一种空调设备控制方法、控制装置及空调设备与流程

1.本技术属于空调控制技术领域，尤其涉及一种空调设备控制方法、控制装置及空调设备。

背景技术：

2.风噪控制是提升空调设备性能的一个重要方面，目前，空调设备的风噪控制一般通过噪声传感器进行声音信号的物理采集，并根据采集信号的信号强度控制空调设备的噪声。然而，通过噪声传感器直接采集的声音信号并不能完全、真实的反应出空调设备的风噪情况，导致在实际过程中不能对风噪进行准确的控制。基于此，如何提高针对空调设备噪声的控制准确度是亟待解决的技术问题。

技术实现要素：

3.本技术的实施例提供了一种空调设备控制方法、控制装置及空调设备，进而至少在一定程度上可以提高针对空调设备噪声的控制准确度。
4.本技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本技术的实践而习得。
5.根据本技术实施例的第一方面，提供了一种空调设备控制方法，所述方法包括：获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；基于所述目标噪声信号，控制所述空调设备的风机运转速度。
6.在本技术的一些实施例中，基于前述方案，所述从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，包括：识别所述原始声音信号中的非目标噪声信号；对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
7.在本技术的一些实施例中，基于前述方案，所述对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号，包括：通过预先构建的第一机器学习模型或者数字滤波模型对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
8.在本技术的一些实施例中，基于前述方案，所述基于所述目标噪声信号，控制所述空调设备的风机运转速度，包括：通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；基于所述噪声强度，控制所述空调设备的风机运转速度。
9.本技术实施例通过从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，可以有效将原始采集的声音信号中的干扰信号区分出来，从而防止把非噪声信号当作噪声信号进行对待处理而出现误采集、误识别等问题，并基于从所述原始声音信号中分离出的目标噪声信号，控制所述空调设备的风机运转速度，可以提高在实际过程中针对空调设备噪声的控制准确度。
10.根据本技术实施例的第二方面，提供了一种空调设备控制方法，所述方法包括：获取由所述空调设备的风机产生的目标噪声信号；通过预先训练的第二机器学习模型确定与
所述目标噪声信号对应的噪声强度；基于所述噪声强度，控制所述空调设备的风机运转速度。
11.在本技术的一些实施例中，基于前述方案，所述通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，包括：确定所述目标噪声信号的频谱信息；基于所述频谱信息，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。
12.在本技术的一些实施例中，基于前述方案，在通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度之前，所述方法还包括：获取所述空调设备的风机在各个风量状态下的频谱信息；基于所述风机在各个风量状态下的频谱信息，训练所述第二机器学习模型。
13.在本技术的一些实施例中，基于前述方案，所述基于所述噪声强度，控制所述空调设备的风机运转速度，包括：获取噪声强度容忍值，并计算所述噪声强度与所述噪声强度容忍值之间的噪声差值；基于所述噪声差值，控制所述空调设备的风机运转速度。
14.在本技术的一些实施例中，基于前述方案，所述基于所述噪声差值，控制所述空调设备的风机运转速度，包括：在所述噪声差值的绝对值大于预定阈值时，按照预定的调整粒度，步进调整所述空调设备的风机运转速度，直至所述噪声差值的绝对值小于或等于所述预定阈值。
15.在本技术的一些实施例中，基于前述方案，所述基于所述噪声差值，控制所述空调设备的风机运转速度，包括：基于所述噪声差值，通过查表确定针对所述风机运转速度的调整幅度；按照所述调整幅度，调整所述空调设备的风机运转速度。
16.本技术实施例通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，一方面，能够提高确定噪声强度的精度和准确性。另一方面，通过预先训练得到第二机器学习模型，无需人工建立数学模型，因此不受限于某一特定的噪声强度识别场景，故使得得到第二机器学习模型可移植性强，同时极大地节约了现场和技术上投入的人力成本。
17.根据本技术实施例的第三方面，提供了一种空调设备控制装置，所述装置包括：第一获取单元，用于获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；第一控制单元，用于基于所述目标噪声信号，控制所述空调设备的风机运转速度。
18.根据本技术实施例的第四方面，提供了一种空调设备控制装置，所述装置包括：第二获取单元，用于获取由所述空调设备的风机产生的目标噪声信号；确定单元，用于通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；第二控制单元，用于基于所述噪声强度，控制所述空调设备的风机运转速度。
19.根据本技术实施例的第五方面，提供了一种空调设备，所述空调设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现上述第一方面任一实施例所述方法，或者实现上述第二方面任一实施例所述方法。
20.上述第三方面至第五方面各个实施例的有益效果，可以参考上述第一、第二方面及第一、第二方面各个实施例的有益效果，这里不再赘述。
21.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
22.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
23.图1示出了本技术实施例中空调设备的结构示意图；
24.图2示出了本技术实施例中第一方面的空调设备控制方法的流程图；
25.图3示出了本技术实施例中一目标噪声信号的频谱图；
26.图4示出了本技术实施例中第二方面的空调设备控制方法的流程图；
27.图5示出了本技术实施例中空调设备控制方法的场景示意图；
28.图6示出了本技术实施例中第三方面的空调设备控制装置的框图；
29.图7示出了本技术实施例中第四方面的空调设备控制装置的框图；
30.图8示出了本技术实施例中第五方面的空调设备的结构示意图。
具体实施方式
31.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
32.此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本技术的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本技术的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本技术的各方面。
33.附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
34.附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
35.在本技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
36.图1示出了本技术实施例中空调设备的结构示意图。该空调设备100的可以包括存储器101、处理器102、声音采集器103、风机104。
37.其中，存储器101用于存储执行本技术空调设备控制方法的计算机程序指令，声音采集器103用于采集在所述空调设备周围的声音信号，处理器102用于根据获取到的由声音采集器103采集的声音信号，执行本技术空调设备控制方法的计算机程序指令，以控制风机104的运转速度，从而控制因风机运转而产生的噪声。
38.在本技术中，空调设备的风机一般设置在空调设备的室内机中，其主要作用在于将压缩机内产生的冷气或者热气以送风的形式带入室内，从而调节室内温度。然而，风机的运转会在室内产生噪声，且风机运转速度越快，产生的噪声越大，为此，本技术实施例提供一种空调设备控制方法，以准确控制由空调设备产生的室内噪声。
39.基于上述描述，在本技术实施例的第一方面，将结合图2对本技术实施例提供的空调设备控制方法进行详细描述：
40.参见图2，示出了本技术实施例中第一方面的空调设备控制方法的流程图，该步骤可以由空调设备控制装置执行，该控制装置可以位于如图1所示的处理器102内，也可以是该处理器102。该控制方法可以包括步骤210至230：
41.步骤210，获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号。
42.步骤230，基于所述目标噪声信号，控制所述空调设备的风机运转速度。
43.在本技术中，可以通过空调设备内的声音采集器采集原始声音信号，例如，图1中所示的声音采集器103。
44.在本技术中，室内除了因空调设备中风机运转而产生的声音信号之外，还会存在其它声音信号，例如，人说话的声音信号，音乐播放的声音信号，室外传来声音信号等等。可见，由声音采集器采集的原始声音信号中，可能还夹杂有除风机所产生声音信号之外其它声音信号。基于此，可以先从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，然后在基于所述目标噪声信号，控制所述空调设备的风机运转速度。
45.在如图2所示步骤210的一个实施例中，从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，可以通过执行如下步骤211至步骤212来实现：
46.步骤211，识别所述原始声音信号中的非目标噪声信号。
47.步骤212，对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
48.在本实施例中，在识别所述原始声音信号中的非目标噪声信号之前，需要事先获取并学习目标噪声信号的声音特征，例如目标噪声信号的频率特征，振幅特征等等。然后将符合目标噪声信号声音特征的声音信号确定为目标噪声信号，将不符合目标噪声信号声音特征的声音信号确定为非目标噪声信号。
49.在本技术中，在获取目标噪声信号的声音特征之前，需要首先采集目标噪声信号。
50.需要说明的是，在采集目标噪声信号的过程中，需要在没有其它噪声信号干扰的环境下进行采集。
51.还需要说明的是，在采集目标噪声信号的过程中，声音采集器和空调设备的相对位置与实际应用时声音采集器和空调设备的相对位置保持一致，例如，将声音采集器安装在空调设备的某一个具体的位置。
52.上述做法的好处在于，由于目标噪声信号的位置信息、强度信息是相对稳定的存
在，不会出现时高时低的情况，也不会出现由声音采集器和空调设备相对位置的变化而引起目标噪声信号的采集误差，对其进行一段时间内的目标噪声信号采集来代表空调设备实际输出的噪声情况是合理的，进而能够提高获取到的目标噪声信号的声音特征的准确性。如图3，示出了本技术实施例中一目标噪声信号的频谱图，通过该频谱图，可以看出该目标噪声信号的声音特征。
53.在本技术中，在识别所述原始声音信号中的非目标噪声信号之后，可以对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
54.在步骤212的一个实施例中，可以是通过预先构建的第一机器学习模型对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
55.机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能，具体是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的模型，其能够使机器具有感知、推理与决策的功能。
56.在本实施例中，可以由包括目标噪声信号和非目标噪声信号的原始声音信号对第一机器学习模型进行训练，使其能够区分出原始声音信号中的目标噪声信号和非目标噪声信号，并对非目标噪声信号进行过滤。
57.在本实施例中，第一机器学习模型可以是基于决策树算法、朴素贝叶斯算法、支持向量机算法、随机森林算法、关联规则算法、人工神经网络算法，深度学习算法中的任意一种构建的。
58.在步骤212的另一个实施例中，也可以是通过预先构建的数字滤波模型对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
59.数字滤波模型是由数字乘法器、加法器和延时单元组成的一种算法，其功能是对输入离散信号的数字代码进行运算处理，以达到改变信号频谱的目的，其中，数字滤波模型对非噪声信号进行过滤的方法就是利用数字计算机对非噪声信号进行处理，处理就是按照预先编制的程序进行计算。
60.在本实施例中，数字滤波模型可以是基于离散傅里叶变换算法构建的，也可以是基于快速傅里叶变换算法构建的，快速傅里叶变换算法是一种实现离散傅里叶变换的快速算法，是利用复数形式的离散傅里叶变换来计算实数形式的离散傅里叶变换。
61.继续参照图2，在步骤230的一个实施例中，基于所述目标噪声信号，控制所述空调设备的风机运转速度，可以通过执行如下步骤231至步骤232来实现：
62.步骤231，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。
63.步骤232，基于所述噪声强度，控制所述空调设备的风机运转速度。
64.在本技术的一些实施例所提供的技术方案中，通过从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，可以有效将原始采集的声音信号中的干扰信号区分出来，从而防止把非噪声信号当作噪声信号进行对待处理而出现误采集、误识别等问题，并基于从所述原始声音信号中分离出的目标噪声信号，控制所述空调设备的风机运转速度，可以提高在实际过程中针对空调设备噪声的控制准确度。
65.在本技术实施例的第二方面，将结合图4对本技术实施例提供的另一空调设备控
