CN112834079B - 一种轨道车辆空调机组温度传感器参数漂移判定方法 - Google Patents
一种轨道车辆空调机组温度传感器参数漂移判定方法 Download PDFInfo
- Publication number
- CN112834079B CN112834079B CN202011560909.4A CN202011560909A CN112834079B CN 112834079 B CN112834079 B CN 112834079B CN 202011560909 A CN202011560909 A CN 202011560909A CN 112834079 B CN112834079 B CN 112834079B
- Authority
- CN
- China
- Prior art keywords
- temperature sensor
- network model
- data
- air conditioning
- conditioning 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000005494 condensation Effects 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 7
- 230000008020 evaporation Effects 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000009423 ventilation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供了一种轨道车辆空调机组温度传感器参数漂移判定方法,利用历史数据形成数据集,结合BP神经网络模型,采用多输入对应单输出的方式,判定是否存在参数漂移。本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法,使用压缩机停机状态下的数据做为网络模型的训练数据,更接近环境温度,数据稳定,测量真实可靠,采用稳定可靠的真实大数据搭建神经网络模型,使得网络模型搭建成功后,输出更接近真实情况,判断结论更准确,可有效减少由于温度传感器参数漂移不能真实反映温度情况说明而带来的客户体验差、不舒适、能量浪费等问题。
Description
技术领域
本发明涉及轨道车辆空调机组技术领域,尤其是一种功率器件散热安装结构。
背景技术
目前,轨道车辆为了提高乘客的舒适性体验,均会在空调的回风口放置回风温度传感器,当回风温度高于设定温度并持续一定时间时,开启空调制冷功能,当回风温度低于客室温度并持续一段时间,空调运行通风或者制暖功能,因此回风温度监测的准确性对于客室舒适性来说非常关键,目前轨道空调回风温度传感器故障判定只能实现短路和断路的判定,而传感器由于老化或者其他原因导致参数漂移,目前故障判定系统无法判定,从而导致客室温度控制出现异常。
发明内容
本发明主要目的在于解决上述问题和不足,提供一种轨道车辆空调机组温度传感器参数漂移判定方法。
为实现上述目的,本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法,其技术方案是:
一种轨道车辆空调机组温度传感器参数漂移判定方法,所述空调机组包括多个温度传感器,所述方法包括以下步骤:
S1,历史数据采集,空调机组控制系统上电后,读取各个温度传感器的数据并传输给服务器进行存储;
S2,服务器将接收到的温度传感器按数据类型进行预处理,剔除无关数据;
S3,将处理后的数据按比例分划分成训练集和测试集,其中训练集用来估计及确定网络模型的内部参数,测试集用来检验模型的性能;
S4,搭建BP神经网络模型,利用训练集中的数据对网络模型进行测试调整,得到最终的网络模型;
S5,将训练好的网络模型布置在空调控制器或地面服务器上;
S6,将空调机组控制器采集到的实时数据输入到训练好的神经网络模型中,进行参数漂移判定。
进一步的,进行历史数据采集时,剔除各温度传感器在压缩机运行状态下的数据。
进一步的,进行历史数据采集时,剔除各温度传感器在压缩机停止运行后10分钟以内的数据。
进一步的,所述空调机组包括两组制冷系统,每组制冷系统均包括制冷系统冷凝温度传感器、制冷系统排气温度传感器、制冷系统蒸发温度传感器,所述空调机组还包括新风温度传感器及回风温度传感器。
进一步的,将8个温度传感器中任意七个温度参数变量做为输入部分,输入到BP神经网络模型中;将数据集中对应的另一温度参数作为期望输出部分,与网络模型的实际输出部分进行比对,利用产生的差值来修改网络模型的内部参数,使网络模型的实际输出部分与期望输出部分接近,当误差达到设定的范围时,机器学习模型训练完成。
进一步的,采用BP神经网络模型,包括输入层i、隐含层j和输出层k。
进一步的,所述温度传感器共有8个,输入层i有7个神经元,i=1至7,隐含层j有15个神经元,j=1至15,输出层k有1个神经元,k=1。
进一步的,在神经网络中,输入层与隐含层的连接权值为Wij,隐含层与输出层的连接权值为Wkj,任意一个节点i神经元输入记做neti,输出记做Oi,各个神经元之间传递函数用S型函数,其中,
节点j神经元输入
节点j神经元输出Oj=f(netj)
节点K神经元输入
节点K神经元输出
yk为BP神经网络期望输出值,则误差信号
进一步的,步骤S4中利用训练集中的数据对网络模型进行测试调整时,采用梯度下降法,不停调整各层神经元的权值,使误差达到设定要求后,网络模型各个神经元连接权值确定。
进一步的,各个神经元连接权确定后,将测试集数据输入训练好的神经网络模型,如果网络输出值与期望值值差值的绝对值在要求范围,则说明训练的神经网络模型满足使用要求,可以进行模型布置。
综上所述,本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法,与现有技术相比,使用压缩机停机状态下的数据做为网络模型的训练数据,更接近环境温度,数据稳定,测量真实可靠,采用稳定可靠的真实大数据搭建神经网络模型,使得网络模型搭建成功后,输出更接近真实情况,判断结论更准确,可有效减少由于温度传感器参数漂移不能真实反映温度情况说明而带来的客户体验差、不舒适、能量浪费等问题。
附图说明:
图1:本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法中制冷系统组成结构示意图;
图2:本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法中机器学习模型框图;
图3:本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法中BP神经网络的三层结构;
图4:本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法中参数漂移判断逻辑流程图;
其中,回风温度传感器1,新风温度传感器2,A系统排气温度传感器3,B系统排气温度传感器4,A系统冷凝温度传感器5,B系统冷凝温度传感器6,A系统蒸发温度传感器7,B系统蒸发温度传感器8。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步的详细描述。
本发明提供了一种轨道车辆空调机组温度传感器参数漂移判定方法,轨道车辆的每节车厢均设置一组空调机组,如图1所示,每组空调机组包括两套制冷系统,A系统和B系统,每套制冷系统均包括通过制冷管路连接的压缩机、冷凝器和蒸发器,并在蒸发器和冷凝器处设置A系统排气温度传感器3、B系统排气温度传感器4、A系统冷凝温度传感器5、B系统冷凝系统温度传感器6、A系统蒸发温度传感器7和B系统蒸发温度传感器。车厢内设置有新口风和回风口,通过相应的风道与空机组的新风入口和回风入口连接,并在空调机组的新风入口和回风入口处相应设置检测新风温度和车厢内回风温度的新风温度传感器2、回风温度传感器1,即在本实施例中,每节车厢的空调机组内共设有8个温度传感器。
在本实施例中共设有如前文所述的8个温度传感器,为避免任一温度传感器出现参数漂移而影响空调运转,尤其是回风温度传感器1出现参数漂移而影响空调机组的能量输出,导致车厢内舒适度降低,需对温度传感器的实时数据进行是否存在漂移判定,以便及时对温度传感器进行维护。在本实施例中,采用神经网络算法,对轨道车辆空调机组温度传感器参数漂移进行判定,以及时发现温度传感器检测值是否出现漂移。下面以回风温度传感器1采用神经网络算法判定是否出现漂移为例,介绍本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法的具体实施方法。
在本实施例中,采用有监督学习功能的神经网络算法,进行温度传感器参数漂移进行判定,具体方法如图4所示,具体如下:
S1:历史数据采集。空调控制系统上电后,空调控制器读取安装在空调机组内部的8个传感器数据并通过安装在空调控制器内部的4G发射模块将传感器和空调运行状态数据发送到地面服务器等装置进行存储。在实际应用中,也可采用其他技术手段获取空调控制器内的传感器数据,如空调控制器具备定时存储能力,可将一定时间内的各温度传感器的数据存储起来,再人工收取转存至地面服务器等装置。
S2:数据预处理。地面服务器接收到空调控制器发送的温度传感器和运行状态数据后,进行数据预处理,数据预处理的原则是剔除掉压缩机运行状态下的传感器温度数据,只保留空调待机及通风模式下传感器数据,进一步的,数据预处理还需进一步剔除压缩机停止运行10分钟内的传感温度数据。在空调待机及通风模式下,尤其是压缩机停机10分钟后采集的数据,各数据之间的关联性更强、更稳定,,随时间发展,各温度传感器同步变化,测量数据真实可靠,对于后续操作起来可靠的指导作用。而在压缩机运转过程中,各温度传感器因工作状态的不同步,数据可能存在差异。
S3:划分数据集。将经过数据预处理的传感器数据按照比例划分为训练集和测试集。其中训练集用来估计模型,以及确定模型内部参数,测试集用来检验模型的性能。
S4:搭建网络模型。在本实施例中,采用机器学习模型采用有监督学习的机器学习模型,模型结构如图2所示,包含模型输入部分、模型训练部分、模型输出部分、期望输出部分。
将数据集中的7个变量,分别为1个新风温度,2个制冷系统蒸发温度,2个制冷系统冷凝温度,2个制冷系统排气温度作为模型的输入部分,输入到机器学习模型。
将数据集中的回风温度作为期望输出部分,与模型实际输出部分进行比对,利用产生的差值来修改模型的内部参数,使模型输出部分和期望输出部分尽量接近,当误差达到设定的范围时,机器学习模型训练完成。
进一步的,BP神经网络模型搭建过程如下:
搭建的BP神经网络为3层结构,如图3所示,分为输入层i、隐含层j和输出层k。
输出层i有7个神经元,隐含层j有15个神经元,输出层k有1个神经元,即i=1到7,j=1到15,K=1。
输入层与隐含层的连接权值为Wji,隐含层与输出的连接权值为Wkj。
任意一个节点i的神经元输入记做neti,输出记做Oi。各个神经元之间传递函数用的S型函数。
节点j神经元输入
节点j神经元输出Oj=f(netj)
节点K神经元输入
节点K神经元输出
yk为BP神经网络期望输出值,则误差信号
进一步的,为完善模型,通过梯度下降法,不停地调整各层神经元的权值,使误差信号最小,当误差信号达到设定要求时,BP神经网络模型各个神经元连接权值确定。
将测试集数据输入训练好的BP神经网络模型,如果网络输出值与期望值差值的绝对值在3℃以内,则说明训练的BP神经网络模型满足使用要求,可以进行模型布置。
S5:模型布置。将训练好的神经网络模型布置在空调控制器或者地面服务器等装置上。
S6:故障预测。将空调控制器采集到的实时数据输入到训练好的神经网络模型中,输出结果为预测的回风温度值,再将回风温度预测值与实际监测值比较,如果实际监测值和预测值差值的绝对值大于等于3℃以上,则说明回风温度传感器参数出现了漂移。
如前文所述,以检测回风温度传感器是否存在漂移为例,介绍本发明提供的一种轨道空调机组温度传感器漂移判定方法的具体操作,其中,以除回风温度以外的其他7个温度为输出数据,输出回风温度的预测值,以和实测回风温度值进行比较,判定回风温度传感器1是否存在漂移。在实际应用中,可根据需要,将需要判定的温度传感器的数据做为输出实测值,以其他任意7个温度数据为输出,进行判定。可采纳的数据也非如前文所述的8种温度传感器的历史数据及实测值,可根据需要在相应位置上设置对应的传感器,包括但不限于温度传感,也可为压力传感器、电压、电力等测量/感应装置,输入数据的数量和输出数据的数量也不限于7项输入对应1项输出,可根据需要确定相应的输入、输出数量。
进一步的,本发明的判定方法中还包括如下步骤:
S41:搭建网络模型时,可分别对不同输入、输出进行分别模型训练,使模型可分别进行多种类型的数据的判定;
S7:空调控制器或地面务器等装置内置定时器或循环控制装置,当完成某一温度传感器漂移性判定后,按序进行下一温度传感器的漂移性判定,当全部温度传感器全部完成后,循环往复判定。
综上所述,本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法,与现有技术相比,使用压缩机停机状态下的数据做为网络模型的训练数据,更接近环境温度,数据稳定,测量真实可靠,采用稳定可靠的真实大数据搭建神经网络模型,使得网络模型搭建成功后,输出更接近真实情况,判断结论更准确,可有效减少由于温度传感器参数漂移不能真实反映温度情况说明而带来的客户体验差、不舒适、能量浪费等问题。
如上所述,结合所给出的方案内容,可以衍生出类似的技术方案。但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (3)
1.一种轨道车辆空调机组温度传感器参数漂移判定方法,所述空调机组包括多个温度传感器,其特征在于:所述空调机组包括两组制冷系统,每组制冷系统均包括制冷系统冷凝温度传感器、制冷系统排气温度传感器、制冷系统蒸发温度传感器,所述空调机组还包括新风温度传感器及回风温度传感器;所述方法包括以下步骤,
S1,历史数据采集,空调机组控制系统上电后,读取各个温度传感器的数据并传输给服务器进行存储;
S2,服务器将接收到的温度传感器按数据类型进行预处理,剔除掉压缩机运行状态下以及压缩机停止运行10分钟内的传感器数据,保留空调待机及通风模式下传感器数据;
S3,将处理后的数据按比例分划分成训练集和测试集,其中训练集用来估计及确定网络模型的内部参数,测试集用来检验模型的性能;
S4,搭建BP神经网络模型,利用训练集中的数据对网络模型进行测试调整,得到最终的网络模型;将8个温度传感器中任意七个温度参数变量做为输入部分,输入到BP神经网络模型中;将数据集中对应的另一温度参数作为期望输出部分,与网络模型的实际输出部分进行比对,利用产生的差值来修改网络模型的内部参数,使网络模型的实际输出部分与期望输出部分接近,当误差达到设定的范围时,机器学习模型训练完成;
S5,将训练好的网络模型布置在空调控制器或地面服务器上;
S6,将空调机组控制器采集到的实时数据输入到训练好的神经网络模型中,进行参数漂移判定;
S7,空调控制器或地面服务器等装置内置定时器或循环控制装置,当完成某一温度传感器漂移性判定后,按序进行下一温度传感器的漂移性判定,当全部温度传感器全部完成后,循环往复判定;
所述BP神经网络模型,包括输入层i、隐含层j和输出层k;输入层i有7个神经元,i=1至7,隐含层j有15个神经元,j=1至15,输出层k有1个神经元,k=1;输入层与隐含层的连接权值为Wij,隐含层与输出层的连接权值为Wkj,任意一个节点i神经元输入记做neti,输出记做Oi,各个神经元之间传递函数用S型函数,其中,
节点j神经元输入
节点j神经元输出Oj=f(netj)
节点K神经元输入
节点K神经元输出
yk为BP神经网络期望输出值,则误差信号
2.如权利要求1所述的一种轨道车辆空调机组温度传感器参数漂移判定方法,其特征在于:步骤S4中利用训练集中的数据对网络模型进行测试调整时,采用梯度下降法,不停调整各层神经元的权值,使误差达到设定要求后,网络模型各个神经元连接权值确定。
3.如权利要求2所述的一种轨道车辆空调机组温度传感器参数漂移判定方法,其特征在于:各个神经元连接权确定后,将测试集数据输入训练好的神经网络模型,如果网络输出值与期望值值差值的绝对值在要求范围,则说明训练的神经网络模型满足使用要求,可以进行模型布置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560909.4A CN112834079B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011560909.4A CN112834079B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112834079A CN112834079A (zh) | 2021-05-25 |
CN112834079B true CN112834079B (zh) | 2023-10-24 |
Family
ID=75924505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011560909.4A Active CN112834079B (zh) | 2020-12-25 | 2020-12-25 | 一种轨道车辆空调机组温度传感器参数漂移判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834079B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115314524A (zh) * | 2022-08-03 | 2022-11-08 | 广州鼎汉轨道交通车辆装备有限公司 | 一种物联网轨道车辆智慧空调系统及其控制方法 |
CN116295948B (zh) * | 2023-03-17 | 2024-07-19 | 重庆大学 | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 |
CN116561593A (zh) * | 2023-07-11 | 2023-08-08 | 北京寄云鼎城科技有限公司 | 模型训练方法、齿轮箱的温度预测方法、装置及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013035A (zh) * | 2007-02-08 | 2007-08-08 | 北京航空航天大学 | 一种基于神经网络进行温度补偿的光纤陀螺 |
CN101697078A (zh) * | 2009-10-22 | 2010-04-21 | 北京航空航天大学 | 一种简单式环控系统的在线故障诊断装置及诊断方法 |
CN102906405A (zh) * | 2010-05-24 | 2013-01-30 | 日产自动车株式会社 | 温度传感器的故障诊断装置 |
GB201404571D0 (en) * | 2014-03-14 | 2014-04-30 | Daimler Ag | Method for checking a multi sensor system of a vehicle |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN105910732A (zh) * | 2016-04-14 | 2016-08-31 | 广东美的暖通设备有限公司 | 温度传感器的准确性漂移故障检测方法和系统、空调器 |
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 |
CN107560761A (zh) * | 2016-11-14 | 2018-01-09 | 广东美的暖通设备有限公司 | 热泵系统的温度传感器失效判断装置和方法、热泵系统 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
CN110501094A (zh) * | 2019-09-05 | 2019-11-26 | 珠海格力电器股份有限公司 | 电器温度传感器的故障检测校准方法、空调器及计算机可读存储介质 |
CN110926651A (zh) * | 2019-11-13 | 2020-03-27 | 芜湖伊莱特电气有限公司 | 一种配电柜检测方法与装置 |
CN111016946A (zh) * | 2019-12-25 | 2020-04-17 | 新誉轨道交通科技有限公司 | 轨道车辆及其空调用温度传感器故障检测系统 |
CN111144543A (zh) * | 2019-12-30 | 2020-05-12 | 中国移动通信集团内蒙古有限公司 | 一种数据中心空调末端温度控制方法、装置及介质 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
WO2020191980A1 (zh) * | 2019-03-22 | 2020-10-01 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
CN111795761A (zh) * | 2020-06-24 | 2020-10-20 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于强化学习模型的预测机柜进风温度的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9151681B2 (en) * | 2012-12-19 | 2015-10-06 | Progress Rail Services Corporation | Temperature detector having different types of independent sensors |
-
2020
- 2020-12-25 CN CN202011560909.4A patent/CN112834079B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013035A (zh) * | 2007-02-08 | 2007-08-08 | 北京航空航天大学 | 一种基于神经网络进行温度补偿的光纤陀螺 |
CN101697078A (zh) * | 2009-10-22 | 2010-04-21 | 北京航空航天大学 | 一种简单式环控系统的在线故障诊断装置及诊断方法 |
CN102906405A (zh) * | 2010-05-24 | 2013-01-30 | 日产自动车株式会社 | 温度传感器的故障诊断装置 |
GB201404571D0 (en) * | 2014-03-14 | 2014-04-30 | Daimler Ag | Method for checking a multi sensor system of a vehicle |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN105910732A (zh) * | 2016-04-14 | 2016-08-31 | 广东美的暖通设备有限公司 | 温度传感器的准确性漂移故障检测方法和系统、空调器 |
CN107560761A (zh) * | 2016-11-14 | 2018-01-09 | 广东美的暖通设备有限公司 | 热泵系统的温度传感器失效判断装置和方法、热泵系统 |
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 |
CN108507117A (zh) * | 2017-10-13 | 2018-09-07 | 上海智容睿盛智能科技有限公司 | 一种基于小波神经网络的空调系统传感器故障诊断方法 |
WO2020191980A1 (zh) * | 2019-03-22 | 2020-10-01 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
CN110501094A (zh) * | 2019-09-05 | 2019-11-26 | 珠海格力电器股份有限公司 | 电器温度传感器的故障检测校准方法、空调器及计算机可读存储介质 |
CN110926651A (zh) * | 2019-11-13 | 2020-03-27 | 芜湖伊莱特电气有限公司 | 一种配电柜检测方法与装置 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
CN111016946A (zh) * | 2019-12-25 | 2020-04-17 | 新誉轨道交通科技有限公司 | 轨道车辆及其空调用温度传感器故障检测系统 |
CN111144543A (zh) * | 2019-12-30 | 2020-05-12 | 中国移动通信集团内蒙古有限公司 | 一种数据中心空调末端温度控制方法、装置及介质 |
CN111795761A (zh) * | 2020-06-24 | 2020-10-20 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于强化学习模型的预测机柜进风温度的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112834079A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112834079B (zh) | 一种轨道车辆空调机组温度传感器参数漂移判定方法 | |
CN107860102B (zh) | 一种控制中央空调的方法及装置 | |
CN110610260A (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
CN103912966A (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN106600047A (zh) | 基于bp神经网络的动车组客室空调故障识别与预警方法 | |
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN105444346B (zh) | 一种数据中心机房管控系统及方法 | |
CN112700162B (zh) | 轨道交通空调运行状态的评估方法及装置 | |
US20240255165A1 (en) | Processing method and apparatus for central air-conditioning system, and electronic device | |
CN114297909A (zh) | 基于神经网络的水泵故障诊断方法及系统 | |
CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
CN115577860B (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
CN111680831A (zh) | 变电站用电分析系统和方法 | |
CN114791141B (zh) | 新风系统的控制方法、装置、电子装置和计算机设备 | |
CN110850717A (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
JP2004234302A (ja) | プロセス管理装置 | |
CN116242506A (zh) | 温度传感器的故障检测方法、装置、设备和存储介质 | |
CN117091273A (zh) | 一种中央空调系统自适应学习数据模型的控制方法及装置 | |
CN102289718A (zh) | 一种赤泥沉降过程泥层高度的软测量方法 | |
CN111520871A (zh) | 中央空调系统节能改造的节能率测试方法及系统 | |
CN114274779B (zh) | 新能源电动车集温度信息采集与预警控制的装置及方法 | |
CN114708718A (zh) | 风力发电机组温度集群管控方法、装置、设备及介质 | |
CN110849050B (zh) | 利用风机振动和神经网络的热泵除霜控制装置及控制方法 | |
CN114636212A (zh) | 一种基于grnn的多台冷水机组系统运行控制方法 | |
RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата |
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 |