CN107860099B - 一种空调的结霜检测方法、装置、存储介质及设备 - Google Patents
一种空调的结霜检测方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN107860099B CN107860099B CN201710829628.6A CN201710829628A CN107860099B CN 107860099 B CN107860099 B CN 107860099B CN 201710829628 A CN201710829628 A CN 201710829628A CN 107860099 B CN107860099 B CN 107860099B
- Authority
- CN
- China
- Prior art keywords
- parameter
- network
- training
- frosting state
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调的结霜检测方法、装置、存储介质及设备,该方法包括:利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系;获取空调的当前运行参数;通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态。本发明的方案,可以克服现有技术中结霜判断准确性差、制热效果差和用户体验差等缺陷,实现结霜判断准确性好、制热效果好和用户体验好的有益效果。
Description
技术领域
本发明属于化霜技术领域,具体涉及一种空调的结霜检测方法、装置、存储介质及设备,尤其涉及一种利用人工神经网络算法来识别空调冷凝器结霜情况的方法、与该方法对应的装置、存储有该方法对应的指令的计算机可读形式存储介质、以及能够加载并执行该方法对应的指令的设备。
背景技术
空调(即空气调节器),可以是指用人工手段,对建筑/构筑物内环境空气的温度、湿度、洁净度、速度等参数进行调节和控制。空调在制热状态下运行一段时间后,室外机冷凝器会出现结霜的情况,影响制热效果,因此要对冷凝器进行除霜操作。
但是,目前行业上的空调的除霜控制策略,都是基于一定的经验预定好规则和时间,在空调制热运行满一段时间以及冷凝器管道的温度点到达一定程度时开启除霜。但是这种方法对结霜情况的判断准确度有限,有时明明还没开始结霜就开始了除霜,而有时霜已结得很厚仍未启动除霜,未能取得理想的除霜效果。
现有技术中,存在结霜判断准确性差、制热效果差和用户体验差等缺陷。
发明内容
本发明的目的在于,针对上述缺陷,提供一种空调的结霜检测方法、装置、存储介质及设备,以解决现有技术中对结霜情况的判断准确度有限的问题,达到结霜判断准确性好的效果。
本发明提供一种空调的结霜检测方法,包括:利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系;获取空调的当前运行参数;通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态。
可选地,其中,所述运行参数,包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组;其中,所述环境参数,包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一;和/或,所述工作参数,包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一;和/或,所述对应关系,包括:函数关系;所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数;确定与所述当前运行参数对应的当前结霜状态,包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态;和/或,当所述对应关系包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
可选地,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,包括:获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据;分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。
可选地,获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,包括:收集空调在不同使用环境下的运行数据和结霜状态;对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数;将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。
可选地,收集空调在不同使用环境下的运行数据,包括:获取空调在实验室模拟环境下的所述运行参数,和/或,获取通过物联网技术搜集用户实际使用空调时的所述运行参数;和/或,所述网络结构,包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一;和/或,所述网络参数,包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
可选地,对所述网络结构和所述网络参数进行训练,包括:选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;和/或,对所述网络结构和所述网络参数进行测试,包括:选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
可选地,对所述网络结构和所述网络参数进行训练,还包括:当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;和/或,对所述网络结构和所述网络参数进行测试,还包括:当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
可选地,还包括:确定所述当前结霜状态是否达到设定的除霜程度;当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;和/或,根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;和/或,对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;和/或,接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
与上述方法相匹配,本发明另一方面提供一种空调的结霜检测装置,包括:建立单元,用于利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系;
获取单元,用于获取空调的当前运行参数;
确定单元,用于通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态。
可选地,其中,所述运行参数,包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组;其中,所述环境参数,包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一;和/或,所述工作参数,包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一;和/或,所述对应关系,包括:函数关系;所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数;所述确定单元确定与所述当前运行参数对应的当前结霜状态,具体包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态;和/或,当所述对应关系包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
可选地,所述建立单元建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,具体包括:获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据;分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。
可选地,所述建立单元获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,具体包括:收集空调在不同使用环境下的运行数据和结霜状态;对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数;将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。
可选地,所述建立单元收集空调在不同使用环境下的运行数据,具体包括:获取空调在实验室模拟环境下的所述运行参数,和/或,获取通过物联网技术搜集用户实际使用空调时的所述运行参数;和/或,所述网络结构,包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一;和/或,所述网络参数,包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
可选地,所述建立单元对所述网络结构和所述网络参数进行训练,具体包括:选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;和/或,所述建立单元对所述网络结构和所述网络参数进行测试,具体包括:选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
可选地,所述建立单元对所述网络结构和所述网络参数进行训练,具体还包括:当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;和/或,所述建立单元对所述网络结构和所述网络参数进行测试,具体还包括:当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
可选地,还包括:所述确定单元,还用于确定所述当前结霜状态是否达到设定的除霜程度;当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;和/或,所述确定单元,还用于根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;和/或,所述确定单元,还用于对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;和/或,所述确定单元,还用于接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,通过所述建立单元,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
与上述方法相匹配,本发明再一方面提供一种存储介质,包括:所述存储介质中存储有多条指令;其中,所述多条指令,用于由处理器加载并执行以上所述的空调的结霜检测方法。
与上述方法或装置相匹配,本发明再一方面提供一种设备,包括:处理器,用于执行多条指令;存储器,用于存储多条指令;其中,所述多条指令,用于由所述存储器存储,并由处理器加载并执行以上所述的空调的结霜检测方法;或者,包括:以上所述的空调的结霜检测装置。
可选地,该设备包括:用于对自身进行控制的空调本体,和/或,用于对空调本体进行控制的外部控制端;其中,所述外部控制端,包括:无线通讯模块、路由器、服务器、终端中的至少之一。
本发明的方案,通过利用神经网络的自学习功能,建立空调的运行参数与冷凝器的结霜状态之间的对应关系;根据空调的当前运行参数,通过该对应关系可以确定当前结霜状态,确定方式可靠,确定结果精准性好。
进一步,本发明的方案,通过利用神经网络的自学习功能,通过对采集到的数据进行训练和学习,掌握到空调的运行参数以及传感器参数与冷凝器结霜状态间的对应关系函数,从而实时识别出空调的冷凝器结霜状态,提高了化霜检测的准确性,有益于提高空调整机的制热效果,提高制热效率,提高用户的舒适感。
进一步,本发明的方案,通过利用人工神经网络算法来分析空调冷凝器的结霜过程的运行状态规律,通过人工神经网络的自学习、自适应特性找到空调制热运行中冷凝器结霜情况与空调运行参数状态间的映射规律,能有效地识别出空调当前的结霜情况,从而为除霜开始与结束提供准确的判断依据,且判断结果精准性好。
进一步,本发明的方案,通过运行参数与结霜状态之间的对应关系,确定当前运行参数对应的当前结霜状态,操作方式简便,操作结果可靠性高。
由此,本发明的方案,通过利用神经网络算法确定空调制热运行中冷凝器的结霜状态与空调的运行参数之间的对应关系,进而根据空调的当前运行参数确定冷凝器的当前结霜状态;解决现有技术中对结霜情况的判断准确度有限的问题,从而,克服现有技术中结霜判断准确性差、制热效果差和用户体验差的缺陷,实现结霜判断准确性好、制热效果好和用户体验好的有益效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的空调的结霜检测方法的一实施例的流程示意图;
图2为本发明的方法中建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系的一实施例的流程示意图;
图3为本发明的方法中获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据的一实施例的流程示意图;
图4为本发明的方法中对所述网络结构和所述网络参数进行训练的一实施例的流程示意图;
图5为本发明的方法中对所述网络结构和所述网络参数进行测试的一实施例的流程示意图;
图6为本发明的方法中对所述网络结构和所述网络参数进行重新训练的一实施例的流程示意图;
图7为本发明的方法中判断当前结霜状态是否达到除霜程度的一实施例的流程示意图;
图8为本发明的方法中验证所述当前结霜状态与实际结霜状态是否相符的一实施例的流程示意图;
图9为本发明的空调的结霜检测装置的一实施例的结构示意图;
图10为本发明的方法中人工神经网络算法结构一(例如:BP神经网络)的一实施例的结构示意图;
图11为本发明的方法中人工神经网络算法网络结构二(例如:CNN卷积神经网络)的一实施例的结构示意图;
图12为本发明的方法中人工神经网络算法网络结构三(例如:残差神经网络)的一实施例的结构示意图;
图13为本发明的方法中人工神经网络算法网络结构四的一实施例的结构示意图;
图14为本发明的设备中运行人工神经网络算法的智能装置(例如:终端)的一实施例的原理示意图。
结合附图,本发明实施例中附图标记如下:
102-建立单元;104-获取单元;106-确定单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种空调的结霜检测方法,如图1所示本发明的方法的一实施例的流程示意图。该空调的结霜检测方法可以包括:
在步骤S110处,利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系。
例如:利用神经网络的自学习功能,通过对采集到的数据进行训练和学习,掌握到空调的运行参数以及传感器参数与冷凝器结霜状态间的对应关系函数。
其中,传感器参数可以是指探测外界环境情况的温湿度传感器等,已作为运行参数的一部分。
例如:利用人工神经网络算法来分析空调冷凝器的结霜过程的运行状态规律,通过人工神经网络的自学习、自适应特性找到空调制热运行中冷凝器结霜情况与空调运行参数状态间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同使用环境下(包括但不限于如下的一种或多种:室内外环境温度和湿度、设定温度等)空调运行数据汇总收集,选取若干空调的运行状态参数及结霜状态参数作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合空调运行参数和结霜状态之间的关系,最终使神经网络能准确拟合出空调的运行参数与冷凝器结霜状态间的对应关系。
在一个可选例子中,所述运行参数,可以包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组。
可选地,所述环境参数,可以包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一。
可选地,所述工作参数,可以包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一。
例如:输入参数包括但不限于如下的一种或多种:室内外的环境温度、空调设定温度、设定风速(档)、冷凝器温度、室外风机运行电流等。输入参数不仅为单一参数,也包括按一定规律提取特征组成的输入参数一维或多维数组。
由此,通过多种形式的运行参数,有利于提升对运行参数与结霜状态之间的对应关系确定的准确性和可靠性。
在一个可选例子中,所述对应关系,可以包括:函数关系。
可选地,所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数。
由此,通过多种形式的对应关系,可以提升对当前结霜状态确定的灵活性和便捷性。
在一个可选例子中,可以结合图2所示本发明的方法中建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系的一实施例的流程示意图,进一步说明步骤S110中建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系的具体过程。
步骤S210,获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据。
可选地,可以结合图3所示本发明的方法中获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据的一实施例的流程示意图,进一步说明步骤S210中获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据的具体过程。
步骤S310,收集空调在不同使用环境下的运行数据和结霜状态。
在一个可选具体例子中,步骤S310中收集空调在不同使用环境下的运行数据,可以包括:获取空调在实验室模拟环境下的所述运行参数。
在一个可选具体例子中,步骤S310中收集空调在不同使用环境下的运行数据,还可以包括:获取通过物联网技术搜集用户实际使用空调时的所述运行参数。
例如:数据搜集:搜集空调在不同使用环境下的自身的运行状态参数及对应的结霜情况。具体搜集方式包括但不限于空调在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
步骤S320,对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数(例如:选取对空调结霜状态有影响的参数作为输入参数,将结霜状态作为输出参数)。
例如:通过对数据的分析和结合专家经验知识,选取对空调结霜状态有影响的参数作为输入参数,将结霜状态作为输出参数。
步骤S330,将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的运行数据进行分析及处理,确定运行参数,进而得到样本数据,操作过程简单,操作结果可靠性高。
步骤S220,分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数。
例如:根据不同的设定温度、环境温度、体表温度等对空调运行影响的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
可选地,所述网络结构,可以包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一。
可选地,所述网络参数,可以包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
例如:BP神经网络结构示意图如图10所示,实际应用时,可以根据需要调整输入层、隐层、输出层节点数及隐层层数。
例如:多层卷积网络,就是从低维度的特征不断提取合并得到更高维的特征,从而可以用来进行分类或相关任务。例如:多层卷积网络结构示意图如图11所示,实际应用时网络结构可根据实际情况调整。
例如:残差神经网络结构示意图如图12所示,实际应用时网络结构可根据实际情况调整。
例如:在调试CNN网络时,加深网络层数和改变卷积核大小的方法,并不能使得网络表现得到提升。加入残差块可以更好的连接前后数据,加强特征表达能力,所以其能够加强卷积网络的学习能力。如图13所示,某段神经网络的输入为x,期望输出为H(x),把输入x传入到输出作为初始结构后,需要学习的目标就变为F(x)=H(x)-x。
例如:本方案中所使用的人工神经网络,不限定于某一种网络结构,可以是经典的人工神经网络如BP神经网络,也可以是高级人工神经网络,或者深度学习网络如CNN(卷积神经网络)及RNN(循环神经网络)等,具体方案可根据实际应用场景选择。
由此,通过多种形式的人工神经网络结构和网络参数,可以提升对网络结构选择的灵活性,也可以使得对运行参数与结霜状态之间对应关系确定的便捷性和可靠性。
步骤S230,使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。
例如:通过对所述样本数据进行训练和测试,得到训练结果和测试结果。选取所述训练结果和所述测试结果均达到设定要求的样本数据,根据选取的所述样本数据确定所述运行参数与所述结霜状态的所述对应关系。
例如:网络设计完成后,需用训练样本数据,对网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。
由此,通过收集运行数据,选取样本数据,并基于样本数据进行训练和测试,确定运行参数与结霜状态之间的对应关系,有利于提升对结霜状态判断的便捷性和精准性。
可选地,可以结合图4所示本发明的方法中对所述网络结构和所述网络参数进行训练的一实施例的流程示意图,进一步说明步骤S230中对所述网络结构和所述网络参数进行训练的具体过程。
步骤S410,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果。
例如:⑴导入输入数据x,根据激活函数、初始化的权值及偏置,计算出网络的实际输出a(x),即a(x)=1/(1+e-z),其中Z=Wk*x+bl。
步骤S420,确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差。例如:以所述样本数据中的相应所述结霜状态作为期望训练结果。
例如:判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求,即:‖y(x)-a(x)‖<∈,∈为目标最小误差。
步骤S430,当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成。
例如:如果网络的期望输出y(x)与实际输出a(x)满足精度要求则结束训练。
由此,通过将训练样本用于选定的网络结构和网络参数进行训练,可以得到更为可靠的网络结构及网络参数,有利于提升对运行参数与结霜状态之间的对应关系确定的精准性和可靠性。
更可选地,可以结合图6所示本发明的方法中对所述网络结构和所述网络参数进行重新训练的一实施例的流程示意图,进一步说明步骤S230中对所述网络结构和所述网络参数进行训练时重新训练的具体过程。
步骤S610,当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数。
步骤S620,通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差。
例如:如果网络的期望输出y(x)与实际输出a(x)不满足则根据以下方式更新网络的权值Wk,偏置bl:
C(w,b)为误差能量函数(以标准方差函数为例),n为训练样本的总数量,求和是在总的训练样本x上进行:
更新各层权值:
更新各层偏置:
其中:
Wk为初始权值,为误差能量函数对权值的偏导数,bl为初始偏置,为误差能量函数对偏置的偏导数;的值可通过链式求导法则获得,直至网络的输出误差小于∈(目标最小误差)为止。
由此,通过在训练误差较大时对网络参数进行修正后重新训练,有利于得到更为精准和可靠的网络结构,进而得到更为精准和可靠的对应关系。
可选地,可以结合图5所示本发明的方法中对所述网络结构和所述网络参数进行测试的一实施例的流程示意图,进一步说明步骤S230中对所述网络结构和所述网络参数进行测试的具体过程。
步骤S510,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果。
例如:网络训练完成后,再用测试样本正向测试网络。
步骤S520,确定所述实际测试结果与所述测试样本中的相应结霜状态(即以所述样本数据中的所述结霜状态作为期望输出参数)之间的实际测试误差是否满足设定测试误差。
步骤S530,当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
更可选地,步骤S230中对所述网络结构和所述网络参数进行测试中,还可以包括:当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
例如:当测试误差不满足要求时,则重复以上步骤,重新训练网络。
由此,通过在测试误差较大时对网络结构进行重新训练以进行重新测试,有利于得到更为精准和可靠的网络结构,进而提升对结霜状态确定的精准性。
在步骤S120处,获取空调的当前运行参数。
在步骤S130处,通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态。
例如:实时识别出空调的冷凝器结霜状态。
其中,本申请的在于控制空调的控制状态(例如:设定参数等)以实现舒适性,本申请是对空调状态进行识别,识别结霜的情况,这决定了输入以及输出的参数的不同。
由此,通过基于对应关系,根据当前运行参数有效地识别出空调当前的结霜情况,从而为除霜开始与结束提供准确的判断依据,且判断结果精准性好。
在一个可选例子中,步骤S130中确定与所述当前运行参数对应的当前结霜状态,可以包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
在一个可选例子中,步骤S130中确定与所述当前运行参数对应的当前结霜状态,还可以包括:当所述对应关系可以包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
由此,通过基于对应关系或函数关系,根据当前运行参数确定当前结霜状态,确定方式简便,确定结果可靠性高。
在一个可选实施方式中,还可以包括:判断当前结霜状态是否达到除霜程度的过程。
可选地,可以结合图7所示本发明的方法中判断当前结霜状态是否达到除霜程度的一实施例的流程示意图,进一步说明判断当前结霜状态是否达到除霜程度的具体过程。
步骤S710,确定所述当前结霜状态是否达到设定的除霜程度。
步骤S720,当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式;和/或,发起所述当前结霜状态达到所述除霜程度的提示。
其中,当所述当前结霜状态未达到所述除霜程度时,维持当前运行。
由此,通过基于当前结霜状态判断是否需要除霜,提高了化霜检测的准确性,有益于提高空调整机的制热效果,提高制热效率,提高用户的舒适感。
在一个可选实施方式中,还可以包括:确定除霜模式的进入时间、退出时间的过程。
可选地,可以根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间(例如:确定除霜开始时间和/或除霜结束时间)。
例如:可以根据已有的经验预设,如,厚度达到F时,进行除霜操作;除霜过程中厚度减少至A时,退出除霜操作。
由此,通过确定除霜模式的进入时间、退出时间等,以更好地掌握除霜过程,可以提升除霜可靠性,也可以使得用户对空调运行状况更为清楚,进而方便使用,用户体验好。
在一个可选实施方式中,还可以包括:对相应参数进行显示和/或输出等展示操作的过程。
可选地,可以对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出。
例如:还可以对所述空调的运行模式、所述当前运行参数、所述当前结霜状态、所述除霜开始时间、所述除霜结束时间中的至少之一进行发送。例如:若在空调侧,可以发送至客户端。若在终端侧,可以发送至空调或其它客户端。
由此,通过对相应参数进行显示、输出等展示操作,可以提升用户对空调运行状态的了解和查看,直观性强,人性化好。
在一个可选实施方式中,还可以包括:验证所述当前结霜状态与实际结霜状态是否相符的过程。
可选地,可以接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或确定所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:空调本身无法获知到实际结霜状态,需要有用户的反馈操作才行,即如果空调智能判断出结霜状态,用户通过遥控器等操作反馈其与实际的状态不符,空调才能获知。
例如:可以通过遥控器进行验证。其中,遥控器验证时,可以结合图8所示本发明的方法中验证所述当前结霜状态与实际结霜状态是否相符的一实施例的流程示意图,进一步说明验证所述当前结霜状态与实际结霜状态是否相符的具体过程。
步骤S810,验证所述当前结霜状态与实际结霜状态是否相符(例如:可以通过AR显示模块对实际结霜状态进行显示,以验证确定的所述当前结霜状态与实际结霜状态是否相符)。
步骤S820,当所述当前结霜状态与实际结霜状态不符、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:可以根据维护后的对应关系,根据所述当前运行参数确定当前结霜状态。例如:将维护后的所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
由此,通过对确定的运行参数与结霜状态之间的对应关系的维护,有利于提升对结霜状态确定的精准性和可靠性。
经大量的试验验证,采用本实施例的技术方案,通过利用神经网络的自学习功能,建立空调的运行参数与冷凝器的结霜状态之间的对应关系;根据空调的当前运行参数,通过该对应关系可以确定当前结霜状态,确定方式可靠,确定结果精准性好。
根据本发明的实施例,还提供了对应于空调的结霜检测方法的一种空调的结霜检测装置(例如:冷凝器结霜情况检测***)。参见图9所示本发明的装置的一实施例的结构示意图。该空调的结霜检测装置可以包括:建立单元102、获取单元104和确定单元106。
在一个可选例子中,建立单元102,可以用于利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系。该建立单元102的具体功能及处理参见步骤S110。
例如:利用神经网络的自学习功能,通过对采集到的数据进行训练和学习,掌握到空调的运行参数以及传感器参数与冷凝器结霜状态间的对应关系函数。
例如:利用人工神经网络算法来分析空调冷凝器的结霜过程的运行状态规律,通过人工神经网络的自学习、自适应特性找到空调制热运行中冷凝器结霜情况与空调运行参数状态间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同使用环境下(包括但不限于如下的一种或多种:室内外环境温度和湿度、设定温度等)空调运行数据汇总收集,选取若干空调的运行状态参数及结霜状态参数作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合空调运行参数和结霜状态之间的关系,最终使神经网络能准确拟合出空调的运行参数与冷凝器结霜状态间的对应关系。
可选地,所述运行参数,可以包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组。
在一个可选具体例子中,所述环境参数,可以包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一。
在一个可选具体例子中,所述工作参数,可以包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一。
例如:输入参数包括但不限于如下的一种或多种:室内外的环境温度、空调设定温度、设定风速(档)、冷凝器温度、室外风机运行电流等。输入参数不仅为单一参数,也包括按一定规律提取特征组成的输入参数一维或多维数组。
由此,通过多种形式的运行参数,有利于提升对运行参数与结霜状态之间的对应关系确定的准确性和可靠性。
可选地,所述对应关系,可以包括:函数关系。
在一个可选具体例子中,所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数。
由此,通过多种形式的对应关系,可以提升对当前结霜状态确定的灵活性和便捷性。
可选地,所述建立单元102建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,具体可以包括:获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据。该建立单元102的具体功能及处理还参见步骤S210。
更可选地,所述建立单元102获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,具体可以包括:收集空调在不同使用环境下的运行数据和结霜状态。该建立单元102的具体功能及处理还参见步骤S310。
在一个更可选具体例子中,所述建立单元102收集空调在不同使用环境下的运行数据,具体可以包括:获取空调在实验室模拟环境下的所述运行参数。
在一个更可选具体例子中,所述建立单元102收集空调在不同使用环境下的运行数据,具体还可以包括:获取通过物联网技术搜集用户实际使用空调时的所述运行参数。
例如:数据搜集:搜集空调在不同使用环境下的自身的运行状态参数及对应的结霜情况。具体搜集方式包括但不限于空调在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
更可选地,所述建立单元102获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,具体还可以包括:对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数(例如:选取对空调结霜状态有影响的参数作为输入参数,将结霜状态作为输出参数)。该建立单元102的具体功能及处理还参见步骤S320。
例如:通过对数据的分析和结合专家经验知识,选取对空调结霜状态有影响的参数作为输入参数,将结霜状态作为输出参数。
更可选地,所述建立单元102获取可以用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,具体还可以包括:将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。该建立单元102的具体功能及处理还参见步骤S330。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的运行数据进行分析及处理,确定运行参数,进而得到样本数据,操作过程简单,操作结果可靠性高。
可选地,所述建立单元102建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,具体还可以包括:分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数。该建立单元102的具体功能及处理还参见步骤S220。
例如:根据不同的设定温度、环境温度、体表温度等对空调运行影响的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
更可选地,所述网络结构,可以包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一。
更可选地,所述网络参数,可以包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
例如:BP神经网络结构示意图如图10所示,实际应用时,可以根据需要调整输入层、隐层、输出层节点数及隐层层数。
例如:多层卷积网络,就是从低维度的特征不断提取合并得到更高维的特征,从而可以用来进行分类或相关任务。例如:多层卷积网络结构示意图如图11所示,实际应用时网络结构可根据实际情况调整。
例如:残差神经网络结构示意图如图12所示,实际应用时网络结构可根据实际情况调整。
例如:在调试CNN网络时,加深网络层数和改变卷积核大小的方法,并不能使得网络表现得到提升。加入残差块可以更好的连接前后数据,加强特征表达能力,所以其能够加强卷积网络的学习能力。如图13所示,某段神经网络的输入为x,期望输出为H(x),把输入x传入到输出作为初始结构后,需要学习的目标就变为F(x)=H(x)-x。
例如:本方案中所使用的人工神经网络,不限定于某一种网络结构,可以是经典的人工神经网络如BP神经网络,也可以是高级人工神经网络,或者深度学习网络如CNN(卷积神经网络)及RNN(循环神经网络)等,具体方案可根据实际应用场景选择。
由此,通过多种形式的人工神经网络结构和网络参数,可以提升对网络结构选择的灵活性,也可以使得对运行参数与结霜状态之间对应关系确定的便捷性和可靠性。
可选地,所述建立单元102建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,具体还可以包括:使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。该建立单元102的具体功能及处理还参见步骤S230。
例如:通过对所述样本数据进行训练和测试,得到训练结果和测试结果。选取所述训练结果和所述测试结果均达到设定要求的样本数据,根据选取的所述样本数据确定所述运行参数与所述结霜状态的所述对应关系。
例如:网络设计完成后,需用训练样本数据,对网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。
由此,通过收集运行数据,选取样本数据,并基于样本数据进行训练和测试,确定运行参数与结霜状态之间的对应关系,有利于提升对结霜状态判断的便捷性和精准性。
更可选地,所述建立单元102对所述网络结构和所述网络参数进行训练,具体可以包括:选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果。该建立单元102的具体功能及处理还参见步骤S410。
例如:⑴导入输入数据x,根据激活函数、初始化的权值及偏置,计算出网络的实际输出a(x),即a(x)=1/(1+e-z),其中Z=Wk*x+bl。
