用于使用人工智能模型控制可变制冷剂流量系统和设备的系统和方法技术方案

本发明专利技术公开了一种用于加热、通风或空气调节(HVAC)设备的油管理控制器。所述控制器包含处理电路。所述处理电路被配置成使用机器学习模型来分析所述HVAC设备的操作数据，以预测所述HVAC设备所使用的油的可变状态或条件。所述处理电路被配置成基于所述油的所述可变状态或条件来识别油量不足。所述处理电路被配置成响应于识别到所述油量不足而自动发起校正动作。作。作。

【技术实现步骤摘要】
【国外来华专利技术】用于使用人工智能模型控制可变制冷剂流量系统和设备的系统和方法

技术介绍

[0001]本公开总体上涉及操作建筑设备的领域，并且更具体地涉及使用人工智能来预测建筑设备的状态。
[0002]为了使建筑设备(例如，加热、通风或空气调节(HVAC)设备)有效操作并使建筑设备的退化最小化，应监测并考虑建筑设备的各种操作条件。然而，传统的建筑系统使得许多操作条件未得到监测，这可能导致建筑设备快速退化并且随着时间的推移成本增加。

技术实现思路

[0003]本公开的一个实施例是一种用于加热、通风或空气调节(HVAC)设备的油管理控制器。所述控制器包含处理电路。所述处理电路被配置成使用机器学习模型来分析所述HVAC设备的操作数据，以预测所述HVAC设备所使用的油的可变状态或条件。所述处理电路被配置成基于所述油的所述可变状态或条件来识别油量不足。所述处理电路被配置成响应于识别到所述油量不足而自动发起校正动作。
[0004]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中所述油的量。识别到所述油量不足包含确定所述HVAC设备中所述油的所述量小于阈值量。所述校正动作包含向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油的所述量。
[0005]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度。识别到所述油量不足包含确定所述油
‑
制冷剂混合物的所述粘度小于阈值粘度。所述校正动作包含向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油
‑
制冷剂混合物的所述粘度。
[0006]在一些实施例中，所述HVAC设备可以不同的操作速度操作。所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度。所述校正动作包含基于所述油
‑
制冷剂混合物的所述粘度设定所述HVAC设备的操作速度的上限。
[0007]在一些实施例中，所述HVAC设备联接到制冷剂回路，所述制冷剂回路使油
‑
制冷剂混合物在所述HVAC设备与联接到所述制冷剂回路的一个或多个其它装置之间循环。所述校正动作包含操作所述HVAC设备以使所述油
‑
制冷剂混合物在所述制冷剂回路内循环，并由此使所述油从所述一个或多个其它装置返回到所述HVAC设备。
[0008]在一些实施例中，所述机器学习模型是具有输入层、一个或多个隐藏层和输出层的卷积神经网络(CNN)模型。分析所述操作数据包含将所述操作数据作为输入提供给所述CNN模型的所述输入层，并在所述CNN模型的所述输出层处获得对所述油的所述可变状态或条件的预测。
[0009]在一些实施例中，所述机器学习模型是递归神经网络(RNN)模型。分析所述操作数据包含将所述操作数据的值的时间序列作为输入提供给所述RNN模型，并获得对所述油的所述可变状态或条件的预测作为所述RNN模型的输出。
[0010]在一些实施例中，所述处理电路被配置成使用从模拟模型获得的一组训练数据来
生成所述机器学习模型。
[0011]本公开的另一个实施例是一种用于使用机器学习模型来操作加热、通风或空气调节(HVAC)设备的方法。所述方法包含获得指示影响所述HVAC设备所使用的油的条件和所述油的可变状态或条件的训练数据；所述方法包含通过基于所述训练数据执行训练过程来生成所述机器学习模型。所述机器学习模型被训练成基于影响所述油的所述条件来预测所述油的所述可变状态或条件。所述方法包含使用所述机器学习模型来预测所述油的所述可变状态或条件是否违反阈值。所述方法包含响应于预测到所述油的所述可变状态或条件违反所述阈值而自动发起校正动作。
[0012]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中所述油的量。所述阈值是所述HVAC设备中所述油的所述量的最小阈值。所述校正动作包含向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油的所述量。
[0013]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度。所述阈值是所述油
‑
制冷剂混合物的所述粘度的最小阈值。所述校正动作包含向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油
‑
制冷剂混合物的所述粘度。
[0014]在一些实施例中，所述HVAC设备可以不同的操作速度操作。所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度。所述校正动作包含基于所述油
‑
制冷剂混合物的所述粘度设定所述HVAC设备的操作速度的上限。
[0015]在一些实施例中，所述HVAC设备联接到制冷剂回路，所述制冷剂回路使油
‑
制冷剂混合物在所述HVAC设备与联接到所述制冷剂回路的一个或多个其它装置之间循环。所述校正动作包含操作所述HVAC设备以使所述油
‑
制冷剂混合物在所述制冷剂回路内循环，并由此使所述油从所述一个或多个其它装置返回到所述HVAC设备。
[0016]在一些实施例中，所述机器学习模型是具有输入层、一个或多个隐藏层和输出层的卷积神经网络(CNN)模型。使用所述机器学习模型来确定所述油的所述可变状态或条件是否违反约束包含将操作数据作为输入提供给所述CNN模型的所述输入层，并在所述CNN模型的输出层处获得对所述油的所述可变状态或条件的预测。
[0017]在一些实施例中，所述机器学习模型是递归神经网络(RNN)模型。使用所述机器学习模型来确定所述油的所述可变状态或条件是否违反约束包含将操作数据的值的时间序列作为输入提供给所述RNN模型，并获得对所述油的所述可变状态或条件的预测作为所述RNN模型的输出。
[0018]在一些实施例中，获得所述训练数据包含获得模拟所述HVAC设备的操作和所述油的所述可变状态或条件随时间的变化的模拟模型。获得所述训练数据包含执行所述模拟模型以生成所述训练数据。
[0019]本公开的另一个实施例是用于建筑物的环境控制系统。所述系统包含加热、通风或空气调节(HVAC)设备，所述HVAC设备可操作以影响所述建筑物的环境条件。所述系统包含控制器，所述控制器包含处理电路。所述处理电路被配置成使用机器学习模型来分析所述HVAC设备的操作数据，以预测所述HVAC设备所使用的油的可变状态或条件。所述处理电路被配置成基于所述油的所述可变状态或条件来识别油量不足。所述处理电路被配置成响应于识别到所述油量不足而自动发起校正动作。
[0020]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中所述油的量。
识别到所述油量不足包含确定所述HVAC设备中所述油的所述量小于阈值量。所述校正动作包含向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油的所述量。
[0021]在一些实施例中，所述油的所述可变状态或条件是所述HVAC设备中油本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于加热、通风或空气调节(HVAC)设备的油管理控制器，所述控制器包括处理电路，所述处理电路被配置成：使用机器学习模型来分析所述HVAC设备的操作数据，以预测所述HVAC设备所使用的油的可变状态或条件；基于所述油的所述可变状态或条件来识别油量不足；并且响应于识别到所述油量不足而自动发起校正动作。2.根据权利要求1所述的油管理控制器，其中：所述油的所述可变状态或条件是所述HVAC设备中所述油的量；识别到所述油量不足包括确定所述HVAC设备中所述油的所述量小于阈值量；并且所述校正动作包括向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油的所述量。3.根据权利要求1所述的油管理控制器，其中：所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度；识别到所述油量不足包括确定所述油
‑
制冷剂混合物的所述粘度小于阈值粘度；并且所述校正动作包括向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油
‑
制冷剂混合物的所述粘度。4.根据权利要求1所述的油管理控制器，其中：所述HVAC设备能以多种不同的操作速度操作；所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度；并且所述校正动作包括基于所述油
