TW202233256A - 微波強化空氣消毒系統的控制 - Google Patents
微波強化空氣消毒系統的控制 Download PDFInfo
- Publication number
- TW202233256A TW202233256A TW110142189A TW110142189A TW202233256A TW 202233256 A TW202233256 A TW 202233256A TW 110142189 A TW110142189 A TW 110142189A TW 110142189 A TW110142189 A TW 110142189A TW 202233256 A TW202233256 A TW 202233256A
- Authority
- TW
- Taiwan
- Prior art keywords
- microwave
- data
- mead
- sensor data
- enhanced air
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L9/00—Disinfection, sterilisation or deodorisation of air
- A61L9/16—Disinfection, sterilisation or deodorisation of air using physical phenomena
- A61L9/18—Radiation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
- F24F8/10—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering
- F24F8/108—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering using dry filter elements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
- F24F8/20—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by sterilisation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B6/00—Heating by electric, magnetic or electromagnetic fields
- H05B6/64—Heating using microwaves
- H05B6/6447—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B6/00—Heating by electric, magnetic or electromagnetic fields
- H05B6/64—Heating using microwaves
- H05B6/6447—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors
- H05B6/645—Method of operation or details of the microwave heating apparatus related to the use of detectors or sensors using temperature sensors
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B6/00—Heating by electric, magnetic or electromagnetic fields
- H05B6/64—Heating using microwaves
- H05B6/70—Feed lines
- H05B6/707—Feed lines using waveguides
- H05B6/708—Feed lines using waveguides in particular slotted waveguides
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2209/00—Aspects relating to disinfection, sterilisation or deodorisation of air
- A61L2209/10—Apparatus features
- A61L2209/11—Apparatus for controlling air treatment
- A61L2209/111—Sensor means, e.g. motion, brightness, scent, contaminant sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61L—METHODS OR APPARATUS FOR STERILISING MATERIALS OR OBJECTS IN GENERAL; DISINFECTION, STERILISATION OR DEODORISATION OF AIR; CHEMICAL ASPECTS OF BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES; MATERIALS FOR BANDAGES, DRESSINGS, ABSORBENT PADS OR SURGICAL ARTICLES
- A61L2209/00—Aspects relating to disinfection, sterilisation or deodorisation of air
- A61L2209/10—Apparatus features
- A61L2209/14—Filtering means
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B2206/00—Aspects relating to heating by electric, magnetic, or electromagnetic fields covered by group H05B6/00
- H05B2206/04—Heating using microwaves
- H05B2206/045—Microwave disinfection, sterilization, destruction of waste...
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
- Filtering Of Dispersed Particles In Gases (AREA)
Abstract
一種方法包含:標識操作微波強化空氣消毒(MEAD)系統的排程表;及基於排程表,由MEAD系統的微波產生器間歇性地產生微波能量。安置在MEAD系統的外殼中的多組件過濾器用以自通過外殼的氣流中收集污染物。來自氣流的污染物的至少一部分將經由微波能量直接或間接中的至少一者被破壞。
Description
本揭露的實施例係關於一種空氣消毒系統,且特定言之,係關於微波強化空氣消毒系統。
空氣可包含污染物。污染物可包含顆粒物、地面臭氧、碳、一氧化碳、二氧化硫、二氧化氮及鉛。其他污染物包含引起傳染病的微生物(例如活的及非活的)及媒介物。
本文中所描述的實施例係關於微波強化空氣消毒(microwave enhanced air disinfection,MEAD)系統的控制。
安全呼吸的空氣為人類的基本需求。室內空氣的安全現在為全球政府、企業經營者及消費者面臨的最重要的問題之一。甚至在嚴重急性呼吸道症候群冠狀病毒2 (severe acute respiratory syndrome coronavirus 2,SARS-CoV-2)(例如新冠病毒肺炎(coronavirus disease 2019,COVID-19)、新型冠狀病毒)危機開始之前,室內空氣品質即被視為一個新興的全球健康問題。世界衛生組織估計,八分之一的人死於室內空氣不良的因素。然而,由於這些死亡大多數發生在發展中國家,直至COVID-19大流行,室內空氣安全才成為全球關注的焦點。
空氣可包含許多污染物,包含顆粒物(例如顆粒)、地面臭氧、碳、一氧化碳、二氧化硫、二氧化氮、鉛、微生物(例如活的及非活的)、病毒、過敏原及媒介物。空氣中的污染物會危害人體健康、危害環境且造成財產損失。
微生物(例如微觀生物)生活在世界上幾乎每個棲息地中。病原體(例如傳染媒介物、引起疾病的東西、活的及非活的生物體等)包含傳染性微生物及媒介物,諸如病毒(例如,無套膜病毒、有套膜病毒)、細菌、原生動物、傳染性蛋白顆粒、類病毒及黴菌。例如,一些病原菌會引起諸如鼠疫、結核病及炭疽的疾病。在另一實例中,一些原生動物寄生蟲會引起諸如瘧疾、昏睡病、痢疾和弓蟲病的疾病。在另一實例中,一些真菌會引起諸如輪癬、念珠菌症或組織胞漿菌症的疾病。一些致病病毒會引起流感病毒(例如流感)、黃熱病、COVID-19及其類似者。
COVID-19及諸如流感及普通感冒的其他疾病已被證明很容易藉由空氣傳播的病原體傳播。一些病原體經由藉由咳嗽、打噴嚏及說話產生的小飛沫傳播。飛沫在空氣中傳播,且一些飛沫污染表面。人可能藉由接觸空氣中的飛沫或藉由觸摸受污染的表面且隨後觸摸其面部(例如眼睛、鼻子及/或嘴)而被感染。在一些示例中,病原體可能會在感染者出現症狀之前及出現症狀時傳播。
一些病原體(例如流感病毒)在世界範圍內週期性爆發,導致數百萬重症病例及數十萬人死亡。一些病原體有疫苗或特定的抗病毒治療,而另一些則沒有。大流行病(例如COVID-19)係由病原體在大範圍內引起疾病的傳播,在短時間內影響大量人群。
傳統上,空氣週期性地通過室內區(例如建築物中的一個或多個房間)循環。傳統的空氣循環系統包含用於收集正在循環的空氣中的一些顆粒的過濾器。週期性地更換這些傳統過濾器。與對氣流造成較多限制的傳統過濾器相比,不會對氣流造成太大限制的傳統過濾器收集的顆粒更少。隨著過濾器隨著時間的推移收集愈來愈多的顆粒,過濾器對氣流造成愈來愈多的限制。增加對氣流的限制會損壞空氣處理系統(例如,導致冷卻盤管凍結)、降低使用者舒適度(例如,提供較少的氣流)、減少空氣循環及其類似者。傳統過濾器不能移除來自空氣的某些污染物。
傳統方法僅為部分解決方案。傳統過濾器捕獲但不破壞污染物(例如,使得污染物不再構成威脅)且需要頻繁更換,從而增加成本且產生處置危險。傳統過濾器無法捕獲小顆粒(例如,大小小於30奈米(nm))。如COVID-19的病毒大小較小(例如,明顯小於30 nm),且通常存在於大小亦較小(例如,大小小於30 nm)的飛沫及顆粒中,且即使最強大的傳統過濾系統亦能逃脫。此外,隨著收集到的水滴變乾及破碎,碎片可能自過濾器中逸出,且帶來顯著的額外感染風險。一些傳統過濾系統在根本上速度較慢,在一次污染後通常需要數小時來清潔房間大小的空間。因此,傳統方法不適合實際應用。由於目前沒有有效的方法來消除空氣傳播的COVID-19,世界各國政府被迫實施政策以減輕疾病的傳播,造成毀滅性的經濟損失,且使企業及消費者瘋狂地尋找解決方案。因此,對能夠有效破壞空氣傳播污染物(如COVID-19)的空氣淨化產品存在直接且未滿足的需求。
本文中所揭露的裝置、系統及方法提供MEAD系統的控制。處理裝置(例如MEAD系統的控制器、伺服器裝置、用戶端裝置等的控制器)接收與MEAD系統相關聯的感測器資料。MEAD系統包含多組件過濾器及產生微波能量的微波產生器。在一些實施例中,MEAD系統包含提供通過多組件過濾器的氣流的風扇。在一些實施例中,自位於多組件過濾器附近的MEAD系統的一個或多個感測器(例如入口附近的感測器、出口附近的感測器、來自多組件過濾器的污染物排氣附近的感測器等)接收感測器資料。當氣流通過多組件過濾器時,來自氣流的污染物被截留(例如吸附、收集)在多組件過濾器上。污染物的至少一部分經由微波能量直接或間接中的至少一者被破壞。在一些實施例中,多組件過濾器的至少一部分由微波能量加熱以破壞(例如氧化、破壞、破壞以下的細胞結構)來自氣流的污染物(例如經由微波能量直接破壞的污染物)。在一些實施例中,多組件過濾器的至少一部分(例如沸石、金屬氧化物)經由多組件過濾器被激活以破壞來自氣流的污染物(例如經由微波能量間接破壞的污染物) (例如,破壞微生物、氧化VOC等)。在一些實施例中,多組件過濾器(例如沸石、金屬氧化物)的一種或多種性質可以移除(例如破壞)污染物(例如,在存在或不存在氣流的情況下)。在一些實施例中,微波能量催化反應(例如,在溫度低於用於產生反應的傳統溫度的情況下,提供較低的反應溫度,直接及/或間接破壞污染物)。在一些實施例中,污染物由一種或多種反應破壞(例如,基本上同時的反應,從而經由加熱及多組件過濾器的激活部分破壞)。
在一些實施例中,感測器資料與破壞多組件過濾器上所捕獲的污染物的廢氣相關聯。基於感測器資料,處理裝置進一步引起與MEAD系統相關聯的校正動作的執行。
在一些實施例中,基於與一個或多個MEAD系統相關聯的歷史感測器資料及歷史效能資料來訓練機器學習模型。在一些實施例中,歷史感測器資料與來自一個或多個MEAD系統的廢氣相關聯,該廢氣回應於藉由向對應的多組件過濾器提供微波能量來對捕獲在對應的多組件過濾器上的污染物(例如,藉由使包含污染物的氣流流過對應的多組件過濾器而捕獲在對應的多組件過濾器上的污染物)進行移除(例如破壞、排氣)。在一些實施例中,歷史效能資料與進入MEAD系統的氣流品質(例如氣流中污染物的數量及/或類型)、多組件過濾器的狀態(例如捕獲在多組件過濾器上的污染物的類型及/或數量)、離開MEAD系統的氣流品質、微波產生器的狀態(例如啟動微波產生器以產生微波能量的頻率、微波能量的頻率、微波產生器的功耗等)相關聯。在一些實例中,歷史效能資料包含進入MEAD系統的氣流中的污染物數量、微波能量中微波的頻率(例如百萬赫)、啟動微波產生器的頻率及/或其類似者。
在一些實施例中,處理裝置向經訓練的機器學習模型提供與MEAD系統相關聯的感測器資料,且自經訓練的機器學習模型獲得一個或多個指示預測資料(例如預測效能資料)的輸出。在一些實施例中,感測器資料與MEAD系統的排氣相關聯且預測資料與進入MEAD系統的氣流品質相關聯。處理裝置可以基於預測資料引起校正動作的執行。
在一些實施例中,校正動作包含以下中的一者或多者:使MEAD系統的微波產生器產生微波能量(例如,在第一時間量內、以設定的間隔等);使MEAD系統的風扇提供通過MEAD系統的氣流(例如,在一定時間量內、以設定的間隔、以特定的流速等);使多組件過濾器的至少一部分被更換;使微波能量的產生中斷;使警報被提供;及/或其類似者。
在一些實施例中,處理裝置(例如MEAD系統的、伺服器裝置的、用戶端裝置的、閘道裝置的等標識操作MEAD系統的排程表。排程表可以指示MEAD系統何時以特定的功率設置產生微波能量、MEAD系統何時經由風扇提供特定的氣流等。處理裝置基於排程表由MEAD系統的微波產生器間歇性地產生微波能量。處理裝置接收感測器資料或使用者輸入。MEAD系統決定感測器資料或使用者輸入是否符合排程表。在一些實例中,排程表指示存在小於來自排氣附近的感測器的感測器資料的臨限值。在一些實例中,排程表指示存在小於入口附近的感測器與出口附近的感測器之間的感測器資料差的臨限距離值。在一些實例中,排程表指示使用者輸入的模式。回應於與排程表匹配的感測器資料或使用者輸入,處理裝置繼續使用排程表。回應於感測器資料或使用者輸入與排程表不匹配,處理裝置基於感測器資料或使用者輸入更新排程表。在一些實例中,回應於決定感測器資料滿足臨限值或感測器資料的差異滿足臨限距離值(例如,指示超過臨限污染物量),處理裝置更新MEAD系統的操作(例如,增加微波產生器的功率、增加微波產生器的操作持續時間、增加微波產生器運行的頻率等)。在一些實例中,回應於決定使用者輸入與排程表中的模式不匹配,處理裝置基於新的使用者輸入(例如新的使用者輸入模式)來更新排程表。
本文中所揭露的系統、裝置及方法具有優於傳統解決方案的優勢。MEAD系統的微波產生器基於感測器資料間歇性地啟動,從而節省MEAD系統的能量及磨損,同時提高氣流品質且保護居住者的健康。可以產生與氣流品質相關聯的預測資料以用於校正動作的執行,從而亦可以改善氣流品質且保護居住者的健康。與捕獲較少污染物、不捕獲較小污染物且不破壞污染物的傳統系統相比,MEAD系統移除更多污染物、移除較小污染物且破壞污染物。與傳統系統相比,這使得MEAD系統較佳地改善氣流品質且較佳地保護居住者的健康。MEAD系統藉由經由微波能量加熱多組件過濾器、藉由經由微波能量激活多組件過濾器的一個或多個部分(例如金屬氧化物、沸石等)等來破壞污染物。已示出MEAD系統的技術可以殺死霧化生物製劑,如大腸桿菌(E. coli)、大腸桿菌病毒MS2及枯草桿菌,該技術通常用於在90秒內對COVID-19及其他危險病原體進行建模,從而比傳統系統快得多(例如,快20至50倍)。這使得MEAD系統實時淨化室內空氣。MEAD系統對污染物的破壞避免傳統系統頻繁更換過濾器,且避免傳統系統中需要更換過濾器造成的空氣限制。這亦使得MEAD系統具有比一些傳統系統中的過濾器更薄的過濾器,這使得MEAD系統對氣流的限制更少。MEAD系統氣流限制的減少減少對空氣處理系統的損壞,增加空氣循環,且提高使用者舒適度。MEAD系統可以經由微波產生器間歇性地產生微波能量,從而降低能量消耗。
第1圖為圖示根據某些實施例的例示性系統101(例示性系統架構)的方塊圖。系統101包含一個或多個MEAD系統100(例如第2A圖至第2B圖的MEAD系統200、第3A圖至第3B圖的MEAD系統300、第4A圖至第4B圖的MEAD系統400)、預測伺服器132、用戶端裝置136及資料儲存庫140。在一些實施例中,預測伺服器132為預測系統130的一部分。在一些實施例中,預測系統130進一步包含伺服器機器170及180。
在一些實施例中,MEAD系統100、用戶端裝置136、預測伺服器132、資料儲存庫140、伺服器機器170及/或伺服器機器180中的一者或多者經由網路150彼此耦合(例如用於產生預測資料160,用於控制MEAD系統100,用於執行校正動作等)。在一些實施例中,網路150係為用戶端裝置136提供對MEAD系統100、預測伺服器132、資料儲存庫140及其他公共可用計算裝置的存取的公共網路。在一些實施例中,網路150係為用戶端裝置136提供對MEAD系統100、預測伺服器132、資料儲存庫140及其他私有可用計算裝置的存取的專用網路。在一些實施例中,網路150包含一個或多個廣域網路(Wide Area Network,WAN)、區域網路(Local Area Network,LAN)、有線網路(例如乙太網路)、無線網路(例如802.11網路或Wi-Fi®網路)、蜂巢式網路(例如長期演進(Long Term Evolution,LTE)網路)、雷達單元、發射天線、接收天線、微波發射器、微波接收器、聲納裝置、光達裝置、路由器、集線器、交換機、伺服器電腦、雲計算網路及/或其組合。
MEAD系統100包含用於捕獲通過MEAD系統100的氣流中的污染物的多組件過濾器。MEAD系統進一步包含微波產生器以產生微波能量以加熱及/或激活多組件過濾器的至少一部分以自多組件過濾器對污染物進行移除(例如破壞、排氣)。每一MEAD系統包含控制器102(例如,參見第8圖的電腦系統800)及一個或多個感測器104。在一些實施例中,感測器104提供與MEAD系統100相關聯的感測器資料142(例如MEAD系統100的排氣性質、MEAD系統100的溫度、通過MEAD系統100的氣流、MEAD系統100內的壓力、MEAD系統100之外的條件等)。在一些實施例中,控制器102基於來自感測器104的感測器資料142來控制MEAD系統100。在一些實施例中,控制器102將感測器資料142傳輸給其他MEAD系統100、用戶端裝置136、資料儲存庫140、預測系統130等中的一者或多者。在一些實施例中,控制器102自其他MEAD系統100、用戶端裝置136、資料儲存庫140、預測系統130等中的一者或多者接收指令(例如,以執行校正動作)。在一些實施例中,控制器102經由MEAD系統100的使用者介面、經由用戶端裝置136、經由預測系統130等中的一者或多者接收使用者輸入以控制MEAD系統100。
在一些實施例中,一個或多個MEAD系統100A-Z彼此通訊。在一些實施例中,MEAD系統100A自預測系統130、用戶端裝置136及/或資料儲存庫140中的一者或多者接收資料(例如指令、排程表、感測器資料等)且將資料提供給其中一個或多個MEAD系統100B-Z。在一些實施例中,MEAD系統100A自一個或多個其他MEAD系統100B-Z接收資料且將資料提供給預測系統130、用戶端裝置136及/或資料儲存庫140中的一者或多者。
在一些實施例中,一個或多個MEAD系統100A-Z經由網路150通訊。在一些實施例中,一個或多個MEAD系統100A-Z經由區域網路151通訊。區域網路151可為在MEAD系統100之間提供一個或多個通訊通道的計算網路。在一些實例中,區域網路151為不依賴於預先存在的網路基礎設施(例如存取點、交換機、路由器)的同層網路,且MEAD系統100更換聯網基礎設施以在MEAD系統100之間路由通訊。區域網路151可為自組態的無線網路,且使得MEAD系統100能夠對區域網路151做出貢獻且動態地連接區域網路151(例如自組無線網路)且斷開與區域網路151的連接。在一些實例中,區域網路151為包含使得MEAD系統100能夠與其他MEAD系統100通訊的聯網基礎設施的計算網路。區域網路151可以或可以不存取公共網路(例如網際網路、網路150)。例如,可以用作存取點以使得MEAD系統100能夠在不提供網際網路接取的情況下彼此通訊的存取點或裝置。在一些實施例中,區域網路151提供對諸如網路150(例如網際網路)的較大網路的存取。在一些實施例中,區域網路151係基於任何無線或有線通訊技術且可以將第一MEAD系統100直接或間接(例如涉及中間裝置,諸如中間MEAD系統100)連接至第二MEAD系統100。無線通訊技術可包含藍芽®、Wi-Fi®、紅外線、超音波或其他技術。有線通訊可包含通用串列匯流排(universal serial bus,USB)、乙太網、RS 232或其他有線連接。區域網路151可為兩個MEAD系統100之間的單獨連接或可包含多個連接。
在一些實施例中,用戶端裝置136包含諸如個人電腦(Personal Computer,PC)、膝上型電腦、行動電話、智慧手機、平板電腦、筆電電腦、閘道裝置等的計算裝置。在一些實施例中,用戶端裝置136包含校正動作組件138。用戶端裝置136包含允許用戶對資料(例如MEAD系統100的選擇、與MEAD系統100相關聯的校正動作等)進行產生、查看或編輯中的一者或多者的操作系統。
在一些實施例中,校正動作組件138接收與MEAD系統100相關聯的指示的使用者輸入(例如,經由經由用戶端裝置136顯示的圖形使用者介面(Graphical User Interface,GUI))。在一些實施例中,校正動作組件138向預測系統130傳輸指示,自預測系統130接收輸出(例如預測資料160),基於輸出決定與MEAD系統100相關聯的校正動作,且使得校正動作被實施。在一些實施例中,校正動作組件138獲得與MEAD系統100相關聯的感測器資料142(例如當前感測器資料146)(例如來自資料儲存庫140等)且將與MEAD系統100相關聯的感測器資料142(例如當前感測器資料146)提供給預測系統130。在一些實施例中,校正動作組件138將感測器資料142儲存在資料儲存庫140中,且預測伺服器132自資料儲存庫140中擷取感測器資料142。在一些實施例中,預測伺服器132將經訓練的機器學習模型190的輸出(例如預測資料160)儲存在資料儲存庫140中,且用戶端裝置136自資料儲存庫140中擷取輸出。在一些實施例中,校正動作組件138自預測系統130接收校正動作的指示且使得校正動作被實施。
在一些實施例中,校正動作與計算製程控制(Computational Process Control,CPC)、統計製程控制(Statistical Process Control,SPC)(例如,與3-西格瑪圖進行比較的SPC等)、進階製程控制(Advanced Process Control,APC)、基於模型的製程控制、預防性操作維護、設計最佳化、操作參數的更新、回饋控制、機器學習修改或其類似者中的一者或多者相關聯。
在一些實施例中,校正動作包含提供警報(例如,在預測資料160指示預測的異常,諸如氣流、廢氣、組件、MEAD系統100或其類似者的異常的情況下更換或修理MEAD系統100的組件的警報)。在一些實施例中,校正動作包含提供回饋控制(例如,回應於指示預測異常的預測資料160而修改操作)。在一些實施例中,校正動作包含提供機器學習(例如,基於預測資料160導致修理或更換MEAD系統100的組件)。在一些實施例中,校正動作的執行包含引起對MEAD系統100的一個或多個組件的一個或多個操作參數的更新。在一些實施例中,校正動作包含引起預防性維護。
在一些實施例中,預測伺服器132、伺服器機器170及伺服器機器180均包含一個或多個計算裝置,諸如承載架式伺服器、路由器電腦、伺服器電腦、個人電腦、主機電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(Graphics Processing Unit,GPU)、加速器專用積體電路(Application-Specific Integrated Circuit,ASIC)(例如張量處理單元(Tensor Processing Unit,TPU))等。
預測伺服器132包含預測組件134。在一些實施例中,預測組件134接收感測器資料142(例如,自用戶端裝置136接收、自資料儲存庫140擷取)且產生用於基於感測器資料142執行與MEAD系統100相關聯的校正動作的輸出(例如預測資料160)。在一些實施例中,預測組件134使用一個或多個經訓練的機器學習模型190來基於感測器資料142決定用於執行校正動作的輸出。在一些實施例中,使用歷史感測器資料144及歷史效能資料154來訓練經訓練的機器學習模型190。
在一些實施例中,預測系統130(例如預測伺服器132、預測組件134)使用監督機器學習(例如監督資料集、標記資料等)產生預測資料160。在一些實施例中,預測系統130使用半監督學習(例如半監督資料集、預測百分比等)產生預測資料160。在一些實施例中,預測系統130使用無監督機器學習(例如無監督資料集、聚類等)產生預測資料160。
在一些實施例中,感測器104提供與MEAD系統100相關聯的感測器資料142(例如歷史感測器資料144、當前感測器資料146)。在一些實施例中,感測器104包含壓力感測器、流量感測器、溫度感測器、濕度感測器、氣壓計、光感感測器、成像裝置、電流感測器、電壓感測器、位置感測器(例如全球定位系統(global positioning system,GPS)裝置)及/或其類似者中的一者或多者。在一些實施例中,一個或多個感測器104包含感測器探頭,其量測包含化學及物理空氣品質參數的感測器資料142。在一些實施例中,感測器104在MEAD系統100的操作(例如風扇的操作、微波產生器的操作)期間提供感測器資料142。在一些實施例中,感測器資料142用於設備健康、空氣處理、能量使用及/或其類似者。在一段時間內接收感測器資料142。
在一些實施例中,感測器資料142與諸如硬體參數(例如MEAD系統100的設置或組件(例如大小、類型等))或MEAD系統100的製程參數的操作參數相關聯或指示這些操作參數。在一些實施例中,在MEAD系統100執行操作(例如風扇操作、微波能量產生等)時、在MEAD系統100執行操作之前及/或在MEAD系統100執行操作之後提供感測器資料142。在一些實例中,在調試、安裝、預防性維護及/或更換MEAD系統100的至少一部分之後提供感測器資料142。
在一些實施例中,感測器資料142(例如歷史感測器資料144、當前感測器資料146等)被處理(例如,由用戶端裝置136及/或由預測伺服器132處理)。在一些實施例中,感測器資料142的處理包含產生特徵。在一些實施例中,特徵為感測器資料142的模式(例如斜率、寬度、高度、峰值等)或來自感測器資料142(例如源自電壓及電流的功率等)的感測器值的組合。在一些實施例中,感測器資料142包含特徵,且特徵由預測組件134用於獲得預測資料160以供執行校正動作。
在一些實施例中,資料儲存庫140為記憶體(例如隨機存取記憶體)、驅動器(例如硬碟、快閃驅動)、資料庫系統或能夠儲存資料的另一種類型的組件或裝置。在一些實施例中,資料儲存庫140包含跨越多個計算裝置(例如多個伺服器電腦)的多個儲存組件(例如多個驅動器或多個資料庫)。在一些實施例中,資料儲存庫140儲存感測器資料142、效能資料152及/或預測資料160中的一者或多者。
感測器資料142包含歷史感測器資料144及當前感測器資料146。在一些實施例中,感測器資料142包含壓力資料、流量資料、溫度資料、濕度資料、氣壓計資料、光感資料、影像資料、電流資料、電壓資料、空氣品質資料、環境條件資料(例如溫度、壓力、光等)、廢氣資料及/或其類似者。在一些實施例中,校正動作與感測器資料142與臨限值資料之間的差異相關聯。
效能資料152包含歷史效能資料154及當前效能資料156。在一些實施例中,效能資料152為在執行校正動作之後與MEAD系統100相關聯的資料(例如感測器資料142)。在一些實例中,效能資料152為壓力資料、流速資料、溫度資料、廢氣資料、空氣品質資料及/或其類似者(例如在執行校正動作之後)。在一些實施例中,效能資料152包含與所執行的校正動作相關聯的資料(例如微波能量產生的迭代、微波能量產生的時間長度、所產生的微波能量的頻率及/或功率、組件的修理或更換類型、歷史校正動作、當前校正動作等)。在一些實施例中,效能資料152為被破壞的污染物的量(例如基於入口感測器資料與出口感測器資料之間的差異)。
在一些實例中,效能資料152指示與MEAD系統100相關聯的異常(例如進入MEAD系統的空氣品質、由MEAD系統處理的空氣品質、來自MEAD系統的排氣、組件故障、維護、能源使用、組件與類似組件相比的差異等)。在一些實施例中,效能資料152與產量(例如經處理的氣流的產量、排氣的產量、污染物移除的產量等)、平均產量、預測的產量、產品的預測異常及/或其類似者相關聯。在一些實例中,回應於第一段時間內的產量為第一量,用戶端裝置136基於即將到來的時間內的產品將具有相同產量的預測而引起校正動作。
歷史資料包含歷史感測器資料144及/或歷史效能資料154(例如用於訓練機器學習模型190的至少一部分)中的一者或多者。當前資料包含當前感測器資料146及/或當前效能資料156中的一者或多者(例如,在使用歷史資料訓練模型190之後將輸入至經訓練的機器學習模型190的至少一部分),針對這些資料產生預測資料160(例如用於執行校正動作)。在一些實施例中,當前資料用於保留經訓練的機器學習模型190。
在一些實施例中,預測資料160與MEAD系統100的預測效能資料(例如待處理空氣的預測品質、待處理的空氣中的預測污染物、經處理空氣的預測品質、經處理空氣量、壓力位準、流速、能量消耗及/或其類似者)相關聯。在一些實施例中,預測資料160為在執行特定校正動作之後MEAD系統的預測效能資料。
執行導致產品品質差(例如經處理空氣品質差)的操作在時間、能量、組件、MEAD系統100等方面皆為昂貴的。藉由輸入感測器資料142、接收預測資料160的輸出及基於預測資料160執行校正動作,系統101具有避免產生不良空氣品質的技術優勢。
執行導致MEAD系統100的組件故障的操作在停機、設備損壞、快速訂購更換組件等方面為昂貴的。藉由輸入感測器資料142、接收預測資料160的輸出及基於預測資料160執行校正動作(例如組件的更換、修理、預防性維護等),系統101具有避免意外組件故障、計劃外停機、生產力損失、意外設備故障及其類似者中的一者或多者的成本的技術優勢。
在一些實施例中,操作參數為次佳的(例如,產生微波能量及/或致動風扇等的迭代次數太少),這具有增加資源(例如能量等)消耗、增加的輸出空氣的時間量、增加的組件故障等的代價高昂的結果。藉由將感測器資料142輸入至經訓練的機器學習模型190中、接收預測資料160的輸出及執行(例如基於預測資料160)更新操作參數(例如用於微波能量產生及/或風扇操作的迭代、排程表等)的校正動作,系統101具有使用最佳操作參數來避免次佳操作參數的代價高昂的結果的技術優勢。
在一些實施例中,預測系統130進一步包含伺服器機器170及伺服器機器180。伺服器機器170包含資料集產生器172,資料集產生器172能夠產生資料集(例如,資料輸入集及目標輸出集)以訓練、驗證及/或測試機器學習模型190。資料集產生器172的一些操作在下文關於第5圖及第7A圖詳細描述。在一些實施例中,資料集產生器172將歷史資料(例如歷史感測器資料144及歷史效能資料154)劃分為訓練集(例如歷史資料的百分之六十)、驗證集(例如歷史資料的百分之二十)及測試集(例如歷史資料的百分之二十)。在一些實施例中,預測系統130(例如,經由預測組件134)產生多個特徵集。在一些實例中,第一特徵集對應於第一類型感測器資料集(例如來自第一感測器集合、來自第一感測器集合的值的第一組合、來自第一感測器集合的值中的第一模式)(對應於每一資料集(例如訓練集、驗證集及測試集)),而第二特徵集對應於第二類型感測器資料集(例如來自與第一感測器集合不同的第二感測器集合、與第一組合不同的值的第二組合、與第一模式不同的第二模式)(對應於每一資料集)。
伺服器機器180包含訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。在一些實施例中,引擎(例如訓練引擎182、驗證引擎184、選擇引擎185及測試引擎186)係指硬體(例如電路、專用邏輯、可程式化邏輯、微碼、處理裝置等)、軟體(諸如在處理裝置、通用電腦系統或專用機器上運行的指令)、軔體、微碼或其組合。訓練引擎182能夠使用與來自資料集產生器172的訓練集相關聯的一個或多個特徵集來訓練機器學習模型190。在一些實施例中,訓練引擎182產生多個經訓練的機器學習模型190,其中每一經訓練的機器學習模型190對應於訓練集的一組不同的特徵(例如來自一組不同感測器的感測器資料)。在一些實例中,使用所有特徵(例如X1至X5)訓練第一經訓練的機器學習模型,使用特徵的第一子集(例如X1、X2、X4)訓練第二經訓練的機器學習模型,且使用與特徵的第一子集部分重疊的特徵的第二子集(例如X1、X3、X4及X5)訓練第三經訓練的機器學習模型。
