，其特征在于，应用于中央空调***的控制***，所述中央空调***还包括冷源***、空气处理***、边缘计算机及风管***，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，所述边缘计算机的另一端与所述控制***电性连接，所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，所述中央空调***的故障处理方法包括：
接收设置在中央空调***的传感器采集到的运行过程中的设备信息，确定所述控制***当前所需处理的所有进程，并预估每个进程的处理时长，将每个进程的处理时长进行累加后，得到总处理时长，判断所述总处理时长是否大于预设处理时长，当判定所述总处理时长小于预设处理时长时，将所述设备信息发送给所述控制***进行分析处理；其中，所述设备信息包括温度、湿度、压力及流量；
当判定所述总处理时长大于预设处理时长时，则确定所述控制***的负载大于预设负载，控制所述边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息；其中，所述预处理包括数据清洗、数据归一化、特征提取及数据加密；
将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因，将所述故障类型及故障原因发送给维修人员所在终端；其中，所述故障诊断模型为神经网络模型，用于根据目标设备信息自动分析出中央空调***的故障类型及故障原因。
2.根据权利要求1所述的中央空调***的故障处理方法，其特征在于，所述故障诊断模型的训练过程包括：
获取所述中央空调***的各个设备在正常运行和不同故障时的初始状态信息；
利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息；
根据每个所述特征信息所属设备的设备类型对所述特征信息进行分类，以将来源于同一设备类型的所述特征信息划分至同一个数据集，将来源于不同设备类型的所述特征信息划分至不同的数据集，得到多个样本数据集；
根据决策树算法构建每个样本数据集的分类模型，得到多个第一分类模型；
在训练各个第一分类模型时，选取多个来源于不同设备类型的样本数据集进行组合，生成多组组合模式下的第一训练数据集，依次选取一组第一训练数据集对任一个未训练的所述第一分类模型进行训练，得到多个第二分类模型，以及各个第二分类模型的分类结果作为第二训练数据集；
将多组第二训练数据集输入每个第二分类模型进行再次训练，得到多个第一故障诊断模型；
根据预设的损失函数计算每个第一故障诊断模型的损失值，选取损失值低于预设损失值的第一故障诊断模型作为第二故障诊断模型，利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型。
3.根据权利要求2所述的中央空调***的故障处理方法，其特征在于，所述利用小波包分解算法和小波包重构算法对所述初始状态信息进行特征提取，得到多个特征信息的步骤，包括：
将所述初始状态信息进行小波包分解，得到各个子带的系数；
调用支持向量机模型对每个子带的系数进行特征提取，得到多个特征；
将每个特征转换为向量形式，得到多个特征向量；
计算每个特征向量与标准特征向量的余弦距离，选取与标准特征向量的余弦距离大于预设值的特征向量作为目标特征向量；其中，所述标准特征向量为具有实质语义信息的特征向量；
将所述目标特征向量进行小波包重构，得到多个特征信息。
4.根据权利要求2所述的中央空调***的故障处理方法，其特征在于，所述利用Bagging方法或Boosting方法将多个所述第二故障诊断模型进行组合后，得到故障诊断模型的步骤之后，包括：
从所述多个样本数据集中选取预设比例的数据集作为测试数据集；
利用所述测试数据集对多个所述故障诊断模型的诊断性能进行评估，得到每个所述故障诊断模型的评估值；
选取评估值最大的故障诊断模型作为目标故障诊断模型，并利用所述目标故障诊断模型对所述中央空调***进行故障诊断。
5.根据权利要求2所述的中央空调***的故障处理方法，其特征在于，所述预设的损失函数包括：
S＝∑n(x′ a-xa)2/n；
其中，n是第二训练数据集的数量，xa是第a个第二训练数据集对应的真实标签值，x′ a是第a个第二训练数据集的模型预测值，所述真实标签值用于表征标准故障结果，所述模型预测值用于表征故障预测结果。
6.根据权利要求1所述的中央空调***的故障处理方法，其特征在于，所述控制边缘计算机对所述设备信息进行预处理，接收预处理后得到的目标设备信息的步骤，包括：
控制边缘计算机根据所述设备信息获取相对应的控制参数值及解析函数；其中，所述控制参数值为所述控制***用于控制所述设备信息所对应的设备的输出数据，所述控制***的输出数据的数据类型为非数值型数据；
根据所述解析函数解析所述设备信息，得到解析数据；
判断所述控制参数值的数据类型是否为数值型数据；
当判定所述控制参数值的数据类型不是数值型数据时，对所述解析数据进行压缩打包，将压缩打包后的所述解析数据确定为目标设备信息，接收所述目标设备信息；
当判定所述控制参数值的数据类型是数值型数据时，将所述解析数据转换成字符串类型的数据，得到转换数据，对所述转换数据进行压缩打包，将压缩打包后的转换数据确定为所述目标设备信息，接收所述目标设备信息。
7.根据权利要求1所述的中央空调***的故障处理方法，其特征在于，所述将所述故障类型及故障原因发送给维修人员所在终端的步骤，包括：
获取所述中央空调***出现故障的时间信息，将所述时间信息划分为多个相同时长的时间段，得到多个时间段；
统计每个时间段内对应的中央空调***出现故障的故障次数，将所述故障次数最多的时间段作为预设时间段；
统计所述预设时间段内所述中央空调***已出现的故障类型及所述故障类型的出现次数；
根据所述故障类型的出现次数确定所述故障类型的优先级，将所述故障类型、优先级及故障原因发送给维修人员所在终端，以使维修人员按照所述优先级依次处理所述中央空调***的故障事件。
8.根据权利要求1所述的中央空调***的故障处理方法，其特征在于，所述将所述目标设备信息输入预先训练好的故障诊断模型，得到所述中央空调***的故障类型及故障原因的步骤，包括：
将所述目标设备信息进行标准化及向量化处理，得到第一特征向量；
将所述第一特征向量输入预先训练好的故障诊断模型中的输入层，并通过所述故障诊断模型中的各个隐藏层的加权计算，在所述故障诊断模型的输出层输出多种故障类型及每个故障类型对应的概率值；
调用激活函数对所述输出层的多种故障类型及每个故障类型对应的概率值进行分析，得到分析结果；其中，所述分析结果包括概率值排在前M位的故障类型及对应的故障原因，所述M为正整数。
9.一种终端，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的中央空调***的故障处理方法的步骤。
10.一种中央空调***，其特征在于，所述中央空调***包括控制***、冷源***、空气处理***、边缘计算机及风管***，所述冷源***包括冷水机组及冷却塔，所述空气处理***包括送风机、回风机、过滤器、加湿器及除湿器，所述冷源***用于制冷，所述空气处理***用于处理空气质量并向室内供应空气质量符合要求的新鲜空气，所述风管***用于将空气从所述空气处理***输送到各个房间，所述边缘计算机用于在控制***的负载大于预设负载时，对设置在中央空调***的传感器采集到的设备信息进行预处理，并将预处理后的设备信息发送给所述控制***，所述边缘计算机的一端分别与所述冷源***、空气处理***及风管***电性连接，所述边缘计算机的另一端与所述控制***电性连接，所述控制***用于接收并分析预处理后的设备信息，根据分析结果自动调节和控制整个中央空调***的运行，所述控制***包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的中央空调***的故障处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660875.3A CN116678072B (zh) | 2023-06-05 | 2023-06-05 | 中央空调***的故障处理方法、终端及中央空调*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310660875.3A CN116678072B (zh) | 2023-06-05 | 2023-06-05 | 中央空调***的故障处理方法、终端及中央空调*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116678072A true CN116678072A (zh) | 2023-09-01 |
| CN116678072B CN116678072B (zh) | 2024-05-10 |
Family
ID=87781828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310660875.3A Active CN116678072B (zh) | 2023-06-05 | 2023-06-05 | 中央空调***的故障处理方法、终端及中央空调*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116678072B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120072029A1 (en) * | 2010-09-20 | 2012-03-22 | Heatvu Inc. | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment |
| CN111412579A (zh) * | 2020-03-26 | 2020-07-14 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和*** |
| CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
| CN112256686A (zh) * | 2020-11-12 | 2021-01-22 | 北京理工大学 | 一种基于mes的故障数据压缩与预测方法及*** |
| CN112344516A (zh) * | 2020-09-27 | 2021-02-09 | 国网浙江省电力有限公司绍兴供电公司 | 一种多分类融合模型的加热和制冷设备故障诊断*** |
| CN112766327A (zh) * | 2021-01-05 | 2021-05-07 | 格力电器（武汉）有限公司 | 空调故障预测方法、电子设备和储存介质 |
| CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
| CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调***故障检测与诊断方法 |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
| CN115854506A (zh) * | 2022-12-28 | 2023-03-28 | 佳达利环保材料(广东)有限公司 | 智慧医院的中央空调控制方法及存储介质 |
| CN115931318A (zh) * | 2022-10-17 | 2023-04-07 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 故障智能诊断方法、装置、设备及存储介质 |
-
2023
- 2023-06-05 CN CN202310660875.3A patent/CN116678072B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120072029A1 (en) * | 2010-09-20 | 2012-03-22 | Heatvu Inc. | Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment |
| CN111412579A (zh) * | 2020-03-26 | 2020-07-14 | 上海建工四建集团有限公司 | 一种基于大数据的空调机组故障类型诊断方法和*** |
| CN111981635A (zh) * | 2020-07-21 | 2020-11-24 | 沈阳安新自动化控制有限公司 | 一种双智能算法的中央空调故障预测与诊断方法 |
| CN112344516A (zh) * | 2020-09-27 | 2021-02-09 | 国网浙江省电力有限公司绍兴供电公司 | 一种多分类融合模型的加热和制冷设备故障诊断*** |
| CN112256686A (zh) * | 2020-11-12 | 2021-01-22 | 北京理工大学 | 一种基于mes的故障数据压缩与预测方法及*** |
| CN112766327A (zh) * | 2021-01-05 | 2021-05-07 | 格力电器（武汉）有限公司 | 空调故障预测方法、电子设备和储存介质 |
| CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
