CN114659583A - 气液分离器的液位检测方法、装置、云端服务器及介质 - Google Patents
气液分离器的液位检测方法、装置、云端服务器及介质 Download PDFInfo
- Publication number
- CN114659583A CN114659583A CN202210273208.5A CN202210273208A CN114659583A CN 114659583 A CN114659583 A CN 114659583A CN 202210273208 A CN202210273208 A CN 202210273208A CN 114659583 A CN114659583 A CN 114659583A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- gas
- liquid separator
- liquid
- split 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明公开了一种气液分离器的液位检测方法、装置、云端服务器及介质。气液分离器应用于多联机系统,气液分离器的液位检测方法包括:构建虚拟液位传感器模型;确定多联机系统运行时与气液分离器的液位相关联的第一工作参数;将第一工作参数输入到虚拟液位传感器模型,获得气液分离器的液位信息。根据本发明的气液分离器的液位检测方法、装置、云端服务器及介质,能够在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
Description
技术领域
本发明涉及液位检测技术领域,尤其涉及一种气液分离器的液位检测方法、装置、云端服务器及介质。
背景技术
气液分离器的液位是多联机系统运行中的重要参数,当气液分离器液位过高时,可能导致压缩机回气带液,影响多联机系统的运行稳定性和运行效率。在相关技术中,检测气液分离器的液位的方法包括直接检测方法和软测量方法,在直接检测方法中,需要在气液分离器上加装实体的液位传感器,由实体的液位传感器直接检测气液分离器的液位,虽然能够较准确、直接地读取气液分离器的液位,但是实体的液位传感器价格昂贵,单价在1500-3000元,存在成本较高等问题;在软测量方法中,不需要在气液分离器上加装实体的液位传感器,由过热度间接判断气液分离器的液位,虽然能够节省成本,但是无法直接读取气液分离器的液位,导致检测精度较低、系统无法进行精准调控。
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,本发明的第一个目的在于提出一种气液分离器的液位检测方法,该方法能够在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种云端服务器。
本发明的第四个目的在于提出一种气液分离器的液位检测装置。
为达上述目的,本发明第一方面实施例提出了一种气液分离器的液位检测方法,气液分离器的检测方法应用于多联机系统,气液分离器的液位检测方法包括:构建虚拟液位传感器模型;确定所述多联机系统运行时与所述气液分离器的液位相关联的第一工作参数;将所述第一工作参数输入到所述虚拟液位传感器模型,获得所述气液分离器的液位信息。
根据本发明实施例的气液分离器的液位检测方法,在多联机系统运行时,将与气液分离器的液位相关联的第一工作参数输入到构建的虚拟液位传感器模型中,由虚拟液位传感器模型根据与气液分离器的液位相关联的第一工作参数确定气液分离器的液位信息,从而在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
在本发明的一些实施例中,构建虚拟液位传感器模型,包括:初始化预设神经网络模型的参数集;获取训练样本集,所述训练样本集包括所述气液分离器的液位实际值以及与所述液位实际值相关联的多联机系统的第二工作参数;将所述第二工作参数作为输入,将所述液位实际值作为输出,利用损失函数和优化算法对所述预设神经网络模型进行训练,以优化所述参数集中各个参数的参数值;在训练结果满足预设条件时,根据所述预设神经网络模型确定所述虚拟液位传感器模型。
在本发明的一些实施例中,在获取训练样本集之前,所述方法还包括:获取所述多联机系统的运行参数,并对所述多联机系统的运行参数进行分析处理以确定所述第二工作参数,其中,所述第二工作参数的种类少于所述运行参数的种类。
在本发明的一些实施例中,第二工作参数包括环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度。
在本发明的一些实施例中,所述预设神经网络模型包括长短期记忆神经网络模型、卷积神经网络模型和循环神经网络模型。
在本发明的一些实施例中,所述预设条件包括训练次数达到设定次数,或者所述损失函数的函数值最小化或收敛。
