CN111486555A - 一种人工智能ai专家系统进行中央空调节能调控的方法 - Google Patents
一种人工智能ai专家系统进行中央空调节能调控的方法 Download PDFInfo
- Publication number
- CN111486555A CN111486555A CN202010318210.0A CN202010318210A CN111486555A CN 111486555 A CN111486555 A CN 111486555A CN 202010318210 A CN202010318210 A CN 202010318210A CN 111486555 A CN111486555 A CN 111486555A
- Authority
- CN
- China
- Prior art keywords
- module
- central air
- intelligent
- cloud server
- signal
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
- F24F11/46—Improving electric energy efficiency or saving
- F24F11/47—Responding to energy costs
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种人工智能AI专家系统进行中央空调节能调控的方法,通过人工智能AI学习模块与计算机云端服务器模块的使用,自动调整同时具有自主学习的能力,并对主区中央空调模块进行自主调整,其特点是,涵盖了主区中央空调模块、计算机云端服务器模块、人工智能AI学习模块、时间模块;在时间信号与时间基准信号一致时,计算机云端服务器模块将采集的电能参数上传至人工智能AI学习模块,同时将时间模块清零并重新计时;在主区中央空调模块根据调节信号能正常工作时,输岀反馈信号;当计算机云端服务器模块接收到主区中央空调模块的反馈信号后,随即人工智能AI学习模块存储调节信号。本发明提高了系统的安全性、可靠性,并可以防止和杜绝影响系统正常运行的故障的发生及其传播曼延。
Description
技术领域
本发明涉及一种人工智能AI进行智能调控的方法,特别涉及一种中央空调人工智能节能系统。
背景技术
随着智能建筑的兴起和迅猛发展,中央空调系统及其自控系统的规模日益庞大,设备种类及数量日益繁多,因而系统复杂程度越来越高。而系统运行过程中,不可避免地会出现各种故障:阀门卡死或产生泄漏、盘管结垢严重导致换热不良、温度计或压力计等读数不准、过滤器堵塞、风机或水泵电机烧毁、风机皮带松脱等。这些故障如果得不到及时的排除,势必导致系统运行参数严重偏离要求的设定值,给室内工作人员带来不舒适感而影响工作效率和工作质量,增加系统能耗,缩短设备使用寿命。尤其是在合成纤维、精密机械、电子仪表等产品的生产中,空气温湿等参数制约着产品质量,如何提高系统的安全性、可靠性,防止和杜绝影响系统正常运行的故障的发生及其传播曼延就成为一个有待解决的问题,而故障检测与诊断及容错控制技术是提高系统安全性、可靠性的一个重要方法。故障检测已在国内外引起了越来越多的关注,在许多领域得到了成功的应用。在中央空调领域,国外正在进行故障实时诊断方法研究及工程应用尝试。国际能源组织(InternationalEnergy Agency,简称IEA)组织十多个国家开展的建筑节能项目中,第25项子课题的主题就是建筑设备实时故障诊断,现已发表了许多研究报告,但国内HVAC系统故障诊断方面的研究报告目前尚很少见到。早在1987年,Haberlh和Claridge就对HVAC系统故障诊断的专家系统进行了研究,在1988年,美国的Braun提出了关于HVAC系统的故障检测及诊断模型并首次将之应用于Dallas/Fort Worth机场的中央空调系统,从那时后,越来越多的人对HVAC系统的故障检测及诊断技术进行了探讨与研究。1996年以前的研究主要是针对制冷机组的故障研究居多;1996年以后的研究方向出现了多样化,出现了模糊识别诊断法、人工神经网络法等,使故障判断的准确合理性有了很大提高,而且,研究对象也开始多样化,不但出现了对诸如空调器等末端处理空气设备的故障诊断研究,还出现了对整个HVAC系统故障诊断的综合性研究。
人工智能(Artificial Intelligence,Al)属于一种新的技术科学,是对模拟、延伸以及拓展人的智能的相关理论和方法进行研究的科学,属于计算机科学的支。人工智能学科的基本思想及目标,是通过对人类智能活动规律的研究,构筑起相应的人工智能系统,利用计算机来完成原本需要借助人的智慧才能够胜任的工作,简单来讲,就是利用计算机硬件和软件系统的相互配合,实现对于人类某些智能行为的模拟。
人工智能技术赋予机器“思考”的能力,这使得机器不再只是帮助人类完成指定的简单任务,而是实现拟人态的工作模式,完成复杂的人类工作,以及人类难以完成的工作。甚至通过对大规模数据进行演算,智能地帮助人类做出决策。
目前,随作全球气候的变暖,节能与减少温室气体排放已经被提到非常重要的高度,经济的发展增加了对能源的需求。近几年,在我国的华东、华中地区就曾出现过大面积的电力紧张局面。而且由于世界原油价格的一再攀升,国内的汽油价格也随国际市场上油价的波动而一升再升[1]。“节能”已变成一个越来越迫切的问题。而对全球环保问题的关注亦促使人们不断把眼光投向节能。如何减少能耗,提高能源的有效利用率是关系到我国经济可持续发展的重要问题。
随着我国经济的高速发展,能源问题益凸显,能源已经成为制约我国国民经济健康持续发展的重要因素。据不完全统计,我国建筑耗能量己占社会总耗能的30%。随着我国城市化进程的不断推进、城镇建设的高速发展以及人民生活水平的不断提高,专家预言:如不及时的解决建筑能耗方面存在的问题,这个比例将迅速上升到40%左右。建筑节能具有巨大的社会效益和经济效益。中央空调系统是其中的能耗大户,采暖、空调、通风能耗约占建筑总能耗的2/3左右。相关资料表明,建筑物中央空调的年运行负荷率较低,一般在设计负荷50%以下的运行时间就占了70%以上。建筑物中中央空调系统的节能大有潜力而且意义重大。
一般而言,在一栋建筑物的能耗中,中央空调占的比重最大。根据有关的统计,中央空调部分大概占建筑物总能耗的40%~50%,照明部分大概占30%左右,而给排水、运输等其它部分大约占20%左右。对于商场和综合大楼的中央空调的能耗可能要高达60%以上。以重庆为例,目前重庆市主城区的大型宾馆、商厦、写字楼、医院等拥有中央空调近2000台,其中高峰用电负荷就占了近100万千瓦,夏季空调用电约占全市用电量的1/3。因此空调系统的节能研究对降低建筑能耗,乃至对国民经济的可持续发展都具有十分重要的意义。
通常,建筑物的中央空调系统是按照最大负荷量来设计的,但实际上,建筑物的空调负荷是随气候条件、环境温度、大厦内人员流动情况、用电设备使用情况等而变化的。就运行的实际情况看,极少时间是工作在最大负荷之下。有关的统计资料表明,建筑物中央空调的年运行负荷率较低,一般在设计负荷50%以下的运行时间就占了70%以上。由此可见,建筑物中央空调的节能是大有潜力而且意义重大的。除了选择能源效率高的空调设备外,如果能在控制方面找到方法,采用合适的控制策略,根据建筑物空调系统的有关参数,测量出室外温度,冷冻水供、回水温度、冷却水供回水温度等,计算空调系统的实际负荷量,并由此对建筑物中央空调系统的设备进行最优控制,根据实际所需负荷改变其运行工况,那必将会产生明显的经济效果,大大推动空调节能的发展。
中央空调系统因其设计上的余量和冷(热)量需求负荷的波动等原因,存在巨大的节能空间。中央空调节能系统可以随负荷的变化情况调节中央空调系统冷(热)量输出,使冷(热)量输出与实际需求始终保持一致,达到节能的目的。
随着人们使用中央空调的时间变长,中央空调系统的还是处于初始的配置参数进行使用,为减少能源的额外损耗,需要维护人员前往调试,使中央空调处于节能运行的状态,但是,指派维护人员,不仅造成时间的浪费,同时还无法直接掌握中央空调当前的运行状态,导致人员的浪费,还有改进的空间。
专家系统在实际运行过程需有由一个功能强大的人机接口界面。Microsoft公司推出的Visual C++是目前被广泛使用的,开发应用程序的可视化开发工具。Visual C++集程序的代码编辑、编译、连接、调试等于一体,给编程人员提供了一个完整方便的开发界面和许多有效的辅助开发工具,由于它的功能强大,越来越多的人将它作为开发Windows应用程序的工具。
VC以其强大、灵活的特点成为主流开发平台。但是,许多测控软件要求用户界面具有和真实仪器相似的外观,用VC实现需要成千上万条代码,效率太低。美国NI公司的LabVIEW语言,用图标和连线代替文本编写程序,是当前测控领域的技术热点。LabVIEW提供了丰富逼真的仪表界面控件,如显示表盘、温度计、示波器等。若能将这些控件用于VC环境下,可使VC程序员开发出高质量的测控软件。本系统中的仪表界面都是使用LabVIEW控件制作的。
LabVIEW的控件以ActiveX技术提供。ActiveX是一个动态连接库,是作为基于COM服务器进行操作的,并且可以嵌入在包容器宿主应用程序中。ActiveX控件与开发平台无关,在一种编程语言下开发的ActiveX控件,无需任何修改,即可在另一种编程语言中使用,其效果如同使用Windows通用控件类似。因此,只要在计算机上安装了LabVIEW,系统将完成控件的自动注册,安装后任意打开一个VC工程,在Project/Add toProject/Componentsand Controls菜单项下,打开Registered ActiveX Controls文件夹,将可以看到一些以“(National Instruments)”结尾的文件,如“CWButton Control (NationalInstruments)”。这些文件就是新注册的LabVIEW控件,可以通过双击该文件将相应控件添加到VC工程中。LabVIEW常用的界面控件都封装在cwui.ocx和mesa.dll文件中,只要注册了cwui.ocx,就可在没有安装LabVIEW的计算机上方便地使用控件。注册OCX文件常用的方法有3种:①在开始菜单的“运行”对话框中使用Regsvr32.exe程序注册;②通过制作安装程序软件,实现OCX文件的自注册;③在VC应用程序中添加注册代码注册。在小型程序中较好的作法是使用第③种方法,在程序最初嵌入注册代码(如C*App::InitInstance函数中),实现控件的自注册。
发明内容
由以上人工智能AI专家系统算法得到—种中央空调人工智能节能系统,包括:
主区主区中央空调模块,用于择制中央空调的运行;计算机计算机云端服务器模块模块,与主区主区中央空调模块连接且用于采集主区中央空调模块运行时的电能参数并进行存储;人工智能AI学习模块,计算机计算机云端服务器模块模块连接且用于分析数据并用于更新数据;时间控制模块,与计算机计算机云端服务器模块模块连接且用于输出时间信号;
所述计算机计算机云端服务器模块模块中预设有定期上传至人工智能AI学习模块的时间基准信号,当时间信号与时间基准信号一致时,所述计算机计算机云端服务器模块模块将采集的耗功能与用电量上传至人工智能AI学习模块,同时将时间控制模块清零并重新计时;反之,不上传;所述主区主区中央空调模块控制中央空调运行并实时输出耗功能与用电量并通过无线互联上传至计算机计算机云端服务器模块模块;所述人工智能AI学习模块接收电能参数并获取用电设备的当前运行参数对电能参数进行分析以输出调节信号至计算机计算机云端服务器模块模块,计算机计算机云端服务器模块模块将调节信号下发至主区中央空调模块,所述主区中央空调模块接收调节信号并作出调节;当主区中央空调模块根据调节信号能正常工作时,输出反馈信号;反之,不输出反馈信号;计算机计算机云端服务器模块模块接收到反馈信号后,人工智能AI学习模块存储调节信号;反之,调取人工智能AI学习模块中上一阶段的调节信号。
采用上述方案,通过主区中央空调模块的设置,对中央空调进行控制,且计算机云端服务器模块和人工智能AI学习模块的配合使用,提高了对用于空调的调整能力,时间模块的设置,使计算机云端服务器模块定期上人工智能AI学习模块上传数据并用于更新,当数据上传完毕后,时间模块会重新进行计时,从而保证数据的更新能力,同时主区中央空调模块更具调节信号进行试工作,当能正常工作时,则输出反馈信号。
作为优选,还包括:智能AI异常检测模块,与主区中央空调模块连接并用于对中央空调的异常运行状态进行检测并输出异常信号;所述计算机云端服务器模块与人工智能AI学习模块同时接收异常信号,当所述计算机云端服务器模块接收到异常信号时,所述计算机云端服务器模块以实现告警;反之,不告警;当所述人工智能AI学习模块接收到异常信号时,所述人工智能AI学习模块调取上一阶段的调节信号并下发至计算机云端服务器模块;反之,不调取。
采用上述方案,通过智能AI异常检测模块的设置,对中央空调的运行状态进行检测,当出现异常的状态时,计算机云端服务器模块就会进行告警,从而对工作人员进行提示,而人工智能AI学习模块也对上一阶段的调节信号进行调取,从而使中央空调暂时的进行使用。
作为优选,还包括:智能AI账号密码模块,与计算机云端服务器模块连接且供用户输入账号、密码信息;所述计算机云端服务器模块上预设有账号数据、与账号数据相对应的密码数据;当账号信息与账号数据一致时,且密码信息与密码数据一致时,进入系统;反之,不进入系统。
作为优选,还包括与计算机云端服务器模块连接的智能AI外接输入模块,所述智能AI外接输入模块向外发出外接信息,所述计算机云端服务器模块中预设有外接数据;当智能AI外接输入模块与计算机云端服务器模块连接时,且外接数据与外接信息一致时,激活账号模块与密码模块;反之,不激活。
采用上述方案,智能AI外接输入模块的设置,使计算机云端服务器模块中只有接收到外接信息时,且外接信息与外接数据一致时,才能激活账号模块与密码模块,从而进一步的提高了安全性,只有拥有智能AI外接输入模块的用户才能进行激活,实用性强。
作为优选,还包括与计算机云端服务器模块连接且供用户输入指纹信息的智能AI指纹识别模块,所述智能AI指纹识别模块设置于智能AI外接输入模块上,计算机云端服务器模块上预设有与对应智能AI外接输入模块一一对应的指纹数据;当指纹信息与指纹数据一致时,所述智能AI外接输入模块以输出外接信息;反之,不输出外接信息。
采用上述方案,智能AI指纹识别模块设置于智能AI外接输入模块上,使用户在获得外接输入模块后,需要与指纹数据一致的指纹信息才能激活智能AI外接输入模块,从而使智能AI外接输入模块输出外接信息,提高了系统的安全性。
作为优选,还包括:智能AI计数模块,与计算机云端服务器模块连接且用于接收反馈信号并输出计数信号;维护端,位于维护人员上且与计算机云端服务器模块连接;所述计算机云端服务器模块中预设有与最高反馈信号的接收次数相对应的计数数据,当计数信号大于计数数据时,所述计算机云端服务器模块发送当前位置信号至维护端。
采用上述方案,通过智能AI计数模块的设置,使反馈信号的接收次数得到反馈并通过计数模块进行计数,维护端供维护人员获取,当计数信号大于计数数据时,计算机云端服务器模块就会发送当前信号至维护端,从而方便维护人员进行了解,实用性强。
作为优选,还包括设置于维护端上的智能AI路径显示模块,所述维护端上还设置有电子地图,所述智能AI路径显示模块接收当前位置信号与主区中央空调模块所在位置并于电子地图上实时显示两者的位置变化;当所述智能AI路径显示模块接收到当前位置信号时,所述智能AI路径显示模块激活并开始显示;当前位置信号与主区中央空调模块所在位置一致时,所述智能AI路径显示模块不激活并不显示。
采用上述方案,通过智能AI路径显示模块的设置,并配合电子地图的使用,使左边可以在电子地图上进行显示,同时两者的位置进行实时的更新,当前位置与中央空调所在位置一致时,就会关闭智能AI路径显示模块,实用性强。
作为优选,还包括:智能AI室内温度检测模块,与主区中央空调模块连接且用于检测室内的温度并输出室内温度检测信号;智能AI室外温度检测模块,与主区中央空调模块连接且用于检测室外的温度并输出室外温度检测信号;所述计算机云端服务器模块中预设有系统运行优化准则,所述主区中央空调模块根据系统运行优化准则进行最优方案的配置,对比室内温度检测信号与室外温度检测信号调节主区中央空调模块,并配置室内机和室外机的运行。
采用上述方案,通过智能AI室内温度检测模块的设置,配合智能AI室外温度检测模块的使用,从而了解室内与室外的温度,并通过计算机云端服务器模块对室内与室外的温度进行优化配置,从而调节主区中央空调模块。
作为优选,所述计算机云端服务器模块中预设有与最高允许温度差值相对应的温差基准信号,所述计算机云端服务器模块获取室内温度检测信号与室外温度检测信号并计算出两者差值的绝对值;当绝对值大于温差基准信号时,所述计算机云端服务器模块以实现警示;反之,不警示。
采用上述方案,计算机云端服务器模块通过对室内温度和室外温度的判断,从而获得绝对值的温差,并与温度差基准信号进行对比,一旦数据过大时,就会进行警示,从而对使用人员会进行提示,实用性强。
作为优选,还包括与计算机云端服务器模块连接的智能AI安全模块,所述智能AI安全模块对告警的次数进行统计并输出累积信号,所述计算机云端服务器模块中预设有与最高累积次数相对的累积基准信号;所述计算机云端服务器模块中预设有对应手机号,当累积信号大于累积基准信号时,所述计算机云端服务器模块发送对应的短信至手机号;反之,不发送。
采用上述方案,智能AI安全模块的设置,对告警次数进行累积,一旦大于累积基准信号时,就会将短信发送至对应的手机号上,从而对用户进行告知,提高了通知的能力,实用性强。
综上所述,本发明具有以下有益效果:
1、通过人工智能AI学习模块与计算机云端服务器模块的使用,自动调整同时具有自主学习的能力,并对主区中央空调模块进行自主调整;
2、通过账号模块、密码模块、智能AI外接输入模块、智能AI指纹识别模块的设置,提高了系统的安全性。
附图说明
图1为中央空调人工智能节能系统的系统框图;
图2为时间模块的系统流程图;
图3为人工智能AI学习模块的系统流程图;
图4为智能AI异常检测模块的系统流程图;
图5为智能AI指纹识别模块、智能AI外接输入模块、智能AI账号密码模块的系统流程图;
图6为智能AI计数模块的系统流程图;
图7为智能AI路径显示模块的系统流程图;
图8为智能AI室内温度检测模块、智能AI室外温度检测模块的系统流程图;
图9为智能AI安全模块的系统流程图。
图10为变频器电路简图附图标记:1、主区中央空调模块;2、计算机云端服务器模块;3、人工智能AI学习模块;4、时间模块;5、异常检测模块;6、账号模块;7、密码模块;8、智能AI外接输入模块;9、智能AI指纹识别模块;10、智能AI计数模块;11、维护端;12、智能AI路径显示模块;13、智能AI室内温度检测模块;14、智能AI室外温度检测模块;15、智能AI安全模块。
其引脚说明如下:
1)模拟量输入:
2)数字量输入:
DIN1~DIN6 可编程数字量输入端口
PNP 数字量输入高电平有效选择端口
NPN 数字量输入低电平有效选择端口
3)电动机过热保护:PTCA,B电动机温度传感器连接端A,B
4)模拟量输出:
5)继电器输出:RL1~RL3 常开或常闭触点继电器输出端
A 公共端(COM)
B 常开触点(NO)
C 常闭触点(NC)
6)通讯端口:P+ RS-485串口正端
P- RS-485串口负端
7)主回路: L1,L2,L3 变频器三相交流进线
U,V,W 变频器主回路出线
PE 接地端子
具体实施方式
运算模型
1、CF模型
CF(H,E)=MB(H,E)-MD(H,E)
不信任增长度
可信度
当MB(H,E)>0时,MD(H,E)=0
当MD(H,E)>0时,MB(H,E)=0
0≤MB(H,E)≤1,0≤MD(H,E)≤1,-1≤CF(H,E)≤1
CF(H,E)+CF(﹁H,E)=(MB(H,E)-MD(H,E))+(MB(﹁H,E)-MD(﹁H,E))
=(MB(H,E)-0)+(0-MD(﹁H,E)) (由互斥性)
=MB(H,E)-MD(﹁H,E)=0
它说明:(1)对H的信任增长度等于对非H的不信任增长度;(2)对H的可信度与非H的可信度之和等于0;(3)可信度不是概率,不满足P(H)+P(﹁H)=1和0≤P(H),P(﹁H)≤1
合取CF(E)=min{CF(E1),CF(E2),…,CF(En)}
析取CF(E)=max{CF(E1),CF(E2),…,CF(En)}
不确定性的更新公式CF(H)=CF(H,E)×max{0,CF(E)}
E1与E2对H的综合可信度
2、主观Bayes方法
IF E THEN (LS,LN)H
(LS,LN)用来表示该知识的知识强度,LS(充分性度量)和LN(必要性度量)
同理可得到关于LN的公式:
LS与LN的关系
①LS>1且LN<1
②LS<1且LN>1
概率与几率之间的关系
组合证据不确定性的计算
E=E1 AND E2 AND … AND En
已知在当前观察S下,每个单一证据Ei有概率P(E1|S),P(E2|S),…,P(En|S),则P(E|S)=min{P(E1|S),P(E2|S),…,P(En|S)}
E=E1 OR E2 OR … OR En
已知在当前观察S下,每个单一证据Ei有概率P(E1|S),P(E2|S),…,P(En|S),则P(E|S)=max{P(E1|S),P(E2|S),…,P(En|S)}
不确定性的更新
1.证据肯定为真时,P(E)=P(E|S)=1
H的先验几率更新为后验几率的公式为:O(H|E)=LS×O(H)
2.当证据E肯定为假时,P(E)=P(E|S)=0,P(﹁E)=1
H的先验几率更新为后验几率的公式为:O(H|﹁E)=LN×O(H)
3.当证据既非真假时
P(H|E)=P(H|E)×P(E|S)+P(H|﹁E)×P(﹁E|S) (6.7)
(1)P(E|S)=1;P(﹁E|S)=0
(2)P(E|S)=0;P(﹁E|S)=1
(3)P(E|S)=P(E);E与S无关
(4)P(E/S)为其它值
结论不确定性的合成
谓词公式的等价式:
·常用的永真蕴含式如下:
·其中,y是个体域中的任一个体,依此可消去谓词公式中的全称量词。
·其中,y是个体域中某一个可以使P(y)为真的个体,依此可消去谓词公式中的存在量词。
子句集的化简
(2)减少否定符号的辖域
(3)对变元标准化(将y变为z)
(4)化为前束范式(所有量词都移到公式的左边)
(5)消去存在量词(用Skolem函数f(x1,x2,…,xn)替换)
(7)消去全称量词(省掉全称量词)
(8)消去合取词(去掉∧得到子句集)
(9)更换变量名称(x换为y)
系统的故障诊断技术可以分为两大类:基于动态模型的方法和不依赖动态模型的方法。基于动态模型的方法的诊断思路是:利用观察器和滤波器对系统的状态和参数进行重构,并构成残差数列,然后采取措施来增强残差数列中所包含的故障信息,抑制模型误差等非故障信息,通过对残差数列的统计分析就可以检测出故障的发生并进行故障的诊断。由于系统的复杂性,致使系统的建模非常困难或不精确。
目前主要的诊断方法是不依赖动态模型的方法,主要有以下几种:
(1)基于信号处理的方法
系统的输出幅值、相位、频率及相关性上与故障之间会存在一定的联系,这些联系可以用数学形式来表示,如输出量的频谱等。在故障发生时则可利用这些量进行分析和处理,来判断故障源的所在。常用的方法有:谱分析法,概率密度法及概率谱分析法[21]。
(2)基于故障树的诊断方法
这是实际系统中比较有效的故障诊断方法,所需要的前提是有关故障与原因思维先验知识。诊断过程是从系统的最终故障开始的,通过不断提问“为什么会出现这种现象?”而逐渐构造成一棵倒立的故障树。通过对此故障树的启发式搜索会查到故障的最终原因。
(3)传统模式识别的方法这种方法的步骤是:
1)故障模式向量的形成。即选出能表达系统故障状态的向量集。
2)特征向量的提取。由于故障模式向量中个参数的重要性不同,相互之间也不一定完全独立,因此从中选出对故障状态最敏感的特征参数,构成向量集,即构成故障的基准模式集。
3)判别函数的生成。它是由特征向量以一定的方式构成的,用于识别系统目前状态属于哪一个基准模式集。
(4)基于专家系统的方法
专家系统故障诊断主要是通过数据库,诊断规则库,并用适当的推理方法来完成的,对于在线诊断,判断源是即时工况采集数据;对于离线诊断,判断源是人为检测的数据集专家系统在知识库和数据库的基础上,通过推理机综合利用各种规则,找出故障源,或给出现有信息下最有可能的故障源。该方法是根据专家以往的经验,将其归纳成规则,通常以“IF……THEN……”形式来表示对被诊断系统所观察到的症状与可能故障之间的关系。主要由诊断规则库,动态数据库和推理算法组成。
诊断规则库是产生式规则的集合,规则形式为“IF……THEN……”。动态数据库用以存放所诊断问题的已知症状信息和推理过程的中间解。推理算法用以控制产生式诊断系统的整个过程。基于规则的故障诊断方法属于反演诊断,它的缺点是可能会出错误的结论。因此反演不是一种确保唯一性的推理形式,通常只能诊断单个故障,在诊断多重故障时难度较大。
⑤基于模糊理论的方法
实践证明,处理一个复杂系统,要求过分精确反而无法达到,而适当模糊却可以达到精确的目的“故障”状态和“正常”状态之间也没有完全确定的界限,二者之间存在一些模糊的过渡状态。无论从现象的获得、现象到故障的推理甚至诊断的根本原理三个方面实际上都存在着模糊性,因此可以用模糊理论的方法来进行故障诊断。其本质是一种模式识别问题,根据所提取的征兆信息来识别系统的状态是整个诊断过程的核心。这个核心过程的实质,除极个别情况外,都是将实际存在的参考模式(标准模式)与现有的征兆按照不同的方式组成相应的待检模式,用不同的方法进行对比而确定待检模式应划为哪类参考模式,即识别现有状态。
模式识别的方法大致可以分为两种,即直接方法和间接方法,前者是按最大隶属原则进行识别,后者则是按择近原则归类。
⑥神经网络的方法
故障诊断过程实际上是一个模式识别的过程,如果我们把各种症状的全体视为一个空间Sn,而把由此引起的各种故障当成另外一个空间Dn的话,诊断的学习过程就是寻求一个Sn到Dn映射的过程,对于大多的复杂系统来说,这种映射是高度非线性的。而神经网络可以通过内部连接机制实现输入,输出非线性匹配,并有很好的容错性和并行性。
神经网络是一个大量简单的处理单元广泛连接组成的复合网络,是现代生物学研究人脑组织所取得的成果基础上提出的,模拟大脑神经系统的结构和行为。神经网络的方法是最近研究的热门方向。它不需要领域专家知识和从案例中归纳的经验规则,从而克服了基于规则方法的知识获取的瓶颈。对规则推理存在的错误不是很敏感。另外,神经网络支持并行计算,随着并行技术和硬件的发展得到更为广泛的应用。
神经网络方法存在以下缺点:首先,需要较多的训练样本用于网络学习,才能使用网络收敛,从而得出稳定的诊断结果,因此不适用于新的或未拥有案例的系统。其次,对于复杂系统,网络各节点数较多,因而训练所需要的计算量和时间较多。最后,基于神经网络的方法无法对诊断做出解释。
以下结合附图1-9对本发明作进一步详细说明。
如图1所示,一种中央空调人工智能节能系统,包括主区中央空调模块1、计算机云端服务器模块2、维护端11、人工智能AI学习模块3。中央空调用于控制中央空调的运行,即开机、关机、风向调整、温度调整等。计算机云端服务器模块2与主区中央空调模块1连接且用于采集主区中央空调模块1运行时的电能参数并进行存储,维护端11与计算机云端服务器模块2连接,且位于维护人员的手上。人工智能AI学习模块3与云端服务器2连接且用于分析数据并用于更新数据。
主区中央空调模块1与智能AI室内温度检测模块13、智能AI室外温度检测模块14连接,室内温度检测模块13用于检测室内的温度并输出室内温度检测信号,智能AI室外温度检测模块14用于检测室外的温度并输出室外温度检测信号。
计算机云端服务器模块2与时间模块4、智能AI异常检测模块5、账号模块6、密码模块7、外接输入莫阿奎、智能AI指纹识别模块9、智能AI计数模块10连接。
时间模块4用于输出时间信号,且时间模块4进行自动计时,且采用顺计时的方式进行计时。
智能AI异常检测模块5用于对中央空调的异常运行状态进行检测并输出异常信号,异常检测模块5为中央空调无法启动时输出异常信号。
账号模块6供用户进行账号信息输入,密码模块7供用户密码信息的输入,外接输入模块8为外部的一个输入设备,可以为U盾,且智能AI指纹识别模块9供指纹信息输入,指纹识别模块9设置于智能AI外接输入模块8上以方便用户对指纹的输入。
智能AI计数模块10用于接收反馈信号并输出计数信号,即智能AI计数模块10用于对中央空调无法运行时通过调整后能够运行的次数进行统计。
维护端11与智能AI路径显示模块12、智能AI安全模块15连接。智能AI路径显示模块12用于显示两点之间的位置信息,智能AI安全模块15用于对告警次数进行统计,并向用户发送短信进行通知。
中央空调节能运行系统实际运行数据分析:
对中央空调水系统的变流量节能改造可以带来良好的节能效果。从系统投入根据变频器运行时间计数器和能量消耗计量表记录,两台55kW冷冻泵累计运行时间为1848小时,累计能量消耗69653.6kwh。
实际节能率为:η=(55-69563.6/1848)/55×100%≈31.5%
实际节约电能为:W=55×1848-69563.6=32076.4kWh
综上所述,在中央空调上实施节能运行控制技术,建立故障诊断专家库系统,对于减少空调系统能耗,提高空调系统的运行质量都具有非常重要的意义,与国家提出的节能减排精神相一致,可以在中央空调系统中进行广泛的推广。正如重庆市建委在项目的鉴定报告中所提到“如果本项目进行广泛的实施,将会给社会带来巨大的节能效益”。
Claims (10)
1.一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,具有集专家思维大成的人工智能集合地解决中央空调节能调控问题;
(1)人工智能AI专家系统可以集合人类专家的能力:专家系统可以充分利用计算机自动、高速处理海量数据特性,进而精确高效、严谨周详、不知疲倦地进行工作。
(2)人工智能AI专家系统可以不受时间的限制和客观环境的影响,并附有说明解释的功能,可以让用户及时了解故障的推理和解析过程,这样可以使用户便捷地使用空调,同时用户可以了解权威的专家知识;
(3)人工智能AI专家系统是一种使用工具,为人类专家宝贵的知识精华可以更好地传承提供了一种十分有效的途径,专家系统汇集了大量对口专家的学术精华,相当于专家会诊,这样解决问题的能力是单个专家的能力不可比拟的;
