一种采用AI模型算法的制冷设备管理系统的制作方法

本发明涉及控制调节，更具体地说，本发明涉及一种采用ai模型算法的制冷设备管理系统。

背景技术：

1、随着社会和科技的不断向前发展，人们对于生产生活品质的要求也在不断提高，因此，制冷设备也更多的出现在了冷藏领域当中，而在冷藏领域中，为了提高制冷设备的制冷效率，降低制冷设备的能耗，需要在制冷设备的运行状态进行检测，并制定针对性的措施，对制冷设备进行调节、控制和管理。

2、申请公开号为cn109542071a的中国专利申请公开了一种智能楼宇制冷设备管理系统，其设置集成管理平台系统，能将集成管理平台分为平台服务器、web服务器和web客户端，使制冷系统能够支持强大的基础管理功能，对智能楼宇制冷设备的海量监控数据进行快速存储和有效检索，使用户可以全面监控制冷设备的运行情况，进而实现了集成化的综合监控管理和系统间的联动，消灭信息“孤岛”，使整个楼宇的制冷更容易管理，有效降低维护成本，同时提高信息化程度；

3、现有技术存在以下不足：

4、现有的制冷设备管理系统在对制冷设备进行调节控制时，通过实时采集制冷设备的运行参数进行分析计算，并基于分析结果对制冷设备进行实时动态调节控制，当制冷设备处于不间断的连续工作模式时，实时采集数据分析计算的方式则无法对制冷设备未来可能出现的异常现象进行预测，使得制冷设备只有在出现异常故障现象时才能够被检测出，从而导致无法提前制定出针对性的优化控制措施对制冷设备进行调节控制，进而降低了制冷设备的调节控制效果。

5、鉴于此，本发明提出一种采用ai模型算法的制冷设备管理系统以解决上述问题。

技术实现思路

1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种采用ai模型算法的制冷设备管理系统，应用于ai服务器，包括：

2、数据采集模块，用于采集制冷设备的历史训练数据，历史训练数据包括综合运行参数和单位耗电量；

3、模型训练模块，用于基于历史训练数据，训练预测出未来时刻单位耗电量的机器学习模型，并基于训练完成的机器学习模型预测出未来时刻单位耗电量；

4、状态分析模块，用于将预测的未来时刻单位耗电量与预设的单位耗电阈值对比，生成耗电差值，并判定是否生成耗电超额提示；

5、控制指令模块，用于基于耗电差值，生成耗电超额级别，基于耗电超额级别，生成优化控制指令或紧急控制指令；

6、指令执行模块，用于根据优化控制指令，执行降低压缩机排气压力措施、降低冷凝器冷凝压力措施、降低压缩机吸气压力措施和降低蒸发器温度措施；根据紧急控制指令，执行停机检修措施。

7、进一步的，综合运行参数包括排气压力激增速率、冷凝压力波动度、吸气压力加载值和异常温差占比率；

8、排气压力激增速率的获取方法包括：

9、a1：通过安装在压缩机排气口的气压传感器监测压缩机的排气压力，直至压缩机的排气压力首次达到预设的最低压力值，将压缩机的排气压力首次达到预设的安全检测压力值的时刻记为起始时刻；

10、a2：动态监测压缩机的排气压力，当压缩机的排气压力不再上升时，记录不再上升时的压缩机的排气压力，记为顶点排气压力，并将首次出现顶点排气压力的时刻记为终末时刻；

11、a3：将大于预设的有效压力值的顶点排气压力记为稳定排气压力；

12、a4：将稳定排气压力和预设的最低压力值作差比较后，与终末时刻和起始时刻的差值比较，获得子激增速率；

13、a5：重复次a1-a4的步骤，获得个子激增速率；

14、子激增速率的表达式为：

15、；

16、式中，为第个子激增速率，为第个稳定排气压力，为预设的最低压力值，为第个终末时刻，为第个起始时刻；

17、a6：去掉子激增速率的最大值和最小值，将余下的个子激增速率累加后求平均，获得排气压力激增速率；

18、排气压力激增速率的表达式为：

19、；

20、式中，为排气压力激增速率，为第个子激增速率。

21、进一步的，冷凝压力波动度的获取方法包括：

22、将起始时刻至终末时刻对应的时间段标记为待测区段，按预设的待测时长将待测区段等分为个子区段，并分别标记个子区段的起点和终点；

23、对个子区段依次升序编号，通过安装在冷凝器上的压力传感器获取编号为偶数的个子区段的起点和终点的冷凝压力，获得个起点压力和个终点压力；

24、将个起点压力和个终点压力分别作差比较，获得个冷凝压力波动值；

25、冷凝压力波动值的表达式为：

26、；

27、式中，为第个冷凝压力波动值，为第个终点压力，为第个起点压力；

28、将第个冷凝压力波动值与第个冷凝压力波动值作差比较，获得个子波动值；

29、子波动值的表达式为：

30、；

31、式中，为第个子波动值，为第个冷凝压力波动值；

32、将个子波动值累加后，与个冷凝压力波动值的累加值比较，获得冷凝压力波动度；

33、冷凝压力波动度的表达式为：

34、；

35、式中，为冷凝压力波动度，为第个子波动值，为第个冷凝压力波动值。

36、进一步的，吸气压力加载值的获取方法包括：

37、b1：在吸气管道上选择具有变化内径区域和恒定内径区域的管道，且变化内径区域和恒定内径区域之间相互连接；

38、b2：将具有变化内径区域的管道和具有恒定内径区域的管道分别标记为第一管道和第二管道；

39、b3：以预设监测长度为标准，在第一管道上标记出个监测点，并通过气压传感器分别监测个监测点的吸气压力，获得个子吸气值；

40、b4：将个子吸气值累加后求平均，获得第一吸气值；

41、第一吸气值的表达式为：

42、；

43、式中，为第一吸气值，为第个子吸气值；

44、b5：通过气压传感器监测第二管道的吸气压力，获得第二吸气值；

45、b6：将第一吸气值与第二吸气值累加后求平均，获得吸气压力加载值；

46、吸气压力加载值的表达式为：

47、；

48、式中，为吸气压力加载值，为第二吸气值。

49、进一步的，异常温差占比率的获取方法包括：

50、c1：通过温度传感器监测蒸发器的工作温度值，将蒸发器的工作温度值首次达到零点值的时刻记为零点时刻；

51、c2：分别监测蒸发器和冷凝器在零点时刻时的工作温度值，记为蒸发器起始温度值和冷凝器起始温度值；

52、c3：经过预设的温度变化时长后，分别监测蒸发器的工作温度值和冷凝器的工作温度值，记为蒸发器端点温度值和冷凝器端点温度值；

53、c4：将蒸发器端点温度值与蒸发器起始温度值作差后，与预设的温度变化时长比较，获得蒸发器温度变化均值；

54、c5：将冷凝器端点温度值与冷凝器起始温度值作差后，与预设的温度变化时长比较，获得冷凝器温度变化均值；

55、c6：重复次c1-c5的步骤，获得个蒸发器温度变化均值和个冷凝器温度变化均值；

56、蒸发器温度变化均值的表达式为：

57、；

58、式中，为第个蒸发器温度变化均值，为第个蒸发器端点温度值，为第个蒸发器起始温度值，为预设的温度变化时长；

59、冷凝器温度变化均值的表达式为：

60、；

61、式中，为第个冷凝器温度变化均值，为第个冷凝器端点温度值，为第个冷凝器起始温度值；

62、c7：将大于等于冷凝器温度变化均值的蒸发器温度变化均值记为异常温度值，统计异常温度值的数量；

63、c8：将异常温度值的数量与比较，获得异常温差占比率；

64、异常温差占比率的表达式为：

65、；

66、式中，为异常温差占比率，为异常温度值的数量。

67、进一步的，预测出未来时刻单位耗电量的机器学习模型的训练方法包括：

68、将综合运行参数使用滑动窗口方法将其转化为多个特征向量，根据滑动步长将单位耗电量转换为与综合运行参数对应的标签，一个特征向量对应一个标签，并构成一组训练数据，多组训练数据构成训练集，预设预测时间步长t、滑动步长z以及滑动窗口长度n；

69、将特征向量作为机器学习模型的输入，预测时间步长t后的未来时刻单位耗电量作为输出，每个训练集的后续单位耗电量作为预测目标，以最小化的预测误差之和作为训练目标，对机器学习进行训练；生成根据综合传输参数预测未来时刻单位耗电量的机器学习模型。

70、进一步的，耗电差值的表达式为：

71、；

72、式中，为耗电差值，为预测的未来时刻单位耗电量，为预设的单位耗电阈值；

73、是否生成耗电超额提示的判定方法包括：

74、当大于0时，判定生成耗电超额提示；

75、当小于等于0时，判定不生成耗电超额提示。

76、进一步的，耗电超额级别包括第一超额级别和第二超额级别；

77、第一超额级别和第二超额级别的生成方法包括：

78、将耗电差值与预设的耗电差阈值比较；

79、当小于等于时，生成第一超额级别；

80、当大于时，生成第二超额级别；

81、优化控制指令或紧急控制指令的生成方法包括：

82、当耗电超额级别为第一超额级别时，生成优化控制指令；

83、当耗电超额级别为第二超额级别时，生成紧急控制指令。

84、进一步的，降低压缩机排气压力措施、降低冷凝器冷凝压力措施、降低压缩机吸气压力措施和降低蒸发器温度措施的执行方法包括：

85、将实时的排气压力激增速率与预设的排气压力安全值比较，当实时的排气压力激增速率大于预设的排气压力安全值时，执行降低压缩机排气压力措施；

86、将实时的冷凝压力波动度与预设的冷凝压力安全值比较，当实时的冷凝压力波动度大于预设的冷凝压力安全值时，执行降低冷凝器冷凝压力措施；

87、将实时的吸气压力加载值与预设的吸气压力安全值比较，当实时的吸气压力加载值大于预设的吸气压力安全值时，执行降低压缩机吸气压力措施；

88、将实时的异常温差占比率与预设的异常温差安全值比较，当实时的异常温差占比率大于预设的异常温差安全值时，执行降低蒸发器温度措施；

89、停机检修指令的执行方法包括：

90、当生成紧急控制指令时，执行停机检修措施，断开与制冷设备电性连接的继电开关。

91、进一步的，综合运行参数还包括压缩机电流、压缩机载位、压缩机的吸气控制压力、压缩机加减载延时、压缩机重启间隔、压缩机变频器频率、压缩机停机压力、压缩机电表、压缩机运行信号、压缩机运行时长、蒸发式冷凝器的排气压力、蒸发式冷凝器的水泵启动压力、蒸发式冷凝器的水泵停止压力、轴流风机启动压力、轴流风机停止压力、水泵启动延时、风机启动延时、桶泵运行信号、桶泵压力、桶泵液位、桶泵膨胀阀开度、冷凝蒸发器压力、冷凝蒸发器液位、冷凝蒸发器运行信号、冷风机压力、供液阀压力、热氟阀压力、回气阀压力、排液阀压力、冷风机电流、冷风机压差、霜层厚度、摄像头结霜厚度、库房温度湿度和库门开关次数；

92、将综合运行参数输入到训练完成的机器学习模型内，用于预测出制冷设备在未来时刻单位耗电量，并基于未来时刻单位耗电量，提前制定出对应的制冷设备优化控制措施。

93、本发明一种采用ai模型算法的制冷设备管理系统的技术效果和优点：

94、本发明通过采集制冷设备的历史训练数据，历史训练数据包括综合运行参数和单位耗电量，基于历史训练数据，训练预测出未来时刻单位耗电量的机器学习模型，并基于训练完成的机器学习模型预测出未来时刻单位耗电量，将预测的未来时刻单位耗电量与预设的单位耗电阈值对比，生成耗电差值，并判定是否生成耗电超额提示，基于耗电差值，生成耗电超额级别，基于耗电超额级别，生成优化控制指令或紧急控制指令，根据优化控制指令，控制制冷设备降低压缩机排气压力、降低冷凝器冷凝压力、降低压缩机吸气压力和降低蒸发器温度；根据紧急控制指令，控制制冷设备停机检修；相对于现有技术，能够基于机器学习模型提前预测出制冷设备在未来时刻的单位耗电量，从而评估制冷设备在未来时刻的工作状态是否发生异常现象，并基于预测结果，提前制定出能够改善制冷设备工作状态的指令措施，从而控制制冷设备在发生异常现象之前进行针对性的处理，进而避免制冷设备出现严重的异常故障情况，既能够降低制冷设备的单位能耗，提高运行能效比，也实现了制冷设备准确、高效且提前的优化控制效果。