冷媒檢測(cè)方法、裝置、除濕機(jī)及設(shè)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(cè)方法、裝置、除濕機(jī)及設(shè)備。

　　背景技術(shù)：

　　目前，冷媒檢測(cè)方法是基于專家經(jīng)驗(yàn)，在觀察和研究機(jī)器實(shí)際運(yùn)行參數(shù)的基礎(chǔ)上制定的。雖然這種方法取得了不錯(cuò)的效果，但是由于如除濕機(jī)這類基于冷媒的設(shè)備內(nèi)部結(jié)構(gòu)復(fù)雜，運(yùn)行過(guò)程中各狀態(tài)量之間的耦合關(guān)系和變化規(guī)律難以完全掌握，且專家經(jīng)驗(yàn)存在一定的主觀性等原因，導(dǎo)致控制規(guī)則復(fù)雜，泛化能力有待提升?，F(xiàn)有冷媒檢測(cè)判斷邏輯中存在判斷單一、適應(yīng)性差的缺陷。

　　技術(shù)實(shí)現(xiàn)要素：

　　本發(fā)明的主要目的在于克服上述現(xiàn)有技術(shù)的缺陷，提供了一種冷媒檢測(cè)方法、裝置、除濕機(jī)及設(shè)備，以解決現(xiàn)有技術(shù)的冷媒檢測(cè)方法主觀性強(qiáng)、泛化能力和適應(yīng)性差的問(wèn)題。

　　本發(fā)明一方面提供了一種冷媒檢測(cè)方法，包括：收集除濕機(jī)的運(yùn)行參數(shù)，所述運(yùn)行參數(shù)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(yùn)行參數(shù)作為輸入值，輸出結(jié)果冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標(biāo)準(zhǔn)量之比，所述冷媒的標(biāo)準(zhǔn)量為所述除濕機(jī)標(biāo)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(yù)設(shè)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(xùn)練好的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)上傳到服務(wù)器端；在所述服務(wù)器端根據(jù)從至少一個(gè)地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行強(qiáng)化訓(xùn)練；從所述服務(wù)器端獲取所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型更新現(xiàn)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?qū)嵤┕收咸幚?；所述給出故障提示信息包括：通過(guò)顯示設(shè)備顯示故障提示信息、通過(guò)音頻設(shè)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(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。

　　本發(fā)明的另一方面又提供了一種冷媒檢測(cè)裝置，包括：收集單元，用于收集除濕機(jī)的運(yùn)行參數(shù)，所述運(yùn)行參數(shù)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(yùn)行參數(shù)作為輸入值，輸出結(jié)果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標(biāo)準(zhǔn)量之比，所述冷媒的標(biāo)準(zhǔn)量為所述除濕機(jī)標(biāo)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(yù)設(shè)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(xùn)練好的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)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(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型更新現(xiàn)有的所述神經(jīng)網(wǎng)絡(luò)模型，所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型是在所述服務(wù)器端根據(jù)從至少一個(gè)地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行強(qiáng)化訓(xùn)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?qū)嵤┕收咸幚?；所述給出故障提示信息包括：通過(guò)顯示設(shè)備顯示故障提示信息、通過(guò)音頻設(shè)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(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。

　　本發(fā)明的又一方面又提供了一種除濕機(jī)，具有上述任一項(xiàng)所述的裝置。

　　本發(fā)明的再一方面又提供了一種設(shè)備，具有上述任一項(xiàng)所述的裝置。

　　可選地，所述設(shè)備為手機(jī)、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(jī)的運(yùn)行參數(shù)，將所述接收到的運(yùn)行參數(shù)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(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果向所述除濕機(jī)發(fā)送控制指令和/或故障提示信息，所述控制指令包括強(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。

　　本發(fā)明提供的技術(shù)方案相對(duì)于傳統(tǒng)的規(guī)則控制方法，其不依賴于專家經(jīng)驗(yàn)；而且通過(guò)大量樣本數(shù)據(jù)的學(xué)習(xí)，網(wǎng)絡(luò)可以自動(dòng)不斷修正自身參數(shù)，該控制算法的檢測(cè)準(zhǔn)確率也會(huì)隨著學(xué)習(xí)樣本數(shù)據(jù)的增加而增加，該方法具有很強(qiáng)的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力、泛化能力以及容錯(cuò)能力；另外該控制算法可適用不同的設(shè)備型號(hào)，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(jī)在不同地區(qū)、不同運(yùn)行工況下的適應(yīng)能力，例如在除濕機(jī)的應(yīng)用中，利用神經(jīng)網(wǎng)絡(luò)算法的自學(xué)習(xí)特性可以在后續(xù)收集除濕機(jī)的運(yùn)行數(shù)據(jù)，通過(guò)收集的數(shù)據(jù)用作后續(xù)對(duì)網(wǎng)絡(luò)的加強(qiáng)訓(xùn)練以更新網(wǎng)絡(luò)權(quán)值、偏置，使除濕機(jī)對(duì)于冷媒余量不足模式的判斷越來(lái)越準(zhǔn)確。

　　附圖說(shuō)明

　　此處所說(shuō)明的附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，構(gòu)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(gòu)成對(duì)本發(fā)明的不當(dāng)限定。在附圖中：

　　圖1是本發(fā)明提供的冷媒檢測(cè)方法的整體框架圖；

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

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

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

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

　　圖6是本發(fā)明提供的冷媒檢測(cè)方法的殘差塊的結(jié)構(gòu)示意圖；

　　圖7是本發(fā)明提供的冷媒檢測(cè)方法的神經(jīng)網(wǎng)絡(luò)模型開發(fā)訓(xùn)練的流程圖；

　　圖8是本發(fā)明提供的冷媒檢測(cè)方法的神經(jīng)網(wǎng)絡(luò)模型云數(shù)據(jù)強(qiáng)化訓(xùn)練的流程圖；

　　圖9是本發(fā)明提供的冷媒檢測(cè)裝置的整體框架圖；

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

　　圖11是本發(fā)明提供的設(shè)備的一種優(yōu)選實(shí)施例的結(jié)構(gòu)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(jié)合本發(fā)明具體實(shí)施例及相應(yīng)的附圖對(duì)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。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(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(hù)的范圍。

　　需要說(shuō)明的是，本發(fā)明的說(shuō)明書和權(quán)利要求書及上述附圖中的術(shù)語(yǔ)“第一”、“第二”等是用于區(qū)別類似的對(duì)象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)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?qū)嵤?。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(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過(guò)程、方法、產(chǎn)品或設(shè)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(cè)方法。圖1是本發(fā)明提供的冷媒檢測(cè)方法的整體框架圖；如圖1所示，本發(fā)明冷媒檢測(cè)方法包括：步驟s110，收集除濕機(jī)的運(yùn)行參數(shù)，所述運(yùn)行參數(shù)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(yùn)行參數(shù)作為輸入值，輸出結(jié)果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標(biāo)準(zhǔn)量之比，所述冷媒的標(biāo)準(zhǔn)量為所述除濕機(jī)銘牌上標(biāo)定的冷媒灌注量。根據(jù)本發(fā)明冷媒檢測(cè)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(yù)設(shè)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(yùn)用大量除濕機(jī)冷媒泄漏時(shí)的運(yùn)行參數(shù)樣本，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練。通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)節(jié)點(diǎn)間的權(quán)值，使神經(jīng)網(wǎng)絡(luò)擬合除濕機(jī)運(yùn)行參數(shù)之間的關(guān)系，最終使神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確檢測(cè)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(duì)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(xiàn)有專家算法的局限性，另外也利用其自身的自學(xué)習(xí)功能使算法網(wǎng)絡(luò)對(duì)于冷媒故障的判斷越來(lái)越準(zhǔn)確，泛化能力越來(lái)越強(qiáng)。

