基于联邦学习的统一化暖通空调系统故障检测方法与流程

技术特征：
1.一种基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，包括步骤：s1，各客户端获取各暖通空调系统的故障数据；s2，各所述客户端基于获取到的所述故障数据在本地训练由中央服务器发送的作为通用模型的cnn神经网络模型，并将训练后的通用模型参数发送给所述中央服务器；s3，所述中央服务器聚合各客户端发送的通用模型参数，生成全局故障检测模型参数并发送给各客户端；s4，各所述客户端根据接收到的所述全局模型参数继续利用本地的所述故障数据重复训练所述通用模型，直至全局故障检测模型收敛，模型训练结束。2.根据权利要求1所述基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，步骤s4后还包括步骤：s5，将完成训练的所述全局故障检测模型部署在各所述客户端，各所述客户端将获取到的暖通空调系统运行数据输入到所述全局故障检测模型中，模型预测输出暖通空调系统的故障类型。3.根据权利要求2所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，用于诊断所述暖通空调系统故障的所述暖通空调系统运行数据包括暖通空调系统的冷水机组特征数据，和/或空气处理机组特征数据。4.根据权利要求3所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，基于svc的嵌入式特征选择技术从冷水机组数据集中选择8个冷水机组特征数据作为用于诊断所述暖通空调系统故障的基础数据，8个所述冷水机组特征数据分别为：供油压力、冷凝器接近温度、蒸发器阀门位置、油管压力差、冷凝器水流速、蒸发器水流速、冷凝温度、热平衡公差。5.根据权利要求3所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，通过成本敏感的顺序特征选择算法从ahu数据集中选择8个空气处理机组特征数据作为用于诊断所述暖通空调系统故障的基础数据，8个所述空气处理机组特征数据分别为：供应风扇功率、供应空气流量、返回空气流量、供应空气温度、混合空气温度、室外空气温度、加热水盘管排出的空气温度、冷却盘管负荷。6.根据权利要求3-5任意一项所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，冷水机组的故障类型包括7种，分别为冷凝器结垢、过量油、制冷剂不凝结、冷凝器流量减少、蒸发器水流量减少、制冷剂泄露和制冷剂过量，每种故障类型划分为4个严重等级。7.根据权利要求6所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，每个所述客户端在本地使用冷水机组产生的不同严重等级的相同或不同的所述故障数据训练所述通用模型。8.根据权利要求6所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，每个所述客户端在本地使用冷水机组产生的相同严重等级的不同的所述故障数据训练所述通用模型。9.根据权利要求6所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，每个所述客户端在本地使用冷水机组产生的不同严重等级的相同或不同的所述故障数据，和/或空气处理机组产生的所述故障数据训练所述通用模型。
10.根据权利要求6所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，每个所述客户端在本地使用冷水机组产生的相同严重等级的不同的所述故障数据，和/或空气处理机组产生的所述故障数据训练所述通用模型。11.根据权利要求1所述的基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，所述通用模型的网络结构包括输入层、隐藏层和输出层，所述输入层用于将所述暖通空调系统的故障数据输入给所述隐藏层，所述隐藏层对所述故障数据作特征卷积提取后，将提取到的数据特征输出给所述输出层作数据分类；所述隐藏层中包括卷积层和全连接层，所述卷积层用于提取所述故障数据的数据特征，所述全连接层用于整合所述卷积层提取的数据特征并输出给所述输出层。12.根据权利要求1基于联邦学习的统一化暖通空调系统故障检测方法，其特征在于，步骤s3中，使用fedavg算法进行参数聚合，具体方法通过如下公式（4）表达：其中是所述中央服务器在第轮联邦学习中聚合后发送给各所述客户端的所述全局故障检测模型参数；是客户端发送给所述中央服务器的所述通用模型参数；参数是用于训练全局故障检测模型的数据点总数；是客户端用于训练的数据点总数。

技术总结
本发明公开了一种基于联邦学习的统一化暖通空调系统故障检测方法。提出了一种新颖的联邦学习结构。将卷积神经网络（CNN）与联邦学习相结合，卷积神经网络作为通用模型，利用卷积神经网络强大的特征提取能力，为模型的训练提供更好地条件。联邦学习保证数据的私密性的同时，利用多方数据进行共同建模，提高模型的泛化能力。利用联邦学习将不同严重等级的故障联合起来，提高了早期轻微故障等级的检测与诊断准确率。利用联邦学习进行跨领域故障检测与诊断，提高了冷水机组轻微故障的诊断效果。使用冷水机组数据和空气处理机组数据联合建模，两个建模数据选择的特征不同，建模得到的统一联合模型能够同时检测冷水机组故障和空气处理机组故障。理机组故障。理机组故障。


技术研发人员：黄晶 张伟 钟宜国 刘仁来 王晓娜 严珂
受保护的技术使用者：杭州经纬信息技术股份有限公司
技术研发日：2022.11.24
技术公布日：2023/3/10