一种结霜检测与热气融霜相结合的智能化制冷方法技术

本发明专利技术提供了一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷系统领域。包括监测点位的布置、监测图像的获取、图像的预处理、构建标签图像数据集、识别模型的构建、识别模型的训练和识别模型的应用；本发明专利技术提供的一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷系统领域，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。适用性等优点。适用性等优点。

【技术实现步骤摘要】
一种结霜检测与热气融霜相结合的智能化制冷方法


[0001]本专利技术涉及一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷系统领域。

技术介绍

[0002]传统制冷系统在操作过程中常常会出现结霜问题，这是由于制冷循环中的蒸发器表面温度低于周围空气中的露点温度，导致水蒸气凝结形成冰霜。结霜不仅会降低制冷系统的效率，还会增加能源消耗，并且可能对设备造成损坏。因此，解决结霜问题成为智能化制冷系统设计中的重要环节。
[0003]在过去的研究中，许多方法被提出用于结霜检测和处理，如基于温度传感器的方法、基于压力变化的方法等。然而，这些方法存在着一些限制，例如无法实时监测结霜情况、误差较大或者需要额外的硬件设备支持。因此，我们需要一种更加准确、可靠的结霜检测方法。另一方面，热气融霜技术作为一种常见的结霜处理手段被广泛应用。该方法通过向结霜表面供应热气，使冰霜迅速融化并排出系统外部。然而，现有的热气融霜方法存在能源消耗大、融霜效率低的问题。因此，我们需要一种更加高效、节能的热气融霜技术。
[0004]为了解决上述问题，本研究将结霜检测与热气融霜相结合，提出了一种智能化制冷系统。该系统利用先进的结霜检测技术实时监测结霜情况，并通过精确控制热气供应来实现快速融霜。通过智能化算法的优化和调节，可以提高制冷系统的效率、减少能源消耗，并且保证用户舒适的使用体验。

技术实现思路

[0005]本专利技术的目的是提供一种结霜检测与热气融霜相结合的智能化制冷方法，适用于制冷系统领域，具有提高能效、节能减排、保护设备、提升用户使用体验和广泛的适用性等优点。
[0006]本专利技术的目的可以通过采取如下技术方案达到：S101，监测点位的布置，所述监测点位的布置，包括在制冷设备规定位置布置红外线图像采集装置，所述规定位置为统一的制冷设备起霜观察位置，所述红外线图像采集装置为高清红外热成像仪，所述图像采集的固定大小为12
×
12cm；S102，监测图像的获取，所述监测图像的获取，包括在制冷设备的使用全流程中按照一定的时间间隔t1采集红外线图像，最终获得大量图像；S103，图像的预处理，所述图像预处理，包括对红外线图像进行图像增强和图像去噪，所述图像增强采用直方图均衡化方法，所述图像去噪采用高斯滤波器，所述高斯滤波器大小范围为5
×
5，所述高斯滤波器标准差为1.5，最终获得处理后的图像，根据处理后的图像构建图像数据集A
{m1，m2,...m
n
}；S104，构建标签图像数据集，所述构建标签图像数据集，包括对每个图像进行图像分类分析，获得标签0或者标签1，根据标签将图像数据集A{m1，m2,...m
n
}分割为标签0的数据集A0{m1，m2,...m
i
}和标签1的数据集A1{m1，m2,...m
j
}，所述图像分类分析的步骤为：a）选择图像数据集A{m1，m2,...m
n
}中一个图像m
k
，b）采用自适应阈值法对图像m
k
进行结霜区域分割获得分割后图像m
k1
，计算图像m
k
的像素点个数N
k
，计算分割后图像m
k1
的像素点个数N
k1
，c）计算像素比f，如果f≤10%则赋予图像m
k
标签0，如果f>10%则赋予图像m
k
标签1，所述像素比f的计算公式为式（1），
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）d）循环进行步骤a
‑
步骤c直到图像数据集A{m1，m2,...m
n
}中每个图像都获得标签；S105，识别模型的构建，所述识别模型的构建，包括构建卷积神经网络图像识别模型，所述卷积神经网络图像识别模型包括4个卷积层、4个池化层、5
×
5个卷积层提取特征的卷积核和2个全连接层组成，所述卷积神经网络图像识别模型采用分段式线性激活函数作为卷积神经网络的激活函数，所述卷积神经网络图像识别模型使用交叉熵损失函数来量化 卷积神经网络图像识别模型的准确性；S106，识别模型的训练，所述识别模型的训练，包括基于标签0的数据集A0{m1，m2,...m
i
}和标签1的数据集A1{m1，m2,...m
j
}对卷积神经网络图像识别模型进行训练，训练迭代轮数设置为5000，最终获得训练后的卷积神经网络图像识别模型；S107，识别模型的应用，所述识别模型的应用，包括将训练后卷积神经网络图像识别模型应用到制冷设备霜冻检测中，所述应用的步骤为：a）制冷设备以固定的时间间隔t1采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像；b）将预处理后图像输入训练后的卷积神经网络图像识别模型获得标签0或者标签1；c）当获得标签0时不做任何处理继续制冷，不再进行下一步骤；d）当获得标签1时则启动热气融霜系统，所述热气融霜系统包括蒸发装置、供液电磁阀、先导式控制阀、热气电磁阀、电磁控制阀、气动电磁阀、旁通电磁阀、控制管、供液主管和回气主管，所述启动热气融霜系统包括以下步骤：d1）关闭供液电磁阀，并使蒸发装置继续运转以抽空蒸发装置中的制冷剂，所述蒸发装置继续运转2
‑
10分钟；d2）开启先导式控制阀、热气电磁阀及电磁控制阀，部分热气通入控制管以关闭气动电磁阀，部分热气对所述蒸发装置进行融霜；d3）当所述蒸发装置达到设定温度时，关闭所述先导式控制阀、所述热气电磁阀及所述电磁控制阀，保持所述供液电磁阀和所述气动电磁阀的关闭状态，打开旁通电磁阀；使所述蒸发装置内的压力通过所述旁通电磁阀释放，直至所述蒸发装置内的压力降低至低压
系统的压力范围内，所述热气融霜系统的供液主管和回气主管连接于一低压循环桶，当所述蒸发装置内的压力与所述低压循环桶内的压力的压力差低于1.25bar，完成融霜；e）重新打开所述供液电磁阀和所述气动电磁阀，关闭所述旁通电磁阀，使所述蒸发装置继续制冷；f）采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理图像，循环执行步骤b
‑
f。
[0007]进一步的上述S107中，所述热气融霜系统包括多个并联使用的蒸发装置，所述热气融霜系统包括一供液主管和一回气主管，所述供液主管上分流出若干条供液支管对应连接多个并联使用的所述蒸发装置；每一所述蒸发装置均连接有回气支管，所有的所述回气支管汇流到所述回气主管上，所述供液支管上设有供液电磁阀和第一止回阀，所述回气支管上设有常开的气动电磁阀，该气动电磁阀上并联有通径小于所述气动电磁阀的旁通电磁阀，所述热气融霜系统还包括一热气主管，所述热气主管上设有先导式控制阀，所述热气主管上分流出若干条对应多个回气支管的热气支管，所述热气支管一端连接于热气主管，另一端连接于所述气动电磁阀和每一所述蒸发装置之间的回气支管上，所述热气支管上设有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结霜检测与热气融霜相结合的智能化制冷方法，其特征在于，所述方法包含以下步骤：1）监测点位的布置；2）监测图像的获取；3）图像的预处理；4）构建标签图像数据集；5）识别模型的构建；6）识别模型的训练；7）识别模型的应用；所述监测点位的布置，包括在制冷设备规定位置布置红外线图像采集装置，所述规定位置为统一的制冷设备起霜观察位置，所述红外线图像采集装置为高清红外热成像仪，所述图像采集的固定大小为12
×
12cm；所述监测图像的获取，包括在制冷设备的使用全流程中按照一定的时间间隔t1采集红外线图像，最终获得大量图像；所述图像预处理，包括对红外线图像进行图像增强和图像去噪，所述图像增强采用直方图均衡化方法，所述图像去噪采用高斯滤波器，所述高斯滤波器大小范围为5
×
5，所述高斯滤波器标准差为1.5，最终获得处理后的图像，根据处理后的图像构建图像数据集A{m1，m2,...m
n
}；所述构建标签图像数据集，包括对每个图像进行图像分类分析，获得标签0或者标签1，根据标签将图像数据集A{m1，m2,...m
n
}分割为标签0的数据集A0{m1，m2,...m
i
}和标签1的数据集A1{m1，m2,...m
j
}，所述图像分类分析的步骤为：a）选择图像数据集A{m1，m2,...m
n
}中一个图像m
k
；b）采用自适应阈值法对图像m
k
进行结霜区域分割获得分割后图像m
k1
，计算图像m
k
的像素点个数N
k
，计算分割后图像m
k1
的像素点个数N
k1
；c）计算像素比f，如果f≤10%则赋予图像m
k
标签0，如果f>10%则赋予图像m
k
标签1，所述像素比f的计算公式为式（1）；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）d）循环进行步骤a
‑
步骤c直到图像数据集A{m1，m2,...m
n
}中每个图像都获得标签；所述识别模型的构建，包括构建卷积神经网络图像识别模型，所述卷积神经网络图像识别模型包括4个卷积层、4个池化层、5
×
5个卷积层提取特征的卷积核和2个全连接层组成，所述卷积神经网络图像识别模型采用分段式线性激活函数作为卷积神经网络的激活函数，所述卷积神经网络图像识别模型使用交叉熵损失函数来量化卷积神经网络图像识别模型的准确性；所述识别模型的训练，包括基于标签0的数据集A0{m1，m2,...m
i
}和标签1的数据集A1{m1，m2,...m
j
}对卷积神经网络图像识别模型进行训练，训练迭代轮数设置为5000，最终获得训练后的卷积神经网络图像识别模型；所述识别模型的应用，包括将训练后卷积神经网络图像识别模型应用到制冷设备霜冻检测与处理中，所述识别模型的应用步骤为：
a）制冷设备以固定的时间间隔t1采用红外线图像采集装置获得红外线图像，对红外线图像进行预处理获得预处理...

【专利技术属性】
技术研发人员：龚千，严宝会，晏朋，罗立勃，
申请(专利权)人：广州冰泉制冷设备有限责任公司，
类型：发明
国别省市：