冷媒檢測方法、裝置、除濕機及設備與流程

冷媒檢測方法、裝置、除濕機及設備與流程

　　本發(fā)明涉及電器技術(shù)領(lǐng)域，尤其涉及一種冷媒檢測方法、裝置、除濕機及設備。

　　背景技術(shù)：

　　目前，冷媒檢測方法是基于專(zhuān)家經(jīng)驗，在觀(guān)察和研究機器實(shí)際運行參數的基礎上制定的。雖然這種方法取得了不錯的效果，但是由于如除濕機這類(lèi)基于冷媒的設備內部結構復雜，運行過(guò)程中各狀態(tài)量之間的耦合關(guān)系和變化規律難以完全掌握，且專(zhuān)家經(jīng)驗存在一定的主觀(guān)性等原因，導致控制規則復雜，泛化能力有待提升?，F有冷媒檢測判斷邏輯中存在判斷單一、適應性差的缺陷。

　　技術(shù)實(shí)現要素：

　　本發(fā)明的主要目的在于克服上述現有技術(shù)的缺陷，提供了一種冷媒檢測方法、裝置、除濕機及設備，以解決現有技術(shù)的冷媒檢測方法主觀(guān)性強、泛化能力和適應性差的問(wèn)題。

　　本發(fā)明一方面提供了一種冷媒檢測方法，包括：收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建立神經(jīng)網(wǎng)絡(luò )模型，將所述收集到的運行參數作為輸入值，輸出結果冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

　　可選地，還包括：在所述冷媒比例小于等于預設的比例閾值時(shí)判斷為冷媒余量不足。

　　可選地，所述神經(jīng)網(wǎng)絡(luò )模型包括：bp神經(jīng)網(wǎng)絡(luò )模型、卷積神經(jīng)網(wǎng)絡(luò )模型或者殘差神經(jīng)網(wǎng)絡(luò )模型。

　　可選地，還包括：將訓練好的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數上傳到服務(wù)器端；在所述服務(wù)器端根據從至少一個(gè)地區上傳的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數對所述神經(jīng)網(wǎng)絡(luò )模型進(jìn)行強化訓練；從所述服務(wù)器端獲取所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型，用所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型更新現有的所述神經(jīng)網(wǎng)絡(luò )模型。

　　可選地，還包括：在判斷為冷媒余量不足的情況下給出故障提示信息和/或實(shí)施故障處理；所述給出故障提示信息包括：通過(guò)顯示設備顯示故障提示信息、通過(guò)音頻設備發(fā)出故障提示聲音、和/或通過(guò)警示燈給出故障提示信息；所述實(shí)施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的另一方面又提供了一種冷媒檢測裝置，包括：收集單元，用于收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建模單元，用于建立神經(jīng)網(wǎng)絡(luò )模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

　　可選地，還包括判斷單元，用于在所述冷媒比例小于等于預設的比例閾值時(shí)判斷為冷媒余量不足。

　　可選地，所述神經(jīng)網(wǎng)絡(luò )模型包括：bp神經(jīng)網(wǎng)絡(luò )模型、卷積神經(jīng)網(wǎng)絡(luò )模型或者殘差神經(jīng)網(wǎng)絡(luò )模型。

　　可選地，還包括：第一通訊單元，用于將訓練好的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數上傳到服務(wù)器端；更新單元，用于從所述服務(wù)器端獲取所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型，用所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型更新現有的所述神經(jīng)網(wǎng)絡(luò )模型，所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型是在所述服務(wù)器端根據從至少一個(gè)地區上傳的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數對所述神經(jīng)網(wǎng)絡(luò )模型進(jìn)行強化訓練后得到的神經(jīng)網(wǎng)絡(luò )模型。

　　可選地，還包括：第一故障處理單元，用于在判斷為冷媒余量不足的情況下給出故障提示信息和/或實(shí)施故障處理；所述給出故障提示信息包括：通過(guò)顯示設備顯示故障提示信息、通過(guò)音頻設備發(fā)出故障提示聲音、和/或通過(guò)警示燈給出故障提示信息；所述實(shí)施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。

　　本發(fā)明的再一方面又提供了一種設備，具有上述任一項所述的裝置。

　　可選地，所述設備為手機、電腦、服務(wù)器或路由器。

　　可選地，還包括：第二通訊單元，用于接收來(lái)自除濕機的運行參數，將所述接收到的運行參數作為所述神經(jīng)網(wǎng)絡(luò )模型輸入值；第二故障處理單元，用于根據所述神經(jīng)網(wǎng)絡(luò )模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明提供的技術(shù)方案相對于傳統的規則控制方法，其不依賴(lài)于專(zhuān)家經(jīng)驗；而且通過(guò)大量樣本數據的學(xué)習，網(wǎng)絡(luò )可以自動(dòng)不斷修正自身參數，該控制算法的檢測準確率也會(huì )隨著(zhù)學(xué)習樣本數據的增加而增加，該方法具有很強的非線(xiàn)性映射能力、自學(xué)習和自適應能力、泛化能力以及容錯能力；另外該控制算法可適用不同的設備型號，通用性好；還有利用神經(jīng)網(wǎng)絡(luò )算法中泛化的能力增加除濕機在不同地區、不同運行工況下的適應能力，例如在除濕機的應用中，利用神經(jīng)網(wǎng)絡(luò )算法的自學(xué)習特性可以在后續收集除濕機的運行數據，通過(guò)收集的數據用作后續對網(wǎng)絡(luò )的加強訓練以更新網(wǎng)絡(luò )權值、偏置，使除濕機對于冷媒余量不足模式的判斷越來(lái)越準確。

　　附圖說(shuō)明

　　此處所說(shuō)明的附圖用來(lái)提供對本發(fā)明的進(jìn)一步理解，構成本發(fā)明的一部分，本發(fā)明的示意性實(shí)施例及其說(shuō)明用于解釋本發(fā)明，并不構成對本發(fā)明的不當限定。在附圖中：

　　圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；

　　圖2是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )模型基本結構示意圖；

　　圖3是本發(fā)明提供的冷媒檢測方法的bp神經(jīng)網(wǎng)絡(luò )模型的結構示意圖；

　　圖4是本發(fā)明提供的冷媒檢測方法的卷積神經(jīng)網(wǎng)絡(luò )模型的結構示意圖；

　　圖5是本發(fā)明提供的冷媒檢測方法的殘差神經(jīng)網(wǎng)絡(luò )模型的結構示意圖；

　　圖6是本發(fā)明提供的冷媒檢測方法的殘差塊的結構示意圖；

　　圖7是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )模型開(kāi)發(fā)訓練的流程圖；

　　圖8是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )模型云數據強化訓練的流程圖；

　　圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖；

　　圖10是本發(fā)明提供的冷媒檢測裝置的一種優(yōu)選實(shí)施例的結構示意圖；

　　圖11是本發(fā)明提供的設備的一種優(yōu)選實(shí)施例的結構示意圖。

　　具體實(shí)施方式

　　為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結合本發(fā)明具體實(shí)施例及相應的附圖對本發(fā)明技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng )造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護的范圍。

　　需要說(shuō)明的是，本發(fā)明的說(shuō)明書(shū)和權利要求書(shū)及上述附圖中的術(shù)語(yǔ)“第一”、“第二”等是用于區別類(lèi)似的對象，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數據在適當情況下可以互換，以便這里描述的本發(fā)明的實(shí)施例能夠以除了在這里圖示或描述的那些以外的順序實(shí)施。此外，術(shù)語(yǔ)“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過(guò)程、方法、系統、產(chǎn)品或設備不必限于清楚地列出的那些步驟或單元，而是可包括沒(méi)有清楚地列出的或對于這些過(guò)程、方法、產(chǎn)品或設備固有的其它步驟或單元。

　　本發(fā)明一方面提供了一種冷媒檢測方法。圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；如圖1所示，本發(fā)明冷媒檢測方法包括：步驟s110，收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；步驟s120，建立神經(jīng)網(wǎng)絡(luò )模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機銘牌上標定的冷媒灌注量。根據本發(fā)明冷媒檢測方法的一種實(shí)施方式，還包括：在所述冷媒比例小于等于預設的比例閾值時(shí)判斷為冷媒余量不足。

