CN116989510A - 一种结霜检测与热气融霜相结合的智能化制冷方法 - Google Patents

一种结霜检测与热气融霜相结合的智能化制冷方法 Download PDF

Info

Publication number
CN116989510A
CN116989510A CN202311265396.8A CN202311265396A CN116989510A CN 116989510 A CN116989510 A CN 116989510A CN 202311265396 A CN202311265396 A CN 202311265396A CN 116989510 A CN116989510 A CN 116989510A
Authority
CN
China
Prior art keywords
image
hot gas
electromagnetic valve
pipe
valve
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
Application number
CN202311265396.8A
Other languages
English (en)
Inventor
龚千
严宝会
晏朋
罗立勃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Icesource Refrigeration Equipment Co ltd
Original Assignee
Guangzhou Icesource Refrigeration Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Icesource Refrigeration Equipment Co ltd filed Critical Guangzhou Icesource Refrigeration Equipment Co ltd
Priority to CN202311265396.8A priority Critical patent/CN116989510A/zh
Publication of CN116989510A publication Critical patent/CN116989510A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B47/00—Arrangements for preventing or removing deposits or corrosion, not provided for in another subclass
    • F25B47/02—Defrosting cycles
    • F25B47/022—Defrosting cycles hot gas defrosting
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B49/00—Arrangement or mounting of control or safety devices
    • F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/11—Sensor to detect if defrost is necessary

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Defrosting Systems (AREA)

Abstract

本发明提供了一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷***领域。包括监测点位的布置、监测图像的获取、图像的预处理、构建标签图像数据集、识别模型的构建、识别模型的训练和识别模型的应用；本发明提供的一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷***领域，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。

Description

一种结霜检测与热气融霜相结合的智能化制冷方法
技术领域
本发明涉及一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷***领域。
背景技术
传统制冷***在操作过程中常常会出现结霜问题，这是由于制冷循环中的蒸发器表面温度低于周围空气中的露点温度，导致水蒸气凝结形成冰霜。结霜不仅会降低制冷***的效率，还会增加能源消耗，并且可能对设备造成损坏。因此，解决结霜问题成为智能化制冷***设计中的重要环节。
在过去的研究中，许多方法被提出用于结霜检测和处理，如基于温度传感器的方法、基于压力变化的方法等。然而，这些方法存在着一些限制，例如无法实时监测结霜情况、误差较大或者需要额外的硬件设备支持。因此，我们需要一种更加准确、可靠的结霜检测方法。另一方面，热气融霜技术作为一种常见的结霜处理手段被广泛应用。该方法通过向结霜表面供应热气，使冰霜迅速融化并排出***外部。然而，现有的热气融霜方法存在能源消耗大、融霜效率低的问题。因此，我们需要一种更加高效、节能的热气融霜技术。
为了解决上述问题，本研究将结霜检测与热气融霜相结合，提出了一种智能化制冷***。该***利用先进的结霜检测技术实时监测结霜情况，并通过精确控制热气供应来实现快速融霜。通过智能化算法的优化和调节，可以提高制冷***的效率、减少能源消耗，并且保证用户舒适的使用体验。
发明内容
本发明的目的是提供一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷***领域，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。
本发明的目的可以通过采取如下技术方案达到：
S101，监测点位的布置，
所述监测点位的布置，包括在制冷设备规定位置布置红外线图像采集装置，所述规定位置为统一的制冷设备起霜观察位置，所述红外线图像采集装置为高清红外热成像仪，所述图像采集的固定大小为12×12cm；
S102，监测图像的获取，
所述监测图像的获取，包括在制冷设备的使用全流程中按照一定的时间间隔t1采集红外线图像，最终获得大量图像；
S103，图像的预处理，
所述图像预处理，包括对红外线图像进行图像增强和图像去噪，所述图像增强采用直方图均衡化方法，所述图像去噪采用高斯滤波器，所述高斯滤波器大小范围为5×5，所述高斯滤波器标准差为1.5，最终获得处理后的图像，根据处理后的图像构建图像数据集A{m1，m2,...mn}；
S104，构建标签图像数据集，
所述构建标签图像数据集，包括对每个图像进行图像分类分析，获得标签0或者标签1，根据标签将图像数据集A{m1，m2,...mn}分割为标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}，所述图像分类分析的步骤为：a）选择图像数据集A{m1，m2,...mn}中一个图像mk，b）采用自适应阈值法对图像mk进行结霜区域分割获得分割后图像mk1，计算图像mk的像素点个数Nk，计算分割后图像mk1的像素点个数Nk1，c）计算像素比f，如果f≤10%则赋予图像mk标签0，如果f>10%则赋予图像mk标签1，所述像素比f的计算公式为式（1），
（1）
d）循环进行步骤a-步骤c直到图像数据集A{m1，m2,...mn}中每个图像都获得标签；
S105，识别模型的构建，
所述识别模型的构建，包括构建卷积神经网络图像识别模型，所述卷积神经网络图像识别模型包括4个卷积层、4个池化层、5×5个卷积层提取特征的卷积核和2个全连接层组成，所述卷积神经网络图像识别模型采用分段式线性激活函数作为卷积神经网络的激活函数，所述卷积神经网络图像识别模型使用交叉熵损失函数来量化 卷积神经网络图像识别模型的准确性；
S106，识别模型的训练，
所述识别模型的训练，包括基于标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}对卷积神经网络图像识别模型进行训练，训练迭代轮数设置为5000，最终获得训练后的卷积神经网络图像识别模型；
S107，识别模型的应用，
所述识别模型的应用，包括将训练后卷积神经网络图像识别模型应用到制冷设备霜冻检测中，所述应用的步骤为：
a）制冷设备以固定的时间间隔t1采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像；
b）将预处理后图像输入训练后的卷积神经网络图像识别模型获得标签0或者标签1；
c）当获得标签0时不做任何处理继续制冷，不再进行下一步骤；
