CN116266319A - 一种空调机组预测维护方法、装置、设备及介质 - Google Patents
一种空调机组预测维护方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116266319A CN116266319A CN202111545585.1A CN202111545585A CN116266319A CN 116266319 A CN116266319 A CN 116266319A CN 202111545585 A CN202111545585 A CN 202111545585A CN 116266319 A CN116266319 A CN 116266319A
- Authority
- CN
- China
- Prior art keywords
- time
- performance index
- index data
- data
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 180
- 238000004378 air conditioning Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本公开涉及一种空调机组预测维护方法、装置、设备及介质，该方法包括：在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；将实际非性能指标数据输入到基准模型，得到输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；确定实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。利用本公开的方案可以进行维护时间预测，提高维护的准确度。
Description
技术领域
本公开涉及空调技术领域，尤其涉及一种空调机组预测维护方法、装置、设备及介质。
背景技术
空调是实现把能量从温度较低的一侧“搬运”到温度较高的另一侧的设备，这个过程是非自发的。根据热力学第二定律，实现这个过程需要消耗能量，室外机负责把室内能量和消耗的能量传递到外界大气中。若室外机的换热效率降低，将大大增加整机的能耗。
空调外机暴露在室外环境中，受阳光、雨水、灰尘以及其他因素的影响，这些因素都有可能会影响室外机的换热效率，至于室外机换热器效率的衰减情况具体是怎么样的等问题，目前尚未解决。
因此，为了解决上述问题，需要提出一种预测室外机换热器效率的方法。
发明内容
本公开提供一种空调机组预测维护方法、装置、设备及介质，实现以数据分析为支持的智能化维护。
根据本公开实施例的第一方面，提供一种空调机组预测维护方法，该方法包括：
在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
在一种可能的实现方式中，通过如下方式获取所述训练样本：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据及预测基准性能指标数据；
对所述多条历史数据按照数据规则进行数据清洗，清洗后得到训练样本。
在一种可能的实现方式中，所述对所述多条历史数据按照数据规则进行数据清洗，包括如下至少一个步骤：
根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据；
根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据。
在一种可能的实现方式中，所述预先拟合的性能指标数据差值与运行时间的关系，包括：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据、预测基准性能指标数据及运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条历史数据对应的差值及运行时间，拟合性能指标数据差值与运行时间的关系。
在一种可能的实现方式中，所采集的数据还包括实际运行时间，拟合性能指标数据差值与运行时间的关系之后，还包括：
获取多条实时数据，每条实时数据包括所述实际性能指标数据、预测基准性能指标数据及实际运行时间；
确定所述实际性能指标数据与对应的预测基准性能指标数据的差值；
根据各条实时数据对应的差值及实际运行时间，更新拟合的性能指标数据差值与运行时间的关系。
在一种可能的实现方式中，所述性能指标数据差值包括高压压力差值ΔHP和功率差值ΔP，根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数；
根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数；
根据第一间隔天数和第二间隔天数的较小值确定最终的维护间隔。
在一种可能的实现方式中，所述根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线，确定当前ΔHP对应的第一运行时间；
根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间；
根据所述第一运行时间和第二运行时间的差值，确定当前时间距离下次维护时间的第一间隔天数。
在一种可能的实现方式中，所述根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数，包括：
获取预先确定的目标维护间隔，所述目标维护间隔为预设时段内维护费用与电能消耗费用总和最小对应的时间间隔，其中，预先根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用；确定按照不同时间间隔维护时，在预设时段的维护费用，根据所述预设时段的电能消耗费用和维护费用确定所述目标维护间隔；
根据当前ΔP在所述第二关系曲线对应的目标运行时间和所述目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数。
在一种可能的实现方式中，所述根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用，包括：
在预设时段内，假设每次维护后运行时长重置为零，确定不同维护间隔对应的各运行时长；
根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定同一运行时长对应的实际P；
根据各运行时长和对应的实际P及电价，确定电能消耗费用。
根据本公开实施例的第二方面，提供一种空调机组预测维护装置，该装置包括：
数据采集模块，用于在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
预测基准性能指标数据获得模块，用于将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
维护方案确定模块，用于确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
根据本公开实施例的第三方面，提供一种电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上述空调机组预测维护方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述空调机组预测维护方法的步骤。
另外，第二方面至第四方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
本公开的实施例提供的技术方案至少带来以下有益效果：
通过对采集的空调机组运行数据的统计分析，创建的基准值计算模型，排除非性能指标的影响，实现了关键分析点性能指标数据与运行时间的关系，通过实时计算实际性能指标数据与对应预测基准性能指标数据的差值和运行时间，拟合性能指标数据差值与运行时间的关系，确定空调机组的维护方案，改变了目前主要以经验实现空调机组维护的现状，实现数字化和智能化，从而提高维护的准确度，优化维护的措施。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的应用场景示意图；
图2是根据一示例性实施例示出的一种空调机组预测维护方法的流程图；
图3是根据一示例性实施例示出的一种空调机组预测维护装置的模块结构示意图；
图4是根据一示例性实施例示出的一种空调机组预测维护方法的电子设备示意图；
图5是根据一示例性实施例示出的一种空调机组预测维护方法的程序产品示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开作进一步地详细描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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它实施例，都属于本公开保护的范围。
1、本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本公开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，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
空调外机暴露在室外环境中，受阳光、雨水、灰尘以及其他因素的影响；这些都有可能会影响室外机的换热效率，至于室外机换热器效率的衰减情况具体是怎么样，如何维护，最佳维护间隔是多久，目前没有人持续跟踪研究，在业界属于空白。
为了解决上述问题，本公开提供了一种空调机组预测维护方法、装置、设备及介质，实现数字化，智能化，从而提高维护的准确度，优化维护的措施，创造更大的经济效益。
首先参考图1，其为本公开实施例的应用场景示意图。本公开应用于多个空调机组10，通过有线/无线通信网络，将空调机组在运行过程中的历史数据提供给数据库11，中心服务器12具有利用仿真系统计算基准数据的功能，可以输入数据库11提供的每个空调机组的多条历史数据，通过仿真系统等方法获得对应的基准性能指标数据，所述历史数据包括非性能指标数据，例如室外环境温度、压缩机输出、回风温湿度、室内风机转速和室外风机转速。空调机组在运行过程中的损耗除了受运行时间的影响，还会受空调机组本身输出等因素影响，例如室外环境温度、压缩机输出、回风温湿度、室内风机转速、室外风机转速等。中心服务器剔除了空调机组本身输出等因素的影响，仅考虑空调机组在运行时间的影响下的损耗。
在此基础上，本公开提供的方法应用于独立于中心服务器的服务器13，该服务器13主要用于通过从数据库11和中心服务器12采集数据进行维护方案的确定。本公开实施例中，服务器13、获得数据库11提供的在空调机组运行过程中采集的数据，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；将所述实际非性能指标数据输入到中心服务器12中的基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
本公开实施例中，提供了一种空调机组预测维护方法，基于同一构思，还提供了一种空调机组预测维护装置、一种电子设备以及一种计算机可读写存储介质。
实施例1
下面通过具体的实施例对本公开提供的一种空调机组预测维护方法进行说明，如图2所示，包括：
步骤201，在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
在空调机组运行过程中，按照时间点进行数据采集，每个时间点采集一条数据，可以将采集的多条数据根据时间点按行排列存放到表格中，每条数据包含所需的实际非性能指标数据和至少一个实际性能指标数据，其中非性能指标数据包括室外环境温度、压缩机输出、回风温湿度、室内风机转速和室外风机转速等。性能指标数据包括HP(HighPressure，高压压力)、P(Power，功率)、低压压力、排气温度和吸气温度等。
步骤202，将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
上述基准性能指标数据是在一种理想环境下，空调机组运行状态中的性能指标数据仅受运行时间的影响。但在实际生活中，空调机组的运行状态不仅受运行时间的影响，还会受其他因素的影响，例如室外环境温度、压缩机输出、回风温湿度、室内风机转速、室外风机转速等。将某一时刻的实际非性能指标数据输入到基准模型中，基准模型剔除这些非性能指标数据对空调机组的影响，从而确定空调机组在运行状态只受运行时间影响下此时刻的基准性能指标数据。
所述训练样本是通过从中心服务器获取预设时间段内所述空调机组的多条历史数据，并且对这些历史数据按照数据规则进行数据清洗获得的，其中，每条历史数据包括至少一个性能指标数据、非性能指标数据及基准性能指标数据。
所述基准性能指标数据是将实际非性能指标数据输入到中心服务器的基准模型中，得到对应的预测基准性能指标数据。中心服务器根据预设时间段内所述空调机组的历史数据，例如最近1个月内所采集的空调机组的多条数据，利用仿真系统或选型软件，构建基准模型。上述对所述多条历史数据按照数据规则进行数据清洗，可以包括如下至少一个步骤：
根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据，例如，在excel文本中有相关的标志位，所述标志位包括空调机组未运行状态、空调机组开启状态和空调机组运行结束状态，选择标志位是空调运行状态的多条历史数据；
根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据，例如，考虑室外环境温度变化不会太快，可以选取对应间隔1小时采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据，例如，选取相邻室外环境温差大于1摄氏度的多条历史数据。
步骤203，确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
可以根据预先拟合的性能指标数据差值与运行时间的关系，确定当前时间距离下次维护时间的隔天数。
本公开改变了目前依靠经验实现空调机组维护的现状，其主要是利用修正的理论模型作为基准，和市场在线运行机组的运行状态，做实时比较，并对在线机组运行状态和基准不断做比较，再使用AI(Artificial Intelligence，人工智能)机器学习的方法，预测未来空调机组的运行状态，并根据设定的可靠性或经济性条件，给出合理的维护时间，实现以数据分析为支持的智能化维护，从而提高维护的准确度，优化维护的措施。
在空调机组运行过程中可以使用本地采集存储或云端采集存储等方式采集空调机组的至少一个实际性能指标数据和实际非性能指标数据。例如，采集的实际非性能指标数据可以是室外环境温度、压缩机输出、回风温湿度、室内风机转速和室外风机转速，实际性能指标数据可以是HP和P。
在得到采集的实际数据后，将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据。
例如，将上述采集的压缩机输出、室内风机转速、室外风机转速、回风温湿度和室外环境温度分别输入到用于计算基准HP和基准P的基准模型内，便可以得到对应的基准模型输出的预测基准HP和预测基准P。
为了得到HP的基准模型，获取中心服务器中最近3个月的多条历史数据，每条历史数据包括室外环境温度、压缩机输出、回风温湿度、室内风机转速、室外风机转速和基准HP，对这些数据进行数据清洗，得到训练样本，基于所述训练样本，通过机器学习的方法创建可以用于计算连续数据的基准模型。
为了得到P的基准模型，获取中心服务器中最近3个月的多条历史数据，每条历史数据包括室外环境温度、压缩机输出、回风温湿度、室内风机转速、室外风机转速和基准P，对这些数据进行数据清洗，得到训练样本，基于所述训练样本，通过机器学习的方法创建可以用于计算连续数据的基准模型。
上述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据。创建基准模型的目的是空调机组的运行状态除了受运行时长的影响外，还有机组本身的输出，例如室外环境温度、压缩机输出、回风温湿度、室内外风机转速相关，创建基准模型，主要是为解除和机组本身的输出关联，只分析和运行时长的关系。
所述训练样本可以通过以下方式获取：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据及预测基准性能指标数据；
若将上述获取的多条历史数据都输入到基准模型中，势必效率低下，以此为了剔除不稳定的运行数据，对所述多条历史数据按照数据规则进行数据清洗，清洗后得到训练样本。
上述对所述多条历史数据按照数据规则进行数据清洗，包括如下至少一个步骤：
在excel文本中有相关的标志位，根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据，所述空调机组状态的标志位包括空调机组未运行状态、空调机组开启状态和空调机组运行结束状态；
考虑室外环境温度变化不会太快，根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据，例如选取对应间隔1小时采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据，例如选取相邻室外环境温差大于1摄氏度的多条历史数据。
在获取训练样本之后，将训练样本中的非性能指标数据输入到基准模型，得到基准模型输出的预测基准性能指标数据，根据训练样本中的基准性能指标数据与所述预测基准性能指标数据的偏差在0.2％以内，一致性较高，确定基准模型创建完成。
在得到预测基准性能指标数据之后，确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
可以通过以下方法预先拟合的性能指标数据差值与运行时间的关系：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据、预测基准性能指标数据及运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条历史数据对应的差值及运行时间，拟合性能指标数据差值与运行时间的关系，其中，可以利用机器学习等方法，拟合性能指标数据差值与运行时间的关系曲线，例如使用XGBoost(eXtreme Gradient Boosting，极限梯度提升)算法建立性能指标数据差值与运行时间的模型。
当性能指标数据为HP时，将实际HP与所采集的对应的预测基准HP做差值，可以得到高压压力差值(ΔHP)；根据各条历史数据对应的ΔHP及运行时间，拟合ΔHP与运行时间的关系。
当性能指标数据为P时，将实际P与所采集的对应的预测基准P做差值，可以得到功率差值(ΔP)；根据各条历史数据对应的ΔP及运行时间，拟合ΔP与运行时间的关系。
在拟合性能指标数据差值与运行时间的关系之后，还可以根据后续实时数据的采集，不断地更新拟合的性能指标数据差值与运行时间的关系，做到了自学习，提高了预测的准确度，其具体步骤包括：
获取多条实时数据，每条实时数据包括所述实际性能指标数据、预测基准性能指标数据及实际运行时间；
确定所述实际性能指标数据与对应的预测基准性能指标数据的差值；
根据各条实时数据对应的差值及实际运行时间，更新拟合的性能指标数据差值与运行时间的关系。
根据预先拟合的性能指标数据差值与运行时间的关系，可以通过以下方法确定空调机组的维护方案：
根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数；
根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数；
根据第一间隔天数和第二间隔天数的较小值确定最终的维护间隔。
具体的，可以直接将第一间隔天数或第二间隔天数作为最终的维护间隔；也可以当第一间隔天数大于第二间隔天数时，从可靠性的角度考虑，将第一间隔天数作为最终的维护间隔，或者从经济性的角度考虑，将第二间隔天数作为最终的维护间隔；还可以当第一间隔天数小于第二间隔天数时，从可靠性的角度考虑，将第一间隔天数作为最终的维护间隔。
从可靠性的角度出发，由于HP偏高会触发空调机组的自动保护，即空调机组自动关机，在一段时间内多次触发，会导致空调机组锁定，不能正常运行。因此，根据预先拟合的ΔHP与运行时间的关系，确定当前时间距离下次维护时间的第一间隔天数，以实现提前预警的作用，其具体步骤如下：
根据预先拟合的ΔHP与运行时间的第一关系曲线，确定当前ΔHP对应的第一运行时间；
其中，将采集的当前非性能指标数据带入基准模型，获得对应的当前预测基准HP，则所述当前HP与当前预测基准HP的差值为当前ΔHP。
根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间；
根据所述第一运行时间和第二运行时间的差值，确定当前时间距离下次维护时间的第一间隔天数。
例如，当前ΔHP对应的第一运行时间是3天，根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间是7天，则当前时间距离下次维护时间的第一间隔天数为4天。
从经济性的角度出发，空调机组在运行过程中，受环境的影响，和基准P的差值ΔP总是存在，何时进行维护比较合适，可以考虑维护费用和电能消耗费用的关系。因此，确定当前时间距离下次维护时间的第二间隔天数的具体步骤如下：
获取预先确定的目标维护间隔；
根据当前ΔP在所述第二关系曲线对应的目标运行时间和所述目标维护间隔，即将所述目标维护间隔与当前ΔP在所述第二关系曲线对应的目标运行时间相减，确定当前时间距离下次维护时间的第二间隔天数；
其中，将采集的当前非性能指标数据带入基准模型，获得对应的当前预测基准P，则所述当前P与当前预测基准P的差值为当前ΔP。
上述目标维护间隔可以根据以下方法确定：
预先根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用；
确定按照不同时间间隔维护时，在预设时段的维护费用；
确定预设时段内维护费用与电能消耗费用总和最小对应的时间间隔为所述目标维护间隔。
其中，预设时段的电能消耗费用可以通过下述方法确定：
在预设时段内，假设每次维护后运行时长重置为零，确定不同维护间隔对应的各运行时长，空调机组在每次维护后，假设空调机组的性能恢复到运行时间为0的时候，这时的P也为0；
例如，当维护间隔为2天，则在4天中的第2天以及第4天进行了维护，由于每次维护后，运行时长重置为0，则第一个维护间隔，即第1至2天的实际P与第二个维护间隔，即第3至4天的实际P相同。
根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定同一运行时长对应的实际P；
通过将空调机组在实际运行过程中采集的多条实际非性能指标数据输入到基准模型，可以获得对应的预测基准P。根据所述获得的预测基准P与其对应的运行时间，可以确定基准P与运行时间的第三关系曲线。
当上述的预设时段包括未来的一段时间时，需要根据基准P与运行时间的第三关系曲线，确定所述预设时段内的基准P，根据预先拟合的ΔP与运行时间的第二关系曲线，确定所述预设时段内的ΔP。将所述预设时段内的基准P和ΔP相加，得到同一运行时长对应的实际P。
根据各运行时长和对应的实际P及电价，确定电能消耗费用。
实施例2
基于相同的发明构思，本公开实施例还提供一种空调机组预测维护装置，由于该装置即是本公开实施例中的方法中的装置，并且该装置解决问题的原理与该方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
如图3所示，上述装置包括以下模块：
数据采集模块301，用于在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
预测基准性能指标数据获得模块302，用于将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
维护方案确定模块303，用于确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
作为一种可选的实施方式，预测基准性能指标数据获得模块通过如下方式获取所述训练样本：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据及预测基准性能指标数据；
对所述多条历史数据按照数据规则进行数据清洗，清洗后得到训练样本。
