空调器神经网络的训练样本采集方法及装置和空调系统
技术领域
本发明的实施例涉及空调技术领域,尤其涉及空调器神经网络的训练样本采集方法及装置和空调系统。
背景技术
目前,空调智能化时代已然到来,用户可以采用APP控制、语音控制、肢体动作控制等智能化控制模式已开始使用,这些智能化控制方法主要是将用户从传统的遥控器控制中解放出来。例如,在夏季用户可以在下班后通过手机终端上的关于空调控制的APP上对家中的空调的运行参数进行远程网络控制,实现对家庭环境的预热、预冷以及湿度调整空气净化等,或者在家中通过采集用户的声音或肢体动作实现对空调运行参数的控制;但是上述控制过程中,仍然是需要用户主动参与对空调的运行参数设置,而用户并不能准确判断空调的运行参数是否为当前最佳,即仍然是基于用户的判断对空调的控制作出的决策,因此并不能实现真正的智能化。
一种方案为,使用训练的神经网络解决空调智能化,其实际是用户开启空调后,使用预先训练和学习的神经网络控制系统检测到输入的环境参数和用户特征参数时自动判断并生成空调运行参数控制空调运行至用户所需状态。可以说预先训练和学习的神经网络控制系统是一个表征用户及用户需求的中间控制系统,而如何获取训练样本,以提高神经网络控制系统预测的准确性是需要研究的课题。
发明内容
本发明的实施例提供一种空调器神经网络的训练样本采集方法及装置和空调系统,能够提供一种训练样本采集方式,以提高神经网络控制系统预测的准确性。
第一方面,提供一种空调器神经网络的训练样本采集方法,包括:
获取空调器在测试运行工况下的环境参数;
记录测试者的用户特征参数;
在所述测试运行工况下,调整所述空调器的空调运行参数并记录所述测试者反馈的环境舒适度,直至所述测试者的环境舒适度达到预设值,记录所述空调器当前的空调运行参数;
记录所述测试者在环境舒适度到达预设值时,所述用户特征参数、所述环境参数与所述空调运行参数的映射关系作为空调器神经网络的训练样本。
第二方面,提供一种空调器神经网络的训练样本采集装置,包括:
控制单元,用于获取空调器在测试运行工况下的环境参数;
记录单元,用于记录测试者的用户特征参数;
调节单元,用于在所述测试运行工况下,调整所述空调器的空调运行参数并记录所述测试者反馈的环境舒适度,直至所述测试者的环境舒适度达到预设值,记录所述空调器当前的空调运行参数;
所述记录单元还用于,记录所述测试者在环境舒适度到达预设值时,所述用户特征参数、所述环境参数与所述空调运行参数的映射关系作为空调器神经网络的训练样本。
第三方面,提供一种空调系统,包括服务器、连接所述服务器的空调器以及上述的空调器神经网络的训练样本采集装置。
上述方案中获取空调器在测试运行工况下的环境参数;记录测试者的用户特征参数;在测试运行工况下,调整空调器的空调运行参数并记录所述测试者反馈的环境舒适度,直至测试者的环境舒适度达到预设值,记录空调器当前的空调运行参数;记录测试者在环境舒适度到达预设值时,用户特征参数、环境参数与空调运行参数的映射关系作为空调器神经网络的训练样本,通过上述方案提供了一种训练样本的采集方式,以提高神经网络控制系统预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明的实施例提供的一种空调系统的结构示意图;
图2为本发明的实施例提供的一种空调器神经网络的训练样本采集原理示意图;
图3为本发明的实施例提供的一种空调器神经网络的训练样本采集方法流程示意图;
图4为本发明的另一实施例提供的一种空调器神经网络的训练样本采集方法流程示意图;
图5为本发明的实施例提供的一种空调器神经网络的训练样本采集装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1所示,本发明的实施例应用于如下空调系统10、包括空调器11、服务器12和空调器神经网络的训练样本采集装置13,其中服务器用于根据空调器神经网络的训练样本采集装置生成的训练样本进行神经网络训练,以生成对空调器进行智能控制的神经网络控制系统。
参照图2所示,基于上述的系统,在实际环境中,人体对于空调功能的主要需求是环境舒适度,人体对于不同环境下的环境舒适度需求的指标不同,维持特定的环境需要空调器运行至某种状态。因此可以明确的是不通用户Pi对于不同环境Ei的环境舒适度Si存在某种需求Y对应的空调运行参数Ti。因此神经网络学习的映射关系为:
f(Pi,Ei,Si)→Y(Ti)
因此,通过训练样本进行神经网络训练得到的神经网络控制系统对空调器进行控制,其中神经网络控制系统输入参数为用户特征参数Pi、环境参数Ei以及环境舒适度Si,输出参数为空调运行参数Ti。而训练样本通常通过在特定的测试运行工况下对采集的输入参数和输出参数进行量化分析后得到的测试记录参数/量化指标构成。
