CN116611819B - 空调压缩机故障预测方法、系统、终端设备及存储介质 - Google Patents
空调压缩机故障预测方法、系统、终端设备及存储介质 Download PDFInfo
- Publication number
- CN116611819B CN116611819B CN202310631315.5A CN202310631315A CN116611819B CN 116611819 B CN116611819 B CN 116611819B CN 202310631315 A CN202310631315 A CN 202310631315A CN 116611819 B CN116611819 B CN 116611819B
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- fault
- key index
- conditioner compressor
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提供一种空调压缩机故障预测方法、系统、终端设备及存储介质,其中方法包括如下步骤:采集与空调压缩机相关的多个关键指标的实时数据,调用第一预测数据库,获得每个关键指标的判定条件,判断关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别,统计实时数据满足与其对应的判定条件的关键指标对应的故障类别总量,判断故障类别总量大于或等于第一预设阈值时,发出预警信息。该预警信息可帮助汽车厂家工作人员提前预约车主进行检修,排查问题,避免出现故障之后,影响车主的驾乘体验,从而达到提高售后质量、提升产品竞争力的效果。
Description
技术领域
本申请涉及车载空调压缩机技术领域,具体涉及一种空调压缩机故障预测方法、系统、终端设备及存储介质。
背景技术
汽车空调压缩机是汽车空调制冷系统的心脏,起着压缩和输送制冷剂蒸汽的作用,在当前新能源汽车盛行的背景下,空调压缩机的正常工作与否对电池及车身散热等都至关重要,当新能源汽车车载空调在实际运行过程中出现压缩机不运行的问题时,极大影响用户的驾乘体验。
现有技术中,由于缺少空调压缩机可能存在故障风险的故障预警系统,只能被动等用户在使用过程中出现空调不运行问题时再做故障定位及检修,但汽车空调系统的大多数运动件均在空调压缩机上,此种滞后的诊断操作会造成前期故障堆积、不便修理或修理花费过大的问题。
发明内容
鉴于现有技术中的上述缺陷或不足,本申请旨在提供一种空调压缩机故障预测方法、装置、终端设备及存储介质。
本申请第一方面提供一种空调压缩机故障预测方法,包括如下步骤:
采集多组与空调压缩机相关的关键指标的实时数据;
调用第一预测数据库,获得每组所述关键指标的判定条件,所述第一预测数据库包括:多组关键指标、和与每组关键指标对应的判定条件;
判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多组关键指标,和与每组关键指标对应的故障类别;
统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息。
根据本申请实施例提供的技术方案,所述关键指标至少包括常规关键指标,所述构建所述第一预测数据库的方法,至少包括以下步骤:
调用产品数据库,获取各组所述常规关键指标的相关信号数据;所述产品数据库包括至少一个常规关键指标、和与常规关键指标对应的至少两个相关信号数据;
计算每个所述常规关键指标的各所述相关信号数据的加权值;
基于每个所述常规关键指标的各所述相关信号数据的加权值,应用线性回归计算各组所述常规关键指标的所述正常阈值;
基于每个所述常规关键指标的所述正常阈值,设定每个所述常规关键指标对应的所述判定条件。
根据本申请实施例提供的技术方案,所述关键指标还包括区别关键指标;所述采集与空调压缩机相关的多个关键指标的实时数据,具体包括:采集与空调压缩机相关的常规关键指标的实时数据、以及采集与空调压缩机相关的区别关键指标的实时数据;
其中,采集与空调压缩机相关的区别关键指标的实时数据,至少包括以下步骤:
调用故障特征单元数据库,获取最近一次空调开机信号所对应的故障特征单元数量,并将其作为所述区别关键指标的实时数据;所述故障特征单元数据库包括:多次所述空调开机信号、和每次所述空调开机信号对应的所述故障特征单元数量。
根据本申请实施例提供的技术方案,构建所述故障特征单元数据库,至少包括以下步骤:
接收空调开机信号并开始计时,所述空调开机信号至少包括开机请求转速;
判断达到第一预设时长时,获取空调压缩机的实时转速;
获取所述故障特征单元的初始数量;所述故障特征单元的初始数量为与本次所述空调开机信号邻近的前一次空调开机信号所对应的所述故障特征单元的数量;
判断所述实时转速小于所述开机请求转速,且持续时长大于或等于第二预设时长时,将所述初始数量累计加1得到更新数量,并将所述更新数量作为本次空调开机信号对应的所述故障特征单元数量,存入所述故障特征单元数据库。
