CN113188231A - 空调的压缩机带液特征提取方法、装置、存储介质及空调 - Google Patents
空调的压缩机带液特征提取方法、装置、存储介质及空调 Download PDFInfo
- Publication number
- CN113188231A CN113188231A CN202110494438.XA CN202110494438A CN113188231A CN 113188231 A CN113188231 A CN 113188231A CN 202110494438 A CN202110494438 A CN 202110494438A CN 113188231 A CN113188231 A CN 113188231A
- Authority
- CN
- China
- Prior art keywords
- compressor
- phase current
- analysis
- wavelet
- liquid
- 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.)
- Granted
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
-
- 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
-
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
- F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
Abstract
本发明提供一种空调的压缩机带液特征提取方法、装置、存储介质及空调,所述方法包括:在所述空调制热运行时,确定所述空调是否处于除霜模式;当确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号;对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征;根据提取得到的所述压缩机相电流信号中的压缩机带液特征,获取所述压缩机的吸气干度。本发明提供的方案能够实现压缩机吸气干度在线实时识别。
Description
技术领域
本发明涉及控制领域,尤其涉及一种空调的压缩机带液特征提取方法、装置、存储介质及空调。
背景技术
在空调系统中,低温制热问题一直是一个影响舒适度的痛点。尤其在长江流域,冬季湿度较大,空调室外冷凝器容易结霜,系统需频繁除霜。这将不可避免的影响室内的温度,造成室内温度大幅度波动,影响舒适性。
在空调外机除霜过程中,最重要的系统参数为吸气干度,该值影响着除霜时压缩机作功所产生的热量。以吸气干度为控制目标,当压缩机为轻微带液状态时,压缩机可实现最大做功性能。然而,若带液量过多,则可能使压缩机产生液击,轻则加快压缩机磨损,重则损坏压缩机零部件,严重影响整机的可靠性。因此,如何准确识别压缩机的吸气干度即带液程度是目前亟待解决的技术难题。
吸气干度作为冷媒的一种状态特征,其识别过程较为困难。传统的吸气干度识别方法采用对空调系统的吸气温度、排气温度、吸气压力、排气压力等系统运行参数进行数值计算。由于温度的滞后性,计算往往需要在系统参数稳定的时候进行,难以实现实时的计算分析。
发明内容
本发明的主要目的在于克服上述现有技术的缺陷,提供一种空调的压缩机带液特征提取方法、装置、存储介质及空调,以解决现有技术中难以实时监测压缩机的带液特征的问题。
本发明一方面提供了一种空调的压缩机带液特征提取方法,包括:在所述空调制热运行时,确定所述空调是否处于除霜模式;当确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号;对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
可选地,还包括:对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰;对采样得到的压缩机相电流信号进行小波分析,包括:对滤波处理后得到的压缩机相电流信号进行小波分析。
可选地,对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的带液特征,包括:对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率;基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
可选地,对采样得到的压缩机相电流信号进行小波分析,包括:设定进行小波分析所需的分析参数和分析频段范围;根据设定的分析参数得到对所述压缩机相电流信号进行小波分析的小波基函数;根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
可选地,所述小波基函数,包括:
本发明另一方面提供了一种空调的压缩机带液特征提取装置,包括:确定单元,用于在所述空调制热运行时,确定所述空调是否处于除霜模式;采样单元,用于当所述确定单元确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号;分析单元,用于对所述采样单元采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
可选地,还包括:滤波单元,用于对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰;所述分析单元,对采样得到的压缩机相电流信号进行小波分析,包括:对滤波处理后得到的压缩机相电流信号进行小波分析。
可选地,所述分析单元,对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的带液特征,包括:小波分析子单元,用于对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率;傅立叶变换子单元,用于基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
可选地,所述小波分析子单元,对采样得到的压缩机相电流信号进行小波分析,包括:设定进行小波分析所需的分析参数和分析频段范围;根据设定的分析参数确定对所述压缩机相电流信号进行小波分析的小波基函数;根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
可选地,所述小波基函数,包括:
本发明又一方面提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明再一方面提供了一种空调,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。
本发明再一方面提供了一种空调,包括前述任一所述的压缩机带液特征提取装置。
根据本发明的技术方案,基于小波分析技术,提取压缩机的带液特征量,从而识别压缩机的吸气干度;构建了适用于压缩机的相电流进行带液特征提取的分析方法,实现压缩机吸气干度在线识别,为最佳吸气干度控制的实现提供技术基础。本发明基于小波分析技术,充分考虑了相电流带液特征特点,改进小波基函数,具有较好的信息提取能力。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明提供的压缩机带液特征提取方法的一实施例的方法示意图;
图2a为吸气过热压缩状态相电流波形图;
图2b为轻微湿压缩状态相电流波形图;
图2c为严重带液压缩状态相电流波形图;
图3是对采样得到的压缩机相电流信号进行模数转换处理的流程;
图4是对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征的步骤的一具体实施方式的流程图;
图5是对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率步骤的一具体实施方式的流程图;
图6为3层完整小波包二叉树分解示意图;
图7为对压缩机相电流信号进行数据分析的流程图;
图8为根据本发明的软件功能结构图;
图9为主控模块的执行流程;
图10是本发明提供的空调的压缩机带液特征提取装置的一实施例的结构框图;
图11是根据本发明的分析单元的一具体实施方式的结构框图;
图12为基于多维耦合的高除霜热量控制装置的一实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
压缩机的运行状态会在其相电流中反映出来,尤其是当压缩机发生液击时,相电流将产生较大范围的波动。例如,压缩机在运行过程中,所带负载的情况会在相电流中表现出来。当压缩机轻微带液时,压缩机的电磁转矩将随之产生一定的脉动;当严重带液时,也会并存着运行频率的波动。例如,将压缩机液状态分为吸气过热压缩状态、轻微湿压缩状态和严重带液压缩状态,不同带液状态下压缩机相电流波形对比可参考图2a、图2b、图2c所示。图2a为吸气过热压缩状态相电流波形图;图2b为轻微湿压缩状态相电流波形图;图2c为严重带液压缩状态相电流波形图。
如图2a所示,吸气过热压缩状态:相电流波形未产生相移,频率脉动极小。如图2b所示,轻微湿压缩状态:相电流波形轻微产生相移,频率轻微的不规则脉动。如图2c所示,严重带液压缩状态:相电流波形相移较为严重,运行频率不规则脉动、间歇性波动。
因此,可将压缩机的相电流作为识别吸气干度的基本参数。针对相电流的特征分析通常可采用傅立叶分解,但对于带液特征来说,傅立叶分解无法提取电流波形的局部特征。
本发明提出一种压缩机带液特征提取方法,基于小波分析技术对压缩机带液特征进行提取,从而识别吸气干度。
图1是本发明提供的压缩机带液特征识别方法的一实施例的方法示意图。
如图1所示,根据本发明的一个实施例,所述压缩机带液特征识别方法至少包括步骤S110、步骤S120和步骤S130。
步骤S110,在所述空调制热运行时,确定所述空调是否处于除霜模式。
例如,在空调制热运行时,获取空调的运行参数,根据空调的运行参数可以确定空调是否处于除霜模式。
步骤S120,当确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号。
例如,可以通过电流传感器,对压缩机相电流进行采样,得到压缩机相电流信号。可选地,对采样得到的压缩机相电流信号可以进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰。可选地,还可以对采样得到的压缩机相电流信号进行模数转换处理,得到所述压缩机相电流的数字量。
对采样得到的压缩机相电流信号进行模数转换处理的流程可以参考图3所示,打开A/D采样端口,通过DSP的外设中断,不断读取采样数据,从而实现相电流信息的数据采集。DSP中设置有外设中断扩展模块PIE,通过设置PIE中的寄存器来仲裁外设或外部引脚中断请求信号,并将仲裁结果送入到CPU进行处理。当采样点数满足要求时,结束采样;例如,设置阈值a,当采样值x达到了a<x<-a,则采样点数据满足要求。
步骤S130,对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
可选地,可以对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰,对滤波处理后得到的压缩机相电流信号进行小波分析。
图4是对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征的步骤的一具体实施方式的流程图,如图4所示,在一些具体实施方式中,步骤S130包括步骤S131和步骤S132。
步骤S131,对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率。
图5是对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率步骤的一具体实施方式的流程图。如图5所示,在一些具体实施方式中,步骤S131包括步骤S1311、步骤S1312和步骤S1313。
步骤S1311,设定进行小波分析所需的分析参数和分析频段范围。
步骤S1312,根据设定的分析参数得到对所述压缩机相电流信号进行小波分析的小波基函数。
步骤S1313,根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
小波分析技术属于信号时频分析的一种,可有效检测局部突变信号。小波分析聚焦于信号的细节,具有多分辨率的特点,而且在时频两域都有表征信号局部特征的能力,是一种时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的瞬态反常现象并展示其成分。
此时,称ψ(t)为一个小波基,在分析过程中,需对小波基进行变换,因此,将小波基ψ(t)引入经尺度因子a和平移因子b后得:
式(3)称为小波基函数,是经过对小波基进行伸缩和平移得到的,通过改变尺度因子a和平移因子b的值,则可改变小波基函数的时频特性。
对于任意的输入信号f(t)∈L2(R)其连续小波变换为:
为了使信号重构的实现在数值上是稳定的,除了逆变换条件外,还要求小波基ψ(t)的傅立叶变换满足稳定性条件
在实际应用中,通常需要在数字控制器上进行实现,例如应用在DSP,处理器只能处理离散信号,连续小波变换无法在其中进行应用,因此需将连续小波变换进行离散化。连续小波的离散是针对尺度因子a和平移因子b的,通常可取这里j∈Z假定a0>1,则对应的离散小波基函数为:
压缩机带液时的相电流特征是一种非平稳时变信号,且具有局部脉冲信号的特点。同时,转子压缩机是一种间歇性完成工作循环的动力机械,其工作具有周期性的特点。压缩机相电流的幅值和频率是衡量相电流特征的两个重要参数,要想采用离散小波变换进行相电流带液特征提取,还需分析经离散小波分析的结果能否正确反映所分析信号的幅值和频率变化情况,即小波变换后的小波系数能否正确反映信号幅值和频率的关系。
通过研究表明,相同频率不同幅值的测试信号经小波变换后,小波系数能够正确反映幅值的变化情况。但相同幅值的测试信号,经小波变换后,频率越高,小波系数越小。在实际应用中,组成信号的频率成分是不同的,变换后会使较高频率成分衰减较多。虽然这样的变换并不影响对小波分解出的信号进行重构,但经变换后的小波系数的大小并不能真实反映信号中各频率成分的强弱。而对于利用离散小波变换的结果进行相电流特征识别来说,无需信号重构过程,需要的是目标信号的幅值大小。因此在相电流带液特征提取中,分析结果是不够合理和准确的,需对小波基进行改进。
通过分析影响分析结果的因素,改进则需消去离散小波变换中存在的衰减因子,使变换后的小波系数的大小能正确反映相电流信号中各频率成分的幅值特性。
由式(9)得到的离散小波基函数,将其改进为:
式中,f为与小波变换的尺度因子a相对应的信号频率,γ为修正系数。衰减成分与频率有关,因此引入频率项再乘以系数γ对实际变换结果进行调试修正,从而实现衰减成分的抵消。γ值可通过实际测试进行调试后确定。通过对小波基函数进行改进,可抵消衰减成分,提高特征提取的精度和准确性。
所述分析参数具体可以包括尺度因子a、平移因子b以及与小波变换的尺度因子a相对应的信号频率f。根据实际需求设定尺度因子a、平移因子b以及与小波变换的尺度因子a相对应的信号频率f,根据上式(10)得到对应的小波基函数,从而,将采样得到的相电流信号通过得到的小波基函数进行小波包分析。
所述分析频段范围可以根据实际需求设定,分析频段范围如果过小,而CPU计算能力跟不上则波形会出现失真的情况;若分析频段范围过大,则不利于特征值的提取,即提取出不正确的特征值。
对采样得到的压缩机相电流信号进行高频和低频成分的分解计算,从而将原始的压缩机相电流信号分解为多个包含压缩机带液特征(频率)的小波包,从而在多层分解的小波包分解阶数中提取出带液特征频率最明显的位置。
由于完全的小波包二叉树分解将需要大量的计算资源,并会产生数据冗余,为了避免由此产生的一些列问题,节约计算资源和保证实时性,本发明采用不完全小波树分解。其基本思想是,对于一个数字信号,设其采样频率为f,根据采样定理,其有效频率段为0~f/2。如果对这个信号进行完整的小波包二叉树分解,则每一个节点对应一个频段,而由一个节点分解产生的下一阶的两个节点相当于对原节点进行频段二分。如图6所示,为3层完整小波包二叉树分解示意图,其中S的下角标代表阶数,上角标代表小波包在该层的位置。S0 0代表着采集到的原始信号,通过对原始信号进行基于小波分析的高频和低频成分的分解计算,从而将原始信号分解为多个包含信息特征的小波包。采用该种方法,并进行预分析则可定位目标信息的位置,实现节约计算资源的效果。
若给定一个感兴趣的特定频率fs(保证在有效频段范围内,目标频率表征着带液特征)和所要求的频段宽度Fw,必然存在一个节点D,满足下列条件:
Fs在D所对应的频段范围内;由D所对应的频段宽度小于Fw,而D的父节点的频段宽度大于等于Fw。可见D是包含特定频段信息的小波包树节点,在特定频率处及其附近的信息进行分析,将有效提高解析速度。
步骤S132,基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
快速傅立叶变换虽无时间分辨力,却能得到各频率点的分析结果,所以通过快速傅立叶变换可以得到压缩机带液特征量的幅值,从而判断压缩机的吸气干度。例如,首先对压缩机相电流数字信号进行小波分析,在多层分解的小波包分解阶数中提出带液特征频率最明显的位置,之后进行快速傅立叶变换。
图7为对压缩机相电流信号进行数据分析的流程图。如图7所示,对采集到的压缩机相电流数据进行处理之前,首先需设定分析参数,如小波基函数、分析频段范围等参数,之后对采集的数据进行小波分析,判断是否达到分析目标阶数,达到分析目标阶数后再进行FFT分析,得到相电流特征量的分析结果。
进一步地,所述方法还可以包括:根据提取得到的所述压缩机相电流信号中的压缩机带液特征,获取所述压缩机的吸气干度。
通过小波分析提取到压缩机带液特征后,可以根据提取得到的压缩机带液特征,获取所述压缩机的吸气干度,从而获取吸气干度后,通过对压缩机运行频率和电子膨胀阀开度控制,保证系统以最佳吸气干度状态运行,实现压缩机最大作功。
在一些具体实施方式中,根据所述带液特征和给定吸气干度,确定所述压缩机的吸气干度。具体地,对所述给定吸气干度进行PID处理,得到所述给定吸气干度的PID处理结果,作为吸气干度控制信息;利用预先构建的最佳吸入冷媒控制模块,根据所述带液特征信息和所述吸气干度控制信息,确定所述压缩机的吸气干度。最佳吸入冷媒控制(即OSRQC)模块对提取到的带液特征信息和吸气干度控制信息进行综合处理,得到最佳吸气干度。
OSRQC即最佳吸入冷媒控制模块,起着对输入信息进行综合控制的作用。该模块的输入量包括:根据压缩机相电流提取到的压缩机带液特征量和吸气干度控制目标值。
压缩机相电流带液特征的识别结果和系统参数计算出的吸气干度值采用加权系数的方式进行整合,则最终的吸气干度可由下式(11)表示:
S=S1+σ(S1-S2) (11)
其中,S1表示通过相电流带液特征识别得到的压缩机吸气干度,S2为经系统参数计算得到的吸气干度,σ为吸气干度偏差修正系数。
影响吸气干度的主要因素为压缩机运行频率和电子膨胀阀开度,因此仅识别出吸气干度仍是不够的,还需对相关负载进行控制,即利用寻优算法寻找出最佳运行频率和电子膨胀阀开度(频率和开度与吸气干度的关系可以通过构建价值函数确定),从而实现最佳的吸气干度状态,使压缩机处于最大作功状态。
通过实验测试及理论计算,拟合出吸气干度的计算式,在全工况下吸气干度与除霜热量间的相关关系中,存在最佳吸气干度范围,实现高除霜热量供给。将除霜热量最大所对应的吸气干度作为系统调控的目标。
吸气干度S2的拟合计算方程:
其中:A、B、C、D、E为常数系数;α、β、χ、δ为权值系数;Ts为吸气温度,单位:℃;Td为排气温度,单位:℃;Ps为吸气压力,单位:Mpa;Pd为排气压力,单位:Mpa。
对于通过相电流带液特征识别得到的压缩机吸气干度S1,如图7所示,程序首先对输入至数据分析模块的数字信号进行小波分析,在多层分解的小波包分解阶数中提取出带液特征频率最明显的位置。之后进行快速傅立叶变换,快速傅立叶变换虽无时间分辨力,却能得到各频率点的分析结果。所以通过快速傅立叶变换可以得到压缩机带液特征量的幅值,从而判断压缩机的吸气干度。最佳吸气干度范围例如为:S1=0.92~1.00,那么相对应的压缩机带液特征量的幅值也会有一个最佳范围例如a<=x<=b,只要压缩机带液特征量的幅值在这个最佳范围内,则判定为最佳吸气干度。这个最佳范围需根据压缩机的电机参数,运行电流、频率大小、运行工况等设置。
根据本发明的压缩机相电流特征的提取过程可以由系统自主运行,软件架构采用模块化形式。主要可分为以下三个模块:主控模块、数据采集模块、数据分析模块,图8为根据本发明的软件功能结构图。
主控模块在全局上负责对各个模块的调度和响应,将各个模块有机地结合在一起,实现压缩机带液状态特征提取功能。主控模块通过读取系统运行状态,当识别到系统处于除霜模式时,则进入下一流程模块进行处理。数据采集模块,包括采样控制模块和滤波控制模块,采样控制模块负责对压缩机相电流进行采样,控制采样的开始和停止时刻。滤波控制模块对采集到的电流信号进行初级滤波,滤除相电流信号中的采样干扰。数据分析模块,依照程序设定的分析流程,进行小波分析和FFT分析,对压缩机相电流的带液特征进行提取,并输出吸气干度的辨识结果。
在一些具体实施方式中,主控模块的执行流程参考图9所示。
首先,检测是否为除霜运行模式。当为除霜运行时,开启模块初始化(主控程序中包含相电流特征提取函数,当程序调用该函数时,首先将进入初始化函数,函数中一般对一些变量作初始化),并对压缩机的相电流进行采样控制与滤波控制,并通过不断迭代计算出所需要分析的波形,可以在程序中设置迭代周期(即分析周期,小波分析所分析的是一段波形,需要达到一定的波形周期才能进行分析,以保证提取的特征量准确)阈值,达到阈值之后,程序进入下一阶段的逻辑,达到分析周期时,通过分析参数进行分析,输出分析结果。
图10是本发明提供的空调的压缩机带液特征提取装置的一实施例的结构框图。如图10所示,所述压缩机带液特征提取装置100包括确定单元110、采样单元120和分析单元130获取单元140。
确定单元110用于在所述空调制热运行时,确定所述空调是否处于除霜模式。
例如,在空调制热运行时,获取空调的运行参数,根据空调的运行参数可以确定空调是否处于除霜模式。
采样单元120用于当所述确定单元110确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号。
例如,可以通过电流传感器,对压缩机相电流进行采样,得到压缩机相电流信号。
可选地,所述装置100还可以进一步包括滤波单元(图未示),用于对采样得到的压缩机相电流信号可以进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰。
可选地,还可以对采样得到的压缩机相电流信号进行模数转换处理,得到所述压缩机相电流的数字量。对采样得到的压缩机相电流信号进行模数转换处理的流程可以参考图3所示,打开A/D采样端口,通过DSP的外设中断,不断读取采样数据,从而实现相电流信息的数据采集。DSP中设置有外设中断扩展模块PIE,通过设置PIE中的寄存器来仲裁外设或外部引脚中断请求信号,并将仲裁结果送入到CPU进行处理。当采样点数满足要求时,结束采样;例如,设置阈值a,当采样值x达到了a<x<-a,则采样点数据满足要求。
分析单元130用于对所述采样单元120采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
可选地,可以对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰,对滤波处理后得到的压缩机相电流信号进行小波分析。
图11是根据本发明的分析单元的一具体实施方式的结构框图。如图11所示,分析单元130包括小波分析子单元131和傅立叶变换子单元132。
小波分析子单元131,用于对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率。
具体地,设定进行小波分析所需的分析参数和分析频段范围;根据设定的分析参数得到对所述压缩机相电流信号进行小波分析的小波基函数;根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
小波分析技术属于信号时频分析的一种,可有效检测局部突变信号。小波分析聚焦于信号的细节,具有多分辨率的特点,而且在时频两域都有表征信号局部特征的能力,是一种时间窗和频率窗都可以改变的时频局部化分析方法。小波变换在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的瞬态反常现象并展示其成分。
此时,称ψ(t)为一个小波基,在分析过程中,需对小波基进行变换,因此,将小波基ψ(t)引入经尺度因子a和平移因子b后得:
式(3)称为小波基函数,是经过对小波基进行伸缩和平移得到的,通过改变尺度因子a和平移因子b的值,则可改变小波基函数的时频特性。
对于任意的输入信号f(t)∈L2(R)其连续小波变换为:
为了使信号重构的实现在数值上是稳定的,除了逆变换条件外,还要求小波基ψ(t)的傅立叶变换满足稳定性条件
在实际应用中,通常需要在数字控制器上进行实现,例如应用在DSP,处理器只能处理离散信号,连续小波变换无法在其中进行应用,因此需将连续小波变换进行离散化。连续小波的离散是针对尺度因子a和平移因子b的,通常可取这里j∈Z假定a0>1,则对应的离散小波基函数为:
压缩机带液时的相电流特征是一种非平稳时变信号,且具有局部脉冲信号的特点。同时,转子压缩机是一种间歇性完成工作循环的动力机械,其工作具有周期性的特点。压缩机相电流的幅值和频率是衡量相电流特征的两个重要参数,要想采用离散小波变换进行相电流带液特征提取,还需分析经离散小波分析的结果能否正确反映所分析信号的幅值和频率变化情况,即小波变换后的小波系数能否正确反映信号幅值和频率的关系。
通过研究表明,相同频率不同幅值的测试信号经小波变换后,小波系数能够正确反映幅值的变化情况。但相同幅值的测试信号,经小波变换后,频率越高,小波系数越小。在实际应用中,组成信号的频率成分是不同的,变换后会使较高频率成分衰减较多。虽然这样的变换并不影响对小波分解出的信号进行重构,但经变换后的小波系数的大小并不能真实反映信号中各频率成分的强弱。而对于利用离散小波变换的结果进行相电流特征识别来说,无需信号重构过程,需要的是目标信号的幅值大小。因此在相电流带液特征提取中,分析结果是不够合理和准确的,需对小波基进行改进。
通过分析影响分析结果的因素,改进则需消去离散小波变换中存在的衰减因子,使变换后的小波系数的大小能正确反映相电流信号中各频率成分的幅值特性。
由式(9)得到的离散小波基函数,将其改进为:
式中,f为与小波变换的尺度因子a相对应的信号频率,γ为修正系数。衰减成分与频率有关,因此引入频率项再乘以系数γ对实际变换结果进行调试修正,从而实现衰减成分的抵消。γ值可通过实际测试进行调试后确定。通过对小波基函数进行改进,可抵消衰减成分,提高特征提取的精度和准确性。
所述分析参数具体可以包括尺度因子a、平移因子b以及与小波变换的尺度因子a相对应的信号频率f。根据实际需求设定尺度因子a、平移因子b以及与小波变换的尺度因子a相对应的信号频率f,根据上式(10)得到对应的小波基函数,从而,将采样得到的相电流信号通过得到的小波基函数进行小波包分析。
所述分析频段范围可以根据实际需求设定,分析频段范围如果过小,而CPU计算能力跟不上则波形会出现失真的情况;若分析频段范围过大,则不利于特征值的提取,即提取出不正确的特征值。
对采样得到的压缩机相电流信号进行高频和低频成分的分解计算,从而将原始的压缩机相电流信号分解为多个包含压缩机带液特征(频率)的小波包,从而在多层分解的小波包分解阶数中提取出带液特征频率最明显的位置。
由于完全的小波包二叉树分解将需要大量的计算资源,并会产生数据冗余,为了避免由此产生的一些列问题,节约计算资源和保证实时性,本发明采用不完全小波树分解。其基本思想是,对于一个数字信号,设其采样频率为f,根据采样定理,其有效频率段为0~f/2。如果对这个信号进行完整的小波包二叉树分解,则每一个节点对应一个频段,而由一个节点分解产生的下一阶的两个节点相当于对原节点进行频段二分。如图6所示,为3层完整小波包二叉树分解示意图,其中S的下角标代表阶数,上角标代表小波包在该层的位置。S0 0代表着采集到的原始信号,通过对原始信号进行基于小波分析的高频和低频成分的分解计算,从而将原始信号分解为多个包含信息特征的小波包。采用该种方法,并进行预分析则可定位目标信息的位置,实现节约计算资源的效果。
若给定一个感兴趣的特定频率fs(保证在有效频段范围内,目标频率表征着带液特征)和所要求的频段宽度Fw,必然存在一个节点D,满足下列条件:
Fs在D所对应的频段范围内;由D所对应的频段宽度小于Fw,而D的父节点的频段宽度大于等于Fw。可见D是包含特定频段信息的小波包树节点,在特定频率处及其附近的信息进行分析,将有效提高解析速度。
傅立叶变换子单元132,用于基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
可选地,采用快速傅立叶变换,快速傅立叶变换虽无时间分辨力,却能得到各频率点的分析结果,所以通过快速傅立叶变换可以得到压缩机带液特征量的幅值,从而判断压缩机的吸气干度。例如,首先对压缩机相电流数字信号进行小波分析,在多层分解的小波包分解阶数中提出带液特征频率最明显的位置,之后进行快速傅立叶变换。
图7为对压缩机相电流信号进行数据分析的流程图。如图7所示,对采集到的压缩机相电流数据进行处理之前,首先需设定分析参数,如小波基函数、分析频段范围等参数,之后对采集的数据进行小波分析,判断是否达到分析目标阶数,达到分析目标阶数后再进行FFT分析,得到相电流特征量的分析结果。
进一步地,所述装置还可以包括:获取单元140用于根据提取得到的所述压缩机相电流信号中的压缩机带液特征,获取所述压缩机的吸气干度。
通过小波分析提取到压缩机带液特征后,可以根据提取得到的压缩机带液特征,获取所述压缩机的吸气干度,从而获取吸气干度后,通过对压缩机运行频率和电子膨胀阀开度控制,保证系统以最佳吸气干度状态运行,实现压缩机最大作功。
在一些具体实施方式中,根据所述带液特征和给定吸气干度,确定所述压缩机的吸气干度。具体地,对所述给定吸气干度进行PID处理,得到所述给定吸气干度的PID处理结果,作为吸气干度控制信息;利用预先构建的最佳吸入冷媒控制模块,根据所述带液特征信息和所述吸气干度控制信息,确定所述压缩机的吸气干度。最佳吸入冷媒控制(即OSRQC)模块对提取到的带液特征信息和吸气干度控制信息进行综合处理,得到最佳吸气干度。
OSRQC即最佳吸入冷媒控制模块,起着对输入信息进行综合控制的作用。该模块的输入量包括:根据压缩机相电流提取到的压缩机带液特征量和吸气干度控制目标值。
压缩机相电流带液特征的识别结果和系统参数计算出的吸气干度值采用加权系数的方式进行整合,则最终的吸气干度可由下式(11)表示:
S=S1+σ(S1-S2) (11)
其中,S1表示通过相电流带液特征识别得到的压缩机吸气干度,S2为经系统参数计算得到的吸气干度,σ为吸气干度偏差修正系数。
影响吸气干度的主要因素为压缩机运行频率和电子膨胀阀开度,因此仅识别出吸气干度仍是不够的,还需对相关负载进行控制,即利用寻优算法寻找出最佳运行频率和电子膨胀阀开度(频率和开度与吸气干度的关系可以通过构建价值函数确定),从而实现最佳的吸气干度状态,使压缩机处于最大作功状态。
通过实验测试及理论计算,拟合出吸气干度的计算式,在全工况下吸气干度与除霜热量间的相关关系中,存在最佳吸气干度范围,实现高除霜热量供给。将除霜热量最大所对应的吸气干度作为系统调控的目标。
吸气干度拟合计算方程:
其中:A、B、C、D、E为常数系数;α、β、χ、δ为权值系数;Ts为吸气温度,单位:℃;Td为排气温度,单位:℃;Ps为吸气压力,单位:Mpa;Pd为排气压力,单位:Mpa。
对于通过相电流带液特征识别得到的压缩机吸气干度S1,如图7所示,程序首先对输入至数据分析模块的数字信号进行小波分析,在多层分解的小波包分解阶数中提取出带液特征频率最明显的位置。之后进行快速傅立叶变换,快速傅立叶变换虽无时间分辨力,却能得到各频率点的分析结果。所以通过快速傅立叶变换可以得到压缩机带液特征量的幅值,从而判断压缩机的吸气干度。最佳吸气干度范围例如为:S1=0.92~1.00,那么相对应的压缩机带液特征量的幅值也会有一个最佳范围例如a<=x<=b,只要压缩机带液特征量的幅值在这个最佳范围内,则判定为最佳吸气干度。这个最佳范围需根据压缩机的电机参数,运行电流、频率大小、运行工况等设置。
图12为基于多维耦合的高除霜热量控制装置的一实施例的结构示意图。
在图12所示的例子中,电机控制系统,采用基于无位置传感器的电机驱动控制方案。在电机控制系统中,能够基于给定d轴电流Id*、给定转速Wr*、转速观测模块观测得到的观测转速Wr、以及最佳吸入冷媒控制(即OSRQC)模块反馈的反馈转速△Wr*,经比较器、比例积分调节模块(即PI调节器)、空间矢量脉宽调制模块(即SVPWM模块)、坐标变化模块(如Clark-Park模块),对电机进行控制。其中,clark变换,是将abc变换到静止的αβ坐标系下。Park变换,是将abc变换到旋转的dqdq坐标系下。
在图12所示的例子中,控制负载,为压缩机和电子膨胀阀。压缩机中的电机,可以采用永磁同步电机(PMSM)。
在图12所示的例子中,吸气干度识别与控制模块,在电机控制系统的基础上进行构建,主要由带液特征量提取模块、吸气干度PID控制模块和最佳吸入冷媒控制(即OSRQC)模块组成。最佳吸入冷媒控制(即OSRQC)模块负责对提取到的带液状态特征量和吸气干度控制信息进行综合处理,实现压缩机带液状态识别、吸气干度控制和最佳吸气干度工作点在线寻优的三大功能。正常的波形与轻微带液状态的压缩机相电流波形会有稍微的相移,通过一种小波分析的方法提取到一段相电流波形的带液状态特征量,然后如图12所示传送到OSRQC模块,并且结合吸气干度控制信息,寻优得到的最优频率和阀开度,利用价值函数计算出最优吸气干度,从而实现压缩机带液状态识别、吸气干度控制。
其中,Clark-Park模块的输入参数,经模数转换模块(即A/D模块)、小波分析(即Wavelet Analysis)模块和特征量提取模块后,得到第一特征S1,输入至OSRQC模块的第一输入端。控制负载输出的参数,经A/D模块后,得到第二特征S2,输入至OSRQC模块的第二输入端。给定的吸气干度S*经PID模块后,输入至OSRQC模块的第三输入端。OSRQC模块的第一输出端,连接至电子膨胀阀。OSRQC模块的第二输出端,输出反馈转速△Wr*。OSRQC模块的第三输出端,经反馈的吸气干度S的计算模块后输出至比较器,比较器基于给定的吸气干度S*和反馈的吸气干度S进行比较后,输出至PID模块。反馈的吸气干度S的计算模块,具体是计算得到反馈的吸气干度S=S1+σ(S1-S2)。
本发明还提供对应于所述压缩机带液特征提取方法的一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现前述任一所述方法的步骤。
本发明还提供对应于所述压缩机带液特征提取方法的一种空调,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述任一所述方法的步骤。
本发明还提供对应于所述压缩机带液特征提取装置的一种空调,包括前述任一所述的压缩机带液特征提取装置。
据此,本发明提供的方案,基于小波分析技术,提取压缩机的带液特征量,从而识别压缩机的吸气干度;构建了适用于压缩机的相电流进行带液特征提取的分析方法,实现压缩机吸气干度在线识别,为最佳吸气干度控制的实现提供技术基础。本发明基于小波分析技术,充分考虑了相电流带液特征特点,改进小波基函数,具有较好的信息提取能力。
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施,那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说,归因于软件的性质,上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外,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。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以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信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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,作为控制装置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。
所述集成的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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (12)
1.一种空调的压缩机带液特征提取方法,其特征在于,包括:
在所述空调制热运行时,确定所述空调是否处于除霜模式;
当确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号;
对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
2.根据权利要求1所述的方法,其特征在于,还包括:
对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰;
对采样得到的压缩机相电流信号进行小波分析,包括:对滤波处理后得到的压缩机相电流信号进行小波分析。
3.根据权利要求1或2所述的方法,其特征在于,对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的带液特征,包括:
对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率;
基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
4.根据权利要求3所述的方法,其特征在于,对采样得到的压缩机相电流信号进行小波分析,包括:
设定进行小波分析所需的分析参数和分析频段范围;
根据设定的分析参数得到对所述压缩机相电流信号进行小波分析的小波基函数;
根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
6.一种空调的压缩机带液特征提取装置,其特征在于,包括:
确定单元,用于在所述空调制热运行时,确定所述空调是否处于除霜模式;
采样单元,用于当所述确定单元确定所述空调处于除霜模式时,对所述空调的压缩机相电流进行采样,得到压缩机相电流信号;
分析单元,用于对所述采样单元采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的压缩机带液特征。
7.根据权利要求6所述的装置,其特征在于,还包括:
滤波单元,用于对采样得到的压缩机相电流信号进行滤波处理,以滤除所述压缩机相电流信号中的采样干扰;
所述分析单元,对采样得到的压缩机相电流信号进行小波分析,包括:对滤波处理后得到的压缩机相电流信号进行小波分析。
8.根据权利要求6或7所述的装置,其特征在于,所述分析单元,对采样得到的压缩机相电流信号进行小波分析,以提取出所述压缩机相电流信号中的带液特征,包括:
小波分析子单元,用于对采样得到的压缩机相电流信号进行小波分析,提取出压缩机带液特征频率;
傅立叶变换子单元,用于基于提取出的压缩机带液特征频率进行傅立叶变换,得到压缩机带液特征频率对应的幅值。
9.根据权利要求8所述的装置,其特征在于,所述小波分析子单元,对采样得到的压缩机相电流信号进行小波分析,包括:
设定进行小波分析所需的分析参数和分析频段范围;
根据设定的分析参数确定对所述压缩机相电流信号进行小波分析的小波基函数;
根据得到的所述小波基函数和所述分析频段范围对采样得到的压缩机相电流信号进行目标阶数的小波包分解,提取出压缩机带液特征频率。
11.一种存储介质,其特征在于,其上存储有计算机程序,所述程序被处理器执行时实现权利要求1-5任一所述方法的步骤。
12.一种空调,其特征在于,包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一所述方法的步骤,包括如权利要求6-10任一所述的压缩机带液特征提取装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494438.XA CN113188231B (zh) | 2021-05-06 | 2021-05-06 | 空调的压缩机带液特征提取方法、装置、存储介质及空调 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110494438.XA CN113188231B (zh) | 2021-05-06 | 2021-05-06 | 空调的压缩机带液特征提取方法、装置、存储介质及空调 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113188231A true CN113188231A (zh) | 2021-07-30 |
CN113188231B CN113188231B (zh) | 2022-03-25 |
Family
ID=76984139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110494438.XA Active CN113188231B (zh) | 2021-05-06 | 2021-05-06 | 空调的压缩机带液特征提取方法、装置、存储介质及空调 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188231B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430951B1 (en) * | 1991-04-26 | 2002-08-13 | Denso Corporation | Automotive airconditioner having condenser and evaporator provided within air duct |
CN104481881A (zh) * | 2014-10-27 | 2015-04-01 | 珠海格力电器股份有限公司 | 空调机组压缩机液击判断方法、系统和空调机组 |
CN105143782A (zh) * | 2013-07-31 | 2015-12-09 | 富士通将军股份有限公司 | 空气调节装置 |
CN110779265A (zh) * | 2019-11-19 | 2020-02-11 | 浙江工业大学 | 基于风机电流的空气源热泵除霜远程监控系统及监控方法 |
-
2021
- 2021-05-06 CN CN202110494438.XA patent/CN113188231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6430951B1 (en) * | 1991-04-26 | 2002-08-13 | Denso Corporation | Automotive airconditioner having condenser and evaporator provided within air duct |
CN105143782A (zh) * | 2013-07-31 | 2015-12-09 | 富士通将军股份有限公司 | 空气调节装置 |
CN104481881A (zh) * | 2014-10-27 | 2015-04-01 | 珠海格力电器股份有限公司 | 空调机组压缩机液击判断方法、系统和空调机组 |
CN110779265A (zh) * | 2019-11-19 | 2020-02-11 | 浙江工业大学 | 基于风机电流的空气源热泵除霜远程监控系统及监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113188231B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
Dambros et al. | Oscillation detection in process industries–Part I: Review of the detection methods | |
WO2021068939A1 (zh) | 一种基于多分量信号分解的机械臂关节振动识别方法 | |
WO2017143649A1 (zh) | 基于卡尔曼滤波的涡街流量计抗瞬态冲击干扰的信号处理方法和系统 | |
EP3079226A1 (en) | Device's state estimation device, device's power consumption estimation device, and program | |
CN113253705B (zh) | 一种鼓风机的故障诊断方法及装置 | |
Grasso et al. | Using curve-registration information for profile monitoring | |
WO2019200624A1 (zh) | 一种泵流动诱导振动性能综合评价方法 | |
CN109269027B (zh) | 一种自动寻优的空调制冷控制方法、系统及装置 | |
CN107607342B (zh) | 空调机房设备群的健康能效检测方法 | |
CN113188231B (zh) | 空调的压缩机带液特征提取方法、装置、存储介质及空调 | |
CN110308339B (zh) | 基于证据推理规则的变频器直流母线电容故障诊断法 | |
Wardana | A method for detecting the oscillation in control loops based on variational mode decomposition | |
CN110610026A (zh) | 一种航空发动机喘振先兆的在线识别方法 | |
CN104569814B (zh) | 一种基于近似熵的直流牵引电机健康状态实时分析方法 | |
CN110146267B (zh) | 一种全封闭制冷压缩机阀片颤振的检测方法 | |
CN114838924A (zh) | 一种基于风致振动非平稳响应的结构阻尼比识别方法 | |
CN114033736A (zh) | 一种基于气压脉动信号风机故障监测系统 | |
CN113820004A (zh) | 一种鲁棒的振动信号初始相位估计方法 | |
US20090138218A1 (en) | Correlating power consumption with cpu activity | |
CN105607477A (zh) | 一种基于改进局部均值分解的工业控制回路振荡检测方法 | |
CN115163452B (zh) | 一种无实物压缩机检测方法、装置、设备和可读存储介质 | |
CN105511454A (zh) | 一种工业控制回路时变振荡行为检测方法 | |
CN117630476B (zh) | 一种适用于动物实验室的用电负荷实时监测方法及系统 | |
CN109507479A (zh) | 一种非侵入式用电负荷辨识方法及装置 |
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 |