一种冷水机组故障诊断方法、系统及空调器与流程

本发明涉及空调器技术领域，特别是涉及一种冷水机组故障诊断方法、系统及空调器。

背景技术：

目前，在公共建筑中，比如大型商场、办公楼、医院等，大多采用暖通空调(heating，ventilatingandairconditioning，hvac)系统，hvac及其自控系统日益复杂，设备种类及数量越来越多。

冷水机组是hvac系统的主要部件，其实际运行状态复杂多变，往往表现出较强的非线性、耦合性和部分负荷性。为了维持空调房间内热湿平衡、保证用户热舒适性，制冷空调系统测量监控设备明显增多，自动控制策略复杂程度明显加深，系统或部件发生故障的概率显著升高。随着运行年限增加，长期部分负荷下的振荡运行，极易导致设备老化、结垢脏堵、控制失效，使得绝大部分冷水机组处于故障运行状态。若不能及时排除故障、消除故障带来的影响，势必将导致冷水机组系统偏离正常运行工况带来一系列的不良后果，如能耗浪费增加，进而影响室内热湿平衡，在某些情形下甚至会直接损坏设备，引起系统彻底失效、无法工作。

技术实现要素：

本发明实施例所要解决的技术问题是：提供一种冷水机组故障诊断方法、系统及空调器，利用深度学习技术，对冷水机组的故障进行诊断并提供故障解决方案，降低空调器能耗。

为了解决上述技术问题，第一方面，本发明实施例提供一种冷水机组故障诊断方法，所述诊断方法包括：

获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

对所述第一特征变量进行数据处理获得第二特征变量；

将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

根据诊断得到的结果获取所述冷水机组的故障诊断报告。

作为优选方案，所述第一特征变量包括蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值。

作为优选方案，所述对所述第一特征变量进行数据处理获得第二特征变量，具体包括：

根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量；

对所述小波变换后的特征变量进行归一化处理，获得所述第二特征变量。

进一步地，所述根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量，具体包括：

对所述第一特征变量进行小波分解，获得小波分解后的特征变量；

对所述小波分解后的特征变量进行小波重构，获得所述小波变换后的特征变量。

优选地，所述小波变换的小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05。

作为优选方案，所述深度学习模型根据adam优化算法和keras人工神经网络库构建获得。

进一步地，所述深度学习模型在训练过程中使用损失函数进行评估；其中，所述损失函数为均方误差损失函数。

优选地，所述故障诊断报告包括正常状态报告以及故障状态报告；其中，所述故障状态报告中包括故障类型以及故障解决方案。

为了解决上述技术问题，第二方面，本发明实施例提供一种冷水机组故障诊断系统，所述诊断系统包括数据获取模块、数据处理模块、深度学习模块以及诊断报告模块；其中，

所述数据获取模块用于获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

所述数据处理模块用于对所述第一特征变量进行数据处理获得第二特征变量；

所述深度学习模块用于将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

所述诊断报告模块用于根据诊断得到的结果获取所述冷水机组的故障诊断报告。

为了解决上述技术问题，第三方面，本发明提供一种空调器，所述空调器包括空调器本体、冷水机组、处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序；

其中，所述冷水机组包括第二方面所述的冷水机组故障诊断系统、蒸发器、冷凝器以及压缩机；

所述计算机程序被所述处理器执行时实现如第一方面任意一个实施例所述的冷水机组故障诊断方法。

与现有技术相比，本发明实施例提供的一种冷水机组故障诊断方法、系统及空调器，其有益效果在于：从冷水机组的运行数据中提取第一特征变量，并对第一特征变量进行小波变换和归一化处理后获得第二特征变量，将第二特征变量输入预先训练好的深度学习模型进行诊断获取冷水机组的故障报告；利用了深度学习技术，对冷水机组进行故障诊断，能够诊断、检测出冷水机组的故障，并提供解决方案，消除冷水机组的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

附图说明

为了更清楚地说明本发明实施例的技术特征，下面将对本发明实施例中所需要使用的附图做简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种冷水机组故障诊断方法的一个优选实施例的流程示意图；

图2是本发明提供的一种冷水机组故障诊断系统的一个优选实施例的结构示意图；

图3是本发明提供的一种冷水机组故障诊断系统的另一个优选实施例的结构示意图

图4是本发明提供的一种空调器的一个优选实施例的结构示意图。

具体实施方式

为了对本发明的技术特征、目的、效果有更加清楚的理解，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但是不用来限制本发明的保护范围。基于本发明的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的其他实施例，都应属于本发明的保护范围。

在本发明的描述中，应当理解的是，本文中的编号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有顺序或者技术含义，不能理解为规定或者暗示所描述的对象的重要性。

图1所示为本发明提供的一种冷水机组故障诊断方法的一个优选实施例的流程示意图。

如图1所示，该诊断方法包括：

s10：获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

s20：对所述第一特征变量进行数据处理获得第二特征变量；

s30：将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

s40：根据诊断得到的结果获取所述冷水机组的故障诊断报告。

具体而言，首先获取冷水机组的运行数据，按照指定格式保存到数据文件中作为诊断数据，从中提取出第一特征变量，对第一特征变量进行相应的数据处理获得第二特征变量，然后使用预先训练好的深度学习模型对第二特征变量进行诊断得到诊断结果，最后根据诊断得到的结果输出冷水机组的故障诊断报告。

具体实施时，可以在线实时诊断冷水机组的故障，也可以离线诊断冷水机组的故障，即可以在冷水机组运行时实时获取运行数据进行故障诊断，也可以在冷水机组停止工作时，获取冷水机组运行时的运行数据进行故障诊断。需要说明的是，本发明实施例中采取的方式为在冷水机组停止工作时对冷水机组进行故障诊断，能够减少诊断时的影响因素，提高诊断的准确率，提供更准确的诊断报告，但本发明实施例的保护范围不局限于此。

本发明实施例提供的一种冷水机组故障诊断方法，从冷水机组的运行数据中提取第一特征变量，并对第一特征变量进行数据处理后获得第二特征变量，将第二特征变量输入预先训练好的深度学习模型进行诊断获取冷水机组的故障报告；利用了深度学习技术，对冷水机组进行故障诊断，能够诊断、检测出冷水机组的故障，并提供解决方案，消除冷水机组的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

在本发明实施例的另一个优选方案中，所述第一特征变量包括蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值。

需要说明的是，冷水机组的运行参数数据非常多，根据发明人实际测试，本发明实施例选用和冷水机组故障紧密相关的8个参数特征变量，包括：蒸发器出水温度、冷凝器进水温度、冷凝器出水温度、蒸发器出水温度与蒸发器制冷剂的饱和温度之差、冷凝器制冷剂饱和温度与冷凝器出水温度之差、过冷度、排气温度和压缩机底油温，对于本领域技术人员，可以在此基础上再添加其他与冷水机组故障相关的参数，这些未付出创造性劳动所做出的改进也在本发明实施例保护范围之内。

本发明实施例选择蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值作为冷水机组故障诊断时的诊断数据，能够得到更加准确的诊断结果。

在本发明实施例的又一个优选方案中，所述对所述第一特征变量进行数据处理获得第二特征变量，具体包括：

根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量；

对所述小波变换后的特征变量进行归一化处理，获得所述第二特征变量。

显而易见地，第二特征变量是与第一特征变量相对应的，包括经过数据处理之后的蒸发器出水温度、经过数据处理之后的冷凝器进水温度、经过数据处理之后的冷凝器出水温度、经过数据处理之后的蒸发器出水温度与蒸发器制冷剂的饱和温度之差、经过数据处理之后的冷凝器制冷剂饱和温度与冷凝器出水温度之差、经过数据处理之后的过冷度、经过数据处理之后的排气温度和经过数据处理之后的压缩机底油温。

可以理解地，获取得到的冷水机组的第一特征变量中存在噪声，为了提高冷水机组故障诊断的诊断精度，需要对采集的特征变量进行去噪处理。本发明实施例采用小波变换对第一特征变量进行去噪，以获得大量的原始信号，经过小波变换后的数据已经大大提高的数据的质量，但基于每个特征变量的参数单位不同，所以将第一特征变量先归一化到(0，1)中获得第二特征变量。需要说明的是，本发明实施例在建立深度学习模型时，输入端激励函数和输出端函数的阈值都在(0，1)范围内，所以要将数据归一化到(0，1)中。

本发明实施例对第一特征变量进行小波变换和归一化处理，能够提高冷水机组故障诊断的诊断精度。

作为上述优选方案的改进，所述根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量，具体包括：

对所述第一特征变量进行小波分解，获得小波分解后的特征变量；

对所述小波分解后的特征变量进行小波重构，获得所述小波变换后的特征变量。

作为上述优选方案的进一步改进，所述小波变换的小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05。

具体而言，先选择合适的小波基函数和小波阈值函数，然后对第一特征变量进行小波分解，得到第一特征变量的高频信号和低频信号，再对其中的高频信号进行去噪处理，最后将低频信号和去噪处理后的高频信号进行小波重构，获得小波变换后的特征变量。

显而易见地，在小波变换中分解层数、小波变换基以及阈值函数的选择都会影响到最终诊断结果的准确性，本发明实施例在小波变换时选择小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05，能够有效保留原信号的前提下去除信号中的噪声，能够进一步提高冷水机组故障诊断的诊断精度。

在本发明实施例的又一个优选方案中，所述深度学习模型根据adam优化算法和keras人工神经网络库构建获得。

可以理解地，深度学习模型的构建在很大程度上影响着最终诊断结果，而adam优化算法具有高效的计算能力，适合解决大规模数据的优化问题，可以替代传统随机梯度下降过程的一阶优化算法，通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应学习率；keras人工神经网络库作为tensorflow的高阶应用程序，可以进行深度学习模型的设计及调试，支持快速实验，故本发明实施例根据adam优化算法和keras人工神经网络库构建深度学习模型，但本发明实施例不限于此。

具体而言，本发明实施例通过keras人工神经网络库进行深度学习模型的建立，经过实际测试分析，本发明实施例中采用三层神经网络，输入层采用8个网络节点，分别对应冷水机组的8个参数特征变量，隐藏层的节点数根据实际冷水机组的特征进行调整，本发明实施例主要对冷水机组的常见8种故障进行诊断，所以输出层的节点数9，其中8个节点分别对应8种故障，另外一个结点代表正常状态。

作为上述优选方案的改进，所述深度学习模型在训练过程中使用损失函数进行评估；其中，所述损失函数为均方误差损失函数。

具体而言，采用机器学习中的k折交叉验证方法，将所有数据分成k份，每次不重复地取其中一份做测试集，用其他k-1份做训练集训练模型，之后计算该模型在测试集上的均方误差msei,将k次的msei取平均得到最后的mse，可以理解地，计算得到的mse越小，则可以表示训练得到的模型的准确率越高，故而选择mse最小的深度学习模型作为训练好的模型。

作为上述方案的进一步改进，可以在均方误差后再增加上正则化项，如贝叶斯正则化项，以解决模型的过拟合问题，提高模型的精度和泛化能力。

本发明实施例根据adam优化算法和keras人工神经网络库构建深度学习模型，并使用均方损失函数进行评估，能够最终构建一个准确率达到要求的深度学习模型，保证最终诊断结果的准确性。

在本发明实施例的又一个优选方案中，所述故障诊断报告包括正常状态报告以及故障状态报告；其中，所述故障状态报告中包括故障类型以及故障解决方案。

具体实施时，在对冷水机组进行故障诊断之后，输出此次故障诊断的报告，报告中主要说明冷水机组是正常状态或者是故障状态，在故障状态时一并给出解决故障的方案。可以理解的，输出的报告可以以文字形式输出，也可以以其它方式，例如以图片形式输出，图片输出时还可以包括第一特征变量或者第二特征变量中各个参数的数据曲线，本发明实施例对此不做限制。

本发明实施例在故障诊断报告中告知检测者冷水机组的状态，并在故障时给出相应的解决方案，能够消除冷水机组的故障，延长空调器的使用寿命。

本发明实施例提供的冷水机组故障诊断方法，从冷水机组的运行数据中提取第一特征变量，并对第一特征变量进行小波变换和归一化处理后获得第二特征变量，将第二特征变量输入预先训练好的深度学习模型进行诊断获取冷水机组的故障报告并提供故障对应的解决方案；利用了深度学习技术，对冷水机组进行故障诊断，能够诊断、检测出冷水机组的故障，并提供解决方案，消除冷水机组的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

应当理解，本发明实现上述冷水机组故障诊断方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述冷水机组故障诊断方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

图2所示为本发明提供的一种冷水机组故障诊断系统的一个优选实施例的结构示意图。

如图2所示，该诊断系统包括：数据获取模块21、数据处理模块22、深度学习模块23以及诊断报告模块24；其中，

所述数据获取模块21用于获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

所述数据处理模块22用于对所述第一特征变量进行数据处理获得第二特征变量；

所述深度学习模块23用于将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

所述诊断报告模块24用于根据诊断得到的结果获取所述冷水机组的故障诊断报告。

具体而言，数据获取模块21首先获取冷水机组的运行数据，按照指定格式保存到数据文件中作为诊断数据，并从中提取出第一特征变量，数据处理模块22对第一特征变量进行相应的数据处理获得第二特征变量，然后深度学习模块23使用预先训练好的深度学习模型对第二特征变量进行诊断得到诊断结果，最后诊断报告模块24根据诊断得到的结果输出冷水机组的故障诊断报告。

优选地，所述第一特征变量包括蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值。

优选地，所述数据处理模块22包括：

小波变换单元，用于根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量；

归一化单元，用于对所述小波变换后的特征变量进行归一化处理，获得所述第二特征变量。

进一步地，所述小波变换单元具体用于：

对所述第一特征变量进行小波分解，获得小波分解后的特征变量；

对所述小波分解后的特征变量进行小波重构，获得所述小波变换后的特征变量。

优选地，所述小波变换的小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05。

优选地，所述深度学习模型根据adam优化算法和keras人工神经网络库构建获得。

优选地，所述深度学习模型在训练过程中使用损失函数进行评估；其中，所述损失函数为均方误差损失函数。

作为上述方案的改进，可以在均方误差后再增加上正则化项，如贝叶斯正则化项，以解决模型的过拟合问题，提高模型的精度和泛化能力。

优选地，所述故障诊断报告包括正常状态报告以及故障状态报告；其中，所述故障状态报告中包括故障类型以及故障解决方案。

本发明实施例提供的冷水机组故障诊断系统，数据获取模块21从冷水机组的运行数据中提取第一特征变量，数据处理模块22对第一特征变量进行小波变换和归一化处理后获得第二特征变量，深度学习模块23将第二特征变量输入预先训练好的深度学习模型进行诊断，诊断报告模块24获取冷水机组的故障报告并提供故障对应的解决方案；利用了深度学习技术，对冷水机组进行故障诊断，能够诊断、检测出冷水机组的故障，并提供解决方案，消除冷水机组的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

图3所示为本发明提供的一种冷水机组故障诊断系统的另一个优选实施例的结构示意图。

如图3所示，该诊断系统包括：数据获取模块31、数据处理模块32、深度学习模块33、诊断报告模块34以及显示模块35；其中，

所述数据获取模块31用于获取用于诊断的冷水机组的运行数据，并从所述运行数据中提取第一特征变量；

所述数据处理模块32用于对所述第一特征变量进行数据处理获得第二特征变量；

所述深度学习模块33用于将所述第二特征变量输入预先训练好的深度学习模型进行诊断；

所述诊断报告模块34用于根据诊断得到的结果获取所述冷水机组的故障诊断报告；

所述显示模块35用于具体化显示所示第一特征变量、所述第二特征变量以及所述故障诊断报告。

可以理解地，显示模块35可以将第一特征变量或者第二特征变量中的各个参数的曲线图在同一张图中显示，也可以是每个参数独立显示，故障诊断报告可以以文字形式输出，也可以以其它方式，例如以图片形式输出，图片输出时还可以包括第一特征变量或者第二特征变量中各个参数的数据曲线，本发明实施例对此不做限制。

