CN116007129A - 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 - Google Patents
一种融合人热舒适度与检测数据的暖通空调故障诊断方法 Download PDFInfo
- Publication number
- CN116007129A CN116007129A CN202211738975.5A CN202211738975A CN116007129A CN 116007129 A CN116007129 A CN 116007129A CN 202211738975 A CN202211738975 A CN 202211738975A CN 116007129 A CN116007129 A CN 116007129A
- Authority
- CN
- China
- Prior art keywords
- air conditioning
- conditioning unit
- thermal comfort
- space
- time point
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000009423 ventilation Methods 0.000 title claims abstract description 20
- 238000004378 air conditioning Methods 0.000 claims abstract description 119
- 238000010438 heat treatment Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000003570 air Substances 0.000 claims description 36
- 230000037149 energy metabolism Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000012080 ambient air Substances 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000037323 metabolic rate Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及一种融合人热舒适度与检测数据的暖通空调故障诊断方法,基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合空调机组工作所覆盖各空间中人员对热舒适性的感知,获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,如此通过对网络的训练,获得空调机组故障诊断模型,进而实现对空调机组对应目标时间的诊断;整个设计综合考虑空调机组自身检测、以及人体热舒适度感知,可以弥补传感器不足的缺陷,为故障诊断提供更多信息,能够更加高效的提高空调机组故障判断的准确性。
Description
技术领域
本发明涉及一种融合人热舒适度与检测数据的暖通空调故障诊断方法,属于空调机组故障诊断技术领域。
背景技术
暖通空调系统在建筑物总能耗中的占比最高,约为50-60%,并且在暖通空调中大约42%的制冷能耗、以及26%的维修费用是设备故障造成。据估计,暖通空调故障诊断可以减少10-40%的能源消耗。由于暖通空调的传感器主要是用于采集现场数据以实现对于暖通空调的控制,而非为了故障诊断的目的。因此,暖通空调中的传感器数量偏少,有时无法提供足够的数据用于故障诊断。因此,如何在传感器以外,提供更多的故障特征信息对暖通空调的故障诊断非常重要。
发明内容
本发明所要解决的技术问题是提供一种融合人热舒适度与检测数据的暖通空调故障诊断方法,综合检测与感知,能够更加客观的提高空调机组故障判断的准确性。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种融合人热舒适度与检测数据的暖通空调故障诊断方法,按如下步骤A至步骤E,获得空调机组故障诊断模型;然后按如下步骤i,实现空调机组对应目标时间的诊断;
步骤A.基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合预设各热舒适性等级,获得各样本历史时间点下、空调机组工作所覆盖各空间中各个人分别对应的实际热舒适性等级,然后进入步骤B;
步骤B.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,根据样本历史时间点下、空间中各个人分别对应的实际热舒适性等级,获得该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布,进而获得各样本历史时间点下、空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级实际概率分布,然后进入步骤C;
步骤C.分别针对空调机组工作所覆盖的各个空间,应用人体热舒适性模型,获得空间中各个人分别对应的期望热舒适性等级,进而获得该空间中所有人员对应各热舒适性等级期望概率分布;即获得空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布,然后进入步骤D;
步骤D.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,获得样本历史时间点下、空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的KL散度,用于表征该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的距离;进而获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,然后进入步骤E;
