CN115879054B - 一种基于图像处理确定液氨制冷状态的方法和装置 - Google Patents
一种基于图像处理确定液氨制冷状态的方法和装置 Download PDFInfo
- Publication number
- CN115879054B CN115879054B CN202310197038.1A CN202310197038A CN115879054B CN 115879054 B CN115879054 B CN 115879054B CN 202310197038 A CN202310197038 A CN 202310197038A CN 115879054 B CN115879054 B CN 115879054B
- Authority
- CN
- China
- Prior art keywords
- liquid ammonia
- evaporator
- neural network
- network model
- ammonia evaporator
- 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
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/27—Relating to heating, ventilation or air conditioning [HVAC] technologies
-
- 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]
- Y02B30/62—Absorption based systems
Abstract
本发明公开了一种基于图像处理确定液氨制冷状态的方法和装置,涉及图像数据处理技术领域,包括:S1、获取液氨蒸发器内部的连续多个图像;S2、获取液氨蒸发器内的多个传感器参数,其中多个传感器参数包括温度、氨气浓度、压力、液位;S3、基于液氨蒸发器内部的连续多个图像、液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到液氨制冷状态是否正常,其中长短期神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器的多个传感器参数,长短期神经网络模型的输出为液氨制冷状态正常或液氨制冷状态异常,从而准确地判断当前液氨制冷状态是正常还是异常。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于图像处理确定液氨制冷状态的方法和装置。
背景技术
氨是广泛应用于化工、轻工、化肥、制药、合成纤维等领域的一种气体。工业上常将液氨用作制冷剂使用。
在液氨制冷循环中,蒸发器、压缩机、冷凝器、节流阀是必不可少的四大部件。其中蒸发器是向外输送冷量的设备,蒸发器中的液氨在低压(蒸发压力)下以较低的温度(蒸发温度)蒸发,吸收被冷却物质的热量实现制冷。而蒸发器中液氨的制冷控制主要由节流阀来调节,节流阀通过调节液氨的流速实现蒸发器中的液氨制冷调节。
而在液氨制冷中,液氨制冷状态主要是人为通过经验来判断液氨制冷是否正常工作,工作人员需要时刻盯着整个液氨制冷过程并通过人为经验判断液氨制冷是否正常工作,以防止液氨制冷过程中存在故障。该方法费时费力,且判断结果受人的主观因素影响,不太准确。
因此,如何准确的判断液氨制冷状态成为当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何准确快速的判断液氨制冷状态。
根据第一方面,一种实施例中提供一种基于图像处理确定液氨制冷状态的方法,包括:S1、获取液氨蒸发器内部的连续多个图像;S2、获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;S3、基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
在一些实施例中,若所述液氨制冷状态异常,则基于卷积神经网络模型输出推荐的节流阀流速,并将所述推荐的节流阀流速发送到用户端,其中所述卷积神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器内的多个传感器参数、当前节流阀流速、节流阀压力、压缩机的吸气温度、压缩机的排气温度、压缩机的吸气压力,所述卷积神经网络模型的输出为所述推荐的节流阀流速。
在一些实施例中,若所述液氨制冷状态正常,则发出提示信号指示当前液氨制冷状态正常。
在一些实施例中,所述提示信号为声音或闪烁的视觉信号。
根据第二方面,一种实施例中提供基于图像处理确定液氨制冷状态装置,其特征在于,包括:图像获取模块,用于获取液氨蒸发器内部的连续多个图像;传感器参数获取模块,用于获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;处理模块,用于基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
在一些实施例中,所述处理模块还用于:若所述液氨制冷状态异常,则基于卷积神经网络模型输出推荐的节流阀流速,并将所述推荐的节流阀流速发送到用户端,其中所述卷积神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器内的多个传感器参数、当前节流阀流速、节流阀压力、压缩机的吸气温度、压缩机的排气温度、压缩机的吸气压力,所述卷积神经网络模型的输出为所述推荐的节流阀流速。
在一些实施例中所述处理模块还用于:若所述液氨制冷状态正常,则发出提示信号指示当前液氨制冷状态正常。
依据上述实施例提供的一种基于图像处理确定液氨制冷状态的方法和装置,通过长短期神经网络模型对所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数进行处理,从而准确的判断当前液氨制冷状态是正常还是异常。
附图说明
图1为本发明实施例提供的一种基于图像处理确定液氨制冷状态的方法的流程示意图;
图2为本发明实施例提供的一种基于图像处理确定液氨制冷状态装置的示意图;
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本发明能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本发明相关的一些操作并没有在说明书中显示或者描述,这是为了避免本发明的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本发明所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
在液氨制冷循环中,蒸发器、压缩机、冷凝器、节流阀是必不可少的四大部件。蒸发器是向外输送冷量的设备,蒸发器中的液氨在低压(蒸发压力)下以较低的温度(蒸发温度)蒸发,吸收传热介质的热量实现制冷。压缩机是制冷循环系统的心脏,起到输送液氨蒸汽的作用,同时保证蒸发器在低压下运行。冷凝器在高压(冷凝压力)下运行,冷凝器是放出热量的设备,冷凝器将液氨蒸汽在高压下将从蒸发器吸收的热量以及压缩功转化的热量传递给冷凝器中的冷却介质,冷凝成温度较高的(冷凝温度)液体。节流阀将从冷凝器冷凝的液氨液体节流降压(降到蒸发压力)后进入蒸发器,同时控制和调节液氨的流量,并将系统分为高压侧和低压侧两部分。
在实际的制冷系统中,为了提高运行的经济性、可靠性和安全性,还可以设有一些辅助设备,如气液分离器、油分离器、油冷却器、空气分离器、贮液器、集油器、过滤器以及安全附件、阀门等。
液氨制冷原理为从蒸发器出来的氨的低温低压蒸气被吸入压缩机内,压缩成高压高温的过热蒸气,然后进入冷凝器。由于高压高温过热氨气的温度高于其环境介质的温度,且其压力使氨气能在常温下冷凝成液体状态,因而排至冷凝器时,经冷却、冷凝成高压常温的氨液。高压常温的氨液通过节流阀时,因节流而降压,在压力降低的同时,氨液因沸腾蒸发吸热使其本身的温度也相应下降,从而变成了低压低温的氨液。把这种低压低温的氨液引入蒸发器吸热蒸发,即可使其周围空气以及物料的温度下降而达到制冷的目的。从蒸发器出来的低压低温氨气重新进入压缩机,从而完成一个制冷循环,然后重复上述过程。
本发明实施例中,提供了如图1所示的一种基于图像处理确定液氨制冷状态的方法,包括步骤S1~S3:
步骤S1,获取液氨蒸发器内部的连续多个图像。
在一些实施例中,可以将相机设置于液氨蒸发器内部,用于拍摄液氨蒸发器中液氨的制冷过程中的图像。相机可以为耐低温、耐高温、耐高压的工业相机,例如相机可以为工业级耐高温风冷摄像机。在一些实施例中,相机可以安装在液氨蒸发器的管壁上,并与外部通信连接。
液氨蒸发器的液氨通过传热介质的换热管壁吸收传热介质的热量,液氨蒸发器的液氨吸收热后加热转化为气体,气态氨从出口进入压缩机。作为示例,传热介质为水,
相机拍摄液氨蒸发器内部的连续多个图像,所述连续多个图像可以为液氨的制冷过程中的视频数据。所述视频数据是指以电信号方式记录的动态影像,由多幅时间上连续的静态图像组成。其中,所述多个图像中的每一个图像为视频数据的一帧。
在一些实施例中,视频数据的格式可以包括但不限于:高密度数字视频光盘(Digital Video Disc,DVD)、流媒体格式(Flash Video,FLV)、动态图像专家组(MPEG,Motion Picture Experts Group)、音频视频交错(Audio Video Interleaved,AVI)、家用录像系统(Video Home System,VHS)和视频容器文件格式(Real Media file format,RM)等中的一种或多种组合。
所述连续多个图像还可以是在每隔较短时间阈值拍摄的连续多个图像,所述时间阈值可以为0.1秒、0.2秒。
所述多个图像可以展示出液氨蒸发器内液氨的工作状态,例如,所述多个图像显示液氨通过传热介质的换热管壁后液氨的气化反应过程不明显,可以表示当前液氨的流速过快或传热介质的换热管壁中的传热介质较少,当前液氨制冷的工作过程异常。例如,所述多个图像显示液氨通过传热介质的换热管壁后液氨的气化反应过程反应特别强烈,可以表示当前液氨的流速较慢或传热介质的换热管壁中的传热介质较多,当前液氨制冷的工作过程异常。又例如,所述多个图像显示液氨通过传热介质的换热管壁后液氨的气化反应过程反应比较平缓,可以表示当前液氨制冷的工作过程正常。又例如,所述多个图像显示液氨蒸发器中液氨的液位过低或过高,则说明当前液氨制冷的工作过程异常。又例如,所述多个图像可以显示传热介质的换热管壁的管壁结霜程度,若结霜层过厚,则说明当前液氨制冷的工作过程异常。
液氨蒸发器的形状可以包括立式圆筒形、卧式圆筒形、球形、双曲线。
步骤S2,获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位。
液氨蒸发器内的多个传感器参数可以为设置在液氨蒸发器管壁内多个传感器对液氨蒸发器进行测量所得到的参数。所述多个传感器包括温度传感器、氨气浓度传感器、压力传感器、液位传感器。其中所述氨气浓度传感器可以为电化学氨气传感器(NH3传感器)。温度传感器可以检测液氨蒸发器中的温度,氨气浓度传感器可以检测液氨蒸发器的氨气浓度,压力传感器检测液氨蒸发器的压力变化,液位传感器可以检测液氨蒸发器的液氨的液位。
液氨蒸发器内的多个传感器参数也能反映出蒸发器内液氨制冷过程的制冷状态是正常或异常。例如温度过高或过低、液氨液位过高或过低可以表示液氨制冷过程异常。但由于液氨蒸汽管中环境复杂,传感器可能产生故障,或传感器数据有时会出现误差较大或数据失真,例如会出现液位传感器的假液位情况,所以仅凭传感器的参数来判断所述液氨制冷的状态不太准确。所以结合液氨蒸发器内部的连续多个图像和液氨蒸发器内的多个传感器参数进行综合判断得到所述液氨制冷状态,其结果更加精确。
步骤S3,基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
长短期神经网络模型包括长短期记忆网络(LSTM,Long Short-Term Memory),长短期记忆网络是RNN(Recurrent Neural Network,循环神经网络)中的一种。
长短期神经网络模型能够处理任意长度的序列数据,捕捉序列的信息,输出基于序列中前后数据关联关系的结果。通过长短期神经网络模型处理连续时间点的液氨蒸发器内部的连续多个图像,能够输出得到考虑各个时间点的液氨蒸发器内部的连续多个图像之间关联关系的特征,使得该输出的特征更加的准确和全面。
长短期神经网络模型可以通过训练样本来训练得到。训练样本的输入为液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,训练样本的输出标签是所述液氨制冷状态正常或所述液氨制冷状态异常。所述训练样本的输出标签可以通过人为标注得到。在一些实施例中,可以通过梯度下降法对长短期神经网络模型进行训练得到训练后的长短期神经网络模型。具体的,根据训练样本,构建长短期神经网络模型的损失函数,通过长短期神经网络模型的损失函数调整长短期神经网络模型的参数,直到损失函数值收敛或者小于预设阈值,则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
训练完成后,输入所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数到训练完成后的长短期神经网络模型,输出得到所述液氨制冷状态,其中所述液氨制冷状态包括所述液氨制冷状态正常或所述液氨制冷状态异常。
在一些实施例中,若长短期神经网络模型输出液氨制冷状态正常,则发出提示信号指示当前液氨制冷状态正常。例如提示信号展示在用户操作设备上,所述提示信号可以声音或闪烁的视觉信号,例如声音可以为“正常工作”,闪烁的视觉信号可以为绿色信号灯不停的闪烁。
在一些实施例中,若所述长短期神经网络模型输出液氨制冷状态异常,则说明当前液氨制冷需要进行干预。例如可以通过调节节流阀的流速来调节液氨制冷过程。作为示例,如果液氨的液位过低,则可以加快节流阀流速以补充液氨。又例如,如果液氨的液位过高,则调慢节流阀流速。又例如,液氨的气化反应过程反应特别强烈,说明当前传热介质的换热管壁温度较高,则可以加快节流阀流速以补充液氨。
由于人为对节流阀的流速进行调节往往受人的主观因素影响,且如果对节流阀的流速调节幅度过高或偏离实际,反而会使得液氨制冷状态异常的情况加重。因此使用卷积神经网络模型输出推荐的节流阀流速用于流速调节可以避免人为调节造成的误差。
在一些实施例中,若所述液氨制冷状态异常,则基于卷积神经网络模型输出推荐的节流阀流速,并将所述推荐的节流阀流速发送到用户端,其中所述卷积神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器内的多个传感器参数、当前节流阀流速、节流阀压力、压缩机的吸气温度、压缩机的排气温度、压缩机的吸气压力,所述卷积神经网络模型的输出为所述推荐的节流阀流速。
卷积神经网络模型的输出所述推荐的节流阀流速后,用户可以根据输出的所述推荐的节流阀流速对所述节流阀的流速进行调节。
所述用户端可以为用户手机、电脑、液氨蒸发器的外部操作设备等。
当前节流阀流速表示当前节流阀中液氨的流速。节流阀压力表示节流阀中压力传感器所测得的节流阀压力。压缩机的吸气温度表示压缩机在吸收液氨蒸气时压缩机的温度。压缩机的排气温度表示压缩机在排出液氨蒸气时压缩机的温度。压缩机的吸气压力表示吸收液氨蒸气时压缩机的压力。
卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如,包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元:宽度、高度、深度。在一些实施例中,卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出,计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。卷积神经网络模型可以输出得到所述推荐的节流阀流速。
卷积神经网络模型可以通过训练样本来训练得到。训练样本中的样本输入包括样本液氨蒸发器内部的连续多个图像、样本液氨蒸发器内的多个传感器参数、样本节流阀流速、样本节流阀压力、样本压缩机的吸气温度、样本压缩机的排气温度、样本压缩机的吸气压力,训练样本中的样本输出标签为样本推荐的节流阀流速。训练样本的样本输出标签可以通过工作人员对样本液氨蒸发器内部的连续多个图像、样本液氨蒸发器内的多个传感器参数、样本节流阀流速、样本节流阀压力、样本压缩机的吸气温度、样本压缩机的排气温度、样本压缩机的吸气压力进行手动标注得到,例如工作人员可以计算样本输入所对应的样本推荐的节流阀流速,并将所述样本推荐的节流阀流速作为训练样本的样本输出标签以用于训练。在一些实施例中,可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。具体的,根据训练样本,构建卷积神经网络模型的损失函数,通过卷积神经网络模型的损失函数调整卷积神经网络模型的参数,直到损失函数值收敛或者小于预设阈值,则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。
基于同一发明构思,图2为本发明的实施例提供的一种基于图像处理确定液氨制冷状态装置的示意图,包括:
图像获取模块21,用于获取液氨蒸发器内部的连续多个图像;
传感器参数获取模块22,用于获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;
处理模块23,用于基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
基于同一发明构思,本发明的实施例提供了一种电子设备,如图3所示,包括:
处理器31;用于存储处理器31中可执行程序指令的存储器32;其中,处理器31被配置为执行以实现如前述提供的一种基于图像处理确定液氨制冷状态的方法,所述方法包括:
S1、获取液氨蒸发器内部的连续多个图像;S2、获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;S3、基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
基于同一发明构思,本实施例提供了一种非临时性计算机可读存储介质,当存储介质中的指令由电子设备的处理器31执行时,使得电子设备能够执行实现如前述提供的一种基于图像处理确定液氨制冷状态的方法,所述方法包括: S1、获取液氨蒸发器内部的连续多个图像;S2、获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;S3、基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常。
基于同一发明构思,本实施例还提供了一种计算机程序产品,所述计算机程序被处理器执行时实现如前述提供的一种基于图像处理确定液氨制冷状态的方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (5)
1.一种基于图像处理确定液氨制冷状态的方法,其特征在于,包括:
S1、获取液氨蒸发器内部的连续多个图像,所述液氨蒸发器内部的连续多个图像由相机拍摄得到,所述相机安装在所述液氨蒸发器的管壁上,并与外部通信连接,所述相机为工业级耐高温风冷摄像机;
S2、获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;
S3、基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常;
所述方法还包括:若所述液氨制冷状态异常,则基于卷积神经网络模型输出推荐的节流阀流速,并将所述推荐的节流阀流速发送到用户端,其中所述卷积神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器内的多个传感器参数、当前节流阀流速、节流阀压力、压缩机的吸气温度、压缩机的排气温度、压缩机的吸气压力,所述卷积神经网络模型的输出为所述推荐的节流阀流速。
2.如权利要求1所述的基于图像处理确定液氨制冷状态的方法,其特征在于,所述方法还包括:若所述液氨制冷状态正常,则发出提示信号指示当前液氨制冷状态正常。
3.如权利要求2所述的基于图像处理确定液氨制冷状态的方法,其特征在于,包括:所述提示信号为声音或闪烁的视觉信号。
4.一种基于图像处理确定液氨制冷状态装置,其特征在于,包括:
图像获取模块,用于获取液氨蒸发器内部的连续多个图像,所述液氨蒸发器内部的连续多个图像由相机拍摄得到,所述相机安装在所述液氨蒸发器的管壁上,并与外部通信连接,所述相机为工业级耐高温风冷摄像机;
传感器参数获取模块,用于获取液氨蒸发器内的多个传感器参数,其中所述多个传感器参数包括温度、氨气浓度、压力、液位;
处理模块,用于基于所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,通过长短期神经网络模型进行判断得到所述液氨制冷状态是否正常,其中所述长短期神经网络模型的输入包括所述液氨蒸发器内部的连续多个图像、所述液氨蒸发器的多个传感器参数,所述长短期神经网络模型的输出为所述液氨制冷状态正常或所述液氨制冷状态异常;
所述处理模块还用于:若所述液氨制冷状态异常,则基于卷积神经网络模型输出推荐的节流阀流速,并将所述推荐的节流阀流速发送到用户端,其中所述卷积神经网络模型的输入包括液氨蒸发器内部的连续多个图像、液氨蒸发器内的多个传感器参数、当前节流阀流速、节流阀压力、压缩机的吸气温度、压缩机的排气温度、压缩机的吸气压力,所述卷积神经网络模型的输出为所述推荐的节流阀流速。
5.如权利要求4所述的基于图像处理确定液氨制冷状态装置,其特征在于,所述处理模块还用于:若所述液氨制冷状态正常,则发出提示信号指示当前液氨制冷状态正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197038.1A CN115879054B (zh) | 2023-03-03 | 2023-03-03 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197038.1A CN115879054B (zh) | 2023-03-03 | 2023-03-03 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879054A CN115879054A (zh) | 2023-03-31 |
CN115879054B true CN115879054B (zh) | 2023-05-30 |
Family
ID=85761913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197038.1A Active CN115879054B (zh) | 2023-03-03 | 2023-03-03 | 一种基于图像处理确定液氨制冷状态的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879054B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519969A (zh) * | 2011-11-30 | 2012-06-27 | 北京市丰台区特种设备检测所 | 带保温压力管道不停机全面检验方法 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053738A1 (en) * | 2009-11-24 | 2012-03-01 | Friedrich Air Conditioning Co., A Division Of U.S. Natural Resources, Inc. | Remote control system for a room air conditioner and/or heat pump |
US8750594B2 (en) * | 2010-12-17 | 2014-06-10 | Florida Power And Light Company | System and method for non-destructively examining degradation of an interior of a device |
CN110689075A (zh) * | 2019-09-26 | 2020-01-14 | 北京工业大学 | 基于多算法融合的制冷设备的自适应阈值的故障预测方法 |
CN111126641B (zh) * | 2019-11-25 | 2023-08-22 | 泰康保险集团股份有限公司 | 一种资源分配方法和装置 |
CN112581387B (zh) * | 2020-12-03 | 2021-11-09 | 广州电力通信网络有限公司 | 一种配电室智能运维系统、装置及方法 |
US20230012186A1 (en) * | 2021-07-01 | 2023-01-12 | Board Of Trustees Of Michigan State University | System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks |
CN113743607B (zh) * | 2021-09-15 | 2023-12-05 | 京东科技信息技术有限公司 | 异常检测模型的训练方法、异常检测方法及装置 |
CN113836816A (zh) * | 2021-09-30 | 2021-12-24 | 华能威海发电有限责任公司 | 一种基于红外图像的发电机碳刷温度监测系统及温度预测方法 |
CN114877550B (zh) * | 2022-06-07 | 2024-04-16 | 上海美控智慧建筑有限公司 | 节流阀的控制方法、冷水机和计算机可读存储介质 |
CN217655461U (zh) * | 2022-08-06 | 2022-10-25 | 山东省银丰制冷设备有限公司 | 一种压力预警自动控制装置 |
-
2023
- 2023-03-03 CN CN202310197038.1A patent/CN115879054B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519969A (zh) * | 2011-11-30 | 2012-06-27 | 北京市丰台区特种设备检测所 | 带保温压力管道不停机全面检验方法 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
Non-Patent Citations (4)
Title |
---|
A study on a real-time leak detection method for pressurized liquid refrigerant pipeline based on pressure and flow rate;Shen Tian等;《Applied Thermal Engineering》;第95卷;第462-472页 * |
Infrared visualization of thermal motion inside a sessile drop deposited onto a heated surface;D. Brutin等;《Experimental Thermal and Fluid Science》;第35卷(第3期);第521-530页 * |
基于数据驱动的多联机空调系统故障检测与诊断研究;郭亚宾;《工程科技Ⅱ辑》(第03期);第16-97页 * |
膨胀阀与蒸发器之间制冷剂气液两相流可视化实验研究;孙斌等;《建筑节能》;第38卷(第12期);第26-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115879054A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DK2812640T3 (en) | PROCEDURE FOR DETECTING LOSS OF REFRIGERANT | |
EP3008414B1 (de) | Kältegerät mit einem kameramodul | |
EP2840334B1 (en) | Monitoring method and cooling system | |
CN103968588B (zh) | 制冷机及使用该制冷机的制冷设备 | |
CN104279805B (zh) | 水冷螺杆式制冷机组运行控制方法 | |
CN105698460B (zh) | 冰箱及应用于冰箱的冷量补偿方法 | |
CN115879054B (zh) | 一种基于图像处理确定液氨制冷状态的方法和装置 | |
US20170089626A1 (en) | Apparatus and method for monitoring state of cryogenic freezer | |
CN114963683B (zh) | 一种精确控温制冷系统 | |
CN107084564A (zh) | 一种双回路冷水机组智能控制系统及其控制方法 | |
KR102490828B1 (ko) | 스마트 농산물 저장 시스템 및 방법 | |
US11796227B2 (en) | Refrigeration system with oil control system | |
CN107702393B (zh) | 液位调节装置及其控制方法、制冷系统 | |
CN107905992B (zh) | 一种超低温冷压缩机性能试验系统 | |
ES2638362T3 (es) | Sistema optrónico de infrarrojos con mantenimiento predictivo a partir de una deriva brusca | |
CN101504238A (zh) | 具有摄像监控功能的冷柜 | |
CN110878979B (zh) | 一种空调器冷媒填充种类的检测方法和检测装置 | |
CN115398167B (zh) | 信息处理装置、收纳容器和程序 | |
CN105431693B (zh) | 用于制冷系统的制冷剂液位监控 | |
CN110332158A (zh) | 一种挤压机液压油冷却装置及其控制方法 | |
JP6817984B2 (ja) | 冷凍機油劣化判定システム | |
CN207947995U (zh) | 数据中心冷却系统 | |
CN112946033B (zh) | 一种基于静电容量测定二氧化碳制冷剂的方法及装置 | |
CN114485056B (zh) | 一种空分的空气低温冷却液化装置 | |
WO2021201184A1 (ja) | 情報処理装置、収容容器、および、プログラム |
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 |