CN106705384A - 冷媒泄漏的提醒方法及装置和空调器 - Google Patents
冷媒泄漏的提醒方法及装置和空调器 Download PDFInfo
- Publication number
- CN106705384A CN106705384A CN201710071086.0A CN201710071086A CN106705384A CN 106705384 A CN106705384 A CN 106705384A CN 201710071086 A CN201710071086 A CN 201710071086A CN 106705384 A CN106705384 A CN 106705384A
- Authority
- CN
- China
- Prior art keywords
- neural network
- air
- refrigerant
- conditioner
- temperature
- 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
Classifications
-
- 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
-
- 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
-
- 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
-
- 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
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/83—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling the supply of heat-exchange fluids to heat-exchangers
-
- 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
-
- 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
- F24F11/36—Responding to malfunctions or emergencies to leakage of heat-exchange fluid
-
- 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
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种冷媒泄漏的提醒方法及装置和空调器。其中,一种冷媒泄漏的提醒方法,用于空调器,空调器包括蒸发器,方法包括:检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;判断冷媒浓度值α是否大于预设阈值αsd;当冷媒浓度值α大于预设阈值αsd时,发出报警提示。通过本发明的技术方案,能够快速、准确的检测空调器中的冷媒是否发生泄漏,增加检测结果的可靠性,减少冷媒泄漏的误判,从而有效避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
Description
技术领域
本发明涉及制冷技术领域,具体而言,涉及一种冷媒泄漏的提醒方法方法及装置,还涉及一种空调器。
背景技术
R290冷媒因其自身高能效、低碳排放等优点正在逐步成为家用空调行业的主流制冷剂,但其自身具有的易燃易爆特性对空调器的产品安全性能提出巨大挑战,当R290冷媒在空调器中发生泄漏时,存在产品爆炸的危险。相关技术中的冷媒泄漏检测技术通过检测室内机蒸发器T2感温包温度变化来判断是否存在泄漏,虽然能够检测到冷媒是否泄漏,但存在检测时间长、检测结果可靠性差、容易出现误判而影响用户使用等缺点。
因此,如何更高效,可靠的发现冷媒泄漏并给予用户以提醒,成为目前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了一种冷媒泄漏的提醒方法。
本发明的另一个目的在于提出了一种冷媒泄漏的提醒装置。
本发明的又一个目的在于提出了一种空调器。
有鉴于此,本发明提出了一种冷媒泄漏的提醒方法,用于空调器,空调器包括蒸发器,其特征在于,提醒方法包括:检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;判断冷媒浓度值α是否大于预设阈值αsd;当冷媒浓度值α大于预设阈值αsd时,发出报警提示。
根据本发明的冷媒泄漏的提醒方法,通过检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并将检测到的数值带入到预设神经网络模型中,经过计算得到冷媒浓度值α,将冷媒浓度值α与预设阈值αsd进行比较(其中预设阈值αsd具体可根据不同国家、地区的国标标准而定),当冷媒浓度值α大于预设阈值αsd时,说明冷媒已泄漏,此时发出报警提示。通过本发明的技术方案,能够快速、准确的检测空调器中的冷媒是否发生泄漏,增加检测结果的可靠性,减少冷媒泄漏的误判,从而有效避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
另外,根据本发明上述的冷媒泄漏的提醒方法,还可以具有如下附加的技术特征:
在上述技术方案中,优选地,按照预设神经网络模型计算得到冷媒浓度值α之前包括:检测并判断空调器所处当前环境的环境温度所在的环境温度区间;根据环境温度区间确定对应的预设神经网络模型。
在该技术方案中,空调器运行过程中,环境温度的改变对冷媒量的变化产生影响,冷媒量的变化会导致温度、压力等多个参数的变化,且各参数之间是相互耦合的,存在强烈的非线性关系。通过检测并判断空调器所处当前环境的环境温度所在的环境温度区间,选择与其对应的预设神经网络模型,能够避免环境温度的变化对计算冷媒浓度值带来的影响,从而及时、准确的判断空调器中的冷媒是否发生泄漏,进一步增加检测结果的可靠性,减少冷媒泄漏的误判。
在上述任一技术方案中,优选地,实验室模拟冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为BP神经网络输出参数;运行BP神经网络进行训练,得到预设神经网络模型。
在该技术方案中,BP(Back Propagation)神经网络,是一种按误差逆传播算法训练的多层前馈网络,能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。通过采用BP神经网络算法,不断学习训练,得到与各个环境温度区间相对应的预设神经网络模型,从而在判断冷媒是否泄漏的过程中,只需检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并结合环境温度区间对应的预设神经网络模型,即可计算出冷媒浓度值。从而及时、准确的检测空调器中的冷媒是否发生泄漏,给予用户提醒,避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
在上述任一技术方案中,优选地,冷媒为R290冷媒。
在该技术方案中,本领域技术人员应该理解,冷媒为R290冷媒,但不限于此。R290冷媒是自然界存在的天然制冷剂,以其优秀的环境友好型(ODP为0,GWP为20),被行业誉为“最有潜力的环保制冷剂”,本发明的技术方案尤其针对R290冷媒泄漏问题,提高冷媒泄漏检测的准确性,并及时给予用户提醒,从而增强R290冷媒空调器的安全性能,达到绿色环保的目的。
在上述任一技术方案中,优选地,空调器为定频空调器。
本发明还提出一种冷媒泄漏的提醒装置,用于空调器,空调器包括蒸发器,其特征在于,提醒装置包括:第一检测单元,用于检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;计算单元,用于根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;判断单元,用于判断冷媒浓度值α是否大于预设阈值αsd;控制单元,用于当冷媒浓度值α大于预设阈值αsd时,发出报警提示。
根据本发明的冷媒泄漏的提醒装置,通过检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并将检测到的数值带入到预设神经网络模型中,经过计算得到冷媒浓度值α,将冷媒浓度值α与预设阈值αsd进行比较(其中预设阈值αsd具体可根据不同国家、地区的国标标准而定),当冷媒浓度值α大于预设阈值αsd时,说明冷媒已泄漏,此时发出报警提示。通过本发明的技术方案,能够快速、准确的检测空调器中的冷媒是否发生泄漏,增加检测结果的可靠性,减少冷媒泄漏的误判,从而有效避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
另外,根据本发明上述的冷媒泄漏的提醒装置,还可以具有如下附加的技术特征:
在上述技术方案中,优选地,按照预设神经网络模型计算得到冷媒浓度值α之前包括:第二检测单元,用于检测并判断空调器所处当前环境的环境温度所在的环境温度区间;计算单元,还用于根据环境温度区间确定对应的预设神经网络模型。
在该技术方案中,空调器运行过程中,环境温度的改变对冷媒量的变化产生影响,冷媒量的变化会导致温度、压力等多个参数的变化,且各参数之间是相互耦合的,存在强烈的非线性关系。通过检测并判断空调器所处当前环境的环境温度所在的环境温度区间,选择与其对应的预设神经网络模型,能够避免环境温度的变化对计算冷媒浓度值带来的影响,从而及时、准确的判断空调器中的冷媒是否发生泄漏,进一步增加检测结果的可靠性,减少冷媒泄漏的误判。
在上述任一技术方案中,优选地,实验室模拟冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为BP神经网络输出参数;运行BP神经网络进行训练,得到预设神经网络模型。
在该技术方案中,BP(Back Propagation)神经网络,是一种按误差逆传播算法训练的多层前馈网络,能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。通过采用BP神经网络算法,不断学习训练,得到与各个环境温度区间相对应的预设神经网络模型,从而在判断冷媒是否泄漏的过程中,只需检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并结合环境温度区间对应的预设神经网络模型,即可计算出冷媒浓度值。从而及时、准确的检测空调器中的冷媒是否发生泄漏,给予用户提醒,避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
在上述任一技术方案中,优选地,冷媒为R290冷媒。
在该技术方案中,本领域技术人员应该理解,冷媒为R290冷媒,但不限于此。R290冷媒是自然界存在的天然制冷剂,以其优秀的环境友好型(ODP为0,GWP为20),被行业誉为“最有潜力的环保制冷剂”,本发明的技术方案尤其针对R290冷媒泄漏问题,提高冷媒泄漏检测的准确性,并及时给予用户提醒,从而增强R290冷媒空调器的安全性能,达到绿色环保的目的。
在上述任一技术方案中,优选地,空调器为定频空调器。
本发明还提出一种空调器,包括上述任一技术方案中的冷媒泄漏的提醒装置。根据本发明的空调器,具有与上述任一技术方案中的冷媒泄漏的提醒装置相同的技术效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
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示出了本发明一实施例的冷媒泄漏的提醒方法的流程示意图;
图2示出了本发明再一实施例的冷媒泄漏的提醒方法的流程示意图;
图3示出了本发明一实施例的冷媒泄漏的提醒装置的示意框图;
图4示出了本发明再一实施例的冷媒泄漏的提醒装置的示意框图;
图5示出了本发明一实施例的空调器的示意框图;
图6示出了本发明一具体实施例的冷媒泄漏的提醒方法的流程示意图。
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。
如图1所示,根据本发明一实施例的冷媒泄漏的提醒方法的流程示意图:
步骤102,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
步骤104,根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
步骤106,判断冷媒浓度值α是否大于预设阈值αsd;
步骤108,当冷媒浓度值α大于预设阈值αsd时,发出报警提示。
在该实施例中,通过检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并将检测到的数值带入到预设神经网络模型中,经过计算得到冷媒浓度值α,将冷媒浓度值α与预设阈值αsd进行比较(其中预设阈值αsd具体可根据不同国家、地区的国标标准而定),当冷媒浓度值α大于预设阈值αsd时,说明冷媒已泄漏,此时发出报警提示。通过本发明的实施例,能够快速、准确的检测空调器中的冷媒是否发生泄漏,增加检测结果的可靠性,减少冷媒泄漏的误判,从而有效避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
如图2所示,根据本发明再一实施例的冷媒泄漏的提醒方法的流程示意图:
步骤202,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
步骤204,检测并判断空调器所处当前环境的环境温度所在的环境温度区间;
步骤206,根据环境温度区间确定对应的预设神经网络模型;
步骤208,根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
步骤210,判断冷媒浓度值α是否大于预设阈值αsd;
步骤212,当冷媒浓度值α大于预设阈值αsd时,发出报警提示
在该实施例中,空调器运行过程中,环境温度的改变对冷媒量的变化产生影响,冷媒量的变化会导致温度、压力等多个参数的变化,且各参数之间是相互耦合的,存在强烈的非线性关系。通过检测并判断空调器所处当前环境的环境温度所在的环境温度区间,选择与其对应的预设神经网络模型,能够避免环境温度的变化对计算冷媒浓度值带来的影响,从而及时、准确的判断空调器中的冷媒是否发生泄漏,进一步增加检测结果的可靠性,减少冷媒泄漏的误判。
在上述任一实施例中,优选地,实验室模拟冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为BP神经网络输出参数;运行BP神经网络进行训练,得到预设神经网络模型。
在该实施例中,BP(Back Propagation)神经网络,是一种按误差逆传播算法训练的多层前馈网络,能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。通过采用BP神经网络算法,不断学习训练,得到与各个环境温度区间相对应的预设神经网络模型,从而在判断冷媒是否泄漏的过程中,只需检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并结合环境温度区间对应的预设神经网络模型,即可计算出冷媒浓度值。从而及时、准确的检测空调器中的冷媒是否发生泄漏,给予用户提醒,避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
优选地,BP神经网络模型的建立步骤为:1)选取影响冷媒量变化的因素作为神经网络的输入参数,试验中冷媒浓度值作为BP神经网络模型的输出值;2)使用归一化方法对影响冷媒量变化的样本数据进行预处理;3)设计BP神经网络的层次结构,确定隐含层数;4)运行BP神经网络训练,每次训练之后会有一个训练结果,将这个训练结果和实测值进行误差对比,如果误差无法达到要求,就再返回重新训练,直至得到符合精度要求的BP神经网络模型,从而建立基于BP神经网络模型进行冷媒泄露检测。
优选地,实验室模拟空调器冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为输入值,对应一个输出值为冷媒浓度值,共检测2000组这样的数据,其中1900组作为样本数据进行训练,其余100组作为预测数据进行验证。首先需要读取这些数据,并把数据赋值给输入和输出;其次初始化网络结果,设置参数,并用数据对网络进行训练;然后对预测数据进行归一化处理,并输出预测结果,将输出结果进行反归一化处理,直至得到逼近实测结果的BP神经网络模型。
在上述任一实施例中,优选地,冷媒为R290冷媒。
在该实施例中,本领域技术人员应该理解,冷媒为R290冷媒,但不限于此。R290冷媒是自然界存在的天然制冷剂,以其优秀的环境友好型(ODP为0,GWP为20),被行业誉为“最有潜力的环保制冷剂”,本发明的实施例尤其针对R290冷媒泄漏问题,提高冷媒泄漏检测的准确性,并及时给予用户提醒,从而增强R290冷媒空调器的安全性能,达到绿色环保的目的。
在上述任一实施例中,优选地,空调器为定频空调器。
如图3所示,根据本发明一实施例的冷媒泄漏的提醒装置的示意框图:
第一检测单元302,用于检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
计算单元304,用于根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
判断单元306,用于判断冷媒浓度值α是否大于预设阈值αsd;
控制单元308,用于当冷媒浓度值α大于预设阈值αsd时,发出报警提示。
在该实施例中,通过检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并将检测到的数值带入到预设神经网络模型中,经过计算得到冷媒浓度值α,将冷媒浓度值α与预设阈值αsd进行比较(其中预设阈值αsd具体可根据不同国家、地区的国标标准而定),当冷媒浓度值α大于预设阈值αsd时,说明冷媒已泄漏,此时发出报警提示。通过本发明的实施例,能够快速、准确的检测空调器中的冷媒是否发生泄漏,增加检测结果的可靠性,减少冷媒泄漏的误判,从而有效避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
如图4所示,根据本发明再一实施例的冷媒泄漏的提醒装置的示意框图:
第一检测单元402,用于检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
计算单元404,用于根据蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
判断单元406,用于判断冷媒浓度值α是否大于预设阈值αsd;
控制单元408,用于当冷媒浓度值α大于预设阈值αsd时,发出报警提示;
第二检测单元410,用于检测并判断空调器所处当前环境的环境温度所在的环境温度区间;
计算单元404,还用于根据环境温度区间确定对应的预设神经网络模型。
在该实施例中,空调器运行过程中,环境温度的改变对冷媒量的变化产生影响,冷媒量的变化会导致温度、压力等多个参数的变化,且各参数之间是相互耦合的,存在强烈的非线性关系。通过检测并判断空调器所处当前环境的环境温度所在的环境温度区间,选择与其对应的预设神经网络模型,能够避免环境温度的变化对计算冷媒浓度值带来的影响,从而及时、准确的判断空调器中的冷媒是否发生泄漏,进一步增加检测结果的可靠性,减少冷媒泄漏的误判。
在上述任一实施例中,优选地,实验室模拟冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为BP神经网络输出参数;运行BP神经网络进行训练,得到预设神经网络模型。
在该实施例中,BP(Back Propagation)神经网络,是一种按误差逆传播算法训练的多层前馈网络,能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。通过采用BP神经网络算法,不断学习训练,得到与各个环境温度区间相对应的预设神经网络模型,从而在判断冷媒是否泄漏的过程中,只需检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,并结合环境温度区间对应的预设神经网络模型,即可计算出冷媒浓度值。从而及时、准确的检测空调器中的冷媒是否发生泄漏,给予用户提醒,避免因冷媒泄漏对空调器造成的损害及给用户带来的生命、财产安全隐患。
优选地,BP神经网络模型的建立步骤为:1)选取影响冷媒量变化的因素作为神经网络的输入参数,试验中冷媒浓度值α作为BP神经网络模型的输出值;2)使用归一化方法对影响冷媒量变化的样本数据进行预处理;3)设计BP神经网络的层次结构,确定隐含层数;4)运行BP神经网络训练,每次训练之后会有一个训练结果,将这个训练结果和目标值αsd进行误差对比,如果误差无法达到要求,就再返回重新训练,直至得到符合精度要求的BP神经网络模型,从而建立基于BP神经网络模型进行冷媒泄露检测。
