WO2024114675A1

WO2024114675A1 - 多联机空调系统及其控制方法

Info

Publication number: WO2024114675A1
Application number: PCT/CN2023/134965
Authority: WO
Inventors: 石靖峰; 任兆亭; 张佳舒; 阮岱玮; 夏兴祥; 盛凯; 矫晓龙
Original assignee: 青岛海信日立空调系统有限公司
Priority date: 2022-12-02
Filing date: 2023-11-29
Publication date: 2024-06-06

Abstract

一种多联机空调系统（10），包括室外机（13）、至少一个室内机（12）、膨胀阀（111）和控制器（50）。所述室外机（13）包括压缩机（131）和室外换热器（132）。所述室内机（12）中包括室内换热器（121）。所述室内换热器（121）通过所述膨胀阀（111）连接所述室外换热器（132）。所述控制器（50）被配置为：在确定所述多联机空调系统（10）发生故障的情况下，根据所述多联机空调系统（10）的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果；和将所述多个故障识别结果中的最大概率的故障识别结果对应的故障类型作为所述多联机空调系统（10）的目标故障类型。

Description

多联机空调系统及其控制方法

本申请要求于2022年12月2日提交的、申请号为202211542019.X的中国专利申请的优先权，以及于2023年4月20日提交的、申请号为202310432299.7的中国专利申请的优先权，其全部内容通过引用结合在本公开中。

技术领域

本公开涉及空气调节设备技术领域，尤其涉及一种空调系统。

背景技术

随着科技的不断进步和人们生活水平的提高，空调成为日常生活中不可缺少的电器。

多联机空调系统是一种用于为建筑物或房间提供冷暖空调的系统，通常包括位于室外机和多个室内机。每个室内机可以独立控制温度，因此，多个室内机可以安装在不同的房间或区域，从而可以满足不同房间的需求。

发明内容

一方面，提供一种多联机空调系统，包括室外机、至少一个室内机、膨胀阀和控制器。所述室外机包括压缩机和室外换热器；所述压缩机连接所述室外换热器。所述至少一个室内机中的任一个室内机包括室内换热器。所述室内换热器通过所述膨胀阀连接所述室外换热器。冷媒在所述压缩机、所述室外换热器、所述膨胀阀和所述室内换热器中循环流动，以形成冷媒回路。所述控制器被配置为：在确定所述多联机空调系统发生故障的情况下，根据所述多联机空调系统的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果；所述多个故障识别模型中的任一个故障识别模型被配置为识别一种故障类型，且所述任一个故障识别模型输出的故障识别结果被配置为指示所述多联机空调系统发生所述任一个故障识别模型对应的所述故障类型的概率；和将所述多个故障识别结果中的最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的目标故障类型。

另一方面，提供一种多联机空调系统的控制方法，所述多联机空调系统包括室外机、至少一个室内机和膨胀阀。所述室外机包括压缩机和室外换热器。所述至少一个室内机中的任一个室内机包括室内换热器。冷媒在所述压缩机、所述室外换热器、所述膨胀阀和所述室内换热器中循环流动，以形成冷媒回路。所述方法包括：在确定所述多联机空调系统发生故障的情况下，根据所述多联机空调系统的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果；所述多个故障识别模型中的任一个故障识别模型被配置为识别一种故障类型，且所述任一个故障识别模型输出的故障识别结果被配置为指示所述多联机空调系统发生所述任一个故障识别模型对应的所述故障类型的概率；以及将所述多个故障识别结果中的最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的目标故障类型。

又一方面，提供一种多联机空调系统，包括：室外机、至少一个室内机、至少一个膨胀阀和控制器。所述至少一个室内机与所述室外机相连接。所述至少一个膨胀阀与所述至少一个室内机相对应。所述至少一个膨胀阀中的任一个膨胀阀设置在对应的室内机与所述室外机之间的管路上。所述控制器被配置为：获取所述多联机空调系统的实时运行数据；通过预设图注意力模型对所述实时运行数据进行故障识别，以得到故障识别结果；所述故障识别结果包括所述多联机空调系统中的所述任一个膨胀阀处于故障运行状态或正常运行状态；以及在所述任一个膨胀阀处于故障运行状态的情况下，通过所述预设图注意力模型对所述任一个膨胀阀进行故障定位，以确定所述任一个膨胀阀的内机序号。

又一方面，提供一种多联机空调系统的控制方法，所述多联机空调系统包括室外机、至少一个室内机和至少一个膨胀阀。所述至少一个膨胀阀与所述至少一个室内机相对应。所述至少一个膨胀阀中的任一个膨胀阀设置在对应的室内机与所述室外机之间的管路上。所述方法包括：获取所述多联机空调系统的实时运行数据；通过预设图注意力模型对所述实时运行数据进行故障识别，以得到故障识别结果；其中，所述故障识别结果包括所述多联机空调系统中的所述任一个膨胀阀处于故障运行状态或正常运行状态；以及在所述任一个膨胀阀处于故障运行状态的情况下，通过所述预设图注意力模型对所述任一个膨胀阀进行故障定位，以确定所述任一个膨胀阀的内机序号。

附图说明

图1A为根据一些实施例的一种多联机空调系统的框图；

图1B为根据一些实施例的一种多联机空调系统的室内换热器、气管以及液管的结构图；

图2A为根据一些实施例的一种多联机空调系统的另一种框图；

图2B为根据一些实施例的一种多联机空调系统的结构图；

图2C为根据一些实施例的一种多联机空调系统的室内换热器、管路和传感器的结构图；

图3为根据一些实施例的一种多联机空调系统的控制器与终端设备的结构图；

图4为根据一些实施例的一种控制器的框图；

图5为根据一些实施例的一种多联机空调系统的控制方法的流程图；

图6为根据一些实施例的另一种多联机空调系统的控制方法的流程图；

图7为根据一些实施例的一种故障等级对多联机空调系统影响程度示意图；

图8为根据一些实施例的一种多联机空调系统故障等级预警示意图；

图9为根据一些实施例的又一种多联机空调系统的控制方法的流程图；

图10为根据一些实施例的又一种多联机空调系统的控制方法的流程图；

图11为根据一些实施例的又一种多联机空调系统的控制方法的流程图；

图12为根据一些实施例的一种终端设备的管理界面示意图；

图13为根据一些实施例的另一种终端设备的管理界面示意图；

图14为根据一些实施例的又一种终端设备的管理界面示意图；

图15为根据一些实施例的一种多联机空调系统的又一种控制方法的流程图；

图16为根据一些实施例的一种多联机空调系统的图注意力模型的训练方法的流程图；

图17为根据一些实施例的一种多联机空调系统的另一种图注意力模型的训练方法的流程图；

图18为根据一些实施例的一种多联机空调系统的又一种控制方法的流程图。

具体实施方式

下面将结合附图，对本公开一些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公开一部分实施例，而不是全部的实施例。基于本公开所提供的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。

除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括(comprise)”及其其他形式例如第三人称单数形式“包括(comprises)”和现在分词形式“包括(comprising)”被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一个实施例(one embodiment)”、“一些实施例(some embodiments)”、“示例性实施例(exemplary embodiments)”、“示例(example)”、“特定示例(specific example)”或“一些示例(some examples)”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的一些实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在描述一些实施例时，可能使用了“连接”及其衍伸的表达。术语“连接”应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连。

“A、B和C中的至少一个”与“A、B或C中的至少一个”具有相同含义，均包括以下A、B和C的组合：仅A，仅B，仅C，A和B的组合，A和C的组合，B和C的组合，及A、B和C的组合。

如本文中所使用，根据上下文，术语“如果”任选地被解释为意思是“当……时”或“在……时”或“响应于确定”或“响应于检测到”。类似地，根据上下文，短语“如果确定……”或“如果检测到[所陈述的条件或事件]”任选地被解释为是指“在确定……时”或“响应于确定……”或“在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。

本文中“适用于”或“被配置为”的使用意味着开放和包容性的语言，其不排除适用于或被配置为执行额外任务或步骤的设备。

如本文所使用的那样，“约”、“大致”或“近似”包括所阐述的值以及处于特定值的可接受偏差范围内的平均值，其中所述可接受偏差范围如由本领域普通技术人员考虑到正在讨论的测量以及与特定量的测量相关的误差(即，测量系统的局限性)所确定。

随着经济社会的发展，空调在娱乐、居家及工作等多种场所越来越被广泛使用。当在同一区域中的多个小区域需要使用空调时，考虑到电能的节省，常采用由一个室外机和多个室内机组成的多联机空调系统实现对多区域室温的调控。

然而，多联机空调系统在经过长时间运行后，不可避免的会发生各种故障。在导致多联机空调系统发生故障的原因中，有一部分是由于多联机空调系统设备的性能下降而产生的渐变故障，如，换热器结垢、冷媒泄露和压缩机磨损等。这些故障多表征为部件老化或磨损，难以检测，并且，多联机空调系统发生故障时，多种故障表现出的具体问题可能相似，从而导致无法准确地识别是多联机空调系统中的何部件发生的故障。

为此，本公开的一些实施例提供了一种多联机空调系统。图1A为根据一些实施例的一种多联机空调系统的框图，如图1A所示，多联机空调系统10包括节流装置11、多个室内机12和室外机13。

