CN116839163A - 一种基于大数据深度学习的空调故障检测系统 - Google Patents
一种基于大数据深度学习的空调故障检测系统 Download PDFInfo
- Publication number
- CN116839163A CN116839163A CN202310972050.5A CN202310972050A CN116839163A CN 116839163 A CN116839163 A CN 116839163A CN 202310972050 A CN202310972050 A CN 202310972050A CN 116839163 A CN116839163 A CN 116839163A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air conditioner
- preset
- pressure
- detection system
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000003507 refrigerant Substances 0.000 claims abstract description 18
- 238000004781 supercooling Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/32—Responding to malfunctions or emergencies
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及空调技术领域,且公开了一种基于大数据深度学习的空调故障检测系统,包括中央处理器,还包括:监测系统,用于获取室外温度、室内温度,空调的排气压力、空调的吸气压力和空调的过冷度。该一种基于大数据深度学习的空调故障检测系统,通过室内环境温度和室外环境温度形成了差值,根据差值可以判断是否出现冷媒泄露故障,并能够及时地检测出排气温度传感器是否故障。
Description
技术领域
本发明涉及空调技术领域,具体为一种基于大数据深度学习的空调故障检测系统。
背景技术
近些年,随着全球气温升高和人们生活水平的大幅提高,空调设备已逐渐成为生活必备的电器之一,随着市场竞争愈来愈激烈,空调的工作效率及安全性越来越成为影响产品核心竞争力的主要因素之一。
经检索,公开号为:CN106642604A的中国专利公开了一种空调故障检测系统及方法,涉及空调技术领域,用于对空调中可能产生的故障进行实时检测和处理。该系统包括:检测单元,用于检测空调系统中的运行参数并将运行参数转换为特征参数,其中特征参数与空调使用时间成正比;处理单元,用于判断特征参数是否大于或等于第一阈值;输出单元,用于在特征参数大于或等于第一阈值时输出第一故障信号。本发明用于空调故障的检测。
但是:
该现有技术在使用时,只能进行冷媒泄露相关故障检测,那么如果压缩机排气温度传感器故障后,那么室外机的频率、风机、阀体等部件参数将不能被有效控制,不仅空调系统使用寿命会大大降低,又会影响空调正常使用。
发明内容
针对现有技术的不足,本发明提供了一种基于大数据深度学习的空调故障检测系统。
为实现上述目的,本发明提供如下技术方案:一种基于大数据深度学习的空调故障检测系统,包括中央处理器,还包括:
监测系统,用于获取室外温度、室内温度,空调的排气压力、空调的吸气压力和空调的过冷度;
检测系统,用于当压缩机的累计停机时长大于等于第一预设时长或压缩机的累计运行时长大于等于第二预设时长时,检测压缩机的排气温度;
对比系统,用于提前预设相应阈值、范围;
判断系统,用于根据排气温度判断温度传感器是否故障;
存储系统,用于对空调运行控制系统内故障点对应的故障信息进行收纳存储,并为后续的故障检测分析提供数据支持。
优选的,所述监测系统包括:当检测到所述室外温度、所述排气压力、所述吸气压力和所述过冷度满足第一预设条件时,通过对比系统判断空调可能存在冷媒泄露或灌注量不足的故障。
优选的,所述室外温度小于或等于第四预设温度、所述排气压力小于第一预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;或者,所述室外温度大于第四预设温度且小于第五预设温度、所述排气压力小于第二预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;或者,所述室外温度大于或等于第五预设温度、所述排气压力小于第三预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;其中,所述第三预设压力大于所述第二预设压力,所述第二预设压力大于所述第一预设压力。
优选的,所述检测系统和判断系统配合使用时,包括:当压缩机的累计停机时长或累计运行时长大于某一预设值时,压缩机的排气温度也会趋向于某一数值范围,由此可通过判断压缩机的排气温度是否处于该数值范围以判断压缩机排气温度传感器是否发生故障。
优选的,所述检测系统和判断系统配合使用的方法为:
S1:判断压缩机的累计停机时长是否大于等于第一预设时长,若判断结果为是则进入S2,否则则返回步骤S1;
S2:判断排气温度是否处于第一温度区间,若判断结果为是则进入S3,否则则进入S4;
S3:判断结果为温度传感器正常;
S4:判断结果为温度传感器故障。
优选的,所述冷媒泄露或灌注量不足的故障的进一步判断还包括以下方步骤:
K1:获取监测系统中室外温度、室内温度的温度数值;
K2:将室内环境温度和室外环境温度的数值进行对比,并产生对比差值;
K3:利用对比差值进行判断。
优选的,所述中央处理器信号连接的设备有:
电流电压传感器,用于采集空调室外机的运行电压、运行电流和功率;
压力传感器,用于采集空调压缩机的排气口和/或吸气口的压力;
称重传感器,用于采集空调室外机的冷媒灌的重量;
第一温湿度传感器,用于采集空调室外机所处环境的温湿度;
风速传感器,用于采集空调室内机出风口处的风速;
转速传感器,用于采集空调室内机转速采集点处的转速;
第二湿度传感器,用于采集空调室内机所在室内环境的湿度。
优选的,所述对比系统中的相关阈值具有灵活性。
与现有技术相比,本发明提供了一种基于大数据深度学习的空调故障检测系统,具备以下有益效果:
该一种基于大数据深度学习的空调故障检测系统,通过室内环境温度和室外环境温度形成了差值,根据差值可以判断是否出现冷媒泄露故障,并能够及时地检测出排气温度传感器是否故障。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,本发明提供了一种基于大数据深度学习的空调故障检测系统,包括中央处理器,还包括:
监测系统,用于获取室外温度、室内温度,空调的排气压力、空调的吸气压力和空调的过冷度;
检测系统,用于当压缩机的累计停机时长大于等于第一预设时长或压缩机的累计运行时长大于等于第二预设时长时,检测压缩机的排气温度;
对比系统,用于提前预设相应阈值、范围;对比系统中的相关阈值具有灵活性,因为各地气候不一,可由工作人员根据当地气候自行设置,因此可具有灵活性。
判断系统,用于根据排气温度判断温度传感器是否故障;
存储系统,用于对空调运行控制系统内故障点对应的故障信息进行收纳存储,并为后续的故障检测分析提供数据支持。
中央处理器信号连接的设备有:
电流电压传感器,用于采集空调室外机的运行电压、运行电流和功率;
压力传感器,用于采集空调压缩机的排气口和/或吸气口的压力;
称重传感器,用于采集空调室外机的冷媒灌的重量;
第一温湿度传感器,用于采集空调室外机所处环境的温湿度;
风速传感器,用于采集空调室内机出风口处的风速;
转速传感器,用于采集空调室内机转速采集点处的转速;
第二湿度传感器,用于采集空调室内机所在室内环境的湿度。
上述设备可用于对空调室内机和空调室外机的运行数据进行分析处理,以检测空调机运行是否正常,增加人工介入判定的方式,以增加判定成功率,进而可以有效做出反应并检修。
在本发明实施例中,监测系统包括:当检测到室外温度、排气压力、吸气压力和过冷度满足第一预设条件时,通过对比系统判断空调可能存在冷媒泄露或灌注量不足的故障。
在本发明实施例中,室外温度小于或等于第四预设温度、排气压力小于第一预设压力、吸气压力小于第四预设压力且过冷度小于第六预设温度;或者,室外温度大于第四预设温度且小于第五预设温度、排气压力小于第二预设压力、吸气压力小于第四预设压力且过冷度小于第六预设温度;或者,室外温度大于或等于第五预设温度、排气压力小于第三预设压力、吸气压力小于第四预设压力且过冷度小于第六预设温度;其中,第三预设压力大于第二预设压力,第二预设压力大于第一预设压力。
在本发明实施例中,检测系统和判断系统配合使用时,包括:当压缩机的累计停机时长或累计运行时长大于某一预设值时,压缩机的排气温度也会趋向于某一数值范围,由此可通过判断压缩机的排气温度是否处于该数值范围以判断压缩机排气温度传感器是否发生故障。
当压缩机停止工作后排气处的温度将逐渐接近环境温度,而如果温度传感器的检测结果与室外环境温度存在较大的差值,那么就可以初步判断是温度传感器故障,以便提醒使用者尽快维修,避免影响空调器的正常使用。
在本发明实施例中,检测系统和判断系统配合使用的方法为:
S1:判断压缩机的累计停机时长是否大于等于第一预设时长,若判断结果为是则进入S2,否则则返回步骤S1;
S2:判断排气温度是否处于第一温度区间,若判断结果为是则进入S3,否则则进入S4;
S3:判断结果为温度传感器正常;
S4:判断结果为温度传感器故障。
当压缩机的累计停机时长大于等于第一预设时长时,压缩机的排气口处会逐渐降温,一般地,排气部位的温度将会处于第一温度区间内,而如果测得的温度值没有处于第一温度区间内,甚至于与第一温度区间的差值较大,那么就可以初步判断温度传感器发生故障,由此提醒使用者尽快维修,以避免影响空调器的正常使用。其中,第一温度区间一般接近于压缩机排气处的环境温度。