d）当获得标签1时则启动热气融霜***，所述热气融霜***包括蒸发装置、供液电磁阀、先导式控制阀、热气电磁阀、电磁控制阀、气动电磁阀、旁通电磁阀、控制管、供液主管和回气主管，所述启动热气融霜***包括以下步骤：
d1）关闭供液电磁阀，并使蒸发装置继续运转以抽空蒸发装置中的制冷剂，所述蒸发装置继续运转2-10分钟；
d2）开启先导式控制阀、热气电磁阀及电磁控制阀，部分热气通入控制管以关闭气动电磁阀，部分热气对所述蒸发装置进行融霜；
d3）当所述蒸发装置达到设定温度时，关闭所述先导式控制阀、所述热气电磁阀及所述电磁控制阀，保持所述供液电磁阀和所述气动电磁阀的关闭状态，打开旁通电磁阀；使所述蒸发装置内的压力通过所述旁通电磁阀释放，直至所述蒸发装置内的压力降低至低压***的压力范围内，所述热气融霜***的供液主管和回气主管连接于一低压循环桶，当所述蒸发装置内的压力与所述低压循环桶内的压力的压力差低于1.25bar，完成融霜；
e）重新打开所述供液电磁阀和所述气动电磁阀，关闭所述旁通电磁阀，使所述蒸发装置继续制冷；
f）采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像，循环执行步骤b-f。
进一步的上述S107中，所述热气融霜***包括多个并联使用的蒸发装置，所述热气融霜***包括一供液主管和一回气主管，所述供液主管上分流出若干条供液支管对应连接多个并联使用的所述蒸发装置；每一所述蒸发装置均连接有回气支管，所有的所述回气支管汇流到所述回气主管上，所述供液支管上设有供液电磁阀和第一止回阀，所述回气支管上设有常开的气动电磁阀，该气动电磁阀上并联有通径小于所述气动电磁阀的旁通电磁阀，所述热气融霜***还包括一热气主管，所述热气主管上设有先导式控制阀，所述热气主管上分流出若干条对应多个回气支管的热气支管，所述热气支管一端连接于热气主管，另一端连接于所述气动电磁阀和每一所述蒸发装置之间的回气支管上，所述热气支管上设有热气电磁阀和第二止回阀；所述热气支管上分流出一控制管连接于所述气动电磁阀上，所述控制管上设有电磁控制阀；所述热气融霜***还包括一回流管，所述回流管的一端连接于所述气动电磁阀后的回气支管上，另一端连接于所述第一止回阀和每一所述蒸发装置之间的供液支管上，所述回流管上设有溢流阀；
进一步的上述一种热气融霜***，其特征在于，所述供液支管上还设有第一检修阀、第一过滤器和手动调节阀；
进一步的上述一种热气融霜***，其特征在于，所述热气支管上设有截止阀，所述热气主管上的热气通过所述截止阀再进入所述控制管；
进一步的上述一种热气融霜***，其特征在于，所述控制管上设有第二检修阀和第二过滤器；
进一步的上述一种热气融霜***，其特征在于，所述热气融霜***的供液主管和回气主管连接于一低压循环桶，所述低压循环桶通过管道依次连接压缩机、油分离器、冷凝器和储液器，所述储液器再连接所述低压循环桶，形成循环；所述油分离器将从压缩机上获得的热气分别输送到所述冷凝器和所述热气主管。
本发明的有益效果是：
本发明的有益效果是：本发明在结霜检测方面基于热成像图片训练卷积神经网络图像识别模型，在热气容霜方法方面通过***多个压力的控制，减小融霜时造成的***压力波动，从而避免影响***的制冷能力，可以对每一蒸发装置单独融霜，而不会对其余的蒸发装置造成太大影响，解决了目前结霜检测方法准确性和可靠性不足的现状，以及现有的热气融霜方法能耗大、融霜效率低的问题。提供了一种结霜检测与热气融霜相结合的智能化制冷方法，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。
附图说明
图1：为本发明的一种结霜检测与热气融霜相结合的智能化制冷方法的流程图。
图2：为本发明的一种结霜检测与热气融霜相结合的智能化制冷方法的一种热气融霜***的整体结构示意图。
图3：为所述热气融霜***的制冷运行示意图。
图4：为所述热气融霜***的融霜运行示意图之一。
图5：为所述热气融霜***的融霜运行示意图之二。
图中：10、蒸发装置；20、供液主管；21、供液支管；211、第一检修阀；212、第一过滤器；213、供液电磁阀；214、第一止回阀；215、手动调节阀；30、回气主管；31、回气支管；311、气动电磁阀；312、旁通电磁阀；32、回流管；321、溢流阀；40、热气主管；41、热气支管；411、截止阀；412、热气电磁阀；413、第二止回阀；42、控制管；421、第二检修阀；422、第二过滤器；423、电磁控制阀；43、先导式控制阀；50、低压循环桶；60、压缩机；70、油分离器；80、冷凝器；90、储液器。
具体实施方式
以下结合附图对本发明的具体实施例进行详细说明；应当理解的是此处所给出的具体实施例仅用于说明和解释本发明，并不能用来限制本发明。
