[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

说明书

本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置，涉及空调器技术领域。其中，上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。利用训练得到的故障识别模型实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。

技术领域

本发明涉及空调器技术领域，具体而言，涉及一种故障识别模型训练方法、故障识别方法及相关装置。

背景技术

随着科学技术的发展，智能化空调器兼具了多功能和舒适性，成为数字化楼宇温度调节器的首选设备。随着空调销量的攀升，后期对空调器运行检测和安全维护显得至关重要。

对于空调器而言，压缩机是其核心部件，空调器使用过程中由于压缩机安装位置特殊，通常得不到及时检修，进而造成较为严重的事故产生。不仅可能影响空调的使用寿命，还会造成财产损失。

发明内容

本发明解决的问题是空调器的压缩机所出现的故障难以被及时准确地被发现的问题。

为解决上述问题，本发明实施例提供了一种故障识别模型训练方法、故障识别方法及相关装置。

第一方面，本发明提供一种故障识别模型训练方法，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。

在上述实施例中，利用不同故障类型下压缩机控制元件的控制输出量为训练样本，对神经网络模型进行逐层训练，得到能够根据空调器运行过程中产生的控制输出量即可识别出压缩机是否出现故障的模型，从而实现对压缩机故障的及时且准确地识别，增长空调的使用寿命，避免造成财产损失。

在可选的实施方式中，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。

在上述实施例中，通过对神经元处理层的逐层训练，保障了各层神经元处理层的特征提取准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及训练工作量。

在可选的实施方式中，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所述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。

在上述实施例中，通过针对性地训练分类器，确保模型的分类准确性。同时，相较于现有技术中模型的整体迭代而言，降低了训练的复杂程度及训练工作量。

在可选的实施方式中，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。