基于人工智能和大數(shù)據(jù)技術(shù)的新型自動故障檢測器的設(shè)計(jì)
摘 要:世界范圍內(nèi)對能源和環(huán)境問題的關(guān)注導(dǎo)致了對減少能源使用的關(guān)注。每個能源領(lǐng)域的研究都表明,住宅和商業(yè)建筑領(lǐng)域比工業(yè)、農(nóng)業(yè)、服務(wù)和交通等其他領(lǐng)域消耗更多的電力。對建筑行業(yè)能耗的研究表明,使用人工智能(AI)可節(jié)省10%-30%的能源,該系統(tǒng)將能夠檢測和分析能源使用模式評估中的異常,診斷并在適當(dāng)?shù)臅r間提出最佳解決方案。本文提出將人工智能技術(shù)與大數(shù)據(jù)算法相結(jié)合,加強(qiáng)對建筑系統(tǒng)的監(jiān)控,提高舒適度,有效降低運(yùn)行成本。此外,作者還提出了利用人工智能(AI)和建筑管理系統(tǒng)(BMS)產(chǎn)生的大數(shù)據(jù),自動檢測異常能耗的工具。這是通過設(shè)計(jì)一個名為故障檢測工具(FDT)的軟件應(yīng)用程序來實(shí)現(xiàn)的,它可以自動檢測能源的異常消耗,優(yōu)化不同資源的使用,并分析故障、投訴和終止它們所需的時間。實(shí)驗(yàn)結(jié)果表明,該方法能夠準(zhǔn)確地檢測出建筑能耗的異常模式。這個工具將成為人工智能決策系統(tǒng)的一部分。
本文引用地址:http://www.ex-cimer.com/article/202210/439666.htm1 前言
在當(dāng)今社會,一天產(chǎn)生的電子數(shù)據(jù)將比圖書館中所有印刷材料所包含的數(shù)據(jù)量還要多。大數(shù)據(jù)是指在各個領(lǐng)域的大量操作中產(chǎn)生的大量結(jié)構(gòu)化和非結(jié)構(gòu)化信息。通過使用大數(shù)據(jù)來滲透,從而指導(dǎo)良好的決策和改善大量的操作。大數(shù)據(jù)的數(shù)據(jù)量、操作次數(shù)以及數(shù)據(jù)源的數(shù)量非常龐大,需要特殊的流程和技術(shù)來分析、存儲和收集。被分析的數(shù)據(jù)形成了大數(shù)據(jù)常用描述的基礎(chǔ),即三個 V: 多樣性 (Variety)、速度 (Velocity) 和體積 (Volume)。
2 背景
在本節(jié)中,我們將介紹與能源消耗有關(guān)的一些基本問題,以及如何使用 AI 技術(shù)來優(yōu)化它。
2.1 大數(shù)據(jù)與AI的融合
人工智能使機(jī)器有可能從經(jīng)驗(yàn)中學(xué)習(xí),安排新的輸入,并做類似人類的工作。大多數(shù)人工智能應(yīng)用,比如下棋的電腦、自動駕駛汽車,都經(jīng)歷了深度學(xué)習(xí)和自然語言處理的許多階段。使用這些技術(shù),機(jī)器可以通過處理大量信息并識別這些信息中的模式來訓(xùn)練并執(zhí)行特殊任務(wù)。大數(shù)據(jù)反映了使用人工智能應(yīng)用將大量來源多樣的信息結(jié)合起來提供洞察力的實(shí)踐。
2.2 人工神經(jīng)網(wǎng)絡(luò)(ANN)
人工神經(jīng)網(wǎng)絡(luò)是一種機(jī)器學(xué)習(xí)技術(shù),已廣泛應(yīng)用于衛(wèi)生、金融、工程和科學(xué)領(lǐng)域,通過使用一種調(diào)整網(wǎng)絡(luò)的稱重系統(tǒng)來預(yù)測輸入變量對輸出的影響,以將誤差降低到盡可能低的比率。ANN 主要有三層,分別是輸入層、隱藏層和輸出層,這三層之間相互聯(lián)系。它們也有加權(quán)的輸入成分,當(dāng)信號通過隱藏的神經(jīng)元時,這些成分會發(fā)生變化,隱層神經(jīng)元 (hi) 與相鄰層的輸入神經(jīng)元相連,并通過一個權(quán)系數(shù)與輸出神經(jīng)元相連。
樓宇管理系統(tǒng) (building management system,BMS) 是現(xiàn)代商業(yè)樓宇尤其是智能樓宇運(yùn)營中必不可少的一部分。業(yè)主及營辦商一般會維修及升級這些控制系統(tǒng),目的如下:確保維持基本的運(yùn)作水平,滿足預(yù)期的設(shè)計(jì)條件,提高效率,減少能源消耗和二氧化碳排放,將風(fēng)險、投訴處理和控制系統(tǒng)的使用壽命最優(yōu)化。技術(shù)已經(jīng)為建筑控制系統(tǒng)相關(guān)的硬件和軟件平臺在成本、性能和可靠性方面提供了廣泛的改進(jìn)。
圖1 BMS架構(gòu)與大數(shù)據(jù)平臺
雖然大部分電力用于建筑的主要日常用途,但由于建筑系統(tǒng)設(shè)備故障和錯誤配置的 BMS,大量的能源出現(xiàn)損失。例如,錯誤配置的設(shè)定值或建筑設(shè)備,或錯位的傳感器和執(zhí)行器,都可能導(dǎo)致實(shí)際能源消耗與預(yù)測的偏差。我們的提議目的是精確定位 BMS 元素中可能影響建筑電力效率的錯誤類型,以及檢查可用于其識別和診斷的過程。在本文中,我們提出了一種技術(shù),旨在利用 BMS 大數(shù)據(jù)和 AI 技術(shù)跟蹤投訴和完成投訴的時間,自動檢測異常能耗。
3 文獻(xiàn)綜述
Andrii Zakovorotnyi 提出了一種用于確定不同行為模式的新方法,其中每個行為模式代表一組相似的日常配置文件,并以不同的頻率出現(xiàn)在建筑 ( 建筑系統(tǒng) ) 中。該方法以兩個聚類程序?yàn)榛A(chǔ),并行實(shí)現(xiàn),并借助人工神經(jīng)網(wǎng)絡(luò)利用 MATLAB 軟件實(shí)現(xiàn)。
Adam Kucera 提出了一種能夠自動檢測和診斷商用建筑暖通空調(diào)系統(tǒng)故障的新系統(tǒng)。該系統(tǒng)能夠準(zhǔn)確、可靠地實(shí)時檢測故障,使用來自澳大利亞紐卡斯?fàn)栆蛔\(yùn)營大樓的數(shù)據(jù),以及標(biāo)準(zhǔn) ASHRAE 1020 項(xiàng)目的 FDD 數(shù)據(jù)集。他提出了一種基于隱馬爾可夫模型的 FDD 技術(shù),用于學(xué)習(xí)正常和故障運(yùn)行過程中集合點(diǎn)之間的概率關(guān)系。這可以在未來的操作中被動地推斷出信息中相似模式的可能性,效率很高。
4 新型自動故障檢測器
本文提出了一種新的工具,通過 AI 和 BMS 大數(shù)據(jù)的集成,能夠自動檢測和診斷故障。該工具能夠使用新的和歷史的 BMS 數(shù)據(jù),準(zhǔn)確、可靠地實(shí)時檢測故障。FDT? (Fault Detection Tool)是一款利用 BMS 大數(shù)據(jù)分析技術(shù),完成異常能耗檢測任務(wù)的軟件應(yīng)用。BMS 收集大量的數(shù)據(jù),如運(yùn)行數(shù)據(jù) ( 如溫度、電力 )、能源使用模式數(shù)據(jù)和天氣數(shù)據(jù)。這些數(shù)據(jù)集具有時間序列特征。因此,F(xiàn)DT 利用時態(tài)數(shù)據(jù)庫模型對 BMS 收集的數(shù)據(jù)集進(jìn)行有效的建模。FDT 建立在 BMS 的基礎(chǔ)上,如圖 2 所示。
圖2 用于檢測異常能耗的FDT
4.1 神經(jīng)網(wǎng)絡(luò)故障檢測
為了應(yīng)用當(dāng)前系統(tǒng)狀態(tài)的故障檢測,需要輸入的歷史數(shù)據(jù)和新的大數(shù)據(jù),因?yàn)橄到y(tǒng)的行為將與歷史模式不同。
實(shí)時 FDT 的第一步是預(yù)處理,預(yù)處理需要替換缺失的值,刪除不完整的列和行以及極值。這些信息清理的步驟還可以包括數(shù)據(jù)集成、還原、離散化和轉(zhuǎn)換,以使工具快速工作并禁止虛假結(jié)果。因此,多余的輸入變量 ( 如常量 ) 被刪除,缺失的值被替換為零,并取缺失值單元最近鄰居值的平均值。
本研究使用重要度評分來建立源元素 ( 輸入數(shù)據(jù) ) 對目標(biāo)元素 ( 輸出數(shù)據(jù) ) 行為的影響。這些步驟旨在確定可操作的數(shù)據(jù)處理大小,將對目標(biāo)組件的態(tài)度提供有效貢獻(xiàn)。
因此,預(yù)測分析中的第一個過程是將源元素的讀數(shù)與目標(biāo)元素的讀數(shù)以及源元素對記錄的目標(biāo)元素的累積影響關(guān)聯(lián)起來。神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練利用公式中的信息組合估計(jì)目標(biāo)組件的值,在交叉驗(yàn)證集成過程中使用如圖 3 所示的結(jié)構(gòu)執(zhí)行。
圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
用于 FD 改進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),Txl 為目標(biāo)元素 ( 輸 出 ),Tx2,Tx3,…,Tx234 表示系統(tǒng)的源元素 ( 輸入 )。
建議的方法使用兩組輸入數(shù)據(jù),即當(dāng)前的 BMS 數(shù)據(jù)和過去的 BMS 數(shù)據(jù),計(jì)算兩者之間的相似性,以判斷當(dāng)前建筑能源使用模式是否存在異常。因此,建議的 FDT 由兩個子任務(wù)組成:(1) 從數(shù)據(jù)集中獲取歷史數(shù)據(jù),(2) 確定當(dāng)前 BMS 讀取值與過去值之間的相似性。
建筑系統(tǒng)在不同的天氣和操作模式下表現(xiàn)非常不同。為了有效地檢測建筑用電量的異常模式,在相似的環(huán)境和運(yùn)行條件下,比較觀察到的用電量模式是很重要的。因此,建議的 FDT 第一個子任務(wù)是檢測與當(dāng)前情況類似的過去情況下觀察到的電力使用信息。
4.2 本算法功能
(1)驗(yàn)證數(shù)據(jù),去除人工神經(jīng)網(wǎng)絡(luò)中極端和遺漏的列。
(2)比較兩組數(shù)據(jù)的每個參數(shù)值。
(3)如果所有遵從度小于或等于 5%,顯示 OK 消息并關(guān)閉。
(4)如果遵從度大于 5%,顯示錯誤并保存報告。
5 實(shí)驗(yàn)結(jié)果
在本節(jié)中,我們描述了為評估建議方法的有效性而進(jìn)行的實(shí)驗(yàn)。我們執(zhí)行了兩次算法,每次使用不同的數(shù)據(jù)集。
5.1 第一個數(shù)據(jù)集測試
本文測試的第一個數(shù)據(jù)集,是由Energy Plus生成的,這是最流行的能源模擬工具。為了進(jìn)行評估,我們創(chuàng)建了兩個不同的數(shù)據(jù)集:過去的電力使用數(shù)據(jù)集和當(dāng)前的能源使用數(shù)據(jù)集。為了收集過去的能源使用數(shù)據(jù)集,模擬了一個住宅建筑一年時間的 Energy Plus。過去的電力使用數(shù)據(jù)被收集并建模然后存儲在 XML 文件中。為了對建議的方法進(jìn)行評估,我們還生成了當(dāng)前的電力使用數(shù)據(jù)集 ( 與測試數(shù)據(jù)集兼容 )。通過在 Energy Plus 上模擬相同的建筑,還隨機(jī)提取了部分用電數(shù)據(jù)并加入了噪 聲。注意,我們向 Energy Plus 生成的電力使用數(shù)據(jù)添加噪聲的想法是創(chuàng)建一組作為異常電力使用模式工作的測試數(shù)據(jù)。圖 4 顯示了檢測建筑用電量的異常模式,并向操作中心實(shí)時解決這些問題。通過 FDT 可以看出,我們可以實(shí)現(xiàn)非常低的錯誤率。這驗(yàn)證了所提出的方法可非常有效地檢測異常模式的建筑能耗。
圖4 FDT結(jié)果:能量消耗正常和異常
5.2 第二個數(shù)據(jù)集測試
在 BMS 用于機(jī)場等大型建筑運(yùn)行監(jiān)控的基礎(chǔ)上,選擇了用于說明 FDT 有效性的實(shí)驗(yàn)用例。實(shí)驗(yàn)數(shù)據(jù)由 7 個大廳、154 個辦公室、12 個數(shù)據(jù)室和 22 個動力室的輸入組成,它們屬于本次任務(wù)選擇的建筑之一。每個地方都配備了當(dāng)?shù)氐目照{(diào) (AC) 機(jī)組,可以通過位于房間內(nèi)的控制面板進(jìn)行管理。用戶可以開關(guān) AC 單元,來 改變所需的室溫??照{(diào)控制送風(fēng)風(fēng)扇的轉(zhuǎn)速,控制中央暖氣散熱器閥門的開啟或關(guān)閉。如果該地方的窗戶被打開,空調(diào)自動關(guān)閉。所有的交流操作都對能耗有直接影響。數(shù)據(jù)集是由 BMS 生成的,包含所有選定位置數(shù)據(jù)的 30 480 個 XML 文件。采用 FDT 后,我們發(fā)現(xiàn)它對能源消耗有很大的影響,已經(jīng)報告和處理了許多能源使用失真。
在使用 FDT 后,如果功耗出現(xiàn)失真,報警將發(fā)送到操作中心,執(zhí)行所有程序,恢復(fù)到如圖 5 所示的正常狀態(tài)。
圖5 故障檢測階段
6 結(jié)語
隨著人們對能源的日益關(guān)注,提高能源利用效率已經(jīng)成為世界各國一個非常重要的課題。在本文中,我們首先回顧和研究了大數(shù)據(jù)與人工智能的融合;在此基礎(chǔ)上,提出了一種利用 BMS 大數(shù)據(jù)和人工智能技術(shù)檢測異常能耗的新工具。這可以加強(qiáng)對建筑系統(tǒng)的監(jiān)控,提高建筑的舒適性,有效降低建筑的能耗運(yùn)行成本。此外,作者還提出了一種利用人工智能和建筑管理系統(tǒng) (BMS) 產(chǎn)生的大數(shù)據(jù)自動檢測異常能耗的工具;設(shè)計(jì)了一種自動故障檢測工具 (FDT),用于檢測能源的異常消耗,優(yōu)化不同資源的使用,分析故障、投訴和終止它們所需的時間。實(shí)驗(yàn)結(jié)果表明,該方法能夠準(zhǔn)確地檢測出建筑能耗的異常模式,該工具是人工智能決策系統(tǒng)的一部分。
參考文獻(xiàn):
[1]?許丹.基于人工智能算法的線圈電流故障自動診斷方法[J].自動化與儀器儀表,2021(07):96-99.
[2]?范申民.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的機(jī)器人并發(fā)故障自動診斷方法[J].自動化與儀器儀表,2021(02):57-60.
[3]?張夢麗.礦山電氣自動化控制系統(tǒng)設(shè)計(jì)中人工智能技術(shù)的應(yīng)用[J].世界有色金屬,2020(22):21-22.
[4]?蘇茂.科遙奇機(jī)器人故障自動檢測系統(tǒng)V1.0[G].廣西壯族自治區(qū):北海市科遙奇電子科技有限公司,2018(10).
[5]?李洪超.人工智能在電氣自動控制中的應(yīng)用分析[J].中國新通信,2018,20(09):218.
(注:本文轉(zhuǎn)載自《電子產(chǎn)品世界》雜志2022年10月期)
評論