制方法进行详细描述：
66.参见图4，示出了本技术实施例中第二方面的空调设备控制方法的流程图，该步骤可以由空调设备控制装置执行，该控制装置可以位于如图1所示的处理器102内，也可以是该处理器102。该控制方法可以包括步骤250至290：
67.步骤250，获取由所述空调设备的风机产生的目标噪声信号。
68.步骤270，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。
69.步骤290，基于所述噪声强度，控制所述空调设备的风机运转速度。
70.在本技术中，获取由所述空调设备的风机产生的目标噪声信号，可以根据本技术实施例第一方面中所提出的技术方案实现，即首先由声音采集器获取原始声音信号，然后，从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号。
71.在如图4所示步骤270的一个实施例中，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，可以通过执行如下步骤271至步骤272来实现：
72.步骤271，确定所述目标噪声信号的频谱信息。
73.步骤272，基于所述频谱信息，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。
74.在本技术中，频谱是频率谱密度的简称，是频率的分布曲线。复杂振荡分解为振幅不同和频率不同的谐振荡，这些谐振荡的幅值按频率排列的图形叫做频谱。
75.在本实施例中，在通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度之前，还可以执行如下所述步骤2721至步骤2722：
76.步骤2721，获取所述空调设备的风机在各个风量状态下的频谱信息。
77.步骤2722，基于所述风机在各个风量状态下的频谱信息，训练所述第二机器学习模型。
78.在本技术中，空调设备中风机的风量控制逻辑可以是有档位信息的离散控制逻辑，也可以是无档位信息的连续控制逻辑。
79.在空调设备中风机的风量控制逻辑为离散控制逻辑情况下，则不需要针对噪声信号的频谱信息进行连续采集，可以是针对每一个档位对应风量下(即各个风量状态下)的噪声信号的频谱信息进行采集。例如，空调设备中风机的风量档位分为a、b、c三挡，则可以针对a、b、c三挡中每一个档位对应风量下的噪声信号的频谱信息进行采集。
80.在空调设备中风机的风量控制逻辑为连续控制逻辑情况下，可以根据风噪精度信息进行积分加权平均去满足采集要求，即针对一段连续时间内的噪声信息进行积分处理，然后根据加权值计算出噪声信息在该段连续时间内的实际大小，如下公式(1)：
[0081][0082]
其中，qi表示单位权值；f(t)表示时间权值；f(jw)表示频域点幅度值。
[0083]
例如，若空调设备中风机的风量大小分布在1至100的区间，则可以针对在一段时间内风量大小分布在28至29的噪声信息进行积分，然后根据加权值计算出在该段连续时间内的实际噪声信息。
[0084]
在步骤2722的一个实施例中，可以是基于所述风机在各个风量状态下的频谱信息，通过无监督的方式训练所述第二机器学习模型，即将每一个风量状态下的噪声信号的频谱信息输入至第二机器学习模型，由第二机器学习模型学习该风量状态下的噪声信号的频谱信息，然后输出一个噪声强度。
[0085]
在步骤2722的另一个实施例中，可以是基于所述风机在各个风量状态下的频谱信息，通过有监督的方式训练所述第二机器学习模型。在通过有监督的方式训练所述第二机器学习模型的情况下，还需要事先获取每个风量状态下噪声信号的频谱信息对应的真实噪声强度，然后基于所述风机在各个风量状态下的频谱信息，以及各个风量状态下的真实噪声强度，训练所述第二机器学习模型，以使得所述第二机器学习模型能够根据目标噪声信号的频谱信息确定与所述目标噪声信号对应的噪声强度。
[0086]
因此，基于上述方式训练得到的第二机器学习模型能够确定与所述目标噪声信号对应的噪声强度。且其好处在于，第一方面，通过训练得到的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，能够提高确定噪声强度的精度和准确性。第二方面，通过训练得到的第二机器学习模型，无需人工建立数学模型，因此不受限于某一特定的噪声强度识别场景，故使得得到第二机器学习模型可移植性强，同时极大地节约了现场和技术上投入的人力成本。
[0087]
继续参照图4，在步骤290的一个实施例中，基于所述噪声强度，控制所述空调设备的风机运转速度，可以通过执行如下步骤291至步骤292来实现：
[0088]
步骤291，获取噪声强度容忍值，并计算所述噪声强度与所述噪声强度容忍值之间的噪声差值。
[0089]
步骤292，基于所述噪声差值，控制所述空调设备的风机运转速度。
