CN109595765A - 空调器控制方法、装置、存储介质以及空调器 - Google Patents

Abstract

本发明公开了一种空调器控制方法、控制装置、存储介质及空调器。其中，该方法包括：获取外部环境和用户状态的参数；将所述参数作为人工神经网络模型的输入，对人工神经网络模型进行训练得到人体舒适度值；以及根据所述人体舒适度值对空调器进行控制。本发明的上述方案能大大提高空调的智能化程度和节能性。

Description

空调器控制方法、装置、存储介质以及空调器

技术领域

本发明涉及空调技术领域，特别是涉及一种空调器控制方法、装置、存储介质以及空调器，具体涉及一种基于神经网络的多变量感知交互式空调器控制方法、装置、存储介质以及空调器。

背景技术

空调制冷技术的快速发展，使人们对空调的使用舒适度和节能性提出了更高的要求。现有技术中通过WiFi和语音控制运行参数的空调器，大大提高了空调的智能化程度，但目前市面上的空调能进行环境感知，并能对外界环境改变自适应调整温湿度和开关机控制的空调器屈指可数。因而多功能感知交互式的空调器在计算机技术蓬勃发展的时代背景下显得格外重要。

公开号为CN108361927A的中国专利申请提出了一种空调器自学习方法，根据用户设定参数对应的环境变量作为输入，利用神经网络模型训练控制空调器输出。但是该方案还是采用每次手动输入空调的运行参数作为训练模型，尚未能做到空调自身与外界环境的感知交互，且无法实现智能式的温湿度控制；且无法在室内长时间无人的情况下，做到空调智能待机，无法达到节能的目的。现有的空调器智能化尚不能做到真正符合用户习惯。

发明内容

本发明旨在解决现有技术只能通过用户手动输入空调的运行参数来控制空调的技术问题，提出一种对外部环境和用户状态进行感知并产生决策的智能交互式空调器控制方法、装置、存储介质以及空调器，能大大提高空调的智能化程度和节能性。

为此，本发明第一方面的目的在于提供一种空调控制方法；第二方面的目的在于提供一种空调控制装置；第三方面的目的在于提供一种空调器；第四方面的目的在于提供一种存储介质；第五方面的目的在于进一步提供一种空调器。

为了达到上述目的，根据本发明第一方面的实施例提出了一种空调器控制方法。该方法包括：

获取外部环境和用户状态的参数；

将所述参数作为人工神经网络模型的输入，对人工神经网络模型进行训练得到人体舒适度值；

以及

根据所述人体舒适度值对空调器进行控制。

进一步地，通过传感器获取所述外部环境和用户状态的参数；所述外部环境和用户状态的参数具体为六个不同维度参数，包括：

开机时室内温度、衣服热阻预测、空气湿度、人体体表辐射量、空气流速、人体新陈代谢率。

进一步地，所述人工神经网络模型包括输入层，隐含层和输出层；所述对人工神经网络模型进行训练得到人体舒适度值包括：

确定参数样本的数值以及神经元节点间的权重；

将多组样本变量传输到所述人工神经网络模型中进行迭代运算；

多样本学习直至网络收敛计算出人体舒适度值。

进一步地，通过红外线检测技术检测所述人体体表辐射量，若在设定时间内所述人体体表辐射量为零，则判定用户不在室内，空调器自动切换成待机模式。

进一步地，所述根据人体舒适度值对空调器进行控制，具体包括：

根据所述人体舒适度值确定空调器压缩机工作频率，以及合适的制冷量或制热量、湿度以及风扇转速。

根据本发明第二方面的实施例提出了一种空调器控制装置，

包括：

获取单元，用于获取外部环境和用户状态的参数；

神经网络模型训练模块，用于将所述参数作为人工神经网络模型的输入，对所述人工神经网络模型进行训练得到人体舒适度值；

以及

控制模块，用于根据所述人体舒适度值对空调器进行控制。

进一步地，所述获取单元，通过传感器获取所述外部环境和用户状态的参数；所述外部环境和用户状态的参数具体为六个不同维度参数，包括：开机时室内温度、衣服热阻预测、空气湿度、人体体表辐射量、空气流速、人体新陈代谢率。

