CN110503217A - 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 - Google Patents
一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 Download PDFInfo
- Publication number
- CN110503217A CN110503217A CN201910810305.1A CN201910810305A CN110503217A CN 110503217 A CN110503217 A CN 110503217A CN 201910810305 A CN201910810305 A CN 201910810305A CN 110503217 A CN110503217 A CN 110503217A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- slow leakage
- leakage failure
- conditioner coolant
- data
- 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
- 239000002826 coolant Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004378 air conditioning Methods 0.000 claims abstract description 46
- 230000007257 malfunction Effects 0.000 claims abstract description 33
- 239000003507 refrigerant Substances 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 15
- 239000000463 material Substances 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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"
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调冷媒慢泄漏故障预测方法,包括:获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;获取历史数据,利用所述历史数据和所述当前数据获取参数因子;将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;判断所述故障概率值是否处于空调冷媒慢泄漏故障预测区间内;若是,则发送空调冷媒慢泄漏故障预警;该方法解决了列车空调冷媒慢泄漏带来的安全隐患,避免因空调冷媒慢泄漏故障导致列车计划外缺勤,同时不需要维修人员在维修站随时待命,因此节省了人力物力;此外,本发明还提供了一种空调冷媒慢泄漏故障预测装置、设备、系统及计算机可读存储介质,同样具有上述有益效果。
Description
技术领域
本发明涉及列车故障预警领域,特别涉及一种空调冷媒慢泄漏故障预测方法、装置、设备、系统及计算机可读存储介质。
背景技术
目前,我国铁路列车基本均为空调列车,因此列车空调为铁路列车上的重要设备。
由于列车的运行安排十分密集,空调使用频率极高,因此列车空调容易出现冷媒慢泄漏故障。空调冷媒泄漏时会严重影响空调制冷效果,且部分冷媒具有易燃或易爆炸的特性,会对行车安全造成影响。由于列车冷媒慢泄漏很难提前检查出来,只有当空调运行出现故障后才能够对其进行维修。因此列车在空调冷媒泄漏后运行时存在安全隐患,且会严重影响乘客体验;并且列车在进入维修站进行维修时,会造成列车计划外缺勤,影响全国铁路网调度以及乘客的出行,同时维修站人员需随时待命,因此浪费大量的人力物力。
因此,如何解决空调冷媒慢泄漏故障导致浪费大量人力物力的问题,是本领域技术人员需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种空调冷媒慢泄漏故障预测方法、装置、设备、系统及计算机可读存储介质,解决了空调冷媒慢泄漏故障导致浪费大量人力物力的问题。
为解决上述技术问题,本发明提供了一种空调冷媒慢泄漏故障预测方法,包括:
获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;
获取历史数据,利用所述历史数据和所述当前数据获取参数因子;
将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;
判断所述故障概率值是否处于空调冷媒慢泄漏故障预测区间内;
若是,则发送空调冷媒慢泄漏故障预警。
可选的,所述获取空调运行参数和列车环境数据并进行滤波处理,包括:
