CN116910482B - 预测羽绒服防寒温度的方法及其系统 - Google Patents
预测羽绒服防寒温度的方法及其系统 Download PDFInfo
- Publication number
- CN116910482B CN116910482B CN202311003181.9A CN202311003181A CN116910482B CN 116910482 B CN116910482 B CN 116910482B CN 202311003181 A CN202311003181 A CN 202311003181A CN 116910482 B CN116910482 B CN 116910482B
- Authority
- CN
- China
- Prior art keywords
- thermal resistance
- down jacket
- model
- wind speed
- garment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 238000012937 correction Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- AIXMJTYHQHQJLU-UHFFFAOYSA-N chembl210858 Chemical compound O1C(CC(=O)OC)CC(C=2C=CC(O)=CC=2)=N1 AIXMJTYHQHQJLU-UHFFFAOYSA-N 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 230000035807 sensation Effects 0.000 description 41
- 238000011156 evaluation Methods 0.000 description 30
- 238000002474 experimental method Methods 0.000 description 15
- 210000002683 foot Anatomy 0.000 description 15
- 230000037323 metabolic rate Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000001174 ascending effect Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 101001042415 Cratylia mollis Mannose/glucose-specific lectin Cramoll Proteins 0.000 description 6
- 102100029775 Eukaryotic translation initiation factor 1 Human genes 0.000 description 6
- 101001012787 Homo sapiens Eukaryotic translation initiation factor 1 Proteins 0.000 description 6
- 101000643378 Homo sapiens Serine racemase Proteins 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 230000004060 metabolic process Effects 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 210000003371 toe Anatomy 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000000613 ear canal Anatomy 0.000 description 5
- 230000008020 evaporation Effects 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 238000005338 heat storage Methods 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- -1 ISO2 Chemical compound 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Professional, Industrial, Or Sporting Protective Garments (AREA)
Abstract
本发明公开一种预测羽绒服防寒温度的方法及其系统,其中所述方法包括:获取羽绒服特征参数,根据所述羽绒服特征参数进行模型训练构建羽绒服有效热阻预测模型;根据所述羽绒服热阻预测模型得到羽绒服的有效热阻;根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签。通过本发明能够对羽绒服的环境适应性进行量化。
Description
技术领域
本发明涉及服装防寒保暖性能的评价技术,尤其涉及一种预测羽绒服防寒温度的方法及其系统。
背景技术
冷环境中,防寒服能阻隔人体与环境的热量传递,为维持人体热舒适发挥重要作用。羽绒服作为寒冷冬季良好的御寒服装,准确评估其保暖性能以及环境适应能力,有助于生产商与消费者合理选择御寒服装。表征服装的保暖性和环境适应性常用热阻和温度标签两个指标,但现有的服装热阻获取方法依赖于实验室的暖体假人设备,无法有效量化羽绒服装的保暖性和环境适应性。
发明内容
本发明的主要目的在于提供一种预测羽绒服防寒温度的方法及其系统,以解决无法有效表征羽绒服的保暖性和环境适应性的问题。
根据本发明实施例提出一种预测羽绒服防寒温度的方法,其包括:获取羽绒服特征参数,根据所述羽绒服特征参数进行模型训练构建羽绒服有效热阻预测模型;根据所述羽绒服热阻预测模型得到羽绒服的有效热阻;根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签。
其中,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
其中,在获取羽绒服特征参数的步骤中还包括:获取羽绒服有效热阻参数;所述根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型,包括:将充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,将羽绒服有效热阻参数作为输出参数,使用高斯过程回归中的指数GPR算法进行模型训练,构建所述羽绒服有效热阻预测模型。