在本发明的一些实施例中,在获得气液分离器的液位信息之后,所述方法还包括:将所述气液分离器的液位信息发送给所述多联机系统中的控制器,以便所述控制器在根据所述气液分离器的液位信息确定所述气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速和/或调小电子膨胀阀的开度。
为达上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有气液分离器的液位检测程序,该气液分离器的液位检测程序被处理器执行时实现上述任一实施例的气液分离器的液位检测方法。
根据本发明实施例的计算机可读存储介质,在多联机系统运行时,将与气液分离器的液位相关联的第一工作参数输入到构建的虚拟液位传感器模型中,由虚拟液位传感器模型根据与气液分离器的液位相关联的第一工作参数确定气液分离器的液位信息,从而在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
为达上述目的,本发明第三方面实施例提出了一种云端服务器,该云端服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的气液分离器的液位检测程序,所述处理器执行所述气液分离器的液位检测程序时,实现上述任一实施例的气液分离器的液位检测方法。
根据本发明实施例的云端服务器,在多联机系统运行时,将与气液分离器的液位相关联的第一工作参数输入到构建的虚拟液位传感器模型中,由虚拟液位传感器模型根据与气液分离器的液位相关联的第一工作参数确定气液分离器的液位信息,从而在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
为达上述目的,本发明第四方面实施例提出了一种气液分离器的液位检测装置,该气液分离器的液位检测装置包括:构建模块,用于构建虚拟液位传感器模型;确定模块,用于确定所述多联机系统运行时与所述气液分离器的液位相关联的第一工作参数;预测模块,用于将所述第一工作参数输入到所述虚拟液位传感器模型,获得所述气液分离器的液位信息。
根据本发明实施例的气液分离器的液位检测装置,在多联机系统运行时,将与气液分离器的液位相关联的第一工作参数输入到构建的虚拟液位传感器模型中,由虚拟液位传感器模型根据与气液分离器的液位相关联的第一工作参数确定气液分离器的液位信息,从而在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的气液分离器的液位检测方法的流程示意图;
图2是根据本发明另一个实施例的气液分离器的液位检测方法的流程示意图;
图3是根据本发明另一个实施例的气液分离器的液位检测方法的流程示意图;
图4是根据本发明一个实施例的气液分离器的液位检测方法的场景示意图;
图5是根据本发明另一个实施例的气液分离器的液位检测方法的流程示意图;
图6是根据本发明一个实施例的云端服务器的结构框图;
图7是根据本发明一个实施例的气液分离器的液位检测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为清楚说明本发明实施例的气液分离器的液位检测方法、装置、云端服务器及介质,下面结合图1所示的气液分离器的液位检测方法的流程示意图进行描述。气液分离器的液位检测方法应用于多联机系统,如图1所示,本申请实施例的气液分离器的液位检测方法包括以下步骤:
S11:构建虚拟液位传感器模型;
S13:确定多联机系统运行时与气液分离器的液位相关联的第一工作参数;
S15:将第一工作参数输入到虚拟液位传感器模型,获得气液分离器的液位信息。
根据本发明实施例的气液分离器的液位检测方法,在多联机系统运行时,将与气液分离器的液位相关联的第一工作参数输入到构建的虚拟液位传感器模型中,由虚拟液位传感器模型根据与气液分离器的液位相关联的第一工作参数确定气液分离器的液位信息,从而在不加装实体的液位传感器的情况下,直接获得较精确的气液分离器的液位信息,节省了成本,提高了检测精度。同时,由于获得的气液分离器的液位信息较精确,多联机系统能够根据液位信息进一步优化自身的运行范围和控制逻辑,从而保证多联机系统的能效和稳定性。此外,由于多联机系统中未加装实体的液位传感器,有效控制了多联机系统的成本,有利于提升多联机系统的产品竞争力。
具体地,多联机系统可包括至少一个外机和多个室内机。虚拟液位传感器模型的输入包括多联机系统运行时与气液分离器的液位相关联的第一工作参数,虚拟液位传感器模型的输出包括气液分离器的液位信息。在虚拟液位传感器模型构建完成之后,将多联机系统运行时与气液分离器的液位相关联的第一工作参数输入虚拟液位传感器模型,能够快速准确地获得气液分离器的液位信息。
虚拟液位传感器模型可以设置在云端,也可以设置在多联机系统的本地存储器中。当虚拟液位传感器模型设置在云端时,多联机系统可将自身运行时与气液分离器的液位相关联的第一工作参数发送至云端,云端在接收到第一工作参数之后,将接收到的第一工作参数输入虚拟液位传感器模型以获得气液分离器的液位信息,云端将获得的气液分离器的液位信息反馈至多联机系统,以使得多联机系统获得气液分离器的液位信息,如此,充分应用云端的计算能力并降低多联机系统的本地硬件需求,节约多联机系统的存储空间和节省多联机系统的算力。当虚拟液位传感器模型设置在多联机系统的本地存储器时,多联机系统在获取到第一工作参数之后,直接调用本地存储的虚拟液位传感器模型,并采用该虚拟液位传感器模型确定与第一工作参数相对应的气液分离器的液位信息,如此,能够稳定、快速地获得气液分离器的液位信息。
与气液分离器的液位相关联,可以理解为,对气液分离器的液位的影响大于等于一定程度。第一工作参数可包括环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度。可以理解,环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度与气液分离器的液位的关联程度较高,对气液分离器的液位的影响较大。在某些实施例中,多联机系统包括第一温度传感器,第一温度传感器用于检测环境温度,可通过第一温度传感器确定环境温度;在某些实施例中,电子设备能够确定多联机系统所处环境的环境温度,多联机系统能够与电子设备进行通信并从电子设备处获取自身所处环境的环境温度。电子设备包括但不限于服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。在某些实施例中,压缩机转速可通过转速传感器测量获得;在某些实施例中,压缩机转速可根据压缩机的电流、电压等信号计算得到。在某些实施例中,多联机系统包括第二温度传感器,第二温度传感器用于检测压缩机的排气温度,可通过第二温度传感器确定排气温度。在某些实施例中,多联机系统包括第一压力传感器和第二压力传感器,可通过第一压力传感器确定压缩机的吸气压力,可通过第二压力传感器确定压缩机的排气压力。
气液分离器的液位信息可包括液位预测值,从而在多联机系统的运行过程中,将实时采集到的环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度输入虚拟液位传感器模型,虚拟液位传感器模型即可输出气液分离器的液位预测值。
请参阅图2,在本发明的一些实施例中,步骤S11包括以下步骤:
S111:初始化预设神经网络模型的参数集;
S113:获取训练样本集,训练样本集包括气液分离器的液位实际值以及与液位实际值相关联的多联机系统的第二工作参数;
S115:将第二工作参数作为输入,将液位实际值作为输出,利用损失函数和优化算法对预设神经网络模型进行训练,以优化参数集中各个参数的参数值;
S117:在训练结果满足预设条件时,根据预设神经网络模型确定虚拟液位传感器模型。
如此,通过训练预设神经网络模型获得虚拟液位传感器模型。
具体地,预设神经网络模型可包括输入层、输出层和位于输入层与输出层之间的隐藏层。层与层之间全连接,第i层的任意一个神经元基于权重向量与第i+1层的任意一个神经元相连。预设神经网络模型的参数集,可以理解为,每层神经网络的权重向量的集合。初始化预设神经网络模型的参数集,可以理解为,为预设神经网络模型的每层神经网络预先配置权重向量。
训练样本集可以基于仿真得到的仿真数据获得,也可以基于多联机系统的实际运行数据获得,在此不作限定。在某些实施例中,将同一时刻采集到的第二工作参数与液位实际值建立对应关系,然后根据多组预先建立对应关系的第二工作参数和液位实际值生成训练样本集,从而保证训练样本集第二工作参数和液位实际值一一对应。
在训练过程中,将第二工作参数输入预设神经网络模型,预设神经网络模型能够输出液位输出值,根据损失函数和优化算法对对预设神经网络模型的参数集中各个参数的参数值进行调整,以减小液位输出值与对应的液位实际值之间的差异,在训练结果满足预设条件时,停止训练,保留此时参数集中各个参数的参数值,并根据此时参数集中各个参数的参数值生成虚拟液位传感器模型。
在某些实施例中,优化算法包括梯度下降算法。可以理解,采用梯度下降算法对预设神经网络模型进行训练,能够较好地优化预设神经网络模型参数集中各个参数的参数值。
请参阅图3,在本发明的一些实施例中,在步骤S113前,还包括以下步骤:
S119:获取多联机系统的运行参数,并对多联机系统的运行参数进行分析处理以确定第二工作参数,其中,第二工作参数的种类少于运行参数的种类。
如此,通过对多联机系统的运行参数进行分析处理,从多种运行运行参数中筛选出若干种运行参数并作为多联机系统的第二工作参数,从而减少第二工作参数的种类,减少预设神经网络的输入层的神经元的数量,简化预设神经网络模型,提高预设神经网络模型的训练效率。
