CN110500709B - 空调器运行状态在线判别方法 - Google Patents
空调器运行状态在线判别方法 Download PDFInfo
- Publication number
- CN110500709B CN110500709B CN201910689132.2A CN201910689132A CN110500709B CN 110500709 B CN110500709 B CN 110500709B CN 201910689132 A CN201910689132 A CN 201910689132A CN 110500709 B CN110500709 B CN 110500709B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- temperature
- state
- neural network
- expert system
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种空调器运行状态在线识别方法,首先,利用确定空调器不同工作温度时的参考冷凝温度与参考吸气温度数值列表,用于与后续比对;其次,通过对知识库的建立、推理机以及解释器的设计实现对基于神经网络的空调器状态判别专家系统的体系结构与功能模块设计;最后,采集当前时刻空调器运行状态的工作参数,计算出当前状态下空调器的冷凝温度、吸气温度以及出风口温度,同时与相同室内外温度下的参考冷凝温度、吸气温度以及空调设定温度进行对比,获得当前空调器的状态征兆,并将所获状态征兆输入至训练完成的神经网络模型中,进而获得与当前状态征兆相对应的状态模式,从而完成对空调器当前运行状态的在线智能判别。
Description
技术领域
本发明涉及一种空调器运行状态监测与模式识别方法,属于电器状态监测与识别技术领域。
背景技术
近年来,随着我国国民经济的迅速发展和人民生活水平的日益提高,空调设备越来越广泛地应用于工矿企业、商业、医疗、服务业等多种行业及其相应场所。受输电质量、外界环境以及各部件自身寿命等因素影响,空调极易发生不同类型不同程度的故障。常见的空调故障类型主要包括:压缩机绕组烧毁、冷凝器积灰、蒸发器过滤器堵塞、制冷剂泄露等。当空调发生故障时,若不能及时诊断排除故障,轻者影响环境舒适性,造成能源的浪费,进而影响到生产生活,重则带来巨额的经济损失。目前,空调的状态监测与故障模式识别的任务主要是依靠各空调器生产厂商对各自的空调器产品中自诊断功能的研发来实现,例如:“美的”变频空调器的诊断系统以检测诊断电压、电流及风机为主,对制冷系统的诊断(单制冷功能时)以采集的室内温度、室外温度、室外冷凝器管壁温度(相当于冷凝温度)为依据进行相应的诊断,诊断的结果为空调器“某参数异常”,如室内蒸发器低温、室外冷凝器高温等,并不分析产生上述故障的可能原因;“海尔”变频空调器的诊断系统以采集的室内温度、蒸发温度、室外温度、室外冷凝器管壁温度(相当于冷凝温度)和压缩机的温度为依据进行相应的诊断,以定时灯的闪烁次数来代表不同的故障;“松下”、“三菱”等国外空调产品的诊断系统与上述国产空调基本相同。然而,这种依靠空调器中的自诊断系统得出的状态监测与模式识别结果存在着诸多问题:一方面,状态模式通过故障代码或者不同信号灯的组合给出,造成非专业空调器维修人员解读困难,且无法为后续的维护维修保养提供必要的知识指导,从而极大地影响着空调器运行的可靠性以及维护维修的有效性;另一方面,这类空调器状态监测及模式识别系统通常无法实现对空调器运行参数的保存,在造成了大量的有价值数据信息丢失的同时不利于维护维修人员在分析设备状态模式时进行故障追溯。综上可知,开展高效的空调器运行状态监测与状态模式的在线智能判别方法的研究具有重要的实用价值。
发明内容
本发明旨在解决现阶段主要依靠自身诊断系统实现的空调器运行状态监测与识别方法存在的状态类型代码可读性差、无法为后续的维护维修保养提供必要的知识指导的问题。
上述发明的目的通过以下的技术方案实现:
一种空调运行状态的在线判别方法,该方法主要包括温度监测和神经网络专家系统的构建两部分,所述方法包括如下步骤:
(1)参考冷凝温度T冷、参考吸气温度T吸值的确定:
对不同工作温度即室内、室外温度下的正常运行空调器的冷凝温度T冷、吸气温度T吸等参数进行数据收集。鉴于空调器的冷凝温度与吸气温度同时受室内温度及室外温度的影响,建立参考冷凝温度与参考吸气温度的计算表达式如下所示:
T冷=A1t外+t内-A2 (1)
T吸=B1t外+t内-B2 (2)
式中,t外为室外温度,t内为室内温度,A1、A2与B1、B2分别为参考冷凝温度与参考吸气温度计算公式中的常系数,其确定方法为利用最小二乘法对空调器正常状态下的历史温度参数数据进行拟合,从而得到不同工作温度下的参考冷凝温度和参考吸气温度值;
(2)神经网络专家系统的构建:
构建空调器运行状态在线判别的神经网络专家系统主要包括知识库组建与推理机设计两大部分,其中知识库组建包括状态判别知识的获取和知识的存储两个过程;推理机的设计包括推理方法的选择、推理方向的确定以及控制策略的设计三个方面。
1)基于神经网络的空调器状态判别专家系统知识库的组建;
空调器运行状态判别知识的获取表现为训练样本的获取与优选,训练样本来源于空调器正常工作和各项异常状态下的各种工作参数。与将状态判别知识以规则等形式显式地存储在知识库中的传统专家系统不同,空调器运行状态判别神经网络专家系统采用完全不同的知识存储方式:即将判别知识隐式地分散存储在神经网络的各层连接权值与阈值中,以少量的神经元保存大批量规则知识,从而达到数据存储的精简化、规范化的目的。
考虑到本项目采用基于知识的方法(即专家系统)对空调器的运行状态进行判别,需要将现阶段收集到的有关状态判别所需的故障征兆及其对应的故障原因等专家知识用适当的形式表达出来,以便于系统的调用。当前知识表示的方式多种多样,应用较多的有:逻辑表示法、语义网络表示法、产生式表示法、框架表示法等等。在专家系统的建立过程中,应用最为广泛的是谓词逻辑表示法。谓词逻辑表示法适合于表示事物的状态、属性、概念等事实性的知识,也可方便的表示事物间的因果关系,即规则。还可以通过逻辑词将简单的谓词公式联接起来构成复合的谓词公式,用于表达复杂的内容,常用的联接词有否定词、合取词、条件词等。下面利用谓词逻辑知识表示法对表1~表4中所涉及的空调器故障诊断知识进行表达。在以下谓词逻辑表示中,rule表示规则,symptom表示征兆,topic表示主题。规则rule(no1,故障1,故障2,L)表示:规则号为no1,该规则的上级故障为故障1,本级故障为故障2,具有征兆集L;symptom(no2,征兆A)表示编号为no2的征兆为征兆A。本发明的实施例中,空调器故障诊断知识的表达如下:
topic(“空调器”);
topic(“压缩机故障”);
topic(“冷凝器故障”);
topic(“毛细管故障”);
topic(“蒸发器故障”);
rule(1,“压缩机故障”,“压缩机绕组烧毁”,[4]);
rule(2,“压缩机故障”,“压缩机绕组断线”,[4]);
rule(3,“压缩机故障”,“压缩机抱轴”,[4]);
rule(4,“压缩机故障”,“压缩机电容损坏”,[4]);
rule(5,“压缩机故障”,“压缩机压缩不良”,[2]);
rule(6,“冷凝器故障”,“冷凝器积灰”,[3,5,7,8]);
rule(7,“冷凝器故障”,“冷凝器风扇不转或积灰”,[3,5,7]);
rule(8,“空调器”,“毛细管堵塞”,[2,5,9,11,12]);
rule(9,“蒸发器故障”,“蒸发器过滤器堵塞”,[6,11,12]);
rule(10,“蒸发器故障”,“蒸发器风机不转或积灰”,[6,9,11,13]);
rule(11,“空调器”,“制冷剂泄露”,[3,5,7,9,12]);
rule(12,“空调器”,“电源电压不稳”,[1,3,7]);
rule(13,“空调器”,“电源不通电”,[1]);
rule(14,“空调器”,“室外散热器结垢、风机不良”,[8,10,13]);
symptom(1,“空调不制冷,出风口无风”);
symptom(2,“空调不制冷,出风口有风,压缩机工作但不冷”);
symptom(3,“空调不制冷,出风口有风,压缩机开停频繁风不冷”);
symptom(4,“空调不制冷,出风口有风,压缩机不运转”);
symptom(5,“空调制冷不佳,出风不冷”);
symptom(6,“空调制冷不佳,出风冷但风量小,室温下降慢”);
symptom(7,“空调制冷不佳,出风忽冷忽热”);
symptom(8,“冷凝温度上升”);
symptom(9,“冷凝温度下降”);
symptom(10,“蒸发温度升高”);
symptom(11,“蒸发温度下降”);
symptom(12,“吸气过热度偏高”);
symptom(13,“吸气过热度偏低”);
symptom(14,“后续补充电流波形特征”);
由此建立完成一个基于谓词逻辑的故障知识库,由上可知,基于逻辑的专家系统中,知识库是由一系列说明事实的谓词逻辑子句组成,于实施例中,将这些事实和子句保存在命名为air-condition.dba的数据文件中,即为独立于推理机制的知识库。
基于神经网络的空调器运行状态判别专家系统中知识的获取步骤是:(1)初始化领域专家知识;(2)初始化神经网络,按照转译规则,将上述的形式化领域专家知识转化为神经网络可用的编码形式,确定网络结构及输入输出;(3)利用训练样本对神经网络进行训练学习,从而获得内嵌了现有领域专家知识的神经网络结构模型,以供后续的神经网络测试环节调用。
2)空调器状态判别专家系统推理机的设计;
推理机是空调器运行状态判别专家系统的组织控制结构,能根据当前的输入数据运用知识库中储备的各种知识,按照一定的策略进行推理,最终实现要求的目的。本发明首先考虑到空调器工作参数的特征的不确定性,采用模糊推理的方法赋予各类不确定知识以一定的确定性因子,并沿着推理链传播这种不确定性,最终根据设定的阈值对结论的确定性因子进行评估,从而得出类似于人类专家水平的问题求解结论;其次,利用正反向混合推理机制实现对空调器运行状态判别的问题进行推理求解。
(3)基于神经网络专家系统的空调器当前状态模式判别的实现:
采集当前时刻空调器运行状态的工作参数,计算出当前状态下空调器的冷凝温度、吸气温度以及出风口温度,同时与步骤(1)中相同室内外温度下的参考冷凝温度、吸气温度以及空调设定温度进行对比,获得当前空调器的状态征兆;将所获状态征兆输入至训练完成的神经网络模型中,进而获得与当前状态征兆相对应的状态模式,从而完成对空调器当前运行状态的判别,并根据空调器状态判别专家系统中的解释模块对神经网络的输出所代表的状态判别的结论做出解释,并针对可能出现的异常状态给出报警及对应的处理办法。
本发明具有以下有益效果:
①本发明利用室内温度、室外温度、冷凝温度、吸气温度以及出风口温度五组工作参数对空调器的运行状态进行评估,通过将实时采集到的当前状态下的工作参数值与相同室内、室外温度下的参考冷凝温度、参考吸气温度以及设定出风口温度进行比对获得状态征兆集,具有状态信息采集便捷、状态征兆的获取直观明了的技术优势;
②本发明利用神经网络将现有的有关空调器运行状态判别的专家经验知识存储于神经元的各连接权值与阈值中,具有较强的通用性,有利于后续知识的不断扩充与完善,同时实现了以小规模的网络结构实现对大规模知识数据的存储;
③本发明采用专家系统这种基于知识的模式识别方法用于空调器运行状态的在线智能判别,一方面实现了空调器状态判别领域专家经验知识的有效积累与再利用,另一方面专家系统中解释器的存在从根本上解决了现阶段主要依靠自身诊断系统实现的空调器运行状态监测与识别方法存在的状态类型代码可读性差、无法为后续的维护维修保养提供必要的知识指导的弊端。
附图说明
图1为本发明中基于温度监测实现空调器运行状态在线智能判别的实施流程图;
图2为本发明中神经网络专家系统的总体结构图;
图3为本发明中空调器状态征兆与状态模式类别的关联图。
具体实施方式
本发明提出了一种空调器运行状态在线判别方法,该方法主要包括温度监测和神经网络专家系统的构建两部分,该方法的主要实现步骤如下:首先,利用最小二乘拟合结合采集到的空调器正常运行状态下的工作参数值确定空调器不同工作温度时的参考冷凝温度与参考吸气温度数值列表,用于与后续实时采集到的冷凝温度及吸气温度进行比对;其次,通过对基于神经网络的空调器运行状态判别知识库的建立、推理机以及解释器的设计实现对基于神经网络的空调器状态判别专家系统的体系结构与功能模块设计;最后,采集当前时刻空调器运行状态的工作参数,计算出当前状态下空调器的冷凝温度、吸气温度以及出风口温度,同时与相同室内外温度下的参考冷凝温度、吸气温度以及空调设定温度进行对比,获得当前空调器的状态征兆,并将所获状态征兆输入至训练完成的神经网络模型中,进而获得与当前状态征兆相对应的状态模式,从而完成对空调器当前运行状态的在线智能判别。
如图1,该方法的具体实施过程如下:
(1)收集空调器正常运行状态下不同工作温度(室内、室外温度)时的冷凝温度T冷、吸气温度T吸值,鉴于空调器的冷凝温度与吸气温度同时受室内温度及室外温度的影响,建立参考冷凝温度与参考吸气温度的计算表达式如下所示:
T冷=A1t外+t内-A2 (1)
T吸=B1t外+t内-B2 (2)
式中,t外为室外温度,t内为室内温度,A1、A2与B1、B2分别为参考冷凝温度与参考吸气温度计算公式中的常系数。并利用最小二乘法对式(1)~(2)中的常系数进行线性拟合,从而得到不同室内外温度组合下的参考冷凝温度与参考吸气温度数值列表,用于与后续实时采集到的冷凝温度T吸及吸气温度T吸进行比对;
(2)通过现场调研及案例整理,搜集空调器运行状态征兆与状态模式的对应关系等状态模式判别所需的专家知识,以步骤(1)得到的对比结果构造状态征兆集,并按照征兆集以及状态模式集的个数确定神经网络的输入、输出以及网络结构,同时以现有的状态判别知识对神经网络模型进行训练,从而实现对领域知识的提取;
(3)对空调器运行状态判别专家系统中的推理机模块进行详细地设计,考虑到空调器工作参数特征的不确定性,采用模糊推理的方法赋予各类不确定知识以一定的确定性因子,并沿着推理链传播这种不确定性,最终根据设定的阈值对结论的确定性因子进行评估,从而得出类似于人类专家水平的问题求解结论,并利用正反向混合推理机制实现对空调器运行状态判别的问题进行推理求解,从而构建神经网络专家系统的知识库和推理机;
(4)如图2,空调器状态判别专家系统除知识库和推理机外,还需要完善基于神经网络的空调器运行状态判别专家系统中解释器的设计,解释器用于实现专家系统推断结论对使用者的说明,其具体内容包括当前状态模式判别的结果、判别依据、可能存在的状态异常报警以对应的处理办法;
(5)结合图1-2,具备完善空调器状态识别知识的神经网络专家系统构建完成后,可以通过所述神经网络专家系统对当前空调器的运行状态进行识别,具体是,采集当前时刻空调器运行状态的工作参数,计算出当前状态下空调器的冷凝温度、吸气温度以及出风口温度,同时与上述步骤(1)中相同室内外温度下的参考冷凝温度、吸气温度以及空调设定温度进行对比,获得当前空调器的状态征兆,将所获状态征兆输入至上述步骤(2)中训练完成的神经网络模型中,进而获得与当前状态征兆相对应的状态模式,从而完成对空调器当前运行状态的判别,本发明中空调器状态征兆与状态模式类别的关联关系如图3所示。同时根据空调器状态判别专家系统中的解释模块对神经网络的输出所代表的状态判别的结论做出解释,并针对可能出现的异常状态给出报警及对应的处理办法。
Claims (3)
1.一种空调运行状态的在线判别方法,其特征在于,该方法包括参考冷凝温度T 冷、参考吸气温度T 吸值的确定、神经网络专家系统的构建和基于神经网络专家系统的空调器当前状态模式判别的实现三个部分,所述方法包括如下步骤:
(1)参考冷凝温度T 冷、参考吸气温度T 吸值的确定:对不同工作温度即室内、室外温度下的正常运行空调器的运行状态数据进行收集,其中,所述空调器的运行状态数据包括冷凝温度t 冷和吸气温度t 吸,建立参考冷凝温度与参考吸气温度的计算表达式如下所示:
T 冷 =A 1 t 外 +t 内 - A 2 (1)
T 吸=B 1 t 外 +t 内 - B 2 (2)
式中,t 外为室外温度,t 内为室内温度, A 1、A 2与B 1、B 2分别为参考冷凝温度与参考吸气温度计算 公式中的常系数,T 冷与T 吸的确定方法为利用最小二乘法对空调器正常状态下的历史温度参数数据进行拟合,从而得到不同工作温度下的参考冷凝温度和参考吸气温度值;
(2)神经网络专家系统的构建:构建空调器运行状态在线智能判别的神经网络专家系统包括知识库组建与推理机设计两大部分,其中知识库组建包括状态判别知识的获取和知识的存储两个过程;推理机的设计包括推理方法的选择、推理方向的确定以及控制策略的设计三个方面,其中,
1)基于神经网络的空调器状态判别专家系统知识库的组建,包括:
训练样本的获取,训练样本来源于空调器正常工作和异常状态下的空调器工作参数,空调器工作参数包括室内温度、室外温度、冷凝温度、吸气温度以及出风口温度;
将收集到的空调器状态判别的空调器运行状态征兆与状态模式的对应关系的专家知识采用谓词逻辑表示法进行表达,建立完成一个独立于推理机制的基于谓词逻辑的故障知识库;
知识库构建后,利用训练样本对神经网络模型进行训练学习,从而获得内嵌了空调器状态判别领域专家知识的神经网络结构模型,以供后续的神经网络测试环节调用;
2)空调器状态判别专家系统推理机的设计:首先考虑到空调器工作参数的特征的不确定性,采用模糊推理的方法赋予空调器工作参数以确定性因子,并沿着推理链传播这种不确定性,最终根据设定的阈值对结论的确定性因子进行评估,从而得出类似于人类专家水平的问题求解结论;其次,利用正反向混合推理机制实现对空调器运行状态判别的问题进行推理求解;
(3)基于神经网络专家系统的空调器当前状态模式判别的实现:采集当前时刻空调器运行状态的工作参数,获得当前状态下空调器的冷凝温度、吸气温度以及出风口温度,同时与步骤(1)中相同室内外温度下的参考冷凝温度、参考吸气温度以及空调设定温度进行对比,获得当前空调器的状态征兆;将所获状态征兆输入至训练完成的神经网络模型中,进而获得与当前状态征兆相对应的状态模式,从而完成对空调器当前运行状态的判别,并根据空调器状态判别专家系统中的解释器对神经网络的输出所代表的状态判别的结论做出解释,并针对可能出现的异常状态给出报警及对应的处理办法。
2.根据权利要求1所述的一种空调运行状态的在线判别方法,其特征在于,步骤(2)中神经网络专家系统采用的知识存储方式为:将判别知识隐式地分散存储在神经网络的各层连接权值与阈值中,以少量的神经元保存大批量规则知识。
3.根据权利要求1所述的一种空调运行状态的在线判别方法,其特征在于,步骤(2)还包括完善神经 网络专家系统中解释器的设计,解释器用于实现专家系统推断结论对使用者的说明,该说明的具体内容包括当前状态模式判别的结果、判别依据、状态异常报警以对应的处理办法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689132.2A CN110500709B (zh) | 2019-07-29 | 2019-07-29 | 空调器运行状态在线判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910689132.2A CN110500709B (zh) | 2019-07-29 | 2019-07-29 | 空调器运行状态在线判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110500709A CN110500709A (zh) | 2019-11-26 |
CN110500709B true CN110500709B (zh) | 2021-04-20 |
Family
ID=68587666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910689132.2A Active CN110500709B (zh) | 2019-07-29 | 2019-07-29 | 空调器运行状态在线判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110500709B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111706958A (zh) * | 2020-06-03 | 2020-09-25 | 中筑科技股份有限公司 | 一种基于大数据处理的中央空调故障性能检测系统 |
CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
CN112393378A (zh) * | 2020-11-17 | 2021-02-23 | 珠海派诺科技股份有限公司 | 基于电气信息的非侵入式空调故障诊断方法、电子设备、存储介质及系统 |
CN114312213B (zh) * | 2021-12-14 | 2023-10-17 | 华人运通(江苏)技术有限公司 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
CN115164299A (zh) * | 2022-06-10 | 2022-10-11 | 青岛海尔空调电子有限公司 | 空调器的控制方法、系统、控制装置及可读存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003079286A1 (en) * | 2002-03-15 | 2003-09-25 | Pacific Edge Biotechnology Limited | Medical applications of adaptive learning systems using gene expression data |
CN1821779A (zh) * | 2006-03-20 | 2006-08-23 | 中山大学 | 一种空气质量监测和控制系统 |
CN102130783B (zh) * | 2011-01-24 | 2014-07-02 | 浪潮通信信息系统有限公司 | 神经网络的智能化告警监控方法 |
CN102637019B (zh) * | 2011-02-10 | 2014-04-02 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
CN105445646A (zh) * | 2015-12-14 | 2016-03-30 | 国家电网公司 | 基于神经网络专家系统的模数电路故障诊断的测试方法 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN109937331B (zh) * | 2016-11-18 | 2020-11-24 | 三菱电机株式会社 | 空调机以及空调系统 |
CN106802599A (zh) * | 2017-02-17 | 2017-06-06 | 巴音郭楞职业技术学院 | 一种基于专家数据库的电力变压器故障诊断系统 |
US20190041078A1 (en) * | 2017-08-07 | 2019-02-07 | General Electric Company | Method and system for detection of hvac anomalies at the component level |
CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
CN108895607A (zh) * | 2018-07-04 | 2018-11-27 | 珠海格力电器股份有限公司 | 空调故障处理方法、装置、存储介质、空调及服务器 |
CN109859841A (zh) * | 2019-03-01 | 2019-06-07 | 中国科学院上海高等研究院 | 基于神经网络的肝癌辅助诊断系统、方法、设备和介质 |
-
2019
- 2019-07-29 CN CN201910689132.2A patent/CN110500709B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110500709A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110500709B (zh) | 空调器运行状态在线判别方法 | |
Guo et al. | Deep learning-based fault diagnosis of variable refrigerant flow air-conditioning system for building energy saving | |
Zhao et al. | Artificial intelligence-based fault detection and diagnosis methods for building energy systems: Advantages, challenges and the future | |
Li et al. | An improved decision tree-based fault diagnosis method for practical variable refrigerant flow system using virtual sensor-based fault indicators | |
Katipamula et al. | Methods for fault detection, diagnostics, and prognostics for building systems—a review, part I | |
Kocyigit | Fault and sensor error diagnostic strategies for a vapor compression refrigeration system by using fuzzy inference systems and artificial neural network | |
CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
CN109460873A (zh) | 空调系统运行优化方法和装置 | |
CN107806690A (zh) | 一种基于贝叶斯网络的家用空调故障诊断方法 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
WO2020189374A1 (ja) | 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム | |
Yu et al. | A VRF charge fault diagnosis method based on expert modification C5. 0 decision tree | |
KR100354786B1 (ko) | 네트워크를 이용한 공조 및 냉동/냉장 설비의통합관리시스템 및 그 제어방법 | |
CN112097365A (zh) | 基于预测和分类模型的空调故障检测与辩识方法及装置 | |
CN112283876A (zh) | 空调故障预测方法及空调 | |
Zhang et al. | A real-time abnormal operation pattern detection method for building energy systems based on association rule bases | |
CN113339204A (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
Yang et al. | HVAC equipment, unitary: Fault detection and diagnosis | |
CN112124229A (zh) | 一种应急抢险泵车远程实时故障诊断方法 | |
CN110209649B (zh) | 基于关联规则知识库的中央空调系统能效实时诊断方法 | |
Zhang et al. | A comprehensive investigation of knowledge discovered from historical operational data of a typical building energy system | |
CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
CN1477353A (zh) | 空调制冷机故障的模糊诊断方法 | |
JP2023151268A (ja) | 車両用ドア装置診断システム、及び、車両用ドア装置診断方法 | |
CN105354232A (zh) | 一种基于本体的空调节能诊断系统及空调节能诊断方法 |
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 |