基于人工智能的暖通设备异物故障检测方法

技术领域

本发明涉及空调设备检测技术领域，具体涉及基于人工智能的暖通设备异物故障检测方法。

背景技术

暖通设备包括多种，空调即为一种暖通设备，对于空调设备，其异物导致的故障通常为异物堵塞出风口，进而导致空调的排气量出现异常，同时会引起空调温度、适度及压力等多个维度的数据的异常，因此通过分析排气量与各维度在时序数据上的相关关系，进行排气量的异常检测，进而实现空调设备的异物故障检测。

空调设备时序的各维度数据中存在噪声数据，而EMD分解及重构可以对噪声数据进行去除，从而保证空调设备的异物故障检测结果的准确性；然而单一维度的时序数据存在波动性及突变性，而异常数据的产生是持续性的，噪声数据则会随机产生，因此在EMD分解过程中使用三次样条曲线拟合时，会影响上下包络线的拟合结果，进而导致包络线无法准确地拟合时序数据的局部波动变化，产生拟合和过拟合的现象，进而导致各维度时序数据的去噪结果不准确，降低空调设备异物故障检测结果的准确性。

发明内容

本发明提供基于人工智能的暖通设备异物故障检测方法，以解决现有的暖通设备多维度数据异常检测受噪声数据干扰的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于人工智能的暖通设备异物故障检测方法，该方法包括以下步骤：

采集空调设备的排气量数据、温度数据、湿度数据及压力数据，根据每个监测时段的排气量数据得到若干排气量序列；

对每个排气量序列获取若干极值点及插值段；根据排气量序列及其他维度数据中极值点的斜率及分布，以及插值段，得到每个排气量序列的若干横向窗口；

根据横向窗口内数据点的排气量数据及斜率，获取每个横向窗口的突变程度及排气量变化特征；根据排气量变化特征及极值点的斜率，得到每个横向窗口的边界条件及插值函数构成的三次样条曲线；

根据三次样条曲线通过EMD分解及重构，得到每个排气量序列的去噪排气量数据并获取相同监测时段的去噪温度数据、去噪湿度数据及去噪压力数据，根据去噪排气量数据与其他维度的去噪数据的相关性进行设备的异物故障检测。

进一步的，所述对每个排气量序列获取若干极值点及插值段，包括的具体方法为：

对于任意一个排气量序列，获取该排气量序列的数据曲线；获取数据曲线的若干极值点，将相邻极值点之间的曲线，作为一个插值段，对该排气量序列得到若干插值段。

进一步的，所述得到每个排气量序列的若干横向窗口，包括的具体方法为：

根据排气量序列及其他维度数据中极值点的斜率及分布，得到每个排气量序列的若干保留极值点及噪声极值点；对于任意一个排气量序列，获取每个插值段的长度，将所有长度中的最大值的2倍，记为该排气量序列的窗口最小宽度；

从该排气量序列的第一个数据点开始，以窗口最小宽度框选数据点，若框选到的最后一个数据点为保留极值点，将框选的所有数据点构成一个横向窗口；若框选到的最后一个数据点不是保留极值点，继续向后框选直到框选到一个保留极值点，将框选的所有数据点作为一个横向窗口；

得到第一个横向窗口后，从该横向窗口的下一个数据点开始，不断获取横向窗口，直到将该排气量序列中所有数据点都划分到对应的横向窗口内，得到该排气量序列的若干横向窗口。

进一步的，所述得到每个排气量序列的若干保留极值点及噪声极值点，包括的具体方法为：

对于任意一个排气量序列，获取每个极值点的斜率；获取该排气量序列对应的监测时段，获取该监测时段的温度序列、湿度序列及压力序列，以及每个序列中的极值点及每个极值点的斜率；

对于该监测时段的温度序列，获取该温度序列与该排气量序列的余弦相似度，若余弦相似度大于等于0，分别获取排气量序列的极值点曲线，以及温度序列的极值点曲线；若余弦相似度小于0，获取排气量序列的极值点曲线，获取温度序列中每个极值点关于横轴对称的坐标点，连接相邻坐标点，得到的曲线记为该温度序列的极值点曲线；

对两个极值点曲线进行DTW匹配，得到排气量序列中每个极值点在温度序列中匹配的极值点，记为排气量序列中每个极值点的温度匹配极值点；

对于排气量序列中任意一个极值点，获取该极值点的斜率与其温度匹配极值点的斜率的乘积，记为该极值点的温度相关性；获取该极值点在排气量序列中相邻前一个极值点的温度相关性，以及相邻后一个极值点的温度相关性，分别记为该极值点的左温度相关性及右温度相关性；

