冷媒泄漏检测方法、系统及空调器与流程

2021-03-11 06:03:59|

393|

起点商标网

[0001]
本发明涉及一种冷媒泄漏检测方法、系统及空调器，具体地说，尤其涉及一种基于神经网络的冷媒泄漏检测方法、系统及空调器。

背景技术：

[0002]
空调器在长时间的使用过程中，可能因为密封性差、管路腐蚀以及其它不可抗力原因，发生冷媒泄漏。冷媒一旦发生泄漏，空调器性能会变差。一般用户只有在空调器性能变得极差时，才能觉察进行维修。因此，一种准确、准时的冷媒泄漏检测方法十分有必要，当冷媒泄漏时，空调器自动提示用户冷媒泄漏。
[0003]
近年来，很多人提出了进行冷媒检测的方法如下：
[0004]
如申请号201811108477.6的中国专利中，提出了一种冷媒检测判断方法，该方法通过冷媒压力与冷媒压力阈值进行比较判断，其中冷媒压力阈值是根据冷媒压力阈值曲线获取。这种方法的缺点是，冷媒压力阈值曲线是在特定工况下容易获取，不适用空调运行的全工况，因此冷媒压力阈值采取存在较大误差。
[0005]
如申请号201910702473.9的中国专利中，提出了一种冷媒检测判断方法，该方法主要通过压缩机回气压力与压缩机回气压力设定值进行比较判断。其中，回气压力设定值，是通过室内温度值和室外温度值，根据经验公式进行获取的。这种方法中，回气压力设定值仅仅通过室内温度和室外温度值进行判断，误差较大。因为回气压力设定值，不仅与室内温度和室外温度有关，还与设定温度、风量等有关。
[0006]
冷媒泄漏检测，其难点在于，不管是采用哪个参数进行冷媒泄漏的判断，基本思路都是判断该参数的检测值是否偏离该参数的正常范围，当检测值偏离正常范围时，判定冷媒泄漏。空调器是多工况运行的，对于任意工况，该参数的正常值具体是在什么正常范围，判断相对困难，而现有的检测方法不准确，容易出现冷媒泄漏的误判情况。
[0007]
因此急需开发一种克服上述缺陷的基于神经网络的冷媒泄漏检测方法、系统及空调器。

技术实现要素：

[0008]
针对上述问题，本发明提供一种冷媒泄漏检测方法，其中，包括：
[0009]
标准压力参数获得步骤：根据空调器运行时的工况信息参数通过神经网络模型输出标准压力参数；
[0010]
检测步骤：在所述空调器运行时实时检测并获得的实测压力参数；
[0011]
判断步骤：根据所述标准压力参数与所述实测压力参数获得冷媒是否泄漏的判断结果；
[0012]
处理步骤:根据所述判断结果对所述空调器进行处理。
[0013]
上述的冷媒泄漏检测方法，其中，所述标准压力参数获得步骤包括：
[0014]
测试数据输入步骤：以不同工况下的工况信息参数作为训练样本，并将所述训练
样本划分为训练集和验证集；
[0015]
模型训练步骤：通过所述训练集的工况信息参数对所述神经网络模型进行训练；
[0016]
模型验证步骤：通过所述验证集的工况信息参数对所述神经网络模型进行验证；
[0017]
模型嵌入步骤：将通过验证的所述神经网络模型嵌入所述空调器的控制单元。
[0018]
上述的冷媒泄漏检测方法，其中，所述标准压力参数包括标准冷凝压力值及/或标准蒸发压力值，所述实测压力参数包括实测冷凝压力值及/或实测蒸发压力值。
[0019]
上述的冷媒泄漏检测方法，其中，所述判断步骤包括：
[0020]
当(p
k-p
′
k
)/p
k
≥15％或(p
0-p
′0)/p0≥20％时，输出冷媒泄漏且泄漏等级为一级的第一判断结果；
[0021]
当(p
k-p
′
k
)/p
k
≥10％且(p
0-p
′0)/p0≥15％，输出冷媒泄漏且泄漏等级为二级的第二判断结果；
[0022]
当(p
k-p
′
k
)/p
k
≥10％或(p
0-p
′0)/p0≤15％时，进一步判断热度，当热度大于等于一阈值时，输出冷媒泄漏且泄漏等级为三级的第三判断结果；
[0023]
其中，p
k
为标准冷凝压力值，p0为标准蒸发压力值，p
′
k
为实测冷凝压力值，p
′0为实测蒸发压力值。
[0024]
上述的冷媒泄漏检测方法，其中，所述处理步骤中，根据所述第一判断结果及所述第二判断结果控制所述空调器的压缩机停机，根据所述第三判断结果控制所述空调器的电子膨胀阀开度增加及/或所述空调器的外风机转速增加。
[0025]
上述的冷媒泄漏检测方法，其中，还包括显示步骤，显示输出所述判断结果。