获取所述空调运行参数和所述列车环境数据;
判断所述空调运行参数和所述列车环境数据是否完整;
若是,则对所述空调运行参数进行滤波处理。
可选的,所述获取历史数据,利用所述历史数据和所述当前数据获取参数因子,包括:
将所述历史数据和所述当前数据上传至服务器;
将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中,获取所述参数因子。
可选的,在将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中之前,还包括:
判断所述慢泄漏预测贝叶斯模型中是否存在参数因子;
若否,则执行将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中的步骤;
若是,则判断所述参数因子是否满足更新条件;
若所述参数因子满足所述更新条件,则执行将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中的步骤。
可选的,所述发送空调冷媒慢泄漏故障预警,包括:
获取所述空调冷媒慢泄漏故障预警,并将所述空调冷媒慢泄漏故障预警发送至所述服务器;
所述服务器将所述空调冷媒慢泄漏故障预警发送给故障运维设备,通过所述故障运维设备发送所述空调冷媒慢泄漏故障预警。
可选的,还包括:
判断所述历史数据是否满足时间区间条件;
若否,则更新所述历史数据。
本发明还提供了一种空调冷媒慢泄漏故障预测装置,包括:
滤波模块,用于获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;
参数因子获取模块,用于获取历史数据,利用所述历史数据和所述当前数据获取参数因子;
故障概率值获取模块,用于将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;
判断模块,用于判断所述故障概率值是否处于冷媒慢泄漏故障预测区间内;
预警模块,用于若所述故障概率值处于冷媒慢泄漏故障预测区间内,则发送空调冷媒慢泄漏故障预警。
本发明还提供了一种空调冷媒慢泄漏故障预测设备,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现上述的空调冷媒慢泄漏故障预测方法。
本发明还提供了一种空调冷媒慢泄漏故障预测系统,包括故障运维设备、服务器和上述的空调冷媒慢泄漏故障预测设备。
本发明还提供了一种计算机可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现上述的空调冷媒慢泄漏故障预测方法。
该方法获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据。获取历史数据,利用历史数据和当前数据获取参数因子。将当前数据、历史数据和参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值。判断故障概率值是否处于空调冷媒慢泄漏故障预测区间内。若是,则发送空调冷媒慢泄漏故障预警。
可见,该方法获取当前数据、历史数据和参数因子,并利用慢泄漏预测贝叶斯模型获取故障概率值,利用故障概率值和空调冷媒慢泄漏故障预测区间判断是否即将发生冷媒慢泄漏故障。当确定空调即将发生冷媒慢泄漏故障时发送空调冷媒慢泄漏故障预警,以便提醒维修人员在故障发生前对列车空调进行检修,避免列车空调冷媒慢泄漏故障的发生。该方法解决了列车空调冷媒慢泄漏带来的安全隐患,避免因空调冷媒慢泄漏故障导致列车计划外缺勤,同时不需要维修人员在维修站随时待命,因此节省了人力物力。
此外,本发明还提供了一种空调冷媒慢泄漏故障预测装置、设备、系统及计算机可读存储介质,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种空调冷媒慢泄漏故障预测方法流程图;
图2为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图;
图3为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图;
图4为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图;
图5为本发明实施例提供的一种空调冷媒慢泄漏故障预测装置结构示意图;
图6为本发明实施例提供的一种空调冷媒慢泄漏故障预测设备结构示意图;
图7为本发明实施例提供的另一种空调冷媒慢泄漏故障预测装置结构示意图;
图8为本发明实施例提供的另一种空调冷媒慢泄漏故障预测设备结构示意图;
图9为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
请参考图1,图1为本发明实施例提供的一种空调冷媒慢泄漏故障预测方法流程图。该方法包括:
S101:获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据。