[0090]
在本技术中，所述噪声强度容忍值是指允许空调设备中的风机在室内产生的最大噪声强度。其可以由用户根据实际需要进行设定，例如，用户可以通过遥控器进行设定，也可以通过手机app进行远程设定。
[0091]
在本实施例中，基于所述噪声差值，控制所述空调设备的风机运转速度，可以包括至少两种如下情况：
[0092]
在一种情况下，在所述噪声差值大于0时，则可以调低所述空调设备的风机运转速度，以降低空调设备中风机产生的噪声强度。
[0093]
在另一种情况下，在所述噪声差值小于0时，则可以调高所述空调设备的风机运转速度，以在所述噪声强度不超过所述噪声强度容忍值的前提下，增加空调设备的输出风量。
[0094]
进一步的，在上述步骤292的一个实施例中，基于所述噪声差值，控制所述空调设备的风机运转速度，可以按照如下方式执行：
[0095]
在所述噪声差值的绝对值大于预定阈值时，按照预定的调整粒度，步进调整所述空调设备的风机运转速度，直至所述噪声差值的绝对值小于或等于所述预定阈值。
[0096]
在本实施例中，可以通过确定的噪声强度t0，计算出增量差异δq，通过对增量差异δq按调整粒度u进行划分，细分出步进调整节奏，以最终满足目标噪声要求，如下公式(2)：
[0097]
[0098]
其中，t0表示噪声强度；δq表示增量差异；u表示调整粒度；t表示噪声强度容忍值。
[0099]
具体的，例如，所述预定阈值设定为1db，所述噪声差值为10db，所述预定的调整粒度为2个风机运转速度单位。在此情况下，所述噪声差值的绝对值为10db，大于预定阈值1db，因此，可以首先控制空调设备的风机降低2个风机运转速度单位，然后计算新的噪声差值，在所述新的噪声差值的绝对值仍然大于预定阈值时，继续控制空调设备的风机降低2个风机运转速度单位，并按照此过程循环控制所述空调设备的风机运转速度，以实现按照2个风机运转速度单位的调整粒度，步进调整所述空调设备的风机运转速度，直至所述噪声差值的绝对值小于或等于1db。
[0100]
在本实施例中，通过按照预定的调整粒度，步进调整所述空调设备的风机运转速度，其好处在于，可以防止调整幅度过大而导致风机运转速度接近停止，或者风机运转速度过快而导致损坏风机，且产生较大的噪声，从而能够提高噪声控制精度。
[0101]
在上述步骤292的另一个实施例中，基于所述噪声差值，控制所述空调设备的风机运转速度，还可以通过执行如下步骤2921至步骤2922来实现：
[0102]
步骤2921，基于所述噪声差值，通过查表确定针对所述风机运转速度的调整幅度。
[0103]
步骤2922，按照所述调整幅度，调整所述空调设备的风机运转速度。
[0104]
在本实施例中，可以事先通过试验，确定噪声差值与风机运转速度调整幅度之间的对应表关系，例如，若噪声差值为10db，则风机运转速度调整幅度为8个风机运转速度单位，若噪声差值为5db，则风机运转速度调整幅度为3个风机运转速度单位。
[0105]
在本实施例中，通过按照所述调整幅度，调整所述空调设备的风机运转速度，其好处在于，可以快速调整所述空调设备的风机运转速度，从而提高空调设备风机噪声的控制效率。
[0106]
为了使本领域技术人员更好的理解本技术中的实施例，下面将结合图5进行说明。
[0107]
参见图5，示出了本技术实施例中空调设备控制方法的场景示意图。
[0108]
如图5所示，首先，风机501运转产生噪声信号502，语音识别系统503获取噪声信号502，对噪声信号502进行滤波处理，并确定与噪声信号502对应的噪声强度，处理器505根据该噪声强度和用户通过手机app设定噪声强度容忍值，确定控制数据，并将该控制数据负反馈至风机501，风机501在该控制数据的控制下调整自身的风机运转速度，并产生新的噪声信号502，后续基于该新的噪声信号502控制所述空调设备的风机运转速度。
[0109]
在本技术的一些实施例所提供的技术方案中，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，一方面，能够提高确定噪声强度的精度和准确性。另一方面，通过预先训练得到第二机器学习模型，无需人工建立数学模型，因此不受限于某一特定的噪声强度识别场景，故使得得到第二机器学习模型可移植性强，同时极大地节约了现场和技术上投入的人力成本。
[0110]
以下介绍本技术的装置实施例，可以用于执行本技术上述实施例中的空调设备控制方法。对于本技术装置实施例中未披露的细节，请参照本技术上述的空调设备控制方法的实施例。
[0111]
在本技术实施例的第三方面，将结合图6对本技术实施例提供的一空调设备控制装置进行描述：
[0112]
参见图6，示出了本技术实施例中第三方面的空调设备控制装置的框图。
[0113]
如图6所示，根据本技术实施例的空调设备控制装置600，包括：第一获取单元601和第一控制单元602。
[0114]
其中，第一获取单元601，用于获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；第一控制单元602，用于基于所述目标噪声信号，控制所述空调设备的风机运转速度。
[0115]
在本技术的一些实施例中，基于前述方案，所述第一获取单元601配置为：识别所述原始声音信号中的非目标噪声信号；对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
[0116]
在本技术的一些实施例中，基于前述方案，所述第一获取单元还601配置为：通过预先构建的第一机器学习模型或者数字滤波模型对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。
[0117]
在本技术的一些实施例中，基于前述方案，所述第一控制单元602配置为：通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；基于所述噪声强度，控制所述空调设备的风机运转速度。
[0118]
在本技术实施例的第四方面，将结合图7对本技术实施例提供的另一空调设备控制装置进行描述：
[0119]
参见图7，示出了本技术实施例中第四方面的空调设备控制装置的框图。
[0120]
如图7所示，根据本技术实施例的空调设备控制装置700，包括：第二获取单元701，确定单元702和第二控制单元703。
[0121]
其中，第二获取单元701，用于获取由所述空调设备的风机产生的目标噪声信号；确定单元702，用于通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；第二控制单元703，用于基于所述噪声强度，控制所述空调设备的风机运转速度。
[0122]
在本技术的一些实施例中，基于前述方案，所述确定单元702配置为：确定所述目标噪声信号的频谱信息；基于所述频谱信息，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。
[0123]
在本技术的一些实施例中，基于前述方案，所述装置还包括：第三获取单元，用于在通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度之前，获取所述空调设备的风机在各个风量状态下的频谱信息；训练单元，用于基于所述风机在各个风量状态下的频谱信息，训练所述第二机器学习模型。
[0124]
在本技术的一些实施例中，基于前述方案，所述第二控制单元703配置为：获取噪声强度容忍值，并计算所述噪声强度与所述噪声强度容忍值之间的噪声差值；基于所述噪声差值，控制所述空调设备的风机运转速度。
[0125]
在本技术的一些实施例中，基于前述方案，所述第二控制单元703配置为：在所述噪声差值的绝对值大于预定阈值时，按照预定的调整粒度，步进调整所述空调设备的风机运转速度，直至所述噪声差值的绝对值小于或等于所述预定阈值。
[0126]
在本技术的一些实施例中，基于前述方案，所述第二控制单元703配置为：基于所述噪声差值，通过查表确定针对所述风机运转速度的调整幅度；按照所述调整幅度，调整所述空调设备的风机运转速度。
[0127]
基于同一发明构思，本技术实施例第五方面还提供了一种空调设备，参考图1所示，包括声音采集器和风机，参考图8所示，还包括存储器804、处理器802及存储在存储器804上并可在处理器802上运行的计算机程序，处理器802执行所述计算机程序时实现前述第一方面或者第二方面所述的空调设备控制方法。
[0128]
其中，在图8中，总线架构(用总线800来代表)，总线800可以包括任意数量的互联的总线和桥，总线800将包括由处理器802代表的一个或多个处理器和存储器804代表的存储器的各种电路链接在一起。总线800还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口805在总线800和接收器801和发送器803之间提供接口。接收器801和发送器803可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器802负责管理总线800和通常的处理，而存储器804可以被用于存储处理器802在执行操作时所使用的数据。
[0129]
本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本技术及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0130]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0131]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为控制装置的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0132]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0133]
以上所述仅为本技术的实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：

1.一种空调设备控制方法，其特征在于，所述方法包括：获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；基于所述目标噪声信号，控制所述空调设备的风机运转速度。2.根据权利要求1所述的方法，其特征在于，所述从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号，包括：识别所述原始声音信号中的非目标噪声信号；对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。3.根据权利要求2所述的方法，其特征在于，所述对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号，包括：通过预先构建的第一机器学习模型或者数字滤波模型对所述原始声音信号中的非目标噪声信号进行过滤，得到所述目标噪声信号。4.根据权利要求1所述的方法，其特征在于，所述基于所述目标噪声信号，控制所述空调设备的风机运转速度，包括：通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；基于所述噪声强度，控制所述空调设备的风机运转速度。5.一种空调设备控制方法，其特征在于，所述方法包括：获取由所述空调设备的风机产生的目标噪声信号；通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；基于所述噪声强度，控制所述空调设备的风机运转速度。6.根据权利要求4所述的方法，其特征在于，所述通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度，包括：确定所述目标噪声信号的频谱信息；基于所述频谱信息，通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度。7.根据权利要求4所述的方法，其特征在于，在通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度之前，所述方法还包括：获取所述空调设备的风机在各个风量状态下的频谱信息；基于所述风机在各个风量状态下的频谱信息，训练所述第二机器学习模型。8.根据权利要求4所述的方法，其特征在于，所述基于所述噪声强度，控制所述空调设备的风机运转速度，包括：获取噪声强度容忍值，并计算所述噪声强度与所述噪声强度容忍值之间的噪声差值；基于所述噪声差值，控制所述空调设备的风机运转速度。9.根据权利要求7所述的方法，其特征在于，所述基于所述噪声差值，控制所述空调设备的风机运转速度，包括：在所述噪声差值的绝对值大于预定阈值时，按照预定的调整粒度，步进调整所述空调设备的风机运转速度，直至所述噪声差值的绝对值小于或等于所述预定阈值。10.根据权利要求7所述的方法，其特征在于，所述基于所述噪声差值，控制所述空调设备的风机运转速度，包括：
基于所述噪声差值，通过查表确定针对所述风机运转速度的调整幅度；按照所述调整幅度，调整所述空调设备的风机运转速度。11.一种空调设备控制装置，其特征在于，所述装置包括：第一获取单元，用于获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；第一控制单元，用于基于所述目标噪声信号，控制所述空调设备的风机运转速度。12.一种空调设备控制装置，其特征在于，所述装置包括：第二获取单元，用于获取由所述空调设备的风机产生的目标噪声信号；确定单元，用于通过预先训练的第二机器学习模型确定与所述目标噪声信号对应的噪声强度；第二控制单元，用于基于所述噪声强度，控制所述空调设备的风机运转速度。13.一种空调设备，其特征在于，包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述至少一条程序代码由所述一个或多个处理器加载并执行以实现如权利要求1-4中任一项权利要求所述的方法，或者实现如权利要求5-10中任一项权利要求所述的方法。

技术总结

本申请公开了一种空调设备控制方法、控制装置及空调设备，其中，所述控制方法包括：获取原始声音信号，并从所述原始声音信号中分离出由所述空调设备的风机产生的目标噪声信号；基于所述目标噪声信号，控制所述空调设备的风机运转速度。通过本申请提供的技术方案能够提高针对空调设备噪声的控制准确度。针对空调设备噪声的控制准确度。针对空调设备噪声的控制准确度。