CN109764476A - 冷媒泄漏监控方法、监控系统及空调机组 - Google Patents
冷媒泄漏监控方法、监控系统及空调机组 Download PDFInfo
- Publication number
- CN109764476A CN109764476A CN201811555090.5A CN201811555090A CN109764476A CN 109764476 A CN109764476 A CN 109764476A CN 201811555090 A CN201811555090 A CN 201811555090A CN 109764476 A CN109764476 A CN 109764476A
- Authority
- CN
- China
- Prior art keywords
- coolant leakage
- refrigerant
- neural network
- network model
- coolant
- 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
Abstract
本发明公开了一种冷媒泄漏监控方法、监控系统及空调机组,其中,该方法包括:获取用于表征空调冷媒状态的冷媒运行参数;将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率;根据冷媒泄漏概率对冷媒泄漏进行监控。本发明解决了现有技术中冷媒泄漏检测滞后的问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
Description
技术领域
本发明涉及空调技术领域,具体而言,涉及一种冷媒泄漏监控方法、监控系统及空调机组。
背景技术
随着我国轨道交通进入快速发展期,各地都在筹划高铁、地铁和城际轨道给中央空调企业带来了巨大的商机。根据《城市轨道交通通风空调系统的现状及发展趋势》文章中的数据,不同地区环控系统能耗占地铁总能耗30%~50%左右,环控能耗的通风空调系统用电能耗大。各空调厂家开发了一种大型公共交通用的水冷冷风型机组,因其具有的节能效率高、安装使用方便、占地面积小等特点逐步受到更多的业主和设计人员的关注。
但是与此同时,大型直接供冷机组由于产品的特殊性,部分冷媒管与送风空气侧在同一空间,压缩机振动、换热器裂漏等异常情况,会引起冷媒泄漏从而直接引入到地铁候车区或者运行机房,导致引发公众恐慌或人员窒息的危险。因此冷媒泄漏安全问题也是设备设计人员必须重点考虑的问题。
目前对于制冷剂泄漏问题,都是在制冷剂泄漏发生后,通过检测模块检测到制冷剂发生泄漏,该方法一定程度上是有效的,但对于用户来说,制冷剂已经泄漏,无论泄漏量多少,都可能给用户带来恐慌情绪,若泄漏量过大,还会影响用户个人安全。
针对相关技术中冷媒泄漏检测滞后的问题,目前尚未提出有效地解决方案。
发明内容
本发明提供了一种冷媒泄漏监控方法、监控系统及空调机组,以至少解决现有技术中冷媒泄漏检测滞后的问题。
为解决上述技术问题,根据本发明实施例的一个方面,提供了一种冷媒泄漏监控方法,包括:获取用于表征空调冷媒状态的冷媒运行参数;将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率;根据冷媒泄漏概率对冷媒泄漏进行监控。
进一步地,在获取用于表征冷媒状态的空调运行参数之前,还包括:建立用于预测冷媒泄漏概率的神经网络模型;模拟不同类型空调的运行情况,根据模拟得到的数据和神经网络模型计算得到的数据训练神经网络模型,得到冷媒泄漏神经网络模型。
进一步地,根据模拟得到的数据和神经网络模型计算得到的数据训练神经网络模型,包括:获取空调在运行情况下的实际冷媒泄漏数据,以及空调在运行情况下的冷媒运行参数;将冷媒运行参数输入至神经网络模型,得到神经网络模型输出的冷媒泄漏数据;对比神经网络模型输出的冷媒泄漏数据和实际冷媒泄漏数据,调整神经网络模型。
进一步地,运行情况至少包括以下之一:正常运行情况、冷媒泄漏情况。
进一步地,用于表征冷媒状态的空调运行参数至少包括:室内换热温差、水侧换热温差、系统内冷媒压力差。
进一步地,根据冷媒泄漏概率对冷媒泄漏进行监控,包括:监测冷媒泄漏概率,判断冷媒泄漏概率是否超过预设概率;其中,预设概率用于表征空调即将泄漏冷媒;在冷媒泄漏概率超过预设概率时,通知用户进行冷媒泄漏排查,否则,继续对冷媒泄漏进行监测。
进一步地,在通知用户进行冷媒泄漏排查之后,还包括:获取空调在冷媒泄漏概率超过预设概率时的冷媒运行参数,以及冷媒泄漏排查的排查结果;根据冷媒泄漏概率超过预设概率时的冷媒运行参数和排查结果调整冷媒泄漏神经网络模型。
根据本发明实施例的另一方面,提供了一种冷媒泄漏监控系统,包括:大数据监测器,用于获取用于表征空调冷媒状态的冷媒运行参数;大数据平台,与大数据监测器连接,用于将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率,并根据冷媒泄漏概率对冷媒泄漏进行监控。
进一步地,大数据平台包括:神经网络控制器,与大数据监测器连接,用于将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率;神经网络预测器,与神经网络控制器连接,用于根据冷媒泄漏概率对冷媒泄漏进行预测;监控平台,与神经网络预测器连接,用于在预测到冷媒即将泄漏时,通知用户进行冷媒泄漏排查。
进一步地,大数据平台还用于:在通知用户进行冷媒泄漏排查之后,获取空调在冷媒即将泄漏时的冷媒运行参数,以及冷媒泄漏排查的排查结果;根据冷媒即将泄漏时的冷媒运行参数和排查结果调整冷媒泄漏神经网络模型。
根据本发明实施例的又一方面,提供了一种空调机组,包括如上述的冷媒泄漏监控系统。
根据本发明实施例的又一方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如上述的冷媒泄漏监控方法。
根据本发明实施例的又一方面,提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如上述的冷媒泄漏监控方法。
在本发明中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
附图说明
图1是根据本发明实施例的冷媒泄漏监控方法的一种可选的流程图;
图2是根据本发明实施例的冷媒泄漏监控方法的神经网络模型的运行示意图;
图3是根据本发明实施例的冷媒泄漏监控系统的一种可选的结构框图;
图4是根据本发明实施例的冷媒泄漏监控系统的空调机组的一种可选的结构示意图;以及
图5是根据本发明实施例的冷媒泄漏监控系统的神经网络结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
实施例1
在本发明优选的实施例1中提供了一种冷媒泄漏监控方法,该方法可以直接应用至各种空调机组上,尤其是水冷直接制冷式空调机组,也可以应用至使用制冷剂的其他装置上,具体实现时,可以通过在空调机组或其他装置安装软件、APP、或者写入控制器相应的程序的方式来实现。具体来说,图1示出该方法的一种可选的流程图,如图1所示,该方法包括如下步骤S102-S106:
S102:获取用于表征空调冷媒状态的冷媒运行参数;用于表征冷媒状态的空调运行参数至少包括:室内换热温差、水侧换热温差、系统内冷媒压力差。
S104:将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率;
S106:根据冷媒泄漏概率对冷媒泄漏进行监控。
在上述实施方式中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
在本发明一个优选的实施方式中,在获取用于表征冷媒状态的空调运行参数之前,还包括:
1.建立用于预测冷媒泄漏概率的神经网络模型;
冷媒泄露会造成温度、压力等参数的变化,且各参数间相互耦合,将收集回来的各参数,选定输入参数和选出节点,依据深度学习思想,建立合适的模糊神经网络结构,进行大数据计算统计分析,将各参数与目标数据联系起来,建立相应的模型:
Y=f(A,B,C,D)
Y:泄露几率;
A:室内换热温差;
B:水侧换热温差;
C:系统内冷媒压力差;
D:其他因素(如排气过热度等)。
该模型的运行示意图如图2所示。
在本发明中,采用BP模糊神经网络模型,该模型将模糊控制与神经网络进行优势互补,建立模糊控制与BP神经网络相结合的模糊神经网络对制冷剂泄露进行预测,克服了常规BP算法存在的收敛速度慢和易陷入局部极小点的缺陷,使模型误差快速收敛到全局最小。可以在冷媒泄露发生前或者冷媒刚发生泄露时提前发现并解决问题,保障机组正常运行,保护用户使用安全。
2.模拟不同类型空调的运行情况,根据模拟得到的数据和神经网络模型计算得到的数据训练神经网络模型,得到冷媒泄漏神经网络模型。
其中,根据模拟得到的数据和神经网络模型计算得到的数据训练神经网络模型,包括:获取空调在运行情况下的实际冷媒泄漏数据,以及空调在运行情况下的冷媒运行参数;将冷媒运行参数输入至神经网络模型,得到神经网络模型输出的冷媒泄漏数据;对比神经网络模型输出的冷媒泄漏数据和实际冷媒泄漏数据,调整神经网络模型。运行情况至少包括以下之一:正常运行情况、冷媒泄漏情况。
在模型建立之后,还需要对模型进行训练,以使模型更加贴近实际运行情况,得到更加准确是数据。优选地,对多台水冷直接制冷式空调机组的多工况进行长期模拟实验或进行实际运行,同时对多种类型空调机组人为制造慢性泄露或定量泄露制冷剂等进行长期模拟实验,然后通过智能终端进行数据收集,与目标机组的实时数据进行纵向对比。
主要是通过各种数据收集,将系统长期正常运行情况下及各种在制冷剂泄露情况下的各项参数进行汇总,将各项数据导入模糊神经网络模型,进行模糊神经网络训练,将计算得出的数据与实际数据进行比对,调整其权值和阈值,直到得出合适的模型,预测制冷剂泄露的几率,或是在制冷剂刚发生泄露的情况下,能够提前发现。
在本发明另一个优选的实施方式中,根据冷媒泄漏概率对冷媒泄漏进行监控,包括:监测冷媒泄漏概率,判断冷媒泄漏概率是否超过预设概率;其中,预设概率用于表征空调即将泄漏冷媒;在冷媒泄漏概率超过预设概率时,通知用户进行冷媒泄漏排查,否则,继续对冷媒泄漏进行监测。为了确保客户的正常使用,也为了减少服务人员不必要的检查工作,当Y≥80%时,将信号通过远程数据传输系统反馈到售后服务中心,由服务人员与客户进行沟通检查维修。
为了进一步完善模型,在通知用户进行冷媒泄漏排查之后,还包括:获取空调在冷媒泄漏概率超过预设概率时的冷媒运行参数,以及冷媒泄漏排查的排查结果;根据冷媒泄漏概率超过预设概率时的冷媒运行参数和排查结果调整冷媒泄漏神经网络模型。
也就是说,本申请还通过实际运行数据对模型进行调整,以训练模型更加准确。对实际运行的目标机组进行长期监测,通过智能终端进行数据收集,与目标机组的实时数据进行横向对比。
通过各种数据收集,将本机长期正常运行情况下各项参数进行汇总计算,当某项参数出现异常,对模型输出值进行判断,当满足判断条件,将信号通过远程传输系统反馈到售后服务中心,服务人员与客户沟通进行检测维修后,将具体数据传输回大数据平台,进行模糊神经网络模型的重新训练,重新调整其权值和阈值。
实施例2
基于上述实施例1中提供的冷媒泄漏监控方法,在本发明优选的实施例2中还提供了一种冷媒泄漏监控装置,具体地,图3示出该装置的一种可选的结构框图,如图3所示,该装置包括:
大数据监测器302,用于获取用于表征空调冷媒状态的冷媒运行参数;
大数据平台304,与大数据监测器302连接,用于将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率,并根据冷媒泄漏概率对冷媒泄漏进行监控。
在上述实施方式中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
其中,大数据平台304相当于本系统的服务器,不在空调机组内部,与数据监测器302属于通信连接。空调机组的结构如图4所示,包括:主机段、蒸发器段、风机段等功能区,还包括大数据检测器302,和冷媒检测区,用于检测冷媒。
机组还包括智能末端,用于采集机组的参数,尤其是冷媒运行参数。智能末端为了确保收集数据的准确性,当整机运行稳定后才开始进行数据收集,例如运行5分钟后智能末端才开始进行收据收集工作。
在上述实施方式中,本申请的模糊神经网络结构示意图如图5所示:通过智能末端采集机组运行数据,发送至大数据平台,进行模糊神经网络训练,将计算得出的数据与实际数据进行比对,调整其权值和阈值,直到得出合适的模型,找出临界条件,总结出相应的规律,从利用该规律对新的样本进行预测。该模型为前馈型神经网络,由输入层、模糊化层、模糊推理层,以及去模糊化层和输出层组成。其中,Xi,i=1,2…n:输入值;各层的输出值;Wj,j=1,2,…M:权值;Y:输出值。
进一步地,大数据平台包括:神经网络控制器,与大数据监测器连接,用于将冷媒运行参数输入至冷媒泄漏神经网络模型,得到冷媒泄漏神经网络模型输出的冷媒泄漏概率;神经网络预测器,与神经网络控制器连接,用于根据冷媒泄漏概率对冷媒泄漏进行预测;监控平台,与神经网络预测器连接,用于在预测到冷媒即将泄漏时,通知用户进行冷媒泄漏排查。
优选地,大数据平台还用于:在通知用户进行冷媒泄漏排查之后,获取空调在冷媒即将泄漏时的冷媒运行参数,以及冷媒泄漏排查的排查结果;根据冷媒即将泄漏时的冷媒运行参数和排查结果调整冷媒泄漏神经网络模型。
实施例3
基于上述实施例2中提供的冷媒泄漏监控系统,在本发明优选的实施例3中还提供了一种空调机组,包括如上述的冷媒泄漏监控系统。
在上述实施方式中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
实施例4
基于上述实施例1中提供的冷媒泄漏监控方法,在本发明优选的实施例4中还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述的方法。
在上述实施方式中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
实施例5
基于上述实施例1中提供的冷媒泄漏监控方法,在本发明优选的实施例5中还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述的方法。
在上述实施方式中,提供了一种大数据预测制冷剂泄漏的方案,通过建神经网络对制冷剂泄露的概率进行预测,在制冷剂泄露发生前或者制冷剂刚发生泄露时提前发现并解决问题,保障了机组运行的可靠性和制冷的舒适性前提下,又保证了用户的安全。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (13)
1.一种冷媒泄漏监控方法,其特征在于,包括:
获取用于表征空调冷媒状态的冷媒运行参数;
将所述冷媒运行参数输入至冷媒泄漏神经网络模型,得到所述冷媒泄漏神经网络模型输出的冷媒泄漏概率;
根据所述冷媒泄漏概率对冷媒泄漏进行监控。
2.根据权利要求1所述的方法,其特征在于,在获取用于表征冷媒状态的空调运行参数之前,还包括:
建立用于预测冷媒泄漏概率的神经网络模型;
模拟不同类型空调的运行情况,根据模拟得到的数据和所述神经网络模型计算得到的数据训练所述神经网络模型,得到所述冷媒泄漏神经网络模型。
3.根据权利要求2所述的方法,其特征在于,根据模拟得到的数据和所述神经网络模型计算得到的数据训练所述神经网络模型,包括:
获取所述空调在所述运行情况下的实际冷媒泄漏数据,以及所述空调在所述运行情况下的冷媒运行参数;
将所述冷媒运行参数输入至所述神经网络模型,得到所述神经网络模型输出的冷媒泄漏数据;
对比所述神经网络模型输出的冷媒泄漏数据和所述实际冷媒泄漏数据,调整所述神经网络模型。
4.根据权利要求2所述的方法,其特征在于,所述运行情况至少包括以下之一:正常运行情况、冷媒泄漏情况。
5.根据权利要求1所述的方法,其特征在于,所述用于表征冷媒状态的空调运行参数至少包括:室内换热温差、水侧换热温差、系统内冷媒压力差。
6.根据权利要求1所述的方法,其特征在于,根据所述冷媒泄漏概率对冷媒泄漏进行监控,包括:
监测所述冷媒泄漏概率,判断所述冷媒泄漏概率是否超过预设概率;其中,所述预设概率用于表征所述空调即将泄漏冷媒;
在所述冷媒泄漏概率超过预设概率时,通知用户进行冷媒泄漏排查,否则,继续对冷媒泄漏进行监测。
7.根据权利要求6所述的方法,其特征在于,在通知用户进行冷媒泄漏排查之后,还包括:
获取所述空调在所述冷媒泄漏概率超过所述预设概率时的冷媒运行参数,以及所述冷媒泄漏排查的排查结果;
根据所述冷媒泄漏概率超过所述预设概率时的冷媒运行参数和所述排查结果调整所述冷媒泄漏神经网络模型。
8.一种冷媒泄漏监控系统,其特征在于,包括:
大数据监测器,用于获取用于表征空调冷媒状态的冷媒运行参数;
大数据平台,与所述大数据监测器连接,用于将所述冷媒运行参数输入至冷媒泄漏神经网络模型,得到所述冷媒泄漏神经网络模型输出的冷媒泄漏概率,并根据所述冷媒泄漏概率对冷媒泄漏进行监控。
9.根据权利要求8所述的系统,其特征在于,所述大数据平台包括:
神经网络控制器,与所述大数据监测器连接,用于将所述冷媒运行参数输入至冷媒泄漏神经网络模型,得到所述冷媒泄漏神经网络模型输出的冷媒泄漏概率;
神经网络预测器,与所述神经网络控制器连接,用于根据所述冷媒泄漏概率对冷媒泄漏进行预测;
监控平台,与所述神经网络预测器连接,用于在预测到冷媒即将泄漏时,通知用户进行冷媒泄漏排查。
10.根据权利要求9所述的系统,其特征在于,所述大数据平台还用于:
在通知用户进行冷媒泄漏排查之后,获取所述空调在冷媒即将泄漏时的冷媒运行参数,以及所述冷媒泄漏排查的排查结果;
根据所述冷媒即将泄漏时的冷媒运行参数和所述排查结果调整所述冷媒泄漏神经网络模型。
11.一种空调机组,其特征在于,包括如权利要求8-10中任一项所述的冷媒泄漏监控系统。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的冷媒泄漏监控方法。
13.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1至7中任一项所述的冷媒泄漏监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555090.5A CN109764476B (zh) | 2018-12-18 | 2018-12-18 | 冷媒泄漏监控方法、监控系统及空调机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555090.5A CN109764476B (zh) | 2018-12-18 | 2018-12-18 | 冷媒泄漏监控方法、监控系统及空调机组 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109764476A true CN109764476A (zh) | 2019-05-17 |
CN109764476B CN109764476B (zh) | 2020-09-04 |
Family
ID=66451548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811555090.5A Active CN109764476B (zh) | 2018-12-18 | 2018-12-18 | 冷媒泄漏监控方法、监控系统及空调机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109764476B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102667352A (zh) * | 2009-11-11 | 2012-09-12 | 爱默生零售服务公司 | 制冷剂泄漏检测系统和方法 |
JP2013053756A (ja) * | 2011-08-31 | 2013-03-21 | Fujitsu General Ltd | 冷凍サイクル装置 |
CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
CN105160345A (zh) * | 2015-07-01 | 2015-12-16 | 西安理工大学 | 一种诊断列车空调机组故障的方法 |
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
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 |
CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
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 |
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 |
-
2018
- 2018-12-18 CN CN201811555090.5A patent/CN109764476B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102667352A (zh) * | 2009-11-11 | 2012-09-12 | 爱默生零售服务公司 | 制冷剂泄漏检测系统和方法 |
JP2013053756A (ja) * | 2011-08-31 | 2013-03-21 | Fujitsu General Ltd | 冷凍サイクル装置 |
CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
CN105160345A (zh) * | 2015-07-01 | 2015-12-16 | 西安理工大学 | 一种诊断列车空调机组故障的方法 |
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 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 |
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 |
CN107655162A (zh) * | 2017-08-21 | 2018-02-02 | 珠海格力电器股份有限公司 | 冷媒检测方法、装置、除湿机及设备 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503217A (zh) * | 2019-08-29 | 2019-11-26 | 新誉轨道交通科技有限公司 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109764476B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108592352B (zh) | 水冷空调系统运行状态健康度的预测方法、装置及系统 | |
Du et al. | Fault detection and diagnosis for buildings and HVAC systems using combined neural networks and subtractive clustering analysis | |
CN102818337B (zh) | 一种基于物联网的地源热泵系统监测装置 | |
Du et al. | Fault diagnosis for temperature, flow rate and pressure sensors in VAV systems using wavelet neural network | |
Wang et al. | Fault-tolerant control for outdoor ventilation air flow rate in buildings based on neural network | |
CN109595763A (zh) | 空调系统的控制策略优化方法、装置和计算机设备 | |
Bang et al. | Novel real-time model-based fault detection method for automatic identification of abnormal energy performance in building ventilation units | |
CN113175700B (zh) | 一种热网智能设备管理及大数据预警分析系统及方法 | |
CN104299115A (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
US11188039B2 (en) | Building management system with dynamic energy prediction model updates | |
CN109977621A (zh) | 一种基于深度学习的空调故障预测方法 | |
CN114383299A (zh) | 基于大数据与动态仿真的中央空调系统运行策略优化方法 | |
Nehasil et al. | Versatile AHU fault detection–Design, field validation and practical application | |
US20230194137A1 (en) | Systems and methods for controlling variable refrigerant flow systems using artificial intelligence | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN111046253A (zh) | 一种基于互联网的无干扰地岩热供热监测系统及方法 | |
Feng et al. | A fully distributed voting strategy for AHU fault detection and diagnosis based on a decentralized structure | |
CN116880320A (zh) | 一种热力管网调度监控方法及监控平台、装置、存储介质 | |
CN107371175A (zh) | 一种使用协作预测的自组织网络故障检测方法 | |
CN109764476A (zh) | 冷媒泄漏监控方法、监控系统及空调机组 | |
Li et al. | Improvement for energy efficiency and control characteristics in variable air volume system using in-situ sensor calibration method based on autoencoder | |
Wei et al. | Fault detection and diagnosis for variable-air-volume systems using combined residual, qualitative and quantitative techniques | |
CN110132356A (zh) | 一种用于暖通设备的异物检测系统及检测方法 | |
Ghimire et al. | Fault diagnosis and augmented reality-based troubleshooting of HVAC systems | |
JP2004234302A (ja) | プロセス管理装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |