本发明涉及汽车空调性能测试，具体为一种空调制冷换热综合实验装置。
背景技术：
1、随着现代汽车工业的快速发展，汽车空调系统的性能优化与智能化控制成为了提升驾驶舒适性的关键因素。现有的实验装置大多依赖于传统的数据记录与分析方法，缺乏对压缩机、冷凝器、蒸发器等关键部件运行参数的深度挖掘与智能分析能力，这导致在实验过程中，难以准确预测空调系统在特定工况下的温度变化趋势，无法为系统设计及优化提供有力的数据支持。
2、而且现有的空调制冷换热综合实验装置大多停留在实时监控和测试的数据展示阶段，没有统一的异常检测判断标准，缺乏更智能异常检测手段，这使得在实验过程中，难以及时发现并处理空调系统可能出现的异常状况，影响了实验的安全性和有效性。因此，我们提出一种空调制冷换热综合实验装置。
技术实现思路
1、本发明的目的在于提供一种空调制冷换热综合实验装置，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：一种空调制冷换热综合实验装置，包括机器学习层、数据采集层、数据处理层、监控与反馈层；
3、所述机器学习层包括模型训练模块；
4、所述模型训练模块用于使用机器学习技术构建温度变化预测模型；所述温度变化预测模型根据压缩机、冷凝器、蒸发器的生产参数，以及环境温度、风速设置和温度设定，预测汽车空调管路系统的出风口处在未来一段时间内的温度变化趋势；
5、所述数据采集层包括传感器模块；
6、所述传感器模块用于实时采集被测空调管路系统的出风口处温度；
7、所述数据处理层包括数据预处理模块、数据发送模块和数据存储模块；
8、所述数据预处理模块用于对传感器模块采集到的原始数据进行清洗和去噪处理，所述数据发送模块用于将预处理后的数据实时传输到监控与反馈层，所述数据存储模块用于将预处理后的数据进行持久化存储；
9、所述监控与反馈层包括实时监测模块、模型调用模块、异常检测模块和用户界面模块；
10、所述实时监测模块用于接收数据发送模块传输的数据，并将实时接收的温度采集数据绘制成随时间变化的曲线；所述模型调用模块用于调用温度变化预测模型，具体步骤为：
11、i)获取模型输入参数，包括当前汽车空调系统的压缩机、冷凝器、蒸发器的生产参数，以及环境温度、风速设置和温度设定，
12、ii)将输入参数传入温度变化预测模型，
13、iii)接收在当前输入参数下，空调管路系统的出风口处的预测温度变化曲线；
14、所述异常检测模块用于对比温度变化预测模型输出的温度变化曲线与实时监测模块输出的温度变化曲线之间的差异，通过计算两个曲线数据的差值生成差值曲线，具体步骤为：
15、i)获取模型调用模块输出的预测温度变化曲线数据和实时监测模块输出的实时温度变化曲线数据；
16、ii)对两条曲线数据进行时间戳对齐，以使每个时间点的数据对应一致；
17、iii)计算对应时间点上预测温度与实时温度的差值，生成差值曲线；
18、iv)根据预设的阈值判断差值曲线上的每个点是否超出正常范围，若超出，则标记为异常点；
19、v)将差值曲线和异常点信息传输至用户界面模块；
20、所述用户界面模块用于展示实时监测数据和模型预测数据，及两者之间的差值数据和异常单信息，并向用户提供界面操作功能。
21、优选的，所述模型训练模块构建和训练温度变化预测模型的具体步骤包括：
22、步骤1、收集历史数据，所述历史数据为汽车空调系统在具体的工作参数下，其正常的出风口温度变化的时间序列数据，所述具体的工作参数包括压缩机、冷凝器、蒸发器的生产参数，以及环境温度、风速设置和温度设定；
23、步骤2、对收集的历史数据进行清洗，以处理缺失值和异常值；
24、步骤3、对清洗后的特征数据进行标准化处理，形成训练数据集；
25、步骤4、将训练数据集进行划分，分成训练集和验证集；
26、步骤5、选择长短时记忆网络lstm模型构建温度变化预测模型，并对模型的参数进行初始化；
27、步骤6、使用训练集数据对lstm模型进行迭代训练，在训练过程中，定期使用验证集评估模型性能，直到模型的性能满足需求；
28、步骤7、训练完成后，保存lstm模型的权重和偏置，并将模型进行部署，以用于后续进行温度变化预测。
29、优选的，在上述步骤2中，对于缺失值，采用线性插值算法进行填充；对于异常值，采用阈值判断法，将超出预设阈值范围的数据点视为异常值，并用其邻近点的均值进行替换。
30、优选的，在步骤3中，使用z-score标准化方法，将每个数值数据减去其均值并除以其标准差，使得处理后的数据符合标准正态分布，标准化处理的公式为：其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差，z为标准化后的数据。
31、优选的，步骤5中对lstm模型进行初始化的参数具体包括：
32、i)初始化lstm模型的结构参数，包括输入层的特征维度、隐藏层的层数及每层隐藏单元的数量、输出层的节点数，其中输入层的特征维度与提取的电力信号特征数量相匹配，输出层的节点数等于预测的最优采样点位置的数量；
33、ii)初始化模型权重和偏置，采用小随机数进行初始化；
34、iii)设置lstm模型的激活函数，包括设置sigmoid函数用于门控机制，设置tanh函数用于候选记忆单元和隐藏状态的计算；
35、iv)配置优化算法，并设置学习率参数。
36、优选的，步骤6中使用训练集数据对lstm模型进行迭代训练，在每次迭代中，将一批输入数据送入lstm模型，通过计算输入门、遗忘门和输出门的值，更新记忆单元和隐藏状态，最终得到预测的输出序列；根据预测输出和真实标签计算损失函数值；通过反向传播算法计算损失函数关于模型参数的梯度；使用优化算法根据梯度更新模型权重和偏置；在训练过程中，定期使用验证集评估模型性能，并根据需要调整学习率或提前停止训练以防止过拟合。
37、优选的，采用均方误差mse算法评估温度变化预测模型的性能，具体算法为：
38、
39、其中，n为数据点的数量，ypred,i为模型预测的温度值，yactual,i为实际测量的温度值；根据mse值评估模型的预测精度，mse值越小，表示模型的预测精度越高。
40、优选的，所述用户界面模块包括实时监测数据展示区域、模型预测数据展示区域和差值数据展示区域；
41、通过接收数据发送模块传输的实时温度数据，并将其绘制成随时间变化的曲线，展示在实时监测数据展示区域；
42、通过调用温度变化预测模型获取预测温度变化曲线，并将其展示在模型预测数据展示区域；
43、通过对比实时监测数据与模型预测数据，计算两者之间的差值，并将差值数据绘制成曲线，展示在差值数据展示区域。
44、优选的，所述用户界面模块提供用户输入接口以接收用户输入的模型参数、提供控制按钮以允许用户启动或停止实时监测和预测功能、提供数据导出接口以允许用户导出展示的数据。
45、与现有技术相比，本发明的有益效果是：
46、通过机器学习层中的模型训练模块，利用机器学习技术构建了温度变化预测模型，该模型能够综合考虑压缩机、冷凝器、蒸发器的生产参数，以及环境温度、风速设置和温度设定等多重因素，准确预测汽车空调管路系统出风口在未来一段时间内的温度变化趋势，监控与反馈层中的异常检测模块能够实时对比温度变化预测模型输出的温度变化曲线与实时监测模块输出的温度变化曲线之间的差异。通过计算差值并生成差值曲线，结合预设的阈值判断异常点，及时发现并处理空调系统可能出现的异常状况，有效提升了实验的安全性和数据的有效性。
1.一种空调制冷换热综合实验装置，其特征在于：
2.根据权利要求1所述的一种空调制冷换热综合实验装置，其特征在于，所述模型训练模块构建和训练温度变化预测模型的具体步骤包括：
3.根据权利要求2所述的一种空调制冷换热综合实验装置，其特征在于：在上述步骤2中，对于缺失值，采用线性插值算法进行填充；对于异常值，采用阈值判断法，将超出预设阈值范围的数据点视为异常值，并用其邻近点的均值进行替换。
4.根据权利要求3所述的一种空调制冷换热综合实验装置，其特征在于，在步骤3中，使用z-score标准化方法，将每个数值数据减去其均值并除以其标准差，使得处理后的数据符合标准正态分布，标准化处理的公式为：其中，x为原始数据，μ为原始数据的均值，σ为原始数据的标准差，z为标准化后的数据。
5.根据权利要求4所述的一种空调制冷换热综合实验装置，其特征在于，步骤5中对lstm模型进行初始化的参数具体包括：
6.根据权利要求5所述的一种空调制冷换热综合实验装置，其特征在于，步骤6中使用训练集数据对lstm模型进行迭代训练，在每次迭代中，将一批输入数据送入lstm模型，通过计算输入门、遗忘门和输出门的值，更新记忆单元和隐藏状态，最终得到预测的输出序列；根据预测输出和真实标签计算损失函数值；通过反向传播算法计算损失函数关于模型参数的梯度；使用优化算法根据梯度更新模型权重和偏置；在训练过程中，定期使用验证集评估模型性能，并根据需要调整学习率或提前停止训练以防止过拟合。
7.根据权利要求6所述的一种空调制冷换热综合实验装置，其特征在于，采用均方误差mse算法评估温度变化预测模型的性能，具体算法为：
8.根据权利要求7所述的一种空调制冷换热综合实验装置，其特征在于，所述用户界面模块包括实时监测数据展示区域、模型预测数据展示区域和差值数据展示区域；
9.根据权利要求8所述的一种空调制冷换热综合实验装置，其特征在于，所述用户界面模块提供用户输入接口以接收用户输入的模型参数、提供控制按钮以允许用户启动或停止实时监测和预测功能、提供数据导出接口以允许用户导出展示的数据。
