申请/专利权人：山东省人工智能研究院;海尔智家股份有限公司

申请日：2023-12-14

公开（公告）日：2024-03-22

公开（公告）号：CN117404765B

主分类号：F24F11/38

分类号：F24F11/38;F24F11/64;G06N3/0442;G06N3/0464;G06N3/0895;G01D21/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.02#实质审查的生效;2024.01.16#公开

摘要：本发明涉及智能家居设备故障诊断领域，尤其涉及一种弱监督条件下空调系统风机故障诊断方法、系统及空调，对工况A和工况B下采集的空调系统风机的运行参数进行数据预处理，然后利用滑动窗口分位点技术来扩展数据维度，增加故障数据的多样性，其次利用层级特征融合方法构建多层级多粒度的特征提取器，在构建小样本数据集后，再利用支撑集样本和查询集样本进行训练，得到优化后的特征提取器参数信息，最后利用工况B的训练数据对特征提取器的参数微调后进行评估与泛化，将工况A的训练数据经过多层级特征提取器进行测试集评估。本发明利用小样本学习解决了不同工况下空调系统风机故障自动诊断难的问题，为维修人员的作业带来极大的帮助。

主权项：1.一种弱监督条件下空调系统风机故障诊断方法，其特征是，包括以下步骤：S1.分别持续采集工况A和工况B下空调系统风机的运行参数，包括风机的状态信号和温度信号；S2.对步骤S1采集的数据进行预处理，将各风机的状态信号和温度信号按照最大最小归一化技术进行处理，通过采集空调系统风机各传感器连续运行M分钟的状态信号计算每种状态信号包含的样本点个数N，对获得的状态信号的样本与温度信号进行数据拼接处理；S2具体包括如下过程：按步骤S1所述，空调系统风机各传感器连续运行M分钟采集风机状态信号，每种状态信号共包含N＝12000×M×60个样本点；S2.1最大最小归一化：将各风机状态信号和温度信号按照最大最小归一化技术进行处理，计算公式如下： 其中，Si表示一种状态信号或温度信号，MinSi表示Si的最小值，MaxSi表示Si的最大值，S′i表示归一化处理后的信号；S2.2数据分段、样本划分：将每种状态信号包含的N个样本点，按照长度对样本点N进行分段处理，长度记为kens，每种状态包含m个样本，m＝Nlens；S2.3数据拼接：将温度信号与处理后的状态信号进行数据拼接，Ssw＝[Ss′；Sw′]，其中，Ssw表示状态信号与温度信号融合后的信号，Ss′表示归一化处理后的状态信号，Sw′表示归一化处理后的温度信号；S3.对步骤S2预处理后的数据进行数据扩展处理，将数据拼接后的样本进行窗口划分，对获得的信号生成分位点信号，然后进行样本数据融合与维度转换；S3具体步骤如下：3.1划分窗口信号：从Ssw信号的第一个采样点开始按照窗口w和步长s进行窗口划分，划分窗口个数为Nw＝n-w，n表示状态信号与温度信号融合后的第n个样本，Ssw信号划分窗口后的信号为Wsw＝[ssw[0：0+w]；Ssw[1：1+w]，...，Ssw[Nw：Nw+w]；3.2生成分位点信号：计算窗口信号Wsw所对应的第一和第三分位点，得到滑动窗口第一分位点信号和滑动窗口第三分位点信号通过在和前后各补w2个0值保持和Ssw的维度一致；3.3样本数据融合与维度转换：将和Ssw进行融合，生成新的样本数据SD，即 其中，SD的维度为R3×1936，Concat表示特征融合操作；然后利用Reshape技术将1维信号SD变成2维信号SD′，SD′的维度为R3×44×44；S4.分别构建工况A和工况B下的N-wayK-shot任务级数据集，数据集以NC个类别和Ns个样本进行N-wayK-shot任务级数据划分，从NC中随机选择N-way个类别作为目标类别，构建单任务下的支撑集和查询集来生成数据集Dtask，重复生成数据集来构成任务级的小样本数据集，然后对数据集进行划分；S5.根据S4中的数据集，通过提取层级特征、多层级多粒度特征融合以及长短期记忆LSTM层和全连接FC层构建多层级小样本数据特征提取器；S5具体包括如下过程：搭建以3个“卷积块+跳跃连接”为基础结构的残差网络模型，每个卷积块包含1×1，3×3和1×1的卷积层，批量处理归一化层BN和非线性层Relu；S5.1提取层级特征：1将Dtask作为第一个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层，一个最大池化层得到第一层的输出F1cb1；然后将F1cb1输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F1cb2；最后利用跳跃连接将F1cb1和F1相加得到第一个残差块的输出F1task＝F1cb1+F1cb2；2将F1task作为第二个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层得到第一个卷积块的输出F2cb1；然后将F2cb1输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F2cb2；最后利用跳跃连接将F2cb1和F2cb2相加得到第二个残差块的输出F2task＝F2cb1+F2cb2；3将F2task作为第三个残差块的输入，首先经过第一个卷积块的3个堆叠的卷积层，一个BN层和ReLu层得到第一个卷积块的输出F3cb1；然后将F3cb1输入到第二个卷积块的3个堆叠的卷积层，一个BN层和ReLu层后得到第二个卷积块的输出F3cb2；最后利用跳跃连接将F3cb1和F3cb2相加得到第三个残差块的输出F3task＝F3cb1+F3cb2；S5.2多层级多粒度特征融合：将F1task，F2task，F3task进行拼接来提取多层级多粒度的特征映射，进而形成多层级化的特征向量 S5.3LSTM与FC层：通过将S5.2中得到的特征向量输入到2个级联的LSTM层提取特征来提取具有长时依赖关系的特征并利用两个全连接层FC实现全局特征的提取，得到空调系统风机在工况A下的运行特征即： S6.对步骤S5构建的特征提取器进行超参数设置，利用工况B的训练数据对特征提取器的参数微调后进行评估与泛化，将工况A的训练数据经过多层级特征提取器进行测试集评估；S6具体包括如下过程：S6.1训练参数设置：对步骤S5构建的特征提取器进行超参数设置；S6.2模型训练：1将Dtr输入到步骤S5构建的多层级特征提取器中提取特征，对于某个单任务下的支撑集tasksupport和查询集taskqry分别输出对应的支撑集多层级特征FLLsupport和查询集多层级特征FLLqry；2利用欧式距离Euclideandistance来衡量相似度，计算两者的相似度Sim为：Sim＝EuclideandistanceFLLsupport，FLLqry，3将计算得到的Sim和真实标签ytrue输入到负对数似然损失函数nlloss中计算当前单任务下的损失loss为：loss＝nllossSim，ytrue，将损失值loss与初始最佳损失值进行比较，如果损失值loss相比初始最佳损失值有所降低，则更新特征提取器的参数，并保存模型，否则，不予更新；4重复上述过程，直到达到预定的结束条件；S6.3模型评估与泛化：1将Dtest测试集输入到保存的模型中，得到测试集对应的多层级特征FLLsupport和FLLqry，然后利用欧式距离计算两者的相似度Sim，最后相似度最大的位置对应的标签分配给测试集数据，实现风机故障自动检测，获得工况A下的测试集评估结果；2对在工况B下获取的数据依次执行步骤S2、S3、S4，划分训练集与测试集后，利用训练集对步骤S6.2中保存的特征提取器的参数进行微调，然后在测试集上进行评估，实现不同数据分布间模型评估的泛化。

全文数据：

权利要求：

百度查询： 山东省人工智能研究院;海尔智家股份有限公司 弱监督条件下空调系统风机故障诊断方法、系统及空调

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD