CN112443943A - 一种基于少量标记数据的模型训练方法、控制系统及空调机 - Google Patents

一种基于少量标记数据的模型训练方法、控制系统及空调机 Download PDF

Info

Publication number
CN112443943A
CN112443943A CN201910812428.9A CN201910812428A CN112443943A CN 112443943 A CN112443943 A CN 112443943A CN 201910812428 A CN201910812428 A CN 201910812428A CN 112443943 A CN112443943 A CN 112443943A
Authority
CN
China
Prior art keywords
data
model
air conditioner
temperature
small amount
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
CN201910812428.9A
Other languages
English (en)
Inventor
岳冬
陈翀
宋德超
罗晓宇
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
Zhuhai Lianyun Technology Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Lianyun Technology Co Ltd
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, Zhuhai Lianyun Technology Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201910812428.9A priority Critical patent/CN112443943A/zh
Publication of CN112443943A publication Critical patent/CN112443943A/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
    • F24F11/62—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明提供了一种基于少量标记数据的模型训练方法、控制系统及空调机，训练方法具体为构建初始神经网络模型，以当下空调的环境状态参数为模型输入，经过数据增广方法扩充数据后输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行；控制系统包括初始模型构建模块、数据增广模块和模型优化模块；本发明实现了利用少量标记数据和大量未标记数据完成较高性能的模型训练，解决了传统任务中因数据收集困难而导致模型无法训练或所训练的模型性能效果差的缺陷，进一步推进了传统行业与人工智能技术的深度结合。