多个室内机12与室外机13通过管路连接，冷媒可以在管路中循环流动。例如，室内机12为室内挂机或室内柜机，且被配置为与室内空气换热。节流装置11设置在多个室内机12与室外机13之间的管路上，且被配置为调节多个室内机12与室外机13之间的管路内的流体的流速，以及调节冷媒流量。室外机13被配置为与室外空气换热。

图1B为根据一些实施例的一种多联机空调系统的室内换热器、气管以及液管的结构图。

例如，参见图1B，连接室外机13与多个室内机12的管路包括气管15和液管16。气管15被配置为传输气态的冷媒，且液管16被配置为传输液态的冷媒。

例如，节流装置11还被配置为调节气管15和液管16内的流体的流速。例如，节流装置11包括多个膨胀阀111，多个膨胀阀111与多个室内机12相对应，且分别与多个室内机12相连。膨胀阀111设置在对应的室内机12与室外机13之间的管道上。例如，参见图1B，膨胀阀111设置在对应的室内机12(如室内换热器121)与室外机13之间的液管16上。

在一些实施例中，膨胀阀111被配置为使流经膨胀阀111的冷媒膨胀而减压，以调节管道内冷媒的供应量。例如，当膨胀阀111的开度减小时，流经膨胀阀111的冷媒的流路阻力会增加，当膨胀阀111的开度增大时，则流经膨胀阀111的冷媒的流路阻力会减小。这样，在冷媒回路中的其他器件的状态不变的情况下，通过控制膨胀阀111的开度变化，可以调节流向室内机12的冷媒的流量。

在一些实施例中，膨胀阀111可以是电子膨胀阀。在一些实施例中，如图2A和图2B所示，室内机12包括室内换热器121。室内换热器121包括第一端口和第二端口。

第一端口被配置为通过液管16与对应的膨胀阀111连接，以使液态的冷媒可以在室内换热器121与对应的膨胀阀111之间流动。第二端口被配置为通过气管15与室外机13相连接，以使气态的冷媒可以在室内换热器121与室外机13之间流动。

在一些实施例中，室内换热器121包括热传管，热传管连接在第一端口与第二端口之间，且被配置为使流动在的热传管中的冷媒与室内空气进行热交换。

在一些实施例中，如图2A和图2B所示，室外机13包括压缩机131和储液器133。压缩机131设置于节流装置11与储液器133之间，且被配置为将低温低压的气态冷媒压缩成高温高压的气态冷媒，并排处至冷凝器(即，室内换热器或室外换热器)。压缩机131可以是进行基于逆变器的转速控制的容量可变的逆变器压缩机。

例如，室内换热器121的第二端口通过气管15与室外机13相连接，以使气态的冷媒在室内换热器121与压缩机131的排出口之间流通。

在一些实施例中，如图2A和图2B所示，室外机13还包括室外换热器132和四通阀134。

室外换热器132的一端通过四通阀134与储液器133相连，另一端与节流装置11相连。室外换热器132包括第三端口和第四端口。第三端口被配置为使冷媒经由储液器133在室外换热器132与压缩机131的吸入口之间流通，第四端口被配置为使冷媒在室外换热器132与节流装置11之间流通。

例如，室外换热器132还包括传热管，传热管使连接于第三端口和第四端口之间，且被配置为使在传热管中流动的冷媒室外空气之间进行热交换。

在一些实施例中，储液器133的一端连接压缩机131，另一端通过四通阀134与室外换热器132相连。储液器133被配置为将来自室外换热器132的气液两相态的冷媒(如，从室外换热器132经由四通阀134流向压缩机131的冷媒)，分离为气态的冷媒和液态的冷媒，以及，向压缩机131的吸入口供给气态的冷媒。

在一些实施例中，四通阀134的四个端口分别连接压缩机131，室外换热器132、储液器133以及多个膨胀阀111。四通阀134被配置为切换状态，以改变冷媒在冷媒回路中的流向，从而实现多联机空调系统10的制冷模式和制热模式的切换。

在一些实施例中，如图2B所示，室外机13还包括室外风扇135。室外风扇135靠近室外换热器132设置，且室外风扇135被配置为向室外换热器132输送室外空气的气流，以促使在第三端口和第四端口之间的传热管中流动的冷媒与室外空气的热交换。

在一些实施例中，如图2B所示，室内机12还包括显示器122，显示器122被配置为显示室内温度或室内机12的当前运行模式。

在一些实施例中，如图2B所示，室内机12还包括室内风扇123。室内风扇123靠近室内换热器121设置，且被配置为：向室内换热器121输送室内空气的气流，以促使在第一端口和第二端口之间的传热管中流动的冷媒与室外空气的热交换。

例如，室内机12还包括室内风扇马达，室内风扇马达被配置为驱动室内风扇123转动，以及调节室内风扇123的转速。

在一些实施例中，冷媒在多联机空调系统的冷媒回路中循环流动，以使多联机空调系统实现制冷或制热模式。冷媒回路包括依序连接的压缩机131、冷凝器、膨胀阀111和蒸发器。

例如，当多联机空调系统运行制热模式时，冷媒在冷媒回路中循环的过程包括：压缩机131将经蒸发器蒸发后的低温低压的气态冷媒吸入压缩机腔，压缩成高温高压的气态冷媒，并输送至冷凝器。高温高压气态的气态冷媒在冷凝器中冷凝成高温高压的液态冷媒，之后，经过节流装置11(如膨胀阀111)后，变成低温低压的液态冷媒。接下来，低温低压的液态冷媒进入蒸发器，并被蒸发，再回到压缩机131内，以进入下一轮的制热循环。

可以理解的是，制热模式下的室外换热器132作为蒸发器使用，室内换热器121作为冷凝器使用。制冷模式下的室外换热器132作为冷凝器使用，室内换热器121作为蒸发器使用。

图2C为根据一些实施例的一种多联机空调系统的室内换热器、管路和传感器的结构图。

在一些实施例中，如图2A和图2C所示，多联机空调系统10还包括多个第一温度传感器101和控制器50。多个第一温度传感器101与控制器50通讯连接。

多个第一温度传感器101与多个室内机12相对应，多个第一温度传感器101中的任一个第一温度传感器101设置于对应的室内机12与室外机13之间的气管15上，且被配置为检测气管15的温度值，并将检测到的气管15的温度值发送至控制器50。

例如，多个第一温度传感器101可以检测多个室内机12与室外机13之间的多个气管15的温度，并将多个气管15的温度值发送至控制器50。

在一些实施例中，控制器50被配置为控制压缩机131和膨胀阀111工作，以使得多联机空调系统10运行实现多联机空调系统的各预定功能。在一些实施例中，控制器50还被配置为获取到压缩机131在每个时刻下的运行频率和每个时刻下的工作电流值。

在一些实施例中，如图2A和图2C所示，多联机空调系统10还包括多个第二温度传感器102。多个第二温度传感器102与控制器50通讯连接。

多个第二温度传感器102与多个室内机12相对应，多个第二温度传感器102中的任一个第二温度传感器102设置于对应的室内机12与室外机13之间的液管16上，且被配置为检测液管的温度值，并将检测到的液管的温度值发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括多个第三温度传感器103，多个第三温度传感器103均与控制器50通讯连接。多个第三温度传感器103中的任一个第三温度传感器设置于室内机的出风口处，且被配置为检测室内机的出风温度，并发送至控制器50。

例如，多个第三温度传感器103与多个室内机12相对应，且任一个第三温度传感器被配置为检测对应的室内机12的出风温度，并发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括多个第四温度传感器104，多个第四温度传感器104均与控制器50通讯连接。多个第四温度传感器104中的任一个第四温度传感器104设置于室内机的进风口(即回风口)处，且被配置为检测室内机的进风温度(即回风温度)，并发送至控制器50。

例如，多个第四温度传感器104与多个室内机12相对应，且任一个第四温度传感器104被配置为检测对应的室内机12的进风温度，并发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括第五温度传感器105，第五温度传感器105与控制器50通讯连接。第五温度传感器105设置于压缩机的吸气口处，且被配置为检测压缩机的吸气温度值，并将检测到的吸气温度值发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括第六温度传感器106，第六温度传感器106与控制器50通讯连接。第六温度传感器106设置于压缩机的排气口处，且被配置为检测压缩机的排气温度值，并将检测到的排气温度值发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括第一压力传感器107。第一压力传感器107与控制器50通讯连接。第一压力传感器107设置于压缩机的排气口处，且被配置为检测压缩机的排气压力值，并将检测到的排气压力值发送至控制器50。

在一些实施例中，如图2A所示，多联机空调系统10还包括第二压力传感器108，第二压力传感器108与控制器50通讯连接。第二压力传感器108设置于压缩机的吸气口处，且被配置为检测压缩机的吸气压力值，并将检测到的吸气压力值发送至控制器50。

需要说明的是，本公开的一些实施例中的控制器50是指：可以根据指令操作码和时序信号，产生操作控制信号，以指示多联机空调系统10执行控制指令的装置。

例如，控制器50包括中央处理器(Central processing unit，CPU)、通用处理器网络处理器(Network processor，NP)、数字信号处理器(Digital signal processing，DSP)、微处理器、微控制器或可编程逻辑器件(Programmable logic device，PLD)中的至少一者。

