【技術實現步驟摘要】
本專利技術涉及暖通空調，具體為基于深度學習的暖通空調故障識別方法和系統。
技術介紹
1、由于暖通空調的結構復雜、工作環境惡劣，導致其在長期運行過程中出現各種故障，給用戶帶來極大的不便。
2、現有的暖通空調設備在使用時，不能對暖通空調設備進行實時監測及故障識別，導致不能及時發現暖通空調設備故障，不能及時對暖通空調設備進行預警維護，導致暖通空調設備的穩定性和可靠性低下，用戶使用體驗感差。
技術實現思路
1、本專利技術的目的在于提供基于深度學習的暖通空調故障識別方法和系統，可對暖通空調設備進行實時監測及故障識別，能及時發現暖通空調設備故障，能及時對暖通空調設備進行預警維護，可提升暖通空調設備穩定性和可靠性，提升用戶使用體驗感，解決了上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：
3、基于深度學習的暖通空調故障識別方法，包括如下步驟：
4、s1：對暖通空調設備在實際運行環境中的溫度、濕度及風速情況進行采集，確定暖通空調設備運行數據；
5、s2：對暖通空調設備運行數據進行清洗及分類，劃分為訓練集、測試集和驗證集，基于訓練集，對深度學習模型進行訓練，確定出暖通空調設備故障識別模型，且基于驗證集及測試集對暖通空調設備故障識別模型進行驗證及測試，確定最優的基于深度學習的暖通空調設備故障識別模型；
6、s3：通過最優的基于深度學習的暖通空調設備故障識別模型對暖通空調設備實時運行數據進行分析，根據最優
7、s4：當暖通空調設備存在故障行為時，對暖通空調設備進行及時地故障預警及維護管控，使暖通空調設備及時恢復正常運行狀態。
8、根據本專利技術的另一個方面，提供了基于深度學習的暖通空調故障識別系統，用于實現上述的基于深度學習的暖通空調故障識別方法，包括：
9、數據采集模塊，用于采集暖通空調設備運行數據；
10、數據處理模塊，用于對暖通空調設備運行數據進行清洗及分類，劃分為訓練集、測試集和驗證集；
11、模型構建模塊，用于訓練深度學習模型，構建最優的基于深度學習的暖通空調設備故障識別模型；
12、故障識別模塊，用于對暖通空調設備的故障進行自動識別及預警管控；
13、優選的，所述數據采集模塊，包括：
14、溫度采集單元，用于對暖通空調設備在實際運行環境中的溫度情況進行采集，獲取暖通空調設備溫度數據；
15、濕度采集單元，用于對暖通空調設備在實際運行環境中的濕度情況進行采集，獲取暖通空調設備濕度數據；
16、風速采集單元，用于對暖通空調設備在實際運行環境中的風速情況進行采集，獲取暖通空調設備風速數據；
17、其中，基于暖通空調設備溫度數據、暖通空調設備濕度數據及暖通空調設備風速數據，確定暖通空調設備運行數據；
18、其中，暖通空調設備運行數據包括暖通空調設備正常運行數據與暖通空調設備故障數據。
19、優選的，所述數據采集模塊，還包括：
20、溫度數據比較模塊，用于實時采集溫度數據，并將所述溫度數據與預設的溫度數據閾值進行比較；
21、風速濕度數據提取模塊，用于當所述溫度數據超過預設的溫度數據閾值時，則調取實時采集的濕度數據和實時采集的風速數據；
22、第一環境參數獲取模塊，用于利用所述實時采集的濕度數據結合實時采集的溫度數據獲取第一環境參數；
23、其中，所述第一環境參數通過如下公式獲取；
24、
25、其中，k01表示第一環境參數；n表示溫度數據的采集次數；m表示濕度數據的采集次數；ti表示第i次溫度采集對應的溫度數值；tbi表示第i次溫度采集對應的溫度數值標準差；wb表示第i次溫度采集的采集時刻所對應的濕度數據標準差；wi表示第i次濕度采集對應的濕度數值；wbi表示第i次濕度采集對應的濕度數值標準差；tb表示第i次濕度采集的采集時刻所對應的溫度數據標準差；
26、第二環境參數獲取模塊，用于利用所述實時采集的風速數據結合實時采集的溫度數據獲取第二環境參數；
27、其中，所述第二環境參數通過如下公式獲取；
28、
29、其中，k02表示第二環境參數；n表示溫度數據的采集次數；k表示風速數據的采集次數；ti表示第i次溫度采集對應的溫度數值；tbi表示第i次溫度采集對應的溫度數值標準差；wb表示第i次溫度采集的采集時刻所對應的濕度數據標準差；vb表示第i次溫度采集的采集時刻所對應的風速數據標準差；wbv表示第i次風速采集的采集時刻所對應的濕度數據標準差；tbv表示第i次風速采集的采集時刻所對應的溫度數據標準差；vi表示第i次風速采集對應的風速數值；vbi表示第i次風速采集對應的風速數值標準差；