　　本發(fā)明利用人工神經(jīng)網(wǎng)絡(luò )算法，運用大量除濕機冷媒泄漏時(shí)的運行參數樣本，對神經(jīng)網(wǎng)絡(luò )進(jìn)行學(xué)習和訓練。通過(guò)調整網(wǎng)絡(luò )結構及網(wǎng)絡(luò )節點(diǎn)間的權值，使神經(jīng)網(wǎng)絡(luò )擬合除濕機運行參數之間的關(guān)系，最終使神經(jīng)網(wǎng)絡(luò )能準確檢測出冷媒泄漏量。冷媒通常包括r410a,r32，r290等。本發(fā)明提供的技術(shù)方案使用神經(jīng)網(wǎng)絡(luò )算法對冷媒進(jìn)行故障的判斷，神經(jīng)網(wǎng)絡(luò )的使用不僅解決現有專(zhuān)家算法的局限性，另外也利用其自身的自學(xué)習功能使算法網(wǎng)絡(luò )對于冷媒故障的判斷越來(lái)越準確，泛化能力越來(lái)越強。

　　圖2是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )算法基本結構示意圖。在不同工況下測試除濕機系統在不同比例冷媒情況運行時(shí)，除濕機各傳感器(蒸發(fā)器溫度、排氣溫度等)數據，并以此最為神經(jīng)網(wǎng)絡(luò )的輸入參數，如圖2所示，各種冷媒的不同比例作為期望輸出量。

　　根據冷媒泄漏的數據特性及其所蘊含的規律，可初步確定神經(jīng)網(wǎng)絡(luò )模型的基本結構、網(wǎng)絡(luò )的輸入、輸出節點(diǎn)數、網(wǎng)絡(luò )隱層數、隱節點(diǎn)數、網(wǎng)絡(luò )初始權值等。具體的人工神經(jīng)網(wǎng)絡(luò )結構：bp神經(jīng)網(wǎng)絡(luò )(backpropagationneuralnetwork)模型、卷積神經(jīng)網(wǎng)絡(luò )模型或者殘差神經(jīng)網(wǎng)絡(luò )模型。

　　圖3是本發(fā)明提供的冷媒檢測方法的bp神經(jīng)網(wǎng)絡(luò )模型的結構示意圖。bp網(wǎng)絡(luò )的結構設計主要解決設幾個(gè)隱層和幾個(gè)隱節點(diǎn)的問(wèn)題。隱層和隱節點(diǎn)的確定需在網(wǎng)絡(luò )訓練時(shí)不斷的調整。設計時(shí)先設置一個(gè)隱層，通過(guò)調整隱層節點(diǎn)數來(lái)改善網(wǎng)絡(luò )性能；當隱節點(diǎn)數過(guò)多，出現過(guò)多擬合時(shí)，再考慮增加隱層，減少隱節點(diǎn)，來(lái)改善網(wǎng)絡(luò )性能。實(shí)際應用時(shí)可以根據需要調整輸入層、隱層、輸出層節點(diǎn)數及隱層層數。

　　圖4是本發(fā)明提供的冷媒檢測方法的卷積神經(jīng)網(wǎng)絡(luò )模型的結構示意圖。多層卷積網(wǎng)絡(luò )就是從低維度的特征不斷提取合并得到更高維的特征從而可以用來(lái)進(jìn)行分類(lèi)或相關(guān)任務(wù)。不同比例冷媒存量的除濕機運行時(shí)，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器表現出不同的運行趨勢，本網(wǎng)絡(luò )的的分類(lèi)和相關(guān)任務(wù)就是從不同比例冷媒存量除濕機的標準數據中找出相應的運行特征，并根據提取的相應特征判斷出當前的冷媒存量。卷積網(wǎng)絡(luò )通用結構為輸入層——卷積層——全連接層——輸出層，中間的卷積層輸出都是從輸入數據提取的特征。卷積神經(jīng)網(wǎng)絡(luò )與普通的bp神經(jīng)網(wǎng)絡(luò )相比，卷積神經(jīng)網(wǎng)絡(luò )提出的是輸入數據不同區域的相對特征，在數據相對時(shí)移時(shí)不影響網(wǎng)絡(luò )的正常判斷。

