机房空调系统传感器故障诊断方法、系统、装置与介质与流程

本技术涉及数据处理，尤其是一种机房空调系统传感器故障诊断方法、系统、装置与存储介质。

背景技术：

1、相关技术中，当前智慧机房空调系统传感器隐匿故障诊断方法主要是基于数据驱动的方法。但是，智慧机房空调系统长期处于稳定的冷负荷需求状态下，因此基于数据驱动的方法更加适用于智慧机房空调系统传感器隐匿故障诊断，线性的传感器故障诊断方法往往仅考虑故障程度比较高的故障，此类模型在检测到故障之前，隐匿故障往往已经导致热湿环境波动，干扰机房系统的正常运行，并且空调系统传感器中不仅包括温度传感器，还包括压力传感器等多种传感器，因此现行的智慧机房空调系统传感器隐匿故障诊断方法的准确度较低，而且与实际应用差距较大。因此，相关技术中仍存在需要解决的技术问题。

技术实现思路

1、本技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

2、为此，本技术实施例的一个目的在于提供一种机房空调系统传感器故障诊断方法、系统、装置与存储介质，该方法可以提高故障诊断的准确度。

3、为了达到上述技术目的，本技术实施例所采取的技术方案包括：一种机房空调系统传感器故障诊断方法，包括：获取智慧机房空调系统的第一传感器数据集；所述第一传感器数据集用于表征实时监测的智慧机房空调系统中所有传感器的实时运行数据；对所述第一传感器数据集进行去噪处理，得到目标本征模态分量函数集以及目标组合本征模函数集；将所述目标本征模态分量函数集以及所述目标组合本征模函数集输入第一处理模型进行一次诊断，得到第一诊断结果以及第一分组数据集；将所述第一分组数据集输入第二处理模型进行二次诊断，得到第二诊断结果；所述第一诊断结果用于表征传感器故障率大于或者等于预设阈值的诊断结果以及所述第二诊断结果用于表征传感器故障率小于预设阈值的诊断结果。

4、另外，根据本发明中上述实施例的一种机房空调系统传感器故障诊断的方法，还可以有以下附加的技术特征：

5、进一步地，本技术实施例中，将所述第一传感器数据集进行分解，得到第一本征模态分量函数集；

6、对所述第一本征模态分量函数集进行平均运算，得到第二本征模态分量函数集；

7、根据所述第二本征模态分量函数集，得到第一残差；

8、将所述第一残差中加入正负成对的第二高斯白噪声以及第三高斯白噪声，得到第三本征模态分量函数集；

9、对所述第三本征模态分量函数集进行平均运算，得到第四本征模态分量函数集；

10、根据所述第四本征模态分量函数集，得到第二残差；

11、将所述第一残差更新为第二残差并执行将所述第一残差中加入正负成对的第二高斯白噪声以及第三高斯白噪声，得到第三本征模态分量函数集这一步骤，直至所述第二残差为单调函数，得到第五本征模态分量函数集；

12、将所述第五本征模态分量函数集进行筛选，得到所述本征模态分量函数集以及所述组合本征模函数集。

13、进一步地，本技术实施例中，所述方法还包括对所述第一处理模型进行训练，所述对所述第一处理模型进行训练包括：

14、获取传感器的历史运行数据；

15、根据所述历史运行数据，确定模型中隐藏层节点的输出矩阵；

16、根据所述输出矩阵以及预设的期望输出矩阵，得到所述第一处理模型的目标输出权重；

17、以所述目标输出权重作为训练后的所述第一处理模型的输出权重。

18、进一步地，本技术实施例中，所述方法还包括对所述第二处理模型进行训练，所述第二处理模型为高斯模型，所述对所述第二处理模型进行训练这一步骤，具体包括：

19、获取所述高斯模型的初始化参数、高斯贡献率以及高斯平均值；

20、根据所述初始化参数，构建高斯模型的对数似然期望函数；所述对数似然期望函数为：

21、

22、其中为对数似然期望函数，yq为训练集的每个元素，θ为随机初始化似然函数参数，β为高斯模型的初始参数，为输入的新参数；p(ya，θ/β)为第一概率；

23、当所述随机初始化似然函数参数为不可见变量且概率分布为所述初始化参数时，根据贝叶斯概率公式确定第一概率；

24、根据所述初始化参数、所述高斯贡献率以及所述高斯平均值调整输入的新参数，直至所述对数似然期望函数为最大值。

25、进一步地，本技术实施例中，所述将所述第五本征模态分量函数集进行筛选，得到所述本征模态分量函数集以及所述组合本征模函数集这一步骤，具体包括：

26、计算所述第五本征模态分量函数集中每个分量函数的贡献系数以及计算贡献系数阈值；

27、以所有贡献系数大于或者等于贡献系数阈值的分量函数为所述本征模态分量函数集；

28、以所有贡献系数小于预设阈值的贡献系数阈值为所述组合本征模函数集。

29、进一步地，本技术实施例中，所述计算贡献系数阈值这一步骤，具体包括：

30、根据所述第一本征模态分量函数集，确定标准噪声偏差；

31、根据所述标准噪声偏差确定，计算所述贡献系数阈值。

32、进一步地，本技术实施例中。所述将所述第一传感器数据集进行分解，得到第一本征模态分量函数集这一步骤，具体包括：

33、将第一高斯白噪声添加至所述第一传感器数据集，得到待分解传感器数据；

34、对所述待分解传感器数据进行emd分解，得到所述第一本征模态分量函数集。

35、另一方面，本技术实施例还提供一种机房空调系统传感器故障诊断系统，包括：

36、获取单元，用于获取智慧机房空调系统的第一传感器数据集；所述第一传感器数据集用于表征实时监测的智慧机房空调系统中所有传感器的实时运行数据；

37、第一处理单元，用于对所述第一传感器数据集进行去噪处理，得到目标本征模态分量函数集以及目标组合本征模函数集；

38、第二处理单元，用于将所述目标本征模态分量函数集以及所述目标组合本征模函数集输入第一处理模型进行一次诊断，得到第一诊断结果以及第一分组数据集；

39、第三处理单元，用于将所述第一分组数据集输入第二处理模型进行二次诊断，得到第二诊断结果；所述第一诊断结果以及所述第二诊断结果之间的故障率不相同。

40、另一方面，本技术还提供一种机房空调系统传感器故障诊断装置，包括：

41、至少一个处理器；

42、至少一个存储器，用于存储至少一个程序；

43、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如
技术实现要素：
中任一项所述一种机房空调系统传感器故障诊断方法。

44、此外，本技术还提供一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上述任一项所述一种机房空调系统传感器故障诊断方法。

45、本技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到：

46、本技术可以获取智慧机房空调系统中所有传感器的实时运行数据；对所有传感器的实时运行数据进行去噪处理，得到目标本征模态分量函数集以及目标组合本征模函数集；然后将目标本征模态分量函数集以及目标组合本征模函数集进行两次诊断，得到不同故障率的两个诊断结果。本技术在故障诊断时考虑不仅温度数据还包括其他各种传感器的数据，通过对所有传感器数据进行两次的故障诊断，本技术可以提高故障诊断方法的实用性以及准确率。