CN115095953A - 一种故障诊断模型的训练方法及装置 - Google Patents
一种故障诊断模型的训练方法及装置 Download PDFInfo
- Publication number
- CN115095953A CN115095953A CN202210682549.8A CN202210682549A CN115095953A CN 115095953 A CN115095953 A CN 115095953A CN 202210682549 A CN202210682549 A CN 202210682549A CN 115095953 A CN115095953 A CN 115095953A
- Authority
- CN
- China
- Prior art keywords
- conditioning system
- split air
- fault
- value
- values
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 153
- 238000012549 training Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004378 air conditioning Methods 0.000 claims abstract description 390
- 230000015654 memory Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 21
- 239000003507 refrigerant Substances 0.000 description 44
- 230000006870 function Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 239000007788 liquid Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000005057 refrigeration Methods 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/88—Electrical aspects, e.g. circuits
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请实施例提供一种故障诊断模型的训练方法及装置,涉及空调技术领域,用于提升多联机空调***故障诊断的效率。该方法包括:获取第一多联机空调***的M个特征参数的正常值和故障值,并基于M个特征参数的正常值和故障值,确定第一多联机空调***的特征偏移空间;对第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,第一多联机空调***的机型不同于第二多联机空调***;基于第二多联机空调***的特征偏移空间和M个特征参数的正常值,确定第二多联机空调***的M个特征参数的故障值;基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
Description
技术领域
本申请涉及空调技术领域,尤其涉及一种故障诊断模型的训练方法及装置。
背景技术
随着经济社会的发展,俗称“一拖多”的多联机空调***在娱乐、居家及工作等多种场所越来越被广泛使用。
目前针对多联机空调***的故障诊断包括通过故障诊断模型结合多联机空调***的运行数据来对多联机空调***进行故障诊断。然而目前多联机空调***的机型较多、运行工况范围较广,且在建立故障诊断模型的过程中,通常情况下易采集到不同机型的多联机空调***在正常运行状态下的运行数据,不易采集到不同机型的多联机空调***在故障运行状态下的运行数据,导致故障诊断模型的建立周期较长,进而导致对于多联机空调***故障诊断的效率较低。
发明内容
本申请实施例提供一种故障诊断模型的训练方法及装置,用于提升多联机空调***故障诊断的效率。
为了达到上述目的,本申请采用如下技术方案。
第一方面,本申请实施例提供一种故障诊断模型的训练方法,该方法包括:获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数;基于第一多联机空调***的M个特征参数的正常值和故障值,确定第一多联机空调***的特征偏移空间,特征偏移空间包括每个特征参数的故障值与正常值之间的差值;对第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,其中,第二多联机空调***的机型与第一多联机空调***的机型不同;基于第二多联机空调***的M个特征参数的正常值以及第二多联机空调***的特征偏移空间,确定第二多联机空调***的M个特征参数的故障值;基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
本申请提供的技术方案至少带来以下有益效果:本申请提供的技术方案,通过根据第二多联机空调***的机型来对第一多联机空调***的特征偏移空间进行修正,来得到第二多联机空调***的特征偏移空间。可以理解的,不同机型的多联机空调***的特征参数的值具有一定差异性,但是由于导致不同机型的多联机空调***产生故障的热物理机理相同,故不同机型的多联机空调***应具有相似的特征偏移空间。故可以根据第二多联机空调***的机型对第一多联机空调***的特征偏移空间进行修正,以得到第二多联机空调***的特征偏移空间。进而可以根据第二多联机空调***的特征偏移空间和第二多联机空调***的M个特征参数的正常值,来得到第二多联机空调***的M个特征参数的故障值。进而以第二多联机空调***的M个特征参数的故障值与正常值来对待训练的故障诊断模型进行训练。如此,无需在实际工况中采集第二多联机空调***发生故障时M个特征参数的故障值,也即无需在实际工况中采集不同机型的多联机空调***在故障运行状态下的运行数据就可以建立故障诊断模型,能够缩短故障诊断模型的建立周期,进而提升了对于多联机空调***故障诊断的效率。
在一些实施例中,基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型,包括:基于第二多联机空调***的M个特征参数的正常值和故障值,从第二多联机空调***的M个特征参数中确定出至少一个目标特征参数;根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型,包括:基于第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器(auto encoding,AE)模型进行训练,得到训练完成的自编码器模型;将第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值;基于数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,M个特征参数包括压缩机吸气温度值、压缩机排气温度值、冷凝器压力值、蒸发器压力值、膨胀阀开度值、压缩机电流值、室外机所处环境温度值、压缩机吸气过热度、压缩机排气过热度、蒸发器温度值以及冷凝器温度值。
在一些实施例中,获取第一多联机空调***的M个特征参数的正常值和故障值,包括:获取第一多联机空调***的历史运行数据;对历史运行数据进行解析,确定第一多联机空调***的M个特征参数在第一多联机空调***处于正常运行状态下的正常值和在发生目标故障时的故障值。
第二方面,本申请实施例提供一种训练装置,包括:获取单元,用于获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数;处理单元,用于:基于第一多联机空调***的M个特征参数的正常值和故障值,确定第一多联机空调***的特征偏移空间,特征偏移空间包括每个特征参数的故障值与正常值之间的差值;对第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,第二多联机空调***的机型与第一多联机空调***的机型不同;基于第二多联机空调***的M个特征参数的正常值以及第二多联机空调***的特征偏移空间,确定第二多联机空调***的M个特征参数的故障值;基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,处理单元,具体用于:基于第二多联机空调***的M个特征参数的正常值和故障值,从第二多联机空调***的M个特征参数中确定出至少一个目标特征参数;根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,处理单元,具体用于:基于第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型;将第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值;基于数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,M个特征参数包括压缩机吸气温度值、压缩机排气温度值、冷凝器压力值、蒸发器压力值、膨胀阀开度值、压缩机电流值、室外机所处环境温度值、压缩机吸气过热度、压缩机排气过热度、蒸发器温度值以及冷凝器温度值。
