风机盘管的故障检测方法、装置、存储介质和电子设备

摘要

本发明实施例公开了一种风机盘管的故障检测方法、装置、存储介质和电子设备。本发明实施例根据多个包括对应的时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度的时间序列获取目标风机盘管对应的多个第一标签，并根据多个第一标签确定目标风机盘管的故障检测结果。在本发明实施例中，目标风机盘管的进水温度、回水温度、进风温度和回风温度通过温度传感器获得，第一标签通过预先训练的分类模型获得，因此大幅降低了人工成本，同时提升了故障检测的及时性和准确性。

权利要求

1.一种风机盘管的故障检测方法，其特征在于，所述方法包括：获取目标风机盘管对应的多个第一序列，所述第一序列为对应的时间段内所述目标风机盘管的多组待估计数据的时间序列，每组所述待估计数据包括对应的时间段内以预定周期采样获得的所述目标风机盘管的进水温度、回水温度、进风温度和回风温度，各所述第一序列对应不同的时间段，各所述时间段的长度相同；

以各所述第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签，所述第一标签用于表征所述目标风机盘管在所述对应的时间段内的运行状态，所述预先训练的分类模型根据多个风机盘管的样本数据训练获得，所述预先训练的分类模型为循环神经网络；

根据多个所述第一标签确定所述目标风机盘管的故障检测结果。

2.根据权利要求1所述的方法，其特征在于，用于训练所述预先训练的分类模型的所述样本数据中，输入包括与所述第一序列对应时间段长度相同的对应的时间段内多个风机盘管的以与第一序列相同的预定周期采样获得的进水温度、回水温度、进风温度和回风温度的时间序列，输出为对应的检测标签，所述检测标签用于表征所述多个风机盘管在对应的时间段内的运行状态。

3.根据权利要求1所述的方法，其特征在于，所述根据多个所述第一标签确定所述目标风机盘管的故障检测结果包括：

获取用于表征所述运行状态为第一状态的所述第一标签的数量；

响应于所述运行状态为第一状态的所述第一标签的数量满足第一条件，根据所述第一状态确定所述故障检测结果。

4.根据权利要求1所述的方法，其特征在于，所述根据多个所述第一标签确定所述目标风机盘管的故障检测结果包括：

获取用于表征所述运行状态为第一状态的第一标签的数量；

获取所述第一标签的总量；

响应于所述运行状态为第一状态的所述第一标签的数量与所述第一标签的总量的比值满足第二条件，根据所述第一状态确定所述故障检测结果。

5.根据权利要求3或4所述的方法，其特征在于，所述第一状态为正常状态或不同类型的故障状态。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取至少一个第一序列对应的第一标签和检测标签；

将所述第一标签和对应的所述检测标签进行匹配；

响应于所述第一标签与对应的所述检测标签不匹配，将所述检测标签和对应的所述第一序列加入错误样本集合；

根据所述错误样本集合对所述分类模型进行再次训练。

7.一种风机盘管的故障检测装置，其特征在于，所述装置包括：序列获取单元，用于获取目标风机盘管对应的多个第一序列，所述第一序列为对应的时间段内所述目标风机盘管的多组待估计数据的时间序列，每组所述待估计数据包括对应的时间段内以预定周期采样获得的所述目标风机盘管的进水温度、回水温度、进风温度和回风温度，各所述第一序列对应不同的时间段，各所述时间段的长度相同；

标签获取单元，用于以各所述第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签，所述第一标签用于表征所述目标风机盘管在所述对应的时间段内的运行状态，所述预先训练的分类模型根据多个风机盘管的历史数据训练获得，所述预先训练的分类模型为循环神经网络；

检测结果确定单元，用于根据多个所述第一标签确定所述目标风机盘管的故障检测结果。

8.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1‑6中任一项所述的方法。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1‑6中任一项所述的方法。

说明书

风机盘管的故障检测方法、装置、存储介质和电子设备

技术领域

[0001] 本发明涉及数据处理技术领域，具体涉及一种风机盘管的故障检测方法、装置、存储介质和电子设备。

背景技术

[0002] 为了改善建筑室内的环境品质，空调的利用率在逐渐增加。风机盘管式空调系统由一个或多个风机盘管机组和冷热源供应系统组成，在系统中风机盘管产生的某些故障或
异常是逐渐发生的，例如管内水垢、管外积灰、通风不畅等，会造成系统工作效率低或供冷
效果差，而这些问题往往难以被及时发现。现有的风机盘管异常的检测方法通常以人工定
期维保的方式进行或等故障产生严重后果时被发现，上述方式不仅增加了人工成本，且可
能无法在中早期及时发现故障，造成了室内环境品质降低，甚至造成严重后果。

发明内容

[0003] 有鉴于此,本发明实施例提供了一种风机盘管的故障检测方法、装置、存储介质和电子设备，能够以较高的准确率及时发现风机盘管的故障，有效降低对空调系统的使用造
成影响的可能。

[0004] 根据本发明实施例的第一方面，提供一种风机盘管的故障检测方法，所述方法包括：

[0005] 获取目标风机盘管对应的多个第一序列，所述第一序列为对应的时间段内所述目标风机盘管的多组待估计数据的时间序列，每组所述待估计数据包括对应的时间段内以预
定周期采样获得的所述目标风机盘管的进水温度、回水温度、进风温度和回风温度，各所述
第一序列对应不同的时间段，各所述时间段的长度相同；

[0006] 以各所述第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签，所述第一标签用于表征所述目标风机盘管在所述对应的时间段内的运行状态，所述预先训
练的分类模型根据多个风机盘管的样本数据训练获得；

[0007] 根据多个所述第一标签确定所述目标风机盘管的故障检测结果。

[0008] 优选地，用于训练所述预先训练的分类模型的所述样本数据中，输入包括对应的时间段内多个风机盘管的进水温度、回水温度、进风温度和回风温度，输出为对应的检测标
签，所述检测标签用于表征所述多个风机盘管在对应的时间段内的运行状态，所述多个风
机盘管包括所述目标风机盘管。

[0009] 优选地，所述根据多个所述第一标签确定所述目标风机盘管的故障检测结果包括：

[0010] 获取用于表征所述运行状态为第一状态的所述第一标签的数量；

[0011] 响应于所述运行状态为第一状态的所述第一标签的数量满足第一条件，根据所述第一状态确定所述故障检测结果。

[0012] 优选地，所述根据多个所述第一标签确定所述目标风机盘管的故障检测结果包括：

[0013] 获取用于表征所述运行状态为第一状态的第一标签的数量；

[0014] 获取所述第一标签的总量；

[0015] 响应于所述运行状态为第一状态的所述第一标签的数量与所述第一标签的总量的比值满足第二条件，根据所述第一状态确定所述故障检测结果。

[0016] 优选地，所述第一状态为正常状态或不同类型的故障状态。

[0017] 优选地，所述预先训练的分类模型为循环神经网络。

[0018] 优选地，所述方法还包括：

[0019] 获取至少一个第一序列对应的第一标签和检测标签；

[0020] 将所述第一标签和对应的所述检测标签进行匹配；

[0021] 响应于所述第一标签与对应的所述检测标签不匹配，将所述检测标签和对应的所述第一序列加入错误样本集合；

[0022] 根据所述错误样本集合对所述分类模型进行再次训练。

[0023] 根据本发明实施例的第二方面，提供一种风机盘管的故障检测装置，所述装置包括：

[0024] 序列获取单元，用于获取目标风机盘管对应的多个第一序列，所述第一序列为对应的时间段内所述目标风机盘管的多组待估计数据的时间序列，每组所述待估计数据包括
对应的时间段内以预定周期采样获得的所述目标风机盘管的进水温度、回水温度、进风温
度和回风温度，各所述第一序列对应不同的时间段，各所述时间段的长度相同；

[0025] 标签获取单元，用于以各所述第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签，所述第一标签用于表征所述目标风机盘管在所述对应的时间段内的运
行状态，所述预先训练的分类模型根据多个风机盘管的样本数据训练获得；

[0026] 检测结果确定单元，用于根据多个所述第一标签确定所述目标风机盘管的故障检测结果。

[0027] 根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，其中，所述计算机程序指令在被处理器执行时实现如第一方面中任一项所述的
方法。

[0028] 根据本发明实施例的第四方面，提供一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令
被所述处理器执行以实现如第一方面中任一项所述的方法。

[0029] 本发明实施例根据多个包括对应的时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度的时间序列获取目标风机盘管对应的多个
第一标签，并根据多个第一标签确定目标风机盘管的故障检测结果。在本发明实施例中，目
标风机盘管的进水温度、回水温度、进风温度和回风温度通过温度传感器获得，第一标签通
过预先训练的分类模型获得，因此大幅降低了人工成本，同时提升了故障检测的及时性和
准确性。

附图说明

[0030] 通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

[0031] 图1是本发明第一实施例的风机盘管的故障检测方法的流程图；

[0032] 图2是本发明第一实施例的方法获取分类模型的数据流程图；

[0033] 图3是本发明实施例的循环神经网络的示意图；

[0034] 图4是本发明第一实施例的风机盘管的故障检测方法的数据流程图；

[0035] 图5是本发明第二实施例的风机盘管的检测装置的示意图；

[0036] 图6是本发明第三实施例的电子设备的示意图。

具体实施方式

[0037] 以下基于实施例对本发明进行描述，但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有
这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质，公知的方法、过
程、流程、元件和电路并没有详细叙述。

[0038] 此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

[0039] 除非上下文明确要求，否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含
义。

[0040] 在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义
是两个或两个以上。

[0041] 随着建筑规模的不断增大，为了改善室内的空气状况、温度、湿度等，空调的利用率也在逐渐增加。以风机盘管式空调系统为例，大型的风机盘管式空调系统由若干个风机
盘管和冷热源供应系统组成。风机盘管也即风机盘管机组，是由小型风机、电动机和盘管
(空气换热器)组成的空调系统的末端装置之一。风机盘管通过管内流过的冷冻水或热水与
管外空气交换热量，使空气被冷却、除湿，从而调节室内的空气参数(包括温度、湿度等)。

[0042] 大型的风机盘管式空调系统中风机盘管的数量众多、结构复杂，且随着使用时间的不断增长，风机盘管会逐渐产生某些故障或异常，这些故障或异常在初期往往难以被发
现，因此风机盘管式空调系统的工作效率低或供冷效果会随着使用时间的增长而逐渐降
低。现有的风机盘管的故障检测方法通常以人工定期检测的方式进行的。但人工定期检测
的方式使得人工成本较高，且检测效率和准确率均较低，可能无法及时发现故障，造成室内
环境品质受到影响。

[0043] 图1是本发明第一实施例的风机盘管的故障检测方法的流程图。如图1所示，本实施例的方法包括如下步骤：

[0044] 步骤S101，获取目标风机盘管对应的多个第一序列。

[0045] 其中，每个第一序列为对应的时间段内目标风机盘管的多组待估计数据的时间序列。每个第一序列对应不同的时间段，且每个第一序列对应的时间段的长度相同。进水温
度、回水温度、进风温度和回风温度能够客观反映目标风机盘管的运行状态是否正常，在温
度异常时，有较大的可能说明目标风机盘管可能产生了管内水垢堆积、管外积灰、通风不畅
等故障。因此在本实施例中，每组待估计数据包括对应的时间段内以预定周期采样获得的
目标风机盘管的进水温度、回水温度、进风温度和回风温度。

[0046] 例如，目标风机盘管在长度为1小时的时间段内以5分钟为预定周期进行采样，在第一采样时刻获得的待估计数据中，目标风机盘管的进水温度为15℃，回水温度为20℃，进
风温度为30℃，回风温度为25℃。则在1小时内可以采集到目标风机盘管的12组待估计数
据，第一序列为12组待估计数据构成的4*12的数据矩阵。

[0047] 具体地，目标风机盘管的进水温度、回水温度、进风温度和回风温度可以由多个温度传感器采集获得。每个温度传感器用于采集进水温度、回水温度、进风温度和回风温度四
项中的不同项。可选地，根据采集的温度的种类不同，还可以对温度传感器的数量进行调
整。

[0048] 优选地，为了在后续提升风机盘管的故障检测方法的准确性，多个第一序列对应的时间段可以为连续的时间段。

[0049] 例如，按时间顺序对目标风机盘管的四个第一序列进行排序，排序后的第一序列为序列1，序列2，序列3和序列4。序列1、序列2、序列3和序列4的采样周期均为5分钟，时间段
长度均1小时。序列1对应的时间段为11:00‑12:00，序列2对应的时间段为12:00‑13:00，序
列3对应的时间段为13:00‑14:00，序列4对应的时间段为14:00‑15:00。

[0050] 容易理解，多个第一序列对应的时间段可以产生重叠。例如，按时间顺序对目标风机盘管的四个第一序列进行排序，排序后的第一序列为序列1，序列2，序列3和序列4。序列
1、序列2、序列3和序列4的采样周期均为5分钟，时间段长度均1小时。序列1对应的时间段为
11:00‑12:00，序列2对应的时间段为11:05‑12:05，序列3对应的时间段为11:10‑12:10，序
列4对应的时间段为11:15‑12:15。

[0051] 步骤S102，以各第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签。

[0052] 在本实施例中，分类模型为循环神经网络(Recurrent Neural Network，RNN)。RNN是一类以序列数据为输入，在序列的演进方向进行递归的递归神经网络，且RNN中所有节点
(也即，循环单元)的连接方式为链式连接。循环神经网络具有记忆性、参数共享并且图灵完
备(Turing completeness)，能够以较高的效率对序列的非线性特征进行学习。常见的RNN
包括双向循环神经网络(Bidirectional RNN，Bi‑RNN)、长短期记忆网络(Long Short‑Term 
Memory networks，LSTM)等。

[0053] 图2是本发明实施例的循环神经网络的示意图。如图2所示，RNN中以链式连接的单元被称为循环单元。RNN通过输入层接收目标风机盘管的在任意时间段内的第一序列，ai(i
∈(1,n))为任意时间段内在第i个采样时刻获取的进水温度，bi为同一时间段内在第i个采
样时刻获取的回水温度，ci为同一时间段内在第i个采样时刻获取的进风温度，di为同一时
间段内在第i个采样时刻获取的回风温度。labeli为同一时间段内在第i个采样时刻的标记
输出，输入层中的输入单元和上一个采样时刻计算得到的隐藏单元通过共享的多个参数矩
阵和激活函数生成下一个采样时刻的隐藏单元和一个标记输出。输出层的所有标记输出通
过合成运算(如：全连接)得到第一序列对应的第一标签。

[0054] 图3是本发明第一实施例的方法获取分类模型的数据流程图。如图3所示，分类模型通过如下步骤获取：

[0055] 步骤S301，根据多个风机盘管的进水温度、回水温度、进风温度和回风温度和对应的检测标签获取样本数据。

[0056] 具体地，可以在多个时间段内以预定周期分别采样获得多个风机盘管的进水温度、回水温度、进风温度和回风温度，并根据在多个时间段内以预定周期采样获得多个风机
盘管的进水温度、回水温度、进风温度和回风温度和在对应的时间段内各风机盘管对应的
检测标签确定样本数据。其中，检测标签用于表征多个风机盘管在对应的检测时间段内的
运行状态，多个风机盘管包括目标风机盘管。

[0057] 在一种可能的情况中，存在多个风机盘管均未产生某种类型的故障状态的可能，因此为了避免后续发生至少一个风机盘管产生该类型的故障状态但分类模型无法识别的
情况，可以在任意时间段内以人为制造故障的方式以预定周期采样获得多个风机盘管的进
水温度、回水温度、进风温度和回风温度，并根据该类型的故障状态确定检测标签，从而获
取样本数据。

[0058] 可选地，可以对多个风机盘管的进水温度、回水温度、进风温度和回风温度进行预处理，从而根据预处理后的进水温度、回水温度、进风温度和回风温度和对应的检测标签确
定样本数据。

[0059] 例如，若上述参数(包括进水温度、回水温度、进风温度和回风温度)存在异常时，可以对存在异常的上述参数进行去除处理；若上述参数存在缺失时，可以对存在缺失的上
述参数进行插值(例如，若缺失第一风机盘管的第二采样时刻的进风温度，可以将第一风机
盘管与第二采样时刻相邻的第一采样时刻和第三采样时刻的进风温度的平均值作为第二
采样时刻的进风温度)处理。

[0060] 检测标签可以通过人工检测的方式获得。检测标签可以用于表示对应的风机盘管在对应的时间段内运行正常，或者产生故障，例如管内水垢堆积、管外积灰、通风不畅等。

[0061] 容易理解，为了保证第一序列与样本数据中的时间序列(也即，多个风机盘管在对应的时间段内预处理后的进水温度、回水温度、进风温度和回风温度构成的时间序列)的维
度相同，第一序列对应的时间段与样本数据中的时间序列对应的时间段的长度相同，且采
样周期相同。

