[發(fā)明專利]基于機器學習技術的空調故障識別系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011151911.6
• 申請日: 2020-10-21
• 公開（公告）號: CN112254274A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設計）人: 黃小寶;張美玲
• 申請（專利權）人: 上海協(xié)格空調工程有限公司
• 主分類號: F24F11/38
• 分類號: F24F11/38;F24F11/56;F24F11/58;F24F11/89;F24F11/63
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習技術的空調故障識別系統(tǒng)，其特征在于，包括：

檢測線路，其連接有傳感設備或數(shù)據(jù)接口，所述傳感設備或數(shù)據(jù)接口分別設置在空調系統(tǒng)中的不同部件上或分別與空調系統(tǒng)中的不同部件通訊連接，用于獲取空調系統(tǒng)中不同部件所分別對應的各類運行數(shù)據(jù)；

故障識別單元，其分別連接各所述檢測線路，用于接收各類運行數(shù)據(jù)，還用于輸出空調系統(tǒng)所對應的運行狀態(tài)；

通訊單元，其一側連接在故障識別單元的輸出端，其另一側與維護方平臺有線連接或無線連接，用于在接收到故障識別單元所輸出的空調系統(tǒng)的運行狀態(tài)異常時，實時上報該空調系統(tǒng)所對應的運行狀態(tài)，進行報修和維護；

存儲單元，其連接所述故障識別單元，所述存儲單元內存儲有可供故障識別單元運行的計算機程序以及訓練好的機器學習模型，使得所述故障識別單元運行該計算機程序時執(zhí)行以下步驟：

先根據(jù)各檢測線路所獲得的各類運行數(shù)據(jù)生成空調狀態(tài)張量；

然后對所述空調狀態(tài)張量進行由張量到向量的投影映射，獲得多通道特征向量；

最后調用機器學習模型根據(jù)多通道特征向量提取并輸出空調系統(tǒng)所對應的運行狀態(tài)。

2.如權利要求1所述的基于機器學習技術的空調故障識別系統(tǒng)，其特征在于，根據(jù)各檢測線路所獲得的各類運行數(shù)據(jù)生成空調狀態(tài)張量的具體步驟包括：

步驟z1，分別接收并按照接收順序依次緩存各檢測線路所獲得的各類運行數(shù)據(jù)，緩存時，按照所述運行數(shù)據(jù)的接收時間以及接收端口進行標記；

步驟z2，將步驟z1中所緩存的D個接收端口，分別在T個時間節(jié)點所分別獲得的M個運行數(shù)據(jù)，按照端口標號順序和接收時間順序生成D×T×M的空調狀態(tài)張量{Z₁，Z₂，...，Z_M}。

3.如權利要求1所述的基于機器學習技術的空調故障識別系統(tǒng)，其特征在于，對所述空調狀態(tài)張量進行由張量到向量的投影映射的具體步驟如下：

步驟t1，記所述空調狀態(tài)張量{Z₁，Z₂，...，Z_L}中的任一個張量元素均滿足其中，構成一張量空間，I_n表示張量空間中第n階的維度，N表示張量空間所對應的階數(shù)；

步驟t2，以投影后向量空間中的特征方差最大為目標，對空調狀態(tài)張量{Z₁，Z₂，...，Z_L}中的任一個張量元素Z_l執(zhí)行由張量到向量的投影，將張量元素Z_l從張量空間投影到低維的向量空間依次獲得每一個張量元素Z_l所對應的多通道特征向量分別為：

其中表示用于投影的第l個初級多重線性投影集。

4.如權利要求1所述的基于機器學習技術的空調故障識別系統(tǒng)，其特征在于，調用機器學習模型根據(jù)多通道特征向量提取的步驟具體包括：

步驟s1，依次將每一個張量元素Z_l所對應的多通道特征向量y_l輸入至機器學習模型，由所述機器學習模型調用經(jīng)生成對抗網(wǎng)絡訓練而獲得的卷積神經(jīng)網(wǎng)絡進行若干層特征提取，獲得若干層狀態(tài)特征；

步驟s2，間隔抽取各層的狀態(tài)特征，分別生成相應的特征檢測框；

步驟s3，對各所述特征檢測框分別進行非極大值抑制處理，篩選出空調系統(tǒng)所對應的故障狀態(tài)。