CN115480556A - 一种暖通机电设备的智能在线故障诊断系统 - Google Patents

Abstract

本发明公开了一种暖通机电设备的智能在线故障诊断系统，属于设备故障诊断技术领域，包括客户端、信息采集器、仿真模块、故障分析模块、维修反馈模块、压缩回收模块以及数据服务器，所述客户端用于接收各子模块的分析结果以供用户查看；本发明通过构建检测神经网络以及故障诊断树，能够提高故障检测效率，同时能够针对未知的运行信息进行数据分析，使用局限性小，方便用户使用，能够自行对数据服务器中的存储的老旧数据进行回收，避免因存储的数据过多导致数据传输出现异常，保证数据传输稳定性。

Description

一种暖通机电设备的智能在线故障诊断系统

技术领域

本发明涉及设备故障诊断技术领域，尤其涉及一种暖通机电设备的智能在线故障诊断系统。

背景技术

暖通机电设备是建筑的一个组成部分。具体指室内或车内负责暖气、通风及空气调节的系统或相关设备。暖通空调系统的设计应用到热力学、流体力学及流体机械，是机械工程领域中的重要分支学科。同时也是培养从事建筑环境控制、建筑节能和建筑设施智能技术领域工作，具有空调、供热、通风、建筑给排水、燃气供应等公共设施系统、建筑热能供应系统和建筑节能的设计、施工、调试、运行管理能力和建筑自动化系统方案的制定能力的高级工程技术人才和管理人才的专业，由于具有可以控制空气的温度及湿度，提高室内的舒适度等优点，使暖通机电设备成为中大型工业建筑或办公建筑中重要的一环；

经检索，中国专利号CN109443812A公开了基于图像数据的暖通空调设备故障诊断方法及系统，该发明虽然克服了设备运行参数难以获取的现状，独立于现有自控系统，无需对现有监控平台进行更新改造，可直接应用于实际暖通空调系统监控平台，但是故障检测效率地下，无法对未知的运行信息进行判断，使用局限性大；此外，现有的暖通机电设备的智能在线故障诊断系统无法对老旧数据进行回收，容易导致数据传输异常，降低数据传输稳定性，为此，我们提出一种暖通机电设备的智能在线故障诊断系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种暖通机电设备的智能在线故障诊断系统。

为了实现上述目的，本发明采用了如下技术方案：

一种暖通机电设备的智能在线故障诊断系统，包括客户端、信息采集器、仿真模块、故障分析模块、维修反馈模块、压缩回收模块以及数据服务器；

其中，所述客户端用于接收各子模块的分析结果以供用户查看；

所述信息采集器用于采集暖通机电设备各组运行信息；

所述仿真模块用于从数据服务器中获取相关暖通机电设备的参数信息以构建设备仿真模型；

所述故障分析模块用于接收采集到的各组运行信息，并将其与仿真模型进行匹配分析；

所述维修反馈模块用于接收分析结果，并对相关维护人员进行选择反馈；

所述压缩回收模块用于对数据服务器内部空间进行压缩回收；

所述数据服务器用接收并存储各组暖通机电设备相关的数据文件。

作为本发明的进一步方案，所述客户端具体包括智能手机、平板电脑、笔记本电脑以及台式电脑。

作为本发明的进一步方案，所述仿真模块构建设备仿真模型具体步骤如下：

步骤一：仿真模块收集该暖通机电设备型号，之后依据该型号从数据服务器中进行检索，若存在型号一致的设备，则将该设备参数信息进行提取，再依据提取出的设备参数信息构建设备仿真模型；

步骤二：若数据服务器中不存在该型号的设备，仿真模型则接收客户端上传的设备信息以及外部摄像头采集的设备图片，之后通过傅里叶正反变换将采集到的设备图片进行图像空间与频率空间的相互变换；

步骤三：对频率空间中的设备图片中的高频成分进行滤波处理以过滤设备图片中的噪音，之后依据设备信息构建设备仿真模型，再通过处理完成的设备图片对生成的仿真设备进行优化处理。

作为本发明的进一步方案，步骤二中所述傅里叶正反变换具体计算公式如下：

其中，u，v均为频率变量，x，y为该设备图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。

作为本发明的进一步方案，所述故障分析模型匹配分析具体步骤如下：

步骤(1)：故障分析模型构建并训练一组检测神经网络，之后检测神经网络从数据服务器中提取相关专家知识、工程师经验以及知识以构建基本故障诊断树；

步骤(2)：之后将信息采集器采集到的运行信息导入检测神经网络中，并提取各组运行信息中的特征数据，之后通过特征降维剔除不重要的运行信息，再对各组特征数据进行归一化处理转换至规定检测区间内；

步骤(3)：将处理完成的各组数据输入检测神经网络中，检测神经网络将各组数据与基本故障诊断树比对，若存在一致的故障信息，则将其反馈至维修反馈模块以及客户端；

步骤(4)：若不存在一致的故障信息，则通过检测神经网络对各组数据进行输入、卷积、池化以及全连接处理，并输出暖通机电设备运行曲线图，同时检测其运行曲线图当前时间段与前一时间段的走势差值，若差值逐渐增大，则判断该暖通机电设存在故障，并将其发送至维修反馈模块。

作为本发明的进一步方案，步骤(1)所述检测神经网络具体训练步骤如下：

第一步：收集检测神经网络生产的各组检测数据，并从收集到的N组检测数据中选择一组作为验证数据，之后将剩余检测模型拟合成一组测试模型，并用验证数据来验证测试模型的精度，再通过均方根误差对该测试模型的检测能力进行计算以获取精度参数；

第二步：初始化精度范围，之后列出所有的数据结果，对于每一组数据，选取任一组子集作为测试集，将其余子集作为训练集，通过训练集对测试模型训练后，再通过测试模型对测试集进行预测，同时统计测试结果的均方根误差，之后更换另一子集作为测试集，重复上述操作，直至对每一组数据都进行预测，并选取均方根误差最小时对应的组合参数作为数据区间内最优的参数；

第三步：之后将选取的最优参数传输至检测神经网络中替换原有参数，同时生产样本数据对检测神经网络进行测试，若测试准确率满足期望值，则停止训练，反之继续上述步骤，最后，对满足期望值的网络入侵检测模型进行性能评估，即进行准确率、检出率和误报率评估。

作为本发明的进一步方案，所述维护反馈模块选择反馈具体步骤如下：

S1：维修反馈模块接收故障分析模块发送的故障信息，之后采集故障分析模块位置信息，并生产相对应的坐标点，同时接收GPS卫星传输的区域信息以生成地图模型；

S2：依据坐标信息将故障暖通机电设备在地图模型上进行标记，之后维修反馈模块采集该区域内相关维修人员信息，同时计算各维修人员与故障暖通机电设备的距离，并选取空闲状态且距离该暖通机电设备最近的一组维修人员，并提示该维修人员进行维修，同时将该暖通机电设备位置发送至该维修人员手机上。

作为本发明的进一步方案，所述压缩回收模块更新调整具体步骤如下：

P1：压缩回收模块依据系统默认或人工设置的循环时间值，定期对各存储数据进行统计更新，之后依据更新后的存储数据的数量进行回收率计算；

P2：回收率计算完成后，压缩回收模块依据回收率的比例从数据服务器中由老到新抽取各暖通机电设备上传的缓存数据，收集完成后，将收集到的各组数据合并为一个块，并对该块进行解析以获取该块的物理页，之后将物理页复制到缓冲区中，再调用压缩算法将缓冲区中的该物理页压缩到压缩块中，当压缩块数量到达一定阈值后，再将缓存的各组压缩块进行释放。

相比于现有技术，本发明的有益效果在于：

1、本发明通过故障分析模型构建并训练一组检测神经网络，再构建基本故障诊断树，之后将信息采集器采集到的运行信息导入检测神经网络中，并提取各组运行信息中的特征数据，之后通过特征降维剔除不重要的运行信息，再对各组特征数据进行归一化处理转换至规定检测区间内，将处理完成的各组数据输入检测神经网络中，检测神经网络将各组数据与基本故障诊断树比对，若不存在一致的故障信息，则通过检测神经网络对各组数据进行计算处理，并输出暖通机电设备运行曲线图，同时检测其运行曲线图当前时间段与前一时间段的走势差值，若差值逐渐增大，则判断该暖通机电设存在故障，并将其发送至维修反馈模块，通过构建检测神经网络以及故障诊断树，能够提高故障检测效率，同时能够针对未知的运行信息进行数据分析，使用局限性小，方便用户使用；

2、该系统通过压缩回收模块依据系统默认或人工设置的循环时间值，定期对各存储数据进行统计更新，之后依据更新后的存储数据的数量进行回收率计算，回收率计算完成后，压缩回收模块依据回收率的比例从数据服务器中由老到新抽取各暖通机电设备上传的缓存数据，收集完成后，将收集到的各组数据合并为一个块，并对该块进行解析以获取该块的物理页，之后将物理页复制到缓冲区中，再调用压缩算法将缓冲区中的该物理页压缩到压缩块中，当压缩块数量到达一定阈值后，再将缓存的各组压缩块进行释放，能够自行对数据服务器中的存储的老旧数据进行回收，避免因存储的数据过多导致数据传输出现异常，保证数据传输稳定性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种暖通机电设备的智能在线故障诊断系统的系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，一种暖通机电设备的智能在线故障诊断系统，包括客户端、信息采集器、仿真模块、故障分析模块、维修反馈模块、压缩回收模块以及数据服务器。

客户端用于接收各子模块的分析结果以供用户查看；信息采集器用于采集暖通机电设备各组运行信息。

需要进一步说明的是，客户端具体包括智能手机、平板电脑、笔记本电脑以及台式电脑。

仿真模块用于从数据服务器中获取相关暖通机电设备的参数信息以构建设备仿真模型。

具体的，仿真模块收集该暖通机电设备型号，之后依据该型号从数据服务器中进行检索，若存在型号一致的设备，则将该设备参数信息进行提取，再依据提取出的设备参数信息构建设备仿真模型，若数据服务器中不存在该型号的设备，仿真模型则接收客户端上传的设备信息以及外部摄像头采集的设备图片，之后通过傅里叶正反变换将采集到的设备图片进行图像空间与频率空间的相互变换，之后对频率空间中的设备图片中的高频成分进行滤波处理以过滤设备图片中的噪音，之后依据设备信息构建设备仿真模型，再通过处理完成的设备图片对生成的仿真设备进行优化处理。

需要进一步说明的是，傅里叶正反变换具体计算公式如下：

其中，u，v均为频率变量，x，y为该设备图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。

故障分析模块用于接收采集到的各组运行信息，并将其与仿真模型进行匹配分析。

故障分析模型构建并训练一组检测神经网络，之后检测神经网络从数据服务器中提取相关专家知识、工程师经验以及知识以构建基本故障诊断树，之后将信息采集器采集到的运行信息导入检测神经网络中，并提取各组运行信息中的特征数据，之后通过特征降维剔除不重要的运行信息，再对各组特征数据进行归一化处理转换至规定检测区间内，将处理完成的各组数据输入检测神经网络中，检测神经网络将各组数据与基本故障诊断树比对，若存在一致的故障信息，则将其反馈至维修反馈模块以及客户端，若不存在一致的故障信息，则通过检测神经网络对各组数据进行输入、卷积、池化以及全连接处理，并输出暖通机电设备运行曲线图，同时检测其运行曲线图当前时间段与前一时间段的走势差值，若差值逐渐增大，则判断该暖通机电设存在故障，并将其发送至维修反馈模块。