具体地,多联机系统的结构组合多样,运行参数复杂,在某些实施例中,采用主成分分析法(Principal Component Analysis,PCA)对获得的多联机系统的多种运行参数进行分析和排序,然后根据分析排序结果挑选出与气液分离器的液位关联程度较高、对气液分离器的液位影响程度较大的若干种运行参数作为第二工作参数,从而在保证预设神经网络模型精度和最大化特征的条件下对数据降维,简化模型结构。
在本发明的一些实施例中,第二工作参数包括环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度。
如此,第二工作参数与气液分离器的液位关联程度较高。
具体地,根据同一时刻采集到的压缩机转速、环境温度、排气温度、吸气压力、排气压力、过冷度和气液分离器的液位实际值构建训练样本集。
需要指出的是,第一工作参数的种类与第二工作参数的种类相同。
在本发明的一些实施例中,预设神经网络模型包括长短期记忆神经网络(Long-Short Term Memory,LSTM)模型、卷积神经网络(Convolutional Neural Networks,CNN)模型和循环神经网络(Recurrent Neural Network,RNN)模型。
如此,能够基于不同种类的神经网络模型构建虚拟液位传感器模型。
具体地,LSTM模型可以高效处理波动性时间序列问题,能够解决相关技术中神经网络模型的长时依赖问题,能够更好的保存时间序列信息。
请结合图4,在一个例子中,预设神经网络模型采用LSTM模型,设置LSTM模型中输入层神经元的个数为6个,设置LSTM模型中与输入层连接的第一隐藏层神经元的个数为4个,设置LSTM模型中与输出层连接的第二隐藏层神经元的个数为3个,设置LSTM模型中输出层神经元的个数为1个,利用预先获取的训练样本集对LSTM模型进行训练。预先获取的训练样本集包括70组数据,每组数据包含4000s的运算数据,每组数据包括压缩机转速、环境温度、排气温度、吸气压力、排气压力、过冷度和对应的液位实际值,其中,压缩机转速、环境温度、排气温度、吸气压力、排气压力和过冷度作为LSTM模型的输入,液位实际值作为LSTM模型的输出。基于训练样本集数据,利用损失函数和优化算法优化LSTM模型的网络参数,以减小液位输出值与对应的液位实际值之间的差异,直至训练结果满足预设条件时,停止训练,保留此时参数集中各个参数的参数值,并根据此时参数集中各个参数的参数值生成虚拟液位传感器模型。
在本发明的一些实施例中,预设条件包括训练次数达到设定次数。
如此,在采用训练样本集对预设神经网络模型训练时,若训练次数达到设定次数,则确定训练结果满足预设条件,可以停止训练并生成虚拟液位传感器模型。
在本发明的一些实施例中,预设条件包括损失函数的函数值最小化或收敛。
如此,在采用训练样本集对预设神经网络模型训练时,若损失函数的函数值最小化或收敛,则确定训练结果满足预设条件,可以停止训练并生成虚拟液位传感器模型。
具体地,损失函数的函数值最小化,可以理解为损失函数的函数值达到最小。损失函数的函数值收敛,可以理解为损失函数的函数值在预设区间内波动。
请参阅图5,在本发明的一些实施例中,在步骤S15之后,还包括以下步骤:
S17:将气液分离器的液位信息发送给多联机系统中的控制器,以便控制器在根据气液分离器的液位信息确定气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速和/或调小电子膨胀阀的开度。
如此,在虚拟液位传感器输出的液位值发送至多联机系统中的控制器后,控制器能够根据气液分离器的液位信息及时调整多联机系统的外机输出和/或电子膨胀阀的开度,从而精准控制气液分离器的液位。
具体地,在某些实施例中,当控制器根据气液分离器的液位信息确定气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速;在某些实施例中,当控制器根据气液分离器的液位信息确定气液分离器的液位预测值大于等于设定阈值时,调小电子膨胀阀的开度;在某些实施例中,当控制器根据气液分离器的液位信息确定气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速,并且调小电子膨胀阀的开度。
可以理解地,气液分离器可以安装在多联机系统的压缩机进气口,用于防止压缩机进气口吸入液态冷媒损坏压缩机。气液分离器进口的冷媒流量与压缩机转速和电子膨胀阀开度相关,在提高压缩机转速和/或调小电子膨胀阀开度后,气液分离器进口的冷媒流量逐渐降低,同时气液分离器出口压力迅速降低,加快了气液分离器里冷媒的闪蒸速度,气液分离器中液态冷媒逐渐减少,从而降低气液分离器的液位。
需要指出的是,上述所提到的具体数值只为了作为例子详细说明本发明的实施,而不应理解为对本发明的限制。在其它例子或实施方式或实施例中,可根据本发明来选择其它数值,在此不作具体限定。
为了实现上述实施例,本发明实施例还提出了一种计算机可读存储介质,其上存储有气液分离器的液位检测程序,该气液分离器的液位检测程序被处理器执行时实现上述任一实施例的气液分离器的液位检测方法。
根据本发明实施例的计算机可读存储介质,输入多联机系统运行时与气液分离器的液位相关联的第一工作参数,可以得到气液分离器的液位预测信息,将液位信息发送给多联机系统中的控制器,控制器在气液分离器的液位预测值大于等于设定阈值时,发出指令提高压缩机的转速和/或调小电子膨胀阀的开度,从而提升了多联机系统运行的稳定性。利用虚拟液位传感器得到气液分离器的液位信息,提升检测精度,优化多联机系统的能效和稳定性,降低系统硬件成本,提升公司产品的竞争力。
例如,液位检测程序被处理器执行的情况下,实现以下液位检测方法的步骤:
S11:构建虚拟液位传感器模型;
S13:确定多联机系统运行时与气液分离器的液位相关联的第一工作参数;
S15:将第一工作参数输入到虚拟液位传感器模型,获得气液分离器的液位信息。
需要指出的是,上述对液位检测方法的实施方式和有益效果的解释说明,也适应本发明的计算机可读存储介质,为避免冗余,在此不作详细展开。
为了实现上述实施例,本发明实施例还提出一种云端服务器,该云端服务器可实现上述任一实施例的液位检测方法。图6是根据本发明一个实施例的云端服务器的结构示意图。如图6所示,本发明提出的服务器100包括存储器102、处理器104及存储在存储器102上并可在处理器104上运行的气液分离器的液位检测程序106,处理器104执行气液分离器的液位检测程序106时,实现上述任一实施例的气液分离器的液位检测方法。
根据本发明实施例的云端服务器100,输入多联机系统运行时与气液分离器的液位相关联的第一工作参数,可以得到气液分离器的液位预测信息,将液位信息发送给多联机系统中的控制器,控制器在气液分离器的液位预测值大于等于设定阈值时,发出指令提高压缩机的转速和/或调小电子膨胀阀的开度,降低气液分离器的液位,从而提升了多联机系统运行的稳定性。利用虚拟液位传感器得到气液分离器的液位信息,提升检测精度,优化多联机系统的能效和稳定性,降低系统硬件成本,提升公司产品的竞争力。
例如,液位检测程序106被处理器104执行的情况下,实现以下液位检测方法的步骤:
S11:构建虚拟液位传感器模型;
S13:确定多联机系统运行时与气液分离器的液位相关联的第一工作参数;
S15:将第一工作参数输入到虚拟液位传感器模型,获得气液分离器的液位信息。
需要指出的是,上述对液位检测方法的实施方式和有益效果的解释说明,也适应本发明的云端服务器100,为避免冗余,在此不作详细展开。
为了实现上述实施例,本发明实施例还提出一种气液分离器的液位检测装置,该液位检测装置可实现上述任一实施例的液位检测方法。图7是根据本发明一个实施例的气液分离器的液位检测装置的结构示意图。如图7所示,本发明提出的气液分离器的液位检测装置300包括构建模块302、确定模块304和预测模块306。构建模块302用于构建虚拟液位传感器模型;确定模块304用于确定多联机系统运行时与气液分离器的液位相关联的第一工作参数;预测模块306用于将第一工作参数输入到虚拟液位传感器模型,获得气液分离器的液位信息。
根据本发明实施例的液位检测装置300,输入多联机系统运行时与气液分离器的液位相关联的第一工作参数,可以得到气液分离器的液位预测信息。利用虚拟液位传感器得到气液分离器的液位信息,提升检测精度,优化多联机系统的能效和稳定性,降低系统硬件成本,提升产品的竞争力。
在本发明的一些实施例中,构建模块302包括初始化单元、获取单元、训练单元和确定单元。初始化单元用于初始化预设神经网络模型的参数集。获取单元用于获取训练样本集,训练样本集包括气液分离器的液位实际值以及与液位实际值相关联的多联机系统的第二工作参数。训练单元用于将第二工作参数作为输入,将液位实际值作为输出,利用损失函数和优化算法对预设神经网络模型进行训练,以优化参数集中各个参数的参数值。确定单元用于在训练结果满足预设条件时,根据预设神经网络模型确定虚拟液位传感器模型。在本发明的一些实施例中,构建模块302还包括分析单元。分析单元用于获取多联机系统的运行参数,并对多联机系统的运行参数进行分析处理以确定第二工作参数,其中,第二工作参数的种类少于运行参数的种类。
在本发明的一些实施例中,第二工作参数包括环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度。
在本发明的一些实施例中,预设神经网络模型包括长短期记忆神经网络模型、卷积神经网络模型和循环神经网络模型。
在本发明的一些实施例中,预设条件包括训练次数达到设定次数,或者损失函数的函数值最小化或收敛。
在本发明的一些实施例中,气液分离器的液位检测装置300还包括发送模块,发送模块用于将气液分离器的液位信息发送给多联机系统中的控制器,以便控制器在根据气液分离器的液位信息确定气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速和/或调小电子膨胀阀的开度。
需要指出的是,上述对液位检测方法的实施方式和有益效果的解释说明,也适应本发明的液位检测装置300,为避免冗余,在此不作详细展开。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,本发明实施例中所使用的“第一”、“第二”等术语,仅用于描述目的,而不可以理解为指示或者暗示相对重要性,或者隐含指明本实施例中所指示的技术特征数量。由此,本发明实施例中限定有“第一”、“第二”等术语的特征,可以明确或者隐含地表示该实施例中包括至少一个该特征。在本发明的描述中,词语“多个”的含义是至少两个或者两个及以上,例如两个、三个、四个等,除非实施例中另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种气液分离器的液位检测方法,其特征在于,应用于多联机系统中,所述方法包括:
构建虚拟液位传感器模型;
确定所述多联机系统运行时与所述气液分离器的液位相关联的第一工作参数;
将所述第一工作参数输入到所述虚拟液位传感器模型,获得所述气液分离器的液位信息。
2.根据权利要求1所述的方法,其特征在于,构建虚拟液位传感器模型,包括:
初始化预设神经网络模型的参数集;
获取训练样本集,所述训练样本集包括所述气液分离器的液位实际值以及与所述液位实际值相关联的多联机系统的第二工作参数;
将所述第二工作参数作为输入,将所述液位实际值作为输出,利用损失函数和优化算法对所述预设神经网络模型进行训练,以优化所述参数集中各个参数的参数值;
在训练结果满足预设条件时,根据所述预设神经网络模型确定所述虚拟液位传感器模型。
3.根据权利要求2所述的方法,其特征在于,在获取训练样本集之前,所述方法还包括:
获取所述多联机系统的运行参数,并对所述多联机系统的运行参数进行分析处理以确定所述第二工作参数,其中,所述第二工作参数的种类少于所述运行参数的种类。
4.根据权利要求2或3所述的方法,其特征在于,所述第二工作参数包括环境温度、压缩机转速、排气温度、吸气压力、排气压力和过冷度。
5.根据权利要求2所述的方法,其特征在于,所述预设神经网络模型包括长短期记忆神经网络模型、卷积神经网络模型和循环神经网络模型。
6.根据权利要求2所述的方法,其特征在于,所述预设条件包括训练次数达到设定次数,或者所述损失函数的函数值最小化或收敛。
7.根据权利要求1所述的方法,其特征在于,在获得所述气液分离器的液位信息之后,所述方法还包括:
将所述气液分离器的液位信息发送给所述多联机系统中的控制器,以便所述控制器在根据所述气液分离器的液位信息确定所述气液分离器的液位预测值大于等于设定阈值时,提高压缩机的转速和/或调小电子膨胀阀的开度。
8.一种计算机可读存储介质,其特征在于,其上存储有气液分离器的液位检测程序,所述气液分离器的液位检测程序被处理器执行时实现如权利要求1-7中任一项所述的气液分离器的液位检测方法。
9.一种云端服务器,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的气液分离器的液位检测程序,所述处理器执行所述气液分离器的液位检测程序时,实现如权利要求1-7中任一项所述的气液分离器的液位检测方法。
10.一种气液分离器的液位检测装置,其特征在于,应用于多联机系统中,所述装置包括:
构建模块,用于构建虚拟液位传感器模型;
确定模块,用于确定所述多联机系统运行时与所述气液分离器的液位相关联的第一工作参数;
预测模块,用于将所述第一工作参数输入到所述虚拟液位传感器模型,获得所述气液分离器的液位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273208.5A CN114659583A (zh) | 2022-03-18 | 2022-03-18 | 气液分离器的液位检测方法、装置、云端服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210273208.5A CN114659583A (zh) | 2022-03-18 | 2022-03-18 | 气液分离器的液位检测方法、装置、云端服务器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114659583A true CN114659583A (zh) | 2022-06-24 |
Family
ID=82032240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210273208.5A Pending CN114659583A (zh) | 2022-03-18 | 2022-03-18 | 气液分离器的液位检测方法、装置、云端服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114659583A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116514198A (zh) * | 2023-05-11 | 2023-08-01 | 杭州科华实验设备有限公司 | 用于环保安全型高效液相色谱流动相的废液分离系统 |
-
2022
- 2022-03-18 CN CN202210273208.5A patent/CN114659583A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116514198A (zh) * | 2023-05-11 | 2023-08-01 | 杭州科华实验设备有限公司 | 用于环保安全型高效液相色谱流动相的废液分离系统 |
CN116514198B (zh) * | 2023-05-11 | 2023-10-24 | 杭州科华实验设备有限公司 | 用于环保安全型高效液相色谱流动相的废液分离系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3165676B2 (ja) | 冷媒充てん量を監視する方法 | |
US20130190930A1 (en) | Energy Saving Control for Data Center | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
CN112413812B (zh) | 冷媒泄漏检测方法、系统及空调器 | |
CN107144438B (zh) | 在线检测空调制冷能效比和制冷量的方法 | |
CN110542178B (zh) | 具有自学习能力的空调冷冻机房控制方法及系统 | |
KR20200039964A (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
EP3985332B1 (en) | Chiller system and method of operating the same | |
CN111723925A (zh) | 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 | |
CN114659583A (zh) | 气液分离器的液位检测方法、装置、云端服务器及介质 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
CN112070353A (zh) | 一种精确检测数据中心能效的方法及系统 | |
US20150362408A1 (en) | Control optimization for energy consuming systems | |
US20240110719A1 (en) | Air conditioning control device and air conditioning control method | |
CN111928423A (zh) | 用于空调机组的除霜控制方法 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
Nazir et al. | Evaluating energy efficiency of buildings using artificial neural networks and k-means clustering techniques | |
EP3385804B1 (en) | Failure diagnosis apparatus, failure diagnosis method and recording medium | |
CN114061060B (zh) | 空气调节设备及其控制方法、控制装置、计算机存储介质 | |
CN111077799B (zh) | 一种空调水泵仿真方法及系统 | |
CN111157896A (zh) | 基于恒转矩控制的测试方法 | |
US20160132619A1 (en) | Energy management apparatus, energy management method, and non-transitory tangible computer readable medium thereof | |
CN117146382B (zh) | 一种智能化调适系统优化方法 | |
WO2023033155A1 (ja) | 空調制御システム | |
KR102431508B1 (ko) | 실시간 성능 추정 장치 |
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 |