CN115307271A - 空调器及其故障的确定方法、空调装置及可读存储介质 - Google Patents
空调器及其故障的确定方法、空调装置及可读存储介质 Download PDFInfo
- Publication number
- CN115307271A CN115307271A CN202110498910.7A CN202110498910A CN115307271A CN 115307271 A CN115307271 A CN 115307271A CN 202110498910 A CN202110498910 A CN 202110498910A CN 115307271 A CN115307271 A CN 115307271A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- parameter
- working condition
- determining
- condition parameter
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了空调器及其故障的确定方法、空调装置及可读存储介质,空调器故障的确定方法包括:获取空调器的第一工况参数对应的参数值;根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。由此,实现了通过第一工况参数的参数值得到第二工况参数的参数值,进而确定空调器的故障信息,不需要获取全部的参数数据即可确定抽检空调器的故障信息,提高了在抽检过程中确定空调器的故障信息的效率。
Description
技术领域
本发明涉及空调技术领域,尤其涉及一种空调器及其故障的确定方法、空调装置及可读存储介质。
背景技术
在空调的功能测试中,往往需要获取与测试空调的功能的相关参数,但是在采集空调的相关参数时,有一些参数比较容易得到,但存在一部分关键数据的缺失,或者较难获取,导致无法快速确定空调存在的故障问题。
发明内容
本申请实施例通过提供一种空调器及其故障的确定方法、空调装置及可读存储介质,旨在解决由于需要采集与抽检空调器功能相关的全部参数数据才能确定空调器的故障信息,导致确定空调器故障信息的效率较低的问题。
为实现上述目的,本申请实施例提供了一种空调器故障的确定方法,所述方法包括:
获取空调器的第一工况参数对应的参数值;
根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;
根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。
可选地,所述根据所述第一工况参数以及预设的神经网络模型预测所述空调器的第二工况参数之前,包括:
获取所述第一工况参数对应的第一样本数据;
采用所述第一样本数据对预设的反向传播神经网络模型进行训练,以得到所述预测模型。
可选地,所述采用所述第一样本数据对预设的反向传播神经网络模型进行训练,以得到所述预测模型,具体包括:
将所述第一样本数据输入所述反向传播神经网络模型的输入层;
获取所述反向传播神经网络模型的输出层的第一输出数据;
获取所述第一输出数据与所述第一样本数据中的第二工况参数的参数值的第一误差值;
在所述第一误差值大于或等于预设阈值时,修正所述反向传播神经网络模型中各节点的权重值,以更新所述反向传播神经网络模型;
返回执行所述将所述第一样本数据输入所述反向传播神经网络模型的输入层,直至输出数据与所述第一样本数据中的第二工况参数的参数值的误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型。
可选地,所述输出数据与所述第一样本数据中的第二工况参数的参数值的误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型的步骤包括:
将所述第一工况参数对应的第二样本数据输入所述当前的所述反向传播神经网络模型,获取所述当前的所述反向传播神经网络模型输出的第二输出数据;
获取所述第二输出数据与所述第二样本数据中的第二工况参数的参数值的第二误差值;
在所述第二误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型。
可选地,所述空调器故障的确定方法,还包括:
接收各个空调器上传的第三样本数据;
根据所述第三样本数据调整所述预测模型中的参数信息。
可选地,所述获取所述第一工况参数对应的第一样本数据的步骤,具体包括:
在样本数据库中抽取目标数量的样本数据得到所述第一样本数据。
可选地,所述根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息,具体包括:
将所述第一工况参数的参数值和所述第二工况参数的参数值分别与预设数据库中的故障参数组进行匹配,生成匹配结果;
根据所述匹配结果确定所述空调器中发生故障的部件的故障信息。
此外,为实现上述目的,本申请另一方面还提供一种空调装置,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现如上任一所述的空调器故障的确定方法。
此外,为实现上述目的,本申请另一方面还提供一种空调器,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现如上任一所述的空调器故障的确定方法。
