一种基于机器学习的冷热一体机监测控制方法及系统与流程

1.本发明涉及工业自动化信息监测技术领域，更具体的，涉及一种基于机器学习的冷热一体机监测控制方法及系统。


背景技术：

2.目前，在化学化工及生物技术行业领域，温度控制过程遍布于研究和生产放大环节，温度控制对于安全和高质量的反应产品都是至关重要的。为了得到高质量的反应产品，温度控制系统需要对外部的反应釜及加工产品进行稳定可靠的工艺过程温度控制。
3.冷热一体机作为工业生产中常用温控装置，根据工业需求能够自动加热或者制冷，机体分为加热部分和冷却部分，机体能急速加温，急速冷却设备所需温度，并能控制多个面路不同温度，快速循环于产品成型过程中的周围，大大提高生产效率。而当前冷热一体机虽然能够显示故障代码，但无法监测运行过程中的异常情况，分析运行状态实现故障预测及精准定位；因此，需要开发一款系统实现随时监控设备运行，主动报告当前的运行状态，并根据运行状态调整控制策略，确保冷热一体机的安全运行，而在实现过程中，如何通过机器学习方法进行运行状态监测是亟不可待需要解决的问题之一。


技术实现要素：

4.为了解决上述技术问题，本发明提出了一种基于机器学习的冷热一体机监测控制方法及系统。
5.本发明第一方面提供了一种基于机器学习的冷热一体机监测控制方法，包括：获取冷热一体机的运行参数，根据运行参数提取加热温度曲线及冷却温度曲线；获取加热冷却区域的区域温度信息，根据所述区域温度信息构建区域环境温度场，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域；根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息对冷热一体机的输出功率进行修正；同时，基于机器学习构建运行状态监测模型及故障诊断模型，将运行参数输入运行状态监测模型及故障诊断模型生成冷热一体机的运行状态及故障识别结果。
6.本方案中，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域，具体为：获取目标加工对象的目标加热温度及目标冷却温度设置目标加热曲线及目标冷却曲线，将加热冷却区域划分为若干格栅区域，根据各个格栅区域的温度信息获取区域环境温度场；根据区域环境温度场获取各个区域格栅的实时温度信息获取与初始温度信息的温度差，根据所述温度差获取各个区域格栅的温度变化率；获取温度变化率大于预设温度变化率阈值的格栅区域作为重点标记格栅区域，根
据所述温度变化率预测预设时间后的温度信息，根据温度变化率及温度信息读取加热温度曲线及冷却温度曲线；判断加热温度曲线及冷却温度曲线与目标加热曲线及目标冷却曲线的匹配度，将匹配度小于预设匹配度阈值的区域格栅作为异常温度区域。
7.本方案中，根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息设置冷热一体机的输出功率，具体为：获取异常温度区域预设时间后的温度信息与目标加热温度或目标冷却温度中同一时刻对应的目标温度信息对比获取异常温差信息；获取冷热一体机中当前传温介质的流速及流量信息，通过异常温差信息根据温度与传温介质的流速及流量的对应关系生成反馈信息；根据所述反馈信息对当前传温介质的流速及流量信息进行修正，获取修正后的输出功率对目标加工对象进行操作。
8.本方案中，基于机器学习构建运行状态监测模型，将运行参数输入运行状态监测模型生成冷热一体机的运行状态，具体为：获取冷热一体机的运行参数，将所述运行参数通过小波变换进行去噪，利用去噪后的运行参数通过经验模态分解提取各运行参数的特征信号；根据冷热一体机的历史运行参数特征信号与故障信息进行匹配，通过重构后的信号表征冷热一体机的故障信息；将经验模态分解后各运行参数的特征信号进行特征融合，并基于预设专家经验对特征信号与外界环境因素进行结合，生成融合特征；基于lstm构建冷热一体机运行状况检测模型，将所述融合特征输入lstm网络的单元结构，输出预设时间后的冷热一体机的运行状态监测序列；根据预设时间后的运行状态检测序列与各运行参数的基准曲线进行对比，获取冷热一体机的运行状态。
