CN111156657A - 空调结霜状态确定方法和装置 - Google Patents

空调结霜状态确定方法和装置 Download PDF

Info

Publication number
CN111156657A
CN111156657A CN201911357226.6A CN201911357226A CN111156657A CN 111156657 A CN111156657 A CN 111156657A CN 201911357226 A CN201911357226 A CN 201911357226A CN 111156657 A CN111156657 A CN 111156657A
Authority
CN
China
Prior art keywords
air conditioner
information
frosting
moment
state
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
Application number
CN201911357226.6A
Other languages
English (en)
Inventor
郭庆
曾奕
周卫华
罗建飞
寇芷薇
谢佳东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201911357226.6A priority Critical patent/CN111156657A/zh
Publication of CN111156657A publication Critical patent/CN111156657A/zh
Pending legal-status Critical Current

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
    • F24F11/41—Defrosting; Preventing freezing
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • 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
    • F24F2110/20—Humidity

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及空调除霜技术领域，具体涉及一种空调结霜状态确定方法和装置，所述方法包括：获取空调在第一时刻的运行特征信息；根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。本发明实施例能够提高空调结霜状态的确定准确性。

Description

空调结霜状态确定方法和装置
技术领域
本发明涉及空调除霜技术领域，具体涉及一种空调结霜状态确定方法和装置。
背景技术
空气源热泵式空调机组是一种节能的空气调节设备,它使用方便,不污染环境,可以制冷也可以制热,并且能效比高,不需要独立机房,占地面积小,深受用户的喜爱。可是空调在寒冷高湿地区冬季制热时,空调的室外机容易出现结霜，这会导致空调的制热效率变低。为了提高空调的制热效率，空调厂商会为空调配置有除霜机制来为空调除霜。
早期除霜机制的启动方式是定时启动的，这种方式的除霜效率不高。为了能够提高除霜效率，后续出现监测空调的结霜状态，根据结霜状态来启动除霜机制的方式，比如有通过监测制冷剂的流速来确定空调的结霜状态、通过监测空调出风温度来确定空调的结霜状态等方式。然而这些方法并不能准确地确定出空调的结霜状态，空调的结霜状态的误判率较高，有时候会在空调不需要除霜的时候判定需要启动除霜机制，有时候会在空调需要除霜的时候判定不需要启动除霜机制。
因此，为了能够提高空调的除霜效率，亟需一种能够准确地确定空调的结霜状态的方法。
发明内容
有鉴于此，本发明实施例提供了一种空调结霜状态确定方法，能够准确地确定空调的结霜状态，进而提高空调的除霜效率。
本发明基于第一个方面，提供了一种空调结霜状态确定方法，在一个实施例中，该方法包括以下步骤：
获取空调在第一时刻的运行特征信息；
根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
在一个实施例中，所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态，包括：
将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
在一个实施例中，所述空调在第一时刻的运行特征信息包括吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息。
在一个实施例中，所述获取空调在第一时刻的运行特征信息，包括：
获取所述空调在第一时刻的吸气压力信息；
获取所述空调中温度传感器和湿度传感器采集到第一时刻的室外空气干球温度信息、相对湿度信息和蒸发器表面温度信息；
检测所述空调的水泵在第一时刻的流量以及进出水温差信息，根据所述流量以及进出水温差信息确定制热量信息；
检测所述空调在第一时刻的电压信息和电流信息，根据所述电压信息和电流信息确定输入功率信息；
根据所述制热量信息和输入功率信息确定性能系数信息；
将所述吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息确定为空调在第一时刻的运行特征信息。
在一个实施例中，所述获取空调在第一时刻的运行特征信息之前，包括：
建立初始概率神经网络模型；
将所述空调的历史运行特征信息作为模型训练样本；
对所述模型训练样本进行归一化处理；
根据归一化处理后的模型训练样本对所述初始概率神经网络模型进行训练，得到训练好的概率神经网络模型。
在一个实施例中，所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态步骤之后，还包括：
若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令；
执行所述除霜指令。
在一个实施例中，所述空调的结霜状态包括正常运行状态、结霜初期状态、结霜中期状态或结霜后期状态；
所述若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令，包括：
若所述空调在第二时刻的结霜状态为结霜中期状态，则生成除霜指令。
本发明基于第二方面提供了一种空调结霜状态确定装置，在一个实施例中，该空调结霜状态确定装置包括以下模块：
运行特征获取模块，用于获取空调在第一时刻的运行特征信息；
结霜状态确定模块，用于根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
在一个实施例中，所述结霜状态确定模块，包括：
模型输出结果获得子模块，用于将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
结霜状态确定子模块，用于将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
在一个实施例中，所述空调在第一时刻的运行特征信息包括吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息。
在本发明实施例中，通过获取空调在第一时刻的运行特征信息；根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态，能够准确地确定空调的结霜状态，进而提高空调的除霜效率。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。其中：
图1为本发明一个实施例的空调结霜状态确定方法的示意图；
图2为本发明一个实施例的空调结霜状态确定装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例，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，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员，应当理解的是，本公开可以以各种形式实现而不应被下面阐述的实施例所限制。
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，本发明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、元件和/或组件，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、元件、组件和/或它们的组。
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)，具有与本发明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。
如图1所示，在一个实施例中，本发明提供的一种空调结霜状态确定方法，包括以下步骤：
S110：获取空调在第一时刻的运行特征信息。
S120：根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
在本实施例中，空调处理器会周期性地获取空调的运行特征信息，然后根据该运行特征信息和预先训练好的概率神经网络模型来预测空调的结霜状态。第一时刻是指当前时间节点，第二时刻是指下一时间节点，时间节点是空调处理器获取空调的运行特征信息，以及根据该运行特征信息来预测空调在下一时间节点的结霜状态的时间，也就是说，在当前系统时间到达时间节点时，空调处理器就获取空调的运行特征信息并执行后续操作。
在设置好起始的时间节点后，还需要设置相邻时间节点之间的时间间隔长度，根据时间间隔长度和起始的时间节点可以确定后续的所有时间节点。比如，设置为00:00:00作为起始的时间节点，在当前系统时间到达起始的时间节点00:00:00时，时间间隔长度为6秒，那么可以确定在00:00:06为第二个时间节点，而00:00:12为第三个时间节点，以此类推就能确定后续的时间节点对应的时间。
起始的时间节点以及相邻时间节点之间的时间间隔长度可以根据具体应用场景来进行设置，比如，起始的时间节点还可以设置为12:00:00，时间间隔长度可以设置为5秒、10秒等，本发明实施例不进行具体限定。
本实施例将空调的结霜状态当作一种故障，对于故障诊断而言,其核心技术是模式识别，为此，本实施例利用概率神经网络(PNN，Product-based Neural Network)来识别空调的结霜状态，先比现有的通过监测制冷剂的流速来确定空调的结霜状态的方式、或者通过监测空调出风温度来确定空调的结霜状态的方式可以更准确地确定空调的结霜状态，进而提高空调的除霜效率。
在一个实施例中，考虑到蒸发器表面结霜对空气源热泵机组运行将产生较大的负面影响,主要表现在:
(1)霜层增大了导热热阻,降低了蒸发器的传热系数；
(2)霜层增大了空气通过肋片管蒸发器的阻力,降低了空气流量；
(3)以上两方面直接影响蒸发器性能,导致蒸发温度随着霜层的增厚而降低,进一步使整个机组的制热量减小,机组的输入功率和性能系数COP(coefficient ofperformance)值均随结霜时间的延长而下降；
(4)随着蒸发器表面霜层厚度的不断增加,空气源热泵机组的蒸发温度不断降低,从而使压缩机的吸气压力不断降低,压缩机的输入功率随之降低。此外,通过环境状况对结霜特性影响的研究还发现,环境温度及相对湿度在结霜过程中也起着很重要的作用。
因此，在本实施例中，将吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息等热力参数作为所述空调在第一时刻的运行特征信息，从而使运行特征信息能够更准确地反映出空调的运行状态，进而提高概率神经网络模型预测的空调结霜状态的准确性。
具体地，所述获取空调在第一时刻的运行特征信息，包括：
获取所述空调在第一时刻的吸气压力信息；
获取所述空调中温度传感器和湿度传感器采集到第一时刻的室外空气干球温度信息、相对湿度信息和蒸发器表面温度信息；
检测所述空调的水泵在第一时刻的流量以及进出水温差信息，根据所述流量以及进出水温差信息确定制热量信息；
检测所述空调在第一时刻的电压信息和电流信息，根据所述电压信息和电流信息确定输入功率信息；
根据所述制热量信息和输入功率信息确定性能系数信息；
将所述吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息确定为空调在第一时刻的运行特征信息。
在一个实施例中，所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态，包括：
将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
在本实施例中，只需要将运行特征信息输入预先训练好的概率神经网络模型，可以快速得到模型输出结果，根据该模型输出结果即可确定空调在第二时刻的结霜状态。可以理解的，模型输出结果与结霜状态之间有预先建立好的映射关系，在一个场景中，映射关系可以如下表所示。
表1：
模型输出结果 结霜状态
0 正常运行状态
1 结霜初期状态
2 结霜中期状态
3 结霜后期状态
通过上述映射关系即可根据模型输出结果确定空调在第二时刻对应的结霜状态，比如，模型输出结果是2，那么可以确定空调在第二时刻对应的结霜状态为结霜中期状态。
在一个实施例中，所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态步骤之后，还包括：
若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令；
执行所述除霜指令。
在本实施例中，所述空调的结霜状态包括正常运行状态、结霜初期状态、结霜中期状态或结霜后期状态。
所述若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令，包括：
若所述空调在第二时刻的结霜状态为结霜中期状态，则生成除霜指令。
当然，结霜状态可根据对结霜过程中的数据分析来分为更多类型或者更少类型状态，不局限于上述4种结霜状态。如果结霜状态的类型数量不同，模型的训练过程需要适应性进行调整。比如，只将结霜状态分为正常运行状态和结霜状态，那么在采集数据时要采集相应于正常和结霜时对应的数据，然后利用这些数据来训练概率神经网络模型，形成新的概率神经网络模型。需要说明的是，即是结霜状态的类型数量不同，但采集的热力参数可以不用改变，只需要将模型输出结果对应的结霜状态进行适应性修改即可。
在一个实施例中，所述获取空调在第一时刻的运行特征信息之前，还包括以下步骤：
建立初始概率神经网络模型；
将所述空调的历史运行特征信息作为模型训练样本；
对所述模型训练样本进行归一化处理；
根据归一化处理后的模型训练样本对所述初始概率神经网络模型进行训练，得到训练好的概率神经网络模型。
在本实施例中，概率神经网络模型的训练过程包括以下过程：
(1)归一化
训练样本总共m个，每一样本维数为n(n＝7)
Figure BDA0002336260240000081
归一化系数：
Figure BDA0002336260240000082
归一化后的学习样本：
Cm×n＝Bm×1[1 1 … 1]1×n·Xm×n
(2)将归一化后的m个样本送入到该初始概率神经网络模型的输入层中。
Figure BDA0002336260240000083
(3)模式距离的计算
该距离是指样本矩阵与学习矩阵中相应元素之间的距离。
假设将由P个n维向量组成的矩阵称为待识别样本矩阵，则经归一化后，需要待识别的输入样本矩阵为：
Figure BDA0002336260240000091
计算欧式距离：就是需要识别的归一化的样本向量di，与每一个归一化后的训练样本(Cj)的欧式距离。
Figure BDA0002336260240000092
归一化的训练样本Ci,i＝1,2,…,m；
归一化的待分类样本(测试样本)dj,j＝1,2,…,p；
Eij：表示第i个待分类样本(测试样本)(di)与第j个训练样本(Cj)的欧式距离。
(4)模式层高斯函数的神经元被激活。学习样本与待识别样本被归一化后，通常取标准差σ＝0.1的高斯型函数。激活后得到初始概率矩阵：
Figure BDA0002336260240000093
(5)假设样本有m个，那么一共可以分为c类(c＝10)，并且各类样本的数目相同，设为k，则可以在网络的求和层求得各个样本属于各类的初始概率和：
Figure BDA0002336260240000101
(6)计算概率，即第i个样本属于第j类的概率。
Figure BDA0002336260240000102
(7)比较probij值并取其最大值相对应的标签值即为模型输出结果。
基于同一发明构思，本发明实施例还提供一种空调结霜状态确定装置，下面结合附图对该空调结霜状态确定装置的具体实施方式进行详细描述。
如图2所示，在一个实施例中，一种空调结霜状态确定装置，包括以下模块：
运行特征获取模块110，用于获取空调在第一时刻的运行特征信息；
结霜状态确定模块120，用于根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
在一个实施例中，所述结霜状态确定模块，包括：
模型输出结果获得子模块，用于将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
结霜状态确定子模块，用于将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
在一个实施例中，所述空调在第一时刻的运行特征信息包括吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息。
在一个实施例中，所述运行特征获取模块，包括：
吸气压力获取子模块，用于获取所述空调在第一时刻的吸气压力信息；
温湿度信息获取子模块，用于获取所述空调中温度传感器和湿度传感器采集到第一时刻的室外空气干球温度信息、相对湿度信息和蒸发器表面温度信息；
制热量确定子模块，用于检测所述空调的水泵在第一时刻的流量以及进出水温差信息，根据所述流量以及进出水温差信息确定制热量信息；
输入功率确定子模块，用于检测所述空调在第一时刻的电压信息和电流信息，根据所述电压信息和电流信息确定输入功率信息；
性能系数确定子模块，用于根据所述制热量信息和输入功率信息确定性能系数信息；
运行特征确定子模块，用于将所述吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息确定为空调在第一时刻的运行特征信息。
在一个实施例中，该空调结霜状态确定装置在执行所述运行特征获取模块对应功能之前，还执行以下模块对应的功能：
初始模型建立模块，用于建立初始概率神经网络模型；
训练样本获得模块，用于将所述空调的历史运行特征信息作为模型训练样本；
归一化模块，用于对所述模型训练样本进行归一化处理；
模型训练模块，用于根据归一化处理后的模型训练样本对所述初始概率神经网络模型进行训练，得到训练好的概率神经网络模型。
在一个实施例中，该空调结霜状态确定装置在执行所述结霜状态确定模块对应功能之后，还执行以下模块对应的功能：
除霜指令生成模块，用于当所述空调在第二时刻的结霜状态为预设结霜状态时，生成除霜指令；
除霜指令执行模块，用于执行所述除霜指令。
在一个实施例中，所述空调的结霜状态包括正常运行状态、结霜初期状态、结霜中期状态或结霜后期状态；
所述除霜指令生成模块，还用于当所述空调在第二时刻的结霜状态为结霜中期状态时，生成除霜指令。
本实施例所介绍的空调结霜状态确定装置为可以执行本发明实施例中的空调结霜状态确定方法的装置，故而基于本发明实施例中所介绍的空调结霜状态确定方法，本领域技术人员能够了解本实施例的空调结霜状态确定装置的具体实施方式以及其各种变化形式，故在此对于该空调结霜状态确定装置如何实现本发明实施例中的空调结霜状态确定方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中空调结霜状态确定方法所采用的装置，都属于本申请所欲保护的范围。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解的是，在本发明各实施例中的各功能单元可集成在一个处理模块中，也可以各个单元单独物理存在，也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
以上所述仅是本发明的部分实施方式，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)

1.一种空调结霜状态确定方法，其特征在于，包括：
获取空调在第一时刻的运行特征信息；
根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
2.如权利要求1所述的空调结霜状态确定方法，其特征在于，
所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态，包括：
将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
3.如权利要求1所述的空调结霜状态确定方法，其特征在于，
所述空调在第一时刻的运行特征信息包括吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息。
4.如权利要求3所述的空调结霜状态确定方法，其特征在于，
所述获取空调在第一时刻的运行特征信息，包括：
获取所述空调在第一时刻的吸气压力信息；
获取所述空调中温度传感器和湿度传感器采集到第一时刻的室外空气干球温度信息、相对湿度信息和蒸发器表面温度信息；
检测所述空调的水泵在第一时刻的流量以及进出水温差信息，根据所述流量以及进出水温差信息确定制热量信息；
检测所述空调在第一时刻的电压信息和电流信息，根据所述电压信息和电流信息确定输入功率信息；
根据所述制热量信息和输入功率信息确定性能系数信息；
将所述吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息确定为空调在第一时刻的运行特征信息。
5.如权利要求1所述的空调结霜状态确定方法，其特征在于，
所述获取空调在第一时刻的运行特征信息之前，包括：
建立初始概率神经网络模型；
将所述空调的历史运行特征信息作为模型训练样本；
对所述模型训练样本进行归一化处理；
根据归一化处理后的模型训练样本对所述初始概率神经网络模型进行训练，得到训练好的概率神经网络模型。
6.如权利要求1所述的空调结霜状态确定方法，其特征在于，
所述根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态步骤之后，还包括：
若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令；
执行所述除霜指令。
7.如权利要求6所述的空调结霜状态确定方法，其特征在于，
所述空调的结霜状态包括正常运行状态、结霜初期状态、结霜中期状态或结霜后期状态；
所述若所述空调在第二时刻的结霜状态为预设结霜状态，则生成除霜指令，包括：
若所述空调在第二时刻的结霜状态为结霜中期状态，则生成除霜指令。
8.一种空调结霜状态确定装置，其特征在于，包括：
运行特征获取模块，用于获取空调在第一时刻的运行特征信息；
结霜状态确定模块，用于根据所述运行特征信息和预先训练好的概率神经网络模型确定所述空调在第二时刻的结霜状态。
9.如权利要求8所述的空调结霜状态确定装置，其特征在于，
所述结霜状态确定模块，包括：
模型输出结果获得子模块，用于将所述运行特征信息输入预先训练好的概率神经网络模型，得到模型输出结果；
结霜状态确定子模块，用于将所述输出结果对应的结霜状态确定为所述空调在第二时刻的结霜状态。
10.如权利要求8所述的空调结霜状态确定装置，其特征在于，
所述空调在第一时刻的运行特征信息包括吸气压力信息、室外空气干球温度信息、相对湿度信息、蒸发器表面温度信息、制热量信息、输入功率信息和性能系数信息。
CN201911357226.6A 2019-12-25 2019-12-25 空调结霜状态确定方法和装置 Pending CN111156657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911357226.6A CN111156657A (zh) 2019-12-25 2019-12-25 空调结霜状态确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911357226.6A CN111156657A (zh) 2019-12-25 2019-12-25 空调结霜状态确定方法和装置

Publications (1)

Publication Number Publication Date
CN111156657A true CN111156657A (zh) 2020-05-15

Family

ID=70558006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911357226.6A Pending CN111156657A (zh) 2019-12-25 2019-12-25 空调结霜状态确定方法和装置

Country Status (1)

Country Link
CN (1) CN111156657A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111678279A (zh) * 2020-05-22 2020-09-18 北京工业大学 一种预测空气源热泵最佳除霜控制点的模型及其建立方法
CN112503725A (zh) * 2020-12-08 2021-03-16 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
CN113137708A (zh) * 2021-03-09 2021-07-20 青岛海尔空调电子有限公司 空调系统的除霜控制方法、存储介质及空调系统
CN113435593A (zh) * 2021-06-29 2021-09-24 广州博通信息技术有限公司 基于传感器时序数据分析的制冷设备结霜预测方法
CN113536989A (zh) * 2021-06-29 2021-10-22 广州博通信息技术有限公司 基于摄像视频逐帧分析的制冷机结霜监控方法及系统
WO2023246027A1 (zh) * 2022-06-21 2023-12-28 珠海格力电器股份有限公司 化霜控制方法、装置及空调

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60223940A (ja) * 1984-04-23 1985-11-08 Mitsubishi Heavy Ind Ltd ヒ−トポンプ式空気調和機のフロスト検知装置
CN104061650A (zh) * 2013-03-19 2014-09-24 约克广州空调冷冻设备有限公司 风冷热泵空调的结霜判定方法
CN105135629A (zh) * 2015-09-30 2015-12-09 海信（山东）空调有限公司 空调器除霜控制方法和空调器
CN106766019A (zh) * 2017-03-17 2017-05-31 珠海格力电器股份有限公司 空调化霜控制系统和空调化霜控制方法
CN107860099A (zh) * 2017-09-15 2018-03-30 珠海格力电器股份有限公司 一种空调的结霜检测方法、装置、存储介质及设备
CN108749596A (zh) * 2018-04-11 2018-11-06 蔚来汽车有限公司 车机端启动方法、系统及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60223940A (ja) * 1984-04-23 1985-11-08 Mitsubishi Heavy Ind Ltd ヒ−トポンプ式空気調和機のフロスト検知装置
CN104061650A (zh) * 2013-03-19 2014-09-24 约克广州空调冷冻设备有限公司 风冷热泵空调的结霜判定方法
CN105135629A (zh) * 2015-09-30 2015-12-09 海信（山东）空调有限公司 空调器除霜控制方法和空调器
CN106766019A (zh) * 2017-03-17 2017-05-31 珠海格力电器股份有限公司 空调化霜控制系统和空调化霜控制方法
CN107860099A (zh) * 2017-09-15 2018-03-30 珠海格力电器股份有限公司 一种空调的结霜检测方法、装置、存储介质及设备
CN108749596A (zh) * 2018-04-11 2018-11-06 蔚来汽车有限公司 车机端启动方法、系统及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毕娅: "《湖北省城乡食品冷链物流系统需求预测：理论、实践与创新》", 31 March 2016, 武汉大学出版社 *
王静霞 张国华 黎明: "《城市智能公共交通管理系统》", 31 July 2008, 中国建筑工业出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111678279A (zh) * 2020-05-22 2020-09-18 北京工业大学 一种预测空气源热泵最佳除霜控制点的模型及其建立方法
CN112503725A (zh) * 2020-12-08 2021-03-16 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
CN113137708A (zh) * 2021-03-09 2021-07-20 青岛海尔空调电子有限公司 空调系统的除霜控制方法、存储介质及空调系统
CN113435593A (zh) * 2021-06-29 2021-09-24 广州博通信息技术有限公司 基于传感器时序数据分析的制冷设备结霜预测方法
CN113536989A (zh) * 2021-06-29 2021-10-22 广州博通信息技术有限公司 基于摄像视频逐帧分析的制冷机结霜监控方法及系统
CN113435593B (zh) * 2021-06-29 2022-11-04 广州博通信息技术有限公司 基于传感器时序数据分析的制冷设备结霜预测方法
WO2023246027A1 (zh) * 2022-06-21 2023-12-28 珠海格力电器股份有限公司 化霜控制方法、装置及空调

Similar Documents

Publication Publication Date Title
CN111156657A (zh) 空调结霜状态确定方法和装置
Gao et al. Sensor drift fault diagnosis for chiller system using deep recurrent canonical correlation analysis and k-nearest neighbor classifier
Guo et al. Deep learning-based fault diagnosis of variable refrigerant flow air-conditioning system for building energy saving
Eom et al. Refrigerant charge fault detection method of air source heat pump system using convolutional neural network for energy saving
Guo et al. Optimized neural network-based fault diagnosis strategy for VRF system in heating mode using data mining
Li et al. A data-driven strategy for detection and diagnosis of building chiller faults using linear discriminant analysis
Shi et al. Refrigerant charge fault diagnosis in the VRF system using Bayesian artificial neural network combined with ReliefF filter
Sun et al. A novel efficient SVM-based fault diagnosis method for multi-split air conditioning system’s refrigerant charge fault amount
Han et al. PCA-SVM-based automated fault detection and diagnosis (AFDD) for vapor-compression refrigeration systems
Han et al. Study on a hybrid SVM model for chiller FDD applications
CN103162385B (zh) 一种调整制冷设备电子膨胀阀的装置及方法
CN110555479A (zh) 基于1dcnn与gru融合的故障特征学习与分类方法
Sun et al. A hybrid ICA-BPNN-based FDD strategy for refrigerant charge faults in variable refrigerant flow system
CN105650821A (zh) 空调除霜方法
Zhou et al. Data-driven fault diagnosis for residential variable refrigerant flow system on imbalanced data environments
CN112766327B (zh) 空调故障预测方法、电子设备和储存介质
Zhang et al. Fault detection and diagnosis for the screw chillers using multi-region XGBoost model
CN107084507A (zh) 化霜判断方法、化霜判断系统以及空调
Li et al. A novel temporal convolutional network via enhancing feature extraction for the chiller fault diagnosis
Zucker et al. Improving energy efficiency of buildings using data mining technologies
Xu et al. Study on a novel defrost control method based on the surface texture of evaporator image with gray-level cooccurrence matrix, new characterization parameter combination and machine learning
CN114154689A (zh) 一种冷水主机单机能耗预测方法、系统及存储介质
Cheng et al. Fault detection and isolation for chiller system based on deep autoencoder
CN108898190A (zh) 一种基于环保大数据的环境监测预警方法及系统
CN203940577U (zh) 一种热泵型电动汽车空调除霜在线检测与控制系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200515