其中,所述根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型,包括:将所述羽绒服特征参数中的大部分数据作为训练集进行模型训练,将所述羽绒服特征参数中剩余的数据作为验证集对模型的准确性进行验证。
其中,所述方法还包括:根据环境风速参数和服装热阻范围选择对应的热阻修正模型,并根据对应的热阻修正模型得到羽绒服修正热阻,使用所述羽绒服修正热阻对所述羽绒服的有效热阻进行修正。
根据本发明实施例还提出一种预测羽绒服防寒温度的系统,其包括:特征参数获取模块,用于获取羽绒服特征参数;羽绒服热阻预测模型构建模块,用于根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型;有效热阻计算模块,用于根据所述羽绒服热阻预测模型得到羽绒服的有效热阻;热阻修正模块,用于根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签。
其中,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
其中,所述系统还包括:有效热阻参数获取模块,用于获取羽绒服有效热阻参数;所述羽绒服热阻预测模型构建模块,还用于:将充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,将羽绒服有效热阻参数作为输出参数,使用高斯过程回归中的指数GPR算法进行模型训练,构建所述羽绒服有效热阻预测模型。
其中,所述羽绒服热阻预测模型构建模块进一步用于:将所述羽绒服特征参数中的大部分数据作为训练集进行模型训练,将所述羽绒服特征参数中剩余的数据作为验证集对模型的准确性进行验证。
其中,所述热阻修正模块进一步用于:根据环境风速参数和服装热阻范围选择对应的热阻修正模型,并根据对应的热阻修正模型得到羽绒服修正热阻,使用所述羽绒服修正热阻对所述羽绒服的有效热阻进行修正。
根据本发明的技术方案,通过羽绒服的特征参数构建羽绒服热阻预测模型,得到羽绒服的有效热阻,并结合环境参数和人体运动速度参数对羽绒服的有效热阻进行修正,从而得到羽绒服防寒温度标签,通过本发明能够对羽绒服的环境适应性进行量化。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是根据本发明实施例的方法的流程图;
图2是根据本发明实施例的热感觉评价标尺的示意图;
图3是根据本发明实施例的热舒适评价标尺的示意图;
图4是根据本发明实施例的实验步骤的示意图;
图5是根据本发明实施例的耳道温度的示意图;
图6是根据本发明实施例的平均皮肤温度的示意图;
图7是根据本发明实施例的局部皮肤温度的示意图;
图8是根据本发明实施例的心率的示意图;
图9是根据本发明实施例的整体热感觉的示意图;
图10是根据本发明实施例的局部热感觉的示意图;
图11是根据本发明实施例的整体热舒适评分的示意图;
图12是根据本发明实施例的局部热舒适的示意图;
图13是根据本发明实施例的系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例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。
以下结合附图,详细说明本发明各实施例提供的技术方案。
根据本发明实施例提供了一种预测羽绒服防寒温度的方法,如图1所示,该方法包括以下步骤:
步骤S102,获取羽绒服特征参数,根据所述羽绒服特征参数进行模型训练构建羽绒服有效热阻预测模型;其中,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
步骤S104,根据所述羽绒服热阻预测模型得到羽绒服的有效热阻;
步骤S106,根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签。
下面详细描述上述各步骤的细节。
首先,需要获取建模所需的数据集。数据集的来源可以通过实际测量获得或者通过现有的公开数据获取。在本申请的实施例中,通过实际测量得到33组羽绒服热阻数据(数据编号#8~#40),并通过公开数据得到7组数据(数据编号#1~#7)。这些数据源中包含羽绒服的围度、长度、充绒量等基本信息,并采用暖体假人测试得到了服装的热阻值(clo)。最终得到的40组数据集的信息如表1所示,选择其中36组数据用于模型构建,选择4组数据用于模型验证。
表1数据集的基本信息
接下来,选择合适的建模方法。以充绒量、胸围差、腰围差、臀围差,衣长为输入参数,羽绒服的有效热阻为输出参数,使用SPSS和MATLAB回归学习器根据36组数据构建回归模型。其中,所述羽绒服的有效热阻就是不包括内搭服装的羽绒服的(实际)热阻。上述的胸围差、腰围差、臀围差的计算如下公式所示:
ΔX胸围差=X羽绒服-X测试假人 (1)
ΔY腰围差=Y羽绒服-Y测试假人 (2)
ΔZ臀围差=Z羽绒服-Z测试假人 (3)
其中,X羽绒服、Y羽绒服、Z羽绒服分别表示羽绒服的胸、腰、臀围度;X测试假人、Y测试假人、Z测试假人分别表示测试假人的胸、腰、臀围度。
(1)SPSS多元线性回归。
使用SPSS多元线性回归进行模型构建,由于输出参数和输出参数相差1~2个数量级,会使得回归模型系数相对较小,不便于观察分析,因此决定将输入参数数值缩小为原始值的1/100构建回归模型。以充绒量、胸围差、腰围差、臀围差和衣长5个参数为自变量,羽绒服的有效热阻为因变量,采用输入方式进行回归,获得的回归模型如表2所示。由表2可知,模型调整之后的决定系数R2为0.935,构建的模型较好,表中F值为101.10,数值相对较大,模型的拟合回归效果相对较好,但是臀围差变量显著性数值P=0.445>0.05,此自变量对因变量的影响不显著;共线性统计中,臀围差变量的容差为0.061<0.1,且VIF=16.528>5,胸围差变量的容差为0.081<0.1,且VIF=12.355>5,说明这两个变量存在多重共线性。所建立的多元线性回归方程如公式(4)所示。
表2多元回归模型信息表
y=-0.638+0.081×CRL+0.633×XWC+0.041×YWC+0.170×TWC+1.119×YC (4)
其中,CRL为充绒量(单位g/m2/100),XWC为胸围差(单位m),YWC为腰围差(单位m),TWC为臀围差(单位m),YC为衣长(单位m)。
(2)MATLAB机器学习回归模型。
选择适合小样本数据处理的线性回归模型、支持向量机、高斯过程回归三种模型,以充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,羽绒服的有效热阻为响应参数,使用MATLAB回归学习器进行数据训练构建模型。对比各种模型的决定系数(R2)、均方根误差(RMSE),筛选出较优的算法模型,整理结果如表3所示。
表3 MATLAB回归学习器训练模型结果
对比不同模型之间的决定系数和训练模型均方根误差,结果显示高斯过程回归中的指数GPR算法模型最优,其中R2为0.95,均方根误差(RMSE)为0.0466。
下面对模型进行验证。使用预留的4组验证数据对模型的预测准确性进行验证,并计算验证数据预测值与实测值之间的均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE,综合考虑进行最终预测模型的选择。表4所示为应用MATLAB机器学习模型,计算的预测值与实测值的各项指标,从中可知,对于验证数据的三个评价指标,指数GPR模型均小于其他模型,显示出更优的效果;逐步线性模型的三个指标最大,其中平均绝对百分比误差为12.76%,远高于其他的5个模型算法。因此,指数GPR模型的效果最好。
表4 Matlab机器学习预测值与实测值的误差汇总表
进一步,对比SPSS多元线性回归模型和MATLBA指数GPR算法模型,结果如表5所示。从中可看出,指数GPR模型拟合优度(R2)略优于SPSS多元线性回归模型;均方根误差(RMSE)、平均绝误差(MAE)、平均绝对百分比误差(MAPE)作为衡量预测数据与实测数据误差的评价指标,均小于SPSS多元线性回归模型。
表5 SPSS与Matlab训练模型的对比表
综上所述,以充绒量、胸围差、腰围差、臀围差、衣长为输入参数,使用MATLAB软件构建的指数GPR算法模型最优,因此本申请将该算法作为羽绒服热阻的预测模型。
下面详细描述使用羽绒服热阻预测模型预测羽绒服有效热阻的具体过程。为计算服装组合热阻,首先需要使用指数GPR算法模型进行羽绒服有效热阻的预测。依靠MATLAB的编程环境,在MATLAB APP设计工具中实现对模型函数的调用,计算得到羽绒服有效热阻值,具体实现方式如下:
(1)模型输入参数获取:获得充绒量、胸围差、腰围差、臀围差、衣长等参数数据;
(2)模型输入参数格式转化:使用array2table函数将输入数据转化成指数GPR模型所需要的形式;
(3)模型训练数据读取:使用readtable函数读取指数GPR模型训练时的输入参数原数据、输出参数原数据;
(4)模型结构体生成:使用生成的指数GPR函数对readtable函数读取的输入、输出数据进行训练,构建模型结构体;
(5)模型预测结果输出:使用生成的模型结构体对输入参数数据进行预测,获得预测结果,即羽绒服有效热阻值,完成整个模型调用并得到预测结果。
在得到羽绒服的有效热阻后,需要结合实际应用环境对该有效热阻进行修正。首先,需要构建多风速条件下热阻修正模型。
一、选择修正模型。
在实际着装环境中,人体的运动速度以及环境风速的变化,会对服装热阻产生影响,为计算实际着装下的防寒温度标签,需对热阻进行修正。下面通过一系列热阻修正公式,来分析实际着装状态下服装的隔热性能,汇总这些模型信息如表6所示。其中,模型ISO1和ISO2是文献“BS EN ISO 9920.Ergonomics of the thermal environment—Estimationof the thermal insulation and evaporative[S].International Organisation forStandardisation,2009”中的模型。LU1和LU2是文献“Lu Y,Wang F,Wan X,et al.Clothingresultant thermal insulation determined on a movable thermal manikin.Part I:effects of wind and body movement on total insulation[J].InternationalJournal of Biometeorology,2015,59(10):1475–1486.”中的模型。
表6热阻修正模型汇总
在表6中,It表示服装组合总热阻,var表示相对风速,vw表示步行速度,p表示服装透气性。
从表6中可以发现针对部分热阻范围和相对风速范围,存在两个或者两个以上修正模型可以适用,所以需要进一步对修正模型进行选择。使用本申请的实测数据对模型预测准确性进行验证,对比实测值与预测值,选出预测准确性较高的模型,模型对比结果汇总如表7。
表7 ISO1、ISO2与LU2模型预测结果
由表7可知,在风速范围为0.4<Var≤1m/s时,相较于LU1、ISO2模型,LU2模型的评价指标数值最低,其次是ISO2模型,LU2模型显示出相对较高的预测准确性,因此在此风速范围内,选择LU2模型。
风速范围为1<Var≤5.2m/s时,LU1模型的评价指标明显高于其他两个模型,LU2模型评价指标数值最小,因此,在此风速范围内,选择LU2模型。
综合比较各模型的适用范围及预测准确性,最终得到本申请在各热阻范围和相对风速范围下,所适用的热阻修正模型,如表8所示。
表8热阻修正模型
二、构建热阻修正模型。
根据相对风速、服装热阻范围选择热阻修正模型,具体如下:
1、若相对风速var<0.15m/s,修正热阻Itr计算方法如下:
Itr=It (5)
2、若相对风速Var>5.2m/s,修正热阻Itr计算方法如下:
Itr=exp×((-0.0512×(var-0.4)+0.794×10-3×(Var-0.4)2-0.0639×Vw)×p0.144)×It (6)
其中,Var表示相对风速,Vw表示步行速度,Itr表示修正热阻,It表示静态热阻,p表示羽绒服的透气率,取8L·m-2·s。
3、若相对风速0.15m/s<Var<5.2m/s,存在多个满足条件的模型,需要进一步根据热阻It进行判断。
(1)当服装组合总热阻0.9clo<It<2.3clo,相对风速0.15m/s<Var<5.2m/s,修正热阻Itr计算方法如下:
Itr=exp×((-0.224×(Var-0.15)+0.0234×(Var-0.15)2-0.0641×Vw)+0.0548×Vw 2)×It (7)
(2)当服装组合总热阻为2clo<It<2.3clo,相对风速0.15m/s<Var<1m/s,使用实测数据,对比分析ISO2和LU2的模型,结果显示LU2模型预测准确性更高;当服装组合总热阻为2clo<It<2.3clo,相对风速1m/s<Var<5.2m/s,使用实测数据,对比分析ISO1和LU2的模型,结果显示LU2模型预测准确性更高,则修正热阻Itr计算方法如下:
Itr=exp×((-0.224×(Var-0.15)+0.0234×(Var-0.15)2-0.0641×Vw)+0.0548×Vw 2)×It (8)
(3)当服装组合总热阻2.3clo<It<3.2clo,相对风速0.15m/s<Var<0.4m/s,修正热阻Itr计算方法如下:
Itr=It (9)
(4)当服装组合总热阻2.3clo<It<3.2clo,相对风速0.4m/s<Var<1m/s,修正热阻Itr计算方法如下:
Itr=exp×((-0.0881×(Var-0.4)+0.0779×(Var-0.4)2-0.0317×Vw)×p0.2648)×It (10)
(5)当服装组合总热阻2.3clo<It<3.2clo,相对风速1m/s<Var<5.2m/s,修正热阻Itr计算方法如下:
Itr=exp×((-0.0512×(Var-0.4)+0.794×10-3×(Var-0.4)2-0.0639×Vw)×p0.144)×It (11)
(6)当热阻It>3.2clo,相对风速0.4<Var≤5.2m/s时,ISO1、ISO2、LU1、LU2四个模型均可适用。当It>2clo,风速较小时,相较于ISO1,ISO2的预测效果较好。因此,当0.4<Var≤1m/s,对比ISO2模型与LU1、LU2模型的预测效果;当1<Var≤5.2m/s,对比ISO1模型与LU1、LU2模型的预测效果,从而选出此热阻范围内不同相对风速下,预测准确性较高的模型。使用实测数据,分别对比模型的预测效果,结果显示当热阻It>3.2clo,相对风速0.4<Var≤5.2m/s、相对风速1<Var≤5.2m/s时,LU2的模型预测准确性较好。因此,当热阻It>3.2clo,相对风速0.4<Var≤5.2m/s时,修正热阻Itr计算方法如下:
Itr=exp×((-0.224×(Var-0.15)+0.0234×(Var-0.15)2-0.0641×Vw)+0.0548×Vw 2)×It (12)
接下来,构建羽绒服防寒温度标签的预测模型。
温度标签模型基于热平衡方程推导获得,热平衡方程如下:
M=Eres+Cres+E+K+R+C+S (13)
其中,M为单位表面积人体产生的代谢能量(单位为W/m2),Eres为呼吸蒸发热损失(单位为W/m2),Cres为呼吸对流热损失(单位为W/m2),E为皮肤蒸发热交换(单位为W/m2),K为传导热交换(单位为W/m2),R为辐射热交换(单位为W/m2),C为对流热交换(单位为W/m2),S为人体储热率(单位为W/m2)。
皮肤蒸发热交换E:
E=w×(Psks-Pa)/Ret (14)
其中,w为皮肤湿度;Psks为皮肤温度下的饱和蒸气压(单位为kPa),Pa为水蒸气分压(单位为kPa),Ret为服装和边界空气层的总蒸发阻力(单位为m2·kPa/W)。
w、Psks、Pa、Ret的计算公式如下公式所示:
w=0.06 (15)
Psks=0.1333×exp(18.6686-4030.183/(Tsk+235) (16)
Tsk=33.34-0.0354×M (18)
fcl=1+1.97×Iclr (20)
Iar=0.092×exp(-0.15×va-0.22×vw)-0.0045 (21)
其中,Tsk表示皮肤平均温度(单位为℃),RH为相对湿度,TR为环境温度(单位为℃);im为透湿指数,此处可取0.38;fcl为服装面积因子;Iar为修正后的服装表面空气层热阻(单位为m2·℃/W);va为环境风速(单位为m/s);vw为运动速度(单位为m/s);Iclr为修正后的服装基本热阻(单位为m2·℃/W)。
其中,Itr可以通过热阻修正模型计算得到,带入修正热阻Itr可得到Iclr和fcl。
呼吸蒸发热损失Eres:
Eres=0.0173×M×(Pex-Pa) (23)
Pex=0.1333×exp(18.6686-4030.183/(tex+235)) (24)
tex=29+0.2×TR (25)
其中,Pex为呼出的空气蒸汽压(单位为kPa),tex为呼出的空气温度(单位为℃)。
呼吸对流热损失Cres:
Cres=0.0014×M×(tex-TR) (26)
传导热交换K:传导热交换与身体表面直接接触的面积有关,其值大多都很小,可以用对流热交换和辐射热交换的表达式来解释。
辐射热交换R:
R=fcl×hr×(Tcl-TR) (27)
其中,hr为辐射热交换系数,可以通过公式(28)进行计算;εcl为服装发射率,较低温度下可取0.97;为皮肤参与辐射热交换的比例,站立状态下可取0.77;Tcl为服装表面温度;TR为辐射温度,可等于环境温度。
人体储热率S:热平衡状态下可以认为人体储热率为0。
通过结合公式(13)-(28)并带入修正热阻Itr、环境风速va、运动速度vw,采用非线性求解的方式计算结果,得到TR值即为服装防寒温度标签。其中,环境风速及运动速度可由用户输入,修正热阻通过用户输入羽绒服特征参数后计算得到。
下面对防寒温度标签预测模型进行验证。为验证防寒温度标签预测模型的准确性,采用实验室着装人体方法进入人工气候舱中进行实验验证,通过分析受试者的客观生理数据、主观评价数据对防寒温度标签的可适应性进行评价。
实验选择了8名健康女性受试者,平均年龄为19.75±1岁,身高162.5±2.40cm,体重53.45±2.52kg,胸围为84.56±3.69cm,腰围68.04±2.60cm,臀围为92.28±4.76cm;BMI指数为20.24±0.86,BMI指数符合标准范围:18.5~23.9。
使用防寒服装组合包括内搭服装组合和羽绒服装。内搭服装包括但不限于以下之一或其组合:保暖内衣、保暖裤、针织帽、手套、袜子、鞋子,总热阻为0.9clo,羽绒服的基本信息参数如表9所示。
表9实验用羽绒服的参数信息
充绒量(g/m2 | 胸围(cm) | 腰围(cm) | 臀围(cm) | 衣长(cm) |
110 | 128 | 138 | 148 | 100.5 |
环境温度的选择根据本申请实施例的羽绒服防寒温度标签的预测模型进行计算,模拟人体中高代谢率(3Met)水平下,环境风速1.1m/s,相对湿度50%时,模型计算得到的防寒温度数值为2.1℃。因此若在此环境温度下,受试者感觉舒适,则说明模型的预测准确性较好,表10为本实验条件下防寒温度预测模型的计算结果。实验中运动速度可参考标准ISO7933中代谢率与运动速度的关系来确定,经计算代谢率3Met时,人体运动速度为1.2m/s。
表10防寒温度标签的计算结果
实验的评价指标包括客观生理指标和主观评价指标,其中客观生理指标包括:
1、心率
心率是单位时间心脏跳动的次数,它是表征身体生理状况的一个重要指标特征。在中高代谢率(3Met)实验中使用Polar心率带(采样频率1次/s)测量并记录实验过程中的心率。
2、核心温度
核心温度是生命特征之一,它的稳定是人体生理反应正常运行的必要条件之一。本申请中使用耳道温度来表征人体核心温度,使用耳温枪(Braun,德国,精度0.1℃),每5分钟测量并记录受试者的耳道温度。
3、皮肤温度
