CN116045446A - 一种空调室外机的自清洁控制方法、模型训练方法及装置 - Google Patents
一种空调室外机的自清洁控制方法、模型训练方法及装置 Download PDFInfo
- Publication number
- CN116045446A CN116045446A CN202211662762.9A CN202211662762A CN116045446A CN 116045446 A CN116045446 A CN 116045446A CN 202211662762 A CN202211662762 A CN 202211662762A CN 116045446 A CN116045446 A CN 116045446A
- Authority
- CN
- China
- Prior art keywords
- self
- cleaning
- outdoor unit
- air conditioner
- target
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 title claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 53
- 230000000903 blocking effect Effects 0.000 claims abstract description 43
- 230000009278 visceral effect Effects 0.000 claims abstract description 32
- 238000010191 image analysis Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000428 dust Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000009825 accumulation Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 244000144992 flock Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000010257 thawing 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
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
-
- 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
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种空调室外机的自清洁控制方法、模型训练方法及装置，所述模型训练方法包括：获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；在所述空调处于目标状态下时，获取当前室外机脏堵图像；对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型，通过利用该方式训练出的模型进行自清洁决策，可以有效解决相关技术中空调室外机的自清洁控制智能性较差的技术问题。
Description
技术领域
本发明涉及空调控制技术领域，具体涉及一种空调室外机的自清洁控制方法、模型训练方法及装置。
背景技术
目前空调器的外机都是安装到户外，由于室外的环境情况恶劣，而且整个外机一直裸露在外，无任何的保护措施，长时间暴露在日晒雨淋的环境。空调的室外机随着使用时间的增加会不断的聚集灰尘、毛絮、粉絮等颗粒物，此颗粒物聚集会增加空调室外机的风道的风阻，造成外风机耗电加大，影响室外机的冷凝器进风换热，导致外机风量降低，影响室外机换热器的使用性能、使用寿命，会造成异常的热保护停机，同步会降低压缩机的使用寿命。
目前空调的室外换热器清洁方式主要依靠两方面，一是靠人工提醒清洗，需要专业的清洗人员将室外机机外壳拆卸下来，用专业的工具清洗冷凝器的颗粒物，这种方式清洗干净，但由于室外机一般安装在户外或是高墙上面，拆卸难度大，不仅费力，而且存在一定的危险性。第二种方式采用室内机开制热方式让外机结霜后，通过化霜带走一定灰尘。现有市场上面的外机自清洁的空调都需要用户自行判断是否需要清洁，这种情况就会导致遗忘清洁或是频繁的清洗，智能性较差。
发明内容
本发明的目的在于克服上述技术不足，提供一种空调室外机的自清洁控制方法、模型训练方法及装置，以解决相关技术中空调室外机的自清洁控制智能性较差的技术问题。
为达到上述技术目的，本发明采取了以下技术方案：
根据本发明的一个方面，提供了一种用于空调室外机自清洁控制的神经网络模型训练方法，所述方法包括：获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；在所述空调处于目标状态下时，获取当前室外机脏堵图像；对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
可选的，在所述当前脏堵程度为指定脏堵程度的情况下，所述方法还包括：检测外机管温参数的变化；在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。
可选的，所述空调处于目标状态为所述空调开启后或者所述空调开启之前。
可选的，通过以下方式获取所述参考数据：建立云端数据库；对上传至所述云端数据库的图片的特征信息进行分析和标注，以得到所述参考数据。
