CN112503725B - 空调自清洁控制方法、装置和空调 - Google Patents

Abstract

一种空调自清洁控制方法,包括:S1：获取空调的环境工况、工作模式和空调所在房间的相关参数；S2:判断空调是否为结露阶段或结霜阶段，并根据判断结果将相关参数分别输入到相应的结露或结霜过程的神经网络预测模型进行处理，输出优化的空调的盘管温度和风机转速；S3：空调的神经网络模型根据所述盘管温度以及风机转速，结合当前空调系统的运行参数获取自清洁过程的控制参数。本发明还提供了一种空调自清洁控制装置、存储介质和空调。采用本发明的方案优化现有自清洁控制策略，无需成本增加即可使现有自清洁过程达到系统最佳运行状态，且实现最佳清洁效果。

Description

空调自清洁控制方法、装置和空调

技术领域

本发明涉及自动控制领域，更具体地涉及一种空调自清洁控制方法和装置、空调以及一种非暂时性计算机可读介质。

背景技术

随着生活水平的提高，人们居住环境的品质要求越来越高。空调作为室内调温调湿的重要装置，已在人们生活中的必需品。目前空调采用传统控制策略，空调各执行器之间控制较为简单，设计时不可能考虑到实际运行过程的各种复杂工况和变化，所以空调能力难以在实际运行过程中发挥到最好。

例如空调自清洁功能控制，现有控制仅依靠实验室测试数据或专家经验来制定自清洁各阶段的控制参数。而且控制参数几乎是固定不变的，较难保证实际使用过程中达到系统最佳运行状态和最佳清洁状态。

上述在背景部分公开的信息仅用于对本发明的背景做进一步的理解，因此它可以包含对于本领域普通技术人员已知的不构成现有技术的信息。

发明内容

本发明提供了一种空调自清洁控制方法和装置，能够解决自清洁控制策略单一，各执行器控制相对独立，无法使空调保持最佳系统运行状态的问题；另外还可以解决现有自清洁功能控制参数固定的问题，解决现有空调无法达到实际工况下最佳清洁效果的问题。

为此，本发明一方面提供了一种空调自清洁控制方法，另一方面提供了一种空调自清洁控制装置，另一方面提供了一种非暂时性计算机可读介质，另一方面提供了一种空调。

本发明的第一方面提供了一种空调自清洁控制方法,包括:S1：获取空调的环境工况、工作模式和空调所在房间的相关参数；S2:判断空调是否为结露阶段或结霜阶段，并根据判断结果将相关参数分别输入到相应的结露或结霜过程的神经网络预测模型进行处理，输出优化的空调的盘管温度和风机转速；S3：空调的神经网络模型根据所述盘管温度以及风机转速，结合当前空调系统的运行参数获取自清洁过程的控制参数。

根据本发明的一个实施例，其中，所述步骤S3还包括：所述空调的神经网络模型根据所述盘管温度以及所述内机风机转速和外机风 机转速，结合当前空调系统的运行参数进行组合迭代计算空调运行状态下的能效值，当所述能效值满足预设条件时，将神经网络中相关的参数作为自清洁过程的控制参数。

根据本发明的一个实施例，其中，所述结露或结霜过程的神经网络预测模型的输入层为室内/室外干/湿球温度，换热器尺寸，内/外风机转速，盘管温度；输出层为冷凝水量和霜层厚度。

根据本发明的一个实施例，所述空调的神经网络模型输入层为房间温度和湿度、空调导风板位置、空调内机风机转速、空调外机风机转速、空调电子膨胀阀开度；输出层为空调盘管温度、空调系统功耗、空调制冷/热量，根据空调系统功耗来确定空调运行状态下的能效值。

根据本发明的一个实施例，其中所述步骤S2还包括：判断空调处于内机或外机的结露阶段或结霜阶段，并输出优化的内机的盘管温度和内机风机转速，以及优化的外机盘管温度和外机风机转速。

根据本发明的一个实施例，其中所述预设条件为满足空调运行的最佳能效值。

根据本发明的一个实施例，当室内外温度不满足预设条件时，所述空调进入自清洁功能控制，所述预设条件为：内环温度T内环＞T1 且外环T外环＞T2；内环温度T内环＜T3且外环T外环＜T4。

根据本发明的一个实施例，其中，根据不同的空调机型配置，T1 在35℃～40℃中取值，T2在35℃～45℃中取值，T3在0～18℃中取值， T4在-5℃～10℃中取值。

根据本发明的一个实施例，在所述步骤S2中，如果判断空调进入内机结露阶段，所述结露或结霜过程的神经网络预测模型将在内机冷凝水量最多时的内机盘管温度和内机风机转速分别作为优化的目标内机盘管温度和优化的内机风机转速输入至空调的神经网络模型；如果判断空调进入外机结露阶段，所述结露或结霜过程的神经网络预测模型将在外机冷凝水量最多时的外机盘管温度和外机风机转速分别作为优化的目标外机盘管温度和优化的外机风机转速输入至空调的神经网络模型。

根据本发明的一个实施例，，在所述步骤S2中，如果判断空调进入内机结霜阶段，所述结露或结霜过程的神经网络预测模型将在内机霜层厚度在标准最小霜层厚度范围内时的内机盘管温度作为优化的目标内机盘管温度输入至空调的神经网络模型；如果判断空调进入外机结霜阶段，所述结露或结霜过程的神经网络预测模型将在外机霜层厚度在标准最小霜层厚度范围内时的外机盘管温度作为优化的目标外机盘管温度输入至空调的神经网络模型。

根据本发明的一个实施例，如果判断空调既不处于结霜阶段，也不处于结露阶段，则所述空调自清洁控制默认进入内机化霜阶段，采用空调的神经网络模型来计算空调盘管温度。

根据本发明的一个实施例，所述自清洁过程依次为：内机结露阶段、内机结霜阶段、外机结露阶段、外机结霜阶段、外机化霜阶段。

本发明的第二方面提供一种空调自清洁控制装置，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当所述一个多个处理器执行所述程序指令时，所述一个或多个处理器用于实现本发明的空调自清洁控制方法。

本发明的第三方面提供一种非暂时性计算机可读存储介质，其上存储有程序指令，当所述程序指令被一个或多个处理器执行时，所述一个或多个处理器用于实现本发明的空调自清洁控制方法。

本发明的第四方面提供一种空调，其采用了本发明的空调自清洁控制方法，或包括本发明的空调自清洁控制装置，或具有本发明所述的非暂时性计算机可读存储介质。

本发明通过神经网络模型建立结露结霜过程神经网络模型以及空调系统神经网络模型。通过结露结霜过程神经网络模型可以实现结露过程冷凝水量、结霜过程换热器结霜厚度以及空调的运行状态预测，再通过自清洁智能控制策略可以实现空调最佳目标状态及目标控制参数。从而优化现有自清洁控制策略，无需成本增加即可使现有自清洁过程达到系统最佳运行状态，且实现最佳清洁效果。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图进行简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员而言，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是根据本发明的一个示例性的实施例的结露结霜过程神经网络预测模型示意图。

图2是根据本发明的一个示例性实施例的空调系统神经网络预测模型示意图。

图3是根据本发明的一个示例性的实施例的自清洁过程控制流程图。

图4是根据本发明的一个示例性的实施例的空调自清洁智能控制策略流程图。

具体实施例

如在本文中所使用的，词语“第一”、“第二”等可以用于描述本发明的示例性实施例中的元件。这些词语只用于区分一个元件与另一元件，并且对应元件的固有特征或顺序等不受该词语的限制。除非另有定义，本文中使用的所有术语(包括技术或科学术语)具有与本发明所属技术领域的普通技术人员通常理解的含意相同的含意。如在常用词典中定义的那些术语被解释为具有与相关技术领域中的上下文含意相同的含意，而不被解释为具有理想或过于正式的含意，除非在本发明中被明确定义为具有这样的含意。