优选地,实验室模拟空调器冷媒泄漏场景,检测蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为输入值,对应一个输出值为冷媒浓度值,共检测2000组这样的数据,其中1900组作为样本数据进行训练,其余100组作为预测数据进行验证。首先需要读取这些数据,并把数据赋值给输入和输出;其次初始化网络结果,设置参数,并用数据对网络进行训练;然后对预测数据进行归一化处理,并输出预测结果,将输出结果进行反归一化处理,直至得到逼近实测结果的BP神经网络模型。
在上述任一实施例中,优选地,冷媒为R290冷媒。
在该实施例中,本领域技术人员应该理解,冷媒为R290冷媒,但不限于此。R290冷媒是自然界存在的天然制冷剂,以其优秀的环境友好型(ODP为0,GWP为20),被行业誉为“最有潜力的环保制冷剂”,本发明的实施例尤其针对R290冷媒泄漏问题,提高冷媒泄漏检测的准确性,并及时给予用户提醒,从而增强R290冷媒空调器的安全性能,达到绿色环保的目的。
在上述任一实施例中,优选地,空调器为定频空调器。
如图5所示,根据本发明一实施例的空调器的示意框图:
空调器500包括上述任一实施例中的冷媒泄漏的提醒装置502,在该实施例中的空调器500,具有与上述任一技术方案中的冷媒泄漏的提醒装置502相同的技术效果,在此不再赘述。
如图6所示,根据本发明一具体实施例的冷媒泄漏的提醒方法的流程示意图:
步骤602,多参数检测;
除了传统的蒸发器中部温度T2检测、排气温度TP检测外,在蒸发器中部内置压力传感器加测冷凝压力P1;
步骤604,神经网络离线学习;
实验室模拟冷媒泄漏,在电控盒、冷凝器焊接处等位置检测冷媒浓度α,采用BP神经网络对实验数据进行离线学习,根据不同的室外温度T4进行运行区间划分得到不同的函数关系:α=f(T2,TP,P1),如表1所示。
步骤606,在线检测与判断;
通过神经网络学习得到各区间的模型,将调试好的参数写入到室内机E方参数程序中,实际运行过程中通过检测T2,TP,P1三个参数得到冷媒浓度值α;
步骤608,报警;当α值超过设定值αsd即判断冷媒泄漏,样机报警提示。
该实施例的冷媒泄漏的提醒方法可以广泛应用到不同型号的R290冷媒空调产品上,大大提高R290冷媒使用的舒适性与安全性。
表1各环境温度区间对应的冷媒浓度值α与各参数的函数关系
(T4CoolStopTemp_ADD≥T4>58℃) | α1=f1(T2,TP,P1) |
(57≥T4>50.5℃) | α2=f2(T2,TP,P1) |
(49.5℃≥T4>45.5℃) | α3=f3(T2,TP,P1) |
(44.5℃≥T4>41℃) | α4=f4(T2,TP,P1) |
(40℃≥T4>33℃) | α5=f5(T2,TP,P1) |
(32℃≥T4>30℃) | α6=f6(T2,TP,P1) |
(29℃≥T4>22℃) | α7=f7(T2,TP,P1) |
(20℃≥T4) | α8=f8(T2,TP,P1) |
(T4>0℃) | α9=f9(T2,TP,P1) |
(T4>-10℃) | α10=f10(T2,TP,P1) |
(T4>-12℃) | α11=f11(T2,TP,P1) |
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“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。
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)
1.一种冷媒泄漏的提醒方法,用于空调器,所述空调器包括蒸发器,其特征在于,所述提醒方法包括:
检测所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
根据所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
判断所述冷媒浓度值α是否大于预设阈值αsd;
当所述冷媒浓度值α大于预设阈值αsd时,发出报警提示。
2.根据权利要求1所述的提醒方法,其特征在于,所述按照预设神经网络模型计算得到冷媒浓度值α之前包括:
检测并判断所述空调器所处当前环境的环境温度所在的环境温度区间;
根据所述环境温度区间确定对应的所述预设神经网络模型。
3.根据权利要求2所述的提醒方法,其特征在于,
实验室模拟冷媒泄漏场景,检测所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为所述BP神经网络输出参数;运行所述BP神经网络进行训练,得到所述预设神经网络模型。
4.根据权利要求1至3中任一项所述的提醒方法,其特征在于,
所述冷媒为R290冷媒。
5.根据权利要求4所述的提醒方法,其特征在于,
所述空调器为定频空调器。
6.一种冷媒泄漏的提醒装置,用于空调器,所述空调器包括蒸发器,其特征在于,所述提醒装置包括:
第一检测单元,用于检测所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1;
计算单元,用于根据所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1,按照预设神经网络模型计算得到冷媒浓度值α;
判断单元,用于判断所述冷媒浓度值α是否大于预设阈值αsd;
控制单元,用于当所述冷媒浓度值α大于预设阈值αsd时,发出报警提示。
7.根据权利要求6所述的提醒装置,其特征在于,所述按照预设神经网络模型计算得到冷媒浓度值α之前包括:
第二检测单元,用于检测并判断所述空调器所处当前环境的环境温度所在的环境温度区间;
所述计算单元,还用于根据所述环境温度区间确定对应的所述预设神经网络模型。
8.根据权利要求7所述的提醒装置,其特征在于,
实验室模拟冷媒泄漏场景,检测所述蒸发器的中部温度T2、排气温度TP和中部冷凝压力P1作为BP神经网络输入参数;检测冷媒浓度值作为所述BP神经网络输出参数;运行所述BP神经网络进行训练,得到所述预设神经网络模型。
9.根据权利要求6至8中任一项所述的提醒装置,其特征在于,
所述冷媒为R290冷媒。
10.根据权利要求9所述的提醒装置,其特征在于,
所述空调器为定频空调器。
11.一种空调器,其特征在于,包括如权利要求6至10中任一项所述的冷媒泄漏的提醒装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071086.0A CN106705384A (zh) | 2017-02-09 | 2017-02-09 | 冷媒泄漏的提醒方法及装置和空调器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710071086.0A CN106705384A (zh) | 2017-02-09 | 2017-02-09 | 冷媒泄漏的提醒方法及装置和空调器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106705384A true CN106705384A (zh) | 2017-05-24 |
Family
ID=58910688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710071086.0A Pending CN106705384A (zh) | 2017-02-09 | 2017-02-09 | 冷媒泄漏的提醒方法及装置和空调器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106705384A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107575997A (zh) * | 2017-10-26 | 2018-01-12 | 珠海格力电器股份有限公司 | 一种空调系统及其运行中监测管路断裂的方法和装置 |
CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
CN107730000A (zh) * | 2017-09-15 | 2018-02-23 | 珠海格力电器股份有限公司 | 用于空调的冷媒泄漏检测方法和装置 |
CN109282418A (zh) * | 2018-11-26 | 2019-01-29 | 珠海格力电器股份有限公司 | 冷风机缺氟保护报警模型的构建方法、报警方法及冷风机 |
CN109708247A (zh) * | 2018-12-11 | 2019-05-03 | 宁波奥克斯电气股份有限公司 | 一种可燃性冷媒泄露的控制方法、控制装置和空调器 |
CN109764476A (zh) * | 2018-12-18 | 2019-05-17 | 珠海格力电器股份有限公司 | 冷媒泄漏监控方法、监控系统及空调机组 |
CN110346162A (zh) * | 2019-07-16 | 2019-10-18 | 湖北省泰路科技有限公司 | 汽车空调诊断方法、系统及设备 |
CN110940046A (zh) * | 2018-09-21 | 2020-03-31 | 奥克斯空调股份有限公司 | 一种制冷剂泄漏的检测方法及空调器 |
WO2020207307A1 (zh) * | 2019-04-12 | 2020-10-15 | 青岛海尔空调器有限总公司 | 空气处理系统、用于空气处理系统的控制方法及空调器 |
EP3751209A1 (en) * | 2019-06-13 | 2020-12-16 | Ako Electromecánica, S.A.L. | A computer implemented method, a computer program, and a system for monitoring refrigerant gas leaks in a refrigeration system |
CN112413812A (zh) * | 2020-12-01 | 2021-02-26 | 中国人民解放军海军航空大学青岛校区 | 冷媒泄漏检测方法、系统及空调器 |
CN113574334A (zh) * | 2019-03-15 | 2021-10-29 | 三菱重工制冷空调系统株式会社 | 车辆用空调系统及车辆用空调系统的控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN102667352A (zh) * | 2009-11-11 | 2012-09-12 | 爱默生零售服务公司 | 制冷剂泄漏检测系统和方法 |
KR101261199B1 (ko) * | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
