除濕機在線(xiàn)故障診斷方法、系統、服務(wù)器及存儲介質(zhì)與流程

除濕機在線(xiàn)故障診斷方法、系統、服務(wù)器及存儲介質(zhì)與流程

　　1.本技術(shù)涉及在線(xiàn)故障診斷技術(shù)領(lǐng)域，特別涉及一種除濕機在線(xiàn)故障診斷方法、系統、服務(wù)器及存儲介質(zhì)。背景技術(shù)：2.除濕系統是室內回風(fēng)口把室內有水分的空氣抽到主機內，經(jīng)過(guò)壓縮機抽取其中的水分后，再通過(guò)室內送風(fēng)口排到室內，通過(guò)室內回風(fēng)口和室內送風(fēng)口共兩個(gè)風(fēng)口完成了一個(gè)室內空氣循環(huán)，調節室內空氣的濕度，確保讓人們處在一個(gè)舒適的空間。但因為其規模龐大，控制策略復雜，使得各類(lèi)故障頻頻發(fā)生。3.除濕系統常見(jiàn)的異常故障包括閥門(mén)故障、管道故障、熱交換盤(pán)管故障、除濕轉輪故障、電機故障、風(fēng)機故障以及控制系統故障。近些年來(lái)研究人員提出了許多除濕系統故障檢測技術(shù)，主要包括四種故障檢測技術(shù)，即人工現場(chǎng)巡檢；除濕系統自身攜帶的異常報警功能；現場(chǎng)數據已接入數據中心時(shí)，位于控制室或數據中心的在線(xiàn)檢測平臺提供的預警功能；工人在控制室或數據中心觀(guān)察在線(xiàn)數據變化趨勢、觀(guān)察在線(xiàn)檢測平臺提供的預警，最終做出的故障判斷。但是這些現有的除濕系統故障檢測技術(shù)還存在一些不足，比如，一個(gè)廠(chǎng)區內除濕系統多達上百臺時(shí)，需要大量人力進(jìn)行巡檢；不是系統中所有的設備都含有自身報警功能，或漏掉部分系統故障、異常；預警方式簡(jiǎn)單，僅采用上下閾值的方式，對單一測點(diǎn)數據或多測點(diǎn)按規則運算后的結果進(jìn)行判斷，超過(guò)設定閾值進(jìn)行報警，且閾值設定后不會(huì )自動(dòng)修改；工人對可觀(guān)察到的報警、數據變化趨勢等進(jìn)行分析的過(guò)程需要一定的時(shí)間，從而不一定能夠及時(shí)判斷故障。即不能夠及時(shí)、準確有效地完成對除濕系統的故障及異常檢測，使得除濕系統所控制的空間溫濕度異常狀態(tài)對生產(chǎn)和存儲造成損失。技術(shù)實(shí)現要素：4.通過(guò)對除濕系統的離線(xiàn)數據和在線(xiàn)數據進(jìn)行了分析、建模和運算等操作，來(lái)解決除濕系統通過(guò)傳統技術(shù)進(jìn)行故障檢測的不及時(shí)、不準確和消耗人力的問(wèn)題，減少除濕系統所控制的空間溫濕度異常帶來(lái)的生產(chǎn)或存儲的損失。5.第一方面，本實(shí)施例提供了一種除濕機在線(xiàn)故障診斷方法，所述方法包括：獲取表征點(diǎn)位工作狀態(tài)的點(diǎn)位數據和需要診斷的故障目標點(diǎn)，根據所述故障目標點(diǎn)獲得影響所述故障目標點(diǎn)的其它點(diǎn)位，基于所述其它點(diǎn)位和所述點(diǎn)位數據獲得表征其它點(diǎn)位工作狀態(tài)的其它點(diǎn)位數據；對所述其它點(diǎn)位數據進(jìn)行特征提取操作，獲得特征值；使用機器學(xué)習模型處理所述特征值，得到所述故障目標點(diǎn)的預測數據，基于所述預測數據和故障目標點(diǎn)的實(shí)際數據，判斷所述除濕機的運行狀態(tài)。6.在其中的一些實(shí)施例中，所述根據所述故障目標點(diǎn)獲得影響所述故障目標點(diǎn)的其它點(diǎn)位包括：根據所述故障目標點(diǎn)判斷所述故障目標點(diǎn)所屬的故障類(lèi)型，基于所述故障類(lèi)型確定影響所述故障目標點(diǎn)的其它點(diǎn)位，其中，每種故障類(lèi)型都有確定影響所述故障目標點(diǎn)的其它點(diǎn)位的判斷標準。7.在其中的一些實(shí)施例中，所述特征提取操作包括以下方式至少之一：所述其它點(diǎn)位數據中的某一個(gè)點(diǎn)位數據在一段時(shí)間內的運算操作，所述其它點(diǎn)位數據中若干個(gè)點(diǎn)位數據在一段時(shí)間內的運算操作。8.