CN115127194B - 用于检测中央空调冷水机组故障的方法、设备和介质 - Google Patents
用于检测中央空调冷水机组故障的方法、设备和介质 Download PDFInfo
- Publication number
- CN115127194B CN115127194B CN202211027466.1A CN202211027466A CN115127194B CN 115127194 B CN115127194 B CN 115127194B CN 202211027466 A CN202211027466 A CN 202211027466A CN 115127194 B CN115127194 B CN 115127194B
- Authority
- CN
- China
- Prior art keywords
- temperature difference
- water
- determining
- steady
- data
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004378 air conditioning Methods 0.000 claims abstract description 47
- 238000005070 sampling Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 23
- 239000000498 cooling water Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static 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
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
- F24F11/38—Failure diagnosis
-
- 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)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开的实施例涉及用于检测中央空调冷水机组故障的方法、设备和介质。在该方法中,获取被诊断的中央空调冷水机组对应于预定期间的主机的运行参数序列;基于运行参数序列,确定稳态期间对应的稳态参数序列;基于稳态参数序列,确定预警数据在稳态参数序列中的所占的比重,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数;确定预警数据在稳态参数序列中的所占的比重是否大于预定占比阈值;以及响应于确定预警数据在稳态参数序列中的所占的比重大于预定占比阈值,确定中央空调冷水机组存在故障。由此,本公开可以能够显著提高故障检测的准确性,有效避免误报警或者漏报警。
Description
技术领域
本公开的实施例总体涉及中央空调冷水机组故障检测领域,并且更具体地涉及一种用于检测中央空调冷水机组故障的方法、设备和介质。
背景技术
中央空调冷水机组在长时间运行过程中,可能会存在多种的故障(其中包括但不限于隐性故障)。这些故障会严重影响中央空调冷水机组的运行能效以及使用寿命。传统的故障检测方法中,仅仅基于中央空调冷水机组在单一时刻的运行参数数据进行分析和诊断,以确定中央空调冷水机组是否存在故障。当采集的运行参数数据出现较大不确定性时(例如,但不限于,用于检测运行参数数据的传感器存在误差,或者中央空调冷水机组的运行状态突然发生变化等),则检测结果的准确性较低,容易产生错误的检测结果,例如,发生误报警,或者漏报警。
综上,用于中央空调冷水机组检测的传统方法,运行参数数据出现较大不确定性时,检测结果的准确性较低,容易产生错误的检测结果。
发明内容
针对上述问题,本公开提供了一种用于检测中央空调冷水机组故障的方法、设备和介质,能够显著提高故障检测的准确性,有效避免误报警或者漏报警。
根据本公开的第一方面,提供一种用于检测中央空调冷水机组故障的方法。该用于检测中央空调冷水机组故障的方法包括:获取被诊断的中央空调冷水机组对应于预定期间的主机的运行参数序列;基于运行参数序列,确定稳态期间对应的稳态参数序列;基于稳态参数序列,确定预警数据在稳态参数序列中所占的比重,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数;确定预警数据在稳态参数序列中所占的比重是否大于预定占比阈值;以及响应于确定预警数据在稳态参数序列中所占的比重大于预定占比阈值,确定中央空调冷水机组存在故障。
在一些实施例中,确定预警数据在稳态参数序列中所占的比重包括:基于稳态期间内的每个对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值,确定温差序列,温差序列包括多个温度差值;确定温差序列中的每个温度差值是否大于预定温差阈值,以便将大于预定温差阈值的温度差值确定为温差预警数据;基于温差预警数据在温差序列中的占比来确定温差预警占比。
在一些实施例中,该用于检测中央空调冷水机组故障的方法还包括:基于冷水机组实际运行功率与冷水机组额定功率的比值,确定冷水机组负载率;基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率;以及基于冷水机组负载率和水泵负载率中的至少一项,确定修正系数,以便基于修正系数对预定温差阈值进行修正,以得到修正后的预定温差阈值用以基于修正后的预定温差阈值确定温差预警数据。
在一些实施例中,基于运行参数序列,确定稳态期间对应的稳态参数序列包括:将预定期间划分为多个子期间;基于每一个子期间的运行参数数据,确定每一个子期间的运行参数数据的方差;确定当前子期间的运行参数数据的方差是否小于或者等于预定方差阈值;响应于确定当前子期间的运行参数数据的方差小于或者等于预定方差阈值,确定当前子期间的运行参数数据为稳态参数;以及基于多个子期间对应的稳态参数确定稳态期间对应的稳态参数序列。
在一些实施例中,确定中央空调冷水机组存在故障包括:响应于确定温差预警占比大于预定温差占比阈值,确定中央空调冷水机组存在水流衰减故障。
在一些实施例中,对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值包括以下任一项:对应采样时刻的主机的冷却水出水温度采样数据与冷却水进水温度采样数据之间的温度差值;以及对应采样时刻的主机的冷冻水出水温度采样数据与冷冻水进水温度采样数据之间的温度差值。
在一些实施例中,预定温差阈值为6-10℃中的任一温度值。
在一些实施例中,基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率包括:基于中央空调冷水机组中的所有运行水泵的实际运行功率之和与所有运行水泵的额定功率之和的比值,确定水泵负载率。
根据本公开的第二方面,提供一种电子设备。该电子设备包括:至少一个处理单元;至少一个存储器,至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令,指令当由至少一个处理单元执行时,使得电子设备执行根据本公开的第一方面的方法的步骤。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被机器执行时实现根据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公开的实施例的用于检测中央空调冷水机组故障的方法的计算设备的示意图。
图2示出了本公开的实施例的用于检测中央空调冷水机组故障的方法的流程图。
图3示意出了本公开的实施例的用于确定稳态参数序列的方法的流程图。
图4示出了本公开的实施例的用于确定预警数据在稳态参数序列中所占的比重的方法的流程图。
图5示出了本公开的实施例的用于修正预定温差阈值的方法的流程图。
图6示出了可以用来实施本公开内容的实施例的用于检测中央空调冷水机组故障的方法的示例电子设备的示意性框图。
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。
如前文所描述,用于中央空调冷水机组检测的传统方法仅仅基于单一时刻的运行参数数据进行分析和诊断,容易产生错误的检测结果,准确性较低。
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检测中央空调冷水机组故障的方案。在本公开方案中,获取被诊断的中央空调冷水机组对应于预定期间的运行参数序列,以便基于预定期间内的主机的多个运行参数数据检测冷水机组是否存在故障,避免仅依据单一时刻的运行参数数据进行检测导致的错误结果。基于运行参数序列,确定稳态期间对应的稳态参数序列,这样可以排除冷水机组在非稳态期间的运行参数数据对检测结果的干扰。然后,基于稳态参数序列,确定预警数据在稳态参数序列中所占的比重,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数。最后,确定预警数据在稳态参数序列中所占的比重是否大于预定占比阈值;以及响应于确定预警数据在稳态参数序列中所占的比重大于预定占比阈值,确定中央空调冷水机组存在故障。预警数据在稳态参数序列中所占的比重情况能够更加准确地反映出冷水机组在预定周期内整体的运行情况,因此,据以确定冷水机组是否存在故障,可以有效避免因为个别运行参数数据出现较大不确定性导致的错误检测结果(例如,误报警或者漏报警)。所以,基于上述方案,可以有效避免误报警或者漏报警,显著提高冷水机组故障检测的准确性。
在下文中,将结合附图更详细地描述本方案的具体示例。
图1示出了用于实现根据本公开的实施例的用于检测中央空调冷水机组故障的方法的计算设备100的示意图。该计算设备100可以具有一个或多个处理单元,包括诸如GPU(Graphics Processing Unit,图形处理器)、FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)和ASIC(Application Specific Integrated Circuit,专用集成电路)等的专用处理单元以及诸如CPU(Central Processing Unit,中央处理器)的通用处理单元。另外,在每个计算设备100上也可以运行着一个或多个虚拟机。在一些实施例中,计算设备100例如包括运行参数序列获取单元102、稳态参数序列获取单元104、预警占比确定单元106、故障确定单元108。在一些实施例中,计算设备100还包括冷水机组负载率确定单元110、水泵负载率确定单元112、阈值修正单元114。
关于运行参数序列获取单元102,其用于获取被诊断的中央空调冷水机组对应于预定期间的主机的运行参数序列。
关于稳态参数序列获取单元104,其用于基于运行参数序列,确定稳态期间对应的稳态参数序列。