空调运行参数为列车空调运行时空调的若干种运行参数,例如可以为空调设定温度、空调运行模式或空调高压回路压力值,空调运行参数可以包括多项数据,也可以仅包括其中一项数据,且数据的具体内容本实施例不做限定。列车环境数据为列车自身运行时内外环境的数据,例如车内温度、车外温度或车内外压力,对于列车环境数据的具体内容和数量,本实施例不做限定。本实施例并不限定获取空调运行参数和列车环境数据的具体方法,具体方法可以根据获取的数据种类确定。例如当获取空调设定温度时,可以从空调运行系统中读取;或者当获取空调高压回路压力值时,可以利用放置在空调高压回路中的压力传感器获取;或者当获取车内温度或车外温度时,可以利用分别放置在列车内部和列车外部的温度传感器获取,本实施例并不限定各个传感器的传感器种类。也不限定获取操作的执行频率,例如可以每隔一秒获取一次空调运行参数和列车环境数据。
在获取空调运行参数和列车环境数据后,对其进行滤波处理,本实施例并不限定滤波处理的具体方法,优选的,采用消抖滤波的方法对空调运行参数和列车环境数据进行滤波处理,以提高数据准确性。
进一步,为了提高预测准确性,可以对获取的空调运行参数和列车环境数据进行完整性检测,具体请参考图2,图2为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图,包括:
S201:判断空调运行参数和列车环境数据是否完整。
为了提高数据准确性,进而提高预测准确性,本实施例中优选的,在获取空调运行参数和列车环境数据后,判断获取的数据是否完整。本实施例并不限定判断的具体内容,例如可以判断各项数据是否获取成功,若一项或多项数据没有获取成功,则判定数据不完整;或者可以判断各项数据的数值是否处于合理区间内,若有一项或多项数据不处于合理区间内,则判定数据不完整。当数据完整时,可以进入步骤S202;当数据不完整时,本实施例并不限定此时执行的步骤,例如可以重新获取空调运行参数和列车环境数据,或者可以不执行任何操作,即进入步骤S203。为了提高每次预测所需的时间,本实施例优选的,在获取空调运行参数和列车环境数据后立即判断其是否完整。
S202:对空调运行参数和列车环境数据进行滤波处理,得到当前数据。
本实施例中优选的,可以采用消抖滤波算法对空调运行参数和列车环境数据进行滤波处理。
S102:获取历史数据,利用历史数据和当前数据获取参数因子。
历史数据为该列车及列车空调在过去一段时间内的运行数据,即空调运行参数和列车环境数据。本实施例并不限定历史数据的具体数量和时间范围,用户可以根据具体情况进行设置。历史数据越多,预测速度越慢,而预测精度越高。参数因子为慢泄漏预测贝叶斯模型中的重要参数,用于根据历史数据和当前数据获取故障概率值。参数因子随着历史数据的变化也会发生变化,故此需要对参数因子进行更新防止预测准确性下降,对于更新频率和具体的更新方法,本实施例不做限定。
进一步,为了提高预测准确性,本实施例中优选的,在获取历史数据后,对历史数据进行时间区间条件检测,具体请参考图3,图3为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图,包括:
S301:获取历史数据,判断历史数据是否满足时间区间条件。
时间区间条件被提前预设好,用来判断历史数据是否满足用户设置的预设条件。时间区间条件对历史数据的时间做出限定,对于时间区间条件的表现形式,本实施例不做限定,例如可以为一个时间段,如过去30天;或者可以为一段连续的日期,如2019年01月01日至2019年03月01日;或者可以为若干非连续的日期,如2019年01月01日、2019年02月10日、2019年03月01日。在获取历史数据后,判断历史数据是否满足时间区间条件。即判断历史数据的获取时间是否为时间区间条件内规定的时间。若历史数据满足时间区间条件,则可以进入步骤S302;当历史数据不满足时间区间条件时,进入步骤S303。本实施例并不限定获取历史数据和参数因子的具体过程,例如可以从空调本身的存储器中读取历史数据;或者可以从与列车及列车空调通讯的服务器中获取历史数据。当从与列车及列车空调通讯的服务器中获取历史参数时,可以采用4G通讯将其连接。
S302:更新历史数据。
当历史数据不满足时间区间条件时,更新历史数据。本实施例并不限定具体的更新方法,例如可以重新获取全部历史数据以替代现有历史数据;或者可以删除现有历史数据中不需要的部分,获取现有历史数据中没有的部分。
S303:利用历史数据和当前数据获取参数因子
参数因子为慢泄漏预测贝叶斯模型中的重要参数,用于根据历史数据和当前数据获取故障概率值。进一步,为了提高预测准确性,可以对参数因子更新操作,以便根据当前数据和历史数据预测列车空调冷媒慢泄漏故障。具体请参考图4,图4为办发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图,包括:
S401:判断慢泄漏预测贝叶斯模型中是否存在参数因子。