步骤E.基于各样本历史时间点下,空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度,以及空调机组对应的类型故障,以空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度为输入,空调机组对应的类型故障为输出,针对待训练网络进行训练,获得空调机组故障诊断模型;
步骤i.首先按步骤A至步骤D的方法,获得空调机组对应目标时间预设各待分析对象的检测数据,以及获得空调机组工作所覆盖各空间分别对应目标时间的KL散度,然后应用空调机组故障诊断模型,获得空调机组对应目标时间的类型故障,实现空调机组对应目标时间的诊断。
作为本发明的一种优选技术方案:还包括步骤DE如下,执行完步骤D之后,进入步骤DE;
步骤DE.针对各样本历史时间点下,空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度,以最小化输入数据与输出数据之间重构误差为目标,采用自编码器-解码器进行降维处理,获得各样本历史时间点下的故障特征数据,然后进入步骤E;
步骤E.基于各样本历史时间点下的故障特征数据,以及空调机组分别对应各样本历史时间点的类型故障,以故障特征数据为输入,空调机组所对应类型故障为输出,针对待训练网络进行训练,获得空调机组故障诊断模型;
步骤i.首先按步骤A至步骤DE的方法,获得空调机组对应目标时间的故障特征数据,然后应用空调机组故障诊断模型,获得空调机组对应目标时间的类型故障,实现空调机组对应目标时间的诊断。
作为本发明的一种优选技术方案:所述步骤C中所述人体热舒适性模型如下:
其中,PMV表示人对应的期望热舒适性值,M*表示不同性别、年龄、体型人对应的能量代谢率,hc表示对流换热系数,W表示人体对外做功,fcl表示着装后人体的外表总面积与裸体面积之比,Pa表示人体周围水蒸气分压力,即湿空气中水蒸气形成的压力,ta表示人所在空间的环境空气温度,tr表示人所在空间的平均辐射温度,tcl表示人所穿衣服的温度,v表示人所在空间中的空气流速;
步骤C中,分别针对空调机组工作所覆盖的各个空间,应用人体热舒适性模型,首先获得空间中各个人分别对应的期望热舒适性值,然后结合预设各热舒适性等级分别与各热舒适性值范围的映射关系,获得空间中各个人分别对应的期望热舒适性等级。
其中
AD,f=0.0073Hei+0.0121Wei-0.2106
其中
AD,m=0.0057Hei+0.0121Wei+0.0882
Wei表示体重,Hei表示身高,Y表示年龄,RMR表示预设相对代谢率。
作为本发明的一种优选技术方案:所述步骤C中所获空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布均服从狄利克雷分布。
作为本发明的一种优选技术方案:所述步骤D中,分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,基于样本历史时间点t下、第j个空间中所有人员对应各热舒适性等级实际概率分布αj(t)=(α1j(t),…,αij(t),…,αIj(t)),以及第j个空间中所有人员对应各热舒适性等级期望概率分布按如下公式:
获得样本历史时间点t下、第j个空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的KL散度KLj(t),其中,1≤j≤J,J表示空调机组工作所覆盖空间的数量,1≤i≤I,I表示预设各热舒适性等级的数量,αij(t)表示样本历史时间点t下、第j个空间对应第i个热舒适性等级的实际概率,表示第j个空间对应第i个热舒适性等级的期望概率,ψ表示digamma函数,Γ(·)表示gamma函数。
作为本发明的一种优选技术方案:所述步骤E中的待训练分类模型为深度森林。
本发明所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本发明所设计融合人热舒适度与检测数据的暖通空调故障诊断方法,基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合空调机组工作所覆盖各空间中人员对热舒适性的感知,获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,如此通过对网络的训练,获得空调机组故障诊断模型,进而实现对空调机组对应目标时间的诊断;整个设计综合考虑空调机组自身检测、以及人体热舒适度感知,可以弥补传感器不足的缺陷,为故障诊断提供更多信息,能够更加高效的提高空调机组故障判断的准确性。
附图说明
图1是本发明设计融合人热舒适度与检测数据的暖通空调故障诊断方法的框图;
图2是本发明设计网络训练中所涉及的深度森林结构图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明所设计一种融合人热舒适度与检测数据的暖通空调故障诊断方法,实际应用当中,如图1所示,按如下步骤A至步骤E,获得空调机组故障诊断模型。
步骤A.基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合预设各热舒适性等级,获得各样本历史时间点下、空调机组工作所覆盖各空间中各个人分别对应的实际热舒适性等级,然后进入步骤B。
实际应用中,上述步骤A关于预设各待分析对象的检测数据的采集,具体诸如包括冷冻水的流量冷冻水的送水温度Tchw,sup、冷冻水的回水温度Tchw,rn、混风流量送风流量混风温度Ta,mix、送风温度Ta,sup、送风风扇的功率Qsf;以及某些设备参数,包括送风风扇的压降ΔPsf,des、送风温度的设定值Tsup,spt、送风风量的设计值