　　圖2是本發(fā)明提供的冷媒檢測(cè)方法的神經(jīng)網(wǎng)絡(luò)算法基本結(jié)構(gòu)示意圖。在不同工況下測(cè)試除濕機(jī)系統(tǒng)在不同比例冷媒情況運(yùn)行時(shí)，除濕機(jī)各傳感器(蒸發(fā)器溫度、排氣溫度等)數(shù)據(jù)，并以此最為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，如圖2所示，各種冷媒的不同比例作為期望輸出量。

　　根據(jù)冷媒泄漏的數(shù)據(jù)特性及其所蘊(yùn)含的規(guī)律，可初步確定神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)、網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)隱層數(shù)、隱節(jié)點(diǎn)數(shù)、網(wǎng)絡(luò)初始權(quán)值等。具體的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：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(cè)方法的bp神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖。bp網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)主要解決設(shè)幾個(gè)隱層和幾個(gè)隱節(jié)點(diǎn)的問(wèn)題。隱層和隱節(jié)點(diǎn)的確定需在網(wǎng)絡(luò)訓(xùn)練時(shí)不斷的調(diào)整。設(shè)計(jì)時(shí)先設(shè)置一個(gè)隱層，通過(guò)調(diào)整隱層節(jié)點(diǎn)數(shù)來(lái)改善網(wǎng)絡(luò)性能；當(dāng)隱節(jié)點(diǎn)數(shù)過(guò)多，出現(xiàn)過(guò)多擬合時(shí)，再考慮增加隱層，減少隱節(jié)點(diǎn)，來(lái)改善網(wǎng)絡(luò)性能。實(shí)際應(yīng)用時(shí)可以根據(jù)需要調(diào)整輸入層、隱層、輸出層節(jié)點(diǎn)數(shù)及隱層層數(shù)。

　　圖4是本發(fā)明提供的冷媒檢測(cè)方法的卷積神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)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)行分類或相關(guān)任務(wù)。不同比例冷媒存量的除濕機(jī)運(yùn)行時(shí)，除濕機(jī)的蒸發(fā)器溫度、環(huán)境溫度等傳感器表現(xiàn)出不同的運(yùn)行趨勢(shì)，本網(wǎng)絡(luò)的的分類和相關(guān)任務(wù)就是從不同比例冷媒存量除濕機(jī)的標(biāo)準(zhǔn)數(shù)據(jù)中找出相應(yīng)的運(yùn)行特征，并根據(jù)提取的相應(yīng)特征判斷出當(dāng)前的冷媒存量。卷積網(wǎng)絡(luò)通用結(jié)構(gòu)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(shù)據(jù)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(shù)據(jù)不同區(qū)域的相對(duì)特征，在數(shù)據(jù)相對(duì)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(cè)方法的殘差神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖。在調(diào)試卷積神經(jīng)網(wǎng)絡(luò)時(shí)，加深網(wǎng)絡(luò)層數(shù)和改變卷積核大小的方法并不能使得網(wǎng)絡(luò)表現(xiàn)得到提升。加入殘差塊可以更好地連接前后數(shù)據(jù)，加強(qiáng)特征表達(dá)能力，所以其能夠加強(qiáng)卷積網(wǎng)絡(luò)的學(xué)習(xí)能力。圖6是本發(fā)明提供的冷媒檢測(cè)方法的殘差塊的結(jié)構(gòu)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(jié)構(gòu)后，需要學(xué)習(xí)的目標(biāo)就變?yōu)閒(x)＝h(x)-x。

　　圖7是本發(fā)明提供的冷媒檢測(cè)方法的神經(jīng)網(wǎng)絡(luò)模型開發(fā)訓(xùn)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(shè)計(jì)實(shí)驗(yàn)方案獲取輸入數(shù)據(jù)；然后搭建網(wǎng)絡(luò)模型，確定輸入節(jié)點(diǎn)數(shù)m、隱層節(jié)點(diǎn)數(shù)n、輸出節(jié)點(diǎn)數(shù)l(參見圖3)；接下來(lái)挑選部分?jǐn)?shù)據(jù)訓(xùn)練網(wǎng)絡(luò)參數(shù)，更新權(quán)值w和偏置閾值b；之后再判斷準(zhǔn)確度是否滿足要求，若否則繼續(xù)訓(xùn)練參數(shù)更新權(quán)值w和偏置閾值b；若是則挑選部分?jǐn)?shù)據(jù)測(cè)試網(wǎng)絡(luò)；之后再判斷準(zhǔn)確度是否滿足要求，若否則繼續(xù)訓(xùn)練參數(shù)更新權(quán)值w和偏置閾值b；若是則開發(fā)訓(xùn)練過(guò)程結(jié)束。以上過(guò)程具體步驟可分為數(shù)據(jù)預(yù)處理階段、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)階段、本地訓(xùn)練階段和云數(shù)據(jù)強(qiáng)化訓(xùn)練階段。

　　其一，數(shù)據(jù)預(yù)處理階段包括：

　　1)原始數(shù)據(jù)搜集

　　搜集除濕機(jī)在冷媒泄漏時(shí)，在所有可能的運(yùn)行環(huán)境下的運(yùn)行參數(shù)，并進(jìn)行詳細(xì)標(biāo)注，標(biāo)注的內(nèi)容包括不同的冷媒存量運(yùn)行時(shí)，除濕機(jī)的蒸發(fā)器溫度、環(huán)境溫度等傳感器的運(yùn)行數(shù)據(jù)。具體搜集方式包括但不限于除濕機(jī)在實(shí)驗(yàn)室模擬環(huán)境下的運(yùn)行參數(shù)、通過(guò)物聯(lián)網(wǎng)技術(shù)搜集實(shí)際用戶使用時(shí)的空調(diào)運(yùn)行參數(shù)等方式。

　　2)輸入、輸出參數(shù)選擇及預(yù)處理

　　通過(guò)對(duì)原始數(shù)據(jù)的分析和結(jié)合專家知識(shí)，選取對(duì)冷媒泄漏檢測(cè)影響較大且易檢測(cè)的參數(shù)作為輸入?yún)?shù)，將冷媒剩余量作為輸出量。本發(fā)明中，輸入?yún)?shù)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?yún)?shù)不僅為單一參數(shù)，也包括輸入?yún)?shù)矩陣。

　　因各參數(shù)具有不同的物理意義和量綱，還需要對(duì)輸入?yún)?shù)作標(biāo)準(zhǔn)化處理，然后再進(jìn)行統(tǒng)一的變換處理。本發(fā)明中，數(shù)據(jù)處理方法，包括但不限于，對(duì)數(shù)據(jù)進(jìn)行歸一化等線性處理及對(duì)數(shù)變換、平方根變換、立方根變換等非線性處理。

　　3)訓(xùn)練和測(cè)試數(shù)據(jù)樣本集選取

　　通過(guò)對(duì)已搜集并標(biāo)注數(shù)據(jù)的分析和結(jié)合專家知識(shí)，對(duì)數(shù)據(jù)樣本按一定的規(guī)則進(jìn)行分類，比如按照不同比例的冷媒存量運(yùn)行作為一個(gè)表格儲(chǔ)存分類。從不同類別的樣本中，均勻提取數(shù)據(jù)，作為訓(xùn)練樣本。訓(xùn)練樣本不僅要蘊(yùn)含冷媒泄漏的規(guī)律，還要體現(xiàn)出多樣性和均勻性。列出所有的樣本數(shù)據(jù)，然后按一定的間隔讀取作為訓(xùn)練樣本數(shù)據(jù)；提取出訓(xùn)練樣本后，剩余的數(shù)據(jù)可作為測(cè)試數(shù)據(jù)。

