[发明专利]一种冷水机组故障诊断方法、系统及空调器

说明书

本发明涉及空调器技术领域，公开了一种冷水机组故障诊断方法、系统及空调器，该方法包括：获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；对所述第一特征变量进行数据处理获得第二特征变量；将所述第二特征变量输入预先训练好的深度学习模型进行诊断；根据诊断得到的结果获取所述冷水机组的故障诊断报告。本发明提供的冷水机组故障诊断方法、系统及空调器，能够对冷水机组的故障进行诊断并提供故障解决方案，降低空调器能耗。

技术领域

本发明涉及空调器技术领域，特别是涉及一种冷水机组故障诊断方法、系统及空调器。

背景技术

目前，在公共建筑中，比如大型商场、办公楼、医院等，大多采用暖通空调(Heating，Ventilating and Air Conditioning，HVAC)系统，HVAC及其自控系统日益复杂，设备种类及数量越来越多。

冷水机组是HVAC系统的主要部件，其实际运行状态复杂多变，往往表现出较强的非线性、耦合性和部分负荷性。为了维持空调房间内热湿平衡、保证用户热舒适性，制冷空调系统测量监控设备明显增多，自动控制策略复杂程度明显加深，系统或部件发生故障的概率显著升高。随着运行年限增加，长期部分负荷下的振荡运行，极易导致设备老化、结垢脏堵、控制失效，使得绝大部分冷水机组处于故障运行状态。若不能及时排除故障、消除故障带来的影响，势必将导致冷水机组系统偏离正常运行工况带来一系列的不良后果，如能耗浪费增加，进而影响室内热湿平衡，在某些情形下甚至会直接损坏设备，引起系统彻底失效、无法工作。

发明内容

本发明实施例所要解决的技术问题是：提供一种冷水机组故障诊断方法、系统及空调器，利用深度学习技术，对冷水机组的故障进行诊断并提供故障解决方案，降低空调器能耗。

为了解决上述技术问题，第一方面，本发明实施例提供一种冷水机组故障诊断方法，所述诊断方法包括：

获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

对所述第一特征变量进行数据处理获得第二特征变量；

将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

根据诊断得到的结果获取所述冷水机组的故障诊断报告。

作为优选方案，所述第一特征变量包括蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值。

作为优选方案，所述对所述第一特征变量进行数据处理获得第二特征变量，具体包括：

根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量；

对所述小波变换后的特征变量进行归一化处理，获得所述第二特征变量。

进一步地，所述根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量，具体包括：

对所述第一特征变量进行小波分解，获得小波分解后的特征变量；

对所述小波分解后的特征变量进行小波重构，获得所述小波变换后的特征变量。

优选地，所述小波变换的小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05。

作为优选方案，所述深度学习模型根据Adam优化算法和Keras人工神经网络库构建获得。

进一步地，所述深度学习模型在训练过程中使用损失函数进行评估；其中，所述损失函数为均方误差损失函数。