CN105202703A - 室内换热器冷凝水的检测方法及系统和空调器 - Google Patents

Abstract

本发明提出了一种室内换热器冷凝水的检测方法和一种室内换热器冷凝水的检测系统，方法包括：通过至少一个第一采样模块和至少一个第二采样模块分别获取空调器的至少一个第一性能参数的第一当前采样值和至少一个第二性能参数的第二当前采样值；将第一当前采样值和第二当前采样值分别输入至空调器的软件数字模型模块和补偿校正模块中，以根据软件数字模型模块和补偿校正模块中分别预置的PNN数字模型和补偿校正数字模型得到室内换热器冷凝水的凝结状态概率计算值和凝结状态补偿值；根据凝结状态概率计算值和凝结状态补偿值得到室内换热器冷凝水的凝结状态检测结果。如此，无需增加额外的硬件成本，即可准确地检测出空调器室内换热器冷凝水的凝结情况。

Description

室内换热器冷凝水的检测方法及系统和空调器

技术领域

本发明涉及空调技术领域，具体而言，涉及一种室内换热器冷凝水的检测方法、一种室内换热器冷凝水的检测系统和一种空调器。

背景技术

目前，空调器在制冷模式下工作时，室内机室内换热器上有可能会出现冷凝水，冷凝水的产生会影响到室内换热器的热交换性能，也会影响到风机的出风量和运行功率，另外，还会干扰到室内换热器积尘状态的检测。

因此，如何准确地准确地检测出空调器室内换热器冷凝水的凝结情况，但无需增加额外的硬件成本成为亟待解决的技术问题。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的一个目的在于提出一种室内换热器冷凝水的检测方法。

本发明的另一个目的在于提出一种室内换热器冷凝水的检测系统。

本发明的又一个目的在于提出一种空调器。

为实现上述至少一个目的，根据本发明的一方面的实施例，提出了一种室内换热器冷凝水的检测方法，包括：通过至少一个第一采样模块和至少一个第二采样模块分别获取空调器的至少一个第一性能参数的第一当前采样值和至少一个第二性能参数的第二当前采样值；将所述第一当前采样值和所述第二当前采样值分别输入至所述空调器的软件数字模型模块和补偿校正模块中，以分别根据所述软件数字模型模块中预置的PNN数字模型和所述补偿校正模块中预置的补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值和凝结状态补偿值；根据所述凝结状态概率计算值和所述凝结状态补偿值在所述补偿校正模块中计算得到所述室内换热器冷凝水的凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测方法，通过空调器的至少一个第一采样模块和至少一个第二采样模块并行地获取影响空调器的室内换热器冷凝水的凝结情况的至少一个第一性能参数(主要因子)的第一当前采样值和至少一个第二性能参数(次要因子)的第二当前采样值，然后将该至少一个第一性能参数的第一当前采样值代入软件数字模型模块中预置的PNN(概率神经网络，用于模式分类的神经网络，是一种基于统计原理的神经网络模型)数字模型中输出室内换热器冷凝水的凝结状态概率计算值，并将至少一个第二性能参数的第二当前采样值代入补偿校正模块中预置的补偿校正数字模型中输出室内换热器冷凝水的凝结状态补偿值，同时将由软件数字模型模块输出的凝结状态概率计算值输入补偿校正模块中与凝结状态补偿值一起计算得到室内换热器冷凝水的凝结状态检测结果，如此，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

根据本发明的一个实施例，在上述技术方案中，优选地，所述PNN数字模型为：P＝P(X|C_i)，其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；所述补偿校正数字模型为：ΔW_e＝ξ(u)，其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及所述室内换热器冷凝水的所述凝结状态检测结果为所述凝结状态概率计算值和所述凝结状态补偿值之和。

根据本发明的实施例的室内换热器冷凝水的检测方法，软件数字模型模块中预置的PNN数字模型是输入的待检测样本量为一维或多维变量的条件概率函数，只需将获取到的所选取的第一性能参数的第一当前采样值作为PNN数字模型的输入变量代入，通过软件数字模型模块进行软件运算便可得到室内换热器冷凝水的凝结状态概率计算值；以及补偿校正模块中预置的补偿校正数字模型是输入变量为一维或多维变量的函数，只需将获取到的第二性能参数的第二当前采样值作为补偿校正数字模型的输入变量代入，通过软件运算即可得到该凝结状态概率计算值的凝结状态补偿值；上述变量的维数最终由选取的性能参数的个数决定，而最终的室内换热器冷凝水的凝结状态检测结果，即凝结情况，可由上述计算得到的凝结状态概率计算值和凝结状态补偿值加和得到，准确便捷，其中m代表向量维数，为大于或等于1的整数。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述PNN数字模型具体为： $P\left(X|C_i\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_L\right)}{2{\mathrm{\σ}}^2}\],$ 其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测方法，具体地，优选三个对空调器的室内换热器冷凝水的凝结情况影响较大的第一性能参数作为PNN数字模型的待检测样本变量，即m＝3，而其中C_i、X_i以及n、L的值均为通过大量实验得到的参考值，而具体的取值应视具体情况而定，如此，基于大量实验得到的经验值，可以有效地提高对空调器室内换热器冷凝水的凝结状态概率计算值的计算准确性。

另外，第一性能参数的选取可以根据需要来做适合的调整，数量也不局限于三个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述补偿校正数字模型具体为： 其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测方法，具体地，优选两个对空调器的室内换热器冷凝水的凝结情况影响较次要的第二性能参数作为补偿校正数字模型的输入变量，另外，第二性能参数的选取可以根据需要来做适合的调整，数量也不局限于两个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

根据本发明的实施例的室内换热器冷凝水的检测方法，至少一个第一性能参数包含但不限于：室内换热器温度、室内风机运行功率和室内空气湿度，它们为对室内换热器冷凝水的凝结情况起主要作用的因素，其中，室内换热器温度和室内空气湿度可以通过空调器中的温度传感器和湿度传感器检测，而室内风机运行功率可以室内风机(比如，直流风机)的设备控制参数(比如，额定工作电压、电流等)直接计算得到，功率越大，对水分的蒸发性能越好，反之，蒸发性能越差，以及室内换热器温度、室内风机运行功率和室内空气湿度的取值范围优选地分别为：0℃～20℃，2W～30W和0％～100％；至少一个第二性能参数包含但不限于：室内环境温度和导风板导向角，它们为对室内换热器冷凝水的凝结情况起次要作用的因素，其中，室内环境温度会直接影响室内换热器温度的大小，从而间接地影响到室内换热器冷凝水的凝结情况，其可以通过空调器中的温度传感器检测，由于导风板导向角影响到空调器风道出风口的结构，即当导风板处于90度角时，风道出风量最大，水分蒸发效果最好，以及当导风板处于0度或180度角时，则挡住了风道出风口，此时风道出风量最小，水分蒸发效果最差，所以，导风板导向角的取值范围优选地为0°～90°或者90°～180°，而室内环境温度的取值范围优选地为：20℃～35℃。

另外，性能参数的具体选取根据所处环境需要可以做相应调整，丰富了性能参数选取方式，增加了室内换热器冷凝水凝结情况的检测结果的准确性以及计算方法的多样性。

根据本发明的另一方面的实施例，提出了一种室内换热器冷凝水的检测系统，包括：至少一个第一采样模块，用于获取空调器的至少一个第一性能参数的第一当前采样值；至少一个第二采样模块，用于获取所述空调器的至少一个第二性能参数的第二当前采样值；软件数字模型模块，用于接收所述至少一个第一采样模块获取到的所述至少一个第一性能参数的所述第一当前采样值，以根据PNN数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值；补偿校正模块，用于接收所述至少一个第二采样模块获取到的所述至少一个第二性能参数的所述第二当前采样值，以根据补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态补偿值，以及还用于根据所述凝结状态概率计算值和所述凝结状态补偿值计算得到所述室内换热器冷凝水的凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测系统，通过空调器的至少一个第一采样模块和至少一个第二采样模块并行地获取影响空调器的室内换热器冷凝水的凝结情况的至少一个第一性能参数(主要因子)的第一当前采样值和至少一个第二性能参数(次要因子)的第二当前采样值，然后将该至少一个第一性能参数的第一当前采样值代入软件数字模型模块中预置的PNN(概率神经网络，用于模式分类的神经网络，是一种基于统计原理的神经网络模型)数字模型中输出室内换热器冷凝水的凝结状态概率计算值，并将至少一个第二性能参数的第二当前采样值代入补偿校正模块中预置的补偿校正数字模型中输出室内换热器冷凝水的凝结状态补偿值，同时将由软件数字模型模块输出的凝结状态概率计算值输入补偿校正模块中与凝结状态补偿值一起计算得到室内换热器冷凝水的凝结状态检测结果，如此，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

