CN107730000A - 用于空调的冷媒泄漏检测方法和装置 - Google Patents
用于空调的冷媒泄漏检测方法和装置 Download PDFInfo
- Publication number
- CN107730000A CN107730000A CN201710839637.3A CN201710839637A CN107730000A CN 107730000 A CN107730000 A CN 107730000A CN 201710839637 A CN201710839637 A CN 201710839637A CN 107730000 A CN107730000 A CN 107730000A
- Authority
- CN
- China
- Prior art keywords
- conditioning
- air
- neural network
- coolant leakage
- network model
- 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
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/145—Square transforms, e.g. Hadamard, Walsh, Haar, Hough, Slant transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用于空调的冷媒泄漏检测方法和装置。该方法包括:获取空调当前的运行参数和空调所处环境的环境信息;将当前的运行参数和环境信息输入到训练好的神经网络模型,得到神经网络模型输出的冷媒剩余量;根据冷媒剩余量判断空调是否存在冷媒泄漏。通过本发明,达到了通过人工神经网络算法来检测空调冷媒泄漏提高准确性的效果。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种用于空调的冷媒泄漏检测方法和装置。
背景技术
空调长期在冷媒泄漏的情况下运行而不及时报修,将会导致压缩机不可逆的损坏。因此空调在使用过程中,若出现冷媒泄漏,应立即停止运转压缩机,并提醒用户报修。
目前,在空调行业冷媒泄漏检测的方法主要是,对空调在冷媒泄漏的情况下的运行参数进行分析,根据专家经验,总结出一系列的控制规则。空调主板按此规则进行判断,当检测到空调运行参数符合预定的规则时,则认为空调出现冷媒泄漏,进而提示用户报修。但由于空调种类较多,不同型号的空调运行参数差别较大,且各运行参数之间的耦合关系和变化规律难以完全掌握,且专家经验存在一定的主观性等原因。因此,目前的控制方法存在以下问题:
1、控制规则适应性差,不同机型的控制参数不统一;
2、冷媒泄漏检测准确率低,存在较多的误检测。
针对相关技术中通过人工经验来判断空调是否存在冷媒泄漏不准确的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供一种用于空调的冷媒泄漏检测方法和装置,以解决通过人工经验来判断空调是否存在冷媒泄漏不准确的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种用于空调的冷媒泄漏检测方法,该方法包括:获取空调当前的运行参数和所述空调所处环境的环境信息;将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。
进一步地,在将所述运行参数和环境信息输入到训练好的神经网络模型之前,所述方法还包括:获取各个类型的空调在冷媒泄漏时的运行参数和环境信息;根据所述各个类型的空调在冷媒泄漏时的运行参数和环境信息进行神经网络训练,得到所述训练好的神经网络模型,其中,所述模型的输入为空调在冷媒泄漏时的运行参数和环境信息,所述模型的输出为冷媒剩余量。
进一步地,在获取各个类型的空调在冷媒泄漏时的运行参数之后,所述方法还包括:对所述各个类型的空调在冷媒泄漏时的运行参数和环境信息的参数进行标准化处理,得到标准化参数,其中,所述标准化处理包括线性处理;对所述标准化参数进行变换处理,得到变换后的数据,其中,所述变换处理包括非线性处理。
进一步地,在对所述标准化参数进行变换处理,得到变换后的数据之后,所述方法还包括:对所述变换后的数据进行分类,得到多个类别的数据;从所述多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,所述预设间隔包括预设时间间隔或预设数量间隔;对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型。
进一步地,在对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型之后,所述方法还包括:将测试数据输入到所述训练好的神经网络模型,得到所述训练好的神经网络模型的输出结果;判断所述输出结果与测试数据对应的测试结果之间的误差是否小于目标最小误差;在所述输出结果与测试数据对应的测试结果之间的误差大于等于所述目标最小误差的情况下,通过更新所述神经网络模型的权值和偏置调整所述神经网络模型的参数,直至所述输出结果与测试数据对应的测试结果之间的误差小于所述目标最小误差。
进一步地,获取各个类型的空调在冷媒泄漏时的运行参数包括:接收各个类型的空调在冷媒泄漏时上报的运行参数和环境信息;和/或通过物联网获取用户实际使用时的各个类型的空调在冷媒泄漏时的运行参数和环境信息。
