CN114659547A - 用于定位异常传感器的方法、设备和介质 - Google Patents
用于定位异常传感器的方法、设备和介质 Download PDFInfo
- Publication number
- CN114659547A CN114659547A CN202210547249.9A CN202210547249A CN114659547A CN 114659547 A CN114659547 A CN 114659547A CN 202210547249 A CN202210547249 A CN 202210547249A CN 114659547 A CN114659547 A CN 114659547A
- Authority
- CN
- China
- Prior art keywords
- sensors
- increments
- under test
- constraints
- system under
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 230000002547 anomalous effect Effects 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 75
- 239000000498 cooling water Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000001704 evaporation Methods 0.000 claims description 13
- 230000005494 condensation Effects 0.000 claims description 11
- 238000009833 condensation Methods 0.000 claims description 11
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000008685 targeting Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 238000004378 air conditioning Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000003507 refrigerant Substances 0.000 description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000003434 inspiratory effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施例涉及用于定位异常传感器的方法、设备和介质。根据该方法,构建以借助于修正增量使被测系统上的多个传感器中存在异常的传感器的数量最少为目标的目标函数;构建多个参数数据在经相应的修正增量修正后应满足的多个约束条件;利用目标函数和多个约束条件进行求解,以为该多个传感器中的每一个传感器确定多个最优修正增量;以及基于所确定的多个最优修正增量定位该多个传感器中实际存在的异常传感器。由此,通过利用与被测设备上的各个传感器有关的修正增量,可实现对被测系统所包括的传感器的在线诊断,从而能够及时发现发生故障的传感器。
Description
技术领域
本公开的实施例总体涉及故障诊断领域,并且更具体地涉及一种用于定位异常传感器的方法、设备和介质。
背景技术
随着智能化的发展,传感器扮演着愈来愈重要的角色。在各种系统(例如,空调系统)中,传感器(例如,空调系统中的冷水机组的传感器)的测量信号是对该系统进行控制和监测的基础,也是对该系统进行能效分析和故障诊断的依据。因此,如果传感器所提供的数据不可靠或不准确,可能会造成控制策略的决策偏差,进而导致整个系统的能耗增加或者环境的舒适性下降,甚至可使得系统在不安全的工况下运行,进而导致系统停机或损坏,甚至造成安全事故。在通常情况下,传感器在经过长期使用之后都会出现测量偏差或者漂移之类的问题,因此及时发现传感器的这种异常或故障非常重要。
目前,传感器故障诊断研究的方法多数是基于数据驱动的方法,这种方法需要使用算法(例如,经训练的模型)对系统正常运行情况下的历史数据特征进行提取,然后通过判断当前数据与历史数据特征的一致性来定位存在故障的传感器。此种方法对数据质量和数量的要求较高,应用有一定的局限性。
发明内容
针对上述问题,本公开提供了一种用于定位异常传感器的方法和设备,使得能够实现对被测系统所包括的传感器的在线诊断,从而能够准确可靠并及时地发现发生故障的传感器。
根据本公开的第一方面,提供了一种用于定位异常传感器的方法,包括:构建以借助于修正增量使被测系统上的多个传感器中存在异常的传感器的数量最少为目标的目标函数,所述修正增量包括分别用于对所述多个传感器感测到的多个参数数据进行修正以便实现所述目标的多个修正增量;构建所述多个参数数据在经相应的修正增量修正后必须满足的多个约束条件;利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定最优修正增量;以及基于所确定的最优修正增量定位所述多个传感器中实际存在的异常传感器。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行本公开的第一方面的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于定位异常传感器的方法的示例系统100的示意图。
图2示出了根据本公开的实施例的示例性冷水机组200的示意图。
图3示出了根据本公开的实施例的用于定位异常传感器的方法300的流程图。
图4示出了根据本公开的实施例的用于基于所确定的最优修正增量定位所述多个传感器中实际存在的异常传感器的方法400的流程图。
图5示出了根据本公开的实施例的电子设备500的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述,目前传感器故障诊断研究的方法多数是基于数据驱动的方法,这种方法需要使用算法(例如,经训练的模型)对系统正常运行情况下的历史数据特征进行提取,然后通过判断当前数据与历史数据特征的一致性来定位存在故障的传感器。此种方法对数据质量和数量的要求较高,应用有一定的局限性。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于定位异常传感器的方法,包括:构建以借助于修正增量使被测系统上的多个传感器中存在异常的传感器的数量最少为目标的目标函数,所述修正增量包括分别用于对所述多个传感器感测到的多个参数数据进行修正以便实现所述目标的多个修正增量;构建所述多个参数数据在经相应的修正增量修正后必须满足的多个约束条件;利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定最优修正增量;以及基于所确定的最优修正增量定位所述多个传感器中实际存在的异常传感器。
以此方式,通过利用目标函数和约束条件确定与被测设备上的各个传感器有关的修正增量,可实现对被测系统所包括的传感器的在线诊断,从而能够准确可靠并及时地发现发生故障的传感器。而且,该方法可以在具有相应传感器的多种被测设备中使用,因此迁移性和普适性较高。
图1示出了用于实现根据本发明的实施例的用于定位异常传感器的方法的示例系统100的示意图。如图1中所示,系统100包括一个或多个故障诊断设备110以及被测系统120。故障诊断设备110和被测系统120可以例如通过网络130经由主机通讯协议进行数据交互。在本公开中,被测系统120可以是诸如中央空调系统中的冷水机组之类的包括多个传感器1201的系统。故障诊断设备110可用于对被测系统120进行故障诊断,包括对被测系统120所包括的多个传感器1201进行故障诊断,以定位这些传感器中的存在故障(或异常)的传感器。故障诊断设备110可通过诸如台式机、膝上型计算机、笔记本电脑、工业控制计算机之类的计算设备来实现,其可以包括至少一个处理器1101以及与该至少一个处理器1101耦合的至少一个存储器1102,该存储器1102中存储有可由该至少一个处理器1102执行的指令,该指令在被该至少一个处理器1101执行时执行如下所述的方法300。故障诊断设备110的具体结构可例如为下面结合图5所描述的电子设备500。
在一些示例中,被测系统120可例如为中央空调系统中的冷水机组。图2示出了根据本公开的实施例的示例性冷水机组200的示意图。如图2所示,冷水机组200可包括冷凝器202、蒸发器204、压缩机206和膨胀装置208四个主要组件,这些组件通过管道(由图2中的线条表示)流体连通,以便实现机组制冷制热效果。具体地,膨胀装置208通过管道与冷凝器202和蒸发器204流体连通,压缩机206也通过管道与冷凝器202和蒸发器204流体连通。冷凝器202可通过管道接收例如来自冷却塔(图中未示出)的冷却水,并对冷却水进行热交换后,使经热交换的冷却水经由管道流出。蒸发器204可通过管道接收冷冻水,并对冷冻水进行热交换后,使经热交换的冷冻水经由管道流出。为了实现对冷水机组200的控制监测,冷水机组200中还包括由如图2中的黑点表示的多个传感器,这些传感器可包括用于测量冷冻水进水温度T1的冷冻水进水温度传感器S1、用于测量冷冻水出水温度T2的冷冻水出水温度传感器S2、用于测量冷却水进水温度T3的冷却水进水温度传感器S3、用于测量冷却水出水温度T4的冷却水出水温度传感器S4、用于测量吸气温度T5的吸气温度传感器S5、用于测量排气温度T6的排气温度传感器S6、用于测量阀前温度(也称为冷凝器出口温度)T7的阀前温度传感器S7、用于测量蒸发温度T8的蒸发温度或压力传感器S8、以及用于测量冷凝温度T9的冷凝温度或压力传感器S9。本公开的方案可用于定位这些传感器中出现异常(或故障)的传感器。
为了清楚起见,下面将简单介绍冷水机组200在制冷时的基本工作原理。冷水机组200利用蒸发器204使进入蒸发器204的冷冻水与冷媒进行热交换,冷媒吸收水中的热负荷,从而使水降温产生冷水,然后通过压缩机206的作用将热量带至冷凝器202,在冷凝器202中由冷媒与进入的冷却水进行热交换,使冷却水吸收热量后通过水管将热量带出。如图2所示,在制冷循环过程中,开始时,由压缩机206吸入蒸发制冷后的低温低压制冷剂气体,然后将该气体压缩成高温高压气体后送至冷凝器。该高温高压气体经冷凝器冷却后冷凝变为高温高压液体。该高温高压液体流入膨胀装置208,然后经膨胀装置208节流成低温低压的两相制冷剂,该两相制冷剂流入蒸发器204后用于吸收蒸发器204内的冷冻水的热量使水温度下降。蒸发后的制冷剂再吸回到压缩机206中,然后重复下一个制冷循环。由此可见,冷水机组的各个运行参数数据之间实际上应该存在一定的约束关系的。因此,在被测系统的多个传感器中存在异常传感器的情况下,如果可以使用修正增量对各个传感器所感测到的参数数据进行修正,则可使得经修正的参数数据仍可满足这样的约束关系。基于这样思想,本公开提出了用于确定这样的修正增量,基于所确定的各个修正增量来定位这些传感器中实际存在异常的传感器的方法,由此可准确并可靠而及时地定位出所有出现异常的传感器。
图3示出了根据本公开的实施例的用于定位异常传感器的方法300的流程图。方法300可由如图1所示的故障诊断设备110执行,该故障诊断设备110的具体结构可如图5所示的电子设备500所示。应当理解的是,方法300还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤302,构建以借助于修正增量使被测系统上的多个传感器中存在异常的传感器的数量最少为目标的目标函数,所述修正增量可包括分别用于对所述多个传感器感测到的多个参数数据进行修正以便实现所述目标的多个修正增量。
在一些实施例中,各个参数数据经修正增量修正后的数据可通过以下函数(1)来表示:
其中f(x i )为第i个传感器经相应的修正增量修正后所得的数据,x i 为第i个传感器感测到的参数数据,Δx i 为第i个传感器的修正增量,i为大于等于1的整数。
如前面所提到的,被测系统可例如为中央空调系统中的冷水机组这时在以上函数(1)中,可涉及的多个传感器包括冷冻水进水温度传感器S1、冷冻水出水温度传感器S2、冷却水进水温度传感器S3、冷却水出水温度传感器S4、吸气温度传感器S5、排气温度传感器S6、阀前温度传感器S7、蒸发温度或压力传感器S8和冷凝温度或压力传感器S9,并且所述多个参数数据包括由冷冻水进水温度传感器S1感测的冷冻水进水温度T1、由冷冻水出水温度传感器S2感测的冷冻水出水温度T2、由冷却水进水温度传感器S3感测的冷却水进水温度T3、由冷却水出水温度传感器S4感测的冷却水出水温度T4、由吸气温度传感器S5感测的吸气温度T5、由排气温度传感器S6感测的排气温度T6、由阀前温度传感器S7感测的阀前温度T7、由蒸发温度或压力传感器S8感测的蒸发温度T8以及由冷凝温度或压力传感器S9感测的冷凝温度T9。因此,在该示例中,以上函数中的i为1到9的整数,并且x1到x9分别为前面提到的T1到T9,其修正增量分别为Δx 1 到Δx 9 。也就是说,在该示例中,f(T1)=T1+Δx 1 ,f(T2)=T2+Δx 2 ,f(T3)=T3+Δx 3 ,f(T4)=T4+Δx 4 ,f(T5)=T5+Δx 5 ,f(T6)=T6+Δx 6 ,f(T7)=T7+Δx 7 ,f(T8)=T8+Δx 8 ,f(T9)=T9+Δx 9 。
在一些实施例中, 可构建以下目标函数(2):
其中num为经修正增量修正后仍存在异常的传感器的数量,n为被测系统中包括的传感器的数量,g(Δx i )用于表示第i个传感器发生异常的概率,其中当│Δx i │小于等于阈值下限(例如,在冷水机组的示例中,该阈值下限可为0.3)时,g(Δx i )为0,当│Δx i │大于等于阈值上限(例如,在冷水机组的示例中,该阈值上限可为1)时,g(Δx i )取值为1,并且当│Δx i │介于阈值下限和阈值上限之间时,g(Δx i )取值为 。
在步骤304,构建所述多个参数数据在经相应的修正增量修正后必须满足的多个约束条件。
在一些实施例中,所构建的多个约束条件包括在被测系统处于第一运行模式时,由该被测系统的多个传感器感测的多个参数数据在经相应的修正增量修正后必须满足的多个第一约束条件。
例如,在在被测系统为中央空调系统中的冷水机组200的示例中,该第一运行模式可以为冷水机组200的稳定运行模式,即表示冷水机组200已开机运行超过第一预设时间长度,例如已开机运行超过1个小时。在这样的示例中,多个第一约束条件可包括以下约束条件(3)-(16):
在以上所列的约束条件中,带有下标min和max的各个参数分别指示相应约束条件的下限和上限,其均为可调参数,可根据运行规律和经验给出。
在公式(17)中,排气焓值取决于f(T6)和f(T9),吸气焓值取决于f(T5)和f(T8)或者f(T8),等熵排气焓值取决于吸气熵值和f(T9),并且吸气熵值取决于f(T5)和f(T8) 或者f(T8)。
在一些实施例中,除了多个第一约束条件外,所构建的约束条件还可包括在被测系统处于第二运行模式时,该被测系统的多个传感器所感测的多个参数数据在经相应的修正增量修正后必须满足的多个第二约束条件。
例如,在被测系统为中央空调系统中的冷水机组200的示例中,该第二运行模式可以为冷水机组200的关机模式,即表示该冷水机组200的多个关键部件已停止运行超过第二预设时间长度,例如已停止运行超过1个小时。在这样的示例中,多个关键部件为冷水机组200中的压缩机206、冷凝器202和蒸发器204,并且在这样的示例中,多个第二约束条件可包括以下约束条件(18)-(20):
