CN109708249B - 空调元器件故障预测方法、装置和计算机设备 - Google Patents
空调元器件故障预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109708249B CN109708249B CN201811634842.7A CN201811634842A CN109708249B CN 109708249 B CN109708249 B CN 109708249B CN 201811634842 A CN201811634842 A CN 201811634842A CN 109708249 B CN109708249 B CN 109708249B
- Authority
- CN
- China
- Prior art keywords
- loss
- predicted
- component
- curve
- value
- 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.)
- Active
Links
Images
Landscapes
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种空调元器件故障预测方法,该方法包括:接收针对预存的候选筛选条件的选择操作信息;根据所述选择操作信息,在所述候选筛选条件中,确定数据筛选条件;根据所述数据筛选条件,在空调机组的运行数据中筛选出筛选数据;传输所述筛选数据。本发明方案传输的数据量相对较小,且没有冗余数据,提高了数据传输的效率。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种空调元器件故障预测方法、装置和计算机设备。
背景技术
空调由多个元器件组成,因此,为了保证空调的运行正常,需要对元器件进行一定的监控以及判断,便于排查空调运行中可能出现的故障。
现有技术中收集空调各元器件的运行数据,得到元器件的故障预测曲线,通过故障预测曲线来预测元器件的故障,但由于各元器件的实际运行条件千差万别,因此,现有技术中的故障预测往往不够准确。
发明内容
本发明的目的在于提供一种空调元器件故障预测方法、装置和计算机设备,能够提高空调元器件故障预测的准确率。
本发明的目的通过如下技术方案实现:
一种空调元器件故障预测方法,包括:
获取空调的待预测故障的元器件的预测损耗曲线;
获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
根据所述校正损耗曲线预测所述元器件故障。
在其中一个实施例中,所述获取空调的待预测故障的元器件的预测损耗曲线,包括:
获取所述元器件的标识,查询与所述标识对应的多个损耗曲线;
获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
在其中一个实施例中,所述查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线,包括:
查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件;
获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
在其中一个实施例中,所述获取所述元器件的损耗变化数据,包括:
获取所述元器件的多个损耗值和对应的运行时长;
根据所述损耗值和所述运行时长,获取所述损耗变化数据。
在其中一个实施例中,所述损耗变化数据包括所述损耗值、与所述损耗值对应的运行时长和损耗变化率;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,包括:
根据所述损耗值和所述运行时长,计算运行时段的损耗变化值;
将所述损耗变化值除以所述运行时段,得到所述损耗变化率。
在其中一个实施例中,所述损耗变化数据还包括损耗变化率的变化速度;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,还包括:
将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
在其中一个实施例中,所述根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线,包括:
调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率;
当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
在其中一个实施例中,所述根据所述校正损耗曲线预测所述元器件故障,包括:
根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;
当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障;
当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
在其中一个实施例中,所述根据所述校正损耗曲线预测所述元器件故障,包括:
根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
在其中一个实施例中,还包括:
计算所述预测故障时间和预测时刻之间的剩余正常运行时长;
查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
一种空调元器件故障预测装置,其特征在于,包括:
损耗预测模块,用于获取空调的待预测故障的元器件的预测损耗曲线;
校正模块,用于获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
故障预测模块,用于根据所述校正损耗曲线预测所述元器件故障。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如下步骤:
获取空调的待预测故障的元器件的预测损耗曲线;
获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
根据所述校正损耗曲线预测所述元器件故障。
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如下步骤:
获取空调的待预测故障的元器件的预测损耗曲线;
获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
根据所述校正损耗曲线预测所述元器件故障。
本发明提供的空调元器件故障预测方法,通过获取空调的待预测故障的元器件的预测损耗曲线;获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;根据所述校正损耗曲线预测所述元器件故障;可以对预测损耗曲线进行校正,提高空调元器件故障预测的准确率。
附图说明
图1为一个实施例中空调元器件故障预测方法的应用环境图;
图2为一个实施例中空调元器件故障预测方法的流程示意图;
图3为一个实施例中空调元器件故障预测方法的流程示意图;
图4为一个实施例中空调元器件故障预测方法的流程示意图;
图5为一个实施例中空调元器件故障预测方法的流程示意图;
图6为一个实施例中空调元器件故障预测方法的流程示意图;
图7为另一个实施例中空调元器件故障预测方法的流程示意图;
图8为一个实施例中空调数据传输装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
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。
本申请提供的空调元器件故障预测方法,可以应用于如图1所示的应用环境中。具体的,服务器获取空调的待预测故障的元器件的预测损耗曲线;服务器获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;服务器根据所述校正损耗曲线预测所述元器件故障。其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种空调元器件故障预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,获取空调的待预测故障的元器件的预测损耗曲线。
其中,空调元器件是空调的组成部分,其本身常由若干零件构成,可以在同类的空调产品中通用,例如,电子膨胀阀。
其中,预测损耗曲线代表着空调元器件的损耗值随着运行时长的变化情况。
其中,损耗值代表元器件的损耗程度,比如,磨损度、消耗度等等。
在具体实施过程中,服务器收集生产厂家给出的元器件性能参数,得到元器件在理想的运行条件下的损耗曲线。
例如,电子膨胀阀理想运行条件为:在45MPa的水压下而不变形、损坏;1-2相励磁,在额定励磁速度下,对阀本体的B侧施加0脉冲时10.0MPa的空压,按照[0→100(Q1)→8→100(Q2)脉冲]作动,确认额定电压的-10%(10.8V)时可以正常动作;施加电压:DC12V,励磁方式:1-2相,励磁速度:31.3PPS条件下,阀往复动作为1个循环,进行3万个循环,而不损坏。
但由于实际运行条件和厂家给出的理想运行条件可能不同,因此,服务器还会收集同样的元器件在不同实验条件下的损耗曲线。
例如元器件的工作温度为-30~70,那么当温度低于-30或者高于70,元器件的损耗速度会加快,因此,还需要收集不同实验条件下以及相同元器件在其他机组上的损耗曲线。
步骤S202,获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线。
其中,损耗变化数据是指元器件在实际运行条件下,损耗值随着运行时长的变化情况。
在具体实施过程中,即便实际运行条件和实验时的运行条件相同,实际的损耗曲线也可能会发生变化,引出,需要根据实际运行条件下,损耗值随着运行时长的变化情况,对预测损耗曲线进行校正。
在具体实施过程中,可以获取损耗变化数据,对预测损耗曲线进行校正,得到校正损耗曲线,然后继续获取新的损耗变化数据,对校正损耗曲线继续进行校正,得到新的校正损耗曲线,重复进行校正。
步骤S203,根据所述校正损耗曲线预测所述元器件故障。
其中,元器件发生故障时,是指元器件的损耗值已经超过了正常运行可以符合的损耗值。
在具体实施过程中,预测元器件故障,可以是预测元器件的损耗值达到预设阈值的时间,也就是预测元器件发生故障的时间,也可以是预测元器件在预设时间的损耗值有没有达到预设阈值,即判断元器件能不能维持正常运行预设时间。
上述的空调元器件故障预测方法,通过获取空调的待预测故障的元器件的预测损耗曲线;获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;根据所述校正损耗曲线预测所述元器件故障;可以对预测损耗曲线进行校正,提高空调元器件故障预测的准确率。
在一个实施例中,如图3所示,所述获取空调的待预测故障的元器件的预测损耗曲线,包括:
步骤S110,获取所述元器件的标识,查询与所述标识对应的多个损耗曲线。
其中,元器件的标识可以是和元器件对应名称、编号等。
在具体实施过程中,服务器中存储有多种元器件标识,以及和多种元器件标识分别对应的损耗曲线,输入要预测故障的元器件的标识,查询和元器件的标识对应的多种损耗曲线。
例如,元器件包括电阻和电子膨胀阀;服务器中预存有电阻在多种不同条件下的损耗曲线,还预存有电子膨胀阀在多种不同条件下的损耗曲线。
步骤S120,获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
其中,运行条件是指元器件运行的环境条件,例如温度、湿度、压力、电流等等条件。
在具体实施过程中,服务器中预存有元器件在不同运行条件下的损耗曲线,输入当前运行条件,就可以查询到和当前运行条件匹配的损耗曲线。
在一个实施例中,所述查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线,包括:
查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件。
在具体实施过程中,由于运行条件的不同,元器件随着运行时间的不同,损耗值也有所不同,即不同的运行条件对应着不同的损耗曲线。
例如,元器件的工作温度为-30~70,那么当温度低于-30或者高于70,元器件的损耗速度会加快,比如元器件在40℃时损耗值为运行时长的0.5倍,那么温度为90℃是损耗值可能增长到运行时长的0.8倍。
获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
在具体实施过程中,查询预存的运行条件中,和当前运行条件匹配的运行条件,预存的多种运行条件也可能是一个范围,例如,温度为20℃到30℃对应一种损耗曲线,30℃至40℃对应另一种损耗曲线,只需要查询当前运行条件位于那种温度范围中,就可以得到对应的损耗曲线。
在一个实施例中,如图4所示,所述获取所述元器件的损耗变化数据,包括:
步骤S210,获取所述元器件的多个损耗值和对应的运行时长。
其中,损耗值代表元器件的损耗程度,比如磨损度。
其中,运行时长是指元器件从开始运行时到记录损耗值的时刻的时长。
在具体实施过程中,可以多次记录元器件的损耗值和对应的运行时长。
例如,元器件运行了2个月时,损耗值是10;元器件运行4个月时,损耗值为15,元器件运行6个月时,损耗值为35。
步骤S220,根据所述损耗值和所述运行时长,获取所述损耗变化数据。
其中,损耗变化数据代表元器件在实际运行过程中,损耗值随着运行时长的变化情况。
在具体实施过程中,可以用损耗值除以运行时长,得到损耗变化率,也就是损耗速度。
在另一种实施过程中,也可以再计算损耗变化率随着运行时长的变化情况。
在一个实施例中,所述损耗变化数据包括所述损耗值、与所述损耗值对应的运行时长和损耗变化率;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,包括:
根据所述损耗值和所述运行时长,计算运行时段的损耗变化值。
其中,运行时长是指元器件从开始运行时到记录损耗值的时刻的时长。
在具体实施过程中,可以多次记录元器件的损耗值和对应的运行时长。
将所述损耗变化值除以所述运行时段,得到所述损耗变化率。
例如,元器件运行了2个月时,损耗值是10;元器件运行4个月时,损耗值为25,元器件运行6个月时,损耗值为45;那么可以计算出运行前2个月时,损耗变化率为5/月;运行时长为2-4个月时,损耗变化率为7.5/月;运行时长为4-6个月时,损耗变化率为10/月。
在一个实施例中,所述损耗变化数据还包括损耗变化率的变化速度;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,还包括:
将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
其中,损耗变化率的变化速度表示损耗变化率随着运行时长的变化情况。
例如,元器件运行了2个月时,损耗值是10;元器件运行2个月时,损耗值为25,元器件运行6个月时,损耗值为45。
可以计算出运行前2个月时,损耗变化率为5/月;运行时长为2-4个月时,损耗变化率为7.5/月;运行时长为4-6个月时,损耗变化率为10/月。
通过损耗变化率随着时间的变化情况,可以进一步计算出损耗变化率依次递增,且每两个月递增2.5。
在一个实施例中,如图4所示,所述根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线,包括:
步骤S230,调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率。
其中,损耗误差率代表调整参数后的预测损耗曲线得到的预测损耗数据,和实际的损耗变化数据之间的差异,差异越小,说明预测损耗数据更贴近实际的损耗变化数据,代表预测损耗曲线越准确。
在具体实施过程中,可以采用均方误差公式,计算预测损耗数据和对应的实际损耗变化数据之间的差异。
步骤S240,当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
其中,预设条件是指损耗误差率小于预设阈值,说明预测损耗数据和实际的损耗变化数据之间的差异控制在一定范围内。
在具体实施过程中,可以获取损耗变化数据,对预测损耗曲线进行校正,得到校正损耗曲线,然后继续获取新的损耗变化数据,对校正损耗曲线继续进行校正,得到新的校正损耗曲线,重复进行校正。
在一个实施例中,如图5所示,所述根据所述校正损耗曲线预测所述元器件故障,包括:
步骤S310,根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值。
其中,预设运行时长可以是要求元器件可以正常运行的时长。
例如,电子膨胀阀要求正常运行2年,那么可以根据校正损耗曲线,预测2年的时候,电子膨胀阀的损耗值上升到多少。
步骤S320,当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障。
其中,预设故障损耗值代表元器件发生故障的临界点,如果实际损耗值小于预设故障损耗值,说明损耗程度还没达到故障程度;如果实际损耗值大于预设故障损耗值,说明损耗程度已经超过故障程度。
步骤S330,当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
例如,根据校正损耗曲线预测电子膨胀阀在2年的时候损耗值为70,设定电子膨胀阀损耗值为80的时候就损坏,因此,电子膨胀阀运行2年的时候,还不会发生故障。
在具体实施过程中,还可以不断获取新的损耗变化数据,对校正损耗曲线继续进行校正,那么新的校正损耗曲线预测电子膨胀阀在2年的时候损耗值可能还会发生变化,还可以继续预测电子膨胀阀在运行预设时长时会不会变化。
在一个实施例中,如图6所示,所述根据所述校正损耗曲线预测所述元器件故障,包括:
步骤S310,根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
其中,预测故障时间代表预测元器件会发生故障时,元器件的运行时间。
例如,设定电子膨胀阀损耗值为80的时候就损坏,根据校正损耗曲线预测电子膨胀阀运行2年1个月的时候,电子膨胀阀的损耗值达到80,会发生故障。
在具体实施过程中,还可以不断获取新的损耗变化数据,对校正损耗曲线继续进行校正,那么新的校正损耗曲线预测电子膨胀阀损耗值达到80的时间可能还会发生变化。
在一个实施例中,如图7所示,空调元器件故障预测方法还包括:
步骤S204,计算所述预测故障时间和预测时刻之间的剩余正常运行时长。
其中,剩余正常运行时长代表到预测元器件会发生故障时,元器件还可以正常运行的时长。
例如,在元器件运行了2个月时,预测到元器件会发生故障的时间是在运行2年的时候,那么剩余正常运行时长为1年10个月。
步骤S205,查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
其中,警报方式可以随着剩余正常运行时长而变化,比如剩余正常运行的时间比较长,那么警报方式可以是直接显示剩余正常运行时长,并且响铃一次;如果剩余正常运行时长较短,比如只剩下一个月,那么警报方式是间隔预设时间弹出剩余正常时长,并且每次响铃三次等等。
