[发明专利]一种轨道车辆空调机组温度传感器参数漂移判定方法

说明书

本发明提供了一种轨道车辆空调机组温度传感器参数漂移判定方法，利用历史数据形成数据集，结合BP神经网络模型，采用多输入对应单输出的方式，判定是否存在参数漂移。本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法，使用压缩机停机状态下的数据做为网络模型的训练数据，更接近环境温度，数据稳定，测量真实可靠，采用稳定可靠的真实大数据搭建神经网络模型，使得网络模型搭建成功后，输出更接近真实情况，判断结论更准确，可有效减少由于温度传感器参数漂移不能真实反映温度情况说明而带来的客户体验差、不舒适、能量浪费等问题。

技术领域

本发明涉及轨道车辆空调机组技术领域，尤其是一种功率器件散热安装结构。

背景技术

目前，轨道车辆为了提高乘客的舒适性体验，均会在空调的回风口放置回风温度传感器，当回风温度高于设定温度并持续一定时间时，开启空调制冷功能，当回风温度低于客室温度并持续一段时间，空调运行通风或者制暖功能，因此回风温度监测的准确性对于客室舒适性来说非常关键，目前轨道空调回风温度传感器故障判定只能实现短路和断路的判定，而传感器由于老化或者其他原因导致参数漂移，目前故障判定系统无法判定，从而导致客室温度控制出现异常。

发明内容

本发明主要目的在于解决上述问题和不足，提供一种轨道车辆空调机组温度传感器参数漂移判定方法。

为实现上述目的，本发明提供的一种轨道车辆空调机组温度传感器参数漂移判定方法，其技术方案是：

一种轨道车辆空调机组温度传感器参数漂移判定方法，所述空调机组包括多个温度传感器，所述方法包括以下步骤：

S1，历史数据采集，空调机组控制系统上电后，读取各个温度传感器的数据并传输给服务器进行存储；

S2，服务器将接收到的温度传感器按数据类型进行预处理，剔除无关数据；

S3，将处理后的数据按比例分划分成训练集和测试集，其中训练集用来估计及确定网络模型的内部参数，测试集用来检验模型的性能；

S4，搭建BP神经网络模型，利用训练集中的数据对网络模型进行测试调整，得到最终的网络模型；

S5，将训练好的网络模型布置在空调控制器或地面服务器上；

S6，将空调机组控制器采集到的实时数据输入到训练好的神经网络模型中，进行参数漂移判定。

进一步的，进行历史数据采集时，剔除各温度传感器在压缩机运行状态下的数据。

进一步的，进行历史数据采集时，剔除各温度传感器在压缩机停止运行后10分钟以内的数据。

进一步的，所述空调机组包括两组制冷系统，每组制冷系统均包括制冷系统冷凝温度传感器、制冷系统排气温度传感器、制冷系统蒸发温度传感器，所述空调机组还包括新风温度传感器及回风温度传感器。

进一步的，将8个温度传感器中任意七个温度参数变量做为输入部分，输入到BP神经网络模型中；将数据集中对应的另一温度参数作为期望输出部分，与网络模型的实际输出部分进行比对，利用产生的差值来修改网络模型的内部参数，使网络模型的实际输出部分与期望输出部分接近，当误差达到设定的范围时，机器学习模型训练完成。

进一步的，采用BP神经网络模型，包括输入层i、隐含层j和输出层k。

进一步的，所述温度传感器共有8个，输入层i有7个神经元，i＝1至7，隐含层j有15个神经元，j＝1至15，输出层k有1个神经元，k＝1。

进一步的，在神经网络中，输入层与隐含层的连接权值为Wij，隐含层与输出层的连接权值为Wkj，任意一个节点i神经元输入记做neti，输出记做Oi，各个神经元之间传递函数用S型函数，其中，

节点j神经元输入