此外,为实现上述目的,本申请另一方面还提供一种计算机可读存储介质,其特征在于,其上存储有空调器故障的确定空调器故障的确定程序,其特征在于,该空调器故障的确定程序被处理器执行时实现如上任一项所述的空调器故障的确定方法。
在本实施例中,获取在空调器抽检过程中比较容易得到的第一工况参数的参数值,进而将第一工况参数的参数值输入预测模型得到空调器的第二工况参数,进而将第一工况参数与第二工况参数的参数值确定空调器所存在的障碍信息,对需要通过较复杂方式得到的第二工况参数通过预测模型的获得,不需要通过空调器功能相关的检测工具逐一对所需的参数进行测量,提高了空调器抽检的效率。同时,使用预测的方式获取得到判断空调器的故障问题的关键参数值,提高抽检空调器的故障问题确定的准确性。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本申请空调器故障的确定方法一实施例流程示意图;
图3为本申请空调器故障的确定方法又一实施例流程示意图;
图4为本申请空调器故障的确定方法中反向传播神经网络模型示意图;
图5为本申请空调器故障的确定方法另一实施例流程示意图;
图6为本申请空调器故障的确定方法又一实施例流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
由于现有技术中,在对空调器进行抽检时,往往需要采集抽检空调器相关功能的工况参数的值。然而,在获取空调器的工况参数的值的过程中,存在一个不可避免的问题是—部分关键数据的缺失、或者较难获取,降低了确定空调器故障信息的效率。
基于此,本申请提出了一种空调器故障的确定方法,通过获取空调器的第一工况参数对应的参数值;根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。由此,实现了通过第一工况参数的参数值得到第二工况参数的参数值,进而确定空调器的故障信息,不需要获取全部的参数数据即可确定抽检空调器的故障信息,提高了确定抽检空调器的故障信息的效率。
如图1所示,图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及空调器故障的确定程序。
在图1所示的终端中,网络接口1004主要用于与后台服务器进行数据通信;用户接口1003主要用于与客户端(用户端)进行数据通信;而在终端为空调时,处理器1001可以用于调用存储器1005中空调器故障的确定程序,并执行以下操作:
获取空调器的第一工况参数对应的参数值;
根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;
根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。
参考图2,图2为本申请空调器故障的确定方法第一实施例的流程示意图。
本申请实施例提供了空调器故障的确定方法的实施例,需要说明的是,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。
空调器故障的确定方法包括:
步骤S10,获取空调器的第一工况参数对应的参数值;
本申请中的执行终端可以为PC端、亦可为移动终端(例如,iPad、手机)等安装有本申请中所需要的预测模型,在预测模型的输入端可输入第一工况参数的参数值即可实现获取空调器的第二工况参数的参数值,进而可以通过分析确定空调器存在故障的原因的终端。所述第一工况参数为在预测模型或者反向传输神经网络模型的输入层输入的参数,包括:能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度等参数。所述第一工况参数对应的参数值即为能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度等参数的具体的值,例如,空调在制冷模式下,能力参数的值为2600W、功率参数的值为830W、室内机风量的值为480m3/h、室内出风干球温度的值15℃、室内出风湿球温度的值13.5℃。
在本实施中,能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度等第一工况参数具体的参数值的获取方式可以为通过空调器中对应的测量工具测量获得,进而通过空调器发送至PC端进行预测。
步骤S20,根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;
将通过空调器上传获得的能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度等参数的参数值得到第二工况参数的参数值。所述第二工况参数为在预测模型或者反向传输神经网络模型的输出层输出的参数,包括:回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度等参数。所述第二工况参数对应的参数值即为回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度等参数具体的值。
在本实施例中,预测模型为在空调器实验过程中获取到的第一工况参数的参数值与第二工况参数的参数值之间存在的关系的模型。由此,实现在抽检的过程中,只需要在预测模型的输入端输入第一工况参数(能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度)具体的参数值,即可通过预测模型得到第二工况参数(回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度)的参数值。
在本实施例中,所述预测模型可以通过获取在实验过程中的得到的第一工况参数的参数值和第二工况参数的参数值计算得到。
步骤S30,根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。
在本实施例中空调器的故障信息存储于空调器故障数据库中,在空调器故障数据库中存储存在故障的空调器的第一工况参数的参数值、和第二工况参数的参数值,以及对应的出现故障问题的零部件。通过预测模型得到第二工况参数的参数值后,即可得到回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度等参数具体的数值,之后将第一工况参数和第二工况参数具体的数值与空调器故障数据库中的数值进行比对,比对成功确定抽检的空调器存在故障,进一步地在空调器故障数据库中的故障信息,即可确定抽检过程中的空调器的故障零部件信息。
进一步地,在本申请中,当得到第一工况参数的参数值和第二工况参数的参数值后分别与预设数据库中的参数组进行匹配,生成匹配结果,根据匹配结果确定所述空调器中发生故障的部件的故障信息。预设数据库存储各种第一工况参数的参数值和第二工况参数的参数值,以及对应的匹配结果,每一匹配结果形成预设数据库中的一参数组。匹配结果包括空调器正常、以及空调器异常的故障信息。可以理解的是,在预设数据库中的每一参数组(包含第一工况参数的参数值和第二工况参数的参数值)与对应的匹配结果之间的关系的确定方式为根据大量数据学习后得到的,由此,在获取到第一工况参数的参数值以及通过预测模型得到第二工况参数的参数值后,即可将其与预设数据库中的参数组进行比对,进而确定故障信息,提高了故障信息确定的效率。
进一步地,在本实施例中,还可根据第二工况参数的参数值与标准阈值之间的误差来确定故障信息。例如,在确定排气温度与标准的排气温度之间的误差大于预设的排气温度误差范围(可根据工作人员进行具体设置)时,则确定空调器的排气出现了问题,进一步查看与排气相关的零部件,实现了快速在抽检过程中快速确定空调器出现故障的原因。
在本实施例中,获取在空调器抽检过程中比较容易得到的第一工况参数的参数值,进而将第一工况参数的参数值输入预测模型得到空调器的第二工况参数,进而将第一工况参数与第二工况参数的参数值确定空调器所存在的障碍信息,对需要通过较复杂方式得到的第二工况参数通过预测模型的获得,不需要通过空调器功能相关的检测工具逐一对所需的参数进行测量,提高了空调器抽检的效率。同时,使用预测的方式得到判断空调器的故障问题的关键参数值,提高抽检空调器的故障问题确定的准确性。
参照图3,图3为本申请的又一实施例的流程示意图。所述根据所述第一工况参数以及预设的神经网络模型预测所述空调器的第二工况参数之前,包括:
步骤S01,获取所述第一工况参数对应的第一样本数据;
步骤S02,采用所述第一样本数据对预设的反向传播神经网络模型进行训练,以得到所述预测模型。
在本实施例中,获取在实验过程中各空调器的样本数据,可以理解的是,在实验过程中的样本数据中包括第一工况参数的参数值和第二工况参数的参数值。在本申请中,为了确保通过实验过程中的样本数据获取到的预测模型的准确性,获取在实验过程中精确测量得到的大量的样本数据构建样本数据库,其中,在构建样本数据库中的样本数据为空调器在各种状态下(包括空调器正常运行状态和异常运行状态)得到的第一工况参数和第二工况参数的参数值。样本数据库的构建方式可以以表格的方式构建,即第一工况参数(能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度)和第二工况参数(回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度等参数所对应的一个或多个参数值)作为表格的表头,相应的参数值作为表格中的数据,得到样本数据库。
第一工况参数对应的第一样本数据为输入反向传播神经网络模型进而得到预测模型的数据。所述反向传播神经网络模型为人工神经网络中的一种监督式的学习模型中的一种,也称BP神经网络模型。BP神经网络模型在理论上可以逼近任意函数,基本的结构由非线性变化单元组成,具有很强的非线性映射能力。
在本实施例中,由于BP神经网络模型可根据输出结果反向调整输入层中各参数的权重,得到准确的输出结果。由此,在本实施例中,采用BP神经网络模型进行计算的方式提高了获取到预测模型的准确性。
具体地,在本实施例中通过将得到预测模型的方式如下:
BP神经网络模型可分为输入层、隐藏层以及输出层,其中,隐藏层可为多层,各层(包括输入层、输出层和隐藏层)的节点可由用户根据样本参数具体情况进行设置。
获取样本数据库中参数为能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度对应的参数值,并将其输入BP神经网络模型的输入层中,即在本实施例中输入层有5个节点,分别在输入层的每个节点中输入能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度对应的参数值,参照图4,图4为本实施例中BP神经网络模型示意图。在本实施例中,BP网络模型的隐藏层有2层,每一隐藏层中包括10个节点。通过此隐藏层,对比经过神经网络输入层预测值与真实值之间的误差,再通过反向法(输出层——隐藏层——输入层)以最小化误差来更新每个连接的权重,并预测某已知输入数据的未知输出结果。具体工作流程如下:
(1)设置输入层的节点所对应的参数分别:工况能力、功率、室内机风量、出风干球温度、出风湿球温度,i=5;
(2)设置隐藏层:节点j=10,隐藏层为2层;
(3)设置输出层:回气温度/排气温度/室内换热器进口温度/室内换热器中部温度/室内换热器出口温度/室外换热器出口温度/室外换热器中部温度,k=7。
(4)输入数据后,由输入层向前(隐藏层及输出层)进行传送,计算式为:其中Ij为下个传输单元的值(等待进行非线性转化),Wij为每个单元到下一个单元连线之间的权重,θj为偏向。通过非线性转化,即可得输出值Yk,k=7。
在本实施例中,100份样本数据库中的每一样本数据都包含了经过实验测量到的每一台正常运行的空调器的能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度、回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度的参数值,在获取预测模型的过程中,获取样本数据库第一数量(目标数量)的样本数据作为第一样本数据,即将目标数量的能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度参数的参数值代入输入层中,进而获取输出层输出的7个第一输出数据,将第一输出数据与第二工况参数的参数值进行比对,得到第一误差值(▽y),进而将第一误差值(▽y)与预设阈值(p)进行对比,计算▽y与p之间的大小,在确定▽y≥p时,确定需要对各个节点的权重进行修改,直至得到第一误差值小于预设阈值,即▽y<p。
可以理解的是,在本申请中由于第一输出数据存在7个,其分别对应每一台空调器的回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度的参数值,由此,在本实施例中可以根据第二工况参数的不同设置不同的预设阈值。
具体地,在本实施例中以获取的一台空调器的样本数据进行举例说明。能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度、回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度对应的参数值分别为2600W、830W、480m3/h、15℃、13.5℃、13℃、76℃、13℃、11℃、12℃、37℃、48℃。分别将2600、830、480、15、13.5输入BP模型的输入层进行计算,得到输出层中回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度对应的第一输出数据为15、79、13.5、11.5、12.5、38、49,将其与13、76、13、11、12、37、48进行比对,得到第一误差值▽y,所述第一误差值为第一输出数据减去第一样本数据中的第二工况参数的参数值的绝对值,▽y包括:▽y1、▽y2、▽y3、▽y4、▽y5、▽y6、▽y7,预设阈值P包括:P1、P2、P3、P4、P5、P6、P7,预设阈值P的值分别为1、2、1、1、1、2、2,进一步地,得到▽y1=2(|15-13|)>P1,……▽y7=1<P7,只要存在任一▽y的值大于或等于对应的P值,则进一步地反向调整各个节点之间的权重,进而得到满足任一▽y的值小于对应的P值时,则确定当前通过BP模型生成的训练模型为预测模型。
在本实施例中通过实验过程中的第一工况参数对应的样本数据进行反向传播神经网络模型得到用于抽检时的预测模型,通过使用反向传播神经网络模型能够根据第一输出数据与实际数据的差值反向调整输入数据的权重值,提高了得到的预测模型的准确性。
进一步地,参照图5,图5为本申请另一实施例流程示意图。所述出数据与所述第一样本数据中的第二工况参数的参数值的误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型,包括:
步骤S03,将所述第一工况参数对应的第二样本数据输入所述当前的所述反向传播神经网络模型,获取所述当前的所述反向传播神经网络模型输出的第二输出数据;
步骤S04,获取所述第二输出数据与所述第二样本数据中的第二工况参数的参数值的第二误差值;
步骤S05,在所述第二误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型。
第二样本数据为对当前的所述反向传播神经网络模型进行校验的数据,校验通过时,则确定生成的训练模型为预测模型。例如,在本实施例中第二样本数据的量可设置为200份样本数据。在本实施例中,第一样本数据和第二样本数据形成样本数据库中第一工况参数的样本数据。
获取200份样本数据中第一工况参数的参数值输入当前的所述反向传播神经网络模型的输入层,进而得到当前的所述反向传播神经网络模型的第二输出数据,将第二输出数据与第二样本数据的第二工况参数的参数值进行比对得到第二误差值,确定第二误差值小于预设阈值时,则确定当前的所述反向传播神经网络模型生成的训练模型为预测模型。
进一步地,在本申请中,在200份样本数据的检测结果中获取通过检测的样本的数量,进而计算通过检测的样本数量与200份样本数据的比值确定当前的所述反向传播神经网络模型生成的训练模型是否为预测模型。例如,当比值为90%时,即200份样本数据中有180份样本数据其比值大于预设比值(70%),则通过了校验,确定生成预测模型。
在本申请中,使用第二样本数据对当前的所述反向传播神经网络模型生成的训练模型进行校验,校验通过时则确定生成预测模型,提高了预测模型的正确率。
参照图6,图6为本申请又一实施例的流程示示意图。所述空调器故障的确定方法,还包括:
步骤S40,接收各个空调器上传的第三样本数据;
步骤S50,根据所述第三样本数据调整所述预测模型中的参数信息。
第三样本数据为在样本数据库之外获取到的数据。可以理解的是第三样本数据包括能力、功率、室内机风量、室内出风干球温度、室内出风湿球温度、回气温度、排气温度、室内换热器进口温度、室内换热器中部温度、室内换热器出口温度、室外换热器出口温度、室外换热器中部温度对应的参数值,根据得到的参数值,在确定所有参数值符合空调器正常运行时各个参数对应的参数值时,则确定获得的第三样本参数可用为样本数据,将第三样本参数对应的参数值加入第一样本参数中,并重新对第一样本参数执行反向传播神经网络模型生成预测模型。实现了对预测模型中各个节点权重的调整,得到了准确定更高的预测模型。
此外,为实现上述目的,本申请另一方面还提供一种空调装置,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现如上任一所述的空调器故障的确定方法。
此外,为实现上述目的,本申请另一方面还提供一种空调器,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现如上任一所述的空调器故障的确定方法。
此外,为实现上述目的,本申请另一方面还提供一种计算机可读存储介质,其特征在于,其上存储有空调器故障的确定空调器故障的确定程序,其特征在于,该空调器故障的确定程序被处理器执行时实现如上任一项所述的空调器故障的确定方法。
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。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词目标、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种空调器故障的确定方法,其特征在于,所述空调器故障的确定方法包括以下步骤:
获取空调器的第一工况参数对应的参数值;
根据所述第一工况参数的参数值以及预测模型得到所述空调器的第二工况参数的参数值;
根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息。
2.如权利要求1所述的空调器故障的确定方法,其特征在于,所述根据所述第一工况参数以及预设的神经网络模型预测所述空调器的第二工况参数之前,包括:
获取所述第一工况参数对应的第一样本数据;
采用所述第一样本数据对预设的反向传播神经网络模型进行训练,以得到所述预测模型。
3.如权利要求2所述的空调器故障的确定方法,其特征在于,所述采用所述第一样本数据对预设的反向传播神经网络模型进行训练,以得到所述预测模型,具体包括:
将所述第一样本数据输入所述反向传播神经网络模型的输入层;
获取所述反向传播神经网络模型的输出层的第一输出数据;
获取所述第一输出数据与所述第一样本数据中的第二工况参数的参数值的第一误差值;
在所述第一误差值大于或等于预设阈值时,修正所述反向传播神经网络模型中各节点的权重值,以更新所述反向传播神经网络模型;
返回执行所述将所述第一样本数据输入所述反向传播神经网络模型的输入层,直至输出数据与所述第一样本数据中的第二工况参数的参数值的误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型。
4.如权利要求3所述的空调器故障的确定方法,其特征在于,所述输出数据与所述第一样本数据中的第二工况参数的参数值的误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型,具体包括:
将所述第一工况参数对应的第二样本数据输入所述当前的所述反向传播神经网络模型,获取所述当前的所述反向传播神经网络模型输出的第二输出数据;
获取所述第二输出数据与所述第二样本数据中的第二工况参数的参数值的第二误差值;
在所述第二误差值小于所述预设阈值时,确定当前的所述反向传播神经网络模型生成的训练模型为所述预测模型。
5.如权利要求2所述的空调器故障的确定方法,其特征在于,所述空调器故障的确定方法,还包括:
接收各个空调器上传的第三样本数据;
根据所述第三样本数据调整所述预测模型中的参数信息。
6.如权利要求2所述的空调器故障的确定方法,其特征在于,所述获取所述第一工况参数对应的第一样本数据,具体包括:
在样本数据库中抽取目标数量的样本数据得到所述第一样本数据。
7.如权利要求1所述的空调器故障的确定方法,其特征在于,所述根据所述第一工况参数的参数值与所述第二工况参数的参数值获取所述空调器的故障信息,具体包括:
将所述第一工况参数的参数值和所述第二工况参数的参数值分别与预设数据库中的参数组进行匹配,生成匹配结果;
根据所述匹配结果确定所述空调器中发生故障的部件的故障信息。
8.一种空调装置,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现权利要求1-7任一所述的空调器故障的确定方法。
9.一种空调器,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空调器故障的确定程序,所述处理器执行所述空调器故障的确定程序时实现权利要求1-7任一所述的空调器故障的确定方法。
10.一种计算机可读存储介质,其特征在于,其上存储有空调器故障的确定空调器故障的确定程序,其特征在于,该空调器故障的确定程序被处理器执行时实现权利要求1-7任一项所述的空调器故障的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498910.7A CN115307271A (zh) | 2021-05-06 | 2021-05-06 | 空调器及其故障的确定方法、空调装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110498910.7A CN115307271A (zh) | 2021-05-06 | 2021-05-06 | 空调器及其故障的确定方法、空调装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115307271A true CN115307271A (zh) | 2022-11-08 |
Family
ID=83854019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110498910.7A Pending CN115307271A (zh) | 2021-05-06 | 2021-05-06 | 空调器及其故障的确定方法、空调装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115307271A (zh) |
-
2021
- 2021-05-06 CN CN202110498910.7A patent/CN115307271A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109074063A (zh) | 用数据驱动的工作流程进行安全分析评估的装置和方法 | |
US8694283B2 (en) | System and method for modeling conditional dependence for anomaly detection in machine condition monitoring | |
CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
KR102279351B1 (ko) | 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법 | |
JP2019121162A (ja) | 監視装置、監視方法および監視プログラム | |
CN116450399A (zh) | 微服务系统故障诊断及根因定位方法 | |
CN111680388A (zh) | 任务电子系统可靠性数据量化方法、装置和计算机设备 | |
CN114355094B (zh) | 基于多源信息的产品可靠性薄弱环节综合评估方法和装置 | |
CN110850358A (zh) | 基于逐步回归算法的电能表综合检定方法及系统 | |
Zhang et al. | Evaluate the impact of sensor accuracy on model performance in data-driven building fault detection and diagnostics using Monte Carlo simulation | |
CN115795920A (zh) | 基于多应力耦合加速模型的产品可靠性评价方法和装置 | |
US20240110719A1 (en) | Air conditioning control device and air conditioning control method | |
CN113988676A (zh) | 一种水处理设备的安全管理方法及系统 | |
CN115307271A (zh) | 空调器及其故障的确定方法、空调装置及可读存储介质 | |
CN113094975B (zh) | 智能电网节点脆弱性的评估方法、系统、设备及存储介质 | |
JP7455667B2 (ja) | センサドリフト診断装置、センサドリフト診断方法およびセンサドリフト診断プログラム | |
Chen et al. | Using Machine Learning for Feature Selection in Automated Fault Detection and Diagnosis of Split System Air Conditioners | |
WO2021046723A1 (zh) | 传感器模型的生成方法和系统、传感器测量方法和系统 | |
CN111832116A (zh) | 基于动力学特性与深度学习的点阵夹层板损伤识别方法 | |
CN112214827A (zh) | 基于多应力的轨道交通电子控制装置寿命评估方法及装置 | |
CN106855841B (zh) | 一种系统内存分析方法和装置 | |
CN113434408B (zh) | 一种基于测试预言的单元测试用例排序方法 | |
Neymark | Airside HVAC BESTEST: HVAC Air-Distribution System Model Test Cases for ASHRAE Standard 140 | |
CN112434839B (zh) | 一种配电变压器重过载风险的预测方法及电子设备 | |
CN113641848B (zh) | 一种电子产品的在线组装连接指导方法及系统 |
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 |