在一些实施例中,获取单元,具体用于:获取第一多联机空调***的历史运行数据;对历史运行数据进行解析,确定第一多联机空调***的M个特征参数在第一多联机空调***处于正常运行状态下的正常值和在发生目标故障时的故障值。
第三方面,本申请实施例提供一种训练装置,包括:一个或多个处理器;一个或多个存储器;其中,一个或多个存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当一个或多个处理器执行计算机指令时,训练装置执行上述第一方面所提供的任一种故障诊断模型的训练方法。
第四方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行第一方面所提供的任一种故障诊断模型的训练方法。
第五方面,本发明实施例提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现如第一方面所提供的任一种故障诊断模型的训练方法。
本申请中第二方面至第五方面的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本申请实施例提供的一种多联机空调***的结构示意图;
图2为本申请实施例提供的一种电子膨胀阀设置位置示意图;
图3为本申请实施例提供的另一种多联机空调***的结构示意图;
图4为本申请实施例提供的一种多联机空调***的制冷循环原理示意图;
图5为本申请实施例提供的一种控制器的结构示意图;
图6为本申请实施例提供的一种多联机空调***的硬件配置框图;
图7为本申请实施例提供的一种多联机空调***的控制器与终端设备的交互示意图;
图8为本申请实施例提供的一种故障诊断模型的训练方法的流程示意图;
图9为本申请实施例提供的另一种故障诊断模型的训练方法的流程示意图;
图10为本申请实施例提供的一种故障诊断模型的结构示意图;
图11为本申请实施例提供的另一种故障诊断模型的训练方法的流程示意图;
图12为本申请实施例提供的另一种故障诊断模型的训练方法的流程示意图;
图13为本申请实施例提供的一种自编码器模型的结构示意图;
图14为本申请实施例提供的一种故障诊断模型的应用过程的流程图;
图15为本申请实施例提供的一种训练装置的组成示意图;
图16为本申请实施例提供的一种训练装置的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。另外,在对管线进行描述时,本申请中所用“相连”、“连接”则具有进行导通的意义。具体意义需结合上下文进行理解。
为了便于理解,首先对本发明实施例涉及到的一些术语或技术的基本概念进行简单的介绍和说明。
制冷模式:空调***的压缩机将经蒸发器蒸发后的低温低压气态冷媒吸入压缩机腔,压缩成高温高压气态冷媒,进入冷凝器。高温高压气体冷媒在冷凝器中冷凝成高温高压的液态冷媒,之后经过节流元件如毛细管节流后,变成低温低压的液态冷媒,进入蒸发器蒸发后,最后再回到压缩机内,从而完成整个制冷循环。其中,制冷模式下的室外换热器作为冷凝器使用,室内换热器作为蒸发器使用。
冷媒:一种容易吸热蒸发变成气体,又容易放热凝结变成液体的物质。在空调***中,通过冷媒的蒸发与凝结,传递热能,产生冷冻效果。
过热度:指冷媒在蒸发器出口的实际温度与此处冷媒压力下对应的饱和温度的差值,也即蒸发器出口温度与蒸发温度的差值。
过冷度:指在冷凝器出口某一点的冷媒压力对应的饱和温度与冷媒实际温度之间的差值。
膨胀阀:由阀体和线圈两部分组成,用于节流降压和调节流量。空调***中的膨胀阀可以使中温高压的液体冷媒通过其节流成为低温低压的湿蒸汽,然后冷媒在蒸发器中吸收热量达到制冷效果,并且通过蒸发器出口的过热度变化来控制阀门流量。
目前相关技术中针对多联机空调***的故障诊断,是通过结合多联机空调***在广泛的工况下的运行数据建立故障诊断模型,进而通过故障诊断模型来对多联机空调***进行故障诊断。但是在建立故障诊断模型过程中,需要采集各种机型的多联机空调***在正常运行状态下的运行数据和在故障运行状态下的运行数据作为样本集来对待训练的故障诊断模型进行训练,然而各种机型的多联机空调***在故障运行状态下的运行数据不易采集,导致故障诊断模型的建立周期过长且成本较大,进而致使对于多联机空调***的故障诊断效率较低的问题。
基于此,本申请实施例提供一种故障诊断模型的训练方法,根据第一多联机空调***在正常运行状态下特征参数的正常值和发生目标故障时特征参数的故障值,构建第一多联机空调***的特征偏移空间,基于不同机型的多联机空调***产生故障的热物理机理相同的特性,根据第二多联机空调***的机型对第一多联机空调***的特征偏移空间进行修正以得到第二多联机空调***的特征偏移空间,进而结合第二多联机空调***在正常运行状态下特征参数的正常值和第二多联机空调***的特征偏移空间,能够得到第二多联机空调***发生目标故障时特征参数的故障值。如此,无需在实际工况下采集第二多联机空调***在故障运行状态下的运行数据就可以建立故障诊断模型,缩短了故障诊断模型的建立周期,进而提升了对多联机空调***故障诊断的效率。
如图1所示,为本申请根据示例性实施例提供的一种多联机空调***的结构示意图。需要说明的是,本申请实施例所涉及的不同机型的多联机空调***均以图1所示的多联机空调***的结构示意图为例进行举例说明。
如图1所示,该多联机空调***10包括室外机11、节流装置12、多个室内机13和控制器14(图1中未示出)。
其中,节流装置12包括多个电子膨胀阀121,每个电子膨胀阀121对应一个室内机13。室外机11与多个室内机13之间存在管道连接,且每个室内机13与室外机11之间的管道上设置有电子膨胀阀121。所述管道,也被称为气液管,包括:用于输气态制冷剂的气管15、以及用于传输两相态制冷剂的液管16。
示例性的,如图2所示,为本申请根据示例性实施例提供的一种电子膨胀阀设置位置的示意图,电子膨胀阀121可以设置于液管16上,液管16上还可以设置节流阀,液管16的一端可以连接于下述室内换热器131,同样的,气管15的一端也可以连接于下述室内换热器131。
在一些实施例中,控制器14与节流装置12中的每个电子膨胀阀连接,可以获取到每个电子膨胀阀的开度值。
此外,室外机11、节流装置12和多个室内机13都与控制器存在通信连接(图1中未示出),且根据控制器的指令执行相关操作。
室外机11通常设置在户外,用于协助室内环境换热。
节流装置12用于调节空调气液管内流体流速,以及调节制冷剂流量。其中,多个电子膨胀阀121用于调节管道内制冷剂的供应量,且多个电子膨胀阀121可以独立于室外机11以外(如图1所示),也可以隶属多个室外机11的一部分(如图3所示),图3为本申请根据示例性实施例提供的另一种多联机空调***的结构示意图。多个室内机13可以为室内挂机或者室内柜机,本申请实施例对此不作限制。需要说明的是,图1或图3所示的电子膨胀阀数量、以及室内机数量仅为示例,不对本申请实施例构成具体限制。
以多个电子膨胀阀独立于多个室内机13为例,图4示出了一种多联机空调***的制冷循环原理示意图。
如图4所示,多联机空调***包括室外机11、节流装置12、多个室内机13和控制器14(图4中未示出)。
其中,室外机11包括:压缩机111、室外换热器112、储液器113以及四通阀114。在一些实施例中,室外机11还包括以下一项或多项:室外风扇、以及室外风扇马达。
节流装置12用于调节多联机空调***中气管15和液管16内流体流速。
室内机13包括:室内换热器131、显示器132以及室内风扇133。在一些实施例中,室内机13还包括室内风扇马达。
在一些实施例中,压缩机111用于将由储液器113输送的制冷剂压缩,并将压缩后的制冷剂经由四通阀114输送至节流装置12。压缩机111可以是进行基于逆变器的转速控制的容量可变的逆变器压缩机。
在一些实施例中,控制器14可以获取到压缩机111在每个时刻下的工作电流值(也可以称作压缩机电流值)。
在一些实施例中,室外换热器112的一端通过四通阀114与储液器113相连,另一端与节流装置12相连。室外换热器112具有用于使制冷剂经由储液器113在室外换热器112与压缩机111的吸入口之间流通的第一出入口,并且具有用于使制冷剂在室外换热器112与节流装置12之间流通的第二出入口。室外换热器112使连接于第一出入口和第二出入口之间的传热管中流动的热冷机与室外空气之间进行热交换,在冷循环中,室外换热器112作为冷凝器工作。为了便于描述,下面均以室外换热器112为冷凝器为例进行举例说明。
在一些实施例中,储液器113的一端连接压缩机111,另一端通过四通阀114与室外换热器112相连。在储液器113中,从室外换热器112经由四通阀114流向压缩机111的制冷剂被分离为气体制冷剂和液体制冷剂。并且,从储液器113向压缩机111的吸入口主要供给气体制冷剂。
在一些实施例中,四通阀114的四个端口分别连接压缩机111,室外换热器112、储液器113以及多个电子膨胀阀121。四通阀114用于通过改变制冷剂在***管路内的流向来实现制冷、制热之间的相互转换。
在一些实施例中,室外风扇通过产生通过室外换热器112的室外空气的气流,以促使在第一出入口和第二出入口之间的传热管中流动的制冷剂与室外空气的热交换。
制冷循环原理中冷媒的流向如图4中所示的箭头流向所示:
压缩机111排出高温高压气体-四通阀114-多个室内机13-室外换热器112-四通阀114-储液器113-压缩机111的吸入口,完成了冷媒的循环过程。
在一些实施例中,室外风扇马达用于驱动或变更室外风扇的转速。
在一些实施例中,电子膨胀阀121具有使流经电子膨胀阀121的制冷剂膨胀而减压的功能,可以用于调节管道内制冷剂的供应量。若电子膨胀阀121减小开度,则通过电子膨胀阀121的制冷剂的流路阻力增加。若电子膨胀阀121增大开度,则通过电子膨胀阀121的制冷剂的流路阻力减小。这样,即使回路中其他器件的状态不变化,当电子膨胀阀121的开度变化时,流向室内机13的制冷剂流量也会变化。
在一些实施例中,室内换热器131具有用于使液体制冷剂在与电子膨胀阀121之间流通的第三出入口,并且,具有用于使气体制冷剂在与压缩机111的排出口之间流通的第四出入口。室内换热器131使连接于第三出入口与第四出入口之间的热传管中流动的制冷剂与室内空气之间进行热交换。在冷循环中,室内换热器131作为蒸发器工作。为了便于描述,下面均以室内换热器131为蒸发器为例进行距离说明。
在一些实施例中,室内风扇133产生通过室内换热器131的室内空气的气流,以促进在第三出入口和第四出入口之间的传热管中流动的制冷剂与室内空气的热交换。
在一些实施例中,室内风扇马达用于驱动或变更室内风扇133的转速。
在一些实施例中,显示器132用于显示室内温度或当前运行模式。
在本申请所示的实施例中,控制器14是指可以根据指令操作码和时序信号,产生操作控制信号,指示多联机空调***执行控制指令的装置。示例性的,控制器可以为中央处理器(central processing unit,CPU)、通用处理器网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。控制器还可以是其它具有处理功能的装置,例如电路、器件或软件模块,本申请实施例对此不做任何限制。
此外,控制器14可以用于控制多联机空调***10内部中各部件工作,以使得多联机空调***10各个部件运行实现多联机空调***的各预定功能。
在一些实施例中,多联机空调***10还附属有遥控器,该遥控器具有例如使用红外线或其他通信方式与控制器14进行通信的功能。遥控器用于用户可以对多联机空调***的各种控制,实现用户与多联机空调***10之间的交互。
参照图5,为本申请根据示例性实施例所提供的一种控制器的结构示意图。如图5所示,控制器14包括室外控制模块141和室内控制模块142。室外控制模块141包括第一存储器1411,室内控制模块142包括第二存储器1421。室内控制模块142通过有线或无线通信形式与室外控制模块141连接。室外控制模块141可以安装于室外机11中,也可以独立于室外机11以外,用于控制室外机11执行相关操作。室内控制模块142可以安装于室内机13中,也可以独立于室内机13以外,用于控制室内机13的部件以及节流装置12执行相关操作。应理解,以上模块的划分仅为功能性的划分,室外控制模块141和室内控制模块142也可以集成在一个模块中。第一存储器1411和第二存储器1421也可以集成为一个存储器。
在一些实施例中,第一存储器1411用于存储室外机11相关的应用程序以及数据,室外控制模块141通过运行存储在存储器1411的应用程序以及数据,执行多联机空调***的各种功能以及数据处理。第一存储器1411主要包括存储程序区以及存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如室外机风扇开启功能、室外测温功能等);存储数据区可以存储根据使用多联机空调***所创建的数据(比如室外温度、各个电子膨胀阀的开度等)。此外,第一存储器1411可以包括高速随机存取存储器,还可以包括非易失存储器,例如磁盘存储器件、闪存器件或其他易失性固态存储器件等。
在一些实施例中,第二存储器1421用于存储多个室内机13以及多个电子膨胀阀121相关的应用程序以及数据,室内控制模块1421通过运行存储在存储器1421的应用程序以及数据,执行多联机空调***的各种功能以及数据处理。第二存储器1421主要包括存储程序区以及存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如室内机风扇开启功能、室内测温功能等);存储数据区可以存储根据使用多联机空调***所创建的数据(比如室内温度等)。在一些示例中,第二存储器1421还用于存储室内机13的地址与电子膨胀阀121的地址的对应关系。
在一些实施例中,室外控制模块141与室外机11之间存在通信连接,用于根据用户指令或***默认指令控制室外机执行相关操作。可选地,室外控制模块141可以根据用户所选择的空调运行模式控制室外风扇的转速。可选地,室外控制模块141还可以根据用户指令或***指令获取室外温度,并将所获取的室外温度储存至第一存储器1411。可选地,室外控制模块141还可以根据用户所选择的空调运行模式控制室外机11内的四通阀114转动,以实现制冷或制热模式的选择。可选地,室外控制模块141还可以在地址纠正过程中对室外机11的运行模式、压缩机频率等进行控制。
在一些实施例中,室内控制模块142与室内机13之间存在通信连接,用于根据用户指令或***默认指令控制室内机13执行相关操作。可选地,室内控制模块142根据用户指令控制室内机13开启室内风扇以及风扇马达。可选地,室内控制模块142还可以根据用户指令控制室内机开启或关闭室内机内的压缩机。可选地,室内控制模块142还可以根据用户指令控制室内机开启室内温度传感器,检测室内温度。
在一些实施例中,室内控制模块142与多个电子膨胀阀121之间存在通信连接,用于根据用户指令或***默认指令控制多个电子膨胀阀121执行相关操作。可选地,室内控制模块142还可以根据用户指令或***指令控制各个电子膨胀阀121的开度。
应理解,以上所述图4所示的实施例是以节流装置12独立于多个室内机13为例,若节流装置12位于多个室内机13以内,以上多联机空调***的制冷循环原理依然适用,以下不再赘述。
图6所示为本申请根据示例性实施例提供的一种多联机空调***的硬件配置框图。如图6所示,该多联机空调***10还可以包括以下中的一项或多项:第一温度传感器101、第二温度传感器102、多个第三温度传感器103、第四温度传感器104、第五温度传感器105、多个第六温度传感器106、第一压力传感器107、第二压力传感器108和通信器109。
在一些实施例中,第一温度传感器101与控制器14连接,第一温度传感器101可以设置于压缩机111的吸气口处,用于检测压缩机吸气温度值,并将检测到的压缩机吸气温度值发送至控制器14。
在一些实施例中,第二温度传感器102与控制器14连接,第二温度传感器102可以设置于压缩机111的排气口处,用于检测压缩机排气温度值,并将检测到的压缩机排气口温度值发送至控制器14。
在一些实施例中,多个第三温度传感器103均与控制器14连接。其中,一个第三温度传感器103可以设置于一个室外机11上,用于检测室外机11所处环境温度值,并将检测到的室外机所处环境温度值发送至控制器14。
在一些实施例中,第四温度传感器104与控制器14连接,第四温度传感器104可以设置于冷凝器(也就是室外换热器112)处,用于检测冷凝器温度值,并将检测到的冷凝器温度值发送至控制器14。
在一些实施例中,第五温度传感器105与控制器14连接,第五温度传感器105可以设置于蒸发器(也就是室内换热器131)处,用于检测蒸发器温度值,并将检测到的蒸发器温度值发送至控制器14。
在一些实施例中,多个第六温度传感器106均与控制器14连接,一个第六温度传感器106可以设置于一个室内机13所处环境中,用于检测一个室内机13所处环境的环境温度值,并将检测到的环境温度值发送至控制器14。
在一些实施例中,第一压力传感器107与控制器14连接,第一压力传感器107可以设置于冷凝器处,用于检测冷凝器压力值,并将检测到的冷凝器压力值发送至控制器14。
在一些实施例中,第二压力传感器108与控制器14连接,第二压力传感器108可以设置于蒸发器处,用于检测蒸发器压力值,并将检测到的蒸发器压力值发送至控制器14。
在一些实施例中,通信器109与控制器14连接,用于与其他网络实体建立通信连接,例如与终端设备建立通信连接,以及与服务器建立通信连接。通信器109可以包括射频(radio frequency,RF)模块、蜂窝模块、无线保真(wireless fidelity,WIFI)模块、以及GPS模块等。以RF模块为例,RF模块可以用于信号的接收和发送,特别地,将接收到的信息发送给控制器14处理;另外,将控制器14生成的信号发送出去。通常情况下,RF电路可以包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noise amplifier,LNA)、双工器等。
例如,多联机空调***10可以通过通信器109接收终端设备发送的控制指令,并根据控制指令,执行相应的处理,以实现用户与多联机空调***10之间交互。
