冷媒檢測方法、裝置、除濕機及設(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方法、裝置、除濕機及設(shè)備。

　　背景技術(shù)：

　　目前，冷媒檢測方法是基于專家經(jīng)驗，在觀察和研究機器實際運行參數(shù)的基礎(chǔ)上制定的。雖然這種方法取得了不錯的效果，但是由于如除濕機這類基于冷媒的設(shè)備內(nèi)部結(jié)構(gòu)復(fù)雜，運行過程中各狀態(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)有冷媒檢測判斷邏輯中存在判斷單一、適應(yīng)性差的缺陷。

　　技術(shù)實現(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方法、裝置、除濕機及設(shè)備，以解決現(xiàn)有技術(shù)的冷媒檢測方法主觀性強、泛化能力和適應(yīng)性差的問題。

　　本發(fā)明一方面提供了一種冷媒檢測方法，包括：收集除濕機的運行參數(shù)，所述運行參數(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準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

　　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)從至少一個地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運行參數(shù)對所述神經(jīng)網(wǎng)絡(luò)模型進行強化訓(xùn)練；從所述服務(wù)器端獲取所述強化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強化訓(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：通過顯示設(shè)備顯示故障提示信息、通過音頻設(shè)備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的另一方面又提供了一種冷媒檢測裝置，包括：收集單元，用于收集除濕機的運行參數(shù)，所述運行參數(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準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

　　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)器端獲取所述強化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強化訓(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)從至少一個地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運行參數(shù)對所述神經(jīng)網(wǎng)絡(luò)模型進行強化訓(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：通過顯示設(shè)備顯示故障提示信息、通過音頻設(shè)備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。

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

　　可選地，所述設(shè)備為手機、電腦、服務(wù)器或路由器。

　　可選地，還包括：第二通訊單元，用于接收來自除濕機的運行參數(shù)，將所述接收到的運行參數(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)果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明提供的技術(shù)方案相對于傳統(tǒng)的規(guī)則控制方法，其不依賴于專家經(jīng)驗；而且通過大量樣本數(shù)據(jù)的學(xué)習(xí)，網(wǎng)絡(luò)可以自動不斷修正自身參數(shù)，該控制算法的檢測準確率也會隨著學(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、泛化能力以及容錯能力；另外該控制算法可適用不同的設(shè)備型號，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在不同地區(qū)、不同運行工況下的適應(yīng)能力，例如在除濕機的應(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)收集除濕機的運行數(shù)據(jù)，通過收集的數(shù)據(jù)用作后續(xù)對網(wǎng)絡(luò)的加強訓(xùn)練以更新網(wǎng)絡(luò)權(quán)值、偏置，使除濕機對于冷媒余量不足模式的判斷越來越準確。

　　附圖說明

　　此處所說明的附圖用來提供對本發(fā)明的進一步理解，構(gòu)成本發(fā)明的一部分，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

　　圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；

　　圖2是本發(fā)明提供的冷媒檢測方法的神經(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)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò)模型云數(shù)據(jù)強化訓(xùn)練的流程圖；

　　圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖；

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

　　圖11是本發(fā)明提供的設(shè)備的一種優(yōu)選實施例的結(jié)構(gòu)示意圖。

　　具體實施方式

　　為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明具體實施例及相應(yīng)的附圖對本發(fā)明技術(shù)方案進行清楚、完整地描述。顯然，所描述的實施例僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

　　需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，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４送?，術(shù)語“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方法。圖1是本發(fā)明提供的冷媒檢測方法的整體框架圖；如圖1所示，本發(fā)明冷媒檢測方法包括：步驟s110，收集除濕機的運行參數(shù)，所述運行參數(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準量之比，所述冷媒的標準量為所述除濕機銘牌上標定的冷媒灌注量。根據(jù)本發(fā)明冷媒檢測方法的一種實施方式，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，運用大量除濕機冷媒泄漏時的運行參數(shù)樣本，對神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練。通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)及網(wǎng)絡(luò)節(jié)點間的權(quán)值，使神經(jīng)網(wǎng)絡(luò)擬合除濕機運行參數(shù)之間的關(guān)系，最終使神經(jīng)網(wǎng)絡(luò)能準確檢測出冷媒泄漏量。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)算法對冷媒進行故障的判斷，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)對于冷媒故障的判斷越來越準確，泛化能力越來越強。

　　圖2是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò)算法基本結(jié)構(gòu)示意圖。在不同工況下測試除濕機系統(tǒng)在不同比例冷媒情況運行時，除濕機各傳感器(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)點數(shù)、網(wǎng)絡(luò)隱層數(shù)、隱節(jié)點數(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)計主要解決設(shè)幾個隱層和幾個隱節(jié)點的問題。隱層和隱節(jié)點的確定需在網(wǎng)絡(luò)訓(xùn)練時不斷的調(diào)整。設(shè)計時先設(shè)置一個隱層，通過調(diào)整隱層節(jié)點數(shù)來改善網(wǎng)絡(luò)性能；當(dāng)隱節(jié)點數(shù)過多，出現(xiàn)過多擬合時，再考慮增加隱層，減少隱節(jié)點，來改善網(wǎng)絡(luò)性能。實際應(yīng)用時可以根據(jù)需要調(diào)整輸入層、隱層、輸出層節(jié)點數(shù)及隱層層數(shù)。

　　圖4是本發(fā)明提供的冷媒檢測方法的卷積神經(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進行分類或相關(guān)任務(wù)。不同比例冷媒存量的除濕機運行時，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器表現(xiàn)出不同的運行趨勢，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的標準數(shù)據(jù)中找出相應(yīng)的運行特征，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)域的相對特征，在數(shù)據(jù)相對時移時不影響網(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，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)，加強特征表達能力，所以其能夠加強卷積網(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)的目標就變?yōu)閒(x)＝h(x)-x。

　　圖7是本發(fā)明提供的冷媒檢測方法的神經(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)計實驗方案獲取輸入數(shù)據(jù)；然后搭建網(wǎng)絡(luò)模型，確定輸入節(jié)點數(shù)m、隱層節(jié)點數(shù)n、輸出節(jié)點數(shù)l(參見圖3)；接下來挑選部分數(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；若是則挑選部分數(shù)據(jù)測試網(wǎng)絡(luò)；之后再判斷準確度是否滿足要求，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)練過程結(jié)束。以上過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)計階段、本地訓(xùn)練階段和云數(shù)據(jù)強化訓(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

　　搜集除濕機在冷媒泄漏時，在所有可能的運行環(huán)境下的運行參數(shù)，并進行詳細標注，標注的內(nèi)容包括不同的冷媒存量運行時，除濕機的蒸發(fā)器溫度、環(huán)境溫度等傳感器的運行數(shù)據(jù)。具體搜集方式包括但不限于除濕機在實驗室模擬環(huán)境下的運行參數(shù)、通過物聯(lián)網(wǎng)技術(shù)搜集實際用戶使用時的空調(diào)運行參數(shù)等方式。

　　2)輸入、輸出參數(shù)選擇及預(yù)處理

　　通過對原始數(shù)據(jù)的分析和結(jié)合專家知識，選取對冷媒泄漏檢測影響較大且易檢測的參數(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，還需要對輸入?yún)?shù)作標準化處理，然后再進行統(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，對數(shù)據(jù)進行歸一化等線性處理及對數(shù)變換、平方根變換、立方根變換等非線性處理。

　　3)訓(xùn)練和測試數(shù)據(jù)樣本集選取

　　通過對已搜集并標注數(shù)據(jù)的分析和結(jié)合專家知識，對數(shù)據(jù)樣本按一定的規(guī)則進行分類，比如按照不同比例的冷媒存量運行作為一個表格儲存分類。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)可作為測試數(shù)據(jù)。

　　其二，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計階段

　　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)明冷媒檢測方法的一種實施方式，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：epoch。

　　根據(jù)前期獲得測試數(shù)據(jù)，挑選部分實驗數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另外一部分作為測試數(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)值及偏置計算出網(wǎng)絡(luò)的實際輸出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)(以標準方差函數(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)對權(quán)值的偏導(dǎo)數(shù)；bl為初始偏置，為誤差能量函數(shù)對偏置的偏導(dǎo)數(shù)；的值可通過鏈式求導(dǎo)法則獲得。直至網(wǎng)絡(luò)的輸出精度達到小于∈為止。

　　最后進行網(wǎng)絡(luò)測試：網(wǎng)絡(luò)訓(xùn)練完成后，再用測試樣本正向測試網(wǎng)絡(luò)。在測試數(shù)據(jù)中挑選部分數(shù)據(jù)測試訓(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；若測試誤差滿足要求，則網(wǎng)絡(luò)訓(xùn)練測試完成。

　　其四，云數(shù)據(jù)強化訓(xùn)練階段

　　圖8是本發(fā)明提供的冷媒檢測方法的神經(jīng)網(wǎng)絡(luò)模型云數(shù)據(jù)強化訓(xùn)練的流程圖。如圖8所示，根據(jù)本發(fā)明冷媒檢測方法的一種實施方式，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)從至少一個地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運行參數(shù)對所述神經(jīng)網(wǎng)絡(luò)模型進行強化訓(xùn)練；從所述服務(wù)器端獲取所述強化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強化訓(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)集成的除濕機的無線模塊，不同地區(qū)的除濕機上電運行后將實際的運行數(shù)據(jù)傳到后臺云端，云端根據(jù)除濕機上傳的實際運行數(shù)據(jù)定期對現(xiàn)有網(wǎng)絡(luò)強化訓(xùn)練，將強化訓(xùn)練后的網(wǎng)絡(luò)通過除濕機無線模塊在線更新網(wǎng)絡(luò)，以滿足實際的運行需要，使網(wǎng)絡(luò)的對于冷媒故障的判斷越來越準確，泛化能力越來越強。

　　根據(jù)本發(fā)明冷媒檢測方法的一種實施方式，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：通過顯示設(shè)備顯示故障提示信息、通過音頻設(shè)備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。具體地，當(dāng)檢測到冷媒泄露后，通過除濕機的led燈或lcd顯示屏顯示缺氟故障代碼，發(fā)現(xiàn)故障及時給出提示和實施處理可以確保設(shè)備安全運行。

　　本發(fā)明的另一方面又提供了一種冷媒檢測裝置。圖9是本發(fā)明提供的冷媒檢測裝置的整體框架圖。如圖9所示，本發(fā)明冷媒檢測裝置包括：收集單元100，用于收集除濕機的運行參數(shù)，所述運行參數(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準量之比，所述冷媒的標準量為所述除濕機標定的冷媒灌注量。

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

　　根據(jù)本發(fā)明冷媒檢測裝置的一種實施方式，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)明冷媒檢測裝置的一種實施方式，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)明冷媒檢測裝置的一種實施方式，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)明冷媒檢測裝置的一種實施方式，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)器端獲取所述強化訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，用所述強化訓(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)從至少一個地區(qū)上傳的所述神經(jīng)網(wǎng)絡(luò)模型的運行參數(shù)對所述神經(jīng)網(wǎng)絡(luò)模型進行強化訓(xùn)練后得到的神經(jīng)網(wǎng)絡(luò)模型。

　　根據(jù)本發(fā)明冷媒檢測裝置的一種實施方式，還包括：參數(shù)處理單元600，用于對所述收集到的運行參數(shù)做標準化處理和/或變換處理，所述標準化處理包括歸一化處理，所述變換處理包括對數(shù)變換、平方根變換和/或立方根變換。

　　根據(jù)本發(fā)明冷媒檢測裝置的一種實施方式，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：通過顯示設(shè)備顯示故障提示信息、通過音頻設(shè)備發(fā)出故障提示聲音、和/或通過警示燈給出故障提示信息；所述實施故障處理包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。

　　本發(fā)明的又一方面又提供了一種除濕機，具有上述任一項所述的裝置。

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

　　根據(jù)本發(fā)明設(shè)備的一種實施方式，所述設(shè)備為手機、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)選實施例的結(jié)構(gòu)示意圖。根據(jù)本發(fā)明設(shè)備的一種實施方式，所述設(shè)備還包括：第二通訊單元450，用于接收來自除濕機的運行參數(shù)，將所述接收到的運行參數(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)果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。所述設(shè)備是指帶有存儲單元的設(shè)備，并不限于手機、電腦、服務(wù)器或路由器，其功能是獲取除濕機的運行參數(shù)，運行神經(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。

　　本發(fā)明的再一方面又提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述程序被處理器執(zhí)行時實現(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，包括處理器、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(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、存儲器以及存儲在存儲器上可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述任一所述方法的步驟。

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

　　根據(jù)本發(fā)明設(shè)備的一種實施方式，所述處理器執(zhí)行的方法還包括：接收來自除濕機的運行參數(shù)，將所述接收到的運行參數(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)果向所述除濕機發(fā)送控制指令和/或故障提示信息，所述控制指令包括強制關(guān)停除濕機的壓縮機負載和/或風(fēng)機負載。所述設(shè)備是指帶有存儲單元的設(shè)備，并不限于手機、電腦、服務(wù)器或路由器，其功能是獲取除濕機的運行參數(shù)，運行神經(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。

　　本發(fā)明提供的技術(shù)方案相對于傳統(tǒng)的規(guī)則控制方法，其不依賴于專家經(jīng)驗；而且通過大量樣本數(shù)據(jù)的學(xué)習(xí)，網(wǎng)絡(luò)可以自動不斷修正自身參數(shù)，該控制算法的檢測準確率也會隨著學(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、泛化能力以及容錯能力；另外該控制算法可適用不同的設(shè)備型號，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在不同地區(qū)、不同運行工況下的適應(yīng)能力，例如在除濕機的應(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)收集除濕機的運行數(shù)據(jù)，通過收集的數(shù)據(jù)用作后續(xù)對網(wǎng)絡(luò)的加強訓(xùn)練以更新網(wǎng)絡(luò)權(quán)值、偏置，使除濕機對于冷媒余量不足模式的判斷越來越準確。

　　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施。如果在由處理器執(zhí)行的軟件中實施，那么可將功能作為一或多個指令或代碼存儲于計算機可讀媒體上或經(jīng)由計算機可讀媒體予以傳輸。其它實例及實施方案在本發(fā)明及所附權(quán)利要求書的范圍及精神內(nèi)。舉例來說，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)行的軟件實施。此外，各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

　　在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過其它的方式實現(xiàn)。其中，以上所描述的裝置實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，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，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，既可以位于一個地方，或者也可以分布到多個單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

　　所述集成的單元如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質(zhì)中。基于這樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻的部分或者該技術(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，該計算機軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機設(shè)備(可為個人計算機、服務(wù)器或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬盤、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

　　以上所述僅為本發(fā)明的實施例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，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、改進等，均應(yīng)包含在本發(fā)明的權(quán)利要求范圍之內(nèi)。