根据本发明的一个实施例，在上述技术方案中，优选地，所述软件数字模型模块中的预置的所述PNN数字模型为：P＝P(X|C_i)，其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；所述补正校正模块中预置的所述补偿校正数字模型为：ΔW_e＝ξ(u)，其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及所述补正校正模块具体用于：将所述凝结状态概率计算值和所述凝结状态补偿值之和作为所述室内换热器冷凝水的所述凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测系统，根据本发明的实施例的室内换热器冷凝水的检测方法，软件数字模型模块中预置的PNN数字模型是输入的待检测样本量为一维或多维变量的条件概率函数，只需将获取到的所选取的第一性能参数的第一当前采样值作为PNN数字模型的输入变量代入，通过软件数字模型模块进行软件运算便可得到室内换热器冷凝水的凝结状态概率计算值；以及补偿校正模块中预置的补偿校正数字模型是输入变量为一维或多维变量的函数，只需将获取到的第二性能参数的第二当前采样值作为补偿校正数字模型的输入变量代入，通过软件运算即可得到该凝结状态概率计算值的凝结状态补偿值；上述变量的维数最终由选取的性能参数的个数决定，而最终的室内换热器冷凝水的凝结状态检测结果，即凝结情况，可由上述计算得到的凝结状态概率计算值和凝结状态补偿值加和得到，准确便捷，其中m代表向量维数，为大于或等于1的整数。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述软件数字模型模块中的预置的所述PNN数字模型具体为： $P\left(X|C_i\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_L\right)}{2{\mathrm{\σ}}^2}\],$ 其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测系统，具体地，优选三个对空调器的室内换热器冷凝水的凝结情况影响较大的第一性能参数作为PNN数字模型的待检测样本变量，即m＝3，而其中C_i、X_i以及n、L的值均为通过大量实验得到的参考值，而具体的取值应视具体情况而定，如此，基于大量实验得到的经验值，可以有效地提高对空调器室内换热器冷凝水的凝结状态概率计算值的计算准确性。

另外，第一性能参数的选取可以根据需要来做适合的调整，数量也不局限于三个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述补正校正模块中预置的所述补偿校正数字模型具体为： 其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测系统，具体地，优选两个对空调器的室内换热器冷凝水的凝结情况影响较次要的第二性能参数作为补偿校正数字模型的输入变量，另外，第二性能参数的选取可以根据需要来做适合的调整，数量也不局限于两个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

根据本发明的实施例的室内换热器冷凝水的检测系统，至少一个第一性能参数包含但不限于：室内换热器温度、室内风机运行功率和室内空气湿度，它们为对室内换热器冷凝水的凝结情况起主要作用的因素，其中，室内换热器温度和室内空气湿度可以通过空调器中的温度传感器和湿度传感器检测，而室内风机运行功率可以室内风机(比如，直流风机)的设备控制参数(比如，额定工作电压、电流等)直接计算得到，功率越大，对水分的蒸发性能越好，反之，蒸发性能越差，以及室内换热器温度、室内风机运行功率和室内空气湿度的取值范围优选地分别为：0℃～20℃，2W～30W和0％～100％；至少一个第二性能参数包含但不限于：室内环境温度和导风板导向角，它们为对室内换热器冷凝水的凝结情况起次要作用的因素，其中，室内环境温度会直接影响室内换热器温度的大小，从而间接地影响到室内换热器冷凝水的凝结情况，其可以通过空调器中的温度传感器检测，由于导风板导向角影响到空调器风道出风口的结构，即当导风板处于90度角时，风道出风量最大，水分蒸发效果最好，以及当导风板处于0度或180度角时，则挡住了风道出风口，此时风道出风量最小，水分蒸发效果最差，所以，导风板导向角的取值范围优选地为0°～90°或者90°～180°，而室内环境温度的取值范围优选地为：20℃～35℃。

另外，性能参数的具体选取根据所处环境需要可以做相应调整，丰富了性能参数选取方式，增加了室内换热器冷凝水凝结情况的检测结果的准确性以及计算方法的多样性。

根据本发明的又一方面的实施例，提出了一种空调器，包括上述技术方案中任一项所述的室内换热器冷凝水的检测系统，因此，该空调器具有上述技术方案中任一项所述的室内换热器冷凝水的检测系统的所有有益效果，在此不再赘述。

通过本发明，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的室内换热器冷凝水的检测方法的流程示意图；

图2示出了根据本发明的一个实施例的室内换热器冷凝水的检测系统的框图；

图3示出了根据本发明的一个实施例的空调器的框图；

图4示出了根据本发明的另一个实施例的室内换热器冷凝水的检测系统的框图；

图5示出了根据本发明的另一个实施例的室内换热器冷凝水的检测方法的流程示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了根据本发明的一个实施例的室内换热器冷凝水的检测方法的流程示意图。

如图1所示，根据本发明的一个实施例的室内换热器冷凝水的检测方法，包括：步骤102，通过至少一个第一采样模块和至少一个第二采样模块分别获取空调器的至少一个第一性能参数的第一当前采样值和至少一个第二性能参数的第二当前采样值；步骤104，将所述第一当前采样值和所述第二当前采样值分别输入至所述空调器的软件数字模型模块和补偿校正模块中，以分别根据所述软件数字模型模块中预置的PNN数字模型和所述补偿校正模块中预置的补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值和凝结状态补偿值；步骤106，根据所述凝结状态概率计算值和所述凝结状态补偿值在所述补偿校正模块中计算得到所述室内换热器冷凝水的凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测方法，通过空调器的至少一个第一采样模块和至少一个第二采样模块并行地获取影响空调器的室内换热器冷凝水的凝结情况的至少一个第一性能参数(主要因子)的第一当前采样值和至少一个第二性能参数(次要因子)的第二当前采样值，然后将该至少一个第一性能参数的第一当前采样值代入软件数字模型模块中预置的PNN(概率神经网络，用于模式分类的神经网络，是一种基于统计原理的神经网络模型)数字模型中输出室内换热器冷凝水的凝结状态概率计算值，并将至少一个第二性能参数的第二当前采样值代入补偿校正模块中预置的补偿校正数字模型中输出室内换热器冷凝水的凝结状态补偿值，同时将由软件数字模型模块输出的凝结状态概率计算值输入补偿校正模块中与凝结状态补偿值一起计算得到室内换热器冷凝水的凝结状态检测结果，如此，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

根据本发明的一个实施例，在上述技术方案中，优选地，所述PNN数字模型为：P＝P(X|C_i)，其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；所述补偿校正数字模型为：ΔW_e＝ξ(u)，其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及所述室内换热器冷凝水的所述凝结状态检测结果为所述凝结状态概率计算值和所述凝结状态补偿值之和。

根据本发明的实施例的室内换热器冷凝水的检测方法，软件数字模型模块中预置的PNN数字模型是输入的待检测样本量为一维或多维变量的条件概率函数，只需将获取到的所选取的第一性能参数的第一当前采样值作为PNN数字模型的输入变量代入，通过软件数字模型模块进行软件运算便可得到室内换热器冷凝水的凝结状态概率计算值；以及补偿校正模块中预置的补偿校正数字模型是输入变量为一维或多维变量的函数，只需将获取到的第二性能参数的第二当前采样值作为补偿校正数字模型的输入变量代入，通过软件运算即可得到该凝结状态概率计算值的凝结状态补偿值；上述变量的维数最终由选取的性能参数的个数决定，而最终的室内换热器冷凝水的凝结状态检测结果，即凝结情况，可由上述计算得到的凝结状态概率计算值和凝结状态补偿值加和得到，准确便捷，其中m代表向量维数，为大于或等于1的整数。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述PNN数字模型具体为： $P\left(X|C_i\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_L\right)}{2{\mathrm{\σ}}^2}\],$ 其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测方法，具体地，优选三个对空调器的室内换热器冷凝水的凝结情况影响较大的第一性能参数作为PNN数字模型的待检测样本变量，即m＝3，而其中C_i、X_i以及n、L的值均为通过大量实验得到的参考值，而具体的取值应视具体情况而定，如此，基于大量实验得到的经验值，可以有效地提高对空调器室内换热器冷凝水的凝结状态概率计算值的计算准确性。

另外，第一性能参数的选取可以根据需要来做适合的调整，数量也不局限于三个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述补偿校正数字模型具体为： 其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测方法，具体地，优选两个对空调器的室内换热器冷凝水的凝结情况影响较次要的第二性能参数作为补偿校正数字模型的输入变量，另外，第二性能参数的选取可以根据需要来做适合的调整，数量也不局限于两个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

根据本发明的实施例的室内换热器冷凝水的检测方法，至少一个第一性能参数包含但不限于：室内换热器温度、室内风机运行功率和室内空气湿度，它们为对室内换热器冷凝水的凝结情况起主要作用的因素，其中，室内换热器温度和室内空气湿度可以通过空调器中的温度传感器和湿度传感器检测，而室内风机运行功率可以室内风机(比如，直流风机)的设备控制参数(比如，额定工作电压、电流等)直接计算得到，功率越大，对水分的蒸发性能越好，反之，蒸发性能越差，以及室内换热器温度、室内风机运行功率和室内空气湿度的取值范围优选地分别为：0℃～20℃，2W～30W和0％～100％；至少一个第二性能参数包含但不限于：室内环境温度和导风板导向角，它们为对室内换热器冷凝水的凝结情况起次要作用的因素，其中，室内环境温度会直接影响室内换热器温度的大小，从而间接地影响到室内换热器冷凝水的凝结情况，其可以通过空调器中的温度传感器检测，由于导风板导向角影响到空调器风道出风口的结构，即当导风板处于90度角时，风道出风量最大，水分蒸发效果最好，以及当导风板处于0度或180度角时，则挡住了风道出风口，此时风道出风量最小，水分蒸发效果最差，所以，导风板导向角的取值范围优选地为0°～90°或者90°～180°，而室内环境温度的取值范围优选地为：20℃～35℃。

另外，性能参数的具体选取根据所处环境需要可以做相应调整，丰富了性能参数选取方式，增加了室内换热器冷凝水凝结情况的检测结果的准确性以及计算方法的多样性。

图2示出了根据本发明的一个实施例的室内换热器冷凝水的检测系统的框图。

如图2所示，根据本发明的一个实施例的室内换热器冷凝水的检测系统200，包括：至少一个第一采样模块202、至少一个第二采样模块204、软件数字模型模块206和补偿校正模块208。