优选地，所述第一特征变量包括蒸发器出水温度值、冷凝器进水温度值、冷凝器出水温度值、蒸发器出水温度值与蒸发器制冷剂饱和温度值的差值、冷凝器制冷剂饱和温度与冷凝器出水温度的差值、过冷度值、排气温度值以及压缩机底油温值。

优选地，所述数据处理模块22包括：

小波变换单元，用于根据小波变换对所述第一特征变量进行去噪处理，获得小波变换后的特征变量；

归一化单元，用于对所述小波变换后的特征变量进行归一化处理，获得所述第二特征变量。

进一步地，所述小波变换单元具体用于：

对所述第一特征变量进行小波分解，获得小波分解后的特征变量；

对所述小波分解后的特征变量进行小波重构，获得所述小波变换后的特征变量。

优选地，所述小波变换的小波分解的分解层数为3层，小波变换基为db8，阈值函数为硬阈值函数，阈值为0.05。

优选地，所述深度学习模型根据adam优化算法和keras人工神经网络库构建获得。

优选地，所述深度学习模型在训练过程中使用损失函数进行评估；其中，所述损失函数为均方误差损失函数。

作为上述方案的改进，可以在均方误差后再增加上正则化项，如贝叶斯正则化项，以解决模型的过拟合问题，提高模型的精度和泛化能力。

优选地，所述故障诊断报告包括正常状态报告以及故障状态报告；其中，所述故障状态报告中包括故障类型以及故障解决方案。

本发明实施例提供的冷水机组故障诊断系统，数据获取模块31从冷水机组的运行数据中提取第一特征变量，数据处理模块32对第一特征变量进行小波变换和归一化处理后获得第二特征变量，深度学习模块33将第二特征变量输入预先训练好的深度学习模型进行诊断，诊断报告模块34获取冷水机组的故障报告并提供故障对应的解决方案，显示模块35具体化显示所示第一特征变量、所述第二特征变量以及所述故障诊断报告；利用了深度学习技术，对冷水机组进行故障诊断，能够诊断、检测出冷水机组的故障，并提供解决方案，并将故障以及解决方案具体化显示，更好地帮助检测者消除冷水机组的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

图4所示为本发明提供的一种空调器的一个优选实施例的结构示意图。

如图4所示，该空调器包括：空调器本体40、冷水机组41、存储器42、处理器43以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序；

其中，所述冷水机组41包括冷水机组故障诊断系统411、蒸发器412、冷凝器413以及压缩机414；

所述计算机程序被所述处理器43执行时实现如上述任意一个实施例所述的冷水机组故障诊断方法。

本发明实施例提供的空调器，能够对冷水机组41进行故障诊断，诊断、检测出冷水机组41的故障，并提供解决方案，消除冷水机组41的故障，能够降低空调器能耗，延长空调器的使用寿命，利于节约能源，与此同时，消除故障后能够使得空调器在正常状态下运行，更好地保持室内环境的舒适度。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器42中，并由所述处理器43执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述空调器本体40中的执行过程。

所称处理器43可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器42可用于存储所述计算机程序和/或模块，所述处理器43通过运行或执行存储在所述存储器42内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述空调器本体40的各种功能。所述存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

需要说明的是，上述空调器包括，但不仅限于，空调器本体40、冷水机组41、存储器42、处理器43，本领域技术人员可以理解，图4结构示意图仅仅是上述空调器的示例，并不构成对空调器的限定，可以包括比图示更多部件，或者组合某些部件，或者不同的部件。

以上所述，仅是本发明的优选实施方式，但本发明的保护范围并不局限于此，应当指出，对于本领域技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干等效的明显变形和/或同等替换，这些明显变形和/或同等替换也应视为本发明的保护范围。