CN110726232B - 空调器的控制方法及装置、空调器设备 - Google Patents
空调器的控制方法及装置、空调器设备 Download PDFInfo
- Publication number
- CN110726232B CN110726232B CN201911040283.1A CN201911040283A CN110726232B CN 110726232 B CN110726232 B CN 110726232B CN 201911040283 A CN201911040283 A CN 201911040283A CN 110726232 B CN110726232 B CN 110726232B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- exhaust
- fluctuation
- parameters
- state parameters
- 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
- F24F11/62—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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
- F24F2110/22—Humidity of the outside air
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2140/00—Control inputs relating to system states
- F24F2140/10—Pressure
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种空调器的控制方法及装置、空调器设备。其中,该方法包括:在空调器开启后,采集空调器的多个运行状态参数;基于多个运行状态参数,预测空调器是否会出现排气波动;若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数;基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。本发明解决了相关技术中由于低温影响,空调器控制存在延迟滞后性,导致压缩机出现排气波动的技术问题。
Description
技术领域
本发明涉及空调控制技术领域,具体而言,涉及一种空调器的控制方法及装置、空调器设备。
背景技术
相关技术中,在控制空调器时,往往需要感温模块(如感温包)检测排气温度,但是在低温环境下,虽然感温模块能够检测到实时温度值,但是由于空调器制冷系统受到低温环境影响,自身存在滞后,空调机组实时控制系统灵敏及时,与制冷系统不同步,这导致系统参数易出现过冲现象,即压缩机出现排气波动。例如,在零下15℃时,开启空调器进行制热,即空调器开启制热模式,此时排气感温包未能反馈出受低温环境影响滞后的制冷系统,而空调器控制系统自身存在滞后现象,膨胀阀开度调节灵敏及时,但由于系统滞后性,致使排气温度变化滞缓延时,导致空调机组实际排气温度达到目标排气温度时,膨胀阀开度值已调节过度,因而后续排气温度继续升高(或降低),引发膨胀阀开度值继而增大(或减小)调节,如此往复,匹配目标排气温度,产生排气温度波动,导致空调制热效果较差。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种空调器的控制方法及装置、空调器设备,以至少解决相关技术中由于低温影响,空调器控制存在延迟滞后性,导致压缩机出现排气波动的技术问题。
根据本发明实施例的一个方面,提供了一种空调器的控制方法,包括:在空调器开启后,采集空调器的多个运行状态参数;基于所述多个运行状态参数,预测空调器是否会出现排气波动;若预测出所述空调器会出现排气波动,开启排气防波动控制,并预测所述空调器的排气波动参数;基于所述排气波动参数,调节所述空调器的膨胀阀开度,以使所述空调器的排气温度达到目标排气温度。
可选地,采集空调器的多个运行状态参数的步骤,包括:采集所述空调器的室内环境参数和室外环境参数;采集所述空调器的压缩机的当前排气温度;采集所述空调器的内机换热器温度值和外机换热器温度;获取所述空调器的上次排气波动参数;基于所述室内环境参数、室外环境参数、压缩机的当前排气温度、内机换热器温度值和外机换热器温度和上次排气波动参数,得到所述多个运行状态参数。
可选地,基于所述多个运行状态参数,预测空调器是否会出现排气波动的步骤,包括:将所述多个运行状态参数输入至预设的神经网络模型,其中,所述神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;接收通过所述神经网络模型计算空调器的当前排气参数;基于所述当前排气参数,预测所述空调器是否会出现排气波动。
可选地,在基于所述多个运行状态参数,预测空调器是否会出现排气波动之前,所述控制方法还包括:建立初始网络模型,其中,所述初始网络模型至少包括:输入层、隐藏层和输出层,所述输入层用于接收多组运行状态参数和用户设定参数,所述隐藏层用于对各组运行状态参数建立参数节点,通过参数节点计算排气波动结果,所述输出层用于输出预测的排气波动预测结果;向所述初始网络模型输入多组运行状态参数和用户设定参数,并利用预设的神经网络算法对所述多组运行状态参数和用户设定参数进行处理;接收所述初始网络模型的排气波动预测结果,并将所述排气波动预测结果与实际排气波动数据进行比较,得到比较结果;基于所述比较结果,调整所述初始网络模型,得到所述神经网络模型。
可选地,利用预设的神经网络算法对所述多组运行状态参数和用户设定参数进行处理的步骤,包括:对所述多组运行状态参数和用户设定参数进行预设线性处理,其中,所述预设线性处理方式至少包括:归一化线性处理;和/或,对所述多组运行状态参数和用户设定参数进行预设的非线性处理,其中,所述预设的非线性处理包括下述至少之一:对数变换、平方根变换和立方根变换。
可选地,所述当前排气参数包括下述至少之一:冷媒循环时长、冷媒流量值、排气值、冷媒压缩比、高低压差值。
可选地,所述排气波动参数至少包括:排气波动幅度、排气波动上下限值和排气波动时间。
根据本发明实施例的另一方面,还提供了一种空调器的控制装置,包括:采集单元,用于在空调器开启后,采集空调器的多个运行状态参数;预测单元,用于基于所述多个运行状态参数,预测空调器是否会出现排气波动;开启单元,用于在预测出所述空调器会出现排气波动时,开启排气防波动控制,并预测所述空调器的排气波动参数;调节单元,用于基于所述排气波动参数,调节所述空调器的膨胀阀开度,以使所述空调器的排气温度达到目标排气温度。
可选地,所述采集单元包括:第一采集模块,用于采集所述空调器的室内环境参数和室外环境参数;第二采集模块,用于采集所述空调器的压缩机的当前排气温度;第三采集模块,用于采集所述空调器的内机换热器温度值和外机换热器温度;第一获取模块,用于获取所述空调器的上次排气波动参数;第一确定模块,用于基于所述室内环境参数、室外环境参数、压缩机的当前排气温度、内机换热器温度值和外机换热器温度和上次排气波动参数,得到所述多个运行状态参数。
可选地,所述预测单元包括:第一输入模块,用于将所述多个运行状态参数输入至预设的神经网络模型,其中,所述神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;第一接收模块,用于接收通过所述神经网络模型计算空调器的当前排气参数;预测模块,用于基于所述当前排气参数,预测所述空调器是否会出现排气波动。
可选地,所述空调器的控制装置还包括:第一建立模块,用于在基于所述多个运行状态参数,预测空调器是否会出现排气波动之前,建立初始网络模型,其中,所述初始网络模型至少包括:输入层、隐藏层和输出层,所述输入层用于接收多组运行状态参数和用户设定参数,所述隐藏层用于对各组运行状态参数建立参数节点,通过参数节点计算排气波动结果,所述输出层用于输出预测的排气波动预测结果;第二输入模块,用于向所述初始网络模型输入多组运行状态参数和用户设定参数,并利用预设的神经网络算法对所述多组运行状态参数和用户设定参数进行处理;第二接收模块,用于接收所述初始网络模型的排气波动预测结果,并将所述排气波动预测结果与实际排气波动数据进行比较,得到比较结果;第一调整模块,用于基于所述比较结果,调整所述初始网络模型,得到所述神经网络模型。
可选地,所述第二输入模块包括:第一处理子模块,用于对所述多组运行状态参数和用户设定参数进行预设线性处理,其中,所述预设线性处理方式至少包括:归一化线性处理;和/或,第二处理子模块,用于对所述多组运行状态参数和用户设定参数进行预设的非线性处理,其中,所述预设的非线性处理包括下述至少之一:对数变换、平方根变换和立方根变换。
可选地,所述当前排气参数包括下述至少之一:冷媒循环时长、冷媒流量值、排气值、冷媒压缩比、高低压差值。
可选地,所述排气波动参数至少包括:排气波动幅度、排气波动上下限值和排气波动时间。
根据本发明实施例的另一方面,还提供了一种空调器设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的空调器的控制方法。
根据本发明实施例的另一方面,还提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述任意一项所述的空调器的控制方法。
在本发明实施例中,采用在空调器开启后,采集空调器的多个运行状态参数,然后基于多个运行状态参数,预测空调器是否会出现排气波动,若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数,最后可以基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。在该实施例中,可以采集空调器的多个运行状态参数(如内外环温度、压缩机排气温度、内机换热器温度、外机换热器温度),预测是否会出现排气波动,并在预测出存在排气波动时,调整膨胀阀开度,使得空调器的排气温度达到最优,制冷系统通过提前预测排气温度情况,及时调节空调机组,有效保证低温环境下,用户的制热舒适性及空调运行可靠性,从而解决相关技术中由于低温影响,空调器控制存在延迟滞后性,导致压缩机出现排气波动的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的空调器的控制方法的流程图;
图2是根据本发明实施例的一种可选的空调器的控制示意图;
图3是根据本发明实施例的一种空调器的控制装置的示意图。
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方案,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。
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。
实施例一
根据本发明实施例,提供了一种空调器的控制方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明下述实施例可以应用于各种类型的空调器,包括但不限于:壁挂式空调器、立体式空调器等。而各个空调器所使用的环境包括但不限于:家庭空调控制环境、办公室空调控制环境以及工厂空调控制环境。
图1是根据本发明实施例的一种可选的空调器的控制方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,在空调器开启后,采集空调器的多个运行状态参数;
步骤S104,基于多个运行状态参数,预测空调器是否会出现排气波动;
步骤S106,若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数;
步骤S108,基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。
通过上述步骤,可以采用在空调器开启后,采集空调器的多个运行状态参数,然后基于多个运行状态参数,预测空调器是否会出现排气波动,若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数,最后可以基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。在该实施例中,可以采集空调器的多个运行状态参数(如内外环温度、压缩机排气温度、内机换热器温度、外机换热器温度),预测是否会出现排气波动,并在预测出存在排气波动时,调整膨胀阀开度,使得空调器的排气温度达到最优,有效保证低温环境下,用户的制热舒适性及空调运行可靠性,从而解决相关技术中由于低温影响,空调器控制存在延迟滞后性,导致压缩机出现排气波动的技术问题。
下面结合各步骤对本发明进行详细说明。
本发明实施例中说明的空调器可以是运行在低温环境(例如,零下15摄氏度)下进行制热,但不限于该实施条件。
步骤S102,在空调器开启后,采集空调器的多个运行状态参数。
可选的,采集空调器的多个运行状态参数的步骤,包括:采集空调器的室内环境参数和室外环境参数;采集空调器的压缩机的当前排气温度;采集空调器的内机换热器温度值和外机换热器温度;获取空调器的上次排气波动参数;基于室内环境参数、室外环境参数、压缩机的当前排气温度、内机换热器温度值和外机换热器温度和上次排气波动参数,得到多个运行状态参数。
本发明实施例中,室内环境参数包括但不限于:室内负荷、室内温度;室外环境参数包括但不限于:室外负荷、室外温度。可以通过各个感知模块检测温度数据,该感知模块包括但不限于:感温包、感温传感器,本发明实施例中以感温包进行示意性说明。
通过采集室内外环境参数、压缩机排气温度、内机换热器温度、外机换热器温度,结合上一次的排气波动参数,确定当前最优排气温度。
在具体实施时,可以是将采集的数据(室内外环境参数、压缩机排气温度、内机换热器温度、外机换热器温度等)以及上次排气波动参数输入至神经网络模型中,通过神经网络模型来预测空调器当前是否会出现排气波动。
图2是根据本发明实施例的一种可选的空调器的控制示意图,如图2所示,在采集到室内温度、室外温度等环境参数后,结合上次排气波动参数,将这些数据输入至神经网络模型,通过神经网络模型可以预测是否会出现排气波动以及排气波动参数,进行排气防波动控制,基于排气防波动控制可以控制膨胀阀开度,优化调整排气温度。
作为本发明可选的实施例,在基于多个运行状态参数,预测空调器是否会出现排气波动之前,控制方法还包括:建立初始网络模型,其中,初始网络模型至少包括:输入层、隐藏层和输出层,输入层用于接收多组运行状态参数和用户设定参数,隐藏层用于对各组运行状态参数建立参数节点,通过参数节点计算排气波动结果,输出层用于输出预测的排气波动预测结果;向初始网络模型输入多组运行状态参数和用户设定参数,并利用预设的神经网络算法对多组运行状态参数和用户设定参数进行处理;接收初始网络模型的排气波动预测结果,并将排气波动预测结果与实际排气波动数据进行比较,得到比较结果;基于比较结果,调整初始网络模型,得到神经网络模型。
上述神经网络模型可以包括但不限于:输入层、隐藏层和输出层,向输入层输入的数据包括但不限于:压缩机运行频率、室内外环境参数、压缩机排气温度、内机换热器温度、外机换热器温度、上次排气波动参数、用户设定参数、外机转速、当前电子膨胀阀开度。而隐藏层可以包括多个节点,每个节点可以处理输入层的接收到的参数,进行归纳、整理,输出层可以输出计算结果和预测结果,例如,输出冷媒循环时间、目标排气温度和冷媒流量等。
膨胀阀能够精确控制空调器的制冷剂流量,从而控制蒸发温度,膨胀阀可以包括但不限于:电子膨胀阀、热力膨胀阀,本发明实施例以电子膨胀阀进行示意性说明。
在本发明实施例中,利用预设的神经网络算法对多组运行状态参数和用户设定参数进行处理的步骤,包括:对多组运行状态参数和用户设定参数进行预设线性处理,其中,预设线性处理方式至少包括:归一化线性处理;和/或,对多组运行状态参数和用户设定参数进行预设的非线性处理,其中,预设的非线性处理包括下述至少之一:对数变换、平方根变换和立方根变换。
通过上述线性处理方式和非线性处理方式,能够将输入的环境参数、上次排气波动参数(如排气波动上下限、排气波动周期等)、用户设定参数(设定温度、设定风档)、外机转速、压缩机排气检测温度等进行处理,将处理后得到的数据进行神经网络算法处理,输出包含冷媒循环时间、目标排气温度和冷媒流量等参数。
利用上述的输出参数,可以对膨胀阀开度等控制参数进行实时整定,根据用户所在地理环境和使用情况,预测是否会出现排气波动,避免出现排气波动。
步骤S104,基于多个运行状态参数,预测空调器是否会出现排气波动。
在本发明实施例中,基于多个运行状态参数,预测空调器是否会出现排气波动的步骤,包括:将多个运行状态参数输入至预设的神经网络模型,其中,神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;接收通过神经网络模型计算空调器的当前排气参数;基于当前排气参数,预测空调器是否会出现排气波动。
可选的,当前排气参数包括下述至少之一:冷媒循环时长、冷媒流量值、排气值、冷媒压缩比、高低压差值。
即可以在获取到上述的室内外环境参数、压缩机排气温度、内机换热器温度、外机换热器温度等数据后,利用智能网络算法计算冷媒循环时间(可以定义为t)、冷媒质量流量(可以定义为m)、压缩比(可以定义为P)、高低压差(可以定义为△P),进而提前预测空调器是否会出现排气波动。
步骤S106,若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数。
在本发明实施中,排气波动参数至少包括:排气波动幅度、排气波动上下限值和排气波动时间。
即在预测出会出现排气波动时,预测波动幅度及波动时间等排气波动参数,开启排气防波动控制,给出对应不同室内外环境参数的膨胀阀初始开度控制值;调整空调器膨胀阀开度,进而优化排气温度,减少排气波动的产生。
步骤S108,基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。
通过本发明上述实施例,可以采集空调器周围的环境参数、上次排气波动参数(如排气波动上下限、排气波动周期)、用户设定参数(设定温度、设定风档)、外机转速、压缩机排气检测值,然后输入到空调内部计算模块,采用神经网络算法(通过归一化等线性处理,以及对数变换、平方根变换、立方根等非线性处理)进行处理,输出包含冷媒循环时间、目标排气值、冷媒流量等参数,根据输出结果,可以预测是否会出根据用户所在地理环境和个人使用情况,对排气波动进行预判断,避免出现排气波动,进行控制参数的自适应整定,保证空调器控制参数的合理性和低温工况的适应性高效性,有效保证低温环境下,用户的制热舒适性及空调运行可靠性。
实施例二
本发明实施例中的空调器的控制装置可以对应于上述实施例一中的空调器的控制方法,控制装置中包含的各个单元对应于上述控制方法中的各个实施例步骤。
图3是根据本发明实施例的一种空调器的控制装置的示意图,如图3所示,该控制装置可以包括:采集单元31,预测单元33,开启单元35,调节单元37,其中,
采集单元31,用于在空调器开启后,采集空调器的多个运行状态参数;
预测单元33,用于基于多个运行状态参数,预测空调器是否会出现排气波动;
开启单元35,用于在预测出空调器会出现排气波动时,开启排气防波动控制,并预测空调器的排气波动参数;
调节单元37,用于基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。
上述空调器的控制装置,可以通过采集单元31在空调器开启后,采集空调器的多个运行状态参数,然后通过预测单元33基于多个运行状态参数,预测空调器是否会出现排气波动,通过开启单元35在预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数,最后可以通过调节单元37基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。在该实施例中,可以采集空调器的多个运行状态参数(如内外环温度、压缩机排气温度、内机换热器温度、外机换热器温度),预测是否会出现排气波动,并在预测出存在排气波动时,调整膨胀阀开度,使得空调器的排气温度达到最优,有效保证低温环境下,用户的制热舒适性及空调运行可靠性,从而解决相关技术中由于低温影响,空调器控制存在延迟滞后性,导致压缩机出现排气波动的技术问题。
可选的,采集单元包括:第一采集模块,用于采集空调器的室内环境参数和室外环境参数;第二采集模块,用于采集空调器的压缩机的当前排气温度;第三采集模块,用于采集空调器的内机换热器温度值和外机换热器温度;第一获取模块,用于获取空调器的上次排气波动参数;第一确定模块,用于基于室内环境参数、室外环境参数、压缩机的当前排气温度、内机换热器温度值和外机换热器温度和上次排气波动参数,得到多个运行状态参数。
另一种可选的,预测单元包括:第一输入模块,用于将多个运行状态参数输入至预设的神经网络模型,其中,神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;第一接收模块,用于接收通过神经网络模型计算空调器的当前排气参数;预测模块,用于基于当前排气参数,预测空调器是否会出现排气波动。
可选的,空调器的控制装置还包括:第一建立模块,用于在基于多个运行状态参数,预测空调器是否会出现排气波动之前,建立初始网络模型,其中,初始网络模型至少包括:输入层、隐藏层和输出层,输入层用于接收多组运行状态参数和用户设定参数,隐藏层用于对各组运行状态参数建立参数节点,通过参数节点计算排气波动结果,输出层用于输出预测的排气波动预测结果;第二输入模块,用于向初始网络模型输入多组运行状态参数和用户设定参数,并利用预设的神经网络算法对多组运行状态参数和用户设定参数进行处理;第二接收模块,用于接收初始网络模型的排气波动预测结果,并将排气波动预测结果与实际排气波动数据进行比较,得到比较结果;第一调整模块,用于基于比较结果,调整初始网络模型,得到神经网络模型。
在本发明实施例中,第二输入模块包括:第一处理子模块,用于对多组运行状态参数和用户设定参数进行预设线性处理,其中,预设线性处理方式至少包括:归一化线性处理;和/或,第二处理子模块,用于对多组运行状态参数和用户设定参数进行预设的非线性处理,其中,预设的非线性处理包括下述至少之一:对数变换、平方根变换和立方根变换。
可选的,当前排气参数包括下述至少之一:冷媒循环时长、冷媒流量值、排气值、冷媒压缩比、高低压差值。
可选的,排气波动参数至少包括:排气波动幅度、排气波动上下限值和排气波动时间。
上述的空调器的控制装置还可以包括处理器和存储器,上述采集单元31,预测单元33,开启单元35,调节单元37等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来控制空调器膨胀阀开度,优化排气温度,减少排气波动。
上述存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本发明实施例的另一方面,还提供了一种空调器设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述任意一项的空调器的控制方法。
根据本发明实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述任意一项的空调器的控制方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:在空调器开启后,采集空调器的多个运行状态参数;基于多个运行状态参数,预测空调器是否会出现排气波动;若预测出空调器会出现排气波动,开启排气防波动控制,并预测空调器的排气波动参数;基于排气波动参数,调节空调器的膨胀阀开度,以使空调器的排气温度达到目标排气温度。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种空调器的控制方法,其特征在于,包括:
在空调器开启后,采集空调器的多个运行状态参数;
基于所述多个运行状态参数,预测空调器是否会出现排气波动;
若预测出所述空调器会出现排气波动,开启排气防波动控制,并预测所述空调器的排气波动参数;
基于所述排气波动参数,调节所述空调器的膨胀阀开度,以使所述空调器的排气温度达到目标排气温度,
基于所述多个运行状态参数,预测空调器是否会出现排气波动的步骤,包括:
将所述多个运行状态参数输入至预设的神经网络模型,其中,所述神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;接收通过所述神经网络模型计算空调器的当前排气参数;基于所述当前排气参数,预测所述空调器是否会出现排气波动。
2.根据权利要求1所述的控制方法,其特征在于,采集空调器的多个运行状态参数的步骤,包括:
采集所述空调器的室内环境参数和室外环境参数;
采集所述空调器的压缩机的当前排气温度;
