CN111140986A - 空调系统的运行状态检测方法、装置、存储介质及空调 - Google Patents
空调系统的运行状态检测方法、装置、存储介质及空调 Download PDFInfo
- Publication number
- CN111140986A CN111140986A CN201911342266.3A CN201911342266A CN111140986A CN 111140986 A CN111140986 A CN 111140986A CN 201911342266 A CN201911342266 A CN 201911342266A CN 111140986 A CN111140986 A CN 111140986A
- Authority
- CN
- China
- Prior art keywords
- network
- som
- detected
- air conditioning
- output
- 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.)
- Pending
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及空调系统设计领域,具体涉及一种空调系统的运行状态检测方法、装置、存储介质及空调,所述方法包括:获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM‑BP复合神经网络;根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM‑BP复合神经网络对所述待检测样本的非线性映射结果;根据所述非线性映射结果确定空调系统的运行状态。本申请能够提高空调故障的诊断效率。
Description
技术领域
本申请涉及空调系统设计领域,具体涉及一种空调系统的运行状态检测方法、装置、存储介质及空调。
背景技术
随着科技的进步与人们生活水平的提升,空调系统的功能日益增加,结构也日益复杂,但空调机组运行的稳定性并不理想,空调一旦发生故障,若不能及时发现并处理,则会错过最佳的维修时间,造成一定的财产损失,严重的甚至会造成人员伤亡。人们希望在空调机组运行过程中,通过各种检测工具判断其是否正常运行,若出现异常,则能够在故障发生前提前预警,提前采取措施,避免重大事故的发生,而目前对于空调运行的诊断是利用历史故障数据及个人的工作经验对故障诊断,会发生很多不必要的停机和检修,浪费了大量地人力和物力。
发明内容
为解决现有技术中无法高效、及时地诊断空调是否出现故障,提出以下技术方案:
第一方面,本申请提供了一种空调系统的运行状态检测方法,包括:
获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;
将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;
根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;
根据所述非线性映射结果确定空调系统的运行状态。
进一步的,所述根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,包括:
将所述待检测样本传输给SOM网络的输入层,得到输入向量;
计算获胜神经元与输入向量的欧式距离;
判断所述欧式距离是否在预设的权值范围;
若是,获取所述获胜神经元的类型标签,确定所述待检测样本的初步分类为所述类型标签对应的类型。
进一步的,所述根据所述BP网络对所述初步分类进行检测,包括:
将所述输入向量作为BP网络的输入,将所述类型标签对应的类型作为BP网络的期望输出;
根据所述BP网络的输入计算BP网络的预测输出;
根据所述预测输出及所述期望输出计算网络预测误差;
若所述网络预测误差在预设阈值内,确定所述初步分类的结果满足SOM-BP复合神经网络的要求。
进一步的,所述将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络之前,还包括:
训练学习SOM网络,包括:
SOM网络初始化,定义SOM网络的输入神经元的个数以及定义输入层与输出层神经元的权值,并给予权值以初值;
收集历史数据作为训练样本,将所述训练样本输入SOM网络的输入层,得到输入向量;
计算SOM网络的映射层的神经元和输入层中的输入向量的欧式距离,根据所述欧式距离的最小值确定SOM网络的获胜神经元;
定义以所述获胜神经元为中心的预设时刻的权值调整域,作为优胜邻域;
根据所述输入向量之间的距离进行权值学习,调整所述权值直至所述输入向量满足预设的分类要求。
进一步的,所述根据所述输入向量之间的距离进行权值学习,包括:
使用LVQ网络进行所述输入向量之间的距离进行权值学习。
进一步的,所述训练学习SOM网络之后,还包括:
训练学习BP网络,包括:
BP网络初始化,获取输出变量及输出变量序列,根据输出变量及输出变量所述确定网络输入层节点数、隐含层节点数及输出层节点数;初始输入层与隐含层之间的第一连接权值、隐含层和输出层神经元之间的第二连接权值,及初始化隐含层阈值、输出层阈值;
根据输入变量、输入层和隐含层神经元之间的连接权值以及隐含层阈值计算隐含层输出;
根据所述隐含层输出、隐含层和输出层神经元之间的连接权值以及输出层阈值计算BP网络的预测输出;
获取输出变量作为期望输出,根据所述预测输出和期望输出计算BP网络预测误差;
根据所述网络预测误差更新第一连接权值和/或第二连接权值;
基于更新后的第一连接权值和/或第二连接权值更新隐含层阈值及输出层阈值;
判断BP网络的迭代次数是否满足要求,若是,完成BP网络的训练学习。
进一步的,所述根据所述非线性映射结果确定空调系统的运行状态之后,还包括:
获取所述运行状态对应的故障类型;
确定所述故障类型对应的修复措施;
向预设的通知渠道发送所述故障类型及对应的修复措施的通知。
第二方面,本申请还提供了一种空调系统的运行状态检测装置,包括:
参数采集模块:用于获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;
样本输入模块:用于将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;
结果输出模块:用于根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;
状态确定模块:用于根据所述非线性映射结果确定空调系统的运行状态。
第三方面,本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的空调系统的运行状态检测方法。
第四方面,本申请还提供了一种终端设备,包括:
一个或多个处理器;
存储器;
一个或多个计算机程序;
其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行上述的空调系统的运行状态检测方法。
第五方面,本申请还提供了一种空调,所述空调包括空调系统,所述空调系统被配置为执行上述的空调系统的运行状态检测方法。
本申请与现有技术相比,具有以下有益效果:
本申请提供了一种基于改进SOM-BP神经网络实时检测空调系统运行状态的方法,通过获取实时采集的空调系统的热力参数,然后将所述热力参数转化为待检测样本,再将所述待检测样本输入SOM-BP复合神经网络,将无监督学习和有监督学习方法相互结合,首先利用SOM网络对待检测样本进行聚类,实现数据的初步分类;再根据初步分类结果用BP网络进行验证,确定所述初步分类结果的正确性,从而确定空调系统的运行状态,在空调系统发生故障时能快速地诊断出现的故障类型,并找到故障原因,从而提高空调故障的诊断效率,减少不必要的停机和检修而浪费的人力和物力,减少空调的维护成本,降低因空调故障造成的风险,并且能够预防空调系统的性能下降,确保空调系统运行的稳定性,稳定室内温度及空气质量在设定范围,确保舒适的室内环境。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请空调系统的运行状态检测方法的一流程实施例示意图;
图2为本申请SOM-BP复合神经网络的训练学习的一实施例流程示意图;
图3为本申请空调系统的运行状态检测装置的一实施例示意图;
图4为本申请空调包含的终端设备的一结构实施例示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本申请实施例提供一种空调系统的运行状态检测方法,如图1所示,所述方法包括如下步骤:
S10:获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本。
本实施例中,在空调机组上安装若干传感器,用于检测空调系统机组的参数,本实施例将所述参数定义为热力参数,然后从所述传感器便能实时采集到空调系统的热力参数,在一种实施方式中,所述机组为普通热泵机组,所采集的热力参数包括排气温度、环境温度、化霜温度、液管温度、气管温度、吸气温度、进水温度、出水温度和排气压力等热力学参数,传感器所采集到的参数为传感器相应格式的参数,需要转化为适用神经网络的输入参数,本实施例将采集到的热力参数转化为待检测样本,在一种实施方式中,将采集到的热力参数定义为x1,x2,x3,…,xm.,然后将所述热力参数进行转化,转化为X=(x1,x2,x3,…,xm)T作为待检测样本。
S20:将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络。
本实施例中,空调系统中已构建了SOM-BP复合神经网络,然后将所述待检测样本输入至所述SOM-BP复合神经网络,所述SOM-BP复合神经网络是基于SOM(Self OrganizingMap,自组织映射)网络及BP(Back Propagation)网络而构建,构建SOM-BP复合神经网络的思想是将无监督学习和有监督学习方法结合,其中,SOM网络是无监督学习的竞争型网络,BP网络是有监督学习的神经网络,本实施例中,将所述SOM网络设置为初级网络,将所述BP网络设置为次级网络,而后构建成SOM-BP复合神经网络,所述SOM-BP复合神经网络是在3层的BP网络之间加入了一个SOM竞争层。
S30:根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果。
在将所述待检测样本输入至SOM-BP复合神经网络后,根据所述SOM网络对所述待检测样本进行聚类,降低所述待检测样本的维空间线性不可分样本,使得所述待检测样本映射到高维空间,且线性可分,从而完成对待检测样本的初步辨识,得到所述待检测样本的初步分类,然后根据所述BP网络对所述初步分类进行检测,通过所述BP网络进行输入到输出间的监督学习,用BP网络对所述初步分类结果进行检验,完成输入到输出的非线性映射,从而获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果。
S30:根据所述非线性映射结果确定空调系统的运行状态。
在得到所述非线性映射结果后,根据所述非线性映射结果便可确定空调系统的运行状态,所述空调系统的运行状态包括正常运行状态及故障状态,所述故障状态包括制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小等故障,通过所述非线性映射结果便能快速地诊断出现的故障类型,并找到发送对应故障的原因,从而提高空调故障的诊断效率。
本实施例提供了一种基于改进SOM-BP神经网络实时检测空调系统运行状态的方法,通过获取实时采集的空调系统的热力参数,然后将所述热力参数转化为待检测样本,再将所述待检测样本输入SOM-BP复合神经网络,将无监督学习和有监督学习方法相互结合,首先利用SOM网络对待检测样本进行聚类,实现数据的初步分类;再根据初步分类结果用BP网络进行验证,确定所述初步分类结果的正确性,从而确定空调系统的运行状态,在空调系统发生故障时能快速地诊断出现的故障类型,并找到故障原因,从而提高空调故障的诊断效率,减少不必要的停机和检修而浪费的人力和物力,减少空调的维护成本,降低因空调故障造成的风险。
本申请的一种实施例,所述根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,包括:
将所述待检测样本传输给SOM网络的输入层,得到输入向量;
计算获胜神经元与输入向量的欧式距离;
判断所述欧式距离是否在预设的权值范围;
若是,获取所述获胜神经元的类型标签,确定所述待检测样本的初步分类为所述类型标签对应的类型。
本实施例中,在将待检测样本输入SOM-BP复合神经网络后,将所述待检测样本传输给SOM网络的输入层,然后转化为SOM网络的输入层的输入向量,SOM网络算法的实质是通过前期的竞争,让输入神经元从学习中脱颖而出,成为能够影响周边神经元权值的获胜神经元,本实施例的SOM网络通过预先的训练与学习寻找到SOM网络的获胜神经元,然后计算获胜神经元与输入向量的欧式距离,计算所述输入向量与SOM网络的不同获胜神经元的欧式距离,然后判断所述欧式距离是否在该获胜神经元预设的权值范围内,若是,则获取所述获胜神经元的类型标签,确定所述待检测样本的初步分类为所述类型标签对应的类型,从而得到所述待检测样本的初步分类。
本申请的一种实施例,所述根据所述BP网络对所述初步分类进行检测,包括:
将所述输入向量作为BP网络的输入,将所述类型标签对应的类型作为BP网络的期望输出;
根据所述BP网络的输入计算BP网络的预测输出;
根据所述预测输出及所述期望输出计算网络预测误差;
若所述网络预测误差在预设阈值内,确定所述初步分类的结果满足SOM-BP复合神经网络的要求。
本实施例中,在得到所述待检测样本的初步分类后,根据所述BP网络对所述初步分类进行检测,将上述的输入向量作为BP网络的输入,将所述类型标签对应的类型作为BP网络的期望输出,然后根据所述BP网络的输入计算BP网络的预测输出,BP神经网络无需事先确定输入与输出之间的映射关系的数学方程,本实施例通过预先对BP网络进行训练,学习规则,在给定输入时便能得到最接近期望输出值的结果,将所述BP网络的输出定义为预测输出,然后根据所述预测输出及所述期望输出计算网络预测误差,若所述网络预测误差在预设阈值内,则确定所述期望输出符合预设要求,从而确定所述初步分类的结果满足SOM-BP复合神经网络的要求,从而确定所述待检测样本输出至所述SOM-BP复合神经网络的非线性映射结果。
本申请的一种实施例,所述将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络之前,还包括:
训练学习SOM网络,包括:
SOM网络初始化,定义SOM网络的输入神经元的个数以及定义输入层与输出层神经元的权值,并给予权值以初值;
收集历史数据作为训练样本,将所述训练样本输入SOM网络的输入层,得到输入向量;
计算SOM网络的映射层的神经元和输入层中的输入向量的欧式距离,根据所述欧式距离的最小值确定SOM网络的获胜神经元;
定义以所述获胜神经元为中心的预设时刻的权值调整域,作为优胜邻域;
根据所述输入向量之间的距离进行权值学习,调整所述权值直至所述输入向量满足预设的分类要求。
本实施例中,在使用SOM-BP复合神经网络之前,需要对SOM网络进行训练学习,使得SOM网络能够满足分类要求,具体的,首先对SOM网络初始化,初始化的变量包括义输入神经元的个数及输入层与输出层神经元的权值,本实施例定义SOM网络的输入神经元的个数以及定义输入层与输出层神经元的权值,并给予权值以初值,一般给予权值的初值都会较大,方便后续算法的学习和训练;然后,收集历史数据作为训练样本,将所述训练样本X=(x1,x2,x3,…,xm)T输入SOM网络的输入层,得到输入向量,进一步的,还可以对该样本数据归一化处理,得到XP,P∈(1,2,3,…,m)。然后寻找SOM网络的获胜神经元,具体的,计算SOM网络的映射层的神经元和输入层中的输入向量的欧式距离,根据所述欧式距离的最小值确定SOM网络的获胜神经元,然后定义以所述获胜神经元为中心的预设时刻的权值调整域作为优胜邻域,对于权值调整域形状的选择,本实施例优选六边形作为权值调整域形状,随着SOM网络训练的进行,优胜邻域范围会不停向聚类中心靠拢,直至为0。然后根据所述输入向量之间的距离进行权值学习,调整所述权值直至所述输入向量满足预设的分类要求。从而完成SOM网络的训练学习。SOM神经网络是一种无监督的竞争型网络,在各神经元相互竞争的过程中,可以学习得到对输入向量的分类结果,以此达到将具有相同特征的向量聚集在一起的目的。
本申请的一种实施例,所述根据所述输入向量之间的距离进行权值学习,包括:
使用LVQ网络进行所述输入向量之间的距离进行权值学习。
本实施例中,考虑到SOM神经网络的竞争层进行的分类绝大多数取决于输入向量之间的距离,如果两个不同类的输入向量之间的距离非常近,则在竞争层中就很有概率将该两个不同类的输入向量归为一类,这样得到的聚类效果的精确度不高,本实施例中,使用LVQ(Learning Vector Quantization,学习向量量化)网络进行所述输入向量之间的距离进行权值学习,具体的,在SOM网络中神经元被标识为对应的类型之后,对对应的获胜神经元的权值向量进行调整,若获胜神经元与连接向量具有相同的类型标签,则权值向量被调整接近连接向量,相反地,如获胜神经元与连接向量具有不同的类型标签,那么权值向量被调整偏离被误分类的连接向量,重复该过程,将整个训练集循环执行多次,实现对输入向量的准确分类。
本申请的一种实施例,所述训练学习SOM网络之后,还包括:
训练学习BP网络,包括:
BP网络初始化,获取输出变量及输出变量序列,根据输出变量及输出变量所述确定网络输入层节点数、隐含层节点数及输出层节点数;初始输入层与隐含层之间的第一连接权值、隐含层和输出层神经元之间的第二连接权值,及初始化隐含层阈值、输出层阈值;
根据输入变量、输入层和隐含层神经元之间的连接权值以及隐含层阈值计算隐含层输出;
根据所述隐含层输出、隐含层和输出层神经元之间的连接权值以及输出层阈值计算BP网络的预测输出;
获取输出变量作为期望输出,根据所述预测输出和期望输出计算BP网络预测误差;
根据所述网络预测误差更新第一连接权值和/或第二连接权值;
基于更新后的第一连接权值和/或第二连接权值更新隐含层阈值及输出层阈值;
判断BP网络的迭代次数是否满足要求,若是,完成BP网络的训练学习。
本实施例中,对BP网络进行训练学习,首先对BP网络初始化,获取输出变量及输出变量序列(X,Y),根据输出变量及输出变量所述确定网络输入层节点数m、隐含层节点数l及输出层节点数n,然后初始输入层与隐含层之间的第一连接权值ωij、隐含层和输出层神经元之间的第二连接权值ωjk,及初始化隐含层阈值a、输出层阈值b,并给定学习速率和激活函数;然后根据输入变量、输入层和隐含层神经元之间的连接权值以及隐含层阈值计算隐含层输出H,则式中,l为隐含层节点数,为隐含层激励函数。再根据所述隐含层输出、隐含层和输出层神经元之间的连接权值以及输出层阈值计算BP网络的预测输出O,则获取输出变量作为期望输出,根据所述预测输出和期望输出计算BP网络预测误差e,则e=Yk-OK,k=1,2,…n。根据所述网络预测误差更新第一连接权值和/或第二连接权值,j=1,2,…l;ωjk=ωjk+ηHjek;k=1,2,…n;j=1,2,…l,其中,η为学习速率,再基于更新后的第一连接权值和/或第二连接权值更新隐含层阈值及输出层阈值,aj=aj+ηHj(1-Hjk=1nωjkek,j=1,2,…l;bk=bk+ek,k=1,2,…n;判断BP网络的迭代次数是否满足要求,判断算法迭代是否结束,若是,完成BP网络的训练学习。如图2所示是SOM-BP复合神经网络的训练学习流程图。
本申请的一种实施例,所述根据所述非线性映射结果确定空调系统的运行状态之后,还包括:
获取所述运行状态对应的故障类型;
确定所述故障类型对应的修复措施;
向预设的通知渠道发送所述故障类型及对应的修复措施的通知。
本实施例中,在确定空调系统的运行状态之后,若所述运行状态表明空调系统出现故障,此时获取所述运行状态对应的故障类型,所述故障类型包括制冷剂不足、制冷剂过多、风机不转、冷却水进水温度过低、冷却水进水温度过高、房间负荷过大、水流量过小、膨胀阀开度偏大和膨胀阀开度偏小等故障,根据所述故障类型确定对应的修复措施,向预设的通知渠道发送所述故障类型及对应的修复措施,不仅确定所述空调系统的故障类型通知,并且向预设的通知渠道发送对应的提示通知,同时,根据所述故障类型获取对应的修复措施,所述修复措施包括空调系统的故障位置,修复所述故障的工具及步骤,然后向预设的通知渠道发送所述修复措施,用户接收到提示故障的通知时,亦能接收到对应的修复措施,协助用户根据所述修复措施对空调系统进行故障修复,确保空调系统能够正常运行,降低对空调过滤系统的损耗,提高空调过滤系统的使用寿命,能够预防空调系统的性能下降,确保空调系统运行的稳定性,稳定室内温度及空气质量在设定范围,确保舒适的室内环境。
如图3所示,在另一种实施例中,本申请提供了一种空调系统的运行状态检测装置,包括:
参数采集模块10:用于获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;
样本输入模块20:用于将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;
结果输出模块30:用于根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;
状态确定模块40:用于根据所述非线性映射结果确定空调系统的运行状态。
本申请的一种实施例,所述结果输出模块30还包括执行:
将所述待检测样本传输给SOM网络的输入层,得到输入向量;
计算获胜神经元与输入向量的欧式距离;
判断所述欧式距离是否在预设的权值范围;
若是,获取所述获胜神经元的类型标签,确定所述待检测样本的初步分类为所述类型标签对应的类型。
本申请的一种实施例,所述结果输出模块30还包括执行:
将所述输入向量作为BP网络的输入,将所述类型标签对应的类型作为BP网络的期望输出;
根据所述BP网络的输入计算BP网络的预测输出;
根据所述预测输出及所述期望输出计算网络预测误差;
若所述网络预测误差在预设阈值内,确定所述初步分类的结果满足SOM-BP复合神经网络的要求。
本申请的一种实施例,所述装置还包括:
SOM网络训练学习模块:用于训练学习SOM网络,包括:
SOM网络初始化,定义SOM网络的输入神经元的个数以及定义输入层与输出层神经元的权值,并给予权值以初值;
收集历史数据作为训练样本,将所述训练样本输入SOM网络的输入层,得到输入向量;
计算SOM网络的映射层的神经元和输入层中的输入向量的欧式距离,根据所述欧式距离的最小值确定SOM网络的获胜神经元;
定义以所述获胜神经元为中心的预设时刻的权值调整域,作为优胜邻域;
根据所述输入向量之间的距离进行权值学习,调整所述权值直至所述输入向量满足预设的分类要求。
本申请的一种实施例,所述SOM网络训练学习模块还包括执行:
使用LVQ网络进行所述输入向量之间的距离进行权值学习。
本申请的一种实施例,所述装置还包括:
BP网络训练学习模块:用于训练学习BP网络,包括:
BP网络初始化,获取输出变量及输出变量序列,根据输出变量及输出变量所述确定网络输入层节点数、隐含层节点数及输出层节点数;初始输入层与隐含层之间的第一连接权值、隐含层和输出层神经元之间的第二连接权值,及初始化隐含层阈值、输出层阈值;
根据输入变量、输入层和隐含层神经元之间的连接权值以及隐含层阈值计算隐含层输出;
根据所述隐含层输出、隐含层和输出层神经元之间的连接权值以及输出层阈值计算BP网络的预测输出;
获取输出变量作为期望输出,根据所述预测输出和期望输出计算BP网络预测误差;
根据所述网络预测误差更新第一连接权值和/或第二连接权值;
基于更新后的第一连接权值和/或第二连接权值更新隐含层阈值及输出层阈值;
判断BP网络的迭代次数是否满足要求,若是,完成BP网络的训练学习。
本申请的一种实施例,所述装置还包括:
故障通知模块:用于获取所述运行状态对应的故障类型;确定所述故障类型对应的修复措施;向预设的通知渠道发送所述故障类型及对应的修复措施的通知。
在另一种实施例中,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例所述的空调系统的运行状态检测方法。其中,所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(RandomAcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储设备包括由设备以能够读的形式存储或传输信息的任何介质,可以是只读存储器,磁盘或光盘等。
本申请实施例提供的一种计算机可读存储介质,可实现获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;根据所述非线性映射结果确定空调系统的运行状态。通过提供一种基于改进SOM-BP神经网络实时检测空调系统运行状态的方法,通过获取实时采集的空调系统的热力参数,然后将所述热力参数转化为待检测样本,再将所述待检测样本输入SOM-BP复合神经网络,将无监督学习和有监督学习方法相互结合,首先利用SOM网络对待检测样本进行聚类,实现数据的初步分类;再根据初步分类结果用BP网络进行验证,确定所述初步分类结果的正确性,从而确定空调系统的运行状态,在空调系统发生故障时能快速地诊断出现的故障类型,并找到故障原因,从而提高空调故障的诊断效率,减少不必要的停机和检修而浪费的人力和物力,减少空调的维护成本,降低因空调故障造成的风险,并且能够预防空调系统的性能下降,确保空调系统运行的稳定性,稳定室内温度及空气质量在设定范围,确保舒适的室内环境。
本申请实施例提供的计算机可读存储介质可以实现上述空调系统的运行状态检测方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
此外,在又一种实施例中,本申请还提供一种终端设备,所述终端设备安装、应用于空调中,如图4所示,所述终端设备包括处理器403、存储器405、输入单元407以及显示单元409等器件。本领域技术人员可以理解,图4示出的结构器件并不构成对所有终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。所述存储器405可用于存储计算机程序401以及各功能模块,所述处理器403运行存储在存储器405的计算机程序401,从而执行设备的各种功能应用以及数据处理。所述存储器405可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。
输入单元407用于接收信号的输入及接收用户的输入,输入单元407可包括触控面板以及其它输入设备,触控面板可收集用户在其上或附近的触摸操作,并根据预先设定的程序驱动相应的连接装置。显示单元409可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元409可采用液晶显示器、有机发光二极管等形式。处理器403是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器403内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
在一种实施方式中,所述终端设备包括一个或多个处理器403,以及一个或多个存储器405,一个或多个计算机程序401,其中所述一个或多个计算机程序401被存储在存储器405中并被配置为由所述一个或多个处理器403执行,所述一个或多个计算机程序401配置用于执行以上实施例所述的空调系统的运行状态检测方法。图4中所示的一个或多个处理器403能够执行、实现图3中所示的参数采集模块10、样本输入模块20、结果输出模块30及状态确定模块40的功能。
本申请实施例提供的一种终端设备,可实现获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;根据所述非线性映射结果确定空调系统的运行状态。通过提供一种基于改进SOM-BP神经网络实时检测空调系统运行状态的方法,通过获取实时采集的空调系统的热力参数,然后将所述热力参数转化为待检测样本,再将所述待检测样本输入SOM-BP复合神经网络,将无监督学习和有监督学习方法相互结合,首先利用SOM网络对待检测样本进行聚类,实现数据的初步分类;再根据初步分类结果用BP网络进行验证,确定所述初步分类结果的正确性,从而确定空调系统的运行状态,在空调系统发生故障时能快速地诊断出现的故障类型,并找到故障原因,从而提高空调故障的诊断效率,减少不必要的停机和检修而浪费的人力和物力,减少空调的维护成本,降低因空调故障造成的风险,并且能够预防空调系统的性能下降,确保空调系统运行的稳定性,稳定室内温度及空气质量在设定范围,确保舒适的室内环境。
本申请实施例提供的终端设备可以实现上述提供的空调系统的运行状态检测方法的实施例,具体功能实现请参见方法实施例中的说明,在此不再赘述。
此外,在又一种实施例中,本申请还提供一种空调,所述空调包括空调系统,所述空调系统被配置为执行上述的空调系统的运行状态检测方法,包括:获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;根据所述非线性映射结果确定空调系统的运行状态。进一步的,其他空调系统的运行状态检测方法的实施方式已在上述实施例的实施方式揭示,本领域技术人员可以通过上述实施例的实施方式,将其推导并应用于本空调的空调系统的实施例。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种空调系统的运行状态检测方法,其特征在于,包括:
获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;
将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;
根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;
根据所述非线性映射结果确定空调系统的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,包括:
将所述待检测样本传输给SOM网络的输入层,得到输入向量;
计算获胜神经元与输入向量的欧式距离;
判断所述欧式距离是否在预设的权值范围;
若是,获取所述获胜神经元的类型标签,确定所述待检测样本的初步分类为所述类型标签对应的类型。
3.根据权利要求2所述所述的方法,所述根据所述BP网络对所述初步分类进行检测,包括:
将所述输入向量作为BP网络的输入,将所述类型标签对应的类型作为BP网络的期望输出;
根据所述BP网络的输入计算BP网络的预测输出;
根据所述预测输出及所述期望输出计算网络预测误差;
若所述网络预测误差在预设阈值内,确定所述初步分类的结果满足SOM-BP复合神经网络的要求。
4.根据权利要求1所述所述的方法,其特征在于,所述将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络之前,还包括:
训练学习SOM网络,包括:
SOM网络初始化,定义SOM网络的输入神经元的个数以及定义输入层与输出层神经元的权值,并给予权值以初值;
收集历史数据作为训练样本,将所述训练样本输入SOM网络的输入层,得到输入向量;
计算SOM网络的映射层的神经元和输入层中的输入向量的欧式距离,根据所述欧式距离的最小值确定SOM网络的获胜神经元;
定义以所述获胜神经元为中心的预设时刻的权值调整域,作为优胜邻域;
根据所述输入向量之间的距离进行权值学习,调整所述权值直至所述输入向量满足预设的分类要求。
5.根据权利要求4所述的方法,其特征在于,所述根据所述输入向量之间的距离进行权值学习,包括:
使用LVQ网络进行所述输入向量之间的距离进行权值学习。
6.根据权利要求4所述的方法,其特征在于,所述训练学习SOM网络之后,还包括:
训练学习BP网络,包括:
BP网络初始化,获取输出变量及输出变量序列,根据输出变量及输出变量所述确定网络输入层节点数、隐含层节点数及输出层节点数;初始输入层与隐含层之间的第一连接权值、隐含层和输出层神经元之间的第二连接权值,及初始化隐含层阈值、输出层阈值;
根据输入变量、输入层和隐含层神经元之间的连接权值以及隐含层阈值计算隐含层输出;
根据所述隐含层输出、隐含层和输出层神经元之间的连接权值以及输出层阈值计算BP网络的预测输出;
获取输出变量作为期望输出,根据所述预测输出和期望输出计算BP网络预测误差;
根据所述网络预测误差更新第一连接权值和/或第二连接权值;
基于更新后的第一连接权值和/或第二连接权值更新隐含层阈值及输出层阈值;
判断BP网络的迭代次数是否满足要求,若是,完成BP网络的训练学习。
7.根据权利要求1所述的方法,其特征在于,所述根据所述非线性映射结果确定空调系统的运行状态之后,还包括:
获取所述运行状态对应的故障类型;
确定所述故障类型对应的修复措施;
向预设的通知渠道发送所述故障类型及对应的修复措施的通知。
8.一种空调系统的运行状态检测装置,其特征在于,包括:
参数采集模块:用于获取实时采集的空调系统的热力参数,将所述热力参数转化为待检测样本;
样本输入模块:用于将所述待检测样本输入至将SOM网络设置为初级网络以及将BP网络设置为次级网络而构建的SOM-BP复合神经网络;
结果输出模块:用于根据所述SOM网络对所述待检测样本进行聚类,得到所述待检测样本的初步分类,根据所述BP网络对所述初步分类进行检测,获取所述SOM-BP复合神经网络对所述待检测样本的非线性映射结果;
状态确定模块:用于根据所述非线性映射结果确定空调系统的运行状态。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任意一项所述的空调系统的运行状态检测方法。
10.一种空调,所述空调包括空调系统,其特征在于:
所述空调系统被配置为执行如权利要求1至7任意一项所述的空调系统的运行状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342266.3A CN111140986A (zh) | 2019-12-23 | 2019-12-23 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911342266.3A CN111140986A (zh) | 2019-12-23 | 2019-12-23 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111140986A true CN111140986A (zh) | 2020-05-12 |
Family
ID=70519480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911342266.3A Pending CN111140986A (zh) | 2019-12-23 | 2019-12-23 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111140986A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150443A (zh) * | 2020-09-27 | 2020-12-29 | 中南大学 | 基于空气质量数据图谱的列车车载空调剩余寿命预测方法 |
CN112525505A (zh) * | 2020-11-06 | 2021-03-19 | 上海电气风电集团股份有限公司 | 故障检测方法、系统和存储介质 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN112834079A (zh) * | 2020-12-25 | 2021-05-25 | 山东朗进科技股份有限公司 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
CN113266921A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英维克信息技术有限公司 | 一种空调设备故障检测方法、装置、设备及介质 |
CN113344137A (zh) * | 2021-07-06 | 2021-09-03 | 电子科技大学成都学院 | 基于som的数据融合方法、装置、存储介质及电子设备 |
CN113420813A (zh) * | 2021-06-23 | 2021-09-21 | 北京市机械工业局技术开发研究所 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
CN114838496A (zh) * | 2022-04-22 | 2022-08-02 | 江苏风神空调集团股份有限公司 | 基于人工智能的空调消声器性能检测方法 |
CN115374881A (zh) * | 2022-10-17 | 2022-11-22 | 图林科技(深圳)有限公司 | 一种制冷设备运行状态故障诊断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6115031A (ja) * | 1984-06-29 | 1986-01-23 | Mitsubishi Electric Corp | 空気調和機 |
JPH03177742A (ja) * | 1989-12-05 | 1991-08-01 | Fujitsu Ltd | 空気調整機自動制御機構 |
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及系统 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
-
2019
- 2019-12-23 CN CN201911342266.3A patent/CN111140986A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6115031A (ja) * | 1984-06-29 | 1986-01-23 | Mitsubishi Electric Corp | 空気調和機 |
JPH03177742A (ja) * | 1989-12-05 | 1991-08-01 | Fujitsu Ltd | 空気調整機自動制御機構 |
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及系统 |
CN111319731A (zh) * | 2020-03-16 | 2020-06-23 | 上海交通大学 | 一种压载水设备的故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
刘兆炜等: "《改进SOM 神经网络在电力调度故障诊断中的应用》", 《改进SOM 神经网络在电力调度故障诊断中的应用》 * |
刘文轩等: "《基于LVQ神经网络的配电网故障定位方法》", 《基于LVQ神经网络的配电网故障定位方法》 * |
王彩霞: "《面向智慧社区的中央空调在线故障智能诊断技术的研究与实现》", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
闻新等: "《应用MATLAB实现神经网络》", 30 June 2015 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150443B (zh) * | 2020-09-27 | 2022-07-12 | 中南大学 | 基于空气质量数据图谱的列车车载空调剩余寿命预测方法 |
CN112150443A (zh) * | 2020-09-27 | 2020-12-29 | 中南大学 | 基于空气质量数据图谱的列车车载空调剩余寿命预测方法 |
CN112525505A (zh) * | 2020-11-06 | 2021-03-19 | 上海电气风电集团股份有限公司 | 故障检测方法、系统和存储介质 |
CN112834079A (zh) * | 2020-12-25 | 2021-05-25 | 山东朗进科技股份有限公司 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
CN112834079B (zh) * | 2020-12-25 | 2023-10-24 | 山东朗进科技股份有限公司 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN113266921A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英维克信息技术有限公司 | 一种空调设备故障检测方法、装置、设备及介质 |
CN113420813A (zh) * | 2021-06-23 | 2021-09-21 | 北京市机械工业局技术开发研究所 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
CN113420813B (zh) * | 2021-06-23 | 2023-11-28 | 北京市机械工业局技术开发研究所 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
CN113344137A (zh) * | 2021-07-06 | 2021-09-03 | 电子科技大学成都学院 | 基于som的数据融合方法、装置、存储介质及电子设备 |
CN114838496A (zh) * | 2022-04-22 | 2022-08-02 | 江苏风神空调集团股份有限公司 | 基于人工智能的空调消声器性能检测方法 |
CN114838496B (zh) * | 2022-04-22 | 2024-02-23 | 北京百车宝科技有限公司 | 基于人工智能的空调消声器性能检测方法 |
CN115374881A (zh) * | 2022-10-17 | 2022-11-22 | 图林科技(深圳)有限公司 | 一种制冷设备运行状态故障诊断方法 |
CN115374881B (zh) * | 2022-10-17 | 2023-01-17 | 图林科技(深圳)有限公司 | 一种制冷设备运行状态故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111140986A (zh) | 空调系统的运行状态检测方法、装置、存储介质及空调 | |
CN113792762A (zh) | 基于贝叶斯优化LightGBM的冷水机组故障诊断方法、系统及介质 | |
CN114484731A (zh) | 一种基于stacking融合算法的中央空调故障诊断方法及装置 | |
CN111652461A (zh) | 基于sae-hmm的航空发动机连续健康状态评估方法 | |
CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
CN115616423B (zh) | 液冷储能系统以及状态检测方法、装置 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN111156657A (zh) | 空调结霜状态确定方法和装置 | |
CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控系统 | |
CN111723925A (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
Chen et al. | A whole building fault detection using weather based pattern matching and feature based PCA method | |
CN113283491A (zh) | 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法 | |
CN113405223A (zh) | 一种基于grnn的冷机台数控制方法及其控制系统 | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
CN112070317A (zh) | 酒店空调能耗预测方法 | |
CN112700162A (zh) | 轨道交通空调运行状态的评估方法及装置 | |
JPH0713611A (ja) | プロセスモデル評価装置およびプロセスモデル評価方法 | |
KR102315669B1 (ko) | 건물 냉난방설비의 에너지 효율 향상을 위한 가상센서 기반 고장 진단 시스템 및 이를 이용한 고장 진단 방법 | |
CN107461881B (zh) | 一种医院空调机房的制冷主机能效诊断方法及其系统 | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200512 |
|
RJ01 | Rejection of invention patent application after publication |