驗證引擎184能夠使用來自資料集產生器172的驗證集的對應特徵集來驗證經訓練的機器學習模型190。例如,使用驗證集的第一特徵集來驗證使用訓練集的第一特徵集訓練的第一經訓練的機器學習模型190。驗證引擎184基於驗證集的對應特徵集決定每一經訓練的機器學習模型190的準確度。驗證引擎184丟棄具有不滿足臨限值準確度的準確度的經訓練的機器學習模型190。在一些實施例中,選擇引擎185能夠選擇具有滿足臨限值準確度的準確度的一個或多個經訓練的機器學習模型190。在一些實施例中,選擇引擎185能夠選擇具有經訓練的機器學習模型190的最高準確度的經訓練的機器學習模型190。
測試引擎186能夠使用來自資料集產生器172的測試集的對應特徵集來測試經訓練的機器學習模型190。例如,使用測試集的第一特徵集來測試使用訓練集的第一特徵集訓練的第一經訓練的機器學習模型190。測試引擎186基於測試集決定具有所有經訓練的機器學習模型的最高準確度的經訓練的機器學習模型190。
在一些實施例中,機器學習模型190係指由訓練引擎182使用包含資料輸入及對應目標輸出(相應訓練輸入的正確答案)的訓練集創建的模型製品。可以找到將資料輸入映射至目標輸出(正確答案)的資料集中的模式,且向機器學習模型190提供捕獲這些模式的映射。在一些實施例中,機器學習模型190使用支援向量機(Support Vector Machine,SVM)、徑向基底函數(Radial Basis Function,RBF)、聚類、監督機器學習、半監督機器學習、無監督機器學習、k-最近鄰演算法(k-Nearest Neighbor algorithm,k-NN)、線性迴歸、隨機森林、神經網路(例如人工神經網路)等。在一些實施例中,機器學習模型190為多變量解析(multi-variable analysis,MVA)模型。
預測組件134向經訓練的機器學習模型190提供當前感測器資料146且在輸入上運行經訓練的機器學習模型190以獲得一個或多個輸出。預測組件134能夠自經訓練的機器學習模型190的輸出中決定(例如提取)預測資料160且自輸出中決定(例如提取)置信資料,該置信資料指示預測資料160對應於當前感測器資料146處的MEAD系統100的當前效能資料156(例如模型190)的置信度位準。在一些實施例中,預測組件134或校正動作組件138使用置信資料來決定是否基於預測資料160引起與MEAD系統100相關聯的校正動作。
置信資料包含或指示預測資料160對應於當前感測器資料146處的MEAD系統100的當前效能資料156(例如模型190)的置信度位準。在一個實例中,置信度位準為介於0與1之間的實數,包含端點,其中0指示沒有預測資料160對應於與當前感測器資料146相關聯的當前效能資料156的置信度,而1指示預測資料160對應於與當前感測器資料146相關聯的當前效能資料156的絕對置信度。回應於指示置信度位準低於預定數目的示例(例如示例的百分比、示例的頻率、示例的總數等)的臨限值位準的置信度資料,預測組件134使得經訓練的機器學習模型190被重新訓練(例如,基於當前感測器資料146及當前效能資料156等)。
出於說明而非限制的目的,本揭露的態樣描述使用歷史資料(例如歷史感測器資料144及歷史效能資料154)來訓練一個或多個機器學習模型190及將當前資料(例如當前感測器資料146)輸入至一個或多個經訓練的機器學習模型190中以決定預測資料160(例如,預測當前效能資料156)。在其他實施方式中,使用啟發式模型或基於規則的模型來決定預測資料160(例如,不使用經訓練的機器學習模型)。預測組件134監測歷史感測器資料144及歷史效能資料154。在一些實施例中,在啟發式或基於規則的模型中提及或以其他方式使用關於第5圖的資料輸入510描述的資訊中的任何資訊。
在一些實施例中,用戶端裝置136、預測伺服器132、伺服器機器170及伺服器機器180的功能由較少數目的機器提供。例如,在一些實施例中,伺服器機器170及180整合至單個機器中,而在一些其他實施例中,伺服器機器170、伺服器機器180及預測伺服器132整合至單個機器中。在一些實施例中,用戶端裝置136及預測伺服器132整合至單個機器中。
一般而言,若合適,在一個實施例中描述為由用戶端裝置136、預測伺服器132、伺服器機器170及伺服器機器180執行的功能亦可以在其他實施例中在預測伺服器132上執行。此外,歸因於特定組件的功能性可以由一起操作的不同或多個組件來執行。例如,在一些實施例中,預測伺服器132基於預測資料160決定校正動作。在另一實例中,用戶端裝置136基於來自經訓練的機器學習模型的輸出來決定預測資料160。
在一些實施例中,校正動作組件138為預測系統130(例如預測伺服器132)的一部分。在一些實施例中,預測組件134為用戶端裝置136的一部分。在一些實施例中,校正動作組件138及/或預測組件134為MEAD系統100的控制器102的一部分。
此外,特定組件的功能可以由一起操作的不同或多個組件來執行。在一些實施例中,預測伺服器132、伺服器機器170或伺服器機器180中的一者或多者作為藉由適當的應用程式設計介面(application programming interface,API)提供給其他系統或裝置的服務被存取。
在一些實施例中,「使用者」表示為單個個體。然而,本揭露的其他實施例涵蓋作為由複數個使用者及/或自動化源控制的實體的「使用者」。在一些實例中,將聯合為一組管理者的個人使用者集合視為「使用者」。
儘管在產生預測資料160以執行與MEAD系統100相關聯的校正動作方面論述本揭露的實施例,但在一些實施例中,本揭露亦可以一般地應用於驗證組件的正確操作及產品生產。實施例可以一般地應用於基於不同類型的資料來驗證正確操作及生產。
第2A圖至第2B圖為圖示根據某些實施例的MEAD系統200A-B(以下稱為MEAD系統100)(例如第1圖的MEAD系統100,MEAD裝置)的方塊圖。具有與第1圖的組件相似的附圖標記的第2A圖及/或第2B圖的組件可以具有至少一些相同的結構及/或功能性。
MEAD系統200包含外殼210。在一些實施例中,MEAD系統200為裝置,且外殼210為裝置外殼,其中MEAD系統200的組件包含在外殼210中且/或附接至外殼210。在一些實施例中,MEAD系統200具有彼此耦合(例如電耦合、流體耦合等)的一個或多個組件,而不附接至外殼210及/或安置在外殼210中。在一些實施例中,MEAD系統200為獨立裝置。在一些實施例中,MEAD系統200與另一系統結合安裝(例如安裝在暖通空調(heating ventilation and air conditioning,HVAC)系統的管道中、整合至HVAC系統中、改裝至HVAC系統等)。
MEAD系統200包含耦接至外殼210的微波產生器220(例如具有磁控管的微波產生器、固態微波產生器、固態數位電源等)。在一些實施例中,微波產生器220安置在外殼210中。在一些實施例中,微波產生器220附接至外殼210。微波產生器220產生傳輸至外殼210中的微波能量。在一些實施例中,MEAD系統200包含微波反射殼體(例如,外殼210為微波反射殼體,微波反射殼體安置在外殼中等)。微波反射殼體防止微波能量離開MEAD系統200。在一些實施例中,微波產生器220間歇地產生微波能量(例如基於排程表、開/關定時器、工作週期、基於感測器資料、基於指令、間歇微波能量操作等)。在一些實施例中,微波產生器220連續地產生微波能量(例如連續操作)。
MEAD系統200包含安置在外殼210中(或至少部分地安置在外殼210中)的多組件過濾器230。氣流通過多組件過濾器230,且來自氣流的污染物由多組件過濾器230捕獲。多組件過濾器230的至少一部分用以被由微波產生器220產生的微波能量加熱及/或激活以對來自氣流的污染物(例如多組件過濾器230中捕獲的污染物)進行移除(例如氧化、破壞、排氣等)。污染物經加熱、破壞及/或排氣。
