CN113486953A - 变频器滤网更换时间的预测方法、装置及计算机可读介质 - Google Patents

变频器滤网更换时间的预测方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN113486953A
CN113486953A CN202110763668.1A CN202110763668A CN113486953A CN 113486953 A CN113486953 A CN 113486953A CN 202110763668 A CN202110763668 A CN 202110763668A CN 113486953 A CN113486953 A CN 113486953A
Authority
CN
China
Prior art keywords
preset
value
operation data
fan
data
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
Application number
CN202110763668.1A
Other languages
English (en)
Other versions
CN113486953B (zh
Inventor
刘亚琼
陈辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Electrical Drives Shanghai Ltd
Original Assignee
Siemens Electrical Drives Shanghai Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Electrical Drives Shanghai Ltd filed Critical Siemens Electrical Drives Shanghai Ltd
Priority to CN202110763668.1A priority Critical patent/CN113486953B/zh
Publication of CN113486953A publication Critical patent/CN113486953A/zh
Application granted granted Critical
Publication of CN113486953B publication Critical patent/CN113486953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种变频器滤网更换时间的预测方法、装置及计算机可读介质，该方法包括：获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。本发明可以提前使用户了解到滤网更换的时间，便于用户更准确的安排维护，提前购买滤网或者提前通知厂家，进而厂家可以提前进行滤网的协调生产，实现滤网的及时更换。

Description

变频器滤网更换时间的预测方法、装置及计算机可读介质
技术领域
本发明涉及变频器技术领域，特别涉及一种变频器滤网更换时间的预测方法、装置及计算机可读介质。
背景技术
为了保证变频器的散热达到的正常风量、风压，变频器的封闭柜体的滤网需要按时更换。但由于变频器所处的环境和使用情况不同，每台变频器实际需要更换滤网的时间不同，即每台变频器的维护周期不确定，使得厂家不能很好的协调生产和维护。
发明内容
本发明提供了一种变频器滤网更换时间的预测方法、装置及计算机可读介质，能够提前使用户了解到滤网更换的时间，便于用户更准确的安排维护，厂家提前进行滤网的协调生产和维护，实现滤网的及时更换。
第一方面，本发明提供一种变频器滤网更换时间的预测方法，包括：
获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
第二方面，本发明提供一种变频器滤网更换时间的预测装置，包括：
一个数据获取模块，用于获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
一个数据筛选模块，用于从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
一个关系确定模块，用于将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
第三方面，本发明提供一种变频器滤网更换时间的预测装置，包括：
至少一个存储器和至少一个处理器；所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行第一方面提供的方法。
第四方面，本发明提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面提供的方法。
本发明中，首先确定变频器在历史时间段内的多条运行数据，然后筛选出预设风机风速的运行数据，将这些运行数据输入到神经网络模型中进行函数训练，得到风压差与时间之间的函数关系，从而根据函数关系确定滤网更换时间。可见本发明采用神经网络模型进行滤网更换时间的预测，可以提前使用户了解到滤网更换的时间，便于用户更准确的安排维护，提前购买滤网或者提前通知厂家，进而厂家可以提前进行滤网的协调生产，实现滤网的及时更换。而且由于每一台变频器的所处环境和使用情况不同，而本发明可以针对每一台变频器预测出对应的滤网更换时间，而不是针对所有变频器采用一个统一固定的更换时间，因此更加具有针对性，给出的滤网更换时间也更加准确。
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的前提下，还可以基于这些附图获得其他的附图。
图1是本发明一个实施例提供的变频器滤网更换时间的预测方法的流程示意图；
图2是本发明另一个实施例提供的变频器滤网更换时间的预测方法的流程示意图；
图3是本发明又一个实施例提供的变频器滤网更换时间的预测方法的流程示意图；
图4是本发明又一个实施例提供的变频器滤网更换时间的预测方法的流程示意图；
图5是本发明又一个实施例提供的风压差与时间之间的函数关系的示意图；
图6是本发明又一个实施例提供的变频器滤网更换时间的预测装置的结构示意图；
图7是本发明又一个实施例提供的变频器滤网更换时间的预测装置的结构示意图；
图8是本发明又一个实施例提供的变频器滤网更换时间的预测装置的结构示意图；
图9是本发明又一个实施例提供的变频器滤网更换时间的预测装置的结构示意图；
图10是本发明又一个实施例提供的变频器滤网更换时间的预测装置的结构示意图。
S100～S300 步骤
S210～S240 步骤
1000 变频器滤网更换时间的预测装置
100 数据获取模块
200 数据筛选模块
300 关系确定模块
400 数据发送模块
210 第一异常判断模块
220 第一异常删除模块
230 第二异常判断模块
240 第二异常删除模块
410 存储器
420 处理器
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
第一方面，本发明提供一种变频器滤网更换时间的预测方法，该方法可以由变频器的触摸屏模块执行，这样可以减少变频器的控制器的计算负担。如图1所示，该方法可以包括如下步骤S100～S300：
S100、获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
其中，预设历史时间段可以根据需要选择，例如过去的一个星期、一个月、两个月等。预设历史时间越长，获取到的运行数据的条数越多，这样经过模型训练得到的函数关系越准确，但是运行数据的条数过多，函数关系的训练速度也会降低，因此可以选择一个在能保证函数关系较准确的情况下训练速度也较高的时间长度。
其中，出入封口的风压差，是指变频器的风机的出风口的风压和入风口的风压之间的差值的绝对值。具体可以通过在出风口和入风口分别设置传感器，通过传感器检测对应位置的风压。变频器的控制器向入风口和出风口的传感器中分别获取风压，然后将出入风口的风压发送给触摸屏模块，进而触摸屏模块确定风压差。
其中，风机风速即风机的转速，变频器的风机一般可以分为多个档位，即分为多个风机状态，不同的档位对应不同的风机风速。可理解的是，风机风速、风机状态、风机风量这三个概念的本质是一致的，不同的档位即对应不同的风机状态，进而会产生不同的风机风速和不同的风机风量。档位越高，风机风速越高，风机风量越大。基于此，变频器的控制器可以根据风机当前的档位便知道风机风速，进而将风机风速发送给触摸屏模块。当然也可以在风机上设置传感器用来检测风机风速，由变频器的控制器获取该传感器检测到的风机风速然后将风机风速发送给触摸屏模块。
当然，每一条运行数据中除了包括上述风压差和风机风速之外，还可以包括柜体温度，具体可以在柜体上设置传感器用来检测柜体温度，由变频器的控制器获取该传感器检测到的柜体温度然后将柜体温度发送给触摸屏模块。
可理解的是，由于每一条运行数据对应一个时间点，即同一个时间点的风压差、风机风速、柜体温度等才会构成一条运行数据，可见此时还需要得知时间点。触摸屏模块具体可以从触摸屏操作系统中获取时间点。
在具体实施时，可以将各条运行数据存储到触摸屏模块的存储器中的相应数据库中。控制器和触摸屏模块之间的数据交换可以通过触摸屏模块的程序接口实现。
S200、从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
可理解的是，只有在其它变量保持不变的情况下所确定的风压差和时间之间的函数关系才有意义，因此这里将风机风速作为一个必要条件，对运行数据进行筛选，具体从S100中确定的所有运行数据中筛选出所述风机风速为预设风机风速的运行数据。
其中，预设风机风速可以为一个，具体可以为变频器的风机在正常工作状态下的一个常规风速值。在变频器的日常运行中，风机大多处于比较稳定的某个状态，即风机大多处于某个档位上，可以将该档位对应的风机风速作为上述预设风机风速。例如，在S100 中获取的各条运行数据中，某个风机风速对应的运行数据的条数的占比是最高的，可以将这个风机风速作为预设风机风速。为了进一步保证S100中获取到的运行数据中预设风机风速的占比尽可能多，减少被筛掉的运行数据的条数，增加S100中所获取的运行数据的利用率，可以将所述预设风机风速发送给所述变频器的控制器，以使所述控制器在一个第一时间间隔内获取的各个风机风速的平均值小于所述预设风机风速时，控制风机提速以使在之后每一个第一时间间隔内获取的各个风机风速的平均值能够达到所述预设风机风速。
也就是说，当触摸屏模块计算出当前获取到的运行数据中占比最高的风机风速，将该风机风速作为预设风机风速发送给控制器，控制器就会根据该风机风速进行风速调节。例如，将一天作为第一时间间隔，将某天内获取的各个风机风速中占比最高的风机风速作为预设风机风速，控制器根据该风机风速进行风机控制，这样在该某天后面的每一天中风机风速都尽量控制在预设风机风速附近，甚至控制风机风速一直保持在预设风机风速，这样可以提高预设风机风速的运行数据在时间上的连续性。
可理解的是，除了风机风速之外，还可能存在其它变量，例如，海拔、湿度、温度等多种因素，而海拔、湿度相对稳定，因此这里需要考虑温度即可。在具体实施时，每条所述运行数据中还可以包括所述变频器的柜体温度。柜体温度由传感器检测，发送给控制器，然后控制器发送给触摸屏模块，在采集或传输过程中有可能发生错误，因此这里依据从S200中筛选得到的各条运行数据中的柜体温度确定一个温度异常判断条件，然后根据温度异常判断条件判断从S200中筛选得到的每一条运行数据是否出现异常，如果出现异常，则将该条数据删除。也就是说，这里根据柜体温度确定了一个辅助条件，用以删除异常数据。具体为：如图2所示，在上述步骤S200和S300之间，本发明提供的方法还可以包括如下步骤S210和S220：
S210、采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行柜体温度的预设指标的统计，得到对应的第一预设指标统计值；所述预设指标包括均值、极值和/或方差；
举例来说，经过S200筛选后得到的运行数据为2000条，设置预设滑动窗口的大小为20，步长为5。这样一个预设滑动窗口每一次从2000条运行数据中采集到的运行数据为20条，针对这20条运行数据，判断是否存在柜体温度异常的运行数据。
为了进行更加合理的判断，在执行S210之间，对各条运行数据按照时间点的先后顺序进行排列，这样预设滑动窗口采集的运行数据对应的时间点是连续的。
其中，第一预设指标统计值可以是一个预设滑动窗口采集到的预设数量的运行数据的均值、极值和/或方差的统计值，具体可以称为第一均值统计值、第一极值统计值和/或第一方差统计值。第一均值统计值为预设数量的运行数据中柜体温度的平均值，第一极值统计值为预设数量的运行数据中的柜体温度的极值，例如，极大值、极小值。第一方差统计值为预设数量的运行数据中的柜体温度的方差。
这里仅选择一个滑动窗口所采集的预设数量的运行数据进行异常数据判断，而非直接在所有运行数据中进行异常数据判断，这样做的原因是：在预设历史时间段内，柜体温度总会有变化的，哪怕在一天之内柜体温度也是有变化的，这里判断异常的标准并不是温度发生了变化，而是温度发生了异常的变化。例如，一个滑动窗口所采集的20条运行数据为变频器在一天之内的运行数据，如果在这一天之内的20条运行数据中的柜体温度都是比较平缓的变化，则说明没有出现异常，因此这里采用统计预设指标的方式确定判断标准，即确定一个辅助条件的标准。
S220、根据每一个预设滑动窗口内的每一条运行数据中的柜体温度与该滑动窗口的所述第一预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
例如，在S210中预设滑动窗口采集的20条运行数据中的柜体温度的均值进行统计，得到第一均值统计值，然后将这20条运行数据中的每一条运行数据中的柜体温度与第一均值统计值进行比较，如果柜体温度与所述第一均值统计值的差值的绝对值大于一定的值，就认为该柜体温度偏离平均值较多，此时就认为该柜体温度所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
再例如，在S210中预设滑动窗口采集的20条运行数据中的柜体温度的极大值进行统计，得到第一极值统计值，然后将这20条运行数据中的每一条运行数据中的柜体温度与第一极值统计值进行比较，如果柜体温度与所述第一极值统计值的差值的绝对值小于一定的值，就认为该柜体温度非常接近极大值，此时就认为该柜体温度所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
再例如，在S210中预设滑动窗口采集的20条运行数据中的柜体温度的方差进行统计，得到第一方差统计值。可理解的是，第一方差统计值为20个柜体温度与其均值的离差平方和的均值，用来表示20个柜体温度的离散程度或差异程度，如果方差越大，说明这20个柜体温度越离散。如果采用第一方差统计值进行异常判断，还需要结合第一均值统计值，如果一个柜体温度与所述第一均值统计值的差值的平方与第一方差统计值的差值大于一定的值，说明该柜体温度为异常的可能性越大，因此就认为该柜体温度所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
当然，以上均值、极值和方差三个指标可以单独进行异常判断，即只要依据一种指标判断数据异常就需要删除；也可以将三个相结合进行异常判断；也可以选择其中两个相结合进行异常判断，例如，将方差和均值相结合进行异常判断。为了尽可能的简化异常判断过程的同时提高异常判断的准确性，而且均值和方差之间具有一定的关联，因此可以采用均值和极值相结合的方式进行异常判断。
具体为：在S210中确定的第一预设指标统计值中包括第一均值统计值和第一极值统计值；S220中判断异常的过程可以包括：若一个预设滑动窗口内的一条运行数据中的柜体温度与所述第一均值统计值的差值的绝对值大于第一预设值且所述柜体温度与所述第一极值统计值的差值的绝对值小于第二预设值，则该条运行数据异常。
其中，柜体温度与第一均值统计值的差值的绝对值大于第一预设值，说明柜体温度偏离第一均值统计值较远，而柜体温度与第一极值统计值的差值的绝对值小于第二预设值，说明柜体温度距离第一极值统计值较近，此时认为柜体温度为异常值，需要将该柜体温度所在的运行数据删除。
由于风压差是由传感器检测，发送给控制器，控制器再发送给触摸屏模块，因此在采集或传输时有可能出现错误，因此这里也可以对风差异是否出现异常进行判断。在具体实施时，如图3所示，在S200和S300之间还可以包括如下步骤S230和S240：
S230、采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行风压差的预设指标的统计，得到对应的第二预设指标统计值；所述预设指标包括均值、极值和/或方差；
举例来说，经过S200筛选后得到的运行数据为3000条，设置预设滑动窗口的大小为30，步长为10。这样一个预设滑动窗口每一次从3000条运行数据中采集到的运行数据为30条，针对这30条运行数据，判断是否存在风压差异常的运行数据。
为了进行更加合理的判断，在执行S230之间，对各条运行数据按照时间点的先后顺序进行排列，这样预设滑动窗口采集的运行数据对应的时间点是连续的。
其中，第二预设指标统计值可以是一个预设滑动窗口采集到的预设数量的运行数据的均值、极值和/或方差的统计值，具体可以称为第二均值统计值、第二极值统计值和/或第二方差统计值。第二均值统计值为预设数量的运行数据中风压差的平均值，第二极值统计值为预设数量的运行数据中的风压差的极值，例如，极大值、极小值。第二方差统计值为预设数量的运行数据中的风压差的方差。
这里仅选择一个滑动窗口所采集的预设数量的运行数据进行异常数据判断，而非直接在所有运行数据中进行异常数据判断，这样做的原因是：在风机风速相同的情况下，如果因为滤网因素造成的风压差变化也不会是突然的，而是一个缓慢连续的变化过程，风压差是逐渐减小的。而如果是由于数据采集错误或传输错误等过程引起的风压差的异常是随机的，可能会有突变，因此判断异常的标准并不是风压差发生了变化，而是风压差发生了异常的变化。例如，一个滑动窗口所采集的30条运行数据为变频器在一天之内的运行数据，由于在一天之内滤网不会导致风压差发生很大的变化，因此在这一天之内的30条运行数据中的风压差应是比较缓慢且平缓的变化，如果有一条数据的风压差突然变得很小，说明这条数据存在异常。这里采用统计预设指标的方式确定判断标准，即确定一个辅助条件的标准。
S240、根据每一个预设滑动窗口内的每一条运行数据中的风压差与该滑动窗口的所述第二预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
例如，在S230中预设滑动窗口采集的30条运行数据中的风压差的均值进行统计，得到第二均值统计值，然后将这30条运行数据中的每一条运行数据中的风压差与第二均值统计值进行比较，如果风压差与所述第二均值统计值的差值的绝对值大于一定的值，就认为该风压差偏离平均值较多，此时就认为该风压差所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
再例如，在S210中预设滑动窗口采集的30条运行数据中的风压差的极小值进行统计，得到第二极值统计值，然后将这30条运行数据中的每一条运行数据中的风压差与第二极值统计值进行比较，如果风压差与所述第二极值统计值的差值的绝对值小于一定的值，就认为该风压差非常接近极小值，此时就认为该风压差所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
再例如，在S210中预设滑动窗口采集的30条运行数据中的风压差的方差进行统计，得到第二方差统计值。可理解的是，第二方差统计值为30个风压差与其均值的离差平方和的均值，用来表示30个风压差的离散程度或差异程度，如果方差越大，说明这30个风压差越离散。如果采用第二方差统计值进行异常判断，还需要结合第二均值统计值，如果一个风压差与所述第二均值统计值的差值的平方与第二方差统计值的差值大于一定的值，说明该风压差为异常的可能性越大，因此就认为该风压差所在的运行数据是异常的，不能用在后续的函数关系训练中，需要删除。
当然，以上均值、极值和方差三个指标可以单独进行异常判断，即只要依据一种指标判断数据异常就需要删除；也可以将三个相结合进行异常判断；也可以选择其中两个相结合进行异常判断，例如，将方差和均值相结合进行异常判断。为了尽可能的简化异常判断过程的同时提高异常判断的准确性，而且均值和方差之间具有一定的关联，因此可以采用均值和极值相结合的方式进行异常判断。
具体为：在S230中确定的第二预设指标统计值中包括第二均值统计值和第二极值统计值；S240中判断异常的过程可以包括：若一个预设滑动窗口内的一条运行数据中的风压差与所述第二均值统计值的差值的绝对值大于第三预设值且所述风压差与所述第二极值统计值的差值的绝对值小于第四预设值，则该条运行数据异常。
其中，风压差与第二均值统计值的差值的绝对值大于第三预设值，说明风压差偏离第二均值统计值较远，而风压差与第二极值统计值的差值的绝对值小于第四预设值，说明风压差距离第二极值统计值较近，此时认为风压差为异常值，需要将该风压差所在的运行数据删除。
上述S210和S220采用温度作为一个辅助判断条件进行异常判断，上述S230和S240采用风压差作为一个辅助条件进行异常判断。在实际中可以单独采用其中一个辅助条件，也可以采用两种辅助条件相结合的方式进行异常判断，参见图4，在S200和S300之间包括S210～S240。
可理解的是，经过上述S210和S220，或者S230和S240，可以从触摸屏模块中对应数据中将异常的运行数据删除，这些异常的运行数据为无效的运行数据，对于后续的函数训练是没有帮助的，将其从数据库中删除可以减少对存储器的无效占用。
可理解的是，如果出现异常的运行数据较少，例如在某个小时内的运行数据出现异常，将这个小时内的运行数据删除即可。而如果出现异常的运行数据较多，例如，在某个星期内的运行数据均出现异常，即出现了较长时间的异常，则不可以进入S300中采用神经网络模型进行函数训练。此时可以重新获取一个历史时间段内的运行数据，重新进行筛选或异常判断，或者采用报警模块进行报警。
S300、将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
其中，预设神经网络模型有多种，例如，深度学习神经网络等。
具体可以将在S200中筛选得到的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，或者，将根据温度和/或风压差进行异常数据删除后的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在预设风机风速下风压差与时间的函数关系。
其中，在一个预设风机风速下风压差与时间之间的函数关系包括：
y＝amxm+am+1xm+1+am+2xm+2+...am+nxm+n
式中，y为风压差，x为时间，a、m和n为所述预设神经网络模型训练得到的模型参数。a为函数关系中的时间变量的系数，m和n均为大于等于0的正整数，且m和n 不能同时为零，m和n表示函数中时间变量的幂次。
例如，经过预设神经网络模型的训练，得到了两个幂次：m＝1、n＝2以及三个时间变量的系数：a1、a2、a3，进而得到了函数关系：y＝a1x1+a2x2+a3x3。
例如，根据多条运行数据进行训练得到的函数关系如图5所示，如果在风压差低于一定值时就认为此时的滤网需要更换，可以将该一定值称为风压差报警值，风压差报警值对应的时间即滤网更换时间。T0为当前时刻，Y1为风压差报警值，T1为滤网更换时间。
在得到滤网更换时间之后，将滤网更换时间发送给触摸屏的显示界面上进行展示，这样用户就可以看到具体的滤网更换时间，例如，在当前的5个月后需要更换滤网。用户在提早知道滤网更换时间后可以提前购买滤网或通知厂家等准备工作。
通过上述过程可以得到在一个预设风机风速下风压差与时间之间的函数关系，得到在一个预设风机风速下对应的滤网更换时间。此时风压差的变量只有时间。
在具体实施时，在S200中还可以从S100确定的运行数据中筛选出多个预设风机风速下的运行数据。在实际上风机风速只有几个档位，如果把这几个档位对应的风机风速均作为预设风机风速，S200中的筛选过程实际上归类过程，得到每一个预设风机风速下的运行数据。此时在S200中就不用根据占比确定预设风机风速，然后将预设风机风速发送给控制器，以便控制器根据预设风机风速对风机进行控制这一步骤。
对应地，在S300中，可以将S100中确定的各条运行数据或者S200中按照风机风速归类好的各条运行数据或者S200中进行异常数据删除后的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在不同预设风机风速下风压差与时间之间的函数关系，根据不同预设风机风速下风压差与时间之间的函数关系确定在不同预设风机风速下所述变频器的滤网更换时间。此时，风压差的变量有时间和风机风速。
通过这种方式，可以得到在不同预设风机风速下风压差与时间之间的函数关系，进而可以确定在不同预设风机风速下所述变频器的滤网更换时间，可以将在不同预设风机风速下所述变频器的滤网更换时间均发送给触摸屏进行展示，这样用户可以了解到不同风机风速下的滤网更换时间，也进一步了解风机风速对滤网更换时间的影响。
在具体实施时，在S300之前，本发明提供的方法还可以包括：
判断所述筛选出的运行数据的条数是否小于预设条数以及所述筛选出的运行数据中是否出现相邻两个时间点的间隔大于第二时间间隔；若所述筛选出的运行数据的条数大于所述预设条数且所述筛选出的运行数据中任意相邻两个时间点的间隔都小于所述第二时间间隔，则执行所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练的步骤。
其中，运行数据的条数大于所述预设条数，说明运行数据的条数足够多；相邻两个时间点的间隔都小于所述第二时间间隔，说明相邻两个时间点的间隔比较小，筛掉或删除的运行数据不会过多。
可理解的是，只有训练样本足够多，而且经过筛选或异常删除后训练样本中的时间点相邻时间点之间的间隔不能过大，才能采用神经网络模型进行函数训练，这样做的目的是保证函数训练的准确性。
在具体实施时，如果所述筛选出的运行数据的条数小于所述预设条数或所述筛选出的运行数据中出现了相邻两个时间点的间隔大于第二时间间隔，说明运行数据的条数不够多，或者两个时间点之间筛掉或删除了过多的运行数据使得两个时间点的间隔较大，此时使用神经网络模型训练出来的函数的准确度可能不高，因此此时可以采用报警模块进行滤网更换提醒。也就是说，本发明提供的方法还可以包括：若所述筛选出的运行数据的条数小于所述预设条数或所述筛选出的运行数据中出现了相邻两个时间点的间隔大于第二时间间隔，则采用报警模块进行滤网更换提醒，所述报警模块用于在所述变频器的风压差低于预设报警值时向所述触摸屏发出报警信息。
可理解的是，在变频器投入使用的初期，风压差的数据还未达到稳定，而且运行数据的条数也不够多，此时采用报警模块比较好。当随着使用时间的延长，风压差的数据比较稳定，而且积累的运行数据的条数也比较多，而且报警模块还没有进行报警之前，可以转换为采用神经网络模型进行函数训练，会更精确。
也就是说，报警模块提前设置一个预设报警值，然后实时或每隔一段时间从控制器中风压差，控制器中的风压差是依据传感器检测到的入风口的风压和出风口的风压计算而来，当报警模块获取的风压差低于预设报警值时，向触摸屏发送报警信息，以提供用户需要更换滤网的信息。可见这种方式相对于采用神经网络模型训练函数的方式相比，不能提前告知用于更换滤网的时间，因此有可能会出现滤网更换不及时的情况，但是这种方式相对来说更为简单，易实现。
可理解的是，本发明提供的方法由触摸屏模块执行，因此本发明提供的方法对应的计算机程序可以存储在触摸屏模块内。
本发明提供的变频器滤网更换时间的预测方法，首先确定变频器在历史时间段内的多条运行数据，然后筛选出预设风机风速的运行数据，将这些运行数据输入到神经网络模型中进行函数训练，得到风压差与时间之间的函数关系，从而根据函数关系确定滤网更换时间。可见本发明采用神经网络模型进行滤网更换时间的预测，可以提前使用户了解到滤网更换的时间，便于用户更准确的安排维护，提前购买滤网或者提前通知厂家，进而厂家可以提前进行滤网的协调生产，实现滤网的及时更换。而且由于每一台变频器的所处环境和使用情况不同，而本发明可以针对每一台变频器预测出对应的滤网更换时间，而不是针对所有变频器采用一个统一固定的更换时间，因此更加具有针对性，给出的滤网更换时间也更加准确。
进一步的，本发明不需要增加额外的设备，因此不会产生附加的设备成本，而且本发明提供了更加灵活的滤网维护方案，使得变频器更具有竞争力。
第二方面，本发明提供一种变频器滤网更换时间的预测装置，如图6所示，所述装置1000包括：
一个数据获取模块100，用于获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
一个数据筛选模块200，用于从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
一个关系确定模块300，用于将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
在一些实施例中，如图7所示，所述装置还可以包括：
一个数据发送模块400，用于将所述预设风机风速发送给所述变频器的控制器，以使所述控制器在一个第一时间间隔内获取的各个风机风速的平均值小于所述预设风机风速时，控制风机提速以使在之后每一个第一时间间隔内获取的各个风机风速的平均值能够达到所述预设风机风速。
其中，预设风机风速为在数据筛选模块200中在根据预设风机风速进行数据筛选之前，依据各条运行数据中的各个风机风速的占比决定，例如，占比最多的风机风速。
在一些实施例中，每条所述运行数据中还包括所述变频器的柜体温度；如图8所示，所述装置还可以包括：
一个第一异常判断模块210，用于在所述数据筛选模块从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及在所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行柜体温度的预设指标的统计，得到对应的第一预设指标统计值；所述预设指标包括均值、极值和/或方差；
一个第一异常删除模块220，用于根据每一个预设滑动窗口内的每一条运行数据中的柜体温度与该滑动窗口的所述第一预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
在一些实施例中，所述预设指标包括均值和极值；所述第一预设指标统计值包括第一均值统计值和第一极值统计值；
所述第一异常判断模块210可以用于：若一个预设滑动窗口内的一条运行数据中的柜体温度与所述第一均值统计值的差值的绝对值大于第一预设值且所述柜体温度与所述第一极值统计值的差值的绝对值小于第二预设值，则该条运行数据异常。
在一些实施例中，如图9所示，所述装置还可以包括：
一个第二异常判断模块230，用于在所述数据筛选模块从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及在所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行风压差的预设指标的统计，得到对应的第二预设指标统计值；所述预设指标包括均值、极值和/或方差；
一个第二异常删除模块240，用于根据每一个预设滑动窗口内的每一条运行数据中的风压差与该滑动窗口的所述第二预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
在一些实施例中，所述预设指标包括均值和极值；所述第二预设指标统计值包括第二均值统计值和第二极值统计值；
所述第二异常判断模块230可以用于：若一个预设滑动窗口内的一条运行数据中的风压差与所述第二均值统计值的差值的绝对值大于第三预设值且所述风压差与所述第二极值统计值的差值的绝对值小于第四预设值，则该条运行数据异常。
在一些实施例中，在所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，所述装置还可以包括：
一个选择模块，用于判断所述筛选出的运行数据的条数是否小于预设条数以及所述筛选出的运行数据中是否出现相邻两个时间点的间隔大于第二时间间隔；若所述筛选出的运行数据的条数大于所述预设条数且所述筛选出的运行数据中任意相邻两个时间点的间隔都小于所述第二时间间隔，则允许所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练。
在一些实施例中，所述选择模块还可以用于：若所述筛选出的运行数据的条数小于所述预设条数或所述筛选出的运行数据中出现了相邻两个时间点的间隔大于第二时间间隔，则采用报警模块进行滤网更换提醒，所述报警模块用于在所述变频器的风压差低于预设报警值时向所述触摸屏发出报警信息。
在一些实施例中，所述预设风机风速为多个预设风机风速；所述关系确定模块可以用于：将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在不同预设风机风速下风压差与时间之间的函数关系，根据不同预设风机风速下风压差与时间之间的函数关系确定在不同预设风机风速下所述变频器的滤网更换时间。
在一些实施例中，所述风压差与时间之间的函数关系包括： y＝amxm+am+1xm+1+am+ 2xm+2+...am+nxm+n；式中，y为风压差，x为时间，a、m和n为所述预设神经网络模型训练得到的模型参数，m和n为正整数，且m和n不能同时为零。
第三方面，本发明提供一种变频器滤网更换时间的预测装置，如图10所示，该装置包括：至少一个存储器410和至少一个处理器420；
所述至少一个存储器410，被配置为存储可执行指令；
所述至少一个处理器420，与所述至少一个存储器410耦合，当执行所述可执行指令时，执行第一方面提供的方法。
第四方面，本发明提供一种计算机可读介质，存储用于使一机器执行如本文所述的变频器滤网更换时间的预测方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、 CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
可理解的是，第二方面、第三方面、第四方面中有关内容的解释、举例、具体实施方式、有益效果等内容可以参考第一方面中的有关内容，此处不再赘述。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。

Claims (18)

1.一种变频器滤网更换时间的预测方法，其特征在于，所述方法包括：
获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
2.根据权利要求1所述的方法，其特征在于，还包括：
将所述预设风机风速发送给所述变频器的控制器，以使所述控制器在一个第一时间间隔内获取的各个风机风速的平均值小于所述预设风机风速时，控制风机提速以使在之后每一个第一时间间隔内获取的各个风机风速的平均值能够达到所述预设风机风速。
3.根据权利要求1所述的方法，其特征在于，每条所述运行数据中还包括所述变频器的柜体温度；所述从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，所述方法还包括：
采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行柜体温度的预设指标的统计，得到对应的第一预设指标统计值；所述预设指标包括均值、极值和/或方差；
根据每一个预设滑动窗口内的每一条运行数据中的柜体温度与该滑动窗口的所述第一预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
4.根据权利要求3所述的方法，其特征在于，所述预设指标包括均值和极值；所述第一预设指标统计值包括第一均值统计值和第一极值统计值；
所述根据每一个预设滑动窗口内的每一条运行数据中的柜体温度与该滑动窗口的所述第一预设指标统计值的大小关系，确定该条运行数据是否异常，包括：
若一个预设滑动窗口内的一条运行数据中的柜体温度与所述第一均值统计值的差值的绝对值大于第一预设值且所述柜体温度与所述第一极值统计值的差值的绝对值小于第二预设值，则该条运行数据异常。
5.根据权利要求1所述的方法，其特征在于，所述从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，所述方法还包括：
采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行风压差的预设指标的统计，得到对应的第二预设指标统计值；所述预设指标包括均值、极值和/或方差；
根据每一个预设滑动窗口内的每一条运行数据中的风压差与该滑动窗口的所述第二预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
6.根据权利要求5所述的方法，其特征在于，所述预设指标包括均值和极值；所述第二预设指标统计值包括第二均值统计值和第二极值统计值；
所述根据每一个预设滑动窗口内的每一条运行数据中的风压差与该滑动窗口的所述第二预设指标统计值的大小关系，确定该条运行数据是否异常，包括：
若一个预设滑动窗口内的一条运行数据中的风压差与所述第二均值统计值的差值的绝对值大于第三预设值且所述风压差与所述第二极值统计值的差值的绝对值小于第四预设值，则该条运行数据异常。
7.根据权利要求1所述的方法，其特征在于，所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，所述方法还包括：
判断所述筛选出的运行数据的条数是否小于预设条数以及所述筛选出的运行数据中是否出现相邻两个时间点的间隔大于第二时间间隔；
若所述筛选出的运行数据的条数大于所述预设条数且所述筛选出的运行数据中任意相邻两个时间点的间隔都小于所述第二时间间隔，则执行所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练的步骤。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
若所述筛选出的运行数据的条数小于所述预设条数或所述筛选出的运行数据中出现了相邻两个时间点的间隔大于第二时间间隔，则采用报警模块进行滤网更换提醒，所述报警模块用于在所述变频器的风压差低于预设报警值时向所述触摸屏发出报警信息。
9.根据权利要求1所述的方法，其特征在于，所述预设风机风速为多个预设风机风速；所述将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间，包括：
将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在不同预设风机风速下风压差与时间之间的函数关系，根据不同预设风机风速下风压差与时间之间的函数关系确定在不同预设风机风速下所述变频器的滤网更换时间。
10.根据权利要求1所述的方法，其特征在于，所述风压差与时间之间的函数关系包括：y＝amxm+am+1xm+1+am+2xm+2+...am+nxm+n；式中，y为风压差，x为时间，a、m和n为所述预设神经网络模型训练得到的模型参数，m和n为正整数，且m和n不能同时为零。
11.一种变频器滤网更换时间的预测装置，其特征在于，所述装置包括：
一个数据获取模块，用于获取变频器在预设历史时间段内的多条运行数据，每条所述运行数据包括对应时间点的出入风口的风压差和风机风速；
一个数据筛选模块，用于从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据；
一个关系确定模块，用于将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练，得到在所述预设风机风速下风压差与时间之间的函数关系，并根据所述函数关系确定所述变频器的滤网更换时间。
12.根据权利要求11所述的装置，其特征在于，还包括：
一个数据发送模块，用于将所述预设风机风速发送给所述变频器的控制器，以使所述控制器在一个第一时间间隔内获取的各个风机风速的平均值小于所述预设风机风速时，控制风机提速以使在之后每一个第一时间间隔内获取的各个风机风速的平均值能够达到所述预设风机风速。
13.根据权利要求11所述的装置，其特征在于，每条所述运行数据中还包括所述变频器的柜体温度；所述装置还包括：
一个第一异常判断模块，用于在所述数据筛选模块从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及在所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行柜体温度的预设指标的统计，得到对应的第一预设指标统计值；所述预设指标包括均值、极值和/或方差；
一个第一异常删除模块，用于根据每一个预设滑动窗口内的每一条运行数据中的柜体温度与该滑动窗口的所述第一预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
14.根据权利要求13所述的装置，其特征在于，所述预设指标包括均值和极值；所述第一预设指标统计值包括第一均值统计值和第一极值统计值；
所述第一异常判断模块用于：若一个预设滑动窗口内的一条运行数据中的柜体温度与所述第一均值统计值的差值的绝对值大于第一预设值且所述柜体温度与所述第一极值统计值的差值的绝对值小于第二预设值，则该条运行数据异常。
15.根据权利要求11所述的装置，其特征在于，所述装置还包括：
一个第二异常判断模块，用于在所述数据筛选模块从所述多条运行数据中筛选出所述风机风速为预设风机风速的运行数据之后以及在所述关系确定模块将筛选出的各条运行数据作为训练样本输入到预设神经网络模型中进行训练之前，采用预设滑动窗口在所述筛选出的各条运行数据中采集预设数量的运行数据，并对每一个滑动窗口所采集的预设数量的运行数据进行风压差的预设指标的统计，得到对应的第二预设指标统计值；所述预设指标包括均值、极值和/或方差；
一个第二异常删除模块，用于根据每一个预设滑动窗口内的每一条运行数据中的风压差与该滑动窗口的所述第二预设指标统计值的大小关系，确定该条运行数据是否异常，若是，则将该条运行数据删除。
16.根据权利要求15所述的装置，其特征在于，所述预设指标包括均值和极值；所述第二预设指标统计值包括第二均值统计值和第二极值统计值；
所述第二异常判断模块用于：若一个预设滑动窗口内的一条运行数据中的风压差与所述第二均值统计值的差值的绝对值大于第三预设值且所述风压差与所述第二极值统计值的差值的绝对值小于第四预设值，则该条运行数据异常。
17.一种变频器滤网更换时间的预测装置，其特征在于，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至10中任一所述的方法。
18.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至9中任一所述的方法。
CN202110763668.1A 2021-07-06 2021-07-06 变频器滤网更换时间的预测方法、装置及计算机可读介质 Active CN113486953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110763668.1A CN113486953B (zh) 2021-07-06 2021-07-06 变频器滤网更换时间的预测方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110763668.1A CN113486953B (zh) 2021-07-06 2021-07-06 变频器滤网更换时间的预测方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN113486953A true CN113486953A (zh) 2021-10-08
CN113486953B CN113486953B (zh) 2024-10-15

Family

ID=77940626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110763668.1A Active CN113486953B (zh) 2021-07-06 2021-07-06 变频器滤网更换时间的预测方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN113486953B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707326A (zh) * 2023-08-07 2023-09-05 湘潭宏光变流电气有限公司 一种大功率可控硅整流柜及控制系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130197826A1 (en) * 2012-01-30 2013-08-01 Abb Oy Method and apparatus for monitoring air filter condition
US20130297079A1 (en) * 2012-05-03 2013-11-07 Abb Oy Method for tuning a ventilation system
CN104196680A (zh) * 2014-09-05 2014-12-10 南京达沙信息科技有限公司 基于临近预测的风机预知性偏航控制
US20160040679A1 (en) * 2014-07-23 2016-02-11 Zhongshan Broad-Ocean Motor Co., Ltd. Method for measuring air volume of blower motor
US20160117907A1 (en) * 2014-08-30 2016-04-28 Zhongshan Broad-Ocean Motor Co., Ltd. Device for detecting blockage of air filter mesh
CN106777711A (zh) * 2016-12-22 2017-05-31 石家庄国祥运输设备有限公司 建立车载变风量空调系统风量预测模型的方法
CN109974218A (zh) * 2019-03-27 2019-07-05 福建工程学院 一种基于预测的多联机空调系统调控方法
WO2019196016A1 (zh) * 2018-04-10 2019-10-17 广东美的制冷设备有限公司 空气净化装置及其滤网寿命估算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130197826A1 (en) * 2012-01-30 2013-08-01 Abb Oy Method and apparatus for monitoring air filter condition
US20130297079A1 (en) * 2012-05-03 2013-11-07 Abb Oy Method for tuning a ventilation system
US20160040679A1 (en) * 2014-07-23 2016-02-11 Zhongshan Broad-Ocean Motor Co., Ltd. Method for measuring air volume of blower motor
US20160117907A1 (en) * 2014-08-30 2016-04-28 Zhongshan Broad-Ocean Motor Co., Ltd. Device for detecting blockage of air filter mesh
CN104196680A (zh) * 2014-09-05 2014-12-10 南京达沙信息科技有限公司 基于临近预测的风机预知性偏航控制
CN106777711A (zh) * 2016-12-22 2017-05-31 石家庄国祥运输设备有限公司 建立车载变风量空调系统风量预测模型的方法
WO2019196016A1 (zh) * 2018-04-10 2019-10-17 广东美的制冷设备有限公司 空气净化装置及其滤网寿命估算方法
CN109974218A (zh) * 2019-03-27 2019-07-05 福建工程学院 一种基于预测的多联机空调系统调控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707326A (zh) * 2023-08-07 2023-09-05 湘潭宏光变流电气有限公司 一种大功率可控硅整流柜及控制系统
CN116707326B (zh) * 2023-08-07 2023-10-27 湘潭宏光变流电气有限公司 一种大功率可控硅整流柜及控制系统

Also Published As

Publication number Publication date
CN113486953B (zh) 2024-10-15

Similar Documents

Publication Publication Date Title
CN105260279B (zh) 基于smart数据动态诊断硬盘故障的方法和装置
US8055479B2 (en) Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN109074066B (zh) 优化过滤器寿命周期的方法和监测通风系统的系统
US20190369570A1 (en) System and method for automatically detecting anomalies in a power-usage data set
CN112710345B (zh) 持续改进预测性维护数据库的机器监视方法和装置
US20090089009A1 (en) Simplified algorithm for abnormal situation prevention in load following applications
CN117826715A (zh) 一种智能设备监控与预警系统
CN113486953A (zh) 变频器滤网更换时间的预测方法、装置及计算机可读介质
WO2022205999A1 (zh) 滤网可用时长确定方法、装置、电子设备及存储介质
CN110175353A (zh) 电梯运行指标趋势分析方法
KR20240089185A (ko) 머신 툴의 상태를 모니터링하는 방법
CN113648802A (zh) 一种火电机组的烟气脱硫诊断方法及装置
CN118128715B (zh) 一种风电齿轮箱润滑结构预警与寿命管理方法
EP3404589A1 (en) Computer system and method for improved monitoring of the technical state of industrial systems
JP2006276924A (ja) 設備機器診断装置及び設備機器診断プログラム
CN115796623A (zh) 一种基于物联网的焊机管理评估方法、设备及介质
WO2023005243A1 (zh) 室内机的滤网检测方法、室内机、空调器和可读存储介质
CN115238929A (zh) 一种石油炼化体系预测性维护方法及系统
JP7240984B2 (ja) 通知管理サーバ、および、通知管理方法
JP6381282B2 (ja) 異常検出装置及びプログラム
CN112628169A (zh) 一种核设施通风机在线状态监测及故障预警系统
JP2020163300A (ja) 水処理装置の管理システム
KR20210049499A (ko) 공기질 개선기기 관리방법 및 이 방법이 적용된 공기질 개선기기
CN118686780B (zh) 一种根据反馈信号来估算油泵使用寿命的方法

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
CB02 Change of applicant information

Country or region after: China

Address after: 200137 No.460, Gaoxiang Ring Road, Gaodong Industrial Park, Pudong New Area, Shanghai

Applicant after: Yinmengda (Shanghai) Electrical Transmission Equipment Co.,Ltd.

Address before: 200137 No.460, Gaoxiang Ring Road, Gaodong Industrial Park, Pudong New Area, Shanghai

Applicant before: SIEMENS ELECTRICAL DRIVES (SHANGHAI) Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant