一种基于机器学习的空调故障预警系统及方法

1.本发明属于人工智能技术领域，具体为一种基于机器学习的空调故障预警系统及方法。


背景技术：

2.空调的故障预警分析一直都无法提升准确率，尤其是中央空调，其用于供冷的多个管道会使风机的工作负荷大幅度提升，因此，中央空调整个系统都存在着无法预料的故障，现有技术中，除了加强人工排查和定期检修，一般会利用各种传感器来收集系统运行的数据，然后将数据进行综合分析，获取系统故障的数学分析模型，来进行对某个异常数据的检测，从而获取预警信息。
3.而上述方法存在明显缺陷：比如缺乏足够多的数据支持，使获取的数学分析模型准确率不高，且在中央空调系统运行的过程中，处理器无法同时做到分析和检测，造成预警信息无法及时得出；因此，本发明致力于设计一种基于机器学习的空调故障预警系统及方法。


技术实现要素：

4.本发明的目的在于提供一种基于机器学习的空调故障预警系统及方法，以解决上述背景技术中提出的问题。
5.为了实现上述目的，本发明提供如下技术方案：一种基于机器学习的空调故障预警系统，包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型；处理器模块包括cpu一号和cpu二号；对照模型包括历史数据和实时数据；报警模块包括供独立电模块和蜂鸣器。
6.优选地，处理器模块包含的cpu一号和cpu二号，cpu一号和cpu二号独立工作，采用独立电源供电。
7.优选地，数据收集模块内置固态硬盘和机械硬盘，负责存储备份数据，备份数据每个10天至半个月清理一次。
8.优选地，对照模型中的历史数据包括监测模块采集的所有数据，实时数据为经过处理器模块处理的传输数据，传输时间为
±
15mi n。
9.优选地，报警模块中的独立供电模块采用多通道供电且至少留有两条备用供电线路。
10.优选地，cpu一号和cpu二号均内置神经网络引擎，且两者的数据存储均为本地存储，完全与线上云端隔离。
11.优选地，cpu一号和cpu二号相互独立工作，cpu二号专门用于创建和训练机器学习模型，cpu一号负责联系报警模块与机器学习模块。
12.优选地，机器学习模型中的分析模型为经过数据组学习整合后的综合信息，其中
包含有空气流量信息、温度信息、湿度信息和供电信息。
13.一种基于机器学习的空调故障预警系统的使用方法，包括以下步骤：
14.步骤一：空气流量传感器放置在中央空调的通风管道，将温度传感器和湿度传感器放置在目标制冷室内，将电流传感器至于中央空调的供电组件中，将上述四个传感器收集的数据传递至数据收集模块并进行汇总；
15.步骤二：将收集的数据传递至机器学习模型，使cpu二号结合数据进行学习并生产分析模型，随着检测模块远远不断输送的数据最终形成结论模型；
16.步骤三：cpu二号将学习完毕的机器学习模型传递至cpu一号，使之相融合并不断加强故障预警准确度；
17.步骤四：数据组在进行分析学习后通过cpu二号传递至对照模型中并生成历史数据和实时数据；
18.步骤五：来自检监测模块的数据不断生产机器嘘唏模型中的数据组，对照模型的结果与机器学习模型的结果通过cpu一号进对比，一旦偏差值大于设定值，则判定出现故障；
19.步骤六：cpu一号控制报警模块启动，由独立供电模块进行供电，蜂鸣器启动并产生预警信号；
20.步骤七：cpu二号检测数据出现异常的时间线，从而得出空气流量、温度、湿度和供电四大系统的异常，从而辅助工作人员进行定点检查。
21.本发明的有益效果如下：
22.本发明通过设计一套完整的空调故障预警系统，可大幅度提高故障预警的准确率，通过设置有机器学习模型进行数据分析，通过监测模块实时收集各类传感器数据并进行高效整合，相比较传统的数据收集模式，具有时间快，条理清晰的优点，通过设置两个相互独立工作的cpu一号和cpu二号依次负责系统运行预警和机器学习模型的训练，提高系统运行效率，通过设置有对照模型与机器学习模型进行实时比对，从而利用源源不断的数据进行监测，从而大幅度提高预警结果的准确率。
附图说明
23.图1为本发明空调故障预警系统示意图。
具体实施方式
24.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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.如图1所示，本发明实施例提供了一种基于机器学习的空调故障预警系统，包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型；处理器模块包括cpu一号和cpu二号；对照模型包括历史数据和实时数据；报警模块包括供独立电模块和蜂鸣器；
