CN111103475A - 空调的检测方法和装置 - Google Patents
空调的检测方法和装置 Download PDFInfo
- Publication number
- CN111103475A CN111103475A CN201811270165.5A CN201811270165A CN111103475A CN 111103475 A CN111103475 A CN 111103475A CN 201811270165 A CN201811270165 A CN 201811270165A CN 111103475 A CN111103475 A CN 111103475A
- Authority
- CN
- China
- Prior art keywords
- detection
- air conditioner
- model
- data
- accuracy
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 335
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调的检测方法和装置。其中,该方法包括:获取空调在检测条件下的第一运行参数;利用检测模型对第一运行参数进行分析,得到空调的检测准确度,其中,检测模型是使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:空调在检测条件下的第二运行参数,空调在运行条件下的第三运行参数,以及相应的检测准确度的标签矩阵;基于空调的检测准确度,得到空调的检测结果。本发明解决了现有技术中空调的检测方法准确度低的技术问题。
Description
技术领域
本发明涉及空调检测领域,具体而言,涉及一种空调的检测方法和装置。
背景技术
空调成品在出厂时,需要对空调成品进行初步检测,判断空调成品的质量情况。但是检测室的提供的标准检测电压、标准检测电流以及标准运行环境,使得检测数据均无法准确反馈空调成品的运行性能。而空调成品在出厂后,常常应用在各种环境下,各种因素均会对空调的运行状况进行一定的干扰。
显而易见,空调成品在检测室所检测出来的数据,与空调成品在实际应用中的数据并不相同。仅仅通过检测室对空调成品进行检测,检测结果准确度低。
针对现有技术中空调的检测方法准确度低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空调的检测方法和装置,以至少解决现有技术中空调的检测方法准确度低的技术问题。
根据本发明实施例的一个方面,提供了一种空调的检测方法,包括:获取空调在检测条件下的第一运行参数;利用检测模型对第一运行参数进行分析,得到空调的检测准确度,其中,检测模型是使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:空调在检测条件下的第二运行参数,空调在运行条件下的第三运行参数,以及相应的检测准确度的标签矩阵;基于空调的检测准确度,得到空调的检测结果。
进一步地,第一运行参数包括如下至少之一:空调的耗电量,空调的工作能力。
进一步地,利用检测模型对第一运行参数进行分析,得到空调的检测准确度,包括:利用第一子模型对第一运行参数进行分析,得到第一运行参数对应的第一检测误差;利用第二子模型对第一运行参数进行分析,得到第一运行参数对应的第二检测误差;利用第三子模型对第一运行参数对应的第一检测误差和第二检测误差进行分析,得到空调的检测准确度。
进一步地,上述方法还包括:获取多组数据;利用第一子模型对多组数据进行分析,得到每组数据对应的第一检测误差;利用第二子模型对多组数据进行分析,得到每组数据对应的第二检测误差;基于每组数据对应的第一检测误差和第二检测误差,构建第三子模型。
进一步地,基于每组数据对应的第一检测误差和第二检测误差,构建第三子模型,包括:构建初始模型;将每组数据对应的第一检测误差和第二检测误差作为初始模型的限定条件,利用预设规则构建第三子模型。
进一步地,第一子模型为决策树模型,第二子模型为递归神经网络模型,第三子模型为集成学习模型。
进一步地,基于空调的检测准确度,得到空调的检测结果,包括:将空调的检测准确度与预设准确度进行比较;在检测准确度大于或等于预设准确度的情况下,基于第一运行参数,得到空调的检测结果。
进一步地,在检测准确度小于预设准确度的情况下,上述方法还包括:对检测条件进行调整,得到调整后的检测条件;在调整后的检测条件下,对空调进行再次检测,直至检测准确度大于或等于预设准确度。
根据本发明实施例的另一方面,还提供了一种空调的检测装置,包括:获取模块,用于获取空调在检测条件下的第一运行参数;第一处理模块,用于利用检测模型对第一运行参数进行分析,得到空调的检测准确度,其中,检测模型是使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:空调在检测条件下的第二运行参数,空调在运行条件下的第三运行参数,以及相应的检测准确度的标签矩阵;第二处理模块,用于基于空调的检测准确度,得到空调的检测结果。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述的空调的检测方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的空调的检测方法。
