CN114312213B - 车辆的制冷剂容量异常预测方法、装置、设备及介质 - Google Patents
车辆的制冷剂容量异常预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114312213B CN114312213B CN202111523725.5A CN202111523725A CN114312213B CN 114312213 B CN114312213 B CN 114312213B CN 202111523725 A CN202111523725 A CN 202111523725A CN 114312213 B CN114312213 B CN 114312213B
- Authority
- CN
- China
- Prior art keywords
- refrigerant
- vehicle
- capacity
- air conditioning
- conditioning system
- 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
- 239000003507 refrigerant Substances 0.000 title claims abstract description 142
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004378 air conditioning Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Abstract
本发明公开了一种车辆的制冷剂容量异常预测方法、装置、设备及介质,该方法包括:当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值。采用本发明实施例,能够根据车辆运行的状态数据预测制冷剂容量特征参数,并以此检测制冷剂容量的异常情况。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车辆的制冷剂容量异常预测方法、装置、设备及介质。
背景技术
在汽车使用过程中,空调制冷剂会出现制冷剂容量异常的情况,影响空调的制冷和热泵制热效果,但是,由于空调系统结构设计的限制,目前无法通过传感器检测制冷剂容量,导致无法及时发现制冷剂容量的异常。
发明内容
本发明实施例提供一种车辆的制冷剂容量异常预测方法、装置、设备及介质,能够根据车辆运行的状态数据预测制冷剂容量特征参数,并以此检测制冷剂容量的异常情况。
第一方面,本发明实施例提供一种车辆的制冷剂容量异常预测方法,包括:
当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;
根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;
当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值。
作为上述方案的改进,所述根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数,具体包括:
对所述当前的状态数据进行归一化处理,得到输入数据;
利用滑动窗口对所述输入数据进行特征提取,得到特征数据;
将所述特征数据输入至预先获得的预测模型中,预测所述空调系统的制冷剂容量特征参数。
作为上述方案的改进,所述异常条件还包括在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值。
作为上述方案的改进,所述方法还包括:
接收云端发送的预测模型文件;
对所述预测模型文件进行加载,以获得所述预测模型。
作为上述方案的改进,所述制冷剂容量特征参数为制冷剂容量相对于标准容量的比例。
作为上述方案的改进,所述方法还包括:
当判定所述车辆的制冷剂容量异常时,推送制冷剂容量异常提示信息至所述车辆的人机界面和/或预设的用户终端。
作为上述方案的改进,所述工况的变量参数包括车速、环境温度、空调运行模式和制冷剂容量。
第二方面,本发明实施例提供一种车辆的制冷剂容量异常预测装置,包括:
数据获取模块,用于当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;
容量预测模块,用于根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;
异常判断模块,用于当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值。
第三方面,本发明实施例提供一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的车辆的制冷剂容量异常预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面中任意一项所述的车辆的制冷剂容量异常预测方法。
与现有技术相比,本实施例提供的车辆的制冷剂容量异常预测方法、装置、设备及介质,在车辆的空调系统正常运行时,通过获取空调系统当前的状态数据,再根据当前的状态数据,通过预先获得的预测模型预测空调系统的制冷剂容量特征参数,并当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常,异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值,从而,能够根据车辆运行的状态数据预测制冷剂容量特征参数,并以此检测制冷剂容量的异常情况。
附图说明
图1是本发明一实施例提供的一种车辆的制冷剂容量异常预测方法的流程示意图;
图2是用于实现本发明实施例提供的车辆的制冷剂容量异常预测方法的系统的结构图;
图3是本发明一实施例提供的一种车辆的制冷剂容量异常预测装置的结构示意图;
图4是本发明一实施例提供的一种终端设备的结构示意图。
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。
参见图1,是本发明一实施例提供的一种车辆的制冷剂容量异常预测方法的流程示意图。
本发明实施例提供的车辆的制冷剂容量异常预测方法,可以是由车辆的VDCM整车域控制器执行,包括:
S11、当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据。
具体地,所述空调系统的状态数据包括压缩机状态数据、高低压阀状态数据、AGS(Active Grille Shutter,主动进气栅格系统)开度、环境温度、蒸发器状态数据、风机转速。其中,所述压缩机状态数据可以是包括压缩机状态、空调压缩机功率、压缩机入口压力、压缩机入口温度、压缩机出口压力和压缩机出口温度;所述蒸发器状态数据可以是包括前蒸发器温度和后蒸发器温度。上述的这些数据与制冷剂状态息息相关,可以反映制冷剂容量。
可以理解的,当压缩机不运行时,制冷剂的状态一般不会发生变化,则此时无需预测制冷剂容量的异常,并且,由于空调系统的状态数据需要空调系统内的各类传感器进行采集,因此,可以是在判断到压缩机处于运行状态且空调系统内的各类传感器工作正常时,判定车辆的空调系统正常运行。
S12、根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的。
示例性地,可以是预先通过试验采集车辆在不同工况下的空调系统的状态数据以及制冷剂容量特征参数作为训练样本,其中,各工况下的制冷剂容量特征参数作为训练样本的结果标签,也就是标准答案,各工况下的空调系统的状态数据作为训练样本的特征数据,对预先构建的回归模型进行训练,调优后得到制冷剂容量的预测模型,从而,预测模型可以根据空调系统的状态数据,预测得到相应的制冷剂容量特征参数。可选地,所述回归模型为Lasso回归模型,所述回归模型采用的代价函数为其中,m为训练样本的个数,x为训练样本的特征数据,h为模型,θ和λ为模型的参数,hθ(x)为模型用参数θ和x预测出来的y值,y为训练样本中的结果标签,上角标(i)为第i个样本,k为权重的个数,w是权重,j为第j个权重。
作为其中一个可选的实施例,所述工况的变量参数包括车速、环境温度、空调运行模式和制冷剂容量。
其中,空调运行模式可以是包括制冷模式、制热模式、吹风模式和风量。
可以理解的,通过调整车辆的车速、环境温度、空调运行模式和制冷剂容量,可以采集到车辆的空调系统在各种不同情况下的状态数据以进行模型训练,能够使得预测模型更加全面和准确。
S13、当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值。
可以理解地,可以是预先根据空调系统可正常使用时的最小制冷剂容量,设定预设容量异常阈值,从而,根据当前时刻预测得到的制冷剂容量特征参数和预设容量异常阈值之间的大小关系,可以预测制冷剂容量是否出现异常。
示例性地,所述制冷剂容量特征参数可以是制冷剂容量,则预设容量异常阈值可以是空调系统可正常使用时的最小制冷剂容量。更优地,所述制冷剂容量特征参数为制冷剂容量相对于标准容量的比例,则预设容量异常阈值可以是空调系统可正常使用时的最小制冷剂容量相对于标准制冷剂容量的比例。
作为其中一个可选的实施例,所述根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数,具体包括:
S121、对所述当前的状态数据进行归一化处理,得到输入数据;
S122、利用滑动窗口对所述输入数据进行特征提取,得到特征数据;
S123、将所述特征数据输入至预先获得的预测模型中,预测所述空调系统的制冷剂容量特征参数。
需要说明的是,先对当前的状态数据进行归一化处理,能够使得后续数据处理的效率更高,并且,滑动窗口能够提高特征提取的效率,从而,本实施例的预测效率较高。
作为其中一个可选的实施例,所述异常条件还包括在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值。
需要说明的是,由于预测会存在一定的误差,为了避免因误差导致的误判,本实施例通过设置异常条件还包括在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值,从而,使得制冷剂容量特征参数在持续一段时间内均小于预设容量异常阈值时,才判定制冷剂容量发生异常,提高了异常预测的准确率。
作为其中一个可选的实施例,所述方法还包括:
接收云端发送的预测模型文件;
对所述预测模型文件进行加载,以获得所述预测模型。
在本实施例中,预测模型的开发和更新可以是在云端离线完成,完成后将预测模型文件下发到VDCM整车域控制器的MPU,VDCM整车域控制器加载预测模型文件后即可得到预测模型,从而使得预测模型可以灵活迭代更新。
作为其中一个可选的实施例,所述方法还包括:
当判定所述车辆的制冷剂容量异常时,推送制冷剂容量异常提示信息至所述车辆的人机界面和/或预设的用户终端。
在本实施例中,如果判定车辆的制冷剂容量异常,则通过车辆的人机界面和/或预设的用户终端向用户发出提示,以及时提醒用户解决异常。
作为一个具体的实施方式,参见图2,云端开发预测模型并下发至车辆的VDCM整车域控制器的MPU;在空调系统正常运行时,车辆的ACM(Auxiliary Control Module,辅助控制模块)采集空调系统的各类传感器和执行器,以获得空调系统的状态数据,再传递至VDCM整车域控制器的MCU,使得MCU转发至VDCM整车域控制器的MPU;从而,MPU获取到空调系统当前的状态数据,调用预测模型进行制冷剂容量特征参数的预测并判断是否制冷剂容量是否异常,并在判定异常时,推送制冷剂容量异常提示信息至车辆的车机HMI(人机界面),推送判断结果至云端,再由云端推送制冷剂容量异常提示信息至预设的用户终端。
综上所述,本实施例提供的车辆的制冷剂容量异常预测方法,在车辆的空调系统正常运行时,通过获取空调系统当前的状态数据,再根据当前的状态数据,通过预先获得的预测模型预测空调系统的制冷剂容量特征参数,并当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常,异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值,从而,能够根据车辆运行的状态数据预测制冷剂容量特征参数,并以此检测制冷剂容量的异常情况。
参见图3,是本发明一实施例提供的一种车辆的制冷剂容量异常预测装置的结构示意图。
本发明实施例提供的车辆的制冷剂容量异常预测装置,包括:
数据获取模块21,用于当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;
容量预测模块22,用于根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;
异常判断模块23,用于当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值。
作为其中一个可选的实施例,所述容量预测模块具体用于:
对所述当前的状态数据进行归一化处理,得到输入数据;
利用滑动窗口对所述输入数据进行特征提取,得到特征数据;
将所述特征数据输入至预先获得的预测模型中,预测所述空调系统的制冷剂容量特征参数。
作为其中一个可选的实施例,所述异常条件还包括在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值。
作为其中一个可选的实施例,所述装置还包括模型获取模块,用于:
接收云端发送的预测模型文件;
对所述预测模型文件进行加载,以获得所述预测模型。
作为其中一个可选的实施例,所述制冷剂容量特征参数为制冷剂容量相对于标准容量的比例。
作为其中一个可选的实施例,所述装置还包括告警模块,用于:
当判定所述车辆的制冷剂容量异常时,推送制冷剂容量异常提示信息至所述车辆的人机界面和/或预设的用户终端。
作为其中一个可选的实施例,所述工况的变量参数包括车速、环境温度、空调运行模式和制冷剂容量。
需要说明的是,该车辆的制冷剂容量异常预测装置实现制冷剂容量异常预测的原理与上述方法实施例相同,具体描述可参考上述方法实施例,在此不再赘述。
综上所述,本实施例提供的车辆的制冷剂容量异常预测装置,在车辆的空调系统正常运行时,通过获取空调系统当前的状态数据,再根据当前的状态数据,通过预先获得的预测模型预测空调系统的制冷剂容量特征参数,并当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常,异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值,从而,能够根据车辆运行的状态数据预测制冷剂容量特征参数,并以此检测制冷剂容量的异常情况。
参见图4,是本发明一实施例提供的一种终端设备的示意图。
本发明实施例提供的一种终端设备,包括处理器31、存储器32以及存储在所述存储器32中且被配置为由所述处理器31执行的计算机程序,所述处理器31执行所述计算机程序时实现如上任一实施例所述的车辆的制冷剂容量异常预测方法。
所述处理器31执行所述计算机程序时实现上述车辆的制冷剂容量异常预测方法实施例中的步骤,例如图1所示的车辆的制冷剂容量异常预测方法的所有步骤。或者,所述处理器31执行所述计算机程序时实现上述车辆的制冷剂容量异常预测装置实施例中各模块/单元的功能,例如图3所示的车辆的制冷剂容量异常预测装置的各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器32中,并由所述处理器31执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器31、存储器32。本领域技术人员可以理解,所述示意图仅仅是终端设备的示例,并不构成对终端设备的限定,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,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器31可以是中央处理单元(Central Processing Unit,CPU),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,所述处理器31是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器32可用于存储所述计算机程序和/或模块,所述处理器31通过运行或执行存储在所述存储器32内的计算机程序和/或模块,以及调用存储在存储器32内的数据,实现所述终端设备的各种功能。所述存储器32可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也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可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种车辆的制冷剂容量异常预测方法,其特征在于,包括:
当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;
根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;
当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值,和在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值。
2.如权利要求1所述的车辆的制冷剂容量异常预测方法,其特征在于,所述根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数,具体包括:
对所述当前的状态数据进行归一化处理,得到输入数据;
利用滑动窗口对所述输入数据进行特征提取,得到特征数据;
将所述特征数据输入至预先获得的预测模型中,预测所述空调系统的制冷剂容量特征参数。
3.如权利要求1所述的车辆的制冷剂容量异常预测方法,其特征在于,所述方法还包括:
接收云端发送的预测模型文件;
对所述预测模型文件进行加载,以获得所述预测模型。
4.如权利要求1所述的车辆的制冷剂容量异常预测方法,其特征在于,所述方法还包括:
当判定所述车辆的制冷剂容量异常时,推送制冷剂容量异常提示信息至所述车辆的人机界面和/或预设的用户终端。
5.如权利要求1所述的车辆的制冷剂容量异常预测方法,其特征在于,所述制冷剂容量特征参数为制冷剂容量相对于标准容量的比例。
6.如权利要求1所述的车辆的制冷剂容量异常预测方法,其特征在于,所述工况的变量参数包括车速、环境温度、空调运行模式和制冷剂容量。
7.一种车辆的制冷剂容量异常预测装置,其特征在于,包括:
数据获取模块,用于当车辆的空调系统正常运行时,获取所述空调系统当前的状态数据;
容量预测模块,用于根据所述当前的状态数据,通过预先获得的预测模型预测所述空调系统的制冷剂容量特征参数;其中,所述预测模型是根据所述空调系统在不同工况下的状态数据及制冷剂容量特征参数训练得到的;
异常判断模块,用于当确定预设的异常条件满足时,判定所述车辆的制冷剂容量异常;其中,所述异常条件包括在当前时刻预测得到的制冷剂容量特征参数小于预设容量异常阈值,和在当前时刻前的预设时长内预测得到的制冷剂容量特征参数均小于所述预设容量异常阈值。
8.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的车辆的制冷剂容量异常预测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的车辆的制冷剂容量异常预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523725.5A CN114312213B (zh) | 2021-12-14 | 2021-12-14 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111523725.5A CN114312213B (zh) | 2021-12-14 | 2021-12-14 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114312213A CN114312213A (zh) | 2022-04-12 |
CN114312213B true CN114312213B (zh) | 2023-10-17 |
Family
ID=81051333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111523725.5A Active CN114312213B (zh) | 2021-12-14 | 2021-12-14 | 车辆的制冷剂容量异常预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114312213B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116336608B (zh) * | 2023-05-30 | 2023-08-08 | 广州豪特节能环保科技股份有限公司 | 一种节能空调系统异常数据传输方法及装置 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3918455A1 (de) * | 1989-06-06 | 1990-12-20 | Thermal Waerme Kaelte Klima | Verfluessiger fuer ein kaeltemittel einer fahrzeugklimaanlage |
DE4426164A1 (de) * | 1994-07-23 | 1996-01-25 | Vdo Schindling | Waschflüssigkeitsbehälter |
DE19512356C1 (de) * | 1995-04-01 | 1996-03-14 | Daimler Benz Ag | Verfahren zum Betreiben einer Kraftfahrzeug-Klimaanlage |
KR20040032575A (ko) * | 2002-10-10 | 2004-04-17 | 현대자동차주식회사 | 차량의 에어컨 제어방법 |
DE102011109055A1 (de) * | 2010-09-04 | 2012-03-08 | Volkswagen Ag | Klimaanlage für ein Fahrzeug sowie Verfahren zum Klimatisieren eines Fahrzeugs |
DE102013019498A1 (de) * | 2013-11-21 | 2015-05-21 | Audi Ag | Verfahren zum Betrieb einer Klimaanlage eines Kraftfahrzeugs und Klimaanlage |
JP2015107694A (ja) * | 2013-12-03 | 2015-06-11 | ダイムラー・アクチェンゲゼルシャフトDaimler AG | 車両用空調制御装置 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
CN110500709A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 空调器运行状态在线判别方法 |
CN111546854A (zh) * | 2020-06-18 | 2020-08-18 | 中南大学 | 一种智能列车空调机组在途识别与诊断方法 |
CN111723925A (zh) * | 2020-06-17 | 2020-09-29 | 中南大学 | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 |
CN211953316U (zh) * | 2020-03-27 | 2020-11-17 | 泰铂(上海)环保科技股份有限公司 | 一种新型冷暖一体可自动调节冷媒流量的热泵空调系统 |
CN112036581A (zh) * | 2019-05-15 | 2020-12-04 | 上海杰之能软件科技有限公司 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
CN112097365A (zh) * | 2020-07-10 | 2020-12-18 | 珠海派诺科技股份有限公司 | 基于预测和分类模型的空调故障检测与辩识方法及装置 |
CN112406458A (zh) * | 2019-08-21 | 2021-02-26 | 美光科技公司 | 车辆中的智能气候控制 |
CN112696791A (zh) * | 2020-12-25 | 2021-04-23 | 山东朗进科技股份有限公司 | 一种轨道车辆空调机组冷媒泄露预警方法 |
CN113631866A (zh) * | 2019-04-26 | 2021-11-09 | 大金工业株式会社 | 空调系统、机器学习装置及机器学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006031197B4 (de) * | 2006-07-03 | 2012-09-27 | Visteon Global Technologies Inc. | Innerer Wärmeübertrager mit Akkumulator |
-
2021
- 2021-12-14 CN CN202111523725.5A patent/CN114312213B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3918455A1 (de) * | 1989-06-06 | 1990-12-20 | Thermal Waerme Kaelte Klima | Verfluessiger fuer ein kaeltemittel einer fahrzeugklimaanlage |
DE4426164A1 (de) * | 1994-07-23 | 1996-01-25 | Vdo Schindling | Waschflüssigkeitsbehälter |
DE19512356C1 (de) * | 1995-04-01 | 1996-03-14 | Daimler Benz Ag | Verfahren zum Betreiben einer Kraftfahrzeug-Klimaanlage |
KR20040032575A (ko) * | 2002-10-10 | 2004-04-17 | 현대자동차주식회사 | 차량의 에어컨 제어방법 |
DE102011109055A1 (de) * | 2010-09-04 | 2012-03-08 | Volkswagen Ag | Klimaanlage für ein Fahrzeug sowie Verfahren zum Klimatisieren eines Fahrzeugs |
DE102013019498A1 (de) * | 2013-11-21 | 2015-05-21 | Audi Ag | Verfahren zum Betrieb einer Klimaanlage eines Kraftfahrzeugs und Klimaanlage |
JP2015107694A (ja) * | 2013-12-03 | 2015-06-11 | ダイムラー・アクチェンゲゼルシャフトDaimler AG | 車両用空調制御装置 |
CN108376286A (zh) * | 2018-02-26 | 2018-08-07 | 上海理工大学 | 一种设备故障诊断装置及系统 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
CN113631866A (zh) * | 2019-04-26 | 2021-11-09 | 大金工业株式会社 | 空调系统、机器学习装置及机器学习方法 |
CN112036581A (zh) * | 2019-05-15 | 2020-12-04 | 上海杰之能软件科技有限公司 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
CN110500709A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 空调器运行状态在线判别方法 |
CN112406458A (zh) * | 2019-08-21 | 2021-02-26 | 美光科技公司 | 车辆中的智能气候控制 |
CN211953316U (zh) * | 2020-03-27 | 2020-11-17 | 泰铂(上海)环保科技股份有限公司 | 一种新型冷暖一体可自动调节冷媒流量的热泵空调系统 |
CN111723925A (zh) * | 2020-06-17 | 2020-09-29 | 中南大学 | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 |
CN111546854A (zh) * | 2020-06-18 | 2020-08-18 | 中南大学 | 一种智能列车空调机组在途识别与诊断方法 |
CN112097365A (zh) * | 2020-07-10 | 2020-12-18 | 珠海派诺科技股份有限公司 | 基于预测和分类模型的空调故障检测与辩识方法及装置 |
CN112696791A (zh) * | 2020-12-25 | 2021-04-23 | 山东朗进科技股份有限公司 | 一种轨道车辆空调机组冷媒泄露预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114312213A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102859158B (zh) | 用于计算控制用的输出参量的控制设备和方法 | |
EP2199697B1 (en) | Motor current based air circuit obstruction detection | |
US20130191676A1 (en) | Operation management method of information processing system | |
US11113168B2 (en) | Distributed architecture for fault monitoring | |
US11423321B2 (en) | Method and system for predicting system status | |
CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
CN114312213B (zh) | 车辆的制冷剂容量异常预测方法、装置、设备及介质 | |
US20190064768A1 (en) | Abnormality detection apparatus and machine learning device | |
CN112432330B (zh) | 恒温除湿控制方法、装置、电子设备和空调器 | |
CN112383891A (zh) | 一种基于物模型自动匹配的设备注册方法和装置 | |
CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
WO2019214230A1 (zh) | 一种空调除霜的方法及设备 | |
CN104884809B (zh) | 用于将多泵系统中的泵分级和去分级的优化技术 | |
CN107132861A (zh) | 用于控制器处理器的可配置温度控制的方法和系统 | |
CN109032853B (zh) | 用于控制fpga卡组的方法和装置 | |
CN113641163B (zh) | 环控设备的自组态方法、系统、计算机设备及存储介质 | |
CN114398964A (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
CN114659583A (zh) | 气液分离器的液位检测方法、装置、云端服务器及介质 | |
CN114065602A (zh) | 温度预测方法、模型训练方法及相关设备 | |
CN113188235A (zh) | 空调系统内传感器多源故障诊断方法、系统及设备 | |
CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
CN116528270B (zh) | 一种基站节能潜力评估方法、装置、设备及存储介质 | |
CN113434690B (zh) | 基于聚类算法的用电预测评估方法、装置、系统及介质 | |
CN116176737B (zh) | 一种车辆控制方法、装置、车辆及存储介质 | |
CN114021299A (zh) | 一种检测对象的方法、装置、计算机设备及存储介质 |
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 | ||
PP01 | Preservation of patent right |
Effective date of registration: 20240222 Granted publication date: 20231017 |
|
PP01 | Preservation of patent right |