CN110348762A - 用于交通工具的空调系统温度调节性能评估方法及装置 - Google Patents
用于交通工具的空调系统温度调节性能评估方法及装置 Download PDFInfo
- Publication number
- CN110348762A CN110348762A CN201910654409.8A CN201910654409A CN110348762A CN 110348762 A CN110348762 A CN 110348762A CN 201910654409 A CN201910654409 A CN 201910654409A CN 110348762 A CN110348762 A CN 110348762A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- air
- model
- subset
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
- B60H1/00878—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being temperature regulating devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
- B60H1/00878—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being temperature regulating devices
- B60H1/00892—Devices specially adapted for avoiding uncomfortable feeling, e.g. sudden temperature changes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
- Air-Conditioning For Vehicles (AREA)
Abstract
本发明公开了一种用于交通工具的空调系统温度调节性能评估方法及装置,所述方法包括:实时采集并保存设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;将所述设备监控数据划分为对应不同空调运行模式的子集;利用所述子集中的数据构建对应所述空调运行模式的温度模型;利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;根据所述温度调节性能指标和历史结果数据生成评估报告。利用本发明,可以实现对空调系统温度调节性能的在线评估。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种用于交通工具的空调系统温度调节性能评估方法及装置。
背景技术
空调系统可使某些场所获得具有一定温度、湿度和空气质量的空气,以满足使用者及生产过程的要求,具有广泛的应用,尤其是在大多数公共交通工具(比如轨道交通列车、客车、游轮、客机等)中,空调系统通常是一个不可或缺的组成部分,在乘客环境的舒适性上扮演重要的角色。由于在车船运行过程中空调系统的使用带来的各种因素,会导致空调温度调节性能下降,影响乘客环境的舒适度和满意度。但如何对空调温度调节性能进行实时有效的评估,以便对出现问题的空调及时进行干预,目前还没有相关的技术方案。
发明内容
本发明实施例提供一种用于交通工具的空调系统温度调节性能评估方法及装置,可以实现对空调系统温度调节性能的在线评估。
为此,本发明提供如下技术方案:
一种用于交通工具的空调系统温度调节性能评估方法,所述方法包括:
实时采集并保存设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;
将所述设备监控数据划分为对应不同空调运行模式的子集;
利用所述子集中的数据构建对应所述空调运行模式的温度模型;
利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;
根据所述温度调节性能指标和历史结果数据生成评估报告。
可选地,所述方法还包括:
实时监测各子集中的数据长度,在所述数据长度达到设定长度后,执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤;或者
按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤。
可选地,所述利用所述子集中的数据构建温度模型包括:
利用所述子集中的数据,分别采用不同的机器学习模型进行当前时刻乘客区域内温度拟合并计算所述机器学习模型的均方根误差;
选择均方根误差最小的机器学习模型作为温度模型。
可选地,所述机器学习模型包括以下任意两种或多种:XGBoost、多层感知器、随机森林、支持向量机、线性回归。
可选地,所述温度传感器数据包括:送风温度、室外温度、上一时刻乘客区域内温度;
所述利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标包括:
设定输入特征参数,所述输入特征参数包括:送风温度变化程度;
根据设定的输入特征参数生成特征参数集系列;
依次将每个特征参数集中的特征参数输入所述温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;
根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
