(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211321489.3 (22)申请日 2022.10.26 (71)申请人 黎文良 地址 655699 云南省曲靖市陆良县中枢街 道北门街85号 (72)发明人 黎文良　陈维　 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 10/04(2012.01) G06Q 50/16(2012.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) F24F 11/86(2018.01) (54)发明名称 一种应用于智慧物业的运维管理系统 (57)摘要 本发明涉及一种应用于智慧物业的运维管 理系统， 其包括物业管理云平台、 空调系统和管 理终端。 物业管理云平台包括图像映射模块、 序 列生成模块、 图像预测模块和信息生成模块。 物 业管理云平台通过压缩机的预测压缩机运行参 数生成压缩机的初始油面预测图像， 并根据第二 油面观测图像的多个邻近第二油面观测图像生 成第二邻近图像序列， 根据历史采集的第一油面 观测图像的多个邻近第一油面观测图像生成第 一邻近图像序列。 将第一邻近图像序列和第二邻 近图像序列输入至第二训练模型中输出压缩机 的最终油面预测图像。 确定压缩机的增强最终油 面预测图像， 并根据压缩机在目标预测点的增强 最终油面预测图像和实时油面观测图像生成相 应的检修 提示。 权利要求书3页 说明书8页 附图1页 CN 115511134 A 2022.12.23 CN 115511134 A 1.一种应用于智慧物业的运维管理系统， 其特征在于， 包括物业管理云平台、 空调系统 和所述管理终端， 空调系统中的冷水机组包括压缩机、 冷凝器、 蒸发器和节流阀， 物业管理 云平台包括图像映射模块、 序列生成模块、 图像预测模块和信息生成模块； 图像映射模块确定空调冷水机组中压缩机的目标油面观测图像和压缩机在目标预测 时间点的预测压缩机运行参数， 将所述预测压缩机运行参数输入至第一训练模型中以得到 压缩机的初始油面预测图像； 序列生成模块从与目标油面观测图像的采集时间点左邻近的采样窗口中采集得到若 干邻近油面观测图像， 基于所述目标油面观测图像和所述目标油面观测图像的若干邻近油 面观测图像生成第一邻近图像序列； 序列生成模块从与所述预测压缩机运行参数对应的目标预测时间点左邻近的采样窗 口中采集得到若干邻近压缩机运行参数， 基于所述预测压缩机运行参数对应的初始油面预 测图像和所述预测压缩机运行参数对应的每个邻近压缩机运行参数的初始油面预测图像 生成第二邻近图像序列； 图像预测模块将第一邻近图像序列和第二邻近图像序列输入至第二训练模型中以经 过第二训练模型的多个隐藏层和激活函数输出压缩机的最终油面预测图像， 并基于所述最 终油面预测图像确定 压缩机的增强最终油面预测图像； 信息生成模块获取压缩机在目标预测时间点的实时油面观测图像， 并根据压缩机在目 标预测时间点的增强最 终油面预测图像和实时油面观测图像生成相应的检修提示， 并将其 发送至相应的管理终端。 2.根据权利要求1所述的系统， 其特 征在于， 所述第一训练模型的生成步骤 包括： 采集预设滑动时间窗口内机箱观测区域的若干样本油面观测图像以形成第一训练模 型的原始训练图像集， 对原始训练图像集中的每个样本油面观测图像进 行增强处理以得到 扩展训练图像集； 确定并分割出扩展训练图像集中对应样本油面观测图像中包含油位特征的图像区域 将其作为第一分割图像， 确定并分割出扩展训练图像集中对应样本油面观测图像中包含油 色特征的图像区域将其作为第二分割图像， 将第一分割图像和 第二分割图像均作为输入数 据分别输入至第一训练模型中。 3.根据权利要求2所述的系统， 其特 征在于， 所述第一训练模型的生成步骤 还包括： 利用第一训练模型中的4个尺寸为5x5的卷积层对第一分割图像和第二分割图像进行 特征提取以得到第一分割图像的油位特 征图和第二分割图像的油色特 征图； 针对训练过程中第 一训练模型的每两个卷积层提取到的油位特征图和油色特征图， 利 用1个尺寸为2x2的最大池化层对提取到的油位特征图和油色特征图进行下采样以降低油 位特征图和油色特 征图的特 征维度； 将经过多层卷积和池化的油位特征图拼接为一维油位特征向量， 将经过多层卷积和池 化的油色特征图拼接为一 维油色特征向量， 并将一维油位特征向量和一 维油色特征向量分 别作为全连接层的输入数据， 最后利用全连接层对输入数据进行特征非线性组合以得到每 个样本油面观测图像的油位特 征和油色特 征； 获取与对应样本油面观测图像具有相同时间戳的压缩机运行参数， 将所述压缩机运行 参数作为输入数据， 以与所述压缩机运行参数具有相同时间戳的样本油面观测图像对应的权　利　要　求　书 1/3 页 2 CN 115511134 A 2油位特征或油色特征的特征值为标签执行模型训练， 得到油位特征的特征值与压缩机运行 参数之间的映射关系以及油色特 征的特征值与压缩机运行参数之间的映射关系。 4.根据权利要求3所述的系统， 其特征在于， 确定空调冷水机组中压缩机的目标油面观 测图像和压缩机在目标 预测时间点的预测压缩机运行参数包括： 在监测到 中央空调系统 的运行状态发生切换时， 将设置于压缩机的机箱观测区域内的 图像采集设备在状态切换时间点的上一采集时间点采集到的图像作为目标油面观测图像； 以状态切换时间点的上一采集时间点为终止时间点从数据库中获取压缩机的一组历 史压缩机运行参数， 将 中央空调系统的状态切换时间点作为 目标预测时间点， 基于获取到 的一组历史压缩机运行参数生成压缩机在目标 预测时间点的预测压缩机运行参数。 5.根据权利要求4所述的系统， 其特征在于， 基于所述最终油面预测图像确定压缩机的 增强最终油面预测图像包括： 将最终油面预测图像输入至第三训练模型中以生成压缩机的 增强最终油面预测图像， 其 步骤包括： 利用第三训练模型的第一卷积层从由最终油面预测图像生成的每个图像块中提取多 个油面特 征块， 并基于提取的多个油面特 征块生成对应图像块的第一油面特 征图； 利用第二卷积层对每个图像块对应的第一油面特征图进行非线性映射得到第二油面 特征图， 并对每个图像块的第二油面特征图之 间的重叠区域执行取均值操作以整合得到最 终油面预测图像的待补偿放大油面观测图像； 将待补偿放大油面观测图像输入预训练的像素补偿模型中进行处理以得到最终油面 预测图像的缺失放大像素特征， 利用缺 失放大像素特征对所述待补偿放大油面观测图像进 行像素增强以得到增强最终油面预测图像。 6.根据权利要求5所述的系统， 其特征在于， 对应图像块的第 一油面特征图由对应图像 块的每个油面特征块对应的特征向量组成； 第二油面特征图由对应图像块的每个油面特征 块对应的特 征向量进行非线性映射后所 得的高维特 征向量组成。 7.根据权利要求6所述的系统， 其特 征在于， 像素补偿模型的训练步骤 包括： 对样本油面观测图像集中的样本油面观测图像进行下采样以生成与所述样本油面观 测图像尺寸相同的放大油面观测图像， 利用样本油面观测图像的特征向量与所述放大油面 观测图像的特征向量分析得到所述放大油面观测图像的放大像素特征， 其中， 所述样本油 面观测图像集包括若干个从不同拍摄距离捕获到的样本油面观测图像； 提取放大油面观测图像中每个像素点的特征， 并以每个像素点对应的特征向量为输入 数据、 以每个像素点在放大像素特征中对应的像素特征值为标签执行模型训练， 得到像素 补偿模型的模型参数。 8.根据权利要求7 所述的系统， 其特 征在于， 第二训练模型的生成步骤 包括： 将由第一训练模型在训练过程中输出的若干初始油面预测图像构成的第一训练图像 序列和通过图像采集设备从压缩机的机箱观测区域采集到的若干目标油面观测图像构成 的第二训练图像序列 作为第二训练模型的训练数据； 利用第二训练模型的卷积层对目标油面观测图像和初始油面预测图像进行卷积操作 得到若干第一映射特征图和若干第二映射特征图， 通过最大池化操作选取卷积层提取到的 每个第一映射特征图中特征值最大的特征向量以组成第一训练图像序列的第一油面观测 特征序列以及选取卷积核提取到的每个第二映射特征图中特征值最大的特征向量以组成权　利　要　求　书 2/3 页 3 CN 115511134 A 3