在本人工智能AI中央空调节能调控在对专家系统类型设计上,基于专家系统的切实运行状态及和对故障诊断系统的特别需要,运用了AI智能故障诊断型专家系统与AI智能预测型专家系统相结合的方法:
(1)AI智能诊断专家系统,AI智能诊断专家系统的功能是基于实测得到的数据来推断中央空调系统中故障的原因。其原理是诊断专家系统的组成模块之间的相互感应可以得到故障所在。
(2)AI智能预测专家系统,AI智能预测专家系统的功能是经对中央空调系统已知情况的解析,从而合理预测将来事件的发生率。AI智能预测型专家系统因在实时信息更新获取上具有不确定性,所以系统需要建立动态模型,以便从具有不确定性的信息中可以准确预测。
2.根据权利要求1所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,AI智能管理在中央空调节能调控的过程中,以计算机为载体,依靠具有集专家思维大成的人工智能集合地解决中央空调节能调控问题,用于中央空调节能调控智能维修包括:
(1)主区主区中央空调模块,其功能是控制中央空调的运作,是中央空调的核心部分;
(2)计算机计算机云端服务器模块模块,是连接(1)主区主区中央空调模块收集中央空调在运作过程中产生的耗功量与用电量的数据;
(3)时间控制模块,其功能是在(2)计算机计算机云端服务器模块模块掌控下精确读取中央空调运作时长并作为时间信号发出;
(4)人工智能AI学习模块,其功能是与(2)计算机计算机云端服务器模块模块相连,模拟真实专家分析采集到的数据,因而进一步预测更新;
在上述(2)计算机计算机云端服务器模块模块中,有提前设定在相同一段时间间隔内会发出到(4)人工智能AI学习模块的时间基准信号,当时间信号与时间基准信号相同时,所述(2)计算机计算机云端服务器模块模块会将收集的耗功量与用电量发送到(4)人工智能AI学习模块,同一时刻,把(3)时间控制模块数据清楚重置;如当时间信号与时间基准信号不相同时,耗功量与用电量不上传;
在上述(1)主区主区中央空调模块控制空调工作且经电子网络同步上传耗功量与用电量到(2)计算机计算机云端服务器模块模块;
在上述(4)人工智能AI学习模块得到耗功量与用电量后,对数据进行处理和预测分析,将得到的调节信号发送到(2)计算机计算机云端服务器模块模块,并经其把调节信号传输到(1)主区主区中央空调模块中,并作出相应调节;
当(1)主区主区中央空调模块根据调节信号能作出相应调节时,则会发出反馈信号;如(1)主区主区中央空调模块根据调节信号不能作出相应调节时,则不会发出反馈信号;
在上述(2)计算机计算机云端服务器模块模块感应到反馈信号后,(4)人工智能AI学习模块即保存调节信号;若(2)计算机计算机云端服务器模块模块没有感应到反馈信号,则返回(3)人工智能AI学习模块提取其他的调节信号。
3.根据权利要求2所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(5)智能AI智能AI异常检测模块,与(1)主区主区中央空调模块衔接,检测中央空调的运作环境是否正常,如发现问题则发出异常信号;
在上述(2)计算机计算机云端服务器模块模块是与(4)人工智能AI学习模块一起接收异常信号的,如所述(2)计算机计算机云端服务器模块模块感应到异常信号时,则发出告警;若(2)计算机计算机云端服务器模块模块没有感应到异常信号,则不实施告警;当(4)人工智能AI学习模块感应到异常信号时,则返回提取其他调节信号将其发至(2)计算机计算机云端服务器模块模块;当(4)人工智能AI学习模块没有感应到异常信号时,则不提取。
4.根据权利要求2所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(6)智能AI账号密码模块,与(2)计算机计算机云端服务器模块模块连接且供用户输入账号及密码信息;
在上述(2)计算机计算机云端服务器模块模块上提前设置了账号信息和与账号信息一致的密码信息;当账号与密码数据一致时,进入系统;当账号与密码数据不一致时,则不进入系统。
5.根据权利要求4所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,智能AI智能AI外接输入模块,是与(2)计算机计算机云端服务器模块模块相连的模块,是通过(2)计算机计算机云端服务器模块模块中提前设置的外接数据与(7)智能AI外接输入模中的外接信息相连接;
(8)智能AI智能AI指纹识别模块,是位于(7)智能AI智能AI外接输入模块上与(2)计算机计算机云端服务器模块模块相连的模块,功能是提供用户录入指纹信息,在(2)计算机计算机云端服务器模块模块上提前设置有与(7)智能AI智能AI外接输入模块相对应的指纹数据;
在(7)智能AI智能AI外接输入模块与(2)计算机计算机云端服务器模块模块连接时,若外接数据与外接信息相同,则激活(6)智能AI账号密码模块;若外接数据与外接信息不一致,则不能激活。当(8)智能AI智能AI指纹识别模块里的指纹信息与指纹数据一致时,(7)智能AI智能AI外接输入模块就会发出外接信息;当指纹信息与指纹数据不一致时,则不会发出外接信息。
6.根据权利要求2所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(9)智能AI智能AI计数模块,是接收反馈信号、发出计数信号与(2)计算机计算机云端服务器模块模块相连的模块;
(10)智能AI维护端模块,与(2)计算机计算机云端服务器模块模块连接;
在上述(2)计算机计算机云端服务器模块模块中提前设置有和反馈信号的接收相匹配的计数数据,若计数信号比计数数据多时,(2)计算机计算机云端服务器模块模块会把实时位置信号发至(10)智能AI维护端模块。
7.根据权利要求6所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(11)智能AI智能AI路径显示模块,位于(10)智能AI维护端模块上,当(11)智能AI路径显示模块感应到实时位置信号与(1)主区主区中央空调模块位置时,会在(10)智能AI维护端模块上的电子地图实时显示两者的位置情况;
