CN114413410A - 多联机系统制冷剂充注不当容错控制方法及多联机系统 - Google Patents

Abstract

本发明提出一种多联机系统制冷剂充注不当容错控制方法，包括：建立故障检测与诊断模型；实时采集多联机空调器的运行状态参数并将其输入到故障检测与诊断模型以及MPC容错控制模块中；基于实时采集的运行状态参数，故障检测与诊断模型进行诊断，当检测出冷媒量非异常故障时，则终止；当检测出冷媒量异常故障时，则进一步进行故障等级定位，启动MPC容错控制模块并将故障信息发送给其，执行下一步；MPC容错控制模块进行容错控制并输出未来控制参数，执行器根据未来控制参数对运行状态参数进行控制；可在故障发生后，短时间内减小制冷剂充注不当对系统性能的影响，提高室内舒适性，还提出一种多联机系统，采用多联机系统制冷剂充注不当容错控制方法。

Description

多联机系统制冷剂充注不当容错控制方法及多联机系统

技术领域

本发明属于多联机系统故障检测与诊断以及控制技术领域，尤其涉及一种多联机系统制冷剂充注不当容错控制方法及多联机系统。

背景技术

多联机系统已经广泛的应用在建筑中，多联机系统控制复杂、实际安装运行环境不可控，长时间运行下发生故障难以避免，特别是系统“软故障”。“软故障”(progressivefailure)是指由于某种原因导致系统发生一定程度的设备老化、性能下降，例如热交换器结垢，制冷剂泄漏和压缩机磨损等。这种故障通常是由于安装不规范、系统部件逐渐老化或磨损而产生的，因此在故障的最初阶段并不会发生停机、损坏等严重问题，难以进行直接检测和诊断。但是，系统“软故障”逐渐累积将会导致部件寿命缩减，系统性能降低等问题。因此，如何解决系统“软故障”问题是行业的研究热点。

当前行业内在进行故障判断时，绝大部分通过识别多联机运行参数是否超过预设范围进行判断，例如，当多联机吸气过热度最大值超过限值时判断系统冷媒缺少，此种判断方法误判率低，但需在系统发生严重故障后方可实现判断，此时系统性能已出现严重下降，甚至已出现异常停机等情况，同时在系统发生“软故障”时系统依然按照原有的控制方式进行控制，不可避免的出现系统性能下降严重，影响室内热舒适性。因此，本发明提供一种基于模型预测控制的多联机系统制冷剂充注不当容错控制方法及多联机系统。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，

根据本公开的实施例，提供一种多联机系统制冷剂充注不当容错控制方法，包括以下步骤：

S1：建立故障检测与诊断模型；

S2：实时采集多联机空调器的运行状态参数，将采集到的运行状态参数输入到故障检测与诊断模型以及MPC容错控制模块中；

S3：基于实时采集的多联机空调器的运行状态参数，故障检测与诊断模型进行故障诊断，当检测出冷媒量非异常故障时，则控制终止；当检测出冷媒量异常故障时，则进一步进行故障等级定位，启动MPC容错控制模块并将故障信息发送至MPC容错控制模块，然后执行下一步；

S4：MPC容错控制模块进行容错控制并输出未来控制参数，执行器根据未来控制参数对多联机空调器的运行状态参数进行控制。

设置该多联机系统制冷剂充注不当容错控制方法能对多联机系统进行容错控制，可以在故障发生后，短时间内尽可能地减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

根据本公开的实施例，步骤S4具体包括以下步骤：

S41：输入当前及历史运行状态参数，根据目前室内温度和目标室内温度设定未来目标温度r_i、r_i+1、……、r_i+n；

S42：假定未来控制参数u(k)、u(k+1)、……、u(k+n)；

S43：预测单元根据当前及历史运行状态参数、未来控制参数u(k)预测未来室内温度y_i；

S44：判断是否满足代价函数，若不满足则重新假定未来控制参数u(k)、u(k+1)、……、u(k+n)，并执行S43；若满足则执行下一步；

S45：进行约束条件处理，然后输出未来控制参数u(k)；

S46：执行器根据未来控制参数u(k)对多联机空调器的运行状态参数进行控制。

设置该容错控制方法，能够较好的预测预测未来室内温度以及较好的确定未来控制参数u(k)，短时间内尽可能的纠正制冷剂充注不当产生的影响，提高室内舒适性。

根据本公开的实施例，在步骤S46之后还具有以下步骤：

S47：若目前室内温度y未达到目标室内温度的要求，则重新执行S41，能够逐渐的达到控制目标，避免控制过程过于急对系统产生的影响。

根据本公开的实施例，步骤S1的具体步骤包括：

S11：采集多工况、多负荷率、多充注量等级情况下多联机空调器的运行状态参数；

S12：根据步骤S11中采集的运行状态参数利用深度学习框架中的一维卷积神经网络构建故障检测与诊断模型，能够较好的对制冷剂充注量进行故障诊断。

根据本公开的实施例，所述故障检测与诊断模型包括检测模型与诊断模型，通过检测模型判断是否发生了制冷剂充注量故障诊断，再通过诊断模型进行故障等级定位，得到制冷剂充注不当的详细情况，步骤清晰且输出量直观。

根据本公开的实施例，步骤S44中的代价函数为：

其中，J具有一定的参考范围，y_i-r_i为每一次控制后输出的预测未来室内温度y_i与未来目标温度r_i的误差，u(k)为每次运行状态参数的输入量也即未来控制参数，En为最后一次控制输出的预测未来室内温度y_i与未来目标温度r_i的误差，Q、R、F为调节矩阵步骤，能够较好的得到u(k)提高了预测的精度。

根据本公开的实施例，所述预测单元采用LSTM神经网络进行预测未来室内温度，预测方法较好，精度较高。

还提出一种多联机系统，采用上述任一所述的多联机系统制冷剂充注不当容错控制方法，所述多联机系统包括：

多联机空调器；

信息采集模块，用于采集所述多联机空调器的运行状态参数；

故障检测与诊断模块，接收所述信息采集模块采集的运行状态参数且其内具有根据运行状态参数判断多联机空调器的制冷剂充注量是否异常的故障检测与诊断模型；

MPC容错控制模块，接收所述信息模块采集的运行状态参数以及故障检测与诊断模块的输出信息，并进行容错控制并输出未来控制参数u(k)；

执行器，执行MPC容错控制模块输出的未来控制参数u(k)控制信息对多联机空调器的运行状态参数进行控制。

设置该多联机系统能够进行容错控制，可以在故障发生后，短时间内尽可能地减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

根据本公开的实施例，MPC容错控制模块包括：

存储单元，用来存储MPC容错控制模块中的数据；

预测单元，根据当前及历史运行状态参数、未来控制参数u(k)预测未来室内温度y_i；

优化器，根据代价函数计算求得u(k)。

MPC容错控制模块中设置预测单元和优化器能够较好的预测，提高预测精度，能够较快的减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

根据本公开的实施例，所述优化器保证多联机空调器参数在其保护约束范围内，

约束1：a1≤u(t)1≤b1(c1≤F1[u(t)1]≤d1)

约束2：a1≤u(t)2≤b1(c2≤F1[u(t)2]≤d2)

……

约束n：an≤u(t)n≤bn(cn≤Fn[u(t)n]≤dn)

其中，u(t)1、……、u(t)n是多联机空调器的运行状态参数的值，F1[u(t)1]、……、Fn[u(t)n]是多联机空调器的运行状态参数的相关参数的值。

设置约束条件，使得在多联机系统发生故障后，多联机系统也必须满足在一定的条件下进行控制，在此基础上可以实现容错控制降低故障对舒适性的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本公开实施方式多联机系统制冷剂充注不当容错控制方法的步骤图；

图2是根据本公开实施方式MPC容错控制及执行器执行步骤图；

图3是根据本公开实施方式多联机故障诊断及MPC容错控制示意图；

图4是根据本公开实施方式MPC容错控制示意图。

具体实施方式

下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。

本发明提出一种多联机系统制冷剂充注不当容错控制方法，其中多联机系统包括多联机空调器。

空调器通过使用压缩机、冷凝器、膨胀阀和蒸发器来执行空调器的制冷循环。制冷循环包括一系列过程，涉及压缩、冷凝、膨胀和蒸发，并向已被调节和热交换的空气供应制冷剂。

压缩机压缩处于高温高压状态的制冷剂气体并排出压缩后的制冷剂气体。所排出的制冷剂气体流入冷凝器。冷凝器将压缩后的制冷剂冷凝成液相，并且热量通过冷凝过程释放到周围环境。

膨胀阀使在冷凝器中冷凝的高温高压状态的液相制冷剂膨胀为低压的液相制冷剂。蒸发器蒸发在膨胀阀中膨胀的制冷剂，并使处于低温低压状态的制冷剂气体返回到压缩机。蒸发器可以通过利用制冷剂的蒸发的潜热与待冷却的材料进行热交换来实现制冷效果。在整个循环中，空调器可以调节室内空间的温度。

多联机空调器包括至少一个室内机和至少一个室外机，室外机是指制冷循环的包括压缩机和室外换热器的部分，室内机包括室内换热器，并且膨胀阀可以提供在空调室内机或空调室外机中。室内换热器和室外换热器用作冷凝器或蒸发器。

具体的，参考图1，多联机系统制冷剂充注不当容错控制方法包括以下步骤：

S1：建立故障检测与诊断模型；

S2：实时采集多联机空调器的运行状态参数，将采集到的运行状态参数输入到故障检测与诊断模型以及MPC容错控制模块中；

S3：基于实时采集的多联机空调器的运行状态参数，故障检测与诊断模型进行故障诊断，当检测出冷媒量非异常故障时，则控制终止；当检测出冷媒量异常故障时，则进一步进行故障等级定位，启动MPC容错控制模块并将故障信息发送至MPC容错控制模块，然后执行下一步；

S4：MPC容错控制模块进行容错控制并输出未来控制参数，执行器根据未来控制参数对多联机空调器的运行状态参数进行控制。

具体的，未来控制参数为多联机空调器运行状态参数每一次控制的变化值。

设置该多联机系统制冷剂充注不当容错控制方法能对多联机系统进行容错控制，可以在故障发生后，短时间内尽可能地减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

其中，步骤S1的具体步骤包括：

S11：采集多工况、多负荷率、多充注量等级情况下多联机空调器的运行状态参数；

S12：根据步骤S11中采集的运行状态参数利用深度学习框架中的一维卷积神经网络构建故障检测与诊断模型，能够较好的对制冷剂充注量进行故障诊断。

具体的，在步骤S12中的，工况包括制冷工况以及制热工况，即制冷工况和制热工况全工况温度范围下的运行状态参数采集；多负荷率包括室内机任意开机台数情况下的负荷率；多充注量等级指的是不同的制冷剂充注量，制冷剂充注量一共包含：50％、60％、70％、80％、120％、130％、140％。

故障检测与诊断模型包括检测模型与诊断模型，通过检测模型判断是否发生了制冷剂充注量故障诊断，再通过诊断模型进行故障等级定位，得到制冷剂充注不当的详细情况。其中，故障等级可以指制冷剂充注量值：50％、60％、70％、80％、120％、130％、140％，制冷剂充注不当的详细情况可以是制冷剂充注量值：50％、60％、70％、80％、120％、130％、140％。

具体的，步骤S2中的运行状态参数包括温度、压力、压机频率、室外机风扇挡位、室内外机电子膨胀阀开度、电流参数等，这些参数可以反应多联机空调器的具体状态，采集完这些参数后将其输入到故障检测与诊断模块以及MPC容错控制模块中。

具体的，参考图2，步骤S4的具体包括以下步骤：

S41：输入当前及历史运行状态参数，根据目前室内温度和目标室内温度设定未来目标温度r_i、r_i+1、……、r_i+n；

S42：假定未来控制参数u(k)、u(k+1)、……、u(k+n)；

S43：预测单元根据当前及历史运行状态参数、未来控制参数u(k)预测未来室内温度y_i；

S44：判断是否满足代价函数，若不满足则重新假定未来控制参数u(k)、u(k+1)、……、u(k+n)，并执行S43；若满足则执行下一步；

S45：进行约束条件处理，然后输出未来控制参数u(k)；

S46：执行器根据未来控制参数u(k)对多联机空调器的运行状态参数进行控制；

具体的，预测单元采用LSTM(长短期)神经网络进行预测未来室内温度，预测方法较好，精度较高。n为控制时域，未来控制参数u(k)为多联机空调器运行状态参数的每一次控制的变化值，例如压机频率、电子膨胀阀开度、风扇挡位等每一次控制的变化值。参考图4，目前室内温度用y表示和目标室内温度用r表示。

设置该容错控制方法，能够较好的预测预测未来室内温度以及较好的确定未来控制参数u(k)，短时间内尽可能的纠正制冷剂充注不当产生的影响，提高室内舒适性。

在步骤S46之后还具有以下步骤：

S47：若目前室内温度y未达到目标室内温度的要求，则重新执行S41，能够逐渐的达到控制目标，避免控制过程过于急对系统产生的影响。

具体的，步骤S44中的代价函数为：

其中，J具有一定的参考范围，y_i-r_i为每一次控制后输出的预测未来室内温度y_i与未来目标温度r_i的误差，u(k)为每次运行状态参数的输入量也即未来控制参数，En为最后一次控制输出的预测未来室内温度y_i与未来目标温度r_i的误差，Q、R、F为调节矩阵，能够较好的得到u(k)提高了预测的精度。其中Q越大表示整个优化控制更看重控制误差，而R越大表示越看重控制量，F越大表示越看重经过一个控制时域后的控制误差，在该控制中Q设定越大表明在控制中更致力于减小达到未来目标温度，R越大表明更致力于使用最小的输出量来调节多联机空调器达到最节能的效果，因此在这里是为了在故障状态下仍然能够达到目标舒适性，因此设定Q>>R。

参考图3，本发明还提出一种多联机系统，多联机系统包括多联机空调器、信息采集模块、故障检测与诊断模块、MPC容错控制模块和执行器，其中信息采集模块与故障检测与诊断模块相连，故障检测与诊断模块与MPC容错控制模块相连，MPC容错控制模块与执行器相连。其中，信息采集模块用于采集多联机空调器的运行状态参数；故障检测与诊断模块可接收信息模块采集的运行状态参数且其内具有根据运行状态参数判断多联机空调器的制冷剂充注量是否异常的故障检测与诊断模型；MPC容错控制模块接收所述信息模块采集的运行状态参数以及故障检测与诊断模块的输出信息，并进行容错控制并输出未来控制参数u(k)；执行器执行MPC容错控制模块输出的未来控制参数u(k)控制信息对多联机空调器的运行状态参数进行控制，该控制信息在于减小故障对系统的影响，提高室内舒适性，主要对压机频率、电子膨胀阀开度室内外风扇挡位等可控零部件进行控制，从而故障状态下的容错控制。

设置该多联机系统能够进行容错控制，可以在故障发生后，短时间内尽可能地减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

MPC容错控制模块包括预测单元、存储单元和优化器，存储单元用来存储MPC容错控制模块中的数据，其中包括存储信息采集模块和故障检测与诊断模块输入到MPC容错控制模块中的数据，还用来存储预测单元预测的数据以及优化器用到的数据。

其中，在某一个时刻(k时刻)，预测单元根据当前及历史运行状态参数、未来控制参数u(k)，预测未来室内温度y_i，具体的，根据当前及历史运行状态参数、未来控制参数u(k)、u(k+1)、……、u(k+n)，预测出未来n个时域系统变化的趋势，例如室内温度变化趋势，其中n表示控制时域，具体的，预测单元预测未来室内温度y_i，、y_i+1，、……、y_i+n，预测单元采用LSTM(长短期)神经网络进行预测未来室内温度y_i。

优化器根据代价函数计算求得u(k)，u(k)是使得代价函数J最小时的控制量，优化器的作用则就是通过计算求得u(k)等于多少时代价函数最小，并且每次优化其会考虑到未来的n个时域的未来控制参数u(k)、u(k+1)、……、u(k+n)，并将优化后的控制信息传输给执行器执行，考虑到多联机空调器可能会存在其他扰动，每次执行时只执行u(k)。并且优化器把控制决策反馈给预测单元，每次执行后控制后的真实状态将与之前预测的状态值进行对比并反馈给预测单元进行矫正，提高预测精度，然后时域更新为下一时域，继续以上过程。

MPC容错控制模块中设置预测单元和优化器能够较好的预测，提高预测精度，能够较快的减小制冷剂充注不当对系统性能的影响，提高室内舒适性。

MPC容错控制模块中包含n个输入，1个输出。优化器保证系统所有参数在其保护约束范围内，即不应该优化后使得系统出现强制保护信号停机。

约束1：a1≤u(t)1≤b1(c1≤F1[u(t)1]≤d1)

约束2：a1≤u(t)2≤b1(c2≤F1[u(t)2]≤d2)

……

约束n：an≤u(t)n≤bn(cn≤Fn[u(t)n]≤dn)

其中，u(t)1、……、u(t)n是多联机空调器的运行状态参数的值，每个运行状态参数的值应该在一定范围内，F1[u(t)1]、……、Fn[u(t)n]是多联机空调器的运行状态参数的相关参数的值，运行状态参数的相关参数的值也应该在一定范围内。

设置约束条件，使得在多联机系统发生故障后，多联机系统也必须满足在一定的条件下进行控制，在此基础上可以实现容错控制降低故障对舒适性的影响。

在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种多联机系统制冷剂充注不当容错控制方法，其特征在于，包括以下步骤：

S1：建立故障检测与诊断模型；

S2：实时采集多联机空调器的运行状态参数，将采集到的运行状态参数输入到故障检测与诊断模型以及MPC容错控制模块中；

S3：基于实时采集的多联机空调器的运行状态参数，故障检测与诊断模型进行故障诊断，当检测出冷媒量非异常故障时，则控制终止；当检测出冷媒量异常故障时，则进一步进行故障等级定位，启动MPC容错控制模块并将故障信息发送至MPC容错控制模块，然后执行下一步；

S4：MPC容错控制模块进行容错控制并输出未来控制参数，执行器根据未来控制参数对多联机空调器的运行状态参数进行控制。

2.根据权利要求1所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，步骤S4具体包括以下步骤：

S41：输入当前及历史运行状态参数，根据目前室内温度和目标室内温度设定未来目标温度r_i、r_i+1、……、r_i+n；

S42：假定未来控制参数u(k)、u(k+1)、……、u(k+n)；

S43：预测单元根据当前及历史运行状态参数、未来控制参数u(k)预测未来室内温度y_i；

S44：判断是否满足代价函数，若不满足则重新假定未来控制参数u(k)、u(k+1)、……、u(k+n)，并执行S43；若满足则执行下一步；

S45：进行约束条件处理，然后输出未来控制参数u(k)；

S46：执行器根据未来控制参数u(k)对多联机空调器的运行状态参数进行控制。

3.根据权利要求2所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，在步骤S46之后还具有以下步骤：

S47：若目前室内温度y未达到目标室内温度的要求，则重新执行S41。

4.根据权利要求1所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，步骤S1的具体步骤包括：

S11：采集多工况、多负荷率、多充注量等级情况下多联机空调器的运行状态参数；

S12：根据步骤S11中采集的运行状态参数利用深度学习框架中的一维卷积神经网络构建故障检测与诊断模型。

5.根据权利要求4所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，所述故障检测与诊断模型包括检测模型与诊断模型，通过检测模型判断是否发生了制冷剂充注量故障诊断，再通过诊断模型进行故障等级定位，得到制冷剂充注不当的详细情况。

6.根据权利要求2所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，步骤S44中的代价函数为：

其中，J具有一定的参考范围，y_i-r_i为每一次控制后输出的预测未来室内温度y_i与未来目标温度r_i的误差，u(k)为每次运行状态参数的输入量也即未来控制参数，En为最后一次控制输出的预测未来室内温度y_i与未来目标温度r_i的误差，Q、R、F为调节矩阵步骤。

7.根据权利要求2所述的多联机系统制冷剂充注不当容错控制方法，其特征在于，所述预测单元采用LSTM神经网络进行预测未来室内温度。

8.一种多联机系统，其特征在于，采用权利要求1-7中任一所述的多联机系统制冷剂充注不当容错控制方法，所述多联机系统包括：

多联机空调器；

信息采集模块，用于采集所述多联机空调器的运行状态参数；

故障检测与诊断模块，接收所述信息采集模块采集的运行状态参数且其内具有根据运行状态参数判断多联机空调器的制冷剂充注量是否异常的故障检测与诊断模型；

MPC容错控制模块，接收所述信息模块采集的运行状态参数以及故障检测与诊断模块的输出信息，并进行容错控制并输出未来控制参数u(k)；

执行器，执行MPC容错控制模块输出的未来控制参数u(k)控制信息对多联机空调器的运行状态参数进行控制。

9.根据权利要求8所述的多联机系统，其特征在于，MPC容错控制模块包括：

存储单元，用来存储MPC容错控制模块中的数据；

预测单元，根据当前及历史运行状态参数、未来控制参数u(k)预测未来室内温度y_i；

优化器，根据代价函数计算求得u(k)。

10.根据权利要求9所述的多联机系统，其特征在于，所述优化器保证多联机空调器参数在其保护约束范围内，

约束1：a1≤u(t)1≤b1(c1≤F1[u(t)1]≤d1)

约束2：a1≤u(t)2≤b1(c2≤F1[u(t)2]≤d2)

……

约束n：an≤u(t)n≤bn(cn≤Fn[u(t)n]≤dn)

其中，u(t)1、……、u(t)n是多联机空调器的运行状态参数的值，F1[u(t)1]、……、Fn[u(t)n]是多联机空调器的运行状态参数的相关参数的值。

Images