本申请为了解实验环境条件下穿着羽绒服时的生理反应,将人体皮肤温度作为客观生理指标,依据ISO 9886-2004《人体工效学热疲劳的生理测量评价》,使用iButton温湿度传感器测量8个身体部位的局部皮肤温度,并根据如下公式(29)计算平均皮肤温度。除此之外,实验还增加了对身体末端局部皮肤温度的测量,使用温度传感器测量左手中指和右脚脚趾的局部皮肤温度。
Tsk=0.07×T1+0.175×T2+0.175×T3+0.07×T4+0.07×T5+0.05×T6+0.19×T7+0.2×T8 (29)
其中,T1、T2、T3、T4、T5、T6、T7、T8分别为前额、右肩胛骨、左前胸、右前上臂、左前小臂、左手、右前大腿、左小腿的局部皮肤温度。
主观评价指标包括热感觉评价和热舒适评价,热感觉评价包括整体热感觉评价、局部热感觉评价,热舒适评价包括整体热舒适评价、局部热舒适评价。本申请选定了躯干、手部和足部3个部位分别进行局部热感觉评价和局部热舒适评价,评价标尺如图2和图3所示。
具体的实验步骤包括:
(1)受试者进入气候室准备舱,期间需向受试者阐明基本实验流程、实验要求等内容,并指导受试者练习主观评价量表的使用。
(2)设定气候舱环境温度为2℃、相对湿度为50%、平均风速<0.4m/s;打开风扇组,调节风扇组频率,使其能模拟1.1m/s的环境风速,等待环境舱内各参数稳定。
(3)在受试者的八个身体部位、中指指尖、中脚趾分别粘贴iButton传感器,受试者穿戴好实验服装,静坐休息。
(4)参考图4,受试者进入模拟舱,记录实验开始时间T1,受试者在环境舱中使用跑步机以2km/h的速度运动10min后,将跑步机的速度调整为4.3km/h进行中高代谢率运动,期间每5min询问一次进行主观评价,并测量耳道温度,直至运动60min完成整个实验,记录实验停止时间T2,受试者身体无不适后离开环境舱,完成实验。
下面从客观生理指标和主观评价指标两方面评价实验结果。
参考图5,实验过程中对受试者耳道温度进行测量,由图可知,整个实验过程中,耳道温度变化值小于0.3℃。在10min后人体进行中高代谢水平运动时,耳道温度呈现波动状态,温度在36.1℃~36.2℃之间,并未有明显下降趋势,人体的核心温度保持稳定。
参考图6,对8个身体部位的局部皮肤温度进行计算获得平均皮肤温度。根据标准ISO 11079中给出低生理应变、高生理应变情况下,与代谢率有关的平均皮肤温度计算公式,得到人体在中高代谢率(3Met)时,低生理应变平均皮肤温度为30.72℃,高生理应变平均皮肤温度为27.16℃。由图6可知,随着时间的增加,人体的平均皮肤温度呈现下降趋势,其中0~10min阶段下降幅度最大,10min后开始以4.3km/h进行中高代谢运动时,平均皮肤温度呈现先较大幅度下降后基本不变的趋势,20min后平均皮肤温度基本保持不变,维持在27.5℃;整个实验过程中平均皮肤温度值高于低生理应变皮肤温度,没有始终保持“热中性”状态,但始终高于高生理应变平均皮肤温度参考值,说明此过程总人体并未明显感觉到冷。
参考图7,实验中测量了身体末端手指、脚趾的局部温度。ISO11079标准中给出了低生理应变、高生理应变时手指的温度参考值,其值分别为24℃、15℃。从图7可知,实验过程中随着时间的增加,人体的手指温度、脚趾温度呈现先下降后上升的趋势,0~10min人体适应环境阶段,手指、脚趾温度不断下降,10min人体以4.3km/h的运动速度进行中高代谢率运动,手指温度、脚趾温度呈现上升趋势。由于鞋的保护以及踏步运动促进下肢血液循环,脚趾温度明显高于手指温度。20~60min内,手指温度在热中性温度24℃附近,且在50min后,手指温度高于24℃,手指达到热中性状态;手指温度并未一致保持在热中性状态,其原因可能在于适应阶段使得手指温度下降,在服装保暖性足够的前提下,手指温度的恢复需要一定时间,所以在10~40min内手指温度呈现上升趋势,但是仍低于24℃。整个实验过程中,手指温度明显高于高生理应变的参考温度15℃,说明手并没有明显的凉感,服装提供了手部足够的保暖。
参考图8,实验过程中对受试者的心率数据进行测量并记录。从图8可知,0~10min环境适应阶段,心率明显较低;高代谢率(3Met)运动阶段,心率呈现相对稳定的波动变化,平均心率为104.66。
图9示出了受试者穿着实验羽绒服进行的整体热感觉主观评价结果。由图9可知,气候舱环境温度为2℃,环境风速为1.1m/s,人体处于中高代谢水平(3Met)时,受试者的初始热感觉评分在0.4左右,说明在进入冷环境时能感受到凉感;0~10min期间,整体热感觉呈现先下降后下上升的趋势,且热感觉评分在-0.7~-0.4范围内,说明在环境适应阶段随着人体运动和对冷环境的适应性提高,人体凉感一定程度缓解,热感觉评分在5min后呈现上升趋势;当人体以4.3km/h进行运动后,随着时间增加,整体热感觉呈现上升趋势,15~30min期间,热感觉评分在-0.3~0,略低于0,人体没有明显凉感;在35min后基本稳定,热感觉评分在0~0.2范围内;此结果显示人体处于中高代谢率(3Met)水平,整体热感觉能维持在中性状态,说明实验服装能在该环境条件下可以提供足够的保暖能力,服装的温度标签值接近环境温度值。
图10示出了局部热感觉与整体热感觉的关系。统计手部、足部的热感觉数据,手部、足部局部热感觉同样呈现先下降后上升的趋势,此趋势与整体热感觉和躯干局部热感觉变化趋势保持一致。初进入冷环境,手部、足部热感评分均在-0.1左右。中高代谢率(3Met)阶段,手部、足部热感觉在0附近波动。30min后,手部、足部热感觉大于0并呈现增加的趋势,最终手部、足部热感觉在0~0.4范围内波动,说明中高代谢(3Met)整个过程中手部、足部的局部热感觉在舒适范围波动。
足部、脚部的局部热感觉评分结果说明,二个部位的热感觉均在舒适范围内波动;局部热感觉与整体热感觉具有相似的变化趋势,显示局部热感觉与整体热感觉的关联性;足部热感觉高于手部热感觉评分,原因在于步行运动促进下肢血液循环,使得下肢有更好的产热。
图11示出了受试者穿着实验服装进行的整体热舒适主观评价结果。由图11可知,随着时间的增加,整体热舒适呈现先上升后下降的变化趋势;以2km/h进行运动的环境适应阶段0~10min,整体热舒适呈现先上升后下降的趋势,热舒适范围为0.3~0.5,人体仅有略微不舒适,不适感较小;以4.3km/h进行运动的中高代谢(3Met)阶段,整体热舒适呈现持续下降趋势,舒适感评分范围为0.1~0.4,说明此过程中人体仅有略微不舒适且不适感越来越弱;此变化趋势与整体热感觉呈现较好的一致性,当人体热感觉呈现上升且逐渐稳定状态,人体着装不适感减弱。
图12示出局部热舒适对整体热舒适的影响,对手部、足部的局部热舒适数据进行了整理,结果如图12所示。可知,手部、足部初始热舒适评分在0.2左右,两者均呈现下降趋势。足部、手部的热舒适评分范围分别为0~0.4、0~0.5,两部位的舒适感评分均较小,手部不适感略大于足部,且随着时间的增加,逐渐降低,不适感缓解;当55min时,两者舒适感评分为0,均处于舒适状态。对比局部热舒适评价结果,三者的变化趋势具有很好的一致性,且在50min处评分均为0;整体、局部舒适感评分在舒适和稍微不舒适之间,且呈现下降趋势,不适感逐渐减弱。
综合客观生理指标、热感觉、热舒适评价结果,人体的皮肤温度、热感觉、热舒适均在在中性范围内波动,说明实验服装提供了足够的保暖性,也说明使用“羽绒服特征参数的防寒温度预测模型”较准确的预测了实验羽绒服所适用的环境温度条件。本申请所建立的羽绒服热阻预测模型,选择了充绒量、胸围差、腰围差、臀围差、衣长等设计参数与羽绒服热阻建立关系模型。
参考图13,根据本申请实施例的预测羽绒服防寒温度的系统,其包括:
特征参数获取模块131,用于获取羽绒服特征参数;其中,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
羽绒服热阻预测模型构建模块132,用于根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型。
有效热阻计算模块133,用于根据所述羽绒服热阻预测模型得到羽绒服的有效热阻。
热阻修正模块134,用于根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服防寒温度标签。
进一步,所述系统还包括:有效热阻参数获取模块,用于获取羽绒服有效热阻参数;所述羽绒服热阻预测模型构建模块132还用于:将充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,将羽绒服有效热阻参数作为输出参数,使用高斯过程回归中的指数GPR算法进行模型训练,构建所述羽绒服有效热阻预测模型。
进一步,所述羽绒服热阻预测模型构建模块132还用于:将所述羽绒服特征参数中的大部分数据作为训练集进行模型训练,将所述羽绒服特征参数中剩余的数据作为验证集对模型的准确性进行验证。
进一步,所述热阻修正模块134用于:根据环境风速参数和服装热阻范围选择对应的热阻修正模型,并根据对应的热阻修正模型得到羽绒服修正热阻,使用所述羽绒服修正热阻对所述羽绒服的有效热阻进行修正。
本发明的方法的操作步骤与系统的结构特征对应,可以相互参照,不再一一赘述。
尽管已经参考本申请的特定实施例详细地描述本公开,但是本领域技术人员将理解,在不脱离实施例的精神和范围的情况下可以在其中进行各种改变和修改。因此,本申请旨在覆盖本申请的修改和变化,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求以及其等效物的范围之内。
此外,在以上描述或权利要求书或附图中公开、以其特定形式或根据用于执行所公开功能的方式或用于获得所公开结果的方法或过程表达的特征视情况可以单独地或以这些特征的任何组合来用于以它们的不同形式实现本申请。具体来说,本申请所描述的任一个实施例的一个或多个特征可以与本申请所描述的任何其它实施例的一个或多个特征组合。
还可以为结合本申请引用和/或通过引用合并的任何一个或多个公开文件中公开的任何特征寻求保护。
Claims (8)
1.一种预测羽绒服防寒温度的方法,其特征在于,包括:
获取羽绒服特征参数,根据所述羽绒服特征参数进行模型训练构建羽绒服有效热阻预测模型;
根据所述羽绒服有效热阻预测模型得到羽绒服的有效热阻;
根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签;
其中,根据相对风速参数和服装热阻范围选择对应的热阻修正模型,并根据对应的热阻修正模型得到羽绒服修正热阻,使用所述羽绒服修正热阻对所述羽绒服的有效热阻进行修正;其中:
若相对风速大于0.15 m/s且小于5.2 m/s,服装热阻范围大于0.9 clo且小于2.3 clo,选择使用LU 2模型得到羽绒服修正热阻;LU 2模型的方程为: 若相对风速大于0.4 m/s且小于1.0 m/s,服装热阻范围大于2.3 clo且小于3.2 clo,选择使用ISO2模型得到羽绒服修正热阻;ISO 2模型的方程为: 若相对风速大于1.0 m/s且小于5.2 m/s,服装热阻范围大于2.3 clo且小于3.2 clo,选择使用ISO1模型得到羽绒服修正热阻;ISO 1模型的方程为: 若相对风速大于0.15 m/s且小于5.2 m/s,服装热阻范围大于3.2 clo,选择使用LU 2模型得到羽绒服修正热阻;
若相对风速大于5.2 m/s,选择使用ISO 1模型得到羽绒服修正热阻;
其中,表示服装组合总热阻,/>表示相对风速,/>表示步行速度,/>表示服装透气性,/>表示羽绒服修正热阻。
2.根据权利要求1所述的方法,其特征在于,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
3.根据权利要求2所述的方法,其特征在于,
在获取羽绒服特征参数的步骤中还包括:获取羽绒服有效热阻参数;
所述根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型,包括:将充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,将羽绒服有效热阻参数作为输出参数,使用高斯过程回归中的指数GPR算法进行模型训练,构建所述羽绒服有效热阻预测模型。
4.根据权利要求1所述的方法,其特征在于,所述根据所述羽绒服特征参数进行模型训练构建羽绒服热阻预测模型,包括:
将所述羽绒服特征参数中的大部分数据作为训练集进行模型训练,将所述羽绒服特征参数中剩余的数据作为验证集对模型的准确性进行验证。
5.一种预测羽绒服防寒温度的系统,其特征在于,包括:
特征参数获取模块,用于获取羽绒服特征参数;
羽绒服有效热阻预测模型构建模块,用于根据所述羽绒服特征参数进行模型训练构建羽绒服有效热阻预测模型;
有效热阻计算模块,用于根据所述羽绒服有效热阻预测模型得到羽绒服的有效热阻;
热阻修正模块,用于根据环境风速参数和人体运动速度参数,对所述羽绒服的有效热阻进行修正,得到羽绒服的防寒温度标签;
所述热阻修正模块进一步用于:根据环境风速参数和服装热阻范围选择对应的热阻修正模型,并根据对应的热阻修正模型得到羽绒服修正热阻,使用所述羽绒服修正热阻对所述羽绒服的有效热阻进行修正;其中:
若相对风速大于0.15 m/s且小于5.2 m/s,服装热阻范围大于0.9 clo且小于2.3 clo,选择使用LU 2模型得到羽绒服修正热阻;LU 2模型的方程为: 若相对风速大于0.4 m/s且小于1.0 m/s,服装热阻范围大于2.3 clo且小于3.2 clo,选择使用ISO2模型得到羽绒服修正热阻;ISO 2模型的方程为: 若相对风速大于1.0 m/s且小于5.2 m/s,服装热阻范围大于2.3 clo且小于3.2 clo,选择使用ISO1模型得到羽绒服修正热阻;ISO 1模型的方程为: 若相对风速大于0.15 m/s且小于5.2 m/s,服装热阻范围大于3.2 clo,选择使用LU 2模型得到羽绒服修正热阻;