进一步地,根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏包括:获取所述空调的原始冷媒量;判断所述冷媒剩余量是否小于所述原始冷媒量;如果所述冷媒剩余量是否小于所述原始冷媒量,则判断出所述空调存在冷媒泄漏。
进一步地,所述神经网络模型包括以下任意一项:BP神经网络模型;CNN卷积神经网络模型;残差神经网络模型,在根据所述冷媒剩余量判断所述空调存在冷媒泄漏之后,通过预设的方式发出提醒。
为了实现上述目的,根据本发明的另一方面,还提供了一种用于空调的冷媒泄漏检测装置,该装置包括:第一获取单元,用于获取空调当前的运行参数和所述空调所处环境的环境信息;输入单元,用于将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;判断单元,用于根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。
进一步地,所述装置还包括:第二获取单元,用于在将所述运行参数和环境信息输入到训练好的神经网络模型之前,获取各个类型的空调在冷媒泄漏时的运行参数和环境信息;第一训练单元,用于根据所述各个类型的空调在冷媒泄漏时的运行参数进行神经网络训练,得到所述训练好的神经网络模型,其中,所述模型的输入为空调在冷媒泄漏时的运行参数和环境信息,所述模型的输出为冷媒剩余量。
进一步地,所述装置还包括:处理单元,用于在获取各个类型的空调在冷媒泄漏时的运行参数和环境信息之后,对所述各个类型的空调在冷媒泄漏时的运行参数和环境信息的参数进行标准化处理,得到标准化参数,其中,所述标准化处理包括线性处理;变换单元,用于对所述标准化参数进行变换处理,得到变换后的数据,其中,所述变换处理包括非线性处理。
进一步地,所述装置还包括:分类单元,用于在对所述标准化参数进行变换处理,得到变换后的数据之后,对所述变换后的数据进行分类,得到多个类别的数据;提取单元,用于从所述多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,所述预设间隔包括预设时间间隔或预设数量间隔;第二训练单元,用于对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型。
为了实现上述目的,根据本发明的另一方面,还提供了一种存储介质,包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行本发明的用于空调的冷媒泄漏检测方法。
为了实现上述目的,根据本发明的另一方面,还提供了一种处理器,用于运行程序,其中,所述程序运行时执行本发明的用于空调的冷媒泄漏检测方法。
本发明通过获取空调当前的运行参数和空调所处环境的环境信息;将当前的运行参数和环境信息输入到训练好的神经网络模型,得到神经网络模型输出的冷媒剩余量;根据冷媒剩余量判断空调是否存在冷媒泄漏,解决了通过人工经验来判断空调是否存在冷媒泄漏不准确的问题,进而达到了通过人工神经网络算法来检测空调冷媒泄漏提高准确性的效果。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明第一实施例的用于空调的冷媒泄漏检测方法的流程图;
图2是根据本发明实施例的神经网络算法进行计算的示意图;
图3是根据本发明实施例的BP网络的结构设计的示意图;
图4是根据本发明实施例的CNN卷积神经网络的结构设计的示意图;
图5是根据本发明实施例的残差神经网络的结构设计的示意图;
图6是根据本发明实施例的一种神经网络学习目标的示意图;
图7是根据本发明实施例的一种运行人工神经网络算法的智能装置的示意图;
图8是根据本发明实施例的用于空调的冷媒泄漏检测装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
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。
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。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、系统、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。
本发明实施例提供了一种用于空调的冷媒泄漏检测方法。
图1是根据本发明第一实施例的用于空调的冷媒泄漏检测方法的流程图,如图1所示,该方法包括以下步骤:
步骤S102:获取空调当前的运行参数和空调所处环境的环境信息。
步骤S104:将当前的运行参数和环境信息输入到训练好的神经网络模型,得到神经网络模型输出的冷媒剩余量。
步骤S106:根据冷媒剩余量判断空调是否存在冷媒泄漏。
该实施例采用获取空调当前的运行参数和空调所处环境的环境信息;将当前的运行参数和环境信息输入到训练好的神经网络模型,得到神经网络模型输出的冷媒剩余量;根据冷媒剩余量判断空调是否存在冷媒泄漏,解决了通过人工经验来判断空调是否存在冷媒泄漏不准确的问题,进而达到了通过人工神经网络算法来检测空调冷媒泄漏提高准确性的效果。
在本发明实施例中,空调当前的运行参数包括多种类型的参数,例如,空调的压缩机运行转速、压缩机运行时间、室外冷凝器温度等,环境信息包括室内外的环境温度等,将当前运行参数和环境信息输入到训练好的神经网络模型中就可以得到通过模型确定的冷媒剩余量,然后根据冷媒剩余量和空调原有的冷媒量判断是否存在冷媒泄漏,如果存在冷媒泄漏可以通过空调发出提醒,也可以通过预设的智能终端设备发出提醒,还可以控制空调执行预定操作防止或减少空调冷媒的泄漏。
可选地,在将运行参数和环境信息输入到训练好的神经网络模型之前,获取各个类型的空调在冷媒泄漏时的运行参数和环境信息;根据各个类型的空调在冷媒泄漏时的运行参数进行神经网络训练,得到训练好的神经网络模型,其中,模型的输入为空调在冷媒泄漏时的运行参数和环境信息,模型的输出为冷媒剩余量。由于不同空调型号的空调类型不同,可以根据空调类型分别获取各个类型的空调在冷媒泄漏时的运行参数和环境信息,然后分别对各个类型的参数和环境信息进行数据整理,得到基于每个类型的空调的训练好的网络神经模型。
可选地,在获取各个类型的空调在冷媒泄漏时的运行参数和环境信息之后,对各个类型的空调在冷媒泄漏时的运行参数和环境信息的参数进行标准化处理,得到标准化参数,其中,标准化处理包括线性处理;对标准化参数进行变换处理,得到变换后的数据,其中,变换处理包括非线性处理。
线性处理可以是归一化处理等,非线性处理可以是对数变换、平方根变换、立方根变换等处理。通过标准化处理和变换处理可以使采集到的样本数据更加符合模型训练的要求,也可以使模型训练得到的结果更加准确。
可选地,在对标准化参数进行变换处理,得到变换后的数据之后,对变换后的数据进行分类,得到多个类别的数据;从多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,预设间隔包括预设时间间隔或预设数量间隔;对训练样本数据进行神经网络模型训练,得到训练好的神经网络模型。
除了数据处理之外,还可以对数据进行分类,然后从每个类中选取一定数量的数据作为样本数据,选取的方式可以是每隔50个数取一个作为样本数据,也可以是每隔一定的时间,例如24小时取一个数据作为样本数据,还可以是其他方式的间隔。
可选地,在对训练样本数据进行神经网络模型训练,得到训练好的神经网络模型之后,将测试数据输入到训练好的神经网络模型,得到训练好的神经网络模型的输出结果;判断输出结果与测试数据对应的测试结果之间的误差是否小于目标最小误差;在输出结果与测试数据对应的测试结果之间的误差大于等于目标最小误差的情况下,通过更新神经网络模型的权值和偏置调整神经网络模型的参数,直至输出结果与测试数据对应的测试结果之间的误差小于目标最小误差。
如果训练好的神经网络模型的识别结果与真实结果之间的差距较大,则可以继续增加样本数量或者通过修改神经网络模型的权值和偏置来调整神经网络模型的参数,直到得到的输出结果和测试数据对应的测试结果之间的误差小于设定的目标最小误差,在这种情况下,说明模型已经训练完成,可以用于实际预测。
可选地,获取各个类型的空调在冷媒泄漏时的运行参数和环境信息包括:接收各个类型的空调在冷媒泄漏时上报的运行参数和环境信息;和/或通过物联网获取用户实际使用时的各个类型的空调在冷媒泄漏时的运行参数和环境信息。空调的运行参数的来源可以是多种
可选地,根据冷媒剩余量判断空调是否存在冷媒泄漏包括:获取空调的原始冷媒量;判断冷媒剩余量是否小于原始冷媒量;如果冷媒剩余量是否小于原始冷媒量,则判断出空调存在冷媒泄漏。原始冷媒量可以是空调出厂时的冷媒量,也可以是每次空调开机时的冷媒量。
可选地,神经网络模型包括以下任意一项:BP神经网络模型;CNN卷积神经网络模型;残差神经网络模型,在根据冷媒剩余量判断空调存在冷媒泄漏之后,通过预设的方式发出提醒。预设的方式可以是多种类型,例如,空调发出报警声或者显示指示灯,也可以是手机、遥控器或者家中的智能控制中心发出报警声,以提示用户及时检查和维修。除了列举的这三种神经网络模型之外,还可以是其他类型的神经网络模型。
本发明实施例还提供了一种优选实施方式,下面结合优选实施方式对本发明实施例的技术方案进行说明。
本发明实施例利用人工神经网络算法,运用大量空调冷媒泄漏时的运行参数样本,对神经网络进行学习和训练。通过调整网络结构及网络节点间的权值,使神经网络拟合空调运行参数之间的关系,最终使神经网络能准确检测出冷媒泄漏量。
该方法具有很强的非线性映射能力、自学习和自适应能力、泛化能力以及容错能力。相对于传统的规则控制方法,其不依赖于专家经验,通过大量样本数据的学习,网络可以自动不断修正自身参数,最终达到以下效果:
1、该控制算法可自动适用不同的空调型号,通用性好;
2、随着学习样本数据的增加,该控制算法的检测准确率可无限接近于100%。
具体地,本发明实施例的技术方案包括以下几个步骤:
1、原始数据搜集。
首先,搜集空调在冷媒泄漏时,在所有可能的运行环境下的运行参数,并进行详细标注。具体搜集方式包括但不限于空调在实验室模拟环境下的运行参数、通过物联网技术搜集实际用户使用时的空调运行参数等方式。
2、输入、输出参数选择及预处理。
通过对原始数据的分析和结合专家知识,选取对冷媒泄漏检测影响较大且易检测的参数作为输入参数,将冷媒剩余量作为输出量。本发明实施例中,输入参数包括但不限于室内外的环境温度、室外冷凝器温度、室外湿度、压缩机的运行转速、压缩机运行时间等。输入参数不仅为单一参数,也包括按一定规律组成的输入参数矩阵,比如:每秒采集一次室外冷凝器温度,连续采集10分钟的温度参数作为一个输入参数矩阵。
因各参数具有不同的物理意义和量纲,还需要对输入参数作标准化处理,然后再进行统一的变换处理。本发明实施例中用到的数据处理方法包括但不限于,对数据进行归一化等线性处理及对数变换、平方根变换、立方根变换等非线性处理。
3、训练和测试数据样本集选取。
通过对已搜集并标注数据的分析和结合专家知识,对数据样本按一定的规则进行分类。从不同类别的样本中,均匀提取数据,作为训练样本。训练样本不仅要蕴含冷媒泄漏的规律,还要体现出多样性和均匀性。本发明实施例中,可以按空调室、内外环境温度、湿度进行组合,列出所有的样本数据,然后按一定的间隔读取作为训练样本数据;提取出训练样本后,剩余的数据可作为测试数据。
4、网络结构设计。
根据冷媒泄漏的数据特性及其所蕴含的规律,可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。图2是根据本发明实施例的神经网络算法进行计算的示意图,如图2所示,通过多个输入参数输入到神经网络算法中,可以得到冷媒剩余量。具体人工神经网络结构包括但不限于以下三种网络结构。
4.1 BP神经网络。
图3是根据本发明实施例的BP网络的结构设计的示意图,如图3所示,该神经网络算法主要需要解决设几个隐层和几个隐节点的问题。隐层和隐节点的确定需在网络训练时不断的调整。设计时先设置一个隐层,通过调整隐层节点数来改善网络性能;当隐节点数过多,出现过多拟合时,再考虑增加隐层,减少隐节点,来改善网络性能。实际应用时可以根据需要调整输入层、隐层、输出层节点数及隐层层数。
4.2 CNN卷积神经网络。
图4是根据本发明实施例的CNN卷积神经网络的结构设计的示意图,如图4所示,多层卷积网络就是从低维度的特征不断提取合并得到更高维的特征从而可以用来进行分类或相关任务。
在本发明实施例中的原始数据是连续采集得到,直观上是和时间相关的。但是可以将一定量的数据一条条组合起来,将其看成和图像一样的数据形式,行与行、列与列之间存在空间连续关系,这些关系影响着最终数据的“标签”,也就是冷媒剩余量。这样就可以通过卷积神经网络对输入数据进行特征提取,准确检测出冷媒剩余量。在实际应用时网络结构可根据实际情况调整。
4.3残差神经网络。
图5是根据本发明实施例的残差神经网络的结构设计的示意图,如图5所示,在调试CNN网络时,加深网络层数和改变卷积核大小的方法并不能使得网络表现得到提升。加入残差块可以更好的连接前后数据,加强特征表达能力,所以其能够加强卷积网络的学习能力。图6是根据本发明实施例的一种神经网络学习目标的示意图,如图6所示,神经网络的输入为x,期望输出为H(x),把输入x传入到输出作为初始结构后,需要学习的目标就变为F(x)=H(x)-x。实际应用时网络结构可根据实际情况调整。
5、网络训练与测试。
网络设计完成后,需用训练样本数据,对网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。此处仅针对本发明实施例的其中一种方法举例说明如下:
导入输入数据x,根据激活函数、初始化的权值及偏置计算出网络的实际输出a(x),即a(x)=1/(1+e-z),其中Z=Wk*x+bl
判断网络的期望输出y(x)与实际输出a(x)是否满足输出精度要求即:
判断是否满足‖y(x)-a(x)‖<∈,∈为目标最小误差,
如果满足精度要求则结束训练,如不满足则根据以下方式更新网络的权值Wk,偏置bl:
C(w,b)为误差能量函数(以标准方差函数为例),n为训练样本的总数量,求和是在总的训练样本x上进行,
更新各层权值:
更新各层偏置:
其中:Wk为初始权值,为误差能量函数对权值的偏导数,bl为初始偏置,为误差能量函数对偏置的偏导数,的值可通过链式求导法则获得,直至网络的输出误差小于∈为止。
网络训练完成后,再用测试样本正向测试网络。当测试误差不满足要求时,则重复以上步骤,重新训练网络;若测试误差满足要求,则网络训练测试完成。
6、人工神经网络算法检测冷媒泄漏的实现
图7是根据本发明实施例的一种运行人工神经网络算法的智能装置的示意图,如图7所示,带无线通讯的空调器运行时,将空调的运行参数上传至智能装置。智能装置将运行参数输入到算法中,判断出冷媒泄漏情况后,向空调发送控制指令。本发明实施例中,智能装置包括但不限于无线通讯模块、路由器、服务器、智能手机等。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例提供了一种用于空调的冷媒泄漏检测装置,该装置可以用于执行本发明实施例的用于空调的冷媒泄漏检测方法。
图8是根据本发明实施例的用于空调的冷媒泄漏检测装置的示意图,如图8所示,该装置包括:
第一获取单元10,用于获取空调当前的运行参数和空调所处环境的环境信息;
输入单元20,用于将当前的运行参数和环境信息输入到训练好的神经网络模型,得到神经网络模型输出的冷媒剩余量;
判断单元30,用于根据冷媒剩余量判断空调是否存在冷媒泄漏。
该实施例采用第一获取单元10获取空调当前的运行参数和所述空调所处环境的环境信息;输入单元20将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;判断单元30根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏,解决了通过人工经验来判断空调是否存在冷媒泄漏不准确的问题,进而达到了通过人工神经网络算法来检测空调冷媒泄漏提高准确性的效果。
可选地,该装置还包括:第二获取单元,用于在将运行参数和环境信息输入到训练好的神经网络模型之前,获取各个类型的空调在冷媒泄漏时的运行参数;第一训练单元,用于根据各个类型的空调在冷媒泄漏时的运行参数进行神经网络训练,得到训练好的神经网络模型,其中,模型的输入为空调在冷媒泄漏时的运行参数,模型的输出为冷媒剩余量。
可选地,该装置还包括:处理单元,用于在获取各个类型的空调在冷媒泄漏时的运行参数之后,对各个类型的空调在冷媒泄漏时的运行参数进行标准化处理,得到标准化参数,其中,标准化处理包括线性处理;变换单元,用于对标准化参数进行变换处理,得到变换后的数据,其中,变换处理包括非线性处理。
可选地,该装置还包括:分类单元,用于在对标准化参数进行变换处理,得到变换后的数据之后,对变换后的数据进行分类,得到多个类别的数据;提取单元,用于从多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,预设间隔包括预设时间间隔或预设数量间隔;第二训练单元,用于对训练样本数据进行神经网络模型训练,得到训练好的神经网络模型。
所述用于空调的冷媒泄漏检测装置包括处理器和存储器,上述第一获取单元、输入单元、判断单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来通过人工神经网络算法来检测空调冷媒泄漏提高准确性。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取空调当前的运行参数和所述空调所处环境的环境信息;将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取空调当前的运行参数和所述空调所处环境的环境信息;将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (14)
1.一种用于空调的冷媒泄漏检测方法,其特征在于,包括:
获取空调当前的运行参数和所述空调所处环境的环境信息;
将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;
根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。
2.根据权利要求1所述的方法,其特征在于,在将所述运行参数和环境信息输入到训练好的神经网络模型之前,所述方法还包括:
获取各个类型的空调在冷媒泄漏时的运行参数和环境信息;
根据所述各个类型的空调在冷媒泄漏时的运行参数和环境信息进行神经网络训练,得到所述训练好的神经网络模型,其中,所述模型的输入为空调在冷媒泄漏时的运行参数和环境信息,所述模型的输出为冷媒剩余量。
3.根据权利要求2所述的方法,其特征在于,在获取各个类型的空调在冷媒泄漏时的运行参数和环境信息之后,所述方法还包括:
对所述各个类型的空调在冷媒泄漏时的运行参数和环境信息的参数进行标准化处理,得到标准化参数,其中,所述标准化处理包括线性处理;
对所述标准化参数进行变换处理,得到变换后的数据,其中,所述变换处理包括非线性处理。
4.根据权利要求3所述的方法,其特征在于,在对所述标准化参数进行变换处理,得到变换后的数据之后,所述方法还包括:
对所述变换后的数据进行分类,得到多个类别的数据;
从所述多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,所述预设间隔包括预设时间间隔或预设数量间隔;
对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型。
5.根据权利要求4所述的方法,其特征在于,在对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型之后,所述方法还包括:
将测试数据输入到所述训练好的神经网络模型,得到所述训练好的神经网络模型的输出结果;
判断所述输出结果与测试数据对应的测试结果之间的误差是否小于目标最小误差;
在所述输出结果与测试数据对应的测试结果之间的误差大于等于所述目标最小误差的情况下,通过更新所述神经网络模型的权值和偏置调整所述神经网络模型的参数,直至所述输出结果与测试数据对应的测试结果之间的误差小于所述目标最小误差。
6.根据权利要求2所述的方法,其特征在于,获取各个类型的空调在冷媒泄漏时的运行参数和环境信息包括:
接收各个类型的空调在冷媒泄漏时上报的运行参数和环境信息;和/或
通过物联网获取用户实际使用时的各个类型的空调在冷媒泄漏时的运行参数和环境信息。
7.根据权利要求1所述的方法,其特征在于,根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏包括:
获取所述空调的原始冷媒量;
判断所述冷媒剩余量是否小于所述原始冷媒量;
如果所述冷媒剩余量是否小于所述原始冷媒量,则判断出所述空调存在冷媒泄漏。
8.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括以下任意一项:
BP神经网络模型;
CNN卷积神经网络模型;
残差神经网络模型,
在根据所述冷媒剩余量判断所述空调存在冷媒泄漏之后,通过预设的方式发出提醒。
9.一种用于空调的冷媒泄漏检测装置,其特征在于,包括:
第一获取单元,用于获取空调当前的运行参数和所述空调所处环境的环境信息;
输入单元,用于将所述当前的运行参数和环境信息输入到训练好的神经网络模型,得到所述神经网络模型输出的冷媒剩余量;
判断单元,用于根据所述冷媒剩余量判断所述空调是否存在冷媒泄漏。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
第二获取单元,用于在将所述运行参数和环境信息输入到训练好的神经网络模型之前,获取各个类型的空调在冷媒泄漏时的运行参数和环境信息;
第一训练单元,用于根据所述各个类型的空调在冷媒泄漏时的运行参数和环境信息进行神经网络训练,得到所述训练好的神经网络模型,其中,所述模型的输入为空调在冷媒泄漏时的运行参数和环境信息,所述模型的输出为冷媒剩余量。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
处理单元,用于在获取各个类型的空调在冷媒泄漏时的运行参数和环境信息之后,对所述各个类型的空调在冷媒泄漏时的运行参数和环境信息的参数进行标准化处理,得到标准化参数,其中,所述标准化处理包括线性处理;
变换单元,用于对所述标准化参数进行变换处理,得到变换后的数据,其中,所述变换处理包括非线性处理。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
分类单元,用于在对所述标准化参数进行变换处理,得到变换后的数据之后,对所述变换后的数据进行分类,得到多个类别的数据;
提取单元,用于从所述多个类别的数据中分别按照预设间隔提取数据,作为训练样本数据,其中,所述预设间隔包括预设时间间隔或预设数量间隔;
第二训练单元,用于对所述训练样本数据进行神经网络模型训练,得到所述训练好的神经网络模型。
13.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的用于空调的冷媒泄漏检测方法。
14.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述的用于空调的冷媒泄漏检测方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839637.3A CN107730000A (zh) | 2017-09-15 | 2017-09-15 | 用于空调的冷媒泄漏检测方法和装置 |
EP18856758.0A EP3637328A4 (en) | 2017-09-15 | 2018-06-13 | METHOD AND DEVICE FOR DETECTING LEAKAGE OF REFRIGERANT FLUID FOR AIR CONDITIONER |
PCT/CN2018/091070 WO2019052241A1 (zh) | 2017-09-15 | 2018-06-13 | 用于空调的冷媒泄漏检测方法和装置 |
US16/633,580 US11614249B2 (en) | 2017-09-15 | 2018-06-13 | Refrigerant leak detection method and device for air conditioner |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710839637.3A CN107730000A (zh) | 2017-09-15 | 2017-09-15 | 用于空调的冷媒泄漏检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107730000A true CN107730000A (zh) | 2018-02-23 |
Family
ID=61206585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710839637.3A Pending CN107730000A (zh) | 2017-09-15 | 2017-09-15 | 用于空调的冷媒泄漏检测方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11614249B2 (zh) |
EP (1) | EP3637328A4 (zh) |
CN (1) | CN107730000A (zh) |
WO (1) | WO2019052241A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN110454904A (zh) * | 2018-05-07 | 2019-11-15 | 珠海格力电器股份有限公司 | 除湿机中冷媒含量的处理方法和装置 |
CN110657552A (zh) * | 2019-09-04 | 2020-01-07 | 特灵空调系统(中国)有限公司 | 故障检测方法、换热系统及计算机可读存储介质 |
CN110671779A (zh) * | 2019-10-24 | 2020-01-10 | 宁波奥克斯电气股份有限公司 | 空调器的冷媒余量检测方法、装置、服务器及存储介质 |
CN111750491A (zh) * | 2020-05-14 | 2020-10-09 | 海信(山东)空调有限公司 | 一种空调及基于神经网络的空调控制方法 |
CN112288057A (zh) * | 2020-11-04 | 2021-01-29 | 广州粤创富科技有限公司 | 一种多模式宠物实时定位的方法、设备及存储介质 |
CN112665790A (zh) * | 2020-12-21 | 2021-04-16 | 广东美的暖通设备有限公司 | 冷媒泄漏检测方法、装置及设备 |
CN113091233A (zh) * | 2021-04-01 | 2021-07-09 | 特灵空调系统(中国)有限公司 | 空调冷媒量确定方法、系统和可读存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348398B (zh) * | 2019-07-15 | 2022-12-13 | 上海点积实业有限公司 | 一种神经网络模型确定方法和系统 |
US11231198B2 (en) | 2019-09-05 | 2022-01-25 | Trane International Inc. | Systems and methods for refrigerant leak detection in a climate control system |
JP6791429B1 (ja) * | 2019-09-09 | 2020-11-25 | ダイキン工業株式会社 | 冷媒量判定装置、方法、およびプログラム |
CN112665107B (zh) * | 2020-12-21 | 2023-03-14 | 广东美的暖通设备有限公司 | 制冷剂泄漏检测方法、装置及设备 |
CN113357773A (zh) * | 2021-05-31 | 2021-09-07 | 青岛海尔空调器有限总公司 | 用于空调控制的方法、装置和空调 |
CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
CN114234360B (zh) * | 2021-11-09 | 2023-06-23 | 海信(广东)空调有限公司 | 空调器及其制冷剂泄漏检测方法 |
CN114088212A (zh) * | 2021-11-29 | 2022-02-25 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
KR20230088078A (ko) * | 2021-12-10 | 2023-06-19 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
CN114838496B (zh) * | 2022-04-22 | 2024-02-23 | 北京百车宝科技有限公司 | 基于人工智能的空调消声器性能检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106705384A (zh) * | 2017-02-09 | 2017-05-24 | 美的集团股份有限公司 | 冷媒泄漏的提醒方法及装置和空调器 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000222046A (ja) * | 1999-02-01 | 2000-08-11 | Isao Takahashi | ニューラルネット温度コントロール装置 |
KR100432224B1 (ko) * | 2002-05-01 | 2004-05-20 | 삼성전자주식회사 | 공기 조화기의 냉매 누설 검출 방법 |
US7111469B2 (en) * | 2004-09-22 | 2006-09-26 | Horan Christopher J | Process for refrigerant charge level detection using a neural net |
US20110112814A1 (en) * | 2009-11-11 | 2011-05-12 | Emerson Retail Services, Inc. | Refrigerant leak detection system and method |
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 |
CN105372087B (zh) * | 2015-11-30 | 2018-06-22 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN105928156B (zh) * | 2016-05-12 | 2018-08-07 | 广东美的制冷设备有限公司 | 冷媒泄漏检测方法、冷媒泄漏检测装置及空调器 |
DE102016110585A1 (de) * | 2016-06-08 | 2017-12-14 | Truma Gerätetechnik GmbH & Co. KG | Klimasystem und Verfahren zur Leckageerkennung in einem Klimasystem |
CN106322656B (zh) * | 2016-08-23 | 2019-05-14 | 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 |
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 |
-
2017
- 2017-09-15 CN CN201710839637.3A patent/CN107730000A/zh active Pending
-
2018
- 2018-06-13 EP EP18856758.0A patent/EP3637328A4/en active Pending
- 2018-06-13 US US16/633,580 patent/US11614249B2/en active Active
- 2018-06-13 WO PCT/CN2018/091070 patent/WO2019052241A1/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106705384A (zh) * | 2017-02-09 | 2017-05-24 | 美的集团股份有限公司 | 冷媒泄漏的提醒方法及装置和空调器 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110454904B (zh) * | 2018-05-07 | 2020-12-11 | 珠海格力电器股份有限公司 | 除湿机中冷媒含量的处理方法和装置 |
CN110454904A (zh) * | 2018-05-07 | 2019-11-15 | 珠海格力电器股份有限公司 | 除湿机中冷媒含量的处理方法和装置 |
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 |
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 |
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 |
CN110657552A (zh) * | 2019-09-04 | 2020-01-07 | 特灵空调系统(中国)有限公司 | 故障检测方法、换热系统及计算机可读存储介质 |
CN110671779A (zh) * | 2019-10-24 | 2020-01-10 | 宁波奥克斯电气股份有限公司 | 空调器的冷媒余量检测方法、装置、服务器及存储介质 |
CN110671779B (zh) * | 2019-10-24 | 2022-01-25 | 宁波奥克斯电气股份有限公司 | 空调器的冷媒余量检测方法、装置、服务器及存储介质 |
CN111750491A (zh) * | 2020-05-14 | 2020-10-09 | 海信(山东)空调有限公司 | 一种空调及基于神经网络的空调控制方法 |
CN111750491B (zh) * | 2020-05-14 | 2022-01-18 | 海信(山东)空调有限公司 | 一种空调及基于神经网络的空调控制方法 |
CN112288057A (zh) * | 2020-11-04 | 2021-01-29 | 广州粤创富科技有限公司 | 一种多模式宠物实时定位的方法、设备及存储介质 |
CN112665790A (zh) * | 2020-12-21 | 2021-04-16 | 广东美的暖通设备有限公司 | 冷媒泄漏检测方法、装置及设备 |
CN112665790B (zh) * | 2020-12-21 | 2023-03-14 | 广东美的暖通设备有限公司 | 冷媒泄漏检测方法、装置及设备 |
CN113091233A (zh) * | 2021-04-01 | 2021-07-09 | 特灵空调系统(中国)有限公司 | 空调冷媒量确定方法、系统和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11614249B2 (en) | 2023-03-28 |
EP3637328A1 (en) | 2020-04-15 |
WO2019052241A1 (zh) | 2019-03-21 |
US20200208861A1 (en) | 2020-07-02 |
EP3637328A4 (en) | 2020-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730000A (zh) | 用于空调的冷媒泄漏检测方法和装置 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
CN107818344A (zh) | 用户行为进行分类和预测的方法和系统 | |
CN106645563A (zh) | 一种基于种植设备的病虫害预测方法及装置 | |
CN109360097A (zh) | 基于深度学习的股票预测方法、装置、设备及存储介质 | |
CN107832780A (zh) | 基于人工智能木板分选低置信度样本处理方法及系统 | |
CN109858516A (zh) | 一种基于迁移学习的火灾和烟雾预测方法、系统和介质 | |
CN113205203A (zh) | 基于cnn-lstm的建筑能耗预测方法和系统 | |
CN108549685A (zh) | 行为分析方法、装置、系统及可读存储介质 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN107655162A (zh) | 冷媒检测方法、装置、除湿机及设备 | |
CN110070026A (zh) | 基于模式识别的视频图像危险态势感知方法、系统、装置 | |
CN109034175A (zh) | 数据处理方法、装置及设备 | |
CN107633421A (zh) | 一种市场预测数据的处理方法及装置 | |
CN113552855B (zh) | 工业设备动态阈值设定方法、装置、电子设备及存储介质 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
US20230140696A1 (en) | Method and system for optimizing parameter intervals of manufacturing processes based on prediction intervals | |
CN113987261B (zh) | 一种基于动态信任感知的视频推荐方法及系统 | |
CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
CN103761530B (zh) | 一种基于相关向量机的高光谱图像解混方法 | |
CN113778042B (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
Venkatesh et al. | An efficient method for predicting linear regression with polynomial regression | |
CN109886288A (zh) | 一种用于电力变压器的状态评价方法及装置 | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |
|
RJ01 | Rejection of invention patent application after publication |