　　圖5是本發(fā)明提供的冷媒檢測方法的殘差神經(jīng)網(wǎng)絡(luò )模型的結構示意圖。在調試卷積神經(jīng)網(wǎng)絡(luò )時(shí)，加深網(wǎng)絡(luò )層數和改變卷積核大小的方法并不能使得網(wǎng)絡(luò )表現得到提升。加入殘差塊可以更好地連接前后數據，加強特征表達能力，所以其能夠加強卷積網(wǎng)絡(luò )的學(xué)習能力。圖6是本發(fā)明提供的冷媒檢測方法的殘差塊的結構示意圖。如圖6某段神經(jīng)網(wǎng)絡(luò )的輸入為x，期望輸出為h(x)，把輸入x傳入到輸出作為初始結構后，需要學(xué)習的目標就變?yōu)閒(x)＝h(x)-x。

　　圖7是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )模型開(kāi)發(fā)訓練的流程圖。如圖7所示，以bp神經(jīng)網(wǎng)絡(luò )模型為例，首先是設計實(shí)驗方案獲取輸入數據；然后搭建網(wǎng)絡(luò )模型，確定輸入節點(diǎn)數m、隱層節點(diǎn)數n、輸出節點(diǎn)數l(參見(jiàn)圖3)；接下來(lái)挑選部分數據訓練網(wǎng)絡(luò )參數，更新權值w和偏置閾值b；之后再判斷準確度是否滿(mǎn)足要求，若否則繼續訓練參數更新權值w和偏置閾值b；若是則挑選部分數據測試網(wǎng)絡(luò )；之后再判斷準確度是否滿(mǎn)足要求，若否則繼續訓練參數更新權值w和偏置閾值b；若是則開(kāi)發(fā)訓練過(guò)程結束。以上過(guò)程具體步驟可分為數據預處理階段、網(wǎng)絡(luò )結構設計階段、本地訓練階段和云數據強化訓練階段。

　　其一，數據預處理階段包括：

　　1)原始數據搜集

　　搜集除濕機在冷媒泄漏時(shí)，在所有可能的運行環(huán)境下的運行參數，并進(jìn)行詳細標注，標注的內容包括不同的冷媒存量運行時(shí)，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器的運行數據。具體搜集方式包括但不限于除濕機在實(shí)驗室模擬環(huán)境下的運行參數、通過(guò)物聯(lián)網(wǎng)技術(shù)搜集實(shí)際用戶(hù)使用時(shí)的空調運行參數等方式。

　　2)輸入、輸出參數選擇及預處理

　　通過(guò)對原始數據的分析和結合專(zhuān)家知識，選取對冷媒泄漏檢測影響較大且易檢測的參數作為輸入參數，將冷媒剩余量作為輸出量。本發(fā)明中，輸入參數包括但不限于環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度、排氣溫度等。輸入參數不僅為單一參數，也包括輸入參數矩陣。

　　因各參數具有不同的物理意義和量綱，還需要對輸入參數作標準化處理，然后再進(jìn)行統一的變換處理。本發(fā)明中，數據處理方法，包括但不限于，對數據進(jìn)行歸一化等線(xiàn)性處理及對數變換、平方根變換、立方根變換等非線(xiàn)性處理。

　　3)訓練和測試數據樣本集選取

　　通過(guò)對已搜集并標注數據的分析和結合專(zhuān)家知識，對數據樣本按一定的規則進(jìn)行分類(lèi)，比如按照不同比例的冷媒存量運行作為一個(gè)表格儲存分類(lèi)。從不同類(lèi)別的樣本中，均勻提取數據，作為訓練樣本。訓練樣本不僅要蘊含冷媒泄漏的規律，還要體現出多樣性和均勻性。列出所有的樣本數據，然后按一定的間隔讀取作為訓練樣本數據；提取出訓練樣本后，剩余的數據可作為測試數據。

　　其二，網(wǎng)絡(luò )結構設計階段

　　本發(fā)明中所使用的人工神經(jīng)網(wǎng)絡(luò )，不限定于某一種網(wǎng)絡(luò )結構，可以是經(jīng)典的人工神經(jīng)網(wǎng)絡(luò )如bp神經(jīng)網(wǎng)絡(luò )，也可以是高級人工神經(jīng)網(wǎng)絡(luò )，或者深度學(xué)習網(wǎng)絡(luò )如cnn(convolutionalneuralnetwork,卷積神經(jīng)網(wǎng)絡(luò ))。

　　其三，本地訓練階段

　　根據本發(fā)明冷媒檢測方法的一種實(shí)施方式，所述神經(jīng)網(wǎng)絡(luò )模型的激活函數采用sigmod函數:σ(z)＝1/(1+e-z)。在訓練之前要初始化網(wǎng)絡(luò )的各層之間的權值wk偏置bl；確定網(wǎng)絡(luò )的輸出精度∈；確定網(wǎng)絡(luò )的學(xué)習速度η；確定網(wǎng)絡(luò )的最大訓練步長(cháng)：epoch。

　　根據前期獲得測試數據，挑選部分實(shí)驗數據作為訓練數據，另外一部分作為測試數據，導入輸入數據x，根據激活函數、初始化的權值及偏置計算出網(wǎng)絡(luò )的實(shí)際輸出al(x)，即al(x)＝1/(1+e-z),其中z＝wk*x+bl。

　　判斷網(wǎng)絡(luò )的期望輸出y(x)與實(shí)際輸出al(x)是否滿(mǎn)足輸出精度要求即:‖y(x)-al(x)‖<∈

　　如果滿(mǎn)足精度要求則結束訓練，如不滿(mǎn)足則根據以下方式更新網(wǎng)絡(luò )的權值wk,偏置bl：所述神經(jīng)網(wǎng)絡(luò )模型的誤差能量函數采用c(w,b)為誤差能量函數(以標準方差函數為例)，n為訓練樣本的總數量,求和是在總的訓練樣本x上進(jìn)行。

　　更新各層權值：

　　更新各層偏置：

　　其中：wk為初始權值，為誤差能量函數對權值的偏導數；bl為初始偏置，為誤差能量函數對偏置的偏導數；的值可通過(guò)鏈式求導法則獲得。直至網(wǎng)絡(luò )的輸出精度達到小于∈為止。

　　最后進(jìn)行網(wǎng)絡(luò )測試：網(wǎng)絡(luò )訓練完成后，再用測試樣本正向測試網(wǎng)絡(luò )。在測試數據中挑選部分數據測試訓練好的網(wǎng)絡(luò )，判斷輸出是否滿(mǎn)足期望要求，如不滿(mǎn)足則則重復以上步驟，重新訓練網(wǎng)絡(luò )直至滿(mǎn)足網(wǎng)絡(luò )輸出滿(mǎn)足要求；若測試誤差滿(mǎn)足要求，則網(wǎng)絡(luò )訓練測試完成。

　　其四，云數據強化訓練階段

　　圖8是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò )模型云數據強化訓練的流程圖。如圖8所示，根據本發(fā)明冷媒檢測方法的一種實(shí)施方式，還包括：將訓練好的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數上傳到服務(wù)器端；在所述服務(wù)器端根據從至少一個(gè)地區上傳的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數對所述神經(jīng)網(wǎng)絡(luò )模型進(jìn)行強化訓練；從所述服務(wù)器端獲取所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型，用所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型更新現有的所述神經(jīng)網(wǎng)絡(luò )模型。具體地，將訓練好的網(wǎng)絡(luò )集成的除濕機的無(wú)線(xiàn)模塊，不同地區的除濕機上電運行后將實(shí)際的運行數據傳到后臺云端，云端根據除濕機上傳的實(shí)際運行數據定期對現有網(wǎng)絡(luò )強化訓練，將強化訓練后的網(wǎng)絡(luò )通過(guò)除濕機無(wú)線(xiàn)模塊在線(xiàn)更新網(wǎng)絡(luò )，以滿(mǎn)足實(shí)際的運行需要，使網(wǎng)絡(luò )的對于冷媒故障的判斷越來(lái)越準確，泛化能力越來(lái)越強。

　　根據本發(fā)明冷媒檢測方法的一種實(shí)施方式，還包括：在判斷為冷媒余量不足的情況下給出故障提示信息和/或實(shí)施故障處理；所述給出故障提示信息包括：通過(guò)顯示設備顯示故障提示信息、通過(guò)音頻設備發(fā)出故障提示聲音、和/或通過(guò)警示燈給出故障提示信息；所述實(shí)施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。具體地，當檢測到冷媒泄露后，通過(guò)除濕機的led燈或lcd顯示屏顯示缺氟故障代碼，發(fā)現故障及時(shí)給出提示和實(shí)施處理可以確保設備安全運行。

　　本發(fā)明的另一方面又提供了一種冷媒檢測裝置。圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖。如圖9所示，本發(fā)明冷媒檢測裝置包括：收集單元100，用于收集除濕機的運行參數，所述運行參數包括：環(huán)境溫度、環(huán)境濕度、蒸發(fā)器溫度和/或排氣溫度；建模單元200，用于建立神經(jīng)網(wǎng)絡(luò )模型，將所述收集到的運行參數作為輸入值，輸出結果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

　　圖10是本發(fā)明提供的冷媒檢測裝置的一種優(yōu)選實(shí)施例的結構示意圖。如圖10所示，根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，還包括判斷單元300，用于在所述冷媒比例小于等于預設的比例閾值時(shí)判斷為冷媒余量不足。

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，所述神經(jīng)網(wǎng)絡(luò )模型包括：bp神經(jīng)網(wǎng)絡(luò )模型、卷積神經(jīng)網(wǎng)絡(luò )模型或者殘差神經(jīng)網(wǎng)絡(luò )模型。

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，所述神經(jīng)網(wǎng)絡(luò )模型的激活函數采用sigmod函數:σ(z)＝1/(1+e-z)。

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，所述神經(jīng)網(wǎng)絡(luò )模型的誤差能量函數采用

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，所述裝置還包括：第一通訊單元400，用于將訓練好的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數上傳到服務(wù)器端；更新單元500，用于從所述服務(wù)器端獲取所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型，用所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型更新現有的所述神經(jīng)網(wǎng)絡(luò )模型，所述強化訓練后的神經(jīng)網(wǎng)絡(luò )模型是在所述服務(wù)器端根據從至少一個(gè)地區上傳的所述神經(jīng)網(wǎng)絡(luò )模型的運行參數對所述神經(jīng)網(wǎng)絡(luò )模型進(jìn)行強化訓練后得到的神經(jīng)網(wǎng)絡(luò )模型。

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，還包括：參數處理單元600，用于對所述收集到的運行參數做標準化處理和/或變換處理，所述標準化處理包括歸一化處理，所述變換處理包括對數變換、平方根變換和/或立方根變換。

　　根據本發(fā)明冷媒檢測裝置的一種實(shí)施方式，還包括：第一故障處理單元700，用于在判斷為冷媒余量不足的情況下給出故障提示信息和/或實(shí)施故障處理；所述給出故障提示信息包括：通過(guò)顯示設備顯示故障提示信息、通過(guò)音頻設備發(fā)出故障提示聲音、和/或通過(guò)警示燈給出故障提示信息；所述實(shí)施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。

　　本發(fā)明的再一方面又提供了一種設備，具有上述任一項所述的裝置。

　　根據本發(fā)明設備的一種實(shí)施方式，所述設備為手機、電腦、服務(wù)器或路由器。

　　圖11是本發(fā)明提供的設備的一種優(yōu)選實(shí)施例的結構示意圖。根據本發(fā)明設備的一種實(shí)施方式，所述設備還包括：第二通訊單元450，用于接收來(lái)自除濕機的運行參數，將所述接收到的運行參數作為所述神經(jīng)網(wǎng)絡(luò )模型輸入值；第二故障處理單元750，用于根據所述神經(jīng)網(wǎng)絡(luò )模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。所述設備是指帶有存儲單元的設備，并不限于手機、電腦、服務(wù)器或路由器，其功能是獲取除濕機的運行參數，運行神經(jīng)網(wǎng)絡(luò )算法，再將結果或相應的指令發(fā)送給除濕機。

　　本發(fā)明的再一方面又提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述程序被處理器執行時(shí)實(shí)現上述任一所述方法的步驟。

　　本發(fā)明的又一方面又提供了一種除濕機，包括處理器、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執行所述程序時(shí)實(shí)現上述任一所述方法的步驟。

　　本發(fā)明的又一方面又提供了一種設備，包括處理器、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執行所述程序時(shí)實(shí)現上述任一所述方法的步驟。

　　根據本發(fā)明設備的一種實(shí)施方式，所述設備包括手機、電腦、服務(wù)器或路由器。

　　根據本發(fā)明設備的一種實(shí)施方式，所述處理器執行的方法還包括：接收來(lái)自除濕機的運行參數，將所述接收到的運行參數作為所述神經(jīng)網(wǎng)絡(luò )模型輸入值；根據所述神經(jīng)網(wǎng)絡(luò )模型的輸出結果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。所述設備是指帶有存儲單元的設備，并不限于手機、電腦、服務(wù)器或路由器，其功能是獲取除濕機的運行參數，運行神經(jīng)網(wǎng)絡(luò )算法，再將結果或相應的指令發(fā)送給除濕機。

　　本發(fā)明提供的技術(shù)方案相對于傳統的規則控制方法，其不依賴(lài)于專(zhuān)家經(jīng)驗；而且通過(guò)大量樣本數據的學(xué)習，網(wǎng)絡(luò )可以自動(dòng)不斷修正自身參數，該控制算法的檢測準確率也會(huì )隨著(zhù)學(xué)習樣本數據的增加而增加，該方法具有很強的非線(xiàn)性映射能力、自學(xué)習和自適應能力、泛化能力以及容錯能力；另外該控制算法可適用不同的設備型號，通用性好；還有利用神經(jīng)網(wǎng)絡(luò )算法中泛化的能力增加除濕機在不同地區、不同運行工況下的適應能力，例如在除濕機的應用中，利用神經(jīng)網(wǎng)絡(luò )算法的自學(xué)習特性可以在后續收集除濕機的運行數據，通過(guò)收集的數據用作后續對網(wǎng)絡(luò )的加強訓練以更新網(wǎng)絡(luò )權值、偏置，使除濕機對于冷媒余量不足模式的判斷越來(lái)越準確。

　　本文中所描述的功能可在硬件、由處理器執行的軟件、固件或其任何組合中實(shí)施。如果在由處理器執行的軟件中實(shí)施，那么可將功能作為一或多個(gè)指令或代碼存儲于計算機可讀媒體上或經(jīng)由計算機可讀媒體予以傳輸。其它實(shí)例及實(shí)施方案在本發(fā)明及所附權利要求書(shū)的范圍及精神內。舉例來(lái)說(shuō)，歸因于軟件的性質(zhì)，上文所描述的功能可使用由處理器、硬件、固件、硬連線(xiàn)或這些中的任何者的組合執行的軟件實(shí)施。此外，各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨物理存在，也可以?xún)蓚€(gè)或兩個(gè)以上單元集成在一個(gè)單元中。

　　在本申請所提供的幾個(gè)實(shí)施例中，應該理解到，所揭露的技術(shù)內容，可通過(guò)其它的方式實(shí)現。其中，以上所描述的裝置實(shí)施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實(shí)際實(shí)現時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結合或者可以集成到另一個(gè)系統，或一些特征可以忽略，或不執行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過(guò)一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

　　所述作為分離部件說(shuō)明的單元可以是或者也可以不是物理上分開(kāi)的，作為控制裝置的部件可以是或者也可以不是物理單元，既可以位于一個(gè)地方，或者也可以分布到多個(gè)單元上?？梢愿鶕?shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現本實(shí)施例方案的目的。

　　所述集成的單元如果以軟件功能單元的形式實(shí)現并作為獨立的產(chǎn)品銷(xiāo)售或使用時(shí)，可以存儲在一個(gè)計算機可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對現有技術(shù)做出貢獻的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現出來(lái)，該計算機軟件產(chǎn)品存儲在一個(gè)存儲介質(zhì)中，包括若干指令用以使得一臺計算機設備(可為個(gè)人計算機、服務(wù)器或者網(wǎng)絡(luò )設備等)執行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤(pán)、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動(dòng)硬盤(pán)、磁碟或者光盤(pán)等各種可以存儲程序代碼的介質(zhì)。

　　以上所述僅為本發(fā)明的實(shí)施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進(jìn)等，均應包含在本發(fā)明的權利要求范圍之內。