根据本发明的另一个方面，还提供了一种空调室外机的自清洁控制方法，所述方法包括：获取目标室外机脏堵图像；将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据上述任一项所述的方法训练得到；根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
可选的，所述根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作，包括：根据所述对应的自清洁策略，预测进行自清洁的目标时间段；控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。
根据本发明的另一个方面，还提供了一种用于空调室外机自清洁控制的神经网络模型训练装置，所述装置包括：参考数据获取单元，用于获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；当前室外机脏堵图像获取单元，用于在所述空调处于目标状态下时，获取当前室外机脏堵图像；目标自清洁策略确定单元，用于对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；训练单元，用于利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
可选的，在所述当前脏堵程度为指定脏堵程度的情况下，所述装置还包括：外机管温参数变化检测单元，用于检测外机管温参数的变化；启动自清洁动作控制单元，用于在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。
根据本发明的另一个方面，还提供了一种空调室外机的自清洁控制装置，所述装置包括：目标室外机脏堵图像获取单元，用于获取目标室外机脏堵图像；自清洁策略输出单元，用于将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据上述中任一项所述的装置训练得到；自清洁操作执行单元，用于根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
可选的，所述自清洁操作执行单元还用于：根据所述对应的自清洁策略，预测进行自清洁的目标时间段；控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。
本发明提供的用于空调室外机自清洁控制的神经网络模型训练方法，通过获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；在所述空调处于目标状态下时，获取当前室外机脏堵图像；对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。通过自适应动态学习，获得了能够精确预测自清洁策略的神经网络模型，利用该模型可以更加智能的实现自清洁策略输出和预警，有效解决了相关技术中空调室外机的自清洁控制智能性较差的技术问题。
附图说明
图1是本发明实施例提供的一种用于空调室外机自清洁控制的神经网络模型训练方法的示意图；
图2是本发明实施例提供的一种空调室外机的自清洁控制方法的示意图；
图3是本发明实施例提供的另一种空调室外机的自清洁控制方法的示意图；
图4是本发明实施例提供的一种神经网络模型的结构示意图；
图5是本发明实施例提供的一种用于空调室外机自清洁控制的神经网络模型训练装置的示意图；
图6是本发明实施例提供的一种空调室外机的自清洁控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
实施例一
根据本发明实施例，提供了一种用于空调室外机自清洁控制的神经网络模型训练方法。请参阅图1，该方法可以通过用于空调室外机自清洁控制的神经网络模型训练装置执行。该方法可以包括：
步骤S101，获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略。
该步骤中，预设数据库可以存储在云端。
该步骤中，不同脏堵程度可以是预先划分的脏堵等级，例如，可以按照积尘或是颗粒的厚度划分为多个级别。
该步骤中，自清洁策略可以包括：是否进行自清洁；以及，具体采取何种手段进行自清洁。具体采取何种手段进行自清洁，可以是自清洁设备进行清洁，或者，用户手动清洁。自清洁设备可以设置于空调外机上，或者，是独立于空调外机的设备，本实施例对此不做具体限定。
例如，在积尘厚度为0mm时，自清洁策略为不进行自清洁；在积尘厚度为超过最大阈值的情况下，自清洁策略为用户手动清洁。
步骤S102，在所述空调处于目标状态下时，获取当前室外机脏堵图像。
该步骤中，可以通过摄像机采集当前室外机脏堵图像。
该步骤中，空调处于目标状态下，可以是空调开机后，也可以是开机之前。
步骤S103，对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略。
该步骤中，由于所述参考数据中存储了不同脏堵程度对应的自清洁策略，所以在获取到当前室外机脏堵图像之后，先简单进行图像分析，确定其脏堵程度，进而在参考数据中查找对应的自清洁策略。
步骤S104，利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
在步骤中，是利用当前室外机脏堵图像和目标自清洁策略对神经网络模型进行训练的过程，通过自适应动态学习，自动保存对当前脏堵判断和自清洁策略，不断强化学习，进而使得训练得到的模型效果越来越优。
可选的，在所述当前脏堵程度为指定脏堵程度的情况下，所述方法还包括：检测外机管温参数的变化；在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。该实施例通过检测外机管温参数的变化，核实是否需要进一步进行外机自清洁，可以进一步提升决策的准确性。
可选的，也可以采用精度比较低的粉尘感应器的传感数据，代替外机管温参数的变化。
可选的，所述空调处于目标状态为所述空调开启后或者所述空调开启之前。该实施例支持在空调开启之前执行，进而可以有效解决由于长时间没有启动导致外机的换热器存在大量的积尘脏堵从而导致整机***出现异常，导致整机换热差，用户的舒适性差的问题。
可选的，通过以下方式获取所述参考数据：建立云端数据库；对上传至所述云端数据库的图片的特征信息进行分析和标注，以得到所述参考数据。本实施例可以在云端建立数据库，并通过云端进行图像分析和标注，节省了本地存储空间。
该实施例提供的用于空调室外机自清洁控制的神经网络模型训练方法，通过获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；在所述空调处于目标状态下时，获取当前室外机脏堵图像；对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。通过自适应动态学习，获得了能够精确预测自清洁策略的神经网络模型，利用该模型可以更加智能的实现自清洁策略输出和预警，有效解决了相关技术中空调室外机的自清洁控制智能性较差的技术问题。
实施例二
图2是本发明实施例提供的一种空调室外机的自清洁控制方法的示意图，如图2所示，该方法包括：
步骤S201，获取目标室外机脏堵图像。
在该步骤中，可以在室外机上或者附近设置相机，以抓取目标室外机脏堵图像。
步骤S202，将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略。
其中，所述神经网络模型根据图1所述的方法训练得到，在上面内容中已经做了详细描述，在此不再赘述。
步骤S203，根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
该步骤中，自清洁操作可以是自清洁设备执行或者用户手动执行。自清洁设备可以设置在空调上，或者可以独立于空调设置。
可选的，所述根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作，包括：根据所述对应的自清洁策略，预测进行自清洁的目标时间段；控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。该实施例可以对自清洁的时间进行准确有效的预警。
可选的，可以监测目标时间段是否接近当前时间，如果接近当前时间，则向用户输出提示信息，以使得用户能够提前获知，提升用户体验。
该实施例提供的空调室外机的自清洁控制方法，通过获取目标室外机脏堵图像；将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据上述任一项所述的方法训练得到；根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作，可以分析空调室外机的赃污程度并对对应的自清洁操作进行准确预警，优化自清洁次数，避免由于忘记清洁或是定时频繁清洁从而导致的能源浪费问题。
实施例三
图3是本发明实施例提供的另一种空调室外机的自清洁控制方法的示意图，如图3所示，该方法包括：
1、收集外机换热器赃污图片数据；
2、建立云端数据库；
3、云端数据进行分类，通过图片特征点进行归纳总结；
4、建立两器脏堵程度数据分析；
5、建立两器脏堵评分机制和空调管温参数的对比机制；
6、采用视频图像对比技术，利用卷积神经网络算法对比筛选出分类等级；
7、判断换热器脏堵程度是否大于D1，在是的情况下进入外机自清洁模式。
具体的，该实施例通过神经网络与深度学习来优化自清洁的启动条件的程序，以便设置不同的自清洁参数。现有的外机自清洁方式是一套由内到外，一般情况下，我们会通过肉眼去辨别外机是否已经达到积尘多的状态，或当前空调制冷、制热效果不舒适时，人为地进行外机自清洁的操作。该实施例则是通过神经网络与深度学习的算法进行积尘厚度的计算，从而通过计算结果去预测什么时间段应该进行外机自清洁，从而提高外机自清洁的效率，提高整机的可靠性。在检测积尘的厚度的时候，需要在机器上面安装摄像识别***的装置用于检测积尘的厚度，通过采用基于强化学习的智能控制算法以径向基函数(RBF)神经网络为基础，通过深度学习的算法结合实时的图像进行判断，进行自适应动态学习，通过不断迭代进而寻找到维持当前环境正常下的最优控制策略来清理积尘，维持两器的干净。
首先通过确定强化学习的控制方案之后，进一步确定强化学习算法中神经网络的输入参数。通过收集外机换热器脏污图片作为基础数据源，创建云端数据库。为了解决这些问题，通过对已搜集的训练样本数据进行相关性分析、整理，结合机器的工作特性，确定了网络输入、输出参数。具体的模型网络结构可以参见图4。
在自适应动态学习探索过程的具体方案如下：
1、空调开发阶段获取不同外机换热器脏堵程度的图片，并且对此图片进行划分，一共初步分成0～10个等级。可以参照下表所示。
表1
2、初步建立对比数据库后，在机组运行后，可以通过实时的检测积尘或是颗粒的厚度，通过与相关的等级进行匹配配对，同时通过对0～10级数据的对比确定后，进行外机自清洁的执行动作，而在对比过程中，通过采用基于强化学习的智能控制算法以径向基函数(RBF)神经网络为基础，结合深度学习的算法结合实时的图像进行判断，进行自适应动态学习。当进行一次判断后，自动保存当前的两器脏堵的图片后，不停地进行迭代处理，以便找到更加最优的状态时进行除尘。
3、在D4～D6的对比状态下，可以进一步检测外机管温参数的变化，核实是否需要进一步进行外机自清洁。当外机的t管＞53～55℃情况下，机组应该是启动外机自清洁，t管＜50℃，机子无须启动自清洁。当处于50℃≤t管≤53℃，维持当前的状态。