‑
制冷剂混合物的所述粘度设定所述HVAC设备的操作速度的上限。5.根据权利要求1所述的油管理控制器，其中：所述HVAC设备联接到制冷剂回路，所述制冷剂回路使油
‑
制冷剂混合物在所述HVAC设备与联接到所述制冷剂回路的一个或多个其它装置之间循环；并且所述校正动作包括操作所述HVAC设备以使所述油
‑
制冷剂混合物在所述制冷剂回路内循环，并由此使所述油从所述一个或多个其它装置返回到所述HVAC设备。6.根据权利要求1所述的油管理控制器，其中：所述机器学习模型是具有输入层、一个或多个隐藏层和输出层的卷积神经网络(CNN)模型；并且分析所述操作数据包括将所述操作数据作为输入提供给所述CNN模型的所述输入层，并在所述CNN模型的所述输出层处获得对所述油的所述可变状态或条件的预测。7.根据权利要求1所述的油管理控制器，其中：所述机器学习模型是递归神经网络(RNN)模型；并且分析所述操作数据包括将所述操作数据的值的时间序列作为输入提供给所述RNN模型，并获得对所述油的所述可变状态或条件的预测作为所述RNN模型的输出。8.根据权利要求1所述的油管理控制器，所述处理电路被配置成使用从模拟模型获得的一组训练数据来生成所述机器学习模型。9.一种用于使用机器学习模型来操作加热、通风或空气调节(HVAC)设备的方法，所述
方法包括：获得指示影响所述HVAC设备所使用的油的条件和所述油的可变状态或条件的训练数据；通过基于所述训练数据执行训练过程来生成所述机器学习模型，所述机器学习模型被训练成基于影响所述油的所述条件来预测所述油的所述可变状态或条件；使用所述机器学习模型来预测所述油的所述可变状态或条件是否违反阈值；以及响应于预测到所述油的所述可变状态或条件违反所述阈值而自动发起校正动作。10.根据权利要求9所述的方法，其中：所述油的所述可变状态或条件是所述HVAC设备中所述油的量；所述阈值是所述HVAC设备中所述油的所述量的最小阈值；并且所述校正动作包括向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油的所述量。11.根据权利要求9所述的方法，其中：所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度；所述阈值是所述油
‑
制冷剂混合物的所述粘度的最小阈值；并且所述校正动作包括向所述HVAC设备提供更多的油，以增加所述HVAC设备中所述油
‑
制冷剂混合物的所述粘度。12.根据权利要求9所述的方法，其中：所述HVAC设备能以多种不同的操作速度操作；所述油的所述可变状态或条件是所述HVAC设备中油
‑
制冷剂混合物的粘度；并且所述校正动作包括基于所述油
‑
制冷剂混合物的所述粘度设定所述HVAC设备的操作速度的上限。13.根据权利要求9所述的方法，其中：所述HVAC设备联接到制冷剂回路，所述制冷剂回路使油
‑
制冷剂混合物在所述HVAC设备与联接到所述制冷剂回路的一个或多个其它装置之间循环；并且所述校正动作包括操作所述HVAC设备以使所述油
‑
制冷剂混合物在所述制冷剂回路内循环，并由此使所述油从所述一个或多个其它装置返回到所述HVAC设备。14.根据权利要求9所述的方法，其中：所述机器学习模型是具有输入层、一个或多个隐藏层和输出层的卷积神经网络(CNN)模型；并且使用所述机器学习模型来确定所述油的所述可变状态或条件是否违反约束包括将操作数据作为输入提供给所述CNN模型的所述输入层，并在所述CNN模型的所述输出层处获得对所述油的所述可变状态或条件的预测。15.根据权利要求9所述的方法，其中：所述机器学习模型是递归神经网络(RNN)模型；并且使用所述机器学习模型来确定所述油的所述可变状态或条件是否违反约束包括将操作数据的值的时间序列作为输入提供给所述RNN模型，并获得对所述油的所述可变状态或条件的预测作为所述RNN模型的输出。16.根据权利要求9所述的方法，其中获得所述训练数据包括：
获得模拟所述HVAC设备的操作和所述油的所述可变状态或条件随时间的变化的模拟模型；以及执行所述模拟模型以生成所述训练数据。17.一种用于建筑物的环境控制系统，所述系统包括：加热、通风或空气调节(HVAC)设备，所述HVAC设备能操作以影响所述建筑物的环境条件；控制器，所述控制器包括处理电路，所述处理电路被配置成：使用机器学...

【专利技术属性】
技术研发人员：杨黎明，罗伯特，
申请(专利权)人：江森自控泰科知识产权控股有限责任合伙公司，
类型：发明
国别省市：