关于预警占比确定单元106,其用于基于稳态参数序列,确定预警数据在稳态参数序列中所占的比重。其中,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数。
关于故障确定单元108,其用于确定预警数据在稳态参数序列中所占的比重是否大于预定占比阈值;以及响应于确定预警数据在稳态参数序列中所占的比重大于预定占比阈值,确定中央空调冷水机组存在故障。
关于冷水机组负载率确定单元110,其用于基于冷水机组实际运行功率与冷水机组额定功率的比值,确定冷水机组负载率。
关于水泵负载率确定单元112,其用于基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率。
关于阈值修正单元114,基于冷水机组负载率和水泵负载率中的至少一项,确定修正系数,以便基于修正系数对预定温差阈值进行修正,以得到修正后的预定温差阈值用以基于修正后的预定温差阈值确定温差预警数据。
以下具体说明本公开的实施例的用于检测中央空调冷水机组故障的方法。图2示出了本公开的实施例的用于检测中央空调冷水机组故障的方法200的流程图。方法200可由如图1所示的计算设备100执行,也可以在图6所示的电子设备600处执行。应当理解的是,方法200还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
在步骤202处,计算设备获取被诊断的中央空调冷水机组对应于预定期间的主机的运行参数序列。
关于预定期间,其时间长度可以根据实际需要合理设置。为了兼顾效率与准确性,在一些实施例中,预定期间的时间长度例如不小于1小时,以及不大于48小时。为了提高预定期间内的运行参数数据的有效性,在一些实施例中,预定期间的起始时刻例如距离冷水机组的启动时刻不小于半小时。
关于运行参数序列,其例如包括预定期间内的、关于中央空调冷水机组的运行主机的多个运行参数数据。应当理解,通过基于预定期间内的多个运行参数数据检测冷水机组是否存在故障,可以避免仅依据单一时刻的运行参数数据进行检测导致的错误结果。
在步骤204处,计算设备基于运行参数序列,确定稳态期间对应的稳态参数序列。可以理解,冷水机组在非稳态下(例如,冷水机组启动的过程)的运行状况存在较大的不确定性,相应的运行参数数据难以体现冷水机组的运行性能。因此,通过确定稳态期间对应的稳态参数序列,可以排除非稳态期间的运行参数数据对检测结果的影响,提高检测的准确性。
关于稳态参数序列,其例如包括:主机的出水温度采样数据的第一出水温度稳态序列、主机的进水温度采样数据的第一进水温度稳态序列。
关于确定稳态期间对应的稳态参数序列的方法,其例如包括:将预定期间划分为多个子期间;基于每一个子期间的运行参数数据,确定每一个子期间的运行参数数据的方差;确定每一个子期间的运行参数数据的方差是否小于或者等于预定方差阈值;响应于确定当前子期间的运行参数数据的方差小于或者等于预定方差阈值,确定当前子期间的运行参数数据为稳态参数;以及基于多个子期间对应的稳态参数确定稳态期间对应的稳态参数序列。下文将结合图3详细描述用于确定稳态参数序列的方法,在此,不再赘述。
在步骤206处,计算设备基于稳态参数序列,确定预警数据在稳态参数序列中所占的比重。其中,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数。
在一些实施例中,预警数据在稳态参数序列中所占的比重例如包括温差预警占比。温差预警占比例如与中央空调冷水机组的水流衰减故障相关联。
关于确定预警数据在稳态参数序列中所占的比重的方法,其例如包括:计算设备基于稳态期间内的每个对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值,确定温差序列,温差序列包括多个所述温度差值;确定温差序列中的每个温度差值是否大于预定温差阈值,以便将大于预定温差阈值的温度差值确定为温差预警数据;以及基于温差预警数据在温差序列中的占比来确定温差预警占比。下文将结合图4详细描述用于确定预警占比的方法,在此,不再赘述。
在步骤208处,计算设备确定预警数据在稳态参数序列中所占的比重是否大于预定占比阈值。
在一些实施例中,预定占比阈值,其例如而不限于包括预定温差占比阈值。预定温差占比阈值例如与温差预警占比相对应。
在步骤210处,如果计算设备确定预警数据在稳态参数序列中所占的比重大于预定占比阈值,计算设备确定中央空调冷水机组存在故障。
例如,如果计算设备确定温差预警占比大于预定温差占比阈值,确定中央空调冷水机组存在水流衰减故障。
在步骤212处,如果确定预警数据在稳态参数序列中所占的比重小于或者等于预定占比阈值,计算设备确定中央空调冷水机组不存在故障。例如,如果计算设备确定温差预警占比小于或者等于预定温差占比阈值,则确定中央空调冷水机组不存在水流衰减故障。
在上述方案中,根据预警数据在稳态参数序列中所占的比重确定冷水机组是否存在故障,具有较高的准确性。应当理解,预警数据在稳态参数序列中所占的比重情况,能够更加准确地反映出冷水机组整体的运行情况,因此,据以确定冷水机组是否存在故障,可以有效避免因为个别运行参数数据出现较大不确定性导致的错误检测结果(例如,误报警或者漏报警)。所以,基于上述方案,可以有效避免误报警或者漏报警,显著提高冷水机组故障检测的准确性。
