一种基于机器学习的空调故障预警系统及方法技术方案

本发明专利技术属于人工智能技术领域，且公开了一种基于机器学习的空调故障预警系统，包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型。本发明专利技术通过监测模块实时收集各类传感器数据并进行高效整合，相比较传统的数据收集模式，具有时间快，条理清晰的优点，通过设置两个相互独立工作的CPU一号和CPU二号依次负责系统运行预警和机器学习模型的训练，提高系统运行效率，通过设置有对照模型与机器学习模型进行实时比对，从而利用源源不断的数据进行监测，从而大幅度提高预警结果的准确率。从而大幅度提高预警结果的准确率。从而大幅度提高预警结果的准确率。

【技术实现步骤摘要】
一种基于机器学习的空调故障预警系统及方法


[0001]本专利技术属于人工智能
，具体为一种基于机器学习的空调故障预警系统及方法。

技术介绍

[0002]空调的故障预警分析一直都无法提升准确率，尤其是中央空调，其用于供冷的多个管道会使风机的工作负荷大幅度提升，因此，中央空调整个系统都存在着无法预料的故障，现有技术中，除了加强人工排查和定期检修，一般会利用各种传感器来收集系统运行的数据，然后将数据进行综合分析，获取系统故障的数学分析模型，来进行对某个异常数据的检测，从而获取预警信息。
[0003]而上述方法存在明显缺陷：比如缺乏足够多的数据支持，使获取的数学分析模型准确率不高，且在中央空调系统运行的过程中，处理器无法同时做到分析和检测，造成预警信息无法及时得出；因此，本专利技术致力于设计一种基于机器学习的空调故障预警系统及方法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器学习的空调故障预警系统及方法，以解决上述
技术介绍
中提出的问题。
[0005]为了实现上述目的，本专利技术提供如下技术方案：一种基于机器学习的空调故障预警系统，包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型；处理器模块包括CPU一号和CPU二号；对照模型包括历史数据和实时数据；报警模块包括供独立电模块和蜂鸣器。
[0006]优选地，处理器模块包含的CPU一号和CPU二号，CPU一号和CPU二号独立工作，采用独立电源供电。
[0007]优选地，数据收集模块内置固态硬盘和机械硬盘，负责存储备份数据，备份数据每个10天至半个月清理一次。
[0008]优选地，对照模型中的历史数据包括监测模块采集的所有数据，实时数据为经过处理器模块处理的传输数据，传输时间为
±
15mi n。
[0009]优选地，报警模块中的独立供电模块采用多通道供电且至少留有两条备用供电线路。
[0010]优选地，CPU一号和CPU二号均内置神经网络引擎，且两者的数据存储均为本地存储，完全与线上云端隔离。
[0011]优选地，CPU一号和CPU二号相互独立工作，CPU二号专门用于创建和训练机器学习模型，CPU一号负责联系报警模块与机器学习模块。
[0012]优选地，机器学习模型中的分析模型为经过数据组学习整合后的综合信息，其中
包含有空气流量信息、温度信息、湿度信息和供电信息。
[0013]一种基于机器学习的空调故障预警系统的使用方法，包括以下步骤：
[0014]步骤一：空气流量传感器放置在中央空调的通风管道，将温度传感器和湿度传感器放置在目标制冷室内，将电流传感器至于中央空调的供电组件中，将上述四个传感器收集的数据传递至数据收集模块并进行汇总；
[0015]步骤二：将收集的数据传递至机器学习模型，使CPU二号结合数据进行学习并生产分析模型，随着检测模块远远不断输送的数据最终形成结论模型；
[0016]步骤三：CPU二号将学习完毕的机器学习模型传递至CPU一号，使之相融合并不断加强故障预警准确度；
[0017]步骤四：数据组在进行分析学习后通过CPU二号传递至对照模型中并生成历史数据和实时数据；
[0018]步骤五：来自检监测模块的数据不断生产机器嘘唏模型中的数据组，对照模型的结果与机器学习模型的结果通过CPU一号进对比，一旦偏差值大于设定值，则判定出现故障；
[0019]步骤六：CPU一号控制报警模块启动，由独立供电模块进行供电，蜂鸣器启动并产生预警信号；
[0020]步骤七：CPU二号检测数据出现异常的时间线，从而得出空气流量、温度、湿度和供电四大系统的异常，从而辅助工作人员进行定点检查。
[0021]本专利技术的有益效果如下：
[0022]本专利技术通过设计一套完整的空调故障预警系统，可大幅度提高故障预警的准确率，通过设置有机器学习模型进行数据分析，通过监测模块实时收集各类传感器数据并进行高效整合，相比较传统的数据收集模式，具有时间快，条理清晰的优点，通过设置两个相互独立工作的CPU一号和CPU二号依次负责系统运行预警和机器学习模型的训练，提高系统运行效率，通过设置有对照模型与机器学习模型进行实时比对，从而利用源源不断的数据进行监测，从而大幅度提高预警结果的准确率。
附图说明
[0023]图1为本专利技术空调故障预警系统示意图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0025]如图1所示，本专利技术实施例提供了一种基于机器学习的空调故障预警系统，包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型；处理器模块包括CPU一号和CPU二号；对照模型包括历史数据和实时数据；报警模块包括供独立电模块和蜂鸣器；
[0026]其中，本故障预警系统的使用方法包括以下步骤：
[0027]步骤一：空气流量传感器放置在中央空调的通风管道，将温度传感器和湿度传感器放置在目标制冷室内，将电流传感器至于中央空调的供电组件中，将上述四个传感器收集的数据传递至数据收集模块并进行汇总；
[0028]步骤二：将收集的数据传递至机器学习模型，使CPU二号结合数据进行学习并生产分析模型，随着检测模块远远不断输送的数据最终形成结论模型；
[0029]步骤三：CPU二号将学习完毕的机器学习模型传递至CPU一号，使之相融合并不断加强故障预警准确度；
[0030]步骤四：数据组在进行分析学习后通过CPU二号传递至对照模型中并生成历史数据和实时数据；
[0031]步骤五：来自检监测模块的数据不断生产机器嘘唏模型中的数据组，对照模型的结果与机器学习模型的结果通过CPU一号进对比，一旦偏差值大于设定值，则判定出现故障；
[0032]步骤六：CPU一号控制报警模块启动，由独立供电模块进行供电，蜂鸣器启动并产生预警信号；
[0033]步骤七：CPU二号检测数据出现异常的时间线，从而得出空气流量、温度、湿度和供电四大系统的异常，从而辅助工作人员进行定点检查。
[0034]本专利技术通过设计一套完整的空调故障预警系统，可大幅度提高故障预警的准确率，通过设置有机器学习模型进行数据分析，通过监测模块实时收集各类传感器数据并进行高效整合，相比较传统的数据收集模式，具有时间快，条理清晰的优点，通过设置两个相互独立工作的CPU一号和CPU二号依次负责系统运行预警和机器学习模型的训练，提高系统运行效率，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的空调故障预警系统，其特征在于：包括监测模块、机器学习模块、处理器模块、对照模型和报警模块；监测模块包括空气流量传感器、温度传感器、湿度传感器、电流传感器和数据收集模块；机器学习模型包括数据组、分析组和结论模型；处理器模块包括CPU一号和CPU二号；对照模型包括历史数据和实时数据；报警模块包括供独立电模块和蜂鸣器。2.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：处理器模块包含的CPU一号和CPU二号，CPU一号和CPU二号独立工作，采用独立电源供电。3.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：数据收集模块内置固态硬盘和机械硬盘，负责存储备份数据，备份数据每个10天至半个月清理一次。4.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：对照模型中的历史数据包括监测模块采集的所有数据，实时数据为经过处理器模块处理的传输数据，传输时间为
±
15min。5.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：报警模块中的独立供电模块采用多通道供电且至少留有两条备用供电线路。6.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：CPU一号和CPU二号均内置神经网络引擎，且两者的数据存储均为本地存储，完全与线上云端隔离。7.根据权利要求1所述的一种基于机器学习的空调故障预警系统，其特征在于：CPU一号和CPU二号相互独立工...

【专利技术属性】
技术研发人员：曾庆龙，李亚楠，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：