[0026]
本发明还提供一种冷媒泄漏检测系统，其中，包括：
[0027]
标准压力参数获得单元，根据空调器运行时的工况信息参数通过神经网络模型输出标准压力参数；
[0028]
检测单元，在所述空调器运行时实时检测并获得的实测压力参数；
[0029]
控制单元，根据所述标准压力参数与所述实测压力参数获得冷媒是否泄漏的判断结果，所述控制单元还根据所述判断结果对所述空调器进行处理；
[0030]
显示单元，显示输出所述判断结果。
[0031]
上述的冷媒泄漏检测系统，其中，还包括神经网络模型获得单元包括：
[0032]
测试数据输入模块，以不同工况下的工况信息参数作为训练样本，并将所述训练样本划分为训练集和验证集；
[0033]
模型训练模块，通过所述训练集的工况信息参数对所述神经网络模型进行训练；
[0034]
模型验证模块，通过所述验证集的工况信息参数对所述神经网络模型进行验证；
[0035]
模型嵌入模块，将通过验证的所述神经网络模型嵌入所述空调器的控制单元。
[0036]
上述的冷媒泄漏检测系统，其中，所述标准压力参数包括标准冷凝压力值及/或标准蒸发压力值，所述实测压力参数包括实测冷凝压力值及/或实测蒸发压力值，
[0037]
其中，当(p
k-p
′
k
)/p
k
≥15％或(p
0-p
′0)/p0≥20％时，所述控制单元输出冷媒泄漏且泄漏等级为一级的第一判断结果；
[0038]
当(p
k-p
′
k
)/p
k
≥10％且(p
0-p
′0)/p0≥15％，所述控制单元输出冷媒泄漏且泄漏等级为二级的第二判断结果；
[0039]
当(p
k-p
′
k
)/p
k
≥10％或(p
0-p
′0)/p0≤15％时，所述控制单元进一步判断热度，当
热度大于等于一阈值时，所述控制单元输出冷媒泄漏且泄漏等级为三级的第三判断结果；
[0040]
其中，p
k
为标准冷凝压力值，p0为标准蒸发压力值，p
′
k
为实测冷凝压力值，p
′0为实测蒸发压力值，
[0041]
其中，所述控制单元根据所述第一判断结果及所述第二判断结果控制所述空调器的压缩机停机，所述控制单元根据所述第三判断结果控制所述空调器的电子膨胀阀开度增加及/或所述空调器的外风机转速增加。
[0042]
本发明还提供一种空调器，其中，包括：
[0043]
压缩机；
[0044]
外风机；
[0045]
电子膨胀阀；
[0046]
上述中任一项所述的冷媒泄漏检测系统。
[0047]
综上所述，本发明相对于现有技术其功效在于：本发明利用神经网络的预测性，准确计算不同工况的冷凝压力值和蒸发压力值，解决不同工况下参数正常值范围确定不准确的难点；并以冷凝压力值和蒸发压力值两个参数，通过判断偏差程度，判断是否泄漏以及泄漏级别，从而提供更为准确的判断结果，以便于后续处理。
[0048]
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
[0049]
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一简单地介绍，显而易见地，下面描述中的附图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。
[0050]
图1为本发明的冷媒泄漏检测方法的流程图；
[0051]
图2为图1中步骤s1的分步骤流程图；
[0052]
图3为本发明的冷媒泄漏检测方法的应用流程图；
[0053]
图4为本发明的冷媒泄漏检测系统的结构示意图；图5为空调器结构示意图。
[0054]
其中，附图标记为：
[0055]
标准压力参数获得单元：11；
[0056]
检测单元：12；
[0057]
控制单元：13；
[0058]
显示单元：14；
[0059]
神经网络模型获得单元：15
[0060]
测试数据输入模块：151；
[0061]
模型训练模块：152；
[0062]
模型验证模块：153；
[0063]
模型嵌入模块：154。
具体实施方式
[0064]
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。另外，在附图及实施方式中所使用相同或类似标号的元件/构件是用来代表相同或类似部分。
[0066]
关于本文中所使用的“第一”、“第二”、“s1”、“s2”、