　　其二，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)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(jié)構(gòu)，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(jí)人工神經(jīng)網(wǎng)絡(luò)，或者深度學(xué)習(xí)網(wǎng)絡(luò)如cnn(convolutionalneuralnetwork,卷積神經(jīng)網(wǎng)絡(luò))。

　　其三，本地訓(xùn)練階段

　　根據(jù)本發(fā)明冷媒檢測(cè)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(shù)采用sigmod函數(shù):σ(z)＝1/(1+e-z)。在訓(xùn)練之前要初始化網(wǎng)絡(luò)的各層之間的權(quán)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(xí)速度η；確定網(wǎng)絡(luò)的最大訓(xùn)練步長(zhǎng)：epoch。

　　根據(jù)前期獲得測(cè)試數(shù)據(jù)，挑選部分實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另外一部分作為測(cè)試數(shù)據(jù)，導(dǎo)入輸入數(shù)據(jù)x，根據(jù)激活函數(shù)、初始化的權(quán)值及偏置計(jì)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)是否滿足輸出精度要求即:‖y(x)-al(x)‖<∈

　　如果滿足精度要求則結(jié)束訓(xùn)練，如不滿足則根據(jù)以下方式更新網(wǎng)絡(luò)的權(quán)值wk,偏置bl：所述神經(jīng)網(wǎng)絡(luò)模型的誤差能量函數(shù)采用c(w,b)為誤差能量函數(shù)(以標(biāo)準(zhǔn)方差函數(shù)為例)，n為訓(xùn)練樣本的總數(shù)量,求和是在總的訓(xùn)練樣本x上進(jìn)行。

　　更新各層權(quán)值：

　　更新各層偏置：

　　其中：wk為初始權(quán)值，為誤差能量函數(shù)對(duì)權(quán)值的偏導(dǎo)數(shù)；bl為初始偏置，為誤差能量函數(shù)對(duì)偏置的偏導(dǎo)數(shù)；的值可通過(guò)鏈?zhǔn)角髮?dǎo)法則獲得。直至網(wǎng)絡(luò)的輸出精度達(dá)到小于∈為止。

　　最后進(jìn)行網(wǎng)絡(luò)測(cè)試：網(wǎng)絡(luò)訓(xùn)練完成后，再用測(cè)試樣本正向測(cè)試網(wǎng)絡(luò)。在測(cè)試數(shù)據(jù)中挑選部分?jǐn)?shù)據(jù)測(cè)試訓(xùn)練好的網(wǎng)絡(luò)，判斷輸出是否滿足期望要求，如不滿足則則重復(fù)以上步驟，重新訓(xùn)練網(wǎng)絡(luò)直至滿足網(wǎng)絡(luò)輸出滿足要求；若測(cè)試誤差滿足要求，則網(wǎng)絡(luò)訓(xùn)練測(cè)試完成。

　　其四，云數(shù)據(jù)強(qiáng)化訓(xùn)練階段

　　圖8是本發(fā)明提供的冷媒檢測(cè)方法的神經(jīng)網(wǎng)絡(luò)模型云數(shù)據(jù)強(qiáng)化訓(xùn)練的流程圖。如圖8所示，根據(jù)本發(fā)明冷媒檢測(cè)方法的一種實(shí)施方式，還包括：將訓(xùn)練好的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)上傳到服務(wù)器端；在所述服務(wù)器端根據(jù)從至少一個(gè)地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行強(qiáng)化訓(xùn)練；從所述服務(wù)器端獲取所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型更新現(xiàn)有的所述神經(jīng)網(wǎng)絡(luò)模型。具體地，將訓(xùn)練好的網(wǎng)絡(luò)集成的除濕機(jī)的無(wú)線模塊，不同地區(qū)的除濕機(jī)上電運(yùn)行后將實(shí)際的運(yùn)行數(shù)據(jù)傳到后臺(tái)云端，云端根據(jù)除濕機(jī)上傳的實(shí)際運(yùn)行數(shù)據(jù)定期對(duì)現(xiàn)有網(wǎng)絡(luò)強(qiáng)化訓(xùn)練，將強(qiáng)化訓(xùn)練后的網(wǎng)絡(luò)通過(guò)除濕機(jī)無(wú)線模塊在線更新網(wǎng)絡(luò)，以滿足實(shí)際的運(yùn)行需要，使網(wǎng)絡(luò)的對(duì)于冷媒故障的判斷越來(lái)越準(zhǔn)確，泛化能力越來(lái)越強(qiáng)。

