基于多模态数据融合的空调冷水机组故障诊断方法及系统

本发明涉及空调冷水机组，尤其涉及一种基于多模态数据融合的空调冷水机组故障诊断方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、传统的空调冷水机组故障诊断方式主要依赖于定期检查和简单的阈值监控，但由于设备种类繁多且故障模式复杂，这些方法往往难以提供及时且准确的故障诊断。比如定期检查难以覆盖所有可能的故障情况，检查间隔过长可能导致隐患积累；基于简单的阈值检测方法在处理多模态数据时，可能无法捕捉到其中微小的变化，导致诊断不够敏感。这种局限性可能导致设备故障的延误发现或误判，进而增加维护成本和设备停机时间。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种基于多模态数据融合的空调冷水机组故障诊断方法及系统，本发明提供了高效的故障检测能力，能够即时识别和响应设备问题，减少停机时间和维护成本。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种基于多模态数据融合的空调冷水机组故障诊断方法。

4、基于多模态数据融合的空调冷水机组故障诊断方法，包括：

5、获取空调冷水机组内部的内部数据、空调冷水机组外部的声音数据以及压缩机外部的振动数据；所述内部数据包括温度数据、压力数据、流量数据和电流数据；

6、对内部数据、声音数据和振动数据中的每个变量进行模糊化处理，得到内部特征、声音特征和振动特征；

7、将内部特征、声音特征和振动特征进行两两交叉融合，得到第一融合特征、第二融合特征和第三融合特征；分别计算第一融合特征和第二融合特征的第一相似度，以及计算第二融合特征和第三融合特征的第二相似度，将第一相似度作为第一融合特征的权重，将第二相似度作为第三融合特征的权重；将带有权重的第一融合特征、第三融合特征与第二融合特征进行融合，得到多模态融合特征；

8、基于多模态融合特征，采用故障诊断模型，得到空调冷水机组的故障诊断结果。

9、进一步地，将内部特征、声音特征和振动特征进行两两交叉融合，得到第一融合特征、第二融合特征和第三融合特征，方法包括：

10、基于内部特征和振动特征，采用多头注意力机制，对内部特征和振动特征进行线性映射，生成第一多维注意力权重；采用第一多维注意力权重获取模态间的交互特征，输出内部数据和振动数据的第一融合特征；

11、基于声音特征和振动特征，采用多头注意力机制，对声音特征和振动特征进行线性映射，生成第二多维注意力权重；采用第二多维注意力权重获取模态间的交互特征，输出声音数据和振动数据的第二融合特征；

12、基于内部特征和声音特征，采用多头注意力机制，对内部特征和声音特征进行线性映射，生成第三多维注意力权重；采用第三多维注意力权重获取模态间的交互特征，输出内部数据和声音数据的第三融合特征。

13、进一步地，对内部数据中的每个变量进行模糊化处理，得到内部特征，方法包括：为温度数据、压力数据、流量数据和电流数据分别定义模糊集和隶属函数，通过隶属函数分别将温度数据、压力数据、流量数据、电流数据关联到不同的模糊集；其中，一个隶属函数对应一个模糊数据集，低温隶属函数、中温隶属函数、高温隶属函数、低压隶属函数、中压隶属函数、高压隶属函数、低流量隶属函数、中流量隶属函数、高流量隶属函数、低电流隶属函数、中电流隶属函数和高电流隶属函数分别对应不同的模糊集。

14、进一步地，所述低温隶属函数采用以下公式表示：

15、

16、其中，表示温度对应的模糊集lt的隶属函数，tmin为低温范围的最小温度值，lt是低温范围的最高温度值或中温范围的最低温度值。

17、进一步地，所述中温隶属函数采用以下公式表示：

18、

19、其中，表示温度对应的第二模糊集mt的隶属函数，lt是低温范围的最高温度值或中温范围的最低温度值，mt是中温范围的中间值，ht是高温范围的最低温度值或中温范围的最高温度值。