在一个更可选具体例子中,所述建立单元102对所述网络结构和所述网络参数进行训练,具体还可以包括:确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差。该建立单元102的具体功能及处理还参见步骤S420。例如:以所述样本数据中的相应所述结霜状态作为期望训练结果。
例如:判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求,即:‖y(x)-a(x)‖<∈,∈为目标最小误差。
在一个更可选具体例子中,所述建立单元102对所述网络结构和所述网络参数进行训练,具体还可以包括:当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成。该建立单元102的具体功能及处理还参见步骤S430。
例如:如果网络的期望输出y(x)与实际输出a(x)满足精度要求则结束训练。
由此,通过将训练样本用于选定的网络结构和网络参数进行训练,可以得到更为可靠的网络结构及网络参数,有利于提升对运行参数与结霜状态之间的对应关系确定的精准性和可靠性。
更可选地,所述建立单元102对所述网络结构和所述网络参数进行训练,具体还可以包括:当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数。该建立单元102的具体功能及处理还参见步骤S610。
在一个更可选具体例子中,所述建立单元102对所述网络结构和所述网络参数进行训练,具体还可以包括:通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差。该建立单元102的具体功能及处理还参见步骤S620。
例如:如果网络的期望输出y(x)与实际输出a(x)不满足则根据以下方式更新网络的权值Wk,偏置bl:
C(w,b)为误差能量函数(以标准方差函数为例),n为训练样本的总数量,求和是在总的训练样本x上进行:
更新各层权值:
更新各层偏置:
其中:
Wk为初始权值,为误差能量函数对权值的偏导数,bl为初始偏置,为误差能量函数对偏置的偏导数;的值可通过链式求导法则获得,直至网络的输出误差小于∈(目标最小误差)为止。
由此,通过在训练误差较大时对网络参数进行修正后重新训练,有利于得到更为精准和可靠的网络结构,进而得到更为精准和可靠的对应关系。
更可选地,所述建立单元102对所述网络结构和所述网络参数进行测试,具体可以包括:选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果。该建立单元102的具体功能及处理还参见步骤S510。
例如:网络训练完成后,再用测试样本正向测试网络。
在一个更可选具体例子中,所述建立单元102对所述网络结构和所述网络参数进行测试,具体还可以包括:确定所述实际测试结果与所述测试样本中的相应结霜状态(即以所述样本数据中的所述结霜状态作为期望输出参数)之间的实际测试误差是否满足设定测试误差。该建立单元102的具体功能及处理还参见步骤S520。
在一个更可选具体例子中,所述建立单元102对所述网络结构和所述网络参数进行测试,具体还可以包括:当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。该建立单元102的具体功能及处理还参见步骤S530。
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
更可选地,所述建立单元102对所述网络结构和所述网络参数进行测试,具体还可以包括:当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
例如:当测试误差不满足要求时,则重复以上步骤,重新训练网络。
由此,通过在测试误差较大时对网络结构进行重新训练以进行重新测试,有利于得到更为精准和可靠的网络结构,进而提升对结霜状态确定的精准性
在一个可选例子中,获取单元104,可以用于获取空调的当前运行参数。该获取单元104的具体功能及处理参见步骤S120。
在一个可选例子中,确定单元106,可以用于通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态。该确定单元106的具体功能及处理参见步骤S130。
例如:实时识别出空调的冷凝器结霜状态。
由此,通过基于对应关系,根据当前运行参数有效地识别出空调当前的结霜情况,从而为除霜开始与结束提供准确的判断依据,且判断结果精准性好。
可选地,所述确定单元106确定与所述当前运行参数对应的当前结霜状态,具体可以包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
可选地,所述确定单元106确定与所述当前运行参数对应的当前结霜状态,具体还可以包括:当所述对应关系可以包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
由此,通过基于对应关系或函数关系,根据当前运行参数确定当前结霜状态,确定方式简便,确定结果可靠性高。
在一个可选实施方式中,还可以包括:判断当前结霜状态是否达到除霜程度的过程。
在一个可选例子中,所述确定单元106,还可以用于确定所述当前结霜状态是否达到设定的除霜程度。该建立单元102的具体功能及处理还参见步骤S710。
在一个可选例子中,所述确定单元106,还可以用于当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示。该建立单元102的具体功能及处理还参见步骤S720。
其中,或当所述当前结霜状态未达到所述除霜程度时,维持当前运行。
由此,通过基于当前结霜状态判断是否需要除霜,提高了化霜检测的准确性,有益于提高空调整机的制热效果,提高制热效率,提高用户的舒适感。
在一个可选实施方式中,还可以包括:确定除霜模式的进入时间、退出时间的过程。
在一个可选例子中,所述确定单元106,还可以用于根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间(例如:确定除霜开始时间和/或除霜结束时间)。
由此,通过确定除霜模式的进入时间、退出时间等,以更好地掌握除霜过程,可以提升除霜可靠性,也可以使得用户对空调运行状况更为清楚,进而方便使用,用户体验好。
在一个可选实施方式中,还可以包括:对相应参数进行显示和/或输出等展示操作的过程。
在一个可选例子中,所述确定单元106,还可以用于对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出。
例如:还可以对所述空调的运行模式、所述当前运行参数、所述当前结霜状态、所述除霜开始时间、所述除霜结束时间中的至少之一进行发送。例如:若在空调侧,可以发送至客户端。若在终端侧,可以发送至空调或其它客户端。
由此,通过对相应参数进行显示、输出等展示操作,可以提升用户对空调运行状态的了解和查看,直观性强,人性化好。
在一个可选实施方式中,还可以包括:对相应参数进行显示和/或输出等展示操作的过程。
在一个可选例子中,所述确定单元106,还可以用于接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或确定所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:空调本身无法获知到实际结霜状态,需要有用户的反馈操作才行,即如果空调智能判断出结霜状态,用户通过遥控器等操作反馈其与实际的状态不符,空调才能获知。
例如:可以通过遥控器进行验证。其中,遥控器验证时,可以执行如下操作:
例如:所述确定单元106,还可以用于验证所述当前结霜状态与实际结霜状态是否相符(例如:可以通过AR显示模块对实际结霜状态进行显示,以验证确定的所述当前结霜状态与实际结霜状态是否相符)。该确定单元106的具体功能及处理还参见步骤S810。
例如:所述确定单元106,还可以用于当所述当前结霜状态与实际结霜状态不符、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,通过所述建立单元102,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。该确定单元106的具体功能及处理还参见步骤S820。
例如:可以根据维护后的对应关系,根据所述当前运行参数确定当前结霜状态。例如:将维护后的所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
由此,通过对确定的运行参数与结霜状态之间的对应关系的维护,有利于提升对结霜状态确定的精准性和可靠性。
由于本实施例的装置所实现的处理及功能基本相应于前述图1至图8所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过利用神经网络的自学习功能,通过对采集到的数据进行训练和学习,掌握到空调的运行参数以及传感器参数与冷凝器结霜状态间的对应关系函数,从而实时识别出空调的冷凝器结霜状态,提高了化霜检测的准确性,有益于提高空调整机的制热效果,提高制热效率,提高用户的舒适感。
根据本发明的实施例,还提供了对应于空调的结霜检测方法的一种存储介质。该存储介质可以包括:所述存储介质中存储有多条指令;其中,所述多条指令,用于由处理器加载并执行以上所述的空调的结霜检测方法。
由于本实施例的存储介质所实现的处理及功能基本相应于前述图1至图8所示的方法的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过利用人工神经网络算法来分析空调冷凝器的结霜过程的运行状态规律,通过人工神经网络的自学习、自适应特性找到空调制热运行中冷凝器结霜情况与空调运行参数状态间的映射规律,能有效地识别出空调当前的结霜情况,从而为除霜开始与结束提供准确的判断依据,且判断结果精准性好。