本实施例并不限定具体的判断方法,例如可以判断慢泄漏预测贝叶斯模型中的参数因子的值是否处于合理取值之间,若参数因子的值不处于合理取值之间,则确定慢泄漏预测贝叶斯模型中不存在参数因子,该参数因子需要重新赋值。或者可以判断慢泄漏预测贝叶斯模型是否为初次运行,若是,则确定慢泄漏预测贝叶斯模型中不存在参数因子。当慢泄漏预测贝叶斯模型中不存在参数因子时,可以进入步骤S403;当慢泄漏预测贝叶斯模型中存在参数因子时,可以进入步骤S402。
S402:判断参数因子是否满足更新条件。
更新条件为用户设定的参数因子更新条件,其具体内容可以由用户根据实际情况进行设定,本实施例不做限定,参数因子是否满足更新条件的具体判断方法,本实施例也不做限定。例如当更新条件为每60天更新一次,则判断上一次参数因子更新距离当前是否小于60天,若是,则不满足更新条件,若不是,则满足更新条件。当参数因子满足更新条件时,可以进入步骤S403;当参数因子不满足更新条件时,本实施例并不限定此时执行的操作,例如可以进入步骤S404,即无操作。
S403:将历史数据和当前数据输入到服务器中的慢泄漏故障自学习模型中,获取参数因子。
在慢泄漏预测贝叶斯模型中不存在参数因子时,或慢泄漏预测贝叶斯模型中的参数因子满足更新条件时,将历史数据和当前数据输入到慢泄漏故障自学习模型中即可得到参数因子。本实施例并不限定慢泄漏故障自学习模型的具体内容,只要能够根据历史数据和当前数据得到参数因子即可。
进一步,为了避免计算参数因子的慢泄漏故障自学习模型占用列车上存储设备的存储空间,提高计算获取参数因子的效率,减少获取参数因子所需的时间,本实施例中优选的,由服务器完成计算参数因子的各个步骤。
将满足时间区间条件的历史数据和当前数据上传至服务器,本实施例并不限定具体的上传方法和上传路径,例如可以通过4G信号将历史数据和当前数据上传至服务器。本实施例并不限定上传操作的执行频率,例如可以实时上传历史数据和当前数据。为了节省通信开销,避免浪费,本实施例中优选的,可以在确定参数因子满足更新条件的情况下或者在慢泄漏预测贝叶斯模型中不存在参数因子的情况下将历史数据和当前数据上传至服务器。即可先执行步骤S401和步骤S402,再将历史数据和当前数据上传至服务器;对于S401和S402的执行顺序,本实施例不做限定,例如可以先执行S401再执行S402,或者可以先执行S402再执行S401。
S103:将当前数据、历史数据和参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值。
慢泄漏预测贝叶斯模型为采用同等条件比较,结合贝叶斯算法构建的空调空调冷媒慢泄漏故障评估模型。其具体内容和结构本实施例不做限定。在获取历史数据和参数因子后,将其输入至慢泄漏预测贝叶斯模型中,可以得到故障概率值。本实施例中,可以用Y表示故障概率值,Y=F(T1,T2,T3,…Tn,Y),其中,T1到Tn为各项历史数据和当前数据。具体请参考图4,图4为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图。
S104:判断故障概率值是否处于空调冷媒慢泄漏故障预测区间内。
空调冷媒慢泄漏故障预测区间为预测列车空调即将出现冷媒慢泄漏故障的概率区间,区间的上下门限值本实施例不做限定,用户可以根据实际情况进行提醒,空调冷媒慢泄漏故障预测区间越小,预测准确性的要求就越高;空调冷媒慢泄漏故障预测区间越大,预测准确性的要求就越低。当故障概率值处于空调冷媒慢泄漏故障预测区间内时,进入步骤S105;当故障概率值不处于空调冷媒慢泄漏故障预测区间内时,本实施例并不限定此时执行的步骤,例如可以进入步骤S106,即不执行任何操作。
S105:发送空调冷媒慢泄漏故障预警。
当故障概率值处于空调冷媒慢泄漏故障预测区间内时,说明预测列车空调可能出现冷媒慢泄漏故障,因此发送空调冷媒慢泄漏故障预警。本实施例并不限定具体的预警方法,例如可以向列车控制系统中的车载电脑发送空调冷媒慢泄漏故障预警,车载电脑可以发出灯光、文字或声音的提示,以便使列车驾驶员或其他车组人员了解列车空调可能将发生空调冷媒慢泄漏故障。本实施例中优选的,可以将空调冷媒慢泄漏故障预警通过4G网络发送给服务器,服务器将空调冷媒慢泄漏故障预警发送给故障运维设备,通过故障运维设备向运维人员发送预警,以便使运维人员安排合适的时间和人员对列车空调进行维护。
进一步,为了使运维人员及时对即将出现空调冷媒慢泄漏故障的列车进行维护,当故障概率值处于空调冷媒慢泄漏故障预测区间内时,获取空调冷媒慢泄漏故障预警,并将空调冷媒慢泄漏故障预警发送至服务器,服务器将空调冷媒慢泄漏故障预警发送给故障运维设备,通过故障运维设备发送空调冷媒慢泄漏故障预警,以便使运维人员安排合适的时间和人员对列车空调进行维护。
在实际应用中,还可以参考图9,图9为本发明实施例提供的另一种空调冷媒慢泄漏故障预测方法流程图。首先获取列车室外温度值、列车室内温度值和空调运行参数,并利用消抖滤波算法清晰数据,在清洗数据后,判断数据的完整性,当数据完整时,存储上述数据;当数据不完整时,抛弃数据并重新获取上述数据。将存储器中的数据上传至服务器,以便服务器利用空调冷媒慢泄漏故障算法自学习获取参数因子。空调控制器从存储器中获取历史数据并判断是否超出20天,若是,则删除过期数据,再判断参数因子是否赋值,当没有赋值时,从服务器数据库中获取参数因子。在确定参数因子和历史数据后,预测空调是否出现冷媒慢泄漏故障,当出现冷媒慢泄漏故障时,将列车故障信息保存并发送至列车网络,列车网络将列车故障信息发送至服务器,服务器将其发送至故障维修模块。
应用本发明实施例提供的空调冷媒慢泄漏故障预测方法,利用慢泄漏预测贝叶斯模型获取故障概率值,利用故障概率值和空调冷媒慢泄漏故障预测区间判断是否即将发生冷媒慢泄漏故障。当确定空调即将发生冷媒慢泄漏故障时,说明空调即将发生冷媒慢泄漏故障,因此发送空调冷媒慢泄漏故障预警,以便提醒维修人员在故障发生前对列车空调进行检修,避免列车空调冷媒慢泄漏故障的发生。该方法解决了列车空调冷媒慢泄漏带来的安全隐患,避免因空调冷媒慢泄漏故障导致列车计划外缺勤,同时不需要维修人员在维修站随时待命,因此节省了人力物力。
下面对本发明实施例提供的空调冷媒慢泄漏故障预测装置进行介绍,下文描述的空调冷媒慢泄漏故障预测装置与上文描述的空调冷媒慢泄漏故障预测方法可相互对应参照。
请参考图5,图5为本发明实施例提供的一种空调冷媒慢泄漏故障预测装置的结构示意图,包括:
滤波模块100,用于获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;
参数因子获取模块200,用于获取历史数据,利用历史数据和当前数据获取参数因子;
故障概率值获取模块300,用于将当前数据、历史数据和参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;
判断模块400,用于判断故障概率值是否处于冷媒慢泄漏故障预测区间内;
预警模块500,用于若故障概率值处于冷媒慢泄漏故障预测区间内,则发送空调冷媒慢泄漏故障预警。
可选的,滤波模块100,包括:
数据获取单元,用于获取空调运行参数和列车环境数据;
完整性判断单元,用于判断空调运行参数和列车环境数据是否完整;
滤波单元,用于若空调运行参数和列车环境数据完整,则对空调运行参数进行滤波处理。
可选的,参数因子获取模块200,包括:
上传单元,用于将历史数据和当前数据上传至服务器;
参数因子获取单元,用于将历史数据和当前数据输入到服务器中的慢泄漏故障自学习模型中,获取参数因子。
可选的,还包括:
存在判断模块,用于判断慢泄漏预测贝叶斯模型中是否存在参数因子;
第一执行模块,用于若慢泄漏预测贝叶斯模型中不存在参数因子,则执行将历史数据和当前数据输入到服务器中的慢泄漏故障自学习模型中的步骤;
更新条件判断单元,用于若慢泄漏预测贝叶斯模型中存在参数因子,则判断参数因子是否满足更新条件;
第二执行单元,用于若参数因子满足更新条件,则执行将历史数据和当前数据输入到服务器中的慢泄漏故障自学习模型中的步骤。
可选的,预警模块500,包括:
第一发送单元,用于获取空调冷媒慢泄漏故障预警,并将空调冷媒慢泄漏故障预警发送至服务器;
第二发送单元,用于服务器将空调冷媒慢泄漏故障预警发送给故障运维设备,通过故障运维设备发送空调冷媒慢泄漏故障预警。
可选的,还包括:
时间区间条件判断模块,用于判断历史数据是否满足时间区间条件;
更新模块,用于若历史数据不满足时间区间条件,则更新历史数据。
在实际应用中,还可以参考图7,图7为本发明实施例提供的另一种空调冷媒慢泄漏故障预测装置的结构示意图。利用三个数据清洗模块分别对获取的列车室外温度值、列车室内温度值和空调运行参数进行清洗,并利用空调数据存储模块和服务器数据存储模块将清洗过的数据存储。利用分析模块2获取空调冷媒慢泄漏模型关键因子并将其输出至分析模块1中,分析模块1预测是否发生故障,并在预测将要发生故障时输出故障信息至列车报警系统和服务器后台软件,服务器后台软件将故障信息输出至运维模块。
下面对本发明实施例提供的空调冷媒慢泄漏故障预测设备进行介绍,下文描述的空调冷媒慢泄漏故障预测设备与上文描述的空调冷媒慢泄漏故障预测方法可相互对应参照。
请参考图6,图6为本发明实施例所提供的一种空调冷媒慢泄漏故障预测设备的结构示意图,该空调冷媒慢泄漏故障预测设备包括存储器和处理器,其中:
存储器10,用于存储计算机程序;
处理器20,用于执行计算机程序,以实现上述的空调冷媒慢泄漏故障预测方法。
在实际应用中,还可以参考图8,图8为本发明实施例提供的另一种空调冷媒慢泄漏故障预测设备的结构示意图。包括列车室内温度传感器、列车室外温度传感器和与上述两个传感器通信的列车内部通讯模块,列车内部通讯模块与空调内部通讯模块通信连接;空调内部通讯模块分别与空调制冷系统回路压力传感器、空调控制器、空调4G通讯模块、空调冷媒慢泄漏预测模块、空调数据存储模块和后台服务器连接;后台服务器分别与服务器数据存储模块、空调浪美慢泄漏自学习模块和运维调度模块连接。
下面对本发明实施例提供的空调冷媒慢泄漏故障预测系统进行介绍,下文描述的空调冷媒慢泄漏故障预测系统与上文描述的空调冷媒慢泄漏故障预测方法可相互对应参照。
本发明还提供一种空调冷媒慢泄漏故障预测系统,包括故障运维设备、服务器和上述的空调冷媒慢泄漏故障预测设备。