需要进一步说明的是，计算机收集检测神经网络生产的各组检测数据，并从收集到的N组检测数据中选择一组作为验证数据，之后将剩余检测模型拟合成一组测试模型，并用验证数据来验证测试模型的精度，再通过均方根误差对该测试模型的检测能力进行计算以获取精度参数，初始化精度范围，之后列出所有的数据结果，对于每一组数据，选取任一组子集作为测试集，将其余子集作为训练集，通过训练集对测试模型训练后，再通过测试模型对测试集进行预测，同时统计测试结果的均方根误差，之后更换另一子集作为测试集，重复上述操作，直至对每一组数据都进行预测，并选取均方根误差最小时对应的组合参数作为数据区间内最优的参数，之后将选取的最优参数传输至检测神经网络中替换原有参数，同时生产样本数据对检测神经网络进行测试，若测试准确率满足期望值，则停止训练，反之继续上述步骤，最后，对满足期望值的网络入侵检测模型进行性能评估，即进行准确率、检出率和误报率评估。

实施例2

参照图1，一种暖通机电设备的智能在线故障诊断系统，包括客户端、信息采集器、仿真模块、故障分析模块、维修反馈模块、压缩回收模块以及数据服务器。

维修反馈模块用于接收分析结果，并对相关维护人员进行选择反馈。

具体的，维修反馈模块接收故障分析模块发送的故障信息，之后采集故障分析模块位置信息，并生产相对应的坐标点，同时接收GPS卫星传输的区域信息以生成地图模型，再依据坐标信息将故障暖通机电设备在地图模型上进行标记，之后维修反馈模块采集该区域内相关维修人员信息，同时计算各维修人员与故障暖通机电设备的距离，并选取空闲状态且距离该暖通机电设备最近的一组维修人员，并提示该维修人员进行维修，同时将该暖通机电设备位置发送至该维修人员手机上。

压缩回收模块用于对数据服务器内部空间进行压缩回收。

具体的，压缩回收模块依据系统默认或人工设置的循环时间值，定期对各存储数据进行统计更新，之后依据更新后的存储数据的数量进行回收率计算，回收率计算完成后，压缩回收模块依据回收率的比例从数据服务器中由老到新抽取各暖通机电设备上传的缓存数据，收集完成后，将收集到的各组数据合并为一个块，并对该块进行解析以获取该块的物理页，之后将物理页复制到缓冲区中，再调用压缩算法将缓冲区中的该物理页压缩到压缩块中，当压缩块数量到达一定阈值后，再将缓存的各组压缩块进行释放。

数据服务器用接收并存储各组暖通机电设备相关的数据文件。

Claims (8)

1.一种暖通机电设备的智能在线故障诊断系统，其特征在于，包括客户端、信息采集器、仿真模块、故障分析模块、维修反馈模块、压缩回收模块以及数据服务器；

其中，所述客户端用于接收各子模块的分析结果以供用户查看；

所述信息采集器用于采集暖通机电设备各组运行信息；

所述仿真模块用于从数据服务器中获取相关暖通机电设备的参数信息以构建设备仿真模型；

所述故障分析模块用于接收采集到的各组运行信息，并将其与仿真模型进行匹配分析；

所述维修反馈模块用于接收分析结果，并对相关维护人员进行选择反馈；

所述压缩回收模块用于对数据服务器内部空间进行压缩回收；

所述数据服务器用接收并存储各组暖通机电设备相关的数据文件。

2.根据权利要求1所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，所述客户端具体包括智能手机、平板电脑、笔记本电脑以及台式电脑。

3.根据权利要求1所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，所述仿真模块构建设备仿真模型具体步骤如下：

步骤一：仿真模块收集该暖通机电设备型号，之后依据该型号从数据服务器中进行检索，若存在型号一致的设备，则将该设备参数信息进行提取，再依据提取出的设备参数信息构建设备仿真模型；

步骤二：若数据服务器中不存在该型号的设备，仿真模型则接收客户端上传的设备信息以及外部摄像头采集的设备图片，之后通过傅里叶正反变换将采集到的设备图片进行图像空间与频率空间的相互变换；

步骤三：对频率空间中的设备图片中的高频成分进行滤波处理以过滤设备图片中的噪音，之后依据设备信息构建设备仿真模型，再通过处理完成的设备图片对生成的仿真设备进行优化处理。

4.根据权利要求3所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，步骤二中所述傅里叶正反变换具体计算公式如下：

其中，u，v均为频率变量，x，y为该设备图片各像素点坐标，公式(1)为傅里叶正变换，公式(2)为傅里叶反变换。

5.根据权利要求1所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，所述故障分析模型匹配分析具体步骤如下：

步骤(1)：故障分析模型构建并训练一组检测神经网络，之后检测神经网络从数据服务器中提取相关专家知识、工程师经验以及知识以构建基本故障诊断树；

步骤(2)：之后将信息采集器采集到的运行信息导入检测神经网络中，并提取各组运行信息中的特征数据，之后通过特征降维剔除不重要的运行信息，再对各组特征数据进行归一化处理转换至规定检测区间内；

步骤(3)：将处理完成的各组数据输入检测神经网络中，检测神经网络将各组数据与基本故障诊断树比对，若存在一致的故障信息，则将其反馈至维修反馈模块以及客户端；

步骤(4)：若不存在一致的故障信息，则通过检测神经网络对各组数据进行输入、卷积、池化以及全连接处理，并输出暖通机电设备运行曲线图，同时检测其运行曲线图当前时间段与前一时间段的走势差值，若差值逐渐增大，则判断该暖通机电设存在故障，并将其发送至维修反馈模块。

6.根据权利要求5所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，步骤(1)所述检测神经网络具体训练步骤如下：

第一步：收集检测神经网络生产的各组检测数据，并从收集到的N组检测数据中选择一组作为验证数据，之后将剩余检测模型拟合成一组测试模型，并用验证数据来验证测试模型的精度，再通过均方根误差对该测试模型的检测能力进行计算以获取精度参数；

第二步：初始化精度范围，之后列出所有的数据结果，对于每一组数据，选取任一组子集作为测试集，将其余子集作为训练集，通过训练集对测试模型训练后，再通过测试模型对测试集进行预测，同时统计测试结果的均方根误差，之后更换另一子集作为测试集，重复上述操作，直至对每一组数据都进行预测，并选取均方根误差最小时对应的组合参数作为数据区间内最优的参数；

第三步：之后将选取的最优参数传输至检测神经网络中替换原有参数，同时生产样本数据对检测神经网络进行测试，若测试准确率满足期望值，则停止训练，反之继续上述步骤，最后，对满足期望值的网络入侵检测模型进行性能评估，即进行准确率、检出率和误报率评估。

7.根据权利要求1所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，所述维护反馈模块选择反馈具体步骤如下：

S1：维修反馈模块接收故障分析模块发送的故障信息，之后采集故障分析模块位置信息，并生产相对应的坐标点，同时接收GPS卫星传输的区域信息以生成地图模型；

S2：依据坐标信息将故障暖通机电设备在地图模型上进行标记，之后维修反馈模块采集该区域内相关维修人员信息，同时计算各维修人员与故障暖通机电设备的距离，并选取空闲状态且距离该暖通机电设备最近的一组维修人员，并提示该维修人员进行维修，同时将该暖通机电设备位置发送至该维修人员手机上。

8.根据权利要求1所述的一种暖通机电设备的智能在线故障诊断系统，其特征在于，所述压缩回收模块更新调整具体步骤如下：

P1：压缩回收模块依据系统默认或人工设置的循环时间值，定期对各存储数据进行统计更新，之后依据更新后的存储数据的数量进行回收率计算；

P2：回收率计算完成后，压缩回收模块依据回收率的比例从数据服务器中由老到新抽取各暖通机电设备上传的缓存数据，收集完成后，将收集到的各组数据合并为一个块，并对该块进行解析以获取该块的物理页，之后将物理页复制到缓冲区中，再调用压缩算法将缓冲区中的该物理页压缩到压缩块中，当压缩块数量到达一定阈值后，再将缓存的各组压缩块进行释放。

Images