在本发明实施例中,在获取到空调在检测条件下的第一运行参数之后,可以利用检测模型对第一运行参数进行分析,得到空调的检测准确度,进一步基于空调的检测准确度,可以得到空调的检测结果。与现有技术相比,并不是根据检测室在检测条件下的第一运行参数直接得到空调的检测结果,从而实现对检测室检测空调成品的检测质量进行评估的目的,达到提高空调成品的检测准确度的技术效果,进而解决了现有技术中空调的检测方法准确度低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成品申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种空调的检测方法的流程图;以及
图2是根据本发明实施例的一种空调的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种空调的检测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种空调的检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取空调在检测条件下的第一运行参数。
可选地,第一运行参数包括如下至少之一:空调的耗电量,空调的工作能力。
具体地,上述的检测条件可以是指检测室的标准检测条件,检测室为空调成品提供标准检测电压、标准检测电流以及标准运行环境。上述的工作能力可以是空调对室内环境的条件能力,包括降温能力、升温能力、除湿能力、净化空气能力等。
在一种可选的方案中,可以在检测室的标准检测条件下,控制空调成品运行,并实时获取空调的耗电量、室内环境调节能力(降温能力、升温能力、除湿能力、净化空气能力…)等参数。
步骤S104,利用检测模型对第一运行参数进行分析,得到空调的检测准确度,其中,检测模型是使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:空调在检测条件下的第二运行参数,空调在运行条件下的第三运行参数,以及第二运行参数与第三运行参数之间的误差数据。
具体地,上述的运行条件可以是空调成品出厂之后的实际运行环境。上述的检测准确度可以用于评估检测室提供的标准检测条件是否可以准确地检测空调成品,检测准确度越高,可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据相似度越高,检测结果越能体现空调成品的实际质量。
为了能够对检测室检测空调成品的检测质量进行评估,可以预先根据检测室的标准检测条件下,空调成品的运行情况下,以及各种实际运行环境下,空调成品的运行情况,以及相应的检测准确度标签矩阵构建多组数据,从而训练得到空调运行情况的检测误差评估模型(即上述的检测模型)。
步骤S106,基于空调的检测准确度,得到空调的检测结果。
具体地,上述的检测结果用于表征空调成品的质量情况,即空调成品是否满足初步检测。
在一种可选的方案中,在确定空调的检测准确度之后,如果检测准确度满足检测需要,则可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据相同,因此可以直接得到空调成品的检测结果;如果检测准确度不满足检测需要,则可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据不同,无法直接得到空调成品的检测结果。
通过本发明上述实施例,在获取到空调在检测条件下的第一运行参数之后,可以利用检测模型对第一运行参数进行分析,得到空调的检测准确度,进一步基于空调的检测准确度,可以得到空调的检测结果。与现有技术相比,并不是根据检测室在检测条件下的第一运行参数直接得到空调的检测结果,从而实现对检测室检测空调成品的检测质量进行评估的目的,达到提高空调成品的检测准确度的技术效果,进而解决了现有技术中空调的检测方法准确度低的技术问题。
可选地,在本发明上述实施例中,步骤S104,利用检测模型对第一运行参数进行分析,得到空调的检测准确度,包括:利用第一子模型对第一运行参数进行分析,得到第一运行参数对应的第一检测误差;利用第二子模型对第一运行参数进行分析,得到第一运行参数对应的第二检测误差;利用第三子模型对第一运行参数对应的第一检测误差和第二检测误差进行分析,得到空调的检测准确度。
可选地,第一子模型为决策树模型,第二子模型为递归神经网络模型,第三子模型为集成学习模型。
具体地,上述的第一子模型可以是基于多变量决策树的模型,第二子模型可以是基于递归神经网络的模型,第三子模型可以是基于AdaBoost算法的自适应集成学习模型。
在一种可选的方案中,可以基于深度学习算法和递归神经网络构建检测模型,实现对检测室检测空调成品的检测质量进行评估的目的。在获取到空调的第一运行参数之后,可以分别输入至基于多变量决策树的模型和基于递归神经网络的模型,利用基于多变量决策树的模型对输入的数据进行加权训练,得到该模型下的第一最终空调运行情况的检测误差(即上述的第一检测误差);利用基于递归神经网络的模型对输入的数据进行加权训练,得到该模型下的第二最终空调运行情况的检测误差(即上述的第二检测误差)。最后利用基于AdaBoost算法的自适应集成学习模型对上述第一最终空调运行情况的检测误差和第二最终空调运行情况的检测误差进行分析,实现对空调成品初步检测流程的检测准确度进行评估。
可选地,在本发明上述实施例中,该方法还包括:获取多组数据;利用第一子模型对多组数据进行分析,得到每组数据对应的第一检测误差;利用第二子模型对多组数据进行分析,得到每组数据对应的第二检测误差;基于每组数据对应的第一检测误差和第二检测误差,构建第三子模型。
在一种可选的方案中,可以采集影响空调成品运行的因素的数据,并基于这些数据建立数据库以进行存储,影响空调成品运行的因素的数据包括:在检测室的标准检测条件下,空调成品的运行情况下,以及在各种实际运行环境下,空调成品的运行情况。依据影响空调成品运行的因素的数据,确定在检测室的标准检测条件下与在各种实际运行经下,空调成品的运行情况之间的误差,得到误差数据,并将该误差数据存储于数据库中。
通过将上述误差数据和影响空调成品运行的因素的数据作为输入数据,利用利用基于多变量决策树的模型,对输入数据进行加权训练,得到该模型下的第一最终空调运行情况的检测误差;将上述误差数据和影响空调成品运行的因素的数据作为输入数据,利用基于递归神经网络的模型,对输入数据进行加权训练,得到该模型下的第二最终空调运行情况的检测误差;以上述第一最终空调运行情况的检测误差和第二最终空调运行情况的检测误差为基础,利用基于AdaBoost算法的自适应集成学习模型,构建最终的空调运行情况的检测模型,对空调成品初步检测流程的检测质量(检测准确度)进行评估。
可选地,在本发明上述实施例中,基于每组数据对应的第一检测误差和第二检测误差,构建第三子模型,包括:构建初始模型;将每组数据对应的第一检测误差和第二检测误差作为初始模型的限定条件,利用预设规则构建第三子模型。
在一种可选的方案中,可以利用基于AdaBoost算法的自适应集成学习模型,以上述两种评估模型分析得到的最终空调运行情况的检测误差的大小为限定条件,利用加权投票机制构建最终的空调运行情况的检测模型。
可选地,在本发明上述实施例中,步骤S106,基于空调的检测准确度,得到空调的检测结果,包括:将空调的检测准确度与预设准确度进行比较;在检测准确度大于或等于预设准确度的情况下,基于第一运行参数,得到空调的检测结果。
具体地,上述的预设准确度可以是根据实际检测需要确定的准确度阈值,该阈值越高,说明空调的监测准确度越高,检测质量越精确。
在一种可选的方案中,在利用检测模型分析得到空调的检测准确度之后,可以将该检测准确度与准确度阈值进行比较,如果该检测准确度超过该准确度阈值,则可以确定检测室的标准检测条件下得到的第一运行参数与实际运行环境下得到的运行参数相同,不存在误差,可以直接基于该第一运行参数确定空调成品的质量情况。
可选地,在本发明上述实施例中,在检测准确度小于预设准确度的情况下,该方法还包括:对检测条件进行调整,得到调整后的检测条件;在调整后的检测条件下,对空调进行再次检测,直至检测准确度大于或等于预设准确度。
在一种可选的方案中,如果利用检测模型分析得到的空调的检测准确度小于该准确度阈值,则可以确定检测室的标准检测条件下得到的第一运行参数与实际运行环境下得到的运行参数不同,存在误差,无法基于该第一运行参数确定空调成品的质量情况,需要对检测室提供的标准检测电压、标准检测电流以及标准运行环境进行调整,按照调整后的标准检测条件,再次对空调成品进行检测,如果此次得到的检测准确度超过准确度阈值,则可以基于此次得到的第一运行参数确定空调成品的质量情况。
实施例2
根据本发明实施例,提供了一种空调的检测装置的实施例。
图2是根据本发明实施例的一种空调的检测装置的示意图,如图2所示,该装置包括:
获取模块22,用于获取空调在检测条件下的第一运行参数。
可选地,第一运行参数包括如下至少之一:空调的耗电量,空调的工作能力。
具体地,上述的检测条件可以是指检测室的标准检测条件,检测室为空调成品提供标准检测电压、标准检测电流以及标准运行环境。上述的工作能力可以是空调对室内环境的条件能力,包括降温能力、升温能力、除湿能力、净化空气能力等。
在一种可选的方案中,可以在检测室的标准检测条件下,控制空调成品运行,并实时获取空调的耗电量、室内环境调节能力(降温能力、升温能力、除湿能力、净化空气能力…)等参数。
第一处理模块24,用于利用检测模型对第一运行参数进行分析,得到空调的检测准确度,其中,检测模型是使用多组数据通过机器学习训练出的,多组数据中的每组数据均包括:空调在检测条件下的第二运行参数,空调在运行条件下的第三运行参数,以及第二运行参数与第三运行参数之间的误差数据。
具体地,上述的运行条件可以是空调成品出厂之后的实际运行环境。上述的检测准确度可以用于评估检测室提供的标准检测条件是否可以准确地检测空调成品,检测准确度越高,可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据相似度越高,检测结果越能体现空调成品的实际质量。
为了能够对检测室检测空调成品的检测质量进行评估,可以预先根据检测室的标准检测条件下,空调成品的运行情况下,以及各种实际运行环境下,空调成品的运行情况,以及相应的检测准确度标签矩阵构建多组数据,从而训练得到空调运行情况的检测误差评估模型(即上述的检测模型)。
第二处理模块26,用于基于空调的检测准确度,得到空调的检测结果。
具体地,上述的检测结果用于表征空调成品的质量情况,即空调成品是否满足初步检测。
在一种可选的方案中,在确定空调的检测准确度之后,如果检测准确度满足检测需要,则可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据相同,因此可以直接得到空调成品的检测结果;如果检测准确度不满足检测需要,则可以确定检测室检测空调成品的检测数据与空调成品在各种环境下的检测数据不同,无法直接得到空调成品的检测结果。
通过本发明上述实施例,在获取到空调在检测条件下的第一运行参数之后,可以利用检测模型对第一运行参数进行分析,得到空调的检测准确度,进一步基于空调的检测准确度,可以得到空调的检测结果。与现有技术相比,并不是根据检测室在检测条件下的第一运行参数直接得到空调的检测结果,从而实现对检测室检测空调成品的检测质量进行评估的目的,达到提高空调成品的检测准确度的技术效果,进而解决了现有技术中空调的检测方法准确度低的技术问题。
可选地,在本发明上述实施例中,第一处理模块包括:第一处理单元,用于利用第一子模型对第一运行参数进行分析,得到第一运行参数对应的第一检测误差;第二处理单元,用于利用第二子模型对第一运行参数进行分析,得到第一运行参数对应的第二检测误差;第三处理单元,用于利用第三子模型对第一运行参数对应的第一检测误差和第二检测误差进行分析,得到空调的检测准确度。
可选地,第一子模型为决策树模型,第二子模型为递归神经网络模型,第三子模型为集成学习模型。
可选地,在本发明上述实施例中,该装置还包括:获取模块还用于获取多组数据;第三处理模块,用于利用第一子模型对多组数据进行分析,得到每组数据对应的第一检测误差;第四处理模块,用于利用第二子模型对多组数据进行分析,得到每组数据对应的第二检测误差;构建模块,用于基于每组数据对应的第一检测误差和第二检测误差,构建第三子模型。
可选地,在本发明上述实施例中,构建模块包括:第一构建单元,用于构建初始模型;第二构建单元,用于将每组数据对应的第一检测误差和第二检测误差作为初始模型的限定条件,利用预设规则构建第三子模型。
可选地,在本发明上述实施例中,第二处理模块包括:比较单元,用于将空调的检测准确度与预设准确度进行比较;第四处理单元,用于在检测准确度大于或等于预设准确度的情况下,基于第一运行参数,得到空调的检测结果。
可选地,在本发明上述实施例中,在检测准确度小于预设准确度的情况下,该装置还包括:调整单元,用于对检测条件进行调整,得到调整后的检测条件;检测单元,用于在调整后的检测条件下,对空调进行再次检测,直至检测准确度大于或等于预设准确度。
实施例3
根据本发明实施例,提供了一种存储介质的实施例,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述实施例1中的空调的检测方法。
实施例4
根据本发明实施例,提供了一种处理器的实施例,处理器用于运行程序,其中,程序运行时执行上述实施例1中的空调的检测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种空调的检测方法,其特征在于,包括:
获取空调在检测条件下的第一运行参数;
利用检测模型对所述第一运行参数进行分析,得到所述空调的检测准确度,其中,所述检测模型是使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:所述空调在所述检测条件下的第二运行参数,所述空调在运行条件下的第三运行参数,以及相应的检测准确度的标签矩阵;
基于所述空调的检测准确度,得到所述空调的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述第一运行参数包括如下至少之一:所述空调的耗电量,所述空调的工作能力。
3.根据权利要求2所述的方法,其特征在于,利用检测模型对所述第一运行参数进行分析,得到所述空调的检测准确度,包括:
利用第一子模型对所述第一运行参数进行分析,得到所述第一运行参数对应的第一检测误差;
利用第二子模型对所述第一运行参数进行分析,得到所述第一运行参数对应的第二检测误差;
利用第三子模型对所述第一运行参数对应的第一检测误差和第二检测误差进行分析,得到所述空调的检测准确度。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述多组数据;
利用所述第一子模型对所述多组数据进行分析,得到每组数据对应的第一检测误差;
利用所述第二子模型对所述多组数据进行分析,得到所述每组数据对应的第二检测误差;
基于所述每组数据对应的第一检测误差和第二检测误差,构建所述第三子模型。
5.根据权利要求4所述的方法,其特征在于,基于所述每组数据对应的第一检测误差和第二检测误差,构建所述第三子模型,包括:
构建初始模型;
将所述每组数据对应的第一检测误差和第二检测误差作为所述初始模型的限定条件,利用预设规则构建所述第三子模型。
6.根据权利要求3所述的方法,其特征在于,所述第一子模型为决策树模型,所述第二子模型为递归神经网络模型,所述第三子模型为集成学习模型。
7.根据权利要求1所述的方法,其特征在于,基于所述空调的检测准确度,得到所述空调的检测结果,包括:
将所述空调的检测准确度与预设准确度进行比较;
在所述检测准确度大于或等于所述预设准确度的情况下,基于所述第一运行参数,得到所述空调的检测结果。
8.根据权利要求7所述的方法,其特征在于,在所述检测准确度小于所述预设准确度的情况下,所述方法还包括:
对所述检测条件进行调整,得到调整后的检测条件;
在所述调整后的检测条件下,对所述空调进行再次检测,直至所述检测准确度大于或等于所述预设准确度。
9.一种空调的检测装置,其特征在于,包括:
获取模块,用于获取空调在检测条件下的第一运行参数;
第一处理模块,用于利用检测模型对所述第一运行参数进行分析,得到所述空调的检测准确度,其中,所述检测模型是使用多组数据通过机器学习训练出的,所述多组数据中的每组数据均包括:所述空调在所述检测条件下的第二运行参数,所述空调在运行条件下的第三运行参数,以及相应的检测准确度的标签矩阵;
第二处理模块,用于基于所述空调的检测准确度,得到所述空调的检测结果。
10.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的空调的检测方法。
11.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的空调的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270165.5A CN111103475A (zh) | 2018-10-29 | 2018-10-29 | 空调的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811270165.5A CN111103475A (zh) | 2018-10-29 | 2018-10-29 | 空调的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111103475A true CN111103475A (zh) | 2020-05-05 |
Family
ID=70419343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811270165.5A Pending CN111103475A (zh) | 2018-10-29 | 2018-10-29 | 空调的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111103475A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1580658A (zh) * | 2004-02-20 | 2005-02-16 | 陈建信 | 侧吹风空调计算机控制方法 |
TW200951379A (en) * | 2009-07-30 | 2009-12-16 | Chunghwa Telecom Co Ltd | Function detection method |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
-
2018
- 2018-10-29 CN CN201811270165.5A patent/CN111103475A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1580658A (zh) * | 2004-02-20 | 2005-02-16 | 陈建信 | 侧吹风空调计算机控制方法 |
TW200951379A (en) * | 2009-07-30 | 2009-12-16 | Chunghwa Telecom Co Ltd | Function detection method |
CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
CN107860099A (zh) * | 2017-09-15 | 2018-03-30 | 珠海格力电器股份有限公司 | 一种空调的结霜检测方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3637328A1 (en) | Refrigerant leak detection method and device for air conditioner | |
US11385611B2 (en) | Advanced identification and classification of sensors and other points in a building automation system | |
CN111174370A (zh) | 故障检测方法及装置、存储介质、电子装置 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN110966731B (zh) | 调节工作参数的方法 | |
CN109583712B (zh) | 一种数据指标分析方法及装置、存储介质 | |
CN111103475A (zh) | 空调的检测方法和装置 | |
FI130045B (en) | Analyzing the measurement results of the communication network or other target system | |
CN113357793B (zh) | 用于除湿设备防霉控制的方法及装置、除湿设备 | |
CN115361424A (zh) | 一种基于物联网数据分析的医疗设备监控方法和*** | |
CN104636489B (zh) | 描述属性数据的处理方法和装置 | |
CN111127814B (zh) | 火警识别方法以及相关装置 | |
CN110793163B (zh) | 空调配置处理方法及装置 | |
KR102072894B1 (ko) | 인트론과 엑손 구분에 기반한 이상 서열 식별 방법 | |
CN110454904B (zh) | 除湿机中冷媒含量的处理方法和装置 | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及*** | |
CN111199419A (zh) | 股票异常交易的识别方法及*** | |
JP2021022199A5 (zh) | ||
CN109710876B (zh) | 一种信息推荐方法及装置、计算机可读存储介质 | |
CN117194049B (zh) | 一种基于机器学习算法的云主机智能行为分析方法及*** | |
CN115953724B (zh) | 一种用户数据分析以及管理方法、装置、设备及存储介质 | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、***及终端 | |
Li et al. | Clustering-based data filtering for manufacturing big data system | |
CN116910245A (zh) | 类别确定方法和装置、存储介质及电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200505 |