下面对本发明实施例提供的计算机可读存储介质进行介绍,下文描述的计算机可读存储介质与上文描述的空调冷媒慢泄漏故障预测方法可相互对应参照。
本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的空调冷媒慢泄漏故障预测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的空调冷媒慢泄漏故障预测方法、装置、设备、系统和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种空调冷媒慢泄漏故障预测方法,其特征在于,包括:
获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;
获取历史数据,利用所述历史数据和所述当前数据获取参数因子;
将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;
判断所述故障概率值是否处于空调冷媒慢泄漏故障预测区间内;
若是,则发送空调冷媒慢泄漏故障预警。
2.根据权利要求1所述的空调冷媒慢泄漏故障预测方法,其特征在于,所述获取空调运行参数和列车环境数据并进行滤波处理,包括:
获取所述空调运行参数和所述列车环境数据;
判断所述空调运行参数和所述列车环境数据是否完整;
若是,则对所述空调运行参数进行滤波处理。
3.根据权利要求1所述的空调冷媒慢泄漏故障预测方法,其特征在于,所述获取历史数据,利用所述历史数据和所述当前数据获取参数因子,包括:
将所述历史数据和所述当前数据上传至服务器;
将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中,获取所述参数因子。
4.根据权利要求3所述的空调冷媒慢泄漏故障预测方法,其特征在于,在将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中之前,还包括:
判断所述慢泄漏预测贝叶斯模型中是否存在参数因子;
若否,则执行将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中的步骤;
若是,则判断所述参数因子是否满足更新条件;
若所述参数因子满足所述更新条件,则执行将所述历史数据和所述当前数据输入到所述服务器中的慢泄漏故障自学习模型中的步骤。
5.根据权利要求1至4任一项所述的空调冷媒慢泄漏故障预测方法,其特征在于,所述发送空调冷媒慢泄漏故障预警,包括:
获取所述空调冷媒慢泄漏故障预警,并将所述空调冷媒慢泄漏故障预警发送至所述服务器;
所述服务器将所述空调冷媒慢泄漏故障预警发送给故障运维设备,通过所述故障运维设备发送所述空调冷媒慢泄漏故障预警。
6.根据权利要求5所述的空调冷媒慢泄漏故障预测方法,其特征在于,还包括:
判断所述历史数据是否满足时间区间条件;
若否,则更新所述历史数据。
7.一种空调冷媒慢泄漏故障预测装置,其特征在于,包括:
滤波模块,用于获取空调运行参数和列车环境数据并进行滤波处理,得到当前数据;
参数因子获取模块,用于获取历史数据,利用所述历史数据和所述当前数据获取参数因子;
故障概率值获取模块,用于将所述当前数据、所述历史数据和所述参数因子输入慢泄漏预测贝叶斯模型中,得到故障概率值;
判断模块,用于判断所述故障概率值是否处于冷媒慢泄漏故障预测区间内;
预警模块,用于若所述故障概率值处于冷媒慢泄漏故障预测区间内,则发送空调冷媒慢泄漏故障预警。
8.一种空调冷媒慢泄漏故障预测设备,其特征在于,包括存储器和处理器,其中:
所述存储器,用于保存计算机程序;
所述处理器,用于执行所述计算机程序,以实现如权利要求1至6任一项所述的空调冷媒慢泄漏故障预测方法。
9.一种空调冷媒慢泄漏故障预测系统,其特征在于,包括故障运维设备、服务器和如权利要求8所述的空调冷媒慢泄漏故障预测设备。
10.一种计算机可读存储介质,其特征在于,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的空调冷媒慢泄漏故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810305.1A CN110503217B (zh) | 2019-08-29 | 2019-08-29 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910810305.1A CN110503217B (zh) | 2019-08-29 | 2019-08-29 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503217A true CN110503217A (zh) | 2019-11-26 |
CN110503217B CN110503217B (zh) | 2022-08-26 |
Family
ID=68590506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910810305.1A Active CN110503217B (zh) | 2019-08-29 | 2019-08-29 | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503217B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111256427A (zh) * | 2020-01-19 | 2020-06-09 | 新誉防务技术有限公司 | 舰用冷藏装置冷媒泄漏的判断方法及判断系统 |
CN113834184A (zh) * | 2021-08-18 | 2021-12-24 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN113834183A (zh) * | 2021-08-18 | 2021-12-24 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720779B1 (en) * | 2006-01-23 | 2010-05-18 | Quantum Leap Research, Inc. | Extensible bayesian network editor with inferencing capabilities |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN107077776A (zh) * | 2014-09-08 | 2017-08-18 | 里欧公司 | 环境监测装置和方法 |
CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109357359A (zh) * | 2018-11-06 | 2019-02-19 | 青岛海尔空调器有限总公司 | 空调器故障预诊断的方法、装置和空调器 |
CN109614647A (zh) * | 2018-11-09 | 2019-04-12 | 南京航空航天大学 | 一种基于贝叶斯网络的高铁牵引系统故障预测方法 |
CN109764476A (zh) * | 2018-12-18 | 2019-05-17 | 珠海格力电器股份有限公司 | 冷媒泄漏监控方法、监控系统及空调机组 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
-
2019
- 2019-08-29 CN CN201910810305.1A patent/CN110503217B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7720779B1 (en) * | 2006-01-23 | 2010-05-18 | Quantum Leap Research, Inc. | Extensible bayesian network editor with inferencing capabilities |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN102880170A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 基于基线模型和贝叶斯因子的系统故障早期预警方法 |
CN107077776A (zh) * | 2014-09-08 | 2017-08-18 | 里欧公司 | 环境监测装置和方法 |
CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
CN106600140A (zh) * | 2016-12-07 | 2017-04-26 | 河海大学常州校区 | 基于改进支持向量机的燃气管道故障预测预警系统及方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN108285071A (zh) * | 2018-01-25 | 2018-07-17 | 暨南大学 | 一种基于贝叶斯网络的电梯健康诊断方法 |
CN109270842A (zh) * | 2018-10-25 | 2019-01-25 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
CN109357359A (zh) * | 2018-11-06 | 2019-02-19 | 青岛海尔空调器有限总公司 | 空调器故障预诊断的方法、装置和空调器 |
CN109614647A (zh) * | 2018-11-09 | 2019-04-12 | 南京航空航天大学 | 一种基于贝叶斯网络的高铁牵引系统故障预测方法 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
CN109764476A (zh) * | 2018-12-18 | 2019-05-17 | 珠海格力电器股份有限公司 | 冷媒泄漏监控方法、监控系统及空调机组 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111256427A (zh) * | 2020-01-19 | 2020-06-09 | 新誉防务技术有限公司 | 舰用冷藏装置冷媒泄漏的判断方法及判断系统 |
CN113834184A (zh) * | 2021-08-18 | 2021-12-24 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN113834183A (zh) * | 2021-08-18 | 2021-12-24 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
CN117114352A (zh) * | 2023-09-15 | 2023-11-24 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110503217B (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503217A (zh) | 一种空调冷媒慢泄漏故障预测方法、装置、设备及系统 | |
CN110515935A (zh) | 一种列车空调滤网脏堵故障预测方法、装置、设备及系统 | |
US10810681B1 (en) | Home device sensing | |
US9818158B1 (en) | Utilizing credit and informatic data for insurance underwriting purposes | |
US10430887B1 (en) | Device sensing | |
US10740847B1 (en) | Method and system for making rapid insurance policy decisions | |
Barros et al. | Short-term real-time traffic prediction methods: A survey | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN104633848B (zh) | 剩余使用时长的确定方法及装置 | |
CN104969133B (zh) | 云使能建筑物自动化系统 | |
US9628951B1 (en) | Methods and systems for performing geofencing with reduced power consumption | |
US20030137194A1 (en) | Data collection and manipulation apparatus and method | |
US10613501B2 (en) | Method and apparatus for providing equipment maintenance via a network | |
Alegre et al. | A utility-tailored methodology for integrated asset management of urban water infrastructure | |
CN104777762A (zh) | 一种车载系统监测方法及其终端 | |
CN109409621B (zh) | 一种列车空调维修调度系统及其工作方法 | |
CN106773763A (zh) | 一种信息联动处理方法及装置 | |
Henze et al. | An energy signal tool for decision support in building energy systems | |
CN203520461U (zh) | 一种电网灾害预警装置 | |
CN103425874A (zh) | 一种基于率模可靠性理论的航天器健康评估方法 | |
US10614525B1 (en) | Utilizing credit and informatic data for insurance underwriting purposes | |
CN113033913B (zh) | 空调故障预测性维护方法、系统、电子设备及存储介质 | |
CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
CN106249681A (zh) | 建筑能耗异常监控方法和装置 | |
CN113890188A (zh) | 基于5g网络的油机指挥调度系统、方法及装置 |
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 |