这里设计,为了更加精确地对故障进行诊断,针对不同的故障可以考虑不同的故障特征。比如对于变风量末端装置的故障,主要应该考虑对应该变风量末端装置所在房间内的人员的热感受;而对于其他子系统,比如冷却盘管等的故障,考虑到这些故障会影响到大部分的房间,因此,所有室内人员的热舒适性都可以作为故障诊断的参考。
关于预设各热舒适性等级,设计采用目前广泛使用的ASHRAE 7级分度指标来评价人体热舒适性,包括1)冷(-3)、2)凉(-2)、3)偏凉(-1)、4)舒适(0)、5)偏暖(1)、6)暖(2)、7)热(3);并且在步骤A中,各样本历史时间点下、空调机组工作所覆盖各空间中各个人分别对应的实际热舒适性等级,即在采集室内人员感受的过程中拟采用德尔菲法。所有室内人员需要匿名上传自己的感受,且相互之间不得讨论自己的热舒适性。
步骤B.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,根据样本历史时间点下、空间中各个人分别对应的实际热舒适性等级,获得该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布,进而获得各样本历史时间点下、空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级实际概率分布,然后进入步骤C。
步骤C.分别针对空调机组工作所覆盖的各个空间,应用人体热舒适性模型如下:
首先获得空间中各个人分别对应的期望热舒适性值PMV,然后结合预设各热舒适性等级分别与各热舒适性值范围的映射关系,获得空间中各个人分别对应的期望热舒适性等级,进而获得该空间中所有人员对应各热舒适性等级期望概率分布;即获得空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布,然后进入步骤D。
其中,PMV表示人对应的期望热舒适性值,hc表示对流换热系数,W表示人体对外做功,fcl表示着装后人体的外表总面积与裸体面积之比,Pa表示人体周围水蒸气分压力,即湿空气中水蒸气形成的压力,ta表示人所在空间的环境空气温度,tr表示人所在空间的平均辐射温度,tcl表示人所穿衣服的温度,v表示人所在空间中的空气流速;M*表示不同性别、年龄、体型人对应的能量代谢率。
由于不同群体在舒适度方面存在差异,比如,相对于女性,男性更容易感觉到热,这种差异在人处于作业状态时较为明显。此外,男性和女性的热舒适性会随着年龄的增长而改变,老年人会更偏爱热环境。最后,体型对热舒适的影响相对较小,但偏胖的人对热环境具有更强的不舒适感;因此本发明设计中考虑到了不同性别、年龄、体型人对应的能量代谢率M*,具体若为女性,则M*为不同年龄、体型女性对应的能量代谢率如下:
其中
AD,f=0.0073Hei+0.0121Wei-0.2106
其中
AD,m=0.0057Hei+0.0121Wei+0.0882
Wei表示体重,Hei表示身高,Y表示年龄,RMR表示预设相对代谢率。
实际应用中,上述步骤C中所获空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布均服从狄利克雷分布。
步骤D.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,获得样本历史时间点下、空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的KL散度(Kullback-Leiblerdivergence,KL),用于表征该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的距离,这个KL散度可以反映人体热舒适性是否发生了偏移,即KL散度越大,热舒适性的偏移越大。当偏移超过其阈值,可以在很大程度上判断有故障发生。因此,这种热舒适性偏移量的大小表征了故障程度,可以被作为潜在故障特征;进而获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,然后进入步骤DE。
上述步骤D在具体实际应用当中,分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,基于样本历史时间点t下、第j个空间中所有人员对应各热舒适性等级实际概率分布αj(t)=(α1j(t),…,αij(t),…,αIj(t)),以及第j个空间中所有人员对应各热舒适性等级期望概率分布按如下公式:
获得样本历史时间点t下、第j个空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的KL散度KLj(t),其中,1≤j≤J,J表示空调机组工作所覆盖空间的数量,1≤i≤I,I表示预设各热舒适性等级的数量,αij(t)表示样本历史时间点t下、第j个空间对应第i个热舒适性等级的实际概率,表示第j个空间对应第i个热舒适性等级的期望概率,ψ表示digamma函数,Γ(·)表示gamma函数。
步骤DE.针对各样本历史时间点下,空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度,以最小化输入数据与输出数据之间重构误差为目标,采用自编码器-解码器进行降维处理,获得各样本历史时间点下的故障特征数据,然后进入步骤E。
自编码器中的编码器用于将输入数据压缩到较低维度,然后解码器尝试使用较低维度的数据重新创建原始输入。原始数据和输出数据的误差称为重构误差。通过训练网络来最小化数据集上的重构误差,网络学会利用数据中的自然结构,找到了一个有效地低维表示,即降维后数据作为故障特征数据。
步骤E.基于各样本历史时间点下的故障特征数据,以及空调机组分别对应各样本历史时间点的类型故障,以故障特征数据为输入,空调机组所对应类型故障为输出,针对待训练网络进行训练,获得空调机组故障诊断模型。
实际应用中,这里的待训练分类模型为深度森林,以步骤DE所获得的故障特征数据,作为深度森林的输入,以通过深度森林实现对于空调机组的故障诊断。将故障特征数据集中的70%的数据作为训练集,30%的数据作为测试集。故障诊断过程分为两个阶段:训练阶段和测试阶段。在训练阶段,将训练集输入深度森林。如图2所示,深度森林分为多粒度扫描和级联森林两个过程。多粒度扫描作为深度森林的第一部分,多粒度扫描被设计用来增强数据的特性。首先,通过使用不同大小的窗口对特征数据进行采样。然后,通过随机森林和完全随机森林基于移动窗口得到特征向量产生更多维的特征向量,并将随机森林与完全随机森林产生特征向量拼接在一起得到一个高维向量,从而扩大和增强数据特征,并如图2所示,作为后面级联森林的输入。接着,需要用级联森林来实现对数据特征的逐层迭代。如图2所示,级联森林中的每一层的输出将依次与多粒度扫描中的森林A或森林B中的一个结果进行拼接,形成一个新的特征向量,并将其转移到下一层。在训练完毕后,将测试集中的数据输入训练好的深度森林之后,即可通过分类实现故障的精确诊断。
基于上述步骤A至步骤E获得空调机组故障诊断模型后,进一步按如下步骤i,实现空调机组对应目标时间的诊断。
步骤i.首先按步骤A至步骤DE的方法,获得空调机组对应目标时间的故障特征数据,然后应用空调机组故障诊断模型,获得空调机组对应目标时间的类型故障,实现空调机组对应目标时间的诊断。
上述技术方案所设计融合人热舒适度与检测数据的暖通空调故障诊断方法,基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合空调机组工作所覆盖各空间中人员对热舒适性的感知,获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,如此通过对网络的训练,获得空调机组故障诊断模型,进而实现对空调机组对应目标时间的诊断;整个设计综合考虑空调机组自身检测、以及人体热舒适度感知,可以弥补传感器不足的缺陷,为故障诊断提供更多信息,能够更加高效的提高空调机组故障判断的准确性。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种融合人热舒适度与检测数据的暖通空调故障诊断方法,其特征在于:按如下步骤A至步骤E,获得空调机组故障诊断模型;然后按如下步骤i,实现空调机组对应目标时间的诊断;
步骤A.基于空调机组对应预设各类型故障的各样本历史时间点,获得各样本历史时间点下、空调机组上预设各待分析对象的检测数据,以及结合预设各热舒适性等级,获得各样本历史时间点下、空调机组工作所覆盖各空间中各个人分别对应的实际热舒适性等级,然后进入步骤B;
步骤B.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,根据样本历史时间点下、空间中各个人分别对应的实际热舒适性等级,获得该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布,进而获得各样本历史时间点下、空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级实际概率分布,然后进入步骤C;步骤C.分别针对空调机组工作所覆盖的各个空间,应用人体热舒适性模型,获得空间中各个人分别对应的期望热舒适性等级,进而获得该空间中所有人员对应各热舒适性等级期望概率分布;即获得空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布,然后进入步骤D;
步骤D.分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,获得样本历史时间点下、空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的KL散度,用于表征该样本历史时间点下、该空间中所有人员对应各热舒适性等级实际概率分布与期望概率分布之间的距离;进而获得各样本历史时间点下、空调机组工作所覆盖各空间分别对应的KL散度,然后进入步骤E;
步骤E.基于各样本历史时间点下,空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度,以及空调机组对应的类型故障,以空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度为输入,空调机组对应的类型故障为输出,针对待训练网络进行训练,获得空调机组故障诊断模型;
步骤i.首先按步骤A至步骤D的方法,获得空调机组对应目标时间预设各待分析对象的检测数据,以及获得空调机组工作所覆盖各空间分别对应目标时间的KL散度,然后应用空调机组故障诊断模型,获得空调机组对应目标时间的类型故障,实现空调机组对应目标时间的诊断。
2.根据权利要求1所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,其特征在于:还包括步骤DE如下,执行完步骤D之后,进入步骤DE;
步骤DE.针对各样本历史时间点下,空调机组上各待分析对象的检测数据、空调机组工作所覆盖各空间分别对应的KL散度,以最小化输入数据与输出数据之间重构误差为目标,采用自编码器-解码器进行降维处理,获得各样本历史时间点下的故障特征数据,然后进入步骤E;
步骤E.基于各样本历史时间点下的故障特征数据,以及空调机组分别对应各样本历史时间点的类型故障,以故障特征数据为输入,空调机组所对应类型故障为输出,针对待训练网络进行训练,获得空调机组故障诊断模型;
步骤i.首先按步骤A至步骤DE的方法,获得空调机组对应目标时间的故障特征数据,然后应用空调机组故障诊断模型,获得空调机组对应目标时间的类型故障,实现空调机组对应目标时间的诊断。
3.根据权利要求1或2所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,其特征在于:所述步骤C中所述人体热舒适性模型如下:
其中,PMV表示人对应的期望热舒适性值,M*表示不同性别、年龄、体型人对应的能量代谢率,hc表示对流换热系数,W表示人体对外做功,fcl表示着装后人体的外表总面积与裸体面积之比,Pa表示人体周围水蒸气分压力,即湿空气中水蒸气形成的压力,ta表示人所在空间的环境空气温度,tr表示人所在空间的平均辐射温度,tcl表示人所穿衣服的温度,v表示人所在空间中的空气流速;
步骤C中,分别针对空调机组工作所覆盖的各个空间,应用人体热舒适性模型,首先获得空间中各个人分别对应的期望热舒适性值,然后结合预设各热舒适性等级分别与各热舒适性值范围的映射关系,获得空间中各个人分别对应的期望热舒适性等级。
5.根据权利要求1或2所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,其特征在于:所述步骤C中所获空调机组工作所覆盖各空间中所有人员分别对应各热舒适性等级期望概率分布均服从狄利克雷分布。
6.根据权利要求1或2所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,其特征在于:所述步骤D中,分别针对各样本历史时间点下、空调机组工作所覆盖的各个空间,基于样本历史时间点t下、第j个空间中所有人员对应各热舒适性等级实际概率分布αj(t)=(α1j(t),…,αij(t),…,αIj(t)),以及第j个空间中所有人员对应各热舒适性等级期望概率分布按如下公式:
7.根据权利要求1或2所述一种融合人热舒适度与检测数据的暖通空调故障诊断方法,
其特征在于:所述步骤E中的待训练分类模型为深度森林。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738975.5A CN116007129B (zh) | 2022-12-31 | 2022-12-31 | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211738975.5A CN116007129B (zh) | 2022-12-31 | 2022-12-31 | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116007129A true CN116007129A (zh) | 2023-04-25 |
CN116007129B CN116007129B (zh) | 2024-05-28 |
Family
ID=86026799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211738975.5A Active CN116007129B (zh) | 2022-12-31 | 2022-12-31 | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116007129B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073129A (zh) * | 2023-10-17 | 2023-11-17 | 山东意林建筑规划设计研究院有限公司 | 一种暖通空调系统故障诊断方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005331117A (ja) * | 2004-05-18 | 2005-12-02 | Asahi Glass Co Ltd | 製品の温熱快適性能評価方法 |
CN109901015A (zh) * | 2019-03-08 | 2019-06-18 | 西安交通大学 | 基于离散正交s变换和信息散度的单相接地故障选线方法 |
CN110186170A (zh) * | 2019-06-20 | 2019-08-30 | 北京石油化工学院 | 热舒适度指标pmv控制方法及设备 |
US20200158363A1 (en) * | 2017-05-11 | 2020-05-21 | Nec Corporation | Air conditioning system control method, air conditioning system control device, and air conditioning system control program |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
-
2022
- 2022-12-31 CN CN202211738975.5A patent/CN116007129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005331117A (ja) * | 2004-05-18 | 2005-12-02 | Asahi Glass Co Ltd | 製品の温熱快適性能評価方法 |
US20200158363A1 (en) * | 2017-05-11 | 2020-05-21 | Nec Corporation | Air conditioning system control method, air conditioning system control device, and air conditioning system control program |
CN109901015A (zh) * | 2019-03-08 | 2019-06-18 | 西安交通大学 | 基于离散正交s变换和信息散度的单相接地故障选线方法 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN110186170A (zh) * | 2019-06-20 | 2019-08-30 | 北京石油化工学院 | 热舒适度指标pmv控制方法及设备 |
CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
