CN116335977A - 一种轴流式通风机、控制方法及存储介质 - Google Patents
一种轴流式通风机、控制方法及存储介质 Download PDFInfo
- Publication number
- CN116335977A CN116335977A CN202310338784.8A CN202310338784A CN116335977A CN 116335977 A CN116335977 A CN 116335977A CN 202310338784 A CN202310338784 A CN 202310338784A CN 116335977 A CN116335977 A CN 116335977A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- probability distribution
- noise
- ventilator
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims description 11
- 238000009826 distribution Methods 0.000 claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims description 55
- 238000004891 communication Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 description 63
- 230000000875 corresponding effect Effects 0.000 description 53
- 238000012549 training Methods 0.000 description 24
- 230000005856 abnormality Effects 0.000 description 18
- 230000007613 environmental effect Effects 0.000 description 18
- 239000000203 mixture Substances 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D25/00—Pumping installations or systems
- F04D25/02—Units comprising pumps and their driving means
- F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/26—Rotors specially for elastic fluids
- F04D29/32—Rotors specially for elastic fluids for axial flow pumps
- F04D29/38—Blades
- F04D29/384—Blades characterised by form
- F04D29/386—Skewed blades
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/66—Combating cavitation, whirls, noise, vibration or the like; Balancing
- F04D29/661—Combating cavitation, whirls, noise, vibration or the like; Balancing especially adapted for elastic fluid pumps
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D29/00—Details, component parts, or accessories
- F04D29/66—Combating cavitation, whirls, noise, vibration or the like; Balancing
- F04D29/661—Combating cavitation, whirls, noise, vibration or the like; Balancing especially adapted for elastic fluid pumps
- F04D29/666—Combating cavitation, whirls, noise, vibration or the like; Balancing especially adapted for elastic fluid pumps by means of rotor construction or layout, e.g. unequal distribution of blades or vanes
-
- 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]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Ventilation (AREA)
Abstract
本说明书实施例提供一种轴流式通风机及其控制方法,所述方法基于轴流式通风机的处理器执行,所述方法包括:基于传感数据,确定通风机在第一时刻的第一异常概率分布,传感数据基于通风机的传感器模块获取;以及基于第一异常概率分布,确定后续维护操作。
Description
技术领域
本说明书涉及通风机控制领域,特别涉及一种轴流式通风机、控制方法及存储介质。
背景技术
轴流通风机的应用广泛,其主要作用是将其输入的能量转化为气体的压力和动能。轴流通风机在工作运行中会产生风压、噪音等,通过上述现象可以反映轴流通风机的运转情况。另外,噪音也是影响通风机的用户体验的关键。
因此,希望提供一种轴流通风机、控制方法及存储介质,能够对轴流通风机的运转情况中的异常情况进行监测和预测,从而可以采取合适的维护操作,并降低通风机产生的噪音。
发明内容
本说明书一个或多个实施例提供一种轴流式通风机,包括:机壳、叶轮、电动机、传感器模块以及处理器;其中叶轮由叶片、叶柄和轮毂组成;叶轮安装于电动机的驱动轴端;叶柄与轮毂之间通过机械连接方式连接为一体;叶片与叶柄间通过机械连接方式连接为一体;叶片的形状为扭曲型、弧线型、平面板状中至少一种,叶片由本体部分和外缘前折部分组成;外缘前折部分在叶轮的直径的最大处垂至于叶片的工作面前折;外缘前折部分在其垂直平面的投影呈机翼型,或在叶片展开为平面后呈机翼型;处理器分别与传感器模块和电动机通信连接;处理器用于:基于传感数据,确定通风机在第一时刻的第一异常概率分布,传感数据基于传感器模块获取;以及基于第一异常概率分布,确定后续维护操作。
