[發明專利]基于深度學習的制冷設備運行狀態的識別方法及裝置

在審

• 申請號: 202211229890.4
• 申請日: 2022-10-08
• 公開（公告）號: CN115659274A
• 公開（公告）日: 2023-01-31
• 發明（設計）人: 馬堅;曾誰飛;孔令磊;張景瑞;劉衛強;李敏
• 申請（專利權）人: 青島海爾電冰箱有限公司;海爾智家股份有限公司
• 主分類號: G06F18/25
• 分類號: G06F18/25;G06F18/214;G06N3/0464;G06N3/0442;G06N3/08;G06F40/30
• 代理公司: 蘇州威世朋知識產權代理事務所(普通合伙) 32235
• 代理人: 楊志飛

1.一種基于深度學習的制冷設備運行狀態的識別方法，其特征在于，包括如下步驟：

獲取制冷設備的采集器的實時狀態數據、獲取所述制冷設備和/或連接所述制冷設備的智能終端的歷史狀態數據；

構建制冷設備運行狀態的狀態識別模型，其中，所述狀態識別模型包括交互關聯模塊、差異提取模塊，特征融合模塊和狀態識別模塊；

將所述實時狀態數據和所述歷史狀態數據作為訓練集對構建的狀態識別模型進行訓練；

所述交互關聯模塊提取所述實時狀態數據和所述歷史狀態數據之間的交互關聯特征，所述差異提取模塊提取所述實時狀態數據和所述歷史狀態數據之間的差異化特征，所述特征融合模塊對所述交互關聯特征和所述差異化特征融合拼接，得到融合特征向量，所述狀態識別模塊根據所述融合特征向量計算識別結果，完成制冷設備運行狀態的識別；

輸出運行狀態的識別信息。

2.根據權利要求1所述的制冷設備運行狀態的識別方法，其特征在于，還包括步驟：

對所述實時狀態數據和所述歷史狀態數據預處理，所述預處理步驟包括：

對所述實時狀態數據和所述歷史狀態數據均進行基準值計算和偏離度計算構成偏離度矩陣。

3.根據權利要求2所述的制冷設備運行狀態的識別方法，其特征在于，所述交互關聯模塊包括依序連接的：時空特征提取模塊、語義信息提取模塊、交互關聯特征提取模塊；

所述時空特征提取模塊為時空特征提取神經網絡，所述語義信息提取模塊獲取所述實時狀態數據和所述歷史狀態數據的語義特征，所述交互關聯特征提取模塊獲取所述實時狀態數據和所述歷史狀態數據的交互關聯特征。

4.根據權利要求3所述的制冷設備運行狀態的識別方法，其特征在于，所述時空特征提取神經網絡為雙通道的卷積神經網絡模型CNN網絡和殘差網絡ResNet；

還包括步驟：

將所述實時狀態數據的偏離度矩陣輸入至其一通道的所述卷積神經網絡模型CNN網絡和殘差網絡ResNet，將所述歷史狀態數據的偏離度矩陣輸入至另一通道的所述卷積神經網絡模型CNN網絡和殘差網絡ResNet；

提取出所述實時狀態數據的時空特征、提取出所述歷史狀態數據的時空特征。

5.根據權利要求4所述的制冷設備運行狀態的識別方法，其特征在于，所述語義信息提取模塊采用BiLSTM和Dropout網絡模型；

還包括步驟：

將所述實時狀態數據的時空特征和所述歷史狀態數據的時空特征分別輸入各自對應的所述BiLSTM和Dropout網絡模型；

分別輸出所述實時狀態數據和所述歷史狀態數據在不同時刻數據的上下文特征向量，用于提高文本的語義特征表征和擬合能力。

6.根據權利要求5所述的制冷設備運行狀態的識別方法，其特征在于，所述交互關聯特征提取模塊包括雙向注意力中的自注意力機制模型和交互注意力機制模型，所述交互關聯特征包括實時狀態數據注意力特征向量和歷史狀態數據注意力特征向量；

還包括步驟：

分別將所述實時狀態數據和所述歷史狀態數據的上下文特征向量輸入自注意力機制模型和交互注意力機制模型；

獲取包含所述實時狀態數據自身權重信息、以及所實時狀態數據的上下文特征向量和所述歷史狀態數據之間權重信息的所述實時狀態數據注意力特征向量；

獲取包含所述歷史狀態數據自身權重信息、以及所述歷史狀態數據的上下文特征向量與所述實時狀態數據之間權重信息的所述歷史狀態數據注意力特征向量。

7.根據權利要求6所述的制冷設備運行狀態的識別方法，其特征在于，還包括步驟：

通過預訓練的BERT模型獲取所述實時狀態數據和所述歷史狀態數據中每個句子的句向量編碼；

以Transformer模型作為基礎，對Transformer模型的注意力分值計算改為差異分值計算；

通過所述Transformer模型對每一所述句向量編碼進行文本分值計算，得到所述差異化特征。