CN114396704A - 一种基于大数据分析的冷水机组健康性诊断方法及系统 - Google Patents
一种基于大数据分析的冷水机组健康性诊断方法及系统 Download PDFInfo
- Publication number
- CN114396704A CN114396704A CN202111473348.9A CN202111473348A CN114396704A CN 114396704 A CN114396704 A CN 114396704A CN 202111473348 A CN202111473348 A CN 202111473348A CN 114396704 A CN114396704 A CN 114396704A
- Authority
- CN
- China
- Prior art keywords
- chilling unit
- water chilling
- energy efficiency
- temperature
- water
- 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
Links
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
- F24F11/38—Failure diagnosis
-
- 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
- F24F11/62—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
- F24F2140/00—Control inputs relating to system states
- F24F2140/20—Heat-exchange fluid temperature
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明属于空调故障检测技术领域,具体涉及一种基于大数据分析的冷水机组健康性诊断方法及系统,其中诊断方法包括:包括:步骤1:获取冷水机组的规格参数和运行状态参数,并通过大数据分析剔除所述运行状态参数中的异常值;步骤2:基于步骤1得到的规格参数计算得到冷水机组的能效区间,基于步骤1得到的运行状态参数得到冷水机组的实时能效,并基于实时能效统计得到预设时间内冷水机组的实时能效在各个能效区间内的数据占比;步骤3:基于步骤2中得到的预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。上述方法不仅运维门槛低、相应速度快,且诊断精度高,从而提高冷水机组的经济效益。
Description
技术领域
本发明属于空调故障检测技术领域,具体涉及一种基于大数据分析的冷水机组健康性诊断方法及系统。
背景技术
据统计,中国建筑能耗已占社会总能耗的20%-25%,部分发达国家的这一比例已达到30%-40%,而空调系统作为建筑最主要的能耗部分,运行能耗占建筑总能耗的60%,但由于其能耗基数大,节省潜力也较大。
冷水机组作为空调系统的核心组成部分,承担着控制送风房间内温度状态的主要责任,因此,维持机组性能稳定极为重要,对机组进行估值检测和诊断有着极其重要的意义。当冷水机组出现故障时,首先,作为整个系统的冷热源供应者,会引起送风供应混乱,导致室内温度产生波动,从而影响使用者的体验;第二,机组故障会引起其能效比的下降,使得消耗的能源不能物尽其用,造成能源的浪费。所以冷水机组的实时运行工况值得监控,便于在发生故障时及时处理,从而将损失将至最低。同时,在制冷空调系统中,保证传感器运行的可靠性对确保空调系统实现可靠控制和最优运行起到重要作用。
但是冷水机组的诊断由于技术壁垒与信息鸿沟的存在,造成了诊断难度大、响应速度慢等问题。目前,行业内的技术难点主要有以下部分:
1、高延迟、响应速度慢
冷水机组的运行数据的采集是秒级的,数据量大,人工排查难度大、耗时长,且人工仅仅在发生故障时才会进行相关的排查工作。此外,通过人工排查问题,需要对系统的各个环节进行逐个排查,诸如中国专利CN11706958A,无法实现问题的快速定位,这样会造成冷水机组长期处于低效运行,也无法实现冷水机组的实时诊断。
2、对运维人员技术要求高,且需要多部门协同
目前,对冷水机组实际运行状态的评价与诊断,是由现场运维人员通过现场冷水机组等设备的运行参数,并根据自身的工作经验完成运维工作。常规的方法不仅费时费力,而且对运维人员的技术要求较高。此外,冷水机组的故障诊断还需要冷水机组厂家、群控厂家(即监控冷水机组的监控系统的零部件生产厂家)等多部门专业的技术人员协同排查,这就给运维工作带来了很大的难度。
3、常规的能效诊断评价体系存在局限性
常规的冷水机组能效评价以逆卡诺循环为评价依据,诸如中国专利CN111623570A,但一般冷水机组仅有理想工况的60%~80%,因此通过热力完善度作为相关的评价依据则有失偏颇,因为不能反映冷机的能效是否完全发挥出来,并且冷机的热力完善度水平与冷机的类型也有密切的关系。因此将冷水机组的能效评价体系强制移植到冷水机组的能效诊断存在很大的局限性。
因此,针对以上不足,本发明急需提供一种基于大数据分析的冷水机组健康性诊断方法及系统。
发明内容
本发明的目的在于提供一种基于大数据分析的冷水机组健康性诊断方法及系统,以解决现有技术中冷水机组存在的上述问题。
本发明提供的基于大数据分析的冷水机组健康性诊断方法,包括:步骤1:获取冷水机组的规格参数,并通过温度/热量表测得冷水机组的运行状态参数,并通过大数据分析剔除所述运行状态参数中的异常值;步骤2:基于步骤1得到的规格参数计算得到冷水机组的能效区间,基于步骤1得到的运行状态参数计算得到冷水机组的实时能效,并基于实时能效统计得到预设时间内冷水机组的实时能效在各能效区间内的数据占比;步骤3:基于步骤2中得到的预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
如上所述的基于大数据分析的冷水机组健康性诊断方法,进一步优选为,步骤1得到的规格参数包括冷机负荷率、冷却进水温度和冷冻出水温度;运行状态参数包括冷机功率、冷机制冷量、蒸发温度和冷凝温度。
如上所述的基于大数据分析的冷水机组健康性诊断方法,进一步优选为,步骤2中冷水机组的能效可分为故障区、高效区和低效区。
如上所述的基于大数据分析的冷水机组健康性诊断方法,进一步优选为,步骤3具体包括:步骤3.1:判断故障区和高效区的数据占比之和是否大于第一设定值,若是则进行步骤3.2,若否,则进行步骤3.3;步骤3.2:判断故障区的数据占比是否大于第二设定值;若否,则冷水机组运行正常;若是,则冷水机组的温度/热量表故障;步骤3.3:判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值;若是,则冷水机组运行在低效区,冷水机组故障;若否,则冷水机组的器端差超出设定值,则冷水机组散热存在故障或温度/热量表故障。
如上所述的基于大数据分析的冷水机组健康性诊断方法,进一步优选为,还包括步骤4:通过文字输出步骤3诊断得到冷水机组健康状况。
本发明还公开了基于大数据分析的冷水机组健康性诊断系统,用于实现上述任一项所述的基于大数据分析的冷水机组健康性诊断方法,包括:数据采集模块,用于采集冷水机组的规格参数和运行状态参数,并基于大数据分析剔除所述运行状态参数中的异常值;COP关联分析模块,用于基于规格参数计算得到冷水机组的能效区间;还用于基于运行状态参数计算实时能效,并基于所述实时能效统计得到预设时间内冷水机组的实时能效在各能效区间内的数据占比;能效异常诊断模块,用于基于预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
如上所述的基于大数据分析的冷水机组健康性诊断系统,进一步优选为,所述能效异常诊断模块具体包括:第一判断模块,用于判断故障区和高效区的数据占比之和是否大于第一设定值,则转至第二判断模块;若否,则转至第三判断模块;第二判断模块,用于判断故障区的数据占比是否大于第二设定值;若否,则冷水机组运行正常;若是,则冷水机组的温度/热量表故障;第三判断模块,用于判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值;若是,则冷水机组运行在低效区,冷水机组故障;若否,则冷水机组的器端差超出设定值,则冷水机组散热存在故障或温度/热量表故障。
如上所述的基于大数据分析的冷水机组健康性诊断系统,进一步优选为,还包括数据库,所述数据库用于存储冷水机组的规格参数和运行参数,以便于所述COP关联分析模块调用。
如上所述的基于大数据分析的冷水机组健康性诊断系统,进一步优选为,所述数据采集模块包括多个温度/热量表,多个所述温度/热量表分别用于测量冷却进水温度和冷冻出水温度。
如上所述的基于大数据分析的冷水机组健康性诊断系统,进一步优选为,还包括显示模块,用于显示能效异常诊断模块得到的诊断结果。
本发明与现有技术相比具有以下的优点:
本发明所公开的基于大数据分析的冷水机组健康性诊断方法,上述方法基于对冷水机组的规格参数进行处理得到冷水机组的能效区间,基于运行状态参数得到预设时间内冷水机组的实时能效在各能效区间内的数据占比,并基于预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。上述方法实现了冷水机组的健康性自诊断,且可以根据诊断的结果,及时发现在中央空调系统运行过程中的故障情况。同时由于规格参数为冷水机组的厂家性能参数,是衡量冷机能效最为权威的数据,因此基于该数据得到的能效区间准确,进而使后续诊断精确度高。
(1)运维门槛低。本发明提出的基于大数据分析的冷水机组健康性诊断系统摒弃了以往主要根据个人经验做出判断的运维历史,依托于对运行状态参数的分析实现智能诊断,进而给出解决方案,解决了技术人员定期运维中央空调系统的难题,降低了技术门槛。
(2)响应速度快。本发明提出的基于大数据分析的冷水机组健康性诊断系统改变了被动式运维的工作模式,通过实时运行实现实时主动式智能诊断,提前发现能效异常点,提高运行能效改善的响应速度,避免冷水机组长期处于低效运行的状态。
(3)诊断精确度高。本发明提出的基于大数据分析的冷水机组健康性诊断系统依托于大数据处理模块提高数据品质,保证诊断准确性。
(4)经济效益高。本发明提出的基于大数据分析的冷水机组健康性诊断系统依托于能效分析为诊断目标,实现冷水机组的能效提升,降低能耗,降低运行成本,提高经济效益。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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,还可以根据这些附图获得其他的附图。
图1为本发明中基于大数据分析的冷水机组健康性诊断方法的流程图;
图2为本发明中大数据预处理模块的处理流程图;
图3为本发明中COP关联性分析模块的处理流程图;
图4为本发明中冷水机组运行特性区间示意图;
图5为本发明中能效异常诊断模块的处理流程图。
具体实施方式
实施例1:
如图1-5所示,本实施例公开的基于大数据分析的冷水机组健康性诊断方法,包括:
步骤1:获取冷水机组的规格参数;通过温度/热量表测得冷水机组的运行状态参数,并通过大数据分析剔除所述运行状态参数中的异常值;
步骤2:基于步骤1得到的规格参数计算得到冷水机组的能效区间,基于步骤1得到的运行状态参数得到冷水机组的实时能效,并基于所述实时能效统计得到预设时间内冷水机组的实时能效在各个能效区间内的数据占比;
步骤3:基于步骤2中得到的预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
步骤1中,大数据分析主要用于对运行状态参数进行预处理,保证运行状态参数的数据质量,具体的,剔除的异常数据主要为非稳定点工况数据,具体包括:开机启动过程数据(开机过程的波动大,数据质量低,故需去开机)、负值的插值(负值不符合实际,需剔除并用相邻时刻的值线性插值填充)、N/A等异常值(传感器异常值返回)等。
进一步的,步骤1得到的规格参数包括冷机负荷率、冷却进水温度和冷冻出水温度;运行状态参数包括冷机功率、冷机制冷量、蒸发温度和冷凝温度。具体的,上述数据分别记为:冷却进水温度Tcw、冷冻出水温度Tchw、冷机功率P、冷机制冷量Q、负荷率L、蒸发温度Te、冷凝温度Tc。其中运行状态参数直接从厂家获取。
进一步的,步骤2中冷水机组的能效可分为故障区、高效区和低效区。具体的,计算冷水机组的实时制冷性能系数COPi,计算COPi=冷机制冷量Q/冷机功率P。根据冷水机组的能效特性曲线计算得到冷水机组的能效区间,具体的,根据冷却进水温度Tcw、冷冻出水温度Tchw和负荷率L计算冷机运行特性参数COPm,具体的,COPm=f(Tcw,Tchw,L),上述能效特性曲线及相关的冷却进水温度、冷冻出水温度、负荷率可直接从厂家获取。然后根据冷机运行特性参数COPm计算冷机能效特性曲线的合理范围的上限COPu和下限COPd。其中,COPu=COPm+Δb1,COPd=COPm-Δb2;Δb1和Δb2为设定值(其中:Δb1默认为0.3,Δb2默认为0.5),且满足:(1)Δb1和Δb2的设定值不得大于1;(2)Δb1<Δb2;然后以制冷性能系数为纵轴,以负荷率为横轴,以COPu为上临界点,以COPd为下临界点绘制冷水机组运行特性曲线,如图4所示,其中,区间[COPu,+∞)为故障区、区间(COPd、COPu)为高效区、区间[0,COPd)为低效区。
统计预设时间内实时制冷性能系数在占区间[COPu,+∞)、区间(COPd、COPu)和区间[0,COPd)中的数据占比,并分别记为u%、m%、d%。
然后根据数据占比u%、m%、d%构建诊断模型诊断得到冷水机组的健康状况。
具体的,进一步的,如图5所示,步骤3具体包括:
步骤3.1:判断故障区和高效区数据占比之和是否大于第一设定值,即判断U%+m%>[设定值1]是否成立,若是则进行步骤3.2,若否,则进行步骤3.3;
步骤3.2:判断故障区的数据占比是否大于第二设定值,即判断u%>[设定值2]是否成立;若否,则冷水机组运行正常,其运行能效接近厂家设计能效;若是,则冷水机组传感器、温度/热量表故障;
步骤3.3:判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值,即判断ΔTc<[设定值3]或ΔTe<[设定值4]是否成立,其中,ΔTc=Tc-Tcw,ΔTe=Tchw-Te;若是,则冷水机组运行在低效区,冷水机组存在故障;若否,则冷水机组两器端差超出设定值,请清洗两器壳管,若温差过大,请排查传感器异常。
进一步的,还包括步骤4:通过文字输出步骤3诊断得到冷水机组健康状况。
实施例2:
本实施例公开了一种基于大数据分析的冷水机组健康性诊断系统,用于实现实施例1中的基于大数据分析的冷水机组健康性诊断方法,包括:
数据采集模块,用于采集冷水机组的规格参数和运行状态参数,并基于大数据分析剔除所述运行状态参数中的异常值;
COP关联分析模块,用于基于规格参数计算得到冷水机组的能效区间;还用于基于运行状态参数计算实时能效,并基于所述实时能效统计得到预设时间内冷水机组的实时能效在各能效区间内的数据占比;
能效异常诊断模块,用于基于预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
进一步的,所述冷水机组的规格参数包括冷机负荷率、蒸发温度和冷凝温度;所述冷水机组的运行参数包括冷机功率、冷机制冷量、冷却进水温度和冷冻出水温度。进一步的,所述能效异常诊断模块具体包括:
第一判断模块,用于判断故障区和高效区的数据占比之和是否大于第一设定值,则转至第二判断模块;若否,则转至第三判断模块;
第二判断模块,用于判断故障区的数据占比是否大于第二设定值;若否,则冷水机组运行正常;若是,则冷水机组的温度/热量表故障;
第三判断模块,用于判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值;若是,则冷水机组运行在低效区,冷水机组故障;若否,则冷水机组的器端差超出设定值,则冷水机组散热存在故障或温度/热量表故障。
进一步的,还包括数据库,所述数据库用于存储冷水机组的规格参数和运行参数,以便于所述COP关联分析模块调用。
进一步的,所述数据采集模块包括多个温度/热量表,多个所述温度/热量表分别用于测量冷却进水温度和冷冻出水温度。
进一步的,还包括显示模块,用于显示能效异常诊断模块得到的诊断结果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,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,或者对其中部分或者全部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发明各实施例技术方案的范围。
Claims (10)
1.一种基于大数据分析的冷水机组健康性诊断方法,其特征在于,包括:
步骤1:获取冷水机组的规格参数;通过温度/热量表测得冷水机组的运行状态参数,并通过大数据分析剔除所述运行状态参数中的异常值;
步骤2:基于步骤1得到的规格参数计算得到冷水机组的能效区间,基于步骤1得到的运行状态参数计算得到冷水机组的实时能效,并基于所述实时能效统计得到预设时间内冷水机组的实时能效在各能效区间内的数据占比;
步骤3:基于步骤2中得到的预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
2.根据权利要求1所述的基于大数据分析的冷水机组健康性诊断方法,其特征在于,步骤1得到的规格参数包括冷机负荷率、冷却进水温度和冷冻出水温度;运行状态参数包括冷机功率、冷机制冷量、蒸发温度和冷凝温度。
3.根据权利要求2所述的基于大数据分析的冷水机组健康性诊断方法,其特征在于,步骤2中冷水机组的能效分为故障区、高效区和低效区。
4.根据权利要求3所述的基于大数据分析的冷水机组健康性诊断方法,其特征在于,步骤3具体包括:
步骤3.1:判断故障区和高效区的数据占比之和是否大于第一设定值,若是则进行步骤3.2,若否,则进行步骤3.3;
步骤3.2:判断故障区的数据占比是否大于第二设定值;若否,则冷水机组运行正常;若是,则冷水机组的温度/热量表故障;
步骤3.3:判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值;若是,则冷水机组运行在低效区,冷水机组故障;若否,则冷水机组的器端差超出设定值,则冷水机组散热存在故障或温度/热量表故障。
5.根据权利要求4所述的基于大数据分析的冷水机组健康性诊断方法,其特征在于,还包括步骤4:通过文字输出步骤3诊断得到冷水机组健康状况。
6.一种基于大数据分析的冷水机组健康性诊断系统,其特征在于,用于实现权利要求1-5中任一项所述的基于大数据分析的冷水机组健康性诊断方法,包括:
数据采集模块,用于采集冷水机组的规格参数和运行状态参数,并基于大数据分析剔除所述运行状态参数中的异常值;
COP关联分析模块,用于基于规格参数计算得到冷水机组的能效区间;还用于基于运行状态参数计算实时能效,并基于所述实时能效统计得到预设时间内冷水机组的实时能效在各能效区间内的数据占比;
能效异常诊断模块,用于基于预设时间内冷水机组的实时能效在能效区间内的数据占比诊断得到冷水机组健康状况。
7.根据权利要求6所述的基于大数据分析的冷水机组健康性诊断系统,其特征在于,所述能效异常诊断模块具体包括:
第一判断模块,用于判断故障区和高效区的数据占比之和是否大于第一设定值,则转至第二判断模块;若否,则转至第三判断模块;
第二判断模块,用于判断故障区的数据占比是否大于第二设定值;若否,则冷水机组运行正常;若是,则冷水机组的温度/热量表故障;
第三判断模块,用于判断冷凝温度与冷却进水温度的差值是否小于第三设定值或蒸发温度与冷冻出水温度的差值是否小于第四设定值;若是,则冷水机组运行在低效区,冷水机组故障;若否,则冷水机组的器端差超出设定值,则冷水机组散热存在故障或温度/热量表故障。
8.根据权利要求7所述的基于大数据分析的冷水机组健康性诊断系统,其特征在于,还包括数据库,所述数据库用于存储冷水机组的规格参数和运行参数,以便于所述COP关联分析模块调用。
9.根据权利要求8所述的基于大数据分析的冷水机组健康性诊断系统,其特征在于,所述数据采集模块包括多个温度/热量表,多个所述温度/热量表分别用于测量冷却进水温度和冷冻出水温度。
10.根据权利要求9所述的基于大数据分析的冷水机组健康性诊断系统,其特征在于,还包括显示模块,用于显示能效异常诊断模块得到的诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473348.9A CN114396704B (zh) | 2021-12-02 | 2021-12-02 | 一种基于大数据分析的冷水机组健康性诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473348.9A CN114396704B (zh) | 2021-12-02 | 2021-12-02 | 一种基于大数据分析的冷水机组健康性诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114396704A true CN114396704A (zh) | 2022-04-26 |
CN114396704B CN114396704B (zh) | 2023-04-21 |
Family
ID=81225262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111473348.9A Active CN114396704B (zh) | 2021-12-02 | 2021-12-02 | 一种基于大数据分析的冷水机组健康性诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114396704B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593198A (zh) * | 2023-07-17 | 2023-08-15 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10300166A (ja) * | 1997-04-25 | 1998-11-13 | Daidan Kk | 空調熱源設備の運転性能評価方式 |
CN104048390A (zh) * | 2014-07-04 | 2014-09-17 | 国家电网公司 | 一种风冷热泵型中央空调机组的能效诊断方法 |
CN107735735A (zh) * | 2015-03-13 | 2018-02-23 | 株式会社东芝 | 设备特性模型学习装置、设备特性模型学习方法及存储介质 |
CN107940679A (zh) * | 2017-12-14 | 2018-04-20 | 江苏省邮电规划设计院有限责任公司 | 一种基于数据中心冷水机组性能曲线的群控方法 |
JP2018096554A (ja) * | 2016-12-08 | 2018-06-21 | 東芝三菱電機産業システム株式会社 | 冷凍機性能評価方法、及びそれに関連する流量計校正方法、並びにそれに関連する温度計校正方法 |
TW202026574A (zh) * | 2019-01-08 | 2020-07-16 | 陳主福 | 冷凍空調主機效率的智能量測驗證方法及其系統 |
WO2021008176A1 (zh) * | 2019-07-15 | 2021-01-21 | 重庆美的通用制冷设备有限公司 | 冷水机组的故障检测方法、系统及冷水机 |
CN112413809A (zh) * | 2020-11-25 | 2021-02-26 | 珠海格力电器股份有限公司 | 中央空调冷站运行评价方法、装置和系统 |
CN112484232A (zh) * | 2020-11-23 | 2021-03-12 | 珠海格力电器股份有限公司 | 带有专家诊断功能的空调控制方法、装置及空调机组 |
-
2021
- 2021-12-02 CN CN202111473348.9A patent/CN114396704B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10300166A (ja) * | 1997-04-25 | 1998-11-13 | Daidan Kk | 空調熱源設備の運転性能評価方式 |
CN104048390A (zh) * | 2014-07-04 | 2014-09-17 | 国家电网公司 | 一种风冷热泵型中央空调机组的能效诊断方法 |
CN107735735A (zh) * | 2015-03-13 | 2018-02-23 | 株式会社东芝 | 设备特性模型学习装置、设备特性模型学习方法及存储介质 |
JP2018096554A (ja) * | 2016-12-08 | 2018-06-21 | 東芝三菱電機産業システム株式会社 | 冷凍機性能評価方法、及びそれに関連する流量計校正方法、並びにそれに関連する温度計校正方法 |
CN107940679A (zh) * | 2017-12-14 | 2018-04-20 | 江苏省邮电规划设计院有限责任公司 | 一种基于数据中心冷水机组性能曲线的群控方法 |
TW202026574A (zh) * | 2019-01-08 | 2020-07-16 | 陳主福 | 冷凍空調主機效率的智能量測驗證方法及其系統 |
WO2021008176A1 (zh) * | 2019-07-15 | 2021-01-21 | 重庆美的通用制冷设备有限公司 | 冷水机组的故障检测方法、系统及冷水机 |
CN112484232A (zh) * | 2020-11-23 | 2021-03-12 | 珠海格力电器股份有限公司 | 带有专家诊断功能的空调控制方法、装置及空调机组 |
CN112413809A (zh) * | 2020-11-25 | 2021-02-26 | 珠海格力电器股份有限公司 | 中央空调冷站运行评价方法、装置和系统 |
Non-Patent Citations (1)
Title |
---|
张超;刘东;李超;张晓杰;刘书荟;印慧;: "某空调能效测试与诊断分析系统研究――诊断分析部分" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593198A (zh) * | 2023-07-17 | 2023-08-15 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
CN116593198B (zh) * | 2023-07-17 | 2023-09-22 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114396704B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3607251B1 (en) | Air conditioning system and control method thereof | |
US6701727B2 (en) | Apparatus and method for managing heat source unit for air conditioner | |
CN101101239B (zh) | 用于测试空调的设备及方法 | |
CN105509241B (zh) | 判断冷凝器管中感温包是否脱落的方法、装置及空调器 | |
US20110023503A1 (en) | Performance detection method | |
CN104048390A (zh) | 一种风冷热泵型中央空调机组的能效诊断方法 | |
CN103499460A (zh) | 一种空调器故障诊断方法 | |
CN109945394B (zh) | 一种中央空调冷冻水系统小温差综合征精确诊断方法 | |
CN114396704B (zh) | 一种基于大数据分析的冷水机组健康性诊断方法及系统 | |
CN115493248A (zh) | 一种中央空调系统全生命周期的智能诊断方法和系统 | |
CN108534412B (zh) | 一种用于最大似然估计法的主机监测装置及估计法 | |
JP4224275B2 (ja) | 空気調和装置用熱源機の管理装置及び管理方法 | |
CN109579224A (zh) | 一种中央空调云监控系统及其控制方法 | |
CN112696791A (zh) | 一种轨道车辆空调机组冷媒泄露预警方法 | |
CN110046662B (zh) | 基于模型与数据融合的冷水机组复合故障诊断方法及系统 | |
CN115930369A (zh) | 一种基于智能化控制的中央空调系统节能方法 | |
WO2018163402A1 (ja) | 空気調和機の性能診断装置及び性能診断方法 | |
CN111692681A (zh) | 一种数字化空调水系统及评价方法 | |
CN212805885U (zh) | 一种数字化空调水系统 | |
CN113847713B (zh) | 一种基于冷量与质量的空调水泵能效诊断方法及装置 | |
CN111222779A (zh) | 一种中央空调冷站能效日历系统和数据处理方法 | |
CN220911625U (zh) | 一种空调健康评估系统 | |
CN116734394A (zh) | 一种多联机故障检测方法、装置及空调器 | |
CN113892549B (zh) | 一种冰淇淋机智能控制和管理方法及系统 | |
CN110736239B (zh) | 空调中润滑油余量的确定方法及装置 |
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 |