除濕機在線故障診斷方法、系統(tǒng)、服務器及存儲介質與流程

　　1.本技術涉及在線故障診斷技術領域，特別涉及一種除濕機在線故障診斷方法、系統(tǒng)、服務器及存儲介質。背景技術：2.除濕系統(tǒng)是室內回風口把室內有水分的空氣抽到主機內，經過壓縮機抽取其中的水分后，再通過室內送風口排到室內，通過室內回風口和室內送風口共兩個風口完成了一個室內空氣循環(huán)，調節(jié)室內空氣的濕度，確保讓人們處在一個舒適的空間。但因為其規(guī)模龐大，控制策略復雜，使得各類故障頻頻發(fā)生。3.除濕系統(tǒng)常見的異常故障包括閥門故障、管道故障、熱交換盤管故障、除濕轉輪故障、電機故障、風機故障以及控制系統(tǒng)故障。近些年來研究人員提出了許多除濕系統(tǒng)故障檢測技術，主要包括四種故障檢測技術，即人工現(xiàn)場巡檢；除濕系統(tǒng)自身攜帶的異常報警功能；現(xiàn)場數據已接入數據中心時，位于控制室或數據中心的在線檢測平臺提供的預警功能；工人在控制室或數據中心觀察在線數據變化趨勢、觀察在線檢測平臺提供的預警，最終做出的故障判斷。但是這些現(xiàn)有的除濕系統(tǒng)故障檢測技術還存在一些不足，比如，一個廠區(qū)內除濕系統(tǒng)多達上百臺時，需要大量人力進行巡檢；不是系統(tǒng)中所有的設備都含有自身報警功能，或漏掉部分系統(tǒng)故障、異常；預警方式簡單，僅采用上下閾值的方式，對單一測點數據或多測點按規(guī)則運算后的結果進行判斷，超過設定閾值進行報警，且閾值設定后不會自動修改；工人對可觀察到的報警、數據變化趨勢等進行分析的過程需要一定的時間，從而不一定能夠及時判斷故障。即不能夠及時、準確有效地完成對除濕系統(tǒng)的故障及異常檢測，使得除濕系統(tǒng)所控制的空間溫濕度異常狀態(tài)對生產和存儲造成損失。技術實現(xiàn)要素：4.通過對除濕系統(tǒng)的離線數據和在線數據進行了分析、建模和運算等操作，來解決除濕系統(tǒng)通過傳統(tǒng)技術進行故障檢測的不及時、不準確和消耗人力的問題，減少除濕系統(tǒng)所控制的空間溫濕度異常帶來的生產或存儲的損失。5.第一方面，本實施例提供了一種除濕機在線故障診斷方法，所述方法包括：獲取表征點位工作狀態(tài)的點位數據和需要診斷的故障目標點，根據所述故障目標點獲得影響所述故障目標點的其它點位，基于所述其它點位和所述點位數據獲得表征其它點位工作狀態(tài)的其它點位數據；對所述其它點位數據進行特征提取操作，獲得特征值；使用機器學習模型處理所述特征值，得到所述故障目標點的預測數據，基于所述預測數據和故障目標點的實際數據，判斷所述除濕機的運行狀態(tài)。6.在其中的一些實施例中，所述根據所述故障目標點獲得影響所述故障目標點的其它點位包括：根據所述故障目標點判斷所述故障目標點所屬的故障類型，基于所述故障類型確定影響所述故障目標點的其它點位，其中，每種故障類型都有確定影響所述故障目標點的其它點位的判斷標準。7.在其中的一些實施例中，所述特征提取操作包括以下方式至少之一：所述其它點位數據中的某一個點位數據在一段時間內的運算操作，所述其它點位數據中若干個點位數據在一段時間內的運算操作。8.在其中的一些實施例中，所述使用機器學習模型處理所述特征值，得到所述故障目標點的預測數據包括：定時獲取所述除濕機的設備參數、故障目標點和特征值，根據所述故障目標點獲得故障目標點的歷史實際數據和影響所述故障目標點的其它點位的歷史特征值；基于所述除濕機的設備參數和所述故障目標點確定處理所述特征值的初始機器學習模型，根據歷史特征值和故障目標點的歷史實際數據離線訓練所述初始機器學習模型，獲得最終機器學習模型，使用所述最終機器學習模型在線處理所述其它點數數據，獲得故障目標點的預測數據。9.在其中的一些實施例中，所述根據歷史特征值和故障目標點的歷史實際數據離線訓練所述初始機器學習模型，獲得最終機器學習模型之前還包括：獲取所述歷史特征值和故障目標點的歷史實際數據中用于測試所述最終機器學習模型準確性的其它點位測試數據和故障目標點的測試數據，使用所述最終機器學習模型處理所述其它點位測試數據，獲得故障目標點的測試預測數據；判斷所述故障目標點的測試預測數據與所述故障目標點的實際數據之間的差值是否大于閾值，若是，則調整所述特征提取操作和/或選擇新的初始機器學習模型；否則，獲得最終機器學習模型。10.在其中的一些實施例中，所述基于所述預測數據和故障目標點的實際數據，判斷所述除濕機的運行狀態(tài)包括：基于所述預測數據和故障目標點的實際數據，獲得兩者之間的偏差，記錄所述偏差在固定時間內超過預設偏差的次數，判斷所述次數是否超過預設次數，若是，則判斷所述除濕機的運行狀態(tài)為非正常，所述除濕機發(fā)出報警信號；否則，所述除濕機的運行狀態(tài)為正常。11.第二方面，本實施例提供了一種除濕機在線故障診斷系統(tǒng)，所述系統(tǒng)包括數據處理模塊和算法計算模塊；其中，所述數據處理模塊，用于獲取表征點位工作狀態(tài)的點位數據；所述算法計算模塊，用于獲取需要診斷的故障目標點，根據所述故障目標點獲得影響所述故障目標點的其它點位，基于所述其它點位和所述點位數據獲得表征其它點位工作狀態(tài)的其它點位數據；對所述其它點位數據進行特征提取操作，獲得特征值；使用機器學習模型處理所述特征值，得到所述故障目標點的預測數據，基于所述預測數據和故障目標點的實際數據，判斷所述除濕機的運行狀態(tài)。12.在其中的一些實施例中，所述系統(tǒng)還包括軟件前端模塊和軟件后端模塊；其中，所述軟件前端模塊，用于顯示所述除濕機的運行狀態(tài)和所述故障目標點的預測數據；所述軟件后端模塊，用于與所述數據處理模塊、所述算法計算模塊和所述軟件前端模塊進行交互。13.第三方面，本技術實施例提供了一種服務器，所述服務器包括：處理器和存儲器，所述存儲器上存儲有能在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的除濕機在線故障診斷方法。14.第四方面，本技術實施例提供了一種計算機可讀存儲介質，其上存儲有能在處理器上運行的計算機程序，其特征在于，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如第一方面所述的除濕機在線故障診斷方法。15.通過采用上述方案，本技術在線診斷除濕機的故障時，首先根據故障目標點來判斷故障目標點所屬的故障類型，基于故障類型來確定直接影響該故障目標點處數據變化的其它點位數據，并根據該故障類型來有針對性地選取進行特征提取的運算操作，獲得特征值，通過對多點位進行聯(lián)合運算，使得特征值能更準確地表征其它點位數據特征；接著基于除濕機的設備參數和故障目標點確定處理特征值的初始機器學習模型，根據歷史的其它點位數據和故障目標點的歷史實際數據離線訓練初始機器學習模型，獲得最終機器學習模型，使用最終機器學習模型在線處理其它點位數據，來獲得故障目標點的預測數據；最后根據預測數據和實際數據獲得兩者的差值，并記錄差值在固定時間內超過預設偏差的次數，若該次數沒有超過預設次數，就認定該除濕機運行正常，否則就認定該除濕機有故障。16.本技術一方面節(jié)省了除濕系統(tǒng)故障診斷所需要的人力，另一方面通過數據分析、機器學習技術實現(xiàn)設備異常報警、設備故障診斷、設備數據趨勢動態(tài)預警，且上述多種算法功能的綜合運用也可以提高故障報警準確性。另外，對故障目標點和與其相關的點位進行全面數據分析、建模和運算，從而綜合全面地分析可能存在的異常，提高故障識別率。因此，本方案可以及時、準確有效地完成對除濕系統(tǒng)的故障及異常檢測。附圖說明17.圖1是本實施例提供的雙轉輪除濕系統(tǒng)工作原理圖。18.圖2是本實施例提供的除濕機故障診斷系統(tǒng)的結構框圖。19.圖3是本實施例提供的除濕機在線故障診斷方法的流程圖。20.圖4是本實施例提供的基于機器學習的除濕機預警方案的流程圖。21.圖5是本實施例提供的機器學習模型維護示意圖。22.圖6是本實施例提供的除濕系統(tǒng)中部分點位說明圖。23.圖7是本實施例提供測試的訓練集預測結果對比圖。24.圖8是本實施例提供的關于圖7中預測階段的放大圖。25.圖9是本實施例提供的服務器的結構框圖。具體實施方式26.為更清楚地理解本技術的目的、技術方案和優(yōu)點，下面結合附圖和實施例，對本技術進行了描述和說明。然而，本領域的普通技術人員應該明白，可以在沒有這些細節(jié)的情況下實施本技術。對于本領域的普通技術人員來說，顯然可以對本技術所公開的實施例作出各種改變，并且在不偏離本技術的原則和范圍的情況下，本技術中所定義的普遍原則可以適用于其他實施例和應用場景。因此，本技術不限于所示的實施例，而是符合與本技術所要求保護的范圍一致的最廣泛范圍。27.下面結合說明書附圖對本技術實施例作進一步詳細描述。28.雙轉輪除濕系統(tǒng)包括若干子系統(tǒng)：再生系統(tǒng)、通風系統(tǒng)、蒸汽系統(tǒng)、凍水系統(tǒng)、排水系統(tǒng)、電力系統(tǒng)和控制系統(tǒng)，各個子系統(tǒng)由一定的設備或組件構成。其中，再生系統(tǒng)包括兩個除濕轉輪，即一級轉輪和二級轉輪，風機、電機、風管和熱交換盤管等；通風系統(tǒng)包括風機、電機、風管和閥門等；電力系統(tǒng)包括電源線、斷路器和動力柜等；控制系統(tǒng)包括plc控制器、變頻器、傳感器、數采和人機交互界面等。29.圖1是本實施例提供的雙轉輪除濕系統(tǒng)工作原理圖。如圖1所示，入風和回風通過凍水盤管時，由于凍水排管可以改變經過其位置的空氣溫度，使得空氣與凍水發(fā)生熱交換，空氣中的熱量降低，空氣溫度降低，最終形成一定溫度范圍內的空氣通過轉輪，保證通過轉輪的空氣溫度滿足工藝需求；當通過轉輪的空氣為常溫時，轉輪具有吸附空氣中水分的能力，因此入風和回風在經過凍水盤管及一級和/或二級轉輪時，空氣濕度較低，空氣中攜帶的水分被轉輪吸附，經過轉輪后的空氣濕度下降，得到的干燥空氣送入雙轉輪除濕系統(tǒng)控制的空間，從而使得被控制空間的濕度保持在設定的范圍內。與此同時，部分經過兩次轉輪后的入風形成的干燥空氣，進入再生回路，因此通過蒸汽盤管提高再生空氣的溫度，當通過轉輪的空氣為高溫時，轉輪會釋放水分，將轉輪局部烘干，最終將含有水分的空氣通過排風口排出。30.另外，轉輪在電機的帶動下進行轉動，轉輪上的任意位置在經過入風和回風回路時，帶走空氣中的水分，然后在旋轉的作用下到達再生回路，在此處被烘干，將吸附的水分釋放。通過連續(xù)的旋轉，系統(tǒng)達到動態(tài)平衡，入風空氣和回風空氣中的部分水分將由排風空氣帶出系統(tǒng)，最終達到送風空氣中的水分少于入風空氣。31.其中，一級轉輪和二級轉輪用于改變空氣濕度；凍水盤管和蒸汽盤管用于改變經過其位置的空氣溫度，從而保證通過轉輪的空氣溫度滿足工藝要求，凍水盤管和蒸汽盤管還均由各自的閥門控制其中通過的凍水或蒸汽的流量，從而起到靈活調節(jié)凍水降溫和蒸汽加熱的效果；風機用來控制氣流的方向與速度，由電機驅動其運轉。32.在實施例中，回風空氣來自被雙轉輪除濕系統(tǒng)控制的空間，一方面可以在回風處測量被控制空間的溫度和濕度情況，便于控制系統(tǒng)調整；另一方面可以保證被控制空間內的空氣循環(huán)，并且由于回風空氣的溫度和濕度在正常情況下較為接近控制目標，從而減少系統(tǒng)耗能。33.本實施例提供了一種除濕機在線故障診斷系統(tǒng)，圖2是本實施例提供的除濕機故障診斷系統(tǒng)的結構框圖。如圖2所示，該系統(tǒng)包括：數據處理模塊、軟件后端模塊、算法計算模塊和軟件前端模塊。34.數據處理模塊用于獲取表征點位工作狀態(tài)的點位數據。35.數據處理模塊包括傳感器、數據采集和數據傳輸三種類型的設備，其數量和拓撲結構可根據實際物理位置情況而定，本實施例不進行限定。系統(tǒng)所需要的點位數據都對應傳感器的一個輸出數據，比如在送風口處設有一個溫度傳感器，來對應送風口溫度這一點位數據。一個傳感器設備可以測量一個點位處的一個或多個數據，比如溫濕度一體傳感器，可以同時測量一個點位上的溫度和濕度，生成兩個數據。其中，傳感器在工作時需要對除濕機的關鍵運行數據、工藝數據和換件數據等進行實時地測量。比如除濕系統(tǒng)管道中各個關鍵位置的溫度和濕度；被控制空間內的溫度和濕度；除濕系統(tǒng)中各個閥門開度；除濕轉輪的轉速；除濕系統(tǒng)中風機、電機的各個軸承的溫度和振動等等，這些數據都需要通過相應的傳感器進行檢測。36.點位通過傳感器測量后，需要由數據采集設備進行采集，將傳感器連續(xù)的檢測結果轉換為一定周期的離散數據，周期可根據算法需要或者其它情況來進行調整。通常一個傳感器設備配有一個數據采集設備，也可以多個傳感器設備共用一個數據采集設備。在多個傳感器設備共用一個數據采集設備的情況下，可以選取位置相對靠近的傳感器共同使用一個數據采集設備，也可根據實際情況來選取共用一個數據采集設備的傳感器設備。37.通過數據采集設備進行采集后，數據將通過數據傳輸設備進行傳輸，如路由器、網關等設備。通常同一物理空間內的數據采集設備可以共用一套數據傳輸設備，具體實現(xiàn)由實際物理空間的條件而決定。38.軟件后端模塊是與其它模塊進行數據的交互、管理各模塊獲得的數據，和管理各部分的任務進行或線程等，是各個模塊相互連接的中心。具體包括但不限于數據獲取功能、數據存儲與管理功能、數據的簡單處理功能、核心算法任務的調用與管理功能和前端的交互功能。39.具體可以用于存儲數據處理模塊中的數據和算法計算模塊的計算結果，并將數據和計算結果發(fā)送給軟件前端模塊。40.算法計算模塊用于獲取需要診斷的故障目標點，根據故障目標點獲得影響故障目標點的其它點位，基于其它點位和點位數據獲得表征其它點位工作狀態(tài)的其它點位數據；對其它點位數據進行特征提取操作，獲得特征值；使用機器學習模型處理特征值，得到故障目標點的預測數據，基于預測數據和故障目標點的實際數據，判斷除濕機的運行狀態(tài)。41.根據潛在故障發(fā)生可能性的大小，從除濕系統(tǒng)存在的潛在故障類型中選取一個進一步診斷的故障類型，基于該故障類型來確定故障目標點，比如，選取進一步診斷的故障類型為送風口溫度，那么該故障目標點為送風口處。通過機器學習技術，結合與該故障目標點相關聯(lián)的其它點位的運行數據，同時也結合設備的運行機理和環(huán)境條件，全面綜合地實現(xiàn)除濕系統(tǒng)的故障準確診斷。42.軟件前端模塊主要是與使用軟件的用戶進行交互，將系統(tǒng)中的數據以一定的形式進行展示，同時獲得用戶的操作信息。具體的軟件前端功能包括但不限于：操作界面功能、用戶登錄與管理功能、系統(tǒng)總覽功能、設備實時數據展示功能、故障報警功能、報警展示與管理功能、歷史數據展示功能和系統(tǒng)設置功能等。具體可以用于顯示除濕機的運行狀態(tài)和故障目標點的預測數據。43.本實施例的除濕系統(tǒng)中數據處理模塊對除濕系統(tǒng)進行若干點位的數據檢測、采集和傳輸；由軟件后端部分接收該數據，并對數據進行存儲，同時將數據進行一定的處理后調用算法計算模塊對數據進行運算；算法計算模塊將計算的結果返回給軟件后端模塊；軟件后端部分將獲得的數據、計算結果發(fā)送給軟件前端模塊，由軟件前端模塊負責展示；本實施例中包含的硬件平臺為搭載軟件后端模塊和算法計算模塊的服務器；軟件前端模塊可在本地硬件平臺上進行展示，也可通過網絡在其它硬件平臺上展示，如計算機上面遠程展示；用戶可通過軟件前端模塊或者遠程軟件前端模塊對故障診斷系統(tǒng)進行設置、控制等操作，用戶在軟件前端模塊的操作信息將會發(fā)送給軟件后端模塊，由軟件后端模塊根據用戶輸入的信息對核心算法或軟件后端模塊本身的參數或結構進行相應的調整。44.基于上述系統(tǒng)，本系統(tǒng)提供了一種除濕機在線故障診斷方法。圖3是本實施例提供的除濕機在線故障診斷方法的流程圖。如圖3所示，該流程包括如下步驟：步驟s301，獲取表征點位工作狀態(tài)的點位數據和需要診斷的故障目標點，根據故障目標點獲得影響故障目標點的其它點位，基于其它點位和點位數據獲得表征其它點位工作狀態(tài)的其它點位數據。45.在本實施例中，傳感器在實時記錄著除濕機不同位置的點位數據，根據其它點位可以從點位數據中獲取表征其它點位工作狀態(tài)的其它點位數據，其中，根據故障目標點獲得影響故障目標點的其它點位包括：根據故障目標點判斷故障目標點所屬的故障類型，基于故障類型確定影響故障目標點的其它點位，其中，每種故障類型都有確定影響故障目標點的其它點位的判斷標準。46.本實施例中故障目標點的故障類型包括受管道風向影響的故障類型和除濕系統(tǒng)中設備工作參數的故障類型。影響每種故障類型的因素都不同，受管道風向影響的故障類型的影響因素是管道中的風向，而設備工作參數的故障類型的影響因素是該設備的其它數據。比如故障目標點屬于受管道風向影響的故障類型，在基于該故障類型確定影響故障目標點的其它點位的具體操作為：根據故障目標點確定其所處的第一管道，基于第一管道的氣體流向可以確定第一管道中直接影響故障目標點的第一其它點位，其中，第一其它點位至少包含一個點位。由于本實施例中設有兩個管道，因此還需要判斷氣體從第一其它點位到故障目標點位的過程中是否會遇到分叉口，流入第二管道中，若有，就需要根據氣體的流向確定第二管道中直接影響故障目標點的第二其它點位，其中，其它點位包括第一點位和第二點位；若沒有流入第二管道中，那么第二其它點位就是空白，此時的其它點位就是第一其它點位。在診斷故障目標點時也充分考慮其它點位對該故障目標點處數據的影響，與其它點位進行聯(lián)動分析。47.步驟s302，對其它點位數據進行特征提取操作，獲得特征值；使用機器學習模型處理特征值，得到故障目標點的預測數據，基于預測數據和故障目標點的實際數據，判斷除濕機的運行狀態(tài)。48.在對其它點位數據進行特征提取時，可以采用以下操作方式至少之一：其它點位數據中的某一點位數據在一段時間內的運算操作；其它點位數據中若干個點位數據在一段時間內的運算操作。其中，其它點位數據中的某一點位數據在一段時間內的運算操作可以為這段時間內該點位數據的均值、最大值、最小值、方差、標準差、積分、微分和傅里葉變換后各能量的分量等，其它點位數據中若干個點位數據在一段時間內的運算操作可以為該點位在一段時間內數據的加和、乘積、差值、比例、均值、方差和標準差等操作。49.由于對點位數據進行運算操作后的特征值可以更簡單清楚地表明點數數據的變化趨勢，體現(xiàn)當前點位的特點。因此，根據實際情況使用對點位數據進行運算操作后的特征值來替代原始的點位數據，對故障目標點和與其相關的點位進行全面數據分析，從而綜合全面地分析可能存在的異常，提高故障識別率。50.圖4是本實施例提供的基于機器學習的除濕機預警方案的流程圖。如圖4所示，該方案包括目標確立、數據獲取、特征提取、模型構建、上線運行和模型維護。其中，目標確立用于確定所要預測或分類的故障類型，確定故障目標點。數據獲取用于獲取運行數據、環(huán)境數據和工藝數據，并對數據進行數據清洗等預處理，舍棄檢測出現(xiàn)錯誤的數據。特征提取用于對所預測的故障目標點進行經驗上的故障梳理，比如該設備容易出現(xiàn)哪些故障，相應的故障原因是哪些，同時對其它數據點進行統(tǒng)計分析，尋找故障相關的關鍵特征。其中步驟s301和步驟s302已經對其進行了詳細說明，這里就不再進行贅述。51.模型構建需要根據故障目標點的特點、類型、數據情況、特征情況等多方面因素，選擇合適的機器學習算法。選擇算法后需要對模型進行訓練，同時通過算法參數的調整，目的是達到理想的計算結果。最終對模型的計算結果進行評估，不滿足要求則需要重新調整模型參數、或調整特征、或重新選擇模型，因此該步驟需要與特征提取進行互動，經過反復多次的特征提取和模型訓練，達到最終理想的計算結果。52.由于除濕機都有各自的設備參數，且故障目標點也有各自的特點，因此需要基于除濕機的設備參數和故障目標點先確定初始機器學習模型，然后再根據歷史特征值和故障目標點的歷史實際數據來離線訓練初始機器學習模型，來得到最終機器學習模型。53.另外，模型構建在和特征提取進行互動，經過反復多次的特征提取和模型訓練，達到最終理想的計算結果，也就是根據歷史特征值和故障目標點的歷史實際數據離線訓練初始機器學習模型，獲得最終機器學習模型的過程。其中，機器學習模型所包含的具體算法有很多，具體的機器學習算法包括但不限于：bp神經網絡、決策樹、支持向量機、k近鄰、隨機森林、lstm、集成學習、xgboost、lightgbm和卷積神經網絡等。54.在獲得最終機器學習模型之前還包括：獲取歷史特征值和故障目標點的歷史實際數據中用于測試最終機器學習模型準確性的其它點位測試數據和故障目標點的測試數據，使用最終機器學習模型處理其它點位測試數據，獲得故障目標點的測試預測數據；判斷故障目標點的測試預測數據與故障目標點的實際數據之間的差值是否大于閾值，若是，則表明當前的機器學習模型不可用，需要調整特征提取操作和/或選擇新的初始機器學習模型，接著進行訓練，直到機器學習模型可用才停止訓練；否則，就表明當前的機器學習模型可用，獲得了最終機器學習模型。55.獲得最終機器學習模型后，由于特征提取操作方式中的包含某一點位數據在一段時間內的運算操作，因此特征提取的運算需要經過一定的調整，由離線數據特征提取計算轉變?yōu)樵诰€數據的特征提取計算。通過離線轉在線之后的模型便可上線運行，對未來的數據進行實時的計算，獲得故障目標點的預測數據。56.模型上線運行后，會得到實時的結果，但與此同時，我們也需要關注模型結果的性能，若預測結果與實際情況相比的準確性、預測計算的耗時等，并且定期地將新的故障案例數據作為訓練樣本，對原有的模型進行增量學習，從而進一步提高模型的準確性，或防止模型隨時間推移出現(xiàn)性能下降的情況。57.圖5是本實施例提供的機器學習模型維護示意圖。如圖5所示，實時測量所得的數據稱為在線數據，在線數據經過在線特征提取后，得到若干量化的特征值，特征值作為機器學習模型的輸入，經過模型的計算，得到相應的輸出，即異?；蚬收系膱缶蛟\斷結果。58.當在線數據發(fā)生后，以一定的方式存儲下來，成為離線數據。在機器學習模型初次建立或后續(xù)更新時，需要利用足夠量的離線數據進行模型訓練。離線數據經過特征提取得到若干歷史特征值，這些歷史特征值用于模型的訓練。當模型訓練完畢并在驗證數據上達到理想的效果后，模型可用于在線計算。需要注意的是，對于解決不同的故障診斷問題時，基于機器學習的除濕機預警方案的流程和機器學習模型維護方式都是相同的，但具體用到的點位數據、特征和機器學習模型并不一定相同，需要根據實際情況而進行選擇。59.在本實施例中，基于預測數據和故障目標點的實際數據，判斷除濕機的運行狀態(tài)包括：基于預測數據和故障目標點的實際數據，獲得兩者之間的偏差，記錄偏差在固定時間內超過預設偏差的次數，判斷次數是否超過預設次數，若是，則判斷除濕機的運行狀態(tài)為非正常，除濕機發(fā)出報警信號；否則，除濕機的運行狀態(tài)為正常。通過數據分析、機器學習技術實現(xiàn)設備異常報警、設備故障診斷、設備數據趨勢動態(tài)預警，且上述多種算法功能的綜合運用也可以提高故障報警準確性。60.在本實施例中，除濕機的運行狀態(tài)為非正常之后還包括對故障目標點進行設置和/或控制操作來保護除濕機。61.本實施例還提供了以雙轉輪除濕系統(tǒng)中的一種故障：送風露點異常，采用lightgbm算法的機器學習模型為例的測試。圖6是本實施例提供的除濕系統(tǒng)中部分點位說明圖。如圖6所示，每一個編號代表一個點位數據，①送風露點、②后部凍水閥門開度、③中部風管溫度、④中部風管濕度、⑤中部風機轉速、⑥二級轉輪轉速、⑦后部蒸汽閥門開度、⑧后部再生風管溫度和⑨后部排風風管溫度。62.在本測試中以①為故障目標點，②至⑨為模型所需的其它點位數據。然后對②至⑨采用平均值方式進行特征提取，并采用lightgbm算法的機器學習模型，其中本測試在2021.10.07到2021.10.17的時間段內一共采用了個時刻的數據，其中前個時刻作為訓練及驗證數據，訓練與驗證的數據比例為7：3，即有算法從個時刻的數據中隨機選取70%的數據作為訓練數據，30%的數據作為驗證數據。剩下的2500個時刻的數據作為預測集，其中包含約300個時刻的異常數據和約2200個時刻的正常數據。上述的每一個時刻數據包含②至⑨點位數據的若干特征值。圖7是本實施例提供測試的訓練集預測結果對比圖。如圖7所示，灰虛線部分為用于模型訓練的真實歷史數據，灰點實線部分為未經過模型訓練的真實歷史數據，黑實線部分為模型經過訓練后，對送風露點的預測結果。在訓練階段，預測數據能夠較為準確地與真實數據重合，預測誤差在5攝氏度以內，說明了模型的準確性較高。63.圖8是本實施例提供的關于圖7中預測階段的放大圖。如圖8所示，在對未來數據的預測部分，當設備正常時，預測數據與真實數據能夠較好地重合，而當設備出現(xiàn)異?；蚬收蠒r，真實數據與預測數據出現(xiàn)較大偏差，本測試中對送風露點預測的偏差最大達到30攝氏度，超過了正常的誤差范圍，系統(tǒng)做出報警，認為出現(xiàn)送風露點異常。最后，將訓練完成并經過驗證的模型，部署至除濕機在線故障診斷系統(tǒng)中，由軟件后端進行調用，對未來的數據進行在線的、實時的計算，并將計算結果發(fā)送至軟件前端展示。64.圖9是本實施例提供的服務器的結構框圖，如圖9所示，該服務器包括處理器91和存儲器92，其中，存儲器92上存儲有能在處理器91上運行的計算機程序93，該計算機程序93被處理器執(zhí)行時實現(xiàn)本技術實施例提供的一種除濕機在線故障診斷方法。65.本技術實施例提供了一種計算機可讀存儲介質，該計算機可讀存儲介質上存儲有計算機程序，當其在計算機上運行時，使得計算機可以執(zhí)行前述方法實施例中相應內容。66.應該理解的是，雖然附圖的流程圖中的各個步驟按照箭頭的指示依次顯示，但是這些步驟并不是必然按照箭頭指示的順序依次執(zhí)行。除非本文中有明確地說明，這些步驟的執(zhí)行并沒有嚴格的順序限制，其可以以其他的順序執(zhí)行。67.以上所述僅是本技術的部分實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本技術原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本技術的保護范圍。