Description

一种基于少量标记数据的模型训练方法、控制系统及空调机
技术领域
本发明涉及空调技术领域，具体涉及一种基于少量标记数据的模型训练方法、控制系统及空调机。
背景技术
为了更好地将人工智能技术与传统行业相结合，数据收集工作是其应用落地的关键所在。然而，目前传统行业的数据收集工作难以进行，即使是在人力、时间成本足够的情况下也只能收集到少量的标记数据，收集空调运行的舒适节能标记数据更是如此。因此，为了规避标记数据采集难度大的问题，本文提出了一种基于少量标记数据的空调舒适节能模型训练方法。
发明内容
针对现有技术的不足，本发明提出了一种利用少量标记数据和大量未标记数据完成较高性能的模型训练的方法。
为实现上述目的，本发明采用如下技术方案：
一种基于少量标记数据的模型训练方法，其特征在于，构建初始神经网络模型，以当下空调少量有标记的环境参数为模型输入，经过数据增广方法扩充数据后获得更多有标记的数据,并输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行。
进一步的，当下空调的环境参数包括条室内温度、设定温度、室外温度、排气温度、内管温度和外管温度。通过以上环境参数的输入达到充分描述当前环境状态及用户需求的效果。
进一步的，空调控制的参数包括外风机转速、压缩机转速和电子膨胀阀开度。以上三个参数为空调系统运行核心参数,通过调整这三个参数来调整空调的整体使用状态和功能。
进一步的，输入当下空调的环境参数后经过数据增广方法预测出未标记数据并删除，留下标记数据，经过若干次数据增广后，标记数据积累到一定数量，重新进行模型训练并更新。作用是去杂质，去噪，因为目标训练模型的数据，只有带标记的数据是有效的，所以需要去掉无标记的数据，只留下带标记的数据，达到更好的训练效果。
进一步的，一个未标记数据经过衰变后，增长产生若干个新数据。通过衰变进一步扩充得到新数据，增加数据量可以更好地筛选出有标记数据，以达到更好的训练效果。
进一步的，数据的增广过程具体为若干个新数据输入进同一分类器产生若干个概率分布，再经过均值化、温度Sharpen算法使平均概率分布方差更小，系统熵更小，进而预测出未标记数据的标签。筛选出未标记数据并进行剔除，进而只留下有标记的数据，达到更好的训练效果。
一种基于少量标记数据的模型控制系统，其特征在于，包括初始模型构建模块、数据增广模块及模型优化模块，所述初始模型构建模块用于构建基础的训练模块，并将数据输入进行初始的训练，所述数据增广模块用于数据的扩充，所述模型优化模块用于模型的重新训练并更新。
进一步的，所述初始模型构建模块中输入有若干条经人工获取的实验室环境下舒适节能的空调运行数据。
进一步的，所述初始模型构建模块构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络。
一种空调机，包括处理器和存储器，所述存储器用于存储计算机程序，其特征在于：所述计算机程序被所述处理器调用时实现以上任一项所述的基于少量标记数据的模型训练方法。
本发明提供的一种基于少量标记数据的模型训练方法的有益效果在于：利用少量标签数据便可训练出高性能的模型，以当下空调的环境状态参数为模型输入，准确预测出空调运行参数进而来控制空调进入舒适节能模式运行；解决了传统任务中因数据收集困难而导致模型无法训练或所训练的模型性能效果差的缺陷，进一步推进了传统行业与人工智能技术的深度结合。
附图说明
图1为本发明模型训练流程图；
图2为本发明模型训练框架图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通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，均属于本发明的保护范围。
实施例1：一种基于少量标记数据的模型训练方法，参照图1、图2。
一种基于少量标记数据的模型训练方法，具体步骤包括：
S1，首先，根据专家经验人工获取实验室环境下250条舒适节能的空调运行数据，构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，通过以上环境参数的输入达到充分描述当前环境状态及用户需求的效果，以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络，以上三个参数为空调系统运行核心参数,通过调整这三个参数来调整空调的整体使用状态和功能，利用获取到的已标记数据来进行初始网络训练（RBF神经网络模型训练）；
S2，输入当下空调的环境参数，当下空调的环境参数包括室内温度、设定温度、室外温度、排气温度、内管温度和外管温度，任一个未标记的环境参数经过“K衰变”数据增长产生K个新数据，将K个新数据输入进同一分类器产生K个概率分布，在经过均值化、温度Sharpen算法使平均概率分布方差更小、系统熵更小，进而预测出未标记数据的标签，如此循环，实现数据增广；此步骤，通过衰变进一步扩充得到新数据，增加数据量可以更好地筛选出有标记数据，并进行去杂质，去噪处理，因为目标训练模型的数据，只有带标记的数据是有效的，所以需要筛选出未标记数据并进行剔除，进而只留下有标记的数据，达到更好的训练效果。
S3，当样本数据积累到一定数量时，重新进行模型训练并更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行，（一定数量是指当准确度未达到95%时，继续进行数据增广）。
实施例2：一种基于少量标记数据的模型控制系统，参照图1、图2。
一种基于少量标记数据的模型控制系统，其特征在于，包括初始模型构建模块、数据增广模块及模型优化模块，下面就各个模块的具体步骤进行详细阐述：
初始模型构建模块：首先，根据专家经验人工获取实验室环境下250条舒适节能的空调运行数据；其次，构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，（上述参数足以描述当前环境状态及用户需求），以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络（该三个参数为空调系统运行核心参数）；最后，利用获取到的已标记数据来进行初始网络训练。
数据增广模块：由于传统工业中想要获取特定属性的数据较为困难，而少量标签数据又难以通过训练得到高性能模型，所以必须研究数据增广方法来对设备日常数据进行删选并标注；
一个未标记数据经过“K衰变”数据增长产生K个新数据。将K个新数据输入进同一分类器产生K个概率分布，在经过均值化、温度Sharpen算法使平均概率分布方差更小、系统熵更小，进而预测出未标记数据的标签。如此循环，实现数据增广。
模型优化模块：通过数据增广模块进行训练数据积累，当样本数据积累到一定数量时，重新进行模型训练并更新，最后得到性能更佳的模型。此外，当准确度未达到95%时，继续进行数据增广。
实施例3：一种空调机。
一种空调机，包括处理器和存储器，所述存储器用于存储计算机程序，其特征在于：所述计算机程序被所述处理器调用时实现实施例1所述的基于少量标记数据的模型训练方法。
以上所述为本发明的较佳实施例而已，但本发明不应局限于该实施例和附图所公开的内容，所以凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (10)

1.一种基于少量标记数据的模型训练方法，其特征在于，构建初始神经网络模型，以当下空调少量有标记的环境参数为模型输入，经过数据增广方法扩充数据后获得更多有标记的数据,并输入模型训练更新，准确预测出空调运行参数进而控制空调进入舒适节能模型运行。
2.如权利要求1所述的基于少量标记数据的模型训练方法，其特征在于：当下空调的环境参数包括室内温度、设定温度、室外温度、排气温度、内管温度和外管温度。
3.如权利要求2所述的基于少量标记数据的模型训练方法，其特征在于：空调控制的参数包括外风机转速、压缩机转速和电子膨胀阀开度。
4.如权利要求3所述的基于少量标记数据的模型训练方法，其特征在于：输入当下空调的环境参数后经过数据增广方法预测出未标记数据并删除，留下标记数据，经过若干次数据增广后，标记数据积累到一定数量，重新进行模型训练并更新。
5.如权利要求4所述的基于少量标记数据的模型训练方法，其特征在于：一个未标记数据经过衰变后，增长产生若干个新数据。
6.如权利要求5所述的基于少量标记数据的模型训练方法，其特征在于：数据的增广过程具体为若干个新数据输入进同一分类器产生若干个概率分布，再经过均值化、温度Sharpen算法使平均概率分布方差更小，系统熵更小，进而预测出未标记数据的标签。
7.一种基于少量标记数据的模型控制系统，其特征在于，包括初始模型构建模块、数据增广模块及模型优化模块，所述初始模型构建模块用于构建基础的训练模块，并将数据输入进行初始的训练，所述数据增广模块用于数据的扩充，所述模型优化模块用于模型的重新训练并更新。
8.如权利要求7所述的基于少量标记数据的模型控制系统，其特征在于：所述初始模型构建模块中输入有若干条经人工获取的实验室环境下舒适节能的空调运行数据。
9.如权利要求8所述的基于少量标记数据的模型控制系统，其特征在于：所述初始模型构建模块构建径向基神经网络框架，以室内温度、设定温度、室外温度、排气温度、内管温度、外管温度为输入层特征，以空调外风机转速、压缩机转速、电子膨胀阀开度为输出层特征来定义网络。
10.一种空调机，包括处理器和存储器，所述存储器用于存储计算机程序，其特征在于：所述计算机程序被所述处理器调用时实现权利要求1至6任一项所述的基于少量标记数据的模型训练方法。
CN201910812428.9A 2019-08-30 2019-08-30 一种基于少量标记数据的模型训练方法、控制系统及空调机 Pending CN112443943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910812428.9A CN112443943A (zh) 2019-08-30 2019-08-30 一种基于少量标记数据的模型训练方法、控制系统及空调机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910812428.9A CN112443943A (zh) 2019-08-30 2019-08-30 一种基于少量标记数据的模型训练方法、控制系统及空调机

Publications (1)

Publication Number Publication Date
CN112443943A true CN112443943A (zh) 2021-03-05

Family

ID=74742030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910812428.9A Pending CN112443943A (zh) 2019-08-30 2019-08-30 一种基于少量标记数据的模型训练方法、控制系统及空调机

Country Status (1)

Country Link
CN (1) CN112443943A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115127192A (zh) * 2022-05-20 2022-09-30 中南大学 基于图神经网络的半监督的冷水机组故障诊断方法及系统
WO2023280286A1 (zh) * 2021-07-09 2023-01-12 青岛海尔空调电子有限公司 热泵系统除霜过程中电子膨胀阀的控制方法及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0933089A (ja) * 1995-07-19 1997-02-07 Daikin Ind Ltd 空調機の運転制御装置
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
CN106369739A (zh) * 2016-08-23 2017-02-01 海信（山东）空调有限公司 一种空调控制方法及空调控制器和空调系统
CN106765959A (zh) * 2016-12-27 2017-05-31 武汉虹信技术服务有限责任公司 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
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
CN109084415A (zh) * 2018-07-26 2018-12-25 杭州哲达节能科技有限公司 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN109323425A (zh) * 2018-11-15 2019-02-12 广东美的制冷设备有限公司 空调的控制方法、装置及可读存储介质
CN109959122A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的空调能耗预测方法
CN110057045A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 用于空调器的控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0933089A (ja) * 1995-07-19 1997-02-07 Daikin Ind Ltd 空調機の運転制御装置
CN106322656A (zh) * 2016-08-23 2017-01-11 海信（山东）空调有限公司 一种空调控制方法及服务器和空调系统
CN106369739A (zh) * 2016-08-23 2017-02-01 海信（山东）空调有限公司 一种空调控制方法及空调控制器和空调系统
CN106765959A (zh) * 2016-12-27 2017-05-31 武汉虹信技术服务有限责任公司 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
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
CN109084415A (zh) * 2018-07-26 2018-12-25 杭州哲达节能科技有限公司 基于神经网络和遗传算法的中央空调运行参数寻优方法
CN109323425A (zh) * 2018-11-15 2019-02-12 广东美的制冷设备有限公司 空调的控制方法、装置及可读存储介质
CN109959122A (zh) * 2019-03-11 2019-07-02 浙江工业大学 一种基于长短期记忆循环神经网络的空调能耗预测方法
CN110057045A (zh) * 2019-03-20 2019-07-26 青岛海尔空调器有限总公司 用于空调器的控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘兵: "《基于流形正则化的核方法研究与应用》", 30 June 2016, 中国矿业大学出版社 *
裔隽等: "《Python机器学习实战》", 31 January 2018, 科学技术文献出版社 *
黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017, 电子科技大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023280286A1 (zh) * 2021-07-09 2023-01-12 青岛海尔空调电子有限公司 热泵系统除霜过程中电子膨胀阀的控制方法及存储介质
CN115127192A (zh) * 2022-05-20 2022-09-30 中南大学 基于图神经网络的半监督的冷水机组故障诊断方法及系统
CN115127192B (zh) * 2022-05-20 2024-01-23 中南大学 基于图神经网络的半监督的冷水机组故障诊断方法及系统

Similar Documents

Publication Publication Date Title
JP7188255B2 (ja) 学習方法、学習プログラムおよび学習装置
CN111476713B (zh) 基于多深度卷积神经网络融合的天气图像智能识别方法及系统
CN103853106A (zh) 一种建筑能源供应设备的能耗预测参数优化方法
CN106920006A (zh) 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法
CN112443943A (zh) 一种基于少量标记数据的模型训练方法、控制系统及空调机
CN113610243A (zh) 基于耦合机器学习和相关性分析的大气污染物溯源方法
CN114297907A (zh) 温室环境空间分布预测方法及装置
CN105550244A (zh) 一种自适应聚类方法
CN111881617A (zh) 数据处理方法、风力发电机组的性能评估方法及系统
CN114997044A (zh) 一种用于中央空调的能耗优化方法及数据采集系统
CN111144581A (zh) 一种机器学习超参数调节方法及系统
CN110736231A (zh) 空调控制方法、装置、空调、存储介质以及处理器
CN111505944B (zh) 节能控制策略学习方法、实现空调节能控制的方法及装置
CN117450635B (zh) 一种基于大数据分析的新风系统控制方法
CN112598050A (zh) 生态环境数据质量控制方法
CN110321799B (zh) 一种基于sbr和平均类间距离的场景数选择方法
CN110765420A (zh) 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法
CN106990913A (zh) 一种大规模流式集合数据的分布式处理方法
CN111121218A (zh) 一种基于声纹识别的空调控制方法、计算机可读存储介质及空调
CN110985346A (zh) 一种空气压缩机的后冷控制方法
CN116308128A (zh) 装配式建筑绿色施工管理方法、设备及介质
CN115789871A (zh) 能耗原因分析方法及装置
CN206222612U (zh) 一种空调的能耗综合管理装置
CN117789095B (zh) 一种切花开放周期优化方法、系统、设备及存储介质
CN117011092B (zh) 一种智能建筑设备管理监控系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210305

RJ01 Rejection of invention patent application after publication