在本发明实施例中,冷媒泄露或灌注量不足的故障的进一步判断还包括以下方步骤:
K1:获取监测系统中室外温度、室内温度的温度数值;
K2:将室内环境温度和室外环境温度的数值进行对比,并产生对比差值;
K3:利用对比差值进行判断。
在本发明实施例中,K3中:如果室内环境温度和室外环境温度的数值差值越大,则冷媒泄露的概率越低。
进一步的,在本实施例中,为了进一步提高检测的准确性,排除空调所在位置预设范围内由于温度变化引起的空调负荷变化的影响,防止对冷媒泄露或灌注量不足的故障检测造成误判,在进入冷媒泄露或灌注量不足的故障的检测前,还可以获取空调所在位置预设范围内的温度和空调的负荷。如果检测到空调所在位置预设范围内的温度大于或等于第三预设温度且空调的负荷大于空调的预设负荷,说明可能是因为空调存在局部热点,造成空调负荷增大。而若此时进行空调冷媒泄露或灌注量不足的故障检测,此时空调的排气压力、吸气压力和过冷度均会受到影响,检测的准确性将降低。因此获取空调所在位置预设范围内的温度和空调的负荷,排除这种可能性后,才获取室外温度、空调的排气压力、空调的吸气压力和空调的过冷度,进行空调冷媒泄露或灌注量不足的故障检测,提高检测的准确性,且需要注意的是:在本本实施中的预设范围、第三预设温度以及空调的预设负荷可以通过动环系统获取各型号的各范围内的温度和空调负荷数据,根据空调的运行状态,进行统计得出。
Claims (8)
1.一种基于大数据深度学习的空调故障检测系统,包括中央处理器,其特征在于,还包括:
监测系统,用于获取室外温度、室内温度,空调的排气压力、空调的吸气压力和空调的过冷度;
检测系统,用于当压缩机的累计停机时长大于等于第一预设时长或压缩机的累计运行时长大于等于第二预设时长时,检测压缩机的排气温度;
对比系统,用于提前预设相应阈值、范围;
判断系统,用于根据排气温度判断温度传感器是否故障;
存储系统,用于对空调运行控制系统内故障点对应的故障信息进行收纳存储,并为后续的故障检测分析提供数据支持。
2.根据权利要求1所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述监测系统包括:当检测到所述室外温度、所述排气压力、所述吸气压力和所述过冷度满足第一预设条件时,通过对比系统判断空调可能存在冷媒泄露或灌注量不足的故障。
3.根据权利要求1所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述室外温度小于或等于第四预设温度、所述排气压力小于第一预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;或者,所述室外温度大于第四预设温度且小于第五预设温度、所述排气压力小于第二预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;或者,所述室外温度大于或等于第五预设温度、所述排气压力小于第三预设压力、所述吸气压力小于第四预设压力且所述过冷度小于第六预设温度;其中,所述第三预设压力大于所述第二预设压力,所述第二预设压力大于所述第一预设压力。
4.根据权利要求1所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述检测系统和判断系统配合使用时,包括:当压缩机的累计停机时长或累计运行时长大于某一预设值时,压缩机的排气温度也会趋向于某一数值范围,由此可通过判断压缩机的排气温度是否处于该数值范围以判断压缩机排气温度传感器是否发生故障。
5.根据权利要求4所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述检测系统和判断系统配合使用的方法为:
S1:判断压缩机的累计停机时长是否大于等于第一预设时长,若判断结果为是则进入S2,否则则返回步骤S1;
S2:判断排气温度是否处于第一温度区间,若判断结果为是则进入S3,否则则进入S4;
S3:判断结果为温度传感器正常;
S4:判断结果为温度传感器故障。
6.根据权利要求2所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述冷媒泄露或灌注量不足的故障的进一步判断还包括以下方步骤:
K1:获取监测系统中室外温度、室内温度的温度数值;
K2:将室内环境温度和室外环境温度的数值进行对比,并产生对比差值;
K3:利用对比差值进行判断。
7.根据权利要求1所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述中央处理器信号连接的设备有:
电流电压传感器,用于采集空调室外机的运行电压、运行电流和功率;
压力传感器,用于采集空调压缩机的排气口和/或吸气口的压力;
称重传感器,用于采集空调室外机的冷媒灌的重量;