…
等，并非特别指称次序或顺位的意思，也非用以限定本发明，其仅为了区别以相同技术用语描述的元件或操作。
[0067]
关于本文中所使用的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本创作。
[0068]
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
[0069]
关于本文中所使用的“及/或”，包括所述事物的任一或全部组合。
[0070]
关于本文中的“多个”包括“两个”及“两个以上”；关于本文中的
ꢀ“
多组”包括“两组”及“两组以上”。
[0071]
关于本文中所使用的用语“大致”、“约”等，用以修饰任何可以微变化的数量或误差，但这些微变化或误差并不会改变其本质。一般而言，此类用语所修饰的微变化或误差的范围在部分实施例中可为20％，在部分实施例中可为10％，在部分实施例中可为5％或是其他数值。本领域技术人员应当了解，前述提及的数值可依实际需求而调整，并不以此为限。
[0072]
某些用以描述本申请的用词将于下或在此说明书的别处讨论，以提供本领域技术人员在有关本申请的描述上额外的引导。
[0073]
神经网络，是指利用工程技术模拟人脑神经的结构和功能的技术，用电子计算机模拟人脑神经元对信息的加工、存储和搜索等活动过程的技术。人工神经网络，是以生物神经网络的结构和基本原理为基础，对其进行抽象和模拟而形成的一种计算模型。其中，应用最多、相对成熟的人工神经网络是bp神经网络。
[0074]
bp神经网络是一种多层前馈神经网络，该神经网络的主要特点是信号从前向后传递，而误差从后往前传递。输入信号从输入层从前向后传递，隐含层对信号进行处理，并传递给下一隐含层，直到传递至输出层为止。在传递过程中，下一层的神经元状态只受前一层神经元状态的影响。对输出层输出的信号进行判断，如果输出信号与期望值的误差不能达到设定误差，则误差转入反向传播，根据误差预测调整网络权值和阈值，并进行下一次计算，直到bp神经网络预测输出与实际值的误差达到期望误差。
[0075]
本发明提供一种冷媒泄漏检测方法。通过训练神经网络模型，基于输入的工况信息参数计算该工况下标准的冷凝压力和蒸发压力，然后与检测的冷凝压力和蒸发压力进行比较，判断冷媒是否泄漏，以下进行具体说明。
[0076]
请参照图1，图1为本发明的冷媒泄漏检测方法的流程图。如图1所示，本发明的冷媒泄漏检测方法，包括：
[0077]
标准压力参数获得步骤s1：根据空调器运行时的工况信息参数通过神经网络模型输出标准压力参数；
[0078]
检测步骤s2：在所述空调器运行时实时检测并获得的实测压力参数；
[0079]
判断步骤s3：根据所述标准压力参数与所述实测压力参数获得冷媒是否泄漏的判断结果；
[0080]
处理步骤s4:根据所述判断结果对所述空调器进行处理；
[0081]
显示步骤s5:显示输出所述判断结果。
[0082]
本发明旨在利用神经网络的预测性，准确计算不同工况的标准压力参数，解决不同工况下参数正常值范围确定不准确的难点，并以实测压力参数，通过判断偏差程度，判断是否泄漏以及泄漏级别，从而提高判断结果的准确性。
[0083]
进一步地，请参照图2，图2为图s1的分步骤流程图。如图2所示，所述标准压力参数获得步骤s1包括：
[0084]
测试数据输入步骤s11：以不同工况下的工况信息参数作为训练样本，并将所述训练样本划分为训练集和验证集；
[0085]
模型训练步骤s12：通过所述训练集的工况信息参数对所述神经网络模型进行训练；
[0086]
模型验证步骤s13：通过所述验证集的工况信息参数对所述神经网络模型进行验证；
[0087]
模型嵌入步骤s14：将通过验证的所述神经网络模型嵌入所述空调器的控制单元。
[0088]
其中，所述标准压力参数包括标准冷凝压力值及/或标准蒸发压力值，所述实测压力参数包括实测冷凝压力值及/或实测蒸发压力值。
[0089]
具体地说，空调器正常冷媒量时，不同工况下，测试冷凝压力值和蒸发压力值。其中，以不同的室外温度、室外湿度、室内温度、室内湿度、设定温度及设定风量作为一个工况。然后，以不同工况下的试验数据作为训练样本，以室外温度、室外湿度、室内温度、室内湿度、设定温度及设定风量作为输入量，以冷凝压力和蒸发压力作为输出量，选取其中一部分样本用于训练神经网络模型，剩余部分用于验证神经网络模型的准确性。然后，将训练好的的神经网络模型，内嵌于控制单元。在空调器实际运行过程中，压缩机运行一定时间后，检测工况参数，并作为输入量输入神经网络模型，神经网络模型根据输入量，计算此工况下的标准冷凝压力值p
k
和标准蒸发压力值p0。
[0090]
再进一步地，所述判断步骤s3包括：
[0091]
当(p
k-p
′
k
)/p
k
≥15％或(p
0-p
′0)/p0≥20％时，输出冷媒泄漏且泄漏等级为一级的第一判断结果；
[0092]
当(p
k-p
′
k
)/p
k
≥10％且(p
0-p
′0)/p0≥15％，输出冷媒泄漏且泄漏等级为二级的第二判断结果；
[0093]
当(p
k-p
′
k
)/p
k
≥10％或(p
0-p
′0)/p0≤15％时，进一步判断热度，当热度大于等于一阈值时，输出冷媒泄漏且泄漏等级为三级的第三判断结果；
[0094]
其中，p
k
为标准冷凝压力值，p0为标准蒸发压力值，p
′
k
为实测冷凝压力值，p
′0为实测蒸发压力值。
[0095]
更进一步地，所述处理步骤s4中，根据所述第一判断结果及所述第二判断结果控制所述空调器的压缩机停机，根据所述第三判断结果控制所述空调器的电子膨胀阀开度增加及/或所述空调器的外风机转速增加。
[0096]
具体地说，检测获得的实测冷凝压力值p
′
k
和实测蒸发压力值p
′0进行比较，当(p
k-p
′
k
)/p
k
≥15％或(p
0-p
′0)/p0≥20％时，判定冷媒肯定发生泄漏，泄漏级别为一级的第一判断结果a，此时控制压缩机保护停机。当不满足此条件时，判断是否满足(p
k-p
′
k
)/p
k
≥10％且(p
0-p
′0)/p0≥15％，仍判定肯定存在冷媒泄漏，判定级别为二级的第二判断结果b，此时控制压缩机也保护停机。当不满此条件时，判断是否满足(p
k-p
′
k
)/p
k
≥10％或(p
0-p
′0)/p0≤15％时，可能存在冷媒泄漏，此时，进一步判断过热度λ≥5是否满足，若满足，判定存在冷媒泄漏，泄漏级别为三级的第三判断结果c。由于此时泄漏量较少，控制电子膨胀阀开度增加，控制外风机转速增加，减小过热度，降低排气温度，增强换热，改善空调性能，否则认定未发生冷媒泄漏。过热度为压缩机回气温度减去内盘温度。当冷凝压力和蒸发压力下降百分比较小时，冷媒可能存在泄漏，当冷媒泄漏时，过热度会增加，当过热度大于5，认定冷媒发生泄漏。泄漏等级a、b、c中，泄漏程度a＞b＞c。
[0097]
本发明旨在利用神经网络的预测性，准确计算不同工况的标准冷凝压力值和标准蒸发压力值，解决不同工况下参数正常值范围确定不准确的难点，并以实测冷凝压力值和实测蒸发压力值两个参数，通过判断偏差程度，判断是否泄漏以及泄漏级别，从而提高判断结果的准确性。
[0098]
请参照图3，图3为本发明的冷媒泄漏检测方法的应用流程图。结合图 3，以一具体事例说明本发明的冷媒泄漏检测方法如下。
[0099]
在实验室内，室外温度从20℃-53℃，每间隔6℃为一个测试点，共取 7个测试点；室外相对湿度从10％-100％，每隔40％取一个测试点，共取3个测试点；室外工况由室外温度和室外相对湿度共组成21个测试点。同理，室内温度从19℃-46℃，每间隔6℃为一个测试点，共取6个测试点；室内相对湿度从10％-100％，每隔40％取一个测试点，共取3个测试点；室内工况由室内温度和室内相对湿度共组成18个测试点。另外，设定温度从16℃ ～30℃，每隔4℃取一个点，共5个点，设定风速取300m3/h-900m3/h，每 300m3/h取一个测试点，共取3个测试点。
[0100]
室内工况、室外工况及风量组成一个空调实际的运行工况，共计 21*18*3*5＝5670个工况点，分别测试该些工况点的冷凝压力和蒸发压力，每个工况下的工况参数、冷凝压力、和蒸发压力作为一个样本点，共计5670 个样本点。
[0101]
其中，选取4000个样本点作为训练集，1670个样本点作为验证集。通过训练集训练神经网络模型，然后通过验证集样本点验证训练得到的神经网络模型是否准确。验证准确可靠后，将模型嵌入控制单元。以上工作为开发阶段，在实验室内完成。以下为用户使用阶段。
[0102]
