基于神经网络检测室外机中风扇异常的检测方法技术

本发明专利技术涉及一种基于神经网络检测室外机中风扇异常的检测方法，所述方法包括：获取振动传感器收集的第一振动数据，其中振动传感器用于监测风扇的震动；将所述第一振动数据输入至自适应滤波器中，得到第二振动数据；将所述第二振动数据输入至已训练好的神经网络模型中，得到风扇状况。在实施本发明专利技术的技术方案中，该系统通过神经网络模型处理振动传感器收集风扇的震动数据，从而准确地判断出风扇的工作状态。这种方法能够实现对风扇的实时监控和故障预警，大大提高了对风扇故障的预见性，为风扇的维修和保养提供了依据，从而极大地提高了风扇的使用寿命和运行效率，减少了因风扇故障导致的停机时间和维修成本，提高了系统的整体稳定性和运行效率。稳定性和运行效率。稳定性和运行效率。

【技术实现步骤摘要】
基于神经网络检测室外机中风扇异常的检测方法


[0001]本专利技术涉及空调领域，具体提供一种基于神经网络检测室外机中风扇异常的检测方法。

技术介绍

[0002]随着空调使用年限的时长，所以室外机存在故障的概率越来越高，而室外机中风扇则是最容易出问题的部件。
[0003]由于空调的长期使用，及室外环境的变化性，造成室外机轴流风扇扇叶有污染物的堆积附着，或风扇叶片的损坏，造成风扇转动异常，引起空调异常音或异常振动，影响了用户体验。但是现有技术中，没有技术能够对室外机的风扇进行有效的监控。
[0004]相应地，本领域需要一种新的室外机中风扇异常的检测方法方案来解决上述问题。

技术实现思路

[0005]为了克服上述缺陷，提出了本专利技术，以提供解决或至少部分地解决现有技术中的室外机风扇不能有效监控的问题。
[0006]在第一方面，本专利技术提供一种基于神经网络检测室外机中风扇异常的检测方法，所述方法包括：获取振动传感器收集的第一振动数据，其中所述振动传感器用于监测风扇的震动；将所述第一振动数据输入至自适应滤波器中，得到第二振动数据；将所述第二振动数据输入至已训练好的神经网络模型中，得到风扇状况。
[0007]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述自适应滤波器为卡尔曼滤波器。
[0008]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述将所述第二振动数据输入至已训练好的神经网络模型中，得到风扇状况，包括：对所述第二振动数据进行特征提取，得到震动特征向量；基于所述震动特征向量以及已训练好的震动预测神经网络模型中，得到风扇状况。
[0009]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述震动预测神经网络模型为长短期记忆神经网络。
[0010]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述对所述第二振动数据进行特征提取，得到震动特征向量，包括：对第二振动数据进行时域特征分析，得到震动时域向量；对振动数据进行傅里叶变换得到其频域特征，并对所述频域特征分析，得到震动频域向量；基于所述震动时域向量以及所述震动频域向量，得到震动特征向量。
[0011]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，所述基于所述震动特征向量以及已训练好的震动预测神经网络模型中，得到风扇状况，包括：对所述震动特征向量进行数据标准化，得到标准化特征向量；将所述标准化特征向量输入至已训练好的震动预测神经网络模型中，得到风扇状况。
[0012]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，
[0013]作为以上方案的替代或补充，在根据本专利技术一实施例的方法中，还包括：若风扇状况为异常，则启动报警程序。
[0014]在第二方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条计算机程序，所述计算机程序适于由所述处理器加载并运行以执行上述基于神经网络检测室外机中风扇异常的检测方法的技术方案中任一项技术方案所述的基于神经网络检测室外机中风扇异常的检测方法。
[0015]在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条计算机程序，所述计算机程序适于由处理器加载并运行以执行上述基于神经网络检测室外机中风扇异常的检测方法的技术方案中任一项技术方案所述的基于神经网络检测室外机中风扇异常的检测方法。
[0016]在第四方面，提供一种空调室外机，包括：固设在室外机内部的振动传感器以及控制装置；其中所述振动传感器用于收集振动数据；其中所述控制装置运行并执行上述基于神经网络检测室外机中风扇异常的检测方法的技术方案中任一项技术方案所述的基于神经网络检测室外机中风扇异常的检测方法。
[0017]本专利技术上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0018]在实施本专利技术的技术方案中，该系统利用振动传感器收集风扇的震动数据，通过自适应滤波器预处理震动数据，消除噪声和干扰，得到更准确的震动信息。然后，将经过预处理的震动数据输入到已训练好的神经网络模型中，该模型能够有效地识别出震动数据中隐藏的复杂模式，准确地判断出风扇的工作状态。这种方法能够实现对风扇的实时监控和故障预警，大大提高了对风扇故障的预见性，为风扇的维修和保养提供了依据，从而极大地提高了风扇的使用寿命和运行效率，减少了因风扇故障导致的停机时间和维修成本，提高了系统的整体稳定性和运行效率。
附图说明
[0019]参照附图，本专利技术的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本专利技术的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
[0020]图1是根据本专利技术的一个实施例的基于神经网络检测室外机中风扇异常的检测方法的主要步骤流程示意图；
[0021]图2是根据本专利技术的一个实施例的基于神经网络检测室外机中风扇异常的检测方法的次要步骤流程示意图；
[0022]图3是根据本专利技术的一个实施例的基于神经网络检测室外机中风扇异常的检测方法的次要步骤流程示意图。
具体实施方式
[0023]下面参照附图来描述本专利技术的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本专利技术的技术原理，并非旨在限制本专利技术的保护范围。
[0024]在本专利技术的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如计算机程序，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储计算机程序的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
[0025]参阅附图1，图1是根据本专利技术的一个实施例的基于神经网络检测室外机中风扇异常的检测方法的主要步骤流程示意图。如图1所示，本专利技术实施例中的基于神经网络检测室外机中风扇异常的检测方法主要包括下列步骤S10
‑
步骤S30。
[0026]步骤S10：获取振动传感器收集的第一振动数据。
[0027]在本实施例中，振动传感器用于监测风扇的震动，其中收集到的数据为第一振动数据。
[0028]一个实施方式中，振动传感器可以是加速度计、速度计、位移传感器或者其他类型的传感器，其主要功能是将风扇的物理震动转化为可读的电信号，从而为系统提供原始的振动数据。
[0029]为了获取更准确的震动数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络检测室外机中风扇异常的检测方法，其特征在于，包括：获取振动传感器收集的第一振动数据，其中所述振动传感器用于监测风扇的震动；将所述第一振动数据输入至自适应滤波器中，得到第二振动数据；将所述第二振动数据输入至已训练好的神经网络模型中，得到风扇状况。2.根据权利要求1所述的基于神经网络检测室外机中风扇异常的检测方法，其特征在于，所述自适应滤波器为卡尔曼滤波器。3.根据权利要求1所述的基于神经网络检测室外机中风扇异常的检测方法，其特征在于，所述将所述第二振动数据输入至已训练好的神经网络模型中，得到风扇状况，包括：对所述第二振动数据进行特征提取，得到震动特征向量；基于所述震动特征向量以及已训练好的震动预测神经网络模型中，得到风扇状况。4.根据权利要求3所述的基于神经网络检测室外机中风扇异常的检测方法，其特征在于，所述震动预测神经网络模型为长短期记忆神经网络。5.根据权利要求3所述的基于神经网络检测室外机中风扇异常的检测方法，其特征在于，所述对所述第二振动数据进行特征提取，得到震动特征向量，包括：对第二振动数据进行时域特征分析，得到震动时域向量；对振动数据进行傅里叶变换得到其频域特征，并对所述频域特征分析，得到震动频域向量；基于所述震动时域向量以及所述震动频域向量...

【专利技术属性】
技术研发人员：蔡泽瑶，荆涛，马振豪，
申请(专利权)人：青岛海尔空调电子有限公司青岛海尔智能技术研发有限公司海尔智家股份有限公司，
类型：发明
国别省市：