在一些实施例中,多联机空调***10也可以通过通信器109将自身的运行数据发送至服务器,以便于服务器根据多联机空调***10的运行数据计算多联机空调***10在工作过程中的运行参数,进而将计算出的运行参数发送至多联机空调***10。进而控制器14控制多联机空调***10中各部件按照服务器计算出的运行参数进行工作。
其中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群,本申请实施例对于服务器的具体类型不作限制。
可以理解的,服务器的运算能力高于多联机空调***的运算能力。在一些实施例中,为了降低多联机空调***的运算压力,多个多联机空调***均与服务器建立通信连接,多个多联机空调***可以将自身的运行数据发送至服务器,由服务器根据多个多联机空调***的运行数据构建故障诊断模型。如此,能够降低每一个多联机空调***的运算压力,提升多联机空调***的算力资源利用率。
本领域技术人员可以理解,图6中示出的硬件结构并不构成对多联机空调***的限定,多联机空调***可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
图7为本申请根据示例性实施例提供的一种多联机空调***的控制器14与终端设备300的交互示意图。
如图7所示,终端设备300可以与多联机空调***10的控制器14建立通信连接。示例性地,可使用任何已知的网络通信协议来实现通信连接的建立。上述网络通信协议可以是各种有线或无线通信协议,诸如以太网、通用串行总线(universal serial bus,USB)、火线(FIREWIRE)、任何蜂窝网通信协议(如3G/4G/5G)、蓝牙、无线保真(wireless fidelity,Wi-Fi)、NFC或任何其他合适的通信协议。上述通信连接可以是蓝牙连接、NFC、紫蜂(zigbee)、无线保真(wireless fidelity,Wi-Fi)等。本申请实施例对此不作具体限制。
需要说明的是,图7所示的终端设备300仅是终端设备的一个示例。本申请中的终端设备300可以为手机、平板电脑、个人计算机(personal computer,PC)、个人数字助理(personal digital assistant,PDA)、智能手表、上网本、可穿戴电子设备、增强现实技术(augmented reality,AR)设备、虚拟现实(virtual reality,VR)设备、机器人等,本申请对该终端设备的具体形式不做特殊限制。
示例性的,以终端设备300为手机为例,用户可以在手机上下载智能家居APP,智能家居APP可以用于管理智能家居设备,本申请实施例以智能家居设备为多联机空调***10进行举例说明。进而,用户可以选中多联机空调***10这一在线设备,在多联机空调***10的管理选项中选择需要对多联机空调***10执行的控制功能。例如,启动、关闭、切换模式(如制冷模式或制热模式)等控制功能。如果检测到用户点击智能家居APP中对多联机空调***10的启动按钮,则手机可以向多联机空调***10发送启动指令,以使得多联机空调***10响应该启动指令开机工作。
下面结合说明书附图,对本申请提供的实施例进行具体介绍。
如图8所示,本申请实施例提供了一种故障诊断模型的训练方法,该方法可以应用于上述多联机空调***10中的控制器14,也可以应用于服务器,本申请对此不作限制,为了便于描述,以下实施例均以该方法应用于多联机空调***10中的控制器14为例进行说明,该方法包括如下步骤:
S101、获取第一多联机空调***的M个特征参数的正常值和故障值。
在一些实施例中,第一多联机空调***可以称作实验多联机空调***。第一多联机空调***的存储器中存储有第一多联机空调***在各种工况下运行时所产生的历史运行数据。
在一些实施例中,在建立故障诊断模型之前,可以获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数。
其中,特征参数用于表征多联机空调***在运行过程中产生的参数信息。特征参数包括压缩机吸气温度值、压缩机排气温度值、冷凝器压力值、蒸发器压力值、膨胀阀开度值、压缩机电流值、室外机所处环境温度值、压缩机吸气过热度、压缩机排气过热度、蒸发器温度值以及冷凝器温度值。
可以理解的,多联机空调***在正常运行状态下所产生的数据与在产生故障的情况下产生的数据是不同的,一个特征参数包括在多联机空调***在正常运行状态下的正常值和在发生故障情况下的故障值。
具体的,如图9所示,步骤S101可以具体实现为以下步骤:
S1011、获取第一多联机空调***的历史运行数据。
其中,历史运行数据包括历史时段内,第一多联机空调***在正常运行状态下产生的正常运行数据以及在发生各种故障时所产生的各种故障运行数据。可以理解的是,历史时段可以是当前时刻之前的时间段,历史时段可以根据需要设置,不予限制。
S1012、对历史运行数据进行解析,确定第一多联机空调***的M个特征参数在第一多联机空调系处于正常运行状态下的正常值和在发生目标故障时的故障值。
由上述可知,一个特征参数在多联机空调***处于正常运行状态下的正常值与在发生故障时的故障值是不同的,故可以对历史运行数据进行解析,区分出多联机空调***在正常运行状态下所产生的数据与在产生目标故障的情况下产生的数据,进而根据多联机空调***在正常运行状态下所产生的数据与在产生目标故障的情况下产生的数据得到M个特征参数中每一个特征参数的正常值和故障值。其中,目标故障包括制冷剂泄漏、制冷剂充注过量、室外机脏污、室内机脏污和电子膨胀阀卡死等。
在一些实施例中,第一多联机空调***的数据库中预先存储有每一个特征参数所对应的预设取值范围。当一个特征参数的值位于所对应的预设取值范围内,则确定该值为此特征参数的正常值。当一个特征参数的值未位于所对应的预设取值范围内,则确定该值为此特征参数的故障值。其中,每一个特征参数所对应的预设取值范围可以是第一多联机空调***出厂时管理人员预先设定的。
在一些实施例中,对历史运行数据进行解析,确定第一多联机空调***的M个特征参数在第一多联机空调系处于正常运行状态下的正常值和在发生目标故障时的故障值可以包括:根据M个特征参数中每一个特征参数所对应的预设取值范围,对历史运行数据进行解析,进而区分出第一多联机空调***的M个特征参数中每一个特征参数的正常值和故障值。
可以理解的,多联机空调***产生不同故障时M个特征参数的故障值也是不同的,故在对历史运行数据进行解析以确定出M个特征参数的故障值与正常值的同时,还可以解析出第一多联机空调***基于每种故障下M个特征参数所对应的故障值。
S102、基于第一多联机空调***的M个特征参数的正常值和故障值,确定第一多联机空调***的特征偏移空间。
可以理解的,第一多联机空调***发生目标故障的情况下,第一多联机空调***的M个特征参数的故障值相较于正常值会产生一定的偏差,故可以将一个特征参数的故障值和正常值之间的差值作为第一多联机空调***发生目标故障时此特征参数的偏移量,进而根据M个特征参数中每个特征参数的故障值与正常值之间的差值,构建第一多联机空调***在发生目标故障时的特征偏移空间,第一多联机空调***的特征偏移空间包括M个特征参数中每个特征参数的偏移量。
在一些实施例中,一个多联机空调***的M个特征参数的正常值组成的空间可以称作此多联机空调***的特征空间。
示例性的,第一多联机空调***的特征空间可以由如下矩阵所示:
X=[x1 x2 … xn-1 xn]
其中,xj为某一特征参数的列向量,j取值为1-n。
某故障类型下第一多联机空调***的特征偏移空间为:
Δxi=[Δxi1 Δxi2 … Δxin-1 Δxin]
其中,Δxij为某一特征参数的偏移量,j取值为1-n。
S103、对第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间。
在一些实施例中,第一多联机空调***的机型与第二多联机空调***的机型不同。示例性的,第一多联机空调***的机型为单冷型,第二多联机空调***的机型为热泵型。
需要说明的是,尽管不同机型的多联机空调***的特征空间之间具有一定的差异性,但是由于导致不同机型的多联机空调***产生故障的热物理机理相同,不同机型的多联机空调***之间应具有相似的特征偏移空间。故可以根据第二多联机空调***的机型,对第一多联机空调***的特征偏移空间进行修正,以得到第二多联机空调***的特征偏移空间。
具体的,第一多联机空调***的存储器中预先存储有多联机空调***的机型与修正系数之间的对应关系。在确定第二多联机空调***的机型之后,可以根据第二多联机空调***的机型和预先存储的对应关系,确定第二多联机空调***的机型对应的目标修正系数,进而根据目标修正系数对第一多联机空调***的特征偏移空间进行修正,来得到第二多联机空调***的特征偏移空间。
在一些实施例中,修正系数可以以下述矩阵所示:
λi=[λi1 λi2 … λin-1 λin]
其中,λi用于表示某个多联机空调***的机型所对应的修正系数。
示例性的,可以将目标修正系数与第一多联机空调***的特征偏移空间之间相乘,以得到第二多联机空调系数的特征偏移空间。
其中,多联机空调***的机型与修正系数之间的对应关系可以是第一多联机空调***所属的工作人员大量实际实验得到的。
在一些实施例中,修正系数的取值范围在(0.8,1.2)之间。
S104、基于第二多联机空调***的M个特征参数的正常值以及第二多联机空调***的特征偏移空间,确定第二多联机空调***的M个特征参数的故障值。
在一些实施例中,可以获取第二多联机空调***在单位时间内处于正常运行状态下的运行数据,进而对该运行数据进行解析,确定出第二多联机空调***的M个特征参数的正常值。
在得到第二多联机空调***的M个特征参数的正常值后,可以根据第二多联机空调***的M个特征参数的正常值和第二多联机空调***的特征偏移空间来得到第二多联机空调***的M个特征参数的故障值。
示例性的,可以将第二多联机空调***的M个特征参数的正常值与第二多联机空调***的特征偏移空间相加,以得到第二多联机空调***的M个特征参数的故障值。
S105、基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,在得到第二多联机空调***的M个特征参数的正常值和故障值之后,可以将第二多联机空调***的M个特征参数的正常值和故障值作为样本集,对待训练的故障诊断模型进行训练,来得到训练完成的故障诊断模型。
在一些实施例中,故障诊断模型是基于一维卷积神经网络的故障诊断模型。其中,卷积神经网络(Convolutional Neural Networks)是一种特殊类型的多层感知器。卷积神经网络的工作原理主要涉及三个基本概念:局部感受野、池化和共享权重。一维卷积神经网络是具有一维输入数据的特定类型的卷积神经网络,具有分类能力,可用于故障检测和诊断。故障检测是检测***是否发生故障的过程,而故障诊断则是获取故障的详细信息。详细信息可包括故障位置、故障类型和故障严重性。
卷积层是卷积神经网络中的关键结构,它的功能为使用一系列滤波器对它的输入卷积,形成一系列原输入的特征映射并输出。当一个滤波器对卷积层的数据进行卷积时,一个局部感受野会在输入数据上反复移动。局部感受野中的数据会与滤波器中的权值矩阵进行点积运算,并在加上一个固定的偏置值后形成一个输出矩阵,该矩阵即是原始输入的一个特征映射。滤波器对输入的卷积操作具有共享权重的特点,即一个滤波器对局部感受野中的数据使用的权值矩阵和偏置是相同的。卷积层的参数主要包括局部感受野的大小,滤波器的数量和步幅等。卷积内核的大小决定了局部感受野的宽度。滤波器的数量决定了卷积输出多少组原输入的特征映射。步幅确定局部感受野在相邻两次运算间的移动步长。
激活函数可以应用于卷积层的输出以进行去线性化。ReLU激活功能是许多不同复杂任务的现代应用中的标准函数。ReLU的函数可以用如下述公式(1)表示:
第i个卷积层的输出ai可以如下述公式(2)表示:
在一些实施例中,如图10所示,故障诊断模型可以包括:输入层、卷积层、池化层、全连接层以及输出层。
卷积层的输出可以输入到池化层中。池化层会将输入的数据划分为多个池化区域,并对每个池化区域分别进行概括并形成输出。典型的池化方式包括最大值池化,平均池化等。池化层的输出是其输入的一般化和精简特征映射。
在处理分类问题时,通常采用分类网络(softmax)层作为卷积神经网络的输出层。softmax层是由一个softmax函数组成的网络层。softmax函数是一种数函数,它可以将数值为任意值的D维原始向量转换为数值在[0,1]之间的D维概率向量。根据softmax层输出中的概率向量最大值所在的维度,即可确定softmax层输入数据的分类结果。
softmax函数如下述公式(3)所示:
可以理解的,由于第二多联机空调***的M个特征参数的故障值是根据第二多联机空调***的特征偏移空间得到的,而第二多联机空调***的特征偏移空间与第一多联机空调***的特征偏移空间相关,而第一多联机的特征偏移空间是根据第一多联机空调***在发生目标故障情况下第一多联机空调***的M个特征参数的正常值和故障值而建立的,故以第二多联机空调***的M个特征参数的正常值与故障值作为样本集训练完成的故障诊断模型,能够识别诊断出与第二多联机空调***机型相同的多联机空调***是否发生目标故障。
在一些实施例中,为了使训练完成的故障诊断模型能够对不同机型的多联机空调***进行故障诊断,可以在确定了第一多联机空调***的特征偏移空间之后,可以根据多个不同机型的多联机空调***的机型对第一多联机空调***的特征偏移空间进行修正,得到多个不同机型的多联机空调***的特征偏移空间,进而获取多个不同机型的多联机空调***的M个特征参数的正常值,并结合多个不同机型的多联机空调***的M个特征参数的正常值和多个不同机型的多联机空调***的特征偏移空间,确定出多个不同机型的多联机空调***的M个特征参数的故障值,进而将多个不同机型的多联机空调***的M个特征参数的正常值和故障值作为样本集对待训练的故障诊断模型进行训练,以得到训练完成的故障诊断模型。如此,训练完成的故障诊断模型能够对不同机型的多联机空调***进行故障诊断,识别出不同机型的多联机空调***是否发生目标故障,无需针对每一种机型建立一种故障诊断模型,提升了对于多联机空调***故障诊断的效率。
在一些实施例中,为了使训练完成的故障诊断模型能够对不同机型、不同故障类型的多联机空调***进行故障诊断,可以在对第一多联机空调***的历史数据进行解析时,解析出第一多联机空调***在发生不同故障类型的故障时M个特征参数的故障值,由于不同的故障类型对于第一多联机空调***的影响是不同的,故可以根据每一种故障类型对应的M个特征参数的故障值与M个特征参数的正常值,建立第一多联机空调***在每一种故障类型下的特征偏移空间。
对于多个不同机型的多联机空调***中的任一个多联机空调***来说,根据该多联机空调***的机型对第一多联机空调***在每一种故障类型下的特征偏移空间进行修正,得到该多联机空调***在每一种故障类型下的特征偏移空间,进而获取该多联机空调***的M个特征参数的正常值,进而得到该多联机空调***的M个特征参数的故障值。
进而根据多个不同机型的多联机空调***的M个特征参数的故障值和正常值作为样本集对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。如此,训练完成的故障诊断模型能够对不同机型、不同故障类型的多联机空调***进行故障诊断,能够识别出不同机型的故障多联机空调***的故障类型,进一步提升了对于多联机空调***故障诊断的效率。
基于图8所示的实施例,通过根据第二多联机空调***的机型来对第一多联机空调***的特征偏移空间进行修正,来得到第二多联机空调***的特征偏移空间。可以理解的,不同机型的多联机空调***的特征参数具有一定差异性,但是由于导致不同机型的多联机空调***产生故障的热物理机理相同,故不同机型的多联机空调***应具有相似的特征偏移空间。故可以根据第二多联机空调***的机型对第一多联机空调***的特征偏移空间进行修正,以得到第二多联机空调***的特征偏移空间。进而可以根据第二多联机空调***的特征偏移空间和第二多联机空调***的M个特征参数的正常值,来得到第二多联机空调***的M个特征参数的故障值。进而以第二多联机空调***的M个特征参数的故障值与正常值来对待训练的故障诊断模型进行训练。
如此,无需在实际工况中采集第二多联机空调***发生故障时M个特征参数的故障值,也即无需采集不同机型的多联机空调***在故障运行状态下的运行数据就可以建立故障诊断模型,能够缩短故障诊断模型的建立周期,进而提升了对多联机空调***故障诊断的效率。
在一些实施例中,如图11所示,上述步骤S105可以具体实现为以下步骤:
S201、基于第二多联机空调***的M个特征参数的正常值和故障值,从第二多联机空调***的M个特征参数中确定出至少一个目标特征参数。
可以理解的,第二多联机空调***的M个特征参数的数量较大,其中掺杂着一些对于故障诊断模型的训练无关的冗余特征参数,为了提升故障诊断模型的训练速度,需要从M个特征参数中提取出对后续故障诊断模型进行故障诊断相关性较高的目标特征参数,且由于训练完成的故障诊断模型需要对不同机型的多联机空调***进行故障诊断,故该至少一个目标特征参数为不同机型的多联机空调***所共有、且对于故障诊断模型进行故障诊断相关性较高的特征参数。
示例性的,基于第二多联机空调***的M个特征参数的正常值和故障值,从第二多联机空调***的M个特征参数中确定出至少一个目标特征参数,可以包括:计算出第二多联机空调***的M个特征参数中每一个特征参数的正常值与故障值之间的差值,将M个差值中差值大于预设阈值的NG差值所对应的N个特征参数作为目标特征参数,进而从N个特征参数中提取出至少一个各种机型的多联机空调***所共有的特征参数作为目标特征参数。其中,预设阈值可以是管理人员预先设定的,N为大于1的整数。
可以理解的,一个特征参数的正常值与故障值之间的差值越大,代表此特征参数在第二多联机空调***由正常运行状态转换为发生目标故障状态时的变化越大,愈能反映出第二多联机空调***发生了目标故障,故可以将此特征参数作为对后续故障诊断模型进行故障诊断相关性较高的特征参数。
其中,目标特征参数可以包括:压缩机吸气过热度、压缩机排气过热度、压缩机吸气温度值、压缩机排气温度值、蒸发器温度值、冷凝器温度值、第二多联机空调***的高压压力值、第二多联机空调***的低压压力、压缩机电流值、室外机所处环境温度值以及多个室内机所处环境的平均温度值等。
