典型文献
基于联邦学习的暖通空调系统故障检测与诊断
文献摘要：
暖通空调系统的自动化和准确故障检测与诊断是智能工业设施维护领域减少时间、能源和财务成本的最重要技术之一.近年来,基于数据驱动的故障检测与诊断方法在暖通空调方面表现出色,但是大多数方法都只能检测单一故障等级的故障,并且不能进行跨系统故障诊断.为了解决这两个问题,提出一种基于联邦学习的故障检测与诊断方法,该方法使用卷积神经网络来提取信息特征,利用特定算法进行聚合,经过多次联邦学习,能够进行跨故障等级和跨系统故障检测与诊断.在多故障等级故障检测与诊断方面,利用冷水机组4个故障等级数据进行联邦学习.实验结果显示,4个故障等级的故障检测和诊断效果的F1-sco re平均值接近0.97,已经达到实际应用水平.在跨系统故障检测与诊断方面,利用冷水机组和空气处理机组数据进行联邦学习.实验结果表明,利用不同系统数据进行联邦学习,可以提高某些轻微故障的诊断效果,比如,相比传统机器学习方法,RefOver故障的诊断效果F1-score提升了14.4％,Refleak和Exoil两个故障的诊断F1-score提升了2％ ～4％.
文献关键词：
暖通空调系统;故障检测与诊断;卷积神经网络;联邦学习
中图分类号：
作者姓名：
王先圣;严珂
作者机构：
中国计量大学信息工程学院 杭州310000
文献出处：
引用格式：
[1]王先圣;严珂-.基于联邦学习的暖通空调系统故障检测与诊断)[J].计算机科学,2022(12):74-80
A类：
RefOver,Refleak,Exoil
B类：
联邦学习,暖通空调系统,系统故障,故障检测与诊断,智能工业,工业设施,减少时间,财务成本,表现出色,单一故障,提取信息,信息特征,多故障,冷水机组,诊断效果,应用水平,空气处理机组,同系,系统数据,机器学习方法,score
AB值：
0.188346
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
