CN109657871A - 用于制冷系统的制冷剂含量预测方法 - Google Patents
用于制冷系统的制冷剂含量预测方法 Download PDFInfo
- Publication number
- CN109657871A CN109657871A CN201811613162.7A CN201811613162A CN109657871A CN 109657871 A CN109657871 A CN 109657871A CN 201811613162 A CN201811613162 A CN 201811613162A CN 109657871 A CN109657871 A CN 109657871A
- Authority
- CN
- China
- Prior art keywords
- refrigerant
- amount
- value
- refrigeration system
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种用于制冷系统的制冷剂含量预测方法，其分为建模实施过程和预测实施过程，其设定实施条件，确定测点位置与运行工况，通过静态灌注试验获取建模数据，通过建立制冷系统的温度参数变化与制冷剂含量关系模型，确定预测实施条件，选定工作模式，结合上述模型通过制冷系统温度预测该制冷系统的剩余使用寿命的方法，获取制冷系统的制冷剂含量，收集制冷剂含量的有效的退化值，得到制冷系统的剩余使用寿命。
Description
技术领域
本发明涉及制冷系统技术领域，具体涉及一种用于制冷系统的制冷剂含量预测方法。
背景技术
随着制冷系统的复杂性的不断增加，大多数故障检查和维护通过技工或机械师在现场进行工作，因此传统的故障诊断和维护变得极为费时并且昂贵，故障诊断、设备维护和寿命估计已经从发生故障才着手处理发展到根据工作过程中的预测结果进行预防性维护。而预防性维护和诊断通过可靠性和预测技术，不需要频繁地进行现场重复的工作，其预测频度可根据应用严重性和运行环境的进行变化，其能够有效地增加故障检查和维护的效率并且降低了故障检查及维护的费用。
发明内容
针对现有技术中存在的问题，本发明的目的在于提出一种用于制冷系统的制冷剂含量预测方法，通过测量制冷系统中的温度参数，建立温度变化与系统制冷剂含量的关系模型，将实测的制冷系统的温度值转化为制冷剂的含量，再通过制冷剂含量来预测该制冷系统的剩余使用寿命。
本发明的技术方案如下：
一种用于制冷系统的制冷剂含量预测方法，其具体步骤如下：
S1：预先设定制冷系统制冷剂的额定含量为Qmax以及设置灌注试验时制冷系统的最小制冷剂含量值Qmin；根据制冷系统制冷剂的额定含量设定退化阈值Qd和失效阈值Qf；
S2：确定温度数据的采集位置，确定制冷系统需要进行温度采集的测点位置，温度采集的测点位置包括蒸发器出口、压缩机入口、压缩机出口和蒸发器入口中一个或多个；
S3：确定温度数据的采集工况模式，保持温度采集时制冷系统工况不变，选定制冷系统的工作模式为预测模式，在预测模式下设定制冷系统的压缩机运行频率为第一运行频率且保持不变；
S4:在S3所述的工况下开展静态灌注试验将制冷剂灌注至所述制冷系统，将制冷系统中所灌注的制冷剂含量标记为Qk；初始时，所灌注的制冷剂含量为Q1；且Q1≥Qmin；
S5：进行制冷剂连续灌注，将每次增加灌注的制冷剂的含量记作ΔQ；
S6：获得制冷剂含量Qk和温度特征值Tk，其中k表示试验的灌注次数，k＝1，2,3，……；
S7：根据S6中所得的制冷剂含量值和温度特征值建立温度与制冷剂含量的关系模型；
S8：设置预测时温度的采集位置与S2中的测试条件保持一致，测点位置为所述蒸发器出口；预测时采集工况模式与S3的测试条件保持一致，保证工作模式处于预测模式；
S9：在S8所述条件下，采集实时温度值，所述位置采集的实时温度值平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qp所对应的温度特征值Tp，从而得到用于预测的温度特征值；
S10：将S9所得到的用于预测的温度特征值Tp输入到S7所述的模型中，得到制冷系统的制冷剂含量值Qp；
S11：判断制冷剂含量Qp与退化阈值Qd和失效阈值Qf之间的关系；
S12：判断S11中记录的制冷剂含量值的数量是否大于等于p，其中p为预先设定的制冷剂含量值的被记录的数量；
当S11中记录的制冷剂含量值的数量≥p，则转入S13,优选地，转入S13.1；
当S11中记录的制冷剂含量值的数量小于p，则判定当前制冷系统处于退化状态，但剩余寿命未知；
S13：将S12所记录的p个制冷剂含量值进行多项式拟合，得到拟合函数，代入失效阈值Qf，得到失效时刻，失效时刻减去预测时刻得到制冷系统的剩余寿命。
优选地，所述退化阈值Qd的范围为制冷剂的额定含量Qmax的80％-97％，所述退化阈值上限Qdmax为制冷剂的额定含量Qmax的97％，所述退化阈值下限Qdmin为制冷剂的额定含量Qmax的80％。
优选地，所述失效阈值Qf的范围为制冷剂的额定含量Qmax的30％-70％，所述失效阈值上限Qfmax为制冷剂的额定含量Qmax的70％，所述失效阈值下限Qfmin为制冷剂的额定含量Qmax的30％。
优选地，实验的最小制冷剂含量值Qmin为失效阈值的50％。
优选地，将温度采集的测点位置设定在所述蒸发器出口，所述蒸发器出口温度作为所选定的制冷系统的温度参数进行采集。
优选地，S5中具体包括如下步骤：
S5.1：待S2中所述位置采集的实时温度值经过第一预设之间达到平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qk所对应的温度特征值Tk；
S5.2：判断此时制冷系统中的制冷剂含量Qk是否大于Qmax，如果Qk大于或等于Qmax，则转入S6；
S5.3：若Qk小于Qmax，则转入S5.1，继续向制冷系统中灌注制冷剂，将增加灌注的制冷剂的含量记作ΔQ，此时制冷系统中制冷剂含量为Qk等于Q1+iΔQ；其中为i为增加灌注的次数，i＝1，2，…。
优选地，每次灌注制冷剂的变化量为ΔQ，其中ΔQ的取值范围为0.2g-5g，直到制冷剂的灌注量Qk在Qmax和Qmin的范围内全部试验完毕，得到全部制冷剂含量值Qk与温度特征值Tk。
优选地，S11的具体步骤如下：
S11.1：当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf之间时，即，制冷剂含量Qp≤退化阈值Qd且制冷剂含量Qp大于等于失效阈值Qf时，转入S11.3；当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf所包围的范围之外时，转入S11.2；
S11.2：判断制冷剂含量是否大于退化阈值Qd，当制冷剂含量Qp大于退化阈值Qd时，判定制冷系统工作正常；否则判定制冷系统失效；
S11.3：判断制冷剂含量Qp的有效性，如果制冷剂含量值Qp无效，则转入S9步骤中，重新进行温度采集；
如果制冷剂含量值Qp有效，转入S11.4；
S11.4：记录并保存该制冷剂含量Qp的数值与并对采集时刻所对应的时间Fm，其中m表示记录的次数，m＝1,2，3，…。
优选地，S13的具体步骤如下：
S13.1：利用多项式拟合的方法对靠近当前时刻的p个值进行拟合，获得拟合值；
S13.2：将失效阈值Qf代入拟合函数得到失效时间，所述失效时间为失效时刻对应的时间点；
S13.3：计算失效时间与当前时间的差值，得到制冷系统的剩余使用寿命。
优选地，S11.3中制冷剂含量值Qp是否有效的判断方法为，将本次采集的制冷剂含量值Qp与上次记录的制冷剂含量值Qp求差后取绝对值，当所得绝对值小于Δq时认为该值有效，Δq的取值范围为1-5g，优选值为2g；其中Δq为预先设定的制冷剂含量有效判据。
本发明的有益效果如下：
本发明提出的制冷剂含量预测方法主要包括制冷系统温度参数变化与制冷剂含量关系模型的建立方法，以及通过制冷剂含量预测制冷系统剩余使用寿命的方法。
在建模之前先要确定制冷系统温度采集的测点位置，测点位置的选择原则是测点位置温度对制冷剂含量的变化最敏感。进行实验获取建模所需温度数据以及预测制冷系统剩余使用寿命的数据都是在制冷系统处于预测模式下采集的，预测模式是制冷系统的一种运行模式，该模式下制冷系统运行工况始终保持不变。