S202、根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,在确定出第二多联机空调***的至少一个目标特征参数后,可以根据第二多联机空调***的至少一个目标特征参数的正常值和故障值作为样本集对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
基于图11所示的实施例,通过对第二多联机空调***的M个特征参数进行特征提取,以提取出第二多联机空调***的M个特征参数中的至少一个目标特征参数,进而以至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练。由于精简了待训练的故障诊断模型的训练样本集,能够提升对于待训练的故障诊断模型的训练速度,进而提升了对多联机空调***故障诊断的效率。
在一些实施例中,如图12所示,步骤S202可以具体实现为以下步骤:
S301、基于第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型。
可以理解的,在故障诊断模型实际进行故障诊断时,由于待诊断的多联机空调***的数据分布和第二多联机空调***的数据分布往往不一致,故障诊断模型若根据待诊断的多联机空调***的原始运行数据进行故障诊断时诊断的准确率较低。需要将待诊断的多联机空调***的原始运行数据进行数据重构,以使得数据重构后的待诊断的多联机空调***的原始运行数据的分布能够与第二多联机空调***的数据分布相一致。
而故障诊断模型在训练过程中的输入和输出与在实际进行故障诊断时的输入和输出应是一致的。基于此,可以根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型。
在一些实施例中,待诊断的多联机空调***的原始运行数据通过自编码器模型的编码器压缩和解码器处理,被自编码器模型转换为与第二多联机空调***的数据分布近似的数据集,从而使得故障诊断模型能够较好的对待诊断的多联机空调***进行故障诊断。
如图13所示,自编码器包括编码器和解码器两部分。可以将原始特征数据(也就是第二多联机空调***的至少一个目标特征参数的正常值和故障值)映射到隐藏表示的编码器块,和将隐藏表示映射到重构输入的解码器块。编码器对原始特征数据进行压缩,压缩后的原始特征数据通过解码器进行还原。通过最小化原始特征数据和重构后的原始特征数据之间的差异(称为重构误差)来提取输入特征。具体可以包括如下步骤:
步骤1、将至少一个目标特征参数的正常值和故障值转换为特征向量矩阵X={X1,X2,…,Xn},其中,X1,X2,…,Xn代表至少一个目标特征参数的正常值和故障值。
步骤2、编码器将原始特征数据压缩到隐藏层,具体可以如下述公式(4)所示:
H=σe(WeX+Be) 公式(4)
其中,σe()为Sigmoid函数,X为原始特征数据集,We为编码器权重参数,Be为编码器偏差,H为原始特征数据在隐含层的映射。
步骤3、解码器重构原始特征数据并输出重构后的原始特征数据,具体可以如下述公式(5)所示:
重构误差计算公式如下述公式(6)所示:
进而,自编码器模型训练完成。
S302、将第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值。
由上述S301可知,自编码器模型对于数据具有数据重构的作用。在一些实施例中,将第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,能够得到数据重构后的至少一个目标特征参数的正常值和故障值,进而能够以数据重构后的至少一个目标特征参数的正常值和故障值对待训练的故障诊断模型进行训练。
S303、基于数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,可以将数据重构后的至少一个目标特征参数的正常值和故障值作为样本集来对待训练的故障诊断模型进行训练,以得到训练完成的故障诊断模型。
上述实施例着重介绍了关于本申请实施例提供的一种故障诊断模型的训练过程,在一些实施例中,如图14所示,在故障诊断模型训练完成之后,该方法还包括以下步骤:
S401、获取第三多联机空调***的第一运行数据和第四多联机空调***的第二运行数据。
其中,第三多联机空调***和第四多联机空调***均为发生了目标故障的多联机空调***,且第三多联机空调***的机型与第四多联机空调***的机型不同。
S402、对第一运行数据和第二运行数据进行解析,确定第三多联机空调***的M个特征参数的故障值和第四多联机空调***的M个特征参数的故障值。
其中,对第一运行数据和第二运行数据进行解析的方式,可以参照上述S1012的描述,在此不予赘述。
S403、从第三多联机空调***的M个特征参数的故障值和第四多联机空调***的M个特征参数的故障值中提取出第三多联机空调***的至少一个目标特征参数的故障值以及第四多联机空调***的至少一个目标特征参数的故障值。
其中,对于S403的描述,可以参照上述S104的描述,在此不予赘述。
S404、将第三多联机空调***的至少一个目标特征参数的故障值以及第四多联机空调***的至少一个目标特征参数的故障值输入至训练完成的自编码器模型中,得到数据重构后的第三多联机空调***的至少一个目标特征参数的故障值以及数据重构后的第四多联机空调***的至少一个目标特征参数的故障值。
S405、将数据重构后的第三多联机空调***的至少一个目标特征参数的故障值以及数据重构后的第四多联机空调***的至少一个目标特征参数的故障值输入至训练完成的故障诊断模型中,得到第三多联机空调***的故障诊断结果以及第四多联机空调***的故障诊断结果。
其中,第三多联机空调***的故障诊断结果指示了第三多联机空调***的故障类型,第四多联机空调***的故障诊断结果指示了第四多联机空调***的故障类型。
如图15所示,本申请实施例提供了一种训练装置,用于执行上述图8所示的故障诊断模型的训练方法,该训练装置2000包括:获取单元2001和处理单元2002。在一些实施例中,上述训练装置2000还可以包括存储单元2003。
在一些实施例中,获取单元2001,用于获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数。
处理单元2002,用于:基于第一多联机空调***的M个特征参数的正常值和故障值,确定第一多联机空调***的特征偏移空间,特征偏移空间包括每个特征参数的故障值与正常值之间的差值;对第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,第二多联机空调***的机型与第一多联机空调***的机型不同;基于第二多联机空调***的M个特征参数的正常值以及第二多联机空调***的特征偏移空间,确定第二多联机空调***的M个特征参数的故障值;基于第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,处理单元2002,具体用于:基于第二多联机空调***的M个特征参数的正常值和故障值,从第二多联机空调***的M个特征参数中确定出至少一个目标特征参数;根据第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,处理单元2002,具体用于:基于第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型;将第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值;基于数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
在一些实施例中,获取单元2001,具体用于:获取第一多联机空调***的历史运行数据;对历史运行数据进行解析,确定第一多联机空调***的M个特征参数在第一多联机空调***处于正常运行状态下的正常值和在发生目标故障时的故障值。
在一些实施例中,存储单元2003,用于存储第一多联机空调***的历史运行数据。
在一些实施例中,存储单元2003,用于存储训练完成的自编码器模型。
在一些实施例中,存储单元2003,用于存储训练完成的故障诊断模型。
图15中的单元也可以称为模块,例如,处理单元可以称为处理模块。
图15中的各个单元如果以软件功能模块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,本申请实施例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(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。存储计算机软件产品的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random accessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还提供一种训练装置的硬件结构示意图,如图16所示,该训练装置3000包括处理器3001,可选的,还包括与处理器3001连接的存储器3002和通信接口3003。处理器3001、存储器3002和通信接口3003通过总线3004连接。
