[發明專利]空調故障預測方法、電子設備和儲存介質

在審

• 申請號: 202110005910.9
• 申請日: 2021-01-05
• 公開（公告）號: CN112766327A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 羅建飛;郭慶;曾奕;黃童毅;唐小朱
• 申請（專利權）人: 格力電器（武漢）有限公司;珠海格力電器股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市時代知識產權代理事務所(普通合伙) 44438
• 代理人: 刁益帆

1.一種空調故障預測方法，其特征在于，包括：

監測空調當前的M個熱力學參數，所述熱力學參數為與空調故障相關的參數，所述M為大于1的整數；

將所述M個熱力學參數輸入至空調故障預測模型進行故障預測，得到所述空調的故障類型；

所述空調故障預測模型為通過第二故障分析數據訓練得到的神經網絡模型；所述第二故障分析數據為對第一故障分析數據進行高緯度映射后得到的線性可分的空調故障分析數據，所述第一故障分析數據為包括有至少N個故障關系組的數據集合，一個所述故障關系組包括：熱力學參數和熱力學參數對應的空調故障類型，所述N為大于2的整數。

2.根據權利要求1所述的一種空調故障預測方法，其特征在于，所述將所述M個熱力學參數輸入至空調故障預測模型進行故障預測之前，包括：使用第二故障分析數據對所述空調故障預測模型進行訓練。

3.根據權利要求2所述的一種空調故障預測方法，其特征在于，

所述使用第一故障分析數據對所述空調故障預測模型進行訓練，包括：

獲取用于預測空調故障的所述第一故障分析數據；

確定所述第一故障分析數據的映射函數；

根據所述映射函數將所述第一故障分析數據從第一維度映射至第二維度；

通過核函數計算得到第二故障分析數據，所述第二故障分析數據在所述第二維度線性可分；

用所述第二故障分析數據訓練模型，得到所述空調故障預測模型。

4.根據權利要求3所述的一種空調故障預測方法，其特征在于，

所述熱力學參數包括：排氣溫度、環境溫度、化霜溫度、液管溫度、氣管溫度、吸氣溫度、進水溫度、出水溫度和排氣壓力；

所述空調故障類型包括：正常運行、制冷劑不足、制冷劑過多、風機不轉、冷卻水進水溫度過低、冷卻水進水溫度過高、房間負荷過大、水流量過小、膨脹閥開度偏大和膨脹閥開度偏小。

5.根據權利要求4所述的一種空調故障預測方法，其特征在于，所述通過核函數計算得到第二故障分析數據包括：

計算所述空調故障類型在所述第二維度的類內散布矩陣和類間散布矩陣；

通過所述類內散布矩陣和所述類間散布矩陣計算所述熱力學參數和所述空調故障類型在所述第二維度的特征值和特征向量；

通過所述特征值和所述特征向量計算投影矩陣；

通過所述投影矩陣計算得到所述第二故障分析數據。

6.根據權利要求5所述的一種空調故障預測方法，其特征在于，

所述通過所述類內散布矩陣和所述類間散布矩陣計算所述熱力學參數和所述空調故障類型的特征值和特征向量，包括：

確定所述第二故障分析數據在所述第二維度的投影方向；

通過所述投影方向、所述類內散布矩陣和所述類間散布矩陣確定類判別準則函數；

通過對所述類判別準則函數計算所述熱力學參數和所述空調故障類型的特征值和特征向量。

7.根據權利要求6所述的一種空調故障預測方法，其特征在于，所述通過對所述類判別準則函數計算所述熱力學參數和所述空調故障類型的特征值和特征向量，包括：

對所述類判別準則函數的分母進行歸一化；

對歸一化后的所述類判別準則函數進行求導得到所述熱力學參數和所述空調故障類型的特征值和特征向量。

8.根據權利要求5所述的一種空調故障預測方法，其特征在于，所述通過所述特征值和所述特征向量計算投影矩陣，包括：

通過求解特征方程最大時d個所述特征值和對應的所述特征向量得到投影矩陣，所述d個特征值之和大于或等于所述特征值總和。

9.根據權利要求4所述的一種空調故障預測方法，其特征在于，所述空調故障預測模型包括：

第一概率神經網絡模型和第二概率神經網絡模型；

所述概率神經網絡模型包括：輸入層、模式層、求和層和輸出層。