在一些实施例中，控制器还可以是其它具有处理功能的装置，例如电路、器件或软件模块等，本公开对此不做限定。

在一些实施例中，多联机空调系统10还包括遥控器，遥控器被配置为通过红外线或其他通信方式与控制器50进行通信。这样，用户可以通过遥控器，实现对多联机空调系统的控制(如控制多联机空调系统10执行制热模式等)，从而实现了用户与多联机空调系统10之间的交互。

在一些实施例中，控制器50包括通信器，通信器被配置为与其他网络实体(如遥控器或终端设备等)建立通讯连接。

例如，通信器包括射频(Radio-frequency，RF)装置，RF装置被配置为接收和发送信号。例如，RF装置可以将接收到的信息发送给控制器50处理，或者，将控制器生成的信号发送出去。

例如，RF装置可以包括天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low noise amplifier，LNA)、双工器等。

可以理解的是，控制器50可以通过通信器接收用户的终端设备发出的控制指令，并根据所述控制指令，控制多联机空调系统10执行相应的处理，从而可以实现用户与多联机空调系统10之间的交互。

图3为根据一些实施例的一种多联机空调系统的控制器与终端设备的结构图。

如图3所示，终端设备300可以与控制器50建立通讯连接。例如，可使用多种网络通信协议，来建立终端设备300与控制器50之间的通讯连接。

例如，多种网络通信协议可以以太网、通用串行总线(Universal serial bus，USB)、火线(FIREWIRE)、蜂窝网通信协议(如3G/4G/5G)、蓝牙、无线保真(Wireless fidelity，Wi-Fi)、NFC等。

需要说明的是，图3所示的终端设备300仅是终端设备的一个示例。本公开中的终端设备300可以为遥控器、手机、平板电脑等。

图4为根据一些实施例的一种控制器的框图。

在一些实施例中，如图4所示，控制器50包括室外控制装置501和室内控制装置502。室外控制装置501包括第一存储器5011，室内控制装置502包括第二存储器5021。

室内控制装置502通过有线或无线通信的方式与室外控制装置501连接。室外控制装置501可以安装于室外机13中，也可以独立于室外机13以外。室外控制装置501被配置为控制室外机13执行相关操作。室内控制装置502可以安装于室内机12中，也可以独立于室内机12以外。室内控制装置502被配置为控制室内机12的部件以及节流装置11执行相关操作。

需要说明的是，以上装置的划分仅为功能性的划分，例如，室外控制装置501和室内控制装置502也可以集成在一个装置中。例如，第一存储器5011和第二存储器5021也可以集成为一个存储器。

在一些实施例中，第一存储器5011被配置为存储室外机13相关的应用程序以及数据，室外控制装置501通过运行存储在第一存储器5011的应用程序以及数据，执行多联机空调系统的各种功能以及数据处理。

第一存储器5011包括存储程序区以及存储数据区。存储程序区可存储操作系统、至少一个功能所需的应用程序(比如室外机风扇开启功能、室外测温功能等)。存储数据区可以存储根据使用多联机空调系统所创建的数据(比如室外温度、各个膨胀阀的开度等)。此外，第一存储器5011还包括高速随机存取存储器，或非易失存储器，例如磁盘存储器件、闪存器件或其他易失性固态存储器件等。

在一些实施例中，第二存储器5021被配置为存储多个室内机12以及多个膨胀阀111相关的应用程序以及数据，室内控制装置502通过运行存储在存储器5021的应用程序以及数据，执行多联机空调系统的各种功能以及数据处理。

第二存储器5021包括存储程序区以及存储数据区。存储程序区可存储操作系统、至少一个功能所需的应用程序(比如室内测温功能)。存储数据区可以存储根据使用多联机空调系统所创建的数据(比如室内温度等)。

在一些实施例中，第二存储器5021还被配置为存储室内机12的地址与膨胀阀111的地址的对应关系。

在一些实施例中，室外控制装置501与室外机13通讯连接，且被配置为根据用户指令或系统默认指令，控制室外机13执行相关操作。

例如，室外控制装置501可以根据用户所选择的空调运行模式控制室外风扇的转速。例如，室外控制装置501还可以根据用户指令或系统指令获取室外温度，并将所获取的室外温度储存至第一存储器5011。例如，室外控制装置501还可以根据用户所选择的空调运行模式控制室外机13内的四通阀134转动，以实现制冷或制热模式的选择。例如，室外控制装置501还可以在地址纠正过程中对室外机13的运行模式、压缩机频率等进行控制。

在一些实施例中，室内控制装置502与室内机12通讯连接，且被配置为根据用户指令或系统默认指令控制室内机12执行相关操作。例如，室内控制装置502还可以根据用户指令控制室内机开启室内温度传感器，检测室内温度。

在一些实施例中，室内控制装置502与多个膨胀阀111通讯连接，且被配置为根据用户指令或系统默认指令控制多个膨胀阀111执行相关操作。例如，室内控制装置502可以根据用户指令或系统指令控制各个膨胀阀111的开度。

可以理解的是，图2A中示出的多联机空调系统的硬件结构，并不构成对多联机空调系统的限定。在一些实施例中，多联机空调系统可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本公开的一些实施例还提供了一种多联机空调系统的控制方法，该控制方法可以将多联机空调系统的特征数据输入多个故障识别模型中，得到多个识别结果，且可以排除运行数据中的无关数据，从而有助于提高对多联机空调系统中故障识别的准确率。以下，将结合附图，对多联机空调系统的控制方法进行详细介绍。

需要说明的是，多联机空调系统的控制方法由控制器执行。该控制器可以是上述任一实施例中所述的控制器50，也可以是其他控制器，本公开对此不做限定。

图5为根据一些实施例的一种多联机空调系统的控制方法的流程图。

在一些实施例中，如图5所示，多联机空调系统的控制方法包括步骤S101和步骤S102。

在步骤S101，在确定多联机空调系统发生故障的情况下，根据多联机空调系统的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果。

例如，多联机空调系统的存储器中预先存储有多个已训练完成的基于支持向量机的故障识别模型。在确定多联机空调系统发生故障的情况下，控制器50可以将多联机空调系统的特征数据输入到多个基于支持向量机的故障识别模型中。

需要说明的是，多联机空调系统的特征数据是对多联机空调系统的运行数据进行关联性分析后得到的，所述特征数据是将多联机空调系统的运行数据中去除与故障无关的数据后，保留下来的与故障有关联的数据。

可以理解的是，将多联机空调系统的运行数据进行关联性分析，去除掉与故障无关的数据，可以排除无关数据对于故障识别的精准率和效率的影响，从而能够提高对多联机空调系统故障识别的准确率和效率。

关于对多联机空调系统的运行数据进行关联性分析，以得到多联机空调系统的特征数据的方法，可以参照下述步骤S301至步骤S302，在此不予赘述。

将多联机空调系统的特征数据输入多个故障识别模型中，一个故障识别模型对应一种故障类型，一个故障识别模型输出的故障识别结果被配置为指示多联机空调系统发生该故障识别模型对应的故障类型的概率。

可以理解的是，一种故障识别模型被配置为识别一种故障类型，一种故障识别模型对多联机空调系统进行故障识别时，只识别该多联机空调系统发生该故障识别模型对应的故障类型的概率，不会在故障识别时受其他故障类型的影响。根据多联机空调系统的运行数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果，也即得到该多联机空调系统发生每种故障识别模型对应的故障类型的概率。

例如，多联机空调系统的故障类型包括：冷媒充注量异常、室外换热器脏堵、室内换热器脏堵、压缩机磨损以及膨胀阀故障。

在一些实施例中，多联机空调系统的特征数据包括压缩机的运行频率、压缩机的排气压力值、压缩机的吸气压力值、压缩机的吸气温度值、压缩机的排气温度值、压缩机的排气过热度、压缩机的吸气过热度、室外风扇档位膨胀阀的开度、每个室内机的出风温度、每个室内机的回风温度、气管15的温度值以及液管16的温度值中的至少一项。

在一些实施例中，支持向量机是一种二分类模型，支持向量机的基本模型是定义在特征空间上的间隔最大的线性分类器。支持向量机还包括核技巧，这使得支持向量机成为实质上的非线性分类器。支持向量机是建立在统计学习理论的VC维理论(Vapnik-Chervonenkis Dimension)和结构风险最小原理的基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以期获得较好的推广能力。

在一些实施例中，控制器50可以基于多联机空调系统的历史运行数据训练多个基于支持向量机的故障识别模型，并将训练完成的多个故障识别模型存储在存储器中，以便于在执行故障识别功能时，控制器50能够根据训练完成的故障识别模型及时识别出多联机空调系统发生的故障类型。例如，多联机空调系统的历史运行数据包括多联机空调系统在正常运行过程中的正常运行数据和在异常运行过程的异常运行数据(也可以称作历史故障数据)。

在一些实施例中，故障识别模型的训练过程包括：建立数据回归直线、回归平面和超平面进行拟合，并通过损失函数、设定偏差值、松弛变量，调节拟合的精度和范围。

在一些实施例中，控制器50还被配置为在故障识别模型训练完成后，进行模型测试。故障识别模型的测试结果可以通过混淆矩阵和诊断时序图进行诊断结果的可视化，并引入三个模型评价指标：平均几何精度(Geometric mean accuracy，GMA)、虚警率(False alarm rate，FAR)和漏警率(Miss alarm rate，MAR)进行评价。例如，GMA指标表示每个分类类别精度的几何平均值，并且在取得真实结果后，进行判断，如果精度未达到要求，将启动参数更新和调优装置，进行自我优化。

在步骤S102，将多个故障识别结果中最大概率的故障识别结果对应的故障类型作为多联机空调系统的目标故障类型。

可以理解的是，一种故障识别模型对应一种故障类型，一个故障识别结果指示的故障概率越大，代表该多联机空调系统发生该故障识别结果对应的故障类型的概率越高，故可以将多个故障识别结果中最大概率的故障识别结果对应的故障类型作为多联机空调系统的目标故障类型。

示例性的，故障识别模型包括A1、B1和C1，A1对应A故障类型，B1对应B故障类型，C1对应C故障类型。在多联机空调系统确定发生故障的情况下，将多联机空调系统的特征数据输入至三个故障识别模型A1、B1和C1后，得到三个故障识别模型的故障识别结果。在此情况下，若A1输出的故障识别结果指示了多联机空调系统发生A故障类型的概率为50％，B1输出的故障识别结果指示了多联机空调系统发生B故障类型的概率为80％，C1输出的故障识别结果指示了多联机空调系统发生C故障类型的概率为30％，则可以将B故障类型作为多联机空调系统的目标故障类型。

可以理解的是，本公开的一些实施例提供的多联机空调系统的控制方法，在确定多联机空调系统发生故障后，将多联机空调系统的特征数据分别输入多个故障识别模型中，从而得到多个识别结果。由于多联机空调系统的特征数据是基于多联机空调系统的运行数据进行关联性分析后得到的，因此，多个识别结果排除了运行数据中无关数据对故障识别精准度的影响。在此情况下，将多个故障识别结果中最大概率的故障识别结果对应的故障类型作为多联机空调系统的目标故障类型，从而有利于提高对多联机空调系统中故障识别的准确率。

图6为根据一些实施例的另一种多联机空调系统的控制方法的流程图。

在一些实施例中，如图6所示，在确认多联机空调系统的目标故障类型后(即在步骤S102之后)，该方法还包括步骤S201至步骤S202。

在步骤S201，根据所述多联机空调系统的特征数据和与所述目标故障类型对应的故障等级识别模型，确定故障等级识别结果。

可以理解的是，在多联机空调系统发生故障的情况下，不同的故障等级对于多联机空调系统的运行造成的影响不同。在故障等级为轻微的情况下，可以理解为当前故障可能不会对多联机空调系统的运行造成过多影响，可以暂时不进行检修。而在故障等级为严重的情况下，可能会导致多联机空调系统无法运行，需要进行检修。因此，在确定了多联机空调系统的目标故障类型后，还需要根据多联机空调系统的特征数据，得到故障等级识别结果，以此来判断是否要对多联机空调系统进行检修。

在一些实施例中，多联机空调系统的存储器中预先存储有多个故障等级识别模型，一种故障等级识别模型被配置为识别一种故障类型的故障等级。

因此，在确定多联机空调系统的目标故障类型后，可以将多联机空调系统的特征数据输入至目标故障类型对应的故障等级识别模型中，得到故障等级识别结果，故障等级识别结果即代表目标故障类型对多联机空调系统的影响程度。

在一些实施例中，故障等级识别模型可以是基于机器学习算法的故障等级识别模型。

例如，故障等级识别结果包括：故障等级1、故障等级2、故障等级3、故障等级4和故障等级5。若对故障等级识别结果为故障等级1或故障等级2，代表需要引起用户注意，并建议用户关注检查。若对故障等级识别结果为故障等级3，代表需要用户注意，并建议近期检修。若对故障等级识别结果为故障等级4，代表需要引起用户足够注意，并建议及时检修。若对故障等级识别结果为故障等级5，代表需要引起用户高度重视，并建议立即检修。

在步骤S202，在故障等级识别结果指示的故障等级在预设故障等级以上时，发出告警信息。

可以理解的是，在故障等级识别结果指示的故障等级在预设故障等级以上时，代表当前目标故障类型对应的故障等级较高，可能会导致多联机空调系统无法正常运行。为了保证多联机空调系统可以正常运行，可以发出告警信息以提示维修人员对多联机空调系统进行检修。

在一些实施例中，告警信息包括目标故障类型，以便于维修人员可以基于目标故障类型有针对性的对多联机空调系统进行检修，有助于提升对于多联机空调系统的故障修复效率。

例如，预设故障等级可以是多联机空调系统出厂时预先设置的。

图7为根据一些实施例的一种故障等级对多联机空调系统影响程度示意图。

示例性的，如图7所示，多联机空调系统处于故障等级5及以下，代表多联机空调系统发生的故障轻微，故障等级5以下的情况下对多联机空调系统的影响程度较小。多联机空调系统处于故障等级5以上，代表多联机空调系统发生的故障严重，也即故障等级5以上的情况下对多联机空调系统的影响程度较大。

图8为根据一些实施例的一种多联机空调系统故障等级预警示意图。

示例性的，如图8所示，为了避免多联机空调系统发生的轻微故障发展成为严重故障，可以将预设故障等级为故障等级2，也就是说，在确定多联机空调系统的故障等级在故障等级2以上时，控制器发出告警信息，提醒维修人员进行检修，以避免多联机空调系统发生的轻微故障发展成为严重故障。例如避免多联机空调系统的故障等级由故障等级2发展至故障等级5。

在一些实施例中，控制器50可以通过多种方式发出告警信息。例如，多种方式包括方式1、方式2和方式3。

方式1包括：控制器控制室内机的显示器显示告警信息。

例如，当多联机空调系统的目标故障类型为室外换热器脏堵时，告警信息的内容可以是“室外换热器脏堵严重，建议立即检修！”。

在一些实施例中，为了便于用户及时了解到多联机空调系统发生严重故障，控制器可以控制多联机空调系统中的每个室内机的显示器显示上述告警信息。

方式2包括：控制器通过通信器向终端设备发送告警信息。

例如，当多联机空调系统的目标故障类型为室外换热器脏堵时，终端设备接收到控制器50通过Wi-Fi网络或蓝牙发送的告警信息的内容可以是“室外换热器脏堵严重，建议立即检修！”。

方式3包括：控制器通过语音提示装置向终端设备发送告警信息。

在一些实施例中，室内机还包括语音装置，语音提示装置可以是扬声器等，控制器可以控制语音装置播报告警信息，引起用户注意，提醒用户进行检修。

图9为根据一些实施例的又一种多联机空调系统的控制方法的流程图。

在一些实施例中，如图9所示，在步骤101之前，该方法还包括步骤S301至步骤S303。

在步骤S301，在确定多联机空调系统发生故障之前，获取多联机空调系统的运行数据。

可以理解的，在确定多联机空调系统发生故障之后，才可以进一步进行故障类型的识别。所以在确定多联机空调系统发生故障之前，可以获取多联机空调系统的运行数据来判断多联机空调系统是否发生故障。

图10为根据一些实施例的又一种多联机空调系统的控制方法的流程图。在一些实施例中，如图10所示，步骤S301包括步骤S3011至步骤S3012。

在步骤S3011，获取多联机空调系统的原始运行数据。

例如，在多联机空调系统处于运行状态下，控制器可以获取多联机空调系统的各部件在运行过程中所产生的原始运行数据。

在步骤S3012，对多联机空调系统的原始运行数据进行预处理，以得到多联机空调系统的运行数据。

在一些实施例中，所述预处理包括异常值剔除处理和平滑处理。

例如，所述异常值剔除处理包括：在控制器获取原始运行数据的过程中，将与其他运行数据相比，具有更高离散程度的异常运行数据进行剔除。

可以理解的是，若不对多联机空调系统的原始运行数据进行异常值剔除，在后续进行故障诊断时，异常运行数据可能会对故障诊断结果的精度造成影响。因此，在获取到多联机空调系统的原始运行数据后，可以对多联机空调系统的原始运行数据进行异常值剔除处理，从而可以提高对故障针对的精度。

例如，所述平滑处理包括：在对多联机空调系统的原始运行数据进行剔除异常值处理后，利用平滑算法对异常值剔除处理后的原始运行数据进行最小二乘曲线拟合，用拟合的数据代替被剔除的数据。最小二乘拟合是一种数学上的近似和优化方法，根据已知的数据在坐标系中得到一条直线或者曲线，使拟合点与已知数据之间的距离的平方和最小。

例如，所述平滑算法包括Savitzky-Golay算法。

在一些实施例中，对多联机空调系统的原始运行数据进行数据平滑处理还可以包括：将异常值剔除处理后的原始运行数据输入至生成式网络对抗模型中，得到多联机空调系统的运行数据。

需要说明的是，生成式对抗网络模型是一种深度学习模型，模型通过框架包括生成模型和判别模型。生成模型被配置为生成拟合数据，判别模型被配置为对拟合的数据进行判断。例如，判别模型可以判断数据是否平滑。生成模型和判别模型互相博弈，从而得到经过平滑处理后的数据。