建立制冷系统温度与制冷剂含量关系模型所采用的温度数据通过实验获得，首先定义制冷系统的额定制冷剂含量为Qmax，退化阈值Qd，失效阈值Qf；实验的实施方法为，在预测模式下，以静态灌注的形式，给压缩机灌注额定的制冷剂含量Qmax，待所测实时温度变化处于平稳状态，取多个实时温度值的某一统计值作为该制冷剂含量所对应的温度值Tmin；重复灌注实验，得到其他制冷剂含量所对应的温度值；在上述实验中，每次灌注的制冷剂含量的变化量保持一致；各个阈值的确定方法详见具体实施方式。利用上述实验中得到的制冷剂含量和温度数据，通过神经网络、线性回归等机器学习方法对实验数据进行处理，建立制冷系统制冷剂含量与温度的关系模型。
当制冷剂含量高于Qd时，则认为制冷系统处于正常状态；当制冷剂含量低于Qf时，则认为制冷系统处于失效状态；当制冷剂含量处于Qd和Qf之间时，则认为制冷系统处于退化状态，此时开始收集用于预测剩余寿命的温度数据。在上述收集用于预测剩余寿命的温度数据时，对数据进行有效性判断，当连续收集有效数据的数量大于等于p时，则进行拟合并求取剩余使用寿命，当连续收集的数据量小于p时，则不进行拟合。上述拟合采用的温度数据是靠近当前时间的p个有效数据，不考虑其他历史数据。通过拟合所得曲线的延伸线与失效阈值Qf的交点，计算获得制冷系统的剩余使用寿命。
制冷剂含量的下降会影响制冷系统的制冷性能，本发明能够及时准确地判断制冷系统制冷剂含量的变化，获得制冷系统的剩余使用寿命，实现制冷系统的制冷性能预测，为制冷系统的维护提供可靠方法。
附图说明
图1是根据本发明的用于制冷系统的制冷剂含量预测的阈值设置示意图。
图2是根据本发明的用于制冷系统的制冷剂含量预测方法的流程图。
具体实施方式
以下结合附图对本发明进行详细描述。
根据本发明的用于制冷系统的制冷剂含量预测方法，其分为建模实施过程和预测实施过程，其设定实施条件，确定测点位置与运行工况，通过静态灌注试验获取建模数据，通过建立制冷系统的温度参数变化与制冷剂含量关系模型，确定预测实施条件，选定工作模式，结合上述模型通过制冷系统温度预测该制冷系统的剩余使用寿命的方法，获取制冷系统的制冷剂含量，收集制冷剂含量的有效的退化值，得到制冷系统的剩余使用寿命，其具体步骤如下：
S1：预先设定制冷系统制冷剂的额定含量为Qmax以及设置灌注试验时制冷系统的最小制冷剂含量值Qmin；根据制冷系统制冷剂的含量设定第一阈值和第二阈值，第一阈值作为退化阈值Qd，第二阈值作为失效阈值Qf；不同的制冷系统都存在自身的特性，温度测量和制冷剂含量预测过程中均会存在一定的动态误差，所以阈值和其他参数的设置给出一定的范围，并通过试验的经验给出优选值，一方面能够兼顾不同制冷系统的特性，另外一方面能够对测量、采集以及预测算法中的动态误差具有兼容性；
优选地，退化阈值Qd的范围为制冷剂的额定含量Qmax的80％-97％，即退化阈值上限Qdmax为制冷剂的额定含量Qmax的97％，退化阈值下限Qdmin为制冷剂的额定含量Qmax的80％；
优选地，退化阈值Qd为额定值Qmax的90％；也就是说优选退化阈值Qd为制冷剂的额定含量Qmax的90％；
优选地，失效阈值Qf的范围为制冷剂的额定含量Qmax的30％-70％，即失效阈值上限Qfmax为制冷剂的额定含量Qmax的70％，失效阈值下限Qfmin为制冷剂的额定含量Qmax的30％；
优选地，失效阈值Qf为制冷剂的额定含量Qmax的50％，即优选失效阈值Qf为制冷剂的额定含量Qmax的50％；
优选地，实验的最小制冷剂含量值Qmin为失效阈值的50％，具体的各阈值的设置范围，如图1所示，图1的纵坐标表示制冷剂的相对含量，图1中横坐标依次为额定值、阈值范围上限、优选阈值、阈值范围下限。
优选地，当失效阈值为制冷剂的额定含量Qmax的50％，实验的最小制冷剂含量值Qmin为制冷剂的额定含量Qmax的25％。
S2：确定温度数据的采集位置，确定制冷系统需要进行温度采集的测点位置，温度采集的测点位置包括蒸发器出口、压缩机入口、压缩机出口、蒸发器入口中一个或多个；也就是说需要采集蒸发器出口温度、压缩机入口温度、压缩机出口温度和蒸发器入口温度中的一个或多个温度参数；
优选地，将温度采集的测点位置设定在蒸发器出口，即蒸发器出口温度作为所选定的制冷系统的温度参数进行采集。
S3：确定温度数据的采集工况模式，保持温度采集时制冷系统工况不变，即保持压缩机的工作频率不变；
具体地，选定制冷系统的工作模式为预测模式，在预测模式下设定制冷系统的压缩机运行频率为第一运行频率，确保控制部件，例如，风扇处于恒定工况下运行。
S4:在S3中的工况下开展静态灌注试验将制冷剂灌注至制冷系统，将制冷系统中所灌注的制冷剂含量标记为Qk；初始时，所灌注的制冷剂含量为Q1；且Q1≥Qmin；
优选地，Q1的初始值为Qmin。
S5：进行制冷剂连续灌注，将每次增加灌注的制冷剂的含量记作ΔQ；
S5中具体包括如下步骤：
S5.1：待S2中位置采集的实时温度值经过第一预设之间达到平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qk所对应的温度特征值Tk；
S5.2：判断此时制冷系统中的制冷剂含量Qk是否大于Qmax，如果Qk大于或等于Qmax，则转入S6；
S5.3：若Qk小于Qmax，则转入S5.1，继续向制冷系统中灌注制冷剂，将增加灌注的制冷剂的含量记作ΔQ，此时制冷系统中制冷剂含量为Qk等于Q1+iΔQ；其中为i为增加灌注的次数，i＝1，2，…；
优选地，其中n的取值范围为5-20，优先取值为10；
优选地，统计特征值可以是平均值、中位数或众数，优选地，统计特征值为平均值。
S6：获得制冷剂含量Qk和温度特征值Tk，其中k表示试验的灌注次数，k＝1，2,3，……；
每次灌注制冷剂的变化量为ΔQ，其中ΔQ的取值范围为0.2g-5g，优选值为1g；直到制冷剂的灌注量Qk在Qmax和Qmin的范围内全部实验完毕，得到全部制冷剂含量值Qk与温度特征值Tk。
S7：根据S6中所得的制冷剂含量值和温度特征值建立温度与制冷剂含量的关系模型；
优选地，采用机器学习的方法进行建模，建模方法包括神经网络、线性回归、支持向量机；优先选用神经网络的建模方法，得到制冷剂含量与温度的关系模型。
S8：设置预测时温度的采集位置与S2中的测试条件保持一致，测点位置为蒸发器出口；预测时采集工况模式与S3的测试条件保持一致，保证工作模式处于预测模式；
温度采集的测点位置包括蒸发器出口、压缩机入口、压缩机出口和蒸发器入口中一个或多个；也就是说需要采集蒸发器出口温度、压缩机入口温度、压缩机出口温度和蒸发器入口温度中的一个或多个温度参数；
优选地，将温度采集的测点位置设定在蒸发器出口，即蒸发器出口温度作为所选定的制冷系统的温度参数进行采集；
确定温度数据的采集工况模式，保持温度采集时制冷系统工况不变，即保持压缩机的工作频率不变；
具体地，选定制冷系统的工作模式为预测模式，在预测模式下设定制冷系统的压缩机运行频率为第一运行频率，确保控制部件，例如，风扇处于恒定工况下运行。
S9:在S8的条件下，采集实时温度值，采用S5中的方法得到用于预测的温度值；
具体地，位置采集的实时温度值平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qp所对应的温度特征值Tp；
优选地，其中n的取值范围为5-20，优先取值为10；
优选地，统计特征值可以是平均值、中位数或众数，优选地，统计特征值为平均值。
S10：将S9所得到的用于预测的温度特征值Tp映射输入到S7中的模型中，得到制冷系统的制冷剂含量值Qp；
S11：判断制冷剂含量Qp与退化阈值Qd和失效阈值Qf之间的关系；
S11.1：当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf之间时，即，制冷剂含量Qp≤退化阈值Qd且制冷剂含量Qp大于等于失效阈值Qf时，转入S11.3；当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf所包围的范围之外时，转入S11.2；
S11.2：判断制冷剂含量是否大于退化阈值Qd，当制冷剂含量Qp大于退化阈值Qd时，判定制冷系统工作正常；否则判定制冷系统失效；
S11.3：判断制冷剂含量Qp的有效性，如果制冷剂含量值Qp无效，则转入S9步骤中，重新进行温度采集；
如果制冷剂含量值Qp有效，转入S11.4；
S11.4：记录并保存该制冷剂含量Qp的数值与并对采集时刻所对应的时间Fm，m＝1,2，3，…；
也就是说，当制冷剂含量值Qp大于退化阈值Qd时，则认为制冷系统状态正常；当制冷剂含量值小于失效阈值Qf时，则认为制冷系统已经失效；
优选地，S11.3中制冷剂含量值Qp是否有效的判断方法为，将本次采集的制冷剂含量值Qp与上次记录的制冷剂含量值Qp求差后取绝对值，当所得绝对值小于Δq时认为该值有效，Δq的取值范围为1-5g，优选值为2g；其中Δq为预先设定的制冷剂含量有效判据。
S12：判断S11中记录的制冷剂含量值的数量是否大于等于p，其中p为预先设定的制冷剂含量值的被记录的数量；
当S11中记录的制冷剂含量值的数量≥p，则转入S13,优选地，转入S13.1；
当S11中记录的制冷剂含量值的数量小于p，则判定当前制冷系统处于退化状态，但剩余寿命未知；
否则认为上述p值得范围为4-10，优选值为4。
S13：将S12所记录的p个制冷剂含量值进行多项式拟合，得到拟合函数，代入失效阈值Qf，得到失效时刻，失效时刻减去预测时刻得到制冷系统的剩余寿命；
其具体步骤如下：
S13.1：利用多项式拟合的方法对靠近当前时刻的p个值进行拟合，获得拟合值；
S13.2：将失效阈值Qf代入拟合函数得到失效时间，失效时间为失效时刻对应的时间点；
S13.3：计算失效时间与当前时间的差值，得到制冷系统的剩余使用寿命。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种用于制冷系统的制冷剂含量预测方法，其特征在于，其具体步骤如下：
S1：预先设定制冷系统制冷剂的额定含量为Qmax以及设置灌注试验时制冷系统的最小制冷剂含量值Qmin；根据制冷系统制冷剂的额定含量设定退化阈值Qd和失效阈值Qf；
S2：确定温度数据的采集位置，确定制冷系统需要进行温度采集的测点位置，温度采集的测点位置包括蒸发器出口、压缩机入口、压缩机出口和蒸发器入口中一个或多个；
S3：确定温度数据的采集工况模式，保持温度采集时制冷系统工况不变，选定制冷系统的工作模式为预测模式，在预测模式下设定制冷系统的压缩机运行频率为第一运行频率且保持不变；
S4:在S3所述的工况下开展静态灌注试验将制冷剂灌注至所述制冷系统，将制冷系统中所灌注的制冷剂含量标记为Qk；初始时，所灌注的制冷剂含量为Q1；且Q1≥Qmin；
S5：进行制冷剂连续灌注，将每次增加灌注的制冷剂的含量记作ΔQ；
S6：获得制冷剂含量Qk和温度特征值Tk，其中k表示试验的灌注次数；
S7：根据S6中所得的制冷剂含量值和温度特征值建立温度与制冷剂含量的关系模型；
S8：设置预测时温度的采集位置与S2中的测试条件保持一致，测点位置为所述蒸发器出口；预测时采集工况模式与S3的测试条件保持一致，保证工作模式处于预测模式；
S9：在S8所述条件下，采集实时温度值，所述位置采集的实时温度值平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qp所对应的温度特征值Tp，从而得到用于预测的温度特征值；
S10：将S9所得到的用于预测的温度特征值Tp输入到S7所述的模型中，得到制冷系统的制冷剂含量值Qp；
S11：判断制冷剂含量Qp与退化阈值Qd和失效阈值Qf之间的关系；
S12：判断S11中记录的制冷剂含量值的数量是否大于等于p，其中p为预先设定的制冷剂含量值的被记录的数量；
当S11中记录的制冷剂含量值的数量≥p，则转入S13,优选地，转入S13.1；
当S11中记录的制冷剂含量值的数量小于p，则判定当前制冷系统处于退化状态，但剩余寿命未知；
S13：将S12所记录的p个制冷剂含量值进行多项式拟合，得到拟合函数，代入失效阈值Qf，得到失效时间，失效时间减去预测时间得到制冷系统的剩余寿命。
2.如权利要求1所述的用于制冷系统的制冷剂含量预测方法，其特征在于，所述退化阈值Qd的范围为制冷剂的额定含量Qmax的80％-97％，所述退化阈值上限Qdmax为制冷剂的额定含量Qmax的97％，所述退化阈值下限Qdmin为制冷剂的额定含量Qmax的80％。
3.如权利要求2所述的用于制冷系统的制冷剂含量预测方法，其特征在于，所述失效阈值Qf的范围为制冷剂的额定含量Qmax的30％-70％，所述失效阈值上限Qfmax为制冷剂的额定含量Qmax的70％，所述失效阈值下限Qfmin为制冷剂的额定含量Qmax的30％。
4.如权利要求3所述的用于制冷系统的制冷剂含量预测方法，其特征在于，实验的最小制冷剂含量值Qmin为失效阈值的50％。
5.如权利要求4所述的用于制冷系统的制冷剂含量预测方法，其特征在于，将温度采集的测点位置设定在所述蒸发器出口，所述蒸发器出口温度作为所选定的制冷系统的温度参数进行采集。
6.如权利要求1所述的用于制冷系统的制冷剂含量预测方法，其特征在于，
S5中具体包括如下步骤：
S5.1：待S2中所述位置采集的实时温度值经过第一预设之间达到平稳后，取连续n个温度值的统计特征值作为制冷系统的制冷剂含量Qk所对应的温度特征值Tk；
S5.2：判断此时制冷系统中的制冷剂含量Qk是否大于Qmax，如果Qk大于或等于Qmax，则转入S6；
S5.3：若Qk小于Qmax，则转入S5.1，继续向制冷系统中灌注制冷剂，将增加灌注的制冷剂的含量记作ΔQ，此时制冷系统中制冷剂含量为Qk等于Q1+iΔQ；其中为i为增加灌注的次数。
7.如权利要求6所述的用于制冷系统的制冷剂含量预测方法，其特征在于，每次灌注制冷剂的变化量为ΔQ，其中ΔQ的取值范围为0.2g-5g，直到制冷剂的灌注量Qk在Qmax和Qmin的范围内全部试验完毕，得到全部制冷剂含量值Qk与温度特征值Tk。
8.如权利要求7所述的用于制冷系统的制冷剂含量预测方法，其特征在于，S11的具体步骤如下：
S11.1：当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf之间时，即，制冷剂含量Qp≤退化阈值Qd且制冷剂含量Qp大于等于失效阈值Qf时，转入S11.3；当制冷剂含量Qp处于退化阈值Qd和失效阈值Qf所包围的范围之外时，转入S11.2；
S11.2：判断制冷剂含量是否大于退化阈值Qd，当制冷剂含量Qp大于退化阈值Qd时，判定制冷系统工作正常；否则判定制冷系统失效；
S11.3：判断制冷剂含量Qp的有效性，如果制冷剂含量值Qp无效，则转入S9步骤中，重新进行温度采集；
如果制冷剂含量值Qp有效，转入S11.4；
S11.4：记录并保存该制冷剂含量Qp的数值与并对采集时刻所对应的时间Fm，其中m表示记录的次数。
9.如权利要求8所述的用于制冷系统的制冷剂含量预测方法，其特征在于，S13的具体步骤如下：
S13.1：利用多项式拟合的方法对靠近当前时刻的p个值进行拟合，获得拟合值；
S13.2：将失效阈值Qf代入拟合函数得到失效时间，所述失效时间为失效时刻对应的时间点；
S13.3：计算失效时间与当前时间的差值，得到制冷系统的剩余使用寿命。
10.如权利要求9所述的用于制冷系统的制冷剂含量预测方法，其特征在于，S11.3中制冷剂含量值Qp是否有效的判断方法为，将本次采集的制冷剂含量值Qp与上次记录的制冷剂含量值Qp求差后取绝对值，当所得绝对值小于Δq时认为该值有效，Δq的取值范围为1-5g，优选值为2g；其中Δq为预先设定的制冷剂含量有效判据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811613162.7A CN109657871B (zh) | 2018-12-27 | 2018-12-27 | 用于制冷系统的制冷剂含量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811613162.7A CN109657871B (zh) | 2018-12-27 | 2018-12-27 | 用于制冷系统的制冷剂含量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657871A true CN109657871A (zh) | 2019-04-19 |
| CN109657871B CN109657871B (zh) | 2021-04-16 |
Family
ID=66117755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811613162.7A Active CN109657871B (zh) | 2018-12-27 | 2018-12-27 | 用于制冷系统的制冷剂含量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657871B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398337A (zh) * | 2020-03-05 | 2020-07-10 | 北京空间机电研究所 | 一种基于不凝气体组合试验的环路热管寿命预估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793752A (zh) * | 2013-09-13 | 2014-05-14 | 中国人民解放军第二炮兵工程大学 | 一种基于退化建模的设备失效次数预测方法 |
| CN104457075A (zh) * | 2014-11-25 | 2015-03-25 | 珠海格力电器股份有限公司 | 空调机组制冷剂剩余量的检测方法和系统 |
| CN104949411A (zh) * | 2015-06-09 | 2015-09-30 | 广东美的暖通设备有限公司 | 一种冷媒量检测装置、具有该检测装置的空调及检测方法 |
| CN105180379A (zh) * | 2015-10-15 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种冷媒余量检测方法、装置和空调器 |
| CN108446714A (zh) * | 2018-02-06 | 2018-08-24 | 山东科技大学 | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 |
-
2018
- 2018-12-27 CN CN201811613162.7A patent/CN109657871B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103793752A (zh) * | 2013-09-13 | 2014-05-14 | 中国人民解放军第二炮兵工程大学 | 一种基于退化建模的设备失效次数预测方法 |
| CN104457075A (zh) * | 2014-11-25 | 2015-03-25 | 珠海格力电器股份有限公司 | 空调机组制冷剂剩余量的检测方法和系统 |
| CN104949411A (zh) * | 2015-06-09 | 2015-09-30 | 广东美的暖通设备有限公司 | 一种冷媒量检测装置、具有该检测装置的空调及检测方法 |
| CN105180379A (zh) * | 2015-10-15 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种冷媒余量检测方法、装置和空调器 |
| CN108446714A (zh) * | 2018-02-06 | 2018-08-24 | 山东科技大学 | 一种多工况下的非马尔科夫退化系统剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 方雪晓 等: "空间低温制冷机可靠性试验与寿命预测方法", 《低温与超导》 * |
| 杨少华 等: "牛津型斯特林制冷机的加速寿命试验", 《低温工程》 * |
| 牛向军: "制冷剂量的经验判断法", 《汽车维护与修理》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398337A (zh) * | 2020-03-05 | 2020-07-10 | 北京空间机电研究所 | 一种基于不凝气体组合试验的环路热管寿命预估方法 |
| CN111398337B (zh) * | 2020-03-05 | 2022-08-12 | 北京空间机电研究所 | 一种基于不凝气体组合试验的环路热管寿命预估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657871B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7159408B2 (en) | Charge loss detection and prognostics for multi-modular split systems | |
| CN108375256B (zh) | 空调自动回油控制方法及装置 | |
| CN113266973A (zh) | 用于制冷系统的维护和诊断 | |
| US11073148B2 (en) | Method for controlling the outlet temperature of an oil injected compressor or vacuum pump and oil injected compressor or vacuum pump implementing such method | |
| EA027469B1 (ru) | Способ и устройство для оптимизации холодильных систем | |
| JP5525965B2 (ja) | 冷凍サイクル装置 | |
| WO2005110580A2 (en) | Technique for detecting and predicting air filter condition | |
| EP2761186B1 (en) | Method and system for monitoring the operational state of a pump | |
| KR101902472B1 (ko) | 빅데이터 기반 인공지능형 밸브 자동제어 방법 및 이를 실행하는 기록매체에 저장된 프로그램 | |
| CN110762901A (zh) | 一种辅助回油控制方法、控制装置与空调器 | |
| US20220412625A1 (en) | Refrigerant leak detection system and method | |
| CN113112060A (zh) | 基于流量软测量的提升泵站调度方法、装置和计算机设备 | |
| CN107407933B (zh) | 管网诊断装置 | |
| JP5489046B2 (ja) | 熱源設備制御システム | |
| EP3475632A1 (en) | A method for controlling pressure and oil level in an oil receiver of a vapour compressions system | |
| CN109657871A (zh) | 用于制冷系统的制冷剂含量预测方法 | |
| JP2009299972A (ja) | 熱源設備制御方法及び熱源設備制御システム | |
| EP2527656A2 (en) | Method for calculating the probability of moisture build-up in a compressor | |
| JP5390960B2 (ja) | 熱源システム又は空調システムの性能評価方法及び性能評価装置 | |
| CN116658672B (zh) | 一种电厂用汽轮机疏水阀门流量特性辨识系统 | |
| CN110940039B (zh) | 一种高温收液、多联机冷媒回收方法、装置及多联机系统 | |
| CN114279118B (zh) | 压缩机回油控制方法、装置、设备、冷水机组和空调 | |
| CN110925208A (zh) | 油路水分虚拟传感器 | |
| CN105240993A (zh) | 一种中央空调的精细化节能控制系统及其实现方法 | |
| CN110425781A (zh) | 一种蒸发器流路出口温度调节方法、装置及空调器 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |