CN113569413B - 制冷剂泄漏的诊断方法、装置及制冷系统 - Google Patents
制冷剂泄漏的诊断方法、装置及制冷系统 Download PDFInfo
- Publication number
- CN113569413B CN113569413B CN202110868279.5A CN202110868279A CN113569413B CN 113569413 B CN113569413 B CN 113569413B CN 202110868279 A CN202110868279 A CN 202110868279A CN 113569413 B CN113569413 B CN 113569413B
- Authority
- CN
- China
- Prior art keywords
- threshold value
- statistical model
- operation data
- model
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000005057 refrigeration Methods 0.000 title claims abstract description 87
- 239000003507 refrigerant Substances 0.000 title claims abstract description 86
- 238000003745 diagnosis Methods 0.000 title claims abstract description 51
- 238000013179 statistical model Methods 0.000 claims abstract description 150
- 230000008859 change Effects 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 108
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 21
- 239000013589 supplement Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 12
- 238000012216 screening Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000004781 supercooling Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/22—Preventing, detecting or repairing leaks of refrigeration fluids
- F25B2500/222—Detecting refrigerant leaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请适用于制冷剂泄漏检测技术领域,提供了制冷剂泄漏的诊断方法、装置及制冷系统,包括:获取所述制冷系统在第一指定时间段的运行数据组,每条所述运行数据组包括至少一个运行数据;将所述运行数据组输入第一统计量模型进行处理,得到所述第一统计量模型输出的诊断结果;所述第一统计量模型对所述运行数据组进行处理的过程包括:计算所述运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将所述第一变化值与所述第一统计量模型的阈值比较,若所述第一变化值大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂发生泄漏的诊断结果。通过上述方法,能够得到准确的诊断结果。
Description
技术领域
本申请属于故障检测技术领域,尤其涉及制冷剂泄漏的诊断方法、装置、制冷系统及计算机可读存储介质。
背景技术
制冷剂,又称冷媒或雪种,其在制冷系统中通过利用外界能量使热量从温度较低的物质(或环境)转移到温度较高的物质(或环境)。但在制冷系统中,经常发生制冷剂泄漏的故障。而一旦发生制冷剂泄漏,制冷系统的能效将降低,进而导致制冷效果降低,此外,泄漏的制冷剂还会危害人体和环境,故在制冷系统需要重点关注是否发生了制冷剂泄漏。
现有制冷剂泄漏诊断方法大都采用其他参数来判断制冷系统是否发生制冷剂泄漏,比如采用排气温度、压缩机功率等参数来判断。但采用这种方法容易发生误判,精确度较低。
发明内容
本申请实施例提供了制冷剂泄漏的诊断方法、装置及制冷系统,可以解决现有技术在判断制冷剂是否发生泄漏时,精确度较低的问题。
第一方面,本申请实施例提供了一种制冷剂泄漏的诊断方法,应用于制冷系统,包括:
获取所述制冷系统在第一指定时间段的运行数据组,每条所述运行数据组包括至少一个运行数据;
将所述运行数据组输入第一统计量模型进行处理,得到所述第一统计量模型输出的诊断结果,所述第一统计量模型采用第一训练数据对初始统计量模型训练得到,所述第一训练数据包括预先生成的仿真数据和所述制冷系统在第二指定时间段的运行数据组,所述第二指定时间段在所述第一指定时间段之前;
其中,所述第一统计量模型对所述运行数据组进行处理的过程包括:计算所述运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将所述第一变化值与所述第一统计量模型的阈值比较,若所述第一变化值大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂发生泄漏的诊断结果。
第二方面,本申请实施例提供了一种制冷剂泄漏诊断装置,应用于制冷系统,包括:
运行数据组获取模块,用于获取所述制冷系统在第一指定时间段的运行数据组,每条所述运行数据组包括至少一个运行数据;
诊断结果输出模块,用于将所述运行数据组输入第一统计量模型,得到所述第一统计量模型输出的诊断结果,其中,所述第一统计量模型对所述运行数据组的处理过程包括:计算所述运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将所述第一变化值与所述第一统计量模型的阈值比较,若所述第一变化值大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂发生泄漏的诊断结果;
其中,所述第一统计量模型采用第一训练数据对初始统计量模型训练得到,所述第一训练数据包括预先生成的仿真数据和所述制冷系统在第二指定时间段的运行数据组,所述第二指定时间段在所述第一指定时间段之前。
第三方面,本申请实施例提供了一种制冷系统,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所述的方法。
第四方面,本申请实施例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所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在制冷系统上运行时,使得制冷系统执行上述第一方面中所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
在本申请实施例中,由于第一统计量模型的训练数据是仿真数据和从制冷系统得到的实际的运行数据组,也即,不需要获取大量的实际运行数据组也能获取较大数量的训练数据,因此,能够保证得到准确的训练后的模型(即第一统计量模型),进而在将后续获得的新的运行数据组输入该第一统计量模型后,能够得到准确的诊断结果。此外,由于与获取仿真数据相比,获取大量的实际运行数据组需要花费更大的成本(人工成本和时间成本等),因此,将训练数据和实际的运行数据组作为训练数据有利于减少所需的成本。
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。
图1是本申请一实施例提供的一种制冷剂泄漏的诊断方法的流程图;
图2是本申请一实施例提供的一种制冷剂泄漏诊断装置的结构示意图;
图3是本申请一实施例提供的制冷系统的结构示意图。
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。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。即,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
实施例一:
目前,在判断制冷剂是否发生泄漏时,是直接根据排气温度、压缩机功率等参数进行判断,但由于制冷系统具有复杂的多耦合性,因此,直接根据这些参数进行判断时,容易发生误判,精确度不高。
为了解决上述技术问题,本申请实施例提供了一种制冷剂泄漏的诊断方法,该诊断方法首先根据预先获得的仿真数据和从制冷系统获得的运行数据组训练出一个第一统计量模型,后续从该制冷系统获得新的运行数据组之后,再将该新的运行数据组作为上述第一统计量模型的输入,最后得到该第一统计模型输出的诊断结果。由于第一统计量模型的训练数据是仿真数据和从该制冷系统得到的实际的运行数据组,也即,不需要获取大量的实际运行数据组也能获取较大数量的训练数据,因此,能够保证得到准确的训练后的模型(即第一统计量模型),进而在将后续获得的新的运行数据组输入该第一统计量模型后,能够得到准确的诊断结果。
下面结合附图对本申请实施例提供的制冷剂泄漏的诊断方法进行描述。
图1示出了本申请实施例提供的一种制冷剂泄漏的诊断方法的流程图,该诊断方法应用于制冷系统,详述如下:
步骤S11,获取制冷系统在第一指定时间段的运行数据组,每条运行数据组包括至少一个运行数据。
其中,这里的制冷系统为需要判断是否存在制冷剂泄漏的制冷系统。比如,假设该制冷系统为空调的制冷系统,则当需要对空调的制冷系统进行诊断时,将获取该空调的制冷系统的运行数据组。
其中,上述的第一指定时间段可以为以小时作为单位的时间跨度较长的一个时间段,也可以为以秒作为单位的时间跨度较小的一个时间段。
本实施例中,室外环境温度、室内环境温度、压缩机频率、外风机风挡等工况条件名称所对应的数值,均可作为上述的运行数据。由于同一时间内会产生至少一个运行数据,因此,可将同一时间产生的至少一个运行数据组成一条运行数据组。
为了更清楚地描述本申请实施例的运行数据,下面以表1进行说明。
表1:
在一些实施例中,上述的第一指定时间段包括年份、月份、日期以及具体的时间点,比如,该第一指定时间段为2021年6月1日01点30分3秒到2021年6月1日01点30分10秒。由于第一指定时间段包含的信息越多,后续查找越方便,因此,通过设置第一指定时间段包括年份、月份、日期以及具体的时间点等信息,能够提高后续查找的便利性。
步骤S12,将运行数据组输入第一统计量模型进行处理,得到第一统计量模型输出的诊断结果,第一统计量模型采用第一训练数据对初始统计量模型训练得到,第一训练数据包括预先生成的仿真数据和制冷系统在第二指定时间段的运行数据组,第二指定时间段在第一指定时间段之前。其中,第一统计量模型对运行数据组进行处理的过程包括:计算运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将第一变化值与第一统计量模型的阈值比较,若第一变化值大于第一统计量模型的阈值,则得到用于指示制冷剂发生泄漏的诊断结果。
本实施例中,可通过以下方式生成仿真数据:
首先采用稳态仿真软件建立多联机稳态仿真模型,再基于实验数据对建立的多联机稳态仿真模型进行标定,最后根据标定后的多联机稳态仿真模型生成不同工况下的仿真数据(如表1所示的仿真数据)。
其中,对建立的多联机稳态仿真模型进行标定的过程如下:先对多联机稳态仿真模型中的各个模块所对应的部件分别进行标定,再对整个多联机稳态仿真模型所对应的系统进行标定。具体地,若部件为压缩机,则使压缩机的关键参数,比如压缩机排气温度和压力、压缩机回气温度和压力、压缩机流量与对应的实验数据的误差均在预设值范围(比如±5%)以内,以实现对压缩机对应的模块的标定;同理,若部件为换热器,则需保证换热器的关键参数,比如换热器能力,换热器过冷度等与对应的实验数据的误差均在预设值范围(比如±5%)以内,以实现对换热器对应的模块的标定。也即,当部件的关键参数与对应的实验数据的误差在预设值范围内时,认为部件已经标定完成。将标定好的各个部件组成系统,当系统中的各参数,比如压缩机排气压力和温度、回气温度和压力、系统流量、外换热器过冷度、内机过热度、系统能效等参数与对应实验数据的误差均在±5%以内,则认为系统也完成标定。
本实施例中,可通过以下方式计算上述的第一变化值:
第一步:首先根据获取的制冷系统的运行数据(即第一指定时间段所对应的运行数据)组生成n*m的矩阵,生成的矩阵设为X,对该X进行协方差分解,结合确定的主元的个数,得到如下式子:
其中,XT为X的转置,Λ是一个对角矩阵,也是S的特征值矩阵,该Λ的维数为m*m,由特征值λ1、λ2、..、λm和“0”组成,且λ1≥λ2≥..≥λm;V是S的特征向量矩阵,维数为m*m,P是V的前A列,包含所有主元的信息,P是V余下的(m-A)列,包含非主元信息。
在一些实施例中,上述的主元的个数可根据经验确定,也可对V进行分析之后再确定。比如,若通过对V进行分析,判断出V的前A列能够反映V所包含的大部分数据(如V中99%的数据)的特征,则主元的个数即为V的前A列所对应的元素的个数。由于P所包含的数据少于V所包含的数据,且P所包含的数据能够反映V所包含的大部分数据的特征,因此,从V中确定出P,后续根据P进行计算时,不仅能够保证计算结果的准确性,而且也能提高数据处理速度。
第二步,对运行数据进行分解,得到主元空间和残差空间。
对X进行特征值分解,得到如下的分解结果:
其中,Tn×A=Xn×m·Pm×A被称为主元空间;称为残差空间;被称为得分矩阵;Pm×A被称为负载矩阵,由S的前A个特征向量构成。
第三步,计算样本向量在残差空间的投影的变化(即第一变化值):
SPE=||(I-P·PT)·x||2=EET
其中,SPE即为第一变化值,I为单位矩阵,“||||”为取模运算符号。
在本实施例中,采用该制冷系统在第二指定时间段的运行数据组与预先生成的仿真数据作为训练数据,并根据该训练数据对初始统计量模型进行训练,训练后的初始统计量模型作为上述的第一统计量模型。需要指出的是,该第二指定时间段在上述的第一指定时间段之前,以保证在需要对制冷系统进行制冷剂泄漏的诊断之前,已得到上述的第一统计量模型,从而能够快速对制冷系统进行诊断。比如,假设第一指定时间段为2021年6月1日01点30分3秒到2021年6月1日01点30分10秒,第二指定时间段为2021年3月1日01点30分3秒到2021年3月1日01点30分10秒,则该第二指定时间段在上述的第一指定时间段之前。比如,假设第二指定时间段为N个月,第一指定时间段为N个月后,则该第二指定时间段在上述的第一指定时间段之前。
在本申请实施例中,由于第一统计量模型的训练数据是仿真数据和从制冷系统得到的实际的运行数据组,也即,不需要获取大量的实际运行数据组也能获取较大数量的训练数据,因此,能够保证得到准确的训练后的模型(即第一统计量模型),进而在将后续获得的新的运行数据组输入该第一统计量模型后,能够得到准确的诊断结果。此外,由于与获取仿真数据相比,获取大量的实际运行数据组需要花费更大的成本(人工成本和时间成本等),因此,将训练数据和实际的运行数据组作为训练数据有利于减少所需的成本。
在一些实施例中,上述的第一统计量模型具体为基于主成分分析法(PrincipalComponent Analysis,PCA)和平方预测误差(Squared Prediction Error,SPE)的模型。
本实施例中,由于主成分分析法能够消除评价指标之间的相关影响、减少指标选择的工作量等,且平方预测误差是评价预测准确度的一个重要因素,因此采用PCA-SPE模型作为上述的第一统计量模型有利于提高得到的诊断结果的准确性。
在一些实施例中,在执行上述步骤S12之前,包括:
A1、根据第一训练数据得到对应的第一训练数据矩阵。
具体地,将第一训练数据中的各个仿真数据和运行数据分别作为矩阵的元素,得到上述的第一训练数据矩阵。
A2、确定第一训练数据矩阵的特征值。
其中,确定特征值的过程与上述计算第一变化值中确定特征值的过程相同,此处不再赘述。
A3、根据第一训练数据矩阵的特征值以及预设的置信度阈值,确定第一阈值,第一阈值作为第一统计量模型的阈值。
上述A1~A3中,由于确定的第一阈值与第一训练数据所对应的矩阵的特征值有关,而特征值能够反映第一训练数据的特征,因此,根据预设的置信度阈值和能够反映第一训练数据的特征的特征值能够确定出与第一训练数据相匹配的第一阈值,也即,通过上述方式能够确定出准确的第一阈值。
在一些实施例中,采用第一训练数据矩阵的部分的特征值(即不是第一训练数据矩阵的全部的特征值)与预设的置信度阈值来确定第一阈值。
假设表示置信度为α的控制限(即上述的第一阈值),则可采用以下公式计算
其中,
其中,为第一训练数据矩阵的协方差矩阵的特征值,j为由第一训练数据矩阵的协方差矩阵的特征值所组成的特征值矩阵的列数,i为由第一训练数据矩阵的协方差矩阵的特征值所组成的特征值矩阵中的行数,Cα为标准正态分布在置信度为α下的阈值,即为上述的预设的置信度阈值。
由于采用第一训练数据矩阵的前3个特征值和预设的置信度阈值确定出的第一阈值,与采用第一训练数据矩阵的所有特征值和预设的置信度阈值确定出的第一阈值的差异较小,但只有第一训练数据矩阵的前3个特征值参与计算时,所需的计算量远小于第一训练数据矩阵的所有特征值均参与计算时所需的计算量,因此,根据上述方式确定第一阈值时,不仅能够保证该第一阈值的准确性,而且也能够极大减少所需的计算量。
在一些实施例中,在执行上述步骤S12之前,包括:
B1、采用仿真数据对初始统计量模型进行训练,得到第二统计量模型以及第二统计量模型的阈值。
其中,确定该第二统计量模型的阈值的过程与上述确定第一阈值的过程相同,此处不再赘述。
B2、根据第一阈值和第二统计量模型的阈值确定第一统计量模型的阈值。
具体地,可取第一阈值与第二统计量模型的阈值的和的平均值作为第一统计量模型的阈值。
或者,
C1、采用第二训练数据对初始统计量模型进行训练,得到第三统计量模型以及第三统计量模型的阈值,第二训练数据为制冷系统在第二指定时间段的运行数据组。
其中,确定该第三统计量模型的阈值的过程与上述确定第一阈值的过程相同,此处不再赘述。
C2、根据第一阈值和第三统计量模型的阈值确定第一统计量模型的阈值。
具体地,可取第一阈值与第三统计量模型的阈值的和的平均值作为第一统计量模型的阈值。
上述B1~B2、C1~C2中,由于第一统计量模型的阈值根据第一阈值和第二统计量模型的阈值确定,或者,根据第一阈值和第三统计量模型的阈值确定,也即,在确定第一统计量模型的阈值时,不仅考虑了混合数据(仿真数据和制冷系统在第二指定时间段的运行数据组)训练初始统计量模型的情况,也考虑了分别采用单一数据(仿真数据或者制冷系统在第二指定时间段的运行数据组)训练该初始统计量模型的情况,因此,通过上述方式能够确定出更准确的第一统计量模型的阈值。
在一些实施例中,若运行数据组的条数大于1,则在执行上述步骤S12之前,包括:
D1、将制冷系统在第二指定时间段的各条运行数据组输入第二统计量模型,得到至少2个第二变化值,每一个第二变化值均唯一与在第二指定时间获取的制冷系统的一条运行数据组在其对应的残差空间的投影的变化对应。
本实施例中,当向第二统计量模型输入每一条运行数据组后,均得到一个第二变化值。其中,该第二变化值的计算过程与第一变化值的计算过程相同,此处不再赘述。
D2、根据第一阈值和所有第二变化值确定第一统计量模型的阈值。
上述D1和D2中,将制冷系统的各条运行数据组(即第二指定时间段所对应的各条运行数据组)输入第二统计量模型进行测试,以计算出实际的运行数据与仿真数据的偏移性,该偏移性采用第二变化值表示。由于在确定第一统计量模型的阈值时考虑了实际的运行数据与仿真数据的偏移性,因此,使得确定的第一统计量模型的阈值更准确。
在一些实施例中,在执行上述步骤S12之前,包括:
根据第一阈值、第二统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第二统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
或者,
根据第一阈值、第三统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第三统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
或者,
根据第一阈值、第二统计量模型的阈值、第三统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第二统计量模型的阈值、上述第三统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
本实施例所列举的三种第一统计量模型的阈值的确定方法中,每一种确定方法均考虑了除采用第一训练数据训练初始统计量模型所得到的第一阈值之外的其他阈值,因此,与单独考虑第一阈值相比,通过本实施例所列举的三种确定方法所确定的第一统计量模型的阈值更准确。
在一些实施例中,为了能够得到更准确的第二变化值,则上述D1具体包括:
若判断出制冷系统在第二指定时间段的各条运行数据组均为稳态数据,则将制冷系统在第二指定时间段的各条运行数据组输入第二统计量模型。
本实施例中,通过对各条运行数据组进行稳态筛选,以得到稳态数据。比如,对压缩机频率进行稳态筛选时,可通过判断压缩机频率和制冷系统在10分钟内是否发生变化来判断该压缩机频率是否为稳态数据,若在10分钟内没有发生变化,则判定该压缩机频率为稳态数据。当然,为了筛选出有效的稳态数据,可在进行稳态筛选后再进行卡尔曼滤波去噪,以去除离群值或缺失值,最后形成最终的处理后的稳态数据。由于原始数据(原始的运行数据组)通常存在大量启停数据和变工况数据,而这些数据会影响检测精度,因此,通过对原始数据进行稳态筛选后,能够提高后续得到的第二变化值的准确性。
在一些实施例中,在判断出制冷系统在第二指定时间段的各条运行数据组均为稳态数据之前,包括:
E1、若制冷系统为首次运行的系统,则在第二指定时间段获取制冷系统的各条运行数据组;
E2、若制冷系统为非首次运行的系统,则在判断出制冷系统正常后,再在第二指定时间段获取制冷系统的各条运行数据组。
上述E1和E2中,由于制冷系统在首次运行之前,安装人员都会进行测试,只有测试通过后才会运行该制冷系统,因此,首次运行的系统所对应的各条运行数据组是正常的运行数据组。而若制冷系统不是首次运行,那么该制冷系统可能存在故障,此时,从该制冷系统获取的运行数据组可能是非正常的运行数据组,而非正常的运行数据组将会导致后续计算的第二变化值不准确,因此,通过区分制冷系统是否为首次运行的系统来选取获取运行数据组的方式,能够提高后续得到的第二变化值的准确性。
在一些实施例中,在上述步骤S12之后,包括:
输出提示信息,提示信息包括制冷剂发生泄漏的信息,或者,提示信息包括制冷剂发生泄漏的信息和补充制冷剂的信息。
本实施例中,可通过输出语音的方式或者输出文件的方式输出上述的提示信息。由于提示信息均包含制冷剂发生泄漏的信息,因此,有利于用户及时知悉制冷剂是否发生泄漏。
在一些实施例中,在输出提示信息时,还可生成制冷剂泄漏报告,该制冷剂泄漏报告可包括制冷剂泄漏的严重程度的描述。比如,若第一变化值稍大于第一统计量模型的阈值,则制冷剂泄漏的严重程度可为“轻度”;若第一变化值远大于第一统计量模型的阈值,则制冷剂泄漏的严重程度可为“重度”。通过生成制冷剂泄漏报告,有利于用户获取到更多的故障信息。
在一些实施例中,制冷剂泄漏的诊断方法还包括:
若第一变化值不大于第一统计量模型的阈值,则得到用于指示制冷剂没有发生泄漏的诊断结果。
本实施例中,当判断出第一变化值小于或等于第一统计量模型的阈值时,表明制冷剂没有发生泄漏,此时,得到没有发生泄漏的诊断结果。由于第一统计量模型的训练数据是仿真数据和从制冷系统得到的实际的运行数据组,因此,根据上述训练数据能够得到准确的第一统计量模型,也即,根据上述第一统计量模型能够得到准确的诊断结果。
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。
实施例二:
对应于上文实施例的制冷剂泄漏诊断方法,图2示出了本申请实施例提供的一种制冷剂泄漏诊断装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
该制冷剂泄漏诊断装置2应用于制冷系统,包括:运行数据组获取模块21和诊断结果输出模块22。其中:
运行数据组获取模块21,用于获取制冷系统在第一指定时间段的运行数据组,每条运行数据组包括至少一个运行数据。
其中,这里的制冷系统为需要判断是否存在制冷剂泄漏的制冷系统。比如,假设该制冷系统为空调的制冷系统,则当需要对空调的制冷系统进行诊断时,将获取该空调的制冷系统的运行数据组。
其中,上述的第一指定时间段可以为以小时作为单位的时间跨度较长的一个时间段,也可以为以秒作为单位的时间跨度较小的一个时间段。
本实施例中,室外环境温度、室内环境温度、压缩机频率、外风机风挡等工况条件名称所对应的数值,均可作为上述的运行数据。由于同一时间内会产生至少一个运行数据,因此,可将同一时间产生的至少一个运行数据组成一条运行数据组。
为了更清楚地描述本申请实施例的运行数据,下面以表2进行说明。
表2:
在一些实施例中,上述的第一指定时间段包括年份、月份、日期以及具体的时间点,比如,该第一指定时间段为2021年6月1日01点30分3秒到2021年6月1日01点30分10秒。由于第一指定时间段包含的信息越多,后续查找越方便,因此,通过设置第一指定时间段包括年份、月份、日期以及具体的时间点等信息,能够提高后续查找的便利性。
诊断结果输出模块22,用于将运行数据组输入第一统计量模型,得到第一统计量模型输出的诊断结果,其中,第一统计量模型对运行数据组的处理过程包括:计算运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将第一变化值与第一统计量模型的阈值比较,若第一变化值大于第一统计量模型的阈值,则得到用于指示制冷剂发生泄漏的诊断结果。
其中,第一统计量模型采用第一训练数据对初始统计量模型训练得到,第一训练数据包括预先生成的仿真数据和制冷系统在第二指定时间段的运行数据组,第二指定时间段在第一指定时间段之前。
本实施例中,可通过以下方式生成仿真数据:
首先采用稳态仿真软件建立多联机稳态仿真模型,再基于实验数据对建立的多联机稳态仿真模型进行标定,最后根据标定后的多联机稳态仿真模型生成不同工况下的仿真数据。
其中,对建立的多联机稳态仿真模型进行标定的过程如下:先对多联机稳态仿真模型中的各个模块所对应的部件分别进行标定,再对整个多联机稳态仿真模型所对应的系统进行标定。具体地,若部件为压缩机,则使压缩机的关键参数,比如压缩机排气温度和压力、压缩机回气温度和压力、压缩机流量与对应的实验数据的误差均在预设值范围(比如±5%)以内,以实现对压缩机对应的模块的标定;同理,若部件为换热器,则需保证换热器的关键参数,比如换热器能力,换热器过冷度等与对应的实验数据的误差均在预设值范围(比如±5%)以内,以实现对换热器对应的模块的标定。也即,当部件的关键参数与对应的实验数据的误差在预设值范围内时,认为部件已经标定完成。将标定好的各个部件组成系统,当系统中的各参数,比如压缩机排气压力和温度、回气温度和压力、系统流量、外换热器过冷度、内机过热度、系统能效等参数与对应实验数据的误差均在±5%以内,则认为系统也完成标定。
本实施例中,可通过以下方式计算上述的第一变化值:
第一步:首先根据获取的制冷系统的运行数据(即第一指定时间段所对应的运行数据)组生成n*m的矩阵,生成的矩阵设为X,对该X进行协方差分解,结合确定的主元的个数,得到如下式子:
其中,XT为X的转置,Λ是一个对角矩阵,也是S的特征值矩阵,该Λ的维数为m*m,由特征值λ1、λ2、..、λm和“0”组成,且λ1≥λ2≥..≥λm;V是S的特征向量矩阵,维数为m*m,P是V的前A列,包含所有主元的信息,P是V余下的(m-A)列,包含非主元信息。
在一些实施例中,上述的主元的个数可根据经验确定,也可对V进行分析之后再确定。比如,若通过对V进行分析,判断出V的前A列能够反映V所包含的大部分数据(如V中99%的数据)的特征,则主元的个数即为V的前A列所对应的元素的个数。由于P所包含的数据少于V所包含的数据,且P所包含的数据能够反映V所包含的大部分数据的特征,因此,从V中确定出P,后续根据P进行计算时,不仅能够保证计算结果的准确性,而且也能提高数据处理速度。
第二步,对运行数据进行分解,得到主元空间和残差空间。
对X进行特征值分解,得到如下的分解结果:
其中,Tn×A=Xn×m·Pm×A被称为主元空间;称为残差空间;被称为得分矩阵;Pm×A被称为负载矩阵,由S的前A个特征向量构成。
第三步,计算样本向量在残差空间的投影的变化(即第一变化值):
SPE=||(I-P·PT)·x||2=EET
其中,SPE即为第一变化值,I为单位矩阵,“||||”为取模运算符号。
在本实施例中,采用该制冷系统在第二指定时间段的运行数据组与预先生成的仿真数据作为训练数据,对初始统计量模型进行训练,训练后的初始统计量模型作为上述的第一统计量模型。需要指出的是,该第二指定时间段在上述的第一指定时间段之前,以保证在需要对制冷系统进行制冷剂泄漏的诊断之前,已得到上述的第一统计量模型,从而能够快速对制冷系统进行诊断。比如,假设第一指定时间段为2021年6月1日01点30分3秒到2021年6月1日01点30分10秒,第二指定时间段为2021年3月1日01点30分3秒到2021年3月1日01点30分10秒,则该第二指定时间段在上述的第一指定时间段之前。比如,假设第二指定时间段为N个月,第一指定时间段为N个月后,则该第二指定时间段在上述的第一指定时间段之前。
在本申请实施例中,由于第一统计量模型的训练数据是仿真数据和从制冷系统得到的实际的运行数据组,也即,不需要获取大量的实际运行数据组也能获取较大数量的训练数据,因此,能够保证得到准确的训练后的模型(即第一统计量模型),进而在将后续获得的新的运行数据组输入该第一统计量模型后,能够得到准确的诊断结果。此外,由于与获取仿真数据相比,获取大量的实际运行数据组需要花费更大的成本(人工成本和时间成本等),因此,将训练数据和实际的运行数据组作为训练数据有利于减少所需的成本。
在一些实施例中,上述的第一统计量模型具体为PCA-SPE的模型。
本实施例中,由于主成分分析法能够消除评价指标之间的相关影响、减少指标选择的工作量等,且平方预测误差是评价预测准确度的一个重要因素,因此采用PCA-SPE模型作为上述的第一统计量模型有利于提高得到的诊断结果的准确性。
在一些实施例中,该制冷剂泄漏诊断装置2包括:第一训练数据矩阵确定模块、特征值确定模块、第一阈值确定模块。其中:
第一训练数据矩阵确定模块,用于根据第一训练数据得到对应的第一训练数据矩阵。
具体地,将第一训练数据中的各个仿真数据和运行数据分别作为矩阵的元素,得到上述的第一训练数据矩阵。
特征值确定模块,用于确定第一训练数据矩阵的特征值。
其中,确定特征值的过程与上述计算第一变化值中确定特征值的过程相同,此处不再赘述。
第一平均值确定模块,用于根据第一训练数据矩阵的特征值以及预设的置信度阈值,确定第一阈值,第一阈值作为第一统计量模型的阈值。
本实施例中,由于确定的第一阈值与第一训练数据所对应的矩阵的特征值有关,而特征值能够反映第一训练数据的特征,因此,根据预设的置信度阈值和能够反映第一训练数据的特征的特征值能够确定出与第一训练数据相匹配的第一阈值,也即,通过上述方式能够确定出准确的第一阈值。
在一些实施例中,采用第一训练数据矩阵的部分的特征值(即不是第一训练数据矩阵的全部的特征值)以及预设的置信度阈值,确定第一阈值。
假设表示置信度为α的控制限(即上述的第一阈值),则可采用以下公式计算
其中,
其中,为第一训练数据矩阵的协方差矩阵的特征值,j为由第一训练数据矩阵的协方差矩阵的特征值所组成的特征值矩阵的列数,i为由第一训练数据矩阵的协方差矩阵的特征值所组成的特征值矩阵中的行数,Cα为标准正态分布在置信度为α下的阈值,即为上述的预设的置信度阈值。
由于采用第一训练数据矩阵的前3个特征值和预设的置信度阈值确定出的第一阈值,与采用第一训练数据矩阵的所有特征值和预设的置信度阈值确定出的第一阈值的差异较小,但只有第一训练数据矩阵的前3个特征值参与计算时,所需的计算量远小于第一训练数据矩阵的所有特征值均参与计算时所需的计算量,因此,根据上述方式确定第一阈值时,不仅能够保证该第一阈值的准确性,而且也能够极大减少所需的计算量。
在一些实施例中,该制冷剂泄漏诊断装置2包括第二统计量模型的阈值确定模块和第二平均值确定模块,或者,包括第三统计量模型的阈值确定模块和第三平均值确定模块,其中:
第二统计量模型的阈值确定模块,用于采用仿真数据对初始统计量模型进行训练,得到第二统计量模型以及第二统计量模型的阈值。
其中,确定该第二统计量模型的阈值的过程与上述确定第一阈值的过程相同,此处不再赘述。
第二平均值确定模块,用于根据第一阈值和第二统计量模型的阈值确定第一统计量模型的阈值。
具体地,可取第一阈值与第二统计量模型的阈值的和的平均值作为第一统计量模型的阈值。
或者,
第三统计量模型的阈值确定模块,用于采用第二训练数据对初始统计量模型进行训练,得到第三统计量模型以及第三统计量模型的阈值,第二训练数据为制冷系统在第二指定时间段的运行数据组。
其中,确定该第三统计量模型的阈值的过程与上述确定第一阈值的过程相同,此处不再赘述。
第三平均值确定模块,用于根据第一阈值和第三统计量模型的阈值确定第一统计量模型的阈值。
具体地,可取第一阈值与第三统计量模型的阈值的和的平均值作为第一统计量模型的阈值。
本实施例中,由于第一统计量模型的阈值根据第一阈值和第二统计量模型的阈值确定,或者,根据第一阈值和第三统计量模型的阈值确定,也即,在确定第一统计量模型的阈值时,不仅考虑了混合数据(仿真数据和制冷系统在第二指定时间段的运行数据组)训练初始统计量模型的情况,也考虑了分别采用单一数据(仿真数据或者制冷系统在第二指定时间段的运行数据组)训练该初始统计量模型的情况,因此,通过上述方式能够确定出更准确的第一统计量模型的阈值。
在一些实施例中,运行数据组的条数大于1,该制冷剂泄漏诊断装置2包括第二变化值确定模块和第四平均值确定模块,其中:
第二变化值确定模块,用于将制冷系统在第二指定时间段的各条运行数据组输入第二统计量模型,得到至少2个第二变化值,每一个第二变化值均唯一与在第二指定时间获取的制冷系统的一条运行数据组在其对应的残差空间的投影的变化对应。
本实施例中,每一条运行数据组输入第二统计量模型后,均得到一个第二变化值。其中,该第二变化值的计算过程与第一变化值的计算过程相同,此处不再赘述。
第四平均值确定模块,用于根据第一阈值和所有第二变化值确定第一统计量模型的阈值。
本实施例中,将制冷系统在第二指定时间段的各条运行数据组输入第二统计量模型进行测试,以计算出实际的运行数据与仿真数据的偏移性,该偏移性采用第二变化值表示。由于在确定第一统计量模型的阈值时考虑了实际的运行数据与仿真数据的偏移性,因此,使得确定的第一统计量模型的阈值更准确。
在一些实施例中,该制冷剂泄漏诊断装置2包括第五平均值确定模块,或者,包括第六平均值确定模块,或者,包括第七平均值确定模块,其中:
第五平均值确定模块,用于根据第一阈值、第二统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第二统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
或者,
第六平均值确定模块,用于根据第一阈值、第三统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第三统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
或者,
第七平均值确定模块,用于根据第一阈值、第二统计量模型的阈值、第三统计量模型的阈值以及所有第二变化值确定第一统计量模型的阈值。
具体地,计算上述第一阈值、上述第二统计量模型的阈值、上述第三统计量模型的阈值以及上述所有第二变化值的和的平均值,计算得到的平均值作为上述的第一统计量模型的阈值。
本实施例所列举的三种第一统计量模型的阈值的确定方法中,每一种确定方法均考虑了除采用第一训练数据训练初始统计量模型所得到的第一阈值之外的其他阈值,因此,与单独考虑第一阈值相比,通过本实施例所列举的三种确定方法所确定的第一统计量模型的阈值更准确。
在一些实施例中,为了能够得到更准确的第二变化值,则上述第二变化值确定模块具体用于:
若判断出制冷系统在第二指定时间段的各条运行数据组均为稳态数据,则将制冷系统在第二指定时间段的各条运行数据组输入第二统计量模型。
本实施例中,通过对各条运行数据组进行稳态筛选,以得到稳态数据。比如,对压缩机频率进行稳态筛选时,可通过判断压缩机频率和制冷系统在10分钟内是否发生变化来判断该压缩机频率是否为稳态数据,若在10分钟内没有发生变化,则判定该压缩机频率为稳态数据。当然,为了筛选出有效的稳态数据,可在进行稳态筛选后再进行卡尔曼滤波去噪,以去除离群值或缺失值,最后形成最终的处理后的稳态数据。由于原始数据(原始的运行数据组)通常存在大量启停数据和变工况数据,而这些数据会影响检测精度,因此,通过对原始数据进行稳态筛选后,能够提高后续得到的第二变化值的准确性。
在一些实施例中,该制冷剂泄漏诊断装置2包括:
第一运行数据组获取模块,用于若制冷系统为首次运行的系统,则在第二指定时间段获取制冷系统的各条运行数据组。
第二运行数据组获取模块,用于若制冷系统为非首次运行的系统,则在判断出制冷系统正常后,再在第二指定时间段获取制冷系统的各条运行数据组。
本实施例中,由于制冷系统在首次运行之前,安装人员都会进行测试,只有测试通过后才会运行该制冷系统,因此,首次运行的系统所对应的各条运行数据组是正常的运行数据组。而若制冷系统不是首次运行,那么该制冷系统可能存在故障,此时,从该制冷系统获取的运行数据组可能是非正常的运行数据组,而非正常的运行数据组将会导致后续计算的第二变化值不准确,因此,通过区分制冷系统是否为首次运行的系统来选取获取运行数据组的方式,能够提高后续得到的第二变化值的准确性。
在一些实施例中,该制冷剂泄漏诊断装置2包括:
提示信息输出模块,用于输出提示信息,提示信息包括制冷剂发生泄漏的信息,或者,提示信息包括制冷剂发生泄漏的信息和补充制冷剂的信息。
本实施例中,可通过输出语音的方式或者输出文件的方式输出上述的提示信息。由于提示信息均包含制冷剂发生泄漏的信息,因此,有利于用户及时知悉制冷剂是否发生泄漏。
在一些实施例中,在输出提示信息时,还可生成制冷剂泄漏报告,该制冷剂泄漏报告可包括制冷剂泄漏的严重程度的描述。比如,若第一变化值稍大于第一统计量模型的阈值,则制冷剂泄漏的严重程度可为“轻度”;若第一变化值远大于第一统计量模型的阈值,则制冷剂泄漏的严重程度可为“重度”。通过生成制冷剂泄漏报告,有利于用户获取到更多的故障信息。
在一些实施例中,该制冷剂泄漏诊断装置2包括:
无泄漏的诊断结果确定模块,用于若第一变化值不大于第一统计量模型的阈值,则得到用于指示制冷剂没有发生泄漏的诊断结果。
本实施例中,当判断出第一变化值小于或等于第一统计量模型的阈值时,表明制冷系统中的制冷剂不存在泄漏故障,此时,将得到没有发生泄漏的诊断结果。由于第一统计量模型的训练数据是仿真数据和从制冷系统得到的实际的运行数据组,因此,根据上述训练数据能够得到准确的第一统计量模型,也即,根据上述第一统计量模型能够得到准确的诊断结果。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
实施例三:
图3为本申请一实施例提供的制冷系统的结构示意图。如图3所示,该实施例的制冷系统3包括:至少一个处理器30(图3中仅示出一个处理器)、存储器31以及存储在存储器31中并可在至少一个处理器30上运行的计算机程序32,处理器30执行计算机程序32时实现上述任意方法实施例一中的步骤。
制冷系统3可以是空调、冰箱上的等制冷系统。该制冷系统可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是制冷系统3的举例,并不构成对制冷系统3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,在一种场景中还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30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。
存储器31在一些实施例中可以是制冷系统3的内部存储单元,例如制冷系统3的硬盘或内存。存储器31在另一些实施例中也可以是制冷系统3的外部存储设备,例如制冷系统3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,存储器31还可以既包括制冷系统3的内部存储单元也包括外部存储设备。存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器31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。
本申请实施例还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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在制冷系统上运行时,使得制冷系统执行时实现可实现上述各个方法实施例中的步骤。
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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来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至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、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。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
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/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络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。
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 (10)
1.一种制冷剂泄漏的诊断方法,其特征在于,应用于制冷系统,包括:
获取所述制冷系统在第一指定时间段的运行数据组,每条所述运行数据组包括至少一个运行数据;
将所述运行数据组输入第一统计量模型进行处理,得到所述第一统计量模型输出的诊断结果,所述第一统计量模型采用第一训练数据对初始统计量模型训练得到,所述第一训练数据包括预先生成的仿真数据和所述制冷系统在第二指定时间段的运行数据组,所述第二指定时间段在所述第一指定时间段之前;
其中,所述第一统计量模型对所述运行数据组进行处理的过程包括:计算所述运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将所述第一变化值与所述第一统计量模型的阈值比较,若所述第一变化值大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂发生泄漏的诊断结果;
在所述将所述运行数据组输入第一统计量模型进行处理之前,还包括:
根据所述第一训练数据得到对应的第一训练数据矩阵;
确定所述第一训练数据矩阵的特征值;
根据所述第一训练数据矩阵的特征值以及预设的置信度阈值,确定第一阈值;
采用所述仿真数据对所述初始统计量模型进行训练,得到第二统计量模型以及所述第二统计量模型的阈值;
根据所述第一阈值和所述第二统计量模型的阈值确定所述第一统计量模型的阈值;
或者,
采用第二训练数据对所述初始统计量模型进行训练,得到第三统计量模型以及所述第三统计量模型的阈值,所述第二训练数据为所述制冷系统在所述第二指定时间段的运行数据组;
根据所述第一阈值和所述第三统计量模型的阈值确定所述第一统计量模型的阈值。
2.如权利要求1所述的制冷剂泄漏的诊断方法,其特征在于,所述运行数据组的条数大于1,在所述将所述运行数据组输入第一统计量模型进行处理之前,包括:
将所述制冷系统在所述第二指定时间段的各条运行数据组输入所述第二统计量模型,得到至少2个第二变化值,每一个所述第二变化值均唯一与在所述第二指定时间获取的所述制冷系统的一条运行数据组在其对应的残差空间的投影的变化对应;
根据所述第一阈值和所有所述第二变化值确定所述第一统计量模型的阈值。
3.如权利要求2所述的制冷剂泄漏的诊断方法,其特征在于,在所述将所述运行数据组输入第一统计量模型进行处理之前,包括:
根据所述第一阈值、所述第二统计量模型的阈值以及所有所述第二变化值确定所述第一统计量模型的阈值;
或者,
根据所述第一阈值、所述第三统计量模型的阈值以及所有所述第二变化值确定所述第一统计量模型的阈值;
或者,
根据所述第一阈值、所述第二统计量模型的阈值、所述第三统计量模型的阈值以及所有所述第二变化值确定所述第一统计量模型的阈值。
4.如权利要求2所述的制冷剂泄漏的诊断方法,其特征在于,所述将所述制冷系统在所述第二指定时间段的各条运行数据组输入所述第二统计量模型,包括:
若判断出所述制冷系统在所述第二指定时间段的各条运行数据组均为稳态数据,则将所述制冷系统在所述第二指定时间段的各条运行数据组输入所述第二统计量模型。
5.如权利要求4所述的制冷剂泄漏的诊断方法,其特征在于,在所述判断出所述制冷系统在所述第二指定时间段的各条运行数据组均为稳态数据之前,包括:
若所述制冷系统为首次运行的系统,则在所述第二指定时间段获取所述制冷系统的各条运行数据组;
若所述制冷系统为非首次运行的系统,则在判断出所述制冷系统正常后,再在所述第二指定时间段获取所述制冷系统的各条运行数据组。
6.如权利要求1至5任一项所述的制冷剂泄漏的诊断方法,其特征在于,在所述得到用于指示所述制冷剂发生泄漏的诊断结果之后,包括:
输出提示信息,所述提示信息包括所述制冷剂发生泄漏的信息,或者,所述提示信息包括所述制冷剂发生泄漏的信息和补充制冷剂的信息。
7.如权利要求1至5任一项所述的制冷剂泄漏的诊断方法,其特征在于,所述制冷剂泄漏的诊断方法还包括:
若所述第一变化值不大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂没有发生泄漏的诊断结果。
8.一种制冷剂泄漏诊断装置,其特征在于,应用于制冷系统,包括:
运行数据组获取模块,用于获取所述制冷系统在第一指定时间段的运行数据组,每条所述运行数据组包括至少一个运行数据;
诊断结果输出模块,用于将所述运行数据组输入第一统计量模型,得到所述第一统计量模型输出的诊断结果,其中,所述第一统计量模型对所述运行数据组的处理过程包括:计算所述运行数据组在其对应的残差空间的投影的变化,得到第一变化值,将所述第一变化值与所述第一统计量模型的阈值比较,若所述第一变化值大于所述第一统计量模型的阈值,则得到用于指示所述制冷剂发生泄漏的诊断结果;
其中,所述第一统计量模型采用第一训练数据对初始统计量模型训练得到,所述第一训练数据包括预先生成的仿真数据和所述制冷系统在第二指定时间段的运行数据组,所述第二指定时间段在所述第一指定时间段之前;
第一训练数据矩阵确定模块,用于在所述将所述运行数据组输入第一统计量模型进行处理之前,根据所述第一训练数据得到对应的第一训练数据矩阵;
特征值确定模块,用于确定所述第一训练数据矩阵的特征值;
第一平均值确定模块,用于根据所述第一训练数据矩阵的特征值以及预设的置信度阈值,确定第一阈值;
第二统计量模型的阈值确定模块,用于在所述将所述运行数据组输入第一统计量模型进行处理之前,采用所述仿真数据对所述初始统计量模型进行训练,得到第二统计量模型以及所述第二统计量模型的阈值;
第二平均值确定模块,用于根据所述第一阈值和所述第二统计量模型的阈值确定所述第一统计量模型的阈值;
或者,
第三统计量模型的阈值确定模块,用于采用第二训练数据对所述初始统计量模型进行训练,得到第三统计量模型以及所述第三统计量模型的阈值,所述第二训练数据为所述制冷系统在所述第二指定时间段的运行数据组;
第三平均值确定模块,用于根据所述第一阈值和所述第三统计量模型的阈值确定所述第一统计量模型的阈值。
9.一种制冷系统,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,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7任一项所述的方法。