在一些实施例中，多联机空调系统的运行数据可以包括：多联机空调系统中室外机在运行过程中的压缩机电流值、压缩机的运行频率、压缩机的排气压力值、压缩机的吸气压力值、压缩机的吸气温度值、压缩机的排气温度值、压缩机的排气过热度、压缩机的吸气过热度、室外风扇档位、膨胀阀的开度、每个室内机的出风温度、每个室内机的回风温度、气管的温度值、液管的温度值、室外机冷媒排出管处的排出压力值和排出温度值中的至少一项。

需要说明的是，以上示出的多联机空调系统的运行数据仅仅是示例性的，多联机空调系统的运行数据还可以包括其他数据，在此不再赘述。

在步骤S302，基于最大信息系数法对多联机空调系统的运行数据进行关联性分析，从多联机空调系统的运行数据中提取出多联机空调系统的特征数据。

可以理解的，多联机空调系统的运行数据中存在大量对于故障诊断无用的冗余数据，冗余数据会影响到故障诊断的效率和精准度。因此，为避免多联机空调系统的运行数据中冗余数据影响故障诊断的效率和精准度，可以基于最大信息系数法对多联机空调系统的运行数据进行关联性分析，从多联机空调系统的运行数据中提取出多联机空调系统的特征数据。

所述最大信息系数法是一种特征选择算法，用于衡量两个变量之间的关联程度。通过最大信息系数法可以衡量各种故障类型与多联机空调系统的运行数据之间的相关程度，并根据运行数据与故障类型的相关程度对运行数据进行分析和筛选。

与故障类型相关程度较低的运行数据代表该运行数据与故障类型之间关联性较小，因此，可以将该运行数据作为冗余数据，相反的，与故障相关程度较高的运行数据代表该运行数据与故障类型之间的关联性较大，可以将该运行数据作为特征数据。

在一些实施例中，在基于最大信息系数法对多联机空调系统的运行数据进行关联性分析，从多联机空调系统的运行数据中提取出多联机空调系统的特征数据之前(即在步骤S302之前)，还可以根据基尼变量重要度以及关联规则算法计算不同运行数据对于不同故障类型的重要程度，并根据重要程度将运行数据进行排序。

所述基尼变量重要度是根据基尼指数衡量变量重要程度的方法。所述基尼指数表示样本集合中一个随机选中的样本被分错的概率，基尼指数越小表示集合被选中的样本被参错的概率越小，即集合的纯度越高。一个特征数据的基尼指数越小，代表该特征数据越重要。

在步骤S303，基于多联机空调系统的特征数据，确定多联机空调系统是否发生故障。

由步骤S302可知，多联机空调系统的特征数据是通过对多联机空调系统的运行数据进行相关性分析，并从多联机空调系统的运行数据中提取出的，多联机空调系统的特征数据能够反映出多联机空调系统的运行情况。而在多联机空调系统发生故障的情况下，多联机空调系统的特征数据也会出现波动。

示例性的，冷媒经过室内机的节流阀后，开始蒸发和吸热的过程，当室内机连接的膨胀阀正常(即不存在故障)时，与室内机连接的气管的温度值和液管的温度值应相等，也就是说，液管的温度值与气管的温度值之间的温度差值大致为0。而当膨胀阀发生故障时，例如，由于膨胀阀故障导致膨胀阀的开度过小时，会导致冷媒流量不足，导致冷媒在蒸发吸热的过程中，过热度过高，进而导致与室内机连接的液管的温度值与气管的温度值之间的温度差值变大。因此，根据特征数据(如气管的温度值和液管的温度值)可以确定膨胀阀是否故障。

图11为根据一些实施例的又一种多联机空调系统的控制方法的流程图。

在一些实施例中，如图11所示，步骤S303包括步骤S3031至步骤S3032。

在步骤S3031，根据所述多联机空调系统的特征数据和故障诊断模型，确定故障诊断结果。

在一些实施例中，多联机空调系统的存储器中预先存储有训练完成的故障诊断模型，在对多联机空调系统进行故障诊断时，可以将多联机空调系统的特征数据输入至训练完成的故障诊断模型中，得到故障诊断结果，故障诊断结果指示了多联机空调系统是否发生故障。

在一些实施例中，故障诊断模型可以是基于支持向量机的故障诊断模型。

在一些实施例中，故障诊断模型训练过程包括：针对每种故障类型设置梯度性的多联机空调系统模拟实验，收集每种故障类型的实验数据并将实验数据根据多联机空调系统正常和异常进行分类，以用于训练故障诊断模型。

示例性的，以冷媒充注量的模拟实验为例，从冷媒充注量120％(过充)至冷媒充注量50％(欠充)依次以10％递减设置多个模拟实验，并收集每个模拟实验的实验数据。

可以理解的是，在模拟实验中，当多联机空调系统的性能下降，并达到第一预设阈值时，则可以认为多联机空调系统出现异常，在此情况下，该次模拟实验的实验数据均被标记为异常。当多联机空调系统的性能下降没有达到第一预设阈值，则认为多联机空调系统正常，该次模拟实验的实验数据均被标记为正常。

在步骤S3032，在故障诊断结果为是的情况下，确定多联机空调系统发生故障。

在一些实施例中，在故障诊断结果为否的情况下，确定多联机空调系统未发生故障。

可以理解的是，本公开的一些实施例提供的控制方法，可以基于最大信息系数法对多联机空调系统的运行数据进行关联性分析，从多联机空调系统的运行数据中提取出特征数据，以便于后续可以基于数据量小、特征代表性强的特征数据来进行故障诊断、故障识别以及故障等级识别，从而提升了故障诊断、故障识别以及故障等级识别的效率以及精准度。

在一些实施例中，本公开实施例提供的一种多联机空调系统的控制方法还包括对故障等级识别模型的训练过程。所述故障等级识别模型的训练过程包括步骤A1至步骤A4。

在步骤A1，执行数据采集。

在一些实施例中，所述数据采集包括：采集用于故障等级识别模型训练的数据。例如，可以针对每种故障类型设置梯度性的多联机空调系统模拟实验，收集每种故障类型的实验数据，将实验数据根据多联机空调系统的故障等级进行分类，以用于训练故障诊断模型。

需要说明的是，模拟实验与数据采集的具体步骤，已在上文中进行详细介绍，此处不再赘述。

在步骤A2，执行数据预处理。

在一些实施例中，在采集完成被配置为故障等级识别模型训练的实验数据后，需要对采集的实验数据进行预处理，以剔除异常的实验数据，对实验数据进行数据平滑处理。需要说明的是，数据预处理的具体步骤，已在上文中进行详细介绍，此处不再赘述。

在步骤A3，执行重要特征数据选择。

在一些实施例中，在实验数据预处理完成后，根据基尼变量重要度以及关联规则算法计算不同运行数据对于不同故障类型的重要程度，并根据重要程度将运行数据进行排序。对实验数据通过最大信息系数法进行关联性分析，去除实验数据中与故障无关的冗余数据。

需要说明的是，基尼变量重要度与最大信息系数法已在上文中进行详细介绍，此处不再赘述。

在一些实施例中，重要特征数据选择还包括：对故障进行解耦。

解耦是指使含有多个变量的数学方程变成能够用单个变量表示的方程组，即变量不再同时共同直接影响一个方程的结果，从而简化分析计算。在多联机空调系统中，故障与故障之间可能存在关联，导致在多联机空调系统发生单一故障时，引发其他故障。对故障进行解耦即是在分析实验数据与某一故障之间的关联性时，排除其他故障对该故障的影响。

在一些实施例中，重要特征数据选择还包括：结合专家知识体系对现有实验数据进行分析。在对实验数据根据重要程度将运行数据进行排序以及通过最大信息系数法进行关联性分析后，还可以与专家知识体系结合选取重要特征数据。根据多联机空调系统的工作原理，构建专家知识体系，对经过重要度排序和通过最大信息系数法进行关联性分析后的实验数据进行全面分析，选择重要特征数据。

在步骤A4，执行模型训练。

在一些实施例中，在确定重要特征数据后，基于支持向量机模型训练故障等级识别模型，在训练完成后对故障等级识别模型进行评价，如果故障等级识别模型的精度未达到要求，将启动参数更新和调优模型，进行自我优化。

需要说明的是，模型训练与优化的方法已在上文中进行详细介绍，此处不再赘述。

图12为根据一些实施例的一种终端设备的管理界面示意图。

在一些实施例中，如图12所示，终端设备300还被配置为显示多联机空调系统的管理界面301，这样，用户可以通过终端设备300设置多联机空调系统的运行模式。

例如，管理界面301包括第一按键302。终端设备300被配置为：当检测到用户点击管理界面301中的第一按键302时，在管理界面301弹出下拉选择框303。终端设备300还被配置为：当检测到用户在下拉选择框303中选取了指令，并确定该指令后，将用户确定的指令发送给多联机空调系统，以完成运行模式的设置。

例如，用户可以在下拉选择框303中选择制冷模式指令。

图13为根据一些实施例的另一种终端设备的管理界面示意图。

在一些实施例中，如图13所示，管理界面301还包括第二按键304。第二按键304被配置为当受到用户的点击时，在关闭状态和打开状态之间切换。终端设备300还被配置为：当第二按键切换至打开状态时，将开启故障检测的指令传送给多联机空调系统的控制器，使多联机空调系统进入故障检测模式。这样，用户可以通过终端设备300的管理界面开启故障检测功能，从而有利于提高用户与多联机空调系统之间的交互效率。

图14为根据一些实施例的又一种终端设备的管理界面示意图。

在一些实施例中，控制器50还被配置为：在检测到多联机空调系统中存在膨胀阀故障后，通过通信器向终端设备300发送代表多联机空调系统存在故障的指令。

如图14所示，管理界面301还被配置为：在终端设备300接收到代表多联机空调系统存在故障的指令后，显示“检测到多联机空调系统存在膨胀阀故障，是否立即进行故障定位？”的提示信息，以提示用户选择是否开启故障定位功能。在此情况下，若用户选择点击“确定”按钮，则代表用户选择立即进行故障定位。终端设备300响应于用户的确定指令，将确定指令(即故障定位指令)发送至控制器50。控制器50还被配置为在接收到故障定位指令后，开启故障定位模式。若用户选择点击“取消”按钮，则代表用户选择暂不进行故障定位。

在一些实施例中，如图14所示，管理界面301还包括第三按键305。第三按键305被配置为当受到用户的点击时，在关闭状态和打开状态之间切换。终端设备300还被配置为：当第三按键305切换至打开状态时，向控制器50发送所述故障定位指令。

图15为根据一些实施例的一种多联机空调系统的又一种控制方法的流程图。

本公开的一些实施例还提供了另一种多联机空调系统的控制方法。该另一种多联机空调系统的控制方法由控制器执行。该控制器可以是上述任一实施例中所述的控制器50，也可以是其他控制器。

如图15所示，该方法包括步骤S401至步骤S404。

在步骤S401，获取多联机空调系统的实时运行数据。

可以理解的是，当多联机空调系统的膨胀阀出现故障时，需要对多联机空调系统中的所有膨胀阀进行故障检测，以定位故障的膨胀阀。因此，通过获取多联机空调系统的实时运行数据，从而可以对膨胀阀进行故障检测及定位。

在一些实施例中，控制器还被配置为：在多联机空调系统启动后，以第一预设时长为一个周期，获取多联机空调系统的实时运行数据。这样，控制器可以周期性地对多联机空调系统进行故障检测，从而有利于提高多联机空调系统运行的稳定性和可靠性。

需要说明的是，第一预设时长是多联机空调系统在出厂时已预设在存储器中的数据，第一预设时长的数值可以根据实际使用需求进行设置，本公开对此不做限定。

在一些实施例中，多联机空调系统的实时运行数据包括室外机的运行数据和各个室内机的运行数据。

例如，室外机的运行数据包括：压缩机频率、压力值、压顶温度值、排气过热度值、化霜温度值以及环境温度值。

例如，室内机的运行数据包括：变频散热度值、液管温度值、气管温度值、回风温度值以及出风温度值。

在步骤S402，通过预设图注意力模型对实时运行数据进行故障识别，以得到故障识别结果。

需要说明的是，图注意力模型(Graph Attention Networks，GAT)：是一种使用了自注意力(Self attention)机制的图神经网络模型，该网络使用类似神经网络模型里的自注意力的方式，计算图里面任一个节点相对于每个邻接节点的注意力，将该任一个节点本身的特征和注意力特征起来作为该节点的特征，在此基础上进行节点的分类等任务。

在一些实施例中，图注意力模型包括故障检测模型。故障检测模型被配置为检测多个膨胀阀中的任一个膨胀阀是否处于故障运行状态。所述故障识别结果包括所述任一个膨胀阀处于故障运行状态或正常运行状态。

因此，当控制器获取到多联机空调系统的实时运行数据后，通过将实时运行数据输入至预设图注意力模型，从而可以对多个膨胀阀进行故障识别，并得到故障识别结果。

在一些实施例中，预设图注意力模型可以为GAT模型中的故障检测模型。

在步骤S403，判断故障识别结果是否为故障运行状态，若是，则执行步骤S404，若否，则重新执行步骤S401。

可以理解的是，若控制器识别到多个膨胀阀中的任一个膨胀阀处于故障运行状态，则需要继续执行步骤S404，以对该任一个膨胀阀进行定位。若多个膨胀阀均处于正常运行状态，则不需要执行故障定位，在此情况下，控制器重新执行步骤S401。

在一些实施例中，步骤S403包括：当故障识别结果为多联机空调系统中的膨胀阀处于正常运行状态时，经过第二预设时长后，重新执行步骤S401。

需要说明的是，第二预设时长是多联机空调系统在出厂时已预设在存储器中的数据，第二预设时长的数值可以根据实际使用需求进行设置，本公开对此不做限定。

在步骤S404，通过预设图注意力模型对膨胀阀进行故障定位，以确定膨胀阀的内机序号。

在一些实施例中，图注意力模型还包括故障定位模型，所述故障定位模型被配置为定位处于故障运行状态的膨胀阀的内机序号。

例如，当故障识别结果为多联机空调系统中的膨胀阀处于故障运行状态时，将每个原始节点特征向量(将在下文进行详细介绍)输入GAT模型中的故障定位模型中，从而可以定位处于故障运行状态时的膨胀阀的内机序号。

在一些实施例中，预设图注意力模型可以为图注意力模型中的故障定位模型。

可以理解的是，本公开的一些实施例提供的多联机空调系统的另一种控制方法，通过将获取到的多联机空调系统的实时运行数据输入至预设图注意力模型，以得到多联机空调系统中膨胀阀的故障识别结果，从而有利于提高对膨胀阀的故障检测的效率。另外，在确定膨胀阀处于故障运行状态时，通过预设图注意力模型对该膨胀阀进行定位，并获取该第一膨胀阀的内机序号，从而可以减少数据流预处理流程，有利于提高对膨胀阀的故障定位的准确性。

图16为根据一些实施例的一种多联机空调系统的图注意力模型的训练方法的流程图。

在一些实施例中，GAT模型可以通过控制器训练得到。GAT模型的训练方法如图16所示，该方法由控制器执行，且包括步骤S11至步骤S12。

在步骤S11，获取多联机空调系统的正常运行数据和故障运行数据。

需要说明的是，正常运行数据为膨胀阀处于正常运行状态时，多联机空调系统的运行数据。故障运行数据为膨胀阀处于故障运行状态时，多联机空调系统的运行数据。

例如，控制器可以将多联机空调系统的正常运行数据和故障运行数据输入至GAT模型进行训练，以使GAT模型获取膨胀阀在正常运行状态时的运行数据特征，以及膨胀阀在故障运行状态时的运行数据特征。从而，能更准确的识别多联机空调系统的实时运行数据中是否存在故障运行数据。

在一些实施例中，GAT模型的训练原理可以基于图神经网络模型(Graph neural networks，GNN)。图神经网络模型是一种连接模型，通过网络中节点之间的信息传递的方式来获取图中的依存关系，GNN通过从节点任意深度的邻居来更新该节点状态，这个状态能够表示状态信息。

在步骤S12，根据正常运行数据和故障运行数据，对初始图注意力模型进行训练，得到训练完成后的预设图注意力模型。

在一些实施例中，在控制器将正常运行数据和故障运行数据输入至初始图注意力模型中，得到训练完成后的预设图注意力模型之前，控制器还可以通过GNN模型将正常运行数据和故障运行数据转换为图结构，对该图结构进行节点聚合操作后，迭代更新GAT模型参数，最终输出膨胀阀的故障检测与定位结果。

图17为根据一些实施例的一种多联机空调系统的另一种图注意力模型的训练方法的流程图。如图17所示，该方法包括步骤S21。

在步骤S21，通过预设图神经网络模型将正常运行数据和故障运行数据转换为图结构。

在一些实施例中，在控制器根据正常运行数据和故障运行数据，对初始图注意力模型进行训练之前，控制器通过预设图神经网络模型将正常运行数据和故障运行数据转换为图结构。

例如，图结构包括原始节点特征向量和原始节点特征向量之间的连接关系。原始特征向量为正常运行数据和故障运行数据的向量表现形式。

在一些实施例中，原始节点特征向量之间的连接关系可以以边的形式展现，边以邻接矩阵的形式表示。

在一些实施例中，将两个原始节点特征向量之间的不同数据信息进行皮尔逊相关系数计算。若皮尔逊相关系数大于第二预设阈值，则两个原始节点特征向量之间以边连接，即两个原始节点特征向量之间相关；若皮尔逊相关系数小于第二预设阈值，则两个原始节点特征向量之间不以边连接，即两个原始节点特征向量之间不相关。

在一些实施例中，第二预设阈值为0.5。

例如，若皮尔逊相关系数A大于第二预设阈值，即A＞0.5时，两个原始节点特征向量之间以边连接。若A＜0.5，则两个原始节点特征向量之间不以边连接。

示例性的，图结构可以表示为公式(1)所示出的形式：
AM＝[S₁，T₁]，[S₂，T₂]，[S₃，T₃]，...，[S_n，T_n]] 公式(1)

在公式(1)中，AM为邻接矩阵，S、T为不同运行数据，n为运行数据所在位置。

在一些实施例中，在控制器将正常运行数据和故障运行数据转换为图结构后，根据图结构，控制器将所述原始节点特征向量转换为目标节点特征向量，并为所述目标节点特征向量分配注意力。

在一些实施例中，在控制器将正常运行数据和故障运行数据转换为图结构后，控制器将原始节点特征向量输入注意力层经过线性变化，得到目标节点特征向量。

在一些实施例中，可以通过自注意力机制，对目标节点特征向量分配注意力系数。如公式(2)和公式(3)所示：
x＝{x₁，x₁，...，x_n} 公式(2)
x'＝{x'₁，x'₂，...，x'_n} 公式(3)

在公式(2)和公式(3)中，x为原始节点特征向量，x'为目标节点特征向量。

需要说明的是，自注意力是神经网络模型中的一种重要机制，用于对输入序列中的每个元素进行自注意力计算，并得到每个元素的自注意力表示。

在一些实施例中，目标节点特征向量的范围矩阵W满足的关系和注意力系数e_ij线性变化的方式如公式(4)和公式(5)所示：
W∈R^F′*F 公式(4)

在公式(4)和公式(5)中，R为目标节点特征向量的特征空间，F'为目标节点特征向量维度，F为原始节点特征向量的维度，也即目标节点特征向量i对目标节点特征向量j的影响力系数，a表示单层前馈神经网络，输出为一个数值。

在一些实施例中，当注意力系数确定后，根据注意力系数，对目标节点特征向量进行聚合操作。

例如，将与目标节点特征向量V_i周边有关联的节点{V_a，V_b，...，V_n}加权至V_i，作为一次目标节点特征向量的聚合。

需要说明的是，在本公开实施例中，可以对所有目标节点特征向量进行聚合操作，聚合方式如公式(6)所示：
M_i＝G({w_j*x_j，j∈N_i}) 公式(6)

在公式(6)中，G()为聚合函数，w_j为权重，x_j为目标节点特征向量，N_i为与目标节点特征向量相连的节点特征向量集。

在一些实施例中，当目标节点特征向量的聚合操作完成后，通过预设图神经网络模型的迭代，对预设图注意力模型进行更新，控制器确定原始节点特征向量是否达到预设收敛条件。

在一些实施例中，当控制器确定原始节点特征向量未达到预设收敛条件时，更新注意力系数，得到原始节点特征向量间的影响力关系。

在一些实施例中，注意力系数的更新方式如公式(7)所示：
L_t+1＝F_w(L_t，x) 公式(7)

在公式(7)中，L为原始节点特征向量，F_w为压缩映射。

在一些实施例中，当控制器确定原始节点特征向量未达到预设收敛条件时，停止对初始图注意力模型的训练，以得到训练完成后的预设图注意力模型。

在一些实施例中，原始节点特征向量x的状态向量是否达到收敛条件的判断方式如公式(8)所示：
||x_t-x_t-1|＜ε_F 公式(8)

在一些实施例中，当GAT模型停止更新后，控制器将多联机空调系统的实时运行数据输入至GAT模型，输出实时结果。对比实时结果与模型结果中的膨胀阀的运行状态和内机序号，确认GAT模型是否训练成功。

例如，若实时结果中的膨胀阀的运行状态与模型结果中的膨胀阀的运行状态相匹配，且实时结果中的内机序号与模型结果中的内机序号相匹配，确认GAT模型训练成功。

例如，若实时结果中的膨胀阀的运行状态与模型结果中的膨胀阀的运行状态相匹配，但实时结果中的内机序号与模型结果中的内机序号不匹配，对GAT模型进行参数更新。

例如，若实时结果中的膨胀阀的运行状态与模型结果中的膨胀阀的运行状态不匹配，且实时结果中的内机序号与模型结果中的内机序号也不匹配，对GAT模型进行参数更新。

在一些实施例中，当GAT模型停止更新后，将多联机空调系统的实时运行数据输入GAT模型中的故障检测模型，经反向传播参数更新后，得到故障识别结果。

在一些实施例中，控制器通过多个阶段的多联机空调系统的实际运行数据及状态和其他机组的实际运行数据及状态，来构成多联机空调系统的维护信息，从而持续更新GAT模型。

在一些实施例中，所述控制方法包括步骤S1至步骤S8。

在步骤S1，获取多联机空调系统的正常运行数据和故障运行数据。

需要说明的是，多联机空调系统的正常运行数据和故障运行数据所包含的内容与上述的实时运行数据一致，此处不再赘述。

例如，正常运行数据为膨胀阀处于正常运行状态时，多联机空调系统的运行数据；故障运行数据为膨胀阀处于故障运行状态时，多联机空调系统的运行数据。

在步骤S2，将正常运行数据和故障运行数据输入至初始GAT模型。

在一些实施例中，初始GAT模型通过GNN模型进行训练。GNN模型对初始GAT模型的训练方式如上述步骤S21所述，此处不再赘述。

在一些实施例中，控制器先将正常运行数据和故障运行数据输入至初始GAT模型的故障检测模型中，通过GNN模型将正常运行数据和故障运行数据转换为图结构，根据图结构确定多联机空调系统的膨胀阀是否处于故障运行状态。

例如，当控制器确定多联机空调系统的膨胀阀处于故障运行状态时，控制器将正常运行数据和故障运行数据输入至初始GAT模型的故障定位模型中，定位处于故障运行状态下的膨胀阀的内机序号。

在步骤S3，判断初始GAT模型输出的结果是否满足预设条件，若是，执行步骤S5，若否，则执行步骤S4。

例如，所述预设条件包括：通过初始GAT模型输出的膨胀阀故障状态和处于故障运行状态下的膨胀阀的内机序号均正确。

在步骤S4，更新初始GAT模型的参数。

例如，当通过初始GAT模型输出的膨胀阀故障状态不正确，或，通过GAT模型输出的膨胀阀故障状态正确但处于故障运行状态下的膨胀阀的内机序号不正确时，控制器更新初始GAT模型的参数。

在步骤S5，确定初始GAT模型成功训练为预设GAT模型。

在步骤S6，获取多联机空调的实时运行数据，并将实时运行数据输入至预设GAT模型。

在一些实施例中，控制器先将实时运行数据输入至预设GAT模型的故障检测模型中，通过GNN模型将实时运行数据转换为图结构，根据图结构确定多联机空调系统的膨胀阀是否处于故障运行状态。

例如，当控制器确定多联机空调系统的膨胀阀处于故障运行状态时，控制器将实时运行数据输入至预设GAT模型的故障定位模型中，定位处于故障运行状态下的膨胀阀的内机序号。

在步骤S7，判断初始GAT模型输出的结果是否满足预设条件，若是，执行步骤S8，若否，则执行步骤S4。

在步骤S8，控制预设GAT模型根据多联机空调的实时运行数据，进行学习和改进。

例如，当通过初始GAT模型输出的膨胀阀故障状态不正确，或，通过GAT模型输出的膨胀阀故障状态正确但处于故障运行状态下的膨胀阀的内机序号均不正确时，控制器控制预设GAT模型根据多联机空调的实时运行数据，进行学习和改进。

本领域的技术人员将会理解，本发明的公开范围不限于上述具体实施例，并且可以在不脱离本公开的精神的情况下对实施例的某些要素进行修改和替换。本公开的范围受所附权利要求的限制。

Claims

一种多联机空调系统，包括：

室外机，包括压缩机和室外换热器；所述压缩机连接所述室外换热器；

至少一个室内机，所述至少一个室内机中的任一个室内机包括室内换热器；

膨胀阀，所述室内换热器通过所述膨胀阀连接所述室外换热器；其中，冷媒在所述压缩机、所述室外换热器、所述膨胀阀和所述室内换热器中循环流动，以形成冷媒回路；以及

控制器，被配置为：

在确定所述多联机空调系统发生故障的情况下，根据所述多联机空调系统的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果；其中，所述多个故障识别模型中的任一个故障识别模型被配置为识别一种故障类型，且所述任一个故障识别模型输出的故障识别结果被配置为指示所述多联机空调系统发生所述任一个故障识别模型对应的所述故障类型的概率；和

将所述多个故障识别结果中的最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的目标故障类型。
根据权利要求1所述的多联机空调系统，其中，所述控制器还被配置为：

在将所述多个故障识别结果中的所述最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的所述目标故障类型之后，根据所述多联机空调系统的特征数据和与所述目标故障类型对应的故障等级识别模型，确定故障等级识别结果；以及

当所述故障等级识别结果指示的故障等级在预设故障等级以上时，发出告警信息；其中，所述告警信息包括所述目标故障类型，所述告警信息被配置为提示对所述多联机空调系统进行检修。
根据权利要求2所述的多联机空调系统，其中，所述控制器还被配置为：

在确定所述多联机空调系统发生故障之前，获取所述多联机空调系统的运行数据；

基于最大信息系数法对所述多联机空调系统的运行数据进行关联性分析，从所述多联机空调系统的运行数据中提取出所述多联机空调系统的特征数据；以及

基于所述多联机空调系统的特征数据，确定所述多联机空调系统是否发生故障。
根据权利要求3所述的多联机空调系统，其中，所述基于所述多联机空调系统的特征数据，确定所述多联机空调系统是否发生故障，包括：

