CN115031342B - 空调的防凝露方法、装置以及空调系统 - Google Patents
空调的防凝露方法、装置以及空调系统 Download PDFInfo
- Publication number
- CN115031342B CN115031342B CN202210810734.0A CN202210810734A CN115031342B CN 115031342 B CN115031342 B CN 115031342B CN 202210810734 A CN202210810734 A CN 202210810734A CN 115031342 B CN115031342 B CN 115031342B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- data
- condensation
- inner fan
- environment temperature
- 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.)
- Active
Links
- 238000009833 condensation Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004378 air conditioning Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims description 23
- 238000005057 refrigeration Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007664 blowing Methods 0.000 abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 13
- 230000005494 condensation Effects 0.000 description 35
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
-
- 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
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- 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
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/89—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
- F24F13/22—Means for preventing condensation or evacuating condensate
-
- 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
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
- F24F13/22—Means for preventing condensation or evacuating condensate
- F24F2013/221—Means for preventing condensation or evacuating condensate to avoid the formation of condensate, e.g. dew
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
- F24F2110/12—Temperature of the outside air
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供了一种空调的防凝露方法、装置以及空调系统,该防凝露方法包括:获取步骤,在空调开启的情况下,获取实际运行数据,实际运行数据包括:空调对应的室外环境温度数据、空调所在室内环境温度数据、空调的内管温度数据以及空调的压缩机运行频率数据;输入步骤,将实际运行数据输入神经网络模型,确定空调是否进入防凝露工作模式,得到确定结果;控制步骤,根据确定结果,控制空调运行。本申请使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题。
Description
技术领域
本申请涉及空调控制领域,具体而言,涉及一种空调的防凝露方法、装置、计算机可读存储介质、处理器以及空调系统。
背景技术
随着人们生活水平的提高,用户对空调的性能以及舒适性的要求也越来越高了。而空调的凝露是空调最常见的售后问题,特别是在一些湿度较高的地方,不仅会破坏用户的工作及生活环境,而且还可能会带来一定的安全隐患,从而大大降低用户对空调的满意度和舒适性体验。
传统的空调器防凝露控制检测一般采用单一的内管温度条件进行判断,当感温包的位置放置不合理时,会导致提早或者过晚进入防凝露,引起制冷能力不足或者空调吹水现象,造成用户舒适性较差。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解,因此,背景技术中可能包含某些信息,这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种空调的防凝露方法、装置、计算机可读存储介质、处理器以及空调系统,以解决现有技术中判断空调是否进入防凝露工作模式的结果不准确,造成空调提早或者过晚进入防凝露工作模式的问题。
根据本发明实施例的一个方面,提供了一种空调的防凝露方法,包括:获取步骤,在空调开启的情况下,获取实际运行数据,所述实际运行数据包括:所述空调对应的室外环境温度数据、所述空调所在室内环境温度数据、所述空调的内管温度数据以及所述空调的压缩机运行频率数据;输入步骤,将所述实际运行数据输入神经网络模型,确定所述空调是否进入防凝露工作模式,得到确定结果;控制步骤,根据所述确定结果,控制所述空调运行。
可选地,所述控制步骤包括:在所述确定结果为确定所述空调进入所述防凝露工作模式的情况下,根据所述室内环境温度以及所述内管温度,确定预定参数的调整量以及调整间隔时长,所述预定参数包括压缩机频率、所述空调的内风机转速以及内风机档位;按照所述调整量,每隔所述调整间隔时长减小一次所述预定参数的设定值。
可选地,根据所述室内环境温度以及所述内管温度,确定预定参数的调整量以及调整间隔时长,包括:在所述室内环境温度处于第一温度范围,且所述内管温度小于第一温度阈值的情况下,确定所述调整间隔时长为第一时长、所述压缩机频率的调整量为第一数值、所述内风机转速的调整量为第二数值以及所述内风机档位的调整量为1档;在所述室内环境温度处于第二温度范围,且所述内管温度低于第二温度阈值的情况下,确定所述调整间隔时长为第二时长、所述压缩机频率的调整量为第三数值、所述内风机转速的调整量为第二数值、所述内风机档位的调整量为0档;其中,所述第一温度范围的最大值小于所述第二温度范围的最小值,所述第一时长小于所述第二时长,所述第一数值大于所述第三数值。
可选地,所述控制步骤还包括:在所述确定结果为确定所述空调不进入所述防凝露工作模式,且所述空调当前处于所述防凝露工作模式的情况下,获取预定参数的目标值,所述预定参数包括压缩机频率、所述空调的内风机转速以及内风机档位;将所述预定参数的设定值调整至所述目标值。
可选地,在所述输入步骤之前,所述方法还包括:获取多个历史数据以及对应的历史结果,所述历史数据为所述空调在历史运行过程中的所述实际运行数据,所述历史结果为所述历史数据对应的所述确定结果;建立初始神经网络模型,所述初始神经网络模型包括所述历史数据对应的初始权值;将多个所述历史数据以及多个所述历史结果输入所述初始神经网络模型,使得所述初始神经网络模型进行自学习,以调整所述初始权值,得到所述神经网络模型。
可选地,所述获取步骤包括:在所述空调开启且处于制冷模式的情况下,获取所述实际运行数据。
可选地,在所述确定结果为确定所述空调不进入所述防凝露工作模式,且所述空调当前未处于所述防凝露工作模式的情况下,所述方法还包括:依次执行所述获取步骤、所述输入步骤以及所述控制步骤至少一次,直到接收到控制所述空调关机的指令,或者接收到控制所述空调退出所述制冷模式的指令;在接收到控制所述空调关机的指令,或者接收到控制所述空调退出所述制冷模式的指令的情况下,保存所述神经网络模型后执行所述指令。
可选地,所述实际运行数据还包括以下至少之一:所述空调的内风机转速数据、所述空调的内风机档位数据、所述空调的挡风板位置数据、所述空调所在室内湿度数据。
根据本发明实施例的另一方面,还提供了一种空调的防凝露装置,包括第一获取单元、第一输入单元以及控制单元,其中,所述第一获取单元用于获取步骤,在空调开启的情况下,获取实际运行数据,所述实际运行数据包括:所述空调对应的室外环境温度数据、所述空调所在室内环境温度数据、所述空调的内管温度数据以及所述空调的压缩机运行频率数据;所述第一输入单元用于输入步骤,将所述实际运行数据输入神经网络模型,确定所述空调是否进入防凝露工作模式,得到确定结果;所述控制单元用于控制步骤,根据所述确定结果,控制所述空调运行。
根据本发明实施例的再一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,所述程序执行任意一种所述的方法。
根据本发明实施例的又一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的方法。
根据本发明实施例的另一方面,还提供了一种空调系统,包括空调以及所述空调的控制装置,其中,所述控制装置包括一个或多个处理器,存储器以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的方法。
在本发明实施例中,通过所述防凝露方法,首先获取空调的室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等空调的实际运行数据;然后将所述的实际运行数据输入神经网络模型,得到空调是否进入防凝露工作模式的确定结果;最后根据所述确定结果来控制空调运行。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的空调的防凝露方法的流程示意图;
图2示出了根据本申请的实施例的控制空调运行的控制示意图;
图3示出了根据本申请的实施例的神经网络模型输入参数采集流程图;
图4示出了根据本申请的实施例的空调的防凝露流程图;
图5示出了根据本申请的实施例的空调的防凝露装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所说的,现有技术中的判断空调是否进入防凝露工作模式的结果不准确,造成空调提早或者过晚进入防凝露工作模式,为了解决上述问题,本申请的一种典型的实施方式中,提供了一种空调的防凝露方法、装置、计算机可读存储介质、处理器以及空调系统。
根据本申请的实施例,提供了一种空调的防凝露方法。
图1是根据本申请实施例的空调的防凝露方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取步骤,用于在空调开启的情况下,获取实际运行数据,上述实际运行数据包括:上述空调对应的室外环境温度数据、上述空调所在室内环境温度数据、上述空调的内管温度数据以及上述空调的压缩机运行频率数据;
步骤S102,输入步骤,将上述实际运行数据输入神经网络模型,确定上述空调是否进入防凝露工作模式,得到确定结果;
步骤S103,控制步骤,根据上述确定结果,控制上述空调运行。
上述的防凝露方法中,首先获取空调的室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等空调的实际运行数据;然后将上述的实际运行数据输入神经网络模型,得到空调是否进入防凝露工作模式的确定结果;最后根据上述确定结果来控制空调运行。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
通过神经网络模型确定上述空调是否进入防凝露工作模式,得到确定结果,并根据确定结果控制空调运行的控制示意图如图2所示。
为了进一步地保证用户体验感较好,根据本申请的一种具体的实施例,上述控制步骤包括:在上述确定结果为确定上述空调进入上述防凝露工作模式的情况下,根据上述室内环境温度以及上述内管温度,确定预定参数的调整量以及调整间隔时长,上述预定参数包括压缩机频率、上述空调的内风机转速以及内风机档位;按照上述调整量,每隔上述调整间隔时长减小一次上述预定参数的设定值。在确定空调进入防凝露工作模式的情况下,根据上述室内环境温度以及上述内管温度,每隔一定的调整间隔时长减小一次压缩机频率、内风机转速以及内风机档位等预定参数的设定值,来抑制凝露的产生,这样避免了空调运行过程中出现吹水现象,进一步地保证了用户的舒适感较好。
本申请的另一种具体的实施例中,根据上述室内环境温度以及上述内管温度,确定预定参数的调整量以及调整间隔时长,包括:在上述室内环境温度处于第一温度范围,且上述内管温度小于第一温度阈值的情况下,确定上述调整间隔时长为第一时长、上述压缩机频率的调整量为第一数值、上述内风机转速的调整量为第二数值以及上述内风机档位的调整量为1档;在上述室内环境温度处于第二温度范围,且上述内管温度低于第二温度阈值的情况下,确定上述调整间隔时长为第二时长、上述压缩机频率的调整量为第三数值、上述内风机转速的调整量为第二数值、上述内风机档位的调整量为0档;其中,上述第一温度范围的最大值小于上述第二温度范围的最小值,上述第一时长小于上述第二时长,上述第一数值大于上述第三数值。本实施例中,在室内环境温度处于较低的第一温度范围的情况下,控制压缩机频率以较快的频率下降,且下降幅度较大,内风机转速以及内风机档位都下调,这样可以进一步地保证抑制凝露产生的效果较好;在室内环境温度处于较高的第二温度范围的情况下,控制压缩机频率以较慢的频率下降,且下降幅度较小,内风机转速在内风机档位不变的情况下下调,这样在进一步地实现消除凝露的效果的同时,保证了用户较为舒适。
具体的,上述的第一温度阈值以及第二温度阈值均为空调的凝露温度。上述第一时长为60秒,上述第二时长为180秒,上述第一数值为2Hz,上述第三数值为1Hz。当然,上述的第一时长、第二时长、第一数值以及第三数值并不限于上述的数值,其还可以为其他的值,本领域技术人员可以根据实际情况设置。上述内风机的档位调整量也不限于上述的1档以及档位不变,本领域技术人员可以灵活设置上述的数值,如在上述室内环境温度处于第一温度范围,且上述内管温度小于第一温度阈值的情况下,确定上述内风机档位的调整量为2档,在上述室内环境温度处于第二温度范围,且上述内管温度低于第二温度阈值的情况下,确定上述内风机档位的调整量为1档等。
根据本申请的再一种具体的实施例,上述控制步骤还包括:在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前处于上述防凝露工作模式的情况下,获取预定参数的目标值,上述预定参数包括压缩机频率、上述空调的内风机转速以及内风机档位;将上述预定参数的设定值调整至上述目标值。在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前处于上述防凝露工作模式的情况下,即说明空调目前需要退出防凝露工作模式,此时通过获取空调在正常工作模式下对应的压缩机频率、内风机转速以及内风机档位等预定参数的设定值,即获取上述目标值,并将上述空调的预定参数设置为上述目标值,保证了空调可以较快地从防凝露工作模式过渡到正常工作模式,进一步地实现了用户有较好的使用体验感。
具体地,在空调退出防凝露工作模式后,压缩机频率和内风机转速及内风机档位根据当前的工况来切回正常控制的具体过程如下:如果内环温度在上述第一温度范围内或者在上述第二温度范围内,且内管温度低于上述第一温度阈值或者上述第二温度阈值的情况下,则控制压缩机维持当前频率,内风机转速以及内风机档位维持当前状态;否则控制压缩机频率、内风机档位以及内风机转速按照正常的参数值运行。
为了进一步地保证上述确定结果较为准确,进一步地避免空调提早或者过晚进入防凝露工作模式,另一种具体的实施例中,在上述输入步骤之前,上述方法还包括:获取多个历史数据以及对应的历史结果,上述历史数据为上述空调在历史运行过程中的上述实际运行数据,上述历史结果为上述历史数据对应的上述确定结果;建立初始神经网络模型,上述初始神经网络模型包括上述历史数据对应的初始权值;将多个上述历史数据以及多个上述历史结果输入上述初始神经网络模型,使得上述初始神经网络模型进行自学习,以调整上述初始权值,得到上述神经网络模型。通过建立初始神经网络模型,并采用历史数据以及历史结果对初始神经网络进行训练,使得不同的历史数据的权值比较准确,进一步地保证了可以得到较为准确的神经网络模型,进而进一步地保证了采用该神经网络模型得到的确定结果较为准确。
在实际的应用过程中,凝露一般是在空调处于制冷模式时产生的,因此上述获取步骤包括:在上述空调开启且处于制冷模式的情况下,获取上述实际运行数据。
根据本申请的又一种具体的实施例,在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前未处于上述防凝露工作模式的情况下,上述方法还包括:依次执行上述获取步骤、上述输入步骤以及上述控制步骤至少一次,直到接收到控制上述空调关机的指令,或者接收到控制上述空调退出上述制冷模式的指令;在接收到控制上述空调关机的指令,或者接收到控制上述空调退出上述制冷模式的指令的情况下,保存上述神经网络模型后执行上述指令。通过上述循环过程,实现了对空调是否进入防凝露工作模式的持续动态监控,进一步地解决了空调用于防凝露不到位造成的吹水问题,并且进一步地满足了用户舒适性需求。
如果未收到空调关机的指令,就继续检测上述实际运行数据,并根据实际运行数据判断是否需要调整神经网络模型的学习速率。若收到关机的指令,则保存当前的神经网络模型。神经网络模型同时根据采集到的上述实际运行数据以及对应的确定结果对网络进行不停的优化学习,来调整空调是否进入防凝露工作模式,即不停的调整每个输入对应的权值,使得对防凝露状态检测更加精准。简单来说就是调整每个输入参数对防凝露的影响系数,这个是网络自学习的过程,给定学习函数,网络优化学习的过程就会自动调整权值,使输出最优。
为了进一步地保证上述确定结果较为准确较为合理,一种具体的实施例中,上述实际运行数据还包括以下至少之一:上述空调的内风机转速数据、上述空调的内风机档位数据、上述空调的挡风板位置数据、上述空调所在室内湿度数据。由于内风机转速、内风机档位、挡风板位置是否遮挡出风口以及室内湿度都会影响凝露的产生或者消除,更为具体的一种实施例中,上述实际运行数据包括上述室外环境温度数据、上述室内环境温度数据、上述内管温度数据、上述压缩机运行频率数据、上述内风机转速数据、上述内风机档位数据、上述挡风板位置数据以及上述室内湿度数据。
上述神经网络模型的具体计算过程如下:上述初始神经网络模型有输入层(输入参数,共8个节点,对应室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据这8个输入)、隐含层(4个节点)和输出层(一个节点,对应确定结果),给定输入、初始权值和学习函数及学习速率后,初始神经网络模型根据输入进行自行学习、训练;首先是对网络训练,给定大量的输入数据对网络进行训练(这些训练数据是提前做实际采集的凝露相关数据),训练好的神经网络模型(即网络已经具有凝露预测功能,网络根据大量的训练数据进行学习、训练使网络具有了凝露预测功能)就可以应用于实际中,且在实际应用中也是对上述神经网络模型不断学习优化的。
在实际的应用过程中,空调室外机通过通过室外环境感温包检测得到的上述室外环境温度数据,空调室内机通过通讯线(通讯线可采用零火通讯线、铜管作为通讯线等)传给室外机一些室内机的相关参数:内风机转速数据、内风机档位数据、内管温度数据、室内环境温度数据、挡风板位置数据和室内环境湿度数据,室外机将采集到的这些实际运行数据作为神经网络模型的输入参数。上述神经网络模型输入参数采集流程图如图3所示。
根据本申请的一种实施例,空调的防凝露流程如图4所示。在用户安装的空调开机后,实际运行数据(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)采集,①将采集到的这些实际运行数据作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行计算,根据网络计算结果输出确定结果:上述空调是否进入防凝露工作模式。②进入防凝露工作模式,根据需求调整压缩机降频速率、内风机档位以及内风机转速(根据内管温度、内环温度确定压缩机降频速率、内风机档位及转速),以满足用户舒适性需求;同时实时采集室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据,将采集到的这些实际运行数据作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行计算,根据网络计算结果输出确定结果:是否退出防凝露工作模式;退出防凝露工作模式,则控制压缩机频率、内风机档位及转速根据当前情况切回正常控制,同时实时采集神经网络模型的输入参数(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)重新进入①计算;不退出防凝露工作模式,则进入②调整压缩机频率和内风机档位及转速。③不进入防凝露工作模式,则实时采集神经网络模型的输入参数(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)进入①计算。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种空调的防凝露装置,需要说明的是,本申请实施例的空调的防凝露装置可以用于执行本申请实施例所提供的用于空调的防凝露方法。以下对本申请实施例提供的空调的防凝露装置进行介绍。
图5是根据本申请实施例的空调的防凝露装置的示意图。如图5所示,该装置包括第一获取单元10、第一输入单元20以及控制单元30,其中,上述第一获取单元10用于获取步骤,在空调开启的情况下,获取实际运行数据,上述实际运行数据包括:上述空调对应的室外环境温度数据、上述空调所在室内环境温度数据、上述空调的内管温度数据以及上述空调的压缩机运行频率数据;上述第一输入单元20用于输入步骤,将上述实际运行数据输入神经网络模型,确定上述空调是否进入防凝露工作模式,得到确定结果;上述控制单元30用于控制步骤,根据上述确定结果,控制上述空调运行。
上述的防凝露装置中,通过上述第一获取单元获取空调的室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等空调的实际运行数据;通过上述第一输入单元将上述的实际运行数据输入神经网络模型,得到空调是否进入防凝露工作模式的确定结果;通过上述控制单元根据上述确定结果来控制空调运行。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
通过神经网络模型确定上述空调是否进入防凝露工作模式,得到确定结果,并根据确定结果控制空调运行的控制示意图如图2所示。
为了进一步地保证用户体验感较好,根据本申请的一种具体的实施例,上述控制单元包括确定模块以及减小模块,其中,上述确定模块用于在上述确定结果为确定上述空调进入上述防凝露工作模式的情况下,根据上述室内环境温度以及上述内管温度,确定预定参数的调整量以及调整间隔时长,上述预定参数包括压缩机频率、上述空调的内风机转速以及内风机档位;上述减小模块用于按照上述调整量,每隔上述调整间隔时长减小一次上述预定参数的设定值。在确定空调进入防凝露工作模式的情况下,根据上述室内环境温度以及上述内管温度,每隔一定的调整间隔时长减小一次压缩机频率、内风机转速以及内风机档位等预定参数的设定值,来抑制凝露的产生,这样避免了空调运行过程中出现吹水现象,进一步地保证了用户的舒适感较好。