| CN113310171A (zh) * | 2021-05-24 | 2021-08-27 | 浙江大学 | 基于贝叶斯网络单元的中央空调***故障检测与诊断方法 |
| CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
| CN115931318A (zh) * | 2022-10-17 | 2023-04-07 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 故障智能诊断方法、装置、设备及存储介质 |
| CN115854506A (zh) * | 2022-12-28 | 2023-03-28 | 佳达利环保材料(广东)有限公司 | 智慧医院的中央空调控制方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116678072B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108415789B (zh) | 面向大规模混合异构存储***的节点故障预测***及方法 | |
| CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
| US8630962B2 (en) | Error detection method and its system for early detection of errors in a planar or facilities | |
| CN112118141B (zh) | 面向通信网络的告警事件关联压缩方法及装置 | |
| CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN112015153B (zh) | 一种无菌灌装生产线异常检测***和方法 | |
| CN112084237A (zh) | 一种基于机器学习和大数据分析的电力***异常预测方法 | |
| CN109934301B (zh) | 一种电力负荷聚类分析方法、装置和设备 | |
| EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
| CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN109257383B (zh) | 一种bgp异常检测方法及*** | |
| KR102433598B1 (ko) | 데이터 경계 도출 시스템 및 방법 | |
| CN113971425A (zh) | 一种异常分析方法、装置及存储介质 | |
| CN112256686B (zh) | 一种基于mes的故障数据压缩与预测方法及*** | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及*** | |
| US10909322B1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
| CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN116678082B (zh) | 中央空调***的控制方法、终端及中央空调*** | |
| CN113574480A (zh) | 用于预测设备损坏的装置 | |
| Liu et al. | A deep support vector data description method for anomaly detection in helicopters | |
| CN116340388A (zh) | 一种基于异常检测的时序数据的压缩存储方法及装置 | |
| Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
| US20170293608A1 (en) | Unusual score generators for a neuro-linguistic behavioral recognition system | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| CN113839799B (zh) | 一种告警关联规则挖掘方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information |
Address after: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511500 Applicant after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. Address before: 529300 Shop No. 4112, 4th Floor, No. 1 Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen City, Guangdong Province Applicant before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240606 Address after: 529300 No. 4112, Floor 4, No. 1, Xihu 1st Road, Cuishanhu New District, Kaiping City, Jiangmen, Guangdong Province Patentee after: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. Country or region after: China Patentee after: Guangzhou Xipin High tech Engineering Consulting Co.,Ltd. Address before: Room 505, Building 5, No. 3 Guangzhou Avenue Middle, Guangfo Industrial Park, Tangtang Town, Fogang County, Qingyuan City, Guangdong Province, 511500 Patentee before: Yaochangrong Phase Change Materials Technology (Guangdong) Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |