CN109579220A - 空调系统故障检测方法、装置、电子设备 - Google Patents

Abstract

本申请涉及空调技术领域，尤其涉及一种空调系统故障检测方法、装置、电子设备。所述空调系统故障检测方法，包括：获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；获取实时检测的故障音频数据，提取出故障音频特征信息；将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。根据本发明提供的方案，利用智能决策手段能够准确地检测出故障音频数据对应的空调系统的故障类型。

Description

空调系统故障检测方法、装置、电子设备

技术领域

本申请涉及空调技术领域，具体而言，本申请涉及一种空调系统故障检测方法、装置、电子设备。

背景技术

空调系统中的冷却塔用于散热，水泵电机循环管道内的水带走冷凝器内冷媒的热量，水把冷凝器内热量带走后，在水泵的作用下循环进入冷却塔，通过水在冷却塔中的流动把热量传递给冷却塔周围的空气，然后再次进入中央空调冷凝器吸收热量。由于空调的利用率越来越高，使用频率高导致电机出现故障的概率大，若冷却塔的风扇电机出现故障后，其转动发出的音频与正常情况有所不同。

通常需要经验丰富的人用耳朵听，通过个人经验进行判断，故障判断的准确率受个人经验和先天听力的影响，掌握该项技术需要长时间的经验积累和良好的听力，而合格的技术人员较少。

依赖现有的故障检测仪器进行各数据的检测及判断，检测准确度不高。

发明内容

本申请提供了一种空调系统故障检测方法、装置、电子设备，以实现准确判断空调故障类型的目的。技术方案如下：

本申请实施例首先提供了一种空调系统故障检测方法，包括：

获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

获取实时检测的故障音频数据，提取出故障音频特征信息；

将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

优选地，所述建立各种故障类型与各组音频的特征信息之间的关联关系的步骤，包括：

以所述音频样本集作为训练样本进行模型训练，获得故障分类模型。

优选地，所述将所述故障特征信息与故障音频数据库进行匹配，并根据所述关联关系确定空调系统的故障类型的步骤包括：

识别所述故障特征信息，根据所述故障分类模型获得所述故障特征信息对应的故障类型。

优选地，所述提取出故障特征信息的步骤之前，还包括：

获取所述故障音频发生时段内空调系统中两种不同部件的音频数据；

对比所述两种不同部件在故障音频发生时段的音频数据的特征信息；

若两种不同部件的特征信息发生同步变化，剔除所述故障音频数据。

优选地，所述剔除所述故障音频数据的步骤之前，还包括：

调控所述两种不同部件的电压或电流，获得所述两种不同部件的反馈音频数据；

若所述反馈音频数据与所述故障音频发生时段对应获得的音频数据发生同步变化，确定故障音频数据与电压或电流的变化有关。

优选地，所述提取所述音频样本集中各组音频的特征信息的步骤之前，还包括：

通过滤波算法对音频样本集中的音频数据进行去燥滤波；

和/或利用语音自动增益算法对音频样本集中的音频数据进行增益调整。

优选地，还包括：

按照预先建立的故障类型的等级标准确定故障等级，根据故障类型的不同等级发出相应的警告信息。

进一步地，空调系统故障检测装置，包括：

获得样本集模块，用于获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

建立关系模块，用于提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

提取特征模块，用于获取实时检测的故障音频数据，提取出故障音频特征信息；

匹配模块，用于将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

更进一步地，本申请实施例还提供了一种电子设备，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行上述任一项技术方案所述的空调系统故障检测方法的步骤。

更进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述任一技术方案所述的空调系统故障检测方法的步骤。

相比现有技术，本申请提供的方案具有以下优点：

本申请实施例提供的空调系统故障检测方法，通过提取音频样本集中音频的特征信息，建立所述特征信息与故障类型的关联关系，依据所述关联关系对当前故障音频进行判断，进行故障类型诊断，减少对人工经验的依赖，实现快速判断故障音频对应的故障类型，提高故障类型的诊断效率，同时降低了误判故障类型的概率。

本申请实施例提供的空调系统故障检测方法，通过建立故障类型模型作为各种故障类型与各组音频的特征信息之间的关联关系，由于深度学习算法有自学习和不断优化的特性，有利于建立优化的故障分类模型，提高判断故障音频数据对应的故障类型的准确度，故障分类模型的建立，有利于降低故障类型判断的时间和系统资源消耗量。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。

图1为本申请实施例提供的空调系统故障检测方法的流程示意图；

图2为本申请实施例提供的剔除部分故障音频数据的步骤的流程示意图；

图3为本申请另一实施例提供的剔除部分故障音频数据的步骤的流程示意图；

图4为本申请实施例提供的空调系统故障检测装置的框图；

图5为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请首先提供了一种空调系统故障检测方法，一种实施例中，所述空调系统故障检测方法的流程示意图如图1所示，包括步骤S110、S120、S130、S140，具体如下：

S110，获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

S120，提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

S130，获取实时检测的故障音频数据，提取出故障音频特征信息；

S140，将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

所述音频样本集中的音频的特征信息包括：音频的频率、波形、响度、音调等信息。空调系统中的部件，如风机、水泵等在运转时都会发出声响，若风机和水泵出现故障，会引起音频中某一种或某几种特征信息发生改变，不同的故障类型引起的音频特征信息的改变不同，因此可以通过识别不同故障类型对应的音频特征，作为判断故障类型的依据。

本申请实施例提供的故障检测方案，通过各种不同故障类型的音频样本集作为训练样本，建立音频的特征信息与故障类型之间的关联关系，依据该关联关系判断当前故障音频数据的故障类型，与人工判断相比，减少对人工经验的依赖，实现自动判断故障音频的故障类型，提高判断故障类型的准确度及效率，降低误判的概率。

具体地，S110，获取空调系统出现各故障类型时的多组音频数据，得到音频样本集。

空调系统出现的故障类型多种多样，所述故障类型包括：风机叶片松动、风机叶片损伤等。不同故障类型对应的音频数据是不同的，每种故障类型至少对应一种音频数据，调取空调系统的历史数据获得空调系统出现的各种故障类型及故障类型对应的音频数据，得到音频样本集。

优选地，音频样本集中每种故障类型至少对应存在一个音频样本，每种故障类型对应多于一个音频样本时，同一故障类型可以对应多种不同的音频样本，音频样本的数量及类型的增多可以优化形成的故障分类模型，有利于实现更精准的故障判断。利用多个样本训练同一故障类型的模型，能够提高故障分类模型的准确性，如故障类型为风机叶片出现裂痕，该种故障类型在音频频率上体现为频率段，利用多个音频样本能够确定该种故障类型对应的频段，音频样本越多，获得故障类型对应的音频特征的数值范围越精确。

S120，提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系。

不同故障类型对应的音频具有不同的特征信息，所述特征信息包括：频率、响度等，同一故障类型对应的音频也可能具有不同的特征信息，所述特征信息对应的数值可以是一个数据范围，因此，同一故障类型对应的音频的特征信息也是不同的，且各组音频信息的特征信息对应的数值均不同，有利于降低数据的重复性，更加有利于优化各种故障类型与各组音频的特征信息之间的关联关系。

一种实施例中，所述提取所述音频样本集中各组音频的特征信息的步骤之前，还包括：通过滤波算法对音频样本集中的音频数据进行去燥滤波，和/或利用语音自动增益算法对音频样本集中的音频数据进行增益调整，以去除音频数据中的环境噪声，突出故障音频的特征。

一种实施例中，可以采用维纳滤波、卡尔曼滤波、自适应等滤波算法(或谱减法)来滤除声音中的环境噪声，保留风机产生的声音，有利于针对风机产生的声音进行频率特征、波形特征的分析。一种实施例中，可以按照等响度曲线对语音的频率进行加权，有利于消除声音信号中的噪声干扰，大致分为两个部分：确定响度增益因子；把响度增益因子映射到等响度曲线上，确定最终各频率的增益权重，然后把各频率的声音信号与对应的增益权重相乘，得到增益后的声音信号。

一种实施例中，建立各种故障类型与各组音频的特征信息之间的关联关系的步骤，包括：

以所述音频样本集作为训练样本进行模型训练，获得故障分类模型。

优选地，利用深度学习算法，如神经网络算法等算法，以所述音频样本集作为训练样本，提取音频样本集中的特征信息，利用所述训练样本建立初级故障分类模型，并不断地进行自学习和不断优化，获得优化后的故障分类模型，所述故障分类模型能根据故障音频的特征信息确定对应的故障类型。

通过深度学习算法建立故障分类模型，所述故障分类模型可以看做其中包括与各种故障类型相对应的故障类型模型。通过建立故障类型模型作为各种故障类型与各组音频的特征信息之间的关联关系，由于深度学习算法有自学习和不断优化的特性，有利于建立准确的故障分类模型，提高判断故障音频数据对应的故障类型的准确度，故障分类模型建立后，有利于降低故障类型判断的时间和系统资源消耗量。

一种实施例中，所述故障检测方法，还包括：根据所述故障分类模型确定音频样本集在不同故障类型的预测概率，根据所述预测概率对所述故障分类模型进行优化。

具体地，获得初步的故障分类模型后，用音频样本集中的剩余音频样本对所述故障分类模型进行验证，获得故障分类模型对不同的故障类型的预测概率，由获得的故障分类模型给出音频样本集对不同故障类型的预测概率，以间接获得不同故障类型的相关程度，根据各故障类型的预设概率对故障分类模型进行优化，不断在音频采集装置采集的音频样本集中增加所需的故障类型、音频信号、反复进行验证和校正，进一步优化故障分类模型。

一种实施例中，所述建立各种故障类型与各组音频的特征信息之间的关联关系的步骤，包括：

统计每种故障类型对应的音频的特征信息之间的数值关系，如故障类型有4种，分析各种故障类型对应的音频数据的数值，标定各种故障类型对应的特征信息的数值，并将标定后的数值存储于数据库中，可以依据该数据库确定各种故障类型对应的特征信息的数值范围，如风机风叶松动的声响在66分贝至123分贝之间等等，也可以依据该数据库作为检索表，获得故障音频数据后，找到与该故障音频数据最为接近的特征信息的数值，该故障音频数据对应的故障类型与该最为接近的特征信息的数值的故障类型相同。该种方案无需利用复杂的算法，并随着音频样本数量的增多，故障类型诊断的准确度越高。

S130，获取实时检测的故障音频数据，提取出故障音频特征信息。

获取实时检测的故障音频数据，解析该故障音频数据，提取出故障音频的特征信息。

一种实施例中，所述提取出故障音频特征信息的步骤之前，还包括：剔除部分故障音频数据，包括步骤S210、S220、S230，其流程示意图如图2所示，具体如下：

S210，获取所述故障音频发生时段内空调系统中两种不同部件的音频数据。

所述空调系统中包括多个部件，如风扇风机、水泵电机等驱动部件，空调系统中的音频数据主要是由驱动部件发出的音频构成，对比空调系统中两种不同部件的音频数据，优选地，选取驱动部件的音频数据，接收到音频采集装置采集的两种不同部件的音频数据。

S220，对比所述两种不同部件在故障音频发生时段的音频数据的特征信息。

在对比所述两种音频数据的特征信息之前，还包括：解析所述两种不同部件在故障音频发生时段的音频数据，提取所述音频数据对应的特征信息。

S230，若两种不同部件的特征信息发生同步变化，剔除所述故障音频数据。

两种不同部件的特征信息在相同时段内发生变化，即同时发生异常，同时结束异常信息的变化，发生的变化优选为同步变化，如音频的响度同时增大或减小，检测到空调系统中不同部件发送上述变化，表明两种不同部件同步发生变化，排除单个部件自身出现故障的情况，该种情况包括但不限于天气原因导致的偶发性因素或者由于电流/电压变化引起的变化，这些原因可以不需要利用步骤S110至S140提供的方案进行剔除，可以利用本实施例提供的方案进行剔除所述故障音频数据。

本方案利用空调系统中两种不同部件对应的音频的特征信息，根据其特征信息的变化情况确定该故障音频数据是否为可排除的故障音频数据，若是，则剔除该故障音频数据，有利于保留更为复杂难以判断的故障音频数据，利用过滤后的故障音频数据能够提高判断故障音频数据对应的故障类型的准确性。

一种实施例中，所述剔除所述故障音频数据的步骤之前，还包括步骤S310、S320，其流程示意图如图3所示，具体如下：

S310，调控所述两种不同部件的电压或电流，获得所述两种不同部件的反馈音频数据。

所述两种不同部件优先风扇风机、水泵电机等驱动部件，控制所述两种不同部件的电压或电流发生同样幅度的变化，获得调控后两个不同部件的反馈音频数据。

S320，若所述反馈音频数据与所述故障音频发生时段对应获得的音频数据发生同步变化，确定故障音频数据与电压或电流的变化有关。

对比并解析所述反馈音频数据与所述故障音频发生时段对应获得的音频数据，若所述反馈音频数据与所述故障音频发生时段对应的音频数据发生同步变化，则确定故障音频数据的是由电压或电流引起的，是属于可剔除的故障音频数据。

本实施例提供的方案能够剔除由于电路系统中负载量变化等原因引起的电路电压或电流变化引起的音频异常，剔除该部分的故障音频数据，有利于获得更加有效的故障音频数据，提高获得优化后的故障分类模型的速度，即有利于提高故障类型与故障音频的特征信息之间的关联关系的效率。

S140，将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

一种实施例中，将所述故障特征信息与故障音频数据库进行匹配，并根据所述关联关系确定空调系统的故障类型的步骤，包括：

识别所述故障特征信息，根据所述故障分类模型获得所述故障特征信息对应的故障类型。根据上述实施例所述的故障特征信息，依据上述建立的故障分类模型获得所述故障特征信息对应的故障类型。利用故障分类模型能够快速而准确地获得对应的故障类型。

一种实施例中，所述空调系统的故障检测方法，还包括：按照预先建立的故障类型的等级标准确定故障等级，根据故障类型的不同等级发出相应的警告信息。

可选地，将所述故障类型的等级分为紧急故障类型和非紧急故障类型，所述故障类型为紧急故障类型时，发出包含空调系统出现紧急情况的警告信息，或/和以边框不断闪烁的提示框显示所述告警信息，或者控制与所述空调系统相关联的开关设备断开，以使所述空调系统失去动力停止运转。

所述故障类型为非紧急故障类型时，仅发送包含空调系统出现故障的提醒信息至与所述空调系统预先建立联系的终端及服务器端，所述提醒信息显示在与所述空调系统建立关联的终端和/或服务器的显示界面上。

优选地，预先建立故障类型的等级，包括：按照预先设定的评分标准对所述故障类型进行评分，分数高于预设阈值的为紧急故障类型，分数不高于预设阈值的为非紧急故障类型。

一种实施例中，评分标准设定为如下：风机出现叶片裂痕的分值为100分，风机叶片出现附着物的分值为80分，风机叶片松动分值为100分等。预设阈值设定为80分，当故障类型所对应的评分超过80分，则故障类型的等级为紧急故障类型，相应调取紧急类型的应对措施。

故障类型的等级还可以按照如下方式区分：解析该故障声音是否随着时间的推移，故障音频(频率、音响)越来越高，若是，则该故障类型的等级为紧急故障类型；若故障音频的变化与时间的变化无关，呈现偶然变化或周期性变化，则该故障类型为非紧急故障类型。

进一步地，本发明实施例还提供了一种空调系统故障检测装置，其结构示意图如图4所示，包括：获得样本集模块410、建立关系模块420、提取特征模块430、匹配模块440。

获得样本集模块410，用于获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

建立关系模块420，用于提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

提取特征模块430，用于获取实时检测的故障音频数据，提取出故障音频特征信息；

匹配模块440，用于将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

一种实施例中，所述提取特征模块430还包括：获取音频数据单元、对比单元、剔除单元。

所述获取音频数据单元，用于获取所述故障音频发生时段内空调系统中两种不同部件的音频数据；所述对比单元，用于对比所述两种不同部件在故障音频发生时段的音频数据的特征信息；所述剔除单元，用于若两种不同部件的特征信息发生同步变化，剔除所述故障音频数据。

关于上述实施例中的空调系统故障检测装置，其中各个模块、单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本申请实施例提供了一种电子设备，如图5所示，图5所示的电子设备500包括：处理器501和存储器503。其中，处理器501和存储器503相连，如通过总线502相连。可选地，电子设备500还可以包括收发器504。需要说明的是，实际应用中收发器504不限于一个，该电子设备500的结构并不构成对本申请实施例的限定。

处理器501可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器501也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

总线502可包括一通路，在上述组件之间传送信息。总线502可以是PCI总线或EISA总线等。总线502可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

存储器503可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

可选地，存储器503用于存储执行本申请方案的应用程序代码，并由处理器501来控制执行。处理器501用于执行存储器503中存储的应用程序代码，以实现上述实施例提供的空调系统的故障控制方法的步骤。

进一步地，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述实施例所示的空调系统的故障控制方法的步骤。

应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。

以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.空调系统故障检测方法，其特征在于，包括：

获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

获取实时检测的故障音频数据，提取出故障音频特征信息；

将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

2.根据权利要求1所述的空调系统故障检测方法，其特征在于，所述建立各种故障类型与各组音频的特征信息之间的关联关系的步骤，包括：

以所述音频样本集作为训练样本进行模型训练，获得故障分类模型。

3.根据权利要求2所述的空调系统故障检测方法，其特征在于，所述将所述故障特征信息与故障音频数据库进行匹配，并根据所述关联关系确定空调系统的故障类型的步骤包括：

识别所述故障特征信息，根据所述故障分类模型获得所述故障特征信息对应的故障类型。

4.根据权利要求1所述的空调系统故障检测方法，其特征在于，所述提取出故障特征信息的步骤之前，还包括：

获取所述故障音频发生时段内空调系统中两种不同部件的音频数据；

对比所述两种不同部件在故障音频发生时段的音频数据的特征信息；

若两种不同部件的特征信息发生同步变化，剔除所述故障音频数据。

5.根据权利要求4所述的空调系统故障检测方法，其特征在于，所述剔除所述故障音频数据的步骤之前，还包括：

调控所述两种不同部件的电压或电流，获得所述两种不同部件的反馈音频数据；

若所述反馈音频数据与所述故障音频发生时段对应获得的音频数据发生同步变化，确定故障音频数据与电压或电流的变化有关。

6.根据权利要求1所述的空调系统故障检测方法，其特征在于，所述提取所述音频样本集中各组音频的特征信息的步骤之前，还包括：

通过滤波算法对音频样本集中的音频数据进行去燥滤波；

和/或利用语音自动增益算法对音频样本集中的音频数据进行增益调整。

7.根据权利要求1所述的空调系统故障检测方法，其特征在于，还包括：

按照预先建立的故障类型的等级标准确定故障等级，根据故障类型的不同等级发出相应的警告信息。

8.空调系统故障检测装置，其特征在于，包括：

获得样本集模块，用于获取空调系统出现各故障类型时的多组音频数据，得到音频样本集；

建立关系模块，用于提取所述音频样本集中各组音频的特征信息，建立各种故障类型与各组音频的特征信息之间的关联关系；

提取特征模块，用于获取实时检测的故障音频数据，提取出故障音频特征信息；

匹配模块，用于将所述故障特征信息与故障音频数据库进行匹配并根据所述关联关系确定空调系统的故障类型。

9.一种电子设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于：执行根据权利要求1至7中任一项所述的空调系统故障检测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机指令，当其在计算机上运行时，使得计算机可以执行上述权利要求1至7中任一项所述的空调系统故障检测方法的步骤。