下面是一种结霜检测与热气融霜相结合的智能化制冷方法的具体实施例。
如图1所示，为根据本发明的一种结霜检测与热气融霜相结合的智能化制冷方法流程图。
S101，监测点位的布置，
所述监测点位的布置，包括在制冷设备规定位置布置红外线图像采集装置，所述规定位置为统一的制冷设备起霜观察位置，所述红外线图像采集装置为高清红外热成像仪，所述图像采集的固定大小为12×12cm；
S102，监测图像的获取，
所述监测图像的获取，包括在制冷设备的使用全流程中按照一定的时间间隔t1采集红外线图像，最终获得大量图像；
S103，图像的预处理，
所述图像预处理，包括对红外线图像进行图像增强和图像去噪，所述图像增强采用直方图均衡化方法，所述图像去噪采用高斯滤波器，所述高斯滤波器大小范围为5×5，所述高斯滤波器标准差为1.5，最终获得处理后的图像，根据处理后的图像构建图像数据集A{m1，m2,...mn}；
S104，构建标签图像数据集，
所述构建标签图像数据集，包括对每个图像进行图像分类分析，获得标签0或者标签1，根据标签将图像数据集A{m1，m2,...mn}分割为标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}，所述图像分类分析的步骤为：a）选择图像数据集A{m1，m2,...mn}中一个图像mk，b）采用自适应阈值法对图像mk进行结霜区域分割获得分割后图像mk1，计算图像mk的像素点个数Nk，计算分割后图像mk1的像素点个数Nk1，c）计算像素比f，如果f≤10%则赋予图像mk标签0，如果f>10%则赋予图像mk标签1，所述像素比f的计算公式为式（1），
（1）
d）循环进行步骤a-步骤c直到图像数据集A{m1，m2,...mn}中每个图像都获得标签；
S105，识别模型的构建，
所述识别模型的构建，包括构建卷积神经网络图像识别模型，所述卷积神经网络图像识别模型包括4个卷积层、4个池化层、5×5个卷积层提取特征的卷积核和2个全连接层组成，所述卷积神经网络图像识别模型采用分段式线性激活函数作为卷积神经网络的激活函数，所述卷积神经网络图像识别模型使用交叉熵损失函数来量化 卷积神经网络图像识别模型的准确性；
S106，识别模型的训练，
所述识别模型的训练，包括基于标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}对卷积神经网络图像识别模型进行训练，训练迭代轮数设置为5000，最终获得训练后的卷积神经网络图像识别模型；
S107，识别模型的应用，
所述识别模型的应用，包括将训练后卷积神经网络图像识别模型应用到制冷设备霜冻检测中，所述应用的步骤为：
a）制冷设备以固定的时间间隔t1采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像；
b）将预处理后图像输入训练后的卷积神经网络图像识别模型获得标签0或者标签1；
c）当获得标签0时不做任何处理继续制冷，不再进行下一步骤；
d）当获得标签1时则启动热气融霜***，所述热气融霜***包括蒸发装置、供液电磁阀、先导式控制阀、热气电磁阀、电磁控制阀、气动电磁阀、旁通电磁阀、控制管、供液主管和回气主管，所述启动热气融霜***包括以下步骤：
d1）关闭供液电磁阀，并使蒸发装置继续运转以抽空蒸发装置中的制冷剂，所述蒸发装置继续运转2-10分钟；
d2）开启先导式控制阀、热气电磁阀及电磁控制阀，部分热气通入控制管以关闭气动电磁阀，部分热气对所述蒸发装置进行融霜；
d3）当所述蒸发装置达到设定温度时，关闭所述先导式控制阀、所述热气电磁阀及所述电磁控制阀，保持所述供液电磁阀和所述气动电磁阀的关闭状态，打开旁通电磁阀；使所述蒸发装置内的压力通过所述旁通电磁阀释放，直至所述蒸发装置内的压力降低至低压***的压力范围内，所述热气融霜***的供液主管和回气主管连接于一低压循环桶，当所述蒸发装置内的压力与所述低压循环桶内的压力的压力差低于1.25bar，完成融霜；
e）重新打开所述供液电磁阀和所述气动电磁阀，关闭所述旁通电磁阀，使所述蒸发装置继续制冷；
f）采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像，循环执行步骤b-f。
进一步的上述S107中，所述热气融霜***包括多个并联使用的蒸发装置10，所述热气融霜***包括一供液主管20和一回气主管30，所述供液主管20上分流出若干条供液支管21连接所述多个蒸发装置10；每一蒸发装置10均连接有回气支管31，所有的所述回气支管31汇流到所述回气主管30上，所述供液支管21上设有供液电磁阀213和第一止回阀214，所述回气支管31上设有常开的气动电磁阀311，该气动电磁阀311上并联有通径小于所述气动电磁阀311的旁通电磁阀312；