根据本发明的实施例,还提供了对应于空调的结霜检测方法或空调的结霜检测方法的一种设备。该设备可以包括:处理器,用于执行多条指令;存储器,用于存储多条指令;其中,所述多条指令,用于由所述存储器存储,并由处理器加载并执行以上所述的空调的结霜检测方法。或者,该设备可以包括:以上所述的空调的结霜检测装置。
例如:提供了一种基于神经网络识别空调冷凝器结霜情况的方法实现装置。如图14所示,带无线通讯的空调器运行时,将空调的运行参数上传至智能装置。
例如:智能装置将运行参数输入到训练好的网络算法中,判断出结霜情况后,向空调发送结霜情况或者直接发送除霜或者结束除霜的命令。
可选地,该设备可以包括:用于对自身进行控制的空调本体,和/或,用于对空调本体进行控制的外部控制端。
例如:也可以将算法直接集成在空调本身的控制器中,不额外接智能装置。
其中,所述外部控制端,可以包括:无线通讯模块、路由器、服务器、终端中的至少之一。
例如:智能装置包括但不限于无线通讯模块、路由器、服务器、智能手机等。例如:智能装置,可以包括:无线通讯模块、路由器、服务器、智能手机中的至少之一。
在一个可选例子中,该设备,可以利用人工神经网络算法,通过对大量不同使用环境下(包括但不限于如下的一种或多种:室内外环境温度和湿度、设定温度等)空调运行数据汇总收集,选取若干空调的运行状态参数及结霜状态参数作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合空调运行参数和结霜状态之间的关系,最终使神经网络能准确拟合出空调的运行参数与冷凝器结霜状态间的对应关系。
例如:网络结构、网络节点,都是神经网络领域的术语,节点即神经元,代表一种特定的输出函数,结构是整个神经网络的组成情况、连接情况的概括。
例如:网络结构与网络节点间的关系,可以包括:网络结构,可以由各个网络节点间的联接情况决定,不同的节点数、节点与节点的联接方式、节点的层数等可以表现出不同的网络结构。
例如:调整网络结构及网络节点间的权值,可以包括:总体的网络结构可以事先预设好(也可以预设几种相近的结构,后期根据网络训练的情况选择最合适的),权值的调整可以参见下面一下步骤4中的网络训练与测试。
其中,具体实施步骤如下:
步骤1、数据搜集:
搜集空调在不同使用环境下的自身的运行状态参数及对应的结霜情况。具体搜集方式包括但不限于空调在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。
步骤2、样本数据选择:
通过对数据的分析和结合专家经验知识,选取对空调结霜状态有影响的参数作为输入参数,将结霜状态作为输出参数。本方案中,输入参数包括但不限于如下的一种或多种:室内外的环境温度、空调设定温度、设定风速(档)、冷凝器温度、室外风机运行电流等。输入参数不仅为单一参数,也包括按一定规律提取特征组成的输入参数一维或多维数组。
将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
步骤3、网络结构设计:
根据不同的设定温度、环境温度、体表温度等对空调运行影响的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。
例如:对空调运行影响的数据,可以是来自于步骤1中收集的所有运行数据,也可以是其中的某几项。
例如:对空调运行影响的数据的特性及其所蕴含的规律,比如说这里的结霜,结霜很直观的和冷凝器温度有关系,温度越低,结霜的可能性及厚度均会越大,因此首先可以把冷凝器温度作为输入参数。
其中,本发明的神经网络算法示意图如图1,具体人工神经网络结构包括但不限于以下三种网络结构:
⑴BP神经网络
BP神经网络结构示意图如图10所示,实际应用时,可以根据需要调整输入层、隐层、输出层节点数及隐层层数。
例如:比如说确定了8个输出参数,而输出的结霜情况有10种,则可以初步选取输入层节点数为8,输出层节点数为10;而中间层根据经验选取5,后面训练结果不好可以进行调整。
⑵CNN卷积神经网络
多层卷积网络,就是从低维度的特征不断提取合并得到更高维的特征,从而可以用来进行分类或相关任务。
多层卷积网络结构示意图如图11所示,实际应用时网络结构可根据实际情况调整。
⑶残差神经网络
在调试CNN网络时,加深网络层数和改变卷积核大小的方法,并不能使得网络表现得到提升。加入残差块可以更好的连接前后数据,加强特征表达能力,所以其能够加强卷积网络的学习能力。如图13所示,某段神经网络的输入为x,期望输出为H(x),把输入x传入到输出作为初始结构后,需要学习的目标就变为F(x)=H(x)-x。
残差神经网络结构示意图如图12所示,实际应用时网络结构可根据实际情况调整。
也就是说,本方案中所使用的人工神经网络,不限定于某一种网络结构,可以是经典的人工神经网络如BP神经网络,也可以是高级人工神经网络,或者深度学习网络如CNN(卷积神经网络)及RNN(循环神经网络)等,具体方案可根据实际应用场景选择。
步骤4、网络训练与测试:
网络设计完成后,需用训练样本数据,对网络进行训练。
训练方法可根据实际的网络结构及训练中发现的问题进行调整。此处仅针对本发明的其中一种方法举例说明如下:
⑴导入输入数据x,根据激活函数、初始化的权值及偏置,计算出网络的实际输出a(x),即a(x)=1/(1+e-z),其中Z=Wk*x+bl。
⑵判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求,即:
‖y(x)-a(x)‖<∈,∈为目标最小误差。
⑶如果满足精度要求则结束训练,如不满足则根据以下方式更新网络的权值Wk,偏置bl:
C(w,b)为误差能量函数(以标准方差函数为例),n为训练样本的总数量,求和是在总的训练样本x上进行:
更新各层权值:
更新各层偏置:
其中:
Wk为初始权值,为误差能量函数对权值的偏导数,bl为初始偏置,为误差能量函数对偏置的偏导数;的值可通过链式求导法则获得,直至网络的输出误差小于∈(目标最小误差)为止。
网络训练完成后,再用测试样本正向测试网络。当测试误差不满足要求时,则重复以上步骤,重新训练网络;若测试误差满足要求,则网络训练测试完成。
由于本实施例的设备所实现的处理及功能基本相应于前述图1至图8所示的方法或图9所示的装置的实施例、原理和实例,故本实施例的描述中未详尽之处,可以参见前述实施例中的相关说明,在此不做赘述。
经大量的试验验证,采用本发明的技术方案,通过运行参数与结霜状态之间的对应关系,确定当前运行参数对应的当前结霜状态,操作方式简便,操作结果可靠性高。
综上,本领域技术人员容易理解的是,在不冲突的前提下,上述各有利方式可以自由地组合、叠加。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (27)
1.一种空调的结霜检测方法,其特征在于,包括:
利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系;
获取空调的当前运行参数;
通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态;确定与所述当前运行参数对应的当前结霜状态,包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
2.根据权利要求1所述的方法,其特征在于,其中,
所述运行参数,包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组;其中,
所述环境参数,包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一;和/或,
所述工作参数,包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一;
和/或,
所述对应关系,包括:函数关系;
所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数;
确定与所述当前运行参数对应的当前结霜状态,还包括:
当所述对应关系包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
3.根据权利要求1或2所述的方法,其特征在于,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,包括:
获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据;
分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。
4.根据权利要求3所述的方法,其特征在于,获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,包括:
收集空调在不同使用环境下的运行数据和结霜状态;
对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数;
将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。
5.根据权利要求4所述的方法,其特征在于,
收集空调在不同使用环境下的运行数据,包括:
获取空调在实验室模拟环境下的所述运行参数,和/或,
获取通过物联网技术搜集用户实际使用空调时的所述运行参数;
和/或,
所述网络结构,包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一;和/或,
所述网络参数,包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
6.根据权利要求3所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;
当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
