【技术实现步骤摘要】
本专利技术涉及人工智能领域和工业设备预测性维护，具体地涉及一种空调机组的异常检测方法、系统、电子设备及存储介质。
技术介绍
1、近年来，特别在深度学习领域，得益于深度模型强大的非线性建模能力，许多研究提出了捕捉现实世界时间序列中复杂变化的方法。一类方法采用递归神经网络（rnn）基于马尔可夫假设对连续时间点进行建模。然而，这些方法通常无法有效捕捉长期依赖关系，并且由于序列计算范式，其效率较低。另一类方法利用沿时间维度的卷积神经网络（tcn）提取变化信息。但是，由于一维卷积核的局部性特征，这些方法只能建模相邻时间点之间的变化，因此在捕捉长期依赖关系方面仍然存在不足。最近，基于注意力机制的transformers建模在时间序列中得到了广泛应用，这类方法采用注意机制或其变体来捕捉时间点之间的成对时间依赖关系。然而，注意力机制很难直接从分散的时间点中识别出可靠的依赖关系，因为时间依赖关系可能深埋在复杂的时间模式中。
2、中央空调冷水机组作为供暖、通风和空调系统的一个核心组成部分，主要负责制冷量的有效输出，为整个系统的稳定运行提供基础条件。冷水机组主要由蒸发器、冷凝器、压缩机和节流装置构成，在它们的共同作用下，制冷剂能够不断地对指定空间进行冷却。然而，在实际应用中，由于冷水机组的结构非常复杂，且所处工作环境较恶劣，使其很容易发生各种类型的故障。冷水机组故障不仅会对供暖、通风和空调系统的功效产生不利影响，还会引起能源浪费和设备使用寿命缩短等问题。冷水机组故障主要分为硬故障和软故障，其中，硬故障往往对设备影响非常大，比如电机烧毁，可
3、通过对上述冷水机组故障问题的分析，可以看出每种故障都会造成比较严重的不利影响。从中还可以发现，在同一条件下，可能会发生不同类型的故障，而不同类型的故障也可能会造成相似的影响。同时，某一种故障所产生的不利影响有可能引起另外一种故障。总之，各种故障之间存在着非常密切的联系，而这会大大增加故障诊断模型构建的难度。
技术实现思路
1、本专利技术实施例的目的是提供一种空调机组的异常检测方法、系统、电子设备及存储介质，用于全部或至少部分的解决上述现有技术中存在的技术问题。
2、为了实现上述目的，本专利技术实施例提供一种空调机组的异常检测方法，包括：
3、采集空调机组的运行参数；
4、将所述运行参数输入至预先构建的异常检测模型中，输出空调机组的运行参数中的异常时间序列参数，其中，所述预先构建的异常检测模型是基于timesnet算法构建的；
5、将异常时间序列参数输入至故障分类器中，获得空调机组的故障分类结果，其中，所述故障分类器是基于模式匹配器和多分类器联合构建的。
6、可选的，空调机组的运行参数包括但不限于空调机组核心设备参数以及进出口位置获取的参数。
7、可选的，基于timesnet算法构建异常检测模型的过程包括：
8、构建数据集样本，其中，数据集样本为多段连续时间的正常运行的空调机组数据；
9、基于timesnet算法构建异常检测模型：
10、将空调机组数据转换成二维数据，并利用离散傅里叶变换获得不同频率和周期下的二维张量集合；
11、timesnet模型以残差方式堆叠了多个timesblock，针对每一个timesblock在二维空间中使用inception模块捕获二维张量集合中的各种时间变化，并根据归一化振幅值将各种时间变化进行融合，输出二维张量集合中的信息表示；
12、进行异常检测模型训练：
13、配置异常检测模型的参数，在异常检测模型开始训练阶段，选择数据集样本中作为训练集的样本进行异常检测模型的训练，选择数据集样本中作为验证集的样本进行异常检测模型的验证，获得异常检测模型。
14、可选的，将异常时间序列参数输入至故障分类器中，获得空调机组的故障分类结果，包括：
15、将异常时间序列参数输入至模式匹配器中进行特征提取，获得异常时间序列异常类型；
16、针对每一异常时间序列异常类型，采用多分类器确定每一异常时间序列异常类型对应的故障类型，其中，多分类器由随机森林算法、adaboost算法和xgboost算法堆叠而成。
17、可选的，将异常时间序列参数输入至模式匹配器中进行特征提取，获得异常时间序列异常类型，包括：
18、使用滑动窗口提取异常时间序列，并对异常时间序列进行正则化处理，获得正则化后的异常检测片段；
19、使用一维卷积提取异常检测片段中的特征，并使用全连接层进行特征分类，获得时间序列异常类型。