基于上述系统本发明的实施例提供的技术方案的基本原理为:空调器神经网络的训练样本采集装置在测试运行工况下,调整空调器的空调运行参数并记录测试者反馈的环境舒适度,直至测试者的环境舒适度达到预设值,记录空调器当前的空调运行参数;将用户特征参数、环境参数与测试者在环境舒适度到达预设值时空调运行参数的映射关系作为空调器神经网络的训练样本。从而提供了一种能够提高神经网络控制系统预测的准确性的训练样本采集方式。
具体的参照以下实施例对本发明提供的方案进行说明:
参照图3所示,本发明的实施例提供的空调器神经网络的训练样本采集方法,包括如下步骤:
101、获取空调器在测试运行工况下的环境参数。
102、记录测试者的用户特征参数。
103、在所述测试运行工况下,调整所述空调器的空调运行参数并记录所述测试者反馈的环境舒适度,直至所述测试者的环境舒适度达到预设值,记录所述空调器当前的空调运行参数。
104、记录所述测试者在环境舒适度到达预设值时,所述用户特征参数、所述环境参数与所述空调运行参数的映射关系作为空调器神经网络的训练样本。
其中,该预设值可以为测试者对于环境舒适度的最佳需求,或者对于环境舒适度其他等级的需求。
具体的,对于输入参数:用户特征参数的具体指标包括:性别、年龄段分布、体态分布、健康指数、特殊人群分布等。环境舒适度的具体表现指标包括热感觉指数、干湿指数、舒适度主观评价指数。环境参数包括室内外温度、室内干湿度、出风方向以及风速等。
对于输出参数:人体对于特定环境下的环境舒适度需求确定后,需要空调器维持当前环境状态,那么空调需要调整到一定的工作状态,表现出不同的空调运行参数,例如压缩机运行频率、加\除湿量、风度、出风口形态等。
通常情况下训练样本获取具有广泛性及普遍适应性,所获得的神经网络控制系统才能准确反映相应的映射关系。
根据系统的输入输出分析,可以确定测试方法的基本要素如附图4:测试运行工况选择、测试人群选择、环境舒适度选择、空调运行参数选择。
(1)测试人群用户特征参数的量化:确定测试者分布比例,男女被测试者要求覆盖不同年龄段、不同体态、健康情况、运动情况、特殊人群等。以下示出其中的四项,其中还可以有其他扩展项本申请并不做限定:
Pi=[ai,si,hi,ki]
ai--测试者年龄;
si--测试者性别;
hi--测试者体态;
ki--测试者健康指数;
具体比例分布及量化指数如表1-表4所示,测试时记录测试者的特征参考表1-表4;
表1
表2
表3
表4
测试者基数确认:满足设定的某一类测试者占比最小的人数大于等于1,比如占比最小的为P(s=男/女、a=15岁以下/65岁以上、h=瘦/胖、k=感冒/正常)=0.001%,因此总数至少为1000,以保证覆盖全部特征。
具体实施过程中分类不局限与此,分类可以进一步细化,细化后所需的测试者数量增加,前期可考虑综合成本选择测试者基数,测试者的普遍性、广泛性会影响使用神经网络预测,原则上样本数量越大,预测越准确。
(2)特征参数的量化:测试运行工况可以选择国家标准中的焓差试验工况:额定制冷、额定制热、最大(小)运行制热、最大(小)运行制热、高温制冷、低温制热…,由于这些工况是离散的,进一步提高神经网络预测的精度可以进一步细分试验工况;不同测试运行工况可以通过温湿度等参数量化,即:
Ei=[t(indoor)i,t(outdoor)i,h(indoor)i,ei]
t(indoor)i--工况室内温度;
t(outdoor)i--工况室外温度;
h(indoor)i--工况室内干湿度;
ei--工况其他环境参数;
试验时记录实验室室内外环境温度、干湿度,此外还可以包括出风方向及气流风度等参数;
(3)环境舒适度是表征用户对于环境舒适度需求的形式,主要从人群对于特定环境下的热感觉指数、干湿指数、舒适度主观评价指数等方面进行评价,即:
Si=[Hi,Wi,Ci]
Hi--热感觉指数;
Wi--干湿指数;
Ci--舒适度主观评价指数;
测试者对于环境舒适度需求指标标尺如表5-7所示。
表5
表6
表7
测试的终止条件为达到用户对于环境舒适度的最佳需求,即上述表5-7中各项指标为最大时停止测试。
(4)用户的需求可以通过空调运行状态维持,空调的运行状态可以通过控制压缩机运行频率、加\除湿量、风扇电机、导风板角度等空调运行参数保证。
Y==[Fi,Ji,Mi,Ai]
Fi--压缩机运行频率;
Ji--加\除湿量;
Mi--表征风速的风扇电机转速或者风速;
Ai--表征出风口形态的导风板角度或者其他出风口形态;
综上分析输入、输出量化明确后需考虑传感器检测的可行性,用户特征参数依赖于空调器安装的图像传感器、图像传感器可以获取性别、年龄、体态等参数,红外传感器检测测试者的体表温度由此判断发热等症状;环境参数由空调器安装的温度传感器、湿度传感器、风速传感器等获取;环境舒适度测试时由低到高依次进行,获取最佳后实际训练时直接按最大值作为环境评价的输入。通过上述方案提供了一种训练样本的采集方式,以提高神经网络控制系统预测的准确性。
本发明的实施例提供另一种空调器神经网络的训练样本采集方法,具体实施如图4包括如下步骤:
201、获取在实验室选择测试运行工况下的环境参数Ei。
对于步骤201中的环境参数Ei,例如可以为某特定室内外温度、室内干湿度。
202、对测试者Pi记录测试者用户特征参数。
步骤202中,用户特征参数可以包括生理及身体特征年龄ai、性别si、体态hi、健康状况ki。
203、在上述的测试运行工况下,通过调节空调运行参数T改变室内环境参数,记录测试者Pi的环境舒适度Si;
空调运行参数T包括如下参数压缩机运行频率F、加\除湿量J、风扇电机转速M、导风板角度A;环境舒适度Si包括如下热舒适度Hi、干湿舒适度Wi、舒适度主观评价指数Ci。
204、调节空调运行状态记录测试者反馈的环境舒适度Si,判断测试测试者的环境舒适度Si达到预设值。
205、若是,记录此时空调运行参数Ti。
在步骤205之后还包括,将测试者在环境舒适度到达预设值时,将用户特征参数、环境参数与空调运行参数的映射关系作为空调器神经网络的训练样本存储至服务器,以便服务器根据训练样本进行神经网络训练。
具体的,步骤205中测试者认为环境舒适度Si的各向评价指标均为最佳时停止调节空调,并记录此时空调运行参数Ti。空调运行参数Ti包括如下参数压缩机运行频率Fi、加\除湿量Ji、风扇电机转速Mi、导风板角度Ai。
206、重复上述步骤201-205测试流程,对下一测试者Pi+1进行测试,直至在上述测试运行工况对所有测试者采样完毕。
207、选择另一测试运行工况,对下一环境参数Ei+1,重复上述步骤201-206测试流程,直至所有测试运行工况采样完毕。
208、针对全部测试者及测试运行工况测试后结束。
209、整理采集的训练样本。
测试结束后的数据可以用于训练空调神经网络控制系统。测试前测试者需要培训整个测试过程及注意事项,熟悉相关记录表的填写方法,休息至少半个小时,减少运动对于测试的影响,另外测试者测试前应更衣室更换统一测试服装,测试者在实验室的活动区域及活动状态应固定。
参照图5所示,本发明的实施例提供一种空调器神经网络的训练样本采集装置50,用于实施上述的各项方法实施例中提供的训练样本采集方法,包括:
控制单元51,用于获取空调器在测试运行工况下的环境参数;
记录单元52,用于记录测试者的用户特征参数;
调节单元53,用于在所述测试运行工况下,调整所述空调器的空调运行参数并记录所述测试者反馈的环境舒适度,直至所述测试者的环境舒适度达到预设值,记录所述空调器当前的空调运行参数;
所述记录单元52还用于,记录所述测试者在环境舒适度到达预设值时,所述用户特征参数、所述环境参数与所述空调运行参数的映射关系作为空调器神经网络的训练样本。
通过上述方案提供了一种空调器神经网络的训练样本采集装置,以提高神经网络控制系统预测的准确性。
一种优选方案为,调节单元53,具体用于调整所述空调器的空调运行参数并记录所述测试者反馈的环境舒适度;判断所述测试测试者的环境舒适度达到预设值,若是则记录所述空调器当前的空调运行参数;若否,则继续调整所述空调器的空调运行参数。
可选的,还包括存储单元54,用于将所述映射关系作为训练样本存储至服务器,以便所述服务器根据所述训练样本进行神经网络训练。
其中,环境参数包括室内外温度、室内干湿度。测试运行工况包括至少以下一项:额定制冷、额定制热、最大\最小运行制热、最大\最小运行制冷、高温制冷、低温制热;所述测试者的用户特征参数包括:性别、年龄段分布、体态分布、特殊人群分布;所述空调运行参数包括:压缩机运行频率、加\除湿量、风度、出风口形态;所述环境舒适度包括:热感觉指数、干湿指数、舒适度主观评价指数。
需要说明的是,上述方案中控制单元51、记录单元52、调节单元53可以为单独设立的处理器,也可以集成在装置中的某一个处理器中实现,此外,也可以以程序代码的形式存储于装置的存储器中,由装置的某一个处理器调用并执行以上控制单元51、记录单元52、调节单元53的功能。这里所述的处理器可以是一个中央处理器(Central Processing Unit,CPU),或者是特定集成电路(App lication Specific Integrated Circuit,ASI C),或者是被配置成实施本发明实施例的一个或多个集成电路。上述存储单元54可以为存储器。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。