本领域的技术人员将理解的是，本文中描述的且在附图中说明的本发明的装置和方法是非限制性的示例性实施例，并且本发明的范围仅由权利要求书限定。结合一个示例性实施例所说明或描述的特征可与其他实施例的特征组合。这种修改和变化包括在本发明的范围内。

下文中，将参考附图详细描述本发明的示例性实施例。在附图中，省略相关已知功能或配置的详细描述，以避免不必要地遮蔽本发明的技术要点。另外，通篇描述中，相同的附图标记始终指代相同的电路、模块或单元，并且为了简洁，省略对相同电路、模块或单元的重复描述。

此外，应当理解一个或多个以下方法或其方面可以通过至少一个控制系统、控制单元或控制器执行。术语“控制单元”，“控制器”,“控制模块”或者“主控模块”可以指代包括存储器和处理器的硬件设备，术语“空调”可以指代类似于空调的制冷设备。存储器或者计算机可读存储介质配置成存储程序指令，而处理器具体配置成执行程序指令以执行将在以下进一步描述的一个或更多进程。而且，应当理解，正如本领域普通技术人员将意识到的，以下方法可以通过包括处理器并结合一个或多个其他部件来执行。

现有内外机换热器自清洁技术主要通过控制内外机换热器低温结露结霜再化霜过程实现自清洁过程。现有自清洁控制过程通过各执行器(压缩机、内外风机、电子膨胀阀)动作来控制换热器降温实现结露结霜，再控制其温升实现化霜烘干过程。但各执行控制相对独立，虽然可以实现换热器的结露结霜化霜过程控制，但无法使各过程达到系统能效最佳状态，难免造成不必要电量浪费。同时各执行控制大多参数通过实验室测试和专家经验获得，数值较为固定，无法适应实际复杂多变的环境，很难在各工况下达到最佳运行和清洁效果。

而现有人工神经网络技术适于处理非线性的复杂问题，对复杂工况，多变量的空调运行参数作出有效快速预测能力，这恰好可以弥补传统算法的不足。通过对自清洁过程最佳管温和系统最佳运行状态的训练学习，使各执行器以最佳配合控制输出，使空调系统在自清洁控制过程的系统时刻以最佳运行状态，且保证各工况下空调的清洁状态达到最佳。

为实现自清洁控制各阶段执行器的耦合控制，需要建立结露/结霜过程神经网络预测模型和空调系统神经网络预测模型，如图1、图2所示。

图1是根据本发明的一个示例性的实施例的结露结霜过程神经网络预测模型示意图。

图1所示结露/结霜过程神经网络预测模型通过对环境温度、湿度、换热器尺寸、风机转速、盘管温度条件对结露阶段换热器冷凝水量和结霜阶段霜层厚度的影响结果进行预测。结露阶段，上述输入参数对空调换热器单位时间内产生冷凝水量有直接影响关系。但并非换热器盘管温度越低越好，因为当盘管温度远低于露点温度，冷凝水量几乎无增加，反而会因为压缩机功率过高造成电量不必要的浪费，所以存在一个最佳管温温度，既能保证较多冷凝水量，也能避免冷量的浪费。同样结霜阶段，虽然管温越低，霜层厚度越厚，但对于自清洁过程，霜层达到一定程度即可完成灰尘剥离，且霜层厚度越厚，时间也越长，会造成无效能量浪费。所以对于一定工况结霜管温在满足可靠性要求下满足一定霜层厚度即可。