进一步地，所述人工神经网络模型包括输入层，隐含层和输出层；所述神经网络模型训练模块对人工神经网络模型进行训练得到人体舒适度值包括：

权重确定模块，用于确定参数样本的数值以及神经元节点间的权重；

迭代运算模块，用于将多组样本变量传输到所述人工神经网络模型中进行迭代运算；

计算模块，用于多样本学习直至网络收敛计算出人体舒适度值。

进一步地，包括红外检测单元，用于通过红外线检测技术检测所述人体体表辐射量，若在设定时间内所述人体体表辐射量为零，则判定用户不在室内，空调器自动切换成待机模式。

进一步地，所述控制单元，根据人体舒适度值对空调器进行控制，具体包括：

根据所述人体舒适度值确定空调器压缩机工作频率，以及合适的制冷量或制热量、湿度以及风扇转速。

根据本发明第三方面的实施例提出了一种空调器，包括根据本发明第二方面的实施例提出的空调器控制装置。

根据本发明第四方面的实施例提出了一种存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如本发明第一方面的实施例提出的空调器控制方法。

根据本发明第五方面的实施例提出了一种空调器，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如本发明第一方面的实施例提出的空调器控制方法。

根据本发明的上述方案，通过传感器单元采集的多个外部环境及用户状态的参数作为人工神经网络(Artificial Neural Network，ANN)的输入。在不同季节，人体的新陈代谢率会有明显差异以及对相同温度的体感差异，衣服的热阻不同也会产生体感差异。因此，采用外部环境监测和用户状态监测作为神经网络模型输入变量。另外利用红外传感技术监测用户是否长时间处于室内，如用户外出，空调器可自动切换成待机模式，使模型的输入量类型更加符合用户舒适度的特性，因此该发明能大大提高空调的智能化程度和节能性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了根据本发明一个实施例的基于神经网络的多变量感知交互式空调器控制流程图；

图2示出了根据本发明另一个实施例的基于神经网络的多变量感知交互式空调器控制流程图；

图3示出了根据本发明一个实施例的神经网络控制输入输出简化框图；

图4示出了根据本发明一个实施例的基于神经网络计算人体舒适度结构图；

图5示出了根据本发明一个实施例的空调器变频结构框图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

图1示出了根据本发明一个实施例的基于神经网络的多变量感知交互式空调器控制流程图。本实施例的控制流程可以包括：步骤S110至步骤S130。

在步骤S110处，获取外部环境和用户状态的参数。

在步骤S120处，将所述参数作为人工神经网络模型的输入，对人工神经网络模型进行训练得到人体舒适度值。

在步骤S130处，根据所述人体舒适度值对空调器进行控制。

由此，通过将外部环境和用户状态作为人工神经网络模型的输入，训练得到人体舒适度值，进而根据该人体舒适度值对空调器进行控制，可自动切换成待机模式，使模型的输入量类型更加符合用户舒适度的特性，因此该发明能大大提高空调的智能化程度和节能性。

图2是根据本发明一个实施例的基于神经网络的多变量感知交互式空调器控制流程图。本实施例的控制流程主要包括以下步骤。

首先，空调器接收开机指令；外部传感器进行检测；确定环境参数变量，并将参数保存在EPROM中。其中，空调器的控制单元包括外部环境参数采集单元和主控制单元，其中主控制单元由CPU，EPROM和RAM组成。环境参数采集单元分为红外线检测单元、空气流速传感器、温度传感器和湿度传感器。传感器将获取到的温度值、相对湿度值、衣服热阻率、人体辐射值、空气流动速率、人体新陈代谢速率等参数作为输入量发送至主控制单元，EPROM用于存储每次采样的数据，RAM用于存储系统数据。

接下来，建立神经网络数学模型，确定输入层，隐含层和输出层。其中神经网络控制模型可以采用各种已知的人工神经网络(Artificial Neural Network，ANN)模型。一个优选的人工神经网络模型结构如图4所示。其中人工神经网络模型包括输入层I，隐含层H，输出层O。将温度值、相对湿度值、衣服热阻率、人体辐射值、空气流动速率、人体新陈代谢速率分别定义为输入量I1，I2，I3，I4，I5，I6并将其设定为人工神经网络模型的输入层。在隐含层，由于输入层参数的数值不一，因此可以通过从较少的神经元开始不断训练来寻找最佳神经元个数。在隐含层选择10个神经单元节点，在节点设定相应的阈值，将隐含层节点的名称定义为H，其中第一个节点H1＝a1*I1+a2*I2+a3*I3+a4*I4+a5*I5+a6*I6,式中的a1,a2,a3,a4,a5,a6表示第一个节点对上述6个环境变量数值的权重系数。

下一步，确定参数样本的数值以及神经元节点间的权重；将多组样本变量传输到模型中进行迭代运算；多样本学习直至网络收敛计算出人体舒适度PMV值。由于人体对空调室内环境的舒适度是由多因素决定的，要使多维度参数能映射到空调器的输出，需使用人工神经网络模型对输入的多维度参数数值分配不同权重的系数进行组合，计算出一个合适的输出参考值。通过在每个神经元之间设定权重和阈值，神经网络每次训练来不断修改神经元节点间的权重系数，使训练样本最终趋于收敛，最终获得合适的PMV值。每一次开启空调，都根据外界变量做出学习和自适应调整，采用外部环境监测和用户状态监测作为神经网络模型输入变量

下一步，根据PMV值确定压缩机工作频率，确定合适的制冷量或制热量、湿度以及风扇转速。根据本发明一个实施例的通过神经网络控制输入输出的简化框图如图3所示，神经网络输入包含传感器单元检测到的各类传感器信号输入，遥控单元的遥控信号和WIFI数据通信模块的输入，主控制单元内置了神经网络控制，对输入信号进行处理后，输出控制空调器的驱动执行单元。其中，传感器单元由温度传感器、湿度传感器、红外线衣服热阻预测器、红外人体辐射感应器、空气流速传感器以及人体新陈代谢率检测组成。主控制单元的CPU通过对各个输入信号进行A/D采样，然后对各个信号的数值在神经网络模型中进行训练，对获得的PMV数值进行A/D转换得出其电压值，利用电压信号的脉冲宽度调制(PulseWidth Modulation，PWM)对空调器的变频压缩机进行控制，还通过对空调器的加湿和除湿装置，外机风扇，继电器开关动作和导风板联合控制实现对空调器动态的温湿度控制，从而实现对空调的智能化控制

在一个实施例中，空调器变频结构框图如图5所示。将PMV值映射到CPU，CPU实时更新PWM值，可以实现整流滤波电源提供直流电压用于给驱动单元和逆变功率单元供电，逆变功率单元完成直流电到交流电的转换，最终实现空调器压缩机的变速运行。

下一步，如果输入层的参数值保持不变，则空调器开始工作；否则方法执行回到确定参数样本的数值以及神经元节点间的权重的步骤。

下一步，当检测到外部环境的温度和湿度达到预设值后，通过红外检测人体辐射量变化；若在设定时间内人体辐射量均为零，则判定用户不在室内，此时空调器待机结束工作；否则继续通过红外检测人体辐射量变化。该步骤通过红外线检测技术监测用户进出室内的时间及频次来自动调节运行空调器运行频率，若用户外出时间较长，可实现待机，达到节能的目的，当用户回到室内，通过红外检测用户的活动量来确定压缩机变频频率来调节初始制冷功率。因此能大大提高空调的节能性。

本方案提供的基于神经网络的多变量感知交互式空调器控制方法能监测人体状态变化和外部环境变化并将其通过神经网络模型训练后得出一个合适的人体舒适度PMV值O1。该值映射至各输出驱动执行单元的参数，从而获得一个理想的温湿度环境。本方案通过空调控制系统的自学习、自适应、自组织，真正让用户体验到智能空调的智能性和可用性，并且实现节能。

为了实现上述方法，根据本发明第二方面的实施例提供了一种基于神经网络的多变量感知交互式空调器控制装置，包括

获取单元，用于获取外部环境和用户状态的参数；

神经网络模型训练模块，用于将所述参数作为人工神经网络模型的输入，对所述人工神经网络模型进行训练得到人体舒适度值；

以及

控制模块，用于根据所述人体舒适度值对空调器进行控制。

进一步地，所述获取单元，通过传感器获取所述外部环境和用户状态的参数；所述外部环境和用户状态的参数具体为六个不同维度参数，包括：

开机时室内温度、衣服热阻预测、空气湿度、人体体表辐射量、空气流速、人体新陈代谢率。

进一步地，所述人工神经网络模型包括输入层，隐含层和输出层；所述神经网络模型训练模块对人工神经网络模型进行训练得到人体舒适度值包括：

权重确定模块，用于确定参数样本的数值以及神经元节点间的权重；

迭代运算模块，用于将多组样本变量传输到所述人工神经网络模型中进行迭代运算；

计算模块，用于多样本学习直至网络收敛计算出人体舒适度值。

进一步地，所述传感器包括红外检测单元，用于通过红外线检测技术检测所述人体体表辐射量，若在设定时间内所述人体体表辐射量为零，则判定用户不在室内，空调器自动切换成待机模式。

各个模块的功能和实现，可以参见上述方法实施例中进行的描述，对于相同的功能，方法实施例和装置实施例的具体实现方式类似，不再赘述。

本发明第二方面的实施例能大大提高空调的智能化程度和节能性。

本发明第三方面的实施例提供了一种空调器，其包括含有根据本发明第二方面实施例的基于神经网络的多变量感知交互式空调器控制装置。上述根据本发明第二方面的基于神经网络的多变量感知交互式空调器控制装置的空调器，其相关部分的具体实施方式可以从相应的本发明的基于神经网络的多变量感知交互式的空调器控制方法或装置的实施例中获得，并具有与相应的本发明的基于神经网络的多变量感知交互式的空调器控制方法或装置相似的有益效果，在此不再赘述。

本发明第四方面的实施例提供了一种存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如根据本发明第一方面实施例的基于神经网络的多变量感知交互式空调器控制方法，并具有与相应的本发明的基于神经网络的多变量感知交互式的空调器控制方法相似的有益效果，在此不再赘述。

本发明第五方面的实施例提供了一种空调器，包括处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如根据本发明第一方面实施例的基于神经网络的多变量感知交互式空调器控制方法，并具有与相应的本发明的基于神经网络的多变量感知交互式的空调器控制方法相似的有益效果，在此不再赘述。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (13)

1.一种空调器控制方法，其特征在于，包括以下步骤：

获取外部环境和用户状态的参数；

将所述参数作为人工神经网络模型的输入，对人工神经网络模型进行训练得到人体舒适度值；

以及

根据所述人体舒适度值对空调器进行控制。

2.根据权利要求1所述的方法，其特征在于，通过传感器获取所述外部环境和用户状态的参数；所述外部环境和用户状态的参数具体为六个不同维度参数，包括：

开机时室内温度、衣服热阻预测、空气湿度、人体体表辐射量、空气流速、人体新陈代谢率。

3.根据权利要求1或2所述的方法，其特征在于，所述人工神经网络模型包括输入层，隐含层和输出层；所述对人工神经网络模型进行训练得到人体舒适度值包括：

确定参数样本的数值以及神经元节点间的权重；

将多组样本变量传输到所述人工神经网络模型中进行迭代运算；

多样本学习直至网络收敛计算出人体舒适度值。

4.根据权利要求2所述的方法，其特征在于，通过红外线检测技术检测所述人体体表辐射量，若在设定时间内所述人体体表辐射量为零，则判定用户不在室内，空调器自动切换成待机模式。

5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述根据人体舒适度值对空调器进行控制，具体包括：

根据所述人体舒适度值确定空调器压缩机工作频率，以及合适的制冷量或制热量、湿度以及风扇转速。

6.一种空调器控制装置，其特征在于，包括：

获取单元，用于获取外部环境和用户状态的参数；

神经网络模型训练模块，用于将所述参数作为人工神经网络模型的输入，对所述人工神经网络模型进行训练得到人体舒适度值；

以及

控制模块，用于根据所述人体舒适度值对空调器进行控制。

7.根据权利要求6所述的装置，其特征在于，所述获取单元，通过传感器获取外部环境和用户状态的参数；所述外部环境和用户状态的参数具体为六个不同维度参数，包括：

开机时室内温度、衣服热阻预测、空气湿度、人体体表辐射量、空气流速、人体新陈代谢率。

8.根据权利要求6或7所述的装置，其特征在于，所述人工神经网络模型包括输入层，隐含层和输出层；所述神经网络模型训练模块对人工神经网络模型进行训练得到人体舒适度值包括：

权重确定模块，用于确定参数样本的数值以及神经元节点间的权重；

迭代运算模块，用于将多组样本变量传输到所述人工神经网络模型中进行迭代运算；

计算模块，用于多样本学习直至网络收敛计算出人体舒适度值。

9.根据权利要求7所述的装置，其特征在于，包括红外检测单元，用于通过红外线检测技术检测所述人体体表辐射量，若在设定时间内所述人体体表辐射量为零，则判定用户不在室内，空调器自动切换成待机模式。

10.根据权利要求6-9中任意一项所述的装置，其特征在于，所述控制单元，根据人体舒适度值对空调器进行控制，具体包括：

根据所述人体舒适度值确定空调器压缩机工作频率，以及合适的制冷量或制热量、湿度以及风扇转速。

11.一种空调器，其特征在于，包括根据权利要求6-10中任意一项所述的空调器控制装置。

12.一种存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-5中任意一项所述的空调器控制方法。

13.一种空调器，其特征在于，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-5中任意一项所述的空调器控制方法。