在一些實施例中,多組件過濾器230由兩種或更多種過濾材料製成,其中每一過濾材料具有不同的功能。在一些實施例中,多組件過濾器230具有兩個或更多個層,其中每一層由不同的過濾材料製成。在一些實施例中,代替離散過濾層或除離散過濾層之外,多組件過濾器230亦使用一種或多種異質結構。在一些實施例中,多組件過濾器230為各自具有不同功能的兩種或更多種過濾材料的異質混合物(例如異質結構)。在一些實施例中,多組件過濾器230包含預過濾器、微波吸收材料、金屬氧化物(例如氧化銅、氧化鋅、氧化鈦等)、金屬碳化物(例如碳化矽等)、沸石、分子篩、不含有機黏結劑的材料、含有無機黏結劑的材料、HEPA過濾器及/或其類似者中的一者或多者。在一些實施例中,金屬氧化物層定位成最靠近微波能量(例如經加熱及/或激活最多),HEPA過濾層定位成距微波能量最遠(例如經加熱及/或激活最少、未加熱及/或激活),且沸石層位於金屬氧化物層與HEPA過濾層之間。在一些實施例中,金屬層用於移除及破壞活的及非活的微生物,分子篩(例如沸石層)用於移除VOC,且HEPA過濾層用於移除殘留的污染物。
在一些實施例中,多組件過濾器230的深度小於約4吋(例如,自氣流進入多組件過濾器的位置至氣流離開多組件過濾器以離開MEAD系統200的位置小於4吋)。在一些實施例中,多組件過濾器的深度小於約3吋。在一些實施例中,多組件過濾器的深度小於約2吋。在一些實施例中,多組件過濾器的深度為約2吋至4吋。在一些實施例中,多組件過濾器的長度為12吋至16吋(例如,波導的長度為12吋至16吋)。
在一些實施例中,MEAD系統200具有耦接至外殼210的風扇240。在一些實施例中,MEAD系統200具有安置在外殼210內的風扇240。在一些實施例中,風扇240提供將氣流提供至外殼210中以由多組件過濾器230過濾,且相同的風扇240提供氣流以冷卻微波產生器220。在一些實施例中,MEAD系統200不具有風扇(例如氣流由MEAD系統200之外的組件提供,諸如由HVAC系統的鼓風機提供)。在一些實施例中,風扇240(例如吸入風扇)將氣流拉入外殼220中且導致氣流通過風扇240離開外殼220(例如,氣流在通過風扇240之前通過多組件過濾器230)。在一些實施例中,風扇240將氣流推入MEAD系統200中且導致氣流通過外殼220離開MEAD系統200(例如,氣流在通過多組件過濾器230之前通過風扇240)。在一些實施例中,風扇240用以在推動氣流與拉動氣流之間切換操作(例如,以使多組件過濾器230中的污染物鬆散)。在一些實施例中,MEAD系統200包含壓力感測器以量測跨多組件過濾器230的壓降。回應於控制器102基於來自壓力感測器的壓力資料決定壓降滿足臨限值壓降,控制器102可以引起一個或多個校正動作(例如,使得風扇240增加氣流,使得風扇240在推動與拉動之間交替氣流,提供警報以清潔或更換MEAD系統200的一部分等)。
在一些實施例中,風扇240為靜音風扇以將空氣拉過MEAD系統200。在一些實施例中,多組件過濾器230包含在排放之前移除所有小顆粒的約99.97%的HEPA過濾器。在一些實施例中,多組件過濾器230包含有效收集氣膠、氣味及其他污染物的過濾器矩陣。在一些實施例中,過濾器與對微波能量起反應且經激活(例如加熱至足夠高的溫度)以破壞污染物(諸如病毒及VOC)的材料(例如,經由無機黏結劑)組合。微波產生器220(例如具有波導及/或磁控管)用於跨多組件過濾器230的過濾材料均勻分佈微波能量。在一些實施例中,污染物(例如病毒氣膠及VOC)收集在多組件過濾器230(例如過濾介質)上,多組件過濾器230可以在週期性循環中由微波能量(例如微波)加熱及/或激活,以使得微波系統未連續操作。在一些實施例中,MEAD系統200操作交替的吸附-微波再生循環(例如,多組件過濾器230吸附污染物,且隨後微波產生器220產生微波能量以破壞多組件過濾器230上的污染物以再生多組件過濾器230)。
在一些實施例中,MEAD系統200包含安置在外殼210中或耦接至外殼210的控制器102。在一些實施例中,微波產生器220包含控制器102。控制器102包含處理裝置、記憶體、感測器、無線組件、使用者介面及/或其類似者中的一者或多者。在一些實施例中,控制器102包含第6圖的電腦系統600的一個或多個組件。在一些實施例中,控制器基於排程表、使用者輸入、感測器資料等中的一者或多者來致動(例如打開、關閉、調整風扇速度、調整微波能量產生等)微波產生器220及/或風扇240。
在一些實施例中,MEAD系統200包含耦接至外殼210或耦接在外殼210內的一個或多個感測器104。在一些實施例中,一個或多個感測器104安置在多組件過濾器230的一個或多個部分之後的氣流中(例如,在氣流已被至少部分過濾之後)。由於污染物捕獲在多組件過濾器230中且由微波能量加熱及/或激活多組件過濾器230破壞,污染物被排氣。在一些實施例中,定位一個或多個感測器104以提供與經排氣的污染物相關聯的感測器資料。
在一些實施例中,風扇240安置在外殼210的第一遠端處,且微波產生器220安置在外殼210的第二遠端處(例如,參見第2A圖)。風扇240可以經由外殼210將氣流拉入MEAD系統中(例如,氣流通過風扇240離開),且/或風扇240可以藉由風扇240將氣流提供至MEAD系統中(例如,氣流通過外殼210離開)。
在一些實施例中,MEAD系統200包含基本上彼此成一直線的入口202(例如大氣流入口)及出口204(例如大氣流出口)(例如,入口及出口沿著公共軸線安置,中心軸線基本上穿過入口的中心及出口的中心,參見第2B圖等)。一個或多個組件(例如引擎206)可以安置在入口202與出口204之間(例如,安置在彼此成一直線的入口與出口之間)。引擎206可以包含微波產生器220、多組件過濾器230、風扇240、控制器102、一個或多個感測器104等中的一者或多者。
在一些實施例中,感測器104包含:感測器104A,安置在MEAD系統200的入口(例如入口202、外殼210)附近;感測器104B,安置在排氣(例如多組件過濾器230、多組件過濾器130的達至比多組件過濾器130的其他部分高的溫度以觸發燃燒的一部分等)附近;及感測器104C,定位在MEAD系統200的出口(例如出口204、風扇240)附近。控制器102可以自感測器104接收感測器資料且基於感測器資料或來自不同感測器104的感測器資料之間的差異引起校正動作。在一些實例中,回應於基於來自感測器104B的感測器資料(例如排氣感測器資料)決定氣流中存在臨限值量的污染物或某種類型的污染物,控制器102可以使MEAD系統200繼續操作(例如,產生微波能量及氣流,增加提供給微波產生器220的功率,增加氣流等)。回應於基於來自感測器104B的感測器資料決定氣流中不存在臨限值量的污染物或某些類型的污染物,控制器102可以使MEAD系統200停止或減慢操作(例如,降低微波產生器220的功率,減少經由風扇240的氣流,停止產生微波能量及/或氣流等)。
在一些實例中,回應於基於來自感測器104A的感測器資料(例如入口感測器資料)及來自感測器104C的感測器資料(例如出口感測器資料104C)決定超過臨限差值的差值,控制器可以使得MEAD系統200繼續操作(例如,產生微波能量及氣流)。回應於基於來自感測器104A及104C的感測器資料決定不滿足臨限差值,控制器102可以使得MEAD系統200停止或減慢操作(例如,降低微波產生器220的功率,減少經由風扇240的氣流,停止產生微波能量及/或氣流等)。
在一些實施例中,控制器102可以使得風扇240使氣流反向(例如,入口202用作出口,且出口204用作入口)。回應於使氣流反向,控制器102可以使用來自感測器104C的感測器資料作為入口感測器資料且可以使用來自感測器104A的感測器資料作為出口感測器資料。
在一些實施例中,控制器102可以使得MEAD系統200連續操作(例如,回應於被打開,經由微波產生器220產生微波能量且經由風扇240產生氣流)。在一些實施例中,控制器102可以使得MEAD系統200間歇性地操作(例如,基於定時器、基於排程表、基於感測器資料等)。
在一些實施例中,一個或多個MEAD系統200經由網路與遠離一個或多個MEAD系統200的處理裝置(例如伺服器裝置、另一MEAD系統200、用戶端裝置、閘道裝置等)通訊。處理裝置可以自一個或多個MEAD系統200接收感測器資料且向一個或多個MEAD系統200提供指令(例如,控制、直接操作一個或多個MEAD系統200)。在一些實例中,回應於接收到指示某種污染物(例如流感等)的感測器資料,處理裝置可以使得多個MEAD系統200(例如,在區域中、在空間中、在建築物中)執行操作(例如,增加微波產生器220的功率、增加氣流、較頻繁的操作等)。在一些實例中,處理裝置基於感測器資料控制位於公共空間中的MEAD系統200。處理裝置可以使得一個MEAD系統200進行第一次操作(例如較高的氣流、對微波產生器220的較高功率),且使得同一空間中的其他MEAD系統200進行第二次操作(例如,不操作、較低的氣流、對微波產生器220的較低功率),以使得在不使所有MEAD系統200過度工作的情況下破壞污染物。處理裝置可以使哪一MEAD系統200具有第一操作以減少單個MEAD系統200上的磨損交替。
在一些實施例中,MEAD系統200使用與COVID-19相關的一種或多種產品(例如,多組件過濾器230、微波產生器220等)及/或一種或多種製程(例如,使用由微波產生器220產生的微波能量來破壞多組件過濾器230中捕獲的污染物,控制器102使用來自感測器104的感測器資料來控制風扇240及/或微波產生器220以破壞污染物)(例如,破壞來自氣流的COVID-19),該一種或多種產品及/或該一種或多種製程須經適用的食品藥物管理局(Food and Drug Administration,FDA)及/或環境保護署(Environmental Protection Agency,EPA)批準用於COVID-19使用。
在一些實施例中,微波產生器220藉由一個或多個波導(例如縫隙波導天線)向多組件過濾器230提供微波能量(例如射頻微波能量)以淨化含有污染物(例如有害物質、有機蒸氣等)的氣流(例如空氣流),且多組件過濾器230經再生而無需自MEAD系統200物理移除。
多組件過濾器230可自穿過多組件過濾器230的受污染氣流吸附污染物(例如有機物)以淨化氣流。多組件過濾器230的飽和(例如,具有污染物)可能最終發生。通常,更換過濾器或移除過濾器以供經由蒸汽解吸。MEAD系統200藉由提供微波能量(例如,經由微波產生器220提供給波導,諸如縫隙波導天線,且同時經由微波反射腔室維持MEAD系統200中的微波能量)來原位執行多組件過濾器230的解吸。
多組件過濾器230為微波能量(例如微波)的良好吸收器。可能與發生吸附時的化學形式不同的解吸的揮發物隨後經由氣流(例如,清掃氣,操作風扇240)移除。MEAD系統200執行解吸(例如再生)而無需移除多組件過濾器230以進行再生。
量子射頻(radiofrequency,RF)物理學包含在微波及RF區域與電磁輻射物質發生共振相互作用的現象,此係由於原子及分子可以吸收且輻射各種波長的電磁波。電子的旋轉及振動頻率表示頻率範圍。電磁頻譜通常分為超音波、微波及光學區域。在一些實施例中,微波區域介於300百萬赫(MHz)至300吉赫(GHz)且涵蓋用於一些通訊設備的頻率。
術語微波或微波能量可應用於寬範圍的射頻能量,特別係關於約915 MHz及約2450 MHz的普遍加熱及/或激活頻率。約915 MHz用於工業加熱應用,且約2450 MHz為普遍家用微波爐的頻率。在一些實施例中,MEAD系統200使用作為選自約500至5000 MHz的範圍的射頻能量的微波能量(例如微波)。
微波降低化學反應的有效活化能,此係由於與正常的全域加熱相比,微波可以藉由激發一組特定原子的電子在微觀尺度上局部作用,這會升高整體溫度。極性分子使用微觀相互作用,其電子經局部激發,從而導致高化學活性。與這些極性分子相鄰的非極性分子亦受影響,但程度較低。實例為在普通家用微波爐中加熱極性水分子,其中容器為非極性材料,亦即通過微波,且保持相對涼爽。在此意義上,當應用於化學反應速率時,微波通常稱為一種催化形式。
MEAD系統200為不純空氣的微波淨化提供經濟可行的裝置。MEAD系統200含有用於吸附雜質的多組件過濾器230,多組件過濾器230藉由使用微波產生器220及一個或多個波導(例如縫隙天線)利用微波範圍內的射頻能量原地再生。外殼210形成微波空腔,該微波空腔設計成將離開波導的微波反射至含有多組件過濾器230的中心部分。
微波(例如微波能量)為一種通用的能量形式,其適用於強化化學反應,此係由於能量藉由非極性分子的振動吸收局部應用,且不會產生電漿條件。藉由自由基機制進行的反應可能提高至較高的速率(例如,其初始平衡熱力學可能為不利的)。
多組件過濾器230可為優良的微波能量吸收器且可以包含容易與射頻能量相互作用(例如在電子振動模式下)的寬範圍的極性雜質。
多組件過濾器230可以在環境溫度及壓力條件下使用。在一些實施例中,多組件過濾器230包含金屬碳化物(例如碳化矽)作為微波吸收基材以強化催化製程。
多組件過濾器230的分子的微波激發(通常稱為微波催化)激發已吸附在多組件過濾器230的內孔表面上的成分,諸如包含有機物的雜質或污染物,且產生高度反應性的條件。來自載體介質的其他分子(諸如清掃氣體(例如氣流))藉由化學吸附、吸收、吸附或擴散非常接近多組件過濾器230的表面或在多組件過濾器230的表面的表面邊界層內,且可能發生與這些成分的額外化學反應。
由於多組件過濾器230的微波激發表面及可能的清掃氣體分子與來自吸附成分的各種分解產物反應,因此解吸製程潛在地產生寬範圍的化合物。可以收集自清掃氣體中收集到的分子的冷凝物。
在一些實施例中,多組件過濾器230包含具有中空空間的陶瓷過濾器元件,該中空空間包含穿孔管(例如,居中的穿孔不銹鋼管)。穿孔管與陶瓷過濾器之間的空間可以包含自氣流中移除雜質的粒狀過濾材料。多組件過濾器230可以以外殼210的內部容積中的中心線為中心,該內部容積朝向中心線反射微波。一個或多個波導可以安置在外殼210中以將微波導向包括多組件過濾器230的外殼210的內部容積的部分。氣流進入外殼210(例如,經由外殼210的入口、經由外殼210的開口端),穿過多組件過濾器230,經淨化,且離開外殼210(例如,經由外殼的出口)。
當多組件過濾器230飽和時(例如,如經由感測器104(諸如總烴分析器)對雜質的量測所示出),微波產生器220可經操作(例如,藉由控制器102)以再生微波產生器220。
在一些實施例中,微波產生器220提供約2450 MHz的微波能量(例如微波)。MEAD系統200可以操作吸附(例如,沒有微波能量的氣流)及解吸(例如,有或沒有氣流的微波能量)的連續循環。在一些實施例中,採用約1000瓦的微波能量。
在一些實施例中,MEAD系統200具有帶有入口及出口區域的細長結構微波空腔,該細長結構微波空腔用以將微波反射至以空腔為中心的腔室(例如圓柱形腔室)上,該以空腔為中心的腔室經設計用於氣流,其中固定的多組件過濾器230以腔室為中心。可以使用波導(例如,可以位於外殼210的內部容積中的微波縫隙天線)來輻射空腔。
外殼210的入口及出口區域可為用於淨化空氣及再生多組件過濾器230的氣流的連接。多組件過濾器230可包含用約2450 MHz的微波量測的至少兩個穿透深度。所採用的頻率可影響多組件過濾器230的厚度,此係由於微波的床穿透可能與頻率相關且進一步取決於多組件過濾器230的質量。針對2450 MHz微波,多組件過濾器230的穿透厚度(例如,在RF能量的強度降低e
-1的情況下)可為大約一吋。
波導(例如,自50至5000 MHz的頻率範圍中選擇的微波縫隙天線)可能能夠靈活操作(例如連續源、脈衝源、循環源、週期源及其組合)。縫隙的大小及間距以及波導(例如天線)的大小可為微波頻率的函數。
在一些實施例中,MEAD系統200用於對空氣進行消毒(例如,MEAD系統200用於空氣淨化裝置、空氣消毒裝置等)。在一些實施例中,MEAD系統200用於偵測空氣中污染物的類型或數量(例如,MEAD系統200用於污染物偵測裝置)。少量氣流可通過MEAD系統200,且來自一個或多個感測器104(例如入口感測器、排氣感測器、出口感測器)的感測器資料可用於決定是否存在污染物的類型或數量。控制器102可以將感測器資料(例如,或感測器資料之間的差異,諸如入口感測器資料與出口感測器資料之間的差異)與臨限值及/或參考資料(例如感測器資料的資料庫、查找表等)進行比較以決定空氣中是否存在某種類型或數量的污染物。回應於決定空氣中存在某種類型或數量的污染物,控制器102可以引起校正動作(例如,提供警報,使得一個或多個其他MEAD系統200進行特定操作以對空氣進行消毒等)。
第3A圖至第3B圖為根據某些實施例的MEAD系統300(第1圖的MEAD系統100、第2A圖及/或第2B圖的MEAD系統200)的橫截面圖。具有與第1圖至第2圖中的一者或多者中的組件相似的附圖標記的第3A圖至第3B圖的組件可以具有至少一些相同的結構及/或功能性。第3A圖為MEAD系統300的縱向橫截面圖,且第3B圖為MEAD系統300的橫向橫截面圖。
在一些實施例中,MEAD系統300為裝置(例如獨立裝置、可安裝在系統中的裝置、可安裝在管道中的裝置等)。在一些實施例中,MEAD系統300基本上為圓柱形的。
在一些實施例中,MEAD系統300包含波導324,波導324通過MEAD系統300的中心部分(例如沿著MEAD系統300的縱軸、沿著外殼310的縱軸)路由。在一些實施例中,波導324為圓柱形的且經開槽。
MEAD系統300的第一遠端可包含安置在漏斗344內的風扇340,漏斗344耦接至外殼310。MEAD系統的第二遠端包含耦接至外殼310的微波產生器320。