26.其中，本故障预警系统的使用方法包括以下步骤：
27.步骤一：空气流量传感器放置在中央空调的通风管道，将温度传感器和湿度传感器放置在目标制冷室内，将电流传感器至于中央空调的供电组件中，将上述四个传感器收集的数据传递至数据收集模块并进行汇总；
28.步骤二：将收集的数据传递至机器学习模型，使cpu二号结合数据进行学习并生产分析模型，随着检测模块远远不断输送的数据最终形成结论模型；
29.步骤三：cpu二号将学习完毕的机器学习模型传递至cpu一号，使之相融合并不断加强故障预警准确度；
30.步骤四：数据组在进行分析学习后通过cpu二号传递至对照模型中并生成历史数据和实时数据；
31.步骤五：来自检监测模块的数据不断生产机器嘘唏模型中的数据组，对照模型的结果与机器学习模型的结果通过cpu一号进对比，一旦偏差值大于设定值，则判定出现故障；
32.步骤六：cpu一号控制报警模块启动，由独立供电模块进行供电，蜂鸣器启动并产生预警信号；
33.步骤七：cpu二号检测数据出现异常的时间线，从而得出空气流量、温度、湿度和供电四大系统的异常，从而辅助工作人员进行定点检查。
34.本发明通过设计一套完整的空调故障预警系统，可大幅度提高故障预警的准确率，通过设置有机器学习模型进行数据分析，通过监测模块实时收集各类传感器数据并进行高效整合，相比较传统的数据收集模式，具有时间快，条理清晰的优点，通过设置两个相互独立工作的cpu一号和cpu二号依次负责系统运行预警和机器学习模型的训练，提高系统运行效率，通过设置有对照模型与机器学习模型进行实时比对，从而利用源源不断的数据进行监测，从而大幅度提高预警结果的准确率。
35.其中，处理器模块包含的cpu一号和cpu二号，cpu一号和cpu二号独立工作，采用独立电源供电；
36.处理器模块创新性地使用两个cpu，一个用于维持系统正常运行，一个用于进行机器学习模型的分析和学习，然后两者在进行融会贯通，实现在短时间无法利用大批量数据的训练量，且cpu一号和cpu二号均采用独立电源供电，具有可靠性高的优点。
37.其中，数据收集模块内置固态硬盘和机械硬盘，负责存储备份数据，备份数据每个10天至半个月清理一次；
38.数据收集模块负责收集空气流量传感器、温度传感器、湿度传感器和电流传感器获取的四个传感器数据，并将这些数据进行自动分析和整体，通过编码的形式传输至机器学习模型中自动生产数据组，数据的收集是源源不断的，这样新旧交替便能够很快提高本系统最终的预警准确率。
39.其中，对照模型中的历史数据包括监测模块采集的所有数据，实时数据为经过处理器模块处理的传输数据，传输时间为
±
15mi n；
40.对照模型将机器学习模型学习使用过程的数据收集并逐渐叠加起来，以形成历史数据，通过庞大的数据量能够对新传输至机器学习模型中的数据进行及时高效比对，能够快速找出数据异常原因。
41.其中，报警模块中的独立供电模块采用多通道供电且至少留有两条备用供电线路；
42.报警模块负责发出预警信号，蜂鸣器通过独立供电模块进行供电，独立供电模块包括柴油发电机和连接主电源的断路器装置，其中任意一项出现问题时另一项自动开启并维持通电状态，提高了报警模块的可靠性。
43.其中，cpu一号和cpu二号均内置神经网络引擎，且两者的数据存储均为本地存储，完全与线上云端隔离；
44.神经网络引擎可以模拟机器学习，提高机器学习模型训练效率，用于训练收集来的大量数据会被处理器模块备份收藏至本地存储区域，不会上传至云端同步，不会造成数据泄露的危险。
45.其中，cpu一号和cpu二号相互独立工作，cpu二号专门用于创建和训练机器学习模型，cpu一号负责联系报警模块与机器学习模块；
46.cpu一号和cpu二号通过相互独立工作的模式提高了处理效率，使得训练机器学习模型和维持系统正常运作不会发生冲突。
47.其中，机器学习模型中的分析模型为经过数据组学习整合后的综合信息，其中包含有空气流量信息、温度信息、湿度信息和供电信息；
48.分析模型为机器学习模型中的中间模型，通过将收集汇总而成的数据组进行高效整合。
49.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
50.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。