System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及热泵除霜控制,特别涉及空气源热泵除霜控制方法以及空气源热泵除霜控制系统。
技术介绍
1、空气源热泵作为一种节能环保、高效安全的供暖冷设备在全国各地被广泛使用,它以空气作为热源,可以将低温热源流向高温热源,因此其安装方便、成本低。但是由于冬季空气中湿度较高,空气源热泵蒸发器内制冷剂会吸收空气中的热量来提升水温,当蒸发器表面温度低于零度就会造成结霜;结霜将会影响空气流通量,翅片换热系数降低,从而导致系统换热性能变差;并且随着结霜层越来越厚,室外空气与制冷剂传热热阻会越来越大,蒸发温度下降、使得压缩机吸气压力下降,导致压缩机能耗增加,严重时机组停机,会减少压缩机的使用寿命。
2、当前使用比较多的除霜控制方法是定时除霜、时间-温度法、模糊智能控制除霜法等。
3、上述方法一般都是通过温度传感器测量盘管温度,成本低但是容易出现“有霜不除”或“无霜误除”现象。因此需要一种可以按需除霜的控制方法。
技术实现思路
1、本专利技术的目的在于克服已有技术中存在的不足,从而提供空气源热泵除霜控制方法以及空气源热泵除霜控制系统,实现对于空气源热泵的结霜故障诊断,并按需进行除霜。该技术方案如下:
2、一方面,提供了一种空气源热泵除霜控制方法,该方法应用于计算机设备中,该方法包括:
3、获取风机振动信号,风机振动信号为热泵系统在工作过程中对目标热泵采集得到的振动信号;
4、对风机振动信号进行频谱分析,得到振动信号频谱分析结果;
6、对降噪后的振动信号频谱分析结果进行小波包分解与重构,得到振动信号特征向量;
7、将振动信号特征向量输入结霜故障诊断模型中,输出得到与目标热泵对应的结霜故障诊断结果,结霜故障诊断模型为人工智能模型;
8、根据结霜故障诊断结果生成除霜控制信号,除霜控制信号用于对目标热泵执行除霜控制操作。
9、在一个可选的实施例中,风机振动信号中包括至少两组传感器采集到的;
10、对风机振动信号进行频谱分析,得到振动信号频谱分析结果,包括:
11、对至少两组传感器采集得到的风机振动信号进行傅里叶变换,得到与风机振动信号对应的振动频谱图;
12、获取与风机振动信号对应的传感器相关的故障特征频率;
13、将振动频谱图表征的信号频率与故障特征频率进行比对,得到故障振动信号频谱分析结果。
14、在一个可选的实施例中,通过小波阈值降噪对振动信号频谱分析结果进行预处理,得到降噪后的振动信号频谱分析结果,包括:
15、选取小波基函数以及小波分解层数;
16、基于小波基函数以及小波分解层数,对振动信号频谱分析结果中的一维振动信号进行小波分解,得到低频系数以及高频系数;
17、确定高频系数阈值以及低频系数层数;
18、基于高频系数阈值对高频系数进行量化处理,得到量化高频系数;
19、基于低频系数层数确定与量化高频系数对应的低频系数;
20、基于量化高频系数以及低频系数对振动信号频谱分析结果进行小波重构,得到降噪后的振动信号频谱分析结果。
21、在一个可选的实施例中,对降噪后的振动信号频谱分析结果进行小波包分解与重构,得到振动信号特征向量,包括:
22、利用小波函数对降噪后的振动信号频谱分析结果进行小波包分解,得到与降噪后的振动信号频谱分析结果对应的小波系数,小波系数的数量与降噪后的振动信号频谱分析结果的子频带数量对应;
23、对小波系数进行重构,得到与子频带对应的重构信号;
24、根据能量积分等式,确定与子频带对应的重构信号能量;
25、对子频带对应的重构能量信号进行汇总以及归一化处理,得到振动信号特征向量。
26、在一个可选的实施例中,结霜故障诊断模型为基于长短期记忆(long short-termmemory,lstm)神经网络的人工智能模型;
27、结霜故障诊断模型包括依次连接的输入门、遗忘门以及输出门。
28、在一个可选的实施例中,该方法还包括:
29、构建初始结霜故障诊断模型;
30、获取训练样本集以及测试样本集,训练样本集中包括至少两组训练振动信号特征向量,测试样本集中包括至少两组测试振动信号特征向量,测试振动信号特征量标注有样本结霜故障诊断结果;
31、通过训练样本集以及测试样本集对初始结霜故障诊断模型进行训练,得到结霜故障诊断模型。
32、在一个可选的实施例中,通过训练样本集以及测试样本集对初始结霜故障诊断模型进行训练,得到结霜故障诊断模型,包括:
33、通过训练样本集中的训练振动信号特征向量对初始结霜故障诊断模型进行训练;
34、将测试样本集输入训练后的初始结霜故障诊断模型,得到测试结霜故障诊断结果;
35、响应于测试结霜故障诊断结果与样本结霜故障诊断结果的差异小于差异阈值,得到结霜故障诊断模型。
36、在一个可选的实施例中,该方法还包括:
37、响应于所述结霜故障诊断结果指示所述目标热泵不存在结霜故障,生成无故障反馈信号,所述无故障反馈信号用于指示所述目标热泵的工作状态正常。
38、另一方面,提供了一种空气源热泵除霜控制系统,该空气源热泵除霜控制系统中包括计算机设备,所述计算机设备用于如上任一所述的空气源热泵除霜控制系统。
39、本专利技术提供的技术方案带来的有益效果至少包括:
40、在获取与目标热泵对应的风机振动信号后,通过对于风机振动信号进行频谱分析,并预处理后提取特征的方式,结合人工智能模型的分析手段,采用组合算法对空气源热泵的振动状态所表征出的结霜故障情况进行准确、迅速的判断,对于空气源热泵的结霜故障诊断,并结合除霜控制信号,按需进行除霜。
本文档来自技高网...【技术保护点】
1.一种空气源热泵除霜控制方法,其特征在于,所述方法应用于计算机设备当中,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述风机振动信号中包括至少两组传感器采集到的;
3.根据权利要求1所述的方法,其特征在于,所述通过小波阈值降噪对所述振动信号频谱分析结果进行预处理,得到降噪后的振动信号频谱分析结果,包括:
4.根据权利要求3所述的方法,其特征在于,所述对所述降噪后的振动信号频谱分析结果进行小波包分解与重构,得到振动信号特征向量,包括:
5.根据权利要求1所述的方法,其特征在于,所述结霜故障诊断模型为基于长短期记忆LSTM神经网络的人工智能模型;
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
7.根据权利要求6所述的方法,其特征在于,所述通过所述训练样本集以及所述测试样本集对所述初始结霜故障诊断模型进行训练,得到所述结霜故障诊断模型,包括:
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
9.一种空气源热泵除霜控制系统,其特征在于,所述空气源热泵除
...【技术特征摘要】
1.一种空气源热泵除霜控制方法,其特征在于,所述方法应用于计算机设备当中,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述风机振动信号中包括至少两组传感器采集到的;
3.根据权利要求1所述的方法,其特征在于,所述通过小波阈值降噪对所述振动信号频谱分析结果进行预处理,得到降噪后的振动信号频谱分析结果,包括:
4.根据权利要求3所述的方法,其特征在于,所述对所述降噪后的振动信号频谱分析结果进行小波包分解与重构,得到振动信号特征向量,包括:
5.根据权利要求1所述的方法,其特征在于,所...
【专利技术属性】
技术研发人员:张慧,董亚倩,蔡正峰,秦盛昌,张惟,
申请(专利权)人:无锡同方人工环境有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。