CN116383676B - 基于数据处理的暖通设备智能检测方法 - Google Patents
基于数据处理的暖通设备智能检测方法 Download PDFInfo
- Publication number
- CN116383676B CN116383676B CN202310652515.9A CN202310652515A CN116383676B CN 116383676 B CN116383676 B CN 116383676B CN 202310652515 A CN202310652515 A CN 202310652515A CN 116383676 B CN116383676 B CN 116383676B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- value
- interval
- normal
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 49
- 238000009423 ventilation Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims description 127
- 238000000034 method Methods 0.000 claims description 27
- 238000005192 partition Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 12
- 238000010219 correlation analysis Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Thermal Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
Abstract
发明涉及数据处理技术领域,具体涉及基于数据处理的暖通设备智能检测方法,包括:通过传感器采集暖通设备的第一传感器数据及第二传感器数据;根据第二传感器数据的正常范围获取第二正常数据区间,获取第一传感器数据相应的第一正常数据区间,根据第一正常数据区间及第二正常数据区间获取第一变化量,获取传感器差值数据,根据传感器差值数据获取每个数据点的权重及偏置系数,构建非线性变化函数;获取每个数据点的第一变化程度,根据第一变化程度获取矫正系数;获取第二传感器数据中每个数据点的矫正值及调节值;根据调节值进行暖通设备运行状态的调节。本发明旨在解决传感器数据之间存在相关影响而导致设备调节不准确的问题。
Description
技术领域
本发明涉及传感器数据处理技术领域,具体涉及基于数据处理的暖通设备智能检测方法。
背景技术
暖通设备即采暖与通风设备,暖通设备主要通过控制温度来实现对室内气温的调节,进而提供舒适的室内环境,暖通设备通过传感器数据对空气中的温度、湿度数据进行采集,然而舒适的室内环境除了保证温度舒适,同时需要确保湿度处于正常范围,因此需要对湿度数据进行异常检测并调节。
然而在现有的湿度数据检测中,由于湿度数据受到温度数据影响,温度的滞后性会导致湿度的变化,反映到暖通设备中,暖通设备对于湿度的调节程度会无法使得湿度达到预期范围,即由于温度数据滞后性的影响,会导致湿度数据的异常检测结果不准确,进而导致暖通设备的调节不及时;反映到多种设备中,各种设备均存在相互影响且存在滞后性的不同传感器采集的数据,进而无法准确进行数据的异常检测从而影响设备运行;因此需要一种可以对相互影响的数据进行矫正的方法,从而保证异常检测的准确性以及设备的正常运行。
发明内容
本发明提供基于数据处理的暖通设备智能检测方法,以解决现有的问题。
本发明的基于数据处理的暖通设备智能检测方法采用如下技术方案:
本发明一个实施例提供了基于数据处理的暖通设备智能检测方法,该方法包括以下步骤:
通过传感器采集暖通设备的第一传感器数据及第二传感器数据;
根据第一传感器数据、第二传感器数据及其正常范围,获取第一正常数据区间及第二正常数据区间,根据第一正常数据区间及第二正常数据区间获取第一变化量,对第一传感器数据及第二传感器数据作差得到传感器差值数据,根据传感器差值数据获取每个数据点的权重,获取传感器差值数据中的若干分割点及数据分割区域,根据每个数据分割区域内相邻数据点的差异以及第二正常数据区间,获取每个数据分割区域的偏置系数,将每个数据分割区域的偏置系数作为每个数据分割区域内每个数据点的偏置系数,根据第一变化量、权重及偏置系数构建非线性变化函数;
根据非线性变化函数获取传感器差值数据中每个数据点的第一变化程度,将所有数据点的第一变化程度的均值作为矫正系数;
根据矫正系数、第二传感器数据及第一正常数据区间与第二正常数据区间,获取第二传感器数据中每个数据点的矫正值及调节值;
根据调节值进行暖通设备运行状态的调节。
可选的,所述获取第一正常数据区间及第二正常数据区间,包括的具体方法为:
将第二传感器数据中正常范围内的第二传感器数据区间记为正常第二传感器数据区间,随机选取一个正常第二传感器数据区间,记为第二正常数据区间;
根据第二正常数据区间在第二传感器数据中的分布获取在第一传感器数据中对应的第一正常数据区间。
可选的,所述根据第一正常数据区间及第二正常数据区间获取第一变化量,包括的具体方法为:
其中,表示第一变化量,/>表示第一正常数据区间中第/>个数据点的变化值,表示第一正常数据区间中所有数据点的变化值的最大值,/>表示第二正常数据区间中第/>个数据点的湿度变化值,/>表示第二正常数据区间中所有数据点的变化值的最大值,/>表示第二正常数据区间中数据点个数,/>表示以自然常数为底的指数函数,/>表示求绝对值;
所述变化值表示区间内每个数据点与下一个数据点的数值之间的差值绝对值。
可选的,所述根据传感器差值数据获取每个数据点的权重,包括的具体方法为:
其中,表示传感器差值数据中第/>个数据点的改变量,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的数值,/>表示以第/>个数据点为中心单侧数据点的个数,表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的数值,/>表示求绝对值;
获取传感器差值数据中每个数据点的改变量,对所有改变量进行归一化,得到的结果记为每个数据点的权重。
可选的,所述获取传感器差值数据中的若干分割点及数据分割区域,包括的具体方法为:
以床干起差值数据中第个数据点为中心构建预设第一窗口,若窗口范围内数据点的第一斜率均值变化大于预设平均斜率阈值时,将第/>个数据点作为传感器差值数据的分割点,所述数据点的第一斜率是当前数据点和后一个数据点之间连线的斜率;
对传感器差值数据中每个数据点进行判断,获取传感器差值数据中的多个分割点,根据多个分割点将传感器差值数据划分为多个数据分割区域。
可选的,所述获取每个数据分割区域的偏置系数,包括的具体方法为:
其中,表示第/>个数据分割区域的偏置系数,/>表示第/>个数据分割区域中第/>个数据点的数值,/>表示第/>个数据分割区域中第/>个数据点的数值,/>表示第/>个数据分割区域中第/>个数据点的数值,/>表示第/>个数据分割区域中数据点的总个数,/>表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间中数据点的总个数,/>表示求绝对值;
所述参考数据区间表示第二正常数据区间在传感器差值数据中的对应区间。
可选的,所述根据第一变化量、权重及偏置系数构建非线性变化函数,包括的具体方法为:
其中,表示非线性变化函数的输出值,/>表示第一变化量,/>表示传感器差值数据中第/>个数据点的权重,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的偏置系数。
可选的,所述根据非线性变化函数获取传感器差值数据中每个数据点的第一变化程度,包括的具体方法为:
以传感器差值数据中任意一个数据点为目标数据点,目标数据点通过非线性变化函数得到输出值,将输出值与目标数据点的数值的比值作为目标数据点的第一变化程度;
获取传感器差值数据中每个数据点的第一变化程度。
可选的,所述获取第二传感器数据中每个数据点的矫正值及调节值,包括的具体方法为:
其中,表示第二传感器数据中第/>个数据点的矫正值,/>表示第二传感器数据中第/>个数据点的数值,/>表示第一正常数据区间中第/>个数据点的数值,/>表示第一正常数据区间中第/>个数据点的数值,/>表示第二正常数据区间中第/>个数据点的数值,/>表示第二正常数据区间中第/>个数据点的数值,/>表示矫正系数,/>表示第二正常数据区间中数据点个数,/>表示求绝对值;
获取第二传感器数据中每个数据点的矫正值,将每个数据点的数值与矫正值的差值记为第二传感器数据中每个数据点的调节值。
本发明的技术方案的有益效果是:在通过传感器对暖通设备的数据进行检测的过程中,其中第一传感器数据为主动调节变化的数据类型,第二传感器数据主动调节变化的同时受第一传感器数据变化而变化,通过两种传感器数据的变化特征建立相关性分析模型,获取第一变化程度,根据第一变化程度对第二传感器数据进行矫正,使得根据矫正后的第二传感器数据进行分析检测的结果更加准确,进而保证暖通设备的正常运行;而在相关性分析模型构建时,由于第一传感器数据对第二传感器数据影响为非线性变化,因此通过Sigmoid函数作为目标函数来进行数据的相关性分析,根据具体的数据变化特征来确定权重及偏置系数,保证相关性分析的准确性,使得在分析第二传感器数据时,可以避免第一传感器数据的影响,提高第二传感器数据检测的准确性,保证暖通设备对于环境调节的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一所提供的基于数据处理的暖通设备智能检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于数据处理的暖通设备智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于数据处理的暖通设备智能检测方法的具体方案。
请参阅图1,其示出了本发明实施例一所提供的基于数据处理的暖通设备智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001、通过传感器采集暖通设备的第一传感器数据及第二传感器数据。
本实施例的目的是对暖通设备采集的传感器数据进行检测并根据检测结果进行调节,因此首先需要采集传感器数据;由于暖通设备的工作环境为室内环境,因此通过在室内布设传感器即可对数据进行采集,其中主动调节变化的数据记为第一传感器数据,可以主动调节同时受到第一传感器数据的数据记为第二传感器数据。
步骤S002、根据第二传感器数据的正常范围获取第二正常数据区间,获取第一传感器数据相应的第一正常数据区间,根据第一正常数据区间及第二正常数据区间获取第一变化量,获取传感器差值数据,根据传感器差值数据获取每个数据点的权重及偏置系数,根据第一变化量、权重及偏置系数构建非线性变化函数。
需要说明的是,第二传感器数据存在正常范围,则获取其正常范围的正常第二传感器数据区间,随机选取其中的第二正常数据区间,并根据第二正常数据区间获取第一传感器数据中的第一正常数据区间;根据第一正常数据区间及第二正常数据区间的变化特征获取第二传感器数据随第一传感器数据变化的第一变化量,第一变化量可以初步量化第一传感器数据对第二传感器数据的影响程度;同时通过对第一传感器数据及第二传感器数据相同时刻的数据点作差,获取传感器差值数据,根据传感器差值数据中数据点数值的变化,量化每个数据点的改变程度及偏移程度,改变程度及偏移程度越大,第二传感器数据受第一传感器数据的影响就越大,需要矫正的变化程度就越大,进而完成对非线性变化函数的构建。
步骤S003、根据非线性变化函数获取每个数据点的第一变化程度,根据第一变化程度获取矫正系数。
需要说明的是,构建非线性变化函数后,每个数据点即每个时刻都可以根据传感器差值数据中对应的数值得到输出值,将输出值与输入值的比值作为每个数据点的第一变化程度,第一变化程度涉及第一变化量、权重及偏置系数,可以较好地反映每个数据点的第二传感器数据受第一传感器数据的影响程度,进而根据所有数据点的第一变化程度,则可以得到矫正系数。
步骤S004、根据矫正系数、第二传感器数据及第一正常数据区间与第二正常数据区间,获取第二传感器数据中每个数据点的矫正值及调节值。
需要说明的是,获取到矫正系数后,结合第二传感器数据中正常范围的第二正常数据区间及相应的第一正常数据区间的变化特征,对第二传感器数据中每个数据点进行矫正值获取,矫正值则可以避免第一传感器数据的影响,使得调节值能够更加真实地表现第二传感器数据应当调节的程度,进而提高暖通设备对于环境调节的准确性。
步骤S005、根据调节值进行暖通设备运行状态的调节。
进一步的,本发明提供实施例二对基于数据处理的暖通设备智能检测方法进行详细说明,该方法包括以下步骤:
步骤S101、布设传感器,采集暖通设备的温度数据及湿度数据。
本实施例主要是为了通过对室内的环境进行检测,然后根据监测数据来对暖通设备进行智能调节,因此首先需要布设传感器来采集室内的各项数据。
具体的,首先在室内布设检测点,然后在检测点上安温度传感器及湿度传感器,传感器可以使用数字式传感器来提高检测精度和可靠性,温度传感器及湿度传感器每隔1分钟采集一次,采集最近一个工作日内的传感器数据,则温度数据为一天的时序数据序列,温度数据即为实施例一中的第一传感器数据;湿度数据同样为一天的时序数据序列,湿度数据即为实施例中的第二传感器数据。
需要说明的是,传感器的型号本实施例不进行具体限定,获取的传感器数据时间长度都是相同的。
至此,通过温度传感器及湿度传感器进行数据采集,得到了温度数据及湿度数据。
步骤S102、对获得的各项数据进行相关性分析,获得非线性变化函数。
需要说明的是,本实施例的主要目的是对监测到的各项数据进行分析,然后对暖通设备进行智能控制。因为设备在对室温进行调节时,通常是人为的设置好预设温度,然后设备通过传感器采集室内的温度数据,与输入值进行比较,当温度不满足设定值时,设备开始运行,在进行制冷或制热,然后在运行时实时的监测室内的温度,当达到设定温度后,设备会改变功率或暂缓运行,直到再次监测的温度与设定温度不相同时会再次运行。
但是在通过对温度及湿度进行监测,然后进行反馈调节时,虽然数据是进行独立调节的,但是室内的温度变化会引起湿度的变化,使得在对湿度进行调节时,实际的调节值不等于额定变化值,进而造成对湿度的调节不准确。例如:在设备供暖的时候,室内的空气会变的干燥,也就是空气中的湿度减小,那么在进行湿度调节时,设备控制系统会根据采集的湿度数据来设置需要调节的湿度功率大小,但是在进行调节的过程中,还是处于继续制热的状态,那么就会导致实际的调节值会比额定值小,导致室内的湿度还是没有达到一个额定的状态,造成空气中的湿度偏低,人会感觉不舒适。
进一步需要说明的是,因此本实施例通过温度数据、湿度数据的变化,来对其进行相关性分析,获得湿度随着温度的变化量,然后再对湿度进行调节,使得调节的湿度参数能够到达设定的额定值,进而不会造成室内的湿度过高或过低。
需要说明的是,因为湿度随温度的变化并不是线性变化,那么在对其相关性分析时,需要根据温度的改变来确定其对湿度的影响程度。根据先验知识,室内的湿度一般在是最为适宜的,湿度太大或太小都会引起人的不适。
具体的,根据获得的湿度数据,首先将湿度数据中正常范围内的湿度数据区间记为正常湿度数据区间,随机选取一个正常湿度数据区间,需要说明的是,正常湿度数据区间表示一个时间段内湿度数据都处于正常范围,即45%-55%的湿度正常范围,湿度数据中可能包含若干个正常湿度数据区间,本实施例选择第一个正常湿度数据区间进行计算,记为正常湿度数据区间,实施者可根据实际情况选择正常湿度数据区间,正常湿度数据区间/>即为实施例一中的第二正常数据区间;根据正常湿度数据区间/>位置获取对应温度数据中的温度数据区间,即为实施例一中的第一正常数据区间。
需要说明的是,所获得的湿度数据是在暖通设备工作状态下测得的,那么通过分析温度和湿度之间的关系能够得到湿度随温度的变化量。
具体的,根据正常湿度数据区间中相邻数据的湿度差异和正常湿度数据区间对应温度数据区间中相邻数据的温度差异得到湿度随温度的变化量,即为实施例一中的第一变化量;对于正常湿度数据区间对应的温度数据区间,获取第/>个数据点的温度值与第/>个数据点的温度值的差值绝对值,记为第/>个数据点的温度变化值,表示为/>;对于正常湿度数据区间/>,获取第/>个数据点的湿度值与第/>个数据点的湿度值的差值绝对值,记为第/>个数据点的湿度变化值,表示为/>;获取正常湿度数据区间中每个数据点的湿度变化值以及正常湿度数据区间对应的温度数据区间中每个数据点的温度变化值;需要说明的是,区间内最后一个数据点无需计算其温度变化值及湿度变化值,则正常湿度数据区间/>中湿度随温度的变化量的计算方法为:
式中,表示正常湿度数据区间/>中湿度随温度的变化量,/>表示正常湿度数据区间/>对应的温度数据区间中第/>个数据点的温度变化值,/>表示正常湿度数据区间/>对应的温度数据区间中所有数据点的温度变化值的最大值,/>表示正常湿度数据区间/>中第/>个数据点的湿度变化值,/>表示正常湿度数据区间/>中所有数据点的湿度变化值的最大值,/>表示正常湿度数据区间/>里所有数据点个数,/>表示以自然常数为底的指数函数,/>表示求绝对值,本实施例通过/>函数来呈现反比例关系及归一化处理,同时通过来保证正比例关系,实施者可根据实际情况选择反比例函数及归一化函数。
需要说明的是,表示对温度数据进行归一化,因为在计算两个数据序列的相互变化趋势时,通过比较连续两个数据点的改变量再对其求差值,就表示在相同数据区间内的变化程度,其差异越大,说明湿度随温度的变化量越大。
进一步需要说明的是,上述计算在正常湿度区间内湿度随温度的变化量,因为湿度随温度的变化是非线性的,因此在计算其数据的相关性时,不能仅对线性变化进行描述,还需要根据两者数据的非线性变化来反映之间的影响关系。两组数据之间的相关关系其最直接的表示方法是通过一个函数来进行表示,但是因为该数据变化是呈现非线性关系的,因此本实施例通过构建非线性变化函数关系来反映两者之间的变化,然后通过函数的变化能够至关的反映出其变化特征,进而就能够确定当温度数据为何值时,对应的湿度数据的具体值是多少。
需要说明的是,根据上述计算得到了在正常数据区间内的湿度随温度的变化量,然后构建其函数变化关系,在这里使用函数作为目标函数。
具体的,根据正常湿度数据区间中湿度随温度的变化量、温度湿度差值数据中任意数据点的权重、温度湿度差值数据中任意数据点的值和温度湿度差值数据中任意数据点的偏置系数构建非线性变化函数。
首先,将获取的温度数据与湿度数据中相同时刻对应的数据点之间的数据作差得到温度湿度差值数据,需要说明的是,温度数据为两位数,而湿度数据为百分数,为了保证量纲统一,本实施例将湿度数据与100相乘再减去温度数据得到差值,所有时刻对应的差值组成温度湿度差值数据,即为实施例一中的传感器差值数据;则对于非线性变化函数的构建方法为:
式中,表示非线性变化函数的输出值,/>表示正常湿度数据区间/>中湿度随温度的变化量,/>表示温度湿度差值数据中第/>个数据点的权重,/>表示温度湿度差值数据中第/>个数据点的数值,/>表示温度湿度差值数据中第/>个数据点的偏置系数。
需要说明的是,可以表示目标函数的变化趋势,因为温度对湿度的不同影响关系对目标函数的偏移程度是不相同的,因此通过湿度随温度的变化量表示函数的偏移程度,因为在不同的温度与湿度情况下,其湿度随温度的变化量是不相同,因此需要使用偏置系数来进行修正,使得修正后的函数准确反映湿度与温度的变化关系。然后根据温度数据与湿度数据的变化来确定权重与偏置。
进一步需要说明的是,因为在这里数据的量需要表示两个数据之间的相关性,因此在这里将温度数据与湿度数据对应时间点之间的差值作为非线性变化函数的输入值,然后再根据数据之间的变化来获得每一数据点的权重系数和对应的偏置系数。因为温度数据与湿度数据之间的变化是非线性的,但是其非线性变化的数据区间又包含着线性变化数据,因此获得的每个数据点的权重时不相同的,这样才能表示数据的非线性变化关系。因此根据当前数据点的邻域数据点的变化来获得其权重大小。
具体的,所述温度湿度差值数据中第个数据点的权重,其根据温度湿度差值数据中第/>个数据点邻域内的数值差异得到,具体的计算方法为:
式中,表示温度湿度差值数据中第/>个数据点的改变量,/>表示温度湿度差值数据中第/>个数据点的值,/>表示温度湿度差值数据中第/>个数据点的值,/>表示温度湿度差值数据中第/>个数据点的值,/>表示以第/>个数据点为中心单侧数据点的个数,表示温度湿度差值数据中第/>个数据点的值,/>表示温度湿度差值数据中第/>个数据点的值,/>表示求绝对值;获取温度湿度差值数据中每个数据点的改变量,对所有改变量进行线性归一化,得到的结果记为每个数据点的权重;需要说明的是,本实施例以单侧数据点的个数/>进行叙述,即以第/>个数据点为中心左右两侧各包含5个数据点,实施者可根据实际情况进行设置,本实施例中对温度湿度差值数据进行操作时,可能会超出温度湿度差值数据的边界,此时本实施例利用二次线性插值的方法将温度湿度差值数据超出边界的部分进行插值填充数据,即温度湿度差值数据中最左端和最右端进行填充数据。
进一步需要说明的是,表示当前数据点/>与左侧数据邻域中第/>个数据点之间的差值,/>表示当前数据点/>与右侧数据邻域中第/>个数据点之间的差值。因为当前数据点与其邻域数据点之间的变化其表示的是当前数据的变化程度,若左侧差值与右侧差值之间的差异较大,说明在该点数据点的趋势发生了变化,因此该点的异常程度越大,那么在根据数据的差值来描述两组数据的非线性关系时,其表示的权重就越大。表示的是在左侧邻域数据点中连续两个数据点的变化量,也就表示的是数据变化的斜率,然后再对左侧数据的变化量求和表示的是数据点的整体变化趋势,但是与公式的前半部分表示不同的含义,前半部分相当于是对异常数据点进行了定位,而后半部分表示其变化的程度,然后再比上右侧邻域数据的变化程度,即表示当前数据点与其邻域数据的改变程度。
需要说明的是,因为偏置系数表示的是函数的位置和形状,湿度随温度的变化量越大,则偏置系数越大,因此根据湿度与温度的差值序列的变化来获得偏置系数。首先对差值序列进行区间划分,因为在不同的数据区间内其差值的变化程度不相同,湿度随温度的变化程度越大,说明此时暖通设备在进行工作时,温度的变化对湿度的变化影响较大,那么在获得准确的湿度值时,就需要根据不同的变化程度来进行湿度数据的矫正。
具体的,根据温度湿度差值数据中数据点的斜率变化将温度湿度差值数据进行分割,以温度湿度差值数据中第个数据点为中心构建预设第一窗口,预设第一窗口的大小本实施例设置为21,即第/>个数据点的预设第一窗口内包括第/>个数据点及其左右各10个数据点;若窗口范围内数据点的第一斜率均值变化大于预设平均斜率阈值时,此时说明第/>个数据点的左右两侧侧数据的变化趋势不相同,因此将第/>个数据点作为温度湿度差值数据的分割点,其中数据点的第一斜率是当前数据点和后一个数据点之间连线的斜率,其中连线的斜率计算为公知技术,本实施例不再赘述,最后一个数据点的第一斜率通过二次线性插值完成计算,本实施例预设平均斜率阈值采用0.3进行叙述,实施者可根据实际情况进行设置;对温度湿度差值数据中每个数据点进行判断,获得温度湿度差值数据中的多个分割点,根据多个分割点将温度湿度差值数据划分为多个数据分割区域;需要说明的是,若某一个数据点在温度湿度差值数据中无法获取完整的预设第一窗口,则通过二次线性插值方法进行填充并完成预设第一窗口的构建。
进一步的,计算每一个数据分割区域内的偏置系数,根据数据分割区域内相邻数据的差异比值和参考数据区间内相邻数据的差异比值得到数据分割区域内的偏置系数,具体计算方法如下:
式中,表示第/>个数据分割区域的偏置系数,/>表示第/>个数据分割区域中第/>个数据点的值,/>表示第/>个数据分割区域中第/>个数据点的值,/>表示第/>个数据分割区域中第/>个数据点的值,/>表示第/>个数据分割区域中数据点的总个数,表示参考数据区间/>中第/>个数据点的值,/>表示参考数据区间/>中第/>个数据点的值,/>表示参考数据区间/>中第/>个数据点的值,/>表示参考数据区间中数据点的总个数,/>表示求绝对值;所述参考数据区间即是正常湿度数据区间/>对应到温度湿度差值数据中的对应区间;将每个数据分割区域的偏置系数作为每个数据分割区域内每个数据点的偏置系数,即每个数据点的偏置系数即为其所在数据分割区域的偏置系数。
需要说明的是,因为在参考数据区间内湿度是处于一个正常范围内的,此时湿度随温度的变化近似的可以视为线性变化,因此这里以参考数据区间为基准,然后计算各分段数据相对于基准区间的变化程度。其变化程度越大,说明数据发生的偏移程度就越大,此时的偏置系数就越大。
进一步需要说明的是,上述计算每个数据点的权重与分段数据区间的偏置系数,其能够表示在非线性变化区间范围内的数据变化程度,因为湿度随温度的变化在不同区间是不一样的,那么如果直接根据函数的原始变化来进行相关性分析,会导致两组数据的相关关系错误,因此本实施例根据湿度数据对温度数据的变化来确定数据的权重系数与偏置系数,能够更好的适应湿度数据随温度数据的趋势,进而在对湿度数据进行矫正时更加准确。
至此,通过确定非线性变化函数中的权重和偏置系数得到了非线性变化函数。
步骤S103、根据非线性变化函数中数据点的斜率得到湿度随温度的变化程度的矫正系数。
具体的,根据上述计算获得的权重与偏置系数,可以构建非线性变化函数,通过构建非线性变化函数可以表示湿度随温度的变化程度。根据先验知识,在数学中,因变量与自变量的比值称为斜率,斜率就是描述自变量与因变量之间的变化关系的,因此根据构建的非线性变化函数的斜率可以直接得到湿度随温度的变化程度,即为实施例一中的第一变化程度。
将温度湿度差值数据中每个数据点在非线性变化函数中的斜率,记为每个数据点的湿度随温度的变化程度,根据非线性变化函数中数据点的湿度随温度的变化程度得到湿度随温度的变化程度的矫正系数,即为实施例一中的矫正系数,计算方法为:
式中,表示湿度随温度的变化程度的矫正系数,/>表示构建的非线性变化函数中第/>个数据点的湿度随温度的变化程度,/>表示温度湿度差值数据中数据点的总个数。
需要说明的是,表示所有数据点的变化程度的平均值。因为变化程度的均值越大,说明因变量随自变量的变化程度越大,则矫正系数应越大。
至此,根据非线性变化函数获取每个数据点湿度随温度的变化程度及矫正系数。
步骤S104、根据湿度随温度的变化程度的矫正系数得到矫正后的湿度值,根据矫正后的湿度值得到湿度数据的调节值。
需要说明的是,通过上述方法计算获得湿度随温度的变化程度的矫正系数。
具体的,根据湿度随温度的变化程度的矫正系数、正常湿度数据区间对应温度数据区间中相邻数据的差异与正常湿度数据区间中相邻数据的差异比值得到湿度数据中矫正后的湿度值。
式中,表示湿度数据中第/>个数据点矫正后的湿度值,其表示在温度影响下对应的湿度的实际值,/>表示湿度数据中第/>个数据点的湿度值,/>表示在正常湿度数据区间/>对应温度数据区间中第/>个数据点的温度值,/>表示在正常湿度数据区间/>对应温度数据区间中第/>个数据点的温度值,/>表示在正常湿度数据区间/>中第/>个数据点的湿度值,/>表示在正常湿度数据区间/>中第/>个数据点的湿度值,/>表示湿度随温度的变化程度的矫正系数,/>表示正常湿度数据区间里所有数据点个数,/>表示求绝对值;需要说明的是,此处湿度值参与计算,按照步骤S002中温度湿度差值数据计算方法,同样需要将湿度数据乘以100后再参与计算,即保证了温度数据与湿度数据的量纲一致。
进一步的,根据矫正后的湿度值来获得湿度数据的调节值。相当于是根据实际的监测值与矫正值来获得暖通设备的调节参数。
具体的,根据正常室内的湿度参考值与湿度数据中矫正后的湿度值差异得到湿度数据的调节值。
式中,表示第/>个湿度数据的调节值,/>表示正常室内的湿度参考值,/>表示湿度数据中第/>个数据点矫正后的湿度值。
需要说明的是,本实施例中湿度参考值以50%为例进行叙述,实施者可根据实际情况进行设置。
至此,根据湿度随温度的变化程度的矫正系数得到矫正后的湿度值,根据矫正后的湿度值得到湿度数据的调节值。
步骤S105、根据各项数据的调节值实时调整暖通设备的运行状态。
通过上述方法计算获得湿度数据的调节值,然后再获得温度数据的调节值,温度数据的调节值直接根据相邻时刻前后数据的差值获得即可,在此不再进行赘述。然后根据获得的调节值对暖通设备进行智能反馈调节,时刻保持室内的温度与湿度保持在一个正常舒适的环境下,其为现有技术,本实施例不再赘述。
至此,通过对暖通设备的温度数据及湿度数据进行检测,并根据其变化特征来获取湿度数据随温度数据的变化量以及变化程度,进而对湿度数据进行矫正,通过矫正来保证湿度数据的后续调节准确性,进而保证暖通设备对于环境调节的准确性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于数据处理的暖通设备智能检测方法,其特征在于,该方法包括以下步骤:
通过传感器采集暖通设备的第一传感器数据及第二传感器数据;
根据第一传感器数据、第二传感器数据及其正常范围,获取第一正常数据区间及第二正常数据区间,根据第一正常数据区间及第二正常数据区间获取第一变化量,对第一传感器数据及第二传感器数据作差得到传感器差值数据,根据传感器差值数据获取每个数据点的权重,获取传感器差值数据中的若干分割点及数据分割区域,根据每个数据分割区域内相邻数据点的差异以及第二正常数据区间,获取每个数据分割区域的偏置系数,将每个数据分割区域的偏置系数作为每个数据分割区域内每个数据点的偏置系数,根据第一变化量、权重及偏置系数构建非线性变化函数;
根据非线性变化函数获取传感器差值数据中每个数据点的第一变化程度,将所有数据点的第一变化程度的均值作为矫正系数;
根据矫正系数、第二传感器数据及第一正常数据区间与第二正常数据区间,获取第二传感器数据中每个数据点的矫正值及调节值;
根据调节值进行暖通设备运行状态的调节;
所述根据第一变化量、权重及偏置系数构建非线性变化函数,包括的具体方法为:
其中,表示非线性变化函数的输出值,/>表示第一变化量,/>表示传感器差值数据中第个数据点的权重,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的偏置系数;
所述获取第二传感器数据中每个数据点的矫正值及调节值,包括的具体方法为:
其中,表示第二传感器数据中第/>个数据点的矫正值,/>表示第二传感器数据中第个数据点的数值,/>表示第一正常数据区间中第/>个数据点的数值,/>表示第一正常数据区间中第/>个数据点的数值,/>表示第二正常数据区间中第/>个数据点的数值,表示第二正常数据区间中第/>个数据点的数值,/>表示矫正系数,/>表示第二正常数据区间中数据点个数,/>表示求绝对值;
获取第二传感器数据中每个数据点的矫正值,将每个数据点的数值与矫正值的差值记为第二传感器数据中每个数据点的调节值。
2.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述获取第一正常数据区间及第二正常数据区间,包括的具体方法为:
将第二传感器数据中正常范围内的第二传感器数据区间记为正常第二传感器数据区间,随机选取一个正常第二传感器数据区间,记为第二正常数据区间;
根据第二正常数据区间在第二传感器数据中的分布获取在第一传感器数据中对应的第一正常数据区间。
3.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述根据第一正常数据区间及第二正常数据区间获取第一变化量,包括的具体方法为:
其中,表示第一变化量,/>表示第一正常数据区间中第/>个数据点的变化值,/>表示第一正常数据区间中所有数据点的变化值的最大值,/>表示第二正常数据区间中第/>个数据点的湿度变化值,/>表示第二正常数据区间中所有数据点的变化值的最大值,表示第二正常数据区间中数据点个数,/>表示以自然常数为底的指数函数,/>表示求绝对值;
所述变化值表示区间内每个数据点与下一个数据点的数值之间的差值绝对值。
4.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述根据传感器差值数据获取每个数据点的权重,包括的具体方法为:
其中,表示传感器差值数据中第/>个数据点的改变量,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第/>个数据点的数值,/>表示以第/>个数据点为中心单侧数据点的个数,/>表示传感器差值数据中第/>个数据点的数值,/>表示传感器差值数据中第个数据点的数值,/>表示求绝对值;
获取传感器差值数据中每个数据点的改变量,对所有改变量进行归一化,得到的结果记为每个数据点的权重。
5.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述获取传感器差值数据中的若干分割点及数据分割区域,包括的具体方法为:
以传感器差值数据中第个数据点为中心构建预设第一窗口,若窗口范围内数据点的第一斜率均值变化大于预设平均斜率阈值时,将第/>个数据点作为传感器差值数据的分割点,所述数据点的第一斜率是当前数据点和后一个数据点之间连线的斜率;
对传感器差值数据中每个数据点进行判断,获取传感器差值数据中的多个分割点,根据多个分割点将传感器差值数据划分为多个数据分割区域。
6.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述获取每个数据分割区域的偏置系数,包括的具体方法为:
其中,表示第/>个数据分割区域的偏置系数,/>表示第/>个数据分割区域中第个数据点的数值,/>表示第/>个数据分割区域中第/>个数据点的数值,/>表示第/>个数据分割区域中第/>个数据点的数值,/>表示第/>个数据分割区域中数据点的总个数,表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间/>中第/>个数据点的数值,/>表示参考数据区间中数据点的总个数,/>表示求绝对值;
所述参考数据区间表示第二正常数据区间在传感器差值数据中的对应区间。
7.根据权利要求1所述的基于数据处理的暖通设备智能检测方法,其特征在于,所述根据非线性变化函数获取传感器差值数据中每个数据点的第一变化程度,包括的具体方法为:
以传感器差值数据中任意一个数据点为目标数据点,目标数据点通过非线性变化函数得到输出值,将输出值与目标数据点的数值的比值作为目标数据点的第一变化程度;
获取传感器差值数据中每个数据点的第一变化程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652515.9A CN116383676B (zh) | 2023-06-05 | 2023-06-05 | 基于数据处理的暖通设备智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652515.9A CN116383676B (zh) | 2023-06-05 | 2023-06-05 | 基于数据处理的暖通设备智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383676A CN116383676A (zh) | 2023-07-04 |
CN116383676B true CN116383676B (zh) | 2023-08-25 |
Family
ID=86980959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652515.9A Active CN116383676B (zh) | 2023-06-05 | 2023-06-05 | 基于数据处理的暖通设备智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383676B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435874B (zh) * | 2023-12-21 | 2024-03-12 | 河北雄安睿天科技有限公司 | 一种供排水设备异常数据检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010238105A (ja) * | 2009-03-31 | 2010-10-21 | Nippon Telegr & Teleph Corp <Ntt> | 平常/非平常判定システム、方法及びプログラム |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
CN108361557A (zh) * | 2018-02-11 | 2018-08-03 | 四川德顿郎陈暖通设备有限公司 | 暖通设备工作状态检测系统 |
CN111076372A (zh) * | 2019-12-25 | 2020-04-28 | 大连理工大学 | 一种一次回风空调系统中传感器误差的在线识别与修复方法 |
CN114357412A (zh) * | 2021-11-29 | 2022-04-15 | 陆振兴 | 一种暖通空调系统效率自控寻优控制系统 |
CN114705725A (zh) * | 2022-03-01 | 2022-07-05 | 上海申矽凌微电子科技有限公司 | 湿度传感器校准方法和系统以及湿度传感器 |
CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
-
2023
- 2023-06-05 CN CN202310652515.9A patent/CN116383676B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010238105A (ja) * | 2009-03-31 | 2010-10-21 | Nippon Telegr & Teleph Corp <Ntt> | 平常/非平常判定システム、方法及びプログラム |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
CN108361557A (zh) * | 2018-02-11 | 2018-08-03 | 四川德顿郎陈暖通设备有限公司 | 暖通设备工作状态检测系统 |
CN111076372A (zh) * | 2019-12-25 | 2020-04-28 | 大连理工大学 | 一种一次回风空调系统中传感器误差的在线识别与修复方法 |
CN114357412A (zh) * | 2021-11-29 | 2022-04-15 | 陆振兴 | 一种暖通空调系统效率自控寻优控制系统 |
CN114705725A (zh) * | 2022-03-01 | 2022-07-05 | 上海申矽凌微电子科技有限公司 | 湿度传感器校准方法和系统以及湿度传感器 |
CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116383676A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116383676B (zh) | 基于数据处理的暖通设备智能检测方法 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
KR101141027B1 (ko) | 냉난방부하 추정을 위한 시간별 기상데이터 예측방법 | |
CN112381476A (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN115962551B (zh) | 用于楼宇自动控制的智能空调控制系统和方法 | |
CN113031670B (zh) | 一种基于大数据的仓库湿度自动控制系统 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN113587172A (zh) | 供水温度延迟时间预测方法、装置及电子设备 | |
KR101793625B1 (ko) | 기후변화를 고려한 비정상성 지역빈도해석에서의 확률강우량 산출방법 및 그 시스템 | |
CN107111800B (zh) | 基于对加权统计指标的分析的零件制造方法 | |
CN117249922B (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
CN116576553B (zh) | 一种空气调节机数据优化采集方法及系统 | |
CN117272216B (zh) | 一种自动流量监测站和人工水尺观测站的数据分析方法 | |
CN116882079A (zh) | 一种水泵特性曲线自适应校准及预测方法 | |
CN115221800B (zh) | 天气发生器和深度学习融合的延伸期径流集合预测方法 | |
CN115759422A (zh) | 供暖热负荷预测方法、系统、设备和介质 | |
CN115468633A (zh) | 基于rbf神经网络的多点式流量计的校正方法和装置 | |
CN111076372B (zh) | 一种一次回风空调系统中传感器误差的在线识别与修复方法 | |
CN117313014B (zh) | 一种窑炉运转能耗异常数据实时监测预警方法 | |
CN114706439B (zh) | 一种智能调节室内温湿度的三恒系统的性能评估系统 | |
CN117348384B (zh) | 智能熨烫机能效优化系统及方法 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN116659066B (zh) | 中央空调节能运行控制系统及控制方法 | |
CN117806154B (zh) | 一种用于篦式冷却机的pid控制器参数优化方法及系统 | |
CN113375222B (zh) | 一种提高热电组网智能感知与调控设备精确度的控制方法 |
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 |