根据本申请实施例提供的技术方案,将所述初始数量累计加1得到所述更新数量,并将所述更新数量作为本次空调开机信号的所述故障特征单元数量,存入所述故障特征单元数据库之后,还包括:
调用所述第一预测数据库,获得第一条件,所述第一条件为当前所述区别关键指标对应的判定条件;
判断所述更新数量满足所述第一条件时,将该次所述空调开机信号对应的所述故障特征单元数量设置为零。
根据本申请实施例提供的技术方案,还包括更新所述第一预测数据库的方法,该方法至少包括以下步骤:
每间隔第三预设时长,采集每个所述常规关键指标的实时相关信号数据,并将其存入所述产品数据库;
遍历所述产品数据库,计算每个所述常规关键指标的所述相关信号数据的更新加权值;
基于每个所述常规关键指标的所述相关信号数据的所述更新加权值,计算每个所述常规关键指标的更新阈值;
以所述更新阈值调整所述第一预测数据库中相应的判定条件。
根据本申请实施例提供的技术方案,判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息,具体包括以下步骤:
判断所述故障类别总量等于所述第一预设阈值时,发出初级风险预警;
判断所述故障类别总量等于第二预设阈值时,发出中级风险预警,所述第二预设阈值大于所述第一预设阈值;
判断所述故障类别总量大于所述第二预设阈值时,发出高级风险预警。
本申请第二方面提供一种空调压缩机故障预测系统,包括:
采集模块,所述采集模块用于采集与空调压缩机相关的多个关键指标的实时数据;
判断模块,所述判断模块用于:
调用第一预测数据库,获得每组所述关键指标的判定条件,所述第一预测数据库包括:多个关键指标、和与每个关键指标对应的判定条件;
判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多个故障类别,和各所述故障类别对应的所述关键指标;
计算模块,所述计算模块统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
预警模块,所述预警模块判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息。
本申请第三方面提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的空调压缩机故障预测方法的步骤。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质有计算机程序,所述计算机程序被处理器执行时实现如上所述的空调压缩机故障预测方法的步骤。
与现有技术相比,本申请的有益效果在于:通过采集与空调压缩机相关的多个关键指标的实时数据,并调用第一预测数据库将每个关键指标的实时数据与其对应的判定条件比对,若一个关键指标满足其对应的判定条件时即说明该车载空调压缩机存在故障风险,再通过调用第二预测数据库,进一步判断故障风险具体为何种故障类别风险,根据可能存在的故障类别风险数量发出预警信息,该预警信息可帮助汽车厂家工作人员提前预约车主进行检修,排查问题,避免出现故障之后,影响车主的驾乘体验,从而达到提高售后质量、提升产品竞争力的效果。
附图说明
图1为本申请提供的一种空调压缩机故障预测方法的步骤流程图;
图2为本申请提供的一种空调压缩机故障预测系统的结构示意图;
图3为本申请提供的一种终端设备的结构示意图。
附图标号:100、服务器;101、中央处理器(CPU);102、只读存储器(ROM);103、随机访问存储器(RAM);104、总线;105、输入/输出(I/O)接口;106、输入部分;107、输出部分;108、存储部分;109、通信部分;110、驱动器;111、可拆卸介质。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例1
请参考图1,本实施例提供一种空调压缩机故障预测方法,包括如下步骤:
S100.采集与空调压缩机相关的多个关键指标的实时数据;
S101.调用第一预测数据库,获得每组所述关键指标的判定条件,所述第一预测数据库包括:多个关键指标、和与每个关键指标对应的判定条件;
S102.判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多个关键指标,和与每个关键指标对应的故障类别;
S103.统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
S104.判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息。
具体地,采集多组与空调压缩机相关的关键指标的实时数据通过云数据实现,通过新能源汽车车端数据采集设备,把空调压缩机及控制器的信号实时数据样本集采集存储,然后上传到云端以备采集使用。
具体地,云端数据集进行本地解析,把十六进制的信号数据,通过规则解析成为十进制数据,再进行数据处理,十进制数据进入本地数据库,再进行数据标签化,用于待采集。
具体地,空调压缩机相关的关键指标由市面现在通用的诊断逻辑获得,诊断逻辑即当空调出现停机问题后,进行故障诊断时所用的逻辑,空调压缩机相关的关键指标分别为故障特征单元数、温度和电压,所述第二预测数据库如表1所示:
表1
关键指标 | 故障类别 |
故障特征单元 | 启动失败 |
空调压缩机温度 | 高温异常 |
空调压缩机电压 | 负载电压异常 |
本申请提供的空调压缩机故障预测方法可帮助汽车厂家工作人员提前预约车主进行检修,排查问题,避免出现故障之后,影响车主的驾乘体验,从而达到提高售后质量、降低事故风险、提高安全性、提升产品竞争力的效果。
在一优选实施方式中,多个所述关键指标至少包括常规关键指标,所述构建所述第一预测数据库的方法,至少包括以下步骤:
调用产品数据库,获取每个所述常规关键指标的相关信号数据;所述产品数据库包括至少一个常规关键指标、和与常规关键指标对应的至少两个相关信号数据;
计算每个所述常规关键指标的各所述相关信号数据的加权值;
基于每个所述常规关键指标的各所述相关信号数据的加权值,计算每个所述常规关键指标的正常阈值;
基于每个所述常规关键指标的所述正常阈值,设定每个所述常规关键指标对应的所述判定条件。
具体地,每个所述常规关键指标都有其对应的判定条件,判定条件中的正常阈值通过聚类算法和线性回归算法获得。
具体地,先对所有与空调运行相关的数据进行异常值、离散值的清洗处理,再进行标准化打标,打标后的数据进行主成分分析,以对每一个信号进行筛选,得到相关信号数据,从而确定所述常规关键指标的相关信号。
具体地,常规关键指标为空调压缩机温度时,所述常规关键指标的相关信号数据为外界温度、车内温度和空调压缩机内部温度,基于海量的汽车空调压缩机的上述相关信号数据,通过聚类算法计算外界温度、车内温度和空调压缩机内部温度的加权值,即获得各相关信号数据对该常规关键指标的影响程度,再通过线性回归算法计算外界温度、车内温度和空调压缩机内部温度影响下空调压缩机温度的所述正常阈值。
具体地,各所述常规关键指标的正常阈值是线性变化的,并非是恒定值,所以依托业务逻辑和海量数据验证之后更新所述正常阈值的,具有很高的预测准确性,满足预期目标,如果业务逻辑发生了变化,诊断逻辑也会发生变化,算法模型也要做出相应的调整。
可选地,关键指标为空调压缩机温度时,正常阈值为106摄氏度(略小于诊断逻辑),对应的,所述关键指标为空调压缩机温度对应的判定条件为:压缩机温度高于106摄氏度。所述关键指标为供给空调压缩机的直流电压时,故障风险可分为负载电压过压和负载电压欠压,负载电压过压的正常阈值为478V,对应的,所述关键指标为电压时,负载电压过压的判定条件为:供给压缩机的直流电压大于478V。负载电压欠压的正常阈值为178V,对应的,所述关键指标为电压时,负载电压欠压的判定条件为:供给压缩机的直流电压小于178V。
具体地,所述第一预测数据库如表2所示:
表2
关键指标 | 判定条件 |
故障特征单元 | 数量等于10次 |
空调压缩机温度 | 大于106摄氏度 |
空调压缩机电压 | 大于478V或小于178V |
在一优选实施方式中,所述关键指标还包括区别关键指标;所述采集与空调压缩机相关的多个关键指标的实时数据,具体包括:采集与空调压缩机相关的常规关键指标的实时数据、以及采集与空调压缩机相关的区别关键指标的实时数据;
其中,采集与空调压缩机相关的区别关键指标的实时数据,至少包括以下步骤:
调用故障特征单元数据库,获取最近一次空调开机信号所对应的故障特征单元数量,并将其作为所述区别关键指标的实时数据;所述故障特征单元数据库包括:多次所述空调开机信号、和每次所述空调开机信号对应的所述故障特征单元数量。
在一优选实施方式中,构建所述故障特征单元数据库,至少包括以下步骤:
接收空调开机信号并开始计时,所述空调开机信号至少包括开机请求转速;
判断达到第一预设时长时,获取空调压缩机的实时转速;
获取所述故障特征单元的初始数量;所述故障特征单元的初始数量为与本次所述空调开机信号邻近的前一次空调开机信号所对应的所述故障特征单元的数量;
判断所述实时转速小于所述开机请求转速,且持续时长大于或等于第二预设时长时,将所述初始数量累计加1得到更新数量,并将所述更新数量作为本次空调开机信号的所述故障特征单元数量,存入所述故障特征单元数据库。
具体地,所述区别关键指标为故障特征单元,当所述关键指标为故障特征单元时,需要获取出现故障特征单元的累计次数来判定其是否具有启动失败的风险,一个所述故障特征单元为:有开机请求时进行开机操作三秒半后,压缩机的请求转速不为零且实际转速为零,且该状态持续四秒,即,所述第一预设时长为三秒半,所述第二预设时长为四秒。
具体地,所述故障特征单元数据库如表3表示,具体地从表3中可以看出,第二次空调开机时空调压缩机正常启动,不具有故障特征单元,此时在第一空调开机信号对应的一个故障特征单元数量的基础上保持不变,对应的,第八次空调开机时空调压缩机也正常启动;第三次空调开机时空调压缩机启动失败,具有故障特征单元,此时在第二空调开机信号对应的1个故障特征单元数量的基础上累计加1,所述第三空调开机信号对应的故障特征单元数量为2,对应的第四次空调开机、第五次空调开机、第六次空调开机、第七次空调开机、第九次空调开机、第十次空调开机、第十一次空调开机均为启动失败,在前一次的空调开机信号对应的故障特征单元数量累计加1。
表3
在一优选实施方式中,将所述初始数量累计加1得到所述更新数量,并将所述更新数量作为本次空调开机信号的所述故障特征单元数量,存入所述故障特征单元数据库之后,还包括:
调用所述第一预测数据库,获得第一条件,所述第一条件为当前所述区别关键指标对应的判定条件;
判断所述更新数量满足所述第一条件时,将该次所述空调开机信号对应的所述故障特征单元数量设置为零。
具体地,所述区别关键指标对应的判定条件为所述故障特征单元数量等于十,由表3可知,当接收到第十二空调开机信号时,调取所述故障特征单元数据库获取第十二空调开机信号邻近的前一个开机信号对应的所述故障特征单元数量,即为第十一空调开机信号对应的9个。
具体地,接收第十二空调开机信号三秒半后,获取空调压缩机的实时转速和开机请求转速;判断所述实时转速小于所述开机请求转速,且持续时长四秒,所述故障特征单元数据库中第十二空调开机信号对应的所述故障特征单元数量为0,且同步标记启动失败风险;判断所述实时转速等于所述开机请求转速或所述实时转速小于所述开机请求转速但未持续时长四秒,所述故障特征单元数据库中第十二空调开机信号对应的所述故障特征单元数量为9(保持第十一空调开机信号对应的所述故障特征单元数量不变)。
在一优选实施方式中,还包括更新所述第一预测数据库的方法,该方法至少包括以下步骤:
每间隔第三预设时长,采集每个所述常规关键指标的实时相关信号数据,并将其存入所述产品数据库;
遍历所述产品数据库,计算每个所述常规关键指标的所述相关信号数据的更新加权值;
基于每个所述常规关键指标的所述相关信号数据的所述更新加权值,计算每个所述常规关键指标的更新阈值;
以所述更新阈值调整所述第一预测数据库中相应的判定条件。
具体地,每间隔第四预设时长将产品的数据上传云端,每间隔所述第三预设时长,从云端采集数据更新所述产品数据库,根据实时的数据调优各所述关键指标的正常阈值的取值,更新所述第一预测数据库可提升预测风险准确性。
在一优选实施方式中,判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息,具体包括以下步骤:
判断所述故障类别总量等于所述第一预设阈值时,发出初级风险预警;
判断所述故障类别总量等于第二预设阈值时,发出中级风险预警,所述第二预设阈值大于所述第一预设阈值;
判断所述故障类别总量大于所述第二预设阈值时,发出高级风险预警。
具体地,当所述故障类别总量为1时,发出初级风险预警,当所述故障类别总量为2时,发出中级风险预警,当所述故障类别总量为3时,发出高级风险预警,工作人员根据风险预警级别设置维修预约时间,更好地服务业务需求。
实施例2
请参考图2,本实施例提供一种空调压缩机故障预测系统,包括:
采集模块,所述采集模块用于采集与空调压缩机相关的多个关键指标的实时数据;
判断模块,所述判断模块用于:
调用第一预测数据库,获得每个所述关键指标的判定条件,所述第一预测数据库包括:多个关键指标、和与每个关键指标对应的判定条件;
判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多个故障类别,和各所述故障类别对应的所述关键指标;
计算模块,所述计算模块统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
预警模块,所述预警模块判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息。
具体的,本实施例提供的空调压缩机故障预测系统用于实现上述实施例1所述的空调压缩机故障预测方法的步骤。
实施例3
本实施例提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如实施例1所述的空调压缩机故障预测方法的步骤。
如图3所示,所述终端设备(CPU)100包括中央处理单元101,其可以根据存储在制度存储器(ROM)102中的程序或者从存储部分加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在(RAM)103中,还存储有系统操作所需的各种程序和数据。(CPU)101、(ROM)102以及(RAM)103通过总线104彼此相连。输入/输出(I/O)接口101也连接至总线104。
以下部件连接至(I/O)接口105:包括键盘、鼠标等的输入部分106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分109。通信部分109经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至(I/O)接口105。可拆卸介质111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器110上,以便于从其上读出的计算机程序根据需要被安装入存储部分108。
特别地,根据本发明的实施例,上文参考流程图1描述的过程可以被实现为计算机软件程序。例如,本发明的实施例1包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)101执行时,执行本申请的系统中限定的上述功能。
实施例4
本实施例提供一种计算机可读存储介质,所述计算机可读存储介质有计算机程序,所述计算机程序被处理器执行时实现如实施例1所示的空调压缩机故障预测方法的步骤。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机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。而在本发明中,计算机可读的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,其中承载了计算机可读的程序代码。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。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、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。计算机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、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据采集模块、第一处理模块、第二处理模块和结果生成模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种空调压缩机故障预测方法,其特征在于,包括以下步骤:
采集与空调压缩机相关的多个关键指标的实时数据;
调用第一预测数据库,获得每组所述关键指标的判定条件,所述第一预测数据库包括:多个关键指标、和与每个关键指标对应的判定条件;
判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多个关键指标,和与每个关键指标对应的故障类别;
统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息;
多个所述关键指标至少包括常规关键指标,构建所述第一预测数据库的方法,至少包括以下步骤:
调用产品数据库,获取每个所述常规关键指标的相关信号数据;所述产品数据库包括至少一个常规关键指标、和与常规关键指标对应的至少两个相关信号数据;
计算每个所述常规关键指标的各所述相关信号数据的加权值;
基于每个所述常规关键指标的各所述相关信号数据的加权值,计算每个所述常规关键指标的正常阈值;
基于每个所述常规关键指标的所述正常阈值,设定每个所述常规关键指标对应的所述判定条件。
2.根据权利要求1所述的空调压缩机故障预测方法,其特征在于,所述关键指标还包括区别关键指标;所述采集与空调压缩机相关的多个关键指标的实时数据,具体包括:采集与空调压缩机相关的常规关键指标的实时数据、以及采集与空调压缩机相关的区别关键指标的实时数据;
其中,采集与空调压缩机相关的区别关键指标的实时数据,至少包括以下步骤:
调用故障特征单元数据库,获取最近一次空调开机信号所对应的故障特征单元数量,并将其作为所述区别关键指标的实时数据;所述故障特征单元数据库包括:多次所述空调开机信号、和每次所述空调开机信号对应的所述故障特征单元数量。
3.根据权利要求2所述的空调压缩机故障预测方法,其特征在于,构建所述故障特征单元数据库,至少包括以下步骤:
接收空调开机信号并开始计时,所述空调开机信号至少包括开机请求转速;
判断达到第一预设时长时,获取空调压缩机的实时转速;
获取所述故障特征单元的初始数量;所述故障特征单元的初始数量为与本次所述空调开机信号邻近的前一次空调开机信号所对应的所述故障特征单元的数量;
判断所述实时转速小于所述开机请求转速,且持续时长大于或等于第二预设时长时,将所述初始数量累计加1得到更新数量,并将所述更新数量作为本次空调开机信号对应的所述故障特征单元数量,存入所述故障特征单元数据库。
4.根据权利要求3所述的空调压缩机故障预测方法,其特征在于,将所述初始数量累计加1得到所述更新数量,并将所述更新数量作为本次空调开机信号的所述故障特征单元数量,存入所述故障特征单元数据库之后,还包括:
调用所述第一预测数据库,获得第一条件,所述第一条件为当前所述区别关键指标对应的判定条件;
判断所述更新数量满足所述第一条件时,将该次所述空调开机信号对应的所述故障特征单元数量设置为零。
5.根据权利要求1所述的空调压缩机故障预测方法,其特征在于,还包括更新所述第一预测数据库的方法,该方法至少包括以下步骤:
每间隔第三预设时长,采集每个所述常规关键指标的实时相关信号数据,并将其存入所述产品数据库;
遍历所述产品数据库,计算每个所述常规关键指标的所述相关信号数据的更新加权值;
基于每个所述常规关键指标的所述相关信号数据的所述更新加权值,计算每个所述常规关键指标的更新阈值;
以所述更新阈值调整所述第一预测数据库中相应的判定条件。
6.根据权利要求1所述的空调压缩机故障预测方法,其特征在于,判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息,具体包括以下步骤:
判断所述故障类别总量等于所述第一预设阈值时,发出初级风险预警;
判断所述故障类别总量等于第二预设阈值时,发出中级风险预警,所述第二预设阈值大于所述第一预设阈值;
判断所述故障类别总量大于所述第二预设阈值时,发出高级风险预警。
7.一种空调压缩机故障预测系统,其特征在于,包括:
采集模块,所述采集模块用于采集与空调压缩机相关的多个关键指标的实时数据;
判断模块,所述判断模块用于:
调用第一预测数据库,获得每个所述关键指标的判定条件,所述第一预测数据库包括:多个关键指标、和与每个关键指标对应的判定条件;
判断所述关键指标的实时数据满足与其对应的判定条件时,调用第二预测数据库,得到与该关键指标对应的故障类别;所述第二预测数据库包括:多个故障类别,和各所述故障类别对应的所述关键指标;
计算模块,所述计算模块统计实时数据满足与其对应的判定条件的所述关键指标对应的故障类别总量;
预警模块,所述预警模块判断所述故障类别总量大于或等于第一预设阈值时,发出预警信息;
所述判断模块还用于调用产品数据库,获取每个常规关键指标的相关信号数据;所述产品数据库包括至少一个常规关键指标、和与常规关键指标对应的至少两个相关信号数据;
所述计算模块还用于计算每个所述常规关键指标的各所述相关信号数据的加权值;
所述计算模块还用于基于每个所述常规关键指标的各所述相关信号数据的加权值,计算每个所述常规关键指标的正常阈值;
所述计算模块还用于基于每个所述常规关键指标的所述正常阈值,设定每个所述常规关键指标对应的所述判定条件。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的空调压缩机故障预测方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的空调压缩机故障预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631315.5A CN116611819B (zh) | 2023-05-30 | 2023-05-30 | 空调压缩机故障预测方法、系统、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310631315.5A CN116611819B (zh) | 2023-05-30 | 2023-05-30 | 空调压缩机故障预测方法、系统、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116611819A CN116611819A (zh) | 2023-08-18 |
CN116611819B true CN116611819B (zh) | 2023-12-22 |
Family
ID=87683369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310631315.5A Active CN116611819B (zh) | 2023-05-30 | 2023-05-30 | 空调压缩机故障预测方法、系统、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611819B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105202704A (zh) * | 2015-10-16 | 2015-12-30 | 珠海格力电器股份有限公司 | 空调故障信息的显示方法及装置 |
CN106559262A (zh) * | 2016-11-03 | 2017-04-05 | 大唐融合通信股份有限公司 | 一种区域故障报警方法及系统 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
CN110422189A (zh) * | 2019-08-27 | 2019-11-08 | 石家庄国祥运输设备有限公司 | 轨道车辆空调机组中压缩机故障的在线预测方法 |
CN110895032A (zh) * | 2019-12-31 | 2020-03-20 | 福建省南鸿通讯科技有限公司 | 一种通信机房空调故障自动诊断与定位的方法与装置 |
CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
CN114396705A (zh) * | 2021-12-20 | 2022-04-26 | 珠海格力电器股份有限公司 | 空调故障检测方法、装置、电子设备及介质 |
-
2023
- 2023-05-30 CN CN202310631315.5A patent/CN116611819B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105202704A (zh) * | 2015-10-16 | 2015-12-30 | 珠海格力电器股份有限公司 | 空调故障信息的显示方法及装置 |
CN106559262A (zh) * | 2016-11-03 | 2017-04-05 | 大唐融合通信股份有限公司 | 一种区域故障报警方法及系统 |
CN109409621A (zh) * | 2019-01-18 | 2019-03-01 | 新誉轨道交通科技有限公司 | 一种列车空调维修调度系统及其工作方法 |
CN110422189A (zh) * | 2019-08-27 | 2019-11-08 | 石家庄国祥运输设备有限公司 | 轨道车辆空调机组中压缩机故障的在线预测方法 |
CN110895032A (zh) * | 2019-12-31 | 2020-03-20 | 福建省南鸿通讯科技有限公司 | 一种通信机房空调故障自动诊断与定位的方法与装置 |
CN114396705A (zh) * | 2021-12-20 | 2022-04-26 | 珠海格力电器股份有限公司 | 空调故障检测方法、装置、电子设备及介质 |
CN114298221A (zh) * | 2021-12-28 | 2022-04-08 | 中国建设银行股份有限公司 | 故障确定方法及装置、电子设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116611819A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563214B (zh) | 车辆诊断方法、装置及设备 | |
CN107918382B (zh) | 一种汽车故障诊断方法、汽车故障诊断装置及电子设备 | |
CN109724812B (zh) | 车辆故障预警的方法、装置、存储介质和终端设备 | |
CN114148216A (zh) | 电池自放电率异常检测方法、系统、设备及存储介质 | |
CN114490161A (zh) | 一种故障诊断方法、装置、车辆及存储介质 | |
WO2022237266A1 (zh) | 车辆保养信息的确定方法、装置、设备及介质 | |
CN116611819B (zh) | 空调压缩机故障预测方法、系统、终端设备及存储介质 | |
CN115933619A (zh) | 一种远程诊断方法、系统、电子设备及存储介质 | |
CN112381386B (zh) | 一种车辆稽查布控方法、装置、电子设备和存储介质 | |
CN114779747A (zh) | 车辆故障原因确定系统及方法 | |
CN115587246A (zh) | 充电站推荐方法、装置、设备及可读存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
CN114757366A (zh) | 一种用于车辆的故障预测方法及系统 | |
CN113762545A (zh) | 信息推送方法、装置、电子设备及存储介质 | |
CN112859805A (zh) | 一种发动机控制器在线诊断方法及相关装置 | |
CN115373369B (zh) | 车辆故障诊断系统及方法 | |
CN112699490A (zh) | 一种车辆维修结果验证方法和装置 | |
CN112782584A (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
CN116432844B (zh) | 一种新能源车用锂电池故障更换备件需求预测方法及系统 | |
CN113096269B (zh) | 一种信息采集方法、装置、电子设备以及存储介质 | |
CN116136684B (zh) | 车辆故障诊断方法、装置、电子设备和存储介质 | |
CN111597634B (zh) | 一种确定动车组性能参数的方法及装置 | |
CN113561713B (zh) | 基于物联网的胎压异常故障排查方法及系统 | |
CN117168838A (zh) | 车辆信号处理方法、装置、终端设备及存储介质 |
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 |