若温度相关性的符号与左温度相关性的符号及右温度相关性的符号均相同，该极值点与温度维度上不存在噪声；若温度相关性的符号与左温度相关性的符号或右温度相关性的符号存在一个不同，将该极值点记为噪声极值点；

对该极值点分别在湿度维度及压力维度上进行噪声判断，若三个维度上均不存在噪声，将该极值点记为保留极值点；若任意一个维度判断为噪声极值点，将该极值点记为噪声极值点；对该排气量序列的所有极值点进行噪声判断，得到若干保留极值点及噪声极值点。

进一步的，所述每个横向窗口的突变程度及排气量变化特征，具体的获取方法为：

对于任意一个排气量序列中第

其中，

根据排气量序列中横向窗口的突变程度，得到每个横向窗口的排气量变化特征。

进一步的，所述得到每个横向窗口的排气量变化特征，包括的具体方法为：

对于任意一个排气量序列，获取该排气量序列中每个横向窗口的突变程度，对所有突变程度进行线性归一化，得到的结果记为每个横向窗口的突变因子，设置两个排气量变化特征，分别为数据平稳的横向窗口，以及数据突变的横向窗口；将突变因子大于突变阈值的横向窗口标记为数据突变的横向窗口，记为突变窗口；将突变因子小于或等于突变阈值的横向窗口标记为数据平稳的横向窗口，记为平稳窗口；对该排气量序列中每个横向窗口得到排气量变化特征，得到若干平稳窗口及突变窗口。

进一步的，所述得到每个横向窗口的边界条件及插值函数构成的三次样条曲线，包括的具体方法为：

对于平稳窗口，将平稳窗口边界的两个数据点的一阶导数和二阶导数均设置为0，得到平稳窗口的边界条件；对于非平稳窗口，将非平稳窗口边界的两个数据点的二阶导数设置为0，一阶导数为斜率不作改变，得到突变窗口的边界条件；

根据横向窗口的边界条件，得到每个横向窗口的插值函数并构成每个排气量序列的三次样条曲线。

进一步的，所述得到每个横向窗口的插值函数并构成每个排气量序列的三次样条曲线，包括的具体方法为：

对于任意一个排气量序列，插值函数采用三次方程，每个横向窗口的插值函数需要满足在端点处的边界条件，通过三次样条拟合及不同横向窗口插值函数的连接，得到该排气量序列的三次样条曲线。

进一步的，所述得到每个排气量序列的去噪排气量数据并获取相同监测时段的去噪温度数据、去噪湿度数据及去噪压力数据，包括的具体方法为：

对于最新一个监测时段的排气量序列，对该排气量序列的数据曲线根据已经获取的三次样条曲线进行EMD分解，得到若干IMF分量，对IMF分量进行重构，重构后的时序数据记为去噪排气量数据；获取该监测时段的温度序列、湿度序列及压力序列，获取去噪温度数据、去噪湿度数据及去噪压力数据。

进一步的，所述根据去噪排气量数据与其他维度的去噪数据的相关性进行设备的异物故障检测，包括的具体方法为：

获取每个监测时段的排气量序列及去噪排气量数据，以及每个温度序列及去噪温度数据，对相同时段的去噪排气量数据及去噪温度数据计算spearman相关系数，记为每个监测时段的排气量数据与温度数据的相关程度；

对除最新一个监测时段之外其他所有的相关程度计算均值，若均值小于0，将除最新一个监测时段之外其他所有的相关程度中的最大值作为温度相关阈值；若均值大于或等于0，将除最新一个监测时段之外其他所有的相关程度中的最小值作为温度相关阈值；

获取每个监测时段的湿度序列及去噪湿度数据，以及每个压力序列及去噪压力数据，并得到湿度相关阈值、压力相关阈值，以及最新一个监测时段的排气量数据分别与湿度数据的相关程度及压力数据的相关程度；

对于温度、湿度及压力任意一个维度，若该维度的相关阈值由最小值获取，而最新一个监测时段的排气量数据与该维度数据的相关程度大于该维度的相关阈值，最新一个监测时段的排气量数据发生异常，空调设备中存在异物故障；若该维度的相关阈值由最大值获取，而最新一个监测时段的排气量数据与该维度数据的相关程度小于该维度的相关阈值，最新一个监测时段的排气量数据发生异常，空调设备中存在异物故障；