7.根据权利要求4或5所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;
当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
8.根据权利要求6所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
9.根据权利要求7所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
10.根据权利要求1、2、4-6、8、9之一所述的方法,其特征在于,还包括:
确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
11.根据权利要求3所述的方法,其特征在于,还包括:
确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
12.根据权利要求7所述的方法,其特征在于,还包括:
确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
13.一种空调的结霜检测装置,其特征在于,包括:
建立单元,用于利用人工神经网络的自学习能力,建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系;
获取单元,用于获取空调的当前运行参数;
确定单元,用于通过所述对应关系,确定与所述当前运行参数对应的当前结霜状态;所述确定单元确定与所述当前运行参数对应的当前结霜状态,具体包括:将所述对应关系中与所述当前运行参数相同的运行参数对应的结霜状态,确定为当前结霜状态。
14.根据权利要求13所述的装置,其特征在于,其中,
所述运行参数,包括:环境参数和/或工作参数,和/或由按设定规律自所述环境参数、所述工作参数中提取的特征组成的一维或两维以上的数组;其中,
所述环境参数,包括:室内外环境温度、用户体表温度、室内外环境湿度中的至少之一;和/或,
所述工作参数,包括:设定温度、设定风速、设定风档、冷凝器温度、室外风机运行电流中的至少之一;
和/或,
所述对应关系,包括:函数关系;
所述运行参数为所述函数关系的输入参数,所述结霜状态为所述函数关系的输出参数;
所述确定单元确定与所述当前运行参数对应的当前结霜状态,具体还包括:
当所述对应关系包括函数关系时,将所述当前运行参数输入所述函数关系中,确定所述函数关系的输出参数为当前结霜状态。
15.根据权利要求13或14所述的装置,其特征在于,所述建立单元建立制热模式下空调的运行参数与冷凝器的结霜状态之间的对应关系,具体包括:
获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据;
分析所述运行参数的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述运行参数与所述结霜状态的所述对应关系。
16.根据权利要求15所述的装置,其特征在于,所述建立单元获取用于建立所述运行参数与所述结霜状态之间的对应关系的样本数据,具体包括:
收集空调在不同使用环境下的运行数据和结霜状态;
对所述运行数据进行分析、并结合预存的专家经验信息,选取与所述结霜状态相关的数据作为所述运行参数;
将所述结霜状态、以及选取的所述运行参数构成的数据对,作为样本数据。
17.根据权利要求16所述的装置,其特征在于,
所述建立单元收集空调在不同使用环境下的运行数据,具体包括:
获取空调在实验室模拟环境下的所述运行参数,和/或,
获取通过物联网技术搜集用户实际使用空调时的所述运行参数;
和/或,
所述网络结构,包括:BP神经网络、CNN神经网络、RNN神经网络、残差神经网络中的至少之一;和/或,
所述网络参数,包括:输入节点数、输出节点数、隐层数、隐节点数、初始权值、偏置值中的至少之一。
18.根据权利要求15所述的装置,其特征在于,
所述建立单元对所述网络结构和所述网络参数进行训练,具体包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;
当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
所述建立单元对所述网络结构和所述网络参数进行测试,具体包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
19.根据权利要求16或17所述的装置,其特征在于,
所述建立单元对所述网络结构和所述网络参数进行训练,具体包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述运行参数输入到所述网络结构,通过所述网络结构的激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应结霜状态之间的实际训练误差是否满足设定训练误差;
当所述实际训练误差满足所述设定训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
所述建立单元对所述网络结构和所述网络参数进行测试,具体包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述运行参数输入到所述训练完成的所述网络结构中,以所述激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应结霜状态之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
20.根据权利要求18所述的装置,其特征在于,
所述建立单元对所述网络结构和所述网络参数进行训练,具体还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述建立单元对所述网络结构和所述网络参数进行测试,具体还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
21.根据权利要求19所述的装置,其特征在于,
所述建立单元对所述网络结构和所述网络参数进行训练,具体还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数;
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述建立单元对所述网络结构和所述网络参数进行测试,具体还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
22.根据权利要求13、14、16-18、20、21之一所述的装置,其特征在于,还包括:
所述确定单元,还用于确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
所述确定单元,还用于根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
所述确定单元,还用于对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
所述确定单元,还用于接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,通过所述建立单元,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
23.根据权利要求15所述的装置,其特征在于,还包括:
所述确定单元,还用于确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
所述确定单元,还用于根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
所述确定单元,还用于对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
所述确定单元,还用于接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,通过所述建立单元,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
24.根据权利要求19所述的装置,其特征在于,还包括:
所述确定单元,还用于确定所述当前结霜状态是否达到设定的除霜程度;
当所述当前结霜状态达到所述除霜程度时,进入设定的除霜模式,和/或,发起所述当前结霜状态达到所述除霜程度的提示;
和/或,
所述确定单元,还用于根据所述当前结霜状态,当需要进入设定的除霜模式后,确定所述除霜模式的进入时间和/或退出时间;
和/或,
所述确定单元,还用于对所述空调的当前运行模式、所述当前运行参数、所述当前结霜状态、除霜模式的进入时间、除霜模式的退出时间中的至少之一,进行显示和/或输出;
和/或,
所述确定单元,还用于接收到所述当前结霜状态与实际结霜状态不符的验证结果、和/或所述对应关系中没有与所述当前运行参数相同的运行参数时,通过所述建立单元,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
25.一种存储介质,其特征在于,包括:所述存储介质中存储有多条指令;
其中,所述多条指令,用于由处理器加载并执行如权利要求1-12任一所述的空调的结霜检测方法。
26.一种设备,其特征在于,包括:
处理器,用于执行多条指令;
存储器,用于存储多条指令;
其中,所述多条指令,用于由所述存储器存储,并由处理器加载并执行如权利要求1-12任一所述的空调的结霜检测方法;
或者,
如权利要求13-24任一所述的空调的结霜检测装置。
27.根据权利要求26所述的设备,其特征在于,该设备包括:用于对自身进行控制的空调本体,和/或,用于对空调本体进行控制的外部控制端;其中,
所述外部控制端,包括:无线通讯模块、路由器、服务器、终端中的至少之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710829628.6A CN107860099B (zh) | 2017-09-15 | 2017-09-15 | 一种空调的结霜检测方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710829628.6A CN107860099B (zh) | 2017-09-15 | 2017-09-15 | 一种空调的结霜检测方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107860099A CN107860099A (zh) | 2018-03-30 |
CN107860099B true CN107860099B (zh) | 2018-11-30 |
Family
ID=61699498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710829628.6A Active CN107860099B (zh) | 2017-09-15 | 2017-09-15 | 一种空调的结霜检测方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107860099B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110360712B (zh) * | 2018-04-09 | 2020-05-26 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
CN110454910B (zh) * | 2018-05-07 | 2020-08-04 | 珠海格力电器股份有限公司 | 一种空调除霜的方法及设备 |
CN110793208A (zh) * | 2018-08-01 | 2020-02-14 | 珠海格力电器股份有限公司 | 热水器的配置参数确定方法及装置 |
CN110793166A (zh) * | 2018-08-01 | 2020-02-14 | 珠海格力电器股份有限公司 | 空气净化器的配置参数确定方法及装置 |
CN109000339A (zh) * | 2018-08-01 | 2018-12-14 | 泰豪科技股份有限公司 | 除霜控制装置及空调机组 |
CN110806903A (zh) * | 2018-08-01 | 2020-02-18 | 珠海格力电器股份有限公司 | 电饭煲的配置参数确定方法及装置 |
CN111103475A (zh) * | 2018-10-29 | 2020-05-05 | 珠海格力电器股份有限公司 | 空调的检测方法和装置 |
CN109471370B (zh) * | 2018-11-23 | 2020-07-10 | 珠海格力电器股份有限公司 | 一种基于排气扇操作数据的行为预测及控制方法、*** |
CN110715401B (zh) * | 2019-08-29 | 2020-12-15 | 珠海格力电器股份有限公司 | 空调设备的化霜控制方法、装置、介质及空调设备 |
CN111156657A (zh) * | 2019-12-25 | 2020-05-15 | 珠海格力电器股份有限公司 | 空调结霜状态确定方法和装置 |
CN112032929B (zh) * | 2020-08-31 | 2021-04-30 | 珠海格力电器股份有限公司 | 空调化霜控制方法及装置 |
CN112130601B (zh) * | 2020-10-28 | 2021-11-23 | 广州市优仪科技股份有限公司 | 试验箱的湿度控制方法、装置、电子设备及存储介质 |
CN112484237B (zh) * | 2020-11-20 | 2022-06-24 | 珠海格力电器股份有限公司 | 一种化霜控制方法、装置、设备及空调 |
CN112503725B (zh) * | 2020-12-08 | 2021-11-30 | 珠海格力电器股份有限公司 | 空调自清洁控制方法、装置和空调 |
CN113536989B (zh) * | 2021-06-29 | 2024-06-18 | 广州博通信息技术有限公司 | 基于摄像视频逐帧分析的制冷机结霜监控方法及*** |
CN116989510A (zh) * | 2023-09-28 | 2023-11-03 | 广州冰泉制冷设备有限责任公司 | 一种结霜检测与热气融霜相结合的智能化制冷方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和*** |
CN105354611A (zh) * | 2015-10-08 | 2016-02-24 | 程涛 | 一种基于人工神经网络的最佳质量图像扫描方法及*** |
CN105890109A (zh) * | 2016-03-31 | 2016-08-24 | 华南理工大学 | 一种房间空调器在线长效性能检测及优化运行方法 |
CN106594975A (zh) * | 2016-11-15 | 2017-04-26 | 珠海格力电器股份有限公司 | 一种除霜方法、装置及空调*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160350654A1 (en) * | 2013-08-01 | 2016-12-01 | Wen-Sung Lee | Intelligent home system and method |
-
2017
- 2017-09-15 CN CN201710829628.6A patent/CN107860099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102620378A (zh) * | 2011-01-27 | 2012-08-01 | 国际商业机器公司 | 数据中心节能控制方法和*** |
CN105354611A (zh) * | 2015-10-08 | 2016-02-24 | 程涛 | 一种基于人工神经网络的最佳质量图像扫描方法及*** |
CN105890109A (zh) * | 2016-03-31 | 2016-08-24 | 华南理工大学 | 一种房间空调器在线长效性能检测及优化运行方法 |
CN106594975A (zh) * | 2016-11-15 | 2017-04-26 | 珠海格力电器股份有限公司 | 一种除霜方法、装置及空调*** |
Also Published As
Publication number | Publication date |
---|---|
CN107860099A (zh) | 2018-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107860099B (zh) | 一种空调的结霜检测方法、装置、存储介质及设备 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
CN110578994B (zh) | 一种运行方法及装置 | |
CN107679649A (zh) | 一种电器的故障预测方法、装置、存储介质及电器 | |
CN108760829B (zh) | 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法 | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及*** | |
CN109858516A (zh) | 一种基于迁移学习的火灾和烟雾预测方法、***和介质 | |
CN106530284A (zh) | 基于图像识别的焊点类型检测和装置 | |
CN106052029B (zh) | 一种用于除湿***的控制方法、装置及除湿*** | |
CN106156781A (zh) | 排序卷积神经网络构建方法及其图像处理方法与装置 | |
CN104766097B (zh) | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 | |
CN107305636A (zh) | 目标识别方法、目标识别装置、终端设备和目标识别*** | |
CN106444379A (zh) | 基于物联网推荐的智能烘干远程控制方法及*** | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
CN109284735B (zh) | 鼠情监控方法、装置及存储介质 | |
CN105953520A (zh) | 智能冰箱控制方法及其控制*** | |
CN114373101A (zh) | 基于进化策略的神经网络架构搜索的图像分类方法 | |
WO2021056914A1 (zh) | 一种目标检测模型的自动建模方法及装置 | |
Shafi et al. | IoT Based Smart Home: A Machine Learning Approach | |
CN110335168A (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
Wahyono et al. | New adaptive intelligence method for personalized adaptive laboratories | |
CN106557816A (zh) | 具备机械学习器以及组装试验器的生产设备 | |
CN105276988A (zh) | 一种烧结矿机尾断面FeO含量的控制方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |