CN112460738B - 空调系统的状态识别方法及装置、存储介质、终端 - Google Patents
空调系统的状态识别方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN112460738B CN112460738B CN201910865065.5A CN201910865065A CN112460738B CN 112460738 B CN112460738 B CN 112460738B CN 201910865065 A CN201910865065 A CN 201910865065A CN 112460738 B CN112460738 B CN 112460738B
- Authority
- CN
- China
- Prior art keywords
- pressure value
- preset
- data
- low
- fault
- 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
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
- F24F11/38—Failure diagnosis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D27/00—Heating, cooling, ventilating, or air-conditioning
- B61D27/0018—Air-conditioning means, i.e. combining at least two of the following ways of treating or supplying air, namely heating, cooling or ventilating
-
- 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
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种空调系统的状态识别方法及装置、存储介质、终端,所述方法包括:根据空调系统工作时产生的历史数据,获取新机状态、故障状态和非故障状态下的高压值、低压值以及温度;根据高压值、低压值以及温度,确定每一预设温度下,空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;根据各个良好上下限、各个故障上下限,确定每一预设温度下预定健康状态等级的上下限;获取第一预设时间段内的待检测数据,待检测数据包括高压值、低压值和温度;根据待检测数据和预定健康状态等级的上下限,识别第一预设时间段内的空调系统的健康状态等级。本发明实施例可以对空调系统进行比较准确的性能识别与预测。
Description
技术领域
本发明涉及交通工具空调系统健康管理技术领域,具体地涉及一种空调系统的状态识别方法及装置、存储介质、终端。
背景技术
空调系统作为高速铁路动车组的主要部件之一,为车辆运行过程中乘客的舒适性、安全性提供了必要的基础保障。动车组空调有很多控制装置,这些控制装置相互配合完成制冷或制热的工作。由于动车组空调系统结构复杂,造成其故障的原因多种多样,目前尚没有一种有效的方式可以对空调故障进行预警或评估其性能状态。
现有维修方式主要以事后维修与定期检修为主,这种维修方式或不能及时发现故障将损失降到最小或存在过度维修的嫌疑。因此对空调系统的视情维修非常必要。基于这个考虑,现有的高速动车组都安装了大量的传感器,以获取各种数据进行分析。设计理念与经验表明,空调压缩机的高、低压力,以及室内、外温度对空调状态的分析至关重要,如何有效利用这些参数对空调状态进行评估,故障识别是一个值得研究的课题。
类似地,可以从动车组空调系统扩展至其他交通工具空调系统,其他交通工具空调系统也存在类似技术问题和缺陷。因此,为了提高动车组和其他交通工具运行效率,降低运营成本,对交通工具空调系统运行状态进行预测与评估是非常必要的。
发明内容
本发明解决的技术问题是如何对空调系统进行状态预测与识别。
为解决上述技术问题,本发明实施例提供一种空调系统的状态识别方法,包括:根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。
可选的,所述空调系统的状态识别方法还包括:确定所述第一预设时间段内,所述空调系统的静态压力值;根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。
可选的,所述确定所述第一预设时间段内,所述空调系统的静态压力值包括:记录所述第一预设时间段内,所述空调系统非工作时产生的备用数据,所述备用数据包括若干组数据,每组数据包括高压值和低压值;选取所述备用数据中,高压值与低压值间的压差绝对值最小的一组数据;计算选取的一组数据中的高压值与低压值的均值,作为所述静态压力值。
可选的,所述待检测数据包括若干组数据,每组数据包括高压值、低压值;所述根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式包括:如果任意一组数据满足如下条件,则预测所述空调系统处于蒸发器结冰故障状态:高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值不超过预设静压值。
可选的,所述根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式包括:如果所述待检测数据中的任意一组数据在第二预设时间段内满足如下条件,则预测所述空调系统处于制冷剂缺失故障状态:该组数据的高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,且所述静态压力值不超过预设静压值;其中,所述第二预设时间段的时长大于所述第一预设时间段的时长。
可选的,所述待检测数据包括若干组数据,每组数据包括高压值、低压值,所述确定所述空调系统的故障模式包括:如果所述待检测数据满足如下条件,则预测所述空调系统处于低压侧管路堵塞故障状态:对于所述第一组数据、第二组数据和第三组数据中的任意一组数据,该组数据的高压值小于所述高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值大于所述预设静压值。
可选的,所述待检测数据包括若干组数据,每组数据包括高压值和低压值,所述状态识别方法还包括:如果所述待检测数据满足如下条件,则预测所述空调系统处于短路堵塞或冷凝端翅片散热堵塞故障状态:对于所述若干组数据中的任意一组数据,该组数据的高压值超过所述高压值故障上限,且该组数据的低压值超过所述低压值故障上限。
可选的,所述待检测数据的数量超过预设数据量。
可选的,所述预设温度包括预设室外温度和预设室内温度:对于所述历史数据,选取处于所述新机状态,且高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第一候选数据集;确定所述空调系统的高压值良好上下限包括:对于每一预设室外温度,将该预设室外温度下,所述第一候选数据集中的各个高压值的第一预设分位数和第二预设分位数,分别作为该预设室外温度下所述空调系统的高压值良好上下限;确定所述空调系统的低压值良好上下限包括:对于每一预设室内温度,将该预设室内温度下,所述第一候选数据集中的各个低压值的第一预设分位数和第二预设分位数,分别作为该预设室内温度下所述空调系统的低压值良好上下限;其中,所述第一预设分位数大于所述第二预设分位数。
可选的,所述预设温度包括预设室外温度和预设室内温度,确定所述空调系统的高压值故障上下限包括:对于所述历史数据,选取处于所述故障状态,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值的差值最大的第三组数据,以得到第二候选数据集,并选取处于所述非故障状态下,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第三候选数据集;对于每一预设室外温度,统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第一高压值,并将所述多个第一高压值的第三预设分位数记为a1;统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第二高压值,并将所述多个第二高压值的第四预设分位数记为b1,并将a1,b1的最小值作为该预设室外温度的高压值故障下限;统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第三高压值,并将所述多个第三高压值的第五预设分位数记为c1;统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第四高压值,并将所述多个第四高压值的第六预设分位数记为d1,并将c1,d1的最大值作为该预设室外温度的高压值故障上限;其中,所述第三预设分位数大于所述第四预设分位数,所述第五预设分位数小于所述第六预设分位数;确定所述空调系统的低压值故障上下限包括:对于每一预设室内温度,统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第一低压值,并将所述多个第一低压值的第七预设分位数记为a2;统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第二低压值,并将所述多个第二低压值的第八预设分位数记为b2,并将a2,b2的最小值作为该预设室外温度的高压值故障下限;统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第三低压值,并将所述多个第三低压值的第九预设分位数记为c2;统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第四低压值,并将所述多个第四低压值的第十预设分位数记为d2,并将c2,d2的最大值作为该预设室内温度的低压值故障上限;其中,所述第七预设分位数大于所述第八预设分位数,所述第九预设分位数小于所述第十预设分位数。
可选的,所述预定健康状态等级包括健康、良好、注意、恶化和故障;所述根据预定健康状态等级、各个所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限包括:确定健康状态等级的区域为[良好下半区分界线,良好上半区分界线);确定良好状态等级的区域为[良好下限,良好下半区分界线)∪[良好上半区分界线,良好上限);确定注意状态等级的区域为[注意下半区分界线,良好下限)∪[良好上限,注意上半区分界线);确定恶化状态等级的区域为[故障下限,注意下半区分界线)∪[注意上半区分界线,故障上限);确定故障状态等级的区域为[-∞,故障下限)∪[故障上限,+∞);其中,所述健康中线=(良好上限+良好下限)/2;所述良好上半区分界线=(健康中线+良好上限)/2;所述良好下半区分界线=(健康中线+良好下限)/2;所述注意上半区分界线=(良好上限+故障上限)/2;所述注意下半区分界线=(良好下限+故障下限)/2。
可选的,所述预设温度包括预设室外温度和预设室内温度,所述根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统在各个预设温度下的状态包括:对于所述待检测数据,选取其中高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据;对于所述第一组数据、第二组数据和第三组数据,根据每组数据确定各自的中间健康状态等级,并选取所述中间健康状态等级中的最优健康状态等级作为所述空调系统的健康状态等级。
可选的,所述根据每组数据确定中间健康状态等级包括:对于每组数据,根据该组数据中的高压值、低压值分别得到第一初始健康状态等级和第二初始健康状态等级;选取所述第一初始健康状态等级和第二初始健康状态等级中较差的初始健康状态等级作为该组数据的中间健康状态等级。
可选的,所述根据该组数据中的高压值、低压值分别得到第一初始健康状态等级和第二初始健康状态等级包括:确定该组数据的低压值和高压值各自对应的预设室内温度和预设室外温度;获取所述预设室内温度对应的低压值良好上下限和低压值故障上下限,并获取所述预设室外温度对应的高压值良好上下限和高压值故障上下限;比较该组数据的高压值、高压值良好上下限和高压值故障上下限,以确定该组数据的第一健康状态等级;比较该组数据的低压值、低压值良好上下限和低压值故障上下限,以确定该组数据的第二初始健康状态等级。
为解决上述技术问题,本发明实施例还提供一种空调系统的状态识别装置,包括:第一获取模块,用于根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态各自的高压值和低压值;第一确定模块,用于根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;第二确定模块,用于根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定所述空调系统的预定健康状态等级的上下限;第二获取模块,用于获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;识别模块,用于根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。
为解决上述技术问题,本发明实施例还提供一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述方法的步骤。
为解决上述技术问题,本发明实施例还提供一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例提供一种空调系统的状态识别方法,包括:根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。本发明实施例通过获取历史数据,可以得到每一预设温度对应的新机状态、故障状态、非故障状态的高低压上下限,以及预定健康状态等级的上下限,并可以利用预预定健康状态等级上下限,识别出空调系统的健康状态等级,进而可以预测所述空调系统是否存在故障。进一步,当空调系统安装于交通工具内时,本发明实施例可以在不改变交通工具现有设备和检测条件的情况下,充分利用所述交通工具的历史运行数据,对空调系统进行状态识别和预测,有助于提前发现所述交通工具空调系统的潜在故障,可以减少空调系统故障对交通工具正常运营的影响。进一步,根据本发明实施例识别出的空调系统健康状态等级,有助于管理人员对部分空调进行重点观察,为维修人员排查错综复杂的故障原因节约了时间成本和资源成本。
进一步,还包括:确定所述第一预设时间段内,所述空调系统的静态压力值;根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。本发明实施例可以预测空调系统的故障模式,确定故障画像,进一步判断空调的故障原因,有利于节省成本。
附图说明
图1是本发明实施例的一种空调系统的状态识别方法的流程示意图;
图2是本发明实施例的一种优选实施例的流程示意图;
图3是本发明实施例的一种典型场景中的动车组空调系统的状态识别方法的流程示意图;
图4是本发明实施例的一种典型场景下的故障模式识别方法的流程示意图;
图5是本发明实施例的一种空调系统的状态识别装置的结构示意图。
具体实施方式
如背景技术所言,现有技术中,缺乏对空调系统的健康状态监控,没有有效的故障预测和识别方法。
本发明实施例提供一种空调系统的状态识别方法,包括:根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。
本发明实施例通过获取历史数据,可以得到每一预设温度对应的新机状态、故障状态、非故障状态的高低压上下限,以及预定健康状态等级的上下限,并可以利用预预定健康状态等级上下限,识别出空调系统的健康状态等级,进而可以预测所述空调系统是否存在故障。
进一步,当空调系统安装于交通工具内时,本发明实施例可以在不改变交通工具现有设备和检测条件的情况下,充分利用所述交通工具的历史运行数据,对空调系统进行状态识别和预测,有助于提前发现所述交通工具空调系统的潜在故障,可以减少空调系统故障对交通工具正常运营的影响。
进一步,根据本发明实施例识别出的空调系统健康状态等级,有助于管理人员对部分空调进行重点观察,为维修人员排查错综复杂的故障原因节约了时间成本和资源成本。
为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例的一种空调系统的状态识别方法的流程示意图。所述空调系统可以安装在高速列车、飞机、轮船或其他交通工具中。所述高速列车可以包括但不限于动车组列车、高速动车组列车等。本领域技术人员理解,尽管所述空调系统包含空调设计曲线,但实际运行过程产生的运行曲线可能偏离空调设计曲线。因而可以根据实际运行产生的数据调整原有的空调设计曲线,并根据调整后的曲线对空调系统的健康状态进行识别和预测。
具体而言,所述状态识别方法可以包括以下步骤:
步骤S101,根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;
步骤S102,根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;
步骤S103,根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;
步骤S104,获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;
步骤S105,根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。
更具体而言,交通工具在运行过程中,可以实时对安装其内的空调系统进行监测和记录,记录空调系统工作时的运行数据。相应地,当所述空调系统不工作时,也可以记录相关数据。各个记录的数据可以形成按照时间排布的历史数据。所述历史数据可以包括按时间排布的多个数据点,每个数据点的信息可以包括高压值、低压值和温度,例如,可以包括交通工具的室内温度和室外温度、以及所述室内温度和室外温度下的空调系统各自对应的低压值和高压值等。
进一步,所述历史数据可以包括故障状态下的高压值和低压值以及温度,非故障状态下的高压值和低压值以及温度,以及新机状态下的高压值和低压值以及温度。其中,所述新机状态可以指的是所述空调系统的工作时长不大于预设运行时长,且未发生故障的状态;所述非故障状态可以指的是所述空调系统的工作时长大于预设运行时长,且未发生故障的状态。例如,所述预设运行时长可以为1个月。
在步骤S101中,根据所述历史数据,可以获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度。进一步,可以设置预设温度,所述预设温度可以包括预设室外温度和预设室内温度。在具体实施中,所述预设温度的取值可以为整数。
在步骤S102中,可以利用获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限;以及所述空调系统的低压值良好上下限和低压值故障上下限。
在一个非限制性的例子中,所述预设室外温度的取值范围可以为14至45摄氏度;所述预设室内温度的取值范围可以为19至40摄氏度。如果所述历史数据中未记录有所述预设室外温度或预设室内温度的取值范围内的整数温度对应的新机状态、故障状态或非故障状态时的高压值和/或低压值,那么可以采用四舍五入方式得到整数温度的值,进而得到整数温度下的所有新机状态、非故障状态或故障状态各自的高压值和低压值,再利用线性插值方法计算上述温度取值范围内所有温度对应的新机状态、非故障状态或故障状态各自的高压值和低压值。
需要说明的是,所述历史数据可以包括多台交通工具的空调系统、每一空调系统在多个时间段/运行周期产生的多组数据。在新机状态下、故障状态、非故障状态,每一空调系统在每个时间段,都可产生与一温度对应的一组高压值、低压值。因此,在此步骤中得到的每个温度、每个状态对应的高压值、低压值均是一个数据集合。
进一步,作为一个非限制性实施例,对于每一预设室内温度和每一预设室外温度,可以确定所述空调系统的高压值良好上下限、低压值良好上下限以及高压值故障上下限和低压值故障上下限。
具体而言,首先,可以从所述历史数据中选取处于所述新机状态,且高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值之间的压差最大的第三组数据,以得到第一候选数据集,该第一候选数据集可以用于确定所述空调系统的高压值良好上下限和低压值良好上下限。
其次,可以将每一预设室外温度下,所述第一候选集中的各个高压值的第一预设分位数和第二预设分位数,分别作为该预设室外温度下所述空调系统的高压值良好上下限。
再次,可以将每一预设室内温度下,所述第一候选数据集中的各个低压值的第一预设分位数和第二预设分位数,分别作为该预设室内温度下所述空调系统的低压值良好上下限。其中,所述第一预设分位数大于所述第二预设分位数。在一个非限制性的例子中,所述第一预设分位数可以为97.5%,所述第二预设分位数可以为2.5%。
本领域技术人员理解,在具体实施中,确定所述空调系统高压值良好上下限和低压值良好上下限可以基本并行地执行,或者顺序执行。顺序执行时,也可以按照上述步骤相反的顺序执行。此外,在确定低压值良好上下限时,设置的预设分位数可以不同于高压值良好上下限的第一预设分位数和第二预设分位数。
作为另一个非限制性实施例,可以从所述历史数据中选取处于所述故障状态,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值的差值最大的第三组数据,并将这三组数据作为第二候选数据集的元素,并可以选取处于所述非故障状态下,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,并将这三组数据作为第三候选数据集。所述第二候选数据集和第三候选数据集可以用于确定所述空调系统高压值故障上下限和低压值故障上下限。
在具体实施中,确定所述高压值故障上下限可以采用如下步骤:
首先,对于每一预设室外温度,可以统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第一高压值,并将所述多个第一高压值的第三预设分位数记为a1;其次,可以统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第二高压值,并将所述多个第二高压值的第四预设分位数记为b1,并将a1,b1的最小值作为该预设室外温度的高压值故障下限。
再次,可以统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第三高压值,并将所述多个第三高压值的第五预设分位数记为c1;进一步,可以统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第四高压值,并将所述多个第四高压值的第六预设分位数记为d1,并将c1,d1的最大值作为该预设室外温度的高压值故障上限。其中,所述第三预设分位数大于所述第四预设分位数,所述第五预设分位数小于所述第六预设分位数。例如,a1可以为90%,b1可以为2.5%,c1可以为10%,d1可以为97.5%。
在具体实施中,确定所述空调系统低压值故障上下限可以采用如下步骤:首先,可以统计所述第二候选数据集中,所述空调系统在每一预设室内温度下,低压值小于所述低压值良好下限的多个第一低压值,并将所述多个第一低压值的第七预设分位数记为a2;其次,可以统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第二低压值,并将所述多个第二低压值的第八预设分位数记为b2,并将a2,b2的最小值作为该预设室外温度的高压值故障下限。
再次,可以统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第三低压值,并将所述多个第三低压值的第九预设分位数记为c2;进一步,可以统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第四低压值,并将所述多个第四低压值的第十预设分位数记为d2,并将c2,d2的最大值作为该预设室内温度的低压值故障上限;其中,所述第七预设分位数大于所述第八预设分位数,所述第九预设分位数小于所述第十预设分位数。
在具体实施中,所述第七预设分位数可以等于所述第三预设分位数,所述第八预设分位数可以等于所述第四预设分位数,所述第九预设分位数可以等于所述第五预设分位数,所述第十预设分位数可以等于所述第六预设分位数。例如,a2可以为90%,b2可以为2.5%,c2可以为10%,d2可以为97.5%。
在步骤S103中,可以根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限。
在具体实施中,可以设置所述预定健康状态等级数量为5,所述预定健康状态等级可以包括健康、良好、注意、恶化、疾病。
在一个非限制性的例子中,可以对每一预设温度下的压力值分别确定健康中线=(良好上限+良好下限)/2;确定良好上半区分界线=(健康中线+良好上限)/2;确定良好下半区分界线=(健康中线+良好下限)/2;确定注意上半区分界线=(良好上限+故障上限)/2;确定注意下半区分界线=(良好下限+故障下限)/2。
之后,可以确定健康状态等级区域为[良好下半区分界线,良好上半区分界线);确定良好状态等级区域为[良好下限,良好下半区分界线)∪[良好上半区分界线,良好上限);确定注意状态等级区域为[注意下半区分界线,良好下限)∪[良好上限,注意上半区分界线);确定恶化状态等级区域为[故障下限,注意下半区分界线)∪[注意上半区分界线,故障上限);定义故障状态等级区域为[-∞,故障下限)∪[故障上限,+∞)。
在具体实施中,以高压值对应的各个预定健康状态等级上下限为例,高压健康中线=(高压良好上限+高压良好下限)/2;高压良好上半区分界线=(高压健康中线+高压良好上限)/2;高压良好下半区分界线=(高压健康中线+高压良好下限)/2;高压注意上半区分界线=(高压良好上限+高压故障上限)/2;高压注意下半区分界线=(高压良好下限+高压故障下限)/2。
进一步,对于每一预设室外温度,高压值对应的健康状态等级区域为[高压良好下半区分界线,高压良好上半区分界线);高压值对应的良好状态等级区域为[高压良好下限,高压良好下半区分界线)∪[高压良好上半区分界线,高压良好上限);高压值对应的注意状态等级区域为[高压注意下半区分界线,高压良好下限)∪[高压良好上限,高压注意上半区分界线);高压值对应的恶化状态等级区域为[高压故障下限,高压注意下半区分界线)∪[高压注意上半区分界线,高压故障上限);高压值对应的故障状态等级区域为[-∞,高压故障下限)∪[高压故障上限,+∞)。
本领域技术人员理解,低压值对应的各个预定健康状态等级上下限可以采用类似方式确定,这里不再赘述。
在步骤S104中,可以获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度。所述待检测数据可以是空调系统工作时产生的待检测数据。其中,所述待检测数据可以是选取所述预设温度范围内的高压值和低压值得到的数据。其中,所述第一预设时间段可以是一段时间范围,例如,1日。
在步骤S105中,可以根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内所述空调系统的健康状态等级。具体而言,首先,可以选取所述待检测数据中,高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据;其次,可以根据各组数据确定中间健康状态等级;之后,可以选取所述中间健康状态等级中的最优健康状态等级作为所述空调系统的健康状态等级。优选地,所述待检测数据的数量超过预设数据量,所述预设数据量可以为50或其他数值。