在其中的一些實(shí)施例中，所述使用機器學(xué)習模型處理所述特征值，得到所述故障目標點(diǎn)的預測數據包括：定時(shí)獲取所述除濕機的設備參數、故障目標點(diǎn)和特征值，根據所述故障目標點(diǎn)獲得故障目標點(diǎn)的歷史實(shí)際數據和影響所述故障目標點(diǎn)的其它點(diǎn)位的歷史特征值；基于所述除濕機的設備參數和所述故障目標點(diǎn)確定處理所述特征值的初始機器學(xué)習模型，根據歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據離線(xiàn)訓練所述初始機器學(xué)習模型，獲得最終機器學(xué)習模型，使用所述最終機器學(xué)習模型在線(xiàn)處理所述其它點(diǎn)數數據，獲得故障目標點(diǎn)的預測數據。9.在其中的一些實(shí)施例中，所述根據歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據離線(xiàn)訓練所述初始機器學(xué)習模型，獲得最終機器學(xué)習模型之前還包括：獲取所述歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據中用于測試所述最終機器學(xué)習模型準確性的其它點(diǎn)位測試數據和故障目標點(diǎn)的測試數據，使用所述最終機器學(xué)習模型處理所述其它點(diǎn)位測試數據，獲得故障目標點(diǎn)的測試預測數據；判斷所述故障目標點(diǎn)的測試預測數據與所述故障目標點(diǎn)的實(shí)際數據之間的差值是否大于閾值，若是，則調整所述特征提取操作和/或選擇新的初始機器學(xué)習模型；否則，獲得最終機器學(xué)習模型。10.在其中的一些實(shí)施例中，所述基于所述預測數據和故障目標點(diǎn)的實(shí)際數據，判斷所述除濕機的運行狀態(tài)包括：基于所述預測數據和故障目標點(diǎn)的實(shí)際數據，獲得兩者之間的偏差，記錄所述偏差在固定時(shí)間內超過(guò)預設偏差的次數，判斷所述次數是否超過(guò)預設次數，若是，則判斷所述除濕機的運行狀態(tài)為非正常，所述除濕機發(fā)出報警信號；否則，所述除濕機的運行狀態(tài)為正常。11.第二方面，本實(shí)施例提供了一種除濕機在線(xiàn)故障診斷系統，所述系統包括數據處理模塊和算法計算模塊；其中，所述數據處理模塊，用于獲取表征點(diǎn)位工作狀態(tài)的點(diǎn)位數據；所述算法計算模塊，用于獲取需要診斷的故障目標點(diǎn)，根據所述故障目標點(diǎn)獲得影響所述故障目標點(diǎn)的其它點(diǎn)位，基于所述其它點(diǎn)位和所述點(diǎn)位數據獲得表征其它點(diǎn)位工作狀態(tài)的其它點(diǎn)位數據；對所述其它點(diǎn)位數據進(jìn)行特征提取操作，獲得特征值；使用機器學(xué)習模型處理所述特征值，得到所述故障目標點(diǎn)的預測數據，基于所述預測數據和故障目標點(diǎn)的實(shí)際數據，判斷所述除濕機的運行狀態(tài)。12.在其中的一些實(shí)施例中，所述系統還包括軟件前端模塊和軟件后端模塊；其中，所述軟件前端模塊，用于顯示所述除濕機的運行狀態(tài)和所述故障目標點(diǎn)的預測數據；所述軟件后端模塊，用于與所述數據處理模塊、所述算法計算模塊和所述軟件前端模塊進(jìn)行交互。13.第三方面，本技術(shù)實(shí)施例提供了一種服務(wù)器，所述服務(wù)器包括：處理器和存儲器，所述存儲器上存儲有能在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執行時(shí)實(shí)現如第一方面所述的除濕機在線(xiàn)故障診斷方法。14.第四方面，本技術(shù)實(shí)施例提供了一種計算機可讀存儲介質(zhì)，其上存儲有能在處理器上運行的計算機程序，其特征在于，所述計算機程序被所述處理器執行時(shí)實(shí)現如第一方面所述的除濕機在線(xiàn)故障診斷方法。15.通過(guò)采用上述方案，本技術(shù)在線(xiàn)診斷除濕機的故障時(shí)，首先根據故障目標點(diǎn)來(lái)判斷故障目標點(diǎn)所屬的故障類(lèi)型，基于故障類(lèi)型來(lái)確定直接影響該故障目標點(diǎn)處數據變化的其它點(diǎn)位數據，并根據該故障類(lèi)型來(lái)有針對性地選取進(jìn)行特征提取的運算操作，獲得特征值，通過(guò)對多點(diǎn)位進(jìn)行聯(lián)合運算，使得特征值能更準確地表征其它點(diǎn)位數據特征；接著(zhù)基于除濕機的設備參數和故障目標點(diǎn)確定處理特征值的初始機器學(xué)習模型，根據歷史的其它點(diǎn)位數據和故障目標點(diǎn)的歷史實(shí)際數據離線(xiàn)訓練初始機器學(xué)習模型，獲得最終機器學(xué)習模型，使用最終機器學(xué)習模型在線(xiàn)處理其它點(diǎn)位數據，來(lái)獲得故障目標點(diǎn)的預測數據；最后根據預測數據和實(shí)際數據獲得兩者的差值，并記錄差值在固定時(shí)間內超過(guò)預設偏差的次數，若該次數沒(méi)有超過(guò)預設次數，就認定該除濕機運行正常，否則就認定該除濕機有故障。16.本技術(shù)一方面節省了除濕系統故障診斷所需要的人力，另一方面通過(guò)數據分析、機器學(xué)習技術(shù)實(shí)現設備異常報警、設備故障診斷、設備數據趨勢動(dòng)態(tài)預警，且上述多種算法功能的綜合運用也可以提高故障報警準確性。另外，對故障目標點(diǎn)和與其相關(guān)的點(diǎn)位進(jìn)行全面數據分析、建模和運算，從而綜合全面地分析可能存在的異常，提高故障識別率。因此，本方案可以及時(shí)、準確有效地完成對除濕系統的故障及異常檢測。附圖說(shuō)明17.圖1是本實(shí)施例提供的雙轉輪除濕系統工作原理圖。18.圖2是本實(shí)施例提供的除濕機故障診斷系統的結構框圖。19.圖3是本實(shí)施例提供的除濕機在線(xiàn)故障診斷方法的流程圖。20.圖4是本實(shí)施例提供的基于機器學(xué)習的除濕機預警方案的流程圖。21.圖5是本實(shí)施例提供的機器學(xué)習模型維護示意圖。22.圖6是本實(shí)施例提供的除濕系統中部分點(diǎn)位說(shuō)明圖。23.圖7是本實(shí)施例提供測試的訓練集預測結果對比圖。24.圖8是本實(shí)施例提供的關(guān)于圖7中預測階段的放大圖。25.圖9是本實(shí)施例提供的服務(wù)器的結構框圖。具體實(shí)施方式26.為更清楚地理解本技術(shù)的目的、技術(shù)方案和優(yōu)點(diǎn)，下面結合附圖和實(shí)施例，對本技術(shù)進(jìn)行了描述和說(shuō)明。然而，本領(lǐng)域的普通技術(shù)人員應該明白，可以在沒(méi)有這些細節的情況下實(shí)施本技術(shù)。對于本領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，顯然可以對本技術(shù)所公開(kāi)的實(shí)施例作出各種改變，并且在不偏離本技術(shù)的原則和范圍的情況下，本技術(shù)中所定義的普遍原則可以適用于其他實(shí)施例和應用場(chǎng)景。因此，本技術(shù)不限于所示的實(shí)施例，而是符合與本技術(shù)所要求保護的范圍一致的最廣泛范圍。27.下面結合說(shuō)明書(shū)附圖對本技術(shù)實(shí)施例作進(jìn)一步詳細描述。28.雙轉輪除濕系統包括若干子系統：再生系統、通風(fēng)系統、蒸汽系統、凍水系統、排水系統、電力系統和控制系統，各個(gè)子系統由一定的設備或組件構成。其中，再生系統包括兩個(gè)除濕轉輪，即一級轉輪和二級轉輪，風(fēng)機、電機、風(fēng)管和熱交換盤(pán)管等；通風(fēng)系統包括風(fēng)機、電機、風(fēng)管和閥門(mén)等；電力系統包括電源線(xiàn)、斷路器和動(dòng)力柜等；控制系統包括plc控制器、變頻器、傳感器、數采和人機交互界面等。29.圖1是本實(shí)施例提供的雙轉輪除濕系統工作原理圖。如圖1所示，入風(fēng)和回風(fēng)通過(guò)凍水盤(pán)管時(shí)，由于凍水排管可以改變經(jīng)過(guò)其位置的空氣溫度，使得空氣與凍水發(fā)生熱交換，空氣中的熱量降低，空氣溫度降低，最終形成一定溫度范圍內的空氣通過(guò)轉輪，保證通過(guò)轉輪的空氣溫度滿(mǎn)足工藝需求；當通過(guò)轉輪的空氣為常溫時(shí)，轉輪具有吸附空氣中水分的能力，因此入風(fēng)和回風(fēng)在經(jīng)過(guò)凍水盤(pán)管及一級和/或二級轉輪時(shí)，空氣濕度較低，空氣中攜帶的水分被轉輪吸附，經(jīng)過(guò)轉輪后的空氣濕度下降，得到的干燥空氣送入雙轉輪除濕系統控制的空間，從而使得被控制空間的濕度保持在設定的范圍內。