CN102667352A - 制冷剂泄漏检测系统和方法 - Google Patents

Abstract

这里公开了一种制冷剂泄漏检测系统。该系统可以基于制冷剂料位和系统数据检测慢泄漏的存在。这些系统使用所存储的或动态创建的数据模型来计算预期的制冷剂料位。基于预期的制冷剂料位和实际的制冷剂料位以及统计过程控制数据，可以识别泄露。

Description

制冷剂泄漏检测系统和方法

相关申请的交叉引用

本申请要求于2010年11月10日提交的美国申请第12/943,626的优先权，并且要求在2009年11月11日提交的美国临时申请第61/260,222优先权。以上申请的整体公开内容通过引用合并于此。

技术领域

本公开涉及制冷系统，并且更具体地，涉及监控制冷系统中的制冷剂料位。

背景技术

本节提供了关于本公开的背景信息，其不一定是现有技术。

制冷系统对于许多行业是必不可少的。例如，食品零售商可能依赖冰箱确保食品产品的质量和安全性。许多其他行业可能具有必须被冷藏或者维持在降低的温度下的产品或材料。HVAC系统允许人们使他们消费、工作或生活的场所保持舒适。这些或其他制冷系统的任何故障或者制冷系统的性能变化可能影响健康、安全和收益。因此，重要的是，监控和维护制冷系统的设备以确保其操作于预期的水平。

制冷系统用户最为关注的是，严密地监控制冷系统的性能以使效率最大并且降低运行成本。通常说来，用户可能缺乏准确地分析系统性能数据并且使该数据与质量、安全和收益相联系的专业技能，以及监控制冷系统的性能、维护和效率的专业技能。

发明内容

本节提供了本公开的总体概述，而非是本公开的完整范围或所有其特征的全面公开。

这里描述了一种用于检测制冷系统中的制冷剂泄露的系统。该系统包括制冷剂料位传感器，其感测制冷装置中的制冷剂料位并且基于制冷剂料位生成制冷剂料位数据；以及多个系统传感器，其感测与制冷装置对应的条件并且基于感测的条件生成系统数据。该系统进一步包括模型数据库，其存储基于先前记录的系统数据限定预期的制冷剂料位的多个模型，其中每个模型具有与其相关联的控制上限和控制下限；以及模型选择模块，其基于系统数据和先前记录的系统数据从模型数据库中选择模型。该系统还包括制冷剂料位预测模块，其基于系统数据和所选择的模型生成预期的制冷剂料位；以及通知模块，当在至少一个连续的读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限或小于控制下限时，其生成通知。

在一个系统特征中，该系统可以进一步包括模型创建模块，其基于制冷剂料位数据和系统数据创建模型。

在另一系统特征中，模型创建模块创建的模型进一步依赖于对制冷剂料位数据和系统数据进行采样的天时。

在另一系统特征中，模型创建模块执行线性回归以确定估计制冷剂料位的系统数据的未补偿的线性组合。

在另一系统特征中，使用线性回归的结果确定误差表格，其具有与特定天时处的制冷剂料位的估计和制冷剂料位数据之间的差对应的条目。

在另一系统特征中，模型创建模块生成存储小时效果的表格，小时效果指示对于每个天时、该天时对制冷剂料位数据的效果量。

在另一系统特征中，模型创建模块执行小时效果补偿线性回归来确定系统数据和小时效果的线性组合以估计制冷剂料位。

在另一系统特征中，通知模块当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限时，生成从系统添加了制冷剂的通知。

在另一系统特征中，通知模块当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差小于控制下限时，生成制冷剂从系统泄露的通知。

在另一系统特征中，系统数据包括周围温度读数、冷凝器温度读数和排出压力读数。

在本公开的另一方面，公开了一种用于检测制冷系统中的制冷剂泄漏的方法。该方法包括感测制冷系统中的制冷剂料位并且基于制冷剂料位生成制冷剂料位数据。该方法进一步包括感测与制冷系统对应的条件并且基于感测的条件生成系统数据。该方法还包括在模型数据库中存储基于先前记录的系统数据限定预期的制冷剂料位的多个模型。每个模型具有与其相关联的控制上限和控制下限。该方法进一步包括基于系统数据和先前记录的系统数据从模型数据库中选择模型，并且基于系统数据和所选择的模型生成预期的制冷剂料位。该方法进一步包括当在至少一个连续的读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限或小于控制下限时生成通知。

在另一方法特征中，该方法进一步包括基于制冷剂料位数据和系统数据创建模型。

在另一方法特征中，所创建的模型进一步依赖于对制冷剂料位数据和系统数据进行采样的天时。

在另一方法特征中，该方法进一步包括对系统数据和制冷剂料位数据执行线性回归以确定估计制冷剂料位的系统数据的未补偿的线性组合。

在另一方法特征中，该方法进一步包括基于线性回归的结果确定误差表格，其具有与特定天时处的制冷剂料位的估计和制冷剂料位数据之间的差对应的条目。

在另一方法特征中，该方法进一步包括生成存储小时效果的表格，小时效果指示对于每个特定天时、该特定天时对制冷剂料位数据的效果量。

在另一方法特征中，该方法进一步包括执行小时效果补偿线性回归来确定系统数据和小时效果的线性组合以估计制冷剂料位。

在另一方法特征中，当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限时，所生成的通知指示向制冷系统添加了制冷剂。

在另一方法特征中，当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差小于控制下限时，所生成的通知指示制冷剂从系统泄露。

在另一方法特征中，系统数据包括周围温度读数、冷凝器温度读数和排出压力读数。

根据这里提供的描述，另外的应用领域将变得明显。本发明内容中的描述和具体示例仅用于说明的目的，并非旨在限制本公开的范围。

附图说明

这里描述的附图仅用于所选择的实施例的说明的目的，并非是所有可能的实现方案，并且不应限制本公开的范围。

图1图示了示例性制冷剂系统；

图2图示了制冷泄漏检测系统的示例性部件的概况；

图3图示了制冷泄漏检测系统执行的方法的概况；

图4图示了用于确定泄露状态的示例性部件的框图；

图5图示了用于确定泄露状态的示例性方法；

图6图示了用于清洁数据的示例性部件的框图；

图7图示了用于清洁数据的示例性方法；

图8图示了用于验证数据的示例性部件的框图；

图9图示了用于验证数据的示例性方法；

图10图示了用于选择数据模型的示例性部件的框图；

图11图示了用于选择数据模型的示例性方法；

图12图示了用于创建数据模型的示例性部件的框图；

图13图示了用于创建数据模型的示例性方法；

图14图示了学习机的示例性部件的框图；以及

图15图示了由学习机执行以创建数据模型的示例性方法。

在若干附图通篇中相应的附图标记指示相应的部分。

具体实施方式

现将参照附图更全面地描述示例实施例。

参照图1，示出了示例性制冷系统100。示例性制冷系统100包括多个压缩机104，其与均位于压缩机架110内的公共抽吸歧管106和排放集管108通过管道连接在一起。每个压缩机104的排放输出可以包括各自的温度传感器114。除了温度传感器114之外或者作为其替换，可以使用压力传感器。抽吸歧管106的输入可以包括压力传感器118和温度传感器120。此外，排放集管108的排放出口可以包括相关联的压力传感器124。如下文更详细描述的，可以实现各种传感器用于监控制冷系统100的制冷剂料位。

示例性压缩机架110包括制冷剂蒸汽，其被递送到冷凝器126，其中制冷剂蒸汽在高压下液化。冷凝器126可以包括相关联的周围温度传感器128和出口压力传感器130。该高压液体制冷剂可以被递送到接收器144。来自接收器144的制冷剂随后被递送到蒸发器136。例如，蒸发器136可以处于食品冷藏情况下。

控制器140可以用于并且配置或编程为控制制冷系统100的操作。在示例性实施例中，制冷控制器140是由美国佐治亚州亚特兰大的CPC公司提供的Einstein Area Controller或者E2Controller。应认识到，也可以使用可被编程的任何其他类型的可编程控制器。控制器140可以访问用于存储将由控制器140执行的可执行代码的计算机可读介质141。

制冷系统100内的制冷剂料位可以是系统负载、周围温度、解冻状态、热回收利用状态和制冷剂补充的函数。制冷剂料位指示器142读取制冷系统100内的制冷剂料位并且提供制冷剂料位（RL）输出信号。在一些实施例中，制冷剂料位指示器142是基于超声波束检测制冷剂料位的超声传感器。可以设想，还可以使用诸如浮子传感器或电容传感器的其他类型的传感器作为制冷剂料位指示器。制冷剂料位指示器142可以位于制冷系统的可以确定制冷剂料位的任何位置。例如，制冷剂料位指示器可以位于接收器144处。

制冷剂损失检测算法利用制冷剂料位数据以及其他的测量的参数，诸如周围温度（T_a）、排放温度（T_d）和排放压力（P_d），来确定在制冷系统100中是否存在制冷剂泄漏。此外，可以使用其他系统参数确定在制冷系统中是否存在泄露。

制冷剂泄漏的特征由慢或快来描述。快泄露易于识别，因为制冷剂料位将在极短时间段内下降到预定料位，例如零或接近零。然而，慢泄漏可能较难于识别。一个原因是接收器中的制冷剂料位可以贯穿给定的天而广泛地变化。例如，遍及制冷系统的解冻周期导致了接收器中的制冷剂料位变化。相似地，周围温度的改变引起制冷剂料位变化。为了提取有意义的信息，可以测量制冷剂料位并且随后以预定的间隔对其取平均。例如，可以按小时对制冷剂料位取平均（RL_HR）。

如果接收器中不存在制冷剂，则制冷剂可以存在于冷凝器128中。冷凝器中的制冷剂体积典型地与周围空气温度和冷凝器128温度之间的温度差成比例。通常，制冷剂具有移动到冷凝器和接收器的较冷的位置的趋势，其数量与周围空气温度和冷凝器128温度之间的温度差成比例。可以通过共同监视这些参数来部分地检测制冷剂损失。

图2和3分别图示了制冷剂泄漏检测系统和用于识别制冷剂泄漏的方法。参照图2，框图图示了制冷剂泄漏检测系统的概况。制冷剂泄漏检测模块304接收测量的数据302，其可以包括RL数据和系统数据。系统数据可以包括，但不限于，周围温度（T_a）、冷凝器温度（T_d）和排放压力（P_d）。系统数据和RL数据可以直接接收自传感器或者可以从存储各种传感器数据的测量的数据的数据库303取回。可以设想，泄漏检测可以在一天中运行多次、每天运行一次或者每几天运行一次。因此，测量的数据的数据库303存储最近的RL数据和系统数据以备以后分析。

制冷剂泄漏检测模块304还可以接收系统参数作为输入。系统参数可以存储在可由制冷剂泄漏检测模块304访问的系统参数数据存储306中。系统参数可以包括，但不限于，统计过程控制（SPC）数据和SPC极限。SPC数据和SPC极限是与制冷剂料位相关的统计数据。制冷剂泄漏检测模块304还可以访问存储多个数据模型的模型数据库305。数据模型可以具有包含先前记录的系统数据的数据样本的数据结构的形式，先前记录的系统数据，即训练数据，限定了在给定时间段中的制冷剂料位的行为。如将讨论的，制冷剂料位可以被表述为系统数据的线性组合，其可以按小时进行补偿或者不按小时补偿。然而，可以设想，可以实现表示这些模型的其他方式。

制冷剂泄漏检测模块304可以向用户输出泄露状态和/或系统通知，其指示同一内容。制冷剂泄漏检测模块304使用测量的RL数据、测量的系统数据、系统参数和数据模型来识别制冷剂泄漏的存在。通过利用这些模型和系统数据，制冷剂泄漏检测模块304可以确定预期的RL数据，并且如果测量的RL数据有规律地在预期的RL数据以下，则可以确定存在泄漏。如果系统处于泄漏状态，则系统还可以生成针对技术人员的通知。

图3图示了可由系统执行以识别泄露状态的一般方法的流程图。在步骤402中，从控制器读取测量的数据。如前文所提及的，测量的数据302可以存储在测量的数据的数据库303中，或者可以直接接收自传感器。测量的数据302可以包括T_a、T_d、P_d和RL数据。一些或所有数据可以被表示为按小时的平均值，其指示贯穿于特定天的平均值（Ta_HR、Td_HR、Pd_HR和RL_HR）。

在步骤404处，可以分析系统数据以获取用于针对RL数据进行分析的适当模型。可以从模型数据库305取回模型，或者在没有适当模型的情况下可以创建模型。下文提供了关于模型的取回和创建的更多细节。然而，通常制冷系统在变化的条件下和在变化的应用中操作。诸如制冷负载、周围温度、解冻状态、热回收利用状态和制冷剂补充的系统条件可以影响制冷剂料位及其行为。再者，冷凝器中的温度和压力以及每天的解冻计划也可以影响制冷剂料位。模型被在取回或创建时被限定为考虑与制冷剂料位相关的所有相关因素。

一旦模型被获取，则在步骤406处，系统可以使用测量的RL数据、系统数据和获取的模型确定泄露状态的存在。如可以根据影响制冷剂料位的参数数量和可以随时间进行的采样数量而认识到的，接收的和存储的系统数据和RL数据提供了富数据集合。富数据集合允许系统运行各种不同类型的机器学习算法和统计过程控制方法以识别慢泄漏条件的存在。在步骤408处，存储来自步骤402和406的数据和结果并且在必要时可以生成关于制冷剂状态的通知。在步骤410处，系统在再次运行之前等待预定的时间量。该系统可继续监控各种传感器数据并且存储传感器数据以备以后分析。可以设想，系统可每天运行，但是也可更频繁地或更不频繁地运行。

图4更详细地图示了制冷剂泄漏检测模块304的示例性实施例。如所提及的，制冷剂泄漏检测模块304接收系统数据和RL数据作为输入。数据清洁模块504可以被配置成接收原始系统数据和RL数据并且可以处理系统数据和RL数据，使得制冷剂泄漏检测模块304能够分析并处理测量的数据。此外，数据清洁模块504可以丢弃确定为不可靠的任何数据。可以对原始数据进行预处理，使得其至少是按小时的平均值。在一些实施例中，每个天时将具有与该天时对应的按小时的平均值。建模模块508可以与系统参数数据库306通信以接收SPC数据和极限以及模型数据。建模模块508可以从来自模型数据库305的多个数据模型中取回存储的数据模型或者在不存在适当模型的情况下，可以创建数据模型用于存储。术语“模型”和“数据模型”可以可互换地使用。

清洁的数据和获取的数据模型被传递到SPC模块504。SPC模块504进一步使用SPC数据，其包括X_bar（平均值）、R（范围）、控制上限（UCL）和控制下限（LCL），以确定制冷剂料位误差的状态。可以根据先前记录的系统数据和测量的制冷剂料位数据来计算SPC数据和极限。此外，每个模型可以具有其自身的SPC数据和极限。

X_bar是在预定小时数内的实际的制冷剂料位的按小时的平均值和预期的制冷剂料位的按小时的平均值之间的平均误差值。可以如下计算X_bar：

$X_{\mathrm{bar}}=\frac{\underset{i}{\overset{i+n}{\mathrm{\Σ}}}({\mathrm{RL}}_{M_i}-{\mathrm{RL}}_{\mathrm{hAV}{G}_i})}{n}---\left(1\right)$

其中

是小时i的期望的按小时的平均值，

是小时i的按小时的平均值，并且其中n是子组中的小时数。R是预定小时数中的误差值的范围。一旦针对子组计算了X_bar和R，则可以根据下式计算标准偏差：

$\mathrm{\σ}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-X_{\mathrm{bar}})}{n}---\left(2\right)$

其中n是用于计算平均值的实例的总数并且其中x_i是在第i个实例处的制冷剂料位读数。使用标准偏差和平均值，UCL可以被定义为X_bar+3σ并且LCL可以被定义为X_bar-3σ。

SPC模块504可以输出指示制冷剂料位过高（runOverUCLError）、过低（runUnderLCLError）或者处于泄露状态（runUnderMeanError）的误差。在下文中更详细地提供了关于SPC数据的计算以及后继的误差指示的另外的细节。

图5图示了可以由制冷剂泄漏检测模块304执行的示例性处理。在步骤602处，接收RL数据和系统数据T_d、T_a和P_d并且可以由数据清洁模块504对它们进行处理。如所提及的，RL数据可以作为原始数据接收自制冷剂料位指示器142。传感器有时可能提供不可靠的或“坏的”数据。因此，数据清洁模块402可以识别哪些读数是不可靠的并且从RL数据和/或系统数据去除这些读数。在下文中更详细地提供了数据清洁的细节。

在步骤604处，清洁的数据可以存储在测量的数据的数据库303中或者可以直接传递到SPC模块512。在步骤606处，系统访问关于特定天的数据用于泄漏检测分析。系统可以不连续运行，并且因此，不同于最近测量的数据，可以分析前一天的数据或者先前的传感器读数。

在步骤608处，使用与正被分析的天对应的数据选择适当的模型。建模模块608可以首先尝试使用系统数据从系统参数数据存储中选择存储的模型。如将描述的，这些模型基于各种数据限定了制冷剂类型的行为，这些数据包括系统数据T_d、T_a和P_d。在步骤610处，评估所选择的模型以便确定该模型是否合适。为了确定模型的可靠性，可以将该模型针对例如先前存储的数据的训练数据的绝对误差值与例如50%的预定阈值比较。如果模型的绝对误差值小于预定阈值，则该模型可以被视为合适的。如果模型是合适的，则处理移至步骤618，而非移至步骤612。

在步骤618处，分析所选择的数据模型和RL数据。RL数据被输入到数据模型中以生成预期的RL或RL_M。使用分析结果生成SPC数据以及SPC误差。在步骤620处，分析SPC误差。该分析可以包括使用已知的SPC制表算法来生成SPC图表。SPC算法可以创建关于RL_M数据和RL_HR数据两者的X_bar（平均值）和R（范围）图表。对于每小时，可以将RL_M数据与RL_dHR数据比较以确定制冷剂料位误差RL_error。例如，对于每小时的数据，可以将误差计算为RL_error=RL_M-RL_dHR。RH_dHR数据可以被分为子组。例如，如果数据是按小时的，如该情况中的那样，并且存在24小时的数据，则对于每天可以生成三个八小时的子组。对于每个子组，可以对RL_error数据的按小时的平均值取平均。该取平均的结果是关于子组的X_bar值。还计算RL_error数据的范围以确定R。随后可以比较这些图表以确定RL_error数据是否落在与RL_M相关的控制上限（UCL）和控制下限（LCL）内。如上文所述，UCL和LCL可以被计算为X_bar加上和减去三个标准偏差。每当RL数据连续地落在UCL或LCL外部时，使SPC计数器递增。基于SPC计数值，可以确定存在误差。例如，如果RL_HR数据在七个连续的读数中被测量为在LCL以下，则可以生成误差通知runUnderLCLError。如果RL_HR数据在七个连续的读数中被测量为在UCL以上，则可以生成误差通知runOverLCLError。如果对于七次迭代计算的X_bar连续减少，则可以生成runUnderMeanError。可以实现通知生成规则的其他变化方案。例如，如果选择少于七的数目，则系统可以识别更多的误差。相反，选择大于七的数目将增加误差识别鲁棒性，但是以正确识别误差为代价。此外，可以设想，如果误差条件基本上连续，则可以识别误差。例如，七个读数中的六个在UCL以上，仍可以生成runOverLCLError。

在步骤620处，解释SPC误差通知。runOverUCLError通知可以指示制冷剂已被添加到制冷系统。在技术上说，runOverUCLError自身可以不是误差，而是还可以指示制冷剂被添加到系统。系统可以创建制冷剂已被添加到系统的通知。

runUnderLCLError或者runUnderMeanError指示制冷剂从制冷系统泄露。该算法可以创建制冷剂泄漏的通知。

如所提及的，如果在步骤610处未取回适当的模型，则处理移至步骤612。在步骤614处，系统可以确定拒绝模型的原因是否归于模型中的过度的变化。如果是这样，则生成通知，由此向技术人员通知可能需要改进模型创建方法。

在步骤616处，系统确定是否存在待分析的额外数据，即是否需要分析额外的RL数据。如果是这样，则在步骤622处系统移至待分析的下一天的RL数据。如果不是，则系统移至步骤624，其中组装并存储结果。可以设想，在步骤618处生成并且在620处解释的通知可以存储在误差数据库中或者传递到技术人员。此外，系统可以包括视觉或音频指示以向操作者或技术人员报警制冷系统中的制冷剂状态。

以下章节将描述可以在制冷剂泄漏检测系统中实现的各个模块和细节。所提供的示例绝非旨在成为限制，而是提供制冷剂泄漏检测系统的可能实施例中的较多的细节。

如前面提到的，在一些实施例中可能需要清洁测量的数据。图6和7分别示出了数据清洁模块和可以由数据清洁模块执行的方法。现参照图6，示出了示例性数据清洁模块504。数据清洁模块504接收测量的RL数据和测量的系统数据T_aHR、T_dHR和P_dHR。然而，可以设想，数据清洁模块504可以接收原始系统数据，例如T_a、T_d和P_d，并且根据其计算按小时的平均值。数据清洁模块504还可以接收先前存储的数据706。存储的数据706可以包括预定数据结构中的按日期组织的现有数据。数据清洁模块504可以输出数据表格708，其可以包括清洁的按小时的数据RL_HR，按天排列的T_aHR、T_dHR和P_dHR数据。

图7图示了用于清洁数据的示例性方法。上述数据清洁模块504可以执行如下方法。注意，诸如超声传感器的某些传感器类型，对比不输出需要清洁的数据的诸如浮子传感器的其他传感器类型，可以进一步使得数据清洁成为必要。在步骤802处，测量的RL数据和系统数据按日期编组。在步骤804处，可以取回特定日期的RL数据。步骤806可以确定数据是原始传感器数据还是具有按小时的数据格式。如果数据具有按小时的平均值格式RL_dHR，则在步骤818处确定数据将被清洁并且与关于该天的系统数据T_aHR、T_dHR和P_dHR结合。

如果数据是来自传感器的原始数据，则步骤808可以检查传感器数据以确定其是否是可靠的并且可以创建指示传感器正在适当操作的通知。下文提供了确定数据的可靠性的更多细节。如果步骤808确定传感器数据不是“可相信的”，则步骤810可以跳过过滤和计算步骤。在该情形下，丢弃不可靠的数据并且系统取回下一数据集合。如果数据被确定为可靠的，则步骤820可以确定是否存在将处理的额外的天，并且如果是这样，则步骤822可以选择步骤804中的将被清洁的数据的下一天。该算法可以运行直至不再存在要清洁的任何RL数据。

图8图示了验证测量的RL数据的可靠性的数据清洁模块的示例性部件。传感器验证模块904接收RL数据。该数据可以通过按小时的平均值格式或者原始格式来表示。传感器验证模块904可以执行空过滤测试、差过滤测试、失准过滤测试和好过滤测试中的一个或更多个。过滤测试可以被存储为与系统906相关联的计算机可读存储器上的可执行指令。传感器指标模块908可以基于过滤测试的结果访问传感器指标910。传感器指标910可以是基于当前和以前的传感器读数对其值进行修改的计数器。例如，在示例性实施例中，计数器可以在处理确定传感器数据可靠的每个实例之后递增，并且在传感器数据被确定为不可靠时递减。

图9提供了确定传感器数据是否可靠时的步骤。如前面讨论的，根据传感器类型，该系统可以不需要传感器数据的验证。超声传感器可以使得数据验证成为必要，但是其他类型的传感器不是这样。如所提及的，RL数据可以通过被实施为存储在计算机可读介质上的机器可执行指令的过滤器。过滤器可以包括，但不限于：空过滤器1002、差过滤器1008、失准过滤器1014和好过滤器1020。应当理解，过滤可以按任何顺序进行，并且不需要按上述顺序进行。过滤可以基于从RL数据提取特征并且基于结果应用规则。

空过滤器1002可以是确定传感器数据是否为空或者基本上为空的任何过滤器。例如，在一个实施例中，空过滤器1002可以处理RL数据以确定具有在例如2的预定值以下的值，即y值的数据样本的数量。如果具有小于预定值的y值的数据样本的百分比大于预定百分比阈值，例如50%，则在步骤1004中RL数据可以被视为空并且在步骤1006中被标为空。在步骤1006之后，在步骤1026中传感器指标可以递减。如果RL数据未被确定为空，则算法可以继续到差过滤器1008。以下是可以在空过滤器中执行的示例伪代码算法：

差过滤器1008可以是确定传感器数据是否可靠的任何过滤器。例如，示例性差过滤器1008检测按小时的RL数据是否处于近似直线状态。近似直线状态可以被认为是当表示按小时的RL数据的曲线具有直线形状或者近似直线形状时的状态。过滤器1008选择用于评估数据的一部分的开始点。过滤器1008指定在正被分析的曲线部分的第一点处或者在前一近似直线的结束点处指定开始点。开始点被存储并且从存储测量RL数据的表格读取曲线上的下一点。如果下一点的y值和第一点的y值之间的差大于预定阈值，即e=0.3，则下一点是当前线的结束点。如果y值差小于e，则重复扫描处理直至对于当前线的结束点，下一点和第一点之间的y值差超过e。对于每个近似直线，可以计算线的长度和平均y值。如果近似直线的长度大于长度阈值，例如a=20，并且平均y值大于平均值阈值，例如b=10，则接近直线可以被分类为合格线。如果数据集合中的合格线的数目超过累积线阈值，例如c=3，或者如果所有合格线中牵涉的点的数目超过累积长度阈值，例如d=60，则由曲线表示的数据被分类为不可靠的。如果在步骤1010中RL数据是不可靠的，则在步骤1012中数据被标为不可靠的并且在步骤1026中传感器指标递减。如果RL数据不是不可靠的，则算法继续到失准过滤器1014。以下是可以在差过滤器中执行的示例伪代码算法：

失准过滤器1014可以是确定传感器是否失准的任何过滤器。例如，示例性失准过滤器1014应对可能导致过滤器失准的结论的六种情况。

第一种情况可以分析RL数据以确定曲线是否具有从一个点到另一点的变化过大的RL值，即y值。可以针对每对相邻的数据点计算y值之间的绝对差值。例如，可以使用下式：

DV_i，i+1＝|RL_i-RL_i+1|

随后可以使用例如下式计算所计算的绝对差值的平均值

${\mathrm{DV}}_{\mathrm{avg}}=\frac{{\mathrm{DV}}_{\mathrm{1,2}}+{\mathrm{DV}}_{\mathrm{2,3}}+...+{\mathrm{DV}}_{i,i+1}+...{\mathrm{DV}}_{n-1,n}}{n}$

其中DV_avg是平均差值并且DV_i，i+1是第i个读数的RL值和第（i+1）个读数之间的绝对差，并且其中存在n个总读数。随后将每个计算的绝对差值与平均绝对差值和例如k=15的预定值的和进行比较，并且对于其中绝对差值超过平均绝对差值的每个实例，使计数器递增。该处理随后将确定超过平均差值和预定值的和的差值的量是否过高。一种确定该条件是否存在的方法是使数据点数量n乘以第二预定值，例如b=2。以下呈现了关于前述情况的一个可能的实现方案的伪代码：

在第二情况下，失准过滤器1014检查具有在例如2的阈值以下的y值的点的百分比是否大于百分比阈值，例如55%。如果是这样，则曲线失准。如果不是，则过滤移至下一情况。

在第三情况下，示例性失准过滤器1014确定是否有特定百分比的点落在合格线内。该确定与差过滤器1008的确定相似，但是参数可以进行调整，并且构成失准曲线的曲线的行为略有不同。失准过滤器1014的第三情况将数据点的线段标为合格线，条件是长度大于短合格线阈值，例如5。第三情况随后将针对数据曲线中的数据点的总数计算落在合格线中的数据点的数目。如果落在合格线中的点的百分比大于百分比阈值，例如55%，则曲线被标为失准。

在第四情况下，失准过滤器1014检查从原始数据曲线外推的凹向量（pit vector）。一旦从原始数据曲线外推/生成凹向量，针对凹向量上的相邻点分析凹向量的点。进行与第三过滤器相似的分析，使得失准过滤器1014将确定在凹向量中有多少点落在合格线内。如果凹向量中的落在合格线内的点的数量相对于凹向量中的点的数量超过凹向量百分比阈值，例如40%，则数据曲线被标为失准。可以设想，第四情况下的合格长度的长度不需要等于第三情况下的合格线的长度。例如，在第三情况下合格线的特征被描述为具有五个点的长度，第四情况可以将凹向量中的合格线标为跨越四个点。

在第五情况下，失准过滤器1014检查从原始数据曲线外推的峰向量（peak vector）。分析峰向量时采取的步骤基本上与分析凹向量采取的步骤相同。也就是，失准过滤器1014将从数据曲线外推/生成峰向量。一旦从原始数据曲线外推/生成峰向量，针对峰向量上的相邻点分析峰向量的点。进行与第三和第四过滤器相似的分析，使得失准过滤器1014将确定在峰向量中有多少点落在合格线内。如果峰向量中的落在合格线内的点的数量相对于峰向量中的点的数量超过峰向量百分比阈值，例如50%，则数据曲线被标为失准。可以设想，第五情况下的合格长度的长度不需要等于第三情况或第四情况下的合格线的长度。例如，在第三情况下合格线的特征被描述为具有五个点的长度并且在第四情况下合格线长度是四个点。在第五情况下，合格线可以具有三个点的长度。

在第六情况下，分析数据曲线中的点的分布。示例性失准过滤器1014的第六情况确定是否有过多的数据点落在小范围内，由此指示失准数据。失准过滤器1014将数据曲线分为被称为范围的长度相等的线段，例如每个线段三个单位。失准过滤器1014随后将计算落在每个范围内的点的数目。具有最大数量的点的范围被标为LRange。点计数器将被设定为落在LRange中的点的数目并且范围计数器将被设定为1。失准过滤器1014随后将针对彼此分析范围。

以下操作将迭代地运行直至点计数器大于或等于曲线中的点的总数量的60%或者直至不存在要分析的额外的范围。失准过滤器将LRange与标为NRange的下一最大寄放范围（populated range）进行比较。如果NRange中的点数量等于或大于LRange中的点数量的20%，则点计数器将递增NRange中的点数量并且范围计数器递增。否则，任一计数器都不递增。LRange随后被设定为等于NRange，并且NRange是下一最大寄放范围。该循环迭代直至不存在要分析的额外的范围或者点计数器大于或等于曲线中的点的总数量的60%。

在退出循环之后，失准过滤器将检查i）点计数器是否大于或等于曲线中的点的总数量的60%，以及ii）范围计数器的值是否大于或等于范围阈值，例如。如果i）和ii）两者均为假，则失准过滤器1014将数据分类为失准的和不可靠的。传感器指标也可以递减。

如果失准过滤器1014发现传感器失准，则在步骤1016处失准过滤器1014可以指示传感器失准并且在步骤1018中RL数据曲线可以被标为失准。如果不是这样，则序列可以继续到好过滤器1020。如果好过滤器1020发现RL数据是好的，则步骤1022可以指示数据是好的并且在步骤1024中RL数据曲线可以被标为好的。如果数据不是好的，则步骤1022可以指示数据不是好的并且在步骤1024中RL数据曲线可以被标为未知的。

在一些实施例中，传感器指标908可以用作用于确定传感器数据的可靠性的手段。如果传感器指标308上的读数超过预定阈值，则数据被确定为可靠的，否则数据被视为不可靠的。如上文所述，当一个数据过滤器确定数据曲线的状态时，计数器可以基于该状态递增或递减。如果在过滤之后，数据被确定为可靠的，并且到达步骤1030，则指标可以递增诸如1的整数值。如果过滤器确定数据是空的，差的或失准的，并且到达步骤1026，则指标可以递减诸如2的整数值。传感器指标在最初时可以被设定为诸如4的预定值并且具有诸如8的最大值。指标可用于指示数据已达到警告极限，例如4，或者已达到报警极限，例如1。通过这些示例预定值，连续2天的递减可以导致警告并且连续4天可以总是导致报警。当在步骤1030中指标递增时，下一步骤可以检查指标是否处于警告状态。如果是这样，则在步骤1036中关于是否应使用数据的返回值可以被设定为不好。为了从数据去除警告状态标志，仅在接收到足够数目的好的传感器读数之后，在步骤1034中将返回值设定为好的。当指标递减时，在步骤1036中可以将返回值设定为不好。在步骤1038中可以确定指标是否处于报警状态。如果是这样，则在步骤1040中生成报警通知。

下文说明了用于选择和创建模型的示例性部件和方法。先前测量的数据可以用作用于创建数据模型的训练数据。训练可以是受监督的或不受监督的。

现参照图10和11，示出了从模型数据库305中的现有模型中选择模型。在图10中，可以通过现有模型模块1104从测量的数据的数据库303接收或访问待分析数据1102，包括RL_HR、T_aHR、T_dHR和P_dHR。可以通过现有模型模块1104从模型数据库305访问模型数据1106，并且模型数据1106可以包括现有模型数据和现有模型超立方体边界数据。现有模型模块1104将超立方体边界数据与测量的系统数据进行比较以确定相应的模型是否匹配。现有模型模块1106可以使用待分析数据1102（例如测量的数据）和模型数据1106创建所选择的模型1108的输出。所选择的模型的输出是预期的制冷剂料位RL_M。上文所述的SPC模块可以将RL_M与RL_HR数据比较以确定泄露状态。

参照图11，这些步骤示出了用于使用与特定天对应的数据选择现有模型的方法。在步骤1202处，可以访问现有模型。每个模型可以具有限定的超立方体边界，用于与天的按小时的数据R_LHR、T_aHR、T_dHR和P_dHR比较。超立方体可以限定T_aHR、T_dHR和P_dHR的极限，使得可以选择适当的模型。例如，超立方体可以包括表示T_a高、t_d高和P_d高以及T_a低、T_d低和P_d低的数据。在步骤1204处，系统可以计算落在所选择的现有模型的超立方体边界内的按小时的数据T_aHR、T_dHR和P_dHR的百分比。在步骤1206处，系统可以确定落在超立方体边界内的按小时的数据的百分比是否大于预定百分比，例如80%。如果落在超立方体边界内的按小时的数据的百分比不超过预定阈值，则在步骤1210处确定是否存在额外的要选择的现有模型，并且如果不存在额外的要选择的模型，则步骤1212可以移至下一模型。这可以继续直至所有模型被测试，即步骤1210=否，或者找到有效模型，即步骤1206=是。当找到有效模型时，可以在步骤1208处将有效模型设定为所选择的现有模型。在步骤1214处，系统确定是否已选择现有模型。如果是这样，则模型选择处理完成。否则，图12的部件可以执行图13中所示的步骤以针对每个数据集合选择模型。

图12和13分别图示了用于生成模型的部件和方法。如所讨论的，当在给定的多个数据模型的超立方体数据和测量的系统数据的情况下不存在可靠的预先存在的模型时，将生成模型。

在图12中，模型配置模块1308与模型指标模块1312和数据创建模块1306通信。数据创建模块1306接收待分析数据和先前记录的数据并且通过将待分析数据和记录的数据附加到模型数据来更新训练数据。使用更新的数据，即先前记录的数据和待分析数据，由模型配置模块1308创建新模型。模型配置模块1306访问被实施为计算机可读介质上的计算机可执行指令的各种机器学习过程。模型配置模块1308的输出是新模型。每当使用有效模型时，模型指标可以递增，并且每当创建无效模型时，模型指标可以递减。当模型指标达到预定模型指标阈值时，模型指标模块1312将确定模型是否具有过大的变化并且生成通知。下文提供了关于模型创建的更多细节。

图13图示了可以由泄漏检测系统执行以创建新模型的示例性处理。在步骤1416处，设定要附加的关于天的测量的数据以进行分析。在步骤1418处，该处理检查待修改的数据的天索引是否是所设定的有效数据，并且如果不是，则系统转到步骤1426。如果天索引有效。则处理转到步骤1420，其确定模型创建数据中的RL条目的数量。在示例性实施例中，3天的数据或者72小时的数据可用于创建模型。在步骤1420处，该处理检查模型创建数据中的非空条目的数目是否小于72（或者3天的条目），如果不是，则该处理转到步骤1426。如果模型创建数据具有小于72小时的数据，则当前日期的数据，包括T_aHR、T_dHR和P_dHR，被修改为模型创建数据。在步骤1424处使索引计数器递增。该部分处理重复直至在模型创建数据中存在超过72个有效RL条目，或者直至不存在额外的要附加的有效数据。在步骤1426处，该处理确定是否存在足以创建模型的数据。如果没有足够的数据，则该处理结束并且未创建模型。然而，如果有足够的数据，则该处理转到1428，此时使用例如小时补偿线性回归来创建新模型。输出是新模型。

随后在步骤1430中验证新模型。如果模型有效。则在1432中将其设定为所选择的模型，在1442中将其存储在模型数据库305中，并且使模型指标递增。如果模型不是有效的，则在1436处使模型指标递减。随后读取模型指标以确定是否处于报警状态，即指标读数小于预定模型指标阈值。如果模型指标处于报警状态，则假设数据中的变化过大。下文提供了关于实际创建模型的更多细节。

图14和15图示了用于构建模型的部件和方法。该建模系统行为的方法假设商业制冷系统中的编程解冻计划。根据制冷系统的类型可以使用其他方法，例如，如果制冷系统的类型不包括解冻计划，则小时补偿不是必要的。可以学习小时效果，其是用于改变负载模式的代理。还可以经由质量和能量平衡利用较多的传感器计算负载。如果负载被计算，则可以通过多种学习机，诸如线性回归、神经网络、M5树和相似的方法，与T_aHR、T_dHR、P_dHR一起使用来自当前小时和前一小时的负载。尽管本发明通常使用小时为单元，但是应认识到，所描述或示出的步骤可以使用不同的时间间隔。应认识到，可以应用诸如这里使用的线性回归学习机的许多分类器。还应认识到，可以应用诸如K均值聚类的多种聚类算法。

在图14中，小时补偿线性回归机模块1504可以从计算机可读介质访问包括RL_HR、Ta_HR、T_dHR和P_dHR数据的模型创建数据1502。数据变换过程数据存储1506可以包括，但不限于，多线性回归、K均值聚类和小时效果算法，它们也可以从计算机可读介质访问。小时补偿线性回归机模块1504可以输出包括新模型和新模型边界的新模型数据1508。

图15图示了为了创建模型而采取的步骤。通常说来，这些步骤包括在1602处，对训练数据，例如步骤中的先前记录的数据，运行分类算法，在1604处使用分类结果构建误差表格，在1606处对训练数据运行聚类算法，在1608处确定天的时间效果，以及在1610处运行第二分类算法，第二分类算法考虑天的时间。这些步骤导致了能够学习天的效果的学习机。

在示例实施例中，在1602处由多线性回归学习机分析模型创建数据。多线性回归学习机使用测量的RL数据和测量的系统数据执行线性回归。示例性线性回归尝试选择用于表述输出值的最优权重。因此，在本申请中，线性回归可用于寻找最优权重，使得RL被表述为T_aHR、T_dHR和P_dHR的线性组合。因此，RL可以被写为如下格式：

RL＝w₀+w₁a₁+w₂a₂+w₃a₃            (3)

其中a1是T_aHR，a2是T_dHR并且a3是P_dHR。先前收集的数据，即训练数据用于使权重选择最优化。根据式（3）表示每个数据实例，即涉及特定小时的RL数据和系统数据。因此，第一实例可以被表示为：

${\mathrm{RL}}^1=w_0+w_1{a}_1^1+w_2{a}_2^1+{w_{3}a}_3^1---\left(4\right)$

或者

$\underset{j=0}{\overset{3}{\mathrm{\Σ}}}\left(w_j{a}_j^1\right)---\left(5\right)$

其中a₀等于1。以上表述是在给定的系统数据的情况下可用于预测制冷剂料位的表述。制冷剂料位的预测值和实际值之间的差可用于使权重的选择最优化。回归目的在于使整个训练数据集合的误差最小。因此，如果在训练数据中存在n个实例，则差的平方和可以由以下表述来表示：

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{(x^i-\underset{j=0}{\overset{3}{\mathrm{\Σ}}}{w}_j{a}_j^i)}^2---\left(6\right)$

其中i是实例并且x是关于该实例的实际制冷剂料位。通过选择使误差最小的系数w₀…w_k，可以限定用于最佳地预测制冷剂料位的模型。可以设想，可以执行其他回归技术。此外，可以设想，可以使用其他类型的分类算法来替换回归。前文被提供作为线性回归的示例。

在步骤1604处，使用回归的结果，即模型，以及测量的RL数据和系统数据，构建误差表格。对于每个小时，系统数据通过模型以确定预期的制冷剂料位，即RL_M。对于每个小时，误差表格可以由制冷剂料位误差，即RL_M-RL_dHR组成。因此，最终结果可以是具有25列和24行的误差表格，天的每个小时有一个列，其中每行对应于不同的小时。例如，第25列是特定天的数据。第25列可以包括与行对应的小时的误差量。此外，误差值可以被归一化到-1和1之间。下面是误差表格的两行的示例：

如从该表格中可见，在小时1处，测量到0.25的归一化误差并且在小时2处测量到-0.25的归一化误差。通过以如下格式表示表格，天的每个小时之间的欧几里德距离相等。

在步骤1606处，可以对误差值的表格运行聚类算法。在一些实施例中，聚类算法是k均值聚类。聚类中的第一步骤是限定正在寻找多少个类，即k。尽管不是必需的，但是可以使用4至8个类。接着，可以随机地选择k个点作为类中心。随后对于每个实例，可以计算相对每个类中心的欧几里德距离，并且将每个距离分配给其最接近的类。一旦所有点被分配给类，则选择新的中心，并且再次对数据进行聚类。该步骤可以重复直至存在两个连续的循环，其中所有或者基本上所有数据实例被分配给同一类。

将这一概念应用于当前的任务，每个小时可以具有与其相关联的误差分布。k均值聚类算法可以根据样本（即小时）的相关联的误差分布对样本进行聚类。该聚类结果是图（map），其中键（key）是小时，并且与键对应的条目（entry）是具有关于小时和该小时所属的类的分布的和的阵列。随后对于天的每个小时，构造包含关于在天的该小时处的类的平均分布的向量。接着，可以基于小时所属的类构建小时列表。因此，基于小时的平均分布，每个小时被分配给其最近的类。第二聚类的结果是第二图，其具有作为键的k个类，并且图的条目是属于相应的类的天时。因此，如果存在七个类，则第一类可以具有属于其的例如，小时1、4和11。因此，在聚类结束时，每个天时将属于k个类中的一个。类基于与天时对应的误差分布。

在步骤1608处，将基于聚类结果确定天时的效果。对于每个类，分析与类对应的小时的误差分布。对于每个类，对所有计算的误差取平均。因此，根据以上示例，可以对小时1、4和11的误差一起取平均。接着，构建作为小时效果图的新图。图的键是类并且与键对应的条目是相应的类的制冷剂料位的平均误差。随后可以对每个类的平均误差归一化。根据得到的归一化图，可以构建小时效果表格。小时效果表格按天时索引，并且与天时对应的值是关于该特定小时的归一化误差效果，其与天时所属的类对应。以下是小时效果表格的一部分的示例，注意小时1和4属于同一类：

在小时补偿线性回归中可以使用误差效果表格，其在步骤1610中执行。在回归中，关于每个小时的模型创建数据可以被视为实例。回来参照式（3），天时效果可以并入到线性组合中。因此，预期的RL读数可以被表述为：

RL＝w₀+w₁a₁+w₂a₂+w₃a₃+w₄a₄

其中a₄是特定小时的小时效果并且w₄是误差效果的权重。与上文描述的情况相似，预期的RL可以被表述为

$\underset{j=0}{\overset{4}{\mathrm{\Σ}}}\left(w_j{a}_j^1\right)$

以上表述是在给定的系统数据和天时效果的情况下，可用于预测制冷剂料位的表述。制冷剂料位的预测值和实际值之间的差可用于使权重的选择最优化。因此，如果在训练数据中存在n个实例，则差的平方和可以由以下表述来表示：

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{(x^i-\underset{j=0}{\overset{4}{\mathrm{\Σ}}}{w}_j{a}_j^i)}^2$

其中i是实例并且x是关于该实例的实际制冷剂料位。通过选择使误差最小的系数w₀…w_k，可以限定用于最佳地预测制冷剂料位的模型。可以设想，可以执行考虑额外的天时效果的其他回归技术。回归的结果是小时补偿数据模型。

在步骤1612处，可以计算模型的有效超立方体空间的边界。对用于创建模型的各种系统数据进行统计分析以确定平均值和标准偏差。因此，超立方体边界可以被限定为范围和平均值加上或减去每个输入特征T_aHR、T_dHR和P_dHR的3个标准偏差中的较窄者。一旦超立方体边界被添加到模型，则模型创建可以完成。

作为附件附于此处的是用于执行模型创建的源代码的例子。

如这里使用的，术语“模块”可以指示、作为其一部分或者包括专用集成电路（ASIC）；电子电路；组合逻辑电路；现场可编程门阵列（FPGA）；执行代码的处理器（共享、专用或群组）；提供所描述的功能的其他适当部件；或者一些或所有以上装置的组合，诸如芯片上系统。术语“模块”可以包括存储由处理器执行的代码的存储器（共享、专用或群组）。

如上文使用的术语“代码”可以包括软件、固件和/或微代码，并且可以指示程序、子程序、函数、类和/或对象。如上文使用的术语“共享”意味着可以使用单个（共享）处理器执行来自多个模块的一些或所有代码。此外，来自多个模块的一些或所有代码可以由单个（共享）存储器存储。如上文使用的术语“群组”意味着可以使用一组处理器执行来自单个模块的一些或所有代码。此外，可以使用一组存储器存储来自单个模块的一些或所有代码。

这里描述的装置和方法可以由一个或更多个处理器执行的一个或更多个计算机程序实现。计算机程序包括存储在非暂态有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括存储的数据。非暂态有形计算机可读介质的非限制性示例是非易失性存储器、磁存储和光存储。

这里的描述在本质上仅是示例性的，并且因此变化不应被视为偏离本教导的精神和范围。

出于说明和描述的目的提供了前面的实施例的描述。其并非旨在是无遗漏的或限制本发明。特定实施例中的各个元件或特征通常不限于该特定实施例，但是在适当的情况下，可以互换并且可以用在所选择的实施例中，即使并未具体示出或描述。特定实施例中的各个元件或特征也可以通过许多方式变化。这些变化不应被视为偏离本发明，并且所有这些修改旨在包括在本发明的范围内。

Claims (20)

1.一种用于检测制冷系统中的制冷剂泄露的系统，包括：

制冷剂料位传感器，其感测所述制冷系统中的制冷剂料位并且基于制冷剂料位生成制冷剂料位数据；

多个系统传感器，其感测与所述制冷系统对应的条件并且基于感测的条件生成系统数据；

模型数据库，其存储基于先前记录的系统数据限定预期的制冷剂料位的多个模型，其中每个模型具有与其相关联的控制上限和控制下限；

模型选择模块，其基于所述系统数据和所述先前记录的系统数据从所述模型数据库中选择模型；

制冷剂料位预测模块，其基于所述系统数据和所选择的模型生成预期的制冷剂料位；以及

通知模块，当在至少一个连续的读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限或小于控制下限时，其生成通知。

2.根据权利要求2所述的系统，进一步包括模型创建模块，其基于所述制冷剂料位数据和所述系统数据创建模型。

3.根据权利要求2所述的系统，其中所述模型创建模块创建的模型进一步依赖于对所述制冷剂料位数据和所述系统数据进行采样的天时。

4.根据权利要求2所述的系统，其中所述模型创建模块执行线性回归以确定估计制冷剂料位的所述系统数据的未补偿的线性组合。

5.根据权利要求4所述的系统，其中使用所述线性回归的结果确定误差表格，其具有与特定天时处的制冷剂料位的估计和所述制冷剂料位数据之间的差对应的条目。

6.根据权利要求5所述的系统，其中所述模型创建模块生成存储小时效果的表格，所述小时效果指示对于每个天时、该天时对所述制冷剂料位数据的效果量。

7.根据权利要求6所述的系统，其中所述模型创建模块执行小时效果补偿线性回归来确定所述系统数据和所述小时效果的线性组合以估计制冷剂料位。

8.根据权利要求1所述的系统，其中所述通知模块当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差大于所述控制上限时，生成从系统添加了制冷剂的通知。

9.根据权利要求1所述的系统，其中所述通知模块当在预定数目的连续读数中预期的制冷剂料位和制冷剂料位读数之间的差小于所述控制下限时，生成制冷剂从所述系统泄露的通知。

10.根据权利要求1所述的系统，其中所述系统数据包括周围温度读数、冷凝器温度读数和排出压力读数。

11.一种用于检测制冷系统中的制冷剂泄漏的方法，包括：

感测所述制冷系统中的制冷剂料位；

基于制冷剂料位生成制冷剂料位数据；

感测与所述制冷系统对应的条件；

基于感测的条件生成系统数据；

在模型数据库中存储基于先前记录的系统数据限定预期的制冷剂料位的多个模型，其中每个模型具有与其相关联的控制上限和控制下限；

基于所述系统数据和所述先前记录的系统数据从所述模型数据库中选择模型；

基于所述系统数据和所选择的模型生成预期的制冷剂料位；

当在至少一个连续的读数中预期的制冷剂料位和制冷剂料位读数之间的差大于控制上限或小于控制下限时生成通知。

12.根据权利要求11所述的方法，进一步包括基于所述制冷剂料位数据和所述系统数据创建模型。

13.根据权利要求12所述的方法，其中所创建的模型进一步依赖于对所述制冷剂料位数据和所述系统数据进行采样的天时。

14.根据权利要求12所述的方法，进一步包括对所述系统数据和所述制冷剂料位数据执行线性回归以确定估计制冷剂料位的系统数据的未补偿的线性组合。

15.根据权利要求14所述的方法，进一步包括基于所述线性回归的结果确定误差表格，其具有与特定天时处的制冷剂料位的估计和所述制冷剂料位数据之间的差对应的条目。

16.根据权利要求15所述的方法，进一步包括生成存储小时效果的表格，所述小时效果指示对于每个特定天时、该特定天时对所述制冷剂料位数据的效果量。

17.根据权利要求16所述的方法，进一步包括执行小时效果补偿线性回归来确定所述系统数据和所述小时效果的线性组合以估计制冷剂料位。

18.根据权利要求11所述的方法，其中当在预定数目的连续读数中预期的制冷剂料位和所述制冷剂料位读数之间的差大于所述控制上限时，所生成的通知指示向所述制冷系统添加了制冷剂。

19.根据权利要求11所述的方法，其中当在预定数目的连续读数中预期的制冷剂料位和所述制冷剂料位读数之间的差小于所述控制下限时，所生成的通知指示制冷剂从所述系统泄露。

20.根据权利要求11所述的方法，其中所述系统数据包括周围温度读数、冷凝器温度读数和排出压力读数。

Images