一种用于交通工具的空调系统温度调节性能评估装置,所述装置包括:
数据采集模块,用于实时采集设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;
存储模块,用于保存所述数据采集模块采集的设备监控数据;
数据预处理模块,用于将所述设备监控数据划分为对应不同空调运行模式的子集;
模型建立模块,用于利用所述子集中的数据构建对应所述空调运行模式的温度模型;
温度调节性能评估模块,用于利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;
评估报告生成模块,用于根据所述温度调节性能指标和历史结果数据生成评估报告。
可选地,所述装置还包括:
实时监测模块,用于实时监测各子集中的数据长度,在所述数据长度达到设定长度后,触发所述模型建立模块利用所述子集中的数据构建对应所述空调运行模式的温度模型;或者
定时监测模块,用于按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则触发模型建立模块利用所述子集中的数据构建对应所述空调运行模式的温度模型。
可选地,所述模型建立模块,具体用于利用所述子集中的数据,分别采用不同的机器学习模型进行当前时刻内温度拟合并计算所述机器学习模型的均方根误差;选择均方根误差最小的机器学习模型作为温度模型。
可选地,所述机器学习模型包括以下任意两种或多种:XGBoost、多层感知器、随机森林、支持向量机、线性回归。
可选地,所述温度传感器数据包括:送风温度、室外温度、上一时刻乘客区域内温度;
所述温度调节性能评估模块包括:
参数设置单元,用于设定输入特征参数,所述输入特征参数包括:送风温度变化程度;
特征参数集生成单元,用于根据所述参数设置单元设定的输入特征参数生成特征参数集系列;
第一计算单元,用于依次将每个特征参数集中的特征参数输入所述温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;
第二计算单元,用于根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
一种电子设备,包括:一个或多个处理器、存储器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面所述的方法。
一种可读存储介质,其上存储有指令,所述指令被执行以实现前面所述的方法。
本发明实施例提供的用于交通工具的空调系统温度调节性能评估方法及装置,基于数据驱动的机器学习模型,采集设备监控数据,并将所述设备监控数据划分为对应不同空调运行模式的子集,利用所述子集中的数据构建对应所述空调运行模式的温度模型,利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标,根据所述温度调节性能指标和历史结果数据生成评估报告,从而实现对空调系统温度调节性能的在线评估。
进一步地,在根据所述温度调节性能指标和历史结果数据生成评估报告时,可以针对不同的应用进行评估,比如,针对同一车厢内温度变化情况进行评估,和/或针对不同车厢内温度温度变化进行比较,进而可以根据不同应用的评估结果有效地判断空调系统的温度调节能力是否发生衰减,以便及时进行干预,利于空调系统的保养和维护,减少空调系统发生故障的概率,提高乘客舒适度和满意度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例用于交通工具的空调系统温度调节性能评估方法的一种流程图;
图2是本发明实施例用于交通工具的空调系统温度调节性能评估装置的一种结构框图;
图3是本发明实施例用于交通工具的空调系统温度调节性能评估装置的另一种结构框图;
图4是本发明实施例用于交通工具的空调系统温度调节性能评估装置的另一种结构框图;
图5是本发明实施例中温度调节性能评估模块的一种结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例提供一种用于交通工具的空调系统温度调节性能评估方法及装置,基于数据驱动的机器学习模型,采集设备监控数据,并将所述设备监控数据划分为对应不同空调运行模式的子集,利用所述子集中的数据构建对应所述空调运行模式的温度模型,利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果,根据所述计算结果和历史数据生成评估报告。
如图1所示,是本发明实施例用于交通工具的空调系统温度调节性能评估方法的一种流程图,包括以下步骤:
步骤101,实时采集并保存设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式。
本发明实施例中的空调系统可以是应用于各种交通工具中的空调系统,比如,公交车、轨道列车、飞机、游船等。对于有多个车厢或舱室的应用环境,需要分别采集各车厢或舱室的设备监控数据,也就是说,可以以单个车厢或舱室为对象,进行数据采集及后续的处理。
所述温度传感器数据可以包括:送风温度、室外温度、上一时刻乘客区域内温度。
所述载荷数据是指所述交通工具的载荷,随着乘客的流动,尤其是地面交通工具上的乘客,上下车及在不同车厢内的走动,每个车厢的载荷数据也是会动态变化的。
所述空调运行模式通常可以有以下几种:强制冷、弱制冷、强制热、弱制热、通风等模式。当然,实际应用中也不排除有其它的特殊运行模式,本发明实施例的方案同样也适用。另外,对于不涉及温度调节的运行模式,比如通风模式,空调运行在该模式时,可以不用采集相应数据,或者不保存相应数据。
步骤102,将所述设备监控数据划分为对应不同空调运行模式的子集。
需要说明的是,空调运行模式通常会根据外界环境的情况来设定,因此,在一些时间段内空调的运行可能仅涉及一种运行模式,比如,在夏季空调大部分时间是运行在制冷模式,而其它运行模式下的设备监控数据会缺失,但这并不会影响本发明方案的实施及效果,因为上述步骤101中对监控数据的采集是实时进行的,只要空调开启,不论其工作在何种运行模式,均会采集到相应的监控数据。
通过将监控数据按照空调运行模式进行划分,可以对空调系统的工况进行更准确细致的评估,得到不同运行模式下的评估结果。
步骤103,利用所述子集中的数据构建对应所述空调运行模式的温度模型。
在本发明实施例中,采用数据驱动的机器学习模型来构建所述温度模型。为了避免由于数据的稀疏性对模型参数准确性的影响,可以在所述子集中的数据达到一定长度(比如每个参数变量为1000条)后再建立所述温度模型。
在实际应用中,可以按照以下两种方式来处理:
(1)实时监测各子集中的数据长度,在所述数据长度达到设定长度后,执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤;也就是说,一旦某个子集中的数据长度满足要求,即触发针对该子集执行建模的操作。
(2)按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤。比如,设定在线评估周期为3个月,在该评估周期内,有些子集中的数据可能不会达到所述设定长度甚至没有数据,则该运行模式不参与之后的评估,最终对应该运行模式输出的评估结果为空。
需要说明的是,每种运行模式对应有各自的温度模型,而且,对于有多个相对独立的乘客区域的情况,需要对应各区域和各运行模式分别建立相应的温度模型。
在实际应用中,可以采用以下任意一种机器学习模型来构建所述温度模型:XGBoost、多层感知器(MLP,Multi-Layer Perception)、随机森林(Random Forest)、支持向量机(SVM,Support Vector Machine)、线性回归(Linear Regression)等。
具体地,从所述子集中的数据提取相应特征,将提取的特征输入所述机器学习模型进行拟合,目标为当前时刻乘客区域内温度,得到温度模型参数。
为了进一步得到更高质量的温度模型,在实际应用中,还可以利用所述子集中的数据,分别采用不同的机器学习模型进行当前时刻乘客区域内温度拟合并计算所述机器学习模型的均方根误差(RMSE);选择均方根误差最小的机器学习模型作为温度模型。比如,选择上述机器学习模型中的两种或多种进行比较,然后选择均方根误差最小的作为最优的拟合模型。
例如,拟合结果得到的几种机器学习模型的均方根误差如下表1所示。
表1
模型 | 均方根误差 |
XGBoost | 0.0418 |
MLP | 0.0506 |
Random Forest | 0.0435 |
SVM | 0.0482 |
Linear Regression | 0.0822 |
根据上述拟合结果,最终优选XGBoost训练的模型作为对应相应运行模式的温度模型。
步骤104,利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
具体地,可以设定输入特征参数,所述输入特征参数包括:送风温度变化程度;根据设定的输入特征参数生成特征参数集系列;依次将每个特征参数集中的特征参数输入所述温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果。
所述输入特征参数是为了模拟真实环境下的空调性能而设置,并在固定这些特征参数下观察空调系统与环境的关系。在本发明实施例中,所述特征参数包括但不限于室外温度范围、送风温度范围、上一时刻乘客区域内温度范围、载荷范围、送风温度变化程度。
比如,制冷模式下的输入特征参数如下:室外度范围为29~30摄氏度、送风温度范围为19~20摄氏度、上一时刻乘客区域内温度范围为25~26摄氏度、载荷范围为40、送风温度变化为1摄氏度。
将上述这些参数进行组合生成特征参数集系列,利用该系列中各特征参数集及所述温度模型,得到制冷模式下乘客区域内温度变化的计算结果。根据上述乘客区域内温度变化可以得到综合温度调节性能指标,比如,对计算得到的同一空调运行模式下不同特征参数集对应的乘客区域内温度变化计算平均值,将该平均值作为该区域的空调系统综合温度调节性能指标,如下表2所示。
表2
步骤105,根据所述温度调节性能指标和历史结果数据生成评估报告。
所述历史结果数据是指之前已记录的计算结果及相应的温度调节性能指标等数据。也就是说,在上述步骤104中,每次计算后,还需要将计算结果等数据保存到相应的数据库中,以便后续在进行在线评估时,与前面的历史结果数据进行比较。
所述温度调节性能指标可以应用于不同场景,并得到相应的评估报告,比如:
1)应用在同列车不同车厢的相互比较,该指标较差的车厢表示其温度调节性能较差。
在该应用中,所述评估报告还可列出同列车不同车厢在当前评估时间的计算结果及对应的可视化信息,例如不同车厢不同模式下的综合温度调节性能指标的条形图。
2)应用在相同车厢在相同空调运行模式下随着时间的变化上的比较,如该指标呈现出明显的下降趋势,则表明该车厢空调系统的温度调节能力出现劣化。
在该应用中,所述评估报告还可提供时间和空调运行模式的查询选项,列出同列车所有车厢在所选时间所选模式下的所有计算结果及对应的可视化信息,例如不同车厢在不同模式下综合温度调节性能指标随时间变化的散点图、折线图等。
本发明实施例提供的用于交通工具的空调系统温度调节性能评估方法,基于数据驱动的机器学习模型,采集设备监控数据,并将所述设备监控数据划分为对应不同空调运行模式的子集,利用所述子集中的数据构建对应所述空调运行模式的温度模型,利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标,根据所述温度调节性能指标和历史结果数据生成评估报告,从而实现对空调系统温度调节性能的在线评估。
进一步地,在根据所述温度调节性能指标和历史结果数据生成评估报告时,可以针对不同的应用进行评估,比如,针对同一车厢内温度变化情况进行评估,和/或针对不同车厢内温度温度变化进行比较,进而可以根据不同应用的评估结果有效地判断空调系统的温度调节能力是否发生衰减,以便及时进行干预,利于空调系统的保养和维护,减少空调系统发生故障的概率,提高乘客舒适度和满意度。
相应地,本发明实施例还提供一种用于交通工具的空调系统温度调节性能评估装置,如图2所示,是该装置的一种结构框图。
在该实施例中,所述装置包括以下各模块:
数据采集模块201,用于实时采集设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;
存储模块202,用于保存所述数据采集模块201采集的设备监控数据;
数据预处理模块203,用于将所述设备监控数据划分为对应不同空调运行模式的子集;
模型建立模块204,用于利用所述子集中的数据构建对应所述空调运行模式的温度模型;
温度调节性能评估模块205,用于利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;
评估报告生成模块206,用于根据所述温度调节性能指标和历史结果数据生成评估报告。
需要说明的是,所述空调运行模式通常可以有以下几种:强制冷、弱制冷、强制热、弱制热、通风等模式。当然,实际应用中也不排除有其它的特殊运行模式,本发明实施例的方案同样也适用。另外,对于不涉及温度调节的运行模式,比如通风模式,空调运行在该模式时,可以不用采集相应数据,或者不保存相应数据。另外,空调运行模式通常会根据外界环境的情况来设定,因此,在一些时间段内空调的运行可能仅涉及一种运行模式,比如,在夏季空调大部分时间是运行在制冷模式,而其它运行模式下的设备监控数据会缺失,但这并不会影响本发明方案的实施及效果,因为上述数据采集模块201对监控数据的采集是实时进行的,只要空调开启,不论其工作在何种运行模式,均会采集到相应的监控数据。
通过将监控数据按照空调运行模式进行划分,可以对空调系统的工况进行更准确细致的评估,得到不同运行模式下的评估结果。
在本发明实施例中,采用数据驱动的机器学习模型来构建所述温度模型。为了避免由于数据的稀疏性对模型参数准确性的影响,可以在所述子集中的数据达到一定长度(比如每个参数变量为1000条)后再建立所述温度模型。比如:
如图3所示,在本发明用于交通工具的空调系统温度调节性能评估装置另一实施例中,所述装置还包括:
实时监测模块300,用于实时监测各子集中的数据长度,在所述数据长度达到设定长度后,触发所述模型建立模块204利用所述子集中的数据构建对应所述空调运行模式的温度模型。也就是说,一旦某个子集中的数据长度满足要求,即触发模型建立模块204执行针对该子集建模的操作。
如图4所示,在本发明用于交通工具的空调系统温度调节性能评估装置另一实施例中,所述装置还包括:
定时监测模块400,用于按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则触发模型建立模块204利用所述子集中的数据构建对应所述空调运行模式的温度模型。比如,设定在线评估周期为3个月,在该评估周期到达后,定时监测模块400触发模型建立模块204针对数据长度满足要求的子集进行建模。当然,对不满足数据长度要求的子集,无法建立相应的温度模型,该子集对应的空调运行模式不参与之后的评估。
需要说明的是,每种运行模式对应有各自的温度模型,而且,对于有多个相对独立的乘客区域的情况,需要对应各区域和各运行模式分别建立相应的温度模型。
在实际应用中,所述模型建立模块204可以采用以下任意一种机器学习模型来构建所述温度模型:XGBoost、多层感知器(MLP,Multi-Layer Perception)、随机森林(RandomForest)、支持向量机(SVM,Support Vector Machine)、线性回归(Linear Regression)等。具体地,从所述子集中的数据提取相应特征,将提取的特征输入所述机器学习模型进行拟合,目标为当前时刻乘客区域内温度,得到温度模型参数。
为了进一步得到更高质量的温度模型,在实际应用中,所述模型建立模块204还可以利用所述子集中的数据,分别采用上述任意两种或多种机器学习模型进行当前时刻内温度拟合并计算所述机器学习模型的均方根误差;选择均方根误差最小的机器学习模型作为温度模型。
在本发明实施例中,每个子集中的数据可以包括:温度传感器数据和载荷数据。其中,所述温度传感器数据包括:送风温度、室外温度、上一时刻乘客区域内温度,当然根据应用需要,还可以有其它监控数据,对此本发明实施例不做限定。
相应地,所述温度调节性能评估模块205可以利用上述对应各空调运行模式的温度模型,计算空调送风温度发生变化时乘客区域内温度的变化情况。
所述温度调节性能评估模块205的一种具体结构如图5所示,包括以下各单元:
参数设置单元501,用于设定输入特征参数,所述输入特征参数包括:送风温度变化程度;
特征参数集生成单元502,用于根据所述参数设置单元501设定的输入特征参数生成特征参数集系列;
第一计算单元503,用于依次将每个特征参数集中特征参数输入相应的温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;
第二计算单元504,用于根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
需要说明的是,所述温度调节性能评估模块205在每次计算后,还可以将计算结果及对应的温度调节性能指标存储到所述存储模块202中,以便后续对空调系统温度调节性能进行在线评估时,可以与历史结果数据进行比较,得到准确的评估结果。
相应地,所述评估报告生成模块206可以根据所述温度调节性能指标生成对应不同评估场景的评估报告。
根据不同的评估场景,所述评估报告的内容可以不同,具体可以根据应用需要来确定,对此本发明实施例不做限定。
需要说明的是,对于上述用于交通工具的空调系统温度调节性能评估装置各实施例而言,由于各模块、单元的功能实现与相应的方法中类似,因此对所述对话生成装置各实施例描述得比较简单,相关之处可参见方法实施例的相应部分说明。
本发明实施例提供的用于交通工具的空调系统温度调节性能评估装置,基于数据驱动的机器学习模型,采集设备监控数据,并将所述设备监控数据划分为对应不同空调运行模式的子集,利用所述子集中的数据构建对应所述空调运行模式的温度模型,利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果,根据所述计算结果和历史结果数据生成评估报告,从而实现对空调系统温度调节性能的在线评估。
进一步地,在根据所述计算结果和历史结果数据生成评估报告时,可以针对不同的应用进行评估,比如,针对同一车厢内温度变化情况进行评估,和/或针对不同车厢内温度温度变化进行比较,进而可以根据不同应用的评估结果有效地判断空调系统的温度调节能力是否发生衰减,以便及时进行干预,利于空调系统的保养和维护,减少空调系统发生故障的概率,提高乘客舒适度和满意度。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。而且,以上所描述的系统实施例仅仅是示意性的,其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的,即可以位于一个网络单元上,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称的存储介质,如:ROM/RAM、磁碟、光盘等。
相应地,本发明实施例还提供一种用于交通工具的空调系统温度调节性能评估方法的装置,该装置是一种电子设备,比如,可以是移动终端、计算机、平板设备、医疗设备、健身设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器;其中,所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面各实施例所述的方法。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及装置,其仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围,本说明书内容不应理解为对本发明的限制。因此,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于交通工具的空调系统温度调节性能评估方法,其特征在于,所述方法包括:
实时采集并保存设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;
将所述设备监控数据划分为对应不同空调运行模式的子集;
利用所述子集中的数据构建对应所述空调运行模式的温度模型;
利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;
根据所述温度调节性能指标和历史结果数据生成评估报告。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
实时监测各子集中的数据长度,在所述数据长度达到设定长度后,执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤;或者
按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则执行利用所述子集中的数据构建对应所述空调运行模式的温度模型的步骤。
3.根据权利要求1所述的方法,其特征在于,所述利用所述子集中的数据构建温度模型包括:
利用所述子集中的数据,分别采用不同的机器学习模型进行当前时刻乘客区域内温度拟合并计算所述机器学习模型的均方根误差;
选择均方根误差最小的机器学习模型作为温度模型。
4.根据权利要求3所述的方法,其特征在于,所述机器学习模型包括以下任意两种或多种:XGBoost、多层感知器、随机森林、支持向量机、线性回归。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述温度传感器数据包括:送风温度、室外温度、上一时刻乘客区域内温度;
所述利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标包括:
设定输入特征参数,所述输入特征参数包括:送风温度变化程度;
根据设定的输入特征参数生成特征参数集系列;
依次将每个特征参数集中的特征参数输入所述温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;
根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
6.一种用于交通工具的空调系统温度调节性能评估装置,其特征在于,所述装置包括:
数据采集模块,用于实时采集设备监控数据,所述设备监控数据包括:温度传感器数据、载荷数据、运行参数;所述运行参数包括空调运行模式;
存储模块,用于保存所述数据采集模块采集的设备监控数据;
数据预处理模块,用于将所述设备监控数据划分为对应不同空调运行模式的子集;
模型建立模块,用于利用所述子集中的数据构建对应所述空调运行模式的温度模型;
温度调节性能评估模块,用于利用所述温度模型计算空调送风温度发生变化时,乘客区域内温度的变化情况,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标;
评估报告生成模块,用于根据所述温度调节性能指标和历史结果数据生成评估报告。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
实时监测模块,用于实时监测各子集中的数据长度,在所述数据长度达到设定长度后,触发所述模型建立模块利用所述子集中的数据构建对应所述空调运行模式的温度模型;或者
定时监测模块,用于按照预设的时间周期,定期检查各子集中的数据长度,如果所述数据长度达到设定长度,则触发模型建立模块利用所述子集中的数据构建对应所述空调运行模式的温度模型。
8.根据权利要求6所述的装置,其特征在于,
所述模型建立模块,具体用于利用所述子集中的数据,分别采用不同的机器学习模型进行当前时刻内温度拟合并计算所述机器学习模型的均方根误差;选择均方根误差最小的机器学习模型作为温度模型。
9.根据权利要求8所述的装置,其特征在于,所述机器学习模型包括以下任意两种或多种:XGBoost、多层感知器、随机森林、支持向量机、线性回归。
10.根据权利要求6至9任一项所述的装置,其特征在于,所述温度传感器数据包括:送风温度、室外温度、上一时刻乘客区域内温度;
所述温度调节性能评估模块包括:
参数设置单元,用于设定输入特征参数,所述输入特征参数包括:送风温度变化程度;
特征参数集生成单元,用于根据所述参数设置单元设定的输入特征参数生成特征参数集系列;
第一计算单元,用于依次将每个特征参数集中的特征参数输入所述温度模型,得到对应所述特征参数集的当前时刻乘客区域内温度;
第二计算单元,用于根据对应各特征参数集的当前时刻乘客区域内温度,得到所述空调运行模式下所述乘客区域内温度变化的计算结果及温度调节性能指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654409.8A CN110348762B (zh) | 2019-07-19 | 2019-07-19 | 用于交通工具的空调系统温度调节性能评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910654409.8A CN110348762B (zh) | 2019-07-19 | 2019-07-19 | 用于交通工具的空调系统温度调节性能评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348762A true CN110348762A (zh) | 2019-10-18 |
CN110348762B CN110348762B (zh) | 2020-10-30 |
Family
ID=68179302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910654409.8A Active CN110348762B (zh) | 2019-07-19 | 2019-07-19 | 用于交通工具的空调系统温度调节性能评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348762B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200479A (zh) * | 2020-10-20 | 2021-01-08 | 厦门航空有限公司 | 民机空调系统散热器性能量化评估方法 |
WO2021216232A1 (en) * | 2020-04-20 | 2021-10-28 | Gentherm Incorporated | Machine learning algorithm for controlling thermal comfort |
CN116596408A (zh) * | 2023-07-14 | 2023-08-15 | 今创集团股份有限公司 | 一种储能集装箱温控能力评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调系统能效实时监测系统及方法 |
CN103063457A (zh) * | 2012-12-30 | 2013-04-24 | 南方英特空调有限公司 | 整车空调系统模拟试验方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN107599783A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种车内环境管理系统及其控制方法 |
CN207345430U (zh) * | 2017-10-25 | 2018-05-11 | 无锡职业技术学院 | 一种基于视频传感技术的新能源汽车空调控制系统 |
-
2019
- 2019-07-19 CN CN201910654409.8A patent/CN110348762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975673A (zh) * | 2010-09-07 | 2011-02-16 | 区峰 | 中央空调系统能效实时监测系统及方法 |
CN103063457A (zh) * | 2012-12-30 | 2013-04-24 | 南方英特空调有限公司 | 整车空调系统模拟试验方法 |
CN105004015A (zh) * | 2015-08-25 | 2015-10-28 | 东南大学 | 一种基于需求响应的中央空调建模及控制策略 |
CN107599783A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种车内环境管理系统及其控制方法 |
CN207345430U (zh) * | 2017-10-25 | 2018-05-11 | 无锡职业技术学院 | 一种基于视频传感技术的新能源汽车空调控制系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021216232A1 (en) * | 2020-04-20 | 2021-10-28 | Gentherm Incorporated | Machine learning algorithm for controlling thermal comfort |
CN112200479A (zh) * | 2020-10-20 | 2021-01-08 | 厦门航空有限公司 | 民机空调系统散热器性能量化评估方法 |
CN116596408A (zh) * | 2023-07-14 | 2023-08-15 | 今创集团股份有限公司 | 一种储能集装箱温控能力评价方法及系统 |
CN116596408B (zh) * | 2023-07-14 | 2023-09-26 | 今创集团股份有限公司 | 一种储能集装箱温控能力评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110348762B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348762A (zh) | 用于交通工具的空调系统温度调节性能评估方法及装置 | |
CN102620378B (zh) | 数据中心节能控制方法和系统 | |
CN110285532A (zh) | 基于人工智能的机房空调控制方法、装置及系统 | |
CN105378391B (zh) | 针对hvac需求响应的在线优化方案 | |
CN107223195B (zh) | 用于hvac系统的可变风量建模 | |
EP3025099B1 (en) | Control device and method for buildings | |
CN107194612A (zh) | 一种基于深度强化学习的列车运行调度方法及系统 | |
CN105160149B (zh) | 一种模拟调峰机组的需求响应调度评估体系构建方法 | |
CN109300310A (zh) | 一种车流量预测方法及装置 | |
CN106920006A (zh) | 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法 | |
CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN107276069A (zh) | 一种地区电网居民温控负荷的近似聚合建模方法及系统 | |
CN110389570A (zh) | 一种机车牵引系统故障诊断装置及方法 | |
CN112712281B (zh) | 一种基于云模型的储能工况适应性综合评估方法及系统 | |
CN105956798A (zh) | 一种基于稀疏随机森林的配网设备运行状态评估方法 | |
CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
CN112102681A (zh) | 基于自适应策略的标准动车组驾驶仿真实训系统及方法 | |
Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
CN206223233U (zh) | 一种用于大型客舱环境舒适度评价的模拟实验系统 | |
Yang et al. | Drivers’ visual interaction performance of on-board computer under different heat conditions: Based on ELM and entropy weight | |
CN114200839A (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN109435630A (zh) | 一种基于人工神经网络算法的乘员舱温度控制方法 | |
CN113821903A (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN105956318A (zh) | 基于改进分裂 h-k 聚类方法的风电场机群划分方法 | |
CN104618133A (zh) | 一种电网电压质量监测数据采集方法及系统 |
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 |