9.本方案中，通过故障诊断模型根据冷热一体机的运行参数进行故障识别，具体为：获取各运行参数对应参数特征，将各参数特征通过主成分分析获取累计贡献度最高的预设数据的参数信息，根据预设数量的参数信息作为主成分方向；将各运行参数的特征信号投影主成分方向获取不同故障信息下的特征散点图，根据特征散点图获取冷热一体机的故障识别特征；基于支持向量机构建故障诊断模型，并通过粒子群算法对支持向量机进行优化，输出最优的支持向量机参数；获取故障信息匹配的历史特征信号作为训练数据，根据最优支持向量机参数及训练数据对故障诊断模型进行训练；将所述故障识别特征输入训练好的故障诊断模型，输出冷热一体机的故障识别信息及故障位置信息。
10.本方案中，根据冷热一体机的运行状态及各故障的关联关系预测并发故障，具体为：基于大数据检索获取故障信息的故障原理信息，根据冷热一体机的结构组成及故障原理信息构建冷热一体机的故障树模型，根据所述故障树模型的逻辑关系构建贝叶斯网
络模型；通过历史运行参数获取不同故障信息的发生频率获取贝叶斯网络中各故障节点的先验概率，根据模糊综合评价方法获取各故障节点对各个预设评价区间的隶属度；根据所述隶属度及预设评价区间对应的权重信息与运行状态对应的权重信息获取对故障节点先验概率的评价结果及故障节点之间的联合概率及条件概率的评价结果，所述预设评价区间反应故障的严重程度；当目标故障节点的故障发生时，根据冷热一体机当前运行状态及目标故障节点的先验概率的评价结果获取关联节点的影响程度，根据所述影响程度获取并发故障信息。
11.本发明第二方面还提供了一种基于机器学习的冷热一体机监测控制系统，该系统包括：存储器、处理器，所述存储器中包括一种基于机器学习的冷热一体机监测控制方法程序，所述一种基于机器学习的冷热一体机监测控制方法程序被所述处理器执行时实现如下步骤：获取冷热一体机的运行参数，根据运行参数提取加热温度曲线及冷却温度曲线；获取加热冷却区域的区域温度信息，根据所述区域温度信息构建区域环境温度场，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域；根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息对冷热一体机的输出功率进行修正；同时，基于机器学习构建运行状态监测模型及故障诊断模型，将运行参数输入运行状态监测模型及故障诊断模型生成冷热一体机的运行状态及故障识别结果。
12.本发明公开了一种基于机器学习的冷热一体机监测控制方法及系统，包括：获取冷热一体机的运行参数，根据运行参数提取加热温度曲线及冷却温度曲线，获取加热冷却区域的区域温度信息，根据所述区域温度信息构建区域环境温度场，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域；根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息设置冷热一体机的输出功率；同时，基于机器学习构建运行状态监测模型，将运行参数输入运行状态监测模型生成冷热一体机的运行状态及故障识别定位。本发明监测冷热一体机加热冷却中的异常温度信息，对输出功率进行修正，实现精准温控，减小了产品缺陷率，同时对运行状态进行监测，实现故障的快速分析定位。根据故障快速定位实现对冷热一体机的运维管理，保证冷热一体机平稳运行，从而加快企业文化生产进度，降低能耗，提高了产品成型效率，抑制产品缺陷，降低不良品产生，低成本高成效。
附图说明
13.图1示出了本发明一种基于机器学习的冷热一体机监测控制方法的流程图；图2示出了本发明根据运行状态监测模型生成冷热一体机的运行状态的方法流程图；图3示出了本发明通过故障诊断模型根据运行参数进行故障识别的方法流程图；图4示出了本发明一种基于机器学习的冷热一体机监测控制系统的框图。
具体实施方式
14.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
15.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
16.图1示出了本发明一种基于机器学习的冷热一体机监测控制方法的流程图。
17.如图1所示，本发明第一方面提供了一种基于机器学习的冷热一体机监测控制方法，包括：s102，获取冷热一体机的运行参数，根据运行参数提取加热温度曲线及冷却温度曲线；s104，获取加热冷却区域的区域温度信息，根据所述区域温度信息构建区域环境温度场，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域；s106，根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息对冷热一体机的输出功率进行修正；s108，同时，基于机器学习构建运行状态监测模型及故障诊断模型，将运行参数输入运行状态监测模型及故障诊断模型生成冷热一体机的运行状态及故障识别结果。
18.所述运行参数包括但不限于温度信息、电流电压信息、振动信息及功率信息等冷热一体机运行数据，运行参数通过布设在冷热一体机不同部位的预设传感器进行获取。由于采集现场有大量噪声干扰，这会导致采集到的信号发生畸变。为了消除分析结果的不利因素，对采集的数据信号进行初步滤波，获取初步滤波的运行参数。
19.需要说明的是，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域，具体为：获取目标加工对象的目标加热温度及目标冷却温度设置目标加热曲线及目标冷却曲线，将加热冷却区域划分为若干格栅区域，根据各个格栅区域的温度信息获取区域环境温度场；根据区域环境温度场获取各个区域格栅的实时温度信息获取与初始温度信息的温度差，根据所述温度差获取各个区域格栅的温度变化率；获取温度变化率大于预设温度变化率阈值的格栅区域作为重点标记格栅区域，根据所述温度变化率预测预设时间后的温度信息，根据温度变化率及温度信息读取加热温度曲线及冷却温度曲线；判断加热曲线及冷却温度曲线与目标加热曲线及目标冷却曲线的匹配度，将匹配度小于预设匹配度阈值的区域格栅作为异常温度区域。
20.需要说明的是，在冷热一体机中加热冷却系统采用换热器，通常是通过盘管或夹套间接控温，简单方便，夹套设有导热油、冷却水或其他传热介质，常用的传热介质有两种:导热油和水，在不同的温度下使用，对于不同的传温介质的温度控制，根据其水流量及流速信息与温度的对应关系，其中，根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息设置冷热一体机的输出功率，具体为：获取异常温度区域预设时间后的温度信息与目标加热温度或目标冷却温度中同一时刻对应的目标温度信息对比获取异常温差信息；获取冷热一体机中当前传温介质的流速及流量信息，通过异常温差信息根据温度与传温介质的
流速及流量的对应关系生成反馈信息；根据所述反馈信息对当前传温介质的流速及流量信息进行修正，获取修正后的输出功率对目标加工对象进行操作。
21.图2示出了本发明根据运行状态监测模型生成冷热一体机的运行状态的方法流程图。
22.根据本发明实施例，基于机器学习构建运行状态监测模型，将运行参数输入运行状态监测模型生成冷热一体机的运行状态，具体为：s202，获取冷热一体机的运行参数，将所述运行参数通过小波变换进行去噪，利用去噪后的运行参数通过经验模态分解提取各运行参数的特征信号；s204，根据冷热一体机的历史运行参数特征信号与故障信息进行匹配，通过重构后的信号表征冷热一体机的故障信息；s206，将经验模态分解后各运行参数的特征信号进行特征融合，并基于预设专家经验对特征信号与外界环境因素进行结合，生成融合特征；s208，基于lstm构建冷热一体机运行状况检测模型，将所述融合特征输入lstm网络的单元结构，输出预设时间后的冷热一体机的运行状态监测序列；s210，根据预设时间后的运行状态检测序列与各运行参数的基准曲线进行对比，获取冷热一体机的运行状态。
23.需要说明的是，冷热一体机运行状况检测模型的模型结构为输入层、特征融合层、lstm单元结构层、全连接层及输出层，在输入层输入预处理过后的运行参数特征信号，通过特征融合层进行特征融合，并在融合特征中加入环境特征，考虑环境对冷热一体机运行状况的影响，将融合特征输入到lstm单元结构层，lstm单元结构主要通过遗忘门，记忆门，输出门控制传输状态，最后通过全连接层将输出维度转换为预设时间的时间步数，输出层将预设时间后冷热一体机的运行状态进行输出。
24.图3示出了本发明通过故障诊断模型根据运行参数进行故障识别的方法流程图。
25.根据本发明实施例，通过故障诊断模型根据冷热一体机的运行参数进行故障识别，具体为：s302，获取各运行参数对应参数特征，将各参数特征通过主成分分析获取累计贡献度最高的预设数据的参数信息，根据预设数量的参数信息作为主成分方向；s304，将各运行参数的特征信号投影主成分方向获取不同故障信息下的特征散点图，根据特征散点图获取冷热一体机的故障识别特征；s306，基于支持向量机构建故障诊断模型，并通过粒子群算法对支持向量机进行优化，输出最优的支持向量机参数；s308，获取故障信息匹配的历史特征信号作为训练数据，根据最优支持向量机参数及训练数据对故障诊断模型进行训练；s310，将所述故障识别特征输入训练好的故障诊断模型，输出冷热一体机的故障识别信息及故障位置信息。