20、可选的，多分类器的构建过程包括基学习器的训练和预测、元学习器的训练和预测，其中，基学习器包括随机森林、adaboost和xgboost三类基学习器，元学习器采用决策树模型：
21、将训练数据集划分为训练集和验证集，并在训练集上训练每个基学习器，在验证集上进行预测；
22、使用训练好的随机森林、adaboost和xgboost三类基学习器对验证集进行预测，记录每个基学习器的预测结果，并将预测结果组合成一个新的二级特征集，其中，新的二级特征集的每一行对应于验证集中的一个样本，每一列对应于一个基学习器的预测结果；
23、将新的二级特征集作为输入，真实的分类目标标签作为输出，训练元学习器，获得由随机森林算法、adaboost算法和xgboost算法堆叠而成的多分类器。
24、可选的，空调机组的运行参数中的异常时间序列参数包括单一异常点、单一分类连续异常点、多分类连续异常点；其中，单一异常表征为该异常点的前后均检测为正常数据点；单一分类连续异常表征为该异常点的前或后均检测为异常数据点，且点前或后的异常点类型与当前异常点相同；多分类连续异常点表征为该异常点的前或后均检测为异常数据点，且点前或后的异常点类型与当前异常点不同。
25、另一方面，本专利技术还提供一种空调机组的异常检测系统，包括：
26、数据采集模块，用于采集空调机组的运行参数；
27、异常检测模块，用于将所述运行参数输入至预先构建的异常检测模型中，输出空调机组的运行参数中的异常时间序列参本文档来自技高网...
【技术保护点】
1.一种空调机组的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的空调机组的异常检测方法，其特征在于，空调机组的运行参数包括但不限于空调机组核心设备参数以及进出口位置获取的参数。
3.根据权利要求1所述的空调机组的异常检测方法，其特征在于，基于TimesNet算法构建异常检测模型的过程包括：
4.根据权利要求1所述的空调机组的异常检测方法，其特征在于，将异常时间序列参数输入至故障分类器中，获得空调机组的故障分类结果，包括：
5.根据权利要求4所述的空调机组的异常检测方法，其特征在于，将异常时间序列参数输入至模式匹配器中进行特征提取，获得异常时间序列异常类型，包括：
6.根据权利要求4所述的空调机组的异常检测方法，其特征在于，多分类器的构建过程包括基学习器的训练和预测、元学习器的训练和预测，其中，基学习器包括随机森林、AdaBoost和XGBoost三类基学习器，元学习器采用决策树模型：
7.根据权利要求1所述的空调机组的异常检测方法，其特征在于，空调机组的运行参数中的异常时间序列参数包括单一异常点、
8.一种空调机组的异常检测系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的空调机组的异常检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的空调机组的异常检测方法的步骤。
...【技术特征摘要】
1.一种空调机组的异常检测方法，其特征在于，包括：
2.根据权利要求1所述的空调机组的异常检测方法，其特征在于，空调机组的运行参数包括但不限于空调机组核心设备参数以及进出口位置获取的参数。
3.根据权利要求1所述的空调机组的异常检测方法，其特征在于，基于timesnet算法构建异常检测模型的过程包括：
4.根据权利要求1所述的空调机组的异常检测方法，其特征在于，将异常时间序列参数输入至故障分类器中，获得空调机组的故障分类结果，包括：
5.根据权利要求4所述的空调机组的异常检测方法，其特征在于，将异常时间序列参数输入至模式匹配器中进行特征提取，获得异常时间序列异常类型，包括：
6.根据权利要求4所述的空调机组的异常检测方法，其特征在于，多分类器的构建过程包括基学习器的训练和预测、元学习器的训练和预测，其中，基学习器包括随机森林、adaboost和xgboost三类基学习器，元学习器采用决策树模型...
【专利技术属性】
技术研发人员：徐昆，李启凯，王家驹，霍璇，李亮，
申请(专利权)人：山东浪潮智慧建筑科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。