对最新一个时段的排气量数据与每个维度的数据的相关程度进行异常判断，存在一个维度的判断中发生异常，空调设备出现异物故障。

本发明的有益效果是：本发明通过空调的排气量数据与其他维度数据在时序上的数据相关关系，进行空调排气口中的异物故障检测，而在相关关系分析过程中，对每个维度的时序数据通过EMD分解重构来进行去噪，保证分析过程中不会由于噪声数据的存在而影响不同维度相关关系的量化，进而提高异物故障检测的准确性；而在EMD分解过程中，通过对边界条件的修正，使得插值函数构成的三次样条曲线不会出现过拟合与欠拟合，保证数据点之间平滑连接，同时对噪声极值点进行突出，进而提高各维度时序数据的去噪结果的准确性，保证相关关系量化的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于人工智能的暖通设备异物故障检测方法流程示意图。

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。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。

请参阅图1，其示出了本发明一个实施例所提供的基于人工智能的暖通设备异物故障检测方法流程图，该方法包括以下步骤：

步骤S001、采集空调设备的排气量数据、温度数据、湿度数据及压力数据，根据每个监测时段的排气量数据得到若干排气量序列。

本实施例的目的是通过空调设备的排气量数据及其他维度数据进行空调设备的异物故障检测，因此首先需要获取排气量数据及各个维度的数据；本实施例以空调开始工作后每30分钟为一个监测时段，若空调停止运行或截止到当前时刻最后一个监测时段不足30分钟，则以实际得到的时段来作为监测时段，无需进行补全；本实施例通过多种传感器获取各个维度的数据，每种传感器的采样频率一致，均设置为每30秒采集一次数据，通过温度传感器及湿度传感器获取空调工作的室内的温度数据及湿度数据、通过压力传感器获取空调设备的压力数据，通过流量传感器获取空调排气口中每30秒的排气量数据。

进一步的，对每个监测时段的排气量数据按获取顺序排列，则可以得到每个监测时段的排气量序列，则得到若干排气量序列，包括截止到当前时刻对应的最新一个监测时段的排气量序列。

至此，获取到了空调设备的排气量数据、温度数据、湿度数据及压力数据，以及若干排气量序列。

步骤S002、对每个排气量序列获取若干极值点及插值段；根据排气量序列及其他维度数据中极值点的斜率及分布，以及插值段，得到每个排气量序列的若干横向窗口。

需要说明的是，空调设备因为异物影响产生的数据存在异常，异常包括排气量数据的突变、瞬态等；而通过EMD分解重构来对排气量数据进行去噪的过程中，需要将原数据拟合成上下包络线进行后续的分析；而对于插值函数的获取使用三次样条曲线，其在排气量数据会发生异常的环境中因为三次样条曲线获取受插值函数原理的限制，会导致三次样条曲线出现过拟合或欠拟合现象；因此需要分析排气量序列中数据点的分布，通过量化插值段得到横向窗口，为后续横向窗口的排气量变化特征以及最终三次样条曲线的获取提供基础。

进一步需要说明的是，排气量序列中存在若干极值点，而极值点可能导致局部的数据异常，需要根据极值点首先获取插值段，再进行后续横向窗口的划分；而若直接从整体的排气量序列来量化插值函数，则会忽略局部的数据异常，进而导致三次样条曲线拟合的不准确。

具体的，对于任意一个排气量序列，获取该排气量序列的数据曲线，即排气量序列中每个排气量数据的次序值作为横坐标，数据值作为纵坐标得到数据曲线；获取数据曲线的若干极值点，将相邻极值点之间的曲线，作为一个插值段，则对该排气量序列得到若干插值段，极值点获取为公知技术，本实施例不再赘述；按照上述方法获取每个排气量序列的若干插值段。

进一步需要说明的是，获取到排气量序列的数据曲线中的极值点及插值段后，不同维度同一监测时段下的数据会呈现相关性，即若不存在噪声影响，不同维度的极值点数量应相同，且整体变化趋势相同，通过这种相关分布，根据数据点的斜率分布，排除排气量序列的数据曲线中，可能由噪声导致出现的极值点，进而根据剩余的极值点来构建横向窗口，通过横向窗口来获取后续的排气量变化特征并确定边界条件；而在横向窗口获取过程中，则通过插值段来确定横向窗口的最小宽度，再结合极值点分布来获取横向窗口。

具体的，对于任意一个排气量序列，获取每个极值点的斜率；获取该排气量序列对应的监测时段，按照上述方法获取该监测时段的温度序列、湿度序列及压力序列，以及每个序列中的极值点及每个极值点的斜率；以该监测时段的温度序列为例，获取该温度序列与该排气量序列的余弦相似度，若余弦相似度大于等于0，则表明该监测时段下温度序列与排气量序列呈正相关，则分别获取排气量序列的极值点曲线，以及温度序列的极值点曲线，即是提取数据曲线中的极值点，并连接相邻极值点；若余弦相似度小于0，则表明该监测时段下温度序列与排气量序列呈负相关，获取排气量序列的极值点曲线，获取温度序列中每个极值点关于横轴对称的坐标点，连接相邻坐标点，得到的曲线记为该温度序列的极值点曲线（通过取负相关的相反数，来使得极值点曲线的变化趋势一致，便于DTW匹配）。

进一步的，对两个极值点曲线进行DTW匹配，得到排气量序列中每个极值点在温度序列中匹配的极值点，记为排气量序列中每个极值点的温度匹配极值点；对于排气量序列中任意一个极值点，获取该极值点的斜率与其温度匹配极值点的斜率的乘积，记为该极值点的温度相关性；按照上述方法获取该极值点在排气量序列中相邻前一个极值点的温度相关性，以及相邻后一个极值点的温度相关性，分别记为该极值点的左温度相关性及右温度相关性；分析该极值点的温度相关性、左温度相关性及右温度相关性的符号（正负号），若温度相关性的符号与左温度相关性的符号及右温度相关性的符号均相同，则该极值点与温度维度上不存在噪声；若温度相关性的符号与左温度相关性的符号或右温度相关性的符号存在一个不同，则将该极值点记为噪声极值点；按照上述方法对该极值点分别在湿度维度及压力维度上进行噪声判断，若三个维度上均不存在噪声，将该极值点记为保留极值点；若任意一个维度判断为噪声极值点，将该极值点记为噪声极值点；按照上述方法对该排气量序列的所有极值点进行噪声判断，得到若干保留极值点及噪声极值点；需要说明的是，对于排气量序列中第一个极值点或最后一个极值点，其仅获取一个相邻极值点的温度相关性进行噪声判断。

进一步的，对于该排气量序列，获取每个插值段的长度，将所有长度中的最大值的2倍，记为该排气量序列的窗口最小宽度（插值段长度、窗口最小宽度的单位实际上均是数据点数量）；从该排气量序列的第一个数据点开始，以窗口最小宽度框选数据点，若框选到的最后一个数据点为保留极值点，则框选的所有数据点构成一个横向窗口；若框选到的最后一个数据点不是保留极值点，则继续向后框选直到框选到一个保留极值点，将框选的所有数据点作为一个横向窗口；得到第一个横向窗口后，从该横向窗口的下一个数据点，即框选停止的数据点（保留极值点）的下一个数据点开始，按照上述方法不断获取横向窗口，直到将该排气量序列中所有数据点都划分到对应的横向窗口内，则得到了该排气量序列的若干横向窗口；需要说明的是，若排气量序列剩余的数据点不足以构成一个横向窗口，则将这些数据点仅作为一个窗口，按照常规方法获取该窗口的边界条件并得到插值函数，对该窗口不进行后续的排气量变化特征分析。

进一步的，按照上述方法获取每个排气量序列的若干横向窗口。

至此，通过排气量序列中的极值点及插值段，得到若干横向窗口，用于分析排气量变化特征并得到边界条件。

步骤S003、根据横向窗口内数据点的排气量数据及斜率，获取每个横向窗口的突变程度及排气量变化特征；根据排气量变化特征及极值点的斜率，得到每个横向窗口的边界条件及插值函数构成的三次样条曲线。

需要说明的是，获取到横向窗口后，则需要根据横向窗口内数据点的分布及斜率，同时根据相邻横向窗口内数据点的排气量数据，对每个横向窗口的突变程度进行量化，再通过突变程度来量化排气量变化特征，即横向窗口是平稳窗口还是突变窗口；之后根据排气量变化特征，进行横向窗口自适应的边界条件获取，生成排气量序列的三次样条曲线。

具体的，对于任意一个排气量序列中第

其中，

进一步的，按照上述方法获取该排气量序列中每个横向窗口的突变程度，对所有突变程度进行线性归一化，得到的结果记为每个横向窗口的突变因子，预设一个突变阈值，本实施例突变阈值采用0.7进行叙述，设置两个排气量变化特征，分别为数据平稳的横向窗口，以及数据突变的横向窗口；将突变因子大于突变阈值的横向窗口标记为数据突变的横向窗口，记为突变窗口；将突变因子小于或等于突变阈值的横向窗口标记为数据平稳的横向窗口，记为平稳窗口；对该排气量序列中每个横向窗口得到排气量变化特征，得到若干平稳窗口及突变窗口。

进一步的，对于平稳窗口，将平稳窗口边界的两个数据点的一阶导数和二阶导数均设置为0，使得平稳窗口的曲线在插值段的首尾两个端点处均没有斜率及曲率变化，则得到了平稳窗口的边界条件；对于非平稳窗口，将非平稳窗口边界的两个数据点的二阶导数设置为0，而一阶导数即为斜率，不作改变，保证横向窗口的端点能够平滑连接，不会发生弯曲变化，避免过拟合与欠拟合，则得到了突变窗口的边界条件。

进一步的，插值函数本实施例采用三次方程，每个横向窗口的插值函数需要满足在端点处的边界条件，通过三次样条拟合及不同横向窗口插值函数的连接，得到该排气量序列的三次样条曲线；按照上述方法获取每个排气量序列的三次样条曲线。

至此，通过对排气量序列中每个横向窗口进行突变程度分析，得到排气量变化特征，根据排气量变化特征确定每个横向窗口的边界条件并得到插值函数，使得插值函数构成的三次样条曲线能够避免过拟合和欠拟合，使得排气量序列在极值点的变化更加平滑，突出噪声极值点，进而提升后续分解重构的去噪效果。

步骤S004、根据三次样条曲线通过EMD分解及重构，得到每个排气量序列的去噪排气量数据并获取相同监测时段的去噪温度数据、去噪湿度数据及去噪压力数据，根据去噪排气量数据与其他维度的去噪数据的相关性进行设备的异物故障检测。

获取到排气量序列的三次样条曲线后，对于最新一个排气量序列，即最新一个监测时段的排气量序列，对该排气量序列的数据曲线根据已经获取的三次样条曲线进行EMD分解，得到若干IMF分量，对IMF分量进行重构，则可以对该排气量序列通过三次样条曲线的获取进行自适应去噪，重构后的时序数据记为去噪排气量数据；获取该监测时段的温度序列、湿度序列及压力序列，并按照上述方法获取去噪温度数据、去噪湿度数据及去噪压力数据，其中去噪排气量数据、去噪温度数据、去噪湿度数据及去噪压力数据均为时序数据序列。

进一步的，按照上述方法获取每个监测时段的排气量序列及去噪排气量数据，以及每个温度序列及去噪温度数据，对相同时段的去噪排气量数据及去噪温度数据计算spearman相关系数，记为每个监测时段的排气量数据与温度数据的相关程度；对除最新一个监测时段之外其他所有的相关程度计算均值，若均值小于0，则将除最新一个监测时段之外其他所有的相关程度中的最大值作为温度相关阈值；若均值大于或等于0，则将除最新一个监测时段之外其他所有的相关程度中的最小值作为温度相关阈值；按照上述方法获取每个监测时段的湿度序列及去噪湿度数据，以及每个压力序列及去噪压力数据，并得到湿度相关阈值、压力相关阈值，以及最新一个监测时段的排气量数据分别与湿度数据的相关程度及压力数据的相关程度；对于温度、湿度及压力任意一个维度，若该维度的相关阈值由最小值获取，而最新一个监测时段的排气量数据与该维度数据的相关程度大于该维度的相关阈值，则表明最新一个监测时段的排气量数据发生异常，空调设备中存在异物故障；若该维度的相关阈值由最大值获取，而最新一个监测时段的排气量数据与该维度数据的相关程度小于该维度的相关阈值，则表明最新一个监测时段的排气量数据发生异常，空调设备中存在异物故障；按照上述方法对最新一个时段的排气量数据与每个维度的数据的相关程度进行异常判断，存在一个维度的判断中发生异常，则表明空调设备出现异物故障，排气口可能存在异物堵塞，需要及时进行空调设备的修理。

至此，完成了暖通设备中空调设备的异物故障检测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。