作为一种可选的实施方式，所述预测基准性能指标数据获得模块，用于对所述多条历史数据按照数据规则进行数据清洗，包括如下至少一个步骤：
根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据；
根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据。
作为一种可选的实施方式，所述维护方案确定模块，用于预先拟合的性能指标数据差值与运行时间的关系，包括：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据、预测基准性能指标数据及运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条历史数据对应的差值及运行时间，拟合性能指标数据差值与运行时间的关系。
作为一种可选的实施方式，所采集的数据还包括实际运行时间，所述装置还包括：
实时数据获取模块，用于获取多条实时数据，每条实时数据包括所述实际性能指标数据、预测基准性能指标数据及实际运行时间；
差值确定模块，用于确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
关系更新模块，用于根据各条实时数据对应的差值及实际运行时间，更新拟合的性能指标数据差值与运行时间的关系。
作为一种可选的实施方式，所述性能指标数据差值包括ΔHP和ΔP，维护方案确定模块，用于根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数；
根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数；
根据第一间隔天数和第二间隔天数的较小值确定最终的维护间隔。
作为一种可选的实施方式，所述维护方案确定模块，用于根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线，确定当前ΔHP对应的第一运行时间；
根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间；
根据所述第一运行时间和第二运行时间的差值，确定当前时间距离下次维护时间的第一间隔天数。
作为一种可选的实施方式，所述维护方案确定模块，用于根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数，包括：
获取预先确定的目标维护间隔，所述目标维护间隔为预设时段内维护费用与电能消耗费用总和最小对应的时间间隔，其中，预先根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用；确定按照不同时间间隔维护时，在预设时段的维护费用，根据所述预设时段的电能消耗费用和维护费用确定所述目标维护间隔；
根据当前ΔP在所述第二关系曲线对应的目标运行时间和所述目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数。
作为一种可选的实施方式，所述维护方案确定模块，用于根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用，包括：
在预设时段内，假设每次维护后运行时长重置为零，确定不同维护间隔对应的各运行时长；
根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定同一运行时长对应的实际P；
根据各运行时长和对应的实际P及电价，确定电能消耗费用。
实施例3
基于相同的发明构思，本公开实施例中还提供了一种空调机组预测维护电子设备，由于该电子设备即是本公开实施例中的方法中的电子设备，并且该电子设备解决问题的原理与该方法相似，因此该电子设备的实施可以参见方法的实施，重复之处不再赘述。
下面参照图4来描述根据本公开的这种实施方式的电子设备40。图4显示的电子设备40仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备40可以以通用计算设备的形式表现，例如其可以为终端设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储处理器可执行指令的存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
所述处理器通过运行所述可执行指令以实现如下步骤：
在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
确定所述预测基准性能指标数据与对应实际性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
所述处理器还通过运行所述可执行指令以实现实施例1中的空调机组预测维护方法，重复之处不再赘述。
存储器42可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)421和/或高速缓存存储器422，还可以进一步包括只读存储器(ROM)423。
存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备40交互的设备通信，和/或与使得电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口45进行。并且，电子设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与电子设备40的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
实施例4
在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的智能化维护装置中各模块的步骤，例如，终端设备可以用于在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案等操作。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图5所示，描述了根据本公开的实施方式的用于空调机组预测维护的程序产品50，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了系统的若干模块或子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
此外，尽管在附图中以特定顺序描述了本公开系统各模块的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些操作，将多个操作合并为一个操作执行，和/或将一个操作分解为多个操作执行。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、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设备。
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设备的制造品，该指令设备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。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (20)
1.一种空调机组预测维护方法，其特征在于，该方法包括：
在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
2.根据权利要求1所述的方法，其特征在于，通过如下方式获取所述训练样本：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据及预测基准性能指标数据；
对所述多条历史数据按照数据规则进行数据清洗，清洗后得到训练样本。
3.根据权利要求2所述的方法，其特征在于，所述对所述多条历史数据按照数据规则进行数据清洗，包括如下至少一个步骤：
根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据；
根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据。
4.根据权利要求1所述的方法，其特征在于，所述预先拟合的性能指标数据差值与运行时间的关系，包括：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据、预测基准性能指标数据及运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条历史数据对应的差值及运行时间，拟合性能指标数据差值与运行时间的关系。
5.根据权利要求4所述的方法，其特征在于，所采集的数据还包括实际运行时间，拟合性能指标数据差值与运行时间的关系之后，还包括：
获取多条实时数据，每条实时数据包括所述实际性能指标数据、预测基准性能指标数据及实际运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条实时数据对应的差值及实际运行时间，更新拟合的性能指标数据差值与运行时间的关系。
6.根据权利要求1所述的方法，其特征在于，所述性能指标数据差值包括高压压力差值ΔHP和功率差值ΔP，根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数；
根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数；
根据第一间隔天数和第二间隔天数的较小值确定最终的维护间隔。
7.根据权利要求6所述的方法，其特征在于，所述根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线，确定当前ΔHP对应的第一运行时间；
根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间；
根据所述第一运行时间和第二运行时间的差值，确定当前时间距离下次维护时间的第一间隔天数。
8.根据权利要求6所述的方法，其特征在于，所述根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数，包括：
获取预先确定的目标维护间隔，所述目标维护间隔为预设时段内维护费用与电能消耗费用总和最小对应的时间间隔，其中，预先根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用；确定按照不同时间间隔维护时，在预设时段的维护费用，根据所述预设时段的电能消耗费用和维护费用确定所述目标维护间隔；
根据当前ΔP在所述第二关系曲线对应的目标运行时间和所述目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数。
9.根据权利要求8所述的方法，其特征在于，所述根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用，包括：
在预设时段内，假设每次维护后运行时长重置为零，确定不同维护间隔对应的各运行时长；
根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定同一运行时长对应的实际P；
根据各运行时长和对应的实际P及电价，确定电能消耗费用。
10.一种空调机组预测维护装置，其特征在于，所述装置包括：
数据采集模块，用于在空调机组运行过程中进行数据采集，所采集的数据包括至少一个实际性能指标数据及实际非性能指标数据；
预测基准性能指标数据获得模块，用于将所述实际非性能指标数据输入到基准模型，得到所述基准模型输出的预测基准性能指标数据，所述基准模型为利用训练样本中的非性能指标数据作为输入，以输出所述训练样本中对应的基准性能指标数据而训练得到的模型，所述基准性能指标数据为仅根据空调机组的运行时长确定的数据；
维护方案确定模块，用于确定所述实际性能指标数据与对应预测基准性能指标数据的差值，并根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案。
11.根据权利要求10所述的装置，其特征在于，预测基准性能指标数据获得模块通过如下方式获取所述训练样本：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据及预测基准性能指标数据；
对所述多条历史数据按照数据规则进行数据清洗，清洗后得到训练样本。
12.根据权利要求11所述的装置，其特征在于，所述预测基准性能指标数据获得模块，用于对所述多条历史数据按照数据规则进行数据清洗，包括如下至少一个步骤：
根据空调机组状态的标志位，选择标志位是空调运行状态的多条历史数据；
根据设定的时间间隔，选取对应所述时间间隔采集的多条历史数据；
根据设定的室外环境温度差值，选取相邻室外环境温差大于所述设定的室外环境温度差值的多条历史数据。
13.根据权利要求10所述的装置，其特征在于，所述维护方案确定模块，用于预先拟合的性能指标数据差值与运行时间的关系，包括：
从中心服务器获取预设时间段内所述空调机组的多条历史数据，每条历史数据包括至少一个实际性能指标数据、实际非性能指标数据、预测基准性能指标数据及运行时间；
确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
根据各条历史数据对应的差值及运行时间，拟合性能指标数据差值与运行时间的关系。
14.根据权利要求13所述的装置，其特征在于，所采集的数据还包括实际运行时间，所述装置还包括：
实时数据获取模块，用于获取多条实时数据，每条实时数据包括所述实际性能指标数据、预测基准性能指标数据及实际运行时间；
差值确定模块，用于确定所述实际性能指标数据与对应预测基准性能指标数据的差值；
关系更新模块，用于根据各条实时数据对应的差值及实际运行时间，更新拟合的性能指标数据差值与运行时间的关系。
15.根据权利要求10所述的装置，其特征在于，所述性能指标数据差值包括高压压力差值ΔHP和功率差值ΔP，维护方案确定模块，用于根据预先拟合的性能指标数据差值与运行时间的关系，确定所述空调机组的维护方案，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数；
根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数；
根据第一间隔天数和第二间隔天数的较小值确定最终的维护间隔。
16.根据权利要求15所述的装置，其特征在于，所述维护方案确定模块，用于根据预先拟合的ΔHP与运行时间的第一关系曲线和设定的ΔHP阈值，确定当前时间距离下次维护时间的第一间隔天数，包括：
根据预先拟合的ΔHP与运行时间的第一关系曲线，确定当前ΔHP对应的第一运行时间；
根据所述第一关系曲线确定ΔHP阈值对应的第二运行时间；
根据所述第一运行时间和第二运行时间的差值，确定当前时间距离下次维护时间的第一间隔天数。
17.根据权利要求15所述的装置，其特征在于，所述维护方案确定模块，用于根据预先拟合的ΔP与运行时间的第二关系曲线和预先确定的目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数，包括：
获取预先确定的目标维护间隔，所述目标维护间隔为预设时段内维护费用与电能消耗费用总和最小对应的时间间隔，其中，预先根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用；确定按照不同时间间隔维护时，在预设时段的维护费用，根据所述预设时段的电能消耗费用和维护费用确定所述目标维护间隔；
根据当前ΔP在所述第二关系曲线对应的目标运行时间和所述目标维护间隔，确定当前时间距离下次维护时间的第二间隔天数。
18.根据权利要求17所述的装置，其特征在于，所述维护方案确定模块，用于根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定按照不同时间间隔进行维护时预设时段的电能消耗费用，包括：
在预设时段内，假设每次维护后运行时长重置为零，确定不同维护间隔对应的各运行时长；
根据预先拟合的ΔP与运行时间的第二关系曲线，及基准P与运行时间的第三关系曲线，确定同一运行时长对应的实际P；
根据各运行时长和对应的实际P及电价，确定电能消耗费用。
19.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现权利要求1至9任一项所述方法的步骤。
20.一种计算机可读写存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111545585.1A CN116266319A (zh) | 2021-12-16 | 2021-12-16 | 一种空调机组预测维护方法、装置、设备及介质 |
| PCT/CN2022/084760 WO2023108953A1 (zh) | 2021-12-16 | 2022-04-01 | 一种空调机组预测维护方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111545585.1A CN116266319A (zh) | 2021-12-16 | 2021-12-16 | 一种空调机组预测维护方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116266319A true CN116266319A (zh) | 2023-06-20 |
Family
ID=86742814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111545585.1A Pending CN116266319A (zh) | 2021-12-16 | 2021-12-16 | 一种空调机组预测维护方法、装置、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116266319A (zh) |