本说明书一个或多个实施例提供一种轴流式通风机的控制方法,所述方法基于轴流式通风机的处理器执行,所述方法包括:基于传感数据,确定通风机在第一时刻的第一异常概率分布,传感数据基于通风机的传感器模块获取;以及基于第一异常概率分布,确定后续维护操作。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述的轴流式通风机的控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种轴流式通风机的示例性示意图;
图2是根据本说明书一些实施例所示的一种轴流式通风机的控制方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定第一异常概率分布的示例性示意图;
图4是本说明书一些实施例所示的通过第一异常确定模型确定第一异常概率分布的示例性示意图;
图5是根据本说明书一些实施例所示的确定后续维护操作的示例性流程图;
图6是根据本说明书一些实施例所示的确定电动机的运转功率调整量的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的一种轴流式通风机的示例性示意图。
如图1所示,轴流式通风机100可以包括处理器110、电动机120、叶轮130、传感器模块140、风机监测模块150以及机壳(图1中未示出)。在一些实施例中,轴流式通风机100又可以简称为通风机。
处理器110可以用于接收/发送相关指令,从而实现对通风机中各个部件的控制。例如,处理器110可以基于通过传感器模块140获取到的传感数据,确定通风机在第一时刻的第一异常概率分布,传感数据基于传感器模块获取;以及基于第一异常概率分布,确定后续维护操作。关于确定第一异常概率分布以确定后续维护操作的更多内容可以参见图2及其有关描述。在一些实施例中,处理器110分别与电动机120、传感器模块130以及风机监测模块150通信连接。
电动机120可以用于驱动叶轮130旋转,从而产生气体压力实现通风。电动机120可以以某一运转功率进行工作。在一些实施例中,电动机120的运转功率可以由处理器110进行确定和调整。关于确定和调整运转功率的更多说明可以参见图6及其相关描述。
叶轮130可以用于在电动机120的驱动下旋转产生。在一些实施例中,叶轮由叶片、叶柄和轮毂组成。叶轮安装于电动机的驱动轴端。叶柄与轮毂之间可以通过机械连接方式连接为一体。机械连接方式可以包括铆接、焊接或螺栓中的至少一种。叶片与叶柄间通过机械连接方式连接为一体。叶片的形状为扭曲型、弧线型、平面板状中至少一种。叶片由本体部分和外缘前折部分组成。外缘前折部分在叶轮的直径的最大处垂至于叶片的工作面前折。外缘前折部分在其垂直平面的投影呈机翼型(如,RAF-6E型、CLARK y型、LS型或葛廷根型),或在叶片展开为平面后呈机翼型。
传感器模块140是指用于获取传感数据的相关单元。关于传感数据的更多说明可以参见图2及其相关描述。传感器模块140可以采集通风机的工作环境中的相关信息,将相关信息转化为对应的传感数据并发送到处理器110。
在一些实施例中,传感器模块140可以包括风压传感器140-1、噪音传感器140-2、温度传感器140-3和空气成分传感器140-4中至少一种,以对应采集风压传感数据、噪音传感数据、温度传感数据和空气成分数据。
风机监测模块150可以用于获取风机监测数据。关于风机监测数据的更多说明可以参见图2及其相关描述。风机监测模块150可以监测通风机的运转情况的相关信息,将相关信息转化为对应的风机监测数据并发送到处理器110。
在一些实施例中,风机监测模块150可以包括图像传感器150-1和开关传感器150-2中的至少一种,以对应采集通风机的转动图像和通风机启闭状态。
机壳可以用于保护轴流式通风机的各个部件和机械结构。
需要注意的是,以上对于轴流式通风机的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。
图2是根据本说明书一些实施例所示的一种轴流式通风机的控制方法的示例性流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由轴流式通风机的处理器执行。
步骤210,基于传感数据,确定通风机在第一时刻的第一异常概率分布。
传感数据是指通风机工作的相关数据。在一些实施例中,传感数据可以基于传感器模块获取。在一些实施例中,传感器模块可以基于设定的时间点或时间间隔实现传感数据的采集。关于传感器模块的更多说明可以参见图1及其相关描述。
在一些实施例中,传感数据可以包括风压传感数据、噪音传感数据和温度传感数据中至少一种。关于风压传感数据、噪音传感数据和温度传感数据的更多说明参见图3及其相关描述。
第一时刻可以指当前时刻。
第一异常概率分布可以反映通风机在第一时刻的异常情况。第一异常概率分布可以包括异常类型和异常类型在第一时刻的异常发生概率。异常类型可以是轴承润滑度不够、扇叶灰尘积累过多、电机内部温度过高等。异常发生频率可以反映某种类型的异常在第一时刻发生的可能性大小。
在一些实施例中,第一异常概率分布可以示例性地以表1的形式表示:
异常类型 | A | B | C | D | … |
异常发生概率 | PA | PB | PC | PD | … |
表1-第一异常概率分布的示例性表示应当理解的是,由于多种异常类型可能同时发生,因此在表1中,各个异常类型对应的异常发生概率之和不一定等于1,可能大于1。
在一些实施例中,处理器可以基于传感数据,确定通风机在第一时刻的第一异常概率分布。
在一些实施例中,处理器可以基于风压传感数据、噪音传感数据和温度传感数据中至少一种,建立映射表、建模等方式确定所述第一异常概率分布。例如,处理器可以预先将多个历史时刻对应的风压传感数据、噪音传感数据和温度传感数据作为历史数据,生成历史数据和对应的历史第一异常概率分布的第一映射关系表。可以通过查询第一映射关系表中与当前时刻的风压传感数据、噪音传感数据和温度传感数据相同或相近的历史数据,将其对应的历史第一异常概率分布作为当前的第一异常概率分布。
在一些实施例中,处理器可以基于风压传感数据、噪音传感数据和温度传感数据中至少一种,确定第一异常概率分布。
关于如何基于风压传感数据、噪音传感数据和温度传感数据中至少一种,确定第一异常概率分布的更多说明可以参见图3及其相关描述。
在一些实施例中,处理器还可以确定通风机在第二时刻的第二异常概率分布。例如,处理器可以基于风机监测数据,确定通风机在第二时刻的第二异常概率分布。
风机监测数据是指对通风机的运转情况进行监测得到的数据。例如,运转情况可以包括通风机的转动情况(如,通风机的转速、通风机的转动是否正常)、通风机的启闭状态等。
在一些实施例中,风机监测数据可以通过风机监测模块获取。上述通风机的转动情况可以通过风机监测模块的图像传感器监测得到。通风机启闭状态可以通过风机监测模块的开关传感器监测得到。
第二时刻是指未来时刻。例如,未来10分钟。
第二异常概率分布可以反映通风机在第二时刻的异常情况。第二异常概率分布也可以包括异常类型和对应的异常发生概率。
在一些实施例中,与第一异常概率分布类似地,第二异常概率分布也可以基于第二时刻下的异常类型和对应的异常发生概率进行表示,且表示方式同理。
在一些实施例中,处理器可以通过建立对应关系、建立模型和/或人工经验等多种数据方式确定。例如,处理器可以预先基于多个第一历史时刻的历史风机监测数据和多个第二历史时刻对应的历史异常概率分布,生成第一历史时刻的历史风机监测数据和对应的第二历史时刻的历史异常概率分布的对应关系,其中,第一历史时刻可以早于多个第二历史时刻。相应地,处理器可以基于待测风机监测数据与对应关系,确定与待测风机监测数据相同或相近的历史风机监测数据所对应的历史异常概率分布作为第二时刻的第二异常概率分布。
本说明书一些实施例所述的方法,通过确定第二异常概率分布,可以对未来时间所要发生的异常情况进行预测,有助于对通风机进行预先检修和维护,保证通风机后续的正常工作。
步骤220,基于第一异常概率分布,确定后续维护操作。
后续维护操作是指针对通风机的异常情况所需要采取的相应操作。后续维护操作可以是调整电动机的运转功率、添加润滑剂至轴承、清理通风机的扇叶等。
在一些实施例中,处理器可以直接控制对应单元执行后续维护操作,例如,处理器可以直接控制电动机调整运转功率。在一些实施例中,处理器可以以包括但不限于数据指令、警报、文本推送、图像、语音等一种或多种形式的组合向目标单元和/或终端发出提示信息,以提示相关人员对通风机执行后续操作。
在一些实施例中,处理器可以通过建立映射表或者其他数据分析方式确定后续维护操作。例如,处理器可以预先基于历史时间的历史异常概率分布和对应的历史后续维护操作,生成历史时间的历史异常概率分布和对应的历史后续维护操作的第二映射关系表。通过查询第二射关系表中与当前第一异常概率分布相同或相近的历史异常概率分布,将其对应的历史后续维护操作作为当前的后续维护操作。
在一些实施例中,处理器可以基于风机监测数据,确定通风机的运转特征;基于运转特征和至少一个历史时刻的历史异常概率分布,确定第二异常概率分布;并基于第一异常概率分布和第二异常概率分布,确定后续维护操作。关于如何基于第一异常概率分布和第二异常概率分布确定后续维护操作的更多说明可以参见图5的描述。
在一些实施例中,当后续维护操作为调整电动机的运转功率时,处理器可以基于风压传感数据、噪音传感数据和温度传感数据中至少一种,确定电动机的运转功率调整量;以及将运转功率调整量发送至电动机,以调整电动机的运转功率。关于如何确定电动机的运转功率调整量以调整电动机的运转功率的更多说明可以参见图6的描述。
本说明书一些实施例所述的方法,通过通风机的传感数据确定第一异常概率分布,以确定通风机可能出现的各种异常情况的类型和对应概率,从而可以采取合适的后续维护操作,保证通风机的正常运行,延长了通风机的使用寿命,提高了用户的使用体验。
图3是根据本说明书一些实施例所示的确定第一异常概率分布的示例性示意图。
如图3所示,处理器可以基于风压传感数据301、噪音传感数据302和温度传感数据303中至少一种,确定第一异常概率分布304。
风压传感数据可以反映通风机附近的风压大小情况。风压传感数据可以通过传感器模块的风压传感器获取得到。
噪音传感数据可以反映通风机附近的噪音情况。在一些实施例中,噪音传感数据可以为音频数据。噪音传感数据可以通过传感器模块的噪音传感器获取得到。
在一些实施例中,处理器可以控制噪音传感器以设定的监测频率进行噪音监测。
监测频率是指噪音传感器在单位时间内监测噪音的次数。
在一些实施例中,处理器可以基于历史经验数据、系统默认值等设定监测频率的初始值。噪音传感器可以在启动时以监测频率的初始值进行噪音监测。
在一些实施例中,响应于通风机满足预设条件时,处理器可以调整监测频率。
在一些实施例中,预设条件可以包括噪音稳定在正常状态并超过预设时间(如,2小时)、噪音突发异常(如,噪音音量突然超过预设音量)时等至少一种情况。处理器可以基于音频分析算法(如,决策树方法、隐马尔可夫模型等),确定噪音是否满足预设条件。如果噪音持续稳定在正常状态并超过预设时间,处理器可以降低当前的监测频率。如果噪音突发异常,处理器可以提高当前的监测频率。
在一些实施例中,预设条件还可以包括电动机的运转功率被调整。当电动机的运转功率被调整时,处理器可以调整监测频率。在一些实施例中,监测频率的调整值可以基于运转功率的调整量确定。例如,监测频率的调整值可以与运转功率的调整量正相关。关于如何确定运转功率的调整量的更多说明可以参见图6及其相关描述。
应当理解的是,当运转功率调整量越大,则说明电动机运转情况的变化越大。此时,如果噪音传感器仍然以之前的监测频率对噪音进行检测,可能较难确定后续可能发生的异常情况,因此需要增大监测频率的调整值。
本说明书一些实施例所述的方法,通过调整噪音传感器的监测频率,实现了对通风机的噪音进行动态监控,从而可以适应于通风机的多种变化情况,以准确确定通风机的噪音传感数据。
温度传感数据可以反映通风机附近空气的温度情况。温度传感数据可以通过传感器模块的温度传感器采集得到。
在一些实施例中,历史第一异常概率分布也可以称作历史异常概率分布,关于历史异常概率分布的更多说明参见图5及其相关描述。
在一些实施例中,第一异常概率分布还相关于空气成分数据。
空气成分数据可以反映通风机附近的空气中各个成分的含量信息。在一些实施例中,空气成分数据可以基于传感器模块的空气成分传感器获取得到。
在一些实施例中,处理器可以基于风压传感数据、噪音传感数据、温度传感数据和空气成分传感数据,确定第一异常概率分布。
示例性地,前述图2中的历史数据除多个历史时刻对应的风压传感数据、噪音传感数据和温度传感数据以外,还可以包括多个历史时刻的空气成分传感数据。处理器可以通过查询第一映射关系表中与当前时刻的风压传感数据、噪音传感数据、温度传感数据和空气成分传感数据相同或相近的历史数据,将其对应的历史第一异常概率分布作为当前的第一异常概率分布。
本说明书一些实施例所述的方法,通过分析空气成分数据,可以结合通风机附近的实际空气情况,得到更准确的第一异常概率分布。
在一些实施例中,处理器可以基于噪音传感数据,确定噪音类型,并基于风压传感数据、温度传感数据以及噪音类型,确定第一异常概率分布。
在一些实施例中,噪音类型可以包括噪音音源类型和噪音持续类型。
噪音音源类型是指基于噪音的产生来源所划分的噪音类型。在一些实施例中,噪音音源类型可以包括气体动力噪声、机械噪声和电磁性噪声。
气体动力噪声可以指叶片高速旋转或高速气流通过叶片时,会使叶片两侧的空气发生压力突变,激发声波。机械噪声可以由于通风机运转时,部件间的摩擦力、撞击力或非平衡力,使各个部件和/或机壳产生振动而发出的噪声。电磁性噪声可以指由于电动机的交变力相互作用产生的声音。例如,电动机的电流和磁场的相互作用产生的噪声。
噪音持续类型是指基于噪音随时间的变化情况所划分的噪音类型。在一些实施例中,噪音持续类型可以包括稳态噪声、非稳态噪声和脉冲噪声。
稳态噪声是指噪声声压级的变化较小(一般不大于3dB),且不随时间有大幅度的变化的噪声,例如,电动机、通风机正常运行时的电磁噪声。非稳态噪声是指噪声强度随时间而有起伏波动(声压变化大于3dB),例如,通风机的某一叶片故障时旋转所产生的噪声。脉冲噪声是指持续时间小于1秒的单个或多个突发声组成的噪声。脉冲噪声的声压从原始水平升至峰值又降回至原始水平所需的持续时间短于500ms,其峰值声压级大于40dB。脉冲噪声往往是突发的高强噪声,如爆破等所产生的噪声。
在一些实施例中,噪音类型可以被表示为向量,例如,噪音类型对应的向量可以被表示为(α,β),其中,α可以代表噪音音源类型(如,噪音音源类型为气体动力噪声时对应α可以为1,噪音音源类型为机械噪声时对应α可以为2,噪音音源类型为电磁性噪声时对应α可以为3);β可以代表噪音持续类型(如,噪音持续类型为稳态噪声对应β可以为1,噪音持续类型为非稳态噪声对应β可以为2,噪音持续类型为脉冲噪声对应β可以为3)。
在一些实施例中,噪音类型可以被表示为概率分布序列,例如,(qA,qB,qC,qD,qE,qF…),其中,qA、qB、qC、qD、qE和qF可以分别表示噪音类型为气体动力噪声、机械噪声、电磁性噪声、稳态噪声、非稳态噪声和脉冲噪声在第一时刻的发生概率。
在一些实施例中,处理器可以基于噪音传感数据,通过建立模型或通过其他音频分析方法(如,梅尔滤波器等),确定噪音类型。
在一些实施例中,处理器还可以基于风压传感数据、温度传感数据以及噪音类型,通过向量匹配,确定第一异常概率分布。
具体地,处理器可以预先基于历史时刻对应的风压传感数据、温度传感数据以及噪音类型建立对应的第一参考特征向量。例如,第一参考特征向量可以被表示为s=(α,β,γ),α,β,γ可以分别表示通风机在某一历史时刻的风压传感数据、温度传感数据以及噪音类型。
处理器可以基于多个第一参考特征向量和对应的实际异常类型,建立第一向量数据库。在第一向量数据库中,第一参考特征向量对应的实际异常类型可以作为第一参考特征向量对应的推荐异常类型。第一向量数据库是指用于存储、索引和查询第一参考特征向量和异常类型的数据库。通过第一向量数据库,处理器可以面对大量第一参考特征向量快速地进行相似性查询和其他向量管理。在一些实施例中,第一向量数据库可以示例性地以表2的形式表示。
表2-第一向量数据库的示例性表示
处理器可以基于当前的风压传感数据、温度传感数据以及噪音类型,构建其对应的第一待测特征向量,构建方式可以与第一参考特征向量的构建方式类似。
处理器可以基于第一待测特征向量,计算第一向量数据库中各个第一参考特征向量的第一评估值。在一些实施例中,第一评估值可以是第一参考特征向量和第一待测特征向量的相似度。相似度可以基于第一参考特征向量和第一待测特征向量的向量距离(如,欧式距离、切比雪夫距离等)确定,向量距离越小,则向量之间的相似度越大,第一参考特征向量对应的第一评估值也越大。
处理器可以将第一评估值大于预设阈值的第一参考特征向量对应的推荐异常类型,作为候选异常类型。预设阈值可以基于历史经验数据、系统默认值等设定。
处理器可以分别计算每个候选异常类型的概率,确定最终的异常概率分布,并作为第一异常概率分布。例如,候选异常类型包括s3、s5以及s8,对应的评估值分别为n3、n5和n8。则候选异常类型s3的对应概率m3=n3/N,其中N可以是所有候选异常类型对应的评估值之和。此处,N=n3+n5+n8。同理可以计算得到,候选异常类型s5的对应概率m5和候选异常类型s8的对应概率m8。最终的异常概率分布可以表示为:
异常类型 | s3 | s5 | s8 |
异常发生概率 | m3 | m5 | m8 |
表3-某一最终的异常概率分布
处理器可以最终的异常概率分布将其作为第一异常概率分布。
在一些实施例中,除风压传感数据、温度传感数据以及噪音类型以外,第一参考特征向量还可以包括空气成分数据。例如,第一参考特征向量可以被表示为s=(α,β,γ,δ),δ可以表示通风机在某一历史时刻的空气成分数据。相应地,第一待测特征向量也可以包括空气成分数据。
在一些实施例中,处理器可以基于风压传感数据、温度传感数据以及噪音类型,通过第一异常确定模型,确定第一异常概率分布。
在一些实施例中,第一异常确定模型为机器学习模型。第一异常确定模型可以是卷积神经网络模型、深度神经网络模型等一种或多种的组合。第一异常确定模型可以用于对风压传感数据、温度传感数据以及噪音类型进行分析,确定第一异常概率分布。
图4是本说明书一些实施例所示的通过第一异常确定模型确定第一异常概率分布的示例性示意图。如图4所示,第一异常确定模型440的输入可以是风压传感数据410、温度传感数据420以及噪音类型430,输出可以是第一异常概率分布460。
在一些实施例中,第一异常确定模型的参数可以通过训练得到。处理器可以基于多组带有标签的第一训练样本对初始第一异常确定模型进行训练,每组第一训练样本可以包括样本通风机的样本风压传感数据、样板温度传感数据以及样本噪音类型。每组第一训练样本的标签可以是对应的一个或多个实际发生的异常类型。
在一些实施例中,每组第一训练样本的标签可以示例性地以表4的形式表示:
异常类型 | A | B | C | D | … |
异常是否发生 | 0或1 | 0或1 | 0或1 | 0或1 | … |
表4-第一训练样本的标签的示例性表示
表4中的“异常类型”一栏可以基于通风机可能出现的所有异常类型确定。基于某一第一训练样本的实际发生的一个或多个异常类型,在表4中,可以在该一个或多个异常类型对应的“异常是否发生”一栏标注为“1”。如果某一个或多个的异常类型没有发生,可以在对应的“异常是否发生”一栏标注为“0”。
在一些实施例中,第一训练样本和标签可以通过人工或系统在已知样本通风机当前发生的一种或多种异常类型的情况下,记录一组或多组样本通风机的风压传感数据、温度传感数据和噪音类型确定。应当理解的是,样本通风机应当与当前待测通风机具有相同的规格参数(如,型号、工作参数等)。
处理器可以将多组第一训练样本及其标签输入初始第一异常确定模型,基于初始第一异常确定模型的输出和第一训练样本的标签构建损失函数,并基于损失函数迭代更新初始第一异常确定模型的参数,当训练的模型满足预设条件时,训练结束,获取训练好的第一异常确定模型。预设条件可以包括但不限于损失函数收敛、损失函数值小于预设值或训练迭代次数达到阈值等。
在一些实施例中,除前述输入的风压传感数据、温度传感数据以及噪音类型以外,第一异常确定模型的输入还可以包括空气成分数据。如图4所示,第一异常确定模型可以对风压传感数据410、温度传感数据420、噪音类型430以及空气成分数据460进行处理,输出第一异常概率分布450。相应地,每组第一训练样本可以还可以包括样本通风机的样本空气成分数据。
本说明书一些实施例所述的方法,通过模型对风压传感数据、温度传感数据以及噪音类型进行综合分析,并可以引入空气成分数据,进一步结合通风机附近的实际空气情况,从而更加准确快速地得到第一异常概率分布。
在一些实施例中,处理器还可以基于风压传感数据、温度传感数据以及噪音类型,通过其他方式如,决策树、SVM算法等分类算法,确定第一异常概率分布,在此不作限制。
噪音传感数据作为音频声波数据,具有较多特征,若直接处理时数据量较大,容易产生数据冗余、处理速度较慢的问题。本说明书一些实施例所述的方法,通过预先确定噪音类型的特征,从而便于后续的数据处理。基于噪音类型结合风压传感数据和温度传感数据,并通过模型来确定第一异常概率分布,在保证数据丰富度的同时,提高了数据的处理速度。
本说明书一些实施例所述的方法,通过噪音传感数据、风压传感数据、温度传感数据,确定第一异常概率分布,可以对通风机的工作中的相关信息进行综合判断,从而使第一异常概率分布更加准确,符合通风机的实际工作情况,有助于确定合适的后续维护操作。
图5是根据本说明书一些实施例所示的确定后续维护操作的示例性流程图。如图5所示,流程500包括下述步骤。在一些实施例中,流程500可以由轴流式通风机的处理器执行。
步骤510,基于风机监测数据,确定通风机的运转特征。
关于风机监测数据的更多说明可以参见图2及其相关描述。
运转特征可以反映通风机的运转情况。在一些实施例中,运转特征可以包括风机转速、风机日均运行时间等。风机日均运行时间可以基于某一历史时间内(如,前3天)日均运行时间的均值确定。在一些实施例中,风机转速可以基于与处理器通信连接的转速传感器或图像传感器确定。风机转速还可以基于电动机运转功率与风机转速的数量关系得到。
在一些实施例中,运转特征可以被表示为向量或序列等形式。
在一些实施例中,运转特征可以通过对风机监测数据进行特征提取后获得。例如,风机监测数据可以输入至某个训练好的嵌入模型,该嵌入模型的输出可以为运转特征。
步骤520,基于运转特征和至少一个历史时刻的历史异常概率分布,确定第二异常概率分布。
历史异常概率分布可以反映通风机在历史时刻的异常情况。可以理解的,历史异常概率分布即为历史时刻的对应的第一异常概率分布。与第一异常概率分布类似地,历史异常概率分布也可以基于历史时刻下的异常类型和对应的异常发生概率进行表示,且表示方式同理。
关于第二异常概率分布的更多说明可以参见图2及其相关描述。
在一些实施例中,处理器可以基于运转特征和至少一个历史时刻的历史异常概率分布,通过第二异常确定模型,确定第二异常概率分布。
在一些实施例中,第二异常确定模型为机器学习模型。第二异常确定模型可以是长短期记忆网络模型或其他时间序列模型。
在一些实施例中,第二异常确定模型的参数可以通过训练得到。处理器可以基于多组带有标签的第二训练样本对初始第二异常确定模型进行训练,每组第二训练样本可以包括样本通风机的在第一样本时刻的样本运转特征和至少一个第二样本时刻的样本异常概率分布。每组第二训练样本的标签可以是每组第二训练样本对应的在第三样本时刻对应的一个或多个实际发生的异常类型。在一些实施例中,与第一训练样本的标签类似地,第二训练样本的标签也可以基于第三样本时刻的异常类型和对应的发生情况进行表示,且表示方式同理。其中,第二样本时刻的样本异常概率分布可以基于训练好的第一异常确定模型得到。关于第一异常确定模型的更多说明可以参见图3及其相关描述。应当理解的是,第二样本时刻早于第一样本时刻,第一样本时刻早于第三样本时刻。
处理器可以将多组第二训练样本及其标签输入初始第二异常确定模型。关于后续训练方式的更多说明可以参见前述对初始第一异常确定模型的训练的描述。
本说明书一些实施例所述的方法,通过模型对运转特征和至少一个历史时刻的历史异常概率分布进行分析,可以更准确快速地预测第二异常概率分布。
在一些实施例中,除前述输入的运转特征和至少一个历史时刻的历史异常概率分布以外,第二异常确定模型的输入还可以包括环境特征。第二异常确定模型可以对运转特征、至少一个历史时刻的历史异常概率分布和环境特征进行处理,输出第二异常概率分布。相应地,每组第二训练样本可以还可以包括样本通风机的样本环境特征。
环境特征可以反映通风机附近的环境情况。在一些实施例中,环境特征可以基于风压传感数据、温度传感数据以及空气成分数据确定。示例性地,环境特征可以直接由风压传感数据、温度传感数据以及空气成分数据共同表示。又一示例地,环境特征可以被表示为向量形式。例如,环境特征可以基于风压传感数据、温度传感数据以及空气成分数据,通过嵌入模型得到。具体地,风压传感数据、温度传感数据以及空气成分数据可以输入至某个训练好的嵌入模型,该嵌入模型输出的嵌入向量可以作为环境特征。
应当理解的是,当通风机用于不同的环境时,则通风机在未来的异常情况也会具有差异。例如,在带有油雾的气体环境下工作的通风机会加速通风机的污垢产生。本说明书一些实施例所述的方法,在模型中引入环境特征进行分析,可以预测更加准确的第二异常概率分布。
在一些实施例中,处理器还可以基于运转特征和至少一个历史时刻的历史异常概率分布,通过其他方式如,建立数量关系等,确定第二异常概率分布,在此不作限制。
步骤530,基于第一异常概率分布和第二异常概率分布,确定后续维护操作。
在一些实施例中,处理器可以预先设定不同异常类型和不同后续维护操作的对应关系。处理器可以将第一异常概率分布和第二异常概率分布中相同异常类型的异常概率分布进行加权求和,从而确定出概率的加权之和大于预设阈值的至少一种异常类型。其中,预设阈值以及相同异常类型在不同概率分布中的权重可以基于经验值或系统默认值设定。处理器可以基于至少一种异常类型和对应关系,确定对应的后续维护操作。
在一些实施例中,处理器还可以基于第一异常概率分布和第二异常概率分布,通过其他方式如,向量匹配等,确定后续维护操作,在此不作限制。
本说明书一些实施例所述的方法,通过运转特征和至少一个历史时刻的历史异常概率分布,确定第二异常概率分布,可以对通风机当前工作数据和历史异常数据进行综合判断,从而使第二异常概率分布的预测更加准确,从而有助于对通风机进行预先检修和维护。
图6是根据本说明书一些实施例所示的确定电动机的运转功率调整量的示例性示意图。
如图6所示,处理器可以基于风压传感数据601、噪音传感数据602和温度传感数据603中至少一种,确定电动机120的运转功率调整量;并将运转功率调整量发送至电动机120,以调整电动机120的运转功率。
关于运转功率的调整量的更多说明可以参见图3及其相关描述。
在一些实施例中,运转功率调整量可以基于噪音大小或噪音类型确定。关于噪音类型的更多说明可以参见图3及其相关描述。例如,处理器可以预先设定噪音音量超过不同阈值时,可以对应不同的运转功率调整量。当噪音的音量超过第一阈值(如,50dB)时,则可以降低电动机的运转功率,且运转功率调整量为第一阈值对应的第一调整值(如,100W)。当噪音的音量超过第二阈值(如,60dB)时,同样也降低电动机的运转功率,且运转功率调整量为第二阈值对应的第二调整值(如,200W)。第二阈值大于第一阈值。
又例如,处理器可以预先基于不同的噪音类型,设定不同的运转功率调整量。当噪音类型为电磁性噪声时,运转功率调整量可以为第三调整值(如,50W)。当噪音类型为气体动力噪声时,运转功率调整量可以为第四调整值(如,100W)。当噪音类型为机械噪声时,运转功率调整量可以为第五调整值(如,300W)。其中,电磁性噪声对应的运转功率调整量可以相对于其他噪音类型的运转功率调整量较小。
本说明书一些实施例所述的方法,基于不同的噪音大小和不同的噪音类型确定不同的运转功率调整量,从而可以通过调整电动机的运转功率来降低噪声。
在一些实施例中,运转功率调整量可以基于环境特征确定。关于环境特征的更多说明可以参见图5及其相关描述。例如,环境特征中的温度传感数据高于预设阈值时,说明通风机附近的空气温度较高,此时,运转功率调整量可以较大。又例如,环境特征中的空气成分数据显示某一可吸入颗粒物含量较高,说明通风机附近的空气污染较严重,此时,运转功率调整量可以较大。
本说明书一些实施例所述的方法,通过环境特征确定运转功率调整量,可以使通风机适应于不同的环境,并有助于后续通过调整运转功率使工作环境尽量稳定在正常状态。
在一些实施例中,运转功率调整量可以基于使用场景确定。
使用场景是指通风机工作时所处的场合。例如,生产工厂、办公室、家庭等。
在一些实施例中,处理器可以基于向量匹配确定使用场景。具体地,处理器可以预先基于历史时刻对应的环境特征和运转特征建立对应的第二参考特征向量。例如,第二参考特征向量可以被表示为w=(ε,θ),ε,θ可以分别表示通风机在某一历史时刻的环境特征和运转特征。
处理器可以基于多个第二参考特征向量和对应的实际使用场景,建立第二向量数据库。在第二向量数据库中,第二参考特征向量对应的实际使用场景可以作为第二参考特征向量对应的推荐使用场景。第二向量数据库是指用于存储、索引和查询第二参考特征向量和使用场景的数据库。通过第二向量数据库,处理器可以面对大量第二参考特征向量快速地进行相似性查询和其他向量管理。在一些实施例中,第二向量数据库可以示例性地以表5的形式表示。
第二参考特征向量 | 推荐使用场景 |
w1 | q1 |
w2 | q2 |
w3 | q3 |
… | … |
表5-第二向量数据库的示例性表示
处理器可以基于当前的环境特征和运转特征,构建其对应的第二待测特征向量,构建方式可以与第二参考特征向量的构建方式类似。
处理器可以基于第二待测特征向量,计算第二向量数据库中各个第二参考特征向量的第二评估值。在一些实施例中,第二评估值可以是第二参考特征向量和第二待测特征向量的相似度。
处理器可以将第二评估值最大的第二参考特征向量所对应的推荐使用场景作为当前第二待测特征向量的使用场景。
在一些实施例中,处理器可以设定不同使用场景和运转功率调整量的对应关系。例如,当使用场景为生产工厂时,运转功率调整量可以为第六调整值。使用场景为办公室、家庭时,运转功率可以为第七调整值。第六调整值可以大于第七调整值。可以理解的,当使用场景为如,办公室、家庭等舒适度要求较高的场景时,运转功率调整量可以较低,从而可以对通风机的运转功率进行精确调节。当使用场景为如,生产工厂等效率要求较高的场景时,运转功率调整量可以较高,从而可以对通风机的运转功率进行快速调节。
本说明书一些实施例所述的方法,通过确定使用场景来确定运转功率调整量,从而可以满足不同使用场景下的用户需求,增进了轴流式通风机的用户使用体验。
处理器可以基于运转功率调整量生成相应的控制指令并下发至电动机。电动机可以基于运转功率调整量调整当前的运转功率,并以最新的运转功率工作。
本说明书一些实施例所述的方法,通过不同方式确定运转功率调整量,从而可以确定更合适的电动机的运转功率调整量,从而对电动机的运转功率进行优化,保证电动机的正常运行。
本说明书实施例还提供一种计算机可读存储介质,存储介质可以存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如本说明书实施例提供的任意一种轴流式通风机的控制方法。
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。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
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 (10)
1.一种轴流式通风机,其特征在于,包括:机壳、叶轮、电动机、传感器模块以及处理器;
其中所述叶轮由叶片、叶柄和轮毂组成;
所述叶轮安装于所述电动机的驱动轴端;
所述叶柄与所述轮毂之间通过机械连接方式连接为一体;
所述叶片与叶柄间通过机械连接方式连接为一体;
所述叶片的形状为扭曲型、弧线型、平面板状中至少一种,所述叶片由本体部分和外缘前折部分组成;
所述外缘前折部分在所述叶轮的直径的最大处垂至于所述叶片的工作面前折;
所述外缘前折部分在其垂直平面的投影呈机翼型,或在所述叶片展开为平面后呈机翼型;
所述处理器分别与所述传感器模块和所述电动机通信连接;
所述处理器用于:
基于传感数据,确定通风机在第一时刻的第一异常概率分布,所述传感数据基于所述传感器模块获取;以及
基于所述第一异常概率分布,确定后续维护操作。
2.如权利要求1所述的轴流式通风机,其特征在于,
所述传感器模块包括风压传感器、噪音传感器和温度传感器中至少一种;
所述传感数据包括风压传感数据、噪音传感数据和温度传感数据中至少一种;
所述处理器进一步用于:
基于所述风压传感数据、所述噪音传感数据和所述温度传感数据中至少一种,确定所述第一异常概率分布。
3.如权利要求1所述的轴流式通风机,其特征在于,所述通风机还包括与处理器通信连接的风机监测模块,
所述风机监测模块用于:
监测所述通风机的运转情况,确定风机监测数据;
所述处理器进一步用于:
基于所述风机监测数据,确定所述通风机在第二时刻的第二异常概率分布。
4.如权利要求3所述的轴流式通风机,其特征在于,所述处理器进一步用于:
基于所述风机监测数据,确定所述通风机的运转特征;
基于所述运转特征和至少一个历史时刻的历史异常概率分布,确定所述第二异常概率分布;以及
基于所述第一异常概率分布和所述第二异常概率分布,确定所述后续维护操作。
5.如权利要求1所述的轴流式通风机,其特征在于,
所述传感数据包括风压传感数据、噪音传感数据和温度传感数据中至少一种;
所述处理器还用于:
基于所述风压传感数据、所述噪音传感数据和所述温度传感数据中至少一种,确定所述电动机的运转功率调整量;以及
将所述运转功率调整量发送至所述电动机,以调整所述电动机的运转功率。
6.一种轴流式通风机的控制方法,其特征在于,所述方法基于权利要求1的轴流式通风机的处理器执行,
所述方法包括:
基于传感数据,确定通风机在第一时刻的第一异常概率分布,所述传感数据基于所述通风机的传感器模块获取;以及
基于所述第一异常概率分布,确定后续维护操作。
7.根据权利要求6所述的方法,其特征在于,所述传感器模块包括风压传感器、噪音传感器和温度传感器中至少一种;所述传感数据包括风压传感数据、噪音传感数据和温度传感数据中至少一种;
所述基于传感数据,确定所述通风机在第一时刻的第一异常概率分布包括:
基于所述风压传感数据、所述噪音传感数据和所述温度传感数据中至少一种,确定所述第一异常概率分布。
8.根据权利要求6所述的方法,其特征在于,所述通风机还包括与处理器通信连接的风机监测模块,所述方法还包括:
基于风机监测数据,确定所述通风机在第二时刻的第二异常概率分布,所述风机监测数据基于所述风机监测模块获取。
9.根据权利要求8所述的方法,其特征在于,
所述基于所述风机监测数据,确定所述通风机在第二时刻的第二异常概率分布包括:
基于所述风机监测数据,确定所述通风机的运转特征;
基于所述运转特征和至少一个历史时刻的历史异常概率分布,确定所述第二异常概率分布;以及
基于所述第一异常概率分布和所述第二异常概率分布,确定所述后续维护操作。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求6~9任一项所述的轴流式通风机的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338784.8A CN116335977B (zh) | 2023-03-31 | 2023-03-31 | 一种轴流式通风机、控制方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338784.8A CN116335977B (zh) | 2023-03-31 | 2023-03-31 | 一种轴流式通风机、控制方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116335977A true CN116335977A (zh) | 2023-06-27 |
CN116335977B CN116335977B (zh) | 2023-12-29 |
Family
ID=86875992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310338784.8A Active CN116335977B (zh) | 2023-03-31 | 2023-03-31 | 一种轴流式通风机、控制方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116335977B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117128185A (zh) * | 2023-10-26 | 2023-11-28 | 深圳品网科技有限公司 | 笔记本电脑的风扇降噪方法、设备、存储介质及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101624994A (zh) * | 2009-08-03 | 2010-01-13 | 合肥通用机械研究院 | 叶片外缘前折的轴流通风机 |
CN103133381A (zh) * | 2011-11-28 | 2013-06-05 | 河南理工大学 | 通风机自动调频控制方法及其装置 |
US20140111218A1 (en) * | 2012-10-24 | 2014-04-24 | Marvell World Trade Ltd. | Failure prediction in a rotating device |
CN204113701U (zh) * | 2014-07-18 | 2015-01-21 | 河北联合大学 | 一种矿井风机在线监测与故障诊断系统 |
CN105003453A (zh) * | 2014-07-18 | 2015-10-28 | 河北联合大学 | 一种矿井风机在线监测与故障诊断系统 |
CN207004890U (zh) * | 2017-07-12 | 2018-02-13 | 宁波龙泰电讯电机有限公司 | 一种高性能风机出风口降噪装置 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
CN110594186A (zh) * | 2019-10-30 | 2019-12-20 | 浙江上风高科专风实业有限公司 | 一种动叶可调轴流风机的运行监测方法 |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
CN112943663A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 风扇控制方法、系统、风扇及计算机可读存储介质 |
JP2021161933A (ja) * | 2020-03-31 | 2021-10-11 | 新明和工業株式会社 | コンピュータプログラム、ブロワの状態監視方法、及びブロワの状態監視装置 |
CN214998323U (zh) * | 2021-03-23 | 2021-12-03 | 天津中隧通风机有限公司 | 一种可节能降温的隧道风机 |
WO2022089871A1 (de) * | 2020-10-26 | 2022-05-05 | Diehl Ako Stiftung & Co. Kg | Verfahren und vorrichtung zum überwachen einer luftkühlvorrichtung |
CN114962310A (zh) * | 2022-05-19 | 2022-08-30 | 浙江理工大学 | 一种故障监测方法、装置及存储介质 |
CN217988709U (zh) * | 2022-09-02 | 2022-12-09 | 南通路桥工程有限公司 | 一种桥涵施工用安全防护装置 |
-
2023
- 2023-03-31 CN CN202310338784.8A patent/CN116335977B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101624994A (zh) * | 2009-08-03 | 2010-01-13 | 合肥通用机械研究院 | 叶片外缘前折的轴流通风机 |
CN103133381A (zh) * | 2011-11-28 | 2013-06-05 | 河南理工大学 | 通风机自动调频控制方法及其装置 |
US20140111218A1 (en) * | 2012-10-24 | 2014-04-24 | Marvell World Trade Ltd. | Failure prediction in a rotating device |
CN204113701U (zh) * | 2014-07-18 | 2015-01-21 | 河北联合大学 | 一种矿井风机在线监测与故障诊断系统 |
CN105003453A (zh) * | 2014-07-18 | 2015-10-28 | 河北联合大学 | 一种矿井风机在线监测与故障诊断系统 |
CN207004890U (zh) * | 2017-07-12 | 2018-02-13 | 宁波龙泰电讯电机有限公司 | 一种高性能风机出风口降噪装置 |
CN108131321A (zh) * | 2018-02-12 | 2018-06-08 | 山东理工大学 | 一种轴流式风机失速故障监测系统及故障监测方法 |
CN110594186A (zh) * | 2019-10-30 | 2019-12-20 | 浙江上风高科专风实业有限公司 | 一种动叶可调轴流风机的运行监测方法 |
CN112943663A (zh) * | 2019-11-26 | 2021-06-11 | 佛山市云米电器科技有限公司 | 风扇控制方法、系统、风扇及计算机可读存储介质 |
JP2021161933A (ja) * | 2020-03-31 | 2021-10-11 | 新明和工業株式会社 | コンピュータプログラム、ブロワの状態監視方法、及びブロワの状態監視装置 |
WO2022089871A1 (de) * | 2020-10-26 | 2022-05-05 | Diehl Ako Stiftung & Co. Kg | Verfahren und vorrichtung zum überwachen einer luftkühlvorrichtung |
CN112524077A (zh) * | 2020-12-09 | 2021-03-19 | 国家电网有限公司 | 检测风机故障的方法及装置、系统 |
CN214998323U (zh) * | 2021-03-23 | 2021-12-03 | 天津中隧通风机有限公司 | 一种可节能降温的隧道风机 |
CN114962310A (zh) * | 2022-05-19 | 2022-08-30 | 浙江理工大学 | 一种故障监测方法、装置及存储介质 |
CN217988709U (zh) * | 2022-09-02 | 2022-12-09 | 南通路桥工程有限公司 | 一种桥涵施工用安全防护装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117128185A (zh) * | 2023-10-26 | 2023-11-28 | 深圳品网科技有限公司 | 笔记本电脑的风扇降噪方法、设备、存储介质及装置 |
CN117128185B (zh) * | 2023-10-26 | 2024-01-26 | 深圳品网科技有限公司 | 笔记本电脑的风扇降噪方法、设备、存储介质及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116335977B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116335977B (zh) | 一种轴流式通风机、控制方法及存储介质 | |
US6466858B1 (en) | Methods and apparatus for monitoring gas turbine engine operation | |
US11061394B2 (en) | In-situ measurement logging by wireless communication unit for communicating engine data | |
US6438484B1 (en) | Method and apparatus for detecting and compensating for compressor surge in a gas turbine using remote monitoring and diagnostics | |
CN106094570B (zh) | 一种基于工况识别和谷本距离的变工况下航空发动机整机健康评估方法 | |
CN104512554B (zh) | 用于预测辅助动力单元故障的方法 | |
JP5156210B2 (ja) | ガスタービンエンジン構成要素品質のモデルベース反復推定 | |
CN101922474B (zh) | 用于向涡轮构件提供喘振保护的系统和方法 | |
CA3007519A1 (en) | Engine and electrical machine health monitoring | |
CN102384843B (zh) | 用于监测翼型的健康的系统和方法 | |
EP1936460B1 (en) | Method and system for identifying gas turbine engine faults | |
US10371064B2 (en) | Method and system to increase gas turbine engine durability | |
US9250153B2 (en) | Methods and systems for monitoring health of blades | |
US11536197B2 (en) | Valve opening degree determination device for cooling-air adjustment valve, disk cavity target temperature determination device, and disk cavity temperature control device | |
US20080101916A1 (en) | Method and system for deriving wind speed in a stall controlled wind turbine | |
US6719526B2 (en) | Method for categorizing the operating mode of a gas turbine | |
CN109489179B (zh) | 检测空调电机的方法及装置 | |
US20230392846A1 (en) | Building system with automatic chiller anti-surge control | |
CN207830171U (zh) | 多级轴流式通风机 | |
JP2013139821A (ja) | 航空機用ガスタービンエンジンのブレード先端間隙制御 | |
CN114754476A (zh) | 空调喘息控制装置、方法及空调系统 | |
CN111708815B (zh) | 一种基于大数据算法的机泵选型及分析方法 | |
CN116628561A (zh) | 一种电子水泵智能测试系统及方法 | |
Buffington et al. | Fans For Greenhouses: AE12/AE020, 2/2008 | |
CN117150938A (zh) | 基于数字孪生的引风机的剩余寿命预测方法 |
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 |