CN114353261A (zh) * | 2021-12-13 | 2022-04-15 | 广东电网有限责任公司 | 空调机组故障分析方法、装置、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张方方;张莲;刘贺;: "基于神经网络的室内环境热舒适度融合算法", 重庆工学院学报(自然科学版), no. 10, 15 October 2009 (2009-10-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117073129A (zh) * | 2023-10-17 | 2023-11-17 | 山东意林建筑规划设计研究院有限公司 | 一种暖通空调系统故障诊断方法及系统 |
CN117073129B (zh) * | 2023-10-17 | 2024-01-26 | 山东意林建筑规划设计研究院有限公司 | 一种暖通空调系统故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116007129B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yun et al. | Extending the applicability of the adaptive comfort model to the control of air-conditioning systems | |
Ye et al. | Field study of a thermal environment and adaptive model in Shanghai. | |
CN109857175B (zh) | 一种非侵入式人体热舒适的ai感知方法 | |
CN111046536B (zh) | 基于变化的适应性因子和预测平均投票值的热舒适建模方法 | |
CN104633865A (zh) | 空调的控制方法及装置 | |
CN109960886B (zh) | 一种空气舒适度评价方法、装置及空气调节设备 | |
CN116007129B (zh) | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 | |
Marinakis et al. | Decision support for intelligent energy management in buildings using the thermal comfort model | |
CN106765962A (zh) | 空调器的控制方法、装置及空调器 | |
CN112149309B (zh) | 一种考虑温度-负荷相关性的调温负荷曲线拟合方法 | |
Amen et al. | The Persuasibility of Globe Thermometer in Predicting Indoor Thermal Comfort Using Non-standard Globe Diameter: Row Houses of Semi-Arid Climates as Case Studies | |
Turhan et al. | Assessment of thermal comfort preferences in Mediterranean climate: A university office building case | |
Nouvel et al. | A novel personalized thermal comfort control, responding to user sensation feedbacks | |
Wang et al. | The virtual in-situ calibration of various physical sensors in air handling units | |
Guenther et al. | Feature selection for thermal comfort modeling based on constrained LASSO regression | |
TWI746087B (zh) | 空調系統控制方法 | |
Lamberti | Critical overview of heat balance, adaptive, local discomfort models to predict thermal comfort in buildings | |
CN212227350U (zh) | 一种控制室内相对温湿度的控制设备及系统 | |
Damiati et al. | Comfort temperature in air conditioned office buildings: Case study of Indonesia and Singapore | |
Turhan | Comparison of Indoor Air Temperature and Operative Temperature-Driven HVAC systems by Means of Thermal Comfort and Energy Consumption | |
CN106765963A (zh) | 空调器的控制方法、装置及空调器 | |
Nimsarkar et al. | A novel indoor human comfort control technique | |
Damiati et al. | Thermal comfort survey in office buildings in Bandung, Indonesia | |
Du | A review of thermal comfort | |
Moujalled et al. | Adaptive thermal comfort evaluation in a field study |
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 |