[发明专利]一种空调系统传感器故障误差再学习方法及系统

说明书

本发明公开了一种空调系统传感器故障误差再学习方法及系统，利用传感器的历史数据作为训练数据，构建基础神经网络，得到预测误差；由于该预测误差数据相对较小，通过对预测误差进行比例扩大化处理后，再通过标准差删除离群数据，使数据分布稳定；利用分布稳定的数据进行再学习后，得到的预测结构更加准确；最终对再学习后的数据进行回归，得到真实的误差数据，使预测数据更加逼近实际数据，降低了残差故障识别产生的消极影响，故障识别精准度更高，满足误差程度较小的误差识别，具有广泛的适用性；本发明在承认误差存在的基础上，通过再学习神经网络，对故障进行预测，从而达到消弭误差，提高准确性的作用，故障预测精准度较高。

技术领域

本发明属于空调传感器故障诊断技术领域，特别涉及一种空调系统传感器故障误差再学习方法及系统。

背景技术

现代空调系统大多依靠自动化控制，来满足使用者舒适性和规定能耗要求；当空调控制系统出现故障后，会造成不必要的能源浪费和影响使用者舒适性要求；因此，检测并诊断空调系统的故障显得极为重要。传感器作为空调控制系统的重要组成部分，直接决定来对于空调系统故障诊断的准确度和精度；由此，传感器的故障诊断就显得尤为重要，尤其是一些小的故障，目前的一些检测手段很难检测到，然而这些故障程度较小的故障有可能会对空调系统造成较大的隐患。

目前，关于传感器故障诊断普遍采用BP神经网络法、小波分析法或模糊神经网络法等；其中，BP神经网络法是一种信号前向传递，按误差反向传播的多层前馈神经网络；BP神经网络能够学习和储存大量的输入和输出模式映射关系，无需事前关系的数学方程；BP神经网络包含输入层、隐含层及输出层；输入数据通过输入层传经过标准化处理并施以相应权阈值，激活函数传递到隐含层，隐含层再次通过相应的权阈值和激活函数传递到输出层，输出层输出相应的神经网络预测值；若输出层的预测输出数据未达到相应的期望输出数据，则进行误差逆向传播阶段；将输出误差按照一定的方式“返还”各层，并修改各层的权值阈值；通过不断的修改，即神经网络的学习过程，误差减小到一定可接受的程度时或者一定的学习次数时截至，输出预测输出数据。

当前，BP神经网络法已经广泛的应用到空调系统传感器的故障诊断中，但在一些小程度的故障上仍不能有很好的效果，原因在于目前的BP神经网络在预测数据中存在着较大的误差值，如果该误差值的误差范围大于空调系统传感器故障的程度，则很难区分是神经网络数据预测结果本身误差导致还是空调系统传感器故障导致；

因此，需要通过一种方法在不改变神经网络本身结构的前提下，减小预测数据误差的方法，更逼近实际数据；现有基于BP神经网络故障诊断法基础上，提高利用神经网络对空调系统传感器微小故障，检测的准确度。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种空调系统传感器故障误差再学习方法、系统及储存介质，以解决现有的BP神经网络在预测数据中存在较大的误差值，进而导致空调传感器系统故障诊断的精度降低的技术问题。

为达到上述目的，本发明采用的技术方案为：

本发明提供了一种空调系统传感器故障误差再学习方法，包括以下步骤：

步骤1、实时采集空调系统的传感器数据，构建训练样本；将训练样本中的一部分传感器数据作为a组样本数据，剩余部分传感器数据作为b组样本数据；

步骤2、构建基础神经网络，并将b组样本数据带入基础神经网络中，进行基础神经网络训练，得到训练后的基础神经网络；

步骤3、将a组样本数据中的一部分数据作为输入数据a₁，剩余部分数据作为输出数据a₂；将输入数据a₁带入训练后的基础神经网络中，得到预测输出数据a_预测；

步骤4、利用输出数据a₂与预测输出数据a_预测，计算得到预测误差a_预测误差；