[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

本申請是關于一種空調故障預測方法。該方法包括：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。本申請提供的方案，能夠提取最具判別性空調故障特征，用于建立空調故障模型，提高了預測模型預測的準確性。

技術領域

本發明涉及空調技術領域，尤其涉及一種空調故障預測方法。

背景技術

當空調發生故障時，對空調系統和用戶體驗產生巨大的影響，不僅導致能源浪費，還會縮短設備使用壽命，帶來低效的環境舒適度。對于復雜的空調系統，僅僅依靠人工很難及時發現系統中出現的故障。

空調故障可分為硬故障和軟故障，硬故障主要是因器件完全失效所造成的故障，軟故障主要是因器件性能下降或者部分失效所造成的故障。硬故障可以直接發現并及時維修，但軟故障是漸變的，發展較慢，在初期往往很難被發現。目前市場上的空調故障處理方式主要是在發生硬故障時，對空調系統進行人工檢查和維修，但對于漸變的軟故障，都是通過各種計算機算法對故障進行預測與診斷。如：

公開號為CN111578111A的申請文件中公開了一種空調故障預測方法、裝置、存儲介質及空調，所述方法包括：通過神經網絡算法訓練所述空調的故障預測模型；當所述空調運行時獲取所述空調當前的運行數據，所述運行數據，包括：外部數據和內部數據；將所述空調當前的運行數據輸入所述故障預測模型中進行故障預測；若預測出所述空調發生故障，則向所述空調的用戶發送相應的提示信息。本發明提供的方案能夠對空調進行故障預測，及時發現空調的各種故障，尤其是軟故障，從而延長空調設備使用壽命。

公開號為CN109931678A的申請文件中公開了一種基于深度學習LSTM的空調故障診斷方法，包括以下步驟：1)構建LSTM的空調故障診斷模型，所述故障診斷模型包括輸入層、隱藏層、輸出層和網絡優化模塊；其中，所述隱藏層為LSTM網絡；2)獲取冷水機組不同故障數據并對其預處理，提取特征和降維后作為LSTM網絡的輸入；3)搭建LSTM網絡模型，確定LSTM網絡的參數；4)逐層訓練，將上一層LSTM網絡的隱藏層每一個LSTM神經元的輸出都輸入到下一層LSTM隱含層對應的LSTM神經元進行計算；5)通過Softmax分類，并通過網絡優化模塊進行不斷優化模型通過固定其它參數不變而變化一種參數和交叉驗證的方式搭建優化的LSTM網絡模型。

上述的空調故障預測與診斷方法，多著重于算法模型的構建與訓練，而沒有考慮到所采集到的空調故障模型訓練樣本數據線性不可分，無法獲取樣本數據中的最具判別性的信息，導致所建立的模型準確性較低，導致空調故障預測準確性降低。

發明內容

為克服相關技術中存在的問題，本申請提供一種空調故障預測方法，該空調故障預測方法，能夠提高空調故障預測準確性。

本申請第一方面提供一種空調故障預測方法，包括監測空調當前的M個熱力學參數，該熱力學參數為與空調故障相關的參數，該M為大于1的整數；

將該M個熱力學參數輸入至空調故障預測模型進行故障預測，得到該空調的故障類型；

該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；該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，該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，一個該故障關系組包括：熱力學參數和熱力學參數對應的空調故障類型，該N為大于2的整數。

在第一方面的第一種可能實現的方法中，該將所述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，還包括：