在上述(11)智能AI智能AI路径显示模块接收到当前位置信号时,该模块启动开始工作;如当前位置信号与(1)主区主区中央空调模块所在位置相同时,则不启动工作。
8.根据权利要求2所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(12)智能AI智能AI室内温度检测模块,是检测室内温度、并发出检测信号的模块,与(1)主区主区中央空调模块相连;
(13)智能AI智能AI室外温度检测模块,是检测室外温度、并发出检测信号的模块,与(1)主区主区中央空调模块相连;
在上述(2)计算机计算机云端服务器模块模块中提前设置了系统运作升级标准,在(1)主区主区中央空调模块根据系统运作升级标准进行最优方案的匹配,对比室内外温度检测信号来调节中央空调,同时让室内机和室外机最优运作。
9.根据权利要求8所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,在上述(2)计算机计算机云端服务器模块模块中提前设置了符合最高允许温度差值的温差基准信号,该模块通过室内外温度检测信号计算出两者的绝对值;若绝对值比温差基准信号大时,(2)计算机计算机云端服务器模块模块会发出警示;若绝对值比温差基准信号小时,则不发出警示。
10.根据权利要求9所述的一种人工智能AI专家系统进行中央空调节能调控的方法,其特征在于,还包括:
(14)智能AI智能AI安全模块,该模块对所有示警的次数进行汇总、最终发出总和数据信号,在与(2)计算机计算机云端服务器模块模块连接中,提前设置了最高总和数据相对的总和数据基准信号及对应手机号,当总和数据信号比总和数据基准信号大时,(2)计算机计算机云端服务器模块模块则发送相应的短信至手机号当总和数据信号比总和数据基准信号小时,则不发送短信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318210.0A CN111486555A (zh) | 2020-04-21 | 2020-04-21 | 一种人工智能ai专家系统进行中央空调节能调控的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010318210.0A CN111486555A (zh) | 2020-04-21 | 2020-04-21 | 一种人工智能ai专家系统进行中央空调节能调控的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111486555A true CN111486555A (zh) | 2020-08-04 |
Family
ID=71811902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010318210.0A Pending CN111486555A (zh) | 2020-04-21 | 2020-04-21 | 一种人工智能ai专家系统进行中央空调节能调控的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111486555A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097368A (zh) * | 2020-08-21 | 2020-12-18 | 深圳市建滔科技有限公司 | 一种基于云端深度学习的空调功耗调节方法及装置 |
CN113535234A (zh) * | 2021-06-12 | 2021-10-22 | 武汉所为科技有限公司 | 暖通云边协同控制方法、系统和存储介质 |
CN113535233A (zh) * | 2021-06-12 | 2021-10-22 | 武汉所为科技有限公司 | 用于暖通云边协同的人工智能系统 |
CN114878198A (zh) * | 2022-06-06 | 2022-08-09 | 珠海格力电器股份有限公司 | 一种故障检测电路、方法及空气调节设备 |
CN115405863A (zh) * | 2022-07-28 | 2022-11-29 | 国家管网集团北方管道有限责任公司 | 一种用于输油管道的智能调度控制系统及方法 |
CN116697531A (zh) * | 2023-06-05 | 2023-09-05 | 广州市塞安物联网科技有限公司 | 一种智能空调数据采集系统及方法 |
CN116753599A (zh) * | 2023-06-17 | 2023-09-15 | 杭州全能星科技有限公司 | 一种基于云平台的中央空调负荷调控系统 |
CN118274413A (zh) * | 2024-04-02 | 2024-07-02 | 斯缔凯兰(浙江)科技有限公司 | 一种基于ai模型的热泵空调制冷运行监控系统 |
-
2020
- 2020-04-21 CN CN202010318210.0A patent/CN111486555A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112097368A (zh) * | 2020-08-21 | 2020-12-18 | 深圳市建滔科技有限公司 | 一种基于云端深度学习的空调功耗调节方法及装置 |
CN113535234A (zh) * | 2021-06-12 | 2021-10-22 | 武汉所为科技有限公司 | 暖通云边协同控制方法、系统和存储介质 |
CN113535233A (zh) * | 2021-06-12 | 2021-10-22 | 武汉所为科技有限公司 | 用于暖通云边协同的人工智能系统 |
CN113535233B (zh) * | 2021-06-12 | 2023-03-14 | 武汉所为科技有限公司 | 用于暖通云边协同的人工智能系统 |
CN114878198A (zh) * | 2022-06-06 | 2022-08-09 | 珠海格力电器股份有限公司 | 一种故障检测电路、方法及空气调节设备 |
CN115405863A (zh) * | 2022-07-28 | 2022-11-29 | 国家管网集团北方管道有限责任公司 | 一种用于输油管道的智能调度控制系统及方法 |
CN115405863B (zh) * | 2022-07-28 | 2023-09-01 | 国家管网集团北方管道有限责任公司 | 一种用于输油管道的智能调度控制系统及方法 |
CN116697531A (zh) * | 2023-06-05 | 2023-09-05 | 广州市塞安物联网科技有限公司 | 一种智能空调数据采集系统及方法 |
CN116753599A (zh) * | 2023-06-17 | 2023-09-15 | 杭州全能星科技有限公司 | 一种基于云平台的中央空调负荷调控系统 |
CN116753599B (zh) * | 2023-06-17 | 2023-12-01 | 杭州全能星科技有限公司 | 一种基于云平台的中央空调负荷调控系统 |
CN118274413A (zh) * | 2024-04-02 | 2024-07-02 | 斯缔凯兰(浙江)科技有限公司 | 一种基于ai模型的热泵空调制冷运行监控系统 |
CN118274413B (zh) * | 2024-04-02 | 2024-09-06 | 斯缔凯兰(浙江)科技有限公司 | 一种基于ai模型的热泵空调制冷运行监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
Xue et al. | Fault detection and operation optimization in district heating substations based on data mining techniques | |
CN102282552B (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN109345409B (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN105700492A (zh) | 建筑能源管理系统 | |
Jiang et al. | Applying grey forecasting to predicting the operating energy performance of air cooled water chillers | |
Xu et al. | An anomaly detection and dynamic energy performance evaluation method for HVAC systems based on data mining | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
CN109213127A (zh) | 一种基于深度学习的hvac系统渐变故障诊断方法 | |
CN111412579A (zh) | 一种基于大数据的空调机组故障类型诊断方法和系统 | |
Sun et al. | Optimization of support vector regression model based on outlier detection methods for predicting electricity consumption of a public building WSHP system | |
Hosseini et al. | A practical approach to residential appliances on-line anomaly detection: A case study of standard and smart refrigerators | |
Lei et al. | Prediction method of energy consumption for high building based on LMBP neural network | |
CN118089287B (zh) | 一种基于智能算法的冷水机能效优化系统 | |
Kriksciuniene et al. | Data Analysis in the Intelligent Building Environment. | |
CN113269435B (zh) | 一种新能源场站运行状态耦合监测评估系统 | |
Ma et al. | A synchronous prediction method for hourly energy consumption of abnormal monitoring branch based on the data-driven | |
Yu | Mining hidden knowledge from measured data for improving building energy performance | |
Sala et al. | Disaggregation of HVAC load profiles for the monitoring of individual equipment | |
Lu et al. | Multidimensional performance-based evaluation method of high-performance cold source in green building | |
Xiang et al. | IDEMS: An intelligent dynamic environment monitoring system for data center of energy Internet | |
Qin et al. | An Identification Method of Metering Anomaly Based on Line Loss Analysis of Low Voltage Station |
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 |