处理器3001可以是中央处理器(central processing unit,CPU),通用处理器网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。处理器3001还可以是其它任意具有处理功能的装置,例如电路、器件或软件模块。处理器3001也可以包括多个CPU,并且处理器3001可以是一个单核(single-CPU)处理器,也可以是多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路或用于处理数据(例如计算机程序指令)的处理核。
存储器3002可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,本申请实施例对此不作任何限制。存储器3002可以是独立存在,也可以和处理器3001集成在一起。其中,存储器3002中可以包含计算机程序代码。处理器3001用于执行存储器3002中存储的计算机程序代码,从而实现本申请实施例提供的方法。
通信接口3003可以用于与其他设备或通信网络通信(如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local area networks,WLAN)等)。通信接口3003可以是模块、电路、收发器或者任何能够实现通信的装置。
总线3004可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线3004可以分为地址总线、数据总线、控制总线等。为便于表示,图16中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供了一种计算机可读存储介质,包括计算机执行指令,当其在计算机上运行时,使得计算机执行上述实施例提供的任意一种方法。
本申请实施例还提供了一种包含计算机执行指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例提供的任意一种方法。
本申请实施例还提供了一种芯片,包括:处理器和接口,处理器通过接口与存储器耦合,当处理器执行存储器中的计算机程序或计算机执行指令时,使得上述实施例提供的任意一种方法被执行。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机执行指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机执行指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机执行指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看附图、公开内容、以及所附权利要求书,可理解并实现公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种故障诊断模型的训练方法,其特征在于,包括:
获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数;
基于所述第一多联机空调***的M个特征参数的正常值和故障值,确定所述第一多联机空调***的特征偏移空间,所述特征偏移空间包括每个特征参数的故障值与正常值之间的差值;
对所述第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,所述第二多联机空调***的机型与所述第一多联机空调***的机型不同;
基于所述第二多联机空调***的M个特征参数的正常值以及所述第二多联机空调***的特征偏移空间,确定所述第二多联机空调***的M个特征参数的故障值;
基于所述第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型,包括:
基于所述第二多联机空调***的M个特征参数的正常值和故障值,从所述第二多联机空调***的M个特征参数中确定出至少一个目标特征参数;
根据所述第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型,包括:
基于所述第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型;
将所述第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值;
基于所述数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
4.根据权利要求1或2所述的方法,其特征在于,所述M个特征参数包括压缩机吸气温度值、压缩机排气温度值、冷凝器压力值、蒸发器压力值、膨胀阀开度值、压缩机电流值、室外机所处环境温度值、压缩机吸气过热度、压缩机排气过热度、蒸发器温度值以及冷凝器温度值。
5.根据权利要求1所述的方法,其特征在于,所述获取第一多联机空调***的M个特征参数的正常值和故障值,包括:
获取所述第一多联机空调***的历史运行数据;
对所述历史运行数据进行解析,确定所述第一多联机空调***的M个特征参数在所述第一多联机空调***处于正常运行状态下的正常值和在发生目标故障时的故障值。
6.一种训练装置,其特征在于,包括:
获取单元,用于获取第一多联机空调***的M个特征参数的正常值和故障值,M为大于1的整数;
处理单元,用于:基于所述第一多联机空调***的M个特征参数的正常值和故障值,确定所述第一多联机空调***的特征偏移空间,所述特征偏移空间包括每个特征参数的故障值与正常值之间的差值;对所述第一多联机空调***的特征偏移空间进行修正,得到第二多联机空调***的特征偏移空间,所述第二多联机空调***的机型与所述第一多联机空调***的机型不同;基于所述第二多联机空调***的M个特征参数的正常值以及所述第二多联机空调***的特征偏移空间,确定所述第二多联机空调***的M个特征参数的故障值;基于所述第二多联机空调***的M个特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
7.根据权利要求6所述的训练装置,其特征在于,
所述处理单元,具体用于:基于所述第二多联机空调***的M个特征参数的正常值和故障值,从所述第二多联机空调***的M个特征参数中确定出至少一个目标特征参数;
根据所述第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
8.根据权利要求7所述的训练装置,其特征在于,
所述处理单元,具体用于:基于所述第二多联机空调***的至少一个目标特征参数的正常值和故障值,对待训练的自编码器模型进行训练,得到训练完成的自编码器模型;
将所述第二多联机空调***的至少一个目标特征参数的正常值和故障值输入至训练完成的自编码器模型中,得到数据重构后的至少一个目标特征参数的正常值和故障值;
基于所述数据重构后的至少一个目标特征参数的正常值和故障值,对待训练的故障诊断模型进行训练,得到训练完成的故障诊断模型。
9.一种训练装置,其特征在于,包括:处理器和存储器;
所述存储器存储有所述处理器可执行的指令;
所述处理器被配置为执行所述指令时,使得所述训练装置实现如权利要求1至5中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如权利要求1至5中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210682549.8A CN115095953B (zh) | 2022-06-16 | 2022-06-16 | 一种故障诊断模型的训练方法及装置 |
PCT/CN2023/071431 WO2023197711A1 (zh) | 2022-04-11 | 2023-01-09 | 多联机空调***、故障定位方法及故障诊断模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210682549.8A CN115095953B (zh) | 2022-06-16 | 2022-06-16 | 一种故障诊断模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115095953A true CN115095953A (zh) | 2022-09-23 |
CN115095953B CN115095953B (zh) | 2024-04-09 |
Family
ID=83290839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210682549.8A Active CN115095953B (zh) | 2022-04-11 | 2022-06-16 | 一种故障诊断模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115095953B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197711A1 (zh) * | 2022-04-11 | 2023-10-19 | 青岛海信日立空调***有限公司 | 多联机空调***、故障定位方法及故障诊断模型训练方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015486A (zh) * | 2017-04-20 | 2017-08-04 | 重庆大学 | 一种空调水***调节阀故障智能诊断方法 |
US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
KR20210055998A (ko) * | 2019-11-08 | 2021-05-18 | 엘지전자 주식회사 | 공기 조화기 제어 방법 및 공기 조화기 제어 장치 |
KR102279351B1 (ko) * | 2020-11-27 | 2021-07-20 | 성한 주식회사 | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 |
CN113177594A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
JPWO2021260764A1 (zh) * | 2020-06-22 | 2021-12-30 | ||
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114492534A (zh) * | 2022-01-30 | 2022-05-13 | 华中科技大学 | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 |
CN114484735A (zh) * | 2022-03-11 | 2022-05-13 | 青岛海信日立空调***有限公司 | 多联机***故障诊断及节能潜力识别方法及多联机*** |
WO2022112991A1 (en) * | 2020-11-30 | 2022-06-02 | Jio Platforms Limited | System and method of predicting failures |
-
2022
- 2022-06-16 CN CN202210682549.8A patent/CN115095953B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107015486A (zh) * | 2017-04-20 | 2017-08-04 | 重庆大学 | 一种空调水***调节阀故障智能诊断方法 |
US20200202221A1 (en) * | 2018-12-20 | 2020-06-25 | Shandong University Of Science And Technology | Fault detection method and system based on generative adversarial network and computer program |
KR20210055998A (ko) * | 2019-11-08 | 2021-05-18 | 엘지전자 주식회사 | 공기 조화기 제어 방법 및 공기 조화기 제어 장치 |
JPWO2021260764A1 (zh) * | 2020-06-22 | 2021-12-30 | ||
KR102279351B1 (ko) * | 2020-11-27 | 2021-07-20 | 성한 주식회사 | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 |
WO2022112991A1 (en) * | 2020-11-30 | 2022-06-02 | Jio Platforms Limited | System and method of predicting failures |
CN113177594A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调***的分布式故障诊断方法及*** |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114492534A (zh) * | 2022-01-30 | 2022-05-13 | 华中科技大学 | 一种跨尺寸电机轴承故障诊断模型的构建方法及应用 |
CN114484735A (zh) * | 2022-03-11 | 2022-05-13 | 青岛海信日立空调***有限公司 | 多联机***故障诊断及节能潜力识别方法及多联机*** |
Non-Patent Citations (3)
Title |
---|
DING, XL (DING, XINLEI) 等: "New fault diagnostic strategies for refrigerant charge fault in a VRF system using hybrid machine learning method", JOURNAL OF BUILDING ENGINEERING, 31 January 2021 (2021-01-31) * |
刘倩 等: "多联机***故障类型识别及故障细化诊断模型研究", 制冷学报 * |
杨云雨;杜志敏;晋欣桥;: "基于小波神经网络方法的空调***传感器漂移故障诊断", 能源技术, no. 01, 20 February 2008 (2008-02-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023197711A1 (zh) * | 2022-04-11 | 2023-10-19 | 青岛海信日立空调***有限公司 | 多联机空调***、故障定位方法及故障诊断模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115095953B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114754413B (zh) | 一种多联机空调***及故障定位方法 | |
CN111964236A (zh) | 一种计算室外环境温度的方法、装置及空调 | |
CN112728712B (zh) | 多联机运行能力检测方法、多联机、存储介质及装置 | |
CN115095953B (zh) | 一种故障诊断模型的训练方法及装置 | |
CN110398040B (zh) | 制冷调节方法、装置及空调器 | |
EP3196563A1 (en) | Control device for air conditioning system, air conditioning system, and method for determining anomaly of air conditioning system | |
CN115950045A (zh) | 一种多联机空调***及控制方法 | |
CN114877550B (zh) | 节流阀的控制方法、冷水机和计算机可读存储介质 | |
CN115111825B (zh) | 一种压缩机运行频率的确定方法及装置 | |
CN116697523A (zh) | 一种多联机空调***及故障检测方法 | |
CN114923273B (zh) | 一种空调***及其控制方法 | |
CN111397104B (zh) | 空调***的控制方法、装置、控制设备、介质和空调*** | |
CN114608848B (zh) | 多联机***运行能力检测方法、装置、***及存储介质 | |
CN115264973A (zh) | 冷水机组及其理想能效比确定方法 | |
CN113465131A (zh) | 一种空调器及冷媒量的确定方法 | |
CN114857652A (zh) | 一种供暖***及其控制方法 | |
CN114110999A (zh) | 多联机组内机开度控制方法、装置、电子设备及存储介质 | |
CN114992798B (zh) | 一种空调***及其室内机能力计算方法 | |
CN116336608B (zh) | 一种节能空调***异常数据传输方法及装置 | |
CN114593497B (zh) | 旁通回路冷媒流量检测方法、装置、***及存储介质 | |
CN116608150B (zh) | 转速确定的方法、装置和计算机可读存储介质 | |
WO2024114675A1 (zh) | 多联机空调***及其控制方法 | |
CN114110994B (zh) | 基于配管长度的空调***节流控制方法及装置 | |
CN114576825B (zh) | 空调器控制方法、空调器及可读存储介质 | |
CN115978747A (zh) | 一种热泵机组及其控制方法 |
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 |