根据所述多联机空调系统的特征数据和故障诊断模型，确定故障诊断结果；其中，所述故障诊断结果被配置为指示所述多联机空调系统是否发生故障；以及

在所述故障诊断结果为是的情况下，确定所述多联机空调系统发生故障。
根据权利要求3所述的多联机空调系统，其中，所述获取所述多联机空调系统的运行数据，包括：

获取所述多联机空调系统的原始运行数据；以及

对所述多联机空调系统的原始运行数据进行预处理，以得到所述多联机空调系统的运行数据；其中，所述预处理包括异常值剔除处理和平滑处理。
根据权利要求1至5中任一项所述的多联机空调系统，还包括液管和气管，所述室外机通过所述液管和所述气管连接所述至少一个室内机；

其中，所述多联机空调系统的特征数据包括：所述压缩机的运行频率、所述压缩机的排气压力值、所述压缩机的吸气压力值、所述压缩机的吸气温度值、所述压缩机的排气温度值、所述压缩机的排气过热度、所述压缩机的吸气过热度、室外风扇档位、所述膨胀阀的开度、所述室内机的出风温度、所述室内机的回风温度、所述气管的温度值以及所述液管的温度值中的至少一者。
一种多联机空调系统的控制方法，其中，所述多联机空调系统包括室外机、至少一个室内机和膨胀阀；所述室外机包括压缩机和室外换热器；所述至少一个室内机中的任一个室内机包括室内换热器；其中，冷媒在所述压缩机、所述室外换热器、所述膨胀阀和所述室内换热器中循环流动，以形成冷媒回路；

所述方法包括：

在确定所述多联机空调系统发生故障的情况下，根据所述多联机空调系统的特征数据和多个基于支持向量机的故障识别模型，确定多个故障识别结果；其中，所述多个故障识别模型中的任一个故障识别模型被配置为识别一种故障类型，且所述任一个故障识别模型输出的故障识别结果被配置为指示所述多联机空调系统发生所述任一个故障识别模型对应的所述故障类型的概率；以及

将所述多个故障识别结果中的最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的目标故障类型。
根据权利要求7所述的方法，其中，所述方法还包括：

在将所述多个故障识别结果中的所述最大概率的故障识别结果对应的故障类型作为所述多联机空调系统的所述目标故障类型之后，根据所述多联机空调系统的特征数据和与所述目标故障类型对应的故障等级识别模型，确定故障等级识别结果；以及

当所述故障等级识别结果指示的故障等级在预设故障等级以上时，发出告警信息；其中，所述告警信息包括所述目标故障类型，所述告警信息被配置为提示对所述多联机空调系统进行检修。
根据权利要求8所述的方法，其中，所述方法还包括：

在确定所述多联机空调系统发生故障之前，获取所述多联机空调系统的运行数据；

基于最大信息系数法对所述多联机空调系统的运行数据进行关联性分析，从所述多联机空调系统的运行数据中提取出所述多联机空调系统的特征数据；以及

基于所述多联机空调系统的特征数据，确定所述多联机空调系统是否发生故障。
根据权利要求9所述的方法，其中，所述基于所述多联机空调系统的特征数据，确定所述多联机空调系统是否发生故障，包括：

根据所述多联机空调系统的特征数据和故障诊断模型，确定故障诊断结果；其中，所述故障诊断结果被配置为指示所述多联机空调系统是否发生故障；以及

在所述故障诊断结果为是的情况下，确定所述多联机空调系统发生故障。
根据权利要求9所述的方法，其中，所述获取所述多联机空调系统的运行数据，包括：

获取所述多联机空调系统的原始运行数据；以及

对所述多联机空调系统的原始运行数据进行预处理，以得到所述多联机空调系统的运行数据；其中，所述预处理包括异常值剔除处理和平滑处理。
一种多联机空调系统，包括：

室外机；

至少一个室内机，与所述室外机相连接；

至少一个膨胀阀，与所述至少一个室内机相对应；所述至少一个膨胀阀中的任一个膨胀阀设置在对应的室内机与所述室外机之间的管路上；以及

控制器，被配置为：

获取所述多联机空调系统的实时运行数据；

通过预设图注意力模型对所述实时运行数据进行故障识别，以得到故障识别结果；其中，所述故障识别结果包括所述多联机空调系统中的所述任一个膨胀阀处于故障运行状态或正常运行状态；以及

在所述任一个膨胀阀处于故障运行状态的情况下，通过所述预设图注意力模型对所述任一个膨胀阀进行故障定位，以确定所述任一个膨胀阀的内机序号。
根据权利要求12所述的多联机空调系统，其中，所述控制器还被配置为：

获取所述多联机空调系统的正常运行数据和故障运行数据；其中，所述正常运行数据为所述膨胀阀处于正常运行状态时，所述多联机空调系统的运行数据；所述故障运行数据为所述膨胀阀处于故障运行状态时，所述多联机空调系统的运行数据；以及

根据所述正常运行数据和所述故障运行数据，对初始图注意力模型进行训练，以得到训练完成后的预设图注意力模型。
根据权利要求13所述的多联机空调系统，其中，所述控制器还被配置为：

在根据所述正常运行数据和所述故障运行数据，对所述初始图注意力模型进行训练之前，通过预设图神经网络模型将所述正常运行数据和所述故障运行数据转换为图结构；其中，所述图结构包括多个原始节点特征向量和所述多个原始节点特征向量之间的连接关系；所述原始节点特征向量为所述正常运行数据和所述故障运行数据的向量表现形式。
根据权利要求14所述的多联机空调系统，其中，所述控制器还被配置为：将所述多个原始节点特征向量中的两个原始节点特征向量之间的不同数据信息进行皮尔逊相关系数计算；

其中，在所述皮尔逊相关系数大于预设阈值的情况下，所述两个原始节点特征向量之间以边连接，且所述两个原始节点特征向量之间相关；在所述皮尔逊相关系数小于所述预设阈值的情况下，所述两个所述原始节点特征向量之间不以边连接，且所述两个原始节点特征向量之间不相关。
根据权利要求14所述的多联机空调系统，其中，所述根据所述正常运行数据和所述故障运行数据，对所述初始图注意力模型进行训练，包括：

将所述原始节点特征向量转换为目标节点特征向量，并为所述目标节点特征向量分配注意力系数；

根据所述注意力系数，对所述目标节点特征向量进行聚合操作；

通过所述预设图神经网络模型的迭代，对所述预设图注意力模型进行更新，以确定所述原始节点特征向量是否达到预设收敛条件；

在所述原始节点特征向量未达到所述预设收敛条件的情况下，更新所述注意力系数；以及

在所述原始节点特征向量达到所述预设收敛条件的情况下，停止对所述初始图注意力模型的训练，以得到训练完成后的所述预设图注意力模型。
根据权利要求12至16中任一项所述的多联机空调系统，其中，所述实时运行数据包括室外机的实时运行数据和室内机的实时运行数据；

所述室外机的运行实时数据包括压缩机频率、压力值、压顶温度值、排气过热度值、化霜温度值以及环境温度值；

所述室内机的实时运行数据包括变频散热度值、液管温度值、气管温度值、回风温度值以及出风温度值。
一种多联机空调系统的控制方法，其中，所述多联机空调系统包括室外机、至少一个室内机和至少一个膨胀阀；所述至少一个膨胀阀与所述至少一个室内机相对应；所述至少一个膨胀阀中的任一个膨胀阀设置在对应的室内机与所述室外机之间的管路上；

所述方法包括：

获取所述多联机空调系统的实时运行数据；

通过预设图注意力模型对所述实时运行数据进行故障识别，以得到故障识别结果；其中，所述故障识别结果包括所述多联机空调系统中的所述任一个膨胀阀处于故障运行状态或正常运行状态；以及

在所述任一个膨胀阀处于故障运行状态的情况下，通过所述预设图注意力模型对所述任一个膨胀阀进行故障定位，以确定所述任一个膨胀阀的内机序号。
根据权利要求18所述的方法，还包括：

获取所述多联机空调系统的正常运行数据和故障运行数据；其中，所述正常运行数据为所述膨胀阀处于正常运行状态时，所述多联机空调系统的运行数据；所述故障运行数据为所述膨胀阀处于故障运行状态时，所述多联机空调系统的运行数据；以及

根据所述正常运行数据和所述故障运行数据，对初始图注意力模型进行训练，以得到训练完成后的预设图注意力模型。
根据权利要求19所述的方法，其中，所述根据所述正常运行数据和所述故障运行数据，对所述初始图注意力模型进行训练，包括：

将所述原始节点特征向量转换为目标节点特征向量，并为所述目标节点特征向量分配注意力系数；

根据所述注意力系数，对所述目标节点特征向量进行聚合操作；

通过所述预设图神经网络模型的迭代，对所述预设图注意力模型进行更新，以确定所述原始节点特征向量是否达到预设收敛条件；

在所述原始节点特征向量未达到所述预设收敛条件的情况下，更新所述注意力系数；以及

在所述原始节点特征向量达到所述预设收敛条件的情况下，停止对所述初始图注意力模型的训练，以得到训练完成后的所述预设图注意力模型。