所述热气融霜***还包括一热气主管40，所述热气主管40上设有先导式控制阀43，所述热气主管40上分流出若干条对应多个回气支管31的热气支管41，所述热气支管41一端连接于热气主管40，另一端连接于所述气动电磁阀311和蒸发装置10之间的回气支管31上，所述热气支管41上设有热气电磁阀412和第二止回阀413；所述热气支管41上分流出一控制管42连接于所述气动电磁阀311上，所述控制管42上设有电磁控制阀423；包括一回流管32，所述回流管32的一端连接于所述气动电磁阀311后的回气支管31上，另一端连接于所述第一止回阀214和所述蒸发装置10之间的供液支管21上，所述回流管32上设有溢流阀321；
进一步的上述一种热气融霜***，其特征在于，所述供液支管上还设有第一检修阀211、第一过滤器212和手动调节阀215；
进一步的上述一种热气融霜***，其特征在于，所述热气支管上设有截止阀411，所述热气主管40上的热气通过所述截止阀411再进入所述控制管42；
进一步的上述一种热气融霜***，其特征在于，所述控制管上设有第二检修阀421和第二过滤器422；
进一步的上述一种热气融霜***，其特征在于，所述热气融霜***的供液主管20和回气主管30连接于一低压循环桶50，所述低压循环桶50通过管道依次连接压缩机60、油分离器70、冷凝器80和储液器90，所述储液器90再连接所述低压循环桶50，形成循环；所述油分离器70将从压缩机上获得的热气分别输送到所述冷凝器80和所述热气主管40。
在上述实施例中，本发明公开了一种结霜检测与热气融霜相结合的智能化制冷方法，包括监测点位的布置、监测图像的获取、图像的预处理、构建标签图像数据集、识别模型的构建、识别模型的训练和识别模型的应用；本发明提供的一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷***领域，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。
以上所述为本发明的较佳实施例，并不以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述方法包含以下步骤：
1）监测点位的布置；
2）监测图像的获取；
3）图像的预处理；
4）构建标签图像数据集；
5）识别模型的构建；
6）识别模型的训练；
7）识别模型的应用；
所述监测点位的布置，包括在制冷设备规定位置布置红外线图像采集装置，所述规定位置为统一的制冷设备起霜观察位置，所述红外线图像采集装置为高清红外热成像仪，所述图像采集的固定大小为12×12cm；
所述监测图像的获取，包括在制冷设备的使用全流程中按照一定的时间间隔t1采集红外线图像，最终获得大量图像；
所述图像预处理，包括对红外线图像进行图像增强和图像去噪，所述图像增强采用直方图均衡化方法，所述图像去噪采用高斯滤波器，所述高斯滤波器大小范围为5×5，所述高斯滤波器标准差为1.5，最终获得处理后的图像，根据处理后的图像构建图像数据集A{m1，m2,...mn}；
所述构建标签图像数据集，包括对每个图像进行图像分类分析，获得标签0或者标签1，根据标签将图像数据集A{m1，m2,...mn}分割为标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}，所述图像分类分析的步骤为：
a）选择图像数据集A{m1，m2,...mn}中一个图像mk；
b）采用自适应阈值法对图像mk进行结霜区域分割获得分割后图像mk1，计算图像mk的像素点个数Nk，计算分割后图像mk1的像素点个数Nk1；
c）计算像素比f，如果f≤10%则赋予图像mk标签0，如果f>10%则赋予图像mk标签1，所述像素比f的计算公式为式（1）；
（1）
d）循环进行步骤a-步骤c直到图像数据集A{m1，m2,...mn}中每个图像都获得标签；
所述识别模型的构建，包括构建卷积神经网络图像识别模型，所述卷积神经网络图像识别模型包括4个卷积层、4个池化层、5×5个卷积层提取特征的卷积核和2个全连接层组成，所述卷积神经网络图像识别模型采用分段式线性激活函数作为卷积神经网络的激活函数，所述卷积神经网络图像识别模型使用交叉熵损失函数来量化卷积神经网络图像识别模型的准确性；
所述识别模型的训练，包括基于标签0的数据集A0{m1，m2,...mi}和标签1的数据集A1{m1，m2,...mj}对卷积神经网络图像识别模型进行训练，训练迭代轮数设置为5000，最终获得训练后的卷积神经网络图像识别模型；
所述识别模型的应用，包括将训练后卷积神经网络图像识别模型应用到制冷设备霜冻检测与处理中，所述识别模型的应用步骤为：
