[發明專利]一種基于概率神經網絡的分體式空調故障識別方法

在審

• 申請號: 202011311463.1
• 申請日: 2020-11-20
• 公開（公告）號: CN112503721A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 蔡鈞;樊森;周強;何明
• 申請（專利權）人: 國網江蘇綜合能源服務有限公司
• 主分類號: F24F11/38
• 分類號: F24F11/38;F24F11/64
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 陸惠中;王永偉

本發明公開了一種基于概率神經網絡的分體式空調故障識別方法，屬于空調技術領域，包括：采集分體式空調運行狀態的多組全維度特征信號；預設故障類型，將多組全維度特征信號中的一部分組作為訓練樣本輸入概率神經網絡模型進行訓練；將另一部分組作為測試樣本輸入概率神經網絡模型進行測試，直至獲得合格的概率神經網絡模型；接收攜帶有故障信息的故障分析指令；根據故障信息以及預設的匹配清單，確定并采集分體式空調運行狀態下的有用維度特征信號，并從預設的補充集中獲取無用維度特征信號；將有用維度特征信號和無用維度特征信號輸入概率神經網絡模型，獲得分體式空調的故障類型。本發明能夠有效降低其他信號的干擾、提高故障分析結果的準確率。

技術領域

本發明涉及空調技術領域，特別涉及一種基于概率神經網絡的分體式空調故障識別方法。

背景技術

分體式空調由室內機和室外機組成，兩者分別安裝在室內和室外,中間通過管路和電線連接起來的空氣調節器。它是一臺內機對應一臺外機,它與整體式空調器是相對的，整體式空調器是一體機，無內、外機之分；分體式空調室內機有壁掛式、立柜式、吊頂式、嵌入式、落地式等類型。

可見，由于分體式空調分為內機、外機和連接管路，因此當某一部分發生故障時，其外在的故障表現較為明顯，例如故障表現為內機噪聲或者振動較大時，則故障原因出現在內機上，通常與外機以及管路無關，因此只需要對內機進行故障分析即可。

然而現有技術中，空調的故障分析識別方法和系統需要對整機的各項參數進行采集和處理，這導致參數數據的采集和處理量較大，并且當空調的參數同時存在兩個異常，并且兩個異常參數分別帶來不同的故障，那么這兩個故障參數會互相影響，導致無法給出正確的故障識別結果。例如，當其中的異常參數A帶來的故障并不影響正常使用時，那么希望獲得的是有異常參數B帶來的影響空調正常使用的故障診斷結果，但是現有的空調故障分析系統很可能會給出有異常參數A帶來的不影響空調正常使用的故障分析結果，在以此進行排查和維護后，則會出現影響空調使用的故障依然沒有被排除，即異常參數B帶來的故障沒有被準確識別出。

概率神經網絡一種常用于模式分類的神經網絡，它是基于統計原理的神經網絡模型，在分類功能上與最優貝葉斯分類器等價，其實質是基于貝葉斯最小風險準則發展而來的一種并行算法。與其它人工智能算法相比，概率神經網絡不需要計算反向誤差傳播，訓練時間短，不易產生局部最優，分類正確率更高。

發明內容

針對現有技術存在的空調故障識別分析效果差的問題，本發明的目的在于提供一種基于概率神經網絡的分體式空調故障識別方法。

為實現上述目的，本發明的技術方案為：

一種基于概率神經網絡的分體式空調故障識別方法，包括，

采集所述分體式空調運行狀態下的多組全維度特征信號，所述分體式空調運行狀態包括故障運行和正常運行，所述全維度特征信號為從多個維度測得的所述分體式空調在運行狀態下產生的特征信號；

預設故障類型，將所述多組全維度特征信號中的一部分組作為訓練樣本，并將各組全維度特征信號作為故障特征向量輸入概率神經網絡模型進行訓練；

將所述多組全維度特征信號中的另一部分組作為測試樣本，并將各組全維度特征信號作為故障特征向量輸入概率神經網絡模型進行測試，對概率神經網絡模型的準確性進行驗證，直至獲得合格的概率神經網絡模型；

接收故障分析指令，所述故障分析指令攜帶有故障信息；

根據所述故障信息以及預設的匹配清單，確定并采集所述分體式空調運行狀態下的有用維度特征信號，并從預設的補充集中獲取無用維度特征信號，所述有用維度特征信號和所述無用維度特征信號共同構成所述全維度特征信號；

將所述有用維度特征信號以及所述無用維度特征信號輸入所述合格的概率神經網絡模型，獲得所述分體式空調的故障類型。