第一温湿度传感器,用于采集空调室外机所处环境的温湿度;
风速传感器,用于采集空调室内机出风口处的风速;
转速传感器,用于采集空调室内机转速采集点处的转速;
第二湿度传感器,用于采集空调室内机所在室内环境的湿度。
8.根据权利要求1所述的一种基于大数据深度学习的空调故障检测系统,其特征在于:所述对比系统中的相关阈值具有灵活性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310972050.5A CN116839163A (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据深度学习的空调故障检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310972050.5A CN116839163A (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据深度学习的空调故障检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116839163A true CN116839163A (zh) | 2023-10-03 |
Family
ID=88165325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310972050.5A Pending CN116839163A (zh) | 2023-08-03 | 2023-08-03 | 一种基于大数据深度学习的空调故障检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116839163A (zh) |
-
2023
- 2023-08-03 CN CN202310972050.5A patent/CN116839163A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111006355B (zh) | 空调机组及其运行状态监测方法、装置 | |
US10941956B2 (en) | Data processing method, refrigerant leakage detection method, system failure detection method and system performance detection method | |
CN109724207A (zh) | 空调器及其控制方法 | |
CN110094843B (zh) | 基于缺冷媒等级的控制空调的方法和装置 | |
CN112178868B (zh) | 空调故障检测方法及装置 | |
CN107894063B (zh) | 一种多联机系统诊断的方法及多联机系统 | |
CN109028456B (zh) | 一种制冷剂的泄漏检测方法和装置 | |
CN107906671B (zh) | 冷媒量判断方法及系统 | |
CN113654182A (zh) | 检测冷媒泄漏的方法和计算机可读存储介质以及空调器 | |
CN109282424A (zh) | 空调器控制方法、空调器控制装置 | |
CN110762743A (zh) | 空调和空调制冷剂泄漏检测方法 | |
CN114593776A (zh) | 空调室外机全息参数商检方法及系统 | |
CN110953687B (zh) | 一种空调的健康度评价方法、系统及存储介质 | |
CN114135984A (zh) | 空调的仿真控制系统 | |
CN113654183A (zh) | 空调机组的故障监测方法 | |
CN113324776A (zh) | 空调机组的检测装置及其检测方法 | |
CN116839163A (zh) | 一种基于大数据深度学习的空调故障检测系统 | |
CN111059696B (zh) | 一种功率模块温度检测控制方法、计算机可读存储介质及空调 | |
CN110940047B (zh) | 一种冷媒泄漏的检测方法及空调器 | |
CN113251572B (zh) | 一种排气传感器故障检测方法、装置、空调器及存储介质 | |
CN109899929A (zh) | 空调器及其控制方法 | |
CN108981078A (zh) | 一种变频压缩机堵转检测方法、系统及空调器 | |
CN113007864A (zh) | 空调室外机的检测方法和装置 | |
CN109539458A (zh) | 一种空调缺氟检测方法、检测装置及空调 | |
CN111024149A (zh) | 一种特种外机检测方法、计算机可读存储介质及空调 |
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 |