　　根據(jù)本發(fā)明冷媒檢測(cè)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?qū)嵤┕收咸幚?；所述給出故障提示信息包括：通過(guò)顯示設(shè)備顯示故障提示信息、通過(guò)音頻設(shè)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(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。具體地，當(dāng)檢測(cè)到冷媒泄露后，通過(guò)除濕機(jī)的led燈或lcd顯示屏顯示缺氟故障代碼，發(fā)現(xiàn)故障及時(shí)給出提示和實(shí)施處理可以確保設(shè)備安全運(yùn)行。

　　本發(fā)明的另一方面又提供了一種冷媒檢測(cè)裝置。圖9是本發(fā)明提供的冷媒檢測(cè)裝置的整體框架圖。如圖9所示，本發(fā)明冷媒檢測(cè)裝置包括：收集單元100，用于收集除濕機(jī)的運(yùn)行參數(shù)，所述運(yùn)行參數(shù)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(yùn)行參數(shù)作為輸入值，輸出結(jié)果為冷媒比例，所述冷媒比例為剩余的冷媒量與冷媒的標(biāo)準(zhǔn)量之比，所述冷媒的標(biāo)準(zhǔn)量為所述除濕機(jī)標(biāo)定的冷媒灌注量。

　　圖10是本發(fā)明提供的冷媒檢測(cè)裝置的一種優(yōu)選實(shí)施例的結(jié)構(gòu)示意圖。如圖10所示，根據(jù)本發(fā)明冷媒檢測(cè)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(yù)設(shè)的比例閾值時(shí)判斷為冷媒余量不足。

　　根據(jù)本發(fā)明冷媒檢測(cè)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(jù)本發(fā)明冷媒檢測(cè)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(shù)采用sigmod函數(shù):σ(z)＝1/(1+e-z)。

　　根據(jù)本發(fā)明冷媒檢測(cè)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(shù)采用

　　根據(jù)本發(fā)明冷媒檢測(cè)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(xùn)練好的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)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(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型更新現(xiàn)有的所述神經(jīng)網(wǎng)絡(luò)模型，所述強(qiáng)化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型是在所述服務(wù)器端根據(jù)從至少一個(gè)地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行參數(shù)對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行強(qiáng)化訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)模型。

　　根據(jù)本發(fā)明冷媒檢測(cè)裝置的一種實(shí)施方式，還包括：參數(shù)處理單元600，用于對(duì)所述收集到的運(yùn)行參數(shù)做標(biāo)準(zhǔn)化處理和/或變換處理，所述標(biāo)準(zhǔn)化處理包括歸一化處理，所述變換處理包括對(duì)數(shù)變換、平方根變換和/或立方根變換。

　　根據(jù)本發(fā)明冷媒檢測(cè)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?qū)嵤┕收咸幚?；所述給出故障提示信息包括：通過(guò)顯示設(shè)備顯示故障提示信息、通過(guò)音頻設(shè)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(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。

　　本發(fā)明的又一方面又提供了一種除濕機(jī)，具有上述任一項(xiàng)所述的裝置。

　　本發(fā)明的再一方面又提供了一種設(shè)備，具有上述任一項(xiàng)所述的裝置。

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

　　圖11是本發(fā)明提供的設(shè)備的一種優(yōu)選實(shí)施例的結(jié)構(gòu)示意圖。根據(jù)本發(fā)明設(shè)備的一種實(shí)施方式，所述設(shè)備還包括：第二通訊單元450，用于接收來(lái)自除濕機(jī)的運(yùn)行參數(shù)，將所述接收到的運(yùn)行參數(shù)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(jù)所述神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果向所述除濕機(jī)發(fā)送控制指令和/或故障提示信息，所述控制指令包括強(qiáng)制關(guān)停除濕機(jī)的壓縮機(jī)負(fù)載和/或風(fēng)機(jī)負(fù)載。所述設(shè)備是指帶有存儲(chǔ)單元的設(shè)備，并不限于手機(jī)、電腦、服務(wù)器或路由器，其功能是獲取除濕機(jī)的運(yùn)行參數(shù)，運(yùn)行神經(jīng)網(wǎng)絡(luò)算法，再將結(jié)果或相應(yīng)的指令發(fā)送給除濕機(jī)。

　　本發(fā)明的再一方面又提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)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(jī)，包括處理器、存儲(chǔ)器以及存儲(chǔ)在存儲(chǔ)器上可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)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(shè)備，包括處理器、存儲(chǔ)器以及存儲(chǔ)在存儲(chǔ)器上可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述任一所述方法的步驟。

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

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

　　本發(fā)明提供的技術(shù)方案相對(duì)于傳統(tǒng)的規(guī)則控制方法，其不依賴于專家經(jīng)驗(yàn)；而且通過(guò)大量樣本數(shù)據(jù)的學(xué)習(xí)，網(wǎng)絡(luò)可以自動(dòng)不斷修正自身參數(shù)，該控制算法的檢測(cè)準(zhǔn)確率也會(huì)隨著學(xué)習(xí)樣本數(shù)據(jù)的增加而增加，該方法具有很強(qiáng)的非線性映射能力、自學(xué)習(xí)和自適應(yīng)能力、泛化能力以及容錯(cuò)能力；另外該控制算法可適用不同的設(shè)備型號(hào)，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(jī)在不同地區(qū)、不同運(yùn)行工況下的適應(yīng)能力，例如在除濕機(jī)的應(yīng)用中，利用神經(jīng)網(wǎng)絡(luò)算法的自學(xué)習(xí)特性可以在后續(xù)收集除濕機(jī)的運(yùn)行數(shù)據(jù)，通過(guò)收集的數(shù)據(jù)用作后續(xù)對(duì)網(wǎng)絡(luò)的加強(qiáng)訓(xùn)練以更新網(wǎng)絡(luò)權(quán)值、偏置，使除濕機(jī)對(duì)于冷媒余量不足模式的判斷越來(lái)越準(zhǔn)確。

　　本文中所描述的功能可在硬件、由處理器執(zhí)行的軟件、固件或其任何組合中實(shí)施。如果在由處理器執(zhí)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(chǔ)于計(jì)算機(jī)可讀媒體上或經(jīng)由計(jì)算機(jī)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(quán)利要求書的范圍及精神內(nèi)。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、硬連線或這些中的任何者的組合執(zhí)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(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。

　　在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過(guò)其它的方式實(shí)現(xiàn)。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(xiàn)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(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)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?jù)實(shí)際的需要選擇其中的部分或者全部單元來(lái)實(shí)現(xiàn)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(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)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(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)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(chǔ)介質(zhì)包括：u盤、只讀存儲(chǔ)器(rom，read-onlymemory)、隨機(jī)存取存儲(chǔ)器(ram，randomaccessmemory)、移動(dòng)硬盤、磁碟或者光盤等各種可以存儲(chǔ)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(duì)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(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求范圍之內(nèi)。