在以上约束条件(18)-(20)中,T1,st表示在冷水机组200处于关机模式时,冷冻水进水温度T1在连续时间段内的均值,T2,st表示在冷水机组200处于关机模式时,冷冻水出水温度T2在连续时间段内的均值,T3,st表示在冷水机组200处于关机模式时,冷却水进水温度T3在连续时间段内的均值,T4,st表示在冷水机组200处于关机模式时,冷却水出水温度T4在连续时间段内的均值,T8,st表示在冷水机组200处于关机模式时,蒸发温度T8在连续时间段内的均值,T9,st表示在冷水机组200处于关机模式时,冷凝温度T9在连续时间段内的均值。由此可知,f(T1,st)、f(T2,st)、f(T3,st)、f(T4,st)、f(T8,st)和f(T9,st)分别为经相应的修正增量修正后的相应均值。
在一些实施例中,所构建的约束条件还可包括在所述被测系统处于第三运行模式时,所述被测系统的多个传感器感测的参数数据在经相应的修正增量修正后必须满足的多个第三约束条件。
例如,在被测系统为中央空调系统中的冷水机组200的示例中,该第三运行模式可以为冷水机组200的多机运行模式,即表示该冷水机组200已与一个或多个其他冷水机组相关联地运行(例如,冷水机组200与一个或多个其他冷水机组在同一控制系统的控制下运行)超过第三预设时间长度,例如已相关联地运行超过1个小时。在这样的示例中,多个第三约束条件可包括以下约束条件(21)-(22):
在以上约束条件(21)和(22)中,T1为中央空调系统中当前待测的冷水机组200的冷冻水进水温度,T1,j为该中央空调系统中的第j台冷水机组的冷冻水进水温度,T3为当前待测的冷水机组200的冷却水进水温度,T3,j为该中央空调系统中的第j台冷水机组的冷却水进水温度,j为大于或等于1的整数(表示除当前待测的冷水机组外,还包括一个或多个其他冷水机组)。由此可知,f(T1,j)和f(T3,j)分别为经相应的修正增量修正后的冷冻水进水温度和冷却水进水温度。
在一些实施例中,所构建的约束条件还可包括与被测系统的功率有关的多个第四约束条件。例如,在被测系统为中央空调系统中的冷水机组200的示例中,这些第四约束条件可包括以下约束条件(23)-(24):
在以上约束条件(21)和(22)中,为冷冻水实际流量计算值,并且为冷却水实际流量计算值,为冷冻水实际流量的下限值,为冷冻水实际流量的上限值,为冷却水实际流量的下限值,为冷却水实际流量的上限值,并且其中和可分别基于以下公式(25)和(26)确定:
在以上公式(25)中,k为系数,其取值在范围 (0,1)之间,并且具体根据压缩机的结构、冷却形式及运行时间等因素来取值;为吸气焓值,其取决于经修正的吸气温度f(T5)和经修正的蒸发温度f(T8);为排气焓值,其取决于经修正的排气温度f(T6)和经修正的冷凝温度f(T9);为冷凝器出口焓值,其取决于经修正的阀前温度f(T7)和经修正的冷凝温度f(T9);f(T1)为经修正的冷冻水进水温度;f(T2)为经修正的冷冻水出水温度;为冷冻水的定压比热容(例如,可以为4.182),其取决于f(T1)和f(T2);为压缩机功率。
在以上公式(26)中,与公式(25)类似, k为系数,其与公式(25)中的k值相同;为吸气焓值,其取决于经修正的吸气温度f(T5)和经修正的蒸发温度f(T8);为排气焓值,其取决于经修正的排气温度f(T6)和经修正的冷凝温度f(T9);为冷凝器出口焓值,其取决于经修正的阀前温度f(T7)和经修正的冷凝温度f(T9);f(T3)为经修正的冷却水进水温度,f(T4)为经修正的冷却水出水温度;cpc为冷却水的定压比热容(例如,可以为4.182),其取决于f(T3)和f(T4);为压缩机功率。
在步骤306,利用在步骤302构建的目标函数和步骤304构建的多个约束条件进行求解,以为被测系统中的多个传感器中的每一个传感器确定最优修正增量。
在一些实施例中,可基于多目标优化算法,确定使得目标函数最小化,并且使得所述多个约束条件均成立的最优修正增量,所述多目标优化算法包括遗传算法、粒子群算法或差分进化算法。
在一些实施例中,可在关于被测系统的第一数据集的基础上,基于多目标优化算法,确定使得该目标函数最小化并且使得多个第一约束条件中的每一约束条件成立的多个最优修正增量,该多个最优修正增量为针对第一数据集中的每一数据分组分别确定的多个最优修正增量。在这些实施例中,第一数据集可以是例如在被测系统处于第一运行模式(例如,冷水机组200的稳定运行模式)时在预定长度的时间段内的多个采样时刻采集到的多个数据分组的集合(此后称为稳定运行模式数据集),每一数据分组包括由被测系统上的多个传感器在相应采样时刻实时采集到的多个参数数据。
在一些实施例中,可在关于被测系统的第一数据集和第二数据集(如果第二数据集不为空的话)的基础上,基于多目标优化算法,确定使得目标函数最小化并且使得多个第一约束条件以及多个第二约束条件中的每一约束条件成立的多个最优修正增量,该多个最优修正增量为针对第一数据集和第二数据集中的每一数据分组分别确定的多个最优修正增量。在这些实施例中,第二数据集可以是例如在被测系统处于第二运行模式(例如,冷水机组200的停机模式)时在多个采样时刻采集到的多个数据分组的集合(此外称为停机模式数据集),每一数据分组包括由被测系统上的多个传感器在相应采样时刻采集到的多个相关参数数据。
在一些实施例中,可在关于被测系统的第一数据集、第二数据集和第三数据集(如果第二数据集和第三数据集不为空的话)的基础上,基于多目标优化算法,确定使得目标函数最小化并且使得多个第一约束条件、多个第二约束条件以及多个第三约束条件中的每一约束条件成立的多个最优修正增量,该多个最优修正增量为针对第一数据集和第二数据集中的每一数据分组分别确定的多个最优修正增量。在这些实施例中,第三数据集可以是例如在被测系统处于第三运行模式(例如,冷水机组200的多机运行模式)时在多个采样时刻采集到的多个数据分组的集合(此后称为多机运行模式数据集),每一数据分组包括由被测系统上的多个传感器在相应采样时刻实时采集到的多个相关参数数据。
在一些实施例中,可在关于被测系统的第一数据集和与被测系统的功率有关的参数数据集合的基础上,基于多目标优化算法,确定使得目标函数最小化并且使得多个第一约束条件以及多个第四约束条件中的每一约束条件成立的多个最优修正增量,该多个最优修正增量为针对第一数据集中的每一数据分组分别确定的多个最优修正增量。
当然,以上实施例仅是非穷举性的实施例,在实际使用时,也可使用多个第一约束条件与多个第二、第三或第三约束条件的其他组合来进行求解。通过以上方法,可有助于准确而快速地确定相应的最优修正增量,进而有助于以在线模式更准确并可靠地定位出存在异常的传感器。
在步骤308,基于所确定的最优修正增量定位所述多个传感器中实际存在的异常传感器。
在为每一个传感器确定了最优修正增量之后,就可基于这些最优修正增量来定位实际存在的异常传感器了,下面将结合图4对步骤308作进一步更详细的描述。
在定位了存在异常的传感器之后,可输出相应的信息,以供专业人员采取相应的措施来对此进行处理。
图4示出了根据本公开的实施例的用于基于所确定的最优修正增量定位所述多个传感器中实际存在的异常传感器的方法400的流程图。方法400可由可由如图1所示的故障诊断设备110执行,该故障诊断设备110的具体结构可如图5所示的电子设备500所示。应当理解的是,方法400还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤402,如果为所述多个传感器中的任一传感器确定的多个最优修正增量中大于相应的阈值上限的最优修正增量的比例大于第一比例(例如,70%),则确定该传感器存在异常。
在步骤404,如果为所述多个传感器中的任一传感器确定的多个最优修正增量中小于或等于相应的阈值上限并且大于或等于相应的阈值下限的最优修正增量的比例大于第二比例(例如,70%),并且如果不对所述多个传感器感测到的多个参数数据进行修正将导致与该传感器相关联的多个关键约束条件不被满足时,确定该传感器存在异常的概率大于第一概率(例如,50%的可能性)。
在本公开中,步骤406中提到的多个关键约束条件可包括:冷冻水出水温度大于蒸发温度且小于冷冻水进水温度;冷却水出水温度大于冷却水进水温度且小于冷凝温度;阀前温度大于冷却水进水温度且小于冷凝温度。
通过采用上述手段,本公开能够使得能够利用与被测设备上的各个传感器有关的修正增量,实现对被测系统所包括的传感器的在线诊断,从而能够准确可靠并及时地发现发生故障的传感器。
图5示出了可以用来实施本公开内容的实施例的示例电子设备500的示意性框图。例如,如图1所示的故障诊断设备110可以由电子设备500来实施。如图所示,电子设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机存取存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器503中,还可存储电子设备500操作所需的各种程序和数据。中央处理单元501、只读存储器502以及随机存取存储器503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至输入/输出接口505,包括:输入单元506,例如键盘、鼠标、麦克风等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法300和400,可由中央处理单元501执行。例如,在一些实施例中,方法300和400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到随机存取存储器503并由中央处理单元501执行时,可以执行上文描述的方法300和400的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (13)
1.一种用于定位异常传感器的方法,包括:
构建以借助于修正增量使被测系统上的多个传感器中存在异常的传感器的数量最少为目标的目标函数,所述修正增量包括分别用于对所述多个传感器感测到的多个参数数据进行修正以便实现所述目标的多个修正增量;
构建所述多个参数数据在经相应的修正增量修正后应满足的多个约束条件;
利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定多个最优修正增量;以及
基于所确定的多个最优修正增量定位所述多个传感器中实际存在的异常传感器。
2.根据权利要求1所述的方法,其中所构建的多个约束条件包括在所述被测系统处于第一运行模式时,所述多个传感器感测的所述多个参数数据在经相应的修正增量修正后应满足的多个第一约束条件。
3.根据权利要求2所述的方法,其中所构建的约束条件还包括在所述被测系统处于第二运行模式时,所述被测系统的多个传感器所感测的所述多个参数数据在经相应的修正增量修正后应满足的多个第二约束条件。
4.根据权利要求3所述的方法,其中所构建的约束条件还包括在所述被测系统处于第三运行模式时,所述被测系统的多个传感器感测的参数数据在经相应的修正增量修正后应满足的多个第三约束条件。
5.根据权利要求2所述的方法,其中利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定多个最优修正增量包括:
在关于所述被测系统的第一数据集的基础上,基于多目标优化算法,确定使得所述目标函数最小化并且使得所述多个第一约束条件中的每一约束条件成立的多个最优修正增量,所述多个最优修正增量为针对所述第一数据集中的每一数据分组分别确定的多个最优修正增量,所述第一数据集是在所述被测系统处于所述第一运行模式时在多个采样时刻采集到的多个数据分组的集合,每一数据分组包括由所述被测系统上的所述多个传感器在相应采样时刻实时采集到的多个参数数据。
6.根据权利要求3所述的方法,其中利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定多个最优修正增量包括:
在关于所述被测系统的第一数据集和第二数据集的基础上,基于多目标优化算法,确定使得所述目标函数最小化并且使得所述多个第一约束条件以及所述多个第二约束条件中的每一约束条件成立的多个最优修正增量,所述多个最优修正增量为针对所述第一数据集和所述第二数据集中的每一数据分组分别确定的多个最优修正增量,其中所述第一数据集是在所述被测系统处于所述第一运行模式时在多个采样时刻采集到的多个数据分组的集合,所述第二数据集是在所述被测系统处于所述第二运行模式时在多个采样时刻采集到的多个数据分组的集合,每一数据分组包括由所述被测系统上的所述多个传感器在相应采样时刻采集到的多个相关参数数据。
7.根据权利要求4所述的方法,其中利用所述目标函数和所述多个约束条件进行求解,以为所述多个传感器中的每一个传感器确定多个最优修正增量包括:
在关于所述被测系统的第一数据集、第二数据集和第三数据集的基础上,基于多目标优化算法,确定使得所述目标函数最小化并且使得所述多个第一约束条件、所述多个第二约束条件以及所述多个第三约束条件中的每一约束条件成立的多个最优修正增量,所述多个最优修正增量为针对所述第一数据集、所述第二数据集和所述第三数据集中的每一数据分组分别确定的多个最优修正增量,其中所述第一数据集是在所述被测系统处于所述第一运行模式时在多个采样时刻采集到的多个数据分组的集合,所述第二数据集是在所述被测系统处于所述第二运行模式时在多个采样时刻采集到的多个数据分组的集合,所述第三数据集是在所述被测系统处于所述第三运行模式时在多个采样时刻采集到的多个数据分组的集合,每一数据分组包括由所述被测系统上的所述多个传感器在相应采样时刻采集到的多个相关参数数据。
8.根据权利要求6-7中的任一项所述的方法,其中所述多目标优化算法包括遗传算法、粒子群算法或差分进化算法。
9.根据权利要求1所述的方法,其中基于所确定的多个最优修正增量定位所述多个传感器中实际存在的异常传感器包括:
如果为所述多个传感器中的任一传感器确定的多个最优修正增量中大于相应的阈值上限的最优修正增量的比例大于第一比例,则确定该传感器存在异常;
如果为所述多个传感器中的任一传感器确定的多个最优修正增量中小于或等于相应的阈值上限并且大于或等于相应的阈值下限的最优修正增量的比例大于第二比例,并且如果不对所述多个传感器感测到的多个参数数据进行修正将导致与该传感器相关联的多个关键约束条件不被满足时,确定该传感器存在异常的概率大于第一概率。
10.根据权利要求9所述的方法,其中所述被测系统为冷水机组。
11.根据权利要求10所述的方法,其中所述多个传感器包括冷冻水进水温度传感器、冷冻水出水温度传感器、冷却水进水温度传感器、冷却水出水温度传感器、吸气温度传感器、排气温度传感器、阀前温度传感器、蒸发温度或压力传感器以及冷凝温度或压力传感器,并且所述多个参数数据包括由所述冷冻水进水温度传感器感测的冷冻水进水温度、由所述冷冻水出水温度传感器感测的冷冻水出水温度、由所述冷却水进水温度传感器感测的冷却水进水温度、由所述冷却水出水温度传感器感测的冷却水出水温度、由所述吸气温度传感器感测的吸气温度、由所述排气温度传感器感测的排气温度、由所述阀前温度传感器感测的阀前温度、由所述蒸发温度或压力传感器感测的蒸发温度以及由所述冷凝温度或压力传感器感测的冷凝温度。
12.一种计算设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使计算机执行权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547249.9A CN114659547B (zh) | 2022-05-20 | 2022-05-20 | 用于定位异常传感器的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547249.9A CN114659547B (zh) | 2022-05-20 | 2022-05-20 | 用于定位异常传感器的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114659547A true CN114659547A (zh) | 2022-06-24 |
CN114659547B CN114659547B (zh) | 2022-08-09 |
Family
ID=82036921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547249.9A Active CN114659547B (zh) | 2022-05-20 | 2022-05-20 | 用于定位异常传感器的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114659547B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358352A (zh) * | 2022-10-20 | 2022-11-18 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093095A (zh) * | 2015-07-10 | 2015-11-25 | 四川航天系统工程研究所 | 模拟非线性直流电路的改进粒子群优化诊断方法及系统 |
US20170126035A1 (en) * | 2015-11-04 | 2017-05-04 | Johnson Controls Technology Company | Cell control unit fault detection systems and methods |
CN111652375A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
US20210182296A1 (en) * | 2018-08-24 | 2021-06-17 | Siemens Aktiengesellschaft | Anomaly localization denoising autoencoder for machine condition monitoring |
CN113188585A (zh) * | 2021-06-09 | 2021-07-30 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
CN113959071A (zh) * | 2021-07-21 | 2022-01-21 | 北京金茂绿建科技有限公司 | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 |
CN114047722A (zh) * | 2021-11-23 | 2022-02-15 | 成都信息工程大学 | 基于mpc的自适应位姿修正的路径跟踪控制方法 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
-
2022
- 2022-05-20 CN CN202210547249.9A patent/CN114659547B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093095A (zh) * | 2015-07-10 | 2015-11-25 | 四川航天系统工程研究所 | 模拟非线性直流电路的改进粒子群优化诊断方法及系统 |
US20170126035A1 (en) * | 2015-11-04 | 2017-05-04 | Johnson Controls Technology Company | Cell control unit fault detection systems and methods |
US20210182296A1 (en) * | 2018-08-24 | 2021-06-17 | Siemens Aktiengesellschaft | Anomaly localization denoising autoencoder for machine condition monitoring |
CN111652375A (zh) * | 2020-06-02 | 2020-09-11 | 中南大学 | 基于贝叶斯推理及虚拟传感的冷却盘管故障智能检测诊断方法及装置 |
CN113188585A (zh) * | 2021-06-09 | 2021-07-30 | 大连理工大学 | 一种基于少量冗余传感器的冷冻站传感器故障诊断方法 |
CN113959071A (zh) * | 2021-07-21 | 2022-01-21 | 北京金茂绿建科技有限公司 | 基于机器学习辅助的集中式冷水机组空调系统运行控制优化方法 |
CN114047722A (zh) * | 2021-11-23 | 2022-02-15 | 成都信息工程大学 | 基于mpc的自适应位姿修正的路径跟踪控制方法 |
CN114353854A (zh) * | 2022-03-21 | 2022-04-15 | 蘑菇物联技术(深圳)有限公司 | 用于在线定位异常传感器的方法、设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358352A (zh) * | 2022-10-20 | 2022-11-18 | 蘑菇物联技术(深圳)有限公司 | 用于定位异常传感器的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114659547B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114353854B (zh) | 用于在线定位异常传感器的方法、设备和介质 | |
CN110410936B (zh) | 一种多联机系统故障检测方法、装置及多联机系统 | |
EP3348924B1 (en) | Air conditioner and air-conditioning system | |
WO2016063552A1 (ja) | 空調システムの制御装置、空調システム、及び空調システムの異常判定方法 | |
CN114659547B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN110094858B (zh) | 空调电子膨胀阀的控制方法、装置、计算机产品及空调 | |
Zhu et al. | Hybrid model based refrigerant charge fault estimation for the data centre air conditioning system | |
EP3196563B1 (en) | Control device for air conditioning system, air conditioning system, and method for determining anomaly of air conditioning system | |
CN114646342B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN115307669B (zh) | 用于检测被测系统的异常传感器的方法、设备和介质 | |
EP4310615A1 (en) | Correction device, prediction device, method, program, and correction model | |
US20230259111A1 (en) | Abnormality detection system and refrigerator, abnormality detection method, and abnormality detection program | |
WO2024124904A1 (zh) | 能效评估方法、装置、系统、设备及存储介质 | |
JP2019143817A (ja) | 一体型空気調和装置の管理装置および管理プログラム | |
CN115127194B (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
CN115358352B (zh) | 用于定位异常传感器的方法、设备和介质 | |
KR102521851B1 (ko) | 칠러 시스템 | |
CN114459119B (zh) | 一种空调堵塞检测方法、装置、设备及存储介质 | |
Liu et al. | An efficient sensor and thermal coupling fault diagnosis methodology for building energy systems | |
JPH0979650A (ja) | 多室空気調和機 | |
Zhang et al. | AHU sensor fault diagnosis in various operating conditions based on a hybrid data-driven model combined energy consumption | |
WO2023197711A1 (zh) | 多联机空调系统、故障定位方法及故障诊断模型训练方法 | |
US20240142125A1 (en) | Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner | |
CN110398035A (zh) | 空调器室内风机故障检测方法、装置及可读存储介质 | |
TWI720913B (zh) | 具有裝置異常狀態判斷功能的冷凍系統及其裝置異常狀態判斷方法 |
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 | ||
CP03 | Change of name, title or address |
Address after: No. 118, Building C1, No.1 Qingsheng Avenue, Nansha District, Guangzhou City, Guangdong Province, 511455 Patentee after: Guangdong Mushroom IoT Technology Co.,Ltd. Country or region after: Zhong Guo Address before: 518109 room 2202, building 1, Huide building, Beizhan community, Minzhi street, Longhua District, Shenzhen, Guangdong Patentee before: MOGULINKER TECHNOLOGY (SHENZHEN) CO.,LTD. Country or region before: Zhong Guo |
|
CP03 | Change of name, title or address |