CN114738938A - 一种多联机空调机组故障监测方法、装置及存储介质 - Google Patents
一种多联机空调机组故障监测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114738938A CN114738938A CN202210210787.9A CN202210210787A CN114738938A CN 114738938 A CN114738938 A CN 114738938A CN 202210210787 A CN202210210787 A CN 202210210787A CN 114738938 A CN114738938 A CN 114738938A
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- conditioning unit
- split air
- fault
- parameter information
- 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
- 238000004378 air conditioning Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- 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
- F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
-
- 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
- F24F11/56—Remote control
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及自动控制技术领域,具体提供一种多联机空调机组故障监测方法、装置及存储介质,旨在解决现有的故障监测方法执行效率较低并且判断故障的精确度较差的技术问题。为此目的,本发明的多联机空调机组故障监测方法包括下述步骤:采集历史多联机空调机组的机组参数信息,机组参数信息对应一个故障位置标签;构建故障预测模型;利用历史多联机空调机组的机组参数信息对故障预测模型进行训练,得到训练好的故障预测模型;利用训练好的故障预测模型预测多联机空调机组的故障位置。如此,提高了故障预测的效率和准确度。
Description
技术领域
本发明涉及自动控制技术领域,具体提供一种多联机空调机组故障监测方法、装置及存储介质。
背景技术
现有的多联机空调机组系统由多个室内机和多个室外主机组成,其中室外主机通过普通的断路器连接至电源。传统的多联机空调机组故障监测通常是由人为将采集的多联机空调机组的参数信息和阈值进行比较,从而得到整个多联机空调机组是否故障,这种方法执行效率较低并且判断故障的精确度较差,难以满足用户需求。
相应地,本领域需要一种新的多联机空调机组故障监测方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决现有的故障监测方法执行效率较低并且判断故障的精确度较差的技术问题。本发明提供了一种多联机空调机组故障监测方法、装置及存储介质。
在第一方面,本发明提供一种多联机空调机组故障监测方法,包括下述步骤:采集历史多联机空调机组的机组参数信息,所述机组参数信息对应一个故障位置标签;构建故障预测模型;利用所述历史多联机空调机组的机组参数信息对所述故障预测模型进行训练,得到训练好的故障预测模型;利用所述训练好的故障预测模型预测多联机空调机组的故障位置。
在一个实施方式中,所述多联机空调机组的机组参数信息包括多联机空调机组的电压、电流、有功功率和无功功率中的至少一种;采集历史多联机空调机组的机组参数信息包括:通过连接在电源与所述多联机空调机组之间的断路器获取所述多联机空调机组的电压、电流、有功功率和无功功率。
在一个实施方式中,所述故障预测模型包括输入层、隐藏层和输出层;所述隐藏层包括第一卷积层、第二卷积层、第三卷积层和第四卷积层;所述第一卷积层用于对输入的历史多联机空调机组的机组参数信息进行预处理,得到预处理参数信息;所述第二卷积层用于对所述第一卷积层输出的预处理参数信息进行卷积,得到卷积参数信息;所述第三卷积层用于将所述第二卷积层输出的卷积参数信息转换为矩阵,得到矩阵向量;所述第四卷积层用于对所述第三卷积层输出的矩阵向量进行高维卷积操作,得到高维矩阵向量;所述输出层用于根据所述第四卷积层输出的高维矩阵向量得到所述多联机空调机组的故障位置。
在一个实施方式中,利用所述训练好的故障预测模型预测空调机组的故障位置包括:实时采集多联机空调机组的机组参数信息;将采集的所述多联机空调机组的机组参数信息输入所述训练好的故障预测模型,得到空调机组的故障位置。
在一个实施方式中,所述故障监测还包括:基于采集的所述多联机空调机组的机组参数信息确定所述多联机空调机组的压缩机损耗负荷;判断所述多联机空调机组的压缩机损耗负荷是否满足预设条件;在所述多联机空调机组的压缩机损耗负荷不满足预设条件的情况下,调节所述多联机空调机组的参数,以使所述多联机空调机组稳定运行。
在一个实施方式中,基于采集的所述多联机空调机组的机组参数信息确定所述多联机空调机组的压缩机损耗负荷包括;获取采集的所述多联机空调机组的机组参数信息与预设机组参数信息两者的差值;基于所述差值与压缩机损耗负荷之间的对应关系确定所述多联机空调机组的压缩机损耗负荷。
在一个实施方式中,所述故障监测方法还包括:基于采集的所述机组参数信息确定所述多联机空调机组的耗电量;基于所述多联机空调机组的耗电量确定是否存在危险用电情况。
在第二方面,本发明提供一种多联机空调机组故障监测装置,包括:采集模块,被配置为采集历史多联机空调机组的机组参数信息,所述机组参数信息对应一个故障位置标签;构建模块,被配置为构建故障预测模型;训练模块,被配置为利用所述历史多联机空调机组的机组参数信息对所述故障预测模型进行训练,得到训练好的故障预测模型;预测模块,被配置为利用所述训练好的故障预测模型预测多联机空调机组的故障位置。
在第三方面,提供一种电子设备,该电子设备包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的多联机空调机组故障监测方法。
在第四方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行前述任一项所述的多联机空调机组故障监测方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明提出了一种多联机空调机组故障监测方法,通过利用采集的历史多联机空调机组的机组参数信息对构建的故障预测模型进行训练,以得到训练好的故障预测模型,并利用训练好的故障预测模型预测多联机空调机组的故障位置,提高了故障预测的效率和精确度。
通过获取采集的多联机空调机组的机组参数信息与预设机组参数信息两者的差值,并基于该差值与压缩机损耗负荷之间的对应关系确定多联机空调机组的压缩机损耗负荷,从而调节多联机空调机组的参数以降低损耗,延长空调的使用寿命。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的多联机空调机组故障监测方法的主要步骤流程示意图;
图2是根据本发明的一个实施例的多联机空调机组连接结构示意图;
图3是根据本发明的一个实施例的多个多联机空调机组同时工作结构示意图;
图4是根据本发明的另一个实施例的多联机空调机组故障确定流程示意图;
图5是根据本发明的一个实施例的多联机空调机组故障监测装置的主要结构框图示意图。
附图标记列表:
11:采集模块;12:构建模块;13:训练模块;14:预测模块。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
传统的多联机空调机组故障监测通常是由人为将采集的多联机空调机组的参数信息和阈值进行比较,从而得到整个多联机空调机组是否故障,这种方法执行效率较低并且判断故障的精确度较差,难以满足用户需求。为此,本申请提出了一种多联机空调机组故障监测方法、装置及存储介质,通过利用采集的历史多联机空调机组的机组参数信息对构建的故障预测模型进行训练,以得到训练好的故障预测模型,最后利用训练好的故障预测模型预测多联机空调机组的故障位置,提高了故障预测的效率和精确度。
参阅附图1,图1是根据本发明的一个实施例的多联机空调机组故障监测方法的主要步骤流程示意图。如图1所示,本发明实施例中的多联机空调机组故障监测方法主要包括下列步骤S101-步骤S104。
步骤S101:采集历史多联机空调机组的机组参数信息,机组参数信息对应一个故障位置标签。具体来说,本申请中的多联机空调机组可以包括至少一个室外主机和至少一个室内机,其中在室外主机和电源之间连接有智能断路器。具体如图2所示。多联机空调机组的机组参数信息包括多联机空调机组的电压、电流、有功功率和无功功率中的至少一种,但不限于此,还可以是漏电流等。本申请通过连接在电源与多联机空调机组之间的智能断路器来获取多联机空调机组的电压、电流、有功功率和无功功率等信息。
步骤S102:构建故障预测模型。具体来说,本申请中的故障预测模型可以包括输入层、隐藏层和输出层,其中,输入层用于输入采集的历史多联机空调机组的机组参数信息。隐藏层包括第一卷积层、第二卷积层、第三卷积层和第四卷积层,第一卷积层可以为Relu卷积网络层,用于对输入的历史多联机空调机组的机组参数信息进行预处理,这里的预处理可以是剔除异常数据等,但不限于此,也可以是其他的诸如归一化等操作,通过第一卷积层的预处理可以得到预处理参数信息。第二卷积层可以为Relu卷积网络层,用于对第一卷积层输出的预处理参数信息进行卷积,得到卷积参数信息。本申请中的第二个卷积层的卷积核可以设为1,卷积核步长为1,通道数为32。第一卷积层和第二卷积层均可以包括依次连接的边界填充层、卷积层、池化层、归一化层和激活层。第三卷积层用于将第二卷积层输出的卷积参数信息转换为矩阵,得到矩阵向量。第三卷积层能够将第二个ReLU卷积网络每四个通道输出的卷积参数信息捆绑为一个矩阵,且该矩阵具有方向性和大小,捆绑得到的矩阵即为矩阵向量。第四卷积层用于对第三卷积层输出的矩阵向量进行高维卷积操作,得到高维矩阵向量,该高维矩阵向量也具有方向和大小。输出层用于根据第四卷积层输出的高维矩阵向量得到多联机空调机组的故障位置,输出层为Capsule全连接层,能够提取第四卷积层的大小以得到模长,该模长即为多联机空调机组的故障位置。通过构建故障预测模型,为后期进行多联机空调机组的故障预测提供了技术支撑。
步骤S103:利用历史多联机空调机组的机组参数信息对故障预测模型进行训练,得到训练好的故障预测模型。具体是将历史多联机空调机组的机组参数信息以及其对应的故障位置标签同时输入故障预测模型中,计算模型的损失函数,并利用梯度下降方法以及基于损失函数调节故障预测模型的模型参数,直至损失函数满足预设条件,得到训练好的故障预测模型。
步骤S104:利用训练好的故障预测模型预测多联机空调机组的故障位置。在该步骤中,可以实时采集多联机空调机组的机组参数信息,将采集的多联机空调机组的机组参数信息输入前述步骤训练好的故障预测模型中,即可得到空调机组的故障位置。
基于上述步骤S101-步骤S104,通过利用采集的历史多联机空调机组的机组参数信息对构建的故障预测模型进行训练,以得到训练好的故障预测模型,最后利用训练好的故障预测模型预测多联机空调机组的故障位置,提高了故障预测的效率和精确度。
在一个实施方式中,故障监测还包括:首先基于采集的多联机空调机组的机组参数信息确定多联机空调机组的压缩机损耗负荷,具体是将获取采集的多联机空调机组的机组参数信息与预设机组参数信息两者的差值,其中预设机组参数可以是预先通过实验获得的,并基于该差值与压缩机损耗负荷之间的对应关系来确定多联机空调机组的压缩机损耗负荷。接着判断多联机空调机组的压缩机损耗负荷是否满足预设条件,预设条件可以是压缩机损耗负荷大于损耗负荷阈值,并在多联机空调机组的压缩机损耗负荷不满足预设条件的情况下,调节多联机空调机组的压缩机转速,以使多联机空调机组稳定运行,从而降低损耗,延长空调的使用寿命。
在一个实施方式中,故障监测方法还包括:基于采集的机组参数信息确定多联机空调机组的耗电量,并基于多联机空调机组的耗电量确定是否存在危险用电情况。具体来说,主要是通过有功功率以及无功功率来确定耗电量,并将该耗电量与耗电量阈值进行比较,从而确定多联机空调机组的耗电量是否超过阈值,若是超过阈值可能存在危险用电情况,需要进行人为干预。
在一个实施方式中,本申请的多联机空调机组故障监测方法不仅仅只适用于一个多联机空调机组,如图3所示,还可以对多个多联机空调机组的故障同时进行监测,以提高故障监测效率。另外,如图4所示,还可以将获取机组参数信息,例如电流、电压等数据与机组正常工作时的参数信息进行对比,进而来确定机组是否存在故障。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步,本发明还提供了一种多联机空调机组故障监测装置。
参阅附图5,图5是根据本发明的一个实施例的多联机空调机组故障监测装置的主要结构框图。如图5所示,本发明实施例中的多联机空调机组故障监测装置主要包括采集模块11、构建模块12、训练模块13和预测模块14。在一些实施例中,采集模块11、构建模块12、训练模块13和预测模块14中的一个或多个可以合并在一起成为一个模块。在一些实施例中采集模块11可以被配置为采集历史多联机空调机组的机组参数信息,机组参数信息对应一个故障位置标签。构建模块12可以被配置为构建故障预测模型。训练模块13可以被配置为利用历史多联机空调机组的机组参数信息对故障预测模型进行训练,得到训练好的故障预测模型。预测模块14可以被配置为利用训练好的故障预测模型预测多联机空调机组的故障位置。一个实施方式中,具体实现功能的描述可以参见步骤S101-步骤S104所述。
上述多联机空调机组故障监测装置以用于执行图1所示的多联机空调机组故障监测方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,多联机空调机组故障监测装置的具体工作过程及有关说明,可以参考多联机空调机组故障监测方法的实施例所描述的内容,此处不再赘述。
本领域技术人员能够理解的是,本发明实现上述一实施例的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。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种电子设备。在根据本发明的一个电子设备实施例中,电子设备包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的多联机空调机组故障监测方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的多联机空调机组故障监测方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的多联机空调机组故障监测方法的程序,该程序可以由处理器加载并运行以实现上述多联机空调机组故障监测方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种多联机空调机组故障监测方法,其特征在于,包括下述步骤:
采集历史多联机空调机组的机组参数信息,所述机组参数信息对应一个故障位置标签;
构建故障预测模型;
利用所述历史多联机空调机组的机组参数信息对所述故障预测模型进行训练,得到训练好的故障预测模型;
利用所述训练好的故障预测模型预测多联机空调机组的故障位置。
2.根据权利要求1所述的多联机空调机组故障监测方法,其特征在于,所述多联机空调机组的机组参数信息包括多联机空调机组的电压、电流、有功功率和无功功率中的至少一种;采集历史多联机空调机组的机组参数信息包括:通过连接在电源与所述多联机空调机组之间的断路器获取所述多联机空调机组的电压、电流、有功功率和无功功率。
3.根据权利要求1所述的多联机空调机组故障监测方法,其特征在于,所述故障预测模型包括输入层、隐藏层和输出层;所述隐藏层包括第一卷积层、第二卷积层、第三卷积层和第四卷积层;
所述第一卷积层用于对输入的历史多联机空调机组的机组参数信息进行预处理,得到预处理参数信息;所述第二卷积层用于对所述第一卷积层输出的预处理参数信息进行卷积,得到卷积参数信息;所述第三卷积层用于将所述第二卷积层输出的卷积参数信息转换为矩阵,得到矩阵向量;所述第四卷积层用于对所述第三卷积层输出的矩阵向量进行高维卷积操作,得到高维矩阵向量;所述输出层用于根据所述第四卷积层输出的高维矩阵向量得到所述多联机空调机组的故障位置。
4.根据权利要求1所述的多联机空调机组故障监测方法,其特征在于,利用所述训练好的故障预测模型预测空调机组的故障位置包括:
实时采集多联机空调机组的机组参数信息;
将采集的所述多联机空调机组的机组参数信息输入所述训练好的故障预测模型,得到空调机组的故障位置。
5.根据权利要求4所述的多联机空调机组故障监测方法,其特征在于,所述故障监测还包括:
基于采集的所述多联机空调机组的机组参数信息确定所述多联机空调机组的压缩机损耗负荷;
判断所述多联机空调机组的压缩机损耗负荷是否满足预设条件;
在所述多联机空调机组的压缩机损耗负荷不满足预设条件的情况下,调节所述多联机空调机组的参数,以使所述多联机空调机组稳定运行。
6.根据权利要求5所述的多联机空调机组故障监测方法,其特征在于,基于采集的所述多联机空调机组的机组参数信息确定所述多联机空调机组的压缩机损耗负荷包括;
获取采集的所述多联机空调机组的机组参数信息与预设机组参数信息两者的差值;
基于所述差值与压缩机损耗负荷之间的对应关系确定所述多联机空调机组的压缩机损耗负荷。
7.根据权利要求4所述的多联机空调机组故障监测方法,其特征在于,所述故障监测方法还包括:
基于采集的所述机组参数信息确定所述多联机空调机组的耗电量;
基于所述多联机空调机组的耗电量确定是否存在危险用电情况。
8.一种多联机空调机组故障监测装置,其特征在于,包括:
采集模块,被配置为采集历史多联机空调机组的机组参数信息,所述机组参数信息对应一个故障位置标签;
构建模块,被配置为构建故障预测模型;
训练模块,被配置为利用所述历史多联机空调机组的机组参数信息对所述故障预测模型进行训练,得到训练好的故障预测模型;
预测模块,被配置为利用所述训练好的故障预测模型预测多联机空调机组的故障位置。
9.一种电子设备,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的多联机空调机组故障监测方法。
10.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的多联机空调机组故障监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210787.9A CN114738938B (zh) | 2022-03-04 | 2022-03-04 | 一种多联机空调机组故障监测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210210787.9A CN114738938B (zh) | 2022-03-04 | 2022-03-04 | 一种多联机空调机组故障监测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114738938A true CN114738938A (zh) | 2022-07-12 |
CN114738938B CN114738938B (zh) | 2024-09-13 |
Family
ID=82274793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210210787.9A Active CN114738938B (zh) | 2022-03-04 | 2022-03-04 | 一种多联机空调机组故障监测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114738938B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103362791A (zh) * | 2012-03-30 | 2013-10-23 | 阿耐思特岩田株式会社 | 压缩气体供给单元、压缩气体供给装置及它们的控制方法 |
CN108131805A (zh) * | 2017-10-31 | 2018-06-08 | 宁波奥克斯电气股份有限公司 | 一种多联机自适应调节控制方法及装置 |
CN110594954A (zh) * | 2019-08-14 | 2019-12-20 | 安徽美博智能科技有限公司 | 一种空调故障检测方法以及检测装置 |
CN110942096A (zh) * | 2019-11-28 | 2020-03-31 | 新奥数能科技有限公司 | 多联机制冷剂充注量的故障检测方法、装置及电子设备 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
CN111832228A (zh) * | 2020-07-17 | 2020-10-27 | 中国人民解放军海军工程大学 | 基于cnn-lstm的振动传递系统 |
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 |
CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN112944587A (zh) * | 2021-02-01 | 2021-06-11 | 珠海格力电器股份有限公司 | 空调的故障确定方法、装置、空调、存储介质及处理器 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调系统的分布式故障诊断方法及系统 |
CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 |
US20220034543A1 (en) * | 2020-07-30 | 2022-02-03 | Johnson Controls Tyco IP Holdings LLP | Building hvac sytem with fault-adaptive model predictive control |
-
2022
- 2022-03-04 CN CN202210210787.9A patent/CN114738938B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103362791A (zh) * | 2012-03-30 | 2013-10-23 | 阿耐思特岩田株式会社 | 压缩气体供给单元、压缩气体供给装置及它们的控制方法 |
CN108131805A (zh) * | 2017-10-31 | 2018-06-08 | 宁波奥克斯电气股份有限公司 | 一种多联机自适应调节控制方法及装置 |
CN111578444A (zh) * | 2019-02-19 | 2020-08-25 | 珠海格力电器股份有限公司 | 一种空调故障预测方法、装置、存储介质及空调 |
CN110594954A (zh) * | 2019-08-14 | 2019-12-20 | 安徽美博智能科技有限公司 | 一种空调故障检测方法以及检测装置 |
CN110942096A (zh) * | 2019-11-28 | 2020-03-31 | 新奥数能科技有限公司 | 多联机制冷剂充注量的故障检测方法、装置及电子设备 |
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 |
CN111832228A (zh) * | 2020-07-17 | 2020-10-27 | 中国人民解放军海军工程大学 | 基于cnn-lstm的振动传递系统 |
US20220034543A1 (en) * | 2020-07-30 | 2022-02-03 | Johnson Controls Tyco IP Holdings LLP | Building hvac sytem with fault-adaptive model predictive control |
CN112283876A (zh) * | 2020-10-30 | 2021-01-29 | 青岛海尔空调电子有限公司 | 空调故障预测方法及空调 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN112944587A (zh) * | 2021-02-01 | 2021-06-11 | 珠海格力电器股份有限公司 | 空调的故障确定方法、装置、空调、存储介质及处理器 |
CN113203589A (zh) * | 2021-04-29 | 2021-08-03 | 华中科技大学 | 一种用于多联机空调系统的分布式故障诊断方法及系统 |
CN113378908A (zh) * | 2021-06-04 | 2021-09-10 | 浙江大学 | 基于LightGBM算法和网格搜索算法的暖通空调系统故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114738938B (zh) | 2024-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN112198375B (zh) | 单相用户的相位识别方法、装置、设备和存储介质 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN117785303A (zh) | 电能表数据清除方法、装置、电能表及存储介质 | |
CN110831057B (zh) | 网络覆盖状况检测方法、装置及存储介质 | |
CN117729576A (zh) | 告警监控方法、装置、设备及存储介质 | |
CN114738938A (zh) | 一种多联机空调机组故障监测方法、装置及存储介质 | |
CN111654405B (zh) | 通信链路的故障节点方法、装置、设备及存储介质 | |
CN112803581A (zh) | 低压联络柜的智能供电控制方法、系统及装置 | |
CN112965990A (zh) | 低压联络柜故障解决方案生成方法、装置 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN116594786A (zh) | 变更redis内存容量的方法、装置及电子设备 | |
CN112069168B (zh) | 一种设备运行数据云端存储方法 | |
CN112988540A (zh) | 图元替换方法、系统、计算机可读存储介质及终端设备 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN110889515A (zh) | 数据处理方法、装置及系统 | |
CN113569366B (zh) | 基于大数据的供热管网优化设计方法及终端设备 | |
CN117610896B (zh) | 基于工业大模型智能调度系统 | |
CN102261263B (zh) | 自动放水器监控系统 | |
CN109871998A (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN112700813B (zh) | 一种基于磨损状态的nand控制方法、装置及设备 | |
CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及系统 | |
CN114330527B (zh) | 楼栋电表分布识别方法、系统、装置及存储介质 | |
CN117727228A (zh) | 电网电量损失分析实体推演模型的构建方法及相关装置 |
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 |