30、頻率調整判定模塊，用于將所述第一環境參數與預設的第一環境參數閾值進行比較，同時，將第二環境參數與預設的第二環境參數閾值進行比較，根據比較結果判定是否需要對濕度采集單元和風速采集單元進行數據采集頻率調整。
31、優選的，頻率調整判定模塊，包括：
32、第一判定模塊，用于當所述第一環境參數超過預設的第一環境參數閾值，并且，所述第二環境參數超過預設的第二環境參數閾值時，則判定需要對風速采集單元進行數據采集頻率調整；
33、第一頻率調整模塊，用于利用所述第一環境參數和第二環境參數對所述風速采集單元進行數據采集頻率調整，獲取風速采集單元的調整后的數據采集頻率；
34、其中，所述風速采集單元的調整后的數據采集頻率通過如下公式獲取：
35、
36、其中，fvt表示風速采集單元的調整后的數據采集頻率；fv0表示風速采集單元的調整前的數據采集頻率；k01表示第一環境參數；k02表示第二環境參數；
37、第二判定模塊，用于當所述第一環境參數超過預設的第一環境參數閾值，或者，所述第二環境參數超過預設的第二環境參數閾值時，則判定需要對濕度采集單元進行數據采集頻率調整；
38、目標環境參數確定模塊，用于將超過對應環境參數閾值的環境參數作為目標環境參數；
39、第二頻率調整模塊，用于利用所述目標環境參數對所述濕度采集單元進行數據采集頻率調整，獲取濕度采集單元的調整后的數據采集頻率；
40、其中，所述濕度采集單元的調整后的數據采集頻率通過如下公式獲取：
41、
42、其中，fwt表示濕度采集單元的調整后的數據采集頻率；fw0表示濕度采集單元的調整前的數據采集頻率；km表示目標環境參數；k01表示第一環境參數；k02表示第二環境參數。
43、優選的，所述數據處理模塊，包括：
44、數據清洗單元，用于對暖通空調設備運行數據本文檔來自技高網...
【技術保護點】
1.基于深度學習的暖通空調故障識別方法，其特征在于，包括如下步驟：
2.基于深度學習的暖通空調故障識別系統，用于實現如權利要求1所述的基于深度學習的暖通空調故障識別方法，其特征在于，包括：
3.根據權利要求2所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據采集模塊，包括：
4.根據權利要求3所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據采集模塊，還包括：
5.根據權利要求4所述的基于深度學習的暖通空調故障識別系統，其特征在于，頻率調整判定模塊，包括：
6.根據權利要求3所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據處理模塊，包括：
7.根據權利要求6所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據處理模塊，還包括：
8.根據權利要求7所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述模型構建模塊，包括：
9.根據權利要求8所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述故障識別模塊，包括：
10.
...【技術特征摘要】
1.基于深度學習的暖通空調故障識別方法，其特征在于，包括如下步驟：
2.基于深度學習的暖通空調故障識別系統，用于實現如權利要求1所述的基于深度學習的暖通空調故障識別方法，其特征在于，包括：
3.根據權利要求2所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據采集模塊，包括：
4.根據權利要求3所述的基于深度學習的暖通空調故障識別系統，其特征在于，所述數據采集模塊，還包括：
5.根據權利要求4所述的基于深度學習的暖通空調故障識別系統，其特征在于，頻率調整判定模塊，包括：
【專利技術屬性】
技術研發人員：沈列丞，張潔，
申請(專利權)人：華東建筑設計研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。