| WO (1) | WO2023108953A1 (zh) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036581B (zh) * | 2019-05-15 | 2024-03-26 | 上海杰之能软件科技有限公司 | 交通工具空调系统的性能检测方法及装置、存储介质、终端 |
| CN112577161B (zh) * | 2019-09-30 | 2022-05-27 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN110736509A (zh) * | 2019-11-13 | 2020-01-31 | 格力电器（武汉）有限公司 | 一种空调外机测试方法、系统、存储介质及上位机 |
| CN112200479A (zh) * | 2020-10-20 | 2021-01-08 | 厦门航空有限公司 | 民机空调系统散热器性能量化评估方法 |
-
2021
- 2021-12-16 CN CN202111545585.1A patent/CN116266319A/zh active Pending
-
2022
- 2022-04-01 WO PCT/CN2022/084760 patent/WO2023108953A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023108953A1 (zh) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Temporal knowledge discovery in big BAS data for building energy management | |
| US10223167B2 (en) | Discrete resource management | |
| Mawson et al. | Deep learning techniques for energy forecasting and condition monitoring in the manufacturing sector | |
| Siano et al. | Designing and testing decision support and energy management systems for smart homes | |
| US8086544B2 (en) | Analysis of energy-related factors for selecting computational job locations | |
| US20150323948A1 (en) | System for analyzing building energy consumption information | |
| Chou et al. | Hybrid machine learning system to forecast electricity consumption of smart grid-based air conditioners | |
| CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
| US9310092B2 (en) | Analytics for optimizing usage of cooling subsystems | |
| KR101762061B1 (ko) | 클라우드 기반 에너지 사용량 예측 시스템 및 방법 | |
| CN114493049A (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
| Kahrobaee et al. | A hybrid analytical-simulation approach for maintenance optimization of deteriorating equipment: Case study of wind turbines | |
| CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
| Maré | Novel simulations for energy management of mine cooling systems | |
| CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| Kusiak et al. | Minimization of wind farm operational cost based on data-driven models | |
| CN114548756A (zh) | 基于主成分分析的综合能源项目综合效益评价方法及装置 | |
| CN115099594A (zh) | 一种基于物联网的建筑能耗管理方法及系统 | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| Nikolaev et al. | Application of the cybernetic approach to price-dependent demand response for underground mining enterprise electricity consumption | |
| CN116266319A (zh) | 一种空调机组预测维护方法、装置、设备及介质 | |
| CN112462708B (zh) | 一种泵站远程诊断及优化调度方法及系统 | |
| CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
| Famoso et al. | A Dependability Neural Network Approach for Short-Term Production Estimation of a Wind Power Plant |
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 |