[发明专利]一种空调传感器故障检测方法及系统

说明书

本发明提供了一种空调传感器故障检测方法及系统，首先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；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；采用KPCA核主成分分析，进行降维，得到降维后的训练样本和降维后的测试样本，将降维后的训练样本数据作为DL‑BiLSTM网络的输入，进行训练，得到训练后的DL‑BiLSTM网络；将降维后的测试样本数据作为训练后的DL‑BiLSTM网络的输出，得到空调系统传感器故障检测结果；本发明通过对样本数据进行标准化处理，消除了不同特征传感器之间的差异性，利用KPCA降维处理，有效降低了输入数据的复杂度，利用DL‑BiLSTM网络能够充分提取故障的时间特征，检测模型精度较高，故障检测结果的准确率较高。

技术领域

本发明属于空调技术领域，特别涉及一种空调传感器故障检测方法及系统。

背景技术

传感器作为空调系统的检测部件，其测量信号是系统进行正常运行的基础，因此，及时、准确地检测出空调传感器的故障十分必要；空调传感器故障包括软故障和硬故障两大类；其中，偏差、漂移及精度等级下降属于软故障，是使用过程中因疲劳、腐蚀或磨损等造成的性能下降或者部分失效的故障，对于空调系统的危害较大；而完全失效故障属于硬故障，一般不做研究。

目前，依据是否需要进行系统建模，将故障检测方法分为定性和定量两大类分析方法；所谓的定性分析方法，指的是根据系统的原理、专家的经验知识来对系统进行分析，但此类方法不具备自适应、自学习能力，无法适应复杂多变的生产环境；定量分析方法包括基于解析模型的方法和基于数据驱动的方法，基于解析模型的方法需要建立系统精确的数学模型，一个模型只能用于特定的系统，可扩展性不强，并且该方法仅适用于线性系统，像空调系统这样高时变、强耦合以及非线性程度强的系统，难以建立恰当的数学模型，采用上述方法进行系统建模会导致故障检测效率降低；基于数据驱动的方法是当前研究的热点，主要包括主元分析方法和神经网络方法。

主元分析法于1901年正式提出，是一种多变量统计方法，主元分析法通过在主元子空间和残差子空间分别构建T²和Q统计量实现检测故障；但该方法适用于线性问题，针对非线性系统的空调系统，故障检测效果并不理想；为了解决主元分析方法的不足，核主元分析方法被提出来，通过非线性变换将样本数据从输入空间映射到高维特征空间，然后在高维特征空间利用主元分析方法进行特征提取；但在实际的传感器检测应用中，发现其不具有通用性，尤其针对漂移故障检测准确率较低。

神经网络是一种模仿动物神经网络行为特征的算法，该算法不需要精确的数学模型、非映射能力及非线性的特点，非常适合研究空调系统这种非线性系统；BP神经网络是经典的神经网络，但其不具备记忆功能；循环神经网络是运用内部的记忆来处理任意输入的时序数据，通过自循环的结构能长久的让数据在网络层上传输，但其存在梯度消失和梯度爆炸、长期记忆能力不足等问题；为解决该问题，提出了长短期记忆网络即在循环神经网络中添加了三个门控机制，即输入门、遗忘门和输出门，使梯度消失和梯度爆炸的这样的难题可以很好的处理，同时利用单元状态来保存长期的状态，该方法类比上述方法针对空调传感器的故障检测率略有提高，但整体而言检测准确率还是较低。

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传感器故障检测方法及系统，以解决现有的空调传感器故障检测准确率较低的技术问题。

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传感器故障检测方法，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；