一种预测中央空调异常的方法
【专利摘要】本发明公开一种预测中央空调异常的方法，包括：S1、监测每个房间的制冷或制热是否异常，并用房间异常因子进行标记：如果异常，则房间异常因子标记为1，如果正常，则房间异常因子标记为0；S2、计算中央空调的冷量或热量传递管路上的各个设备的设备异常因子F：F=r/R，其中r表示该设备控制的异常房间数，R表示该设备控制的总房间数；S3、将n≤F≤1的设备标记为异常节点，以进行人工检测排查，其中，n为预定值，且0＜n≤1。通过本方法，维护人员仅需在发现设备中有异常节点时去检测，检测数量少，而且解决了因不能及时发现异常而浪费能源的问题。
【专利说明】一种预测中央空调异常的方法
【技术领域】
[0001]本发明涉及空调设备的异常检测，尤其涉及一种预测中央空调异常的方法。
【背景技术】
[0002]中央空调已被广泛应用于各种大型建筑中，但是很多中央空调在运行几年后因为疏于维护，会产生设备异常，造成制冷制热效果不理想，影响用户的舒适度，也会浪费能源。目前来讲，中央空调的维护检测主要还是依靠传统的方式:由空调维护人员定期检查和维护，但是由于中央空调安装及结构的复杂错综性，加之空调终端风机数量多，且这种方式需要定期对所有的空调设备进行检查，包括正常运行及非正常运行的，检测效率低且成本高。另一种方式则是当用户感觉空调有问题时(比如已无法制冷)，才向维护人员报检，此时异常情况往往已经比较严重，已造成了能源浪费。
【发明内容】
[0003]本发明针对现有的异常检测方法效率低、成本高的现状提出了一种由计算机完成的分析方法，可以比传统的方法更有效及时地发现异常情况，从而提醒空调维护人员进行维护，减少能源浪费。
[0004]本发明提供以下技术方案 来解决上述技术问题:
[0005]一种预测中央空调异常的方法，包括以下步骤:
[0006]S1、监测每个房间的制冷或制热是否异常，并用房间异常因子进行标记:如果异常，则房间异常因子标记为1，如果正常，则房间异常因子标记为O ;
[0007]S2、计算中央空调的冷量或热量传递管路上的各个设备的设备异常因子F:F=r/R，其中r表示该设备控制的异常房间数，R表示该设备控制的总房间数；
[0008]S3、将n≤f≤1的设备标记为异常节点，以进行人工检测排查，其中，η为预定值，且O < n≤1。
[0009]优选地，所述中央空调具有与服务器端连接的风机盘管温控器以及温度传感器，所述温度传感器用以采集室内温度，所述风机盘管温控器用以将采集到的所述室内温度和风机盘管的工作状态发送至所述服务器端；所述步骤Si包括:
[0010]S11、获取每个房间内的温度数据以及风机盘管的工作状态数据；
[0011]S12、提取在所述风机盘管运行状态下的房间温度变化数据，根据温度变化数据判断每个房间的温度变化是否符合预期值，从而判断房间制冷或制热是否异常并用房间异常因子进行标记:如果异常，则房间异常因子为1，如果正常，则房间异常因子为O。
[0012]优选地,所述步骤S12包括:
[0013]提取所述风机盘管运行的η个时间段的温度数据集合，其中每个温度数据集合内包含若干个离散的温度数据点(t，T)，T表示t时刻房间内的温度；
[0014]分别对每个温度数据集合内的温度数据点进行线性回归，得到对应于所述η个时间段的η个温度T随时间变化的线性方程其中i=l，2，…η，&?和匕均为常数；[0015]当空调为制冷模式，计算为负数的％占％总个数的百分比，并将得到的负数％百分比与预先设定的一阈值进行比较:若负数Si百分比大于等于所述阈值，则判定该房间制冷正常，所述房间异常因子为0，否则，所述房间异常因子为I ;
[0016]当空调为制热模式，计算为正数的％占％总个数的百分比，并将得到的正数％百分比与所述阈值进行比较:若正数Bi百分比大于等于所述阈值，则判定该房间制热正常，所述房间异常因子为0，否则，所述房间异常因子为I。
