用于训练冷媒泄漏概率预测模型的方法及装置、电子设备、存储介质制造方法及图纸

本申请涉及空调器技术领域，公开一种用于训练冷媒泄漏概率预测模型的方法，包括：获取空调历史运行数据和空调历史运行数据对应的冷媒泄漏情况；将空调历史运行数据和冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；获取预设环境温度和预设冷媒泄漏量所对应的空调测试运行数据；根据各空调测试运行数据对备选冷媒泄漏概率预测模型进行修正，获得冷媒泄漏概率预测模型。通过空调器处于不同冷媒泄漏量和环境温度时的空调测试运行数据对备选冷媒泄漏概率预测模型进行修正，提高了冷媒泄漏概率预测模型预测冷媒泄漏概率的准确率。本申请还公开一种用于训练冷媒泄漏概率预测模型的装置及电子设备、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
用于训练冷媒泄漏概率预测模型的方法及装置、电子设备、存储介质


[0001]本申请涉及空调器
，例如涉及一种用于训练冷媒泄漏概率预测模型的方法及装置、电子设备、存储介质。

技术介绍

[0002]目前，空调器应用越来越广泛。空调器在运行过程中可能会出现冷媒泄漏的情况，为了在空调器发生冷媒泄漏时及时进行处理，需要实时了解空调器是否冷媒泄漏。
[0003]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
[0004]现有技术通过利用预设时间段内的空调历史运行数据来训练冷媒泄漏概率预测模型，并通过得到的冷媒泄漏概率预测模型预测冷媒是否泄漏。但是在空调实际运行过程中，空调冷媒泄漏是小概率事件，未发生冷媒泄漏的空调历史运行数据更多，导致训练出来的空调冷媒泄漏模型对冷媒泄漏的预测准确性不高。

技术实现思路

[0005]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0006]本公开实施例提供了一种用于训练冷媒泄漏概率预测模型的方法及装置、电子设备、存储介质，以能够提高冷媒泄漏概率预测模型预测冷媒泄漏概率的准确率。
[0007]在一些实施例中，所述用于训练冷媒泄漏概率预测模型的方法包括：获取空调历史运行数据和所述空调历史运行数据对应的冷媒泄漏情况；所述冷媒泄露情况用于表征冷媒是否泄漏；将所述空调历史运行数据和所述冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；获取预设环境温度和预设冷媒泄漏量所对应的空调测试运行数据；根据各所述空调测试运行数据对所述备选冷媒泄漏概率预测模型进行修正，获得所述冷媒泄漏概率预测模型。
[0008]在一些实施例中，所述用于训练冷媒泄漏概率预测模型的装置包括：第一获取模块，被配置为获取空调历史运行数据和所述空调历史运行数据对应的冷媒泄漏情况；所述冷媒泄露情况用于表征冷媒是否泄漏；训练模块，被配置为将所述空调历史运行数据和所述冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；第二获取模块，被配置为获取预设环境温度和预设冷媒泄漏量所对应的空调测试运行数据；修正模块，被配置为根据各所述空调测试运行数据对所述备选冷媒泄漏概率预测模型进行修正，获得所述冷媒泄漏概率预测模型。
[0009]在一些实施例中，所述用于训练冷媒泄漏概率预测模型的装置包括：处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行如上述的用于训练冷媒泄漏概率预测模型的方法。
[0010]在一些实施例中，所述电子设备包括如上述的用于训练冷媒泄漏概率预测模型的装置。
[0011]在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行如上述的用于训练冷媒泄漏概率预测模型的方法。
[0012]本公开实施例提供的用于训练冷媒泄漏概率预测模型的方法及装置、电子设备、存储介质，可以实现以下技术效果：通过将空调历史运行数据和对应的冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型，利用预设环境温度和预设冷媒泄漏量的空调测试运行数据对备选冷媒泄漏概率预测模型进行修正，获得冷媒泄漏概率预测模型。这样，通过空调器处于不同冷媒泄漏量和环境温度时的空调测试运行数据对备选冷媒泄漏概率预测模型进行修正，增加了在冷媒泄漏方面的空调测试运行数据并考虑到了环境温度对空调历史运行数据的影响，进而提高了冷媒泄漏概率预测模型预测冷媒泄漏概率的准确率。
[0013]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0014]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0015]图1是本公开实施例提供的一个用于训练冷媒泄漏概率预测模型的方法的示意图；
[0016]图2是本公开实施例提供的另一个用于训练冷媒泄漏概率预测模型的方法的示意图；
[0017]图3是本公开实施例提供的另一个用于训练冷媒泄漏概率预测模型的方法的示意图；
[0018]图4是本公开实施例提供的一个用于训练冷媒泄漏概率预测模型的装置的结构示意图；
[0019]图5是本公开实施例提供的另一个用于训练冷媒泄漏概率预测模型的装置的结构示意图；
[0020]图6是本公开实施例提供的另一个用于训练冷媒泄漏概率预测模型的装置的结构示意图。
具体实施方式
[0021]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0022]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在
适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0023]除非另有说明，术语“多个”表示两个或两个以上。
[0024]本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
[0025]术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
[0026]术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
[0027]结合图1所示，本公开实施例提供一种用于训练冷媒泄漏概率预测模型的方法，包括：
[0028]步骤S101，获取空调历史运行数据和空调历史运行数据对应的冷媒泄漏情况；冷媒泄露情况用于表征冷媒是否泄漏；
[0029]步骤S102，将空调历史运行数据和空调历史运行数据对应的冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；
[0030]步骤S103，获取预设环境温度和预设冷媒泄漏量所对应的空调测试运行数据；
[0031]步骤S104，根据各空调测试运行数据对备选冷媒泄漏概率预测模型进行修正，获得冷媒泄漏概率预测模型；冷媒泄漏概率预测模型用于根据空调运行数据输出空调器发生冷媒泄漏的概率。
[0032]采用本公开实施例提供的用于训练冷媒泄漏概率预测模型的方法，通过将空调历史运行数据和对应的冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型，利用预设环境温度和预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练冷媒泄漏概率预测模型的方法，其特征在于，包括：获取空调历史运行数据和所述空调历史运行数据对应的冷媒泄漏情况；所述冷媒泄露情况用于表征冷媒是否泄漏；将所述空调历史运行数据和所述冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；获取预设环境温度和预设冷媒泄漏量所对应的空调测试运行数据；根据各所述空调测试运行数据对所述备选冷媒泄漏概率预测模型进行修正，获得冷媒泄漏概率预测模型。2.根据权利要求1所述的方法，其特征在于，根据各所述空调测试运行数据对所述备选冷媒泄漏概率预测模型进行修正，获得冷媒泄漏概率预测模型，包括：确定各所述空调测试运行数据对应的冷媒泄漏情况；将各所述空调测试运行数据和各所述空调测试运行数据对应的冷媒泄漏情况输入所述备选冷媒泄漏概率预测模型进行训练，获得冷媒泄漏概率预测模型。3.根据权利要求1或2所述的方法，其特征在于，获得冷媒泄漏概率预测模型之后，还包括：采集空调运行数据；将所述空调运行数据输入所述冷媒泄漏概率预测模型，获得冷媒泄漏概率；根据所述冷媒泄漏概率进行空调器控制。4.根据权利要求3所述的方法，其特征在于，根据所述冷媒泄漏概率进行空调器控制，包括：在所述冷媒泄漏概率处于预设范围的情况下，进行预警提示或触发所述空调器停机。5.一种用于训练冷媒泄漏概率预测模型的装置，其特征在于，包括：第一获取模块，被配置为获取空调历史运行数据和所述空调历史运行数据对应的冷媒泄漏情况；所述冷媒泄露情况用于表征冷媒是否泄漏；训练模块，被配置为将所述空调历史运行数据和所述冷媒泄漏情况输入预设的神经网络模型进行训练，获得备选冷媒泄漏概率预测模型；第二获取模块，被配置为获取预设环境...

【专利技术属性】
技术研发人员：代传民，孙萍，滕兆龙，马长鸣，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：