结露/结霜过程神经网络预测模型需要在实验室中验证以上不同输入参数对冷凝水量/霜层厚度的关系，并用一定量的实验数据供图1冷凝水量/霜层厚度预测模型训练学习，使模型预测结果逼近实验测量结果，可以较好预测管温。即实现以下对应关系的预测：

f(室内/外干湿球温度，换热器尺寸，内/外风机转速，盘管温度) ＝f(冷凝水量，霜层厚度)。

图2是根据本发明的一个示例性实施例的空调系统神经网络预测模型示意图。图2所示空调系统神经网络预测模型则是完成在不同频率、室内外环境、内外风机转速、电子膨胀阀开度条件下预测空调系统能力输出、功耗、能效以及盘管温度的神经网络模型。同样，空调系统神经网络预测模型同样需要利用较多的空调实验数据训练学习才能实现快速预测空调系统的运行状态。

当空调接收进入自清洁控制指令时，指令可为空调脏堵功能指令或用户遥控器、APP其他终端发出的自清洁指令，同时空调系统内外环感温包获取当前室内外温度。当室内外温度不满足以下进入条件时，进入自清洁功能控制：

内环温度T_内环＞T1且外环T_外环＞T2；

内环温度T_内环＜T3且外环T_外环＜T4；

根据不同机型配置T1可选取值35℃～40℃，T2取值35℃～45℃， T3取值0～18℃，T4取值-5℃～10℃；

图3是根据本发明的一个示例性的实施例的自清洁过程控制流程图。自清洁功能控制过程包括内机自清洁或外机自清洁或内外机自清洁过程，按图3流程图顺序执行该过程。其中，所述自清洁过程依次为：内机结露阶段、内机结霜阶段、外机结露阶段(内机烘干阶段)、外机结霜阶段、外机化霜阶段。

图4是根据本发明的一个示例性的实施例的空调自清洁智能控制策略流程图。进入每个自清洁阶段前均会进入自清洁智能控制策略，如图4所示。首先自动获取当前环境工况(内外环温湿度)，并判断当前阶段是否为结露阶段。

如果判断空调进入阶段是内机结露阶段：

将室内外干湿球温度参数、不同风机转速、不同盘管温度的M组 (M＞50)参数输入结露过程神经网络预测模型分别计算单位时间内冷凝水量。最终在预测结果中通过比较类算法或反向神经网络可迅速挑选出冷凝水量最多时所对应的内风机转速Nd、盘管温度Td组合。如果存在多组内风机转速Nd、盘管温度Td所对应的冷凝水量满足最大值，则优先挑选盘管温度Td越高、内风机转速Nd越低组合。并将盘管温度Td和内风机转速Nd分别作为最佳目标盘管温度T内和最佳内风机转速N输入空调系统神经网络模型。

空调系统神经网络模型将根据最佳目标盘管温度T内和最佳内风机转速N，以及当前室内外干湿球温度参数以及多组(N组，N＞100) 外风机转速Wd、压缩机频率Fd、电子膨胀阀开度Pd组合迭代计算该运行状态下空调的能效值，根据空调系统功耗来确定空调运行状态下的能效值。并从迭代结果中挑选出最佳的外风机转速Wd、压缩机频率 Fd、电子膨胀阀开度Pd输出内机结露阶段的最佳目标控制参数。

最终各执行器在该阶段控制时间内通过压缩机转速，电子膨胀阀，外风机转速的“PID”/“模糊”/“PID+模糊”或其他控制策略，使目标管温迅速接近目标控制管温Td。当盘管温度接近目标控制管温 Td±1℃时，则退出快速温降控制，各执行器以结露过程神经网络预测模型和空调系统神经网络模型预测出的内风机转速Nd、外风机转速Wd、压缩机频率Fd、电子膨胀阀开度Pd运行直至内机凝露阶段结束。

如果判断空调进入阶段是外机结露阶段：

同理，如果是外机结露阶段，同样将室内外干湿球温度参数、不同风机转速、不同盘管温度的M组(M＞50)参数通过结露过程神经网络预测模型可分别计算多组单位时间外机换热器的冷凝水量。最终在预测结果中通过比较类算法或反向神经网络可迅速挑选出计算外机冷凝水量最多时所对应的外风机转速Wd’、最佳外机盘管温度Td’组合。然后通过空调系统神经网络模型再计算出空调满足最佳外机盘管温度 Td’能效最高时所对应的内风机转速Nd’、压缩机频率Fd’、电子膨胀阀开度Pd’，最终该过程各执行器均按照该目标参数进行控制，就能使该过程高效运行。

