[发明专利]基于预测和分类模型的空调故障检测与辩识方法及装置

说明书

本发明提供一种基于预测和分类模型的空调故障检测与辩识方法及装置，该方法包括：S101：根据空调的正常状态运行数据和故障运行数据，通过正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型；S102：通过运行预测模型判断空调是否发生故障，若是，则执行S103，若否，则执行S101；S103：利用运行预测模型定位空调发生故障的数据段，并通过故障分类模型获取数据段对应的故障类型。本发明通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型，并创造性融合状态预测模型和分类模型，实现了较高的检测和辨识准确率，同时，还能够充分利用不断累积的运行数据，通过持续的机器学习，提升了故障诊断准确率。

技术领域

本发明涉及空调故障检测领域，尤其涉及一种基于预测和分类模型的空调故障检测与辩识方法及装置。

背景技术

目前空调广泛使用于人们的日常生活、工作中，但，人们普遍不了解空调的异常状况，在人们的生活经验中，一台空调往往用上五六年都不需要维修，因此人们误认为空调基本不会发生异常。造成该误解的主要原因是空调的很多异常都不会使空调完全丧失制冷能力，而是造成空调制冷能力的下降和能耗增加。如果异常没有及时发现，会加速空调设备的损坏，显著降低空调的使用寿命。

空调常见主要异常类型有：缺氟故障、回气故障、室外机脏堵故障、外风机启动故障、压缩机启动故障、空调主板故障等。目前的空调故障检测方法，要么是等用户报修后，由专业维修人员现场检修，属于被动维保，影响用户体验；要么将部分可明确规则化的专家知识固化在检测程序中，不能随着数据的累积实现自我学习和升级。

发明内容

为了克服现有技术的不足，本发明提出一种基于预测和分类模型的空调故障检测与辩识方法及装置，通过空调的正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型，并创造性融合状态预测模型和分类模型，实现了较高的检测和辨识准确率，同时，还能够充分利用不断累积的运行数据，通过持续的机器学习，提升了故障诊断准确率。

为解决上述问题，本发明采用的一个技术方案为：一种基于预测和分类模型的空调故障检测与辩识方法，基于预测和分类模型的空调故障检测与辩识方法包括：S101：根据空调的正常状态运行数据和故障运行数据，通过所述正常状态运行数据、故障运行数据分别建立运行预测模型、故障分类模型；S102：通过所述运行预测模型判断所述空调是否发生故障，若是，则执行S103，若否，则执行S101；S103：利用所述运行预测模型定位所述空调发生故障的数据段，并通过所述故障分类模型获取所述数据段对应的故障类型。

进一步地，所述正常状态运行数据包括空调运行的室内温度、设定温度、当地室外气温、空调运行电压电流中的至少一种。

进一步地，所述通过所述正常状态运行数据建立运行预测模型的步骤具体包括：根据所述正常状态运行数据划分测试集、训练集；通过基于决策树的集成学习算法搭建运行预测模型，并利用平方差误差损失函数完成所述运行预测模型的训练。

进一步地，所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括：在所述测试集中选择所述运行预测模型的超参数，根据所述超参数优化所述运行预测模型。

进一步地，所述利用平方差误差损失函数完成所述运行预测模型的训练之后还包括：将所述测试集输入所述运行预测模型以获取所述测试集的预测值，通过核密度估计获取所述预测值与真实值的误差值的概率密度函数；根据所述概率密度函数获取功率值异常点。

进一步地，所述通过故障运行数据建立故障分类模型的步骤具体包括：根据所述故障运行数据建立样本集，通过所述样本集划分训练集、验证集以及测试集；搭建基于卷积神经网络的故障分类模型，并通过交叉熵损失函数、SoftMax函数完成所述故障分类模型的训练。