[发明专利]空调故障预测性维护方法、系统、电子设备及存储介质

说明书

本发明提供一种空调故障预测性维护方法、系统、电子设备及存储介质，该方法包括：建立空调群组，所述空调群组包括单台空调设备或处于相同工况的多台空调设备；获取目标差异值轨迹预测模型；基于所述空调群组在过去的预定时间窗内的目标监测数据，通过所述目标差异值轨迹预测模型，预测在未来的维修预留时间窗内所述单台空调设备的不同类型目标监测数据之间的差异值拟合轨迹、或所述多台空调设备的相同类型目标监测数据之间的差异值拟合轨迹；当所述差异值拟合轨迹中有离群点时，输出相应的预警信息。本发明可以解决虚警过多、“过度修”偶发及突发性故障无法预测、先兆性故障难推测等问题。

技术领域

本发明涉及轨道交通空调维护领域，尤其涉及一种空调故障预测性维护方法、系统、电子设备及存储介质。

背景技术

随着城市轨道交通行业的迅猛发展，各大城市每年投入运营的车辆逐年增多，运营及维保的任务也越来越繁重。其中上海、北京、广州等一线城市，经过轨道交通建设行业蓬勃发展的几十年后，也逐渐步入轨交维保黄金发展的阶段。如何提高列车可复用性及安全性，同时降低维保成本已成为当务之急。针对目前故障修与计划修的现行维保模式，行业内也越来越关注具有可持续性发展的“状态修”和预测性维护。关键部件及设备的故障预测，作为状态修的前提，是发展预测性维护的基础。

空调设备既要给乘客带来舒适的乘车体验，也要为车内设备健康运行创造稳定的温度，还要兼顾火灾等特殊情况的突发任务。同时作为轨交车辆的A类关键部件，如何准确进行预测性维护成了亟需解决的问题。

目前，轨道交通领域针对列车空调的故障预测及预测性维护研究比较少，主要有以下两类：

第一类，通过故障预测模型预测故障概率。例如，公开号为CN110503217A、发明名称为“一种空调冷媒慢泄漏故障预测方法、装置、设备及系统”的专利申请公开了如下空调故障预测方法：首先获取空调运行参数和列车环境数据并进行滤波处理，得到当前数据；而后，获取历史数据，利用所述历史数据和所述当前数据获取参数因子；再而后，将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中，得到故障概率值；最后，判断所述故障概率值是否处于空调冷媒慢泄漏故障预测区间内，若是，则发送空调冷媒慢泄漏故障预警。该方法对于特定类型故障，通过故障预测模型来得出故障概率，可以具有一定成效，但实际使用中会存在虚警过多的情况，且故障预测区间范围为人为设置，实际使用中往往难以预估准确，“过度修”的情况仍难以解决。同时，空调存在不同工况，例如春夏秋冬四季，该方法并未考虑实际使用场景下，工况分割的问题，例如应用“冬”季的历史数据来预测“夏”季的故障，预测准确率不言而喻。

第二类，通过模拟实际工况下的预测损耗曲线来预测元器件故障。例如，公开号为CN 109708249A、发明名称为“空调元器件故障预测方法、装置和计算机设备”的专利申请公开了如下空调故障预测方法：基于厂商提供的元器件初始损耗曲线，通过故障实验模拟出实际工况下的预测损耗曲线，并计算损耗率，而后通过现场条件下的实际损耗值校正模型，并预测元器件故障。此方法对于不同元器件的故障预测及寿命预测有较好效果，且不断跟踪记录机械元器件的损耗值来校正寿命及故障预测曲线，准确率有所保证。对于如何延长零部件的使用寿命及解决“过度修”的问题，该方法提供了很好的思路。但同时，该方法对于偶发及突发性故障无法预测，先兆性故障也很难推测。此外，由于负样本数据少，通常通过故障实验和加速老化实验的方式获取零部件的预测损耗曲线，以获取更多的故障样本，但在实际轨交场景下能否很好地进行模型迁移是一个难点，并且此方法通过不断纠正的损耗曲线预测现场零部件的损耗值，但实际场景下的损耗值往往很难通过监测数据来表征，可能需要更多的监测手段，例如零部件的定期人工检测。

发明内容

为了解决现有技术通过故障预测模型预测故障概率时存在的虚警过多、“过度修”等问题，以及通过模拟实际工况下的预测损耗曲线来预测元器件故障时存在的偶发及突发性故障无法预测、先兆性故障也很难推测等问题，本发明提供一种空调故障预测性维护方法、系统、电子设备及存储介质。

为了实现上述目的，本发明提供一种空调故障预测性维护方法，包括：