在一个非限制性的例子中,确定所述中间健康状态等级可以包括以下步骤:首先,可以根据每组数据中的低压值和高压值各自对应的预设室内温度和预设室外温度。之后,获取所述预设室内温度对应的低压值良好上下限和低压值故障上下限,并获取所述预设室外温度对应的高压值良好上下限和高压值故障上下限。进一步,可以比较该组数据的高压值、高压值良好上下限和高压值故障上下限,以确定该组数据的第一初始健康状态等级;并可以比较该组数据的低压值、低压值良好上下限和低压值故障上下限,从而得到该组数据的第二初始健康状态等级。进一步,可以选取所述第一初始健康状态等级和第二初始健康状态等级中较差的初始健康状态等级作为该组数据的中间健康状态等级。
进一步,可以从所述待检测数据中高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据。如果所述第一组数据、第二组数据和第三组数据中的任意一组数据的高压值超过所述高压值故障上限,且该组数据的低压值超过所述低压值故障上限,则可以预测所述空调系统处于短路堵塞或冷凝端翅片散热堵塞故障状态。优选地,所述待检测数据的数量可以超过预设数据量,所述预设数据量可以为50。
图2是本发明实施例的一种优选实施例的流程示意图。在具体实施中,所述状态识别方法除包括图1所示步骤S101至步骤S105以外,还可以包括:
步骤S106,确定所述第一预设时间段内,所述空调系统的静态压力值;
步骤S107,根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。
在接下来的具体阐述中,省略关于与图1所示实施例相同的事项和特征的描述,仅针对与上述图1所示实施例的不同之处进行详细阐述。
在步骤S106中,可以记录所述第一预设时间段内,所述空调系统非工作时产生的备用数据,所述备用数据包括多组数据,每组数据可以包括高压值和低压值。之后,可以选取所述备用数据中,高压值与低压值间的压差绝对值最小的一组数据。进而可以计算选取的一组数据中的高压值与低压值的均值,作为静态压力值。
在步骤S107中,可以根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。
在一个实施例中,所述待检测数据可以包括多组数据,每组数据包括高压值、低压值和温度。如果所述多组数据中的任意一组数据中,所述高压值小于所述高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值不超过预设静压值,则可以预测所述空调系统处于蒸发器结冰故障状态。优选地,所述待检测数据的数量超过预设数据量,所述预设数据量可以为50。
在另一个实施例中,在第二预设时间段内,如果所述待检测数据中的任意一组数据的高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,且所述静态压力值不超过预设静压值,则可以预测所述空调系统处于制冷剂缺失故障状态。其中,所述第二预设时间段的时长大于所述第一预设时间段的时长。优选地,所述待检测数据的数量超过预设数据量,所述预设数据量可以为50。
在具体实施中,如果所述空调系统在所述第一预设时间段内的预测结果为处于蒸发器结冰故障状态,且在第二预设时间段内,所述空调系统工作时产生的第二待检测数据的预测结果仍然处于蒸发器结冰故障状态,则可以预测第三预设时间段内,所述空调系统处于制冷剂缺失故障状态。其中,所述第三预设时间段=所述第二预设时间段+所述第一预设时间段;所述第二预设时间段位于所述第一预设时间段之后,且所述第一预设时间段与所述第二预设时间段是连续、不间断的时间段。优选地,所述待检测数据的数量超过预设数据量,所述预设数据量可以为50。
在另一个实施例中,所述待检测数据包括多组数据,每组数据可以包括高压值和低压值。如果所述多组数据中的任意一组数据的高压值小于所述高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值大于所述预设静压值,则可以预测所述空调系统处于低压侧管路堵塞故障状态。优选地,所述待检测数据的数量超过预设数据量,所述预设数据量可以为50。
下面以动车组空调系统为具体实施例进行详细阐述。图3是本发明实施例的一种典型场景中的动车组空调系统的状态识别方法的流程示意图。所述状态识别方法可以通过对空调压缩机高压、低压与室内温度、室外温度的已有设计曲线的修正,确定空调处于健康或故障状态的上下限值,并以此确定空调参数所刻画的健康状态等级。同时根据参数间不同状态的组合,结合业务逻辑,确定空调系统可能发生的故障类型。
具体而言,参考图3,所述状态识别方法可以包括以下步骤:
在步骤S301中,根据制冷模式下的历史数据确定室外温度下的高压值良好上下限和高压值故障上下限和室内温度下低压值良好上下限和低压值故障上下限。具体而言,可以确定空调全功率工作状态下的高低压值上下限,也即制冷模式下的高低压值上下限。通过观察历史数据中的高压值、低压值与室内温度、室外温度,确定所述空调系统全功率工作状态下,室外温度取值范围为14至45摄氏度,室内温度取值范围为19至40摄氏度时,每一整数室外温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限。
在具体实施中,可以统计新机状态、非故障状态空调和故障状态空调这三种空调系统在每一个整数值温度下产生的数据值。在具体实施中,非整数温度可以通过四舍五入的方法转化为整数温度,该整数温度对应的高压值或低压值等于四舍五入之前的非整数温度对应的高压值或低压值;之后,还可以通过线性插值得到该温度取值范围内所有温度对应的高压值和低压值。
进一步,可以选取所述空调系统处于工作状态时的一段时间内的数据,如制冷模式下的一段时间内的历史数据,从中获取其高压值最大、低压值最小和高低压值之间压差最大的三组数据。如果三组数据恰好相同,则可以重复计算,以得到所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限。
作为一个非限制性的例子,可以计算每一个室外温度下的新空调的高压值的97.5%与2.5%分位数,以此作为该室外温度下空调系统的高压值良好上下限,其中,所述新空调指的是安装至动车组,运行一个月以内且未发生故障的空调。
进一步,可以统计所述故障状态下,每一个室外温度下小于所述高压值良好下限的高压值,取其90%分位数记为a。统计所述非故障状态下,每一个室外温度下高压值低于所述高压值良好下限的高压值,取其2.5%分位数记为b。取a,b的最小值min{a,b}作为所述高压值故障下限。统计所述故障状态下,每一个室外温度下大于高压值良好上限的高压值,取其10%分位数记为c。统计所述非故障状态下,每一个室外温度下高压值高于所述高压值良好上限的高压值,取其97.5%分位数记为d。取c,d的最大值max{c,d}作为所述高压值故障上限。类似地,可以得到整数室内温度下,所述空调系统处于低压值良好上下限和低压值故障上下限。
在步骤S302中,根据健康等级划分的可用性原则以及高低压值良好上下限和高低压值故障上下限,确定预设健康状态等级为健康、良好、注意、恶化、疾病。
可以确定空调系统的健康状态等级。具体而言,可以根据健康状态等级划分的可用性原则以及所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,将所述空调系统的健康状态等级细化为健康、良好、注意、恶化、疾病5个等级。并且,可以将“健康”记为1级,“良好”记为2级,“注意”记为3级,“恶化”记为4级,“疾病”记为5级。
具体实施中,可以对高压值、低压值分别确定健康中线=(良好上限+良好下限)/2;确定良好上半区分界线=(健康中线+良好上限)/2;确定良好下半区分界线=(健康中线+良好下限)/2;确定注意上半区分界线=(良好上限+故障上限)/2;确定注意下半区分界线=(良好下限+故障下限)/2。
进一步,还可以确定健康状态等级区域为[良好下半区分界线,良好上半区分界线);确定良好状态等级区域为[良好下限,良好下半区分界线)∪[良好上半区分界线,良好上限);确定注意状态等级区域为[注意下半区分界线,良好下限)∪[良好上限,注意上半区分界线);确定恶化状态等级区域为[故障下限,注意下半区分界线)∪[注意上半区分界线,故障上限);定义故障状态等级区域为[-∞,故障下限)∪[故障上限,+∞)。
在步骤S303中,取每日所有制冷模式工作状态下的参数数据,统计记录的参数数据量。在步骤S304中,判断所述参数数据量是否超过预设数值。
在具体实施中,可以对每一台空调,选取每日制冷模式下,在所述预设温度范围内的高压值、低压值与室内温度、室外温度,组成4维表。若该表记录条数小于某一预设数值,例如,该预设数值为50,则执行步骤S3052,评估为未知状态,因为数据不足无法得到有效的评估,因此评估该日空调的健康状态等级为未知状态。
若该表记录条数大于所述预设数值,则可以执行步骤S3051,即分别取高压值最大、低压值最低以及高低压值差值最大的三组数据,根据其对应的室内外温度判断高压值、低压值各自所处的初始健康状态等级。
具体而言,可以分别选取记录中高压值最大、低压值最小以及高低压值的差值最大的三组数据分别进行计算,若高压值最大、低压值最小以及高低压压差最大对应同一组数据,则可以重复计算,确定每组数据中高压值和低压值各自所处的初始健康状态等级。
进一步,在步骤S306中,可以选取每一组高压值、低压值各自所处的初始健康状态等级中,较差的健康状态等级作为该组数据的中间健康状态等级。
在具体实施中,可以取每一组数据高、低压的初始健康状态等级较低的结果作为这组数据的评判等级。即当高压评判等级为i,低压评判等级为j时,这组数据的中间健康状态等级,也即综合等级为max{i,j}。
进一步,在步骤S307中,取中间健康状态等级中的最优结果作为健康状态等级。具体而言,可以取三组数据的中间健康状态等级中的最优等级作为当日空调系统的评判等级。即,当三组数据的评价等级分别为i、j、k时,当日健康状态等级为min{i,j,k}。至此,完成了空调系统的健康状态等级的评估。
在步骤S308中,取每日制冷模式工作状态与非工作状态的所有高低压,内外温数据。分别统计其记录条数。
进一步,在步骤S309中,判断非工作状态记录数是否超过预设数值。如果超过所述预设数值,则可以执行步骤S310,判断工作状态记录是否为空。如果未超过所述预设数值,则执行步骤S312,即数据不足无法进行故障诊断。如果工作状态记录为空,则同样执行步骤S312,否则,执行步骤S311,根据经验准则确定好个判定规则,对制冷模式工作状态下的每一条记录进行状态识别。
图4是本发明实施例的一种典型场景下的故障模式识别方法的流程示意图。参考图4,首先执行步骤S401,取非工作状态高、低压值差值最小的一组数据,计算其高、低压值的均值作为静态压力值。之后,可以执行步骤S402,对处于制冷模式工作状态下的每一组数据,进行判定。
进一步,在步骤S4021中,可以判断高、低压值都大于故障上限,如果是,则转向步骤S4022,预测管路堵塞或冷凝端翅片散热堵塞。如果否,意味着高压值不大于高压故障上限,低压值不大于低压值故障上限,则执行步骤S4023,判断高、低压值都小于故障下限。如果都不大于,则执行步骤S4024,即判断是否存在其他参数异常组合,如果否,则转向步骤S4027,预测正常,否则转向步骤S4026,即上报参数异常信息。
进一步,如果高压值和低压值都各自小于高压故障下限和低压故障下限,则执行步骤S4025,判断所述静态压力值是否大于8,如果大于8,则执行步骤S4029,预测低压侧管路堵塞,否则,如果高压值和低压值都各自小于高压故障下限和低压故障下限,且所述静态压力值不大于8,则执行步骤S4028,判断前一天是否预测为“蒸发器结冰”故障,如果是,则转向步骤S4031,预测制冷剂缺失;否则,执行步骤S4030,预测蒸发器结冰。
综上所述,通过本发明实施例提供的技术方案,可以预测和诊断目前包括高速动车组在内的多种交通工具中的空调系统的潜在故障。本发明实施例可以根据实际数据对厂家提供的关于高压、低压和室内温度和室外温度的设计曲线进行修正,得到关于单组参数数据状态判断的准则。并以此为基础得到空调健康状态等级的评估方法和故障诊断方法。本发明实施例可以调整原有空调设计曲线,使得评估结果更符合实际情况。进一步,对多组数据评估后得到最优等级的策略降低了少量异常数据对评估结果的影响。对于故障诊断策略,可以结合众多有经验的运维人员历史经验的总结,相比大部分故障预测方法,本发明实施例对多种故障类型的判决进行了详细的刻画,对检修人员进行检修工作具有重要的指导意义,大大降低了运维成本与时间成本。
图5是本发明实施例的一种空调系统统的状态识别装置的结构示意图。所述空调系统统的状态识别装置5(以下简称为状态识别装置5)可以采用上述图1至图4所示方法对空调系统进行预测。
具体而言,所述状态识别装置5可以包括:第一获取模块51,用于根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;第一确定模块52,用于根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;第二确定模块53,用于根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;第二获取模块54,用于获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;识别模块55,用于根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级。
在具体实施中,所述识别装置5还可以包括:第三确定模块56,用于确定所述第一预设时间段内,所述空调系统的静态压力值;第四确定模块57,用于根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。
在具体实施中,所述第三确定模块56可以包括记录子模块561,用于记录所述第一预设时间段内,所述空调系统非工作时产生的备用数据,所述备用数据包括若干组数据,每组数据包括高压值和低压值;第一选取子模块562,用于选取所述备用数据中,高压值与低压值间的压差绝对值最小的一组数据;计算子模块563,用于计算选取的一组数据中的高压值与低压值的均值,作为所述静态压力值。
在具体实施中,所述待检测数据包括若干组数据,每组数据包括高压值、低压值;所述第四确定模块57可以包括:第一预测子模块571,如果任意一组数据满足如下条件,则所述第一预测子模块571预测所述空调系统处于蒸发器结冰故障状态:高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值不超过预设静压值。
在具体实施中,所述第四确定模块57可以包括:第二预测子模块572,如果所述待检测数据中的任意一组数据在第二预设时间段内满足如下条件,则预测所述空调系统处于制冷剂缺失故障状态:该组数据的高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,且所述静态压力值不超过预设静压值;其中,所述第二预设时间段的时长大于所述第一预设时间段的时长。
在具体实施中,所述待检测数据包括若干组数据,每组数据包括高压值、低压值,所述第四确定模块57可以包括:第三预测子模块573,如果所述待检测数据满足如下条件,则预测所述空调系统处于低压侧管路堵塞故障状态:对于所述若干组数据中的任意一组数据,该组数据的高压值小于所述高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值大于所述预设静压值。
在具体实施中,所述待检测数据包括若干组数据,每组数据包括高压值和低压值,所述识别装置5还可以包括:预测模块58,如果所述待检测数据满足如下条件,则预测所述空调系统处于短路堵塞或冷凝端翅片散热堵塞故障状态:对于所述若干组数据中的任意一组数据,该组数据的高压值超过所述高压值故障上限,且该组数据的低压值超过所述低压值故障上限。
在具体实施中,所述待检测数据的数量超过预设数据量。
在具体实施中,所述预设温度包括预设室外温度和预设室内温度,所述第一确定模块52可以包括第二选取子模块521,对于所述历史数据,选取处于所述新机状态,且高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第一候选数据集;第一确定子模块522,对于每一预设室外温度,将该预设室外温度下,所述第一候选数据集中的各个高压值的第一预设分位数和第二预设分位数,分别作为该预设室外温度下所述空调系统的高压值良好上下限;第二确定子模块523,对于每一预设室内温度,将该预设室内温度下,所述第一候选数据集中的各个低压值的第一预设分位数和第二预设分位数,分别作为该预设室内温度下所述空调系统的低压值良好上下限;其中,所述第一预设分位数大于所述第二预设分位数。
在具体实施中,所述预设温度包括预设室外温度和预设室内温度,所述第一确定模块52可以包括第三选取子模块524,对于所述历史数据,选取处于所述故障状态,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值的差值最大的第三组数据,以得到第二候选数据集,并选取处于所述非故障状态下,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第三候选数据集;第三确定子模块525,对于每一预设室外温度,统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第一高压值,并将所述多个第一高压值的第三预设分位数记为a1;统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第二高压值,并将所述多个第二高压值的第四预设分位数记为b1,并将a1,b1的最小值作为该预设室外温度的高压值故障下限;统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第三高压值,并将所述多个第三高压值的第三预设分位数记为c1;统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第四高压值,并将所述多个第四高压值的第四预设分位数记为d1,并将c1,d1的最大值作为该预设室外温度的高压值故障上限;其中,所述第三预设分位数大于所述第四预设分位数;第四确定子模块526,对于每一预设室内温度,统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第一低压值,并将所述多个第一低压值的第五预设分位数记为a2;统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第二低压值,并将所述多个第二低压值的第六预设分位数记为b2,并将a2,b2的最小值作为该预设室外温度的高压值故障下限;统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第三低压值,并将所述多个第三低压值的第五预设分位数记为c2;统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第四低压值,并将所述多个第四低压值的第六预设分位数记为d2,并将c2,d2的最大值作为该预设室内温度的低压值故障上限;其中,所述第五预设分位数大于所述第六预设分位数。
在具体实施中,所述第二确定模块53可以包括:第五确定子模块(图未示出),用于确定健康等级的区域为[良好下半区分界线,良好上半区分界线);第六确定子模块(图未示出),用于确定良好等级的区域为[良好下限,良好下半区分界线)∪[良好上半区分界线,良好上限);第七确定子模块(图未示出),用于确定注意等级的区域为[注意下半区分界线,良好下限)∪[良好上限,注意上半区分界线);第八确定子模块(图未示出),用于确定恶化等级的区域为[故障下限,注意下半区分界线)∪[注意上半区分界线,故障上限);第九确定子模块(图未示出),用于确定故障等级的区域为[-∞,故障下限)∪[故障上限,+∞);其中,所述健康中线=(良好上限+良好下限)/2;所述良好上半区分界线=(健康中线+良好上限)/2;所述良好下半区分界线=(健康中线+良好下限)/2;所述注意上半区分界线=(良好上限+故障上限)/2;所述注意下半区分界线=(良好下限+故障下限)/2。
在具体实施中,所述预设温度包括预设室外温度和预设室内温度,所述识别模块55可以包括:第四选取子模块551,对于所述待检测数据,选取其中高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据;生成子模块552,对于所述第一组数据、第二组数据和第三组数据,根据每组数据确定中间健康状态等级,并选取所述中间健康状态等级中的最优健康状态等级作为所述空调系统的健康状态等级。
在具体实施中,所述生成子模块552可以包括:确定单元5521,对于每组数据,根据该组数据中的高压值、低压值分别得到第一初始健康状态等级和第二初始健康状态等级;选取单元5522,用于选取所述第一初始健康状态等级和第二初始健康状态等级中较差的初始健康状态等级作为该组数据的中间健康状态等级。
在具体实施中,所述确定单元5521还用于确定该组数据的低压值和高压值各自对应的预设室内温度和预设室外温度;获取所述预设室内温度对应的低压值良好上下限和低压值故障上下限,并获取所述预设室外温度对应的高压值良好上下限和高压值故障上下限;比较该组数据的高压值、高压值良好上下限和高压值故障上下限,以确定该组数据的第一健康状态等级;比较该组数据的低压值、低压值良好上下限和低压值故障上下限,以确定该组数据的第二初始健康状态等级。
关于所述状态识别装置5的工作原理、工作方式的更多内容,可以一并参照上述图1至图4所示实施例中的相关描述,这里不再赘述。
进一步地,本发明实施例还公开一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行上述图1至图4所示实施例中所述方法技术方案。优选地,所述存储介质可以包括诸如非挥发性(non-volatile)存储器或者非瞬态(non-transitory)存储器等计算机可读存储介质。所述计算机可读存储介质可以包括ROM、RAM、磁盘或光盘等。
进一步地,本发明实施例还公开一种终端,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行上述图1至图3所示实施例中所述方法技术方案。具体而言,所述终端可以为具有空调系统的交通工具,例如动车组。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (16)
1.一种空调系统的状态识别方法,其特征在于,包括:
根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态下的空调系统的高压值、低压值以及温度;
根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;
根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限;
获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;
根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级;所述预设温度包括预设室外温度和预设室内温度,所述根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统在各个预设温度下的状态包括:对于所述待检测数据,选取其中高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据;对于所述第一组数据、第二组数据和第三组数据,根据每组数据确定各自的中间健康状态等级,并选取所述中间健康状态等级中的最优健康状态等级作为所述空调系统的健康状态等级。
2.根据权利要求1所述的空调系统的状态识别方法,其特征在于,还包括:
确定所述第一预设时间段内,所述空调系统的静态压力值;
根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式。
3.根据权利要求2所述的空调系统的状态识别方法,其特征在于,所述确定所述第一预设时间段内,所述空调系统的静态压力值包括:
记录所述第一预设时间段内,所述空调系统非工作时产生的备用数据,所述备用数据包括若干组数据,每组数据包括高压值和低压值;
选取所述备用数据中,高压值与低压值间的压差绝对值最小的一组数据;
计算选取的一组数据中的高压值与低压值的均值,作为所述静态压力值。
4.根据权利要求2所述的空调系统的状态识别方法,其特征在于,所述待检测数据包括若干组数据,每组数据包括高压值、低压值;所述根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式包括:
如果任意一组数据满足如下条件,则预测所述空调系统处于蒸发器结冰故障状态:
高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值不超过预设静压值。
5.根据权利要求4所述的空调系统的状态识别方法,其特征在于,所述根据所述静态压力值和每一预设温度下,所述高压值故障上下限和低压值故障上下限,确定所述空调系统的故障模式包括:
如果所述待检测数据中的任意一组数据在第二预设时间段内满足如下条件,则预测所述空调系统处于制冷剂缺失故障状态:
该组数据的高压值小于高压值故障下限,且该组数据的低压值小于所述低压值故障下限,且所述静态压力值不超过预设静压值;
其中,所述第二预设时间段的时长大于所述第一预设时间段的时长。
6.根据权利要求2所述的空调系统的状态识别方法,其特征在于,所述待检测数据包括若干组数据,每组数据包括高压值、低压值,所述确定所述空调系统的故障模式包括:
如果所述待检测数据满足如下条件,则预测所述空调系统处于低压侧管路堵塞故障状态:
对于所述若干组数据中的任意一组数据,该组数据的高压值小于所述高压值故障下限,且该组数据的低压值小于所述低压值故障下限,所述静态压力值大于预设静压值。
7.根据权利要求1所述的空调系统的状态识别方法,其特征在于,所述待检测数据包括若干组数据,每组数据包括高压值和低压值,所述状态识别方法还包括:
如果所述待检测数据满足如下条件,则预测所述空调系统处于短路堵塞或冷凝端翅片散热堵塞故障状态:
对于所述若干组数据中的任意一组数据,该组数据的高压值超过所述高压值故障上限,且该组数据的低压值超过所述低压值故障上限。
8.根据权利要求4至7任一项所述的空调系统的状态识别方法,其特征在于,所述待检测数据的数量超过预设数据量。
9.根据权利要求1所述的空调系统的状态识别方法,其特征在于,所述预设温度包括预设室外温度和预设室内温度,
对于所述历史数据,选取处于所述新机状态,且高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第一候选数据集;
确定所述空调系统的高压值良好上下限包括:对于每一预设室外温度,将该预设室外温度下,所述第一候选数据集中的各个高压值的第一预设分位数和第二预设分位数,分别作为该预设室外温度下所述空调系统的高压值良好上下限;
确定所述空调系统的低压值良好上下限包括:对于每一预设室内温度,将该预设室内温度下,所述第一候选数据集中的各个低压值的第一预设分位数和第二预设分位数,分别作为该预设室内温度下所述空调系统的低压值良好上下限;
其中,所述第一预设分位数大于所述第二预设分位数。
10.根据权利要求1或9所述的空调系统的状态识别方法,其特征在于,所述预设温度包括预设室外温度和预设室内温度,
对于所述历史数据,选取处于所述故障状态,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值的差值最大的第三组数据,以得到第二候选数据集,并选取处于所述非故障状态下,高压值最大的第一组数据、低压值最小的第二组数据以及高压值和低压值压差最大的第三组数据,以得到第三候选数据集;
