CN110736228B - 空调设备的控制方法、装置、存储介质及空调系统 - Google Patents
空调设备的控制方法、装置、存储介质及空调系统 Download PDFInfo
- Publication number
- CN110736228B CN110736228B CN201911039281.0A CN201911039281A CN110736228B CN 110736228 B CN110736228 B CN 110736228B CN 201911039281 A CN201911039281 A CN 201911039281A CN 110736228 B CN110736228 B CN 110736228B
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- control
- conditioning equipment
- simulation
- 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
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
Abstract
本发明公开了一种空调设备的控制方法、装置、存储介质及空调系统。该方法包括:获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。本发明解决了相关技术中提供的空调设备所采用的控制策略较为固定和单一、难于更新和升级、由此无法发挥最大能效的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体而言,涉及一种空调设备的控制方法、装置、存储介质及空调系统。
背景技术
随着生活水平的不断提高,人类对于居住环境的品质需求逐步提升。空调设备作为室内居住环境用于调节温度和湿度的重要设备,已经愈发成为人们生活中的必需品。目前,相关技术中提供的空调设备通常采用的控制策略在于:空调设备内部各个执行组件之间独立控制,而且控制逻辑相对固定和单一,其无法应对复杂的实际生活环境和个性化的用户需求,因此无法将空调设备的实际能力发挥到最大。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明至少部分实施例提供了一种空调设备的控制方法、装置、存储介质及空调系统,以至少解决相关技术中提供的空调设备所采用的控制策略较为固定和单一、难于更新和升级、由此无法发挥最大能效的技术问题。
根据本发明其中一实施例,提供了一种空调设备的控制方法,包括:
获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
可选地,获取外接芯片中写入的控制算法包括:经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
可选地,获取外接芯片中写入的控制算法包括:经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
可选地,仿真数据包括:仿真运行控制参数和仿真运行状态参数,其中,仿真运行控制参数被设置为空调系统仿真模型的输入参数,并通过空调系统仿真模型进行分析,输出仿真运行状态参数。
可选地,神经网络模型使用仿真运行控制参数和仿真运行状态参数通过机器学习训练得到,并通过使用神经网络模型对仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对仿真运行状态参数进行修正。
可选地,根据控制算法对控制策略进行调整包括:获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;确定与待使用工作模式相适配的目标运行状态参数;基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
可选地,在根据控制算法对控制策略进行调整之前,还包括:在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
可选地,控制算法通过与外接芯片相连接的外部设备进行更新。
根据本发明其中一实施例,还提供了一种空调设备的控制装置,包括:
获取模块,用于获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;控制模块,用于根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
可选地,获取模块,用于经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
可选地,获取模块,用于经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
可选地,仿真数据包括:仿真运行控制参数和仿真运行状态参数,其中,仿真运行控制参数被设置为空调系统仿真模型的输入参数,并通过空调系统仿真模型进行分析,输出仿真运行状态参数。
可选地,神经网络模型使用仿真运行控制参数和仿真运行状态参数通过机器学习训练得到,并通过使用神经网络模型对仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对仿真运行状态参数进行修正。
可选地,控制模块包括:获取单元,用于获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;确定单元,用于确定与待使用工作模式相适配的目标运行状态参数;修正单元,用于基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
可选地,上述装置还包括:恢复模块,用于在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
可选地,控制算法通过与外接芯片相连接的外部设备进行更新。
根据本发明其中一实施例,还提供了一种存储介质,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述任意一项中的空调设备的控制方法。
根据本发明其中一实施例,还提供了一种空调设备,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任意一项中的空调设备的控制方法。
根据本发明其中一实施例,还提供了一种空调系统,包括上述空调设备和外接芯片。
在本发明至少部分实施例中,采用获取空调设备的外接芯片中写入的控制算法,该控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据的方式,通过控制算法对空调设备的控制策略进行调整,该控制策略用于确定空调设备的待使用工作模式,达到了通过仿真模型和神经网络模型实现空调运行状态的快速预测以得到预测结果,然后再通过智能控制算法确定与预测结果对应的不同模式最佳运行策略,以便对空调设备内部各个执行组件之间进行耦合控制的目的,从而实现了通过对控制策略的修正与优化,确保空调设备发挥出最大能效的技术效果,进而解决了相关技术中提供的空调设备所采用的控制策略较为固定和单一、难于更新和升级、由此无法发挥最大能效的技术问题。
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是根据本发明其中一实施例的空调设备的控制方法的流程图;
图2是根据本发明其中一可选实施例的空调系统仿真模型的示意图;
图3是根据本发明其中一可选实施例的建立多层人工智能控制的神经网络模型的示意图;
图4是根据本发明其中一可选实施例的根据控制算法对控制策略进行调整的示意图;
图5是根据本发明其中一实施例的空调设备的控制装置的结构框图;
图6是根据本发明其中一可选实施例的空调设备的控制装置的结构框图。
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。
根据本发明其中一实施例,提供了一种空调设备的控制方法的实施例,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。
该方法实施例可以在空调系统中执行。该空调系统包括:空调设备和外接芯片。该空调设备可以在多种应用场景下得到广泛应用。例如:该空调设备既可以应用在智能家居场所,也可以应用在办公场所,还可以应用在商场、游乐场等人员密集场所。空调设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器(MCU)、中央处理器(CPU)、图形处理器(GPU)、数字信号处理(DSP)芯片、或可编程逻辑器件(FPGA)等的处理装置)和用于存储数据的存储器。可选地,上述空调设备还可以包括用于通信功能的传输设备、输入输出设备以及显示设备。本领域普通技术人员可以理解,上述结构描述仅为示意,其并不对上述空调设备的结构造成限定。例如,空调设备还可包括比上述结构描述更多或者更少的组件,或者具有与上述结构描述不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的空调设备的控制方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的空调设备的控制方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至空调设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括空调设备的通信供应商提供的无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
显示设备可以例如触摸屏式的液晶显示器(LCD)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与空调设备的用户界面进行交互。在一些实施例中,空调设备具有图像用户界面(GUI),用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互,此处的人机交互功能可选的包括如下交互:启动空调、关闭空调、调节制冷或制热温度、调节空调工作模式等。用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
上述外接芯片可以包括但不限于微处理器(MCU)、中央处理器(CPU)、图形处理器(GPU)、数字信号处理(DSP)芯片、或可编程逻辑器件(FPGA)等的处理装置,并且上述外接芯片中存储有控制算法。
在本实施例中提供了一种运行于上述空调设备的控制方法,图1是根据本发明其中一实施例的空调设备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S12,获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;
步骤S14,根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
通过上述步骤,可以采用获取空调设备的外接芯片中写入的控制算法,该控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据的方式,通过控制算法对空调设备的控制策略进行调整,该控制策略用于确定空调设备的待使用工作模式,达到了通过仿真模型和神经网络模型实现空调运行状态的快速预测以得到预测结果,然后再通过智能控制算法确定与预测结果对应的不同模式最佳运行策略,以便对空调设备内部各个执行组件之间进行耦合控制的目的,从而实现了通过对控制策略的修正与优化,确保空调设备发挥出最大能效的技术效果,进而解决了相关技术中提供的空调设备所采用的控制策略较为固定和单一、难于更新和升级、由此无法发挥最大能效的技术问题。
在一个可选实施例中,上述仿真数据包括:仿真运行控制参数和仿真运行状态参数。仿真运行控制参数被设置为空调系统仿真模型的输入参数,并通过空调系统仿真模型进行分析,输出仿真运行状态参数。
图2是根据本发明其中一可选实施例的空调系统仿真模型的示意图,如图2所示,空调系统仿真模型通过对压缩机频率、室内外环境的温度与湿度、导风板位置、电子膨胀阀开度、内外风机转速等仿真运行控制参数进行分析,可以输出空调设备的能力、功率、能效、冷媒管温度、电机电流等仿真运行状态参数。由此通过仿真模型可以仿真大量的不同仿真运行控制参数和仿真运行状态参数的对应集合。
在一个可选实施例中,上述神经网络模型使用仿真运行控制参数和仿真运行状态参数通过机器学习训练得到,并通过使用神经网络模型对仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对仿真运行状态参数进行修正。
图3是根据本发明其中一可选实施例的建立多层人工智能控制的神经网络模型的示意图,如图3所示,输入层的输入参数包括对压缩机频率、室内外环境的温度与湿度、导风板位置、电子膨胀阀开度、内外风机转速等仿真运行控制参数。输出层的输出参数包括空调设备的能力、功率、能效、冷媒管温度、电机电流等仿真运行状态参数。隐藏层可以为一层或多层。因此,使用仿真运行控制参数和仿真运行状态参数通过机器学习训练得到上述神经网络模型,进而确定输入层的输入参数与输出层的输出参数之间的对应关系。进一步地,还可以通过使用神经网络模型对仿真运行控制参数相适配的对实际运行控制参数进行训练后得到的训练结果来修正输入参数与输出参数之间的对应关系。由此,利用神经网络模型对空调设备的各个执行组件(包括但不限于:压缩机、电子膨胀阀、风机、导风板)进行耦合控制,使其可以实现空调设备在不同运行环境下的待使用工作模式(可以包括但不限于:最佳快速温升温与降温模式,最佳省电模式)。而且,每种工作模式均可以根据用户的个性化需求来选定。
快速升温与降温模式是指在空调设备可靠性参数运行范围内,控制压缩机频率、膨胀阀开度、风机转速等参数,以使空调设备按照在确保较高能效(能效=能力/功率)的基础上所能够达到最大能力的控制策略来运行,从而实现空调设备的快速升温与降温,满足用户对房间速冷或速热的个性化需求。
最佳省电模式是指在空调设备可靠性参数运行范围内,控制压缩机频率、膨胀阀开度、风机转速等参数,以使空调按照在确保相同能力基础上所能达到最大能效(能效=能力/功率)的控制策略来运行,以实现低功耗运行,使得空调设备最大程度地节省电能,满足用户对节能省电的个性化需求。
可选地,在步骤S12中,获取外接芯片中写入的控制算法可以包括以下执行步骤:
步骤S121,经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
如上所述,在可外接的智能控制芯片内配置智能控制算法,通过空调设备仿真模型的仿真数据对神经网络模型进行训练,从而实现运行参数的快速预测最佳运行策略。在一个可选实施例中,为了获取智能控制芯片内配置的智能控制算法,可以在空调控制器上预留智能控制芯片的外接接口,以使智能控制芯片采用外接形式与空调设备相连接,方便智能控制芯片的拆装,从而按照个性化模式需求对空调设备进行智能化安装与升级,提升用户体验。空调设备根据智能控制算法生成最佳舒适模式和最佳节能模式的控制策略,从而对空调设备的控制策略进行优化与升级,以使空调设备在不同模式下实现最大性能优化。
可选地,在步骤S12中,获取外接芯片中写入的控制算法可以包括以下执行步骤:
步骤S122,经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
除了通过在空调控制器上预留智能控制芯片的外接接口以使智能控制芯片采用外接形式与空调设备相连接,还可以在空调设备上预留感应区域,由此如果空调设备在感应区域的感应范围内感应到外接芯片,则外接芯片可以通过预留感应区域与空调设备进行近场通信,以使空调设备经由预留感应区域获取到外接芯片中写入的控制算法。
可选地,在步骤S14中,根据控制算法对控制策略进行调整可以包括以下执行步骤:
步骤S141,获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;
步骤S142,确定与待使用工作模式相适配的目标运行状态参数;
步骤S143,基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
在将上述智能控制算法写入外接智能控制芯片之后,可以将外接智能控制芯片插入空调设备的内机或者外机控制器中。在空调设备工作过程中,首先获取已有控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数,以及确定与待使用工作模式相适配的目标运行状态参数。基于初始运行状态参数与目标运行状态参数之间存在的差异,对压缩机频率、电子膨胀阀开度、内外风机转速、导风板位置等初始运行控制参数进行修正和优化,直至将初始运行状态参数调整为目标运行状态参数,以使空调设备真正进入快速升温与降温模式或最佳省电模式,从而对空调设备的控制策略进行优化。
图4是根据本发明其中一可选实施例的根据控制算法对控制策略进行调整的示意图,如图4所示,鉴于多层人工智能控制的神经网络模型需要大量的输入数据与输出数据才能够得到更为准确的预测结果,用户可以通过外接芯片转换器与外部设备(例如:云端服务器)相连接,通过大数据技术整合的全国不同地区、不同环境下运行的空调控制策略所得到的云端数据来辅助训练神经网络模型,从而使得神经网络模型的预测结果更加准确。为了使得空调设备进入快速升温与降温模式或最佳省电模式,在原有控制策略的基础上,持续对压缩机频率、电子膨胀阀开度、内外风机转速、导风板位置等运行控制参数进行修正和优化,直至得到满足快速升温与降温模式或最佳省电模式的运行状态参数。
可选地,在步骤S14,根据控制算法对控制策略进行调整之前,还可以包括以下执行步骤:
步骤S13,在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
如果外接智能控制芯片正常工作,则控制设备可以从外接智能控制芯片获取智能控制算法,然后再根据智能控制算法对空调设备的控制策略进行优化。然而,如果外接智能控制芯片发生损坏失效,则空调设备仍然可以按照原有控制策略来运行,从而确保空调设备的可靠运行。
可选地,控制算法通过与外接芯片相连接的外部设备进行更新。
除了空调设备外接智能控制芯片中已写入的智能控制算法之外,用户还可以在线下载智能控制算法进行更新(升级),以选择符合用户居住环境和使用需求的控制策略。即,用户可以利用外接智能控制芯片从外部设备在线下载符合用户实际使用环境的智能控制算法。考虑到用户居住地点差异、气候环境特点差异,空调设备的最佳运行状态也各不相同。例如:在寒冷的冬季,位于不同地域的空调设备在空调制热模式下是否结霜以及霜层厚度均有差异,对空调设备的性能影响也不尽相同。因此,用户可以利用外接智能控制芯片对空调设备的控制策略进行优化。
另外,智能控制芯片可以有选择地下载与特殊模式(例如:儿童模式、老人模式、母婴模式、睡眠模式等,)对应的控制算法,以满足个体化模式需求,提升用户体验,而且还可以减少芯片容量,以降低硬件成本。
基于上述分析可知,在通过外接智能控制芯片对空调设备的控制策略进行更新过程中,无需更换整个控制器主板,而只需使用外接智能控制芯片即可,由此便于售后维修,从而降低维护成本。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
在本实施例中还提供了一种空调设备的控制装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明其中一实施例的空调设备的控制装置的结构框图,如图5所示,该装置包括:获取模块10,用于获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;控制模块20,用于根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
可选地,获取模块10,用于经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
可选地,获取模块10,用于经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
可选地,仿真数据包括:仿真运行控制参数和仿真运行状态参数,其中,仿真运行控制参数被设置为空调系统仿真模型的输入参数,并通过空调系统仿真模型进行分析,输出仿真运行状态参数。
可选地,神经网络模型使用仿真运行控制参数和仿真运行状态参数通过机器学习训练得到,并通过使用神经网络模型对仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对仿真运行状态参数进行修正。
可选地,控制模块20包括:获取单元(图中未示出),用于获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;确定单元(图中未示出),用于确定与待使用工作模式相适配的目标运行状态参数;修正单元(图中未示出),用于基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
可选地,可选地,图6是根据本发明其中一可选实施例的空调设备的控制装置的结构框图,如图6所示,该装置除包括图5所示的所有模块外,上述装置还包括:恢复模块30,用于在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
可选地,控制算法通过与外接芯片相连接的外部设备进行更新。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;
S2,根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;确定与待使用工作模式相适配的目标运行状态参数;基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种空调设备,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述空调设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取空调设备的外接芯片中写入的控制算法,其中,控制算法用于配置神经网络模型,神经网络模型使用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;
S2,根据控制算法对空调设备的控制策略进行调整,其中,控制策略用于确定空调设备的待使用工作模式。
可选地,上述处理器还可以被设置为通过计算机程序执行以下步骤:经由空调设备的预留接口获取外接芯片中写入的控制算法,其中,外接芯片通过预留接口与空调设备进行可拆卸连接。
可选地,上述处理器还可以被设置为通过计算机程序执行以下步骤:经由空调设备的预留感应区域获取外接芯片中写入的控制算法,其中,外接芯片通过预留感应区域与空调设备进行近场通信。
可选地,上述处理器还可以被设置为通过计算机程序执行以下步骤:获取控制策略中为待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;确定与待使用工作模式相适配的目标运行状态参数;基于控制算法持续修正初始运行控制参数,直至将初始运行状态参数调整为目标运行状态参数。
可选地,上述处理器还可以被设置为通过计算机程序执行以下步骤:在确定外接芯片发生异常的情况下,恢复使用初始运行控制参数控制来控制空调设备运行。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
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 (10)
1.一种空调设备的控制方法,其特征在于,包括:
获取空调设备的外接芯片中写入的控制算法,其中,所述控制算法用于配置神经网络模型,所述神经网络模型使用多组数据通过机器学习训练得到,所述多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;
根据所述控制算法对所述空调设备的控制策略进行调整,其中,所述控制策略用于确定所述空调设备的待使用工作模式;
其中,所述仿真数据包括:仿真运行控制参数和仿真运行状态参数,其中,所述仿真运行控制参数被设置为所述空调系统仿真模型的输入参数,并通过所述空调系统仿真模型进行分析,输出所述仿真运行状态参数;
其中,所述神经网络模型使用所述仿真运行控制参数和所述仿真运行状态参数通过所述机器学习训练得到,并通过使用所述神经网络模型对所述仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对所述仿真运行状态参数进行修正。
2.根据权利要求1所述的方法,其特征在于,获取所述外接芯片中写入的所述控制算法包括:
经由所述空调设备的预留接口获取所述外接芯片中写入的所述控制算法,其中,所述外接芯片通过所述预留接口与所述空调设备进行可拆卸连接。
3.根据权利要求1所述的方法,其特征在于,获取所述外接芯片中写入的所述控制算法包括:
经由所述空调设备的预留感应区域获取所述外接芯片中写入的所述控制算法,其中,所述外接芯片通过所述预留感应区域与所述空调设备进行近场通信。
4.根据权利要求1所述的方法,其特征在于,根据所述控制算法对所述控制策略进行调整包括:
获取所述控制策略中为所述待使用工作模式预先配置的初始运行控制参数和初始运行状态参数;
确定与所述待使用工作模式相适配的目标运行状态参数;
基于所述控制算法持续修正所述初始运行控制参数,直至将所述初始运行状态参数调整为所述目标运行状态参数。
5.根据权利要求4所述的方法,其特征在于,在根据所述控制算法对所述控制策略进行调整之前,还包括:
在确定所述外接芯片发生异常的情况下,恢复使用所述初始运行控制参数控制来控制所述空调设备运行。
6.根据权利要求1所述的方法,其特征在于,所述控制算法通过与所述外接芯片相连接的外部设备进行更新。
7.一种空调设备的控制装置,其特征在于,包括:
获取模块,用于获取空调设备的外接芯片中写入的控制算法,其中,所述控制算法用于配置神经网络模型,所述神经网络模型使用多组数据通过机器学习训练得到,所述多组数据中的每组数据均包括:空调系统仿真模型的仿真数据;
控制模块,用于根据所述控制算法对所述空调设备的控制策略进行调整,其中,所述控制策略用于确定所述空调设备的待使用工作模式;
其中,所述仿真数据包括:仿真运行控制参数和仿真运行状态参数,其中,所述仿真运行控制参数被设置为所述空调系统仿真模型的输入参数,并通过所述空调系统仿真模型进行分析,输出所述仿真运行状态参数;
其中,所述神经网络模型使用所述仿真运行控制参数和所述仿真运行状态参数通过所述机器学习训练得到,并通过使用所述神经网络模型对所述仿真运行控制参数相适配的实际运行控制参数进行分析所得到的实际运行状态参数对所述仿真运行状态参数进行修正。
8.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任意一项中所述的空调设备的控制方法。
9.一种空调设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任意一项中所述的空调设备的控制方法。
10.一种空调系统,包括权利要求9中所述的空调设备和外接芯片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039281.0A CN110736228B (zh) | 2019-10-29 | 2019-10-29 | 空调设备的控制方法、装置、存储介质及空调系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911039281.0A CN110736228B (zh) | 2019-10-29 | 2019-10-29 | 空调设备的控制方法、装置、存储介质及空调系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110736228A CN110736228A (zh) | 2020-01-31 |
CN110736228B true CN110736228B (zh) | 2020-11-27 |
Family
ID=69270263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911039281.0A Active CN110736228B (zh) | 2019-10-29 | 2019-10-29 | 空调设备的控制方法、装置、存储介质及空调系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110736228B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112503725B (zh) * | 2020-12-08 | 2021-11-30 | 珠海格力电器股份有限公司 | 空调自清洁控制方法、装置和空调 |
CN113418288A (zh) * | 2021-05-07 | 2021-09-21 | 绍兴艾能科技有限公司 | 一种基于仿真模型的神经网络多末端风阀控制系统及方法 |
WO2023010556A1 (zh) * | 2021-08-06 | 2023-02-09 | 西门子瑞士有限公司 | 精密空调的动态预测控制方法、装置和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034413A (zh) * | 2018-07-11 | 2018-12-18 | 广东人励智能工程有限公司 | 基于神经网络模型的智能制造设备故障预测方法及系统 |
CN108895618B (zh) * | 2018-09-30 | 2021-11-26 | 宁波溪棠信息科技有限公司 | 基于神经网络的空调控制方法 |
-
2019
- 2019-10-29 CN CN201911039281.0A patent/CN110736228B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108361927A (zh) * | 2018-02-08 | 2018-08-03 | 广东美的暖通设备有限公司 | 一种基于机器学习的空调器控制方法、装置以及空调器 |
Also Published As
Publication number | Publication date |
---|---|
CN110736228A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110736228B (zh) | 空调设备的控制方法、装置、存储介质及空调系统 | |
CN110736244B (zh) | 控制空调的方法、装置和空调 | |
EP3411634B1 (en) | Data learning server and method for generating and using learning model thereof | |
CN110726217B (zh) | 空调器的控制方法及装置 | |
CN106196433A (zh) | 一种空调控制参数确定装置及方法、空调及服务器 | |
CN113531818B (zh) | 用于空调的运行模式推送方法及装置、空调 | |
CN104729004A (zh) | 空调器及其控制方法和控制终端 | |
CN110736232A (zh) | 空调控制方法及装置 | |
CN110736248A (zh) | 空调出风温度的控制方法和装置 | |
CN103970080A (zh) | 一种家电产品控制系统及功能升级的控制方法 | |
CN105180365A (zh) | 家用电器、家用电器控制方法和控制系统 | |
CN110736231A (zh) | 空调控制方法、装置、空调、存储介质以及处理器 | |
CN112415902A (zh) | 用于控制智能家电的方法及装置、智能家电 | |
CN104848488A (zh) | 一种空调的温度控制方法及装置 | |
CN110726209B (zh) | 空调控制方法、装置、存储介质以及处理器 | |
CN112944624B (zh) | 用于空调控制的方法和空调 | |
CN114636223A (zh) | 一种除霜制热的控制方法、系统、设备及存储介质 | |
CN109974233A (zh) | 控制方法、控制设备、空调器系统及存储介质 | |
CN109780685A (zh) | 一种设备节能控制方法、装置及家用电器 | |
CN112503713B (zh) | 一种空调器的启动方法和装置 | |
CN103940034A (zh) | 一种功能启动的方法、空调和移动电子设备 | |
CN207815563U (zh) | 空调控制系统及控制器 | |
CN110909036A (zh) | 功能模块的推荐方法及装置 | |
CN110726214A (zh) | 控制空调器的方法及装置 | |
CN114265327B (zh) | 智能家居设备的休眠控制方法、装置、处理器及电子设备 |
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 |