20、进一步地，所述高温隶属函数采用以下公式表示：

21、

22、其中，表示温度对应的模糊集ht的隶属函数，mt是中温范围的中间值，ht是高温范围的最低温度值或中温范围的最高温度值，tmax是高温范围的最高温度值。

23、进一步地，对内部数据中的每个变量进行模糊化处理，得到内部特征，方法包括：

24、将模糊集中的每个变量的实际值转换为模糊隶属度，将每个变量的模糊隶属度作为特征进行拼接，得到内部特征。

25、进一步地，对声音数据和振动数据中的每个变量进行模糊化处理，得到声音特征和振动特征，方法包括：

26、为声音数据和振动数据分别定义模糊集和隶属函数，通过隶属函数将声音数据和振动数据关联到不同的模糊集；

27、将声音数据对应模糊集中的每个变量的实际值转换为模糊隶属度，将每个变量的模糊隶属度作为特征进行拼接，得到声音特征；

28、将振动数据对应模糊集的实际值转换为模糊隶属度，即为振动特征。

29、进一步地，所述温度数据包括：冷凝器入口的冷媒温度、冷凝器出口的冷媒温度、蒸发器入口的冷媒温度、蒸发器出口的冷媒温度、压缩机吸气管的冷媒温度、压缩机排气管的冷媒温度、节流装置前端的冷媒温度和节流装置后端的冷媒温度；

30、所述压力数据包括：冷凝器入口的冷媒压力、冷凝器出口的冷媒压力、蒸发器入口的冷媒压力、蒸发器出口的冷媒压力、压缩机吸气管的冷媒压力、压缩机排气管的冷媒压力、节流装置前端的冷媒压力和节流装置后端的冷媒压力；

31、所述流量数据包括：冷凝器入口的冷媒流量和蒸发器的入口的冷媒流量；

32、所述电流数据包括：压缩机的工作电流；

33、所述声音数据包括：冷凝器外部的异常噪声数据、蒸发器外部的异常噪声数据、压缩机外部的异常噪声数据和节流装置外部的异常噪声数据。

34、本发明的第二个方面提供一种基于多模态数据融合的空调冷水机组故障诊断系统。

35、基于多模态数据融合的空调冷水机组故障诊断系统，包括：安装在空调冷水机组内部的温度传感器、安装在空调冷水机组外部的压力传感器、安装在空调冷水机组外部的流量传感器、安装在压缩机电源线路中的电流传感器、安装在空调冷水机组外部的电容传声器、安装在压缩机外壳的电容式加速度计以及处理器；所述处理器均与温度传感器、压力传感器、流量传感器、电流传感器、电容传声器和电容式加速度计连接；

36、采用温度传感器采集温度数据，采用压力传感器采集压力数据，采用流量传感器采集流量数据，采用电流传感器采集电流数据，采用电容传声器采集声音数据，采用电容式加速度计采集振动数据；内部数据包括：温度数据、压力数据、流量数据和电流数据；

37、处理器，用于对内部数据、声音数据和振动数据中的每个变量进行模糊化处理，得到内部特征、声音特征和振动特征；将内部特征、声音特征和振动特征进行两两交叉融合，得到第一融合特征、第二融合特征和第三融合特征；分别计算第一融合特征和第二融合特征的第一相似度，以及计算第二融合特征和第三融合特征的第二相似度，将第一相似度作为第一融合特征的权重，将第二相似度作为第三融合特征的权重；将带有权重的第一融合特征、第三融合特征与第二融合特征进行融合，得到多模态融合特征；基于多模态融合特征，采用故障诊断模型，得到空调冷水机组的故障诊断结果。

38、与现有技术相比，本发明的有益效果是：

39、(1)本发明提供了高效的故障检测能力，能够即时识别和响应设备问题，减少停机时间和维护成本；可以实现自动触发警报并记录数据，减少人工干预，提高了系统运行效率和响应速度。

40、(2)本发明通过整合环境数据、震动数据和声音数据，系统能够全面分析设备状态，提高检测的准确性和鲁棒性。

41、(3)本发明利用模糊模块进行特征提取，能够处理不确定性和模糊性问题，提升故障诊断的精准度。