可选的，可以采用精度比较低的粉尘感应器代替受安装环境温度影响比较大的外管温的参数进行检测。
需要说明的是，计算的结果无需绝对准确，相对较准确即可。根据经验进行逐项对比参数，每次通电检测过程中优化检测积尘的厚度以及相关的积尘厚度的变化。前后进行对比分析，从而确定下一步调整方向及方案。该实施例可以有效的解决由于长时间没有启动导致外机的换热器存在大量的积尘脏堵从而导致整机***出现异常、整机换热差、用户舒适性差的问题。
该实施例通过上述技术手段，实现空调外机进行自我完善自清洁的运行参数，并作为经验存入数据库，下次再遇到相应条件，执行此最优自清洁步骤，同时通过识别脏堵的厚度赋予样机自清洁识别的信号，不仅能满足普通的人为自清洁要求，同时也可以通过该方案进行预警；支持在未开机前，机器在上一次关机后，由于长时间没有启动导致外机的换热器存在大量的积尘脏堵的情况，可以通过该方案的预警进行提前的外机自清洁处理。该实施例可以自动提醒用户进行清洗或是可以连接设备进行自动清洁，减少用户繁琐的操作动作，有效提高了整机***的可靠性。
上述实施例通过机组本身图像识别脏堵程度的情况来收集数据，通过卷积神经网络算法以及深度学习算法对外机冷凝器脏堵进行预警判断，优化自清洁次数，避免了忘记清洁或是定时频繁清洁从而导致的能源浪费问题。本实施例由于可以有效提前预警，进而减少了由于颗粒物聚集而导致的增加空调室外机风道风阻的问题发生，使外风机耗电降低，提高室外机的冷凝器进风换热的效率，提高了外机风量，提升了室外机换热器的使用性能、使用寿命，减少了造成异常的热保护停机，同时也会提升压缩机的使用寿命。
实施例四
图5是本发明实施例提供的一种用于空调室外机自清洁控制的神经网络模型训练装置的示意图，如图5所示，该装置包括：
参考数据获取单元50，用于获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；
当前室外机脏堵图像获取单元51，用于在所述空调处于目标状态下时，获取当前室外机脏堵图像；
目标自清洁策略确定单元52，用于对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；
训练单元53，用于利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
可选的，在所述当前脏堵程度为指定脏堵程度的情况下，所述装置还包括：外机管温参数变化检测单元，用于检测外机管温参数的变化；启动自清洁动作控制单元，用于在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。
该实施例提供的用于空调室外机自清洁控制的神经网络模型训练装置，通过获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；在所述空调处于目标状态下时，获取当前室外机脏堵图像；对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。通过自适应动态学习，获得了能够精确预测自清洁策略的神经网络模型，利用该模型可以更加智能的实现自清洁策略输出和预警，有效解决了相关技术中空调室外机的自清洁控制智能性较差的技术问题。
实施例五
图6是本发明实施例提供的一种空调室外机的自清洁控制装置的示意图，如图6所示，所述装置包括：
目标室外机脏堵图像获取单元60，用于获取目标室外机脏堵图像；
自清洁策略输出单元61，用于将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略；其中，所述神经网络模型根据上述中任一项所述的装置训练得到，在此不再赘述；
自清洁操作执行单元62，用于根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
可选的，所述自清洁操作执行单元还用于：根据所述对应的自清洁策略，预测进行自清洁的目标时间段；控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。
该实施例提供的空调室外机的自清洁控制装置，通过获取目标室外机脏堵图像；将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据上述任一项所述的方法训练得到；根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作，可以分析空调室外机的赃污程度并对对应的自清洁操作进行准确预警，优化自清洁次数，避免由于忘记清洁或是定时频繁清洁从而导致的能源浪费问题。
需要说明的是，本申请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，以便这里描述的本申请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。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的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，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请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存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，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，所揭露的客户端，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，仅仅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网络单元上。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，在本申请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。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种用于空调室外机自清洁控制的神经网络模型训练方法，其特征在于，所述方法包括：
