CN114110924B - 过滤网可用时长的确定方法、装置、介质、空调及服务器 - Google Patents
过滤网可用时长的确定方法、装置、介质、空调及服务器 Download PDFInfo
- Publication number
- CN114110924B CN114110924B CN202111284477.3A CN202111284477A CN114110924B CN 114110924 B CN114110924 B CN 114110924B CN 202111284477 A CN202111284477 A CN 202111284477A CN 114110924 B CN114110924 B CN 114110924B
- Authority
- CN
- China
- Prior art keywords
- filter screen
- air conditioner
- time
- adsorption degree
- pollutant adsorption
- 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 63
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 155
- 231100000719 pollutant Toxicity 0.000 claims abstract description 155
- 238000001179 sorption measurement Methods 0.000 claims abstract description 155
- 238000004140 cleaning Methods 0.000 claims description 64
- 238000012549 training Methods 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004378 air conditioning Methods 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000004767 nitrides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/39—Monitoring filter performance
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/52—Indication arrangements, e.g. displays
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
-
- 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
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供一种过滤网可用时长的确定方法、装置、介质、空调及服务器，所述方法包括：获取目标空调所在地区的地区信息，以根据所述地区信息获取目标空调所在地区对应的过滤网污染物吸附程度预测模型；基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长。本发明提供的方案能够解决不同地区使用同一个过滤网处理时间的问题。
Description
技术领域
本发明涉及控制领域，尤其涉及一种过滤网可用时长的确定方法、装置、介质、空调及服务器。
背景技术
新风机系统是提供新鲜空气的一种空气调节设备。功能上按环境的要求可以达到恒温恒湿或者单纯提供新鲜空气。它除了通风换气的功能以外，最重要的就是过滤空气中的污染物，因此过滤网成为其最重要的组件，过滤网主要用于除尘、净化硫化物、氮化物、PM2.5等。
当前，常规的更换过滤网的方案主要是厂家建议，定期更换。但是在污染严重的城市，过滤网吸附程度较高，过滤网使用的时间较短。因此，将造成由于过滤网更换或清洗不及时，导致用户体验下降，空气质量堪忧，影响用户健康。
发明内容
本发明的主要目的在于克服上述相关技术的缺陷，提供一种空调过滤网可用时长的确定方法、装置、介质、空调及服务器，以解决相关技术中无法针对性的对不同地区过滤网清洗或更换时间进行设置的问题。
本发明一方面提供了一种空调过滤网可用时长的确定方法，包括：获取目标空调所在地区的地区信息，以根据所述地区信息获取目标空调所在地区对应的过滤网污染物吸附程度预测模型；基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长。
可选地，基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长，包括：获取目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长；根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度；判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值；根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
可选地，根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长，包括：将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
可选地，所述过滤网污染物吸附程度预测模型通过如下方式进行预设：获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据；利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型。
可选地，还包括：判断目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长；若判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
可选地，还包括：发出进行清洗或更换所述过滤网的提醒信息后，判断是否已经进行过目标空调的过滤网的清洗或更换；若判断已经进行过目标空调的过滤网的清洗或更换，则记录目标空调的过滤网的清洗或更换信息以及当前时间。
本发明另一方面提供了一种过滤网可用时长的确定装置，包括：获取单元，用于获取目标空调所在地区的地区信息，以根据所述地区信息获取目标空调所在地区对应的过滤网污染物吸附程度预测模型；确定单元，用于基于所述获取单元获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长。
可选地，所述确定单元，基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长，包括：获取子单元，用于获取目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长；预测子单元，用于根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度；判断子单元，用于判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值；确定子单元，用于根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
可选地，所述确定子单元，根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长，包括：将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
可选地，所述过滤网污染物吸附程度预测模型通过如下方式进行预设：获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据；利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型。
可选地，还包括：判断单元，用于判断目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长；提醒单元，用于若所述判断单元判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
可选地，所述判断单元还用于：在所述提醒单元发出进行清洗或更换所述过滤网的提醒信息后，判断是否已经进行过目标空调的过滤网的清洗或更换；若判断已经进行过目标空调的过滤网的清洗或更换，则记录目标空调的过滤网的清洗或更换信息以及当前时间。
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空调过滤网可用时长的确定装置。
本发明再一方面提供了一种服务器，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服务器，包括前述任一所述的空调过滤网可用时长的确定装置。
根据本发明的技术方案，根据目标空调所在地区的地区信息，获取对应的过滤网污染物吸附程度预测模型，从而基于获取的过滤网污染物吸附程度预测模型，确定所述目标空调的过滤网的可使用时长，能够解决不同地区使用同一个过滤网处理时间的问题。过滤网污染物吸附程度阈值与过滤网的面积、厚度等有关。
通过采集不同地区的气象条件、空调系统(例如新风机系统)运行时长、过滤网污染物吸附程度作为训练数据，训练机器学习模型，实现过滤网在新风机系统运行时长下吸附污染物程度的预测。
通过预测模型预测所在地区的空调的污染物吸附程度，通过预设的过滤网污染物吸附程度阈值，获取该滤网在该地区可使用的时长，解决不同地区使用同一个过滤网处理时间的问题。
根据机器学习算法判断不同地区过滤网清洗或更换时间，并通过新风机系统过滤网清洗或更换控制方法，有针对性的提醒功能，指导用户对过滤网进行清洗或更换操作，有效提升用户体验，降低浪费行为和经济损失。同时，不需用户对过滤网时间进行重置操作，减少用户操作失误情况和忘记操作情况，保证清洗和/或更换过滤网时间的正确记录。
通过安装在新风机组上的GPRS模块获取用户开关机信息与更换或清洗过滤网信息，同时记录上述各信息对应时间。通过用户开关机信息，服务器对运行时间(即对各层过滤网使用时长)进行累加操作；通过清洗/更换过滤网信息，对各层过滤网使用时长重新计时。从而实现了不需人为干预的过滤网使用时间重置。
判断过滤网需要清洗或更换时，发送清洗或更换信提醒，以提醒用户进行清洗或更换操作，实现过滤网的及时清洗或更换。
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是本发明提供的过滤网可用时长的确定方法的一实施例的方法示意图；
图2示出了基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长的步骤一具体实施方式的流程示意图；
图3是本发明提供的过滤网可用时长的确定方法的另一实施例的方法示意图；
图4示出了根据本发明一具体实施方式的过滤网上污染物的吸附程度预测流程示意图；
图5示出了根据本发明一具体实施方式的过滤网清洗或更换可用时长计算方法流程图；
图6示出了根据本发明一具体实施方式的过滤网清洗或更换控制流程图；
图7是本发明提供的过滤网可用时长的确定装置的一实施例的结构框图；
图8示出了根据本发明一具体实施方式的确定单元的结构框图；
图9是本发明提供的空调过滤网可用时长的确定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。
新风机过滤网一般为三层，对于初效/中效过滤网用于过滤大颗粒粉尘和花粉等小颗粒，需要提醒清洗，高效过滤网捕集0.5μm以上的颗粒灰尘及各种悬浮物，需要提醒更换。目前，常规的更换过滤网的方案主要是厂家建议，定期更换。在污染严重的城市，过滤网吸附程度较高，过滤网使用的时间较短。因此，将造成由于过滤网更换或清洗不及时，导致用户体验下降，空气质量堪忧，影响用户健康。当然，如果过滤网更换过早，容易造成浪费和经济损失。另外，在用户更换或清洗过滤网之后，需要人为进行复位操作让过滤网使用时间重新计时。
本发明提供一种用于空调的过滤网可用时长的确定方法。该方法可以在服务器中实施，或者在空调控制系统(例如控制器)中实施。所述空调例如为具有新风机系统。
图1是本发明提供的过滤网可用时长的确定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，目标空调过滤网可用时长的确定方法至少包括步骤S110和步骤S120。
步骤S110，获取目标空调所在地区的地区信息，以根据所述地区信息获取目标空调所在地区对应的过滤网污染物吸附程度预测模型。
具体地，不同地区对应不同的过滤网污染物吸附程度预测模型。根据地区信息选取匹配的预测模型用于预测污染物在过滤网上的吸附程度，以便计算过滤网可用时长。不同地区的污染程度不同，相同时间段下，过滤网吸附污染物的程度不同，因此，针对不同地区建立不同的机器学习模型，可以提高预测精度，有利于给不同地区的用户推荐合理使用过滤网时长。例如，可在新风机系统上安装GPRS模块或者4G模块等获取所在地区的地区信息。
在一种具体实施方式中，所述过滤网污染物吸附程度预测模型通过如下步骤进行预设：
步骤一、获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据。
可以每隔预设时长获取一次上述训练数据。可选地，过滤网污染物吸附程度可以为过滤网污染物的量和/或过滤网污染物的吸附效率，可以通过相应传感器获取。可选地，气象数据包括空气温度、相对湿度、风速和/或降雨程度。
优选地，进行预测模型训练之前对训练数据进行预处理和数据分析，以便可获取精度更高的模型。其中，预处理例如对脏数据(脏数据指的是数据不在给定的范围内或对于实际业务无意义，或是数据格式非法，以及不规范的编码和含糊的业务逻辑。例如异常值、缺失值、重复值等均是脏数据)进行处理，以便获取干净数据；数据分析例如主要分析上述气象条件对过滤网污染物吸附程度的影响，为使用该参数建立机器学习模型提供理论与现实依据。
步骤二、利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型。
具体地，将获取的训练数据划分为训练集和测试集，其中，训练集用于训练模型，测试集用于对模型输出结果进行评估，即评价模型的泛化能力，即训练好的模型对新样本数据的适应和拟合能力。使用训练数据训练机器学习模型，例如采用BP神经网络或多层感知神经网络进行神经网络模型训练。
可选地，预测模型训练完成后，还可以进一步评估优化训练结果是否满足终止条件，例如训练误差(预测模型预测的过滤网污染物吸附程度与实际的过滤网污染物吸附程度的总误差)在指定范围内(比如达到一个很小的值)或者训练模型迭代次数达到指定次数等。若满足终止条件，则可使用训练好的预测模型预测真实场景下的过滤网污染物吸附程度。
步骤S120，基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长。
图2示出了基于获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长的步骤的一具体实施方式的流程示意图。如图2所示，根据本发明的一个具体实施方式，步骤S120包括步骤S121、步骤S122、步骤S123和步骤S124。
步骤S121，获取目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长。
气象信息具体可以包括空气温度、相对湿度、风速和/或降雨程度。累计运行时长即过滤网使用时长。例如，可以通过计算一次开关机的关机时间戳–开机时间戳，得到一次开关机操作下过滤网使用时长t。
分别接收N台空调机组的开关机信息(包含开关机的时间戳)，根据接收N台空调机组的开关机信息计算每台空调机组的累计运行时长。例如开关机信息包含开关机的时间戳，根据开关机时间戳分别计算N台机组的第i次开机时长，i＝1、2、3、…、n；第i次开机时长(第i次过滤网使用时长)＝第i次关机时间戳-第i次开机时间戳。按照上述方式分别计算N台空调机组中每台空调机组的累计运行时长，即为每次关机时间戳-开机时间戳得到的开机时长的累加。
步骤S122，根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度。
具体地，分别将每台空调每次开关机时的气象信息和每次开关机后的累计运行时长输入所在地区对应的所述过滤网污染物吸附程度预测模型中，输出所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度。
步骤S123，判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值。
例如通过所述过滤网污染物吸附程度预测模型分别预测N台机组中每台机组第n次开关机下过滤网污染物吸附程度后，判断预测得到的过滤网污染物吸附程度是否超过预设的过滤网污染物吸附程度阈值。
步骤S124，根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
具体地，将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
即，若预测的任一空调的过滤网污染物吸附的程度超过预设的过滤网污染物吸附程度阈值，则获取该空调机组的累计开关机时长，记作Tk。若获取到N台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长，记作Tk，k＝1、2、3、…、N；则得到过滤网的可使用时长为∑Tk/N。
图3是本发明提供的过滤网可用时长的确定方法的另一实施例的方法示意图。
如图3所示，根据本发明的另一个实施例，目标空调过滤网可用时长的确定方法还包括步骤S130和步骤S140。
步骤S130，判断目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长。
步骤S140，若判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
具体地，当判断目标空调的累计运行时长大于所述过滤网的可使用时长时，发出进行清洗或更换所述过滤网的提醒信息，以提示用户进行过滤网清洗或更换操作。例如，在服务器执行时，将清洗或更换信息发送至用户手机终端等，提醒用户过滤网需要进行清洗或更换操作。
进一步地，发出进行清洗或更换所述过滤网的提醒信息后，还包括：判断是否已经进行过目标空调的过滤网的清洗或更换；若判断已经进行过目标空调的过滤网的清洗或更换，则记录目标空调的过滤网的清洗或更换信息以及当前时间。
可选地，还包括：删除前后两次清洗或更换过滤网之间的空调开关机信息；通过开关机信息，对空调运行时间(即对各层过滤网使用时长)进行累加操作；通过记录过滤网清洗或更换信息及清洗或更换过滤网的时间信息，对过滤网使用时长重新计时，从而实现了不需人为干预的过滤网使用时间重置。
为清楚说明本发明技术方案，下面再以一些具体实施方式对本发明提供的过滤网可用时长的确定方法的执行流程进行描述。
图4示出了根据本发明一具体实施方式的过滤网上污染物的吸附程度预测流程示意图。
不同地区污染程度不同，相同时间段下，过滤网吸附污染物的程度不同，因此，针对不同地区建立不同的机器学习模型，可以提高预测精度，有利于给不同地区用户推荐合理的使用过滤网时长。
步骤S11：获取各个地区气象条件数据、机组使用时长数据、过滤网污染物吸附程度数据作为训练数据，可以每隔预设时长获取1次。过滤网污染物吸附程度可以为过滤网污染物的量和/或过滤网污染物的吸附效率，可以通过相应传感器获取。气象条件数据包括空气温度、相对湿度、风速和/或降雨程度；
步骤S12：对训练数据进行预处理(例如对脏数据进行处理，以便获取干净数据)和数据分析，主要分析上述气象条件对过滤网污染物吸附程度的影响，为使用该参数建立机器学习模型提供理论与现实依据；
步骤S13：建立机器学习模型；
步骤S14：使用训练数据训练模型：将获取的训练数据划分为训练集和测试集，其中，训练集用于训练模型，测试集用于对模型输出结果进行评估。使用训练数据训练机器学习模型，例如采用BP神经网络或多层感知神经网络进行神经网络模型训练；
步骤S15：评估优化训练结果是否满足终止条件，若是，则可使用训练好的模型预测真实场景下测量数据的污染物在过滤网上的吸附程度。否则，返回步骤S12。
图5示出了根据本发明一具体实施方式的过滤网清洗或更换可用时长计算方法流程图：
使用训练好的机器学习模型来计算不同地区下，可推荐过滤网可用时间。因为不同地区的计算方法相同，以下进行统一说明。
步骤S21：获取所在位置的地区信息。例如，可在新风机系统上安装GPS模块获取所在地区的地区信息；
步骤S22：根据地区信息选取匹配的预测模型用于预测污染物在过滤网上的吸附程度，以便计算过滤网可用时长；
步骤S23：分别接收N台机组的开关机信息(包含开关机的时间戳)；例如服务器接收通过GPRS收集的N台机组开关机信息。
步骤S24：根据开关机时间戳分别计算N台机组的第i次开机时长，i＝1、2、3、…、n；第i次开机时长(第i次过滤网使用时长)＝第i次关机时间戳-第i次开机时间戳；
步骤S25：分别计算N台机组的累计运行时长；
步骤S26：分别收集N台机组第i次关机时的气象数据和第i次累计运行时长，气象数据例如可以对接气象数据接口进行获取；
步骤S27：使用机器学习模型分别预测N台机组中每台机组第i次开关机下过滤网吸附污染物的程度；
步骤S28：若步骤S27预测的过滤网吸附污染物的程度超过预设的过滤网吸附污染物程度阈值，则获取相应机组的累计开关机时长，记作Tk。否则，返回步骤S23；
步骤S29：得到过滤网的推荐使用时长为∑Tk/N。
图6示出了根据本发明一具体实施方式的过滤网清洗或更换控制流程图：
步骤S31：安装在新风机系统的如GPRS模块、4G模块等与新风机系统主板通信，获取机组开关机信息，并传送至服务器；
步骤S32：服务器与模块时间同步，服务器收集开关机信息和对应的时间信息；
步骤S33：通过计算下一时刻关机时间戳–上一时刻开机时间戳，得到一次开关机操作下，过滤网工作时长t；
步骤S34：累计计算n个开关机操作下，过滤网工作时长为T＝nt；
步骤S35：判断T是否大于过滤网可用时长，若是，转到步骤S36，否则，返回步骤S31；
步骤S36：服务器将清洗或更换信息发送至用户手机终端等，提醒用户过滤网需要进行清洗或更换操作；
步骤S37：判断用户是否进行过滤网清洗或更换操作，若是，转到步骤S38，否则，转到步骤S41；
步骤S38：服务器记录清洗或更换过滤网信息，并记录当前时间；
步骤S39：服务器删除前后两次清洗或更换过滤网信息之间的新风机系统开关机信息；
步骤S40：当新风机系统再次开启运行时，转到步骤S31；
步骤S41：服务器累计计算系统时长；
步骤S42：服务器累计时长是否超过24H，若是，转到步骤S36，否则转到步骤S41。
本发明方法可以用于服务器中，或者用于空调控制器中。例如将上述方法流程写入芯片等存储介质中植入空调系统(例如新风机系统)中。具体的，在本地训练好机器学习算法并将不同地区过滤网可用时间内置芯片，可定期或不定期对芯片内过滤网可用时间进行升级，以便提高用户体验；将过滤网清洗或更换时间控制方法写入芯片中实现自动推荐过滤网使用时长和用户更换或清洗过滤网操作。
本发明还提供一种用于空调的过滤网可用时长的确定装置。该装置可以在服务器中实施，或者在空调控制系统(例如控制器)中实施。所述空调例如为具有新风机系统。
图7是本发明提供的过滤网可用时长的确定装置的一实施例的结构框图。如图7所示，所述装置100包括获取单元110和确定单元120。
获取单元110用于获取目标空调所在地区的地区信息，以根据所述地区信息获取目标空调所在地区对应的过滤网污染物吸附程度预测模型。
具体地，不同地区对应不同的过滤网污染物吸附程度预测模型。根据地区信息选取匹配的预测模型用于预测污染物在过滤网上的吸附程度，以便计算过滤网可用时长。不同地区的污染程度不同，相同时间段下，过滤网吸附污染物的程度不同，因此，针对不同地区建立不同的机器学习模型，可以提高预测精度，有利于给不同地区的用户推荐合理使用过滤网时长。例如，可在新风机系统上安装GPRS模块或者4G模块等获取所在地区的地区信息。
在一种具体实施方式中，所述过滤网污染物吸附程度预测模型通过如下步骤进行预设：
步骤一、获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据。
可以每隔预设时长获取一次上述训练数据。可选地，过滤网污染物吸附程度可以为过滤网污染物的量和/或过滤网污染物的吸附效率，可以通过相应传感器获取。可选地，气象数据包括空气温度、相对湿度、风速和/或降雨程度。
优选地，进行预测模型训练之前对训练数据进行预处理和数据分析，以便可获取精度更高的模型。其中，预处理例如对脏数据(脏数据指的是数据不在给定的范围内或对于实际业务无意义，或是数据格式非法，以及不规范的编码和含糊的业务逻辑。例如异常值、缺失值、重复值等均是脏数据)进行处理，以便获取干净数据；数据分析例如主要分析上述气象条件对过滤网污染物吸附程度的影响，为使用该参数建立机器学习模型提供理论与现实依据。
步骤二、利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型。
具体地，将获取的训练数据划分为训练集和测试集，其中，训练集用于训练模型，测试集用于对模型输出结果进行评估，即评价模型的泛化能力，即训练好的模型对新样本数据的适应和拟合能力。使用训练数据训练机器学习模型，例如采用BP神经网络或多层感知神经网络进行神经网络模型训练。
可选地，预测模型训练完成后，还可以进一步评估优化训练结果是否满足终止条件，例如训练误差(预测模型预测的过滤网污染物吸附程度与实际的过滤网污染物吸附程度的总误差)在指定范围内(比如达到一个很小的值)或者训练模型迭代次数达到指定次数等。若满足终止条件，则可使用训练好的预测模型预测真实场景下的过滤网污染物吸附程度。
确定单元120用于基于所述获取单元获取的所述过滤网污染物吸附程度预测模型，确定目标空调的过滤网的可使用时长。
图8示出了根据本发明一具体实施方式的确定单元的结构框图。如图8所示，在一种具体实施方式中，确定单元120包括获取子单元121、预测子单元122、判断子单元123和确定子单元124。
获取子单元121用于获取目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长。
气象信息具体可以包括空气温度、相对湿度、风速和/或降雨程度。累计运行时长即过滤网使用时长。例如，可以通过计算一次开关机的关机时间戳–开机时间戳，得到一次开关机操作下过滤网使用时长t。
分别接收N台空调机组的开关机信息(包含开关机的时间戳)，根据接收N台空调机组的开关机信息计算每台空调机组的累计运行时长。例如开关机信息包含开关机的时间戳，根据开关机时间戳分别计算N台机组的第i次开机时长，第i次开机时长(第i次过滤网使用时长)＝第i次关机时间戳-第i次开机时间戳。按照上述方式分别计算N台空调机组中每台空调机组的累计运行时长，即为每次关机时间戳-开机时间戳得到的开机时长的累加。
预测子单元122用于根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度。
具体地，预测子单元122分别将每台空调每次开关机时的气象信息和每次开关机后的累计运行时长输入所在地区对应的所述过滤网污染物吸附程度预测模型中，输出所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度。
判断子单元123用于判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值。
例如通过所述过滤网污染物吸附程度预测模型分别预测N台机组中每台机组第n次开关机下过滤网污染物吸附程度后，判断预测得到的过滤网污染物吸附程度是否超过预设的过滤网污染物吸附程度阈值。
确定子单元124用于根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
具体地，将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
即，若预测的任一空调的过滤网污染物吸附的程度超过预设的过滤网污染物吸附程度阈值，则获取该空调机组的累计开关机时长(即空调机组的累计运行时长)，记作Tk。若获取到N台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长，记作Tk，k＝1、2、3、…、N，则得到过滤网的可使用时长为∑Tk/N。
图9是本发明提供的空调过滤网可用时长的确定装置的另一实施例的结构框图。如图9所示，所述装置100还包括判断单元130和提醒单元140。
判断单元130用于判断目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长。
提醒单元140用于若所述判断单元130判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
具体地，当判断目标空调的累计运行时长大于所述过滤网的可使用时长时，发出进行清洗或更换所述过滤网的提醒信息，以提示用户进行过滤网清洗或更换操作。例如，在服务器执行时，将清洗或更换信息发送至用户手机终端等，提醒用户过滤网需要进行清洗或更换操作。
进一步地，所述判断单元130还用于：在所述提醒单元发出进行清洗或更换所述过滤网的提醒信息后，还包括：判断是否已经进行过目标空调的过滤网的清洗或更换；若判断已经进行过目标空调的过滤网的清洗或更换，则记录目标空调的过滤网的清洗或更换信息以及当前时间。
可选地，还包括：删除单元(图未示)用于删除前后两次清洗或更换过滤网之间的空调开关机信息。通过开关机信息，对空调运行时间(即对各层过滤网使用时长)进行累加操作；通过记录过滤网清洗或更换信息及清洗或更换过滤网的时间信息，对过滤网使用时长重新计时，从而实现了不需人为干预的过滤网使用时间重置。
本发明方法可以用于服务器中，或者用于空调控制器中。例如将上述方法流程写入芯片等存储介质中植入空调系统(例如新风机系统)中。具体的，在本地训练好机器学习算法并将不同地区过滤网可用时间内置芯片，可定期或不定期对芯片内过滤网可用时间进行升级，以便提高用户体验；将过滤网清洗或更换时间控制方法写入芯片中实现自动推荐过滤网使用时长和用户更换或清洗过滤网操作。
本发明还提供对应于所述过滤网可用时长的确定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过滤网可用时长的确定方法的一种空调，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过滤网可用时长的确定装置的一种空调，包括前述任一所述的过滤网可用时长的确定装置。
本发明还提供对应于过滤网可用时长的确定方法的一种服务器，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过滤网可用时长的确定装置的一种服务器，包括前述任一所述的空调过滤网可用时长的确定装置。
据此，本发明提供的方案，本发明再一方面提供了一种空调，包括前述任一所述的空调过滤网可用时长的确定装置。
本发明再一方面提供了一种服务器，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服务器，包括前述任一所述的空调过滤网可用时长的确定装置。
根据本发明的技术方案，根据目标空调所在地区的地区信息，获取对应的过滤网污染物吸附程度预测模型，从而基于获取的过滤网污染物吸附程度预测模型，确定所述目标空调的过滤网的可使用时长，能够解决不同地区使用同一个过滤网处理时间的问题。过滤网污染物吸附程度阈值与过滤网的面积、厚度等有关。
通过采集不同地区的气象条件、空调系统(例如新风机系统)运行时长、过滤网污染物吸附程度作为训练数据，训练机器学习模型，实现过滤网在新风机系统运行时长下吸附污染物程度的预测。
通过预测模型预测所在地区的空调的污染物吸附程度，通过预设的过滤网污染物吸附程度阈值，获取该滤网在该地区可使用的时长，解决不同地区使用同一个过滤网处理时间的问题。
根据机器学习算法判断不同地区过滤网清洗或更换时间，并通过新风机系统过滤网清洗或更换控制方法，有针对性的提醒功能，指导用户对过滤网进行清洗或更换操作，有效提升用户体验，降低浪费行为和经济损失。同时，不需用户对过滤网时间进行重置操作，减少用户操作失误情况和忘记操作情况，保证清洗和/或更换过滤网时间的正确记录。
通过安装在新风机组上的GPRS模块获取用户开关机信息与更换或清洗过滤网信息，GPRS模块同机组主板通讯，获取用户开关机信息与更换或清洗过滤网信息。可选地，还可以发送用户开关机信息与更换或清洗过滤网信息至实施本发明方法的服务器。同时记录上述各信息对应时间。通过用户开关机信息，服务器对运行时间(即对各层过滤网使用时长)进行累加操作；通过清洗/更换过滤网信息，对各层过滤网使用时长重新计时。从而实现了不需人为干预的过滤网使用时间重置。
判断过滤网需要清洗或更换时，发送清洗或更换信提醒，以提醒用户进行清洗或更换操作，实现过滤网的及时清洗或更换。
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相关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 (11)
1.一种过滤网可用时长的确定方法，其特征在于，包括：
获取目标空调所在地区的地区信息，以根据所述地区信息获取所述目标空调所在地区对应的过滤网污染物吸附程度预测模型；
其中，所述过滤网污染物吸附程度预测模型通过如下方式进行预设：
获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据；
利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型；
基于获取的所述过滤网污染物吸附程度预测模型，确定所述目标空调的过滤网的可使用时长，包括：
获取所述目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长；
根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度；
判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值；
根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
2.根据权利要求1所述的方法，其特征在于，根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长，包括：
将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
3.根据权利要求1-2任一项所述的方法，其特征在于，还包括：
判断所述目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长；
若判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
4.根据权利要求3所述的方法，其特征在于，还包括：
发出进行清洗或更换所述过滤网的提醒信息后，判断是否已经进行过目标空调的过滤网的清洗或更换；
若判断已经进行过所述目标空调的过滤网的清洗或更换，则记录所述目标空调的过滤网的清洗或更换信息以及当前时间。
5.一种过滤网可用时长的确定装置，其特征在于，包括：
获取单元，用于获取目标空调所在地区的地区信息，以根据所述地区信息获取所述目标空调所在地区对应的过滤网污染物吸附程度预测模型；
其中，所述过滤网污染物吸附程度预测模型通过如下方式进行预设：
获取各个地区的气象数据、空调使用时长数据和过滤网污染物吸附程度数据作为训练数据；
利用获取的所述训练数据进行模型训练，得到各个地区对应的过滤网污染物吸附程度预测模型；
确定单元，用于基于所述获取单元获取的所述过滤网污染物吸附程度预测模型，确定所述目标空调的过滤网的可使用时长，包括：
获取子单元，用于获取所述目标空调所在地区的N台空调中每台空调每次开关机时的气象信息和开关机后的累计运行时长；
预测子单元，用于根据所述每台空调每次开关机时的气象信息和每次开关机后的累计运行时长，利用所述过滤网污染物吸附程度预测模型预测所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度；
判断子单元，用于判断预测得到的所述N台空调中每台空调每次开关机后的过滤网污染物吸附程度是否超出预设的过滤网污染物吸附程度阈值；
确定子单元，用于根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长。
6.根据权利要求5所述的装置，其特征在于，所述确定子单元，根据所述N台空调中每台空调开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长确定所述过滤网的可使用时长，包括：
将所述N台空调的开关机后的过滤网污染物吸附程度超出预设的过滤网污染物吸附程度阈值时的累计运行时长的平均值，作为所述过滤网的可使用时长。
7.根据权利要求5-6任一项所述的装置，其特征在于，还包括：
判断单元，用于判断所述目标空调的累计运行时长是否大于确定的所述过滤网的可使用时长；
提醒单元，用于若所述判断单元判断所述累计运行时长大于所述可使用时长，则发出进行清洗或更换所述过滤网的提醒信息。
8.根据权利要求7所述的装置，其特征在于，所述判断单元还用于：
在所述提醒单元发出进行清洗或更换所述过滤网的提醒信息后，判断是否已经进行过所述目标空调的过滤网的清洗或更换；
若判断已经进行过所述目标空调的过滤网的清洗或更换，则记录目标空调的过滤网的清洗或更换信息以及当前时间。
9.一种存储介质，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1-4任一所述方法的步骤。
10.一种空调，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1-4任一所述方法的步骤，或者包括如权利要求5-8任一所述的过滤网可用时长的确定装置。
11.一种服务器，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1-4任一所述方法的步骤，或者包括如权利要求5-8任一所述的过滤网可用时长的确定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111284477.3A CN114110924B (zh) | 2021-11-01 | 2021-11-01 | 过滤网可用时长的确定方法、装置、介质、空调及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111284477.3A CN114110924B (zh) | 2021-11-01 | 2021-11-01 | 过滤网可用时长的确定方法、装置、介质、空调及服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114110924A CN114110924A (zh) | 2022-03-01 |
| CN114110924B true CN114110924B (zh) | 2023-04-07 |
Family
ID=80379743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111284477.3A Active CN114110924B (zh) | 2021-11-01 | 2021-11-01 | 过滤网可用时长的确定方法、装置、介质、空调及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114110924B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114646128A (zh) * | 2022-03-16 | 2022-06-21 | 青岛海尔空调器有限总公司 | 空调器控制方法、装置、空调器、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107860695A (zh) * | 2017-10-16 | 2018-03-30 | 广东美的制冷设备有限公司 | 空气净化设备及其中滤网寿命的检测方法、装置 |
| CN111609517A (zh) * | 2020-05-19 | 2020-09-01 | 珠海格力电器股份有限公司 | 空调滤网积尘检测方法、装置及空调 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106765989A (zh) * | 2017-01-16 | 2017-05-31 | 广东美的制冷设备有限公司 | 空气净化器及其空气过滤网的更换控制方法 |
| CN107514750B (zh) * | 2017-08-23 | 2020-09-08 | 四川虹美智能科技有限公司 | 一种滤网更换提醒方法、装置及系统 |
| CN110321906A (zh) * | 2018-03-28 | 2019-10-11 | 霍尼韦尔环境自控产品（天津）有限公司 | 用于提醒更换空气净化器的滤网的方法以及提醒装置 |
| WO2019172736A2 (ko) * | 2019-07-09 | 2019-09-12 | 엘지전자 주식회사 | 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기 |
| CN112619320B (zh) * | 2020-11-26 | 2022-09-06 | 重庆长安汽车股份有限公司 | 汽车空调过滤器使用总计时间确定方法、更换提醒方法及系统 |
| CN113375297A (zh) * | 2021-06-15 | 2021-09-10 | 青岛海尔空调器有限总公司 | 用于控制空调的方法、装置及空调 |
-
2021
- 2021-11-01 CN CN202111284477.3A patent/CN114110924B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107860695A (zh) * | 2017-10-16 | 2018-03-30 | 广东美的制冷设备有限公司 | 空气净化设备及其中滤网寿命的检测方法、装置 |
| CN111609517A (zh) * | 2020-05-19 | 2020-09-01 | 珠海格力电器股份有限公司 | 空调滤网积尘检测方法、装置及空调 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114110924A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114110924B (zh) | 过滤网可用时长的确定方法、装置、介质、空调及服务器 | |
| CN106322643B (zh) | 一种空气净化类设备的管理方法和装置 | |
| CN109268944A (zh) | 空气调节器及其控制方法、装置和计算机可读存储介质 | |
| CN109282444A (zh) | 空气调节器及其控制方法、装置和计算机可读存储介质 | |
| CN205191775U (zh) | 具备监控滤网洁净度功能的智能空气净化器 | |
| CN109268946A (zh) | 空气调节器及其控制方法、装置和计算机可读存储介质 | |
| JP2021527791A (ja) | 空気浄化装置及びこれを制御する方法 | |
| CN111023443B (zh) | 一种过滤网脏堵检测方法、装置、存储介质及出风设备 | |
| CN105157157A (zh) | 一种新风系统及其换气控制方法和装置 | |
| CN103175287A (zh) | 基于背景建模人物运动检测的空调节能控制方法及装置 | |
| CN108426343A (zh) | 空调器净化模块清洗提醒方法、空调器以及可读存储介质 | |
| WO2021042835A1 (zh) | 能够精确计算滤网寿命的控制方法、控制系统及净化设备 | |
| CN109268947A (zh) | 空气调节器及其控制方法、装置和计算机可读存储介质 | |
| CN112146243B (zh) | 空调器控制方法和空调器 | |
| CN112413816A (zh) | 空调器的检测方法及检测装置、空调设备 | |
| CN104266324A (zh) | 可提醒用户更换新风除霾机hepa过滤器的系统和方法 | |
| CN110871001A (zh) | 空气净化器过滤网更换的提醒方法、装置和空气净化器 | |
| CN112619320B (zh) | 汽车空调过滤器使用总计时间确定方法、更换提醒方法及系统 | |
| CN112032927B (zh) | 一种滤网更换提示方法、装置及气体净化设备 | |
| CN111706954B (zh) | 空调器及其自清洁控制方法 | |
| CN116182327A (zh) | 一种滤网的监测方法、装置、空气净化器及可读存储介质 | |
| CN114251788B (zh) | 一种租赁平台的空调能耗提示方法及系统 | |
| CN110701758B (zh) | 空气净化装置及方法 | |
| CN115218454A (zh) | 滤网集尘状态检测方法、装置及空气净化装置 | |
| CN112439265B (zh) | 过滤件寿命提醒方法、过滤件寿命提醒系统及空气净化器 |
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 |