在具体实施过程中,服务器中预存有多种警报方式,每种警报方式和不同的剩余正常运行时长相对应。
应该理解的是,虽然图2-7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2-7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。
在其中一个实施例中,如图8所示,提供了一种空调元器件故障预测装置,装置包括:
损耗预测模块801,用于获取空调的待预测故障的元器件的预测损耗曲线;
校正模块802,用于获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
故障预测模块803,用于根据所述校正损耗曲线预测所述元器件故障。
在其中一个实施例中,所述损耗预测模块801包括:
标识获取单元,用于获取所述元器件的标识,查询与所述标识对应的多个损耗曲线;
查询单元,用于获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
在其中一个实施例中,所述查询单元包括:
运行条件查询单元,用于查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件;
预测曲线获取单元,用于获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
在其中一个实施例中,所述校正模块802包括:
运行数据获取单元,用于获取所述元器件的多个损耗值和对应的运行时长;
损耗变化获取单元,用于根据所述损耗值和所述运行时长,获取所述损耗变化数据。
在其中一个实施例中,所述损耗变化数据包括所述损耗值、与所述损耗值对应的运行时长和损耗变化率;所述损耗变化获取单元包括:
变化值获取单元,用于根据所述损耗值和所述运行时长,计算运行时段的损耗变化值;
变化率获取单元,用于将所述损耗变化值除以所述运行时段,得到所述损耗变化率。
在其中一个实施例中,所述损耗变化数据还包括损耗变化率的变化速度;所述损耗变化获取单元还包括:
变化率变化速度获取单元,用于将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
在其中一个实施例中,所述校正模块802包括:
参数调整单元,用于调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率;
校正曲线获取单元,用于当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
在其中一个实施例中,所述故障预测模块803包括:
预测损耗值获取单元,用于根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;
第一判定单元,用于当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障;
第二判定单元,用于当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
在其中一个实施例中,所述故障预测模块803包括:
预测故障时间获取单元,用于根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
在其中一个实施例中,装置还包括:
剩余时长获取单元,用于计算所述预测故障时间和预测时刻之间的剩余正常运行时长;
警报单元,用于查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过装置总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作装置、计算机程序和数据库。该内存储器为非易失性存储介质中的操作装置和计算机程序的运行提供环境。该计算机设备的数据库用于存储空调数据传输涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空调元器件故障预测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取空调的待预测故障的元器件的预测损耗曲线;获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;根据所述校正损耗曲线预测所述元器件故障。
在其中一个实施例中,处理器执行计算机程序时所述获取空调的待预测故障的元器件的预测损耗曲线,包括:获取所述元器件的标识,查询与所述标识对应的多个损耗曲线;获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
在其中一个实施例中,处理器执行计算机程序时所述查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线,包括:查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件;获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
在其中一个实施例中,处理器执行计算机程序时所述获取所述元器件的损耗变化数据,包括:获取所述元器件的多个损耗值和对应的运行时长;根据所述损耗值和所述运行时长,获取所述损耗变化数据。
在其中一个实施例中,处理器执行计算机程序时所述损耗变化数据包括所述损耗值、与所述损耗值对应的运行时长和损耗变化率;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,包括:根据所述损耗值和所述运行时长,计算运行时段的损耗变化值;将所述损耗变化值除以所述运行时段,得到所述损耗变化率。
在其中一个实施例中,处理器执行计算机程序时所述损耗变化数据还包括损耗变化率的变化速度;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,还包括:将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
在其中一个实施例中,处理器执行计算机程序时所述根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线,包括:调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率;当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
在其中一个实施例中,处理器执行计算机程序时所述根据所述校正损耗曲线预测所述元器件故障,包括:根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障;当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
在其中一个实施例中,处理器执行计算机程序时所述根据所述校正损耗曲线预测所述元器件故障,包括:根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
在其中一个实施例中,处理器执行计算机程序时还包括:计算所述预测故障时间和预测时刻之间的剩余正常运行时长;查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
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:获取空调的待预测故障的元器件的预测损耗曲线;获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;根据所述校正损耗曲线预测所述元器件故障。
在其中一个实施例中,计算机程序被处理器执行时所述获取空调的待预测故障的元器件的预测损耗曲线,包括:获取所述元器件的标识,查询与所述标识对应的多个损耗曲线;获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
在其中一个实施例中,计算机程序被处理器执行时所述查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线,包括:查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件;获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
在其中一个实施例中,计算机程序被处理器执行时所述获取所述元器件的损耗变化数据,包括:获取所述元器件的多个损耗值和对应的运行时长;根据所述损耗值和所述运行时长,获取所述损耗变化数据。
在其中一个实施例中,计算机程序被处理器执行时所述损耗变化数据包括所述损耗值、与所述损耗值对应的运行时长和损耗变化率;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,包括:根据所述损耗值和所述运行时长,计算运行时段的损耗变化值;将所述损耗变化值除以所述运行时段,得到所述损耗变化率。
在其中一个实施例中,计算机程序被处理器执行时所述损耗变化数据还包括损耗变化率的变化速度;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,还包括:将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
在其中一个实施例中,计算机程序被处理器执行时所述根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线,包括:调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率;当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
在其中一个实施例中,计算机程序被处理器执行时所述根据所述校正损耗曲线预测所述元器件故障,包括:根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障;当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
在其中一个实施例中,计算机程序被处理器执行时所述根据所述校正损耗曲线预测所述元器件故障,包括:根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
在其中一个实施例中,计算机程序被处理器执行时还包括:计算所述预测故障时间和预测时刻之间的剩余正常运行时长;查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
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。
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。
以上实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种空调元器件故障预测方法,其特征在于,包括:
获取空调的待预测故障的元器件在不同实验条件下的预测损耗曲线;所述预测损耗曲线代表着所述元器件的损耗值随着运行时长的变化情况;
获取所述元器件的多个损耗值和对应的运行时长,根据所述损耗值和所述运行时长,计算运行时段的损耗变化值,将所述损耗变化值除以所述运行时段,得到损耗变化率;将所述运行时长和所述损耗变化率作为损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
根据所述校正损耗曲线预测所述元器件故障;根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;根据所述预测损耗值预测所述元器件故障;其中,所述预设运行时长是要求元器件可以正常运行的时长。
2.根据权利要求1所述的方法,其特征在于,所述获取空调的待预测故障的元器件的预测损耗曲线,包括:
获取所述元器件的标识,查询与所述标识对应的多个损耗曲线;
获取所述元器件的当前运行条件,查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线。
3.根据权利要求2所述的方法,其特征在于,所述查询所述多个损耗曲线中,与所述当前运行条件相匹配的预测损耗曲线,包括:
查询所述多个所述损耗曲线的运行条件中,与所述当前运行条件相匹配的运行条件;
获取与查询到的所述运行条件对应的所述损耗曲线,将所获取的所述损耗曲线作为所述预测损耗曲线。
4.根据权利要求1所述的方法,其特征在于,所述损耗变化数据还包括损耗变化率的变化速度;所述根据所述损耗值和所述运行时长,获取所述损耗变化数据,还包括:
将所述损耗变化率除以对应的运行时长,得到所述损耗变化率的变化速度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线,包括:
调整所述预测损耗曲线的参数,将调整参数后的预测损耗曲线得到的预测损耗数据和所述损耗变化数据进行对比,得到损耗误差率;
当所述损耗误差率符合预设条件时,将所述调整参数后的预测损耗曲线作为所述校正损耗曲线。
6.根据权利要求1所述的方法,其特征在于,所述根据所述校正损耗曲线预测所述元器件故障,包括:
根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;
当所述预测损耗值小于预设故障损耗值时,判定所述元器件在运行预设运行时长时,没有发生故障;
当所述预测损耗值大于预设故障损耗值时,判定所述元器件在运行预设运行时长时发生故障。
7.根据权利要求1所述的方法,其特征在于,所述根据所述校正损耗曲线预测所述元器件故障,包括:
根据所述校正损耗曲线,查询所述元器件损耗值达到预设故障损耗值时,对应的预测故障时间。
8.根据权利要求7所述的方法,其特征在于,还包括:
计算所述预测故障时间和预测时刻之间的剩余正常运行时长;
查询和所述剩余正常运行时长对应的警报方式,根据所查询到的警报方式发出警报。
9.一种空调元器件故障预测装置,其特征在于,包括:
损耗预测模块,用于获取空调的待预测故障的元器件在不同实验条件下的预测损耗曲线;所述预测损耗曲线代表着所述元器件的损耗值随着运行时长的变化情况;
校正模块,用于获取所述元器件的多个损耗值和对应的运行时长,根据所述损耗值和所述运行时长,计算运行时段的损耗变化值,将所述损耗变化值除以所述运行时段,得到损耗变化率,将所述运行时长和所述损耗变化率作为损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;
故障预测模块,用于根据所述校正损耗曲线预测所述元器件故障;根据所述校正损耗曲线,获取预设运行时长时,所述元器件的预测损耗值;根据所述预测损耗值预测所述元器件故障;其中,所述预设运行时长是要求元器件可以正常运行的时长。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一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8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634842.7A CN109708249B (zh) | 2018-12-29 | 2018-12-29 | 空调元器件故障预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811634842.7A CN109708249B (zh) | 2018-12-29 | 2018-12-29 | 空调元器件故障预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109708249A CN109708249A (zh) | 2019-05-03 |
CN109708249B true CN109708249B (zh) | 2020-06-09 |
Family
ID=66258174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811634842.7A Active CN109708249B (zh) | 2018-12-29 | 2018-12-29 | 空调元器件故障预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109708249B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110425694B (zh) * | 2019-08-09 | 2021-05-25 | 长江慧控科技(武汉)有限公司 | 基于phm的高铁智能车站暖通空调能效控制管理方法 |
CN111797136A (zh) * | 2020-06-28 | 2020-10-20 | 五邑大学 | 基于大数据对空调软故障分析方法、装置及存储介质 |
CN111722577B (zh) * | 2020-06-29 | 2022-01-21 | 三一重机有限公司 | 一种报警控制系统及报警控制方法 |
CN111765593B (zh) * | 2020-07-07 | 2021-11-12 | 珠海格力电器股份有限公司 | 一种空调节流元器件故障预警方法和空调 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744015A (zh) * | 2013-12-28 | 2014-04-23 | 柳州力通车用空调有限公司 | 一种空调开关次数寿命计数装置 |
CN104316785A (zh) * | 2014-10-08 | 2015-01-28 | 中国电子科技集团公司第四十一研究所 | 一种天馈线测试仪及延伸器件误差修正方法 |
CN104615842A (zh) * | 2014-10-08 | 2015-05-13 | 中国南方电网有限责任公司电网技术研究中心 | 一种全桥型模块化多电平换流器功率器件损耗计算方法 |
CN106646270A (zh) * | 2016-10-11 | 2017-05-10 | 湖南理工学院 | 一种新型的不间断电源关键器件维护警示方法 |
CN107145720A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 |
CN107167666A (zh) * | 2017-06-21 | 2017-09-15 | 合肥工业大学 | 功率器件损耗测试方法 |
CN107185324A (zh) * | 2017-05-16 | 2017-09-22 | 广东美的环境电器制造有限公司 | 空气净化器的滤网更换提醒方法及装置、空气净化器 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
EP3358267A1 (en) * | 2017-02-03 | 2018-08-08 | LG Electronics Inc. | Air-conditioner system and control method |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PT2350747E (pt) * | 2008-10-31 | 2013-10-29 | Optimum Energy Llc | Sistemas e métodos para controlar eficiência de consumo de energia |
US20160370023A1 (en) * | 2015-06-19 | 2016-12-22 | Trane International Inc. | Fault detection and diagnostics system utilizing service personnel feedback for improved accuracy |
-
2018
- 2018-12-29 CN CN201811634842.7A patent/CN109708249B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744015A (zh) * | 2013-12-28 | 2014-04-23 | 柳州力通车用空调有限公司 | 一种空调开关次数寿命计数装置 |
CN104316785A (zh) * | 2014-10-08 | 2015-01-28 | 中国电子科技集团公司第四十一研究所 | 一种天馈线测试仪及延伸器件误差修正方法 |
CN104615842A (zh) * | 2014-10-08 | 2015-05-13 | 中国南方电网有限责任公司电网技术研究中心 | 一种全桥型模块化多电平换流器功率器件损耗计算方法 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试系统 |
CN106646270A (zh) * | 2016-10-11 | 2017-05-10 | 湖南理工学院 | 一种新型的不间断电源关键器件维护警示方法 |
EP3358267A1 (en) * | 2017-02-03 | 2018-08-08 | LG Electronics Inc. | Air-conditioner system and control method |
CN107145720A (zh) * | 2017-04-19 | 2017-09-08 | 浙江大学 | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 |
CN107185324A (zh) * | 2017-05-16 | 2017-09-22 | 广东美的环境电器制造有限公司 | 空气净化器的滤网更换提醒方法及装置、空气净化器 |
CN107167666A (zh) * | 2017-06-21 | 2017-09-15 | 合肥工业大学 | 功率器件损耗测试方法 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109708249A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109708249B (zh) | 空调元器件故障预测方法、装置和计算机设备 | |
US20150161830A1 (en) | Device for monitoring a sensor of a vehicle | |
CN108594886B (zh) | 基于仿真和运行大数据的冷冻系统自优化控制方法和装置 | |
CN110750267B (zh) | 业务信息更新方法、装置、计算机设备和存储介质 | |
CN113266972A (zh) | 用于制冷系统的维护和诊断 | |
CN111076495B (zh) | 制冷设备的湿度确定方法、装置、存储介质、系统和冰箱 | |
CN110345602B (zh) | 空调维保方法、装置、计算机设备和存储介质 | |
US20230213583A1 (en) | Method of monitoring an electrical machine | |
EP3477409B1 (en) | A computer implemented method, a computer program, and an apparatus for the diagnosis of anomalies in a refrigeration system | |
CN110595139A (zh) | 冰箱翻转梁防凝露控制方法、装置、控制设备及冰箱 | |
CN108738353A (zh) | 用于电路部件的老化探测器、用于监测电路部件的老化的方法、构件和控制设备 | |
CN113826128A (zh) | 状态推定装置及状态推定方法 | |
CN110398375B (zh) | 车辆冷却系统工作状态的监测方法、装置、设备和介质 | |
CN113219337B (zh) | 电池劣化判断系统、方法以及存储有程序的非临时性存储介质 | |
CN113587508A (zh) | 热泵机组的化霜控制方法、装置和计算机设备 | |
CN112182981A (zh) | 电解电容寿命预测方法、装置、设备及存储介质 | |
CN109085865B (zh) | 设备的温度控制方法、装置、存储介质和控制系统 | |
CN109282436B (zh) | 空调机组压缩机控制方法、装置、计算机设备和存储介质 | |
US11181444B2 (en) | Method for the detection of a glow plug replacement | |
CN109186154B (zh) | 四通阀串气保护故障诊断方法、装置、存储介质和空调 | |
CN110108476B (zh) | 自动变速器电磁阀动作耐久测试方法、装置和计算机设备 | |
CN114120592B (zh) | 用于故障报警的方法及装置、电子设备、存储介质 | |
CN112542029A (zh) | 风机噪声检测监控方法、系统、计算机设备及存储介质 | |
CN109556226B (zh) | 一种冷媒含量的确定方法及装置、机组 | |
CN116401496B (zh) | 给排水管道检测内部缺陷信息方法、装置、设备及介质 |
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 |