图3示意出了本公开的实施例的用于确定稳态参数序列的方法300的流程图。方法300可由如图1所示的计算设备100执行,也可以在图6所示的电子设备600处执行。应当理解的是,方法300还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
在步骤302处,计算设备将预定期间划分为多个子期间。例如,计算设备将预定期间平均划分为多个子期间。计算设备也可以随机将预定期间划分为多个子期间,其中,每一个子期间对应的时间长度不小于预定最小时间长度,并且不大于预定最大时间长度。
在步骤304处,计算设备基于每一个子期间的运行参数数据,确定每一个子期间的运行参数数据的方差。运行参数数据例如包括主机的进水温度采样数据,计算设备计算子期间内的进水温度采样数据的方差。
在步骤306处,计算设备确定每一个子期间的运行参数数据的方差是否小于或者等于预定方差阈值。
在步骤308处,如果确定当前子期间的运行参数数据的方差小于或者等于预定方差阈值,计算设备确定当前子期间的运行参数数据为稳态参数。
在步骤310处,如果确定当前子期间的运行参数数据的方差大于预定方差阈值,计算设备确定当前子期间的运行参数数据为非稳态参数。
在步骤312处,计算设备基于多个子期间对应的稳态参数确定稳态期间对应的稳态参数序列。
可以理解,预定方差阈值可以根据运行参数数据的属性合理设置。应当理解,子期间内的运行参数数据的方差,体现出子期间内的运行参数数据的离散程度。当子期间内的运行参数数据的方差大于预定方差阈值时,说明该子期间内的运行参数数据的离散程度较大。其表明,该子期间内,冷水机组尚未进入稳态运行状态(例如,正处于启动阶段)。因此,将该子期间内的运行参数数据作为非稳态参数,予以忽略。相应地,当子期间内的运行参数数据的方差小于或者等于预定方差阈值时,说明该子期间内的运行参数数据的离散程度较小。其表明,该子期间内,冷水机组已经进入稳态运行状态。因此,将该子期间内的运行参数数据作为稳态参数,予以保留,作为确定冷水机组是否存在故障的依据。
在上述方案中,基于子期间内的运行参数数据的方差确定运行参数数据是否为稳态参数,具有很高的准确性;并且,通过合理划分子期间,可以进一步提高确定稳态数据的准确性。
图4示出了本公开的实施例的用于确定预警数据在稳态参数序列中所占的比重的方法400的流程图。方法400可由如图1所示的计算设备100执行,也可以在图6所示的电子设备600处执行。应当理解的是,方法400还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
在步骤402处,基于稳态期间内的每个对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值,确定温差序列,温差序列包括多个温度差值。
例如,主机的出水温度采样数据来自第一出水温度稳态序列,主机的进水温度采样数据来自第一进水温度稳态序列。其中,第一出水温度稳态序列包括多个第一出水温度采样数据,第一进水温度稳态序列包括多个第一进水温度采样数据。例如,第一出水温度稳态序列表征为{T1_out_1,T1_out_2,T1_out_3,……T1_out_n},其中,T1_out_i表征第i个第一出水温度采样数据;第一进水温度稳态序列表征为{T1_in_1,T1_in_2,T1_in_3,……T1_in_n},其中,T1_in_i表征第i个第一进水温度采样数据,i[1,n]。
例如,温差序列表征为{T1_1,T1_2,……T1_n},其中,T1_1=T1_out_1-T1_in_1,T1_2=T1_out_3-T1_in_3,……T1_n=T1_out_n-T1_in_n,其中,T1_i表征第i个温度差值,i[1,n], n为温差序列中温度差值的数量。
在一些实施例中,第一出水温度采样数据为主机的冷却水出水口温度采样数据,其利用设置于运行主机的冷却水出水口(例如,冷凝器的出水口)的温度传感器采集得到;第一进水温度采样数据为主机的冷却水进水口温度采样数据,其利用设置于运行主机的冷却水进水口(例如,冷凝器的进水口)的温度传感器采集得到。对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值例如为对应采样时刻的主机的冷却水出水温度采样数据与冷却水进水温度采样数据之间的温度差值。
在一些实施例中,第一出水温度采样数据为主机的冷冻水出水口温度采样数据,其利用设置于运行主机的冷冻水出水口(例如,蒸发器的出水口)的温度传感器采集得到;第一进水温度采样数据为主机的冷冻水进水口温度采样数据,其利用设置于运行主机的冷冻水进水口(例如,蒸发器的进水口)的温度传感器采集得到。对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值例如为对应采样时刻的主机的冷冻水出水温度采样数据与冷冻水进水温度采样数据之间的温度差值。
在步骤404处,计算设备确定温差序列中的每个温度差值是否大于预定温差阈值。
在步骤406处,如果计算设备确定当前温度差值大于预定温差阈值,则计算设备确定当前温度差值为温差预警数据。
在步骤408处,如果计算设备确定当前温度差值小于或者等于预定温差阈值,则计算设备确定当前温度差值为正常数据。
例如,计算设备将温度差值T1_i(i[1,n])逐一与预定温差阈值进行比较,以确定温度差值T1_i是否大于预定温差阈值。如果温度差值T1_i大于预定温差阈值,则计算设备确定温度差值T1_i为温差预警数据;如果温度差值T1_i小于或者等于预定温差阈值,则计算设备确定温度差值T1_i为正常数据。在遍历全部温度差值T1_i(i[1,n])之后,计算设备得到温差预警数据的数量,设为j1。
在一些实施例中,预定温差阈值预定温差阈值为6-10℃中的任一温度值。
冷水机组的换热量的计算公式如以下公式(1)所示:
其中:Q表征冷水机组的换热量,Cp表征水的定压比热容,m为冷水机组的水流量,T为进出水温差(例如,冷水机组的进水温度与出水温度的差值)。根据公式(1)可知,当冷水机组的换热量Q一定时,冷水机组的水流量m与进出水温差(例如,温度差值)为反比例关系。因此,上述方案根据温度差值与预定温差占比阈值的大小对比关系,来确定温度差值变比于进出水温差标准值的偏离程度是否达到预警程度,其中,该偏离程度反映出冷水机组的水流量衰减幅度的大小。例如,按照国家标准工况,冷水机组的进出水温差标准值为5℃。如果以冷水机组的水流量衰减幅度大于或者等于50%作为判断存在水流衰减预警的条件,则预定温差阈值被设置为例如10℃。也即,当温度差值大于10℃时,温度差值相比于进出水温差标准值的偏离程度超过100%,其反映出冷水机组的水流量衰减幅度超过50%,因此,该温度差值属于温差预警数据。
在步骤410处,计算设备基于温差预警数据在温差序列中的占比来确定温差预警占比。
例如,温差预警数据的数量为j1,则温差预警占比r1=j1/n。
在得到温差预警占比后,计算设备确定温差预警占比是否大于预定温差占比阈值。如果确定温差预警占比大于预定温差占比阈值,则计算设备确定中央空调冷水机组存在水流衰减故障;如果确定温差预警占比小于或者等于预定温差占比阈值,则计算设备确定中央空调冷水机组不存在水流衰减故障。
可以理解,对于第一出水温度采样数据为主机的冷冻水出水口温度采样数据的情况,水流衰减故障指冷冻水流量衰减故障;对于第一出水温度采样数据为主机的冷却水出水口温度采样数据的情况,水流衰减故障指冷却水流量衰减故障。针对冷冻水流量衰减故障以及冷却水流量衰减故障,相应的预定温差占比阈值可以分别予以设置。
关于预定温差占比阈值,例如取值范围可以为70%-90%,也可以根据历史统计数据合理设置。
在传统的方案中,为了检测水流量衰减故障,需要在冷水机组的主机的例如吸气管路和冷凝管路专门设置检测设备,例如压力传感器,而且,需要在主机生产阶段安装设置这些检测设备。目前市场上的主机大多不具备这些测量的能力,因此,传统的方案实用性较差。而且,上述传统方案仅适用于主机水流量恒定的系统,对于变流量系统,由于水流量本身会在一定范围内变化,该传统方案不适用。所以,传统方案的通用性较差。另外,传统方案未充分考虑数据信息的不确定性,当某些计算数据出现不正常的波动时,可能直接造成误报警,给用户带来困扰。
在本公开的上述方案中,因为冷水机组的进出水温差与水流量衰减故障的相关性很强,所以,根据冷水机组的进出水温差(例如,温度差值)确定冷水机组是否存在水流衰减故障,具有很高的准确性和很强的实用性。并且,用于得到温度差值的温度采样数据可以基于设置于冷水机组的相关进出水口的温度传感器采集得到,温度传感器的设置较为方便。在一些实施例中,可以利用冷水机组的相关进出水口已经设置的温度传感器设置实现,可以有效节省成本。进一步地,上述方案能够适应变流量系统的要求。例如,对于变流量系统,有可能因为某些原因将水流量调小,此时系统状态是正常的。上述方案充分考虑正常条件下水流量减小的情况,可以避免产生误报警。而且,上述方案能够结合一段时期的数据和历史规律等情况进行综合判断,避免少量数据不正常等原因造成的误报警。
在一些实施例中,计算设备对当前温度差值的评估设置多个等级,例如,如果温度差值小于第一阈值,则计算设备确定当前温度差值为正常数据(属于正常级别);如果温度差值大于第一阈值,并且小于第二阈值(第二阈值大于第一阈值),则计算设备确定当前温度差值属于预警级别;如果温度差值大于第二阈值,则计算设备确定当前温度差值属于报警级别。在一些实施例中,第一阈值例如为6-8℃中的任一温度值,第二阈值例如为8-10℃中的任一温度值。
在一些实施例中,计算设备将预警级别和报警级别的当前温度差值作为温差预警数据,也即,如果当前温度差值大于第一阈值,则计算设备确定当前温度差值为温差预警数据。
在一些实施例中,计算设备将报警级别的当前温度差值作为温差预警数据,也即,如果当前温度差值大于第二阈值,则计算设备确定当前温度差值为温差预警数据。
藉由多个等级的设置,可以灵活采取相应的统计规则,有利于提高故障报警的准确性。
图5示出了本公开的实施例的用于修正预定温差阈值的方法500的流程图。方法500可由如图1所示的计算设备100执行,也可以在图6所示的电子设备600处执行。应当理解的是,方法500还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
在步骤502处,计算设备基于冷水机组实际运行功率与冷水机组额定功率的比值,确定冷水机组负载率。
在步骤504处,计算设备基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率。关于水泵负载率,例如包括冷冻水水泵负载率和冷却水水泵负载率。当水泵与冷水主机一一对应(即水泵与冷水主机为串联形式)时,水泵负载率为水泵实际运行功率与水泵额定功率的比值。当中央空调冷水机组中的水泵采用并联形式时,水泵负载率为中央空调冷水机组中的所有运行水泵的实际运行功率之和与所有运行水泵的额定功率之和的比值。
在步骤506处,计算设备基于冷水机组负载率和水泵负载率中的至少一项,确定修正系数,以便基于修正系数对预定温差阈值进行修正,以得到修正后的预定温差阈值用以基于修正后的预定温差阈值确定温差预警数据。
例如,冷水机组负载率以RL表征,水泵负载率以RS表征,预定温差阈值以A0表征。在一些实施例中,以冷水机组负载率RL作为修正系数,则修正后的预定温差阈值A=A0*RL。在一些实施例中,以水泵负载率RS的倒数作为修正系数,则修正后的预定温差阈值A=A0/RS。在一些实施例中,以冷水机组负载率RL与水泵负载率RS的倒数的乘积作为修正系数,则修正后的预定温差阈值A= A0*RL/RS。
在得到修正后的预定温差阈值之后,计算设备基于修正后的预定温差阈值确定温差预警数据,以便确定温差预警占比。
在上述方案中,一方面,考虑到冷水机组换热器的换热量会随着冷水机组运行工况的变化而发生变化。冷水机组负载率能够反映出冷水机组实际制冷量的输出能力,因此,引入冷水机组负载率对预定温差阈值进行修正以得到修正后的预定温差阈值(例如,修正后的预定温差阈值A=A0*RL),进而基于修正后的预定温差阈值确定温度差值是否为温差预警数据,可以解决冷水机组运行在非额定工况情况时,冷水机组的制冷量与国标额定工况存在偏差的问题,可以显著提高确定温差预警数据的准确性。另一方面,水泵负载率反映出水泵实际输出能力的大小,在冷水机组中,水泵实际运行功率与水流量存在正相关关系(可以近似为正比例关系。例如,当有些设备水泵可以变频运行时,则该水泵实际运行的水流量比额定水流量小),所以,水泵负载率反映出冷水机组的水流量的情况。因此,在上述方案中,引入水泵负载率对预定温差阈值进行修正以得到修正后的预定温差阈值(例如,修正后的预定温差阈值A=A0/RS),进而基于修正后的预定温差阈值确定温度差值是否为温差预警数据,可以显著提高确定温差预警数据的准确性。可以理解,将冷水机组负载率和水泵负载率相结合以确定修正系数(例如,修正后的预定温差阈值A=A0*RL/RS),其使得修正后的预定温差阈值更加准确,可以显著提高确定温差预警数据的准确性。
图6示出了可以用来实施本公开内容的实施例的用于检测中央空调冷水机组故障的方法的示例电子设备600的示意性框图。如图所示,电子设备600包括中央处理单元(即,CPU 601),其可以根据存储在只读存储器(即,ROM 602)中的计算机程序指令或者从存储单元608加载到随机存取存储器(即,RAM 603)中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出接口(即,I/O接口605)也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标、麦克风等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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200、300、400和500,可由CPU 601执行。例如,在一些实施例中,方法200、300、400和500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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序被加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法200、300、400和500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,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,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。
本公开基于对水流衰减故障的影响进行了深入的分析,提取出了能够表征该故障的关键参数,该关键参数都是基于冷水机组采集的基本数据,如温度等,因此可以在不增加检测设备的情况下实现水流衰减故障的诊断。在制定诊断规则和阈值的时候,本公开考虑了变流量的影响,引入了修正系数“水泵负载率”,来表征水流量的变化,因此可以适应变流量情况下的诊断。本公开的故障诊断结果并非仅仅基于某一时刻得到的数据,而是对一段时间内的数据进行综合判断,同时引入了人工智能算法对历史数据的规律进行分析,进一步提高了故障诊断的准确率。
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 (9)
1.一种用于检测中央空调冷水机组故障的方法,其特征在于,包括:
获取被诊断的中央空调冷水机组对应于预定期间的主机的运行参数序列;
基于运行参数序列,确定稳态期间对应的稳态参数序列;
基于稳态参数序列,确定预警数据在稳态参数序列中所占的比重,预警数据为稳态参数序列中的不符合关于运行状态的预定条件的稳态参数;
确定预警数据在稳态参数序列中所占的比重是否大于预定占比阈值;以及
响应于确定预警数据在稳态参数序列中所占的比重大于预定占比阈值,确定中央空调冷水机组存在故障;
其中确定预警数据在稳态参数序列中所占的比重包括:
基于稳态期间内的每个对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值,确定温差序列,温差序列包括多个所述温度差值;
确定温差序列中的每个温度差值是否大于预定温差阈值,以便将大于预定温差阈值的温度差值确定为温差预警数据;以及