采集所述空调器的内机换热器温度值和外机换热器温度;
获取所述空调器的上次排气波动参数;
基于所述室内环境参数、室外环境参数、压缩机的当前排气温度、内机换热器温度值和外机换热器温度和上次排气波动参数,得到所述多个运行状态参数。
3.根据权利要求1所述的控制方法,其特征在于,在基于所述多个运行状态参数,预测空调器是否会出现排气波动之前,所述控制方法还包括:
建立初始网络模型,其中,所述初始网络模型至少包括:输入层、隐藏层和输出层,所述输入层用于接收多组运行状态参数和用户设定参数,所述隐藏层用于对各组运行状态参数建立参数节点,通过参数节点计算排气波动结果,所述输出层用于输出预测的排气波动预测结果;
向所述初始网络模型输入多组运行状态参数和用户设定参数,并利用预设的神经网络算法对所述多组运行状态参数和用户设定参数进行处理;
接收所述初始网络模型的排气波动预测结果,并将所述排气波动预测结果与实际排气波动数据进行比较,得到比较结果;
基于所述比较结果,调整所述初始网络模型,得到所述神经网络模型。
4.根据权利要求3所述的控制方法,其特征在于,利用预设的神经网络算法对所述多组运行状态参数和用户设定参数进行处理的步骤,包括:
对所述多组运行状态参数和用户设定参数进行预设线性处理,其中,所述预设线性处理方式至少包括:归一化线性处理;和/或,
对所述多组运行状态参数和用户设定参数进行预设的非线性处理,其中,所述预设的非线性处理包括下述至少之一:对数变换、平方根变换和立方根变换。
5.根据权利要求1所述的控制方法,其特征在于,所述当前排气参数包括下述至少之一:冷媒循环时长、冷媒流量值、排气值、冷媒压缩比、高低压差值。
6.根据权利要求1至5中任意一项所述的控制方法,其特征在于,所述排气波动参数至少包括:排气波动幅度、排气波动上下限值和排气波动时间。
7.一种空调器的控制装置,其特征在于,包括:
采集单元,用于在空调器开启后,采集空调器的多个运行状态参数;
预测单元,用于基于所述多个运行状态参数,预测空调器是否会出现排气波动;
开启单元,用于在预测出所述空调器会出现排气波动时,开启排气防波动控制,并预测所述空调器的排气波动参数;
调节单元,用于基于所述排气波动参数,调节所述空调器的膨胀阀开度,以使所述空调器的排气温度达到目标排气温度,
所述预测单元包括:第一输入模块,用于将所述多个运行状态参数输入至预设的神经网络模型,其中,所述神经网络模型是通过多组运行状态参数和空调器排气波动预测结果训练得到的;第一接收模块,用于接收通过所述神经网络模型计算空调器的当前排气参数;预测模块,用于基于所述当前排气参数,预测所述空调器是否会出现排气波动。
8.一种空调器设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至6中任意一项所述的空调器的控制方法。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的空调器的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040283.1A CN110726232B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、空调器设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040283.1A CN110726232B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、空调器设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110726232A CN110726232A (zh) | 2020-01-24 |
CN110726232B true CN110726232B (zh) | 2020-08-11 |
Family
ID=69223355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040283.1A Active CN110726232B (zh) | 2019-10-29 | 2019-10-29 | 空调器的控制方法及装置、空调器设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110726232B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987590B (zh) * | 2021-04-29 | 2021-08-20 | 中家院(北京)检测认证有限公司 | 基于环境规律智能分析的智慧家庭控制方法及系统 |
CN113339959B (zh) * | 2021-06-15 | 2022-05-17 | 珠海格力电器股份有限公司 | 一种空调控制方法、装置、存储介质及空调 |
CN115164379B (zh) * | 2022-06-09 | 2023-11-10 | 珠海格力电器股份有限公司 | 一种空调器冷媒量预测方法、系统和空调器 |
CN115200162B (zh) * | 2022-07-12 | 2023-11-10 | 珠海格力电器股份有限公司 | 一种空调器缺氟检测方法、检测系统和空调器 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002228242A (ja) * | 2001-02-06 | 2002-08-14 | Hitachi Plant Eng & Constr Co Ltd | 室圧制御方法および装置 |
CN101498534A (zh) * | 2008-12-08 | 2009-08-05 | 天津大学 | 制冷空调热泵系统电子膨胀阀多目标智能控制方法 |
CN107036256B (zh) * | 2017-05-31 | 2019-06-11 | 广东美的制冷设备有限公司 | 排气温度的控制方法、排气温度的控制装置和空调器 |
CN108375170B (zh) * | 2018-02-12 | 2020-05-15 | 海信(山东)空调有限公司 | 一种电子膨胀阀的控制方法、装置及空调器 |
CN109764570B (zh) * | 2018-12-29 | 2020-08-18 | 西安交通大学 | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 |
CN110375425B (zh) * | 2019-07-22 | 2021-04-27 | 上海美控智慧建筑有限公司 | 空调系统及其控制方法、控制设备、计算机可读存储介质 |
-
2019
- 2019-10-29 CN CN201911040283.1A patent/CN110726232B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110726232A (zh) | 2020-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726232B (zh) | 空调器的控制方法及装置、空调器设备 | |
CN110736248B (zh) | 空调出风温度的控制方法和装置 | |
CN107883536B (zh) | 空调设备的参数调整方法及装置、终端 | |
CN108195053B (zh) | 空调防凝露控制的方法、装置及计算机存储介质 | |
CN110726217B (zh) | 空调器的控制方法及装置 | |
CN102022798B (zh) | 温度控制系统、温度控制装置、空调装置及温度控制方法 | |
JP5975867B2 (ja) | 蒸気圧縮システム、および、蒸気圧縮システムの動作を制御するための制御システム及び方法 | |
CN104654537B (zh) | 空调多联机缺氟的检测方法和装置 | |
CN109323363B (zh) | 空调器的冷媒泄露故障检测方法、检测系统和空调器 | |
CN109631238A (zh) | 一种提高空调系统运行能效的控制系统和控制方法 | |
CN108361954B (zh) | 空调防凝露控制的方法、装置及计算机存储介质 | |
CN103363671B (zh) | 空气能热水器及其控制方法和装置 | |
CN107991891A (zh) | 环境参数的调整方法、系统和用户设备 | |
Raustad | A variable refrigerant flow heat pump computer model in EnergyPlus | |
GB2544534A (en) | Method and thermostat controller for determining a temperature set point | |
CN109323414B (zh) | 空调器及其控制方法和控制装置及电子设备 | |
CN108253603B (zh) | 空调控制的方法、装置、系统和空调 | |
CN113091260B (zh) | 用于空调的控制方法、装置及空调 | |
CN105042806A (zh) | 空调器的扫风控制方法和装置 | |
CN110940030A (zh) | 空调的运行控制方法、系统及空调器 | |
CN110454941B (zh) | 一种温度的智能控制方法、装置和空调设备 | |
CN108375174B (zh) | 空调防凝露控制的方法、装置及计算机存储介质 | |
CN109323403A (zh) | 空调器及其控制方法和控制装置及电子设备 | |
CN109323402A (zh) | 空调器及其控制方法和控制装置及电子设备 | |
CN109323367B (zh) | 空调器及其化霜方法、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 |