[發明專利]一種空調傳感器故障檢測方法及系統

在審

• 申請號: 202011270534.8
• 申請日: 2020-11-13
• 公開（公告）號: CN112381141A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 閆秀英;官婷
• 申請（專利權）人: 西安建筑科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06F17/16
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 安彥彥

本發明提供了一種空調傳感器故障檢測方法及系統，首先獲取空調系統的若干傳感器數據組，并構建訓練樣本和測試樣本；標準化處理，得到標準化后的訓練樣本和標準化后的測試樣本；采用KPCA核主成分分析，進行降維，得到降維后的訓練樣本和降維后的測試樣本，將降維后的訓練樣本數據作為DL?BiLSTM網絡的輸入，進行訓練，得到訓練后的DL?BiLSTM網絡；將降維后的測試樣本數據作為訓練后的DL?BiLSTM網絡的輸出，得到空調系統傳感器故障檢測結果；本發明通過對樣本數據進行標準化處理，消除了不同特征傳感器之間的差異性，利用KPCA降維處理，有效降低了輸入數據的復雜度，利用DL?BiLSTM網絡能夠充分提取故障的時間特征，檢測模型精度較高，故障檢測結果的準確率較高。

技術領域

本發明屬于空調技術領域，特別涉及一種空調傳感器故障檢測方法及系統。

背景技術

傳感器作為空調系統的檢測部件，其測量信號是系統進行正常運行的基礎，因此，及時、準確地檢測出空調傳感器的故障十分必要；空調傳感器故障包括軟故障和硬故障兩大類；其中，偏差、漂移及精度等級下降屬于軟故障，是使用過程中因疲勞、腐蝕或磨損等造成的性能下降或者部分失效的故障，對于空調系統的危害較大；而完全失效故障屬于硬故障，一般不做研究。

目前，依據是否需要進行系統建模，將故障檢測方法分為定性和定量兩大類分析方法；所謂的定性分析方法，指的是根據系統的原理、專家的經驗知識來對系統進行分析，但此類方法不具備自適應、自學習能力，無法適應復雜多變的生產環境；定量分析方法包括基于解析模型的方法和基于數據驅動的方法，基于解析模型的方法需要建立系統精確的數學模型，一個模型只能用于特定的系統，可擴展性不強，并且該方法僅適用于線性系統，像空調系統這樣高時變、強耦合以及非線性程度強的系統，難以建立恰當的數學模型，采用上述方法進行系統建模會導致故障檢測效率降低；基于數據驅動的方法是當前研究的熱點，主要包括主元分析方法和神經網絡方法。

主元分析法于1901年正式提出，是一種多變量統計方法，主元分析法通過在主元子空間和殘差子空間分別構建T²和Q統計量實現檢測故障；但該方法適用于線性問題，針對非線性系統的空調系統，故障檢測效果并不理想；為了解決主元分析方法的不足，核主元分析方法被提出來，通過非線性變換將樣本數據從輸入空間映射到高維特征空間，然后在高維特征空間利用主元分析方法進行特征提?。坏趯嶋H的傳感器檢測應用中，發現其不具有通用性，尤其針對漂移故障檢測準確率較低。

神經網絡是一種模仿動物神經網絡行為特征的算法，該算法不需要精確的數學模型、非映射能力及非線性的特點，非常適合研究空調系統這種非線性系統；BP神經網絡是經典的神經網絡，但其不具備記憶功能；循環神經網絡是運用內部的記憶來處理任意輸入的時序數據，通過自循環的結構能長久的讓數據在網絡層上傳輸，但其存在梯度消失和梯度爆炸、長期記憶能力不足等問題；為解決該問題，提出了長短期記憶網絡即在循環神經網絡中添加了三個門控機制，即輸入門、遺忘門和輸出門，使梯度消失和梯度爆炸的這樣的難題可以很好的處理，同時利用單元狀態來保存長期的狀態，該方法類比上述方法針對空調傳感器的故障檢測率略有提高，但整體而言檢測準確率還是較低。

發明內容

針對現有技術中存在的技術問題，本發明提供了一種空調傳感器故障檢測方法及系統，以解決現有的空調傳感器故障檢測準確率較低的技術問題。

為達到上述目的，本發明采用的技術方案為：

本發明提供了一種空調傳感器故障檢測方法，包括以下步驟：

步驟1、獲取空調系統的若干傳感器數據組，并構建訓練樣本和測試樣本；

步驟2、分別對訓練樣本數據及測試樣本數據進行標準化處理，得到標準化后的訓練樣本和標準化后的測試樣本；

步驟3、采用KPCA核主成分分析，對標準化后的訓練樣本數據及標準化后的測試樣本數據進行降維，得到降維后的訓練樣本和降維后的測試樣本；