CN113435593A - 基于传感器时序数据分析的制冷设备结霜预测方法 - Google Patents

Abstract

本发明公开一种基于传感器时序数据分析的制冷设备结霜预测方法，包括以下步骤：基于异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置用于实时获取蒸发器区域的温度变化的温度传感器，并根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布；根据所确定的传感器布局分布在制冷设备上设置温度传感器，然后实时获取所述温度传感器的温度值和制冷设备的环境数据；根据温度传感器的温度值和制冷设备的环境数据构建双向循环神经网络模型；根据所述双向循环神经网络模型得到各传感器未来预设时间戳内的温度变化，根据所述温度的变化对制冷机的结霜情况进行预测。本发明能够对制冷设备的结霜情况进行准确诊断。

Description

基于传感器时序数据分析的制冷设备结霜预测方法

技术领域

本发明涉及制冷设备结霜诊断技术领域，具体涉及一种基于传感器时序数据分析的制冷设备结霜预测方法。

背景技术

随着社会发展和居民生活水平的提高，食品品质保证和食品安全问题越来越受到社会的重视，食品保质、贮藏和流通也一直是农业和食品工业领域最重要的研究内容之一。2019年我国冷冻冷藏水产和肉制品进口量上涨至1000万吨，果蔬、肉制品、水产品、乳制品总产量预计将突破13亿吨，冷链市场需求巨大，但同时综合冷链流通率仅为17％(2.2563亿吨)，腐损率高(果蔬、肉类和水产品分别达到20％～30％、12％、15％)，导致的直接经济损失超过6800亿元(约占全国GDP的1％)，造成了社会资源的极大浪费。冷链物流能够为易腐食品贮藏和流通提供适宜的温度环境，是降低腐损率、保持食品品质和安全的关键。

冷库是食品冷冻加工、储存与流通的重要基础设施，是全程冷链的关键节点，在冷链商品贮藏和保质方面具有无可替代的作用，在国民经济中占有重要地位，总量非常巨大。2018年全国冷库总量达到5238万吨(折合约1.3亿立方米)，物流总额超4万亿元，冷库建设和技术研发是食品工业和物流管理领域重要的研究内容。然而，随着以冷库为代表的冷链物流的快速发展，其能耗也快速增加，以食品工业为例，仅生产、流通和储存各环节在内的制冷系统能耗就占食品工业总能耗的35.0％，在全球范围内能耗总量达到1300TWh/年，冷链物流的能耗是一项严峻的挑战。且由于需要对物流过程中的环境进行控制，冷链物流的成本较普通物流高出40.0％以上，其高成本和低效率问题显得尤为突出。在冷链物流的各个环节中，制冷系统的工作效率是增加制冷效果、降低能耗的关键因素，由于低温环境下制冷机出风口极易结霜，严重制约制冷效率，不仅会影响物流系统的产品制冷，并且大大增加了能耗成本。

因此，设计智能制冷机工作状态诊断方法，对提高制冷效率和降低能耗成本具有重要意义。然而，传统的传感器监控方式仅能反应环境的温度和湿度，无法对制冷机的结霜情况进行准确诊断。

发明内容

针对现有技术的不足，本发明提出一种基于传感器时序数据分析的制冷设备结霜预测方法，能够对制冷设备的结霜情况进行准确诊断。

为了实现上述目的，本发明提出了一种基于传感器时序数据分析的制冷设备结霜预测方法，包括以下步骤：

步骤1，基于异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置用于实时获取蒸发器区域的温度变化的温度传感器，并基于异步空间布局、区域中心布局、均匀空间布局对温度传感器进行分组；分别计算结霜时每一组温度传感器中的方差、判定系数、协方差及单位评分，并根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布；

步骤2，根据所确定的传感器布局分布方式分别在制冷设备上设置温度传感器，然后实时获取温度传感器的温度值和制冷设备的环境数据，并利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签；其中，所述环境数据包括冷库环境气压、摄氏温度、开尔文温度、相对湿度的摄氏温度、相对湿度的空气中水蒸气饱和度、饱和蒸气压、蒸汽压力、蒸汽压力差、比湿、水蒸气浓度、气密性、风速、最大风速和风向度；

步骤3，对所述温度传感器的温度值和制冷设备的环境数据进行预处理后，构建双向循环神经网络模型；

步骤4，根据实时采集到的传感器数据以及制冷设备的环境数据，通过所述双向循环神经网络模型对制冷机的结霜情况进行预测。

进一步的，异步空间布局包括在制冷设备的整体监测区不同坐标位置布置传感器的布局方式和在制冷设备的各个单元监测区不同位置布置传感器的布局方式。

进一步的，区域中心布局包括在制冷设备的各个单元监测区的中心区域布置传感器的布局方式和将不同单元监测区合并为一个整体并在这整体区域内均匀布置传感器的布局方式。

进一步的，均匀空间布局包括在每个单元监测区内均匀布置若干传感器的布局方式。

进一步的，步骤1中，根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布的步骤包括：

分别计算各传感器组所对应的方差和判定系数，将判定系数最接近1且方差最小所对应的传感器组为所需要的传感器布局分布方式。

进一步的，步骤1中，根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布的步骤包括：

分别计算各传感器组所对应的协方差和单位评分，将协方差最小且评分最好所对应的传感器组为所需要的传感器布局分布方式。

进一步的，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤具体包括：

根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

进一步的，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201a，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则进入步骤202a，否则制冷设备的标签为不结霜；

步骤202a，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则制冷设备的标签为结霜。

进一步的，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201b，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是，则进入步骤202b，否则制冷设备的标签为不结霜；

步骤202b，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则进入步骤203b；

步骤203b，计算传感器的平均温度，并确定该平均温度与未结霜的历史统计平均温度之间差值是否低于预设值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

与现有技术相比，本发明具有以下优点：本发明根据异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置温度传感器，然后根据方差、判定系数、协方差及单位评分确定传感器的布局分布；根据确定的布局分布设置温度传感器后，获取温度传感器的温度值和制冷设备的环境数据，利用温度值和环境数据确定制冷设备的结霜标签后，构建双向循环神经网络模型；最后利用所构建的双向循环神经网络模型对制冷机的结霜情况进行预测，从而能够准确实现吹风口结霜的早期预警。

本发明通过立体的传感读数数据体系，准确的判断制冷机出风口的工作状态；通过建立深度学习技术中的双向循环神经网络，使用传感器时序数据建立结霜模型，为结霜程度分析提供预测模型。相比于传统的传感器监控方式，本发明可以克服传感器数据单一、模式单调的不足，对结霜程度的诊断结果准确，成本低廉。另外，基于深度学习的循环神经网络模型可以有效的处理异步传感器时序数据，通过小范围时间内的温度变化分析，结合实时测量温度，可以实现实时的结霜程度分析系统，为出风口除霜和人工干预提供及时、准确的智能预警功能。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明基于传感器时序数据分析的制冷设备结霜预测方法的流程图；

图2为各方案中传感器布局图

图3为双向循环神经网络模型的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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作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。

由于蒸发器或冷凝器结霜会堵塞风道，显著影响制冷设备的工作效率，因此设置传感器采集温度变化可以作为制冷系统工作状态诊断的依据；但仅使用单一的传感器进行温度监控无法及时、准确的做出诊断结论，因此，本发明通过在一定区域内采取有效的策略形成综合的判断机制，从而保证了结霜诊断任务的及时性和准确性。

参见图1，本发明实施方式公开了一种基于传感器时序数据分析的制冷设备结霜预测方法，包括以下步骤：

步骤1，基于异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置用于实时获取蒸发器区域的温度变化的温度传感器，并基于异步空间布局、区域中心布局、均匀空间布局对温度传感器进行分组；分别计算结霜时每一组温度传感器中的方差、判定系数、协方差及单位评分，并根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布；

步骤2，根据所确定的传感器布局分布方式分别在制冷设备上设置温度传感器，然后实时获取温度传感器的温度值和制冷设备的环境数据，并利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签；其中，所述环境数据包括冷库环境气压、摄氏温度、开尔文温度、相对湿度的摄氏温度、相对湿度的空气中水蒸气饱和度、饱和蒸气压、蒸汽压力、蒸汽压力差、比湿、水蒸气浓度、气密性、风速、最大风速和风向度；

步骤3，对所述温度传感器的温度值和制冷设备的环境数据进行预处理后，构建双向循环神经网络模型；

步骤4，根据实时采集到的传感器数据以及制冷设备的环境数据，通过所述双向循环神经网络模型对制冷机的结霜情况进行预测。

本发明实施例中，通过在制冷设备的蒸发器或冷凝器出风口不同区域设置传感器，实时获取蒸发器或冷凝器区域的温度变化，利用相同时刻下不同区域的温差，对制冷机组的工作状态进行诊断；具体的，通过构建双向循环神经网络模型从温度在一定时间范围内的变动曲线中学习蒸发器或冷凝器结霜规律，从而能够对制冷机组工作状态进行较为准确的诊断。

具体的，步骤1中，本发明根据几种不同的传感器布局分布方式的方差、判定系数、协方差及单位评分，确定本实施例中传感器布局分布方式，以便于后面能够训练出较为准确的预测模型(即双向循环神经网络模型)。

其中，异步空间布局包括在制冷设备的整体监测区不同坐标位置布置传感器的布局方式和在制冷设备的各个单元监测区不同位置布置传感器的布局方式。例如，如图2所示，制冷机设备包括有3个单元监测区域，其中A方案、B方案、C方案、D方案和E方案中的三个方框分别表示制冷机设备的3个单元监测区域；在制冷设备的整体监测区不同坐标位置布置传感器的布局方式，为图2中的A方案；而在制冷设备的各个单元监测区不同位置布置传感器的布局方式，为图2中的E方案。

而区域中心布局包括在制冷设备的各个单元监测区的中心区域布置传感器的布局方式和将不同单元监测区合并为一个整体并在这整体区域内均匀布置传感器的布局方式。同样参见图2所示，制冷机设备包括有3个单元监测区域，其中A方案、B方案、C方案、D方案和E方案中的三个方框分别表示制冷机设备的3个单元监测区域；在制冷设备的各个单元监测区的中心区域布置传感器的布局方式，为图2中的B方案；将不同单元监测区合并为一个整体，然后在这整体区域内均匀布置传感器的布局方式，为图2中的C方案。

另外，均匀空间布局包括在每个单元监测区内均匀布置若干传感器的布局方式。同样参见图2所示，制冷机设备包括有3个单元监测区域，其中A方案、B方案、C方案、D方案和E方案中的三个方框分别表示制冷机设备的3个单元监测区域；在每个单元监测区内均匀布置若干传感器的布局方式，为图2中的D方案。

基于以上A、B、C、D、E这5组传感器的布局方式，分别计算若干次结霜时各组传感器读数的方差、判定系数、协方差及单位评分，以对各种传感器读数进行评价。其中，方差、判定系数、协方差及单位评分的计算公式分别如下所示：

(1)方差，用来计算每组传感器读数与总体均数之间的差异，公式为：

(2)判定系数，计算回归平方和与总离差平方和之比值，用于判断统计模型的解释力。判定系数由以下公式计算：

其中残差平方和SSres的计算公式为：

总平方和SStot的计算公式为：

(3)协方差，用于衡量每组各传感器读数数据之间的总体误差，公式为：

(4)单位评分，用于度量每个传感器在各组布局中的平均作用，计算公式为：

value(i)＝∑(σ²×|E(tem)|/n)

其中E(tem)是传感器读数均值，n是传感器数量。

其中，方差体现了预测结果的稳定性，方差越小，预测值的上下浮动越小；判定系数是预测结果的拟合程度，系数越大，说明预测结果越接近训练数据的规律，从而可以以此来证明训练模型的可靠性；而协方差可以考察各组传感器对应数据预测结果之间的相互配合能力，比如三个单元监测区域，当传感器读数分别为-25、-26、-27时就有比较小的协方差，而当传感器读数分别为-25、-28、-27时协方差比较大，表明至少有一个预测值有较大偏差；而单片评分则用于度量每个传感器在各组布局中的平均作用。

由于不同传感器布局会有不同的结果，因此可以利用方差、判定系数、协方差及单位评分选择出最佳或最符合实际需求的分布。其中，若更关注方法的预测精度，则可以用根据各传感器组所对应的方差和判定系数进行确定，具体的，分别计算各传感器组所对应的方差和判定系数，将判定系数最接近1且方差最小所对应的传感器组为所需要的传感器布局分布方式。而若更关注多个传感器组合后的整体预测效果，则可以根据各传感组所对应的协方差和单位评分进行确定，具体的，分别计算各传感器组所对应的协方差和单位评分，将协方差比较小的情况下，评分最好时所对应的传感器组为所需要的传感器布局分布方式。

步骤2中，确定了传感器的布局分布方式之后，需要根据所确定的传感器布局分布方式分别在制冷设备上设置温度传感器，以采集制冷设备上单元监测区域的温度变化；在获取到历史传感器温度值和制冷设备的环境数据后，还需要根据所获取到的温度值和环境数据为制冷设备的结霜情况确定标签，以便于训练双向循环神经网络模型作为预测模型。

具体的，在本发明一实施方式中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤具体包括：

根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

该实施例中，根据不同布局的统计，可以利用方差、判定系数和协方差初步对制冷设备是否结霜进行判断。比如，若方差大于10，且判定系数大于2，同时协方差大于6时，说明这几个传感器的读数存在明显结霜特征，从而可实时根据传感器读数为制冷设备贴上标签。当然，不同的传感器布局方式，方差预设阈值、判定系数预设阈值和协方差预设阈值可能不同，本发明在此不作限制。

在本发明另一实施方式中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201a，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则进入步骤202a，否则制冷设备的标签为不结霜；

步骤202a，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则制冷设备的标签为结霜。

该实施例中，由于多个传感器有不同的得数，不同的布局方式，对应的是传感器的位置不同，因此各读数的差值也不同，结霜时各传感器读数之间的差值应该符合布局对应的温度变化。因此本实施例在结合方差、判定系数和协方差是否达到相应预设阈值的判断基础上，需要再结合相间隔传感器读数之间的差距对制冷设备的结霜情况进行判断。例如，如A方案中的传感器布局方式，传感器1和传感器3之间的温度差在1℃内，且传感器2和传感器4读数相差超过1℃时，制冷设备的标签为结霜。

在本发明又一实施方式中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201b，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是，则进入步骤202b，否则制冷设备的标签为不结霜；

步骤202b，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则进入步骤203b；

步骤203b，计算传感器的平均温度，并确定该平均温度与未结霜的历史统计平均温度之间差值是否低于预设值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

该实施例中，在分别对比各组方差、判定系数、协方差以及间隔传感器的读数差值后，还需要将传感器平均温度读数与未结霜时的历史统计平均温度进行对比，以提高数据诊断精度。

具体的，步骤2中，传感器每1分钟记录一次数值，每小时记录60次。利用传感器720个时间戳(12小时)中的数据，用于预测60个时间戳(1个小时)内的温度变化，从而能够对制冷机的结霜情况进行预测。具体的，双向循环神经网络模型，使用720个时间戳的温度变化数据进行训练，60个时间戳后制冷机的结霜情况作为标签。

步骤3中，由于传感器所采集到的数据具有变化浮动的范围，因此在训练循环神经网络之前，需要先对时序数据进行归一化预处理，即通过减去平均值并除以每个特征的标准偏差来实现限制特征值在范围[0,1]内，然后再利用预设时间内(即720个时间戳)的温度值、环境数据，以及预设预测时间内(60个时间戳后)制冷机的标签进行训练双向神经网络模型。

其中，双向循环神经网络(BRNN)结构，前向LSTM层、后向LSTM层和最终的输出分别为：

h_t＝f(w_ix_t+w_jh_t-1)

h′_t＝f(w′_mx_t+w′_nh′_t+1)

o_t＝g(w_kh_t+w_sh′_t)

其中，Ot取决于训练时的标签；ht是前向LSTM层的输出，h’t是后向LSTM层的输出，分别由此层的权重和上一层的输出利用激活函数进行计算；ot是同一层的前向节点和后向节点的计算输出。

本实施例中，因数据集存在14个特征，因此将网络节点的维度设置为14，节点的输入和输出维度为1，使用上一时刻的状态与当前时刻的输入拼接成一维向量作为循环体的全连接层神经网络的输入，则在循环体的全连接层神经网络的输入维度为15。t0时刻的节点状态初始化为[t_i1，t_i2，…，t_in]，t0时刻的节点输入为[t_t0]，拼接之后循环体的全连接层神经网络的输入为[t_i1，t_i2，…，t_in，t_t0]。权重矩阵和偏置项在t_i和t_i+1时刻的循环体中是一样的，因此RNN结构中的参数在不同时刻中处于共享状态，在保持提取特征前提下，尽量减少模型参数。为了将当前时刻的状态转变为节点的最终输出，设置另一个全连接神经网络来计算节点输出。得到RNN的前向传播结果之后，使用损失函数计算训练偏差，使用反向传播算法和优化器算法训练模型；由于每个时刻的节点仅有一个输出，所以RNN的总损失为所有时刻上的损失和，模型结构如图3所示。

由于LSTM层只能依据之前时刻的时序信息来预测下一时刻的输出，但是在出风口结霜问题中，制冷机的结霜情况不仅和之前的历史温度变化有关，还与周围其他传感器的温度状态有关系，因此在模型中添加一个反向LSTM层，用于将相同时刻内不同传统器的数据以相同的权重参与到计算中。前向LSTM层和后向LSTM层共同连接着输出层，其中包含了128个共享权值w₁，…，w₁₂₈。在前向LSTM层从1时刻到t时刻正向计算一遍，得到并保存每个时刻向前隐含层的输出。在后向LSTM层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻向后隐含层的输出。最后在每个时刻结合前向LSTM层和后向LSTM层的相应时刻输出的结果得到最终的输出标签。

在训练过程中，对于双向神经网络模型，初始化方法的选择、激活函数的选择、优化器的选择、LSTM层参数的选择等这些属于现有技术，本实施例在此不做限制。

下面以一具体实施例进行说明，对于一具体制冷机设备，本实施例根据步骤2中的A、B、C、D、E方案中传感器的布局方式布局传感器，分别对蒸发器进行了周期为24小时的温度监控实验。每组传感器前4次结霜时每组传感器的读数记录表1所示，各组数据的方差及相关系数如表2所示：

表1

	方差	判定系数	协方差	单位评分
					A组	11.74	2.31	6.14	23.25
B组	6.21	0.24	2.33	12.96
					C组	9.75	1.10	4.75	16.46
D组	8.33	1.46	5.89	11.45
					E组	9.21	1.74	4.10	18.21

表2如表1所示，对于该制冷机设备，在4次结霜时各组传感器读数总体处于(-17.2℃,-19.9℃)范围内，各组读数相近；但是每组内的各传感器读数相差较大。而从表2中的数据来看，A组(异步空间布局(四传感器))的读数方差最大，表明每个传感器采集到的温度特征更明显；判定系数表明A组的数据相关性最低；协方差表明A组各读数的离异程度更高；单位评分表明A组平均每个传感器采集到的数据信息量更高。因此，本实施例采用A方案中的传感器布局分布方式，利用传感器采集蒸发器各个单元监测区域的温度变化。

在训练双向循环神经网络时，本实施例结合采集结霜前3分钟、5分钟、10分钟、15分钟、20分钟、30分钟、45分钟、60分钟前的传感器读数，每组数据各100份，共800份数据。对这800份数据在1小时内的结霜情况进行了预测，根据结霜的具体时间，不同误差精度下的准确率如表3所示：

样本数量

<3分钟

<5分钟

<10分钟

<15分钟

<20分钟

3分钟

100

92.00％

98.00％

100.00％

100.00％

100.00％

5分钟

100

86.00％

96.00％

99.00％

100.00％

100.00％

10分钟

100

83.00％

91.00％

96.00％

99.00％

100.00％

15分钟

100

70.00％

79.00％

88.00％

98.00％

100.00％

20分钟

100

43.00％

59.00％

87.00％

95.00％

99.00％

30分钟

100

29.00％

44.00％

60.00％

68.00％

82.00％

45分钟

100

25.00％

43.00％

53.00％

62.00％

75.00％

60分钟

100

21.00％

37.00％

50.00％

54.00％

65.00％

表3

根据表3可以看出，对于1小时内的预测精度，误差在20分钟以内可达65.00％以上，其中当仅判断半小时内的结霜情况时，误差在20分钟内的预测精度可提升至100.00％；对20分钟之内的数据进行判断时，预测误差在5分钟以内的精度高达91.00％，而对5分钟中，误差在5分钟以内的预测精度可达96％，可见，本发明在短时间内的预测精度符合预期，可用于时序温度读数的分析及预警。

由此可见，本发明对20分钟内可能出现的结霜的准确率为99.00％，可用于制冷机设备进行精准结霜预警。

综上所述，本发明根据异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置温度传感器，然后根据方差、判定系数、协方差及单位评分确定传感器的布局分布；根据确定的布局分布设置温度传感器后，获取温度传感器的温度值和制冷设备的环境数据，利用温度值和环境数据确定制冷设备的结霜标签后，构建双向循环神经网络模型；最后利用所构建的双向循环神经网络模型对制冷机的结霜情况进行预测，从而能够对制冷机设备进行精准结霜预警。

本发明通过立体的传感读数数据体系，准确的判断制冷机出风口的工作状态；通过建立深度学习技术中的双向循环神经网络，使用传感器时序数据建立结霜模型，为结霜程度分析提供预测模型。相比于传统的传感器监控方式，本发明可以克服传感器数据单一、模式单调的不足，对结霜程度的诊断结果准确，成本低廉。另外，基于深度学习的循环神经网络模型可以有效的处理异步传感器时序数据，通过小范围时间内的温度变化分析，结合实时测量温度，可以实现实时的结霜程度分析系统，为出风口除霜和人工干预提供及时、准确的智能预警功能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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保护范围之内。

Claims (9)

1.一种基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，包括以下步骤：

步骤1，基于异步空间布局、区域中心布局、均匀空间布局分别在蒸发器出风口的不同区域布置用于实时获取蒸发器区域的温度变化的温度传感器，并基于异步空间布局、区域中心布局、均匀空间布局对温度传感器进行分组；分别计算结霜时每一组温度传感器中的方差、判定系数、协方差及单位评分，并根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布；

步骤2，根据所确定的传感器布局分布方式分别在制冷设备上设置温度传感器，然后实时获取温度传感器的温度值和制冷设备的环境数据，并利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签；其中，所述环境数据包括冷库环境气压、摄氏温度、开尔文温度、相对湿度的摄氏温度、相对湿度的空气中水蒸气饱和度、饱和蒸气压、蒸汽压力、蒸汽压力差、比湿、水蒸气浓度、气密性、风速、最大风速和风向度；

步骤3，对所述温度传感器的温度值和制冷设备的环境数据进行预处理后，构建双向循环神经网络模型；

步骤4，根据实时采集到的传感器数据以及制冷设备的环境数据，通过所述双向循环神经网络模型对制冷机的结霜情况进行预测。

2.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，异步空间布局包括在制冷设备的整体监测区不同坐标位置布置传感器的布局方式和在制冷设备的各个单元监测区不同位置布置传感器的布局方式。

3.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，区域中心布局包括在制冷设备的各个单元监测区的中心区域布置传感器的布局方式和将不同单元监测区合并为一个整体并在这整体区域内均匀布置传感器的布局方式。

4.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，均匀空间布局包括在每个单元监测区内均匀布置若干传感器的布局方式。

5.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，步骤1中，根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布的步骤包括：

分别计算各传感器组所对应的方差和判定系数，将判定系数最接近1且方差最小所对应的传感器组为所需要的传感器布局分布方式。

6.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，步骤1中，根据所述方差、判定系数、协方差及单位评分确定传感器的布局分布的步骤包括：

分别计算各传感器组所对应的协方差和单位评分，将协方差最小且评分最好所对应的传感器组为所需要的传感器布局分布方式。

7.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤具体包括：

根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

8.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201a，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是则进入步骤202a，否则制冷设备的标签为不结霜；

步骤202a，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则制冷设备的标签为结霜。

9.根据权利要求1所述基于传感器时序数据分析的制冷设备结霜预测方法，其特征在于，步骤2中，所述利用所述温度值和所述环境数据实时为预设时间戳后制冷设备的结霜情况确定标签的步骤包括：

步骤201b，根据温度值和环境数据分别计算方差、判定系数和协方差，并确定所计算出的方差、判定系数和协方差是否达到相应预设阈值，是，则进入步骤202b，否则制冷设备的标签为不结霜；

步骤202b，对比各传感器读数，判断相间隔的传感器的读数差值是否在预设范围内，是则制冷设备的标签为不结霜，否则进入步骤203b；

步骤203b，计算传感器的平均温度，并确定该平均温度与未结霜的历史统计平均温度之间差值是否低于预设值，是则制冷设备的标签为结霜，否则制冷设备的标签为不结霜。

Images