本發(fā)明涉及制冷
技術(shù)領(lǐng)域：
，具體而言，涉及一種冷媒泄漏的提醒方法方法及裝置，還涉及一種空調(diào)器。
背景技術(shù)：
：R290冷媒因其自身高能效、低碳排放等優(yōu)點正在逐步成為家用空調(diào)行業(yè)的主流制冷劑，但其自身具有的易燃易爆特性對空調(diào)器的產(chǎn)品安全性能提出巨大挑戰(zhàn)，當(dāng)R290冷媒在空調(diào)器中發(fā)生泄漏時，存在產(chǎn)品爆炸的危險。相關(guān)技術(shù)中的冷媒泄漏檢測技術(shù)通過檢測室內(nèi)機蒸發(fā)器T2感溫包溫度變化來判斷是否存在泄漏，雖然能夠檢測到冷媒是否泄漏，但存在檢測時間長、檢測結(jié)果可靠性差、容易出現(xiàn)誤判而影響用戶使用等缺點。因此，如何更高效，可靠的發(fā)現(xiàn)冷媒泄漏并給予用戶以提醒，成為目前亟待解決的技術(shù)問題。技術(shù)實現(xiàn)要素：本發(fā)明旨在至少解決現(xiàn)有技術(shù)或相關(guān)技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明的一個目的在于提出了一種冷媒泄漏的提醒方法。本發(fā)明的另一個目的在于提出了一種冷媒泄漏的提醒裝置。本發(fā)明的又一個目的在于提出了一種空調(diào)器。有鑒于此，本發(fā)明提出了一種冷媒泄漏的提醒方法，用于空調(diào)器，空調(diào)器包括蒸發(fā)器，其特征在于，提醒方法包括：檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示。根據(jù)本發(fā)明的冷媒泄漏的提醒方法，通過檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并將檢測到的數(shù)值帶入到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過計算得到冷媒濃度值α，將冷媒濃度值α與預(yù)設(shè)閾值αsd進行比較(其中預(yù)設(shè)閾值αsd具體可根據(jù)不同國家、地區(qū)的國標標準而定)，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，說明冷媒已泄漏，此時發(fā)出報警提示。通過本發(fā)明的技術(shù)方案，能夠快速、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判，從而有效避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。另外，根據(jù)本發(fā)明上述的冷媒泄漏的提醒方法，還可以具有如下附加的技術(shù)特征：在上述技術(shù)方案中，優(yōu)選地，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α之前包括：檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間；根據(jù)環(huán)境溫度區(qū)間確定對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該技術(shù)方案中，空調(diào)器運行過程中，環(huán)境溫度的改變對冷媒量的變化產(chǎn)生影響，冷媒量的變化會導(dǎo)致溫度、壓力等多個參數(shù)的變化，且各參數(shù)之間是相互耦合的，存在強烈的非線性關(guān)系。通過檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間，選擇與其對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，能夠避免環(huán)境溫度的變化對計算冷媒濃度值帶來的影響，從而及時、準確的判斷空調(diào)器中的冷媒是否發(fā)生泄漏，進一步增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判。在上述任一技術(shù)方案中，優(yōu)選地，實驗室模擬冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)；檢測冷媒濃度值作為BP神經(jīng)網(wǎng)絡(luò)輸出參數(shù)；運行BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該技術(shù)方案中，BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。通過采用BP神經(jīng)網(wǎng)絡(luò)算法，不斷學(xué)習(xí)訓(xùn)練，得到與各個環(huán)境溫度區(qū)間相對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，從而在判斷冷媒是否泄漏的過程中，只需檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并結(jié)合環(huán)境溫度區(qū)間對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，即可計算出冷媒濃度值。從而及時、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，給予用戶提醒，避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。在上述任一技術(shù)方案中，優(yōu)選地，冷媒為R290冷媒。在該技術(shù)方案中，本領(lǐng)域技術(shù)人員應(yīng)該理解，冷媒為R290冷媒，但不限于此。R290冷媒是自然界存在的天然制冷劑，以其優(yōu)秀的環(huán)境友好型(ODP為0，GWP為20)，被行業(yè)譽為“最有潛力的環(huán)保制冷劑”，本發(fā)明的技術(shù)方案尤其針對R290冷媒泄漏問題，提高冷媒泄漏檢測的準確性，并及時給予用戶提醒，從而增強R290冷媒空調(diào)器的安全性能，達到綠色環(huán)保的目的。在上述任一技術(shù)方案中，優(yōu)選地，空調(diào)器為定頻空調(diào)器。本發(fā)明還提出一種冷媒泄漏的提醒裝置，用于空調(diào)器，空調(diào)器包括蒸發(fā)器，其特征在于，提醒裝置包括：第一檢測單元，用于檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；計算單元，用于根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；判斷單元，用于判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；控制單元，用于當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示。根據(jù)本發(fā)明的冷媒泄漏的提醒裝置，通過檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并將檢測到的數(shù)值帶入到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過計算得到冷媒濃度值α，將冷媒濃度值α與預(yù)設(shè)閾值αsd進行比較(其中預(yù)設(shè)閾值αsd具體可根據(jù)不同國家、地區(qū)的國標標準而定)，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，說明冷媒已泄漏，此時發(fā)出報警提示。通過本發(fā)明的技術(shù)方案，能夠快速、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判，從而有效避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。另外，根據(jù)本發(fā)明上述的冷媒泄漏的提醒裝置，還可以具有如下附加的技術(shù)特征：在上述技術(shù)方案中，優(yōu)選地，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α之前包括：第二檢測單元，用于檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間；計算單元，還用于根據(jù)環(huán)境溫度區(qū)間確定對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該技術(shù)方案中，空調(diào)器運行過程中，環(huán)境溫度的改變對冷媒量的變化產(chǎn)生影響，冷媒量的變化會導(dǎo)致溫度、壓力等多個參數(shù)的變化，且各參數(shù)之間是相互耦合的，存在強烈的非線性關(guān)系。通過檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間，選擇與其對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，能夠避免環(huán)境溫度的變化對計算冷媒濃度值帶來的影響，從而及時、準確的判斷空調(diào)器中的冷媒是否發(fā)生泄漏，進一步增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判。在上述任一技術(shù)方案中，優(yōu)選地，實驗室模擬冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)；檢測冷媒濃度值作為BP神經(jīng)網(wǎng)絡(luò)輸出參數(shù)；運行BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該技術(shù)方案中，BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。通過采用BP神經(jīng)網(wǎng)絡(luò)算法，不斷學(xué)習(xí)訓(xùn)練，得到與各個環(huán)境溫度區(qū)間相對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，從而在判斷冷媒是否泄漏的過程中，只需檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并結(jié)合環(huán)境溫度區(qū)間對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，即可計算出冷媒濃度值。從而及時、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，給予用戶提醒，避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。在上述任一技術(shù)方案中，優(yōu)選地，冷媒為R290冷媒。在該技術(shù)方案中，本領(lǐng)域技術(shù)人員應(yīng)該理解，冷媒為R290冷媒，但不限于此。R290冷媒是自然界存在的天然制冷劑，以其優(yōu)秀的環(huán)境友好型(ODP為0，GWP為20)，被行業(yè)譽為“最有潛力的環(huán)保制冷劑”，本發(fā)明的技術(shù)方案尤其針對R290冷媒泄漏問題，提高冷媒泄漏檢測的準確性，并及時給予用戶提醒，從而增強R290冷媒空調(diào)器的安全性能，達到綠色環(huán)保的目的。在上述任一技術(shù)方案中，優(yōu)選地，空調(diào)器為定頻空調(diào)器。本發(fā)明還提出一種空調(diào)器，包括上述任一技術(shù)方案中的冷媒泄漏的提醒裝置。根據(jù)本發(fā)明的空調(diào)器，具有與上述任一技術(shù)方案中的冷媒泄漏的提醒裝置相同的技術(shù)效果，在此不再贅述。本發(fā)明的附加方面和優(yōu)點將在下面的描述部分中變得明顯，或通過本發(fā)明的實踐了解到。附圖說明本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：圖1示出了本發(fā)明一實施例的冷媒泄漏的提醒方法的流程示意圖；圖2示出了本發(fā)明再一實施例的冷媒泄漏的提醒方法的流程示意圖；圖3示出了本發(fā)明一實施例的冷媒泄漏的提醒裝置的示意框圖；圖4示出了本發(fā)明再一實施例的冷媒泄漏的提醒裝置的示意框圖；圖5示出了本發(fā)明一實施例的空調(diào)器的示意框圖；圖6示出了本發(fā)明一具體實施例的冷媒泄漏的提醒方法的流程示意圖。具體實施方式為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點，下面結(jié)合附圖和具體實施方式對本發(fā)明進行進一步的詳細描述。需要說明的是，在不沖突的情況下，本申請的實施例及實施例中的特征可以相互組合。在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明，但是，本發(fā)明還可以采用其他不同于在此描述的其他方式來實施，因此，本發(fā)明的保護范圍并不受下面公開的具體實施例的限制。如圖1所示，根據(jù)本發(fā)明一實施例的冷媒泄漏的提醒方法的流程示意圖：步驟102，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；步驟104，根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；步驟106，判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；步驟108，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示。在該實施例中，通過檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并將檢測到的數(shù)值帶入到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過計算得到冷媒濃度值α，將冷媒濃度值α與預(yù)設(shè)閾值αsd進行比較(其中預(yù)設(shè)閾值αsd具體可根據(jù)不同國家、地區(qū)的國標標準而定)，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，說明冷媒已泄漏，此時發(fā)出報警提示。通過本發(fā)明的實施例，能夠快速、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判，從而有效避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。如圖2所示，根據(jù)本發(fā)明再一實施例的冷媒泄漏的提醒方法的流程示意圖：步驟202，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；步驟204，檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間；步驟206，根據(jù)環(huán)境溫度區(qū)間確定對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型；步驟208，根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；步驟210，判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；步驟212，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示在該實施例中，空調(diào)器運行過程中，環(huán)境溫度的改變對冷媒量的變化產(chǎn)生影響，冷媒量的變化會導(dǎo)致溫度、壓力等多個參數(shù)的變化，且各參數(shù)之間是相互耦合的，存在強烈的非線性關(guān)系。通過檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間，選擇與其對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，能夠避免環(huán)境溫度的變化對計算冷媒濃度值帶來的影響，從而及時、準確的判斷空調(diào)器中的冷媒是否發(fā)生泄漏，進一步增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判。在上述任一實施例中，優(yōu)選地，實驗室模擬冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)；檢測冷媒濃度值作為BP神經(jīng)網(wǎng)絡(luò)輸出參數(shù)；運行BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該實施例中，BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。通過采用BP神經(jīng)網(wǎng)絡(luò)算法，不斷學(xué)習(xí)訓(xùn)練，得到與各個環(huán)境溫度區(qū)間相對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，從而在判斷冷媒是否泄漏的過程中，只需檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并結(jié)合環(huán)境溫度區(qū)間對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，即可計算出冷媒濃度值。從而及時、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，給予用戶提醒，避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。優(yōu)選地，BP神經(jīng)網(wǎng)絡(luò)模型的建立步驟為：1)選取影響冷媒量變化的因素作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，試驗中冷媒濃度值作為BP神經(jīng)網(wǎng)絡(luò)模型的輸出值；2)使用歸一化方法對影響冷媒量變化的樣本數(shù)據(jù)進行預(yù)處理；3)設(shè)計BP神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，確定隱含層數(shù)；4)運行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，每次訓(xùn)練之后會有一個訓(xùn)練結(jié)果，將這個訓(xùn)練結(jié)果和實測值進行誤差對比，如果誤差無法達到要求，就再返回重新訓(xùn)練，直至得到符合精度要求的BP神經(jīng)網(wǎng)絡(luò)模型，從而建立基于BP神經(jīng)網(wǎng)絡(luò)模型進行冷媒泄露檢測。優(yōu)選地，實驗室模擬空調(diào)器冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為輸入值，對應(yīng)一個輸出值為冷媒濃度值，共檢測2000組這樣的數(shù)據(jù)，其中1900組作為樣本數(shù)據(jù)進行訓(xùn)練，其余100組作為預(yù)測數(shù)據(jù)進行驗證。首先需要讀取這些數(shù)據(jù)，并把數(shù)據(jù)賦值給輸入和輸出；其次初始化網(wǎng)絡(luò)結(jié)果，設(shè)置參數(shù)，并用數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練；然后對預(yù)測數(shù)據(jù)進行歸一化處理，并輸出預(yù)測結(jié)果，將輸出結(jié)果進行反歸一化處理，直至得到逼近實測結(jié)果的BP神經(jīng)網(wǎng)絡(luò)模型。在上述任一實施例中，優(yōu)選地，冷媒為R290冷媒。在該實施例中，本領(lǐng)域技術(shù)人員應(yīng)該理解，冷媒為R290冷媒，但不限于此。R290冷媒是自然界存在的天然制冷劑，以其優(yōu)秀的環(huán)境友好型(ODP為0，GWP為20)，被行業(yè)譽為“最有潛力的環(huán)保制冷劑”，本發(fā)明的實施例尤其針對R290冷媒泄漏問題，提高冷媒泄漏檢測的準確性，并及時給予用戶提醒，從而增強R290冷媒空調(diào)器的安全性能，達到綠色環(huán)保的目的。在上述任一實施例中，優(yōu)選地，空調(diào)器為定頻空調(diào)器。如圖3所示，根據(jù)本發(fā)明一實施例的冷媒泄漏的提醒裝置的示意框圖：第一檢測單元302，用于檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；計算單元304，用于根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；判斷單元306，用于判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；控制單元308，用于當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示。在該實施例中，通過檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并將檢測到的數(shù)值帶入到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型中，經(jīng)過計算得到冷媒濃度值α，將冷媒濃度值α與預(yù)設(shè)閾值αsd進行比較(其中預(yù)設(shè)閾值αsd具體可根據(jù)不同國家、地區(qū)的國標標準而定)，當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，說明冷媒已泄漏，此時發(fā)出報警提示。通過本發(fā)明的實施例，能夠快速、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判，從而有效避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。如圖4所示，根據(jù)本發(fā)明再一實施例的冷媒泄漏的提醒裝置的示意框圖：第一檢測單元402，用于檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1；計算單元404，用于根據(jù)蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，按照預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型計算得到冷媒濃度值α；判斷單元406，用于判斷冷媒濃度值α是否大于預(yù)設(shè)閾值αsd；控制單元408，用于當(dāng)冷媒濃度值α大于預(yù)設(shè)閾值αsd時，發(fā)出報警提示；第二檢測單元410，用于檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間；計算單元404，還用于根據(jù)環(huán)境溫度區(qū)間確定對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該實施例中，空調(diào)器運行過程中，環(huán)境溫度的改變對冷媒量的變化產(chǎn)生影響，冷媒量的變化會導(dǎo)致溫度、壓力等多個參數(shù)的變化，且各參數(shù)之間是相互耦合的，存在強烈的非線性關(guān)系。通過檢測并判斷空調(diào)器所處當(dāng)前環(huán)境的環(huán)境溫度所在的環(huán)境溫度區(qū)間，選擇與其對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，能夠避免環(huán)境溫度的變化對計算冷媒濃度值帶來的影響，從而及時、準確的判斷空調(diào)器中的冷媒是否發(fā)生泄漏，進一步增加檢測結(jié)果的可靠性，減少冷媒泄漏的誤判。在上述任一實施例中，優(yōu)選地，實驗室模擬冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為BP神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)；檢測冷媒濃度值作為BP神經(jīng)網(wǎng)絡(luò)輸出參數(shù)；運行BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型。在該實施例中，BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。通過采用BP神經(jīng)網(wǎng)絡(luò)算法，不斷學(xué)習(xí)訓(xùn)練，得到與各個環(huán)境溫度區(qū)間相對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，從而在判斷冷媒是否泄漏的過程中，只需檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1，并結(jié)合環(huán)境溫度區(qū)間對應(yīng)的預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)模型，即可計算出冷媒濃度值。從而及時、準確的檢測空調(diào)器中的冷媒是否發(fā)生泄漏，給予用戶提醒，避免因冷媒泄漏對空調(diào)器造成的損害及給用戶帶來的生命、財產(chǎn)安全隱患。優(yōu)選地，BP神經(jīng)網(wǎng)絡(luò)模型的建立步驟為：1)選取影響冷媒量變化的因素作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，試驗中冷媒濃度值α作為BP神經(jīng)網(wǎng)絡(luò)模型的輸出值；2)使用歸一化方法對影響冷媒量變化的樣本數(shù)據(jù)進行預(yù)處理；3)設(shè)計BP神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)，確定隱含層數(shù)；4)運行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，每次訓(xùn)練之后會有一個訓(xùn)練結(jié)果，將這個訓(xùn)練結(jié)果和目標值αsd進行誤差對比，如果誤差無法達到要求，就再返回重新訓(xùn)練，直至得到符合精度要求的BP神經(jīng)網(wǎng)絡(luò)模型，從而建立基于BP神經(jīng)網(wǎng)絡(luò)模型進行冷媒泄露檢測。優(yōu)選地，實驗室模擬空調(diào)器冷媒泄漏場景，檢測蒸發(fā)器的中部溫度T2、排氣溫度TP和中部冷凝壓力P1作為輸入值，對應(yīng)一個輸出值為冷媒濃度值，共檢測2000組這樣的數(shù)據(jù)，其中1900組作為樣本數(shù)據(jù)進行訓(xùn)練，其余100組作為預(yù)測數(shù)據(jù)進行驗證。首先需要讀取這些數(shù)據(jù)，并把數(shù)據(jù)賦值給輸入和輸出；其次初始化網(wǎng)絡(luò)結(jié)果，設(shè)置參數(shù)，并用數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練；然后對預(yù)測數(shù)據(jù)進行歸一化處理，并輸出預(yù)測結(jié)果，將輸出結(jié)果進行反歸一化處理，直至得到逼近實測結(jié)果的BP神經(jīng)網(wǎng)絡(luò)模型。在上述任一實施例中，優(yōu)選地，冷媒為R290冷媒。在該實施例中，本領(lǐng)域技術(shù)人員應(yīng)該理解，冷媒為R290冷媒，但不限于此。R290冷媒是自然界存在的天然制冷劑，以其優(yōu)秀的環(huán)境友好型(ODP為0，GWP為20)，被行業(yè)譽為“最有潛力的環(huán)保制冷劑”，本發(fā)明的實施例尤其針對R290冷媒泄漏問題，提高冷媒泄漏檢測的準確性，并及時給予用戶提醒，從而增強R290冷媒空調(diào)器的安全性能，達到綠色環(huán)保的目的。在上述任一實施例中，優(yōu)選地，空調(diào)器為定頻空調(diào)器。如圖5所示，根據(jù)本發(fā)明一實施例的空調(diào)器的示意框圖：空調(diào)器500包括上述任一實施例中的冷媒泄漏的提醒裝置502，在該實施例中的空調(diào)器500，具有與上述任一技術(shù)方案中的冷媒泄漏的提醒裝置502相同的技術(shù)效果，在此不再贅述。如圖6所示，根據(jù)本發(fā)明一具體實施例的冷媒泄漏的提醒方法的流程示意圖：步驟602，多參數(shù)檢測；除了傳統(tǒng)的蒸發(fā)器中部溫度T2檢測、排氣溫度TP檢測外，在蒸發(fā)器中部內(nèi)置壓力傳感器加測冷凝壓力P1；步驟604，神經(jīng)網(wǎng)絡(luò)離線學(xué)習(xí)；實驗室模擬冷媒泄漏，在電控盒、冷凝器焊接處等位置檢測冷媒濃度α，采用BP神經(jīng)網(wǎng)絡(luò)對實驗數(shù)據(jù)進行離線學(xué)習(xí)，根據(jù)不同的室外溫度T4進行運行區(qū)間劃分得到不同的函數(shù)關(guān)系：α＝f(T2，TP，P1)，如表1所示。步驟606，在線檢測與判斷；通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到各區(qū)間的模型，將調(diào)試好的參數(shù)寫入到室內(nèi)機E方參數(shù)程序中，實際運行過程中通過檢測T2，TP，P1三個參數(shù)得到冷媒濃度值α；步驟608，報警；當(dāng)α值超過設(shè)定值αsd即判斷冷媒泄漏，樣機報警提示。該實施例的冷媒泄漏的提醒方法可以廣泛應(yīng)用到不同型號的R290冷媒空調(diào)產(chǎn)品上，大大提高R290冷媒使用的舒適性與安全性。表1各環(huán)境溫度區(qū)間對應(yīng)的冷媒濃度值α與各參數(shù)的函數(shù)關(guān)系(T4CoolStopTemp_ADD≥T4＞58℃)α1＝f1(T2，TP，P1)(57≥T4>50.5℃)α2＝f2(T2，TP，P1)(49.5℃≥T4＞45.5℃)α3＝f3(T2，TP，P1)(44.5℃≥T4＞41℃)α4＝f4(T2，TP，P1)(40℃≥T4>33℃)α5＝f5(T2，TP，P1)(32℃≥T4>30℃)α6＝f6(T2，TP，P1)(29℃≥T4>22℃)α7＝f7(T2，TP，P1)(20℃≥T4)α8＝f8(T2，TP，P1)(T4>0℃)α9＝f9(T2，TP，P1)(T4>-10℃)α10＝f10(T2，TP，P1)(T4>-12℃)α11＝f11(T2，TP，P1)在本說明書的描述中，術(shù)語“一個實施例”、“一些實施例”、“具體實施例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或?qū)嵗?。而且，描述的具體特征、結(jié)構(gòu)、材料或特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。以上所述僅為本發(fā)明的優(yōu)選實施例而已，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)明的保護范圍之內(nèi)。當(dāng)前第1頁1 2 3