本申请的另一种具体的实施例中,上述确定模块包括第一确定子模块以及第二确定子模块,其中,上述第一确定子模块用于在上述室内环境温度处于第一温度范围,且上述内管温度小于第一温度阈值的情况下,确定上述调整间隔时长为第一时长、上述压缩机频率的调整量为第一数值、上述内风机转速的调整量为第二数值以及上述内风机档位的调整量为1档;上述第二确定子模块用于在上述室内环境温度处于第二温度范围,且上述内管温度低于第二温度阈值的情况下,确定上述调整间隔时长为第二时长、上述压缩机频率的调整量为第三数值、上述内风机转速的调整量为第二数值、上述内风机档位的调整量为0档;其中,上述第一温度范围的最大值小于上述第二温度范围的最小值,上述第一时长小于上述第二时长,上述第一数值大于上述第三数值。本实施例中,在室内环境温度处于较低的第一温度范围的情况下,控制压缩机频率以较快的频率下降,且下降幅度较大,内风机转速以及内风机档位都下调,这样可以进一步地保证抑制凝露产生的效果较好;在室内环境温度处于较高的第二温度范围的情况下,控制压缩机频率以较慢的频率下降,且下降幅度较小,内风机转速在内风机档位不变的情况下下调,这样在进一步地实现消除凝露的效果的同时,保证了用户较为舒适。
具体的,上述的第一温度阈值以及第二温度阈值均为空调的凝露温度。上述第一时长为60秒,上述第二时长为180秒,上述第一数值为2Hz,上述第三数值为1Hz。当然,上述的第一时长、第二时长、第一数值以及第三数值并不限于上述的数值,其还可以为其他的值,本领域技术人员可以根据实际情况设置。上述内风机的档位调整量也不限于上述的1档以及档位不变,本领域技术人员可以灵活设置上述的数值,如在上述室内环境温度处于第一温度范围,且上述内管温度小于第一温度阈值的情况下,确定上述内风机档位的调整量为2档,在上述室内环境温度处于第二温度范围,且上述内管温度低于第二温度阈值的情况下,确定上述内风机档位的调整量为1档等。
根据本申请的再一种具体的实施例,上述控制单元还包括第一获取模块以及调整模块,其中,上述第一获取模块用于在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前处于上述防凝露工作模式的情况下,获取预定参数的目标值,上述预定参数包括压缩机频率、上述空调的内风机转速以及内风机档位;上述调整模块用于将上述预定参数的设定值调整至上述目标值。在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前处于上述防凝露工作模式的情况下,即说明空调目前需要退出防凝露工作模式,此时通过获取空调在正常工作模式下对应的压缩机频率、内风机转速以及内风机档位等预定参数的设定值,即获取上述目标值,并将上述空调的预定参数设置为上述目标值,保证了空调可以较快地从防凝露工作模式过渡到正常工作模式,进一步地实现了用户有较好的使用体验感。
具体地,在空调退出防凝露工作模式后,压缩机频率和内风机转速及内风机档位根据当前的工况来切回正常控制的具体过程如下:如果内环温度在上述第一温度范围内或者在上述第二温度范围内,且内管温度低于上述第一温度阈值或者上述第二温度阈值的情况下,则控制压缩机维持当前频率,内风机转速以及内风机档位维持当前状态;否则控制压缩机频率、内风机档位以及内风机转速按照正常的参数值运行。
为了进一步地保证上述确定结果较为准确,进一步地避免空调提早或者过晚进入防凝露工作模式,另一种具体的实施例中,上述装置还包括第二获取单元、建立单元以及第二输入单元,其中,上述第二获取单元用于在上述输入步骤之前,获取多个历史数据以及对应的历史结果,上述历史数据为上述空调在历史运行过程中的上述实际运行数据,上述历史结果为上述历史数据对应的上述确定结果;上述建立单元用于建立初始神经网络模型,上述初始神经网络模型包括上述历史数据对应的初始权值;上述第二输入单元用于将多个上述历史数据以及多个上述历史结果输入上述初始神经网络模型,使得上述初始神经网络模型进行自学习,以调整上述初始权值,得到上述神经网络模型。通过建立初始神经网络模型,并采用历史数据以及历史结果对初始神经网络进行训练,使得不同的历史数据的权值比较准确,进一步地保证了可以得到较为准确的神经网络模型,进而进一步地保证了采用该神经网络模型得到的确定结果较为准确。
在实际的应用过程中,凝露一般是在空调处于制冷模式时产生的,因此上述获取单元包括第二获取模块,上述第二获取模块用于在上述空调开启且处于制冷模式的情况下,获取上述实际运行数据。
根据本申请的又一种具体的实施例,上述装置还包括执行单元以及保存单元,其中,上述执行单元用于在上述确定结果为确定上述空调不进入上述防凝露工作模式,且上述空调当前未处于上述防凝露工作模式的情况下,依次执行上述获取步骤、上述输入步骤以及上述控制步骤至少一次,直到接收到控制上述空调关机的指令,或者接收到控制上述空调退出上述制冷模式的指令;上述保存单元用于在接收到控制上述空调关机的指令,或者接收到控制上述空调退出上述制冷模式的指令的情况下,保存上述神经网络模型后执行上述指令。通过上述循环过程,实现了对空调是否进入防凝露工作模式的持续动态监控,进一步地解决了空调用于防凝露不到位造成的吹水问题,并且进一步地满足了用户舒适性需求。
如果未收到空调关机的指令,就继续检测上述实际运行数据,并根据实际运行数据判断是否需要调整神经网络模型的学习速率。若收到关机的指令,则保存当前的神经网络模型。神经网络模型同时根据采集到的上述实际运行数据以及对应的确定结果对网络进行不停的优化学习,来调整空调是否进入防凝露工作模式,即不停的调整每个输入对应的权值,使得对防凝露状态检测更加精准。简单来说就是调整每个输入参数对防凝露的影响系数,这个是网络自学习的过程,给定学习函数,网络优化学习的过程就会自动调整权值,使输出最优。
为了进一步地保证上述确定结果较为准确较为合理,一种具体的实施例中,上述实际运行数据还包括以下至少之一:上述空调的内风机转速数据、上述空调的内风机档位数据、上述空调的挡风板位置数据、上述空调所在室内湿度数据。由于内风机转速、内风机档位、挡风板位置是否遮挡出风口以及室内湿度都会影响凝露的产生或者消除,更为具体的一种实施例中,上述实际运行数据包括上述室外环境温度数据、上述室内环境温度数据、上述内管温度数据、上述压缩机运行频率数据、上述内风机转速数据、上述内风机档位数据、上述挡风板位置数据以及上述室内湿度数据。
上述神经网络模型的具体计算过程如下:上述初始神经网络模型有输入层(输入参数,共8个节点,对应室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据这8个输入)、隐含层(4个节点)和输出层(一个节点,对应确定结果),给定输入、初始权值和学习函数及学习速率后,初始神经网络模型根据输入进行自行学习、训练;首先是对网络训练,给定大量的输入数据对网络进行训练(这些训练数据是提前做实际采集的凝露相关数据),训练好的神经网络模型(即网络已经具有凝露预测功能,网络根据大量的训练数据进行学习、训练使网络具有了凝露预测功能)就可以应用于实际中,且在实际应用中也是对上述神经网络模型不断学习优化的。
在实际的应用过程中,空调室外机通过通过室外环境感温包检测得到的上述室外环境温度数据,空调室内机通过通讯线(通讯线可采用零火通讯线、铜管作为通讯线等)传给室外机一些室内机的相关参数:内风机转速数据、内风机档位数据、内管温度数据、室内环境温度数据、挡风板位置数据和室内环境湿度数据,室外机将采集到的这些实际运行数据作为神经网络模型的输入参数。上述神经网络模型输入参数采集流程图如图3所示。
根据本申请的一种实施例,空调的防凝露流程如图4所示。在用户安装的空调开机后,实际运行数据(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)采集,①将采集到的这些实际运行数据作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行计算,根据网络计算结果输出确定结果:上述空调是否进入防凝露工作模式。②进入防凝露工作模式,根据需求调整压缩机降频速率、内风机档位以及内风机转速(根据内管温度、内环温度确定压缩机降频速率、内风机档位及转速),以满足用户舒适性需求;同时实时采集室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据,将采集到的这些实际运行数据作为神经网络模型的输入参数,神经网络模型加载后对当前采集到的输入参数进行计算,根据网络计算结果输出确定结果:是否退出防凝露工作模式;退出防凝露工作模式,则控制压缩机频率、内风机档位及转速根据当前情况切回正常控制,同时实时采集神经网络模型的输入参数(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)重新进入①计算;不退出防凝露工作模式,则进入②调整压缩机频率和内风机档位及转速。③不进入防凝露工作模式,则实时采集神经网络模型的输入参数(室外环境温度数据、室内环境温度数据、内管温度数据、压缩机运行频率数据、内风机转速数据、内风机档位数据、挡风板位置数据以及室内湿度数据)进入①计算。
上述空调的防凝露装置包括处理器和存储器,上述第一获取单元、上述第一输入单元以及上述控制单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有技术中判断空调是否进入防凝露工作模式的结果不准确,造成空调提早或者过晚进入防凝露工作模式的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述空调的防凝露方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述空调的防凝露方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取步骤,用于在空调开启的情况下,获取实际运行数据,上述实际运行数据包括:上述空调对应的室外环境温度数据、上述空调所在室内环境温度数据、上述空调的内管温度数据以及上述空调的压缩机运行频率数据;
步骤S102,输入步骤,将上述实际运行数据输入神经网络模型,确定上述空调是否进入防凝露工作模式,得到确定结果;
步骤S103,控制步骤,根据上述确定结果,控制上述空调运行。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取步骤,用于在空调开启的情况下,获取实际运行数据,上述实际运行数据包括:上述空调对应的室外环境温度数据、上述空调所在室内环境温度数据、上述空调的内管温度数据以及上述空调的压缩机运行频率数据;
步骤S102,输入步骤,将上述实际运行数据输入神经网络模型,确定上述空调是否进入防凝露工作模式,得到确定结果;
步骤S103,控制步骤,根据上述确定结果,控制上述空调运行。
根据本申请的再一种典型的实施例,还提供了一种空调系统,包括空调以及上述空调的控制装置,其中,上述控制装置包括一个或多个处理器,存储器以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置为由上述一个或多个处理器执行,上述一个或多个程序包括用于执行任意一种上述的方法。
上述的空调系统包括空调以及上述空调的控制装置,上述控制装置用于执行任一种上述的方法。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请的上述空调系统中,上述控制装置通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、上述的防凝露方法中,首先获取空调的室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等空调的实际运行数据;然后将上述的实际运行数据输入神经网络模型,得到空调是否进入防凝露工作模式的确定结果;最后根据上述确定结果来控制空调运行。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
2)、上述的防凝露装置中,通过上述第一获取单元获取空调的室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等空调的实际运行数据;通过上述第一输入单元将上述的实际运行数据输入神经网络模型,得到空调是否进入防凝露工作模式的确定结果;通过上述控制单元根据上述确定结果来控制空调运行。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
3)、上述的空调系统包括空调以及上述空调的控制装置,上述控制装置用于执行任一种上述的方法。相比现有技术中采用单一的内管温度条件判断空调是否进入防凝露工作模式,造成判断结果不准确的问题,本申请的上述空调系统中,上述控制装置通过将室外环境温度数据、室内环境温度数据、内管温度数据以及压缩机运行频率数据等与凝露产生有关的实际运行数据输入神经网络模型,来确定是否进行防凝露工作模式,使得判断条件比较全面,保证了得到的确定结果较为准确,再根据确定结果控制空调运行,保证了控制空调进入防凝露工作模式的时间点较为合理,避免了因过早/过晚进入防凝露工作模式,引起制冷能力不足以及空调吹水现象等问题,保证了用户的使用体验感较好。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种空调的防凝露方法,其特征在于,包括:
获取步骤,在空调开启的情况下,获取实际运行数据,所述实际运行数据包括:所述空调对应的室外环境温度数据、所述空调所在室内环境温度数据、所述空调的内管温度数据以及所述空调的压缩机运行频率数据;
输入步骤,将所述实际运行数据输入神经网络模型,确定所述空调是否进入防凝露工作模式,得到确定结果;
控制步骤,根据所述确定结果,控制所述空调运行,
所述控制步骤包括:
在所述确定结果为确定所述空调进入所述防凝露工作模式的情况下,根据所述室内环境温度以及所述内管温度,确定预定参数的调整量以及调整间隔时长,所述预定参数包括压缩机频率、所述空调的内风机转速以及内风机档位;
按照所述调整量,每隔所述调整间隔时长减小一次所述预定参数的设定值,根据所述室内环境温度以及所述内管温度,确定预定参数的调整量以及调整间隔时长,包括:
在所述室内环境温度处于第一温度范围,且所述内管温度小于第一温度阈值的情况下,确定所述调整间隔时长为第一时长、所述压缩机频率的调整量为第一数值、所述内风机转速的调整量为第二数值以及所述内风机档位的调整量为1档;
在所述室内环境温度处于第二温度范围,且所述内管温度低于第二温度阈值的情况下,确定所述调整间隔时长为第二时长、所述压缩机频率的调整量为第三数值、所述内风机转速的调整量为第二数值、所述内风机档位的调整量为0档;
其中,所述第一温度范围的最大值小于所述第二温度范围的最小值,所述第一时长小于所述第二时长,所述第一数值大于所述第三数值。
2.根据权利要求1所述的方法,其特征在于,所述控制步骤还包括:
在所述确定结果为确定所述空调不进入所述防凝露工作模式,且所述空调当前处于所述防凝露工作模式的情况下,获取预定参数的目标值,所述预定参数包括压缩机频率、所述空调的内风机转速以及内风机档位;
将所述预定参数的设定值调整至所述目标值。
3.根据权利要求1所述的方法,其特征在于,在所述输入步骤之前,所述方法还包括:
获取多个历史数据以及对应的历史结果,所述历史数据为所述空调在历史运行过程中的所述实际运行数据,所述历史结果为所述历史数据对应的所述确定结果;
建立初始神经网络模型,所述初始神经网络模型包括所述历史数据对应的初始权值;
将多个所述历史数据以及多个所述历史结果输入所述初始神经网络模型,使得所述初始神经网络模型进行自学习,以调整所述初始权值,得到所述神经网络模型。
4.根据权利要求1所述的方法,其特征在于,所述获取步骤包括:
在所述空调开启且处于制冷模式的情况下,获取所述实际运行数据。
5.根据权利要求4所述的方法,其特征在于,在所述确定结果为确定所述空调不进入所述防凝露工作模式,且所述空调当前未处于所述防凝露工作模式的情况下,所述方法还包括:
依次执行所述获取步骤、所述输入步骤以及所述控制步骤至少一次,直到接收到控制所述空调关机的指令,或者接收到控制所述空调退出所述制冷模式的指令;
在接收到控制所述空调关机的指令,或者接收到控制所述空调退出所述制冷模式的指令的情况下,保存所述神经网络模型后执行所述指令。
6.根据权利要求1所述的方法,其特征在于,所述实际运行数据还包括以下至少之一:所述空调的内风机转速数据、所述空调的内风机档位数据、所述空调的挡风板位置数据、所述空调所在室内湿度数据。
7.一种空调的防凝露装置,其特征在于,包括:
第一获取单元,用于获取步骤,在空调开启的情况下,获取实际运行数据,所述实际运行数据包括:所述空调对应的室外环境温度数据、所述空调所在室内环境温度数据、所述空调的内管温度数据以及所述空调的压缩机运行频率数据;
第一输入单元,用于输入步骤,将所述实际运行数据输入神经网络模型,确定所述空调是否进入防凝露工作模式,得到确定结果;
控制单元,用于控制步骤,根据所述确定结果,控制所述空调运行,
所述控制单元包括确定模块以及减小模块,其中,所述确定模块用于在所述确定结果为确定所述空调进入所述防凝露工作模式的情况下,根据所述室内环境温度以及所述内管温度,确定预定参数的调整量以及调整间隔时长,所述预定参数包括压缩机频率、所述空调的内风机转速以及内风机档位;所述减小模块用于按照所述调整量,每隔所述调整间隔时长减小一次所述预定参数的设定值,
所述确定模块包括第一确定子模块以及第二确定子模块,其中,所述第一确定子模块用于在所述室内环境温度处于第一温度范围,且所述内管温度小于第一温度阈值的情况下,确定所述调整间隔时长为第一时长、所述压缩机频率的调整量为第一数值、所述内风机转速的调整量为第二数值以及所述内风机档位的调整量为1档;所述第二确定子模块用于在所述室内环境温度处于第二温度范围,且所述内管温度低于第二温度阈值的情况下,确定所述调整间隔时长为第二时长、所述压缩机频率的调整量为第三数值、所述内风机转速的调整量为第二数值、所述内风机档位的调整量为0档;其中,所述第一温度范围的最大值小于所述第二温度范围的最小值,所述第一时长小于所述第二时长,所述第一数值大于所述第三数值。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,所述程序执行权利要求1至6中任意一项所述的方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的方法。
10.一种空调系统,其特征在于,包括:
空调;
所述空调的控制装置,包括一个或多个处理器,存储器以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810734.0A CN115031342B (zh) | 2022-07-11 | 2022-07-11 | 空调的防凝露方法、装置以及空调系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210810734.0A CN115031342B (zh) | 2022-07-11 | 2022-07-11 | 空调的防凝露方法、装置以及空调系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115031342A CN115031342A (zh) | 2022-09-09 |
CN115031342B true CN115031342B (zh) | 2023-11-17 |
Family
ID=83127974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210810734.0A Active CN115031342B (zh) | 2022-07-11 | 2022-07-11 | 空调的防凝露方法、装置以及空调系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115031342B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117770A (zh) * | 2015-08-24 | 2015-12-02 | 河海大学常州校区 | 基于改进型模糊神经网络的表冷器控制方法 |
CN107421061A (zh) * | 2017-07-06 | 2017-12-01 | 青岛海尔空调器有限总公司 | 空调器的防凝露控制方法及装置 |
CN109405180A (zh) * | 2018-10-26 | 2019-03-01 | 奥克斯空调股份有限公司 | 一种防凝露控制方法及装置 |
WO2021004453A1 (zh) * | 2019-07-08 | 2021-01-14 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
-
2022
- 2022-07-11 CN CN202210810734.0A patent/CN115031342B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117770A (zh) * | 2015-08-24 | 2015-12-02 | 河海大学常州校区 | 基于改进型模糊神经网络的表冷器控制方法 |
CN107421061A (zh) * | 2017-07-06 | 2017-12-01 | 青岛海尔空调器有限总公司 | 空调器的防凝露控制方法及装置 |
CN109405180A (zh) * | 2018-10-26 | 2019-03-01 | 奥克斯空调股份有限公司 | 一种防凝露控制方法及装置 |
WO2021004453A1 (zh) * | 2019-07-08 | 2021-01-14 | 青岛海尔空调器有限总公司 | 空调器及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115031342A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110726229B (zh) | 空调器的控制方法及装置、存储介质及处理器 | |
CN110736249B (zh) | 压缩机的运行频率控制方法及装置、存储介质和处理器 | |
CN108829074A (zh) | 一种基于大数据的人工智能家居环境系统控制方法 | |
CN110131846B (zh) | 一种智能空调控制方法及空调 | |
CN112032979B (zh) | 空调器的控制方法 | |
CN107725453B (zh) | 风扇及其控制方法和系统 | |
CN109340998B (zh) | 空调器及其控制方法和装置 | |
CN110108003B (zh) | 基于智能家居的空调温度智能控制方法、装置及空调 | |
CN109595761A (zh) | 空调器的控制方法、装置及具有其的空调器 | |
CN108917088B (zh) | 一种体感风量调节方法、装置及空调器 | |
CN112032984B (zh) | 空调器的制热控制方法 | |
CN109323379A (zh) | 空调器及其控制方法和装置 | |
CN115031342B (zh) | 空调的防凝露方法、装置以及空调系统 | |
CN109341012B (zh) | 空调器及其控制方法和装置 | |
CN114216242A (zh) | 空调控制方法、装置、空调及存储介质 | |
CN112050428B (zh) | 空调器的控制方法 | |
CN110701752B (zh) | 运行控制方法、装置、空调器以及存储介质 | |
CN114216254A (zh) | 空调系统控制方法、装置、电子设备和空调系统 | |
CN110701760B (zh) | 调节方法、调节装置、空调器和计算机可读存储介质 | |
CN114322191A (zh) | 空调器的降噪控制方法、装置、空调器以及存储介质 | |
CN112032973B (zh) | 蓄热指令的下发控制方法 | |
CN112032980B (zh) | 空调器的控制方法 | |
CN112032955B (zh) | 空调器的控制方法 | |
CN113465143A (zh) | 空调制热时防高频传递音的控制方法、装置及空调 | |
CN115406052B (zh) | 空调的调温方法、调温装置和调温系统 |
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 |