其中，至少一个第一采样模块202，用于获取空调器的至少一个第一性能参数的第一当前采样值；至少一个第二采样模块204，用于获取所述空调器的至少一个第二性能参数的第二当前采样值；软件数字模型模块206，用于接收所述至少一个第一采样模块202获取到的所述至少一个第一性能参数的所述第一当前采样值，以根据PNN数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值；补偿校正模块208，用于接收所述至少一个第二采样模块204获取到的所述至少一个第二性能参数的所述第二当前采样值，以根据补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态补偿值，以及还用于根据所述凝结状态概率计算值和所述凝结状态补偿值计算得到所述室内换热器冷凝水的凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测系统200，通过空调器的至少一个第一采样模块202和至少一个第二采样模块204并行地获取影响空调器的室内换热器冷凝水的凝结情况的至少一个第一性能参数(主要因子)的第一当前采样值和至少一个第二性能参数(次要因子)的第二当前采样值，然后将该至少一个第一性能参数的第一当前采样值代入软件数字模型模块206中预置的PNN(概率神经网络，用于模式分类的神经网络，是一种基于统计原理的神经网络模型)数字模型中输出室内换热器冷凝水的凝结状态概率计算值，并将至少一个第二性能参数的第二当前采样值代入补偿校正模块208中预置的补偿校正数字模型中输出室内换热器冷凝水的凝结状态补偿值，同时将由软件数字模型模块206输出的凝结状态概率计算值输入补偿校正模块208中与凝结状态补偿值一起计算得到室内换热器冷凝水的凝结状态检测结果，如此，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

根据本发明的一个实施例，在上述技术方案中，优选地，所述软件数字模型模块206中的预置的所述PNN数字模型为：P＝P(X|C_i)，其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；所述补正校正模块中预置的所述补偿校正数字模型为：ΔW_e＝ξ(u)，其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及所述补正校正模块具体用于：将所述凝结状态概率计算值和所述凝结状态补偿值之和作为所述室内换热器冷凝水的所述凝结状态检测结果。

根据本发明的实施例的室内换热器冷凝水的检测系统200，根据本发明的实施例的室内换热器冷凝水的检测方法，软件数字模型模块206中预置的PNN数字模型是输入的待检测样本量为一维或多维变量的条件概率函数，只需将获取到的所选取的第一性能参数的第一当前采样值作为PNN数字模型的输入变量代入，通过软件数字模型模块206进行软件运算便可得到室内换热器冷凝水的凝结状态概率计算值；以及补偿校正模块208中预置的补偿校正数字模型是输入变量为一维或多维变量的函数，只需将获取到的第二性能参数的第二当前采样值作为补偿校正数字模型的输入变量代入，通过软件运算即可得到该凝结状态概率计算值的凝结状态补偿值；上述变量的维数最终由选取的性能参数的个数决定，而最终的室内换热器冷凝水的凝结状态检测结果，即凝结情况，可由上述计算得到的凝结状态概率计算值和凝结状态补偿值加和得到，准确便捷，其中m代表向量维数，为大于或等于1的整数。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述软件数字模型模块206中的预置的所述PNN数字模型具体为： $P\left(X|C_i\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_L\right)}{2{\mathrm{\σ}}^2}\],$ 其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测系统200，具体地，优选三个对空调器的室内换热器冷凝水的凝结情况影响较大的第一性能参数作为PNN数字模型的待检测样本变量，即m＝3，而其中C_i、X_i以及n、L的值均为通过大量实验得到的参考值，而具体的取值应视具体情况而定，如此，基于大量实验得到的经验值，可以有效地提高对空调器室内换热器冷凝水的凝结状态概率计算值的计算准确性。

另外，第一性能参数的选取可以根据需要来做适合的调整，数量也不局限于三个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述补正校正模块中预置的所述补偿校正数字模型具体为： 其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

根据本发明的实施例的室内换热器冷凝水的检测系统200，具体地，优选两个对空调器的室内换热器冷凝水的凝结情况影响较次要的第二性能参数作为补偿校正数字模型的输入变量，另外，第二性能参数的选取可以根据需要来做适合的调整，数量也不局限于两个，如此，可以有效地提高室内换热器冷凝水的凝结状态概率计算值的计算准确性。

根据本发明的一个实施例，在上述任一技术方案中，优选地，所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