确定所述空调系统的高压值故障上下限包括:对于每一预设室外温度,统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第一高压值,并将所述多个第一高压值的第三预设分位数记为a1;
统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值小于所述高压值良好下限的多个第二高压值,并将所述多个第二高压值的第四预设分位数记为b1,并将a1,b1的最小值作为该预设室外温度的高压值故障下限;
统计所述第二候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第三高压值,并将所述多个第三高压值的第五预设分位数记为c1;
统计所述第三候选数据集中,所述空调系统在该预设室外温度下,高压值大于所述高压值良好上限的多个第四高压值,并将所述多个第四高压值的第六预设分位数记为d1,并将c1,d1的最大值作为该预设室外温度的高压值故障上限;
其中,所述第三预设分位数大于所述第四预设分位数,所述第五预设分位数小于所述第六预设分位数;
确定所述空调系统的低压值故障上下限包括:对于每一预设室内温度,统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第一低压值,并将所述多个第一低压值的第七预设分位数记为a2;
统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值小于所述低压值良好下限的多个第二低压值,并将所述多个第二低压值的第八预设分位数记为b2,并将a2,b2的最小值作为该预设室外温度的高压值故障下限;
统计所述第二候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第三低压值,并将所述多个第三低压值的第九预设分位数记为c2;
统计所述第三候选数据集中,所述空调系统在该预设室内温度下,低压值大于所述低压值良好上限的多个第四低压值,并将所述多个第四低压值的第十预设分位数记为d2,并将c2,d2的最大值作为该预设室内温度的低压值故障上限;
其中,所述第七预设分位数大于所述第八预设分位数,所述第九预设分位数小于所述第十预设分位数。
11.根据权利要求1所述的空调系统的状态识别方法,其特征在于,所述预定健康状态等级包括健康、良好、注意、恶化和故障;所述根据预定健康状态等级、各个所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定每一预设温度下,所述空调系统的预定健康状态等级的上下限包括:
确定健康状态等级的区域为[良好下半区分界线,良好上半区分界线);
确定良好状态等级的区域为[良好下限,良好下半区分界线)∪[良好上半区分界线,良好上限);
确定注意状态等级的区域为[注意下半区分界线,良好下限)∪[良好上限,注意上半区分界线);
确定恶化状态等级的区域为[故障下限,注意下半区分界线)∪[注意上半区分界线,故障上限);
确定故障状态等级的区域为[-∞,故障下限)∪[故障上限,+∞);
其中,健康中线=(良好上限+良好下限)/2;所述良好上半区分界线=(健康中线+良好上限)/2;所述良好下半区分界线=(健康中线+良好下限)/2;所述注意上半区分界线=(良好上限+故障上限)/2;所述注意下半区分界线=(良好下限+故障下限)/2。
12.根据权利要求1所述的空调系统的状态识别方法,其特征在于,所述根据每组数据确定中间健康状态等级包括:
对于每组数据,根据该组数据中的高压值、低压值分别得到第一初始健康状态等级和第二初始健康状态等级;
选取所述第一初始健康状态等级和第二初始健康状态等级中较差的初始健康状态等级作为该组数据的中间健康状态等级。
13.根据权利要求12所述的空调系统的状态识别方法,其特征在于,所述根据该组数据中的高压值、低压值分别得到第一初始健康状态等级和第二初始健康状态等级包括:
确定该组数据的低压值和高压值各自对应的预设室内温度和预设室外温度;
获取所述预设室内温度对应的低压值良好上下限和低压值故障上下限,并获取所述预设室外温度对应的高压值良好上下限和高压值故障上下限;
比较该组数据的高压值、高压值良好上下限和高压值故障上下限,以确定该组数据的第一健康状态等级;
比较该组数据的低压值、低压值良好上下限和低压值故障上下限,以确定该组数据的第二初始健康状态等级。
14.一种空调系统的状态识别装置,其特征在于,包括:
第一获取模块,用于根据空调系统工作时产生的历史数据,分别获取处于新机状态、故障状态和非故障状态各自的高压值和低压值;
第一确定模块,用于根据获取的高压值、低压值以及温度,分别确定每一预设温度下,所述空调系统的高压值良好上下限和高压值故障上下限、低压值良好上下限和低压值故障上下限;
第二确定模块,用于根据所述高压值良好上下限、高压值故障上下限、低压值良好上下限和低压值故障上下限,确定所述空调系统的预定健康状态等级的上下限;
第二获取模块,用于获取第一预设时间段内的空调系统的待检测数据,所述待检测数据包括高压值、低压值和温度;
识别模块,用于根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统的健康状态等级;所述预设温度包括预设室外温度和预设室内温度,所述根据所述待检测数据和所述预定健康状态等级的上下限,识别所述第一预设时间段内,所述空调系统在各个预设温度下的状态包括:对于所述待检测数据,选取其中高压值最大的第一组数据、低压值最小的第二组数据,以及高压值和低压值的差值最大的第三组数据;对于所述第一组数据、第二组数据和第三组数据,根据每组数据确定各自的中间健康状态等级,并选取所述中间健康状态等级中的最优健康状态等级作为所述空调系统的健康状态等级。
15.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令被处理器运行时执行权利要求1至13任一项所述的方法的步骤。
16.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至13任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865065.5A CN112460738B (zh) | 2019-09-09 | 2019-09-09 | 空调系统的状态识别方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910865065.5A CN112460738B (zh) | 2019-09-09 | 2019-09-09 | 空调系统的状态识别方法及装置、存储介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112460738A CN112460738A (zh) | 2021-03-09 |
CN112460738B true CN112460738B (zh) | 2022-03-04 |
Family
ID=74807838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910865065.5A Active CN112460738B (zh) | 2019-09-09 | 2019-09-09 | 空调系统的状态识别方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112460738B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115899949B (zh) * | 2022-10-24 | 2024-08-30 | 珠海格力电器股份有限公司 | 一种空调换热器状态的确定方法、装置、空调和存储介质 |
CN116468427B (zh) * | 2023-06-19 | 2023-08-25 | 南京祥泰系统科技有限公司 | 一种基于大数据的设备运维智能监管系统及方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU984089A2 (ru) * | 1980-06-27 | 1982-12-23 | Предприятие П/Я М-5537 | Многоканальное резервированное аналоговое устройство |
CN101706145A (zh) * | 2009-11-13 | 2010-05-12 | 广东美的电器股份有限公司 | 一种提高空调舒适性的控制方法 |
CN102416821A (zh) * | 2011-07-27 | 2012-04-18 | 中国国际航空股份有限公司 | 飞机系统数据处理方法 |
CN105180380A (zh) * | 2015-10-21 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种智能空调系统 |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
CN107676933A (zh) * | 2017-09-18 | 2018-02-09 | 广东美的暖通设备有限公司 | 多联式空调的控制方法、系统及计算机可读存储介质 |
CN108027186A (zh) * | 2015-06-30 | 2018-05-11 | 艾默生零售解决方案公司 | 用于制冷系统的维护和诊断 |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN109312948A (zh) * | 2016-04-25 | 2019-02-05 | 艾默生零售解决方案公司 | 用于制冷、hvac和其他建筑系统的基于位置的信息检索、查看和诊断 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
EP3461664A1 (en) * | 2017-09-28 | 2019-04-03 | Vestel Elektronik Sanayi ve Ticaret A.S. | System for determination and management of an environment inside a closed vehicle |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011101918B4 (de) * | 2011-05-18 | 2021-04-22 | Liebherr-Transportation Systems Gmbh & Co. Kg | Verfahren zum Betrieb eines Klimatisierungsgerätes und Klimatisierungsgerät |
US10534361B2 (en) * | 2013-06-10 | 2020-01-14 | Abb Schweiz Ag | Industrial asset health model update |
KR102571211B1 (ko) * | 2017-01-12 | 2023-08-24 | 엘지전자 주식회사 | 공기조화기 시스템 및 그 제어방법 |
FR3070660B1 (fr) * | 2017-09-05 | 2020-01-10 | Alstom Transport Technologies | Procede de supervision d'un systeme de climatisation d'un vehicule ferroviaire et vehicule ferroviaire comportant un systeme de climatisation mettant en oeuvre ce procede |
US11248819B2 (en) * | 2019-06-05 | 2022-02-15 | Honeywell International Inc. | Process for adaptable health, degradation and anomaly detection of systems using benchmarks |
-
2019
- 2019-09-09 CN CN201910865065.5A patent/CN112460738B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU984089A2 (ru) * | 1980-06-27 | 1982-12-23 | Предприятие П/Я М-5537 | Многоканальное резервированное аналоговое устройство |
CN101706145A (zh) * | 2009-11-13 | 2010-05-12 | 广东美的电器股份有限公司 | 一种提高空调舒适性的控制方法 |
CN102416821A (zh) * | 2011-07-27 | 2012-04-18 | 中国国际航空股份有限公司 | 飞机系统数据处理方法 |
CN108027186A (zh) * | 2015-06-30 | 2018-05-11 | 艾默生零售解决方案公司 | 用于制冷系统的维护和诊断 |
CN105180380A (zh) * | 2015-10-21 | 2015-12-23 | 珠海格力电器股份有限公司 | 一种智能空调系统 |
CN109312948A (zh) * | 2016-04-25 | 2019-02-05 | 艾默生零售解决方案公司 | 用于制冷、hvac和其他建筑系统的基于位置的信息检索、查看和诊断 |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
CN107676933A (zh) * | 2017-09-18 | 2018-02-09 | 广东美的暖通设备有限公司 | 多联式空调的控制方法、系统及计算机可读存储介质 |
EP3461664A1 (en) * | 2017-09-28 | 2019-04-03 | Vestel Elektronik Sanayi ve Ticaret A.S. | System for determination and management of an environment inside a closed vehicle |
CN108592352A (zh) * | 2018-05-09 | 2018-09-28 | 国家计算机网络与信息安全管理中心 | 水冷空调系统运行状态健康度的预测方法、装置及系统 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
Non-Patent Citations (4)
Title |
---|
动车组空调高压故障的预防及针对性措施探讨;黄山上;《上海铁道科技》;20170625(第02期);全文 * |
基于压力检测的汽车空调故障分析与排除;严循进;《中国高新技术企业》(第03期);全文 * |
基于压力检测的汽车空调故障分析与排除;朱亮亮等;《制冷与空调(四川)》;20151228(第06期);第92-95页 * |
基于逻辑回归的民机空调系统状态退化评估;岳霆等;《兵器装备工程学报》;20180925(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112460738A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112460738B (zh) | 空调系统的状态识别方法及装置、存储介质、终端 | |
JP3963181B2 (ja) | 車両の故障診断システム | |
CN110425694B (zh) | 基于phm的高铁智能车站暖通空调能效控制管理方法 | |
CN111114519B (zh) | 一种铁路车辆制动故障预测方法及健康管理系统 | |
CN107796609B (zh) | 一种基于dbn模型的冷水机组故障诊断方法 | |
JP7279413B2 (ja) | 故障予知システム | |
JP7240248B2 (ja) | 車両用空調装置の診断装置及び診断方法 | |
CN110422189B (zh) | 轨道车辆空调机组中压缩机故障的在线预测方法 | |
CN110388733A (zh) | 故障风险分析系统及方法、空调器和计算机可读存储介质 | |
CN107144085B (zh) | 一种确定冰箱故障的方法、装置及系统 | |
JP6933564B2 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
CN112036581B (zh) | 交通工具空调系统的性能检测方法及装置、存储介质、终端 | |
CN110953687B (zh) | 一种空调的健康度评价方法、系统及存储介质 | |
JP5489672B2 (ja) | 軌道走行車両の部品劣化予測システム | |
CN109186041A (zh) | 一种空调制冷不良的判断方法及装置 | |
JPWO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
CN115508119A (zh) | 残差-知识-数据联合驱动的故障复合诊断方法及系统 | |
CN115511122A (zh) | 设备维修方法、维修系统、维修装置以及存储介质 | |
MXPA02004270A (es) | Aparato y metodo para analisis de datos de funcionamiento y de fallas. | |
JP5390960B2 (ja) | 熱源システム又は空調システムの性能評価方法及び性能評価装置 | |
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 | |
CN111950822B (zh) | 交通工具牵引变压器冷却系统的性能检测方法及装置、存储介质、终端 | |
CN113032239A (zh) | 风险提示方法、装置、电子设备及存储介质 | |
JP3146365B2 (ja) | 排水ポンプシステムの排水優先運転方法および排水ポンプシステム | |
KR20130065844A (ko) | 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법 |
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 |