[发明专利]故障识别模型训练方法、故障识别方法及相关装置

权利要求书

1.一种故障识别模型训练方法，其特征在于，所述故障识别模型训练方法包括：

获取训练样本数据；其中，所述训练样本数据包括控制采样数据及对应的故障分类标签；所述控制采样数据为压缩机控制元件的控制输出量；

利用所述训练样本数据对预选的神经网络模型进行逐层训练，以得到所述故障识别模型。

2.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括多层神经元处理层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤包括：

在待训练神经元处理层是多层所述神经元处理层中的第一层时，将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层，以得到第一输出数据；

将所述第一输出数据进行解码，得到第一解码数据；

利用所述控制采样数据与第一解码数据之间的差异，对所述待训练神经元处理层进行迭代；

在所述待训练神经元处理层不是多层所述神经元处理层中的第一层时，将相邻上一层神经元处理层的第二输出数据输入所述待训练神经元处理层，以得到第三输出数据；

将所述第三输出数据进行解码，得到第二解码数据；

利用所述第二输出数据与第二解码数据之间的差异，对所述待训练神经元处理层进行迭代。

3.根据权利要求2所述的故障识别模型训练方法，其特征在于，所述神经网络模型包括分类层，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：

将多层所述神经元处理层中最后一层输出的第四输出数据输入所述分类层，以获得分类结果；

根据所述分类结果与对应的所述训练样本数据的故障分类标签，对所述分类层进行迭代。

4.根据权利要求2所述的故障识别模型训练方法，其特征在于，在将所述训练样本数据中的所述控制采样数据输入所述待训练神经元处理层之前，所述利用所述训练样本数据对预选的神经网络模型进行逐层训练的步骤还包括：

将每一个所述训练样本数据中的控制采样数据进行归一化处理，以便将归一化处理后的所述控制采样数据输入所述神经网络模型。

5.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述压缩机控制元件包括压缩机主控芯片、压缩机电解电容、智能功率模块、压缩机绝缘栅双极型晶体管中一个或多个。

6.根据权利要求1所述的故障识别模型训练方法，其特征在于，所述训练样本数据还包括压缩机的运行数据及对应的故障分类标签。

7.一种故障识别方法，其特征在于，应用于空调器，所述故障识别方法包括：

在所述空调器运行过程中，采集压缩机控制元件所对应的控制输出量，以作为检验数据；

将所述检验数据输入故障识别模型，以得到故障识别结果；其中，所述故障识别模型为通过权利要求1-6任意一项所述的故障识别模型训练方法训练得到的模型。

8.根据权利要求7所述的故障识别方法，其特征在于，若利用所述控制输出量未判断出故障类型，所述故障识别方法还包括：

采集所述压缩机的实时运行数据；

将所述实时运行数据输入故障识别模型，以确定故障识别结果。

9.根据权利要求7所述的故障识别方法，其特征在于，在确定出现新故障的情况下，所述故障识别方法还包括：

获取预设时间段内采集到的目标控制输出量；其中，所述预设时间段包含所述新故障对应的发生时间点；

将所述目标控制输出量与所述新故障对应的故障分类标签关联，生成新的所述训练样本数据，以便利用所述故障识别模型训练方法对所述故障识别模型进行更新训练。