[0017]优选地,所述n=l。
[0018]优选地，所述步骤S12中，对所述温度数据集合内的温度数据点进行线性回归时，
米用最小二乘法。
[0019]优选地，所述阈值为70%?90%。
[0020]优选地，所述阈值为80%。
[0021]优选地，所述风机盘管的工作状态数据为(U，t)，U表示t时刻所述风机盘管的工作状态，且U的值为0、1、2或3, U=O表示停止，U=I表示低风运行，U=2表示中风运行，U=3表示高风运行。
[0022]本发明提供的预测中央空调异常的方法，与现有技术相比，至少具有以下有益效果:基于房间与空调设备之间的连接网络关系，根据房间的异常状况给空调设备的各个节点分配异常因子，通过异常因子的大小来判断各个节点设备出错的可能性，从而能够实现快速、高效率地设备异常排查。
[0023]空调设备的多数异常是由于性能的逐步衰减而引起的，在设备彻底无法工作之前的很长一段时间里，空调设备已经是处于异常状态，但由于这种异常是逐步发生的(例如制冷效果逐步减弱；制热间歇性停止时间逐步增加)，因而，往往不易被用户或空调检修人员查觉，而直到设备彻底无法工作时才被注意并修理，这样，长时间的异常状态一方面影响用户健康和使用体验，另一方面，也可能带来高能耗等资源浪费或导致设备最终无法修理而彻底报废。
[0024]本发明的优选方案中，基于与服务器连接的风机盘管温控器，利用本发明的预测方法，通过对房间温度数据的分析，得到每个房间制冷制热效果的结论，通过对制冷、制热效果的数据分析，能够检测出人所无法感知或容易被人忽略的细微的、逐步发生的异常，进而通过异常因子分配的方法提前发现异常设备，在设备彻底损坏之前及时、准确地进行检修。避免了传统人工检测方法可能导致的资源浪费现象，同时，本优选方案也大幅降低了人工排查成本。
【专利附图】
【附图说明】
[0025]图1是本发明提供的预测中央空调异常的方法流程图；
[0026]图2是本发明具体实施例中制冷模式下的中央空调冷量传递示意图；
[0027]图3是本发明具体实施例中一个建筑的中央空调部分系统架构图；
[0028]图4是图3系统架构中各设备和建筑内房间的异常因子标记示意图。
【具体实施方式】
[0029]下面对照附图并结合优选的实施方式对本发明作进一步说明。[0030]实施例1
[0031]本实施例提供一种预测中央空调异常的方法，通过对中央空调的组织架构中每个房间的温度数据进行分析，判断房间的异常情况，从而计算中央空调的设备异常因子，来预测设备的异常。该方法的执行基于空调终端(一般是指房间内)联网的风机盘管温控器以及能够准确感测房间温度的温度传感器，该方法的流程如图1所示，包括以下步骤:
[0032]S1、获取每个房间内的温度数据以及每个风机盘管的工作状态数据。其中房间温度数据为温度与时间的序列(t，T)，T表示t时刻房间的温度，每个风机盘管的工作状态数据为工作状态与时间的序列(t，U)，U表示t时刻风机盘管的工作状态，以常见的三档风速为例，U=O表示风机盘管停止，U=I表示风机盘管低风运行，U=2表示风机盘管中风运行，U=3表示风机盘管高风运行，即U古O时风机盘管处于运行状态。将前述的温度数据和风机盘管工作状态数据发送至服务器端，以进行下述步骤的分析和运算。
[0033]S2、提取在所述风机盘管运行状态下的房间温度变化数据，根据温度变化数据判断每个房间的温度变化是否符合预期值，从而判断房间制冷或制热是否异常并用房间异常因子进行标记:如果异常，则房间异常因子为1，如果正常，则房间异常因子为O。对于本步骤S2，可以在获取了一天(此处仅是举例，提取数据和分析数据的时间间隔可以根据需要进行设置，也可以是三天，一周，一个月等，此处不构成限制)的数据之后，筛选出所述风机盘管运行状态下的η个时间段的温度数据，例如在某天内，风机盘管运行时间段有9:00~9:30，9:40~9:50，12:00~13:00，15:15~16:30等20个时间段，即η=20，无论是风机盘管以何种风速运行，只要是运行状态(U Φ O)都提取出来，得到20个温度数据集合，每个集合内都有若干个离散的温度数据(t，T)，对于每一个温度数据集合，都进行线性回归，从而可以得到20个温度与时间相关的线性方程Ti=^tJbi,其中i=l,2,…n，七和匕均为常数，此处举例中的n=20，即得到20个&1，20个匕:
[0034]当中央空调以制冷模式运行的情况下，计算20个％中为负数的％占总的％个数的比例P1，并将该比例Pl与一预先设定的阈值进行比较，该阈值可在70%~90%之间，此处优选该阈值为80%，若Pa ^ 80%，说明该房间制冷正常，标记该房间的异常因子为0，如果Pa < 80%，则表示该房间制冷异常，标记该房间的异常因子为1，表示连接该房间的空调设备可能异常；
[0035]当中央空调以制热模式运行的情况下，计算20个％中为正数的％占总的％个数的比例P2，并将该比例与前述的阈值80%进行比较(制热模式下的该阈值与制冷模式下的阈值一致或不一致都行，此处优选是一致的)，若P2 ^ 80%，说明该房间制热正常，标记该房间的异常因子为0，否则，标记该房间的异常因子为1，表示连接该房间的空调设备可能异
堂
巾O
[0036]需要说明，在上述的房间异常因子计算中，对温度数据集合进行线性回归时，可以采用最小二乘法，来得到前述的η个线性方程。
[0037]通过前述计算，得到房间异常因子之后，根据异常房间以及空调系统的组织架构(或者说连接关系)来分析每个空调设备的异常情况:
[0038]S3、计算中央空调的冷量或热量传递管路上的各个设备的设备异常因子F:F=r/R，其中r表示该设备控制的异常房间数，R表示该设备控制的总房间数。接续前述步骤S2，以制冷为例，通常情况下，大型建筑的中央空调系统采用水系统制冷，即由制冷机和冷却塔产生冷冻水，水泵将冷冻水通过水管传递到各个风机盘管，风机盘管再通过出风口将冷风送入每个房间，冷量传递见图2，图3中展示了中央空调系统的部分架构，虽实际中系统构成较繁杂，但计算原理是相同的，此处以图3中这个较简单的系统来计算:根据前述得到的房间异常因子来计算设备异常因子，假如通过前述步骤S2的计算，得到第三房间和第四房间制冷异常，异常因子均为1，而第一房间和第二房间制冷正常，异常因子为O，通过公式F=r/R计算，可以得到图4中的设备异常数据，图4中每个设备下方标示出设备异常因子，可以看出，由于第三房间和第四房间制冷异常，则异常房间的冷量传递路径上各设备的异常因子均大于O，表示该设备可能异常，且异常因子越接近1，通常异常的可能性越大。
[0039]S4、将η < F < I的设备标记为异常节点，以进行人工检测排查，其中η为预定值且O < η < 1，η的取值可以根据中央空调的设备分布网络情况进行设定，一般情况下优选取η=1，即:仅仅对F=I的设备进行排查，如果排查未找到异常设备，则可适当扩大排查范围，例如:对F > 0.8的设备进行排查。通过步骤S3计算，得到了各设备的异常因子，标记出异常节点后，可以对异常节点设备进行人工检查，以进一步确定异常设备。从图4中可以看出，第三出风口、第四出风口、第五出风口、第二风机的异常因子F=l，都是存在异常可能性比较大的设备，需要人工检测、排查。
[0040]前述设备异常因子的计算虽是对制冷模式的举例，但制热模式下，空调系统中的设备即使有所不同，设备异常因子的计算也仍然是一样的，在此不再赘述。
[0041]通过上述分析方法，得知可能异常的设备后，再去进行人工检测，不但需要检测的设备减少了，工作效率提高了，而且能够达到实时检测的目的，在很大程度上减少了能源的浪费。
[0042]实施例2
[0043]本实施例是实施例1的一种简化方案，与实施例1的区别仅仅在于，本实施例采用通过用户主动报错的方式，向服务端报送房间异常。而不是像实施例1 一样通过对温度等参数的变化进行自动判断。本实施例的实现成本更低，也能够有效缩小检修人员的检修、排查范围，但无法通过数据提前判断那些检修性能衰退却不易被人查觉的设备。
[0044]综上所述，本发明提供的预测中央空调异常的方法，至少具有以下优点:通过检测房间制冷或制热是否异常，基于系统架构，计算设备的异常因子，通过标记异常节点，以及时通知空调维护人员进行实地检查。由于本方法已经提前将可能出现问题的设备筛选出，这样可以缩短维护人员寻找真正存在异常的设备的时间以及异常原因。
[0045]以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属【技术领域】的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
【权利要求】
1.一种预测中央空调异常的方法，其特征在于，包括以下步骤: s1、监测每个房间的制冷或制热是否异常，并用房间异常因子进行标记:如果异常，则房间异常因子标记为1，如果正常，则房间异常因子标记为O ; s2、计算中央空调的冷量或热量传递管路上的各个设备的设备异常因子F:F=r/R，其中r表示该设备控制的异常房间数，R表示该设备控制的总房间数；s3、将η≤F ≤ 1的设备标记为异常节点，以进行人工检测排查，其中，η为预定值，且O≤ n ≤ 10
2.如权利要求1所述的方法，其特征在于:所述中央空调具有与服务器端连接的风机盘管温控器以及温度传感器，所述温度传感器用以采集室内温度，所述风机盘管温控器用以将采集到的所述室内温度和风机盘管的工作状态发送至所述服务器端； 所述步骤SI包括: SI 1、获取每个房间内的温度数据以及风机盘管的工作状态数据； S12、提取在所述风机盘管运行状态下的房间温度变化数据，根据温度变化数据判断每个房间的温度变化是否符合预期值，从而判断房间制冷或制热是否异常并用房间异常因子进行标记:如果异常，则房间异常因子为1，如果正常，则房间异常因子为O。
3.如权利要求2所述的方法，其特征在于:所述步骤S12包括: 提取所述风机盘管运行的η个时间段的温度数据集合，其中每个温度数据集合内包含若干个离散的温度数据点(t，T)，T表示t时刻房间内的温度； 分别对每个温度数据集合内的温度数据点进行线性回归，得到对应于所述η个时间段的η个温度T随时间变化的线性方程其中i=l，2，…n，Bi和匕均为常数； 当空调为制冷模式，计算为负数的％占％总个数的百分比，并将得到的负数％百分比与预先设定的一阈值进行比较:若负数％百分比大于等于所述阈值，则判定该房间制冷正常，所述房间异常因子为0，否则，所述房间异常因子为I ; 当空调为制热模式，计算为正数的Bi占％总个数的百分比，并将得到的正数％百分比与所述阈值进行比较:若正数％百分比大于等于所述阈值，则判定该房间制热正常，所述房间异常因子为0，否则，所述房间异常因子为I。
4.如权利要求2或3所述的方法，其特征在于:所述n=l。
5.如权利要求3所述的方法，其特征在于:所述步骤S12中，对所述温度数据集合内的温度数据点进行线性回归时，采用最小二乘法。
6.如权利要求3所述的方法，其特征在于:所述阈值为70%~90%。
7.如权利要求6所述的方法，其特征在于:所述阈值为80%。
8.如权利要求2所述的方法，其特征在于:所述风机盘管的工作状态数据为(U，t)，U表示t时刻所述风机盘管的工作状态，且U的值为0、1、2或3，U=O表示停止，U=I表示低风运行，U=2表示中风运行，U=3表示高风运行。
【文档编号】F24F11/00GK103807980SQ201410077544
【公开日】2014年5月21日 申请日期:2014年3月4日 优先权日:2014年3月4日
【发明者】施晓亚, 李捷超, 张 林 申请人:施晓亚, 李捷超, 张 林