[0062] 步骤S302，根据样本数据获取分类模型。

[0063] 具体地，可以将样本数据随机划分为训练样本集合和测试样本集合，并根据训练样本集合对分类模型进行训练，根据测试样本集合对分类模型进行测试。

[0064] 在分类模型的训练过程中，输入为训练样本集合中各时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度构成的时间序列，输出为对
应的检测标签。

[0065] 在分类模型的测试过程中，以测试样本集合中各时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度构成的时间序列为输入，根据分
类模型获取对应的第一标签。并将第一标签和对应的检测标签进行匹配，从而可以获得分
类模型的准确率。

[0066] 步骤S103，根据多个第一标签确定目标风机盘管的故障检测结果。

[0067] 由于在某些时间段内根据分类模型获得的第一标签可能存在异常，因此可以根据多个第一标签确定目标风机盘管在多个第一标签对应的时间段内的故障检测结果，从而提
升检测的准确性。例如，目标风机盘管对应的序列1对应的时间段为11:00‑12:00，序列2对
应的时间段为12:00‑13:00，序列3对应的时间段为13:00‑14:00，序列4对应的时间段为14:
00‑15:00，则目标风机盘管在多个第一标签对应的时间段内的故障检测结果为11:00‑15:
00的故障检测结果。

[0068] 在一种可选的实现方式中，可以获取用于表征目标风机盘管的运行状态为第一状态的第一标签的数量，并在运行状态为第一状态的第一标签的数量满足第一条件时，根据
第一状态确定目标风机盘管的故障检测结果。其中，第一条件可以为运行状态为第一状态
的第一标签的数量大于第一阈值等。

[0069] 容易理解，每个风机盘管对应的第一条件可以相同，也可以不同。

[0070] 在另一种可选的实现方式中，也可以获取用于表征目标风机盘管的运行状态为第一状态的第一标签的数量和第一标签的总量，并在运行状态为第一状态的第一标签的数量
与第一标签的总量的比值满足第二条件时，根据第一状态确定目标风机盘管的故障检测结
果。其中，第二条件可以为运行状态为第一状态的第一标签的数量大于第二阈值等。

[0071] 容易理解，每个风机盘管对应的第二条件可以相同，也可以不同。

[0072] 在上述两种可选的实现方式中，第一状态可以为正常状态，或者为不同类型的故障状态，例如，管内水垢堆积、管外积灰、通风不畅等。容易理解，在第一状态为故障状态时，
可以表示多个故障状态。

[0073] 例如，目标风机盘管的运行状态为管内水垢堆积的第一标签的数量为5个，预设的第一条件大于等于5，满足第一条件，运行状态为通风不畅的第一标签的数量为7个，同样满
足第一条件，则目标风机盘管的故障检测结果可以为管内水垢堆积和通风不畅。

[0074] 再例如，目标风机盘管对应的第一标签的总量为50，运行状态为正常状态的第一标签的数量为30个，运行状态为正常状态的第一标签的数量与第一标签的总量的比值为
0.6，预设的第二条件为正常状态的第一标签的数量与第一标签的总量的比值大于等于
0.5，满足第二条件，则目标风机盘管的故障检测结果可以为正常。

[0075] 由于第一条件或第二条件可能存在设置不合理的情况，可以在故障检测结果对应的时间段内对目标风机盘管进行人工故障检测，获取该时间段的人工检测结果。如果人工
检测结果与故障检测结果不匹配，则对第一条件或第二条件进行调整。

[0076] 例如，第一条件为运行状态为管内水垢堆积的第一标签数量大于等于5个(也即，第一阈值)，多个第一序列对应的第一标签中运行状态为管内水垢堆积的第一标签的数量
为6个，满足第一条件，表示故障检测结果为管内水垢堆积，但多个第一序列对应的时间段
内的人工检测结果为运行状态正常。则对第一阈值进行上调，可以调整为8个。

[0077] 同时，还可以获取目标风机盘管的至少一个第一序列对应的第一标签，并在各第一序列对应的时间段内对目标风机盘管进行人工故障检测，获取目标风机盘管在对应的时
间段内的检测标签，从而将第一标签与对应的检测标签进行匹配。若检测标签与第一标签
不匹配，则将该时间段的第一序列和对应的检测标签作为一个错误样本加入错误样本集合
中。在错误样本集合中的错误样本的数量满足第三条件时，根据错误样本集合对分类模型
进行再次训练，由此可以进一步提升分类模型检测的准确性。其中，第三条件可以为错误样
本集合中错误样本的数量不低于第三阈值等。容易理解，可以多次获取目标风机盘管的至
少一个第一序列对应的第一标签和检测标签。

[0078] 图4是本发明第一实施例的风机盘管的故障检测方法的数据流程图。参照图1，如图4所示，本实施例的方法包括如下步骤：

[0079] 步骤S101，获取目标风机盘管的多个第一序列。

[0080] 其中，第一序列41A‑第一序列41E为目标风机盘管对应的多个第一序列，其中第一序列41A对应时间段A，第一序列41B对应时间段B，第一序列41C对应时间段C，第一序列41D
对应时间段D，第一序列41E对应时间段E，时间段A‑E为长度相等且连续的时间段。第一序列
的获取方式在此不再赘述。

[0081] 容易理解，第一序列的总量仅仅是示意性的。

[0082] 步骤S102，以各第一序列为输入，基于预先训练的分类模型分别获取对应的第一标签。

[0083] 其中，第一标签43A为时间段A对应的第一标签，第一标签43B为时间段B对应的第一标签，第一标签43C为时间段C对应的第一标签，第一标签43D为时间段D对应的第一标签，
第一标签43E为时间段E对应的第一标签。

[0084] 步骤S103，根据多个第一标签确定目标风机盘管的故障检测结果。

[0085] 虚线框内的第一标签43A、第一标签43B和第一标签43C为运行状态为第一状态的第一标签。具体地，在运行状态为第一状态的第一标签的数量(如图2所示，也即3个)满足第
一条件或运行状态为第一状态的第一标签的数量与第一标签的总量(如图2所示，也即5个)
的比值满足第二条件时，根据第一状态确定目标风机盘管在时间段A‑E的故障检测结果。其
中，第一条件和第二条件在此不再赘述。

[0086] 本实施例根据多个包括对应的时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度的时间序列获取目标风机盘管对应的多个第一
标签，并根据多个第一标签确定目标风机盘管的故障检测结果。在本发明实施例中，目标风
机盘管的进水温度、回水温度、进风温度和回风温度通过温度传感器获得，第一标签通过预
先训练的分类模型获得，因此大幅降低了人工成本，同时提升了故障检测的及时性和准确
性。

[0087] 图5是本发明第二实施例的风机盘管的检测装置的示意图。如图5所示，本实施例的装置包括序列获取单元51、第一标签获取单元52和检测结果确定单元53。

[0088] 其中，序列获取单元51用于获取目标风机盘管对应的多个第一序列，所述第一序列为对应的时间段内所述目标风机盘管的多组待估计数据的时间序列，每组所述待估计数
据包括对应的时间段内以预定周期采样获得的所述目标风机盘管的进水温度、回水温度、
进风温度和回风温度，各所述第一序列对应不同的时间段，各所述时间段的长度相同。第一
标签获取单元52用于以各所述第一序列为输入，基于预先训练的分类模型分别获取对应的
第一标签，所述第一标签用于表征所述目标风机盘管在所述对应的时间段内的运行状态，
所述预先训练的分类模型根据多个风机盘管的历史数据训练获得。检测结果确定单元53用
于根据多个所述第一标签确定所述目标风机盘管的故障检测结果。

[0089] 进一步地，用于训练所述预先训练的分类模型的所述样本数据中，输入包括与所述第一序列对应时间段长度相同的对应的时间段内多个风机盘管的以与第一序列相同的
预定周期采样获得的进水温度、回水温度、进风温度和回风温度的时间序列，输出为对应的
检测标签，所述检测标签用于表征所述多个风机盘管在对应的时间段内的运行状态。

[0090] 进一步地，所述检测结果确定单元53包括第一获取子单元531和第一确定子单元532。

[0091] 其中，第一获取子单元531用于获取用于表征所述运行状态为第一状态的所述第一标签的数量。第一确定子单元532用于响应于所述运行状态为第一状态的所述第一标签
的数量满足第一条件，根据所述第一状态确定所述故障检测结果。

[0092] 进一步地，所述检测结果确定单元53包括第一获取子单元531、第二获取子单元533和第二确定子单元534。

[0093] 其中，第一获取子单元531用于获取用于表征所述运行状态为第一状态的第一标签的数量。第二获取子单元533用于获取所述第一标签的总量。第二确定子单元534用于响
应于所述运行状态为第一状态的所述第一标签的数量与所述第一标签的总量的比值满足
第二条件，根据所述第一状态确定所述故障检测结果。

[0094] 进一步地，所述第一状态为正常状态或不同类型的故障状态。

[0095] 进一步地，所述预先训练的分类模型为循环神经网络。

[0096] 进一步地，所述装置还包括第二标签获取单元54、标签匹配单元55、错误样本获取单元56和训练单元57。

[0097] 其中，第二标签获取单元54用于获取至少一个第一序列对应的第一标签和检测标签。标签匹配单元55用于将所述第一标签和对应的所述检测标签进行匹配。错误样本获取
单元56用于响应于所述第一标签与对应的所述检测标签不匹配，将所述检测标签和对应的
所述第一序列加入错误样本集合。训练单元57用于根据所述错误样本集合对所述分类模型
进行再次训练。

[0098] 本实施例根据多个包括对应的时间段内以预定周期采样获得的目标风机盘管的进水温度、回水温度、进风温度和回风温度的时间序列获取目标风机盘管对应的多个第一
标签，并根据多个第一标签确定目标风机盘管的故障检测结果。在本实施例中，目标风机盘
管的进水温度、回水温度、进风温度和回风温度通过温度传感器获得，第一标签通过预先训
练的分类模型获得，因此大幅降低了人工成本，同时提升了检测的及时性和准确性。

[0099] 图6是本发明第三实施例的电子设备的示意图。图6所示的电子设备为通用数据处理装置，其包括通用的计算机硬件结构，其至少包括处理器61和存储器62。处理器61和存储
器62通过总线63连接。存储器62适于存储处理器61可执行的指令或程序。处理器61可以是
独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器61通过执行存储器62
所存储的命令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于
其他装置的控制。总线63将上述多个组件连接在一起，同时将上述组件连接到显示控制器
64和显示装置以及输入/输出(I/O)装置65。输入/输出(I/O)装置65可以是鼠标、键盘、调制
解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型
地，输入/输出(I/O)装置65通过输入/输出(I/O)控制器66与系统相连。

[0100] 其中，存储器62可以存储软件组件，例如操作系统、通信模块、交互模块以及应用程序。以上所述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描
述的方法的一组可执行程序指令。

[0101] 上述根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应理解，流程图和/或框图的每个块以及流程图图例和/或框
图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计
算机、专用计算机或其它可编程数据处理设备的处理器，以产生机器，使得(经由计算机或
其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中
指定的功能/动作的装置。

[0102] 同时，如本领域技术人员将意识到的，本发明实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此，本发明实施例的各个方面可以采取如下形式：完全硬件
实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称
为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外，本发明的方
面可以采取如下形式：在一个或多个计算机可读介质中实现的计算机程序产品，计算机可
读介质具有在其上实现的计算机可读程序代码。

[0103] 可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、
磁的、光学的、电磁的、红外的或半导体系统、设备或装置，或者前述的任意适当的组合。计
算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项：具有一根或多根电线的
电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编
程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD‑ROM)、光存储装置、
磁存储装置或前述的任意适当的组合。在本发明实施例的上下文中，计算机可读存储介质
可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设
备或装置使用的程序的任意有形介质。

[0104] 计算机可读信号介质可以包括传播的数据信号，所述传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用
多种形式中的任何形式，包括但不限于：电磁的、光学的或其任何适当的组合。计算机可读
信号介质可以是以下任意计算机可读介质：不是计算机可读存储介质，并且可以对由指令
执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播
或传输。

[0105] 用于执行针对本发明各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写，所述编程语言包括：面向对象的编程语言如Java、Smalltalk、C++、
PHP、Python等；以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作
为独立软件包完全地在用户计算机上、部分地在用户计算机上执行；部分地在用户计算机
上且部分地在远程计算机上执行；或者完全地在远程计算机或服务器上执行。在后一种情
况下，可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用
户计算机，或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。

[0106] 以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同
替换、改进等，均应包含在本发明的保护范围之内。