與此同時(shí)，部分經(jīng)過(guò)兩次轉輪后的入風(fēng)形成的干燥空氣，進(jìn)入再生回路，因此通過(guò)蒸汽盤(pán)管提高再生空氣的溫度，當通過(guò)轉輪的空氣為高溫時(shí)，轉輪會(huì )釋放水分，將轉輪局部烘干，最終將含有水分的空氣通過(guò)排風(fēng)口排出。30.另外，轉輪在電機的帶動(dòng)下進(jìn)行轉動(dòng)，轉輪上的任意位置在經(jīng)過(guò)入風(fēng)和回風(fēng)回路時(shí)，帶走空氣中的水分，然后在旋轉的作用下到達再生回路，在此處被烘干，將吸附的水分釋放。通過(guò)連續的旋轉，系統達到動(dòng)態(tài)平衡，入風(fēng)空氣和回風(fēng)空氣中的部分水分將由排風(fēng)空氣帶出系統，最終達到送風(fēng)空氣中的水分少于入風(fēng)空氣。31.其中，一級轉輪和二級轉輪用于改變空氣濕度；凍水盤(pán)管和蒸汽盤(pán)管用于改變經(jīng)過(guò)其位置的空氣溫度，從而保證通過(guò)轉輪的空氣溫度滿(mǎn)足工藝要求，凍水盤(pán)管和蒸汽盤(pán)管還均由各自的閥門(mén)控制其中通過(guò)的凍水或蒸汽的流量，從而起到靈活調節凍水降溫和蒸汽加熱的效果；風(fēng)機用來(lái)控制氣流的方向與速度，由電機驅動(dòng)其運轉。32.在實(shí)施例中，回風(fēng)空氣來(lái)自被雙轉輪除濕系統控制的空間，一方面可以在回風(fēng)處測量被控制空間的溫度和濕度情況，便于控制系統調整；另一方面可以保證被控制空間內的空氣循環(huán)，并且由于回風(fēng)空氣的溫度和濕度在正常情況下較為接近控制目標，從而減少系統耗能。33.本實(shí)施例提供了一種除濕機在線(xiàn)故障診斷系統，圖2是本實(shí)施例提供的除濕機故障診斷系統的結構框圖。如圖2所示，該系統包括：數據處理模塊、軟件后端模塊、算法計算模塊和軟件前端模塊。34.數據處理模塊用于獲取表征點(diǎn)位工作狀態(tài)的點(diǎn)位數據。35.數據處理模塊包括傳感器、數據采集和數據傳輸三種類(lèi)型的設備，其數量和拓撲結構可根據實(shí)際物理位置情況而定，本實(shí)施例不進(jìn)行限定。系統所需要的點(diǎn)位數據都對應傳感器的一個(gè)輸出數據，比如在送風(fēng)口處設有一個(gè)溫度傳感器，來(lái)對應送風(fēng)口溫度這一點(diǎn)位數據。一個(gè)傳感器設備可以測量一個(gè)點(diǎn)位處的一個(gè)或多個(gè)數據，比如溫濕度一體傳感器，可以同時(shí)測量一個(gè)點(diǎn)位上的溫度和濕度，生成兩個(gè)數據。其中，傳感器在工作時(shí)需要對除濕機的關(guān)鍵運行數據、工藝數據和換件數據等進(jìn)行實(shí)時(shí)地測量。比如除濕系統管道中各個(gè)關(guān)鍵位置的溫度和濕度；被控制空間內的溫度和濕度；除濕系統中各個(gè)閥門(mén)開(kāi)度；除濕轉輪的轉速；除濕系統中風(fēng)機、電機的各個(gè)軸承的溫度和振動(dòng)等等，這些數據都需要通過(guò)相應的傳感器進(jìn)行檢測。36.點(diǎn)位通過(guò)傳感器測量后，需要由數據采集設備進(jìn)行采集，將傳感器連續的檢測結果轉換為一定周期的離散數據，周期可根據算法需要或者其它情況來(lái)進(jìn)行調整。通常一個(gè)傳感器設備配有一個(gè)數據采集設備，也可以多個(gè)傳感器設備共用一個(gè)數據采集設備。在多個(gè)傳感器設備共用一個(gè)數據采集設備的情況下，可以選取位置相對靠近的傳感器共同使用一個(gè)數據采集設備，也可根據實(shí)際情況來(lái)選取共用一個(gè)數據采集設備的傳感器設備。37.通過(guò)數據采集設備進(jìn)行采集后，數據將通過(guò)數據傳輸設備進(jìn)行傳輸，如路由器、網(wǎng)關(guān)等設備。通常同一物理空間內的數據采集設備可以共用一套數據傳輸設備，具體實(shí)現由實(shí)際物理空間的條件而決定。38.軟件后端模塊是與其它模塊進(jìn)行數據的交互、管理各模塊獲得的數據，和管理各部分的任務(wù)進(jìn)行或線(xiàn)程等，是各個(gè)模塊相互連接的中心。具體包括但不限于數據獲取功能、數據存儲與管理功能、數據的簡(jiǎn)單處理功能、核心算法任務(wù)的調用與管理功能和前端的交互功能。