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

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，加強對建筑系統(tǒng)的監(jiān)控，提高舒適度，有效降低運行成本。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)計一個名為故障檢測工具(FDT)的軟件應(yīng)用程序來實現(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。實驗結(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。

關(guān)鍵詞：人工智能；能源消耗異常；自動故障檢測

1 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：確保維持基本的運作水平，滿足預(yù)期的設(shè)計條件，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為基礎(chǔ)，并行實現(xiàn)，并借助人工神經(jīng)網(wǎng)絡(luò)利用 MATLAB 軟件實現(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、可靠地實時檢測故障，使用來自澳大利亞紐卡斯?fàn)栆蛔\營大樓的數(shù)據(jù)，以及標(biāo)準(zhǔn) ASHRAE 1020 項目的 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)正常和故障運行過程中集合點之間的概率關(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)，因為系統(tǒng)的行為將與歷史模式不同。

實時 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目標(biāo)組件的值，在交叉驗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)，Tx_l 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 實驗結(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)行的實驗。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，并向操作中心實時解決這些問題。通過 FDT 可以看出，我們可以實現(xiàn)非常低的錯誤率。這驗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)場等大型建筑運行監(jiān)控的基礎(chǔ)上，選擇了用于說明 FDT 有效性的實驗用例。實驗數(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。實驗結(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)