CN109060115A - 设备的噪音分析方法、装置、存储介质和系统 - Google Patents

Abstract

本申请涉及一种设备的噪音分析方法、装置、存储介质和系统，方法包括：获取设备运行时的噪音数据和机组运行数据；根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；根据参考噪音值和噪音值得到分析结果。通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，因在特定工况下进行分析，考虑了各种影响因素，分析准确性高。

Description

设备的噪音分析方法、装置、存储介质和系统

技术领域

本申请涉及噪音检测技术领域，特别是涉及一种设备的噪音分析方法、装置、存储介质和系统。

背景技术

噪音泛指嘈杂、刺耳的声音。从环境保护的角度看：凡是妨碍到人们正常休息、学习和工作的声音，以及对人们要听的声音产生干扰的声音，都属于噪声。噪声是一类引起人烦躁、或音量过强而危害人体健康的声音。很多家用设备也会产生比较大的噪音，给日常生活带来不便，如空调机组。

目前由于各设备机组在出厂前，机组噪音测试是在额定工况下进行的，采集到的数据仅用于机组参数的标定。以空调机组为例，目前对于空调机组噪音的评定主要集中对压缩机以及风机系统的噪音上，然而机组的噪音实际上受到许多因素的影响，例如生产工艺、安装方式、机组的运行环境、机组冷媒灌注量、机组各元器件等等影响的综合作用。因此传统的噪音测试没法准确得到机组的噪音影响机制，亟需一种能准确分析设备实际运行过程中的机组的噪音的方法。

发明内容

基于此，有必要针对上述技术问题，提供一种分析准确性高的设备的噪音分析方法、装置、存储介质和系统。

一种设备的噪音分析方法，所述方法包括：

获取设备运行时的噪音数据和机组运行数据；

根据所述噪音数据和所述机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，所述训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；

根据参考噪音值和所述噪音值得到分析结果。

在其中一个实施例中，所述训练后的噪音神经网络模型通过下述方式获得：

获取训练样本数据和噪音神经网络模型；

根据所述训练样本数据对所述噪音神经网络模型进行训练，得到训练后的噪音神经网络模型。

在其中一个实施例中，所述根据所述参考噪音值和所述噪音值得到分析结果的步骤之后，还包括：

根据所述分析结果输出机组的运行参数控制信号，所述机组的运行参数控制信号用于控制控制器对应调节机组的运行参数。

在其中一个实施例中，所述根据所述分析结果输出机组的运行参数控制信号的步骤，包括：

根据所述分析结果输出待调节信息；

在接收到对应所述待调节信息输入的确认信号后，根据所述待调节信息输出机组的运行参数控制信号。

一种设备的噪音分析装置，所述装置包括：

数据获取模块，用于获取设备运行时的噪音数据和机组运行数据；

噪音值分析模块，用于根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，所述训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件产生的噪音值之间的映射关系；

分析结果确定模块，用于根据参考噪音值和所述噪音值得到分析结果。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取设备运行时的噪音数据和机组运行数据；

根据所述噪音数据和所述机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，所述训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；

根据参考噪音值和所述噪音值得到分析结果。

一种设备噪音分析系统，包括通信连接的数据采集装置和噪音分析设备，

所述数据采集装置用于获取设备运行时的噪音数据和机组运行数据并发送至所述噪音分析设备；

所述噪音分析设备用于执行上述噪音分析方法得到分析结果。

上述设备的噪音分析方法、装置、存储介质和系统，获取设备运行时的噪音数据和机组运行数据；根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；根据参考噪音值和噪音值得到分析结果。通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，因在特定工况下进行分析，考虑了各种影响因素，分析准确性高。

附图说明

图1为一个实施例中设备的噪音分析方法的流程示意图；

图2为另一个实施例中设备的噪音分析方法的流程示意图；

图3为又一个实施例中设备的噪音分析方法的流程示意图；

图4为又一个实施例中设备的噪音分析方法的流程示意图；

图5为一个实施例中设备的噪音分析装置的结构框图；

图6为另一个实施例中设备的噪音分析装置的结构框图；

图7为一个实施例中设备噪音分析系统的结构框图；

图8为另一个实施例中设备噪音分析系统的结构框图；

图9为又一个实施例中设备噪音分析系统的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种设备的噪音分析方法，以该方法应用于噪音分析设备为例进行说明，包括以下步骤：

步骤S110：获取设备运行时的噪音数据和机组运行数据。

具体地，在本实施例中，以设备为空调设备、机组为空调机组、噪音分析设备为服务器为例进行说明；噪音数据采用噪声大小(声压级)来表示，噪音数据可以是原始数据，也可以是经处理后的数据，在本实施例中，噪音数据是经处理后的数据，当噪音数据是经处理后的数据时，即为数据采集装置采集原始噪音数据进行处理后得到噪音数据并发送的；在另一个实施例中，也可以是噪音数据为原始噪音数据，在获取到原始噪音数据后，需要对原始噪音数据进行处理得到处理后的噪音数据，原始噪音数据包括内机侧的机组运行噪音数据、外机侧的机组运行噪音数据和环境噪音数据，根据环境噪音数据对外机侧的机组运行噪音数据进行过滤，得到过滤后的外机侧的机组运行噪音数据；根据过滤后的外机侧的机组运行噪音数据和内机侧的机组运行噪音数据得到处理后噪音数据，可以理解，数据的处理可以放在数据采集装置端也可以是服务器端。

机组运行数据包括压缩机频率、风机频率、电子膨胀阀开度、电流参数等等参数，机组运行数据与系统可靠性、性能、噪声等存在密切关系，由于机组的安装、环境等差异，机组运行参数有所差异，在本实施例中，数据采集装置采集到机组运行数据后，会按照预设数据库格式如压缩机-目标功率-实际功率的形式利用基于NB-LOT技术进行传送至服务器，利用该技术有效的克服采用GPRS传递的数据丢包以及成本高昂的缺点，可以使接收到的数据完整，有利于增加后续噪音分析的准确性。

步骤S120：根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系。

具体地，服务器获取到的噪音数据和机组运行数据是各地区数据采集装置传输过来的数据，根据各地区的噪音数据和机组运行数据采用训练后的噪音神经网络模型进行分析得到噪音值，其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系，机组内各元器件运行时都会产生一个对应的噪音值。可以理解，并不一定是限定成噪音值，也可以是噪音频谱等。

步骤S130：根据参考噪音值和噪音值得到分析结果。

具体地，参考噪音值为各机组元器件运行时产生的噪音的合理范围值，在本实施例中，只取参考噪音值中合理范围值的最大合理范围值，各机组元器件众多，每一元器件都对应一个参考噪音值，通过训练后的噪音神经网络模型分析得到的机组内各元器件运行时产生的噪音值，将对应的噪音值和参考噪音值进行比对，即机组内同一元器件的噪音值和参考噪音值进行比对，可分析得出哪些元器件在运行时产生的噪音值大于对应的参考噪音值，从而分析得到噪音产生原因，分析出具体是哪些因素对噪音影响比较大。

上述设备的噪音分析方法，通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，在特定工况下进行分析，分析准确性高。

在一个实施例中，训练后的噪音神经网络模型通过下述方式获得：获取训练样本数据和噪音神经网络模型；根据训练样本数据对噪音神经网络模型进行训练，得到训练后的噪音神经网络模型。

具体地，噪音神经网络模型为初始噪音神经网络模型，即输入层、隐含层和输出层之间的映射关系，首先根据现有逻辑运行，并记录每次机组运行数据，将该机组运行数据发回后，依据机组内各元器件型号从本地数据库中提取各元器件如冷凝器等具体数据，进一步地，训练样本数据中包括测试样本数据和验证样本数据。

利用反向传播算法，激活函数采用Relu，将测试样本数据导入噪音神经网络模型进行学习，结合验证样本数据不断更新调整权重，使神经网络对齐，完成训练。

在一个实施例中，如图2所示，步骤S130之后还包括步骤S140。

步骤S140：根据分析结果输出机组的运行参数控制信号，机组的运行参数控制信号用于控制控制器对应调节机组的运行参数。

具体地，在分析得出哪些元器件在运行时产生的噪音值大于对应的参考噪音值后，从而分析得到噪音产生原因，需要采取干预手段进行降噪，即对分析得到的噪音值不在参考噪音值范围内的元器件的运行参数进行修正，得到设备的最佳运行参数，输出机组的运行参数控制信号，远程控制控制器即空调控制器对应调节机组的运行参数，远程对机组的控制逻辑进行优化升级，使机组运行在最佳的参数范围，完成设备的后台升级，保证机组性能和可靠性，同时不会影响到用户的体验感。避免了传统的机组在运行过程中的噪音、性能等参数无法准确评估；机组的运行中的故障也无法准确处理的问题。

在一个实施例中，如图3所示，步骤S140包括步骤S142和步骤S144。

步骤S142：根据分析结果输出待调节信息。

具体地，在分析得出哪些元器件在运行时产生的噪音值大于对应的参考噪音值后，根据分析结果输出待调节信息并显示以供技术人员查看，即哪些元器件的运行参数过大或者过小，该元器件的运行参数待调节多少才能使噪音值达到参考噪音值范围内。

步骤S144：在接收到对应待调节信息输入的确认信号后，根据待调节信息输出机组的运行参数控制信号。

具体地，技术人员在查看待调节信息后，会根据待调节信息判断待调节信息是否正确，若待调节信息正确，就点击确认，服务器在接收到对应待调节信息输入的确认信号后，根据待调节信息输出机组的运行参数控制信号，实现对机组控制逻辑的远程升级优化，进一步增加控制的安全性，以免控制错误增加机组运行风险。

在另一个实施例中，如图4所示，步骤S130之后还包括步骤S150：接收根据分析结果输入的待调节信息，根据待调节信息输出机组的运行参数控制信号。

具体地，服务器得到分析结果后，也可不进行进一步处理，由技术人员根据分析结果分析得到待调节信息，将待调节信息输入服务器中，服务器根据调节信息输出机组的运行参数控制信号实现对机组控制逻辑的远程升级优化。

上述设备的噪音分析方法，通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，在特定工况下进行分析，分析准确性高；在准确分析得到分析结果后，采取干预手段对机组的控制逻辑进行优化从而降噪，即对分析得到的噪音值不在参考噪音值范围内的元器件的运行参数进行修正，得到设备的最佳运行参数，输出机组的运行参数控制信号，远程对机组的控制逻辑进行优化升级，使机组运行在最佳的参数范围，保证机组性能和可靠性，同时不会影响到用户的体验感。

应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种设备的噪音分析装置，包括数据获取模块110、噪音值分析模块120和分析结果确定模块130，其中，

数据获取模块110，用于获取设备运行时的噪音数据和机组运行数据；噪音值分析模块120，用于根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件产生的噪音值之间的映射关系；分析结果确定模块130，用于根据参考噪音值和噪音值得到分析结果。

在一个实施例中，训练后的噪音神经网络模型通过下述方式获得：获取训练样本数据和噪音神经网络模型；根据训练样本数据对噪音神经网络模型进行训练，得到训练后的噪音神经网络模型。

在一个实施例中，如图6所示，分析结果确定模块130之后，还包括控制模块140，控制模块140用于根据分析结果输出机组的运行参数控制信号，机组的运行参数控制信号用于控制控制器对应调节机组的运行参数。

在一个实施例中，控制模块140包括待调节信息确定单元和控制单元，待调节信息确定单元用于根据分析结果输出待调节信息；控制单元用于在接收到对应待调节信息输入的确认信号后，根据待调节信息输出机组的运行参数控制信号。

上述设备的噪音分析装置，通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，在特定工况下进行分析，分析准确性高；在准确分析得到分析结果后，采取干预手段对机组的控制逻辑进行优化从而降噪，即对分析得到的噪音值不在参考噪音值范围内的元器件的运行参数进行修正，得到设备的最佳运行参数，输出机组的运行参数控制信号，远程对机组的控制逻辑进行优化升级，使机组运行在最佳的参数范围，保证机组性能和可靠性，同时不会影响到用户的体验感。

关于噪音分析装置的具体限定可以参见上文中对于噪音分析方法的限定，在此不再赘述。上述噪音分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取设备运行时的噪音数据和机组运行数据；根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；根据参考噪音值和噪音值得到分析结果。

在一个实施例中，计算机程序被处理器执行时，训练后的噪音神经网络模型通过下述方式获得：获取训练样本数据和噪音神经网络模型；根据训练样本数据对噪音神经网络模型进行训练，得到训练后的噪音神经网络模型。

在一个实施例中，计算机程序被处理器执行时，根据参考噪音值和噪音值得到分析结果的步骤之后，还包括：根据分析结果输出机组的运行参数控制信号，机组的运行参数控制信号用于控制控制器对应调节机组的运行参数。

在一个实施例中，计算机程序被处理器执行时，根据分析结果输出机组的运行参数控制信号的步骤，包括：根据分析结果输出待调节信息；在接收到对应待调节信息输入的确认信号后，根据待调节信息输出机组的运行参数控制信号。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

在一个实施例中，如图7所示，一种设备噪音分析系统，包括通信连接的数据采集装置210和噪音分析设备220，数据采集装置210用于获取设备运行时的噪音数据和机组运行数据并发送至噪音分析设备220；噪音分析设备220用于执行噪音分析方法得到分析结果。

具体地，在本实施例中，数据采集装置210用于获取设备运行时的噪音数据包括：采集外机侧的机组运行噪音数据、内机侧的机组运行噪音数据和环境噪音数据；根据环境噪音数据对外机侧的机组运行噪音数据进行过滤，得到过滤后的外机侧的机组运行噪音数据；根据过滤后的外机侧的机组运行噪音数据和内机侧的机组运行噪音数据得到噪音数据。

在一个实施例中，如图8所示，设备噪音分析系统还包括控制器230，控制器230通信连接数据采集装置210，数据采集装置210还用于采集室内环境数据并发送至控制器230；控制器230用于根据接收的室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数；其中，训练后的环境参数神经网络模型表征室内环境数据与适用室内环境参数之间的映射关系；以及根据适用室内环境参数控制对应机组的运行参数。

具体地，控制器230为内置在机组中的AI芯片，AI芯片中内置训练后的环境参数神经网络模型，数据采集装置210采集的室内环境数据包括室内面积、室内温度、室内用户数量等参数，当控制器230接收到室内有用户的信号时，可自动控制空调开启，并根据室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数，适用室内环境参数包括适用室内温度、风速等，在得到适用室内环境参数后，根据适用室内环境参数控制对应机组的运行参数，使空调的温度、风速等参数达到适用室内环境参数，让用户可以脱离遥控器，提升用户体验。

在一个实施例中，控制器230还用于连接噪音分析设备220，噪音分析设备220用于根据分析结果输出机组的运行参数控制信号；控制器230用于根据接收的运行参数控制信号对应调节机组的运行参数。

在一个实施例中，训练后的环境参数神经网络模型通过下述方式获取：获取用户习惯训练样本数据和环境参数神经网络模型；根据用户习惯训练样本数据对环境参数神经网络模型进行训练，得到训练后的环境参数神经网络模型。

具体地，用户习惯训练样本数据包括用户设置参数训练样本数据和室内环境样本数据，用户设置参数训练样本数据从内机侧的数据中筛选得出，主要是指用户习惯数据，即指用户平时习惯设置的空调温度、风速、模式等参数，室内环境样本数据即指当时所处的室内温度、湿度等参数，用户习惯训练样本数据中同样包括测试样本数据和验证样本数据，利用反向传播算法，将整理好的数据按照类型发送至内置在机组中的AI芯片中进行学习，将测试样本数据导入环境参数神经网络模型进行学习，结合验证样本数据不断更新调整权重，使神经网络对齐，完成训练。可以使得空调设备能根据用户的作息习惯，以及使用习惯进行智能的控制，让空调自动运行到用户最佳参数。

在一个实施例中，如图9所示，设备噪音分析系统还包括可穿戴设备240，可穿戴设备240通信连接控制器230，可穿戴设备240用于采集用户的生理数据并发送至控制器230；控制器230还用于接收生理数据，根据生理数据和室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数；以及根据适用室内环境参数控制对应机组的运行参数。

具体地，可穿戴设备240包括运动手环、智能手表等可采集生理数据采集设备；生理数据主要包括心率、体温、血压等，可穿戴设备240采集用户的生理数据后发送至控制器230，控制器230可结合生理数据和室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数，即在根据室内环境数据采用训练后的环境参数神经网络模型分析得到适用室内环境参数的基础上，会结合用户当前的身体状况进一步对适用室内环境参数进行调节，如检测到用户发烧时，即会控制适用室内环境参数如温度比用户体温正常时的高。让机组控制器230可以根据用户当前的状态来反馈，然后适当调整空调设置参数，对机组进行个性化地升级。

进一步地，还可包括其他外接设备，机组控制器的用户习惯数据自学习目前分为两部分，第一部分为空调部分(即用户设置类数据)和外接部分(空调加入智能家居系统，可以获取其他设备的数据信息，例如：健康设备、监控设备、其他空气处理设备(例如：空气净化器)等。通过结合更多的设备数据，通过内置AI芯片的机器学习算法(神经网络)，让空调能够智能高效的运行。

上述设备噪音分析系统，通过训练后的噪音神经网络模型，将设备运行时的噪音数据和机组运行数据导入，可得到机组内各元器件运行时产生的噪音值，根据机组内各元器件的参考噪音值即可准确分析得到各元器件运行对于噪音的影响，在特定工况下进行分析，分析准确性高；在准确分析得到分析结果后，采取干预手段对机组的控制逻辑进行优化从而降噪，即对分析得到的噪音值不在参考噪音值范围内的元器件的运行参数进行修正，得到设备的最佳运行参数，输出机组的运行参数控制信号，远程对机组的控制逻辑进行优化升级，使机组运行在最佳的参数范围，保证机组性能和可靠性，同时不会影响到用户的体验感。

进一步地，通过集成在控制器上的AI芯片学习用户的作息习惯以及使用习惯，让空调变得智能化，让用户可以脱离遥控器，通过外接设备传输的数据，让控制器可以根据用户当前的状态来反馈，适当调整适用室内环境参数，通过控制器的自我升级以及噪音分析设备的远程后台升级，优化机组控制逻辑，提高便利性以及提升用户体验。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种设备的噪音分析方法，所述方法包括：

获取设备运行时的噪音数据和机组运行数据；

根据所述噪音数据和所述机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，所述训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件运行时产生的噪音值之间的映射关系；

根据参考噪音值和所述噪音值得到分析结果。

2.根据权利要求1所述的方法，其特征在于，所述训练后的噪音神经网络模型通过下述方式获得：

获取训练样本数据和噪音神经网络模型；

根据所述训练样本数据对所述噪音神经网络模型进行训练，得到训练后的噪音神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述参考噪音值和所述噪音值得到分析结果的步骤之后，还包括：

根据所述分析结果输出机组的运行参数控制信号，所述机组的运行参数控制信号用于控制控制器对应调节机组的运行参数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述分析结果输出机组的运行参数控制信号的步骤，包括：

根据所述分析结果输出待调节信息；

在接收到对应所述待调节信息输入的确认信号后，根据所述待调节信息输出机组的运行参数控制信号。

5.一种设备的噪音分析装置，其特征在于，所述装置包括：

数据获取模块，用于获取设备运行时的噪音数据和机组运行数据；

噪音值分析模块，用于根据噪音数据和机组运行数据，采用训练后的噪音神经网络模型分析得到噪音值；其中，所述训练后的噪音神经网络模型表征噪音数据、机组运行数据和机组内各元器件产生的噪音值之间的映射关系；

分析结果确定模块，用于根据参考噪音值和所述噪音值得到分析结果。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。

7.一种设备噪音分析系统，其特征在于，包括通信连接的数据采集装置和噪音分析设备，

所述数据采集装置用于获取设备运行时的噪音数据和机组运行数据并发送至所述噪音分析设备；

所述噪音分析设备用于执行如权利要求1至4中任一项所述的方法得到分析结果。

8.根据权利要求7所述的系统，其特征在于，还包括控制器，所述控制器通信连接所述数据采集装置，

所述数据采集装置还用于采集室内环境数据并发送至所述控制器；

所述控制器用于根据接收的所述室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数；其中，所述训练后的环境参数神经网络模型表征室内环境数据与适用室内环境参数之间的映射关系；以及根据所述适用室内环境参数控制对应机组的运行参数。

9.根据权利要求7所述的系统，其特征在于，所述数据采集装置用于获取设备运行时的噪音数据，包括：

采集外机侧的机组运行噪音数据、内机侧的机组运行噪音数据和环境噪音数据；

根据所述环境噪音数据对所述外机侧的机组运行噪音数据进行过滤，得到过滤后的外机侧的机组运行噪音数据；

根据所述过滤后的外机侧的机组运行噪音数据和所述内机侧的机组运行噪音数据得到噪音数据。

10.根据权利要求7所述的系统，其特征在于，还包括可穿戴设备，所述可穿戴设备通信连接所述控制器，

所述可穿戴设备用于采集用户的生理数据并发送至所述控制器；

所述控制器还用于接收所述生理数据，根据所述生理数据和所述室内环境数据，采用训练后的环境参数神经网络模型分析得到适用室内环境参数；以及根据所述适用室内环境参数控制对应机组的运行参数。