[发明专利]一种空调传感器故障检测方法及系统

权利要求书

1.一种空调传感器故障检测方法，其特征在于，包括以下步骤：

步骤1、获取空调系统的若干传感器数据组，并构建训练样本和测试样本；

步骤2、分别对训练样本数据及测试样本数据进行标准化处理，得到标准化后的训练样本和标准化后的测试样本；

步骤3、采用KPCA核主成分分析，对标准化后的训练样本数据及标准化后的测试样本数据进行降维，得到降维后的训练样本和降维后的测试样本；

步骤4、将降维后的训练样本作为DL-BiLSTM网络的输入，对DL-BiLSTM网络进行训练，得到训练后的DL-BiLSTM网络；

步骤5、将降维后的测试样本作为训练后的DL-BiLSTM网络的输入，得到空调系统传感器故障检测结果。

2.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤1中，将其中一部分传感器数据组作为训练样本，剩余部分传感器数据组作为测试样本；每个传感器数据组包括输入特征数据及输出特征数据；其中，输入特征数据包括冷冻水阀开度、送风湿度、新风温度、新风湿度、回风温度及回风湿度；输出特征数据包括送风温度。

3.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤2中，对训练样本数据及测试样本数据进行zero-mean标准化处理；

其中，x^*为标准化后的传感器数据；x为传感器的原始数据；μ为每类传感器训练样本数据的均值；σ为每类传感器训练样本数据的标准差。

4.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤3中，分别对标准化后的训练样本数据及测试样本数据进行主成分提取时，具体包括以下步骤：

步骤31、利用高斯径向核函数，将标准化后的训练样本数据或测试样本数据映射到高维空间，得到核矩阵；

步骤32、对核矩阵进行中心化，得到中心化核矩阵；

步骤33、确定中心化核矩阵的特征值和特征向量，将特征向量按对应特征值大小降序进行排序；

步骤34、设定累计方差贡献率的阈值为85％，确定主元个数p；取前p行特征向量，并单位化后构建矩阵，得到降维后的训练样本及降维后的测试样本。

5.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤4中，首先采用时间滑动窗口将降维后的训练样本数据转换为具有时间功能的传感器数据序列，得到输入训练样本，并将输入训练样本作为DL-BiLSTM网络的输入。

6.根据权利要求1所述的一种空调传感器故障检测方法，其特征在于，步骤4中，对DL-BiLSTM网络进行训练时，具体包括以下步骤：

将输入训练样本输入至DL-BiLSTM网络中，得到输出数据的预测值；利用均方误差作为损失函数，计算得到输入训练样本的损失函数的损失值之和；利用Adam算法对DL-BiLSTM网络的梯度进行更新优化，直至迭代完成，得到训练后的DL-BiLSTM网络。

7.根据权利要求6所述的一种空调传感器故障检测方法，其特征在于，DL-BiLSTM网络采用两层双向LSTM网络模型；DL-BiLSTM网络包括序列输入层、第一层双向LSTM网络、第一丢弃层、第二层双向LSTM网络、第一全连接层、第二丢弃层、第二全连接层及回归预测层；

序列输入层的输出与第一层双向LSTM网络的输入连接，第一层双向LSTM网络的输出与第一丢弃层的输入连接，第一丢弃层的输出与第二层双向LSTM网络的输入连接，第二层双向LSTM网络的输出与第一全连接层的输入连接，第一全连接层的输出与第二丢弃层的输入连接，第二丢弃层的输出与第二全连接层的输入连接，第二全连接层的输出与回归预测层的输入连接。

8.根据权利要求6所述的一种空调传感器故障检测方法，其特征在于，步骤4中，均方误差E的表达式为：

其中，t_i为训练样本中的输出特征数据的真实值，y_i为训练样本中的输出特征数据的预测值。