【技術實現步驟摘要】
本專利技術屬于取暖器，具體涉及一種適用于取暖器的負載檢測系統及方法。
技術介紹
1、風暖型取暖器是一種通過電熱元件加熱空氣，然后通過風扇將熱空氣吹向室內的取暖設備。風暖型取暖器主要利用電熱元件（如ptc陶瓷發熱體）產生熱量，隨后通過內置的風扇將熱空氣迅速吹出，以達到快速升溫的效果。這種設計使得風暖型取暖器能夠在短時間內提高室內溫度，尤其適合需要快速取暖的環境，這種風暖型取暖器一般安裝的場景為浴室內，這就導致了其工作的環境一般為高溫高濕的，而且存在大量的水蒸氣。
2、傳統風暖型取暖器，負載一（吹風電機）和負載二（取暖模塊）是關聯運行的，工作時正確的用法是先開啟負載1(吹風電機)，再開啟負載2(取暖模塊)，這樣才能保證取暖器箱體內的溫度控制在一定的范圍，從而保障取暖器的安全性和可靠性。否則取暖模塊產生的熱量帶不出機外積蓄在機內，會使機內溫度急劇上升，從而影響整個產品的可靠性和穩定性，嚴重的甚至引起事故。
3、在傳統風暖型取暖器檢測控制系統中，其檢測方式較為單一，僅僅通過檢測負載一（吹風電機）和負載二（取暖模塊）的實時電流、電壓、功率參數來判斷其工作是否異常；由于風暖型取暖器工作環境原因，其工作狀態會受到外界水蒸氣、溫度以及濕度極大的影響，僅僅依靠電流、電壓、功率參數來判斷其工作狀態是不準確的，無法對其工作狀態進行一個有效地判斷，因此存在安全隱患，同時控制準確度低，用戶在使用時容易產生溫度控制不準確的情況。
技術實現思路
1、本專利技術的目的是提供一種適用于取暖器
2、本專利技術采取的技術方案具體如下：
3、一種適用于取暖器的負載檢測方法，包括以下步驟：
4、步驟一、數據采集：通過傳感器實時采集取暖器持續運行中的運行數據；
5、步驟二、數據預處理：對按照時間序列采集到的運行數據進行清洗和整理，去除異常值和噪聲；
6、步驟三、特征提取：從預處理后的運行數據中提取出與取暖器負載相關的特征；
7、步驟四、模型訓練：利用機器學習算法訓練預測模型，用于預測取暖器的負載情況；
8、步驟五、實時監測：將實時采集的運行數據輸入到預測模型中，得到取暖器的當前負載情況；
9、步驟六、預警和控制：根據取暖器當前負載情況做出相應判斷；若負載超過預設的閾值時，則系統發出報警信號，并采取相應的控制措施；否則，則繼續運行下去。
10、作為一種優選方案，所述負載包括負載一與負載二，所述負載一為吹風電機，所述負載二為取暖模塊，二者關聯運行。
11、作為一種優選方案，所述運行數據包括所述負載一與所述負載二實時的電流、電壓、功率參數；
12、還包括所述負載一體表溫度、所述負載二溫度、當前環境溫度以及所述取暖器機體內溫濕度參數；
13、所述吹風電機體表溫度以及取暖器機體內溫濕度參數通過在所述吹風電機體表以及所述取暖器機體內安裝傳感器的方式進行采集。
14、作為一種優選方案，所述步驟二中數據預處理包括以下步驟：
15、step2.1、平穩性判斷：獲取運行數據，參照數據庫內的基準參數判斷運行數據的平穩性；若數據平穩，則進行步驟三，否則進行step2.2；
16、step2.2、差分平穩：利用差分運算將運行數據平穩化，并進一步判斷運行數據的平穩性；若數據平穩，則進行步驟三，否則進行繼續進行step2.2，直至達到所需的平穩性；
17、step2.3、白噪聲檢驗：對平穩的運行數據進行白噪聲檢驗，去除白噪聲運行數據，保留平穩非白噪聲運行數據。
18、作為一種優選方案，所述步驟四中機器學習算法為arima模型算法，其模型訓練的具體步驟包括：
19、step4.1、平穩性判斷：獲取數據庫中的歷史數據，參照數據庫內的基準參數判斷歷史數據的平穩性；若數據平穩，則進行步驟三，否則進行step2.2；
20、step4.2、差分平穩：利用差分運算將歷史數據平穩化，并進一步判斷歷史數據的平穩性；若數據平穩，則進行步驟三，否則進行繼續進行step2.2，直至達到所需的平穩性；
21、step4.3、白噪聲檢驗：對平穩的歷史數據進行白噪聲檢驗，去除白噪聲歷史數據，保留平穩非白噪聲歷史數據；
22、step4.4、模型識別：對平穩非白噪聲歷史數據進行預測模型擬合；
23、step4.5、預測模型檢驗：檢驗預測模型擬合的殘余數據是否為白噪聲數據，同時參照數據庫中基準參數檢驗預測模型擬合結果的顯著性，以此不斷修正和訓練預測模型。
24、作為一種優選方案，所述差分運算的表達式為：
25、一階差分：；
26、二階差分：；
27、階差分：；
28、其中，表示時間序列在時間點的值，是差分運算符，表示一階差分，即時間點與前一時間點之間的值的變化，表示二階差分，表示k階差分。
29、作為一種優選方案，所述arima模型算法的表達式為：
30、；
31、其中，表示在時間點的因變量的值，是常數項，代表時間序列中的平均水平或截距，是自回歸系數，是誤差項，是移動平均系數，和分別是自回歸項數和移動平均項數。
32、作為一種優選方案，還包括步驟七、數據反饋：將預警運行數據反饋至數據庫中，充當歷史數據樣本，用于訓練預測模型；
33、其中，在歷史數據樣本達到預定閾值時，刪除早期歷史數據樣本，保持歷史數據樣本活力，降低運算壓力。
34、一種適用于取暖器的負載檢測系統，運用上述的適用于取暖器的負載檢測方法，包括：
35、數據采集模塊，用于通過傳感器按照時間序列實時采集取暖器持續運行中的運行數據；
36、數據處理模塊，用于對按照時間序列采集到的運行數據進行清洗和整理，去除異常值和噪聲，從預處理后的運行數據中提取出與取暖器負載相關的特征，得到處理后的運行數據；
37、實時監測模塊，用于將實時采集的運行數據輸入到預測模型中，得到取暖器的當前負載情況；
38、預警和控制模塊，用于根據取暖器當前負載情況做出相應判斷；若負載超過預設的閾值時，則系統發出報警信號，并采取相應的控制措施；否則，則繼續運行下去。
39、作為一種優選方案，所述預警和控制模塊中的預警方式為蜂鳴器警報，且控制措施為通過控制系統自主調節負載二的相應溫度，使得當前環境溫度達到預期值或者通過控制系統斷開負載電源，并在負載一體表溫度、負載二溫度以及取暖器機體內溫濕度參數降低至預定閾值時重新接通負載電源。
40、本專利技術取得的技術效果為：
41、本專利技術通過采集取暖器中所述負載一本文檔來自技高網...
【技術保護點】
1.一種適用于取暖器的負載檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述負載包括負載一與負載二，所述負載一為吹風電機，所述負載二為取暖模塊，二者關聯運行。
3.根據權利要求2所述的一種適用于取暖器的負載檢測方法，其特征在于，所述運行數據包括所述負載一與所述負載二實時的電流、電壓、功率參數；
4.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述步驟二中數據預處理包括以下步驟：
5.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述步驟四中機器學習算法為ARIMA模型算法，其模型訓練的具體步驟包括：
6.根據權利要求4或5所述的一種適用于取暖器的負載檢測方法，其特征在于，所述差分運算的表達式為：
7.根據權利要求5所述的一種適用于取暖器的負載檢測方法，其特征在于，所述ARIMA模型算法的表達式為：
8.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，還包括步驟七、數據反饋：將預警運行數
9.一種適用于取暖器的負載檢測系統，運用權利要求1-8任一所述的適用于取暖器的負載檢測方法，其特征在于，包括：
10.根據權利要求9所述的一種適用于取暖器的負載檢測系統，其特征在于，所述預警和控制模塊中的預警方式為蜂鳴器警報，且控制措施為通過控制系統自主調節負載二的相應溫度，使得當前環境溫度達到預期值或者通過控制系統斷開負載電源，并在負載一體表溫度、負載二溫度以及取暖器機體內溫濕度參數降低至預定閾值時重新接通負載電源。
...【技術特征摘要】
1.一種適用于取暖器的負載檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述負載包括負載一與負載二，所述負載一為吹風電機，所述負載二為取暖模塊，二者關聯運行。
3.根據權利要求2所述的一種適用于取暖器的負載檢測方法，其特征在于，所述運行數據包括所述負載一與所述負載二實時的電流、電壓、功率參數；
4.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述步驟二中數據預處理包括以下步驟：
5.根據權利要求1所述的一種適用于取暖器的負載檢測方法，其特征在于，所述步驟四中機器學習算法為arima模型算法，其模型訓練的具體步驟包括：
6.根據權利要求4或5所述的一種適用于取暖器的負載檢測方法，其特征在于，所述差分運算...
【專利技術屬性】
技術研發人員：劉鵬，
申請(專利權)人：賽陽電器集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。