CN119538134A 一种冷水机组故障检测和分类方法、系统、装置及介质 (山东浪潮智慧建筑科技有限公司)_第1页
CN119538134A 一种冷水机组故障检测和分类方法、系统、装置及介质 (山东浪潮智慧建筑科技有限公司)_第2页
CN119538134A 一种冷水机组故障检测和分类方法、系统、装置及介质 (山东浪潮智慧建筑科技有限公司)_第3页
CN119538134A 一种冷水机组故障检测和分类方法、系统、装置及介质 (山东浪潮智慧建筑科技有限公司)_第4页
CN119538134A 一种冷水机组故障检测和分类方法、系统、装置及介质 (山东浪潮智慧建筑科技有限公司)_第5页
已阅读5页,还剩27页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种冷水机组故障检测和分类方法、系统、本发明提出的一种冷水机组故障检测和分时序数据库中收集冷水机组运行正常期间的时CosineLR调度器训练MoE模型;获取冷水机组实常的时间序列数据;使用K_means聚类算法对异2使用K_means聚类算法对异常的时间序列数据进行无监督分类,以确定冷水机组的故通过安装在制冷回路中的传感器采集冷水机组的运行数据,并记通过ModBus和MQTT协议将时间序列数据上传至物联网平台,通过物联在时序数据库中收集冷水机组运行正常期间的时间序列数据,4.根据权利要求3所述的冷水机组故障检测和分类方法,其将时间序列数据进行时间对齐,生成具有T个连续时间戳和K个度量的多变量时3其中,o代表点乘,F(*)表示专家生成的中间结果集合,g(*)表示门控结构,通过配置MoE模型的卷积层提取时间依赖性和使用Adam优化器和CosineLR调度器训7.根据权利要求6所述的冷水机组故障检测和分类方法,其特征在于,所述使用K_means聚类算法对异常的时间序列数据进行无监督分类,以确定冷水机组的故障类型,包将冷水机组故障设定为八类故障,所述八类故障包括冷冻水流量减M(i,j)=D(i,j)+min(M(i-1,),M(i.j-1),M(i-1j-1))Dpm(i,)表示异常si与异常之间的DTW距离;4应用K_means聚类算法对所述基于所述低维欧氏空间坐标进行无监督分类,根据K_8.一种冷水机组故障检测和分类系统,其特征在于,数据集样本构建模块,用于在时序数据库中收集冷水机组运模型训练模块,用于基于训练样本集,使用Adam优化器和CosineLR调度器训练MoE模在线异常检测模块,用于在时序数据库中获取冷水机组实时的时间序无监督故障分类模块,用于使用K_means聚类算法对异常的时间序列数据进行无监督处理器,用于执行所述冷水机组故障检测和分类程序时实现如权利要求5装置及介质,利用MoE模型实现冷水机组的无监督故障分类,能够避免标注数据不足的困使用K_means聚类算法对异常的时间序列数据进行无监督分类,以确定冷水机组6在时序数据库中收集冷水机组运行正常期间的时间序列数据,根据对应的设备,[0012]其中,o代表点乘,F(*)表示专家生成的中间结果集合,g(*)表示门控结构,使用Adam优化器和CosineLR调度器训7在时序数据库中获取冷水机组实时的时间序列数据,输入到MoE模型中生成预测构建局部距离矩阵D(i,j)=Isi-sjil,其中sik和sjl分别是时间序列数据和sj在第k和第l个时间点的值,M(i,j)=D(i,j)+min(M(i-1j),M(i,j-1),M(i-1j-1))其中Dbm(i.j)表示异常si与异常sj之间的DTW距离;应用K_means聚类算法对所述基于所述低维欧氏空间坐标进行无监督分类,根据8无监督故障分类模块,用于使用K_means聚类算法对异常的时间序列数据进行无9[0033]参见图1所示,本实施例提供了一种冷水机组故障检测和分类方法,包括如下步[0040]针对数据集样本的特性,本方法在构建训练样本集时采用了数据拼接汇聚的方优点在于数据拼接后样本量显著增大,使得MoE网络能够更充分地学习设备在不同时段的[0047]其中,o代表点乘,F(*)表示专家生成的中间结果集合,g(*)表示门控结构,标意味着更多可能会干扰有限容量结构的因素,特别是当指标之间存在冲突和合理漂移示元素级的乘法。这种基于指标的个性化门控可以更好地解决指标之间的冲突和漂移问[0061]其中,Ws和wpk(k=1,2,...,K)是可训练的矩阵,e>0.5是共享门控的权用两个密集层以及ReLU激活函数和一个dropout层来降低维度。所有塔的预测值都被添加数:一M(i,j)=D(i,j)+min(M(i-1,j),M(i,j-1),M(i-1j-1))[0082]最终,矩阵的右下角值M(n,m)表示时间序列si和s[0083]之后构建距离矩阵:计算所有异常之间的DTW距离,构建一个nxn的距离矩阵[0089]本发明提供了一种基于MoE的冷水机组异常检测和无监督故障分类的方法,通过[0091]数据集样本构建模块2,用于在时序数据库中收集冷水机组运行正常期间的时间[0093]模型训练模块4,用于基于训练样本集,使用Adam优化器和CosineLR调度器训练[0096]本实施例的冷水机组故障检测和分类系统的具体实施方式与上述冷水机组故障所述处理器执行所述存储器中保存的冷水机组故障检测和分类程序时实现如上文任一项例中,通讯单元具体可以包括但不限于基于无线通讯技术或有线通讯技术的远程通讯单[0104]本发明还公开了一种可读存储介质,这里所说的可读存储介质包括随机存

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论