a）制冷设备以固定的时间间隔t1采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像；
b）将预处理后图像输入训练后的卷积神经网络图像识别模型获得标签0或者标签1；
c）当获得标签0时不做任何处理继续制冷，不再进行下一步骤；
d）当获得标签1时则启动热气融霜***，所述热气融霜***包括蒸发装置、供液电磁阀、先导式控制阀、热气电磁阀、电磁控制阀、气动电磁阀、旁通电磁阀、控制管、供液主管和回气主管，所述启动热气融霜***包括以下步骤：
d1）关闭供液电磁阀，并使蒸发装置继续运转以抽空蒸发装置中的制冷剂，所述蒸发装置继续运转2-10分钟；
d2）开启先导式控制阀、热气电磁阀及电磁控制阀，部分热气通入控制管以关闭气动电磁阀，部分热气对所述蒸发装置进行融霜；
d3）当所述蒸发装置达到设定温度时，关闭所述先导式控制阀、所述热气电磁阀及所述电磁控制阀，保持所述供液电磁阀和所述气动电磁阀的关闭状态，打开旁通电磁阀；使所述蒸发装置内的压力通过所述旁通电磁阀释放，直至所述蒸发装置内的压力降低至低压***的压力范围内，所述热气融霜***的供液主管和回气主管连接于一低压循环桶，当所述蒸发装置内的压力与所述低压循环桶内的压力的压力差低于1.25bar，完成融霜；
e）重新打开所述供液电磁阀和所述气动电磁阀，关闭所述旁通电磁阀，使所述蒸发装置继续制冷；
f）采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像，循环执行步骤b-f。
2.根据权利要求1所述的一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，步骤7）中，所述热气融霜***包括多个并联使用的蒸发装置，所述热气融霜***包括一供液主管和一回气主管，所述供液主管上分流出若干条供液支管对应连接多个并联使用的所述蒸发装置；每一所述蒸发装置均连接有回气支管，所有的所述回气支管汇流到所述回气主管上，所述供液支管上设有供液电磁阀和第一止回阀，所述回气支管上设有常开的气动电磁阀，该气动电磁阀上并联有通径小于所述气动电磁阀的旁通电磁阀，所述热气融霜***还包括一热气主管，所述热气主管上设有先导式控制阀，所述热气主管上分流出若干条对应多个回气支管的热气支管，所述热气支管一端连接于热气主管，另一端连接于所述气动电磁阀和每一所述蒸发装置之间的回气支管上，所述热气支管上设有热气电磁阀和第二止回阀；所述热气支管上分流出一控制管连接于所述气动电磁阀上，所述控制管上设有电磁控制阀；所述热气融霜***还包括一回流管，所述回流管的一端连接于所述气动电磁阀后的回气支管上，另一端连接于所述第一止回阀和每一所述蒸发装置之间的供液支管上，所述回流管上设有溢流阀。
3.根据权利要求2所述的一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述供液支管上还设有第一检修阀、第一过滤器和手动调节阀。
4.根据权利要求2所述的一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述热气支管上设有截止阀，所述热气主管上的热气通过所述截止阀再进入所述控制管。
5.根据权利要求2所述的一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述控制管上设有第二检修阀和第二过滤器。
6.根据权利要求2所述的一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述热气融霜***的供液主管和回气主管连接于一低压循环桶，所述低压循环桶通过管道依次连接压缩机、油分离器、冷凝器和储液器，所述储液器再连接所述低压循环桶，形成循环；所述油分离器将从压缩机上获得的热气分别输送到所述冷凝器和所述热气主管。
CN202311265396.8A 2023-09-28 2023-09-28 一种结霜检测与热气融霜相结合的智能化制冷方法 Pending CN116989510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311265396.8A CN116989510A (zh) 2023-09-28 2023-09-28 一种结霜检测与热气融霜相结合的智能化制冷方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311265396.8A CN116989510A (zh) 2023-09-28 2023-09-28 一种结霜检测与热气融霜相结合的智能化制冷方法

Publications (1)

Publication Number Publication Date
CN116989510A true CN116989510A (zh) 2023-11-03

Family

ID=88527067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311265396.8A Pending CN116989510A (zh) 2023-09-28 2023-09-28 一种结霜检测与热气融霜相结合的智能化制冷方法

Country Status (1)

Country Link
CN (1) CN116989510A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109146000A (zh) * 2018-09-07 2019-01-04 电子科技大学 一种基于冰冻权值改进卷积神经网络的方法及装置
CN110793246A (zh) * 2019-11-29 2020-02-14 广州冰泉制冷设备有限责任公司 一种热气融霜***及热气融霜方法
CN211424781U (zh) * 2019-11-29 2020-09-04 广州冰泉制冷设备有限责任公司 一种热气融霜***
CN113536989A (zh) * 2021-06-29 2021-10-22 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***
JP6980958B1 (ja) * 2021-06-23 2021-12-15 中国科学院西北生態環境資源研究院 深層学習に基づく農村地域分けゴミ識別方法
CN115690668A (zh) * 2021-07-23 2023-02-03 菅政 基于图像语义分割算法的损伤识别技术
CN116229053A (zh) * 2022-12-07 2023-06-06 安徽唯嵩光电科技有限公司 一种基于神经网络的红枣机挡料板动态调整方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109146000A (zh) * 2018-09-07 2019-01-04 电子科技大学 一种基于冰冻权值改进卷积神经网络的方法及装置
CN110793246A (zh) * 2019-11-29 2020-02-14 广州冰泉制冷设备有限责任公司 一种热气融霜***及热气融霜方法
CN211424781U (zh) * 2019-11-29 2020-09-04 广州冰泉制冷设备有限责任公司 一种热气融霜***
JP6980958B1 (ja) * 2021-06-23 2021-12-15 中国科学院西北生態環境資源研究院 深層学習に基づく農村地域分けゴミ識別方法
CN113536989A (zh) * 2021-06-29 2021-10-22 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***
CN115690668A (zh) * 2021-07-23 2023-02-03 菅政 基于图像语义分割算法的损伤识别技术
CN116229053A (zh) * 2022-12-07 2023-06-06 安徽唯嵩光电科技有限公司 一种基于神经网络的红枣机挡料板动态调整方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王鑫 等: "基于融合边缘变化信息全卷积神经网络的遥感图像变化检测", 《电子与信息学报》, vol. 44, no. 5, pages 1695 - 1703 *

Similar Documents

Publication Publication Date Title
CN109612027B (zh) 一种基于显微摄像分析空气源热泵结霜的方法及控制***
CN106152644B (zh) 热泵空调机组除霜控制方法及***
CN110425112B (zh) 防压缩机液击的空调及防压缩机液击的控制方法
CN110030665B (zh) 一种化霜控制方法、装置及空调器
CN105157292B (zh) 风冷螺杆机组的电子膨胀阀控制方法和装置
CN101929755A (zh) 一种基于图像识别技术的空气源热泵除霜***及其控制方法
CN111156657A (zh) 空调结霜状态确定方法和装置
CN108981081A (zh) 一种智能除霜方法
CN203949402U (zh) 一种具有热气融霜功能的冷却装置
KR20130102219A (ko) 무착상 연속운전용 실외 열교환기가 형성된 히트펌프장치 및 제상방법
Wang et al. A novel defrosting initiation strategy based on convolutional neural network for air-source heat pump
CN116989510A (zh) 一种结霜检测与热气融霜相结合的智能化制冷方法
CN111928339A (zh) 外机换热器及其控制方法和控制单元和空调***
Chen et al. Applying deep learning-based regional feature recognition from macro-scale image to assist energy saving and emission reduction in industrial energy systems
CN110260467B (zh) 空调器及其防冻结保护控制方法和控制装置
CN113536989B (zh) 基于摄像视频逐帧分析的制冷机结霜监控方法及***
US20210164711A1 (en) Cooling system for low temperature storage
CN207622306U (zh) 一种基于红外热成像检测空气源热泵除霜控制***
CN108981241A (zh) 一种翅片顶排管束式冷库蒸发器及其融霜水收集装置
CN112197455B (zh) 可回收冷媒的空调机组及其控制方法
CN212274093U (zh) 外机换热器和空调***
CN211424781U (zh) 一种热气融霜***
CN114001505A (zh) 一种用于超低温冰箱关门后箱内低压预警及处理装置和方法
WO2020150889A1 (zh) 一种湿空气换热器轮动除霜控制***
CN109556347B (zh) 物品充塞报警***

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