[发明专利]基于深度学习的制冷设备运行状态的识别方法及装置

权利要求书

1.一种基于深度学习的制冷设备运行状态的识别方法，其特征在于，包括如下步骤：

获取制冷设备的采集器的实时状态数据、获取所述制冷设备和/或连接所述制冷设备的智能终端的历史状态数据；

构建制冷设备运行状态的状态识别模型，其中，所述状态识别模型包括交互关联模块、差异提取模块，特征融合模块和状态识别模块；

将所述实时状态数据和所述历史状态数据作为训练集对构建的状态识别模型进行训练；

所述交互关联模块提取所述实时状态数据和所述历史状态数据之间的交互关联特征，所述差异提取模块提取所述实时状态数据和所述历史状态数据之间的差异化特征，所述特征融合模块对所述交互关联特征和所述差异化特征融合拼接，得到融合特征向量，所述状态识别模块根据所述融合特征向量计算识别结果，完成制冷设备运行状态的识别；

输出运行状态的识别信息。

2.根据权利要求1所述的制冷设备运行状态的识别方法，其特征在于，还包括步骤：

对所述实时状态数据和所述历史状态数据预处理，所述预处理步骤包括：

对所述实时状态数据和所述历史状态数据均进行基准值计算和偏离度计算构成偏离度矩阵。

3.根据权利要求2所述的制冷设备运行状态的识别方法，其特征在于，所述交互关联模块包括依序连接的：时空特征提取模块、语义信息提取模块、交互关联特征提取模块；

所述时空特征提取模块为时空特征提取神经网络，所述语义信息提取模块获取所述实时状态数据和所述历史状态数据的语义特征，所述交互关联特征提取模块获取所述实时状态数据和所述历史状态数据的交互关联特征。

4.根据权利要求3所述的制冷设备运行状态的识别方法，其特征在于，所述时空特征提取神经网络为双通道的卷积神经网络模型CNN网络和残差网络ResNet；

还包括步骤：

将所述实时状态数据的偏离度矩阵输入至其一通道的所述卷积神经网络模型CNN网络和残差网络ResNet，将所述历史状态数据的偏离度矩阵输入至另一通道的所述卷积神经网络模型CNN网络和残差网络ResNet；

提取出所述实时状态数据的时空特征、提取出所述历史状态数据的时空特征。

5.根据权利要求4所述的制冷设备运行状态的识别方法，其特征在于，所述语义信息提取模块采用BiLSTM和Dropout网络模型；

还包括步骤：

将所述实时状态数据的时空特征和所述历史状态数据的时空特征分别输入各自对应的所述BiLSTM和Dropout网络模型；

分别输出所述实时状态数据和所述历史状态数据在不同时刻数据的上下文特征向量，用于提高文本的语义特征表征和拟合能力。

6.根据权利要求5所述的制冷设备运行状态的识别方法，其特征在于，所述交互关联特征提取模块包括双向注意力中的自注意力机制模型和交互注意力机制模型，所述交互关联特征包括实时状态数据注意力特征向量和历史状态数据注意力特征向量；

还包括步骤：

分别将所述实时状态数据和所述历史状态数据的上下文特征向量输入自注意力机制模型和交互注意力机制模型；

获取包含所述实时状态数据自身权重信息、以及所实时状态数据的上下文特征向量和所述历史状态数据之间权重信息的所述实时状态数据注意力特征向量；

获取包含所述历史状态数据自身权重信息、以及所述历史状态数据的上下文特征向量与所述实时状态数据之间权重信息的所述历史状态数据注意力特征向量。

7.根据权利要求6所述的制冷设备运行状态的识别方法，其特征在于，还包括步骤：

通过预训练的BERT模型获取所述实时状态数据和所述历史状态数据中每个句子的句向量编码；

以Transformer模型作为基础，对Transformer模型的注意力分值计算改为差异分值计算；

通过所述Transformer模型对每一所述句向量编码进行文本分值计算，得到所述差异化特征。