39.具體可以用于存儲數據處理模塊中的數據和算法計算模塊的計算結果，并將數據和計算結果發(fā)送給軟件前端模塊。40.算法計算模塊用于獲取需要診斷的故障目標點(diǎn)，根據故障目標點(diǎn)獲得影響故障目標點(diǎn)的其它點(diǎn)位，基于其它點(diǎn)位和點(diǎn)位數據獲得表征其它點(diǎn)位工作狀態(tài)的其它點(diǎn)位數據；對其它點(diǎn)位數據進(jìn)行特征提取操作，獲得特征值；使用機器學(xué)習模型處理特征值，得到故障目標點(diǎn)的預測數據，基于預測數據和故障目標點(diǎn)的實(shí)際數據，判斷除濕機的運行狀態(tài)。41.根據潛在故障發(fā)生可能性的大小，從除濕系統存在的潛在故障類(lèi)型中選取一個(gè)進(jìn)一步診斷的故障類(lèi)型，基于該故障類(lèi)型來(lái)確定故障目標點(diǎn)，比如，選取進(jìn)一步診斷的故障類(lèi)型為送風(fēng)口溫度，那么該故障目標點(diǎn)為送風(fēng)口處。通過(guò)機器學(xué)習技術(shù)，結合與該故障目標點(diǎn)相關(guān)聯(lián)的其它點(diǎn)位的運行數據，同時(shí)也結合設備的運行機理和環(huán)境條件，全面綜合地實(shí)現除濕系統的故障準確診斷。42.軟件前端模塊主要是與使用軟件的用戶(hù)進(jìn)行交互，將系統中的數據以一定的形式進(jìn)行展示，同時(shí)獲得用戶(hù)的操作信息。具體的軟件前端功能包括但不限于：操作界面功能、用戶(hù)登錄與管理功能、系統總覽功能、設備實(shí)時(shí)數據展示功能、故障報警功能、報警展示與管理功能、歷史數據展示功能和系統設置功能等。具體可以用于顯示除濕機的運行狀態(tài)和故障目標點(diǎn)的預測數據。43.本實(shí)施例的除濕系統中數據處理模塊對除濕系統進(jìn)行若干點(diǎn)位的數據檢測、采集和傳輸；由軟件后端部分接收該數據，并對數據進(jìn)行存儲，同時(shí)將數據進(jìn)行一定的處理后調用算法計算模塊對數據進(jìn)行運算；算法計算模塊將計算的結果返回給軟件后端模塊；軟件后端部分將獲得的數據、計算結果發(fā)送給軟件前端模塊，由軟件前端模塊負責展示；本實(shí)施例中包含的硬件平臺為搭載軟件后端模塊和算法計算模塊的服務(wù)器；軟件前端模塊可在本地硬件平臺上進(jìn)行展示，也可通過(guò)網(wǎng)絡(luò )在其它硬件平臺上展示，如計算機上面遠程展示；用戶(hù)可通過(guò)軟件前端模塊或者遠程軟件前端模塊對故障診斷系統進(jìn)行設置、控制等操作，用戶(hù)在軟件前端模塊的操作信息將會(huì )發(fā)送給軟件后端模塊，由軟件后端模塊根據用戶(hù)輸入的信息對核心算法或軟件后端模塊本身的參數或結構進(jìn)行相應的調整。44.基于上述系統，本系統提供了一種除濕機在線(xiàn)故障診斷方法。圖3是本實(shí)施例提供的除濕機在線(xiàn)故障診斷方法的流程圖。如圖3所示，該流程包括如下步驟：步驟s301，獲取表征點(diǎn)位工作狀態(tài)的點(diǎn)位數據和需要診斷的故障目標點(diǎn)，根據故障目標點(diǎn)獲得影響故障目標點(diǎn)的其它點(diǎn)位，基于其它點(diǎn)位和點(diǎn)位數據獲得表征其它點(diǎn)位工作狀態(tài)的其它點(diǎn)位數據。45.在本實(shí)施例中，傳感器在實(shí)時(shí)記錄著(zhù)除濕機不同位置的點(diǎn)位數據，根據其它點(diǎn)位可以從點(diǎn)位數據中獲取表征其它點(diǎn)位工作狀態(tài)的其它點(diǎn)位數據，其中，根據故障目標點(diǎn)獲得影響故障目標點(diǎn)的其它點(diǎn)位包括：根據故障目標點(diǎn)判斷故障目標點(diǎn)所屬的故障類(lèi)型，基于故障類(lèi)型確定影響故障目標點(diǎn)的其它點(diǎn)位，其中，每種故障類(lèi)型都有確定影響故障目標點(diǎn)的其它點(diǎn)位的判斷標準。46.本實(shí)施例中故障目標點(diǎn)的故障類(lèi)型包括受管道風(fēng)向影響的故障類(lèi)型和除濕系統中設備工作參數的故障類(lèi)型。影響每種故障類(lèi)型的因素都不同，受管道風(fēng)向影響的故障類(lèi)型的影響因素是管道中的風(fēng)向，而設備工作參數的故障類(lèi)型的影響因素是該設備的其它數據。比如故障目標點(diǎn)屬于受管道風(fēng)向影響的故障類(lèi)型，在基于該故障類(lèi)型確定影響故障目標點(diǎn)的其它點(diǎn)位的具體操作為：根據故障目標點(diǎn)確定其所處的第一管道，基于第一管道的氣體流向可以確定第一管道中直接影響故障目標點(diǎn)的第一其它點(diǎn)位，其中，第一其它點(diǎn)位至少包含一個(gè)點(diǎn)位。由于本實(shí)施例中設有兩個(gè)管道，因此還需要判斷氣體從第一其它點(diǎn)位到故障目標點(diǎn)位的過(guò)程中是否會(huì )遇到分叉口，流入第二管道中，若有，就需要根據氣體的流向確定第二管道中直接影響故障目標點(diǎn)的第二其它點(diǎn)位，其中，其它點(diǎn)位包括第一點(diǎn)位和第二點(diǎn)位；若沒(méi)有流入第二管道中，那么第二其它點(diǎn)位就是空白，此時(shí)的其它點(diǎn)位就是第一其它點(diǎn)位。在診斷故障目標點(diǎn)時(shí)也充分考慮其它點(diǎn)位對該故障目標點(diǎn)處數據的影響，與其它點(diǎn)位進(jìn)行聯(lián)動(dòng)分析。47.步驟s302，對其它點(diǎn)位數據進(jìn)行特征提取操作，獲得特征值；使用機器學(xué)習模型處理特征值，得到故障目標點(diǎn)的預測數據，基于預測數據和故障目標點(diǎn)的實(shí)際數據，判斷除濕機的運行狀態(tài)。48.在對其它點(diǎn)位數據進(jìn)行特征提取時(shí)，可以采用以下操作方式至少之一：其它點(diǎn)位數據中的某一點(diǎn)位數據在一段時(shí)間內的運算操作；其它點(diǎn)位數據中若干個(gè)點(diǎn)位數據在一段時(shí)間內的運算操作。其中，其它點(diǎn)位數據中的某一點(diǎn)位數據在一段時(shí)間內的運算操作可以為這段時(shí)間內該點(diǎn)位數據的均值、最大值、最小值、方差、標準差、積分、微分和傅里葉變換后各能量的分量等，其它點(diǎn)位數據中若干個(gè)點(diǎn)位數據在一段時(shí)間內的運算操作可以為該點(diǎn)位在一段時(shí)間內數據的加和、乘積、差值、比例、均值、方差和標準差等操作。49.由于對點(diǎn)位數據進(jìn)行運算操作后的特征值可以更簡(jiǎn)單清楚地表明點(diǎn)數數據的變化趨勢，體現當前點(diǎn)位的特點(diǎn)。因此，根據實(shí)際情況使用對點(diǎn)位數據進(jìn)行運算操作后的特征值來(lái)替代原始的點(diǎn)位數據，對故障目標點(diǎn)和與其相關(guān)的點(diǎn)位進(jìn)行全面數據分析，從而綜合全面地分析可能存在的異常，提高故障識別率。50.圖4是本實(shí)施例提供的基于機器學(xué)習的除濕機預警方案的流程圖。如圖4所示，該方案包括目標確立、數據獲取、特征提取、模型構建、上線(xiàn)運行和模型維護。其中，目標確立用于確定所要預測或分類(lèi)的故障類(lèi)型，確定故障目標點(diǎn)。數據獲取用于獲取運行數據、環(huán)境數據和工藝數據，并對數據進(jìn)行數據清洗等預處理，舍棄檢測出現錯誤的數據。特征提取用于對所預測的故障目標點(diǎn)進(jìn)行經(jīng)驗上的故障梳理，比如該設備容易出現哪些故障，相應的故障原因是哪些，同時(shí)對其它數據點(diǎn)進(jìn)行統計分析，尋找故障相關(guān)的關(guān)鍵特征。其中步驟s301和步驟s302已經(jīng)對其進(jìn)行了詳細說(shuō)明，這里就不再進(jìn)行贅述。51.模型構建需要根據故障目標點(diǎn)的特點(diǎn)、類(lèi)型、數據情況、特征情況等多方面因素，選擇合適的機器學(xué)習算法。選擇算法后需要對模型進(jìn)行訓練，同時(shí)通過(guò)算法參數的調整，目的是達到理想的計算結果。最終對模型的計算結果進(jìn)行評估，不滿(mǎn)足要求則需要重新調整模型參數、或調整特征、或重新選擇模型，因此該步驟需要與特征提取進(jìn)行互動(dòng)，經(jīng)過(guò)反復多次的特征提取和模型訓練，達到最終理想的計算結果。52.由于除濕機都有各自的設備參數，且故障目標點(diǎn)也有各自的特點(diǎn)，因此需要基于除濕機的設備參數和故障目標點(diǎn)先確定初始機器學(xué)習模型，然后再根據歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據來(lái)離線(xiàn)訓練初始機器學(xué)習模型，來(lái)得到最終機器學(xué)習模型。53.另外，模型構建在和特征提取進(jìn)行互動(dòng)，經(jīng)過(guò)反復多次的特征提取和模型訓練，達到最終理想的計算結果，也就是根據歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據離線(xiàn)訓練初始機器學(xué)習模型，獲得最終機器學(xué)習模型的過(guò)程。其中，機器學(xué)習模型所包含的具體算法有很多，具體的機器學(xué)習算法包括但不限于：bp神經(jīng)網(wǎng)絡(luò )、決策樹(shù)、支持向量機、k近鄰、隨機森林、lstm、集成學(xué)習、xgboost、lightgbm和卷積神經(jīng)網(wǎng)絡(luò )等。54.在獲得最終機器學(xué)習模型之前還包括：獲取歷史特征值和故障目標點(diǎn)的歷史實(shí)際數據中用于測試最終機器學(xué)習模型準確性的其它點(diǎn)位測試數據和故障目標點(diǎn)的測試數據，使用最終機器學(xué)習模型處理其它點(diǎn)位測試數據，獲得故障目標點(diǎn)的測試預測數據；判斷故障目標點(diǎn)的測試預測數據與故障目標點(diǎn)的實(shí)際數據之間的差值是否大于閾值，若是，則表明當前的機器學(xué)習模型不可用，需要調整特征提取操作和/或選擇新的初始機器學(xué)習模型，接著(zhù)進(jìn)行訓練，直到機器學(xué)習模型可用才停止訓練；否則，就表明當前的機器學(xué)習模型可用，獲得了最終機器學(xué)習模型。55.獲得最終機器學(xué)習模型后，由于特征提取操作方式中的包含某一點(diǎn)位數據在一段時(shí)間內的運算操作，因此特征提取的運算需要經(jīng)過(guò)一定的調整，由離線(xiàn)數據特征提取計算轉變?yōu)樵诰€(xiàn)數據的特征提取計算。通過(guò)離線(xiàn)轉在線(xiàn)之后的模型便可上線(xiàn)運行，對未來(lái)的數據進(jìn)行實(shí)時(shí)的計算，獲得故障目標點(diǎn)的預測數據。56.模型上線(xiàn)運行后，會(huì )得到實(shí)時(shí)的結果，但與此同時(shí)，我們也需要關(guān)注模型結果的性能，若預測結果與實(shí)際情況相比的準確性、預測計算的耗時(shí)等，并且定期地將新的故障案例數據作為訓練樣本，對原有的模型進(jìn)行增量學(xué)習，從而進(jìn)一步提高模型的準確性，或防止模型隨時(shí)間推移出現性能下降的情況。57.圖5是本實(shí)施例提供的機器學(xué)習模型維護示意圖。如圖5所示，實(shí)時(shí)測量所得的數據稱(chēng)為在線(xiàn)數據，在線(xiàn)數據經(jīng)過(guò)在線(xiàn)特征提取后，得到若干量化的特征值，特征值作為機器學(xué)習模型的輸入，經(jīng)過(guò)模型的計算，得到相應的輸出，即異?；蚬收系膱缶蛟\斷結果。58.當在線(xiàn)數據發(fā)生后，以一定的方式存儲下來(lái)，成為離線(xiàn)數據。在機器學(xué)習模型初次建立或后續更新時(shí)，需要利用足夠量的離線(xiàn)數據進(jìn)行模型訓練。離線(xiàn)數據經(jīng)過(guò)特征提取得到若干歷史特征值，這些歷史特征值用于模型的訓練。當模型訓練完畢并在驗證數據上達到理想的效果后，模型可用于在線(xiàn)計算。需要注意的是，對于解決不同的故障診斷問(wèn)題時(shí)，基于機器學(xué)習的除濕機預警方案的流程和機器學(xué)習模型維護方式都是相同的，但具體用到的點(diǎn)位數據、特征和機器學(xué)習模型并不一定相同，需要根據實(shí)際情況而進(jìn)行選擇。59.在本實(shí)施例中，基于預測數據和故障目標點(diǎn)的實(shí)際數據，判斷除濕機的運行狀態(tài)包括：基于預測數據和故障目標點(diǎn)的實(shí)際數據，獲得兩者之間的偏差，記錄偏差在固定時(shí)間內超過(guò)預設偏差的次數，判斷次數是否超過(guò)預設次數，若是，則判斷除濕機的運行狀態(tài)為非正常，除濕機發(fā)出報警信號；否則，除濕機的運行狀態(tài)為正常。通過(guò)數據分析、機器學(xué)習技術(shù)實(shí)現設備異常報警、設備故障診斷、設備數據趨勢動(dòng)態(tài)預警，且上述多種算法功能的綜合運用也可以提高故障報警準確性。60.在本實(shí)施例中，除濕機的運行狀態(tài)為非正常之后還包括對故障目標點(diǎn)進(jìn)行設置和/或控制操作來(lái)保護除濕機。61.本實(shí)施例還提供了以雙轉輪除濕系統中的一種故障：送風(fēng)露點(diǎn)異常，采用lightgbm算法的機器學(xué)習模型為例的測試。圖6是本實(shí)施例提供的除濕系統中部分點(diǎn)位說(shuō)明圖。如圖6所示，每一個(gè)編號代表一個(gè)點(diǎn)位數據，①送風(fēng)露點(diǎn)、②后部?jì)鏊y門(mén)開(kāi)度、③中部風(fēng)管溫度、④中部風(fēng)管濕度、⑤中部風(fēng)機轉速、⑥二級轉輪轉速、⑦后部蒸汽閥門(mén)開(kāi)度、⑧后部再生風(fēng)管溫度和⑨后部排風(fēng)風(fēng)管溫度。62.在本測試中以①為故障目標點(diǎn)，②至⑨為模型所需的其它點(diǎn)位數據。然后對②至⑨采用平均值方式進(jìn)行特征提取，并采用lightgbm算法的機器學(xué)習模型，其中本測試在2021.10.07到2021.10.17的時(shí)間段內一共采用了個(gè)時(shí)刻的數據，其中前個(gè)時(shí)刻作為訓練及驗證數據，訓練與驗證的數據比例為7：3，即有算法從個(gè)時(shí)刻的數據中隨機選取70%的數據作為訓練數據，30%的數據作為驗證數據。剩下的2500個(gè)時(shí)刻的數據作為預測集，其中包含約300個(gè)時(shí)刻的異常數據和約2200個(gè)時(shí)刻的正常數據。上述的每一個(gè)時(shí)刻數據包含②至⑨點(diǎn)位數據的若干特征值。圖7是本實(shí)施例提供測試的訓練集預測結果對比圖。如圖7所示，灰虛線(xiàn)部分為用于模型訓練的真實(shí)歷史數據，灰點(diǎn)實(shí)線(xiàn)部分為未經(jīng)過(guò)模型訓練的真實(shí)歷史數據，黑實(shí)線(xiàn)部分為模型經(jīng)過(guò)訓練后，對送風(fēng)露點(diǎn)的預測結果。在訓練階段，預測數據能夠較為準確地與真實(shí)數據重合，預測誤差在5攝氏度以?xún)?，說(shuō)明了模型的準確性較高。63.圖8是本實(shí)施例提供的關(guān)于圖7中預測階段的放大圖。如圖8所示，在對未來(lái)數據的預測部分，當設備正常時(shí)，預測數據與真實(shí)數據能夠較好地重合，而當設備出現異?；蚬收蠒r(shí)，真實(shí)數據與預測數據出現較大偏差，本測試中對送風(fēng)露點(diǎn)預測的偏差最大達到30攝氏度，超過(guò)了正常的誤差范圍，系統做出報警，認為出現送風(fēng)露點(diǎn)異常。最后，將訓練完成并經(jīng)過(guò)驗證的模型，部署至除濕機在線(xiàn)故障診斷系統中，由軟件后端進(jìn)行調用，對未來(lái)的數據進(jìn)行在線(xiàn)的、實(shí)時(shí)的計算，并將計算結果發(fā)送至軟件前端展示。64.圖9是本實(shí)施例提供的服務(wù)器的結構框圖，如圖9所示，該服務(wù)器包括處理器91和存儲器92，其中，存儲器92上存儲有能在處理器91上運行的計算機程序93，該計算機程序93被處理器執行時(shí)實(shí)現本技術(shù)實(shí)施例提供的一種除濕機在線(xiàn)故障診斷方法。65.本技術(shù)實(shí)施例提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，當其在計算機上運行時(shí)，使得計算機可以執行前述方法實(shí)施例中相應內容。66.應該理解的是，雖然附圖的流程圖中的各個(gè)步驟按照箭頭的指示依次顯示，但是這些步驟并不是必然按照箭頭指示的順序依次執行。除非本文中有明確地說(shuō)明，這些步驟的執行并沒(méi)有嚴格的順序限制，其可以以其他的順序執行。67.以上所述僅是本技術(shù)的部分實(shí)施方式，應當指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本技術(shù)原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應視為本技術(shù)的保護范圍。