[发明专利]基于深度学习的制冷设备运行状态的识别方法及装置

说明书

本发明揭示了一种基于深度学习的制冷设备运行状态的识别方法及装置，方法包括：获取制冷设备的实时状态数据和历史状态数据；构建制冷设备运行状态的状态识别模型，状态识别模型包括交互关联模块、差异提取模块，特征融合模块和状态识别模块；将实时状态数据和历史状态数据作为训练集对构建的状态识别模型进行训练；状态识别模块完成制冷设备运行状态的识别。该方法结合了采集器的实时状态数据和制冷设备和/或连接制冷设备的智能终端的历史状态数据，全面地获取运行状态的信息，并且融合了实时状态数据和历史状态数据的交互关联特征和差异化特征，识别准确率大大提升，有益于制冷设备系统的运行及效率提升。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习的制冷设备运行状态的识别方法及装置。

背景技术

随着家电的智能化的发展，对智能制冷设备的运行状态、故障预警的监控提出了越来越高的要求，传统方法对制冷运行状态识别存在检测不充分、识别结果不准确的问题，过去的识别方法有统计方法和传统的机器学习方法，但是这些方法普遍存在诸多缺陷导致运行状态识别不准确，更具体的缺陷表现为：利用数据不够充分可能引起过拟合现象、降维效果不显著、构建的神经网络模型时空数据特征单一。这些问题制约了对制冷设备运行状态的准确把握，目前业界尚未提出较为有效的解决方案。

发明内容

为解决上述的现有技术问题中的至少其一，本发明的目的在于提供一种能够提升智能制冷设备运行状态识别效率的识别方法和装置。

为实现上述发明目的，本发明一实施方式提供一种基于深度学习的制冷设备运行状态的识别方法，包括如下步骤：

获取制冷设备的采集器的实时状态数据、获取所述制冷设备和/或连接所述制冷设备的智能终端的历史状态数据；

构建制冷设备运行状态的状态识别模型，其中，所述状态识别模型包括交互关联模块、差异提取模块，特征融合模块和状态识别模块；

将所述实时状态数据和所述历史状态数据作为训练集对构建的状态识别模型进行训练；

所述交互关联模块提取所述实时状态数据和所述历史状态数据之间的交互关联特征，所述差异提取模块提取所述实时状态数据和所述历史状态数据之间的差异化特征，所述特征融合模块对所述交互关联特征和所述差异化特征融合拼接，得到融合特征向量，所述状态识别模块根据所述融合特征向量计算识别结果，完成制冷设备运行状态的识别；

输出运行状态的识别信息。

作为本发明的进一步改进，还包括步骤：

对所述实时状态数据和所述历史状态数据预处理，所述预处理步骤包括：

对所述实时状态数据和所述历史状态数据均进行基准值计算和偏离度计算构成偏离度矩阵。

作为本发明的进一步改进，所述交互关联模块包括依序连接的：时空特征提取模块、语义信息提取模块、交互关联特征提取模块；

所述时空特征提取模块为时空特征提取神经网络，所述语义信息提取模块获取所述实时状态数据和所述历史状态数据的语义特征，所述交互关联特征提取模块获取所述实时状态数据和所述历史状态数据的交互关联特征。

作为本发明的进一步改进，所述时空特征提取神经网络为双通道的卷积神经网络模型CNN网络和残差网络ResNet；

还包括步骤：

将所述实时状态数据的偏离度矩阵输入至其一通道的所述卷积神经网络模型CNN网络和残差网络ResNet，将所述历史状态数据的偏离度矩阵输入至另一通道的所述卷积神经网络模型CNN网络和残差网络ResNet；

提取出所述实时状态数据的时空特征、提取出所述历史状态数据的时空特征。