CN109435630A - 一种基于人工神经网络算法的乘员舱温度控制方法 - Google Patents
一种基于人工神经网络算法的乘员舱温度控制方法 Download PDFInfo
- Publication number
- CN109435630A CN109435630A CN201811361725.8A CN201811361725A CN109435630A CN 109435630 A CN109435630 A CN 109435630A CN 201811361725 A CN201811361725 A CN 201811361725A CN 109435630 A CN109435630 A CN 109435630A
- Authority
- CN
- China
- Prior art keywords
- temperature
- crew module
- wij
- wjk
- air
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
- B60H1/00—Heating, cooling or ventilating [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
- B60H1/00792—Arrangement of detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Air-Conditioning For Vehicles (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于人工神经网络算法的乘员舱温度控制方法,首先根据影响车内温度变化的因素,设计人工神经网络模型;然后取多个温度传感器分别安装于乘员舱的不同位置,取所有温度传感器采集结果的平均值,作为人工神经网络的训练样本,根据以上方式采集多组训练样本,制作出样本集,利用该样本集对人工神经网络模型进行训练;重新采集影响车内温度变化的数据,并将该数据输入训练好的人工神经网络模型中,利用人工神经网络模型计算出乘员舱内当前的温度,由空调控制器根据当前乘员舱的温度,向空调发送指令,从而调整乘员舱内的温度。本发明利用人工神经网络计算乘员舱内的温度,能够准确地调整乘员舱内的温度,提高乘员的舒适度。
Description
技术领域
本发明涉及车辆内部温度控制方法领域,具体涉及一种基于人工神经网络算法的乘员舱温度控制方法。
背景技术
随着车辆的大量普及,人们对汽车的要求越来越高,因此近些年车辆的舒适度也被人们广泛关注,其中乘员舱温度是人们对车辆舒适度感知的一项重要参考标准,乘员舱温度常用来作为车辆空调系统的输入值和温度反馈值,直接影响人们的温度感知,因此乘员舱温度的精确与否对人们的舒适度感知影响巨大。
目前汽车自动空调温度控制通过采集两个温度传感器和一个阳光传感器信号,再经过内部算法计算,将得出的乘员舱温度值作为空调系统的输入值及温度反馈值,通过该输入值和温度反馈值调节空调系统的输出温度。在实际使用时,该温度值可能存在误差,从而对车辆乘员的舒适感知造成一定影响,可能存在的误差主要由以下原因造成:
1、仅参考三个输入参数,系统本身防误差弹性较小,计算得出的温度值,可能会因为某一个输入参数的不准确而影响整体的计算结果;
2、用来检测表面温度的传感器受安装位置的影响较大,现在大多温度传感器都安装于空调面板或仪表板处,该位置可能由于距空调出风口的距离、安装位置的空气流通程度、该安装位置周围的其他电器件工作时产生的功率热以及发动机机舱热量对该安装位置的热传递等问题,造成测量值相对于乘员舱温度真实值偏大或偏小;
3、阳光传感器用于检测阳光强度,该值受云层厚度及停车位置影响较大,可能存在系统误差。
由于当前空调系统中,乘员舱温度的测量通常由内部温度传感器测得,由以上分析可知,该测量方法存在一定的温度误差,对乘员舒适度造成某种程度的影响,比如,在自动空调工作时,空调控制器需根据乘员舱温度传感器的测量值,判断当前乘员舱温度是否达到乘员设定温度,控制器以此判定条件执行制热或制冷动作,但是由于这种误差,可能造成空调控制器执行制热、制冷动作不准确,从而造成乘员舱温度不均衡,进而影响乘员的舒适度。
发明内容
本发明的目的在于提供一种基于人工神经网络算法的乘员舱温度控制方法,能够精确的控制乘员舱温度,提高乘员的舒适度。
为实现上述目的,本发明采用如下技术方案:
一种基于人工神经网络算法的乘员舱温度控制方法,依次包括以下步骤:
步骤S1:根据影响车内温度变化的因素,设计人工神经网络模型;
步骤S2:取多个温度传感器分别安装于乘员舱的不同位置,取所有温度传感器采集结果的平均值,作为人工神经网络的训练样本,根据以上方式采集多组训练样本,制作出样本集Xp,其中,下标p=1,2,3,…,N,利用该样本集Xp对人工神经网络模型进行训练;
步骤S3:重新采集影响车内温度变化的所有数据,并将该数据输入训练好的人工神经网络模型中,利用人工神经网络模型计算出乘员舱内当前的温度,人工神经网络的输出值发送至空调控制器,由空调控制器根据当前乘员舱的温度,向空调发送指令,从而调整乘员舱内的温度。
优选的,影响车内温度变化的因素有:单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw、乘员舱初始温度T0、发动机温度Te、汽车机舱到乘员舱的热传递系数Ke1、发动机机舱热传递面积Se、乘员人数N、车内照明设备的功率Pz及使用时间Tz、空调出风口温度Tk、空调出风口的单位时间出风量An,空调出风模式Mk和空调工作时间Tg,共14个数据,因此,该人工神经网络结构中,输入层节点数为14个,隐层数1个,隐层节点数4个,分别为由车内外温度差引起的对乘员舱的热传递Qa、由发动机机舱温度引起的对乘员舱的热传递Qb、由车内乘员人体热、车载设备功率热引起的温度变化Qc、及空调系统工作引起的温度变化Qd,输出层节点数1个,为乘员舱温度。
优选的,所述步骤S2中,利用该训练样本对人工神经网络模型进行训练包括:
(1)前向学习;
①从神经网络模型的输入层开始向隐含层计算:
隐含层第j个节点来自输入层的总输入为其中i表示输入层的节点编号,xi依次对应输入层的14个输入参数的具体数值,Wij为输入层第i个节点与隐含层第j个节点之间的权值,隐含层第j个节点的输出为Vj=f(hj),其中函数为sigmoid函数,j表示隐含层节点编号;
②从神经网络模型的隐含层向输出层计算;
输出层来自隐含层的输入为:将Vj代入上式可得输出层的输入为:其中,Wjk表示隐含层和输出层之间的权值,k为输出层节点数,即k=1;
输出层的输出为:
(2)误差反向计算;
①首先定义该模型误差为δ为人工神经网络输出和输出层样本信号的差的平方,Ti为给出的学习样本中乘员舱温度值,该误差公式可根据模型具体特征自定义,Yk表示输出层的输出;
②定义该模型反向学习效率β,分别为β1、β2和β3,且β3>β2>β1,定义模型误差δ的三个门限值,分别为A,B,C,且A>B>C,其中定义C≤γ,γ为该模型训练完成后允许的模型最小误差;
③判断δ≥A是否成立,若是,则定义学习效率为β1,利用β1调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥B是否成立,若是,则定义学习效率为β2,利用β2调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥C是否成立,若是,则定义学习效率为β3,利用β3调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则认为该误差满足要求,更新权值,停止训练学习,即模型训练完成;
其中,调整初始权值Wjk和Wij时采用梯度下降法,
表示误差函数δ对Wjk的负偏导;
表示误差函数δ对Wij的负偏导;
(3)权值更新计算:
Wjkn=Wjkn-1+ΔWjk,其中,Wjkn表示Wjk本次运算结果,Wjkn-1表示Wjk上一次的运算结果,ΔWjk表示误差函数δ对Wjk的负偏导;
Wijn=Wijn-1+ΔWij,其中,Wijn表示Wij本次运算结果,Wijn-1表示Wij上一次的运算结果,ΔWij表示误差函数δ对Wij的负偏导;
根据以上逻辑,模型的每次学习,都会调整权值系数Wjk和Wij的值。
优选的,所述温度传感器有6个,分别安装于乘员舱四角的顶棚上、乘员舱底板上及成员舱中部的顶棚上。
本发明利用人工神经网络计算乘员舱内的温度,由空调控制器根据当前乘员舱的温度,向空调发送指令,能够准确地调整乘员舱内的温度,提高乘员的舒适度;人工神经网络的输入层节点数有14个,隐层节点数有4个,能够提高系统的防误差弹性,提高计算结果的准确性。
附图说明
图1为本发明的流程图;
图2为本发明所述人工神经网络模型的拓扑图;
图3为本发明中对人工神经网络训练的流程图。
具体实施方式
以下结合附图对本发明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的部分实施例,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的前提下所获得的其他所有实施例,都属于本发明的保护范围。
如图1所示,本发明所述的一种基于人工神经网络算法的乘员舱温度控制方法,依次包括以下步骤:
步骤S1:根据影响车内温度变化的因素,设计人工神经网络模型;
人工神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复杂的智能网络系统,它是一个并行和分布式的信息处理网络结构,该网络一般由许多个神经元组成,每个神经元可以连接到很多其他神经元,其输入有多个连接通路,每个连接通路对应一个连接权系数。根据连接方式的不同,神经网络可分成两大类:没有反馈的前向网络和相互结合型网络。前向型网络由输入层、隐含层、输出层组成,隐含层可有若干层,每一层的神经元接受前一层神经元输出,这样就实现了输入层结点的状态空间到输出层状态空间的非线性映射,在前向网络中,误差反向传播网络即BP网络应用最广,BP网络是一单向传播的多层前向网络,其拓扑图如图2所示。
根据热传导原理,将车内空间看作一个有自平衡能力的单个整体,影响这个空间温度变化的因素主要有:由车内外温度差引起的对乘员舱的热传递Qa;由发动机机舱温度引起的对乘员舱的热传递Qb;由车内乘员体热、车载设备功率热引起的温度变化Qc;及空调系统工作引起的温度变化Qd。
在车辆门窗关闭的情况下,由车内外温度差通过车身引起的热传递对车内乘员舱的温度变化起到很大影响,这种影响主要与热传递系数K1、乘员舱与外部接触的车身面积S、车内外温度差ΔT有关,其中由于乘员舱与外部接触的车身面积S中包含有车窗和天窗的面积S1,同时车身的热传递系数K1与玻璃的热传递系数K2也有所差别,所以设定一个新的物理量单位车身热传递系数Ke:
车内外温度差ΔT由空调系统中车外温度传感器测得车外温度Tw和测量时乘员舱的初始温度T0求得,因此,热传递Qa与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw和测量时乘员舱的初始温度T0有关。
在发动机工作的情况下,发动机舱对车辆乘员舱的热传递影响非常明显,特别是在发动机工作一段时间后,发动机附近温度将达到90℃左右。因此可知,热传递Qb主要与发动机温度Te(即发动机水温)、汽车机舱到乘员舱的热传递系数Ke1及发动机机舱热传递面积Se有关。
在分析乘员舱内部空间温度变化时,该空间内部热源也同样不应忽视,该热源主要指车内乘员人体生命活动产生的生物热Qc1及车内照明设备工作时产生的功率热Qc2,其中人体产生的Qc1主要与车内乘员的性别、年龄、衣着和人数有关,车内照明设备产生的功率热Qc2主要与该设备的照明功率和使用时间有关,由于乘员的性别、年龄、衣着变动较大,且若是识别乘员的性别、年龄、衣着情况,需要添加额外的传感设备,并作大量的内部识别计算,增加该模型成本,因此关于人体产生的Qc1仅看作与乘员人数N相关。
因此可知,热传递Qc主要与乘员人数N、车内照明设备的功率Pz、及使用时间Tz有关,其中Tz为车辆唤醒到当前时刻的时间。
车内空调系统是专门为调节车内温度,以满足车内乘员舒适要求而专门设计的,在空调系统工作的情况下,空调系统是引起车内温度变化的最为重要的因素,空调系统引起乘员舱温度变化主要与空调出风口温度Tk、空调出风口的单位时间出风量An、空调出风模式Mk和空调工作时间Tg有关。
综上所述,乘员舱温度变化主要与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw、乘员舱初始温度T0、发动机温度Te、汽车机舱到乘员舱的热传递系数Ke1、发动机机舱热传递面积Se、乘员人数N、车内照明设备的功率Pz及使用时间Tz、空调出风口温度Tk、空调出风口的单位时间出风量An,空调出风模式Mk和空调工作时间Tg这14个参数有关,这14个参数均可利用工具测得或根据汽车参数计算得到。
因此该模型结构中,输入层节点数为14个,隐层数1个,隐层节点数4个,分别为Qa、Qb、Qc、Qd,输出层节点数1个,为乘员舱温度。
步骤S2:取多个温度传感器分别安装于乘员舱的不同位置,取所有温度传感器采集结果的平均值,作为人工神经网络的训练样本,根据以上方式采集多组训练样本,制作出样本集Xp,其中,下标p=1,2,3,…,N,利用该样本集Xp对人工神经网络模型进行训练。
在本实施例中,温度传感器有6个,分别安装于乘员舱四角的顶棚上、乘员舱底板上,及成员舱中部的顶棚上。
(1)前向学习:
①从神经网络模型的输入层开始向隐含层计算:
隐含层第j个节点来自输入层的总输入为其中i表示输入层的节点编号,xi依次对应输入层的14个输入参数的具体数值,Wij为输入层第i个节点与隐含层第j个节点之间的权值,隐含层第j个节点的输出为Vj=f(hj),其中函数为sigmoid函数,j表示隐含层节点编号。
②从神经网络模型的隐含层向输出层计算:
输出层来自隐含层的输入为:将Vj代入上式可得输出层的输入为:其中,Wjk表示隐含层和输出层之间的权值,k为输出层节点数,即k=1。
输出层的输出为:
(2)误差反向计算:
①首先定义该模型误差为δ为人工神经网络输出和输出层样本信号的差的平方,Ti为给出的学习样本中乘员舱温度值,该误差公式可根据模型具体特征自定义,Yk表示输出层的输出。
②定义该模型反向学习效率β,考虑到该模型中学习样本测量需要大量的人力、物力,因此为加速该模型的快速学习,且保证相对准确,在这里定义三个等级的学习效率并定义三个等级的学习效率,分别为β1、β2和β3,且β3>β2>β1,定义模型误差δ的三个门限值,分别为A,B,C,且A>B>C,其中定义C≤γ,γ为该模型训练完成后允许的模型最小误差。
③判断δ≥A是否成立,若是,则定义学习效率为β1,利用β1调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥B是否成立,若是,则定义学习效率为β2,利用β2调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥C是否成立,若是,则定义学习效率为β3,利用β3调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则认为该误差满足要求,更新权值,停止训练学习,即模型训练完成。
不同误差对应不同的学习效率,如表1所示:
表1
模型误差 | 学习效率 |
δ≥A | β1 |
A>δ≥B | β2 |
B>δ≥C | β3 |
其中,调整初始权值Wjk和Wij时采用梯度下降法,
表示误差函数δ对Wjk的负偏导;
表示误差函数δ对Wij的负偏导。
(3)权值更新计算:
Wjkn=Wjkn-1+ΔWjk,其中,Wjkn表示Wjk本次运算结果,Wjkn-1表示Wjk上一次的运算结果,ΔWjk表示误差函数δ对Wjk的负偏导。
Wijn=Wijn-1+ΔWij,其中,Wijn表示Wij本次运算结果,Wijn-1表示Wij上一次的运算结果,ΔWij表示误差函数δ对Wij的负偏导。
根据以上逻辑,模型的每次学习,都会调整权值系数Wjk和Wij的值。
步骤S3:重新采集影响车内温度变化的14个数据,并将该数据输入训练好的人工神经网络模型中,利用人工神经网络模型计算出乘员舱内当前的温度,人工神经网络的输出值发送至空调控制器,由空调控制器根据当前乘员舱的温度,向空调发送指令,从而调整乘员舱内的温度。
Claims (4)
1.一种基于人工神经网络算法的乘员舱温度控制方法,其特征在于,依次包括以下步骤:
步骤S1:根据影响车内温度变化的因素,设计人工神经网络模型;
步骤S2:取多个温度传感器分别安装于乘员舱的不同位置,取所有温度传感器采集结果的平均值,作为人工神经网络的训练样本,根据以上方式采集多组训练样本,制作出样本集Xp,其中,下标p=1,2,3,…,N,利用该样本集Xp对人工神经网络模型进行训练;
步骤S3:重新采集影响车内温度变化的所有数据,并将该数据输入训练好的人工神经网络模型中,利用人工神经网络模型计算出乘员舱内当前的温度,人工神经网络的输出值发送至空调控制器,由空调控制器根据当前乘员舱的温度,向空调发送指令,从而调整乘员舱内的温度。
2.如权利要求1所述的一种基于人工神经网络算法的乘员舱温度控制方法,其特征在于:影响车内温度变化的因素有:单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw、乘员舱初始温度T0、发动机温度Te、汽车机舱到乘员舱的热传递系数Ke1、发动机机舱热传递面积Se、乘员人数N、车内照明设备的功率Pz及使用时间Tz、空调出风口温度Tk、空调出风口的单位时间出风量An,空调出风模式Mk和空调工作时间Tg,共14个数据,因此,该人工神经网络结构中,输入层节点数为14个,隐层数1个,隐层节点数4个,分别为由车内外温度差引起的对乘员舱的热传递Qa、由发动机机舱温度引起的对乘员舱的热传递Qb、由车内乘员人体热、车载设备功率热引起的温度变化Qc、及空调系统工作引起的温度变化Qd,输出层节点数1个,为乘员舱温度。
3.如权利要求1所述的一种基于人工神经网络算法的乘员舱温度控制方法,其特征在于,所述步骤S2中,利用该训练样本对人工神经网络模型进行训练包括:
(1)前向学习:
①从神经网络模型的输入层开始向隐含层计算:
隐含层第j个节点来自输入层的总输入为其中i表示输入层的节点编号,xi依次对应输入层的14个输入参数的具体数值,Wij为输入层第i个节点与隐含层第j个节点之间的权值,隐含层第j个节点的输出为Vj=f(hj),其中函数为sigmoid函数,j表示隐含层节点编号;
②从神经网络模型的隐含层向输出层计算:
输出层来自隐含层的输入为:将Vj代入上式可得输出层的输入为:其中,Wjk表示隐含层和输出层之间的权值,k为输出层节点数,即k=1;
输出层的输出为:
(2)误差反向计算:
①首先定义该模型误差为δ为人工神经网络输出和输出层样本信号的差的平方,Ti为给出的学习样本中乘员舱温度值,该误差公式可根据模型具体特征自定义,Yk表示输出层的输出;
②定义该模型反向学习效率β,分别为β1、β2和β3,且β3>β2>β1,定义模型误差δ的三个门限值,分别为A,B,C,且A>B>C,其中定义C≤γ,γ为该模型训练完成后允许的模型最小误差;
③判断δ≥A是否成立,若是,则定义学习效率为β1,利用β1调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥B是否成立,若是,则定义学习效率为β2,利用β2调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则判断δ≥C是否成立,若是,则定义学习效率为β3,利用β3调整初始权值Wjk和Wij,并重新开始前向学习过程,若不成立,则认为该误差满足要求,更新权值,停止训练学习,即模型训练完成;
其中,调整初始权值Wjk和Wij时采用梯度下降法,
表示误差函数δ对Wjk的负偏导;
表示误差函数δ对Wij的负偏导;
(3)权值更新计算:
Wjkn=Wjkn-1+ΔWjk,其中,Wjkn表示Wjk本次运算结果,Wjkn-1表示Wjk上一次的运算结果,ΔWjk表示误差函数δ对Wjk的负偏导;
Wijn=Wijn-1+ΔWij,其中,Wijn表示Wij本次运算结果,Wijn-1表示Wij上一次的运算结果,ΔWij表示误差函数δ对Wij的负偏导;
根据以上逻辑,模型的每次学习,都会调整权值系数Wjk和Wij的值。
4.如权利要求3所述的一种基于人工神经网络算法的乘员舱温度控制方法,其特征在于:所述温度传感器有6个,分别安装于乘员舱四角的顶棚上、乘员舱底板上及成员舱中部的顶棚上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361725.8A CN109435630B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络算法的乘员舱温度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811361725.8A CN109435630B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络算法的乘员舱温度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109435630A true CN109435630A (zh) | 2019-03-08 |
CN109435630B CN109435630B (zh) | 2020-12-29 |
Family
ID=65552406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811361725.8A Active CN109435630B (zh) | 2018-11-15 | 2018-11-15 | 一种基于人工神经网络算法的乘员舱温度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109435630B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814388A (zh) * | 2020-06-12 | 2020-10-23 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于神经网络的下送风数据中心cfd仿真校验方法 |
CN113492641A (zh) * | 2020-04-03 | 2021-10-12 | 宝马股份公司 | 用于控制机动车的空调装置的方法、空调装置和机动车 |
WO2024068288A1 (de) * | 2022-09-28 | 2024-04-04 | Siemens Mobility GmbH | Steuerung eines klimageräts mittels künstlicher intelligenz |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07228125A (ja) * | 1994-02-17 | 1995-08-29 | Mitsubishi Heavy Ind Ltd | 車両用空気調和装置 |
CN102413605A (zh) * | 2011-08-12 | 2012-04-11 | 苏州大学 | 基于人工神经网络的智能路灯节能控制系统 |
CN104875577A (zh) * | 2014-02-27 | 2015-09-02 | 惠州市德赛西威汽车电子有限公司 | 一种全工况双区温度校准方法及其汽车空调控制系统 |
CN108674121A (zh) * | 2018-03-30 | 2018-10-19 | 温州长江汽车电子有限公司 | 一种乘用汽车的多温区车内温度控制系统及其控制方法 |
-
2018
- 2018-11-15 CN CN201811361725.8A patent/CN109435630B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07228125A (ja) * | 1994-02-17 | 1995-08-29 | Mitsubishi Heavy Ind Ltd | 車両用空気調和装置 |
CN102413605A (zh) * | 2011-08-12 | 2012-04-11 | 苏州大学 | 基于人工神经网络的智能路灯节能控制系统 |
CN104875577A (zh) * | 2014-02-27 | 2015-09-02 | 惠州市德赛西威汽车电子有限公司 | 一种全工况双区温度校准方法及其汽车空调控制系统 |
CN108674121A (zh) * | 2018-03-30 | 2018-10-19 | 温州长江汽车电子有限公司 | 一种乘用汽车的多温区车内温度控制系统及其控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113492641A (zh) * | 2020-04-03 | 2021-10-12 | 宝马股份公司 | 用于控制机动车的空调装置的方法、空调装置和机动车 |
CN111814388A (zh) * | 2020-06-12 | 2020-10-23 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于神经网络的下送风数据中心cfd仿真校验方法 |
CN111814388B (zh) * | 2020-06-12 | 2023-06-06 | 菲尼克斯(上海)环境控制技术有限公司 | 一种基于神经网络的下送风数据中心cfd仿真校验方法 |
WO2024068288A1 (de) * | 2022-09-28 | 2024-04-04 | Siemens Mobility GmbH | Steuerung eines klimageräts mittels künstlicher intelligenz |
Also Published As
Publication number | Publication date |
---|---|
CN109435630B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104374053B (zh) | 一种智能控制方法、装置及系统 | |
CN107599783A (zh) | 一种车内环境管理系统及其控制方法 | |
CN109435630A (zh) | 一种基于人工神经网络算法的乘员舱温度控制方法 | |
CN102589092B (zh) | 基于新型模糊控制器的室内环境热舒适度控制方法 | |
CN108413588B (zh) | 一种基于热成像及bp神经网络的个性化空调控制系统及方法 | |
CN110298487A (zh) | 一种用于满足用户个性化需求的室内温度预测方法 | |
CN106152387B (zh) | 一种用于室内热舒适度的检测方法 | |
CN104075402A (zh) | 智能空调控制方法和系统 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN114200839B (zh) | 一种耦合环境行为动态监测的办公建筑能耗智能控制模型 | |
CN114662201B (zh) | 一种自然通风智能调控的寻优方法 | |
CN114216256B (zh) | 离线预训练-在线学习的通风系统风量控制方法 | |
CN114004374B (zh) | 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法 | |
CN108897309B (zh) | 基于模糊隶属度的航空发动机传感器故障诊断与隔离方法 | |
Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
CN111594996A (zh) | 一种基于深度置信神经网络的变风量空调送风量的预测方法 | |
CN110991478B (zh) | 热舒适感模型建立方法和用户偏好温度的设定方法及系统 | |
CN117709203A (zh) | 一种液体静压丝杠进给系统综合误差建模方法及系统 | |
CN111291465B (zh) | 基于遗传算法与神经网络的船舶空调热舒适温度预测方法 | |
CN105550437A (zh) | 一种基于遗传算法的室内环境反向设计方法 | |
CN111814976A (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
CN117113185A (zh) | 一种基于残差多维泰勒网的暖通空调故障诊断方法 | |
Zhang et al. | Comparing the linear and logarithm normalized artificial neural networks in inverse design of aircraft cabin environment | |
Thirumal et al. | Optimization of IAQ characteristics of an air-conditioned car using GRA and RSM | |
CN116007129A (zh) | 一种融合人热舒适度与检测数据的暖通空调故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210818 Address after: 201800 room 2201 J, 888 Moyu South Road, Anting Town, Jiading District, Shanghai Patentee after: Shanghai Jiashi New Energy Technology Co.,Ltd. Address before: 214000 4th floor, building A2, 777 Jianzhu West Road, Wuxi City, Jiangsu Province Patentee before: WUXI YINGJIE AUTOMOTIVE TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |