CN110671795B - 一种基于人工智能的宜居环境系统及其使用方法 - Google Patents

一种基于人工智能的宜居环境系统及其使用方法 Download PDF

Info

Publication number
CN110671795B
CN110671795B CN201910870147.9A CN201910870147A CN110671795B CN 110671795 B CN110671795 B CN 110671795B CN 201910870147 A CN201910870147 A CN 201910870147A CN 110671795 B CN110671795 B CN 110671795B
Authority
CN
China
Prior art keywords
temperature
wind speed
human body
humidity
acquisition module
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.)
Expired - Fee Related
Application number
CN201910870147.9A
Other languages
English (en)
Other versions
CN110671795A (zh
Inventor
邢志强
臧淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Technology
Original Assignee
North China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Technology filed Critical North China University of Technology
Priority to CN201910870147.9A priority Critical patent/CN110671795B/zh
Publication of CN110671795A publication Critical patent/CN110671795A/zh
Application granted granted Critical
Publication of CN110671795B publication Critical patent/CN110671795B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Strategic Management (AREA)
  • Combustion & Propulsion (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)

Abstract

一种基于人工智能的宜居环境系统，包括采集模块、温控模块和处理模块；所述采集模块包括温度采集模块、风速采集模块、湿度采集模块和视频采集模块；所述温控模块用于根据所述处理模块的计算结果做出温度和输出风速的调节。与现有技术相比，本发明的有益效果是：通过聚类训练得到自己最适宜的PMV值，使得温控模块控制温度更加精准且适宜人体；采用布谷鸟算法计算出当前人体适宜的温度和风速，迭代次数少，收敛快，能够更快速而准确地计算得到出当前人体适宜的温度和风速；通过对采集视频中每一帧进行分析并以机器学习的方法进行服装识别和姿态识别，精准地获取当前人体衣着情况和运动状态。

Description

一种基于人工智能的宜居环境系统及其使用方法
技术领域
本发明涉及智能家居领域，尤其涉及一种基于人工智能的宜居环境系统。
背景技术
现代人类大约有80％-90％的时间处于室内。因此室内的环境很大程度上影响着人们的健康与舒适。一个良好的室内环境，不仅使人在生理上得到享受，也能使人在心理上感到愉悦。在生理和心理得到满足的同时，还能够增大社会及经济效益，提高个人乃至集体、国家的竞争力。最重要的，按照科学的参数配比，可以在满足生理心理需求的同时，减少对环境的压力。
但每个人的舒适度都不同，传统的温度控制器仅仅采集室内温度从而将改变空调的设置温度与风速，不能根据人体适宜的(随时可能改变的)PMV值进行空调温度和风速调节，并不够智能。
发明内容
本发明所要解决的技术问题是提供了一种基于人工智能的宜居环境系统，本系统能够根据第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量的改变从而调节空调温度和输出风速，使室内环境中的人体始终处于自己适合的PMV值，始终满足生理、心理上的温度需求。
一种基于人工智能的宜居环境系统，包括采集模块、温控模块和处理模块；
所述采集模块包括温度采集模块、风速采集模块、湿度采集模块和视频采集模块；
所述温度采集模块用于实时采集环境内的第一温度，并发送至所述处理模块；
所述风速采集模块用于实时采集温控模块对环境的第一输出风速，并发送至所述处理模块；
所述湿度实时采集模块用于实时采集环境内的湿度，并发送至所述处理模块；
所述视频采集模块用于以机器学习的方式实时采集环境中人体衣着情况和运动状态，并发送至所述处理模块；
所述处理模块用于接收和储存所述采集模块实时采集到的第一温度、第一输出风速、湿度、人体衣着情况和运动状态；并根据第一温度、第一输出风速、湿度、人体衣着情况和运动状态计算得到第一PMV值；
当第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，所述处理模块还用于根据采集第一温度、第一输出风速、湿度或改变过后的人体衣着情况或运动状态计算得到第二PMV值，并判断所述第一PMV值与所述第二PMV值是否一致，在不一致的情况下，以所述第一PMV值以及改变过后的人体衣着情况或运动状态代入布谷鸟算法计算得到第二温度、第二输出风速，控制所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
所述温控模块用于根据所述处理模块的计算结果做出温度和输出风速的调节。
上述技术方案中，更进一步的是，还包括若干个无线传输模块，所述无线传输模块用于发送和接收各个模块之间的信号。
上述技术方案中，更进一步的是，所述温度采集模块包括若干个温度传感器；所述风速采集模块包括若干个风速传感器；所述湿度传感器包括若干个湿度传感器。
一种采用所述系统的使用方法，包括以下两个阶段：
训练阶段：
步骤A：所述采集模块采集一定时间内环境的第一温度、湿度、所述温控模块对环境的第一输出风速、人体衣着情况和运动状态，以聚类的方法得到第一PMV值；
使用阶段：
步骤B：第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，则所述处理模块根据第一温度、湿度、第一输出风速或改变过后的人体衣着情况或运动状态计算得到第二PMV值，若所述第二PMV值与所述第一PMV值不一致，则所述处理模块再将所述第一PMV值以及改变过后的人体衣着情况或运动状态代入布谷鸟算法计算得到第二温度、第二输出风速；所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
若所述第二PMV值与所述第一PMV值一致，则所述温控模块无响应。
上述技术方案中，更进一步的是，步骤A中所述第一PMV值利用PMV方程计算得到。
上述技术方案中，更进一步的是，步骤B中所述第二PMV值利用PMV方程计算得到。
上述技术方案中，更进一步的是，步骤B中所述视频采集的方式为摄像头采集。
上述技术方案中，更进一步的是，步骤B中，所述机器学习是指支持向量机算法或者神经网络算法。
与现有技术相比，本发明的有益效果是：由于本发明能够获取环境中的温度、湿度、风速和人体活动状态以及衣着情况，通过聚类训练得到自己最适宜的PMV值，使得温控模块控制温度更加精准且适宜人体；
当第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变时，能够重新计算出新的PMV值，根据第一PMV值以及改变过后的人体衣着情况或运动状态，采用布谷鸟算法计算出当前人体适宜的温度和风速，迭代次数少，收敛快，能够更快速而准确地计算得到出当前人体适宜的温度和风速；
人体衣着情况或运动状态是通过对采集视频中每一帧进行分析并以机器学习的方法进行服装识别和姿态识别，精准地获取当前人体衣着情况和运动状态。
附图说明
图1为本发明所述系统的模块示意图。
图2为本发明所述使用方法的流程图。
图3为本发明所述系统中产热代谢率参考图表。
图4为本发明所述系统中人体有效表面积的修正系数feff参考图表。
图5为本发明所述系统中预测平均评价指标PMV标尺。
图6为本发明所述系统中室内温度与工作效率对应关系图表。
图7为本发明所述系统中室内空气质量标准参考图表。
图8为本发明所述系统中对相对湿度的研究参考图表。
图9为本发明所述系统中不同相对湿度下的温度和风速的参考图表。
图10为本发明所述系统中不同活动状态与代谢率对应关系参考图表。
图11为本发明所述系统中新陈代谢率和服装热阻值对温度和风速的影响参考图表。
图12为本发明所述系统中衣着量与服装热阻值对应参考图表。
图13为本发明所述系统中寻优算法比较图。
图14为本发明所述系统中莱维飞行模拟示意图。
图15为本发明所述使用方法的算法中衣服外表面温度与对流换热系数求解流程图。
图16为本发明所述使用方法的算法中基于PMV的智能控制算法流程图。
图17为本发明所述使用方法的算法中巢穴的替换过程示意图。
图18为本发明所述使用方法的算法中基于PMV的智能控制算法收敛情况示意图。
图19为本发明所述使用方法的算法中使用方法的算法结构图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1--19所述，一种基于人工智能的宜居环境系统，包括采集模块、温控模块和处理模块；
所述采集模块包括温度采集模块、风速采集模块、湿度采集模块和视频采集模块；
所述温度采集模块用于实时采集环境内的第一温度，并发送至所述处理模块；
所述风速采集模块用于实时采集温控模块对环境的第一输出风速，并发送至所述处理模块；
所述湿度实时采集模块用于实时采集环境内的湿度，并发送至所述处理模块；
所述视频采集模块用于以机器学习的方式实时采集环境中人体衣着情况和运动状态，并发送至所述处理模块；
所述处理模块用于接收和储存所述采集模块实时采集到的第一温度、第一输出风速、湿度、人体衣着情况和运动状态；并根据第一温度、第一输出风速、湿度、人体衣着情况和运动状态计算得到第一PMV值；
当第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，所述处理模块还用于根据采集第一温度、第一输出风速、湿度或改变过后的人体衣着情况或运动状态计算得到第二PMV值，并判断所述第一PMV值与所述第二PMV值是否一致，在不一致的情况下，以所述第一PMV值以及改变过后的人体衣着情况或运动状态代入布谷鸟算法计算得到第二温度、第二输出风速，控制所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
所述温控模块用于根据所述处理模块的计算结果做出温度和输出风速的调节。
为了维持正常体温，需要平衡产热和散热。为了得到预测平均评价指标PMV，首先要明确人体的热平衡方程式：
M-W-C-R-E-S＝0 (5-1)
其中：
M——人体新陈代谢率，取决于人体的活动量大小，单位W/m2；
W——人体所做的机械功，单位W/m2；
C——人体外表面向周围环境通过对流形式散发的热量，单位W/m2；
R——人体外表面向周围环境通过辐射形式散发的热量，单位W/m2；
E——汗液蒸发和呼出的水蒸气所带走的热量，单位W/m2；
S——人体所需的热量，单位W/m2。
1982年，Fanger教授提出了热舒适方程，给出了更加具有代表性的舒适程度评价指标。热舒适方程成立有三个前提条件。第一，人体必须处于热平衡状态；第二，皮肤的平均温度具有与舒适相适应的水平；第三，为了舒适，人体应具有最佳的排汗率[29]。当处于热平衡状态时，人体不需要从外部获取能量，此时S＝0，有
M-W-C-R-E＝0 (5-2)
新陈代谢能量M是人体自身氧化作用释放的能量，其中一部分转化为热能H，另一部分转为功W。影响代谢率的最重要因素是肌肉活动量，其可以根据消耗的氧气量和排出的二氧化碳量来计算。有以下实验式：
M＝352(0.23RQ+0.77)VO2/AD (5-3)
其中：
M——新陈代谢率，单位W/m2。
RQ——呼吸商，无量纲。指单位时间内呼出的二氧化碳和吸入的氧气之间的摩尔数比；
VO2——在0℃、101.325KPa条件下，单位时间内消耗的氧气的体积，单位L/min。
AD——裸身人体皮肤表面积，又称为杜波依斯面积，单位m2。计算公式为[27]：
AD＝0.202A0.425B0.725 (5-4)
其中A为人体体重，B为身高。
一般情况下，对于一个成年人来说，当M<1.5met时，RQ＝0.83；当M＝5.0met时，RQ＝1.0；中间的RQ值可以利用线性插值计算。RQ产生10％的误差，在计算时导致代谢率误差为3％。
超出一定温度范围后，无论温度上升或下降，都会导致人体代谢率升高。在在22.5℃下停留一段时间后，人体将开始冷颤增加产热量以抵御寒冷。当环境温度升高时，人体细胞内的化学反应速度加快，呼吸加快，循环机能增强，人体开始发汗，最终导致身体代谢率升高。
成年男性活动状态和代谢率的对应关系如图3所示。其中1met＝58.2W/m2，表示成年男子静坐时的新陈代谢率。
空气流过人体表面时会带走一些热量。带走人体热量有两种方式，一是受迫对流，二是自然对流。受迫对流是指与人体皮肤直接接触或者与人体服装直接接触的温暖空气层被气流吹走；自然对流是指在没有气流时，暖空气会因为自身浮力而上升，留出的空位被冷空气代替。这两种方式都会带走人体热量。被带走的热量可以根据公式计算：
C＝fclhc(tcl-ta) (5-5)
其中：
hc——对流换热系数，单位是W/(m2·k)；
tcl——衣服外表面温度，单位℃；
ta——人体周围空气温度，单位℃；
fcl——服装表面系数，求解公式如下：
fcl＝Acl/AD (5-6)
Acl——人体穿衣服后直接暴露在空气中的皮肤面积。
AD——人体裸身表面积。
人体与外界的辐射传热方程式为：
Figure GDA0002764721650000101
其中：
ε——人体表面发射率，对于灰体其值等于吸收率；
σ——斯蒂芬波尔兹曼常数，5.67×10-8W/m2K4；
feff——人体姿势对于人体有效表面积的影响的修正系数；
Tcl——衣服外表面温度，单位K(1℃＝274.15K)；
Tr——环境平均辐射温度，单位K(1℃＝274.15K)；
人体姿势与有效表面积的修正系数feff之间的对应关系如下图4所示[26]。由Fanger教授通过照相技术获得。
蒸发散热主要有两部分组成，一是人体呼吸行为引起的散热，另一部分是汗液蒸发引起的散热。公式如下：
E＝Cres+Eres+Esk (5-8)
其中：
Cres——呼吸时的显热散失量，单位为W/m2；计算公式如下：
Cres＝0.0014M(34-ta) (5-9)
Eres——呼吸时的潜热散热量，单位为W/m2；计算公式如下：
Eres＝0.0173M(5.867-Pa) (5-10)
其中Pa是环境空气的水蒸气分压力。
Esk——汗液蒸发散热量，单位为W/m2；
汗液蒸发散热量由两方面构成：
Esk＝Ersw+Edif (5-11)
其中：
Ersw——汗液蒸发散热量，单位为W/m2；
Edif——皮肤湿扩散散热量，单位为W/m2；
人体的皮肤散热量与很多因素有关，如皮肤表面的、空气中的水蒸气分压力Psk、Pa(单位为KPa)，衣着的潜热换热Icl等。
人的皮肤能够达到的最大的散热量Emax(单位为W/m2)为：
Figure GDA0002764721650000111
其中hc是人体对流交换系数，单位为W/m2·KPa。
皮肤的水蒸气分压力Psk和皮肤温度tsk(单位为℃)之间具有如下关系：
Psk＝0.254tsk-3.335 (5-13)
公式(5-12)所提到的人的皮肤能够达到的最大的散热量Emax，是在人体完全湿润情况下的人体散热量。但是人体每一块皮肤都是湿润的这种情况只有当总的出汗量远远大于汗液蒸发总量时才存在。所以，除了一些极其特殊的情况，实际的蒸发散热量Esk是保持小于最大散热量值的。即：
Esk＝Ersw+Edif＝ωEmax (5-14)
其中ω表示皮肤湿润度，是指在同一环境下，皮肤实际蒸发量Ersw和最大散热量Emax的比值：
Figure GDA0002764721650000121
当环境的湿度升高时，人体皮肤的湿润度也会随之升高。
当人体不排汗时，皮肤的湿扩散量为：
Edif＝0.06Emax (5-16)
当人体正常排汗时，皮肤的湿扩散量为：
Edif＝0.06(Emax-Ersw) (5-17)
人体体温调节系统可以控制人体的汗液蒸发散热量Ersw。Fanger认为当人体感觉不冷不热时，即当人体感觉接近“中性”时，人体代谢率和对外做功决定了人体平均皮肤温度tsk和人体汗液蒸发散热量Ersw的值。在接近热舒适条件时，根据RohleshNevins的实验回归式来确定人体平均皮肤温度tsk和人体汗液蒸发散热量Ersw：
tsk＝35.7-0.0275(M-W) (5-18)
Ersw＝0.42(M-W-58.2) (5-19)
将上述公式(5-3)至公式(5-19)，代入公式(5-2)内，可以得到热舒适方程：
Figure GDA0002764721650000122
由热舒适方程进一步得到预测平均评价指标PMV(Predicted Mean Vote)：
Figure GDA0002764721650000131
其中：
Pa＝φa×EXP[16.6536-4030.183/(ta+235)] (5-22)
φa——相对湿度；
Figure GDA0002764721650000132
Icl——服装热阻值，单位是clo；
Figure GDA0002764721650000133
va——空气流速，单位是m/s；
tcl＝35.7-0.028(M-W)-Icl{3.96×10-8×fcl[(tcl+273)4-(tr+273)4]+fclhc(tcl-ta)}
(5-25)
tcl——衣服外表面温度，单位是℃；
根据以上所述，预测平均评价指标PMV(PredictedMeanVote)由四个环境参数和两个人为参数确定。四个环境参数分别为空气温度ta，空气平均辐射温度tr，空气相对湿度φa和空气平均风速va；两个人为参数分别为人体新陈代谢率M和服装热阻值Icl。
Fanger教授通过大量实验，将大部分人对相同环境的冷热感用连续值表示。PMV标尺如图5所示；
Fanger教授将PMV值分为七个等级，由-3到+3分别代表冷、凉、微凉、适中、微暖、暖、热。期间连续取值。这个等级划分对大多数人是成立的。但是由于个体差异，比如肥胖的人比较怕热，而瘦弱的人或者老人会怕冷；男性比女性更加怕热；成年人和孩童对冷热的感受也不尽相同。因此针对同一个室内环境，不同的人的感受是不同的。本文也正是对指定的人群，利用预测平均评价指标PMV以及其等级划分来实现室内环境控制。
目前，在家庭环境的调控中，空调起了很大作用。我国的绝大部分地区都四季分明，空调是每个城市家庭的必备电器。夏季和冬季，空调设备的使用率明显高于其他两个季节。空调利用率的上升，不仅增大了城市的用电需求，还造成了相应的资源浪费，同时也对自然环境造成了不同程度的影响。因此，智能化的实现空调设置，不仅在感受上为人体带来舒适，也能在节约资源和保护环境方面带来益处。
因此，我们将预测平均评价指标PMV与空调相结合，打造科学、舒适，并且环保的室内生活环境。
从预测平均评价指标PMV(Predicted Mean Vote)的六个影响因子中可以看出，室内温度ta和空气平均风速va这两个因素可以通过空调控制。同时，对于室内环境，室内温度ta和空气流速va也是影响最大的两个因素。
家居人体热舒适环境智能控制算法的核心也是针对特定人群、特殊生活习惯，将空气平均辐射温度tr、空气相对湿度φa、人体新陈代谢率M和服装热阻值Icl作为已知量，将室内温度ta和空气平均风速va作为未知量求解。
在影响预测平均评价指标PMV的六个参数中，空气温度是影响人的舒适度的最直观的因素。空气温度可以影响人的工作效率。例如，当室内温度为25度，工作效率100％时，如图6所示，显示了室内温度与工作效率的对应关系。
在计算的过程中空气平均辐射温度tr取值与室内温度ta相同。
中华人民共和国国家标准--室内空气质量标准也对室内温度、相对湿度、空气流速、新风量的做出了相应规定。如图7所示。
在室内环境中，空气流速不应该超过0.3m/s。空气流速过大，会产生风吹感，也不利于节能。
环境的相对湿度对人体的健康与舒适影响也有一定的影响。
当环境相对湿度过低时，会引起皮肤粗糙开裂，皮肤是人体的第一层保护屏障，皮肤破裂，身体的免疫系统受损，最终身体的抵抗力降低甚至丧失。
当环境相对湿度过高时，人体皮肤会吸收大气中的水分，使人感觉身上黏稠不舒服；高湿度是细菌的天堂，湿度过高会滋生细菌、霉菌以及其他微生物，加剧微生物污染，导致呼吸道或消化道疾病。
图7中，对室内相对湿度按季节做出了规定，要求夏季相对湿度在40％-80％在之间；冬季相对湿度在30％-60％之间。
世界卫生组织(WHO)：健康住宅标准第6条明确规定全年室内湿度应保持在40％至70％之间。
早在1923年，人们就已经开始研究相对湿度对人体健康和舒适感的影响了。如图8所示，总结了历史上对相对湿度的研究。
当室内环境温度合适时，相对湿度的影响并不是十分大，在40％-70％即可。但活动量很大时，由于人体能量大量消耗需要散热，此时空气相对湿度在40％-50％之间，人感觉最舒适；活动量小时，相对湿度在50％-60％之间，人感觉最舒适；在睡眠状态时，人体的各个组织处于半停滞状态，人体很放松，能量消耗极低，此时相对湿度在60％-70％之间，人感觉最舒适。
以M＝1met,Icl＝0.5clo为例，改变相对湿度的取值，求解温度与风速有如下如图9所示数据：
可以发现，当相对湿度在20％至80％范围内增加时，预测温度的最小值、最大值和平均值分别降低5.8％、4.2％和6％。因此，可以得出结论，相对湿度对于预测温度影响较小，对风速几乎没有影响。
所以在实施例中，相对湿度取中间值φa＝50％即满足要求。
人体的代谢率是指每单位时间由人体表面积产生的热量。代谢是一种化学热产生过程，是人体细胞中所有化学反应的总称。人体分解从外界环境摄入的食物，食物和氧经过化学变化，产生人体需要的能量。不同状态下，人体的新陈代谢率是不同的。人的活动量越大(小)，新陈代谢列率就越高(低)。
在家庭生活中，人的活动状态基本包括静坐着休息、静坐工作、读书学习、睡眠和正常行走等。以上活动状态对应的新陈代谢率值如图10所示。
其中1met＝58.2W/m2。
在φa＝50％的条件下，改变新陈代谢率和服装热阻值得到如图11所示数据：
当服装热阻值Icl＝0.3clo时，当新陈代谢率从0.5met提高至2met，预测温度的最小值、最大值和平均值分别下降29.2％、23.7％和25.6％；当服装热阻值Icl＝0.5clo时，预测温度分别下降33.6％，27.9％，30.7％；当服装热阻值Icl＝0.7clo时，预测温度分别下降38.4％，32.7％，35.6％；当服装热阻值Icl＝1.0clo时，预测温度分别下降45.2％，39.5％，42.2％可见新陈代谢率对预测温度的影响很大。在本文中，以M＝1met为例，验证智能控制算法的成立。
在不同的季节和不同的室内温度下，人的着装不同。当衣着和穿衣量改变时，服装热阻值也随之变化。图12所示，展示了不同季节不同衣着和服装热组织的对应关系。
由图11所示中数据得到，当新陈代谢率M＝0.5met时，服装热值由0.3clo提高到1.0clo，预测温度的最小值、最高值和平均值分别下降8.7％、8.8％、8.4％；当新陈代谢率M＝1met时，预测温度分别下降14.5％、14.2％、14.6％；当新陈代谢率M＝2met时，预测温度分别下降29.4％、27.7％、28.0％。由此可见，服装热阻值对预测温度的影响会随着新陈代谢率的增加而增大，也是一个十分重要的因素，因此在智能控制算法中需要用视频采集检测用户的着装量。在本文中，服装热阻值选择一般夏季，Icl＝0.5clo。
预测平均评价指标PMV的求解过程，是典型的寻优过程。在寻优的过程中，共涉及7个参数：PMV值，空气温度ta，空气平均辐射温度tr，空气相对湿度φa，空气平均风速va，人体新陈代谢率M和服装热阻值Icl。
在上述提到的预测平均评价指标PMV方程，分为7个等级，其中当PMV＝0时的室内环境，是最佳的室内环境。但是，个体具有明显的差异性。性别、年龄、健康情况都会导致个体对环境的冷热感受不同。甚至性别相同、年纪相同、健康情况相同的个体之间，也会存在着一定程度的差异。因此，PMV＝0时的环境设置并不一定是最好的，我们需要根据个体的特性和习惯，找到真正适合单独个体的环境配置，达到真正的个性化。
我们通过对室内户主的生活习惯，如平时设置空调的习惯的采集，得到一系列室内温度与风速的数据，并由此通过预测平均评价指标PMV方程，计算出符合户主生活习惯的PMV值，即，第一PMV值。运用这个通过计算得到的第一PMV值，结合其他4个参数：空气平均辐射温度tr，空气相对湿度φa，人体新陈代谢率M和服装热阻值Icl，来求解出科学的、适合户主的空气温度ta和空气平均风速va。
目前，可以用来寻优的算法有很多。如图13所示，显示了目前几种寻优算法之间的比较。
首先预测平均评价指标PMV的求解是连续性优化问题，同时结合各个算法的优缺点以及适用范围，布谷鸟算法(CS)参数少，模型简单，全局搜索能力强，不易陷入局部最优解；经过实际试验，收敛速度也完全能够达到标准。
本发明计算所述第二温度和第二风速的算法为布谷鸟算法，由于迭代次数少，更准确、快速的收敛得到计算结果。
布谷鸟算法是一种启发式算法。启发式算法利用已知信息寻找最终解决方法。在寻找的过程中，会记录下发现到的相关信息，通过不断地积累和分析，得到越来越丰富的已知信息，并根据已知信息引导下一步工作和修正之前的步骤，最终获得较好的解决方案。
启发式算法的思路是在迭代过程中记录历史最优解和当前最优解，利用二者调整下一步的搜索方向，同时避免陷入局部最优解。
布谷鸟属于巢寄生鸟类，有三大特特征：
(1)布谷鸟自己既不建巢，也不孵蛋，它把卵产在宿主的巢内。
(2)为了自己的卵能够顺利孵化并存活，布谷鸟会提前寻找和自己的孵化期相近、卵相近、幼鸟食性相近的宿主巢穴。为避免被发现，在产卵之前，还会把宿主的卵从巢中搬出去，以保证自己把卵产进宿主的巢后，巢内卵的总体数量不变。
(3)布谷鸟会在宿主孵蛋之前，趁宿主离开的空隙，迅速将自己的卵产在宿主巢内。然而，宿主会以一定的概率发现自己的鸟蛋被替换，会将不是自己的卵扔出巢穴，甚至放弃现在的巢穴，另外建立新的巢穴。
为了提高自己的存活率，谷鸟的后代雏鸟会模仿宿主后代雏鸟的生活习惯和行为，降低自己被发现的概率；还会把宿主的雏鸟推出鸟巢。
2009年，Xin-She Yang与Suash Deb在《Cuckoo Search via Levy Flights》一文中提出了布谷鸟算法(简称CS)。设布谷鸟一次产一枚卵。宿主鸟发现外来卵后，就另建新巢。那么可以认为：巢＝卵＝解。而布谷鸟的卵能否顺利被孵化，并成功长大就是判断解的好坏的唯一的标准。
在布谷鸟算法中，有两个位置更新方式很重要。一个是布谷鸟寻找鸟窝产卵时的飞行路径，另一个是宿主鸟以一定的概率发现外来鸟蛋，放弃现在的鸟巢重新选址建巢的飞行路径。
莱维飞行是一种同时结合长步长和短步长的飞行方式，而且学者们已经证实自然界许多鸟类都用莱维飞行。
在本文中，布谷鸟搜寻鸟巢产卵的飞行路径选用莱维飞行，宿主鸟发现外来卵蛋建立新巢穴选用随机飞行。
莱维稳定分布的积分形式为：
Figure GDA0002764721650000201
当s＞＞s0＞0，即s→∞时，有：
Figure GDA0002764721650000202
莱维飞行的方差和时间呈指数关系：
σ2(t)～t3-β,1≤β≤3 (5-28)
我们运用mantegna方法生成符合莱维飞行的随机步长：
Figure GDA0002764721650000211
其中，u～N(0,σ2),v～N(0,1),
Figure GDA0002764721650000212
通过MATLAB模拟莱维飞行如下图14所示。可以发现，莱维飞行的确是长步长和短步长相结合的飞行方式。
在本算法中，以预测平均评价指标PMV方程为适应度函数，用此方程来判断解的好坏。
预测平均评价指标方程十分复杂，包含高次幂项、非线性项、迭代项、分段函数等复杂项，为方程的求解带来了很大难度。最难解决的是衣服外表面温度tcl和对流换热系数hc。
衣服外表面温度tcl对于求解PMV是一项非常重要的参数。由公式(5-24)和公式(5-25)可知，衣服外表面温度tcl与对流换热系数hc之间存在着复杂的耦合关系。衣服外表面温度和对流换热系数都是相互求解时的已知量；同时，衣服外表面温度tcl也对自身有迭代求解。这些繁琐的迭代都导致整体求解十分复杂。
衣服外表面温度tcl高于室内温度、小于人体温度。很多研究将衣服外表面温度近似等于室内温度，这样虽然简化了计算过程，但同时也丢失了很多信息。特别是，空气流速对预测平均评价指标的影响减弱。
在本实施例中，针对衣服外表面温度tcl和对流换热系数hc的求解采用迭代逼近的方法。求解衣服外表面温度tcl和对流换热系数hc的流程图，如图15所示。
首先将衣服外表面温度tcl公式(5-25)左右相减，得到如下公式(5-30)：
F＝-tcl-35.7-0.028(M-W)-Icl{3.96×10-8×fcl[(tcl+273)4-(tr+273)4]+fclhc(tcl-ta)}
(5-30)
第一步，给定tcl一个搜索范围，本文给定的范围是20℃至40℃。
第二步，将tcl的值带入hc的公式(5-24)中，求出此时的hc；再将tcl和hc带入公式(5-30)，求出F。
第三步，循环第二步。将每次求出的F与前一次的F比较，找到F最接近于零时的tcl和hc，即在所给范围内最接近于实际的tcl和hc的值。
最后带入预测平均评价指标公式，即可进行下一步计算。
以预测平均评价指标为适应度函数，在布谷鸟算法寻优时判断巢穴即解的好坏。将每组巢穴即解带入适应度函数，通过运算出的适应度函数值的大小，来判断当前巢穴是否是好解。
每次输入的巢穴都是一组对比巢穴，共有两种情况。一组是初始的巢穴和经过莱维飞行后有变化的巢穴；另一组是经过对比得到的当前优秀巢穴和宿主鸟放弃当前巢穴建立的新巢穴。
每次输入一组对比巢穴，同时进入适应度函数，同时带入方程求解适应度函数值，比较之后，用使适应度函数值小的巢穴替换原位置的巢穴。经过多次比较，最终留下最合适的巢穴组合。
在本算法中，以空气温度ta和空气流速va组成的数对为目标巢穴，即预测平均评价指标的解。
算法流程图如图16所示。
基于PMV的智能控制算法的参数设置：
N＝100；
D＝2；
T＝30；
Lb＝[22,0]；％设置参数下界
Ub＝[30,0.3]；％设置参数上界
Pa＝0.25；
设置解的个数N为100个，解的维数D为2，迭代次数T为30，空气温度ta范围为(22，30)℃，空气流速va范围为(0，0.3)m/s，被宿主发现的概率Pa为0.25。
Tmax＝Ub(:,1)；％Tmax＝30℃
Tmin＝Lb(:,1)；％Tmin＝22℃
Vmax＝Ub(:,2)；％Vmax＝0.3m/s
Vmin＝Lb(:,2)；％Vmin＝0.0m/s
将空气温度的最大、最小值分别用Tmax、Tmin表示，将空气流速的最大、最小值分别用Vmax、Vmin表示。用于莱维飞行和宿主更换巢穴位置时做约束条件。
M＝58.2；
W＝0；
phi＝0.5；
Icl＝0.5*0.155；％clo＝0.155
PMV＝0；
在本文中以PMV＝0为例求解。
基于PMV的智能控制算法有以下7个重要步骤：
第一步，初始化巢穴nestPop。
nestPop(i,:)＝Lb+(Ub-Lb).*rand(size(Lb))；
得到一个100*2的矩阵nestPop。第一列是空气温度，第二列是空气流速。
第二步，进行莱维飞行以获得鸟巢更新位置levy_nestPop。
levy_nestPop＝func_levy(nestPop,Tmax,Tmin,Vmax,Vmin)；
莱维飞行function[result]＝func_levy(nestPop,Tmax,Tmin,Vmax,Vmin)：
beta＝1.5；
alpha1＝1；
alpha2＝1/16；
alpha＝[ones(100,1)1/16*ones(100,1)]；
sigma_u＝(gamma(1+beta)*sin(pi*beta/2)/(beta*gamma((1+beta)/2)*2^((beta-1)/2)))^(1/beta)；
sigma_v＝1；
u＝normrnd(0,sigma_u,N,D)；
v＝normrnd(0,sigma_v,N,D)；
step＝u./(abs(v).^(1/beta))；
nestPop＝nestPop+alpha.*step；
nestPop(find(nestPop(:,1)>Tmax),1)＝Tmax；
nestPop(find(nestPop(:,1)<Tmin),1)＝Tmin；
nestPop(find(nestPop(:,2)>Vmax),2)＝Vmax；
nestPop(find(nestPop(:,2)<Vmin),2)＝Vmin；
在将鸟巢进行变化时，由于空气温度和空气流速的范围不同，取值跨度不同，若是按照同一个step来进行莱维飞行，会导致空气流速超过其本身的范围。这样的话，在最后一步，用Vmax、Vmin对莱维飞行后的巢穴进行约束会导致大部分数据都变成最大值0.3，或者最小值0。从而导致最后结果收敛很差，找不到最优解。
因此，本文对空气温度和空气流速分别设置了不同的随机步长，以保证解的优越性。
第三步，比较适应度值，保留当前的优秀解替换差的巢穴。
nestPop＝func_bestNestPop(nestPop,levy_nestPop)；
其中：
function[nestPop]＝func_bestNestPop(nestPop,new_nestPop)
index＝find(func_fitness(nestPop)>func_fitness(new_nestPop))；
nestPop(index,:)＝new_nestPop(index,:)；
通过比较两组巢穴带入适应度函数后产生的解的大小，使经过莱维飞行后的巢穴levy_nestPop中表现更优秀的巢穴，替换原巢穴nestPop中相同位置表现不好的解，得到新的巢穴组合nestPop。
此时新的巢穴组合nestPop中既保留了原来的优秀解，又包含了经过莱维飞行以后的优秀解。如图17所示。
由图17所示。左起，第一张图片是初始化生成的巢穴nestPop(皆以前27组巢穴为例)；第二张图片是莱维飞行后生成的巢穴levy_nestPop；第三张图片是index，表示将nestPop和levy_nestPop都带入适应度函数，得到的levy_nestPop中使适应度函数的解更小(即更使PMV接近于0)的巢穴所在的位置，如图所示在前27组巢穴中，levy_nestPop中的第1组、第4组、第5组、第8组等等巢穴，比相应位置的nestPop更好；第四张图片是替换后的结果，从图中可以看出，以第一张图片nestPop为准，所有index所指出的位置，都被相应位置的levy_nestPop中的巢穴替换了。通过不断的迭代，将持续替换差解，保留优秀解。
第四步，宿主鸟以概率Pa发现外来鸟蛋，放弃现有巢穴，建立新的巢穴rand_nestPop。
rand_nestPop＝func_newBuildNest(nestPop,Pa,Tmax,Tmin,Vmax,Vmin)；
其中建立新巢穴选用的是随机方式：
nestPop＝nestPop+rand.*heaviside(rand(N,D)-Pa).*(nestPop(randperm(N),:)-nestPop(randperm(N),:))；
同时对新的巢穴rand_nestPop进行范围约束，防止有超出空气温度上下限和空气流速上下限的巢穴存在。
第五步，比较第三步和第四步产生的巢穴，选择所有巢穴中最优的巢穴。选择过程和图5-6同理。
nestPop＝func_bestNestPop(nestPop,rand_nestPop)；
第六步，找到第五步的巢穴中使适应度函数取值最小的巢穴所在额位置index。带入适应度函数求出此时的函数最小值。
[～,index]＝min(func_fitness(nestPop))；
trace(t)＝func_objValue(nestPop(index,:))；
第七步，重复上述步骤二到步骤六，直到迭代结束。
经过实验发现，算法的收敛十分优秀，如图18所示；
经过多次实验发现，迭代次数T在30次已经满足了算法要求。因此，最终的迭代次数选择T＝30。
适应度函数(即预测平均评价指标PMV)的结果为：5.0400e-05。对应的取得这个适应度值的巢穴为以下显示的解。
本发明所述系统还包括若干个无线传输模块，所述无线传输模块用于发送和接收各个模块之间的信号。本实施例中所述无线传输模块是指WiFi。
所述温度采集模块包括若干个温度传感器；所述风速采集模块包括若干个风速传感器；所述湿度传感器包括若干个湿度传感器。
本实施例中，所述温度传感器数量在3—4个之间，分别均匀设置于应用环境内；所述温度传感器是指温度计；
所述风速传感器数量在3—4个之间，分别设置与空调出风口；所述风速传感器是指热风式风速传感器；
所述湿度传感器数量在3—4个之间，，分别均匀设置于应用环境内；所述湿度传感器是指电阻式湿度传感器。
一种采用所述系统的使用方法，包括以下两个阶段：
训练阶段：
步骤A：所述采集模块采集一定时间内环境的第一温度、湿度、所述温控模块对环境的第一输出风速、人体衣着情况和运动状态，以聚类的方法得到第一PMV值；
使用阶段：
步骤B：第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，则所述处理模块根据第一温度、湿度、第一输出风速或改变过后的人体衣着情况或运动状态计算得到第二PMV值，若所述第二PMV值与所述第一PMV值不一致，则所述处理模块再将所述第二PMV值代入布谷鸟算法计算得到第二温度、第二输出风速；所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
若所述第二PMV值与所述第一PMV值一致，则所述温控模块无响应。
步骤A中所述第一PMV值利用PMV方程计算得到。
步骤B中所述第二PMV值利用PMV方程计算得到。
步骤B中所述视频采集的方式为摄像头采集。
步骤B中，所述机器学习是指支持向量机算法或者神经网络算法。
通过摄像头采集用户活动视频，首先对视频进行分帧处理，将视频转化为按照时间排列的图片序列。一个方面，对每一帧图像，通过纹理信息提取用户所穿衣物特征，应用机器学习算法(如神经网络或者支持向量机等)，对每一帧图像中的用户衣物种类进行识别分类，确定服装参数；另一方面，对每一帧图像，提取用户的姿态特征，通过连续N帧图像所获得的姿态特征流(N根据视频帧抽取速率取不同值，时长约为30s)，应用机器学习算法(支持向量机或者神经网络等)，获得用户的活动类型。
以婴幼儿为例，婴幼儿无法用语言表达自己的想法，并且对于环境温度的变化无法主动的做出衣着上的改变。设想一个场景，当夜间睡觉时，父母将儿童房的温度设置好，如果婴幼儿发生了踢被子的情况，那么父母设置好的温度对于没有盖被子的宝宝来说就有些偏低。若每晚按时起床检查宝宝睡眠状态，对父母来说无疑是很影响自身休息的。而此时，本系统可以实时监测宝宝的睡眠状态，并进行相应的空调控制，使宝宝一直处于一个良好的睡眠环境内。
如图19所示为本发明所述系统的使用方法的算法结构。
预测平均评价指标PMV分为7个等级，以PMV＝0为最舒适的状态。但由于个体存在差异，因此，这个等级并不完全适用于所有人。为了找到真正适合具体用户的PMV值，在工作前，设置了训练阶段，即得到用户个性化PMV值的阶段。在这一阶段内，通过温度传感器、湿度传感器、风速传感器来分别采集室内的温度、相对湿度、和风速，用视频采集收集用户的衣着情况和运动状态。并用以上值计算出PMV值。当上述采集值数量十分庞大时，所计算出的PMV值也对应有很多。得到大量PMV值后，采用聚类的方法，得到用户最常设置的PMV值，即第一PMV值，将这个值输入到使用方法的算法结构中作为初始值；当所述第一PMV值发生变化时，即此时为第二PMV值，此时所述第二PMV值作为第一PMV值带入到使用方法的算法结构中作为初始值。
同时，通过湿度传感器、视频采集实时监测宝宝的状态，当宝宝踢被子了，那么衣着情况(服装热阻值)发生改变，此时实际的PMV值(第二PMV值)与所述第一PMV值发生了变化，所述第一PMV值不再适用于当前情况。便以此时第二PMV值为代入布谷鸟智能算法并通过系统的使用方法的算法结构进行计算，求出合适的温度与风速即第二温度和第二风速，进而控制空调按照计算出的温度和风速工作。
整个使用方法的算法结构工作阶段是不间断进行的，一旦发现任何变量改变，就重新计算PMV值得到第二PMV值，并与第一PMV值进行比较，两次结果不同，代入布谷鸟智能算法并通过系统的使用方法的算法结构进行计算，求解第二温度和第二输出风速。
移动端平台通过多种传感器采集数据，通过WiFi将数据发送至服务器端，若服务器端处于训练阶段，则利用接收到的数据计算相应PMV值，最终用聚类方法得到第一PMV值；若不处于训练阶段，则直接进入使用方法的算法结构中的使用阶段，通过接收到的数据计算得到第二PMV值，以所述第一PMV值作为设定值(对比标准)，若所述第二PMV值与第一PMV值不同，则通过使用方法的算法结构，求解第二温度与第二风速，并将计算结果发送至移动端平台。
移动端平台接收到数据后，将指令通过WiFi信号发送给空调，空调以第二温度和第二输出风速进行温度和风速的调整。
在本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于人工智能的宜居环境系统，其特征在于，包括采集模块、温控模块和处理模块；
所述采集模块包括温度采集模块、风速采集模块、湿度采集模块和视频采集模块；
所述温度采集模块用于实时采集环境内的第一温度，并发送至所述处理模块；
所述风速采集模块用于实时采集温控模块对环境的第一输出风速，并发送至所述处理模块；
所述湿度实时采集模块用于实时采集环境内的湿度，并发送至所述处理模块；
所述视频采集模块用于以机器学习的方式实时采集环境中人体衣着情况和运动状态，并发送至所述处理模块；
所述处理模块用于接收和储存所述采集模块实时采集到的第一温度、第一输出风速、湿度、人体衣着情况和运动状态；并根据第一温度、第一输出风速、湿度、人体衣着情况和运动状态计算得到第一PMV值；
当第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，所述处理模块还用于根据采集第一温度、第一输出风速、湿度或改变过后的人体衣着情况或运动状态计算得到第二PMV值，并判断所述第一PMV值与所述第二PMV值是否一致，在不一致的情况下，以第一PMV值以及改变过后的人体衣着情况或运动状态代入布谷鸟算法计算得到第二温度、第二输出风速，控制所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
所述温控模块用于根据所述处理模块的计算结果做出温度和输出风速的调节，能够获取环境中的温度、湿度、风速和人体活动状态以及衣着情况，通过聚类训练得到自己最适宜的PMV值，利用布谷鸟算法直接反推求得对应聚类结果的适宜温度和风速参数，使得温控模块直接控制输出对应温度与风速，既可以更加精准适应用户个体，获得更好的舒适体验，同时可以使得控制过程简单，降低调节过程中的功率消耗。
2.根据权利要求1中所述的一种基于人工智能的宜居环境系统，其特征在于，还包括若干个无线传输模块，所述无线传输模块用于发送和接收各个模块之间的信号。
3.根据权利要求1中所述的一种基于人工智能的宜居环境系统，其特征在于，所述温度采集模块包括若干个温度传感器；所述风速采集模块包括若干个风速传感器；所述湿度传感器包括若干个湿度传感器。
4.一种采用如权利要求1中所述系统的使用方法，其特征在于，包括以下两个阶段：
训练阶段：
步骤A：所述采集模块采集一定时间内环境的第一温度、湿度、所述温控模块对环境的第一输出风速、人体衣着情况和运动状态，以聚类的方法得到第一PMV值；
使用阶段：
步骤B：第一温度、湿度、第一输出风速、人体衣着情况或运动状态其中一个或多个变量改变，则所述处理模块根据第一温度、湿度、第一输出风速或改变过后的人体衣着情况或运动状态计算得到第二PMV值，若所述第二PMV值与所述第一PMV值不一致，则所述处理模块再将第一PMV值以及改变过后的人体衣着情况或运动状态代入布谷鸟算法计算得到第二温度、第二输出风速；所述温控模块进行以第二温度、第二输出风速对温度、输出风速的调节；
若所述第二PMV值与所述第一PMV值一致，则所述温控模块无响应。
5.根据权利要求4中所述系统的使用方法，其特征在于，步骤A中所述第一PMV值利用PMV方程计算得到。
6.根据权利要求4中所述系统的使用方法，其特征在于，步骤B中所述第二PMV值利用PMV方程计算得到。
7.根据权利要求4中所述系统的使用方法，其特征在于，步骤B中所述视频采集的方式为摄像头采集。
8.根据权利要求4中所述系统的使用方法，其特征在于，步骤B中，所述机器学习是指支持向量机算法或者神经网络算法。
CN201910870147.9A 2019-11-29 2019-11-29 一种基于人工智能的宜居环境系统及其使用方法 Expired - Fee Related CN110671795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910870147.9A CN110671795B (zh) 2019-11-29 2019-11-29 一种基于人工智能的宜居环境系统及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910870147.9A CN110671795B (zh) 2019-11-29 2019-11-29 一种基于人工智能的宜居环境系统及其使用方法

Publications (2)

Publication Number Publication Date
CN110671795A CN110671795A (zh) 2020-01-10
CN110671795B true CN110671795B (zh) 2020-12-11

Family

ID=69076959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910870147.9A Expired - Fee Related CN110671795B (zh) 2019-11-29 2019-11-29 一种基于人工智能的宜居环境系统及其使用方法

Country Status (1)

Country Link
CN (1) CN110671795B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495119A (zh) * 2020-03-18 2021-10-12 海信集团有限公司 智能终端及智能家居空气环境评估方法
CN112016007A (zh) * 2020-08-26 2020-12-01 饶志昌 基于物联网的城市跑步推荐系统、方法、装置及设备
CN112254304B (zh) * 2020-10-15 2022-07-05 青岛海尔空调器有限总公司 一种空调控制方法及系统
CN113569634B (zh) * 2021-06-18 2024-03-26 青岛海尔科技有限公司 场景特征的控制方法和装置、存储介质及电子装置
CN113819630B (zh) * 2021-09-13 2023-06-23 青岛海尔空调器有限总公司 用于控制空调的方法、装置及空调
CN116149199B (zh) * 2023-04-17 2023-07-14 深圳市多美达数码科技有限公司 一种智能家居设备控制方法、智能网关及智能设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106369766A (zh) * 2016-10-31 2017-02-01 广州华凌制冷设备有限公司 空调运行参数的调节方法、调节装置和终端

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02242037A (ja) * 1989-03-14 1990-09-26 Mitsubishi Electric Corp 空調システム制御装置
CN104344501B (zh) * 2013-08-29 2019-07-23 海尔集团公司 一种空调器及其控制方法
CN103940043A (zh) * 2014-04-17 2014-07-23 美的集团股份有限公司 空调器的舒适性控制方法及装置
CN104833063B (zh) * 2015-06-04 2017-12-01 安徽建筑大学 一种空调控制方法及系统
CN106960212A (zh) * 2016-12-24 2017-07-18 浙江工业大学 一种车内环境热舒适度的评价方法
CN107917507B (zh) * 2017-11-14 2020-05-12 西安建筑科技大学 一种融合图像信息的集中空调热舒适度pmv控制方法
CN109084420B (zh) * 2018-07-28 2019-11-12 珠海格力电器股份有限公司 一种空调的控制方法、装置、存储介质及空调

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106369766A (zh) * 2016-10-31 2017-02-01 广州华凌制冷设备有限公司 空调运行参数的调节方法、调节装置和终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fanger PMV 热舒适模型发展过程及适用性分析;黑赏罡等;《低温建筑技术》;20171031;第39卷(第10期);第557-561页 *
基于PMV模型和FCM算法的车内热舒适评估方法;郭海锋等;《浙江工业大学学报》;20171031;第45卷(第5期);第125-128页 *
基于PMV的室内环境智能系统设计;刘庆;《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》;20170815(第8期);C038-233 *

Also Published As

Publication number Publication date
CN110671795A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN110671795B (zh) 一种基于人工智能的宜居环境系统及其使用方法
Zhao et al. Thermal comfort models and their developments: A review
CN111720963B (zh) 一种睡眠环境下的空气调节方法、装置及电子设备
CN110454930A (zh) 一种基于人体最佳热舒适度估算的空调控制方法与装置
CN110377936B (zh) 一种智能建筑人员个性化热舒适度动态感知的系统及方法
Holopainen A human thermal model for improved thermal comfort
CN104033988B (zh) 空调控制系统及其控制方法
CN106123206A (zh) 一种调整环境热度的方法和系统
Tokunaga et al. Human-body exergy balance calculation under un-steady state conditions
Streblow Thermal sensation and comfort model for inhomogeneous indoor environments
CN112254287B (zh) 变权重多模型综合预测中央空调末端送风控制方法
CN112032970B (zh) 一种基于体表温度监测的智能空调调控方法
CN108489014A (zh) 一种室内环境智能化动态控制系统及其控制方法
Nicol Temperature and sleep
CN114491930A (zh) 一种运动着装人体热生理仿真方法
Xu et al. A heat transfer model for sleep quality evaluation
CN112097378A (zh) 一种基于前馈型神经网络的空调舒适度调节方法
WO2020000553A1 (zh) 空气调节设备及其控制方法和装置
Bingxin et al. Experimental design and the GA-BP prediction of human thermal comfort index
CN208398335U (zh) 一种室内环境智能化动态控制系统
Ishiguro et al. Indoor climate for comfortable sleep, considering heat and moisture transfer between the room, bedding and human body: air control system using a predictive model for thermal comfort
Garcia-Souto Temperature and comfort monitoring systems for humans
Rodríguez-Alabarce et al. Thermal comfort estimation using a neurocomputational model
Berger Thermal comfort
WO2024004465A1 (ja) 環境制御システム、環境調整システム、環境制御方法、及びプログラム

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201211

Termination date: 20211129

CF01 Termination of patent right due to non-payment of annual fee