如果判断空调进入阶段是内机结霜阶段：

则将室内外干湿球温度参数、不同风机转速(此阶段内风机转速为0rpm)、不同盘管温度的M组(M＞50)参数直接输入结霜过程神经网络预测模型计算单位时间该机型换热器的结霜厚度。最终在预测结果中通过比较类算法或反向神经网络可迅速挑选出霜层厚度在标准自清洁厚度(可以达到清洁效果所对应的霜层厚度)(H±5％)时所对应的盘管温度Tf组合。如果存在多组盘管温度Tf所对应的结霜厚度为(H±5％)范围，则优先挑选盘管温度Tf较高组合。并将此盘管温度Tfmax作为最佳目标盘管温度T_内输入空调系统神经网络模型。

然后空调系统神经网络模型将根据最佳目标盘管温度T_内和内风机转速Nf＝0，以及当前室内外干湿球温度参数以及多组(N组，N＞100) 外风机转速Wf、压缩机频率Ff、电子膨胀阀开度Pf组合迭代计算该运行状态下空调的能效值。并从迭代结果中挑选出能效值最低值所对应的外风机转速Wf、压缩机频率Ff、电子膨胀阀开度Pf并输出。

最终各执行器在该阶段控制时间内通过压缩机转速，电子膨胀阀，外风机转速的“PID”/“模糊”/“PID+模糊”或其他控制策略，使目标管温迅速接近目标控制管温Td。当盘管温度接近目标控制管温 Td±1℃时，则退出快速温降控制，各执行器以结露过程神经网络预测模型和空调系统神经网络模型预测出的内风机转速Nd、外风机转速Wd、压缩机频率Fd、电子膨胀阀开度Pd运行直至内机凝露阶段结束。

如果判断空调进入阶段是外机结霜阶段：

如果是外机结霜过程同理，在结霜过程神经网络预测模型获得达到外机清洁效果的最小霜层厚度所对应的最佳目标外管温Tf’。然后通过空调系统神经网络预测模型预测可以满足最佳目标外管温Tf’且外风机转速Wf’＝0rpm条件时空调的最佳运行参数：压缩机最小运行频率Ff’、电子膨胀阀开度Pf’、内风机转速Nf’等，系统各执行器按以上参数高效运行的同时，实现结霜清洁效果最佳。

如果判断既不是结霜阶段，也不是结露阶段

则空调自清洁智能控制流程默认进入内机化霜阶段，则内机盘管温度根据功能需求，可能需要固定Th(50～58℃)温度烘干换热器或杀菌，所以可直接利用空调系统网络预测模型计算满足目标盘管温度

空调系统神经网络模型将根据最佳目标盘管温度T内和最佳内风机转速N，以及当前室内外干湿球温度参数以及多组(N组，N＞100) 外风机转速Wd、压缩机频率Fd、电子膨胀阀开度Pd组合迭代计算该运行状态下空调的能效值。并从迭代结果中挑选出最佳的外风机转速 Wd、压缩机频率Fd、电子膨胀阀开度Pd输出内机结露阶段的最佳目标控制参数。

最终各执行器在该阶段控制时间内通过压缩机转速，电子膨胀阀，外风机转速的“PID”/“模糊”/“PID+模糊”或其他控制策略，使目标管温迅速接近目标控制管温Td。当盘管温度接近目标控制管温 Td±1℃时，则退出快速温降控制，各执行器以结露过程神经网络预测模型和空调系统神经网络模型预测出的内风机转速Nd、外风机转速Wd、压缩机频率Fd、电子膨胀阀开度Pd运行直至内机凝露阶段结束。

如果自清洁进入外机化霜阶段：

则不进入图4流程，按一下控制策略执行：进入外机化霜阶段，压缩机立即停止，四通换向阀断电，内风机以Nu’目标转速运行，外机立即开启，此时外机换热器表面霜层可迅速融化，待外管温度T_外管＞T_外环±2℃或t0＝2分钟，外风机关闭；内风机也在满足内管温度T_内管＜T_内环±2℃或t0’＝2分钟时关闭，且内机导风板复位完成。即整个自清洁过程结束。

根据本发明的一个或多个实施例，本发明还提供一种非暂时性计算机可读存储介质，其上存储有程序指令，当所述程序指令被一个或多个处理器执行时，所述一个或多个处理器用于实现如上所示的本发明各个实施例中的方法或流程。

根据本发明的一个或多个实施例，本发明还提供一种空调自清洁控制装置，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当所述一个多个处理器执行所述程序指令时，所述一个或多个处理器用于实现如上所示的本发明各个实施例中的方法或流程。

根据本发明的一个或多个实施例，本发明还包括一种空调，其采用本发明上述的方法，或包括本发明的一种空调自清洁控制装置，或具有上述的非暂时性计算机可读存储介质。

根据本发明的一个或多个实施例，本发明的一种空调自清洁控制装置方法可以使用存储在非暂时性计算机和/或机器可读介质(例如硬盘驱动器、闪存、只读存储器、光盘、数字多功能磁盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储磁盘)上的编码的指令(例如，计算机和/或机器可读指令)来实现如本发明以上所述控制方法的处理，在非暂时性计算机和/或机器可读介质中存储任何时间期间(例如，延长的时间段、永久的、短暂的实例、临时缓存和/或信息高速缓存)的信息。如本文所使用的，术语“非暂时性计算机可读介质”被明确定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并排除传输介质。

根据本发明的一个或多个实施例，空调主控系统或控制模块可以包含一个或多个处理器也可以在内部包含有非暂时性计算机可读介质。具体地，在一种空调自清洁控制装置中(主控系统或控制模块)可以包括微控制器MCU，其布置在空调中，用于一种空调自清洁控制装置的各种操作和实施多种功能。具有一种空调自清洁控制装置的空调的处理器可以诸如但不限于一个或多个单核或多核处理器。(一个或多个)处理器可包括通用处理器和专用处理器(例如，图形处理器、应用处理器等) 的任何组合。处理器可与其耦接和/或可包括计存储器/存储装置，并且可被配置为执行存储在存储器/存储装置中的指令，以实现在本发明中控制器上运行的各种应用和/或操作系统。

本发明提供了一种结露结霜过程神经网络预测模型，通过大量数据训练学习后，可快速准确预测全工况下结露/结霜过程冷凝水量/结霜厚度；此外，本发明提供了一种空调系统神经网络预测模型，通过大量数据训练学习后，可以快速准确预测全工况条件下空调的实时运行状态；另外，本发明提供了一种空调自清洁智能控制方法，通过以上模型算法获取该阶段最佳管温并通过系统神经网络模型获取达到该盘管温度空调的最佳运行状态；另外，本发明在内外机自清洁控制策略基础上，通过自清洁智能控制方法获得自清洁过程的最佳目标管温及控制参数，在清洁效果达到最优的同时也使系统获得最佳能效运行状态。

作为本发明示例的上文涉及的附图和本发明的详细描述，用于解释本发明，但不限制权利要求中描述的本发明的含义或范围。因此，本领域技术人员可以很容易地从上面的描述中实现修改。此外，本领域技术人员可以删除一些本文描述的组成元件而不使性能劣化，或者可以添加其它的组成元件以提高性能。此外，本领域技术人员可以根据工艺或设备的环境来改变本文描述的方法的步骤的顺序。因此，本发明的范围不应该由上文描述的实施例来确定，而是由权利要求及其等同形式来确定。

尽管本发明结合目前被认为是可实现的实施例已经进行了描述，但是应当理解本发明并不限于所公开的实施例，而相反的，意在覆盖包括在所附权利要求的精神和范围内的各种修改和等同配置。

Claims (11)

1.一种空调自清洁控制方法,包括:

S1：获取空调的环境工况、工作模式和空调所在房间的相关参数，所述相关参数包括内机盘管温度、内机风机转速、外机风机转速；

S2:判断空调是否为结露阶段或结霜阶段，并根据判断结果将相关参数分别输入到相应的结露或结霜过程的神经网络预测模型进行处理，输出优化的空调的内机盘管温度和内机风机转以及优化的外机盘管温度和外机风机转速；

S3：空调的神经网络模型根据所述内机盘管温度以及所述内机风机转速和外机风机转速，结合当前空调系统的运行参数进行组合迭代计算空调运行状态下的能效值，当所述能效值满足预设条件时，将神经网络中相关的参数作为自清洁过程的控制参数，所述预设条件为满足空调运行的最佳能效值。

2.根据权利要求1所述的方法，所述结露或结霜过程的神经网络预测模型的输入层为室内/室外干/湿球温度，换热器尺寸，内/外风机转速，盘管温度；输出层为冷凝水量和霜层厚度。

3.根据权利要求1所述的方法，所述空调的神经网络模型输入层为房间温度和湿度、空调导风板位置、空调内机风机转速、空调外机风机转速、空调电子膨胀阀开度；输出层为空调盘管温度、空调系统功耗、空调制冷/热量，根据空调系统功耗来确定空调运行状态下的能效值。

4.根据权利要求1所述的方法，当室内外温度不满足预设条件时，所述空调进入自清洁功能控制，所述预设条件为：内环温度T内环＞T1且外环T外环＞T2；内环温度T内环＜T3且外环T外环＜T4。

5.根据权利要求4所述的方法，其中，根据不同的空调机型配置，T1在35℃～40℃中取值，T2在35℃～45℃中取值，T3在0～18℃中取值，T4在-5℃～10℃中取值。

6.根据权利要求1所述的方法，在所述步骤S2中，如果判断空调进入内机结露阶段，所述结露或结霜过程的神经网络预测模型将在内机冷凝水量最多时的内机盘管温度和内机风机转速分别作为优化的目标内机盘管温度和优化的内机风机转速输入至空调的神经网络模型；如果判断空调进入外机结露阶段，所述结露或结霜过程的神经网络预测模型将在外机冷凝水量最多时的外机盘管温度和外机风机转速分别作为优化的目标外机盘管温度和优化的外机风机转速输入至空调的神经网络模型。

7.根据权利要求1所述的方法，在所述步骤S2中，如果判断空调进入内机结霜阶段，所述结露或结霜过程的神经网络预测模型将在内机霜层厚度在标准最小霜层厚度范围内时的内机盘管温度作为优化的目标内机盘管温度输入至空调的神经网络模型；如果判断空调进入外机结霜阶段，所述结露或结霜过程的神经网络预测模型将在外机霜层厚度在标准最小霜层厚度范围内时的外机盘管温度作为优化的目标外机盘管温度输入至空调的神经网络模型。

8.根据权利要求1所述的方法，如果判断空调既不处于结霜阶段，也不处于结露阶段，则所述空调自清洁控制默认进入内机化霜阶段，采用空调的神经网络模型来计算空调盘管温度。

9.根据权利要求1所述的方法，其中，所述自清洁过程依次为：内机结露阶段、内机结霜阶段、外机结露阶段、外机结霜阶段、外机化霜阶段。

10.一种空调自清洁控制装置，其包括一个或多个处理器以及存储有程序指令的非暂时性计算机可读存储介质，当所述一个或 多个处理器执行所述程序指令时，所述一个或多个处理器用于实现根据权利要求1-9 任意一项所述的方法。

11.一种非暂时性计算机可读存储介质，其上存储有程序指令，当所述程序指令被一个或多个处理器执行时，所述一个或多个处理器用于实现根据权利要求1-9中任一项所述的方法。

Images