基于温差预警数据在温差序列中的占比来确定温差预警占比。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于冷水机组实际运行功率与冷水机组额定功率的比值,确定冷水机组负载率;
基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率;以及
基于冷水机组负载率和水泵负载率中的至少一项,确定修正系数,以便基于修正系数对预定温差阈值进行修正,以得到修正后的预定温差阈值用以基于修正后的预定温差阈值确定温差预警数据。
3.根据权利要求1所述的方法,其特征在于,其中基于运行参数序列,确定稳态期间对应的稳态参数序列包括:
将预定期间划分为多个子期间;
基于每一个子期间的运行参数数据,确定每一个子期间的运行参数数据的方差;
确定当前子期间的运行参数数据的方差是否小于或者等于预定方差阈值;
响应于确定当前子期间的运行参数数据的方差小于或者等于预定方差阈值,确定当前子期间的运行参数数据为稳态参数;以及
基于多个子期间对应的稳态参数确定稳态期间对应的稳态参数序列。
4.根据权利要求1所述的方法,其特征在于,其中确定中央空调冷水机组存在故障包括:
响应于确定温差预警占比大于预定温差占比阈值,确定中央空调冷水机组存在水流衰减故障。
5.根据权利要求1所述的方法,其特征在于,对应采样时刻的主机的出水温度采样数据与进水温度采样数据之间的温度差值包括以下任一项:
对应采样时刻的主机的冷却水出水温度采样数据与冷却水进水温度采样数据之间的温度差值;以及
对应采样时刻的主机的冷冻水出水温度采样数据与冷冻水进水温度采样数据之间的温度差值。
6.根据权利要求1所述的方法,其特征在于,预定温差阈值为6-10℃中的任一温度值。
7.根据权利要求2所述的方法,其特征在于,其中基于水泵实际运行功率与水泵额定功率的比值,确定水泵负载率包括:
基于中央空调冷水机组中的所有运行水泵的实际运行功率之和与所有运行水泵的额定功率之和的比值,确定水泵负载率。
8.一种电子设备,其特征在于,包括:
至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述电子设备执行根据权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被机器执行时实现根据权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027466.1A CN115127194B (zh) | 2022-08-25 | 2022-08-25 | 用于检测中央空调冷水机组故障的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211027466.1A CN115127194B (zh) | 2022-08-25 | 2022-08-25 | 用于检测中央空调冷水机组故障的方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115127194A CN115127194A (zh) | 2022-09-30 |
CN115127194B true CN115127194B (zh) | 2022-11-25 |
Family
ID=83386919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211027466.1A Active CN115127194B (zh) | 2022-08-25 | 2022-08-25 | 用于检测中央空调冷水机组故障的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115127194B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593198B (zh) * | 2023-07-17 | 2023-09-22 | 蘑菇物联技术(深圳)有限公司 | 用于诊断不凝性气体故障的方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05113267A (ja) * | 1991-10-22 | 1993-05-07 | Sanyo Electric Co Ltd | 吸収冷凍機の制御装置 |
CN109540562A (zh) * | 2018-12-12 | 2019-03-29 | 上海理工大学 | 一种冷水机组故障诊断方法 |
CN111536711A (zh) * | 2020-04-08 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种热泵热水机组及其水流异常的控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9003827B2 (en) * | 2009-12-18 | 2015-04-14 | Danfoss A/S | Expansion unit for a vapour compression system |
CN204555465U (zh) * | 2014-12-22 | 2015-08-12 | Tcl空调器(中山)有限公司 | 冷水机组及空调器 |
CN105202836B (zh) * | 2015-09-08 | 2018-01-23 | 珠海格力电器股份有限公司 | 热水机机组水流量检测方法、装置及系统 |
JP6825443B2 (ja) * | 2017-03-24 | 2021-02-03 | 株式会社富士通ゼネラル | 空気調和装置 |
CN109543221B (zh) * | 2018-10-19 | 2023-06-30 | 天津大学 | 一种用于空调冷水机组现场故障诊断方法 |
CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
CN113834214B (zh) * | 2021-09-06 | 2022-11-25 | 宁波奥克斯电气股份有限公司 | 一种空气源热泵热水机及其控制方法、控制装置 |
CN115095962A (zh) * | 2022-07-25 | 2022-09-23 | 蘑菇物联技术(深圳)有限公司 | 用于控制中央空调系统的冷水机组的方法、设备和介质 |
-
2022
- 2022-08-25 CN CN202211027466.1A patent/CN115127194B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05113267A (ja) * | 1991-10-22 | 1993-05-07 | Sanyo Electric Co Ltd | 吸収冷凍機の制御装置 |
CN109540562A (zh) * | 2018-12-12 | 2019-03-29 | 上海理工大学 | 一种冷水机组故障诊断方法 |
CN111536711A (zh) * | 2020-04-08 | 2020-08-14 | 珠海格力电器股份有限公司 | 一种热泵热水机组及其水流异常的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115127194A (zh) | 2022-09-30 |
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 | |
JP2011090382A (ja) | 監視システム | |
CN115127194B (zh) | 用于检测中央空调冷水机组故障的方法、设备和介质 | |
CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、系统及装置 | |
CN112648710B (zh) | 排气温度传感器故障检测方法、装置及空调设备 | |
CN110906508B (zh) | 空调传感器的故障检测方法及系统 | |
CN109028456B (zh) | 一种制冷剂的泄漏检测方法和装置 | |
CN110779157B (zh) | 异常检测系统、异常检测方法以及存储装置 | |
KR20180137513A (ko) | 감시 장치, 대상 장치의 감시 방법 및 프로그램 | |
CN115467819B (zh) | 电子水泵故障检测方法及装置、设备、存储介质 | |
WO2019124367A1 (ja) | 単位空間生成装置、プラント診断システム、単位空間生成方法、プラント診断方法、及びプログラム | |
MX2015005729A (es) | Un metodo para operar un compresor en caso de falla de una o mas señales de medicion. | |
CN115307669B (zh) | 用于检测被测系统的异常传感器的方法、设备和介质 | |
CN114659547B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN114646342B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN115111705B (zh) | 用于检测冷水机组水流旁通故障的方法、设备和介质 | |
CN113464418B (zh) | 确定空压机的性能状态的方法、计算设备和计算机介质 | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
CN114266190A (zh) | 制冷设备的预警方法、制冷设备及存储介质 | |
Liu et al. | An efficient sensor and thermal coupling fault diagnosis methodology for building energy systems | |
CN115358352B (zh) | 用于定位异常传感器的方法、设备和介质 | |
CN115371205B (zh) | 空调系统循环的异常检测方法、装置、电子设备及介质 | |
CN113757915B (zh) | 异常诊断装置和异常诊断方法 | |
TWI751502B (zh) | 冰水主機的性能評估方法 |
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 | ||
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: China 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: China |