线性压缩机
阅读：498发布：2020-05-11
专利汇可以提供线性压缩机专利检索，专利查询，专利分析的服务。并且本 发明 提供一种线性 压缩机 ，其特征在于，包括： 活塞 ，在 气缸 的内部进行往复运动； 电机 ，提供用于所述活塞运动的驱动 力 ；检测部，检测与所述电机相关的电机 电压 和电机 电流 ；吐出部，设置于所述气缸的一端，调节在气缸内部被压缩的制冷剂的吐出；控制部，利用由所述检测部检测出的所述电机电压和电机电流中的至少一个来计算与所述活塞的运动相关的至少一个控制参数；以及 深度学习 计算部，接收所述控制参数的输入，利用 人工神经网络 技术来输出与所述活塞的绝对 位置 相关的补偿值。，下面是线性压缩机专利的具体信息内容。
1.一种线性压缩机，其特征在于，包括：
活塞，在气缸的内部进行往复运动；
电机，提供用于所述活塞运动的驱动力；
检测部，检测与所述电机相关的电机电压和电机电流；
吐出部，设置于所述气缸的一端，调节在气缸内部被压缩的制冷剂的吐出；
控制部，利用由所述检测部检测出的所述电机电压和电机电流中的至少一个来计算与所述活塞的运动相关的至少一个控制参数；以及
深度学习计算部，接收所述控制参数的输入，利用人工神经网络技术来输出与所述活塞的绝对位置相关的补偿值。
2.根据权利要求1所述的线性压缩机，其特征在于，
在所述控制部中，
生成与所述活塞的运动相关的冲程指令值，
通过检测计算出的所述控制参数的拐点，从而检测所述活塞的上死点与所述吐出部之间的距离，
当检测出的所述距离小于所述冲程指令值时，利用所述深度学习计算部的输出来控制所述电机。
3.根据权利要求1所述的线性压缩机，其特征在于，
在所述控制部中，
利用所述控制参数来判断所述线性压缩机的动作状态是否正常，
当所述压缩机的动作状态正常时，利用所述深度学习计算部的输出来控制所述电机。
4.根据权利要求1所述的线性压缩机，其特征在于，
在对所述深度学习计算部输入所述控制参数的时刻，所述控制部识别所述线性压缩机的动作模式，基于识别到的动作模式来选择所述控制参数中的一部分，并使所选择的一部分所述控制参数输入到所述深度学习计算部。
5.根据权利要求4所述的线性压缩机，其特征在于，
所述控制部基于识别到的所述动作模式来对所述控制参数执行缩放。
6.根据权利要求5所述的线性压缩机，其特征在于，
所述控制部根据识别到的所述动作模式改变而改变应用到所述控制参数的缩放变量。
7.一种线性压缩机，其特征在于，包括：
活塞，在气缸的内部进行往复运动；
电机，提供用于所述活塞运动的驱动力；
检测部，检测与所述电机相关的电机电压和电机电流；
吐出部，设置于所述气缸的一端，调节在气缸内部被压缩的制冷剂的吐出；以及控制部，利用由所述检测部检测出的所述电机电压和电机电流中的至少一个来计算与所述活塞的运动相关的至少一个控制参数，
所述控制部利用深度学习算法来检测计算出的所述控制参数的补偿值。
8.根据权利要求7所述的线性压缩机，其特征在于，
在所述控制部中，
通过检测计算出的所述控制参数的拐点来计算所述活塞与所述吐出部之间的距离，利用所述深度学习算法来检测应用于计算出的距离的补偿值。
9.根据权利要求8所述的线性压缩机，其特征在于，
所述控制部基于计算出的所述活塞与所述吐出部之间的距离来控制所述电机，使得所述活塞的上死点到达所述吐出部。
10.根据权利要求9所述的线性压缩机，其特征在于，
还包括存储器，所述存储器存储由所述控制部计算出的控制参数和由所述深度学习算法计算出的补偿值中的至少一个，
每当计算出所述补偿值时，对当前计算出的补偿值和存储在所述存储器中的先前计算出的补偿值进行比较。
11.根据权利要求10所述的线性压缩机，其特征在于，
在所述控制部中，
每当所述活塞的上死点到达所述吐出部时，更新所述控制参数的计算值，利用所述深度学习算法，重新检测与更新后的控制参数的计算值对应的补偿值。
12.根据权利要求11所述的线性压缩机，其特征在于，
当重新检测出的补偿值大于先前检测出的补偿值时，所述控制部对更新之前的控制参数的计算值和重新检测出的补偿值进行分析，利用分析结果来再次执行深度学习计算。
13.根据权利要求11所述的线性压缩机，其特征在于，
所述控制部将所述活塞的上死点到达所述吐出部之后经过预设的时间间隔之后计算出的控制参数应用于所述深度学习算法，重新检测所述补偿值。
14.根据权利要求13所述的线性压缩机，其特征在于，
所述活塞的上死点分别在彼此不同的时刻的第一时刻和第二时刻到达所述吐出部，在所述控制部中，
在到达所述第一时刻之前执行所述深度学习算法，从而检测与所述第一时刻对应的第一补偿值，
将从所述第一时刻经过所述时间间隔之后计算出的控制参数应用到所述深度学习算法，从而检测与所述第二时刻对应的第二补偿值。
15.根据权利要求7所述的线性压缩机，其特征在于，
所述控制部包括执行所述深度学习算法的深度学习计算部，
在所述深度学习计算部中，
接收由所述控制部计算出的控制参数的输入，
利用人工神经网络技术，根据输入的所述控制参数来估计与所述活塞的上死点和所述吐出部之间的距离相关的补偿值，
执行用于降低所估计的补偿值的噪声的后处理。
线性压缩机
技术领域
背景技术
[0003] 压缩机大致分为往复式压缩机(Reciprocating Compressor)、旋转式压缩机(Rotary Compressor)、涡旋式压缩机(Scroll Compressor)。往复式压缩机是在活塞(Piston)和气缸(Cylinder)之间形成吸入或吐出工作气体的压缩空间，以使活塞在气缸内部进行直线往复运动并压缩制冷剂。旋转式压缩机是在偏心旋转的辊子(Roller)和气缸之间形成吸入或吐出工作气体的压缩空间，辊子沿气缸内壁进行偏心旋转并压缩制冷剂。涡旋式压缩机是在绕动涡旋盘(Orbiting Scroll)和固定涡旋盘(Fixed Scroll)之间形成吸入或吐出工作气体的压缩空间，绕动涡旋盘沿着固定涡旋盘进行旋转并压缩制冷剂。
[0004] 往复式压缩机使内部活塞在气缸的内部进行线性的往复运动，从而吸入、压缩和吐出制冷剂气体。往复式压缩机根据驱动活塞的方法大致分为往复(Recipro)方法和线性(Linear)方法。
[0005] 往复方法是将曲轴(Crankshaft)结合到旋转的电机(Motor)并将活塞结合到曲轴，以将电机的旋转运动转换成直线往复运动的方法。相反，线性方法是将活塞连接到进行直线运动的电机的动子，以将活塞随着电机的直线运动进行往复运动的方法。
[0006] 这种往复式压缩机包括产生驱动力的电动机单元和接收来自电动机单元的驱动力并压缩流体的压缩单元。电动机单元通常多使用电机(motor)，所述线性方法的情况下使用线性电机(linear motor)。
[0007] 在线性电机中，电机本身直接产生直线的驱动力，因此不需要机械转换装置，并且结构不复杂。另外，线性电机的特征在于，可以减少能量转换导致的损失，并且没有发生摩擦和磨损的连接部位，因此可以大大降低噪音。另外，当线性方法的往复式压缩机(下面，称为线性压缩机(Linear Compressor))应用到冰箱或空调机时，可以改变施加到线性压缩机的冲程电压来改变压缩比(Compression Ratio)，因此具有也可以在冷冻能力(Freezing Capacity)可变控制中使用的优点。
[0008] 另一方面，线性压缩机因活塞在气缸中未被机械地限制的状态下进行往复运动，因此，当突然施加过大的电压时，活塞撞击气缸壁，或者活塞由于大的负载而无法前进，从而可能不能正常进行压缩。因此，用于控制活塞相对于负载的变化或电压的变化而运动的控制装置是必要的。
[0009] 通常，压缩机控制装置检测施加到压缩机电机的电压和电流，并以无传感器方法来估计冲程以执行反馈控制。此时，压缩机控制装置包括三端双向交流开关(Triac)或逆变器(inverter)，作为用于控制压缩机的装置。
[0010] 尤其，由于线性压缩机中没有将活塞机械地限制在气缸中，所以存在驱动初始阶段的活塞的位置和驱动期间的活塞的位置不同的情况。
[0011] 通常，线性压缩机的活塞朝向上死点移动时施加到所述活塞的力大于朝向下死点移动时施加到所述活塞的力，因此，活塞在压缩机驱动开始之后逐渐推离吐出口。
[0014] 然而，根据韩国公开专利号10-2010-0096536号，用于检测活塞的位置或控制活塞的运动必然伴随着活塞和吐出部的碰撞，因此，存在伴随有活塞和吐出部由于碰撞而导致损坏的问题。另外，还存在由于活塞和吐出部之间的碰撞而导致控制的准确度降低的缺点。发明内容
[0015] 本发明的技术课题用于解决如上所述的传统的线性压缩机的问题，因此提供一种线性压缩机及其控制方法，其能够在不设置额外的传感器的情况下检测活塞的绝对位置。
[0018] 另外，本发明的技术课题是提供一种线性压缩机，其减小了噪音的产生并减少了制造成本。
[0019] 为了解决如上所述的课题而公开的本说明书的线性压缩机中，可以包括：活塞，在气缸的内部进行往复运动；电机，提供用于所述活塞运动的驱动力；检测部，检测与所述电机相关的电机电压和电机电流；吐出部，设置于所述气缸的一端，调节在气缸内部被压缩的制冷剂的吐出；控制部，利用由所述检测部检测出的所述电机电压和电机电流中的至少一个来计算与所述活塞的运动相关的至少一个控制参数；以及深度学习计算部，接收所述控制参数的输入，利用人工神经网络技术来输出与所述活塞的绝对位置相关的补偿值。
[0020] 在一实施例中，深度学习计算部可以搭载于控制部中。即，控制部可以利用搭载于自身的深度学习算法和人工神经网络来执行深度学习计算。
[0021] 在一实施例中，控制部可以选择性地执行深度学习计算。即，控制部可以在保证深度学习计算的可靠性的条件下激活深度学习计算部，并可以利用深度学习计算部的输出来控制线性压缩机的电机。相反，控制部可以在深度学习计算的可靠性降低的条件下去激活深度学习计算部，在控制线性压缩机的电机时排除深度学习计算部的输出。
[0022] 在一实施例中，控制部生成与所述活塞的运动相关的冲程指令值，并利用计算出的所述控制参数来检测所述活塞的上死点与所述吐出部之间的距离，当检测出的距离小于所述冲程指令值时，可以利用所述深度学习计算部的输出来控制所述电机。
[0023] 相反，当检测出的距离为所述冲程指令值以上时，控制部可以去激活所述深度学习计算部的动作，利用由所述控制部计算出的控制参数来控制所述电机。
[0024] 在一实施例中，控制部利用控制参数来判断线性压缩机的动作状态是否正常，当所述压缩机的动作状态正常时，可以利用所述深度学习计算部的输出来控制所述电机。
[0025] 在一实施例中，其特征在于，在判断为所述压缩机的动作状态不正常时，控制部去激活所述深度学习计算部的动作，并利用由所述控制部计算出的控制参数来控制所述电机。
[0026] 在一实施例中，其特征在于，当活塞从初始位置执行不对称往复运动时，控制部去激活所述深度学习计算部的动作，并利用由所述控制部计算出的控制参数来控制电机。
[0027] 在一实施例中，其特征在于，当活塞的上死点距所述吐出部形成在预设的极限距离以内时，控制部去激活所述深度学习计算部的动作，并利用由所述控制部计算出的控制参数来控制所述电机。
[0028] 在一实施例中，其特征在于，在对所述深度学习计算部输入所述控制参数的时刻，控制部识别所述线性压缩机的动作模式，基于识别到的动作模式来选择所述控制参数中的一部分，并使所选择的一部分所述控制参数输入到所述深度学习计算部。
[0029] 在一实施例中，其特征在于，控制部基于识别到的动作模式来对所述控制参数执行缩放(Scaling)。
[0030] 在一实施例中，其特征在于，控制部根据识别到的动作模式改变而改变应用到所述控制参数的缩放变量
[0031] 另外，本发明提出的线性压缩机的控制部利用由检测部检测出的电机电压和电机电流中的至少一个来计算与活塞的运动相关的至少一个控制参数，然后可以利用深度学习算法来检测控制参数的补偿值。
[0032] 在一实施例中，其特征在于，控制部利用计算出的控制参数来计算所述活塞与所述吐出部之间的距离，并利用所述深度学习算法来检测应用于计算出的距离的补偿值。
[0033] 在一实施例中，其特征在于，控制部基于计算出的所述活塞与所述吐出部之间的距离来判断所述活塞是否在动作期间到达上死点。
[0034] 在一实施例中，其特征在于，控制部基于计算出的所述活塞与所述吐出部之间的距离来控制所述电机，使得活塞的上死点到达所述吐出部。
[0035] 在一实施例中，还可以包括用于存储由控制部计算出的控制参数和由深度学习算法计算出的补偿值中的至少一个的存储器。
[0036] 在一实施例中，其特征在于，每当计算出补偿值时，控制部对当前计算出的补偿值和存储在所述存储器中的先前计算出的补偿值进行比较。
[0037] 在一实施例中，其特征在于，在控制部中，每当所述活塞的上死点到达所述吐出部时，更新所述控制参数的计算值，利用所述深度学习算法，重新检测与更新后的控制参数的计算值对应的补偿值。
[0038] 在一实施例中，其特征在于，当重新检测出的补偿值大于先前检测出的补偿值时，控制部对更新之前的控制参数的计算值和重新检测出的补偿值进行分析，利用分析结果再次执行深度学习计算。
[0039] 在一实施例中，其特征在于，控制部将活塞的上死点到达所述吐出部之后经过预设的时间间隔之后计算出的控制参数应用到所述深度学习算法，重新检测所述补偿值。
[0040] 在一实施例中，所述活塞的上死点分别在彼此不同的时刻的第一时刻和第二时刻到达所述吐出部，所述控制部在到达所述第一时刻之前执行所述深度学习算法，由此可以检测与所述第一时刻对应的第一补偿值。另外，其特征在于，控制部将从第一时刻经过所述时间间隔之后计算出的控制参数应用到所述深度学习算法，从而检测与所述第二时刻对应的第二补偿值。
[0041] 在一实施例中，其特征在于，控制部利用所述第一补偿值来检测从所述第一时刻经过所述时间间隔之后开始到从所述第二时刻经过所述时间间隔之后为止的所述活塞的绝对位置。
[0042] 在一实施例中，其特征在于，控制部从所述第一时刻经过所述时间间隔之后开始到从所述第二时刻经过所述时间间隔之后为止，以预设的周期执行所述深度学习算法。
[0043] 在一实施例中，其特征在于，所述控制部包括执行所述深度学习算法的深度学习计算部，所述深度学习计算部接收由所述控制部计算出的控制参数的输入，利用人工神经网络技术，根据输入的所述控制参数来估计与所述活塞的上死点和所述吐出部之间的距离相关的补偿值，执行用于降低所估计的补偿值的噪声的后处理。
[0044] 根据本发明的线性压缩机及其控制方法，通过减小活塞与吐出阀的碰撞力，由此具有可以减小线性压缩机中产生的噪音的效果。另外，在本发明中，防止了活塞和吐出阀的碰撞，从而可以减小碰撞导致的活塞和吐出阀的磨损，因此具有可以延长机构和部件寿命的效果。
[0046] 图1A是表示一般的往复方法的往复式压缩机的一个例子的概念图。
[0047] 图1B是表示一般的线性方法的往复式压缩机的一个例子的概念图。
[0048] 图1C是与用于一般的线性压缩机的上死点控制的各种参数相关的曲线图。
[0049] 图2是表示线性压缩机的结构要素的框图。
[0050] 图3是表示根据本发明的线性压缩机的一实施例的剖视图。
[0051] 图4是表示根据本发明的线性压缩机的一实施例的概念图。
[0052] 图5是表示根据本发明的线性压缩机在s域(s-domain)中的控制过程的概念图。
[0053] 图6是表示根据本发明的线性压缩机的控制方法的流程图。
[0054] 图7是表示根据本发明的线性压缩机的控制方法的流程图。
[0055] 图8是与根据本发明的线性压缩机的控制相关的曲线图。
[0056] 图9是表示根据本发明的线性压缩机的控制方法的流程图。
[0057] 图10是表示根据本发明的线性压缩机的控制方法的流程图。
[0058] 图11是表示根据本发明的线性压缩机的控制方法的流程图。
[0059] 图12是表示根据本发明的线性压缩机的控制方法的流程图。
[0060] 图13是表示根据本发明的线性压缩机的控制方法的流程图。
[0061] 图14是表示根据本发明的线性压缩机的控制方法的流程图。
[0062] 图15是表示根据本发明的线性压缩机的控制方法的流程图。
[0063] 图16是表示根据本发明的线性压缩机的控制方法的流程图。
具体实施方式
[0064] 在本说明书中公开的发明可以应用于线性压缩机的控制装置及线性压缩机的控制方法。然而，本说明书中公开的发明不限于此，也可以应用于能够应用本发明的技术思想的所有压缩机的控制装置和压缩机的控制方法。
[0065] 另外，在对本说明书揭示的技术进行说明的过程中，如果判断为对于相关的公知技术的具体说明会导致混淆本说明书所揭示的技术思想，则将省去对其详细说明。并且，所附的附图仅是为了容易理解本说明书所揭示的技术思想，不应由所附的附图来限定该技术思想。
[0066] 在下面的图1A中，将说明一般的往复方法的往复式压缩机的一个例子。
[0067] 如上所述，在往复方法的往复式压缩机中设置的电机可以与曲轴1a结合，由此，电机的旋转运动可以转换成直线往复运动。
[0068] 如图1A所示，设置于往复方法的压缩机的活塞根据曲轴的规格或用于连接曲轴和活塞的连杆的规格在已设定的位置范围内执行直线往复运动。
[0069] 因此，在设计往复方法的压缩机时，当确定曲轴和连杆的规格以使活塞不超过上死点TDC端时，即使不另行使用电机控制算法，活塞也不会与配置在气缸的一端的吐出部2a碰撞。
[0070] 此时，在往复方法的压缩机中设置的吐出部2a可以相对于气缸固定地设置。作为一例，吐出部2a可以由阀板形成。
[0071] 然而，与稍后将要说明的线性方法的压缩机不同的是这种往复方法的压缩机在曲轴、连杆、活塞之间产生摩擦，因此，存在产生摩擦的元件比线性方法的压缩机更多的问题。
[0072] 在下面的图1B中，将说明一般的线性方法的往复式压缩机的一实施例。另外，在图1C中示出与用于一般的线性方法的往复式压缩机的上死点控制的各种参数相关的曲线图。
[0073] 比较图1A和图1B，与利用曲轴和连杆连接的电机来实现直线运动的往复式不同，线性方法的压缩机是将活塞连接到进行直线运动的电机的动子并利用电机的直线运动使活塞进行往复运动的方法。
[0074] 如图1B所示，线性方法的压缩机的气缸和活塞之间可以连接有弹性构件1b。活塞可以利用线性电机执行直线往复运动，线性压缩机的控制部可以控制线性电机，以变换活塞的运动方向。
[0075] 更具体地，图1B所示的线性压缩机的控制部可以将活塞与吐出部2b碰撞的时刻判断为活塞到达上死点TDC的时刻，由此，可以控制线性电机以变换活塞的运动方向。
[0076] 与图1B一起参照图1C，示出了与一般的线性压缩机相关的曲线图。具体地，如图1C所示，电机电流i与活塞的冲程x的相位差θ在活塞到达上死点TDC的时刻形成拐点。
[0077] 一般的线性压缩机的控制部利用电流传感器来检测电机电流i，利用电压传感器来检测电机电压(未示出)，并且可以基于电机电流和电机电压来估计冲程x。因此，控制部可以计算电机电流i与冲程x的相位差θ，当相位差θ形成拐点时，判断为活塞到达上死点TDC，此时可以控制线性电机以变换活塞的移动方向。在下文中，将线性压缩机的控制部为了防止活塞与配置于气缸一端的吐出部碰撞而控制电机使得活塞不超过上死点定义为“传统的上死点控制”。
[0078] 传统的上死点控制如下。
[0079] 在传统的上死点控制中，线性压缩机的控制部可以利用检测出的电机电流和估计出的冲程来实时计算与活塞的往复运动相关的气体常数Kg。
[0080] 具体地，控制部可以利用以下公式1来计算气体常数Kg。
[0081] 【公式1】
[0082]
[0083] 这里，I(jw)是一个周期电流的峰值，X(jw)是一个周期冲程的峰值，α是电机常数或反电动势常数，θI,x是电流与冲程的相位差，m是活塞的移动质量，w是电机的工作频率，Km是指机械弹簧常数。
[0084] 另外，通过上式导出与气体常数Kg相关的公式2。
[0085] 【公式2】
[0086]
[0087] 即，所述计算出的气体常数Kg可以与电机电流和冲程的相位差成正比。
[0088] 因此，在监测气体常数Kg或相位差的变化时，若所述气体常数Kg或相位差形成拐点，则线性压缩机的控制部可以判断为活塞已到达上死点。
[0089] 另外，如图1B所示，在执行如上所述的传统的上死点控制的一般的线性压缩机的情况下，可以设置具有弹性构件的吐出部2b。尤其，设置于传统的线性压缩机的吐出部2b与弹力相对弱的弹性构件连接。因此，吐出部2b与活塞的排斥力也相对较弱，因此存在气缸中的压缩状态不稳定的问题。
[0090] 为了解决这种问题，根据本发明的线性压缩机可以使显著增加排斥力的弹性构件连接到吐出部2b。此时，根据本发明的线性压缩机中，吐出部2b与气缸接合的力加强，因此，当活塞和吐出部2b碰撞时，所述吐出部2b和活塞之间所产生的排斥力也大于传统的线性压缩机。
[0091] 在根据本发明的线性压缩机的另一实施例中，可以包括在气缸一端设置有阀板的吐出部。此时，在包括由阀板形成的吐出部的线性压缩机中，由于气缸和阀板固定地结合，因此阀板和活塞之间产生的排斥力大于传统的线性压缩机。
[0092] 如上所述，利用施加到活塞的排斥力大于传统的线性压缩机的情况，本发明的线性压缩机中，可以在不添加额外的传感器的情况下控制活塞的移动。
[0093] 根据本发明的执行上死点控制的线性压缩机的控制部中，可以利用检测出的电机电压和电机电流来计算活塞的冲程。另外，所述控制部可以基于计算出的冲程的推移来控制所述电机，使得所述活塞不会碰撞所述阀板。
[0094] 具体地，根据本发明的线性压缩机的控制部可以在活塞在气缸中进行往复运动的期间继续估计活塞的冲程，以检测所估计的冲程的推移。
[0095] 当对估计的冲程的曲线图和实际冲程的曲线图进行比较时，在活塞与设置于气缸一端的吐出部碰撞之前，所述估计的冲程与实际冲程形成正比例关系。然而，在活塞与设置于气缸一端的吐出部碰撞之后，所述估计的冲程和实际冲程形成反比例关系。
[0096] 如上所描述，通过对根据本发明的线性压缩机的活塞提供比传统的线性压缩机更大的排斥力，估计的冲程与实际冲程可以从碰撞时刻开始形成反比例关系。
[0097] 在下面对发明的说明中，将说明用于解决如上所述的问题的本发明的结构及其效果。
[0098] 在下面的图2中，将说明与线性压缩机的结构要素相关的一实施例。
[0099] 图2是表示根据本发明的一实施例的往复式压缩机的控制装置的结构的框图。
[0100] 如图2所示，根据本发明的一实施例的往复式压缩机的控制装置可以包括检测与电机相关的电机电压和电机电流的检测部。
[0101] 具体地，参照图2，所述检测部可以包括：检测施加到电机的电机电压的电压检测部21、检测施加到所述电机的电机电流的电流检测部22。电压检测部21和电流检测部22可以将与检测出的电机电压和电机电流相关的信息分别发送到控制部25或冲程估计部23。
[0102] 另外，如图2所示，根据本发明的压缩机或压缩机的控制装置可以包括：利用所述检测出的电机电流和电机电压以及电机参数来估计冲程的冲程估计部23、对所述冲程估计值和冲程指令值进行比较并输出作为比较结果的差值的比较器24、以及根据所述差值来改变施加到电机的电压以控制冲程的控制部25。
[0103] 图2所示的控制装置的结构要素不是必须的，因此当然也可以实现具有更多的结构要素或具有更少的结构要素的压缩机控制装置。
[0104] 另一方面，根据本发明的一实施例的压缩机控制装置可以应用于往复式压缩机，然而在本说明书中将基于线性压缩机来说明。
[0105] 下面，将观察每个结构要素。
[0106] 电压检测部21检测施加到压缩机电机的电机电压，根据一实施例，电压检测部21可以包括整流部和直流链路部。整流部可以对具有规定大小的电压的交流电源进行整流以输出直流电压，直流链路部12可以包括两个电容器。
[0107] 另外，电流检测部22检测施加到电机的电机电流，根据一实施例，可以检测流过压缩机电机的线圈的电流。
[0108] 另外，冲程估计部23可以利用所述检测出的电机电流和电机电压以及电机参数来计算冲程估计值，并可以将计算出的冲程估计值应用到比较器24。
[0109] 此时，冲程估计部23可以通过如公式3的下面的公式来计算冲程估计值。
[0110] 【公式3】
[0111]
[0112] 这里，x是冲程，α是电机常数或反电动势常数，Vm是电机电压，im是电机电流，R是电阻，L是电感。
[0114] 即，控制部25在冲程估计值大于冲程指令值时减小电机施加电压，在冲程估计值小于冲程指令值时增加电机施加电压。
[0115] 如图2所示，控制部25和冲程估计部23可以形成为一个单元。即，可以由单个处理器或计算机来应对控制部25和冲程估计部23。与这种压缩机的控制装置一起，将在图2中说明根据本发明的线性压缩机的物理结构要素。
[0116] 在下面的图3中示出了根据本发明的线性压缩机的剖视图。
[0117] 根据本发明的一实施例的线性压缩机中，只要是可以应用线性压缩机控制装置或可以应用压缩机控制装置的线性压缩机，则可以是任意类型或任意形式的线性压缩机。图3所示的根据本发明的一实施例的线性压缩机仅是一个示例，并不旨在限制本发明的权利要求范围。
[0118] 通常，应用于压缩机的电机中，在定子上设置有绕组线圈，在动子上设置有磁体，从而使动子根据绕组线圈和磁体的相互作用来进行旋转运动或者往复运动。
[0119] 绕组线圈可以根据电机的类型以各种方式形成。例如，在旋转电机的情况下，在定子的内周表面上沿圆周方向形成的多个槽以集中绕组或分布绕组的方式绕组，在往复式电机的情况下，线圈以环形缠绕而形成绕组线圈之后，在该绕组线圈的外周表面沿圆周方向插入多个芯板(core sheet)并结合。
[0120] 尤其，在往复式电机的情况下，线圈以环形缠绕而形成绕组线圈，因此通常将线圈缠绕在由塑料材料制成的环形线轴以形成绕组线圈。
[0121] 如图3所示，在往复式压缩机中，框架120由多个支撑弹簧161、162弹性地设置在密封的壳体110的内部空间中。在壳体110的内部空间，与制冷循环的蒸发器(未示出)连接的吸入管111以连通的方式设置，在吸入管111的一侧，与制冷循环装置的冷凝器(未示出)连接的吐出管112以连通的方式设置。
[0122] 在框架120中固定地设置有构成电机驱动部M的往复式电机130的外侧定子131和内侧定子132，外侧定子131和内侧定子132之间设置有进行往复运动的动子(mover)133。在往复式电机130的动子(mover)133中结合有活塞142，以与后述的气缸141一起构成压缩部Cp并进行往复运动。
[0123] 气缸141设置在与往复式电机130的定子131、132在轴向上重叠的范围内。另外，在气缸141中形成有压缩空间CS1，在活塞142中形成有将制冷剂引导到压缩空间CS1的吸入流路F，在吸入流路F的尾端设置有开闭该吸入流路F的吸入阀143，在气缸141的顶端表面设置有开闭该气缸141的压缩空间CS1的吐出阀145。
[0124] 作为参考，根据本发明的线性压缩机的吐出部可以形成为各种形状。
[0125] 例如，如图3所示，根据本发明的线性压缩机可以包括由阀板形成的吐出部。即，根据本发明的线性压缩机中，可以应用现有技术的往复式压缩机中使用的吐出部。
[0126] 作为另一示例，如图1B所示，根据本发明的线性压缩机可以包括具有弹性构件的吐出部。即，根据本发明的线性压缩机也可以应用现有技术的线性压缩机中使用的吐出部。
[0127] 然而，在根据本发明的线性压缩机的吐出部中设置的弹性构件的弹力可以形成为大于一般的线性压缩机中设置的弹性构件的弹力。
[0128] 在下面的图4中，说明示出了根据本发明的线性压缩机的控制方法的一实施例。
[0129] 参照图4，说明由气缸和活塞以及吐出部限定的多个距离变量。
[0130] 首先，在驱动线性压缩机之前，在气缸中的活塞的中心位置和吐出部之间的距离定义为X0。
[0131] 当线性压缩机正在驱动时，活塞的上死点与吐出部之间的距离定义为XTDC。
[0132] 活塞的上死点和下死点之间的距离定义为Stk。
[0133] 在驱动线性压缩机之后，在气缸中活塞的中心位置被推动的距离定义为Xdc。
[0134] 具体而言，当线性压缩机的驱动开始时，与活塞朝向下死点移动相比，朝向上死点移动时受到更大的负载，所以即使在控制部输出相同的冲程指令或电压指令的情况下，活塞的位置也可以逐渐远离吐出部。在图4中，如上所示，将活塞从初始位置被推动的距离定义为Xdc。
[0135] 另外，与线性压缩机的活塞相关的控制参数在形成拐点的时刻，活塞的上死点与吐出部之间的距离定义为Xv。Xv可以是根据压缩机的设计来设定的常数。
[0136] 例如，当所述控制参数对应于气体常数Kg时，气体常数Kg的拐点理论上是在活塞接触吐出部时发生，所述Xv可以设定为0。然而，Xv不限于该值，其可以根据压缩机的设计或控制参数的改变而不同地设置。
[0137] 活塞的上死点与吐出部之间的距离XTDC可以通过下面的公式4来计算。
[0138] 【公式4】
[0139]
[0140] 另外，活塞的上死点与吐出部之间的距离XTDC可以通过下面的公式5来校正。
[0141] 【公式5】
[0142] XTDC_C＝XTDC+(XV-XV_obj)
[0143] 在所述公式5中，XTDC_C是指XTDC的更新后的值。
[0144] 另外，在所述公式5中，Xv_obj是指XTDC的补偿值。
[0145] Xv_obj可以通过气体常数Kg的推移来计算或通过深度学习计算来估计。
[0146] 在一例中，控制部25可以在与活塞的移动相关的控制参数形成拐点的时刻，利用Xv_obj来计算活塞的上死点与吐出部之间的距离。
[0147] 即，控制部25可以利用电机电压和电机电流中的至少一个来检测所述电机的负载变化。
[0148] 每当检测出的所述电机的负载变化时，控制部25可以计算与所述活塞的位置相关的补偿值，并且可以利用计算出的补偿值来控制所述活塞的绝对位置。
[0149] 具体地，控制部25可以利用电机电压和电机电流来估计所述活塞的冲程，并可以基于估计的冲程，计算所述活塞从在所述线性压缩机的驱动开始之前的初始位置被推动的距离Xdc。
[0150] 另外，控制部25可以利用估计的冲程和计算出的推动距离Xdc来计算所述活塞的上死点与吐出部之间的距离XTDC。
[0151] 另外，控制部25可以利用估计的冲程和检测出的电机电流来实时地计算与所述活塞的移动相关的参数。控制部25可以在计算出的参数形成拐点的时刻，计算所述活塞的上死点与吐出部之间的距离XTDC。控制部25可以对参数形成拐点的时刻的XTDC和已设定的参考距离进行比较，并基于比较结果来计算所述补偿值。
[0152] 控制部25可以控制电机以将所述活塞的上死点与吐出部之间的距离XTDC保持在已设定的极限距离以下。
[0153] 例如，当计算出的XTDC大于已设定的极限距离时，控制部25可以增加冲程指令值，或者可以增加电机电压或电机电流。
[0154] 控制部25检测电机的运转率，并基于检测出的运转率来判断所述电机的负载是否发生了变化。
[0155] 然而，除了运转率之外，控制部25也可以使用各种方法来判断电机的负载变化。即，当施加了用于改变线性压缩机的输出的用户输入时，控制部25可以判断为电机的负载发生了变化。
[0156] 控制部25可以计算与电机的初始驱动时的活塞的位置相关的补偿值。
[0157] 具体而言，与活塞的位置相关的补偿值可以包括冲程Stk估计值的误差和活塞从初始位置推动的距离Xdc的计算结果的误差。
[0158] 即，在控制部25计算活塞的上死点与吐出部之间的距离XTDC时，为了减小可能发生的误差，控制部25可以在电机初始启动时或每当发生电机的负载变化时，计算与活塞的位置相关的补偿值。
[0159] 控制部25计算补偿值的具体方法如下。
[0160] 首先，当压缩机的驱动开始时，控制部25可以计算活塞的上死点与吐出部之间的距离XTDC。即，控制部25可以计算第一时刻的XTDC。
[0161] 然后，控制部25可以监测现有技术的上死点控制中使用的、与活塞的移动相关的控制参数(例如，气体常数Kg)的变化。
[0162] 在监测期间，控制部25可以在所述控制参数形成拐点的第二时刻，计算活塞的上死点与吐出部之间的距离XTDC。此时，将活塞在控制参数形成拐点的时刻的理论位置定义为Xv，可以利用Xv_obj来计算在第二时刻计算出的XTDC。
[0163] 在另一示例中，控制部25将在一个时刻计算出的控制参数输入到深度学习计算部，深度学习计算部利用输入的控制参数来执行深度学习计算，从而可以估计Xv_obj。
[0164] 深度学习计算部也可以在气体常数Kg形成拐点之前，利用控制部25计算出的电机电力、活塞的冲程以及冲程与电机电流之间的相位差来估计Xv_obj。
[0165] 另外，深度学习计算部也可以在活塞的上死点到达吐出部之前，利用由控制部25计算出的电机电力、活塞的冲程以及冲程与电机电流之间的相位差来估计Xv_obj。
[0166] 另一方面，深度学习计算部还接收电机电压、控制电机的逆变器的占空比、气体常数Kg、压缩机的运转模式信息、活塞的操作频率和施加到电机的直流偏移中的至少一个，并可以利用输入的信息来估计Xv_obj。
[0167] 如上所述，在通过多种方法确定Xv_obj值之后，控制部25可以通过将在Xv减去Xv_obj之后得到的结果值与第一时刻的XTDC相加来计算最终的XTDC。即，控制部25可以通过从Xv减去Xv_obj来计算与活塞的位置相关的补偿值。
[0168] 另一方面，即使当电机在已设定的时间间隔内的负载变化量为规定的值以下时，控制部25也可以计算与所述活塞的位置相关的补偿值。即，即使当电机的负载量保持相当长的一段时间，控制部25也可以通过计算与所述活塞的位置相关的补偿值来更新XTDC。
[0169] 在一实施例中，控制部25检测估计的冲程与电机电流之间的相位差，并可以利用检测出的相位差来计算所述活塞的推动距离Xdc。具体地，控制部25可以利用规定的等式来计算活塞的推动距离Xdc，所述等式包括作为变量的估计的冲程与电机电流之间的相位差。
[0170] 作为一例，控制部25利用相位差来计算气体常数Kg和阻尼常数Cg，并且可以利用所述气体常数、阻尼常数和所述冲程来计算活塞的推动距离Xdc。即，控制部25可以利用规定的等式来计算活塞的推动距离Xdc，所述规定的等式包括作为变量的气体常数Kg、阻尼常数Cg、所述冲程Stk。
[0171] 在另一实施例中，本发明的另一线性压缩机的控制部25可以在检测出的负载变化的量在规定的范围内时，检测所述活塞的上死点的绝对位置。控制部25可以基于检测出的上死点的绝对位置来控制电机。
[0172] 即，控制部25可以对检测出的上死点的绝对位置和冲程指令值进行比较，并可以基于比较结果来调整电机。
[0173] 控制部25可以控制电机，使得检测出的上死点的绝对位置距吐出部为规定的距离间隔内。
[0174] 控制部25还可以包括用于存储与线性压缩机的机械特性相关的信息的存储器(未示出)。
[0175] 控制部25基于与线性压缩机的机械特性相关的信息，检测所述活塞的初始位置，并可以基于活塞的初始位置来检测活塞的上死点的绝对位置。
[0176] 例如，与线性压缩机的机械特性相关的信息可以包括与线性压缩机的气缸、活塞、设置在活塞的弹簧的规格相关的信息、或者与气缸中活塞的初始设置位置相关的信息。
[0177] 控制部25在线性压缩机的驱动期间利用检测出的电机电压和电机电流来估计所述活塞的冲程Stk，并可以基于估计的冲程，检测在气缸中所述活塞从活塞的初始位置沿与设置有吐出部的一侧相反的方向推动的距离Xdc。
[0178] 控制部25可以基于检测出的推动距离Xdc和活塞的初始位置来检测活塞的上死点的绝对位置。
[0179] 控制部25计算所估计的冲程值的误差和检测出的推动距离Xdc的误差中的至少一个，并可以通过反映计算出的误差来更新所述活塞的上死点的绝对位置。
[0180] 在上文中，说明了利用公式1至5来检测活塞的位置的方法。
[0181] 根据上述方法的控制部25可以在压缩机的驱动开始的第一时刻利用多个公式来计算活塞的上死点与吐出部之间的距离XTDC，但是，对于它的补偿值只有到了所述第一时刻之后的第二时刻才能够检测，因此存在难以实时地执行活塞的控制的问题。
[0182] 因此，在本发明中提出的控制部25可以利用深度学习算法来实时地估计活塞的上死点与吐出部之间的距离的补偿值。
[0183] 控制部25可以利用控制参数来计算在深度学习计算中使用的输入因子。
[0184] 具体地，在深度学习计算中使用的输入因子可以包括：施加到电机的电力、冲程的长度以及冲程与电流或电压的相位差。
[0185] 另外，在深度学习计算中使用的输入因子可以包括：流过电机的电流、施加到电机的电压、气体常数Kg、施加到电机的电压的直流偏移(DC Offset)、以及活塞的运转频率。
[0186] 此外，在深度学习计算中使用的输入因子可以包括：与在执行深度学习计算的时刻的线性压缩机的运转模式相关的识别信息。
[0187] 控制部25可以搭载深度学习计算部，深度学习计算部接收由控制部25计算出的输入因子的输入，并可以利用预先建立的人工神经网络来输出与输入因子对应的补偿值。
[0188] 当如上所述利用深度学习来估计补偿值时，其优点在于，可以在发生相位差的拐点的第二时刻到来之前实时地执行活塞控制。
[0189] 参照图5，示出了与搭载深度学习算法的控制部25计算Xdc、XTDC、Xv_obj、气体常数Kg和阻尼常数Cg相关的S域(S-domain)上的过程。
[0190] 在本发明中提出的线性压缩机可以包括深度学习计算部，所述深度学习计算部估计与活塞的运动或活塞的位置相关的补偿值。
[0191] 所述深度学习计算部可以与控制部25分开实现，也可以搭载于控制部25中。因此，根据实现方式，深度学习计算部可以具有与控制部25实际相同的结构。
[0193] 深度学习计算部可以利用机器学习(machine learning)技术，对线性压缩机的控制部或存储器中存储的信息、搭载线性压缩机的电子设备的动作状态信息、可通信的外部存储器中存储的信息等大量信息(大数据：big data)执行学习、推理、处理中的至少一个。另外，深度学习计算部可以利用通过所述机器学习技术学习到的信息，对可执行的至少一个线性压缩机的动作进行预测(或推理)，并可以控制线性压缩机执行至少一个预测到的所述动作之中具有最高可行性的动作。
[0194] 机器学习技术是基于至少一个算法对大规模的信息进行收集和学习，并基于所学习到的信息来判断和预测信息的技术。信息学习是掌握多个信息的特征、规则、判断标准等，以量化信息与信息之间的关系，并利用量化的模式来预测新的数据的操作。
[0195] 机器学习技术使用的算法可以是基于统计学的算法，例如，可以是使用树结构类型作为预测模型的决策树(decision tree)、模仿生物的神经网络结构功能的人工神经网络(neural network)、基于生物进化算法的遗传编程(genetic programming)、将观察到的示例分配到群集的部分集合中的集群(Clustering)、通过随机提取的随机数作为概率来计算函数值的蒙特卡罗方法(Monter carlo method)等。
[0196] 作为机器学习技术的一个领域，深度学习技术是利用人工神经网络(Deap Neuron Network,DNN：深度神经网络)算法对信息进行学习、判断、处理中的至少一个的技术。人工神经网络(DNN)可以具有连接层与层之间并传递层与层之间的数据的结构。这种深度学习技术可以利用对并行运算优化的GPU(graphic processing unit：图形处理器)通过人工神经网络(DNN)来学习大量的信息。
[0197] 另外，为了构成深度学习计算部，根据本发明的线性压缩机的存储器可以存储与压缩机的驱动相关的学习数据。另外，控制部25或深度学习计算部可以周期性地更新如上存储的学习数据。
[0198] 例如，每当在检测部中检测出电机电流或电机电压时，控制部25可以利用检测出的电机电流或电机电压来更新所述学习数据。同样地，每当计算出与活塞的运动相关的控制参数时，控制部25可以更新所述学习数据。
[0199] 参照图6，说明执行深度学习计算的线性压缩机的控制方法。
[0200] 如图6所示，当压缩机的驱动开始(S601)时，控制部25可以利用电机电流和电机电压来计算活塞的上死点与吐出部之间的距离XTDC(S602)。
[0201] 另外，控制部25可以利用深度学习算法来计算所述活塞的上死点与吐出部之间的距离XTDC的补偿值(S603)。
[0202] 控制部25将通过深度学习算法获得的补偿值应用到所述活塞的上死点与吐出部之间的距离XTDC，从而可以更准确地检测活塞的上死点与吐出部之间的距离。
[0203] 另一方面，执行深度学习算法的深度学习计算部可以接收由控制部25计算出的至少一个控制参数的输入。
[0204] 此时，控制参数可以包括施加到电机的电力、活塞的冲程长度以及流过电机的电流与冲程之间的相位差中的至少一个。
[0205] 计算冲程长度和电流与冲程之间的相位差的方法由上述说明代替。
[0206] 如上所描述，控制部25利用公式5来计算在控制参数形成拐点的时刻计算出的活塞的上死点与吐出部之间的距离XTDC即Xv_obj，由此，可以计算活塞的上死点与吐出部之间的距离XTDC的补偿值。
[0207] 相反，在通过深度学习计算来计算补偿值的情况下，可以在如气体常数Kg的控制参数形成拐点之前，预先估计活塞的上死点与吐出部之间的距离XTDC的补偿值。
[0208] 在图7中，说明执行深度学习计算的线性压缩机的另一种控制方法。
[0209] 控制部25可以基于线性压缩机的动作模式来控制电机，使得活塞的上死点到达吐出部(S701)。将活塞的上死点第一次到达吐出部的时刻定义为第一时刻。
[0210] 例如，控制部25可以在压缩机设定为以最大冷冻能力动作时控制电机，使得活塞的上死点到达吐出部。即，控制部25可以在压缩机设定为以最大冷冻能力动作时，控制电机的驱动，使得活塞在气缸中沿设置有吐出部的一端侧具有最长的冲程而移动。
[0211] 此时，控制部25需控制电机，使得活塞的上死点尽可能地靠近吐出部且活塞不会与吐出部碰撞，为此，必须准确地估计活塞在气缸中的位置、活塞的上死点与吐出部之间的距离XTDC以及该距离的误差补偿值。
[0212] 参照图7，当从第一时刻经过了预设的时间间隔时，控制部25可以计算与活塞的移动相关的控制参数(S702)。例如，可以将所述时间间隔设定为20秒。
[0213] 具体地，控制部25可以利用从第一时刻经过了20秒的时刻检测出的电机电压和电机电流，计算施加到电机的电力、活塞的冲程、以及冲程与电机电流的相位差。
[0214] 另一方面，控制部25可以将如上所计算出的控制参数输入到深度学习计算部，深度学习计算部可以利用输入的控制参数，获得与活塞的位置相关的补偿值(S703)。
[0215] 控制部25可以在第一时刻活塞的上死点到达吐出部之后计算控制参数，利用计算出的控制参数来执行深度学习计算，从而可以估计与活塞的位置相关的补偿值。
[0216] 另外，控制部25可以利用通过深度学习算法获得的补偿值来控制压缩机的驱动，使得活塞的上死点在第一时刻之后在第二时刻到达吐出部(S704)。
[0217] 如上所述，每当活塞的上死点到达吐出部时，控制部25计算用于执行深度学习计算的控制参数，在第一时刻之后计算出的控制参数可以直到在第二时刻之后计算出新的控制参数为止用作深度学习计算的输入因子。
[0218] 与在图7中示出的控制方法相关联，在图8中示出了表示补偿值的变化的曲线图。
[0219] 参照图8，将执行活塞的上死点分别在第一时刻T1和第二时刻T2到达吐出部的最大冷冻能力控制(TDC max)。
[0220] 控制部25可以在分别从所述第一时刻T1和第二时刻T2经过预设的时间间隔P之后的时刻，计算用于深度学习计算的控制参数。
[0221] 即，控制部25可以分别计算在第三时刻Ta和第四时刻Tb施加到电机的电力、活塞的冲程以及冲程与电机电流之间的相位差。另外，控制部25可以将如上所计算出的控制参数输入到深度学习计算部，从而获得与活塞的位置相关的补偿值。
[0222] 参照图8，控制部25可以在第二时刻T2利用与在第三时刻Ta计算出的控制参数对应的补偿值来控制电机。
[0223] 如图8所示，在第一时刻T1使用的补偿值的大小与在第二时刻T2使用的补偿值的大小彼此不同。
[0224] 另一方面，在图9中说明执行深度学习计算的线性压缩机的另一实施例。
[0225] 参照图9，控制部25控制电机，使得上死点到达吐出部(S901)，若上死点到达吐出部之后经过预设的时间间隔，则可以计算与活塞的移动相关的控制参数(S902)。
[0226] 另外，控制部25可以利用计算出的控制参数来计算与活塞的上死点和吐出部之间的距离Xtdc相关的补偿值(S903)。
[0227] 例如，每当活塞的上死点到达吐出部时，可以执行计算补偿值的步骤(S903)。
[0228] 在另一示例中，计算补偿值的步骤(S903)可以以规定周期重复执行。
[0229] 另一方面，每当执行计算补偿值的步骤(S903)时，存储器可以存储计算出的补偿值。
[0230] 控制部25在计算补偿值之后，可以对当前计算出的补偿值的大小和先前计算出的补偿值的大小进行比较(S904)。
[0231] 如果当前计算出的补偿值的大小大于先前计算出的补偿值，则控制部25执行深度学习计算，从而可以重新检测与活塞的上死点和吐出部之间的距离Xtdc相关的补偿值(S905)。
[0232] 如果当前计算出的补偿值的大小小于或等于先前计算出的补偿值，则控制部25可以直接应用当前计算出的补偿值，以控制电机的驱动(S906)。
[0233] 图10至图14示出了激活或去激活深度学习计算的线性压缩机的控制方法。
[0234] 即，控制部25在确保深度学习计算的可靠性的条件下激活深度学习计算部，并可以利用深度学习计算部的输出来控制线性压缩机的电机。相反，控制部25在深度学习计算的可靠性降低的条件下去激活深度学习计算部，在控制线性压缩机的电机时可以排除深度学习计算部的输出。
[0235] 在下文中，说明与确定深度学习计算的激活或去激活的多个条件相关的实施例。
[0236] 首先，参照图10，控制部25生成与活塞的运动相关的冲程指令值，并可以利用控制参数来检测活塞的上死点与吐出部之间的距离。控制部25可以对生成的冲程指令值和活塞的上死点与吐出部之间的距离进行比较(S1001)。
[0237] 另外，当检测出的距离小于所述冲程指令值时，控制部25可以利用深度学习计算部的输出来控制电机(S1002)。
[0238] 即，当由控制部计算出的活塞的上死点与吐出部之间的距离XTDC未到达冲程指令值时，控制部25可以激活深度学习计算部，使得所述深度学习计算部周期性地输出与活塞的位置相关的补偿值。
[0239] 相反，当检测出的距离为冲程指令值以上时，控制部25可以去激活深度学习计算部的动作，并利用由控制部25计算出的控制参数来控制电机(S1003)。
[0240] 此时，控制部25切断深度学习计算部的输出，并且可以在切断深度学习计算部的输出之前使用从所述深度学习计算部输出的补偿值来控制电机。
[0241] 参照图11，控制部25可以利用控制参数来检测线性压缩机的动作状态和具有所述线性压缩机的电子设备的动作状态中的至少一个(S1101)。
[0242] 另外，控制部25可以判断检测出的动作状态是否对应于正常状态(Normal State：常态)(S1102)。
[0243] 具体地，控制部25可以通过监测施加到电机的电压、流过所述电机的电流和所述电机消耗的电力来判断线性压缩机是否处于正常状态。
[0244] 例如，当电机电压、电机电流、电力超出预设的范围时，控制部25可以判断线性压缩机的动作状态处于异常。
[0245] 在另一示例中，当电机电压、电机电流、电力中的至少一个突然减小或增加时，控制部25可以判断为线性压缩机的动作状态处于异常。
[0247] 参照图11，当压缩机和电子设备的动作状态判断为正常时，控制部25可以激活深度学习计算(S1103)。
[0248] 即，当控制部25激活深度学习计算时，控制部25可以利用由深度学习计算部估计的补偿值来控制电机的驱动。
[0249] 另外，当判断压缩机的动作状态处于不正常时，控制部25可以去激活所述深度学习计算部的动作(S1104)。此时，控制部25可以利用上述公式1至5计算活塞的上死点与吐出部之间的距离，并计算所计算出的距离的补偿值。
[0250] 参照图12，控制部25可以判断压缩机是否正在执行特定运转模式(S1201)。
[0251] 例如，控制部25可以判断是否正在运行用于防止压缩机的损坏的保护模式。
[0252] 具体地，控制部25可以基于用户输入来选择压缩机的多个运转模式中需要去激活深度学习计算的至少一个运转模式。
[0253] 如上所述，当压缩机正在执行预选的特定运转模式时，控制部25可以去激活深度学习计算(S1202)。另外，当压缩机未执行所述特定运转模式时，控制部25可以激活深度学习计算(S1203)。
[0254] 参照图13，控制部25可以判断压缩机是否正在执行不对称运转模式(S1301)。
[0255] 不对称运转模式是指驱动电机使得活塞从初始位置到上死点和下死点的距离彼此不同。
[0256] 当压缩机正在执行不对称运转模式时，控制部25可以去激活深度学习计算(S1302)。另外，当压缩机未执行不对称运转模式时，控制部25可以激活深度学习计算(S1303)。
[0257] 即，当活塞从初始位置执行不对称往复运动时，控制部25去激活深度学习计算部的运行，并可以利用通过预设的公式计算出的控制参数来控制电机。
[0258] 参照图14，控制部25可以判断压缩机是否正在执行最大冲程运转(S1401)。
[0259] 在此，最大冲程运转是指控制电机以移动活塞直到与吐出部碰撞之前。在压缩机正在执行最大冲程运转的情况下，活塞的上死点接触吐出部。
[0260] 如果压缩机正在执行最大冲程运转，则控制部25可以去激活深度学习计算(S1402)。另外，如果压缩机未执行最大冲程运转，则控制部25可以激活深度学习计算(S1403)。
[0261] 在下面的图15中，说明与线性压缩机的控制方法相关的一实施例。
[0262] 控制部25可以在每个预设周期上获得用于深度学习计算的控制参数(S1501)。然后，所述获得的控制参数可以输入到深度学习计算部。
[0263] 另外，控制部25可以确认压缩机的当前运转模式(S1502)。
[0264] 具体地，控制部25在将控制参数输入到深度学习计算部的时刻上识别线性压缩机的动作模式，并基于识别到的动作模式来选择所述控制参数中的一部分，并可以使选择的一部分输入到深度学习计算部。
[0265] 另外，控制部25可以基于确认的运转模式来执行对控制参数的缩放(Scaling)(S1503)。即，控制部25可以根据运转模式来调整缩放变量，并可以将调整的缩放变量应用于控制参数。
[0266] 参照图15，控制部25可以对深度学习计算结果执行噪声滤波(S1504)。
[0267] 如上所述，作为深度学习计算的预处理而执行缩放，并作为后处理而执行噪声滤波，由此，控制部25可以检测最终校正的从活塞上死点到吐出部之间的距离Xtdc(S1505)。
[0268] 在图16中，说明与深度学习计算相关的偏移设定方法。
[0269] 参照图16，控制部25可以在活塞的上死点到达吐出部之后判断压缩机的驱动状态是否处于稳定状态(S1601、S1602)。
[0270] 在此，稳定状态是指控制参数的波动减小到规定以下的状态。因此，控制部25通过监测控制参数的变化量来判断压缩机是否已进入稳定状态。
[0271] 当判断为压缩机处于稳定状态时，控制部25可以初始化与深度学习计算相关的偏移(S1603)。
[0272] 另外，深度学习计算部输出与活塞的上死点和吐出部之间的距离Xtdc相关的多个补偿值，控制部25可以利用所述多个补偿值来获得多个校正后的Xtdc(S1604)。
[0273] 控制部25可以对多个校正的Xtdc中的最小值和先前设定为最终Xtdc的值进行比较(S1605)。当所述最小值大于先前设定为最终Xtdc的值时，控制部25可以再次对深度学习计算应用偏移(S1606)。
[0274] 在下文中，说明线性压缩机的另一实施例。
[0275] 本发明中提出的线性压缩机的控制部25中，利用由检测部检测出的电机电压和电机电流中的至少一个来计算与活塞的运动相关的至少一个控制参数，然后可以利用深度学习算法来检测控制参数的补偿值。
[0276] 此时，深度学习计算部定义为搭载于控制部25中。即，控制部25具备深度学习算法，并可以利用所述深度学习算法来估计用于减小Xtdc的误差的补偿值。
[0277] 具体地，控制部25利用计算出的控制参数来计算活塞与所述吐出部之间的距离Xtdc，并可以利用深度学习算法来检测应用于计算出的距离Xtdc的补偿值。
[0278] 当检测到补偿值时，控制部25可以根据公式来校正最初计算出的Xtdc，从而计算最终的Xtdc_c值。
[0279] 控制部25可以基于计算出的Xtdc_c来判断活塞在动作期间是否到达上死点。另外，控制部25可以基于计算出的Xtdc_c来控制电机，使得活塞的上死点到达吐出部。
[0280] 另一方面，控制部25可以将与活塞的移动相关的控制参数或通过深度学习计算获得的补偿值中的至少一个存储到存储器中。另外，每当通过深度学习计算来计算补偿值时，控制部25可以对当前计算出的补偿值和先前计算出的补偿值进行比较。
[0281] 此外，每当活塞的上死点到达吐出部时，控制部25可以更新控制参数的计算值。每当控制参数的计算值被更新时，存储器可以存储该更新值。另外，每当控制参数的计算值被更新时，控制部25可以利用深度学习算法重新检测与被更新的控制参数的计算值对应的补偿值。
[0282] 随着Xtdc的补偿值增加，Xtdc_c的值减小，因此需要验证补偿值以确保压缩机驱动的可靠性。
[0283] 因此，当重新检测出的补偿值大于先前检测出的补偿值时，控制部25对更新之前的控制参数的计算值和重新检测出的补偿值进行分析(Parsing)，并可以利用分析结果来再次执行深度学习计算。
[0284] 在一实施例中，控制部可以将在活塞的上死点到达吐出部之后经过了预设的时间间隔之后计算出的控制参数应用到深度学习算法，从而重新检测补偿值。
[0285] 当活塞的上死点分别在彼此不同的时刻的第一时刻和第二时刻上到达所述吐出部时，控制部25在到达所述第一时刻之前执行深度学习算法，从而可以检测对应于第一时刻的第一补偿值。
[0286] 另外，控制部25可以将从第一时刻经过预设的时间间隔之后计算出的控制参数应用到深度学习算法，从而检测对应于第二时刻的第二补偿值。
[0287] 因此，控制部25可以利用所述第一补偿值，从所述第一时刻经过所述时间间隔之后开始到从所述第二时刻经过所述时间间隔之后为止，检测活塞的绝对位置。
[0288] 根据本发明的线性压缩机及其控制方法减少了活塞与吐出阀之间的碰撞力，从而具有能够减小线性压缩机中产生的噪音的效果。另外，在本发明中，可以通过防止活塞和吐出阀之间的碰撞来减少碰撞导致的活塞和吐出阀的磨损，因此，可以导出能够延长机构和部件的寿命的效果。
[0289] 另外，根据本发明的线性压缩机及其控制方法中，即使不添加额外的传感器，也能够检测气缸中活塞的绝对位置，因此，具有降低噪音的同时能够执行高效运转的效果。
[0290] 虽然说明了关于本发明的具体实施例，但是，应当理解的是，在不脱离本发明的范围内可以进行各种变形。因此，本发明的范围不限于所描述的实施例，而应由权利要求书及其范围的等同物来确定。
[0291] 如上所示，虽然本发明参考示例性的实施例和附图进行说明，然而本发明并不限于所述的实施例，对于本发明所属领域的普通技术人员来说可以从这种记载进行各种修改和变形。因此，应当仅通过权利要求书来理解本发明的精神，并且其等同物或等同变形将均属于本发明的精髓范围内。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
线性压缩机热门专利
QQ群二维码
意见反馈
意见反馈