根据本发明的实施例的室内换热器冷凝水的检测系统200，至少一个第一性能参数包含但不限于：室内换热器温度、室内风机运行功率和室内空气湿度，它们为对室内换热器冷凝水的凝结情况起主要作用的因素，其中，室内换热器温度和室内空气湿度可以通过空调器中的温度传感器和湿度传感器检测，而室内风机运行功率可以室内风机(比如，直流风机)的设备控制参数(比如，额定工作电压、电流等)直接计算得到，功率越大，对水分的蒸发性能越好，反之，蒸发性能越差，以及室内换热器温度、室内风机运行功率和室内空气湿度的取值范围优选地分别为：0℃～20℃，2W～30W和0％～100％；至少一个第二性能参数包含但不限于：室内环境温度和导风板导向角，它们为对室内换热器冷凝水的凝结情况起次要作用的因素，其中，室内环境温度会直接影响室内换热器温度的大小，从而间接地影响到室内换热器冷凝水的凝结情况，其可以通过空调器中的温度传感器检测，由于导风板导向角影响到空调器风道出风口的结构，即当导风板处于90度角时，风道出风量最大，水分蒸发效果最好，以及当导风板处于0度或180度角时，则挡住了风道出风口，此时风道出风量最小，水分蒸发效果最差，所以，导风板导向角的取值范围优选地为0°～90°或者90°～180°，而室内环境温度的取值范围优选地为：20℃～35℃。

另外，性能参数的具体选取根据所处环境需要可以做相应调整，丰富了性能参数选取方式，增加了室内换热器冷凝水凝结情况的检测结果的准确性以及计算方法的多样性。

图3示出了根据本发明的一个实施例的空调器的框图。

如图3所示，本发明的一个实施例的空调器300，包括上述技术方案中任一项所述的室内换热器冷凝水的检测系统200，因此，该空调器300具有上述技术方案中任一项所述的室内换热器冷凝水的检测系统200的所有有益效果，在此不再赘述。

图4示出了根据本发明的另一个实施例的室内换热器冷凝水的检测系统的框图。

如图4所示，根据本发明的一个实施例的室内换热器冷凝水的检测系统，具体包括：采样电路1至m(相当于至少一个第一采样模块)，负责采集影响室内换热器冷凝水的凝结情况的主要因子数据(相当于至少一个第一性能参数的第一当前采样值)，且它们是并行的，相互之间没有联系；输入滤波电路1至m分别与上述采样电路1至m一一衔接，作用是滤除上述采样电路的采样噪声，排除干扰，且各个输入滤波电路之间也是相互独立的，输入滤波电路的输出则一起汇集到软件数字模型10，共同作为软件数字模型10(相当于软件数字模型模块)的输入；软件数字模型10把输入到该模型中的输入变量进行运算，得到室内换热器冷凝水凝结情况的状态估算值(相当于室内换热器冷凝水的凝结状态概率计算值)；采样电路m+1、…、采样电路n(相当于至少一个第二采样模块)，负责采集影响室内换热器冷凝水的次要因子数据(相当于至少一个第二性能参数的第二当前采样值)且它们是并行的，相互之间没有联系；输入滤波电路m+1、…、输入滤波电路n分别与采样电路m+1、…、采样电路n一一衔接，滤除上述采样电路的采样噪声干扰，且各个输入滤波电路之间也是相互独立的；补偿模块20(相当于补偿校正模块)接收次要因子数据对软件数字模型10输出的室内换热器冷凝水凝结情况状态估算值进行补偿(相当于计算得到凝结状态补偿值)；输出模块30负责将得到的室内换热器冷凝水凝结情况输出到下一个环节。

另外，由图4可知，各个输入滤波电路1～n、软件数字模型10和补偿模块20均位于空调器的MCU(MicroControllerUnit，微控制单元)中。

进一步地，影响室内换热器冷凝水的凝结情况的主要因子主要包括：室内换热器温度T2、风机运行功率P和室内空气湿度RH等；而影响室内换热器冷凝水的凝结情况的次要因素主要包括：室内环境温度T1和导风板导向角度A等。

其中，室内换热器温度T2的取值范围为[0℃，20℃]；风机运行功率P影响到水分的蒸发，功率越大，蒸发性能越好，反之，蒸发性能越差，其取值范围为[2W，30W]；室内空气湿度RH的取值范围为[0％，100％]。室内温度T1会直接地影响T2的大小，从而间接地影响到室内换热器冷凝水的凝结情况，T1的取值范围为[20℃，35℃]；导风条的角度A影响到空调风道出口的结构，处于标准90度角时，风道出风量最大，水分蒸发效果最好，0度或者180度时，导风条挡住了出风口，风道出风量最小，水分蒸发效果最差，A的取值范围为(0度，90度]或者[90度，180度)。

进一步地，输入滤波电路1到n在本发明中的作用是滤除对应采样电路得到的采样信号中的噪声和干扰，可以是一阶滤波器或者二阶滤波器，排除干扰，使得输入到数字模型的变量更加的准确。

进一步地，软件数字模型10即为概率神经网络(PNN)的算法表达式(即预置于软件数字模型模块中的PNN数字模型)，具体为：

$P\left(X|C_i\right)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_L\right)}{2{\mathrm{\σ}}^2}\],$ 其中，C_i为室内换热器冷凝水凝结类别情况(即室内换热器凝结状态等级值)，X为输入的待识别样本(即待检测样本量)，X_i为类别i的模式样本(即室内换热器凝结状态等级i的模式样本量，在概率神经网络中作为权值)，m为向量X的维数，σ是预先设定的平滑参数为常数，n为类i的模式样本数量(即室内换热器凝结状态等级i的模式样本量的数量)，L代表C_i的总数，先验概率记为P(X)。根据对输入向量概率的估计，采用贝叶斯分类规则，选择出具有最大后验概率的冷凝水凝结情况类别C_i，优选地，可用下式来表达其决策方法：对所有i≠j的情况，若P(X|C_i)P(C_i)>P(X/C_jP(C_j))，则算法输出y(X)＝C_i，即选出最大的C_i。

其中，确定概率神经网络(PNN)的算法表达式的过程，包括：(1)采集数据，即采集的是反映空调器室内换热器冷凝水凝结情况的影响因子数据，风机运行功率P、室内换热器温度T2、室内空气湿度RH等，其中风机功率P_f利用(直流)风机控制参数直接计算出来，T2和RH利用空调器上的温度传感器和湿度传感器检测出来；(2)训练网络，选取空调器室内换热器冷凝水凝结情况样品的影响因子采样数据作为训练和测试的数据，以已知的室内换热器冷凝水凝结情况值(C_i、X_i和X_L等)作为期望输出矢量，训练网络从而得到空调器室内换热器冷凝水凝结情况识别的PNN网络模型；(3)进行网络性能测试，即网络训练完成后，再选取不同室内换热器冷凝水凝结程度的数据作为测试样本，进行网络性能检验，以及将各层神经元间的连接权值代入网络中，对测试样本进行回归模拟，当测试样本的期望值输出与PNN网络的仿真输出完全重合时，网络已训练成功；(4)将训练好的PNN神经网络进行数学建模表达。

进一步地，补偿模块20的补偿函数表达式为：ΔW_e＝ξ(u_m+1,…,u_n)(即补偿校正数字模型)，其中，u_m+1、…、u_n即为补偿模块20的输入采样值(即输入变量)，ΔW_e即为室内换热器冷凝水凝结情况的补偿校正偏差值(凝结状态补偿值)，ξ()是补偿校正函数；具体地，可以运用模式识别的方法，可以得到其补偿函数关系式： 式子中的α₁、α₂、γ₁、γ₂和为模式识别法得到的补偿模型参数，T1和A为这个模型的输入变量，ΔW_e为该补偿校正模型的输出。

图5示出了根据本发明的另一个实施例的室内换热器冷凝水的检测方法的流程示意图。

如图5所示，本发明的另一个实施例的室内换热器冷凝水的检测方法，步骤如下：

步骤502，通过大量的实验得到影响室内换热器冷凝水的凝结情况的一些因素和具体的影响数据，然后，通过数据分析，确定影响室内换热器冷凝水凝结情况的主要因子和次要因子，并采集数据，即获取性能参数和相关的当前采样值，其中，主要因子包括：室内换热器温度T2、风机运行功率P和室内空气湿度RH，次要因子包括：室内环境温度T1和导风板导向角A。

步骤504，将主要因子数据(T2、P、RH)输入软件数学模型10中，得到室内换热器冷凝水的凝结情况估算值，即计算得到凝结状态概率计算值。

步骤506，根据次要因子数据(T1、A)对上述室内换热器冷凝水的凝结情况估算值进行补偿，即把次要因子数据输入到补偿模块20中，计算得到补偿值，并与凝结情况估算值叠加后得到室内换热器冷凝水的凝结情况，相当于同时计算得到凝结状态补偿值，并根据凝结状态概率计算值和凝结状态补偿值得到凝结状态检测结果。

步骤508，把补偿后得到的室内换热器冷凝水的凝结情况输出。

综合上述描述，可以看出，本发明具有如下有益效果：

本发明不需要额外增加硬件，仅仅利用了现有的采样电路，不增加任何硬件成本，通过软件数学建模的手段来得到室内换热器冷凝水的凝结情况。

以上结合附图详细说明了本发明的技术方案，无需增加额外的硬件成本，比如采样电路，仅通过空调器现有的硬件平台以及软件建模的手段即可准确地检测出空调器室内换热器冷凝水的凝结情况，不仅增加了产品的市场竞争力，还提升了用户的使用体验。

在本说明书的描述中，术语“一个实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

在本发明中，术语“第一”、“第二”仅用于描述的目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (11)

1.一种室内换热器冷凝水的检测方法，其特征在于，包括：

通过至少一个第一采样模块和至少一个第二采样模块分别获取空调器的至少一个第一性能参数的第一当前采样值和至少一个第二性能参数的第二当前采样值；

将所述第一当前采样值和所述第二当前采样值分别输入至所述空调器的软件数字模型模块和补偿校正模块中，以分别根据所述软件数字模型模块中预置的PNN数字模型和所述补偿校正模块中预置的补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值和凝结状态补偿值；

根据所述凝结状态概率计算值和所述凝结状态补偿值在所述补偿校正模块中计算得到所述室内换热器冷凝水的凝结状态检测结果。

2.根据权利要求1所述的室内换热器冷凝水的检测方法，其特征在于，所述PNN数字模型为：

P＝P(X|C_i)，

其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；

所述补偿校正数字模型为：

ΔW_e＝ξ(u)，

其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及

所述室内换热器冷凝水的所述凝结状态检测结果为所述凝结状态概率计算值和所述凝结状态补偿值之和。

3.根据权利要求2所述的室内换热器冷凝水的检测方法，其特征在于，所述PNN数字模型具体为：

$P\left(X\right|C_i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\exp \[-\frac{{(X-X_i)}^T(X-X_L)}{2{\mathrm{\σ}}^2}\],$

其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

4.根据权利要求3所述的室内换热器冷凝水的检测方法，其特征在于，所述补偿校正数字模型具体为：

其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

5.根据权利要求3或4所述的室内换热器冷凝水的检测方法，其特征在于，

所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；

所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

6.一种室内换热器冷凝水的检测系统，其特征在于，包括：

至少一个第一采样模块，用于获取空调器的至少一个第一性能参数的第一当前采样值；

至少一个第二采样模块，用于获取所述空调器的至少一个第二性能参数的第二当前采样值；

软件数字模型模块，用于接收所述至少一个第一采样模块获取到的所述至少一个第一性能参数的所述第一当前采样值，以根据PNN数字模型计算得到所述室内换热器冷凝水的凝结状态概率计算值；

补偿校正模块，用于接收所述至少一个第二采样模块获取到的所述至少一个第二性能参数的所述第二当前采样值，以根据补偿校正数字模型计算得到所述室内换热器冷凝水的凝结状态补偿值，以及还用于根据所述凝结状态概率计算值和所述凝结状态补偿值计算得到所述室内换热器冷凝水的凝结状态检测结果。

7.根据权利要求6所述的室内换热器冷凝水的检测系统，其特征在于，

所述软件数字模型模块中的预置的所述PNN数字模型为：

P＝P(X|C_i)，

其中，P代表所述凝结状态概率计算值，X代表输入的待检测样本量，C_i代表室内换热器凝结状态等级值，以及X＝(x₁，x₂，x₃，…，x_m)，是一个多维度的待检测样本量，x₁，x₂，x₃，…，x_m代表所述至少一个第一性能参数的所述第一当前采样值，m为大于或等于1的整数；

所述补正校正模块中预置的所述补偿校正数字模型为：

ΔW_e＝ξ(u)，

其中，ΔW_e代表所述凝结状态补偿值，u代表输入变量，以及u＝(u₁，u₂，u₃，…，u_k)是一个多维度的输入变量，u₁，u₂，u₃，…，u_k代表所述至少一个第二性能参数的所述第二当前采样值，k为大于或等于1的整数；以及

所述补正校正模块具体用于：将所述凝结状态概率计算值和所述凝结状态补偿值之和作为所述室内换热器冷凝水的所述凝结状态检测结果。

8.根据权利要求7所述的室内换热器冷凝水的检测系统，其特征在于，所述软件数字模型模块中的预置的所述PNN数字模型具体为：

$P\left(X\right|C_i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{m/2}{\mathrm{\σ}}^m}\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\exp \[-\frac{{(X-X_i)}^T(X-X_L)}{2{\mathrm{\σ}}^2}\],$

其中，X＝(x₁，x₂，x₃)，X_i为室内换热器凝结状态等级i的模式样本量，n代表所述室内换热器凝结状态等级i的模式样本量的数量，L代表室内换热器凝结状态等级值C_i的总数，则X_L代表室内换热器凝结状态等级L的模式样本量，exp代表e指数函数，T代表向量转置，σ代表平滑参数且为常数。

9.根据权利要求7所述的室内换热器冷凝水的检测系统，其特征在于，所述补正校正模块中预置的所述补偿校正数字模型具体为：

其中，α₁、α₂、γ₁、γ₂和为补偿模型参数且为常数。

10.根据权利要求8或9所述的室内换热器冷凝水的检测系统，其特征在于，

所述至少一个第一性能参数包括：室内换热器温度、室内风机运行功率和室内空气湿度；

所述至少一个第二性能参数包括：室内环境温度和导风板导向角。

11.一种空调器，其特征在于，包括：如权利要求6至10中任一项所述的室内换热器冷凝水的检测系统。