10.一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7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868279.5A CN113569413B (zh) | 2021-07-30 | 2021-07-30 | 制冷剂泄漏的诊断方法、装置及制冷系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110868279.5A CN113569413B (zh) | 2021-07-30 | 2021-07-30 | 制冷剂泄漏的诊断方法、装置及制冷系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569413A CN113569413A (zh) | 2021-10-29 |
CN113569413B true CN113569413B (zh) | 2024-07-02 |
Family
ID=78169427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110868279.5A Active CN113569413B (zh) | 2021-07-30 | 2021-07-30 | 制冷剂泄漏的诊断方法、装置及制冷系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569413B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668179A (zh) * | 2020-12-25 | 2021-04-16 | 青岛科技大学 | 化工企业换热网络内漏的新型智能动态预测预警方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
CN106951695B (zh) * | 2017-03-09 | 2020-05-05 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
CN108062565B (zh) * | 2017-12-12 | 2021-12-10 | 重庆科技学院 | 基于化工te过程的双主元-动态核主元分析故障诊断方法 |
CN112665107B (zh) * | 2020-12-21 | 2023-03-14 | 广东美的暖通设备有限公司 | 制冷剂泄漏检测方法、装置及设备 |
CN112665790B (zh) * | 2020-12-21 | 2023-03-14 | 广东美的暖通设备有限公司 | 冷媒泄漏检测方法、装置及设备 |
-
2021
- 2021-07-30 CN CN202110868279.5A patent/CN113569413B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668179A (zh) * | 2020-12-25 | 2021-04-16 | 青岛科技大学 | 化工企业换热网络内漏的新型智能动态预测预警方法 |
Non-Patent Citations (1)
Title |
---|
基于在线自适应PCA的制冷系统故障诊断技术及应用;陆凤玲;《中国优秀硕士学位论文全文数据库 工程技术II辑》;20160615(第2016年 06期);第C028-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113569413A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4346291B2 (ja) | タービンエンジンの診断のための方法及びシステム | |
US8090675B2 (en) | HVAC system that controls an asset via a wide area network in accordance with a business strategy using predictor and responder data points | |
CN110376005B (zh) | 数据处理方法、制冷剂泄漏检测方法、系统故障检测方法以及系统性能检测方法 | |
CN110749025B (zh) | 空调整机功率的确定方法及装置 | |
CN102566421B (zh) | 机器状态监控中异常检测的条件相关性建模的系统和方法 | |
CN111140318B (zh) | 尿素解冻能力的诊断方法、装置、设备及存储介质 | |
CN113569413B (zh) | 制冷剂泄漏的诊断方法、装置及制冷系统 | |
US20210138873A1 (en) | Deterioration diagnosis device, deterioration diagnosis method and computer readable medium | |
CN113557397B (zh) | 制冷剂量推断装置、方法及程序 | |
CN112177883B (zh) | 制冷系统检测方法、装置和可读介质 | |
US7640793B2 (en) | Systems and methods for determining airflow parameters of gas turbine engine components | |
CN112561333A (zh) | 一种考核数据处理方法、装置、电子设备及存储介质 | |
CN111504673A (zh) | 一种冷水机组故障诊断方法、系统及空调器 | |
CN115111703B (zh) | 用于水冷空调脏堵检测的方法、终端及存储介质 | |
CN112665790B (zh) | 冷媒泄漏检测方法、装置及设备 | |
US20080060428A1 (en) | Method for Ascertaining Information About A Device Exposed To A Temperature | |
CN111382052A (zh) | 代码质量评价方法、装置及电子设备 | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
CN111737098A (zh) | 一种基于硬盘个数评估存储系统iops的方法及系统 | |
CN112816240A (zh) | 暖通设备的故障识别方法、装置、设备和存储介质 | |
CN114720014B (zh) | 设备中管路连接的检测方法、装置、电子设备及存储介质 | |
CN113266449B (zh) | 后处理系统前的漏气情况的预测方法及系统 | |
CN111291239A (zh) | 机组测试方法、装置、设备和存储介质 | |
CN112179592B (zh) | 制冷系统检测方法、装置和可读介质 | |
US20240219331A1 (en) | Method for identifying a state of a stream of refrigerant |
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 |