CN117704609B - 用于空调机组的空气洁净控制方法及系统 - Google Patents
用于空调机组的空气洁净控制方法及系统 Download PDFInfo
- Publication number
- CN117704609B CN117704609B CN202311866244.3A CN202311866244A CN117704609B CN 117704609 B CN117704609 B CN 117704609B CN 202311866244 A CN202311866244 A CN 202311866244A CN 117704609 B CN117704609 B CN 117704609B
- Authority
- CN
- China
- Prior art keywords
- bacterial
- air conditioning
- temperature
- humidity
- conditioning unit
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004378 air conditioning Methods 0.000 title claims abstract description 68
- 230000001580 bacterial effect Effects 0.000 claims abstract description 121
- 210000004243 sweat Anatomy 0.000 claims abstract description 46
- 230000001954 sterilising effect Effects 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 27
- 238000004659 sterilization and disinfection Methods 0.000 claims abstract description 26
- 239000002344 surface layer Substances 0.000 claims abstract description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 48
- 238000009395 breeding Methods 0.000 claims description 34
- 230000001488 breeding effect Effects 0.000 claims description 34
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 29
- 239000001569 carbon dioxide Substances 0.000 claims description 29
- 239000010410 layer Substances 0.000 claims description 29
- 241000894006 Bacteria Species 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000000249 desinfective effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 238000000746 purification Methods 0.000 description 24
- 230000000694 effects Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000004887 air purification Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005202 decontamination Methods 0.000 description 3
- 230000003588 decontaminative effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011403 purification operation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000010332 selective attention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用于空调机组的空气洁净控制方法及系统，包括根据温湿度信息和人员的皮肤表层汗液信息来预测菌落数量，在菌落数量达到阈值时，根据第一洁净指令对手术室无差别净化，在菌落数量未达到阈值时，根据人员位置信息确定菌落的分布，结合第二洁净指令对菌落分布不同的区域进行不同程度的净化；另外本发明还会获取空调机组内部的实际温湿度值和累计使用时长来预测空调内部的细菌滋生量及细菌比例，且在确定手术室没有人时生成杀菌指令对空调机组自身进行杀菌消毒，本发明能够针对不同的手术环境差异化的定制空气洁净策略，并且手术室无人使用时对空调机组自身进行杀菌净化，从而大大提升了手术室空气净化效果。
Description
技术领域
本发明涉及空调控制技术领域，尤其涉及一种用于空调机组的空气洁净控制方法及系统。
背景技术
手术室对空气质量的要求非常高，故在手术室中通常都配有空气净化系统，借助空气净化系统严格控制手术室空气质量。空气净化系统是一种比较先进的空气净化方法，采用自动化的方式对空气进行系统的净化，净化后的空气质量显著提升。
在实际使用中发现，由于手术室对空气质量的要求尤为严格，目前的空气净化系统和净化方案还无法达到手术室的要求；且由于操作流程机械化，通常导致净化程度不足或者过净化的问题，不仅净化效果不理想，同时也影响净化效率，增加了医疗成本。
发明内容
为了解决上述提出的至少一个技术问题，本发明提供一种用于空调机组的空气洁净控制方法及系统。
第一方面，本发明提供了一种用于空调机组的空气洁净控制方法，所述方法包括：
获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到；
判断细菌菌落数量是否达到第一预设阈值；
若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化；
若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化；
获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量；
利用所述细菌滋生量计算出细菌比例，根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
优选地，所述方法还包括：
计算温度滋生系数和湿度滋生系数：
式中，λ为温度滋生系数；β为湿度滋生系数；tmax为最适滋生细菌的最大温度值；tmin为最适滋生细菌的最小温度值；ti为空调机组内部的实际温度值；hmax为最适滋生细菌的最大湿度值；hmin为最适滋生细菌的最小湿度值；
利用所述温度滋生系数和湿度滋生系数，更新第二预测模型计算出的空调内部累计的细菌滋生量：
x1＝λβx0
式中，x1为更新后的细菌滋生量，x0为第二预测模型计算出的空调内部累计的细菌滋生量。
优选地，根据所述细菌滋生量计算细菌比例，包括：
式中，P为细菌比例，a为空调机组待机时长，b为空调机组运行时长，tm为环境温度，tg为室内机管温，v为空调风机转速，x1为更新后的细菌滋生量。
优选地，所述方法还包括：
将所述温湿度信息输入至第三预测模型中，输出二氧化碳浓度变化趋势；
根据二氧化碳浓度变化趋势判断下一时段二氧化碳的浓度是否达到第二预设阈值；
当确定下一时段二氧化碳的浓度达到第二预设阈值时，生成第三洁净指令，所述第三洁净指令用于对于手术室空气无差别净化，且第一洁净指令的强度等级大于第三洁净指令的强度等级。
优选地，所述方法还包括训练所述第三预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据和二氧化碳浓度数据，作为训练集；
基于所述训练集，利用随机森林算法和自适应集成算法进行特征提取，将提取后的特征输入至LSTM网络进行训练，得到第三预测模型。
优选地，所述将提取后的特征输入至LSTM网络进行训练，得到第三预测模型，包括：
所述LSTM网络为STT-LSTM网络模型，所述STT-LSTM网络含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；
将提取的特征传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；
将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第三预测模型。
优选地，所述方法还包括分别训练第一预测模型和第二预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据、皮肤表层汗液信息以及细菌菌落数量，作为第一训练集；
获取空调机组内部的实际温湿度值、累计使用时长以及空调内部累计的细菌滋生量作为第二训练集；
对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；
将第一训练集、第二训练集分别输入至改进的Faster-RCNN进行训练，生成第一预测模型、第二预测模型。
第二方面，本发明还提供了一种用于空调机组的空气洁净控制系统，所述系统包括：
信息采集单元，用于获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到；
洁净单元，用于判断细菌菌落数量是否达到第一预设阈值；若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化；若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化；
计算单元，用于获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量；
杀菌单元，用于利用所述细菌滋生量计算出细菌比例，根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
第三方面，本发明还提供了一种电子设备，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。
与现有技术相比，本发明的有益效果在于：
1)目前的空气净化或杀菌操作都过于机械化，通常是采用定时消毒杀菌、定时送入新风净化室内空气，或者说在术前术后，使用手术工具时的杀菌清理。但是手术过程是一个动态过程，患者出汗情况、工作人员出汗情况、出血量、手术部位、空气中的温湿度分布都会影响着细菌菌落分布。本发明通过温湿度和汗液情况及时预测菌落数量和菌落分布情况，从而控制净化系统差异化地来净化不同空间区域，从而能够更有针对性地净化手术室内，提高净化效果。
2)空调机组随着使用过程同样会滋生细菌，而目前的手术室净化过程往往只是机械化的定时清理空气，忽略了对空调机组本身的清洁，因此本发明通过检测人员数量，并确定手术室在无人使用的情况下，对于空调机组内部的实际温湿度和累计使用时间来计算细菌滋生量，以计算出细菌比例，最后根据细菌比例的不同对应生成不同强度的杀菌指令，以对空调自身进行杀菌净化，从设备根源上提高了手术室内空气净化效果，从而保证手术环境的安全性，减少医疗事故的发生。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1为本发明实施例提供的一种用于空调机组的空气洁净控制方法的流程示意图；
图2为本发明实施例提供的另一种用于空调机组的空气洁净控制方法的流程示意图；
图3为本发明实施例提供的STT-LSTM神经网络模型的结构示意图；
图4为本发明实施例提供的一种用于空调机组的空气洁净控制系统的结构示意图；
图5为本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
目前手术室内的空气净化操作过于机械化，通过无差异化地净化方式定时净化室内，因此净化效率、效果都不理想。为此，本发明根据温湿度、汗液、人员数量等信息，对于手术室内的菌落及菌落分布进行计算，从而差异化地制定净化策略。同时，本发明还对空调机组自身的细菌滋生量和细菌比例进行计算，以生成对应的杀菌指令，从根源上提高空调机组的净化能力，最终提升空气净化效果，保证了手术过程的环境安全。
请参阅图1，图1为本发明实施例(一)提供的一种用于空调机组的空气洁净控制方法的流程示意图。
一种用于空调机组的空气洁净控制方法，所述方法包括：
S10、获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到。
温湿度信息通常通过传感器采集，术室内温湿度传感器的安装位置通常位于室内回风口处。如此更精确地检测和控制室内的温湿度，确保手术室内的环境始终处于最佳状态。此外，温湿度传感器的安装位置不能被明显的物体遮挡，且应靠近热源和冷源，但又不能过于接近，以免影响测量精度。
手术室内的温湿度要求是相对恒定的，手术室内的温度控制是一种控制细菌浓度的有效手段，它可以控制空气中细菌的繁殖，也可以控制患者和医务人员排汗而产生的细菌，起到了控制手术间内细菌繁殖的作用一般需要保持在20～24℃。相对湿度在50％时细菌浮游10分钟可灭活，湿度过高或过低都有助于细菌的存活，通常洁净手术室的相对湿度为40％～60％。可以理解，假设采集到温湿度信息后发现其未在应有的区间内，可以及时调整空调机组的出风温度，并通过正压控制去调整室内的温度和湿度。
皮肤表层汗液信息主要通过人员的可穿戴设备采集得到，例如基于核径迹技术的可穿戴柔性多孔汗液传感器，当汗液从皮肤中流出时，该传感器会捕获汗液，并通过集成各种传感器以类似于先前可穿戴式汗液感应系统的模式分析汗液。
手术室内的细菌菌落的采集通常采用动态取样器法或平板取样法。动态取样器法是在操作过程中进行浮游菌落检测，如皮肤切割、缝合、连续操作之间、操作4小时等确定菌落数。平板取样法是在运行开始、运行后2小时、运行结束前进行3-4次抽样检查。每个回风口中间放置3个倾斜于30℃的Φ90培养皿，暴露30分钟，37℃培养24小时。由于手术室内对于环境的净化要求是有时效性的，需要及时净化保证手术地安全进行，而上述方式显然效率十分低下，因此无法满足手术及时净化环境的需求。因此本实施例通过模型来快速预测出细菌菌落数量。
具体地，第一预测模型主要基于神经网络模型训练得到。由于细菌的数量和汗液本身和室内温湿度有着紧密的联系，因此以手术室内的温湿度信息和所有人员的皮肤表层汗液信息作为模型的输入，以细菌菌落数量为模型输出，通过采集的大量样本可以提前训练出能够预测细菌菌落数的第一预测模型。当得到训练好的第一预测模型后，在使用过程中，只需要将手术室内的温湿度信息和所有人员的皮肤表层汗液信息直接输入至第一预测模型，就能快速输出细菌菌落数量的预测结果。
S20、判断细菌菌落数量是否达到第一预设阈值。
对于洁净手术室来说，通常有以下等级：
Ⅰ级特别洁净手术室：手术区的菌落数是0.2个/30分钟，周边区是0.4个/30分钟。Ⅱ级标准洁净手术室：手术区的菌落数是0.75个/30分钟，周边区是1.5个/30分钟。Ⅲ一般洁净手术室：手术区的菌落数是2个/30分钟，周边区是4个/30分钟。Ⅳ准洁净手术室：手术区的菌落数是5个/30分钟，周边区是5个/30分钟。
因此，在得到细菌菌落数量后，可以根据不同等级洁净手术室的菌落数要求，设定对应的阈值，然后将预测的细菌菌落数量与第一预设阈值进行比较。
S30、若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化。
以一般洁净手术室为例，假设测得手术区的菌落为3个/30分钟，周边区是6个/30分钟，说明当前手术区的细菌菌落数量是大于第一预设阈值的。那么应当立即对手术室采用强度等级较高的方式进行空气进化。其中无差别的空气净化是只对于手术室内不分区，进行全面的净化，保证环境中的菌落快速恢复到满足要求的状态。
S40、若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化。
由于手术是动态过程，人员、气体都会移动，因此细菌滋生的速度也会很快，如果等到检测到达到预设阈值才进行净化操作，那么很可能在未检测的一段时间内，细菌菌落数已经无法满足要求。因此本实施例中，当检测到细菌菌落数没有达到第一预设阈值时，也要生成对应的洁净指令，即第二洁净指令进行空气净化。
可以理解的是，细菌菌落的分布是不均匀的，当细菌菌落数量直接超过手术室的标准时，为了保证安全，应该尽快地、进行全面的无差别净化。但是当细菌菌落数量在第一预设阈值之内，此时为了保证净化效果，应该根据菌落分布进行针对性的净化。
本实施例中，在确定细菌分布情况时，主要以人员汗液和位置信息为依据，由于工作人员佩戴有可穿戴设备，该设备具有采集汗液以及定位功能，当读取可穿戴设备的信息后，就能够及时地获取人员的位置分布以及汗液分布，而通常分泌汗液能力更强的人其相关位置的细菌菌落数也会更多，因此当得到了人员汗液分布，可以间接地得到细菌菌落分布情况从而制定差异化的净化策略。
以手术室内有10个工作人员为例，10个工作人员会分布在手术台的不同侧，其位置也不同，假设室内的空调机组安装在手术台的正上方，且具有4个出风口，当检测到10个人中，以3、3、4的数量分布在3个出风口下面，通过检测得到了人数为4的位置汗液分布最密集，细菌菌落数量最多，那么此时可以调整对应的出风口的风速，在保证手术室内正压控制的情况下，人数为4的方位对应的净化强度应该大于人数为3的方位，以此来进行差异化的净化，从而大大提升净化效果，避免统一净化造成的资源浪费和净化效果不理想的问题。
S50、获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量。
可以理解的是，控制方式决定了空调机组的运行模式，而空气净化效果不仅和空调机组的运行模式有关，和空调机组自身的净化能力有关。手术室内空调机组长时间会处于使用状态，必然也滋生了一定的细菌，因此本实施例会在确认手术室内无人，即空调机组待机状态时，去测量空调内部的细菌滋生量，以确定是否要进行空调自身的杀菌消毒过程。
具体地，空调内部累计的细菌滋生量与空调机组内部的实际温湿度值和累计使用时长均有关系，因此本实施例提供了实现训练好的第二预测模型，该模型基于神经网络训练得到，通过采集大量的空调机组内部的实际温湿度值、累计使用时长和细菌滋生量为训练集对神经网络进行训练，最终生成第二预测模型。
进一步地，在使用该模型时，先确定手术室的人员数量是否为0，当手术室内无人时，则获取空调机组内部的实际温湿度值和累计使用时长直接输入至第二预测模型，然后快速得到空调内部的细菌滋生量。
S60、利用所述细菌滋生量计算出细菌比例，根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
最后，得到了细菌滋生量可进一步计算细菌比例，根据内部不同位置细菌比例的不同，可以匹配不同的杀菌指令，从而对空调机组内部进行针对性的杀菌消毒，从而使得空调机组在下一次运行中大大提升净化能力。
综上，本发明通过温湿度和汗液情况及时预测菌落数量和菌落分布情况，从而控制净化系统差异化地来净化不同空间区域，从而能够更有针对性地净化手术室内，提高净化效果。通过根据细菌比例的不同对应生成不同强度的杀菌指令，以对空调自身进行杀菌净化，从设备根源上提高了手术室内空气净化效果，从而保证手术环境的安全性，减少医疗事故的发生。
可以理解，在对于空调内部细菌滋生量进行预测时，会存在误差，这是由于采集数据或者模型本身导致的。在一个实施例中，为了能够提高空调内部细菌滋生量预测结果的准确性，还需要对预测结果进行补偿作用。具体的包括以下步骤：
1)计算温度滋生系数和湿度滋生系数：
式中，λ为温度滋生系数；β为湿度滋生系数；tmax为最适滋生细菌的最大温度值；tmin为最适滋生细菌的最小温度值；ti为空调机组内部的实际温度值；hmax为最适滋生细菌的最大湿度值；hmin为最适滋生细菌的最小湿度值；
2)利用所述温度滋生系数和湿度滋生系数，更新第二预测模型计算出的空调内部累计的细菌滋生量：
x1＝λβx0
式中，x1为更新后的细菌滋生量，x0为第二预测模型计算出的空调内部累计的细菌滋生量。
在一个实施例中，在确定温度滋生系数和湿度滋生系数时，需要进行匹配。例如在获取空调机组实际温度后，将实际温度与多个预设温度等级进行匹配，每个预设温度等级对应的温度滋生系数不同，当实际温度与其中一个预设温度等级相匹配时，则确认实际温度的温度滋生系数为相匹配的预设温度等级对应的温度滋生系数。同样地，在获取实际湿度后，将实际湿度与多个预设湿度等级进行匹配，每个预设湿度等级对应的湿度滋生系数不同，当实际湿度与其中一个预设湿度等级相匹配时，则确认实际湿度的湿度滋生系数为相匹配的预设湿度等级对应的湿度滋生系数；最后通过上述的公式就能够快速得计算最新的细菌滋生量。
在一个实施例中，根据所述细菌滋生量计算细菌比例，包括：
式中，P为细菌比例，a为空调机组待机时长，b为空调机组运行时长，tm为环境温度，tg为室内机管温，v为空调风机转速，x1为更新后的细菌滋生量。
由于细菌比例决定着杀菌指令的决策，因此本实施例中需要根据细菌滋生量计算细菌比例，当确定细菌比例后再匹配不同的空调机组杀菌指令。
上述实施例是针对于手术室内温湿度和细菌量的控制，在实际操作过程中，空气中的气体浓度同样需要达到要求，例如二氧化碳的浓度，是保证室内人员正常呼吸的重要指标。然而，目前的手术室空气净化过程针对二氧化碳的浓度，通常存在滞后性，例如是通过定时或者阶段性的采集二氧化碳的浓度与对应的正常范围进行比较然后再进行空气净化，但是在检测的间隔中，往往就已经出现了二氧化碳超标的情况，且经达到超过预设阈值后再进行净化，在二氧化碳的浓度降低到适宜范围后是需要一定的时间的，这段时间内人们就会处在二氧化碳超标的环境中，如此对于手术中的患者或者医护人员的健康都会产生影响。
参见图2，图2提供了另一实施例中用于空调机组的空气洁净控制方法的流程图。如图2所示所述方法还包括：
S70、将所述温湿度信息输入至第三预测模型中，输出二氧化碳浓度变化趋势；
S80、根据二氧化碳浓度变化趋势判断下一时段二氧化碳的浓度是否达到第二预设阈值；
S90、当确定下一时段二氧化碳的浓度达到第二预设阈值时，生成第三洁净指令，所述第三洁净指令用于对于手术室空气无差别净化，且第一洁净指令的强度等级大于第三洁净指令的强度等级。
由于温湿度也直接影响着二氧化碳的浓度变化，例如温度低时二氧化碳浓度会升高。本实施例中，需要先基于大量的温湿度信息和二氧化碳的浓度信息，在结合神经网络去训练出第三预测模型，在使用时，直接将温湿度信息输入至第三预测模型中，就能够快速地输出二氧化碳浓度变化趋势。
本实施例通过快速预测出二氧化碳浓度的变化趋势，能够辅助制定净化策略，避免了现有净化方式的滞后性，能够及时地通过净化空气来保持二氧化碳浓度处于正常范围，保证了手术所需的二氧化碳浓度环境。
在一个实施例中，所述方法还包括训练所述第三预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据和二氧化碳浓度数据，作为训练集；
基于所述训练集，利用随机森林算法和自适应集成算法进行特征提取，将提取后的特征输入至LSTM网络进行训练，得到第三预测模型。
随机森林算法,对噪声和异常数据不敏感,适应高维特征大样本,但对小数据、低维数据没有较好的训练效果；自适应集成算法(AdaBoost)，集成了泛化性能较差的学习器后能获得较好的学习性能，不容易发生过拟合，但异常数据较为敏感。不同的模型在训练数据时,除存在固有缺陷外,训练效果还受树模型参数的影响,从而使训练后获取的特征重要性大小不可靠。另外，不同树模型采用的特征重要性指标计算方法也不同。为使特征选择算法适应于不同类型的特征，克服不同树模型的缺陷,并从多角度综合评估特征的重要性，本实施例基于随机森林算法和自适应集成算法提出一种多模型综合的特征量选择方法,根据随机森林算法和AdaBoost算法一起进行特征提取,综合筛选并保留相关系数较大的特征，从而提高第三预测模型的预测精度。
优选地，将提取后的特征输入至LSTM网络进行训练，得到第三预测模型，包括：
所述LSTM网络为STT-LSTM网络模型，所述STT-LSTM网络含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；
将提取的特征传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；
将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第三预测模型。
参见图3，图3提供了该STT-LSTM网络模型的结构示意图。如图3所示，STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层，在训练模型时，只需要将输入数据分别从左边的两个LSTM的网络中并行输入，然后经过LSTM网络计算后将输出结果输入至第一个全连接层进行融合，得到初步融合结果；最后，将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第三预测模型。
本实施例中，通过构建两层STT-LSTM网络，保留了原始LSTM的基本建模能力，同时提高了网络的选择性注意能力。
在一个示例性的实施例中，所述方法还包括分别训练第一预测模型和第二预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据、皮肤表层汗液信息以及细菌菌落数量，作为第一训练集；
获取空调机组内部的实际温湿度值、累计使用时长以及空调内部累计的细菌滋生量作为第二训练集；
对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；
将第一训练集、第二训练集分别输入至改进的Faster-RCNN进行训练，生成第一预测模型、第二预测模型。
需要说明的是，在大型目标检测中，Faster-RCNN算法的检测效果较好，但对于目标较小，且与背景区分度不高的情境中，检测受到较大影响，出现了较多的遗漏和错检的现象。因此，本实施例中采用改进的Faster-RCNN算法来训练得到第一预测模型和第二预测模型。
具体的，检测算法过程中，Faster-RCNN算法中的RoIPooling多次量化会引起像素偏差，本实施例运用双线性插值的RoIPooling方法来解决偏差问题。其中，RoI卷积神经网络改进的具体操作为：
把RoI投射到特征图区域内，计算过程不取整且保留小数；
把RoI投射特征图的结果均匀地划分到一个2×2的区域里，在这些均分的区域里，每个区域都布置均匀采样点4个，对每个采样点进行双线性插值；
每个采样点完成双线性插值后，对该区域里的4个采样点取最大值，即MaxPooling，最后产生2×2区域的特征量；在整个过程中，虽然没有取整操作，但通过这样的双线性插值的对齐RoIPooling，能够获得更加精确的RoI位置数据，检测值更加精确。
最后，利用训练样本对改进的Faster-RCNN算法进行训练，直至模型收敛。
因此，本实施例通过改进的Faster-RCNN算法训练第一预测模型和第二预测模型，能够提升模型的预测精度，提升模型的鲁棒性。
参见图4，本发明某一实施例还提供了一种用于空调机组的空气洁净控制系统，所述系统包括：
信息采集单元100，用于获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到；
洁净单元200，用于判断细菌菌落数量是否达到第一预设阈值；若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化；若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化；
计算单元300，用于获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量；
杀菌单元400，用于利用所述细菌滋生量计算出细菌比例，根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
在一些实施例中，本发明实施例提供的系统具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。
请参阅图5，图5为本发明实施例提供的一种电子设备的硬件结构示意图。
该电子设备2包括处理器21，输入装置22，输出装置23，存储器24。该处理器21、存储器24、输入装置22和输出装置23通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。
处理器21可以是一个或多个图形处理器(graphics processing unit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器，本发明实施例不作限定。
存储器24可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(random accessmemory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。
输入装置22用于输入数据和/或信号，以及输出装置23用于输出数据和/或信号。输出装置23和输入装置22可以是独立的器件，也可以是一个整体的器件。
可理解，本发明实施例中，存储器24不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。
可以理解的是，图5仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digitalversatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。
Claims (8)
1.一种用于空调机组的空气洁净控制方法，其特征在于，所述方法包括：
获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到；
判断细菌菌落数量是否达到第一预设阈值；
若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化；
若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化；
获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量，包括：
计算温度滋生系数和湿度滋生系数：
式中，λ为温度滋生系数；β为湿度滋生系数；tmax为最适滋生细菌的最大温度值；tmin为最适滋生细菌的最小温度值；ti为空调机组内部的实际温度值；hmax为最适滋生细菌的最大湿度值；hmin为最适滋生细菌的最小湿度值；
利用所述温度滋生系数和湿度滋生系数，更新第二预测模型计算出的空调内部累计的细菌滋生量：
x1＝λβx0
式中，x1为更新后的细菌滋生量，x0为第二预测模型计算出的空调内部累计的细菌滋生量；
利用所述细菌滋生量计算出细菌比例，包括：
式中，P为细菌比例，a为空调机组待机时长，b为空调机组运行时长，tm为环境温度，tg为室内机管温，v为空调风机转速，x1为更新后的细菌滋生量；
根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
2.根据权利要求1所述的用于空调机组的空气洁净控制方法，其特征在于，所述方法还包括：
将所述温湿度信息输入至第三预测模型中，输出二氧化碳浓度变化趋势；
根据二氧化碳浓度变化趋势判断下一时段二氧化碳的浓度是否达到第二预设阈值；
当确定下一时段二氧化碳的浓度达到第二预设阈值时，生成第三洁净指令，所述第三洁净指令用于对于手术室空气无差别净化，且第一洁净指令的强度等级大于第三洁净指令的强度等级。
3.根据权利要求2所述的用于空调机组的空气洁净控制方法，其特征在于，所述方法还包括训练所述第三预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据和二氧化碳浓度数据，作为训练集；
基于所述训练集，利用随机森林算法和自适应集成算法进行特征提取，将提取后的特征输入至LSTM网络进行训练，得到第三预测模型。
4.根据权利要求3所述的用于空调机组的空气洁净控制方法，其特征在于，所述将提取后的特征输入至LSTM网络进行训练，得到第三预测模型，包括：
所述LSTM网络为STT-LSTM网络模型，所述STT-LSTM网络含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；
将提取的特征传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；
将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第三预测模型。
5.根据权利要求1所述的用于空调机组的空气洁净控制方法，其特征在于，所述方法还包括分别训练第一预测模型和第二预测模型，包括：
获取手术室不同历史时刻下的多个温湿度数据、皮肤表层汗液信息以及细菌菌落数量，作为第一训练集；
获取空调机组内部的实际温湿度值、累计使用时长以及空调内部累计的细菌滋生量作为第二训练集；
对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；
将第一训练集、第二训练集分别输入至改进的Faster-RCNN进行训练，生成第一预测模型、第二预测模型。
6.一种用于空调机组的空气洁净控制系统，其特征在于，所述系统包括：
信息采集单元，用于获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息，将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型，输出细菌菌落数量的预测结果；所述皮肤表层汗液信息通过人员的可穿戴设备采集得到；
洁净单元，用于判断细菌菌落数量是否达到第一预设阈值；若是，生成第一洁净指令；所述第一洁净指令用于对于手术室空气无差别净化；若否，根据所述可穿戴设备确定人员的位置信息，根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况，并生成第二洁净指令；所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化；
计算单元，用于获取手术室的人员数量信息，当确定所述人员数量为零时，获取空调机组内部的实际温湿度值和累计使用时长；将所述实际温湿度值和累计使用时长输入至第二预测模型中，计算出空调内部累计的细菌滋生量，包括：
计算温度滋生系数和湿度滋生系数：
式中，λ为温度滋生系数；β为湿度滋生系数；tmax为最适滋生细菌的最大温度值；tmin为最适滋生细菌的最小温度值；ti为空调机组内部的实际温度值；hmax为最适滋生细菌的最大湿度值；hmin为最适滋生细菌的最小湿度值；
杀菌单元，用于利用所述细菌滋生量计算出细菌比例，包括：
式中，P为细菌比例，a为空调机组待机时长，b为空调机组运行时长，tm为环境温度，tg为室内机管温，v为空调风机转速，x1为更新后的细菌滋生量；
根据细菌比例的计算结果匹配不同强度等级的杀菌指令，所述杀菌指令用于对空调机组自身进行杀菌消毒。
7.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至5任一项所述的用于空调机组的空气洁净控制方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至5任意一项所述的用于空调机组的空气洁净控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311866244.3A CN117704609B (zh) | 2023-12-29 | 2023-12-29 | 用于空调机组的空气洁净控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311866244.3A CN117704609B (zh) | 2023-12-29 | 2023-12-29 | 用于空调机组的空气洁净控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117704609A CN117704609A (zh) | 2024-03-15 |
| CN117704609B true CN117704609B (zh) | 2024-04-26 |
Family
ID=90159020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311866244.3A Active CN117704609B (zh) | 2023-12-29 | 2023-12-29 | 用于空调机组的空气洁净控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117704609B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108095731A (zh) * | 2018-01-31 | 2018-06-01 | 成都四海万联科技有限公司 | 一种脚踩式智能监测设备 |
| CN112856749A (zh) * | 2021-01-25 | 2021-05-28 | 南通市第二人民医院 | 一种提高手术室净化效果的方法及系统 |
| CN114738843A (zh) * | 2022-03-14 | 2022-07-12 | 青岛海尔空调器有限总公司 | 水洗空调及其杀菌控制方法 |
| CN115164340A (zh) * | 2022-07-05 | 2022-10-11 | 广东开利暖通空调股份有限公司 | 一种空调的杀菌控制方法、装置、空调及计算机可读存储介质 |
| WO2023071245A1 (zh) * | 2021-10-29 | 2023-05-04 | 青岛海尔空调器有限总公司 | 空调器的控制方法 |
-
2023
- 2023-12-29 CN CN202311866244.3A patent/CN117704609B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108095731A (zh) * | 2018-01-31 | 2018-06-01 | 成都四海万联科技有限公司 | 一种脚踩式智能监测设备 |
| CN112856749A (zh) * | 2021-01-25 | 2021-05-28 | 南通市第二人民医院 | 一种提高手术室净化效果的方法及系统 |
| WO2023071245A1 (zh) * | 2021-10-29 | 2023-05-04 | 青岛海尔空调器有限总公司 | 空调器的控制方法 |
| CN114738843A (zh) * | 2022-03-14 | 2022-07-12 | 青岛海尔空调器有限总公司 | 水洗空调及其杀菌控制方法 |
| CN115164340A (zh) * | 2022-07-05 | 2022-10-11 | 广东开利暖通空调股份有限公司 | 一种空调的杀菌控制方法、装置、空调及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117704609A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110497420A (zh) | 一种基于人工智能的感控机器人 | |
| CN110675006A (zh) | 一种室内空气质量实时监测与甲醛衰减预测系统 | |
| CN109960886B (zh) | 一种空气舒适度评价方法、装置及空气调节设备 | |
| CN104541109A (zh) | 室内空气包容度的监控方法,相关环境装置及操纵台 | |
| CN108559702A (zh) | 一种智慧医院的空气细菌浓度实时监测控制方法及其系统 | |
| CN114758748B (zh) | 一种植发环境的智能化分析处理方法及系统 | |
| CN105102899A (zh) | 空气环境调节系统和控制设备 | |
| CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测系统 | |
| CN117704609B (zh) | 用于空调机组的空气洁净控制方法及系统 | |
| CN110553319A (zh) | 一种用于病房内空气置换的控制方法及控制系统 | |
| CN117196349B (zh) | 一种住院床位信息智能管理系统 | |
| CN117010216B (zh) | 一种微生物气溶胶表面消毒效果的模拟评估方法 | |
| CN113693564A (zh) | 基于人工智能的睡眠质量监测方法、装置、设备及介质 | |
| CN117251870A (zh) | 基于区块链的大数据分析预警方法、系统及其云平台 | |
| JP2008112428A (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
| CN116976834A (zh) | 一种基于SaaS云服务的智慧养老服务平台 | |
| CN116013536A (zh) | 一种基于急危重症科室医疗质控指标自动采集分析方法及系统 | |
| CN113689058B (zh) | 基于智慧校园的宿舍管理系统及其方法 | |
| CN116520740A (zh) | 一种基于ai识别的水产养殖监控系统 | |
| Fritz et al. | Evaluating machine learning models to classify occupants’ perceptions of their indoor environment and sleep quality from indoor air quality | |
| CN115545071B (zh) | 一种基于wifi信号识别的居住建筑通风需求预测方法及系统 | |
| CN114067972A (zh) | 一种手术室的安全卫生管理方法及系统 | |
| CN115183358B (zh) | 一种基于物联网和人工智能的二氧化氯消毒新风系统 | |
| CN112042483A (zh) | 一种立体化中药材新品种栽培方法、系统及装置 | |
| Ping et al. | The investigation of the elder's monitoring system based on life supplying line |
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 |