当用户使用空调时，空调获取室外温度、室外湿度、室内温度、室内湿度、设定温度及设定风量作为实际工况参数，输入到控制单元的神经网络模型，获取标准压力参数。例如，当用户在室外35℃，室外相对湿度50％，室内温度27℃，室内相对湿度50％时，温度设定20℃，开空调设定风选为高风，风量为800m3/h：然后将这6个参数输入神经网络模型，神经网络模型根据输入参数给出标准工况参数，标准冷凝压力为1.85mpa，标蒸发压力为
0.9mpa，而此时实测冷凝压力为1.5mpa，蒸发压力为0.65mpa，则此时(1.85-1.5)/1.85*100％＝18.9％，(0.9-0.65)/0.9*100％＝27.8％，满足条件a，控制单元提示冷媒发生泄漏，空调压缩机保护停机。
[0103]
请参照图4，图4为本发明的冷媒泄漏检测系统的结构示意图。如图4 所示，本发明的冷媒泄漏检测系统包括：
[0104]
标准压力参数获得单元11，根据空调器运行时的工况信息参数通过神经网络模型输出标准压力参数；
[0105]
检测单元12，在所述空调器运行时实时检测并获得的实测压力参数；
[0106]
控制单元13，根据所述标准压力参数与所述实测压力参数获得冷媒是否泄漏的判断结果，所述控制单元还根据所述判断结果对所述空调器进行处理；
[0107]
显示单元14，显示输出所述判断结果。
[0108]
进一步地，冷媒泄漏检测系统还包括神经网络模型获得单元15包括：
[0109]
测试数据输入模块151，以不同工况下的工况信息参数作为训练样本，并将所述训练样本划分为训练集和验证集；
[0110]
模型训练模块152，通过所述训练集的工况信息参数对所述神经网络模型进行训练；
[0111]
模型验证模块153，通过所述验证集的工况信息参数对所述神经网络模型进行验证；
[0112]
模型嵌入模块154，将通过验证的所述神经网络模型嵌入所述空调器的控制单元。
[0113]
需要说明的是，在本实施例中，神经网络模型获得单元15在部署上为外置且独立于冷媒泄漏检测系统的部分，即当冷媒泄漏检测系统部署于空调其中时，神经网络模型获得单元可部署于实验室的主机上，通过神经网络模型获得单元15获得验证后的神经网络模型并将其嵌入控制单元13，但本发明并不以此为限，在其他实施例中，神经网络模型获得单元15也可部署于空调器上。
[0114]
其中，所述标准压力参数包括标准冷凝压力值及/或标准蒸发压力值，所述实测压力参数包括实测冷凝压力值及/或实测蒸发压力值，
[0115]
其中，当(p
k-p
′
k
)/p
k
≥15％或(p
0-p
′0)/p0≥20％时，所述控制单元输出冷媒泄漏且泄漏等级为一级的第一判断结果；
[0116]
当(p
k-p
′
k
)/p
k
≥10％且(p
0-p
′0)/p0≥15％，所述控制单元输出冷媒泄漏且泄漏等级为二级的第二判断结果；
[0117]
当(p
k-p
′
k
)/p
k
≥10％或(p
0-p
′0)/p0≤15％时，所述控制单元进一步判断热度，当热度大于等于一阈值时，所述控制单元输出冷媒泄漏且泄漏等级为三级的第三判断结果；
[0118]
其中，p
k
为标准冷凝压力值，p0为标准蒸发压力值，p
′
k
为实测冷凝压力值，p
′0为实测蒸发压力值，
[0119]
其中，所述控制单元13根据所述第一判断结果及所述第二判断结果控制所述空调器的压缩机停机，所述控制单元13根据所述第三判断结果控制所述空调器的电子膨胀阀开度增加及/或所述空调器的外风机转速增加。
[0120]
请参照图5，图5为空调器结构示意图。如图5所示，本发明的空调器，包括：压缩
机、外风机、电子膨胀阀及上述中任一项所述的冷媒泄漏检测系统，根据冷媒泄漏检测系统获得的冷媒是否泄漏的判断结果，控制压缩机、外风机、电子膨胀阀进行相应动作。
[0121]
综上所述，本发明通过利用神经网络的预测性，准确计算不同工况的冷凝压力值和蒸发压力值，解决不同工况下参数正常值范围确定不准确的难点；并以冷凝压力值和蒸发压力值两个参数，通过判断偏差程度，判断是否泄漏以及泄漏级别，从而提供更为准确的判断结果，以便于后续处理。
[0122]
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击【在线咨询】或添加微信【19522093243】与客服一对一沟通，为大家解决相关问题。