CN112665790B - 冷媒泄漏检测方法、装置及设备 - Google Patents

Abstract

本申请属于故障检测领域，提出了一种冷媒泄漏检测方法、装置及设备，该方法包括建立待检测设备对应的动态仿真模型；根据所述待检测设备对应的实验数据，对所述动态仿真模型进行标定；根据标定后的动态仿真模型生成不同工况的运行数据；根据所述运行数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测。在保证检测准确度的同时，可减少训练冷媒泄漏检测模型所需要的实验数据，从而能够减少冷媒泄漏检测的人力和物力，提高检测效率。

Description

冷媒泄漏检测方法、装置及设备

技术领域

本申请属于设备检测领域，尤其涉及冷媒泄漏检测方法、装置及设备。

背景技术

冷媒是一种容易吸热变成气体，放热容易变成液体的物质。由于冷媒具有良好的吸热和放热性能，被广泛应用于制冷或制热设备，比如空调、冰箱等。在设备运行过程中，由于设备故障，或者环境因素的影响，设备可能会出现冷媒泄漏，使得系统能效降低，制冷或制热效果降低。并且，泄漏的冷媒还会污染环境，危害人体健康，因此，及时准确的对冷媒泄漏进行检测尤为重要。

目前的制冷剂泄漏检测方法中，通常是通过其它相关参数，比如通过排气温度、压缩机功率等参数来判断系统是否发生泄漏。由于系统的多耦合性，这种检测方法的准确度不高，容易发生误判。而通过基于数据驱动的模型进行冷媒泄漏检测时，需要大量的设备故障数据的采集，通过故障实验进行数据采集时，需要耗费大量的人力和物力，不利于节约成本，并且实现效率不高。

发明内容

有鉴于此，本申请实施例提供了一种冷媒泄漏检测方法、装置及设备，以解决现有技术中基于数据驱动的模型进行检测时，需要通过故障实验进行数据采集，耗费大量的人力和物力，不利于节约成本，并且实现效率不高的问题。

本申请实施例的第一方面提供了一种冷媒泄漏检测方法，所述冷媒泄漏检测方法包括：

建立待检测设备对应的动态仿真模型；

根据所述待检测设备对应的实验数据，对所述动态仿真模型进行标定；

根据标定后的动态仿真模型生成不同工况的运行数据，所述运行数据包括正常运行数据和冷媒泄漏数据；

根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；

根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测。

结合第一方面，在第一方面的第一种可能实现方式中，在根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练之前，所述方法还包括：

对所述运行数据进行特征选择，得到所述正常运行数据和冷媒泄漏数据对应的参数组合；

根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，包括：

根据所选择的参数组合对预设的冷媒泄漏检测模型进行训练。

结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，对所述运行数据进行特征选择，包括：

通过极端梯度提升算法、梯度提升算法或随机森林算法选择所述运行数据中的特征。

结合第一方面或第一方面的第一种实现方式，在第一方面的第三种可能实现方式中，在根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练之前，所述方法还包括：

对生成的所述运行数据进行预处理。

结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，对生成的所述运行数据进行预处理包括：

对所述运行数据进行傅里叶变换的方式，对所述运行数据进行去噪处理；

和/或，根据所生成的运行数据进行趋势提取，根据所提取的趋势补充缺失值，或者根据所提取的趋势去除离群值。

结合第一方面，在第一方面的第五种可能实现方式中，根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，包括：

将所述正常运行数据和所述冷媒泄漏数据按照预定的比例划分为第一数据组和第二数据组；

根据所述第一数据组中的数据对所述冷媒泄漏检测模型进行训练；

根据所述第二数据组中的数据对所述冷媒泄漏检测模型进行误报率检测。

结合第一方面，在第一方面的第六种可能实现方式中，所述冷媒泄漏检测模型为孤立森林模型，根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测，包括：

获取待检测设备在预定时长内的待检测运行数据；

通过已训练的所述孤立森林模型提取所述待检测运行数据中的异常数据点；

如果所提取的异常数据点的数量超过预定的数量阈值，则生成冷媒泄漏提醒。

本申请实施例的第二方面提供了一种冷媒泄漏检测装置，所述冷媒泄漏检测装置包括：

动态仿真模型建立单元，用于建立待检测设备对应的动态仿真模型；

标定单元，用于根据所述待检测设备对应的实验数据，对所述动态仿真模型进行标定；

运行数据生成单元，用于根据标定后的动态仿真模型生成不同工况的运行数据，所述运行数据包括正常运行数据和冷媒泄漏数据；

训练单元，用于根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；

检测单元，用于根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测。

本申请实施例的第三方面提供了一种冷媒泄漏检测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：通过建立待检测设备的动态仿真模型，并通过待检测设备的实验数据对该动态仿真模型进行标定，提高该动态仿真模型生成数据的准确性。通过动态仿真模型所生成的不同工况的运行数据，对预先设定的冷媒泄漏检测模型进行训练，根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测，在保证检测准确度的同时，可减少训练冷媒泄漏检测模型所需要的实验数据，从而能够减少冷媒泄漏检测的人力和物力，提高检测效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种冷媒泄漏检测场景示意图；

图2是本申请实施例提供的一种冷媒泄漏检测方法的实现流程示意图；

图3是本申请实施例提供的一种冷媒检测模型训练方法的实现流程示意图；

图4是本申请实施例提供的一种根据已训练的冷媒泄漏检测模型进行故障检测的实现流程示意图；

图5是本申请实施例提供的一种冷媒泄漏检测装置的示意图；

图6是本申请实施例提供的冷媒泄漏检测设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

由于冷媒泄漏不仅会影响设备效率，而且会污染空气环境，危害用户健康，因此，对冷媒泄漏检测的准确性和及时性显得尤其重要。而目前采用基于数据驱动的模型来进行冷媒泄漏检测时，由于模型需要大量的故障数据进行训练，在实验室生成大量的故障数据时需要耗费较大的人力和物力，不利于降低检测成本和提高效率。

图1为本申请实施例提供的一种冷媒泄漏检测的实施场景示意图。如图1所示，冷媒检测场景中包括云服务器和多个待检测设备(设备1、设备2……设备n)。其中，所述设备可以与云服务器建立通信连接，比如，设备可以通过移动通信网络、WiFi网络或有线网络与云服务器建立通信连接。根据所建立的连接，云服务器可以采集设备的运行参数，包括如设备的压缩机的制冷剂量等。所述云服务器可以向设备发送检测结果，或者，云服务器也可以将检测结果，以及检测结果所对应的设备发送至设备的监控工作人员，以便于及时的对出现制冷剂泄漏的设备进行维修，以保证设备的运行效率，减少对人体的危害。

图1仅为本申请实施例中的一种可能实施场景，在可能的实现方式中，所述冷媒泄漏检测的实施场景也可以在待检测设备中完成。即通过待检测设备采集待检测数据，通过已训练的冷媒泄漏检测模型进行故障检测。

图2为本申请实施例提供的一种冷媒检测方法的实现流程示意图，如图2所示，该方法包括：

在S201中，建立待检测设备所对应的动态仿真模型。

具体的，本申请实施例中所述的动态仿真模型，可以为通过面向对象的计算机语言所构建的、方便实现待检测设备的系统模型。所构建的动态仿真模型中，可以通过修改其中的运行参数，使得动态仿真模型运行于不同的工况中。比如，可以设置动态仿真模型中的运行模式的参数，使设备进行不同的运行模式的仿真。具体的，对于空调器，不同模式的仿真可以包括不同温度、不同出风强度、加湿或干燥等参数确定的工况下进行仿真。

其中，所设置的工况数据，包括正常的工况数据，还包括非正常的工况数据。比如，可以包括冷媒泄漏的工况。

在可能的实现方式中，可以通过Modelica语言(一种动态仿真模型的构建语言)建立所述动态仿真模型。或者，所述动态仿真模型也可以为动态仿真的多联机模型。通过建立不同的设备应用场景的动态仿真模型，可以有效的适应对不同应用场景设备的仿真要求，从而有效的适应对不同应用场景中的设备的冷媒泄漏的检测要求。

在S202中，获取所述待检测设备对应的实验数据，根据所述实验数据对所述动态仿真模型进行标定。

所构建的动态仿真模型与真实设备之间数据响应可能会存在差异。为了提升该动态仿真模型所输出的数据的准确性，可以通过实验数据标定的方式，对所述动态仿真模型进行优化，从而使得动态模型与实验数据之间的误差最小化。

在获取所述待检测设备对应的实验数据时，可以根据设备的型号，确定待检测设备所对应的实验数据。在可能的实现方式中，可以采集每个设备对应的实验数据，通过具体设备对应的实验数据来对动态仿真模型进行标定，可以更为有效的提升动态仿真模型的精度。

其中，所述实验数据可以根据用户使用不同工况的频率进行数据采集。比如，可以通过数据统计的方式，确定使用频率较高的工况。根据所确定的使用频率较高的工况进行实验数据的采集。

或者，可以根据设备的运行参数的范围，选择运行参数的范围的端点、中点，或者通过在范围中的等行程分割的方式，确定需要进行实验数据采集的工况点，根据所确定的工况点进行实验数据的采集，从而在整体量程范围内，保证实验数据的有效性。

或者，还可以根据用户使用设备在不同工况的频率，结合通过运行参数的范围所选择的工况点，综合确定需要进行实验数据采集的工况点。

根据实验数据对所述动态仿真模型进行标定时，可以将实验数据中的工况参数作为所述动态仿真模型的输入。根据动态仿真模型的输出信息，即动态仿真模型输出的运行数据，与实验数据中的运行数据进行比较。其中，运行数据可以包括检测数据，比如，可以包括冷媒泄漏数据等。

通过比较实验数据中的运行数据与动态仿真模型输出的运行数据之间的差异，可以对动态仿真模型进行调整，直到两者之间的输出信息的差异最小化，得到标定后的动态仿真模型。

在S203中，根据标定后的动态仿真模型进行仿真计算，生成不同工况的运行数据。

其中，所述运行数据包括正常运行数据和非正常运行数据。

在对所述动态仿真模型进行标定后，可以通过调整动态仿真模型输入的工况数据，得到不同工况对应的运行数据。

其中，所调整的不同工况数据，可以包括正常模式下的工况数据，以及非正常模式下的工况数据。正常模式下可以为设备未发生冷媒泄漏时的模式。非正常模式可以为设备发生冷媒泄漏时的模式。

通过已标定后的动态仿真模型生成运行数据时，只通过向动态仿真模型设定不同的工况，即可由动态仿真模型快速高效的生成相应的运行数据，比如可以包括正常运行数据和冷媒泄漏运行数据。

通过所述动态仿真模型生成的运行数据中，可能会存在部分存在偏差的数据。为了提升运行数据的可靠性，可以对所生成的运行数据是优化处理或预处理。优化处理或预处理的过程可以包括去噪处理和数据补充处理。

数据去噪处理过程中，可以通过数据变换的方式，对所述运行数据进行傅里叶变换，根据傅里变换后的数据，去除运行数据中的噪声。

或者，也可以根据所生成的运行数据进行趋势提取。比如，可以通过数据拟合的方式生成数据对应的趋势，根据所生成的运行数据的趋势，将远离趋势中的离群点去除。

或者，还可以根据所生成的运行数据的趋势，将所生成的趋势中缺失的运行数据进行补充，从而能够构建更为完整丰富的仿真数据。

在S204中，根据所述运行数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型。

在本申请实施例中，所述运行数据包括非正常数据和正常运行数据。

所述冷媒泄漏检测模型可以为神经网络模型，也可以为孤立森林模型。

在可能的实现方式中，通过动态仿真模型获取到大量的运行数据后，还可以进一步对运行数据中特征参数进行选择，比如，可以通过极端梯度提升算法(英文简称为XGBoost，英文全称为eXtreme Gradient Boosting)、梯度提升算法或随机森林算法选择所述运行数据中包括的特征参数。比如，通过极端梯度提升算法确定运行数据中包括的特征参数时，可以根据特征参数分割的次数，来确定特征参数的重要程度，通过分行极端梯度提升算法中的分割次数较多的特征参数，比如选择分割次数大于预定的次数阈值的特征参数的组合，构成参数组合，对所述冷媒泄漏检测模型进行训练，从而能够大大的简化对所述冷媒泄漏检测模型的训练，提高训练得到的冷媒泄漏检测模型的准确度。

在可能的实现方式中，可以将所得到的运行数据，包括正常运行数据和非正常运行数据(冷媒泄漏数据)划分为训练数据和检测数据。通过训练数据对所述冷媒检测模型进行训练，通过检测数据对训练过的冷媒检测模型进行训练进度检测。训练过程可以如图3所示，包括：

在S301中，将正常运行数据和非正常数据按照预定的比例进行划分，得到第一数据组与第二数据组。

其中，第一数据组中可以包括部分正常运行数据，以及部分非正常运行数据，第二数据组中可以包括部分正常运行数据和非正常运行数据。

其中，正常运行数据的划分比例，可以与非正常运行数据的划分比例相同，也可以不同。

在S302中，根据所述第一数据组中的运行数据对冷媒泄漏检测模型进行训练。

可以将较多的运行数据划分为第一数据组，将较少的运行数据划分为第二数据组，通过第一数据组进行冷媒检测模型的训练，从而能够较为可靠的完成对所述冷媒泄漏检测模型的参数的优化。

在S303中，根据所述第二数据组中的运行数据对冷媒泄漏检测模型进行误报率检测。

通过第二数据组对训练过的冷媒检测模型进行校验时，将冷媒泄漏检测模型的输出信息与第二数据组中对应的数据信息进行比较，确定两者之间的误差。如果两者的误差小于预定的误差设定值，则完成所述冷媒泄漏检测模型的训练。如果两者之间的误差大于或等于预定的误差阈值，则可以返回步骤S301，重新对运行数据进行划分、训练和校验，直到优化后的冷媒泄漏检测模型与运行数据之间的误差小于预先设定的误差阈值。

比如，当所述冷媒泄漏检测模型为孤立森林模型时，所述误差阈值可以为异常数据点阈值，当冷媒泄漏检测模型对第二数据组中的数据进行计算，得到的异常数据点的个数小于异常数据点阈值，则完成冷媒泄漏检测模型的训练。

在S205中，根据已训练的冷媒泄漏检测模型对待检测设备进行冷媒泄漏的故障检测。

如果冷媒泄漏检测模型是孤立森林模型时，本申请根据已训练的冷媒泄漏检测模型进行故障检测时，可以如图4所示，包括：

在S401中，获取待检测设备在预定时长内所采集的待检测运行数据。

其中，对待检测进行故障检测时，可以获取预定时长的运行数据，并对所获取的运行数据进行优化处理。优化处理过程可以包括对获取的运行数据进行去噪处理。比如，可以通过傅里叶变换的方式，对采集运行数据进行去噪，或者也可以根据所采集的运行数据进行拟合，得到所采集的运行数据对应的拟合曲线，根据所得到的拟合曲线，去除距离拟合曲线较远的数据点。或者，还可以根据拟合的曲线，对采集的数据点进行补充，得到更为完整的待检测数据。

在S402中，通过已训练的孤立森林模型，提取所述待检测运行数据中的异常数据点。

将所采集的待检测数据输入至已训练完成的孤立森林模型中，根据该孤立森林模型对所采集的待检测数据进行分类，选择分类路径较短的参数所对应的运行数据点为异常数据点。

在S403中，当所提取的异常数据点的数量超过预定的数量阈值时，则生成冷媒泄漏提醒。

其中，所述数量阈值，可以根据预定时长内所采集的待检测数据的个数来设定。预定时长可以选择大于1小时。当预定时长越大，所采集的待检测数据越多时，所述数量阈值可以相应的增加。

所述冷媒泄漏提醒可以通过终端输出，也可以通过云服务器向设备对应的监控终端发送提醒。比如，监控终端可以为用户的智能手机或监控中心。可以向用户的智能手机中绑定设备的小程序发送提醒信息。

本申请通过建立待检测设备的动态仿真模型，并通过待检测设备的实验数据对该动态仿真模型进行标定，提高该动态仿真模型生成数据的准确性。通过动态仿真模型所生成的不同工况的运行数据，对预先设定的冷媒泄漏检测模型进行训练，根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测，在保证检测准确度的同时，可减少训练冷媒泄漏检测模型所需要的实验数据，从而能够减少冷媒泄漏检测的人力和物力，提高检测效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图5为本申请实施例提供的一种冷媒泄漏检测的装置的示意图，如图5所示，该装置包括：

动态仿真模型建立单元501，用于建立待检测设备对应的动态仿真模型；

标定单元502，用于根据所构建的动态仿真模型，结合待检测设备对应的实验数据，对所述动态仿真模型进行标定；

运行数据生成单元503，用于通过调整动态仿真模型的工况信息，得到标定后的动态仿真模型所生成的，在不同工况下的运行数据，所述运行数据包括正常运行数据和非正常运行数据(比如，可以包括冷媒泄漏数据)；

训练单元504，用于根据所生成的正常运行数据和非正常运行数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；

检测单元505，用于根据已训练的冷媒泄漏检测模型，对待检测设备进行故障检测。

图5所示的冷媒泄漏检测装置，与图2所示的冷媒泄漏检测方法对应。

图6是本申请一实施例提供的冷媒泄漏检测设备的示意图。如图6所示，该实施例的冷媒泄漏检测设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如冷媒泄漏检测程序。所述处理器60执行所述计算机程序62时实现上述各个冷媒泄漏检测方法实施例中的步骤。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述冷媒泄漏检测设备6中的执行过程。

所述冷媒泄漏检测设备6可以是直接对冷媒进行压缩处理的设备，或者也可以为云端服务器等计算设备。所述冷媒泄漏检测设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是冷媒泄漏检测设备6的示例，并不构成对冷媒泄漏检测设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述冷媒泄漏检测设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述冷媒泄漏检测设备6的内部存储单元，例如冷媒泄漏检测设备6的硬盘或内存。所述存储器61也可以是所述冷媒泄漏检测设备6的外部存储设备，例如所述冷媒泄漏检测设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述冷媒泄漏检测设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述冷媒泄漏检测设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种冷媒泄漏检测方法，其特征在于，所述冷媒泄漏检测方法包括：

建立待检测设备对应的动态仿真模型；

根据所述待检测设备对应的实验数据，对所述动态仿真模型进行标定；

根据标定后的动态仿真模型生成不同工况的运行数据，所述运行数据包括正常运行数据和冷媒泄漏数据；

根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；

根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测；

在根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练之前，所述方法还包括：

对所述运行数据进行特征选择，得到所述正常运行数据和冷媒泄漏数据对应的参数组合；

根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，包括：

根据所选择的参数组合对预设的冷媒泄漏检测模型进行训练；

对所述运行数据进行特征选择，包括：

根据特征参数分割的次数确定特征参数的重要程度，选择分割次数大于预定的次数阈值的特征参数的组合，构成参数组合。

2.根据权利要求1所述的冷媒泄漏检测方法，其特征在于，对所述运行数据进行特征选择，还包括：

通过梯度提升算法或随机森林算法选择所述运行数据中的特征。

3.根据权利要求1所述的冷媒泄漏检测方法，其特征在于，在根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练之前，所述方法还包括：

对生成的所述运行数据进行预处理。

4.根据权利要求3所述的冷媒泄漏检测方法，其特征在于，对生成的所述运行数据进行预处理包括：

对所述运行数据进行傅里叶变换的方式，对所述运行数据进行去噪处理；

和/或，根据所生成的运行数据进行趋势提取，根据所提取的趋势补充缺失值，或者根据所提取的趋势去除离群值。

5.根据权利要求1所述的冷媒泄漏检测方法，其特征在于，根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，包括：

将所述正常运行数据和所述冷媒泄漏数据按照预定的比例划分为第一数据组和第二数据组；

根据所述第一数据组中的数据对所述冷媒泄漏检测模型进行训练；

根据所述第二数据组中的数据对所述冷媒泄漏检测模型进行误报率检测。

6.根据权利要求1所述的冷媒泄漏检测方法，其特征在于，所述冷媒泄漏检测模型为孤立森林模型，根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测，包括：

获取待检测设备在预定时长内的待检测运行数据；

通过已训练的所述孤立森林模型提取所述待检测运行数据中的异常数据点；

如果所提取的异常数据点的数量超过预定的数量阈值，则生成冷媒泄漏提醒。

7.一种冷媒泄漏检测装置，其特征在于，所述冷媒泄漏检测装置包括：

动态仿真模型建立单元，用于建立待检测设备对应的动态仿真模型；

标定单元，用于根据所述待检测设备对应的实验数据，对所述动态仿真模型进行标定；

运行数据生成单元，用于根据标定后的动态仿真模型生成不同工况的运行数据，所述运行数据包括正常运行数据和冷媒泄漏数据；

特征选择单元，用于对所述运行数据进行特征选择，得到所述正常运行数据和冷媒泄漏数据对应的参数组合；

训练单元，用于根据所述正常运行数据和所述冷媒泄漏数据对预设的冷媒泄漏检测模型进行训练，得到已训练的冷媒泄漏检测模型；

检测单元，用于根据已训练的冷媒泄漏检测模型对待检测设备进行故障检测；

所述特征选择单元用于：根据特征参数分割的次数确定特征参数的重要程度，选择分割次数大于预定的次数阈值的特征参数的组合，构成参数组合。

8.一种冷媒泄漏检测设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。

Images