[发明专利]一种基于机器学习的冷热一体机监测控制方法及系统

权利要求书

1.一种基于机器学习的冷热一体机监测控制方法，其特征在于，包括以下步骤：

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；

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；

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；

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。

2.根据权利要求1所述的一种基于机器学习的冷热一体机监测控制方法，其特征在于，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。