CN103322641A (zh) * | 2012-03-21 | 2013-09-25 | 广东美芝精密制造有限公司 | 使用可燃性冷媒空调器的安全控制方法 |
CN104566771A (zh) * | 2013-10-23 | 2015-04-29 | 珠海格力电器股份有限公司 | 除湿机的冷媒控制方法及装置 |
CN104833063A (zh) * | 2015-06-04 | 2015-08-12 | 安徽建筑大学 | 一种空调控制方法及系统 |
CN105605739A (zh) * | 2016-01-12 | 2016-05-25 | 广东美的制冷设备有限公司 | 空调系统及其冷媒泄漏的监测方法和装置 |
CN205619509U (zh) * | 2016-04-19 | 2016-10-05 | 珠海格力电器股份有限公司 | 空调器泄漏保护装置 |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调系统 |
-
2017
- 2017-02-09 CN CN201710071086.0A patent/CN106705384A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101008992A (zh) * | 2006-12-30 | 2007-08-01 | 北京市劳动保护科学研究所 | 基于人工神经网络的管道泄漏的检测方法 |
CN102667352A (zh) * | 2009-11-11 | 2012-09-12 | 爱默生零售服务公司 | 制冷剂泄漏检测系统和方法 |
CN103322641A (zh) * | 2012-03-21 | 2013-09-25 | 广东美芝精密制造有限公司 | 使用可燃性冷媒空调器的安全控制方法 |
KR101261199B1 (ko) * | 2013-01-10 | 2013-05-10 | 동국대학교 산학협력단 | 신경망 모델에 의한 지능형 제어 알고리즘을 이용한 건물의 예약냉각 제어방법 |
CN104566771A (zh) * | 2013-10-23 | 2015-04-29 | 珠海格力电器股份有限公司 | 除湿机的冷媒控制方法及装置 |
CN104833063A (zh) * | 2015-06-04 | 2015-08-12 | 安徽建筑大学 | 一种空调控制方法及系统 |
CN105605739A (zh) * | 2016-01-12 | 2016-05-25 | 广东美的制冷设备有限公司 | 空调系统及其冷媒泄漏的监测方法和装置 |
CN205619509U (zh) * | 2016-04-19 | 2016-10-05 | 珠海格力电器股份有限公司 | 空调器泄漏保护装置 |
CN106322656A (zh) * | 2016-08-23 | 2017-01-11 | 海信(山东)空调有限公司 | 一种空调控制方法及服务器和空调系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
CN107730000A (zh) * | 2017-09-15 | 2018-02-23 | 珠海格力电器股份有限公司 | 用于空调的冷媒泄漏检测方法和装置 |
EP3637328A4 (en) * | 2017-09-15 | 2020-07-15 | Gree Electric Appliances (Wuhan) Co., Ltd. | METHOD AND DEVICE FOR DETECTING LEAKAGE OF REFRIGERANT FLUID FOR AIR CONDITIONER |
WO2019052241A1 (zh) * | 2017-09-15 | 2019-03-21 | 格力电器(武汉)有限公司 | 用于空调的冷媒泄漏检测方法和装置 |
CN107575997A (zh) * | 2017-10-26 | 2018-01-12 | 珠海格力电器股份有限公司 | 一种空调系统及其运行中监测管路断裂的方法和装置 |
CN110940046A (zh) * | 2018-09-21 | 2020-03-31 | 奥克斯空调股份有限公司 | 一种制冷剂泄漏的检测方法及空调器 |
CN109282418A (zh) * | 2018-11-26 | 2019-01-29 | 珠海格力电器股份有限公司 | 冷风机缺氟保护报警模型的构建方法、报警方法及冷风机 |
CN109708247A (zh) * | 2018-12-11 | 2019-05-03 | 宁波奥克斯电气股份有限公司 | 一种可燃性冷媒泄露的控制方法、控制装置和空调器 |
CN109764476A (zh) * | 2018-12-18 | 2019-05-17 | 珠海格力电器股份有限公司 | 冷媒泄漏监控方法、监控系统及空调机组 |
CN109764476B (zh) * | 2018-12-18 | 2020-09-04 | 珠海格力电器股份有限公司 | 冷媒泄漏监控方法、监控系统及空调机组 |
CN113574334A (zh) * | 2019-03-15 | 2021-10-29 | 三菱重工制冷空调系统株式会社 | 车辆用空调系统及车辆用空调系统的控制方法 |
WO2020207307A1 (zh) * | 2019-04-12 | 2020-10-15 | 青岛海尔空调器有限总公司 | 空气处理系统、用于空气处理系统的控制方法及空调器 |
EP3751209A1 (en) * | 2019-06-13 | 2020-12-16 | Ako Electromecánica, S.A.L. | A computer implemented method, a computer program, and a system for monitoring refrigerant gas leaks in a refrigeration system |
CN110346162A (zh) * | 2019-07-16 | 2019-10-18 | 湖北省泰路科技有限公司 | 汽车空调诊断方法、系统及设备 |
CN110346162B (zh) * | 2019-07-16 | 2021-07-09 | 湖北省泰路科技有限公司 | 汽车空调诊断方法、系统及设备 |
CN112413812A (zh) * | 2020-12-01 | 2021-02-26 | 中国人民解放军海军航空大学青岛校区 | 冷媒泄漏检测方法、系统及空调器 |
CN112413812B (zh) * | 2020-12-01 | 2021-11-05 | 中国人民解放军海军航空大学青岛校区 | 冷媒泄漏检测方法、系统及空调器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106705384A (zh) | 冷媒泄漏的提醒方法及装置和空调器 | |
CN105928156B (zh) | 冷媒泄漏检测方法、冷媒泄漏检测装置及空调器 | |
CN103884480B (zh) | 冷媒泄漏检测方法、冷媒泄漏检测系统和空调器 | |
AU2020344296B2 (en) | Refrigerant amount determination device, method, and program | |
CN105180379A (zh) | 一种冷媒余量检测方法、装置和空调器 | |
CN103925677B (zh) | 空调器的控制方法和装置 | |
CN107504732A (zh) | 一种制冷系统制冷剂多少的判定方法及判定装置 | |
CN106642584B (zh) | 一种空调运行的控制方法及装置 | |
CN110234943A (zh) | 用于冷却系统的低充注检测系统 | |
Li et al. | Further study on the inherent operating characteristics of a variable speed direct expansion air conditioning system | |
Jolly et al. | Simulation and measurement on the full-load performance of a refrigeration system in a shipping container | |
CN103822326A (zh) | 外机性能测试方法、服务器及系统 | |
CN104091045A (zh) | 一种基于bp神经网络的空调长效性能预测方法 | |
CN116648589A (zh) | 制冷剂充注系统和方法 | |
CN204629722U (zh) | 空调装置 | |
US11409275B2 (en) | Systems and methods for predicting environmental conditions | |
Porwal et al. | Leakage detection and prediction of location in a smart water grid using SVM classification | |
Atik et al. | Performance parameters estimation of MAC by using artificial neural network | |
CN105423487A (zh) | 一种信息处理方法及温度调节设备 | |
CN109579227A (zh) | 空调及空调的控制方法、装置 | |
CN105890112A (zh) | 室外机换热器中温度传感器漂移检测方法、处理器及空调 | |
CN109000860A (zh) | 一种水系统检漏装置和方法 | |
Rahman et al. | Occupancy estimation based on indoor CO2 concentration: comparison of neural network and bayesian methods | |
Thabet et al. | Intelligent energy management of compressed air systems | |
CN106766439A (zh) | 一种制冷剂泄漏检测装置及检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170524 |
|
RJ01 | Rejection of invention patent application after publication |