1.一种制冷设备运行状态故障诊断方法,其特征在于:包括以下步骤:步骤一、通过数据采集模块采集制冷设备运行状态数据信息,并将采集到的制冷设备运行状态数据信息通过基于优先级通信协议的数据通信模块实现数据信息传递,其中所述数据采集模块为基于Clara算法模型的数据采集模块,所述Clara算法模型包括数据输入模块、数据编码模块、数据加速模块和数据属性划分模块,其中所述数据输入模块的输出端与数据编码模块的输入端连接,所述数据编码模块的输出端与数据加速模块的输入端连接,所述数据加速模块的输出端与数据属性划分模块的输入端连接;
步骤二、通过数据分类模型对采集到的数据信息进行信息分类,基于改进型神经网络模型对分类后的数据信息进行学习性故障诊断;所述数据分类模型为聚类分类模块;所述改进型神经网络模型包括搜索模块,所述搜索模块用于从制冷设备运行状态大数据信息中搜索目标数据信息,提高数据信息应用能力;
步骤三、诊断出的数据信息在大数据平台中存储,以动态显示制冷设备运行状态故障诊断数据信息;
改进型神经网络模型包括输入层、隐含层和输出层,其中所述隐含层内设置搜索模块;
改进型神经网络模型实现制冷设备运行状态故障诊断的方法为:
步骤一:首先利用BP神经网络前向进行计算,将采集到的制冷设备运行状态数据经输入层输入神经网络,原始数据设为 ,其中 表示原始制冷设备运行状态数据,n表示数据节点个数,隐含层设为: ,j表示蕴含节点,i表示输入数据排序,N表示累加次数, 表示不同数据信息之间的权值, 表示数据信息的阈值,输出层设为 ,各个层次之间不同的数据权值由以及隐藏层数据输出 进行表示;隐含层中第j个节点的输出用 来表示,用 和 来表示其中的阈值,各个节点的输出函数分别表示为:(1)
公式(1)表示输入层节点的输出函数;
(2)
公式(2)表示隐含层数据输出函数;
(3)
公式(3)表示输出层的数据信息函数;
步骤二:对神经网络中的数据信息进行平均误差消除; 神经网络中制冷设备运行状态运行数据样本的平均误差表示为:(4)
式(4)中,通过N来表示神经网络训练过程中样本的个数,通过M来表示输出过程中神经元的数量,通过 来表示训练过程中第k个训练样本的均方误差,通过 来表示第k个样本中最终输出的神经元m的误差,通过E来表示整体训练过程结束时的判断参数;
步骤三:通过搜素模块进行数据信息搜索,搜索方法为蚁群算法,通过寻找优化路径的概率查找制冷设备运行状态故障数据信息;
步骤四:逆向传递误差,在BP神经网络中制冷设备运行状态运行数据进行反向传递时,主要进行如下的步骤:首先对隐含层和输出层之间的权值进行计算,计算通过该式进行:(5)
式(5)中, 表示制冷设备运行状态运行数据的数值增益系数;之后计算输入层和隐含层之间的权值,通过公式(5)进行计算:(6)
式(5)、式(6)中 表示着惯性系数,通过这两个系
数的调整可以控制BP神经网络模型的学习能力,BP神经网络模型的学习能力取值控制在0‑
1的范围之内。
2.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据采集模块包括芯片AMIS‑49587和芯片CS5463。
3.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据输入模块设置有数据兼容接口,所述数据编码模块设置有数据编码控制器,所述数据加速模块设置有基于PFGA控制模块,所述数据属性划分模块设置数据属性设置模块。
4.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述数据通信模块包括通信协议识别模块、优先级计算模块、优先级排序模块和通信协议匹配模块,其中所述通信协议识别模块用于识别数据通信过程中的通信协议,优先级计算模块用于计算数据通信过程中的通信协议,优先级排序模块用于对计算出的数据通信的通信协议按照优先等级进行排列,所述通信协议匹配模块用于配对计算出的数据通信过程中的通信协议,其中所述通信协议识别模块的输出端与优先级计算模块的输入端连接,所述优先级计算模块的输出端与优先级排序模块的输入端连接,所述优先级排序模块的输出端与通信协议匹配模块的输入端连接。
5.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述聚类分类模块包括聚类中心设置模块和分别与所述聚类中心设置模块连接的聚类间隔模块、数据划分模块和中心点距离判断模块,其中所述聚类中心设置模块用于设置聚类中心参数,所述聚类间隔模块用于设置不同数据信息的间隔,所述数据划分模块用于划分不同数据信息,所述中心点距离判断模块用于计算不同数据信息之间距离。
6.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:所述搜索模块还包括路径导航模块。
7.根据权利要求1所述的一种制冷设备运行状态故障诊断方法,其特征在于:制冷设备运行状态故障诊断数据信息动态显示的方法为滚动式显示屏数据显示融合声光报警的方式。