26.需要说明的是，根据运行参数通过主成分分析获取对故障信息贡献度最大的运行参数类型，将选取的运行参数通过特征散点图方式实现不同故障类别下的特征聚类，其中，通过粒子群算法获取支持向量机的最优参数，初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数，根据粒子的位置计算积分性能指标获取各个
粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，判断是否达到最大迭代次数或理想的群体最佳适应度值，满足条件则结束运行，输出最优结果获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出支持向量机的最优参数因子。
27.需要说明的是，根据冷热一体机的运行状态及各故障的关联关系预测并发故障，具体为：基于大数据检索获取故障信息的故障原理信息，根据冷热一体机的结构组成及故障原理信息构建冷热一体机的故障树模型，根据所述故障树模型中故障的逻辑关系构建贝叶斯网络模型，所述逻辑关系例如冷热一体机进行冷却时，检测压缩机铜管的吸入温度，若温度过小则水流不足，水流不足导致降温效果不理想，影响加工对象质量；通过历史运行参数获取不同故障信息的发生频率获取贝叶斯网络中各故障节点的先验概率，确定评价区间，每个评价区间对应故障不同的严重程度，并对每个评价区间预设权重信息，根据模糊综合评价方法获取各故障节点对各个预设评价区间的隶属度，通过不同的隶属度用于描述故障的发生概率及故障之间影响的程度；采用隶属度最大原则，根据所述隶属度及预设评价区间对应的权重信息与运行状态对应的权重信息获取对故障节点先验概率的评价结果及故障节点之间的联合概率及条件概率的评价结果，所述预设评价区间反应故障的严重程度；其中，故障节点之间条件概况及故障节点之间影响程度的计算公式，具体为：其中，表示故障节点和之间条件概况的评价结果，表示故障节点和之间影响的严重程度的评价结果，表示运行状态对应的权重信息，表示评价区间的项数，表示评价区间的总数，表示第个评价区间对应的权重信息，表示第个评价区间中故障导致故障发生的隶属度；当目标故障节点的故障发生时，根据冷热一体机当前运行状态及目标故障节点的先验概率的评价结果获取关联节点的影响程度，根据所述影响程度获取并发故障信息。
28.需要说明的是，在进行冷热一体机的运行状态及故障识别监测中，还包括云服务系统，gsm、gprs、3g通讯模块通过通讯接口读取设备信息，用户能够通过手机短信息直接控制设备开关机、设定温度、查询当前温度，当设备发生故障时会自动发信息给指定的手机用户；而且也可以通过上网电脑，登录云服务器直接查询设备的运行状态。
29.根据本发明实施例，构建冷热一体机的加热及制冷数据数据库，具体为：构建冷热一体机的加热及制冷数据数据库，将不同型号、规格的历史加工对象的加热及制冷数据存入数据库内，对历史加工对象的加热曲线及制冷曲线与异常温度区域的发生情况进行匹配；当同一目标温度下异常温度区域的发生频率大于预设阈值，则将不同异常温度区域对应的功率修正后的加热曲线及制冷曲线进行曲线拟合生成新的目标加热曲线及目标制冷曲线替换原先的目标加热曲线及目标制冷曲线存储至冷热一体机的加热及制冷数据
数据库；根据当前加工对象建立检索标签，通过所述检索标签在加热及制冷数据库中进行相似度对比，获取相似度符合预设值要求的历史加工对象的加热及制冷数据，根据加热及制冷数据获取目标加热曲线及目标制冷曲线；若当前加工对象出现温度异常区域，则根据异常区域的异常温差信息及区域格栅信息生成异常特征，在历史加工对象的加热及制冷数据中根据异常特征进行相似度对比，直接提取相似度最大的加热及制冷数据中对应的目标加热曲线及目标制冷曲线。
30.需要说明的是，将历史故障的解决方案存入数据库中，检测到冷热一体机中存在系统故障时，根据运行报表确定故障信息，将运行报表和数据库内历史故障数据进行比对，生成对比相似度，并预设对比相似度阈值；当所述对比相似度大于等于所述对比相似度阈值时，对该历史故障数据进行标注，将标注后的历史故障数据进行聚合生成相似历史故障数据集合；根据所述相似历史故障数据集合中的操作记录对故障信息进行分析，生成解决方案；若数据库内历史故障数据与运行报表的对比相似度均小于所述对比相似度阈值，则根据故障信息对数据库内原始数据进行更新。
31.图4示出了本发明一种基于机器学习的冷热一体机监测控制系统的框图。
32.本发明第二方面还提供了一种基于机器学习的冷热一体机监测控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于机器学习的冷热一体机监测控制方法程序，所述一种基于机器学习的冷热一体机监测控制方法程序被所述处理器执行时实现如下步骤：获取冷热一体机的运行参数，根据运行参数提取加热温度曲线及冷却温度曲线；获取加热冷却区域的区域温度信息，根据所述区域温度信息构建区域环境温度场，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域；根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息对冷热一体机的输出功率进行修正；同时，基于机器学习构建运行状态监测模型及故障诊断模型，将运行参数输入运行状态监测模型及故障诊断模型生成冷热一体机的运行状态及故障识别结果。
33.所述运行参数包括但不限于温度信息、电流电压信息、振动信息及功率信息等冷热一体机运行数据，运行参数通过布设在冷热一体机不同部位的预设传感器进行获取。由于采集现场有大量噪声干扰，这会导致采集到的信号发生畸变。为了消除分析结果的不利因素，对采集的数据信号进行初步滤波，获取初步滤波的运行参数。
34.需要说明的是，通过区域环境温度场根据所述加热温度曲线及冷却温度曲线获取加工对象的异常温度区域，具体为：获取目标加工对象的目标加热温度及目标冷却温度设置目标加热曲线及目标冷却曲线，将加热冷却区域划分为若干格栅区域，根据各个格栅区域的温度信息获取区域环境温度场；根据区域环境温度场获取各个区域格栅的实时温度信息获取与初始温度信息的温度差，根据所述温度差获取各个区域格栅的温度变化率；获取温度变化率大于预设温度变化率阈值的格栅区域作为重点标记格栅区域，根据所述温度变化率预测预设时间后的温度信息，根据温度变化率及温度信息读取加热温度曲线及冷却温度曲线；判断加热曲线及冷却温度曲线与目标加热曲线及目标冷却曲线的匹配度，将匹配
度小于预设匹配度阈值的区域格栅作为异常温度区域。
35.需要说明的是，在冷热一体机中加热冷却系统采用换热器，通常是通过盘管或夹套间接控温，简单方便，夹套设有导热油、冷却水或其他传热介质，常用的传热介质有两种:导热油和水，在不同的温度下使用，对于不同的传温介质的温度控制，根据其水流量及流速信息与温度的对应关系，其中，根据异常温度区域的异常温差信息设置反馈信息，通过反馈信息设置冷热一体机的输出功率，具体为：获取异常温度区域预设时间后的温度信息与目标加热温度或目标冷却温度中同一时刻对应的目标温度信息对比获取异常温差信息；获取冷热一体机中当前传温介质的流速及流量信息，通过异常温差信息根据温度与传温介质的流速及流量的对应关系生成反馈信息；根据所述反馈信息对当前传温介质的流速及流量信息进行修正，获取修正后的输出功率对目标加工对象进行操作。
36.根据本发明实施例，基于机器学习构建运行状态监测模型，将运行参数输入运行状态监测模型生成冷热一体机的运行状态，具体为：获取冷热一体机的运行参数，将所述运行参数通过小波变换进行去噪，利用去噪后的运行参数通过经验模态分解提取各运行参数的特征信号；根据冷热一体机的历史运行参数特征信号与故障信息进行匹配，通过重构后的信号表征冷热一体机的故障信息；将经验模态分解后各运行参数的特征信号进行特征融合，并基于预设专家经验对特征信号与外界环境因素进行结合，生成融合特征；基于lstm构建冷热一体机运行状况检测模型，将所述融合特征输入lstm网络的单元结构，输出预设时间后的冷热一体机的运行状态监测序列；根据预设时间后的运行状态检测序列与各运行参数的基准曲线进行对比，获取冷热一体机的运行状态。
37.需要说明的是，冷热一体机运行状况检测模型的模型结构为输入层、特征融合层、lstm单元结构层、全连接层及输出层，在输入层输入预处理过后的运行参数特征信号，通过特征融合层进行特征融合，并在融合特征中加入环境特征，考虑环境对冷热一体机运行状况的影响，将融合特征输入到lstm单元结构层，lstm单元结构主要通过遗忘门，记忆门，输出门控制传输状态，最后通过全连接层将输出维度转换为预设时间的时间步数，输出层将预设时间后冷热一体机的运行状态进行输出。
38.根据本发明实施例，通过故障诊断模型根据冷热一体机的运行参数进行故障识别，具体为：获取各运行参数对应参数特征，将各参数特征通过主成分分析获取累计贡献度最高的预设数据的参数信息，根据预设数量的参数信息作为主成分方向；将各运行参数的特征信号投影主成分方向获取不同故障信息下的特征散点图，根据特征散点图获取冷热一体机的故障识别特征；基于支持向量机构建故障诊断模型，并通过粒子群算法对支持向量机进行优化，输出最优的支持向量机参数；获取故障信息匹配的历史特征信号作为训练数据，根据最优支持向量机参数及训练数据对故障诊断模型进行训练；将所述故障识别特征输入训练好的故障诊断模型，输出冷热一体机的故障识别信
息及故障位置信息。
39.需要说明的是，根据运行参数通过主成分分析获取对故障信息贡献度最大的运行参数类型，将选取的运行参数通过特征散点图方式实现不同故障类别下的特征聚类，其中，通过粒子群算法获取支持向量机的最优参数，初始化粒子种群，随机赋予粒子速度和位置信息，采用积分性能指标作为优化目标函数，根据粒子的位置计算积分性能指标获取各个粒子的适应度，根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，判断是否达到最大迭代次数或理想的群体最佳适应度值，满足条件则结束运行，输出最优结果获取每一个粒子搜寻的最优位置及全部粒子中的最优位置，输出支持向量机的最优参数因子。
40.需要说明的是，根据冷热一体机的运行状态及各故障的关联关系预测并发故障，具体为：基于大数据检索获取故障信息的故障原理信息，根据冷热一体机的结构组成及故障原理信息构建冷热一体机的故障树模型，根据所述故障树模型中故障的逻辑关系构建贝叶斯网络模型，所述逻辑关系例如冷热一体机进行冷却时，检测压缩机铜管的吸入温度，若温度过小则水流不足，水流不足导致降温效果不理想，影响加工对象质量；通过历史运行参数获取不同故障信息的发生频率获取贝叶斯网络中各故障节点的先验概率，确定评价区间，每个评价区间对应故障不同的严重程度，并对每个评价区间预设权重信息，根据模糊综合评价方法获取各故障节点对各个预设评价区间的隶属度，通过不同的隶属度用于描述故障的发生概率及故障之间影响的程度；采用隶属度最大原则，根据所述隶属度及预设评价区间对应的权重信息与运行状态对应的权重信息获取对故障节点先验概率的评价结果及故障节点之间的联合概率及条件概率的评价结果，所述预设评价区间反应故障的严重程度；其中，故障节点之间条件概况及故障节点之间影响程度的计算公式，具体为：其中，表示故障节点和之间条件概况的评价结果，表示故障节点和之间影响的严重程度的评价结果，表示运行状态对应的权重信息，表示评价区间的项数，表示评价区间的总数，表示第个评价区间对应的权重信息，表示第个评价区间中故障导致故障发生的隶属度；当目标故障节点的故障发生时，根据冷热一体机当前运行状态及目标故障节点的先验概率的评价结果获取关联节点的影响程度，根据所述影响程度获取并发故障信息。
41.需要说明的是，在进行冷热一体机的运行状态及故障识别监测中，还包括云服务系统，gsm、gprs、3g通讯模块通过通讯接口读取设备信息，用户能够通过手机短信息直接控制设备开关机、设定温度、查询当前温度，当设备发生故障时会自动发信息给指定的手机用户；而且也可以通过上网电脑，登录云服务器直接查询设备的运行状态。
42.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为
一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
43.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
44.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
45.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
46.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
47.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。