获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；
在所述空调处于目标状态下时，获取当前室外机脏堵图像；
对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；
利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
2.根据权利要求1所述的方法，其特征在于，在所述当前脏堵程度为指定脏堵程度的情况下，所述方法还包括：
检测外机管温参数的变化；
在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。
3.根据权利要求1所述的方法，其特征在于，所述空调处于目标状态为所述空调开启后或者所述空调开启之前。
4.根据权利要求1所述的方法，其特征在于，通过以下方式获取所述参考数据：
建立云端数据库；
对上传至所述云端数据库的图片的特征信息进行分析和标注，以得到所述参考数据。
5.一种空调室外机的自清洁控制方法，其特征在于，所述方法包括：
获取目标室外机脏堵图像；
将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据权利要求1-4中任一项所述的方法训练得到；
根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
6.根据权利要求5所述的方法，其特征在于，所述根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作，包括：
根据所述对应的自清洁策略，预测进行自清洁的目标时间段；
控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。
7.一种用于空调室外机自清洁控制的神经网络模型训练装置，其特征在于，所述装置包括：
参考数据获取单元，用于获取预设数据库中存储的参考数据，所述参考数据至少包括空调室外机不同脏堵程度以及各脏堵程度对应的自清洁策略；
当前室外机脏堵图像获取单元，用于在所述空调处于目标状态下时，获取当前室外机脏堵图像；
目标自清洁策略确定单元，用于对所述当前室外机脏堵图像进行图像分析，确定对应的当前脏堵程度，并根据所述当前脏堵程度和所述参考数据，确定对应的自清洁策略作为目标自清洁策略；
训练单元，用于利用所述当前室外机脏堵图像和所述目标自清洁策略，对神经网络模型进行训练，以得到目标神经网络模型。
8.根据权利要求7所述的装置，其特征在于，在所述当前脏堵程度为指定脏堵程度的情况下，所述装置还包括：
外机管温参数变化检测单元，用于检测外机管温参数的变化；
启动自清洁动作控制单元，用于在所述外机管温参数的变化满足预设条件的情况下，确定对应的自清洁策略为启动自清洁动作。
9.一种空调室外机的自清洁控制装置，其特征在于，所述装置包括：
目标室外机脏堵图像获取单元，用于获取目标室外机脏堵图像；
自清洁策略输出单元，用于将所述目标室外机脏堵图像输入至用于空调室外机自清洁控制的神经网络模型，输出得到对应的自清洁策略，其中，所述神经网络模型根据权利要求7-8中任一项所述的装置训练得到；
自清洁操作执行单元，用于根据所述对应的自清洁策略，对空调室外机执行对应的自清洁操作。
10.根据权利要求9所述的装置，其特征在于，所述自清洁操作执行单元还用于：
根据所述对应的自清洁策略，预测进行自清洁的目标时间段；
控制在所述目标时间段对所述空调室外机执行对应的自清洁操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662762.9A CN116045446A (zh) | 2022-12-23 | 2022-12-23 | 一种空调室外机的自清洁控制方法、模型训练方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211662762.9A CN116045446A (zh) | 2022-12-23 | 2022-12-23 | 一种空调室外机的自清洁控制方法、模型训练方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116045446A true CN116045446A (zh) | 2023-05-02 |
Family
ID=86115574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211662762.9A Pending CN116045446A (zh) | 2022-12-23 | 2022-12-23 | 一种空调室外机的自清洁控制方法、模型训练方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116045446A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1892135A (zh) * | 2005-07-07 | 2007-01-10 | 乐金电子(天津)电器有限公司 | 空气调节器的控制方法 |
| CN107818560A (zh) * | 2017-09-27 | 2018-03-20 | 珠海格力电器股份有限公司 | 一种净化器的处理方法和装置 |
| CN110736195A (zh) * | 2019-09-30 | 2020-01-31 | 青岛海尔空调器有限总公司 | 空调自清洁控制的方法及装置、空调 |
| CN110864398A (zh) * | 2018-08-07 | 2020-03-06 | 青岛海尔空调器有限总公司 | 空调清洁控制方法及装置、空调器、计算机设备、存储介质 |
| CN110873428A (zh) * | 2018-09-03 | 2020-03-10 | 青岛海尔空调器有限总公司 | 空调清洁控制方法及装置 |
| CN114216210A (zh) * | 2021-12-20 | 2022-03-22 | 珠海格力电器股份有限公司 | 一种判断制冷***堵情况的方法及空调器 |
-
2022
- 2022-12-23 CN CN202211662762.9A patent/CN116045446A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1892135A (zh) * | 2005-07-07 | 2007-01-10 | 乐金电子(天津)电器有限公司 | 空气调节器的控制方法 |
| CN107818560A (zh) * | 2017-09-27 | 2018-03-20 | 珠海格力电器股份有限公司 | 一种净化器的处理方法和装置 |
| CN110864398A (zh) * | 2018-08-07 | 2020-03-06 | 青岛海尔空调器有限总公司 | 空调清洁控制方法及装置、空调器、计算机设备、存储介质 |
| CN110873428A (zh) * | 2018-09-03 | 2020-03-10 | 青岛海尔空调器有限总公司 | 空调清洁控制方法及装置 |
| CN110736195A (zh) * | 2019-09-30 | 2020-01-31 | 青岛海尔空调器有限总公司 | 空调自清洁控制的方法及装置、空调 |
| CN114216210A (zh) * | 2021-12-20 | 2022-03-22 | 珠海格力电器股份有限公司 | 一种判断制冷***堵情况的方法及空调器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108253587B (zh) | 空气清洁度的调整方法及装置 | |
| CN106871365B (zh) | 空调器的运行控制方法、装置和空调*** | |
| US20210071889A1 (en) | Hvac analytics | |
| CN110715401B (zh) | 空调设备的化霜控制方法、装置、介质及空调设备 | |
| CN110986285A (zh) | 空调器室内机的换热器自清洁控制方法与空调器 | |
| US20150018979A1 (en) | Electronic apparatus | |
| US20170111210A1 (en) | Sensor Data Analytics and Alarm Management | |
| CN106461252B (zh) | 加热、通风或空气调节***空气过滤器诊断和监视 | |
| EP1802926A2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
| US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
| CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
| US20180128749A1 (en) | Automated Optical Device Monitoring | |
| CN111811108B (zh) | 换热器脏堵检测方法及装置 | |
| CN103577662A (zh) | 确定家用电器的用电状况或环境状况的方法及设备 | |
| CN110657617A (zh) | 冰箱的化霜控制方法、装置以及冰箱 | |
| CN110873428A (zh) | 空调清洁控制方法及装置 | |
| US20220249999A1 (en) | Systems and methods for detecting the status of a particle filter | |
| CN107062531A (zh) | 基于人体活动的空调器控制方法和空调器 | |
| CN110726219B (zh) | 空调的控制方法、装置和***，存储介质及处理器 | |
| CN112303850A (zh) | 空调的控制方法及装置 | |
| CN110822666A (zh) | 空气调节设备的控制方法、装置和空气调节设备 | |
| CN116045446A (zh) | 一种空调室外机的自清洁控制方法、模型训练方法及装置 | |
| CN117073129A (zh) | 一种暖通空调***故障诊断方法及*** | |
| CN117490193A (zh) | 一种中央空调水***群控方法 | |
| CN108131786B (zh) | 空调的控制方法和装置 |
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 |