CN112182858B - 标准动车组空调制冷系统不良预测方法及系统 - Google Patents
标准动车组空调制冷系统不良预测方法及系统 Download PDFInfo
- Publication number
- CN112182858B CN112182858B CN202010959663.1A CN202010959663A CN112182858B CN 112182858 B CN112182858 B CN 112182858B CN 202010959663 A CN202010959663 A CN 202010959663A CN 112182858 B CN112182858 B CN 112182858B
- Authority
- CN
- China
- Prior art keywords
- refrigeration
- standard
- refrigerating
- data
- train unit
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 156
- 238000004378 air conditioning Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 78
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000011835 investigation Methods 0.000 claims abstract description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 8
- 239000003507 refrigerant Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000005477 standard model Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/32—Cooling devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/32—Cooling devices
- B60H2001/3236—Cooling devices information from a variable is obtained
- B60H2001/3244—Cooling devices information from a variable is obtained related to humidity
- B60H2001/3245—Cooling devices information from a variable is obtained related to humidity of air
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/32—Cooling devices
- B60H2001/3236—Cooling devices information from a variable is obtained
- B60H2001/3255—Cooling devices information from a variable is obtained related to temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于列车空调制冷效果预测技术领域,具体涉及一种标准动车组空调制冷系统不良预测方法及系统,其中标准动车组空调制冷系统不良预测方法包括:采集数据;对数据进行筛选;根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及根据标准制冷等级和实际制冷等级预测动车组空调制冷效果,实现了根据标准制冷等级和实际制冷等级之间的差异,针对有变化趋势的制冷问题进行相应的制冷效果不良的预测,能够在故障发生前发出预测结果,实现故障前排查和检修,减少在线故障,以及减少设备损坏。
Description
技术领域
本发明属于列车空调制冷效果预测技术领域,具体涉及一种标准动车组空调制冷系统不良预测方法及系统。
背景技术
目前,标准动车组列车空调中运行中,当发生故障后处理,比如:车厢内实际温度过高,压缩机故障、制冷系统高低压故障、以及风机风门故障等。发生故障后,由机械师或驾驶员进行相应的处理。
在其他方面应用的空调制冷系统预测,主要是通过蒸发风机温度、冷凝风机温度,对制冷剂含量的预测;或者通过对中央空调水温、水流的监控,进行制冷能效的预测。
故障后处理的方式,相应列车正线运行;即便是有的故障不影响列车行驶,但故障后可能造成不可逆的损坏。
通过制冷剂预测比较片面,空调制冷系统不良除了制冷剂泄露的可能外,还有可能是滤网脏堵、压缩机工作异常、蒸发器、冷凝器等问题,而且标动空调没有冷凝器、蒸发器的温度传感器;标动列车空调的原理与中央空调不同,没有空调水温、水流等,无法通过现有方案实现预测。
因此,基于上述技术问题需要设计一种新的标准动车组空调制冷系统不良预测方法及系统。
发明内容
本发明的目的是提供一种标准动车组空调制冷系统不良预测方法及系统。
为了解决上述技术问题,本发明提供了一种标准动车组空调制冷系统不良预测方法,包括:
采集数据;
对数据进行筛选;
根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及
根据标准制冷等级和实际制冷等级预测动车组空调制冷效果。
进一步,所述采集数据的方法包括:
获取空调运行数据,即获取室外温度、室内温度、压缩机工作状态、旁通阀状态、故障信息和空气湿度;以及
获取动车车厢内乘客数量。
进一步,所述对数据进行筛选的方法包括:
当动车车速小于预设车速时判断获取的数据为无效数据;
当空调制冷系统发生故障时判断获取的数据为无效数据;
筛选预设情况下空调制冷系统工况,以及适于比较的非制冷工况下的数据后将无效数据去除,以完成数据筛选。
进一步,所述根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级的方法包括:
构建标准制冷等级模型:
G=f(Co,P,Ci,D);
其中,G为制冷等级;Co为室外温度等级;P为乘客数等级;D为空气湿度等级;
通过标准制冷等级模型预测获取空调制冷系统的标准制冷等级。
进一步,所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法包括:
预测各车厢空调制冷效果;
根据实际运行数据获取空调制冷系统的实际制冷等级,根据标准制冷等级和实际制冷等级之间的制冷等级差预测各车厢空调制冷效果。
进一步,所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法还包括:
根据各车厢预测的空调制冷效果预测动车组空调制冷效果。
进一步,所述根据各车厢预测的空调制冷效果预测动车组空调制冷效果的方法包括:
当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果与该车厢相同时,判断该动车组制冷效果整体不良,并生成滤网脏堵建议;
当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果为良好,判断该动车组制冷效果不良,并生成制冷系统排查建议;
以周期n为间隔判断,当制冷等级差大于预设基准值时,在预设时间范围内以n为周期的制冷等级差构建曲线,当曲线中存在上升趋势则判断制冷效果不良正在发生,并生成确认建议。
另一方面,本发明还提供一种标准动车组空调制冷系统不良预测系统,包括:
采集子系统、售票子系统和服务器;
所述采集子系统和售票子系统适于采集数据,并将数据发送至所述服务器;
所述服务器适于根据数据预测动车组空调制冷效果。
进一步,所述服务器适于采用上述的标准动车组空调制冷系统不良预测方法根据数据预测动车组空调制冷效果。
本发明的有益效果是,本发明通过采集数据;对数据进行筛选;根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及根据标准制冷等级和实际制冷等级预测动车组空调制冷效果,实现了根据标准制冷等级和实际制冷等级之间的差异,针对有变化趋势的制冷问题进行相应的制冷效果不良的预测,能够在故障发生前发出预测结果,实现故障前排查和检修,减少在线故障,以及减少设备损坏。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所涉及的标准动车组空调制冷系统不良预测方法的流程图;
图2是本发明所涉及的制冷等级偏差扩大趋势的曲线图;
图3是本发明所涉及的标准动车组空调制冷系统不良预测系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
实施例1
图1是本发明所涉及的标准动车组空调制冷系统不良预测方法的流程图。
如题1所示,本实施例1提供了一种标准动车组空调制冷系统不良预测方法,包括:采集数据;对数据进行筛选;根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及根据标准制冷等级(理论制冷等级)和实际制冷等级预测动车组空调制冷效果,实现了根据标准制冷等级和实际制冷等级之间的差异,针对有变化趋势的制冷问题进行相应的制冷效果不良的预测,能够在故障发生前发出预测结果,实现故障前排查和检修,减少在线故障,以及减少设备损坏;空调制冷系统是标准动车组列车的一个重要组成部分,他关系着乘客的舒适感,空调制冷系统由压缩机、风机、风门等各种设备组成,存在一定的故障概率;有的故障时突发故障,也有的故障时有变化规律的,如漏氟、滤网脏赌、压缩机逐步劣化等,对于这些有变化趋势的问题,标准动车组空调制冷系统不良预测方法能够实现提前一定时间内预测制冷系统的故障趋势,让检修人员有时间在故障前排查并检修,减少了在线故障。
在本实施例中,所述采集数据的方法包括:通过HAVC系统(HAVC HeatingVentilating and Air Conditioning采暖通风与空调)获取空调运行数据,即获取室外温度、室内温度、压缩机工作状态、旁通阀状态、故障信息和空气湿度等;以及获取动车车厢内乘客数量等(各车厢的乘客数量可以通过售票系统获取);标准动车组列车,以8车厢编组列车为例,在每个车厢都有空调控制器控制空调运行,通过空调控制器采集的数据,传递给VCU(Vehicle Control Unite车辆控单元),VCU可将这些数据通过车地传输设备传输到后台服务器,实现数据采集功能。
在本实施例中,所述对数据进行筛选的方法包括:当动车车速小于预设车速时(例如,50km/h)判断获取的数据为无效数据,因为列车进站打开车门情况下,列车空调制冷系统变化不确定,该设定去掉不稳定的干扰数据;当空调制冷系统发生故障时判断获取的数据为无效数据,此时表明空调制冷系统已经处于非正常工作状态,数据认定为无效;筛选预设情况下空调制冷系统工况,以及适于比较的非制冷工况下的数据后将无效数据去除,以完成数据筛选;后期可以更加精确的对各车厢的空调制冷效果进行预测。
在本实施例中,所述根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级的方法包括:标准动车组空调有两个压缩机,根据制冷效果的需求,选用两台压缩机的启停工作,具体的制冷等级与压缩机、旁通阀工作状态关系如下表一所示:
表一:制冷等级表
通过大量运行数据收集、分析、整合,结合制冷需求的理论计算算法,形成特定工况下制冷统计的标准制冷等级模型,大部分空调正常运行时,符合该标准制冷等级模型;如在某标准设定温度下(典型地22℃)制冷等级与乘客数量和室外温度之间的关系如下表二所示:
表二:制冷等级标准模型表
该模型是以车厢为单位的模型;G0~G4是制冷等级以上是符合理论情况下的举例说明,实际结果通过理论计算和大量数据统计分析确定;P1-P7是人员数等级,每一个人员数等级是一个范围,如30-40人;Co1-Co8是室外温度等级,每一个室外温度等级是一个范围,如28-30℃;具体制冷等级的制定,满足一定运行时间(典型地,如10分钟/30分钟);每一个设定温度对应一个制冷等级标准模型表,进一步,制冷等级标准模型还与空气湿度有关;那么,基于以上表格和理论,制冷等级标准模型用函数表示为:
G=f(Co,P,Ci,D);
其中,G为制冷等级(G0~G4);Co为室外温度等级(Co1-Co8);P为乘客数等级(P1-P7);D为空气湿度等级;
通过标准制冷等级模型预测获取空调制冷系统的标准制冷等级;根据制冷等级、结合相应的算法预测,能够反映制冷投入与理论值的差异变化,对于有变化趋势的故障,能够在故障发生前一段时间内预测(如一天),并且能够根据预测等级提醒管理人员,具有较高应用价值;相比故障后维护,预测检修的可维修性更强、维护成本更低、客户体验更好;通过一定的预测算法,实现空调系统在故障前1天以上预测出制冷不良的现象,解决现场故障客户体验差、故障成本高的问题。
在本实施例中,所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法包括:通过制冷等级“正向/反向”偏差预测各车厢空调制冷效果;根据实际运行数据获取空调制冷系统的实际制冷等级,根据标准制冷等级和实际制冷等级之间的制冷等级差预测各车厢空调制冷效果,即
当标准制冷等级和实际制冷等级之间的制冷等级差为-4时,预测较严重制冷效果不良,并生成第一预设时间(1天)内检查空调制冷系统建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为-3时,预测中度制冷效果不良,并生成第二预设时间(3天)内检查空调制冷系统建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为-2时,预测制冷效果不良,并生成第二预设时间(3天)内检查空调制冷系统建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为-1时,预测制冷效果良好;
当标准制冷等级和实际制冷等级之间的制冷等级差为0时,预测制冷效果良好;
当标准制冷等级和实际制冷等级之间的制冷等级差为1时,预测制冷效果可能不良,并生成进一步观察建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为2时,预测中度制冷效果不良,并生成第二预设时间(3天)内检查空调制冷系统建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为3时,预测较严重制冷效果不良,并生成第一预设时间(1天)内检查空调制冷系统建议;
当标准制冷等级和实际制冷等级之间的制冷等级差为4时,预测严重制冷效果不良,并生成立即检查空调制冷系统建议;通过对制冷不良的预测,在基于现有的部分温度数据,实现空调机组全局的效果预测,预测后可提示排查制冷系统,包括压缩机、制冷剂、蒸发器、风机等。
在本实施例中,进行举例说明:
例1,通过空调控制器传输、筛选获取条件数据Co,P,Ci,D(如Co4,P2,Ci=22℃,湿度D=75%);代入制冷等级标准模型G=f(Co,P,Ci,D),得到G的值(标准制冷等级)为G2(1个压缩机工作,旁通阀关,50%制冷投放要求);取空调控制器传来的真实压缩机运行数据进行对比;取得数据时间(典型地,如10分钟/30分钟);计算采用模糊计算的方式,如满足筛选条件的10分钟内大部分时间(如80%)工作在G2,则实际制冷等级判断为G2;如在G0-G4分布,则也可以通过平均值、中心值法,确定其大致所在制冷等级;此时标准制冷等级(G2)和实际制冷等级(G2)之间的制冷等级差为0时,预测制冷效果良好;
例2,通过空调控制器传输、筛选获取条件数据Co,P,Ci,D(如Co2,P3,Ci=23℃,湿度D=80%);代入制冷等级标准模型G=f(Co,P,Ci,D),得到G的值为G1(1个压缩机工作,旁通阀开关,25%制冷投放要求);取空调控制器传来的真实压缩机运行数据进行对比;取得数据时间(典型地,如10分钟/30分钟);计算采用模糊计算的方式,如满足筛选条件的10分钟内大部分时间(如80%)工作在G4,则判断为G4;如在G0-G4分布,则通过平均值法、中心值法等,确定其大致所在制冷等级;此时标准制冷等级(G1)和实际制冷等级(G4)之间的制冷等级差为-3时,预测中度制冷效果不良,并生成第二预设时间(3天)内检查空调制冷系统建议。
在本实施例中,所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法还包括:根据各车厢预测的空调制冷效果预测动车组空调制冷效果。
在本实施例中,所述根据各车厢预测的空调制冷效果预测动车组空调制冷效果的方法包括:当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果与该车厢相同时,判断该动车组制冷效果整体不良,并生成滤网脏堵建议(可能原因是滤网脏堵);当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果为良好,判断该动车组制冷效果不良,并生成制冷系统排查建议;以周期n为间隔判断,当制冷等级差大于预设基准值时(预设基准值可以根据实际情况进行设置),在预设时间范围内以n为周期的制冷等级差构建曲线,当曲线中存在上升趋势则判断制冷效果不良正在发生,并生成确认建议。
图2是本发明所涉及的制冷等级偏差扩大趋势的曲线图。
如图2所示,在本实施例中,以一列车8/16车厢为例,如果其中某车厢报出制冷等级差为1-4,则:进一步判断该列车其他车厢冷等级差情况,如果80%以上均存在类似的制冷等级差,则判断该动车组制冷效果整体不良,可能原因是“滤网脏堵”;如果其他该列车其他车厢冷等级差80%以上良好,则进一步评定为该列车(动车组)制冷效果不良,建议全面排查制冷系统;以一定周期n(如10分钟/30分钟)为间隔判断,如果制冷等级差为2、3、4(此时预设基准值为1),则检查前48小时内的以n为周期的制冷效果差,绘制成曲线;若从曲线中,如果某一时刻曲线有上升趋势,则表示制冷不良正在发生进一步确认。
实施例2
图3是本发明所涉及的标准动车组空调制冷系统不良预测系统的原理框图。
如图3所示,在实施例1的基础上,本实施例2还提供一种标准动车组空调制冷系统不良预测系统,包括:采集子系统、售票子系统和服务器;采集子系统可以通过现有动车组中的HAVC系统进行空调运行数据采集;售票子系统均可以采用现有的动车售票系统,获取乘客数量;所述采集子系统和售票子系统适于采集数据,并将数据发送至所述服务器;所述服务器适于根据数据预测动车组空调制冷效果;所述服务器还适于生成相印建议,并将建议发送至管理人员,以便于检查空调制冷系统。
在本实施例中,所述服务器适于采用实施例1中涉及的标准动车组空调制冷系统不良预测方法根据数据预测动车组空调制冷效果并生成相应建议。
在本实施例中,所述采集子系统包括:VCU,以及与该VCU电性连接的VDU、HAVC单元和通讯模块;所述通讯模块可以但不限于采用5G模块;所述HAVC单元可以是现有动车组中的HAVC系统;所述HAVC单元适于采集空调运行数据,并发送至所述VCU;所述VCU适于通过所述通讯模块将空调运行数据发送至所述服务器;所述VCU适于通过所述VDU显示空调运行数据。
综上所述,本发明通过采集数据;对数据进行筛选;根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及根据标准制冷等级和实际制冷等级预测动车组空调制冷效果,实现了根据标准制冷等级和实际制冷等级之间的差异,针对有变化趋势的制冷问题进行相应的制冷效果不良的预测,能够在故障发生前发出预测结果,实现故障前排查和检修,减少在线故障,以及减少设备损坏。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种标准动车组空调制冷系统不良预测方法,其特征在于,包括:
采集数据;
对数据进行筛选;
根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级;以及
根据标准制冷等级和实际制冷等级预测动车组空调制冷效果;
所述根据筛选后的数据构建标准制冷等级模型,以获取标准制冷等级的方法包括:
构建标准制冷等级模型:
G=f(Co, P, Ci, D);
其中,G为制冷等级;Co为室外温度等级;P为乘客数等级;D为空气湿度等级;
通过标准制冷等级模型预测获取空调制冷系统的标准制冷等级;
所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法包括:
预测各车厢空调制冷效果;
根据实际运行数据获取空调制冷系统的实际制冷等级,根据标准制冷等级和实际制冷等级之间的制冷等级差预测各车厢空调制冷效果;
所述根据标准制冷等级和实际制冷等级预测动车组空调制冷效果的方法还包括:
根据各车厢预测的空调制冷效果预测动车组空调制冷效果,其包括:
当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果与该车厢相同时,判断该动车组制冷效果整体不良,并生成滤网脏堵建议;
当一节车厢预测的空调制冷效果不良时,动车组在预设数量范围内剩余车厢的预测空调制冷效果为良好,判断该动车组制冷效果不良,并生成制冷系统排查建议;
以周期n为间隔判断,当制冷等级差大于预设基准值时,在预设时间范围内以n为周期的制冷等级差构建曲线,当曲线中存在上升趋势则判断制冷效果不良正在发生,并生成确认建议。
2.如权利要求1所述的标准动车组空调制冷系统不良预测方法,其特征在于,
所述采集数据的方法包括:
获取空调运行数据,即获取室外温度、室内温度、压缩机工作状态、旁通阀状态、故障信息和空气湿度;以及
获取动车车厢内乘客数量。
3.如权利要求2所述的标准动车组空调制冷系统不良预测方法,其特征在于,
所述对数据进行筛选的方法包括:
当动车车速小于预设车速时判断获取的数据为无效数据;
当空调制冷系统发生故障时判断获取的数据为无效数据;
筛选预设情况下空调制冷系统工况,以及适于比较的非制冷工况下的数据后将无效数据去除,以完成数据筛选。
4.一种标准动车组空调制冷系统不良预测系统,其特征在于,包括:
采集子系统、售票子系统和服务器;
所述采集子系统和售票子系统适于采集数据,并将数据发送至所述服务器;
所述服务器适于根据数据预测动车组空调制冷效果;
所述服务器适于采用如权利要求1-3任一项所述的标准动车组空调制冷系统不良预测方法根据数据预测动车组空调制冷效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959663.1A CN112182858B (zh) | 2020-09-14 | 2020-09-14 | 标准动车组空调制冷系统不良预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959663.1A CN112182858B (zh) | 2020-09-14 | 2020-09-14 | 标准动车组空调制冷系统不良预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112182858A CN112182858A (zh) | 2021-01-05 |
CN112182858B true CN112182858B (zh) | 2024-06-14 |
Family
ID=73921848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959663.1A Active CN112182858B (zh) | 2020-09-14 | 2020-09-14 | 标准动车组空调制冷系统不良预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112182858B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109323365A (zh) * | 2018-09-30 | 2019-02-12 | 广东美的制冷设备有限公司 | 诊断空调阻塞故障的方法和装置以及空调和存储介质 |
CN109849831A (zh) * | 2018-12-12 | 2019-06-07 | 湖北文理学院 | 车辆、车辆安全预警系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5262122B2 (ja) * | 2008-01-11 | 2013-08-14 | ダイキン工業株式会社 | 空調機診断装置 |
CN106710157B (zh) * | 2015-11-13 | 2018-10-30 | 湖南餐启科技有限公司 | 一种抽油烟机故障预警方法及系统 |
CN105323111B (zh) * | 2015-11-17 | 2018-08-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
CN106600047A (zh) * | 2016-12-09 | 2017-04-26 | 上海铁路局 | 基于bp神经网络的动车组客室空调故障识别与预警方法 |
CN110893744B (zh) * | 2018-09-13 | 2020-08-11 | 珠海格力电器股份有限公司 | 基于公共车辆的空调控制方法和装置 |
CN110189026B (zh) * | 2019-05-30 | 2021-11-12 | 京东城市(北京)数字科技有限公司 | 空气质量改善措施的评估方法及装置、介质、电子设备 |
CN110299874B (zh) * | 2019-07-19 | 2021-05-18 | 河北工业大学 | 一种基于wifi的开关磁阻电动机智能控制系统 |
-
2020
- 2020-09-14 CN CN202010959663.1A patent/CN112182858B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109323365A (zh) * | 2018-09-30 | 2019-02-12 | 广东美的制冷设备有限公司 | 诊断空调阻塞故障的方法和装置以及空调和存储介质 |
CN109849831A (zh) * | 2018-12-12 | 2019-06-07 | 湖北文理学院 | 车辆、车辆安全预警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112182858A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763721B (zh) | 空调系统充注量的仿真方法 | |
CN113531794B (zh) | 空调机 | |
US8543280B2 (en) | Collaborative multi-agent vehicle fault diagnostic system and associated methodology | |
CN109311487B (zh) | 铁路车辆用空调管理系统及铁路车辆用空调装置 | |
Zhou et al. | A model‐based fault detection and diagnosis strategy for HVAC systems | |
DE69809331T2 (de) | System zur Überwachung eines Expansionsventils | |
US20110071722A1 (en) | Air conditioner for vehicle, and system and method of vehicle air-conditioning management | |
CN107806690A (zh) | 一种基于贝叶斯网络的家用空调故障诊断方法 | |
CN109186041A (zh) | 一种空调制冷不良的判断方法及装置 | |
CN111114519A (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN112283876A (zh) | 空调故障预测方法及空调 | |
CN110953687B (zh) | 一种空调的健康度评价方法、系统及存储介质 | |
CN111306706B (zh) | 一种空调联动控制方法及系统 | |
WO2018137908A1 (de) | Fahrzeug mit einer zweistufigen kälteanlage | |
CN113063611A (zh) | 一种设备的监控管理方法及其系统 | |
CN112182858B (zh) | 标准动车组空调制冷系统不良预测方法及系统 | |
CN110104009A (zh) | 一种智能轨道交通空调及其控制方法 | |
CN111806516A (zh) | 一种用于智能列车监测与运维的健康管理装置及方法 | |
CN113033913B (zh) | 空调故障预测性维护方法、系统、电子设备及存储介质 | |
JP5040887B2 (ja) | 車両空調管理システム | |
CN112319550B (zh) | 一种基于列车初上电的故障诊断方法、系统、装置及列车 | |
CN112303810A (zh) | 一种基于机器学习的空调健康预测方法 | |
CN112460738B (zh) | 空调系统的状态识别方法及装置、存储介质、终端 | |
CN108050648A (zh) | 空调器油堵故障检测方法以及空调器 | |
CN115718884A (zh) | 一种用于设备健康程度评价的预防性维护方法 |
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 |