若相对风速大于5.2 m/s,选择使用ISO 1模型得到羽绒服修正热阻;
其中,表示服装组合总热阻,/>表示相对风速,/>表示步行速度,/>表示服装透气性,/>表示羽绒服修正热阻。
6.根据权利要求5所述的系统,其特征在于,所述羽绒服特征参数包括:充绒量、胸围差、腰围差、臀围差、衣长。
7.根据权利要求6所述的系统,其特征在于,还包括:
有效热阻参数获取模块,用于获取羽绒服有效热阻参数;
所述羽绒服有效热阻预测模型构建模块,还用于:将充绒量、胸围差、腰围差、臀围差、衣长作为输入参数,将羽绒服有效热阻参数作为输出参数,使用高斯过程回归中的指数GPR算法进行模型训练,构建所述羽绒服有效热阻预测模型。
8.根据权利要求5所述的系统,其特征在于,所述羽绒服有效热阻预测模型构建模块进一步用于:
将所述羽绒服特征参数中的大部分数据作为训练集进行模型训练,将所述羽绒服特征参数中剩余的数据作为验证集对模型的准确性进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003181.9A CN116910482B (zh) | 2023-08-08 | 2023-08-08 | 预测羽绒服防寒温度的方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311003181.9A CN116910482B (zh) | 2023-08-08 | 2023-08-08 | 预测羽绒服防寒温度的方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910482A CN116910482A (zh) | 2023-10-20 |
CN116910482B true CN116910482B (zh) | 2024-05-28 |
Family
ID=88366780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311003181.9A Active CN116910482B (zh) | 2023-08-08 | 2023-08-08 | 预测羽绒服防寒温度的方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910482B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910340B (zh) * | 2023-12-29 | 2024-08-02 | 苏州大学 | 一种电加热服装皮肤温度预测模型的构建及其应用方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2374962C1 (ru) * | 2008-04-25 | 2009-12-10 | ГОУ ВПО "Южно-Российский государственный университет экономики и сервиса" (ЮРГУЭС) | Конструкция теплозащитного пакета с вертикальным простегиванием переменной асимметрии |
CN103499602A (zh) * | 2013-09-25 | 2014-01-08 | 东华大学 | 一种多层服装系统热湿阻的预测方法 |
CN110175732A (zh) * | 2018-10-23 | 2019-08-27 | 中国矿业大学(北京) | 一种低温作业环境下人体冷应激精细分级评估系统 |
CN110991478A (zh) * | 2019-10-29 | 2020-04-10 | 西安建筑科技大学 | 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 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 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 |
CN112395723A (zh) * | 2019-07-30 | 2021-02-23 | 波司登羽绒服装有限公司 | 一种羽绒服适应环境温度的预测方法 |
CN113808743A (zh) * | 2021-09-13 | 2021-12-17 | 中国矿业大学(北京) | 一种电网户外作业人员热应激预警方法及系统 |
CN114818214A (zh) * | 2022-04-27 | 2022-07-29 | 中国舰船研究设计中心 | 一种潜艇通风空调系统热舒适性设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200265747A1 (en) * | 2016-12-02 | 2020-08-20 | Nestec S.A. | Devices and methods of optimal personalized hydration for sports |
-
2023
- 2023-08-08 CN CN202311003181.9A patent/CN116910482B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2374962C1 (ru) * | 2008-04-25 | 2009-12-10 | ГОУ ВПО "Южно-Российский государственный университет экономики и сервиса" (ЮРГУЭС) | Конструкция теплозащитного пакета с вертикальным простегиванием переменной асимметрии |
CN103499602A (zh) * | 2013-09-25 | 2014-01-08 | 东华大学 | 一种多层服装系统热湿阻的预测方法 |
CN110175732A (zh) * | 2018-10-23 | 2019-08-27 | 中国矿业大学(北京) | 一种低温作业环境下人体冷应激精细分级评估系统 |
CN112395723A (zh) * | 2019-07-30 | 2021-02-23 | 波司登羽绒服装有限公司 | 一种羽绒服适应环境温度的预测方法 |
CN110991478A (zh) * | 2019-10-29 | 2020-04-10 | 西安建筑科技大学 | 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 |
CN111291465A (zh) * | 2020-01-10 | 2020-06-16 | 上海海事大学 | 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 |
CN113808743A (zh) * | 2021-09-13 | 2021-12-17 | 中国矿业大学(北京) | 一种电网户外作业人员热应激预警方法及系统 |
CN114818214A (zh) * | 2022-04-27 | 2022-07-29 | 中国舰船研究设计中心 | 一种潜艇通风空调系统热舒适性设计方法 |
Non-Patent Citations (6)
Title |
---|
Development of thermal resistance prediction model and measurement of thermal resistance of clothing under fully wet conditions;Yang, Ruiliang 等;《TEXTILE RESEARCH JOURNAL》;20230228;全文 * |
基于IREQ模型的低温环境应急救援人员冷应激分析;顾寅;汲欣愉;朱超;宫世吉;胡祝强;;中国安全生产科学技术;20191231(第12期);全文 * |
基于气候的服装热阻对室内热舒适参数的影响;汤振宇;葛凤华;王剑;陆翠银;任奎;;建筑节能;20160625(第06期);全文 * |
服装动态热阻测定及预测模型的研究进展;赖军;许静娴;陈立丽;李俊;;纺织学报;20170515(第05期);第170-176页 * |
服装款式特征与服装热阻的关系;周永凯 等;《北京服装学院学报》;20070730;第27卷(第3期);第31-37页 * |
风速、湿度及汗湿量对服装热阻影响的试验;柳光磊 等;《矿业工程研究》;20221231;第37卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116910482A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Thermal comfort models and their developments: A review | |
JP6675552B2 (ja) | 深部体温推定装置、その方法及びプログラム | |
Tanda | Skin temperature measurements by infrared thermography during running exercise | |
CN116910482B (zh) | 预测羽绒服防寒温度的方法及其系统 | |
CN106123206A (zh) | 一种调整环境热度的方法和系统 | |
Takada et al. | Thermal model of human body fitted with individual characteristics of body temperature regulation | |
CN104036061B (zh) | 服装仿真方法和系统 | |
Vanos et al. | Improved predictive ability of climate–human–behaviour interactions with modifications to the COMFA outdoor energy budget model | |
CN104490371A (zh) | 一种基于人体生理参数的热舒适检测方法 | |
US20220009307A1 (en) | Thermal management system for a motor-vehicle passenger compartment | |
CN114564843B (zh) | 一种低温环境下运动人员热反应模拟计算系统 | |
Davoodi et al. | Developing a new individualized 3-node model for evaluating the effects of personal factors on thermal sensation | |
CN117422896A (zh) | 服装工艺模板智能化设计方法及系统 | |
JP6346010B2 (ja) | 温熱快適感評価方法および温熱環境コントロールシステム。 | |
CN112395723B (zh) | 一种羽绒服适应环境温度的预测方法 | |
Su et al. | Numerical study on effect of thermal regulation performance of winter uniform on thermal responses of high school student | |
Xiaofei | Evaluation of the comfort of sportswear | |
JP6841182B2 (ja) | 温感算出装置、温感算出方法、空調装置、およびプログラム | |
Hamatani et al. | Real-time calibration of a human thermal model with solar radiation using wearable sensors | |
Rida et al. | Modeling local thermal responses of individuals: Validation of advanced human thermo-physiology models | |
Jiao | Effects of clothing on running physiology and performance in a hot condition | |
CN114528776A (zh) | 着装舒适性的判断方法及实现着装舒适的服装选择方法 | |
Chowdhury et al. | Experimental evaluation of subjective thermal perceptions for sewing activity | |
Wang | Pattern engineering for functional design of tight-fit running wear | |
Hu | Characterization of sensory comfort of apparel products |
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 |