(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210571075.X (22)申请日 2022.05.24 (71)申请人 日照安泰科技发展 有限公司 地址 276800 山东省日照市东港区秦楼街 道山东路与烟台路交汇处安泰国际广 场206室 申请人 山东建筑大学　山东交通学院 (72)发明人 厉明　李成栋　赵磊　何为凯　 杨涛　 (74)专利代理 机构 济南克雷姆专利代理事务所 (普通合伙) 37279 专利代理师 王志明 (51)Int.Cl. F24F 11/38(2018.01) F24F 11/54(2018.01)F24F 11/61(2018.01) F24F 11/64(2018.01) G06N 5/04(2006.01) G06V 10/28(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于图像和深度模糊的中央空调故障 诊断方法及系统 (57)摘要 本发明提出了一种基于图像和深度模糊的 中央空调故障诊断方法及系统， 该系统主要包含 四个模块： 数据处理模块， 数图转换模块， 残差深 度模糊模块， 故障诊断模块； 数据处理模块对数 据集进行特征提取和特征排序； 数图转换模块将 特征提取后的数据集转换为相应的二维灰度图 像， 并使用滑动窗口方法生成丰富的图像数据 集； 残差深度模糊模块通过使用二维灰度图像数 据集训练残差深度模糊模型用于故障诊断。 中央 空调的实时故障诊断模块可以通过多个传感器 采集数据， 并将其输入到故障诊断模 型中进行故 障存在与否的判断。 本发明采用核慢特征分析算 法、 数图转换算法和残差深度模糊模 型相结合的 策略构建中央空调的故障诊断模型， 可 以高效、 准确的进行故障诊断。 权利要求书3页 说明书7页 附图3页 CN 114941890 A 2022.08.26 CN 114941890 A 1.一种基于图像和深度模糊的中央空调故障诊断方法， 其特 征在于， 包括如下步骤： 步骤(1)： 数据处 理 对中央空调正常运行和各种故障运行的数据进行数据采集与 标注； 对采集的数据进行 预处理； 建立核慢特 征分析模型进行 数据的特 征提取和特 征排序， 得到核慢特 征数据集； 步骤(2)： 数图转换 将特征提取后的核慢特征数据集转换为相应的二维灰度图像， 并使用滑动窗口方法生 成丰富的图像数据集； 步骤(3)： 建立并训练残差深度模糊模型 建立残差深度模糊模型； 通过获取的二维灰度图像数据集， 训练残差深度模糊模型进 行故障诊断； 步骤(4)： 中央空调故障诊断 测量并采集中央空调运行时的数据， 得到新采集的数据， 对新采集的数据执行步骤一 和步骤二， 并将处理后的数据输入至建立好的残差深度模糊 模型中， 进行故障存在与否的 判断。 2.根据权利要求1所述的一种基于图像和深度模糊的中央空调故障诊断方法， 其特征在 于， 所述步骤(1)中， 数据采集与标注的具体方法为： 通过在中央空调多个位置安装传感器， 采 集正常运行和各种故障运行的数据； 数据采集均以一天为单位， 采样时间间隔为一分钟； 将采 集的原始数据集表示为 其包含N天的数据， 并且每天的数据有T个时刻样本和P个 特征变量。 因此， 某一 天的数据可以表示为 其中t ∈[1,2,...,T]表示时间范围， 为连续T个时间序列中第p个 特征变量对应的值； 数据采集完成之后， 将数据标注上对应的运行工况 标签。 3.根据权利要求1所述的一种基于图像和深度模糊的中央空调故障诊断方法， 其特征 在于， 所述 步骤(1)中， 数据预处 理的具体方法为： 使用Z‑score算法对原 始数据集X以每一天为单位进行 标准化处理， 具体如下： 其中， mean(xp(t))为xp(t)的均值， std(xp(t))为xp(t)的标准差； 将某一天标准 化后的数据定义 为 其中 由此， 对每一天的数据均进行标准化处理后可得到数据集 4.根据权利要求1所述的一种基于图像和深度模糊的中央空调故障诊断方法， 其特征 在于， 所述步骤(1)中， 特征提取的具体方法为： 利用标准化后的正常运行数据确定最优参 数， 建立核慢特征分析模型； 首先， 使用隐式非线性映射函数φ( ·)将数据 映射到高维 数 然后， 通过求解下述优化问题获得慢特 征：权　利　要　求　书 1/3 页 2 CN 114941890 A 2其中， 输出数据yj(t)是从输入数据中xφ(t)提取出的第j个慢特征， 是yj(t)对时间变 量t的一阶导数， <.>定义 为 K为采样间隔； 进而， 将特征提取后的数据表示为 基于训练完成的核慢 特征分析模型， 从所有故障数据集中提取出变化缓慢的特征， 得到N天核慢特征数据集， 记 为 5.根据权利要求1所述的一种基于图像和深度模糊的中央空调故障诊断方法， 其特征 在于， 所述 步骤(2)中， 数图转换的具体方法为： ①对特征提取后的核慢特征数据集Y中每一天的数据分别进行Min ‑Max归一化处理并 将输出结果乘以25 5， 其公式如下： 其中， min(yη(t))和max(yη(t))分别 是yη(t)( η＝1,2,...,R)向量的最小值和最大值， 并将获取的N天的数据集记为 ②将上述步骤得到的数据集Z转换为相应的二维灰度图像； 在图像 中， 根据特征变量的 缓慢变化程度来排列特征变量； 具体而言， 将变化最慢的特征变量转换为图像第一列中的 像素， 再将 变化第二慢的特征变量转换为图像第二列中的像素， 以此类推， 得到转换后的二 维灰度图像； 其中， 数据到图像的转换是通过将输入数据转换成无符号8整数类型， 随后使 用数据格式转换指令进行的； 数值越大， 则灰度越深； ③利用滑动窗口方法来扩充生成的图像数据集； 将滞后参数设为L， 则第 一个图像是由 第M行到(M+L ‑1)行的数据生 成的； 设滑动窗口的滑动距离为q， 则从(M+q)行数据开始截 取， 到(M+L+q‑1)行数据结束生 成第二幅图像， 以此类推； 若一 天内的数据共有R个特征变量和T 个样本， 重复上述操作， 可以得到(T ‑l)/q+1幅图像， 其大小均为 L×R。 6.根据权利要求1所述的一种基于图像和深度模糊的中央空调故障诊断方法， 其特征 在于， 所述步骤(3)中的残差深度模糊模 型包括输入层、 隐藏层、 以及输出层； 该模型是通过 以自下而上、 逐层的方式堆叠模糊推理模块 来实现的； 该模型的详细结构及原理如下： 1)由输入层初步获取输入的各故障类型图像信息， 通过等价映射的节点传递给隐藏 层； 2)在隐藏层中， 模糊推理模块逐层堆栈， 共有s层； 第1隐藏层中有s个模糊推理模块， 第 2隐藏层中有(s ‑1)个模糊推理模块， 以次类 推， 第s个隐藏层中只有一个模糊推理模块； 3)在隐藏层中， 前一层的所有模糊推理模块的输出变量yl和期望结果的残差通过加 权 后作为下一层模糊推理模块的输入量， 第l层的输出为：权　利　要　求　书 2/3 页 3 CN 114941890 A 3