基于人工智能算法的暖通风机故障检测方法及系统

技术领域

本发明涉及故障检测技术领域，具体地，涉及一种基于人工智能算法的暖通风机故障检测方法及系统。

背景技术

本专利研究对象为某大型商业建筑暖通制冷供热系统，由于系统规模较大，内部结构复杂，且内部各子系统之间的运行是具有连续性和相关性，单纯的凭借专家经验难以对其故障进行准确的判断，故考虑采用人工智能算法对其进行故障诊断。

传统方法由专家根据机器故障表现的具体症状对其进行判断，并在系统内部各区域逐个检查，在早期简单或是较小的系统中进行该方法是可行的，但对于目前系统的大型化和复杂化趋势，该方法的效率显得较为低下。

专利文献CN108896492B公开了一种用于重金属含量预测的PSO-BP神经网络模型的训练方法、存储介质及终端设备，其中，所述训练方法包括：对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属含量数据；对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱反射率曲线；根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波段；构建PSO-BP神经网络模型；采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，直至所述PSO-BP神经网络模型收敛。该专利在结构和技术效果上仍然有待提高的空间。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于人工智能算法的暖通风机故障检测方法及系统。

根据本发明提供的一种基于人工智能算法的暖通风机故障检测方法，包括：步骤S1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；步骤S2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；步骤S3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；步骤S4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；步骤S5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；步骤S6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。

优选地，所述步骤S2包括：

步骤S2.1：初始化最终的惯性权重；

步骤S2.2：初始化粒子初始值和速度。

优选地，所述步骤S2还包括：

步骤S2.3：初始化学习因子。

优选地，所述步骤S2还包括：

步骤S2.4：初始化PSO网络训练的最大迭代数。

优选地，所述步骤S3包括：

步骤S3.1：采用计算适应度函数如下：

式中，p：输入层节点数；k：输出层节点数；Y

根据本发明提供的一种基于人工智能算法的暖通风机故障检测系统，包括：模块M1：初始化BP模型结构，设定网络各层的神经元节点数，获取网络各层的神经元节点数设定结果信息；模块M2：根据网络各层的神经元节点数设定结果信息，初始化粒子群，获取粒子群初始化结果信息；模块M3：根据粒子群初始化结果信息，计算粒子适应度值，获取粒子适应度值计算结果信息；模块M4：根据粒子适应度值计算结果信息，比较粒子的适应度值和全局极值，获取粒子的适应度值和全局极值比较结果信息；模块M5：根据粒子的适应度值和全局极值比较结果信息，更新粒子位置和速度矢量值，获取粒子位置更新结果信息、速度矢量值更新结果信息；模块M6：根据粒子位置更新结果信息、速度矢量值更新结果信息，输出最优网络，获取基于人工智能算法的暖通风机故障检测结果信息。

优选地，所述模块M2包括：

模块M2.1：初始化最终的惯性权重；

模块M2.2：初始化粒子初始值和速度。

优选地，所述模块M2还包括：

模块M2.3：初始化学习因子。

优选地，所述模块M2还包括：

模块M2.4：初始化PSO网络训练的最大迭代数。

优选地，所述模块M3包括：

模块M3.1：采用计算适应度函数如下：

式中，p：输入层节点数；k：输出层节点数；Y

与现有技术相比，本发明具有如下的有益效果：

1、本发明基于人工智能算法对暖通空调进行故障诊断，采样点位于暖通系统各关键部位的传感器提供返馈数据，研究数据由业主方智能控制中心提供；

2、本发明采用人工智能算法基于采样点反馈数据，以纯数学的方法进行分析，忽略数据的物理量纲，寻找数据间的内在规律。以有监督学习的方法，诊断出设备故障原因；

3、本发明流程构造合理，使用方便，能够克服现有技术的缺陷。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例中的流程示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，一种基于人工智能算法的暖通风机故障检测方法包括：

初始化BP模型结构，设定网络各层的神经元节点数；

初始化粒子群，分别初始化初始、最终的惯性权重，粒子初始值和速度，学习因子，PSO网络训练的最大迭代数；

计算粒子适应度值，计算适应度函数：

式中，p：输入层节点数；k：输出层节点数；Y

比较粒子的适应度值和全局极值；

更新粒子位置和速度矢量值；

算法终止输出最优网络。

具体地，在一个实施例中，利用算法进行故障检测：

本专利采用了“故障1”、“故障2”、“故障3”三种故障及“正常运行”共四种状态，生成矩阵，并采用模糊数学概念，对于判断结果的可能性越接近某种状态，则判断数据值越趋近于1，反之，越不可能则判断数据值越趋近于0。

故障输出矩阵

结论如下：

以上4组数据表示，第1组数据表示为该系统目前是“正常运行状态”，第2组数据表示为该系统目前是“故障1”，第3组数据表示为该系统目前是“故障2”，第4组数据表示为该系统目前是“故障3”。

在本申请的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。