在一些實施例中,微波產生器320經由磁控管326耦接至波導324。在一些實施例中,磁控管326具有用以配合在波導324的內徑(內圓周)內的外周界(例如外圓周)。外殼310安置在波導324周圍。多組件過濾器330安置在外殼310與波導324之間。在一些實施例中,多組件過濾器330基本上為空心圓柱體。在一些實施例中,多組件過濾器330包含兩個或更多個過濾層332(例如過濾層332A-B)。在一些實施例中,過濾層332彼此接觸。在一些實施例中,過濾層332彼此分開。在一些實施例中,過濾層332A為管狀微波反應過濾介質。在一些實施例中,過濾層332B為具有微波反射屏蔽的管狀HEPA過濾器。
微波產生器320產生由磁控管326引導至波導324中的微波能量322,波導324將微波能量322導向多組件過濾器330。風扇340將氣流342提供至外殼310中以冷卻微波產生器320且穿過多組件過濾器330,且隨後穿過外殼310。來自氣流342的污染物被捕獲在多組件過濾器330上,且微波能量322使得多組件過濾器330加熱及/或激活以破壞污染物。在一些實施例中,微波能量322以360度模式施加(例如,在波導324的圓柱形周邊周圍)。
第4A圖至第4B圖為根據某些實施例的MEAD系統400(第2A圖及/或第2B圖的MEAD系統200)的橫截面圖。具有與第1圖至第3B圖中的一者或多者中的組件相似的附圖標記的第4A圖至第4B圖的組件可以具有至少一些相同的結構及/或功能性。第4A圖為MEAD系統400的縱向橫截面圖,且第4B圖為MEAD系統400的橫向橫截面圖。
在一些實施例中,MEAD系統400為裝置(例如獨立裝置、可安裝在系統中的裝置、可安裝在管道中的裝置等)。在一些實施例中,MEAD系統400基本上為矩形棱柱(例如,外殼410的相對側基本上平行)。
在一些實施例中,MEAD系統400包含波導424,波導424通過MEAD系統400(例如沿著MEAD系統400的縱軸、平行於外殼410的縱軸)路由。在一些實施例中,波導424為中空的矩形棱柱且經開槽(例如,具有指向多組件過濾器的槽)。
在一些實施例中,MEAD系統400的第一遠端包含風扇440(安置在漏斗內,該漏斗耦接至外殼410)。MEAD系統的第二遠端包含耦接至外殼410的微波產生器420。
在一些實施例中,微波產生器420經由磁控管426耦接至波導424。在一些實施例中,磁控管426具有用以配合在波導424的內徑內的外周界。外殼410安置在波導424周圍。多組件過濾器430安置在外殼410與波導424之間。在一些實施例中,多組件過濾器430基本上為平坦的且位於波導424的一側與外殼410之間。在一些實施例中,多組件過濾器430包含兩個或更多個過濾層432(例如過濾層432A-B)。在一些實施例中,過濾層432彼此接觸。在一些實施例中,過濾層432彼此分開。
微波產生器420產生由磁控管426引導至波導424中的微波能量422,波導424將微波能量422導向多組件過濾器430。風扇440可將氣流442提供至外殼410中以冷卻微波產生器420且穿過多組件過濾器430,且隨後穿過外殼410。來自氣流442的污染物被捕獲在多組件過濾器430上,且微波能量422使得多組件過濾器430加熱及/或激活以破壞污染物。
第5圖圖示根據某些實施例的為與一個或多個MEAD系統相關聯的機器學習模型(例如第1圖的模型190)創建資料集的資料集產生器172(例如第1圖的資料集產生器172)。在一些實施例中,資料集產生器172為第1圖的伺服器機器170的一部分。
資料集產生器172為機器學習模型(例如第1圖的模型190)創建資料集。資料集產生器172使用歷史感測器資料144及歷史效能資料154創建資料集。第5圖的系統500示出資料集產生器172、資料輸入510及目標輸出520。
在一些實施例中,資料集產生器172產生包含一個或多個資料輸入510(例如訓練輸入、驗證輸入、測試輸入)及對應於資料輸入510的一個或多個目標輸出520的資料集(例如訓練集、驗證集、測試集)。資料集亦包含將資料輸入510映射至目標輸出520的映射資料。資料輸入510亦稱為「特徵」、「屬性」或「資訊」。在一些實施例中,資料集產生器172向訓練引擎182、驗證引擎184或測試引擎186提供資料集,其中資料集用於訓練、驗證或測試機器學習模型190。產生訓練集的一些實施例將關於第7A圖進一步描述。
在一些實施例中,資料集產生器172產生資料輸入510及目標輸出520。在一些實施例中,資料輸入510包含歷史感測器資料144的一個或多個集合。歷史感測器資料144的每一示例包含來自一種或多種類型的感測器的感測器資料中的一者或多者、來自一種或多種類型的感測器的感測器資料的組合、來自一種或多種類型的感測器的感測器資料的模式等。
在一些實施例中,資料集產生器172產生對應於歷史感測器資料144A的第一集合的第一資料輸入以訓練、驗證或測試第一機器學習模型,且資料集產生器172產生對應於歷史感測器資料144B的第二資料集的第二資料輸入以訓練、驗證或測試第二機器學習模型。
在一些實施例中,資料集產生器172將資料輸入510或目標輸出520中的一者或多者離散化(例如,分段)(例如,以用於迴歸問題的分類演算法中)。資料輸入510或目標輸出520的離散化(例如,經由滑動窗口分段)將變量的連續值變換為離散值。在一些實施例中,資料輸入510的離散值指示離散歷史感測器資料144以獲得目標輸出520(例如離散效能資料154)。
用於訓練、驗證或測試機器學習模型的資料輸入510及目標輸出520包含特定位置(例如區域、城市、建築物、房間等)的資訊。在一些實例中,歷史感測器資料144及歷史效能資料154用於相同的位置及/或MEAD系統。
在一些實施例中,用於訓練機器學習模型的資訊來自具有特定特性(例如相同或相似的結構、相同或相似的多組件過濾器等)的特定類型及/或組的MEAD系統,且允許經訓練的機器學習模型基於當前感測器資料146決定具有相同或相似的特定特性的相同或相似類型及/或組的MEAD系統的結果。
在一些實施例中,在產生資料集且使用該資料集訓練、驗證或測試機器學習模型190之後,機器學習模型190進一步經訓練、驗證或測試(例如第1圖的當前效能資料156)或調整(例如,調整與機器學習模型190的輸入資料相關聯的權重,諸如神經網路中的連接權重)。
第6圖為圖示根據某些實施例的用於產生與一個或多個MEAD系統相關聯的預測資料160的系統600(例如第1圖的預測系統130)的方塊圖。系統600用於決定預測資料160(例如,經由第1圖的模型190)以引起與MEAD系統(例如第1圖的MEAD系統100、第2A圖及/或第2B圖的MEAD系統200、第3A圖至第3B圖的MEAD系統300、第4A圖至第4B圖的MEAD系統400等)相關聯的校正動作。
在方塊610處,系統600執行歷史資料(例如第1圖的歷史感測器資料144及歷史效能資料154)的資料分區(例如,經由第1圖的伺服器機器170的資料集產生器172)以產生訓練集602、驗證集604及測試集606。在一些實例中,訓練集為歷史資料的60%,驗證集為歷史資料的20%,且測試集為歷史資料的20%。系統600為訓練集、驗證集及測試集中的每一者產生複數個特徵集。在一些實例中,若歷史資料包含源自於來自20個感測器(例如第1圖的感測器104)的感測器資料及100次迭代(例如,與產生微波能量、啟動風扇等相關聯的迭代,每一迭代對應於來自20個感測器的感測器資料)的特徵,第一特徵集為感測器1至10,第二特徵集為感測器11至20,訓練集為迭代1至60,驗證集為迭代61至80,且測試集為迭代81至100。在該實例中,訓練集的第一特徵集將為來自感測器1至10的供用於迭代1至60的感測器資料。
在方塊612處,系統600使用訓練集602執行模型訓練(例如,經由第1圖的訓練引擎182)。在一些實施例中,系統600使用訓練集602的多個特徵集(例如訓練集602的第一特徵集、訓練集602的第二特徵集等)來訓練多個模型。例如,系統600訓練機器學習模型以使用訓練集中的第一特徵集(例如來自感測器1至10的供用於迭代1至60的感測器資料)產生第一經訓練的機器學習模型且使用訓練集中的第二特徵集(例如,來自感測器11至20的供用於迭代1至60的感測器資料)產生第二經訓練的機器學習模型。在一些實施例中,第一經訓練的機器學習模型及第二經訓練的機器學習模型經組合以產生第三經訓練的機器學習模型(例如,在一些實施例中,比單獨的第一或第二經訓練的機器學習模型更佳的預測器)在一些實施例中,用於比較模型的特徵集重疊(例如,第一特徵集為來自感測器1至15的感測器資料,且第二特徵集為感測器5至20)。在一些實施例中,產生數百個模型,包含具有各種特徵排列及模型組合的模型。
在方塊614處,系統600使用驗證集604執行模型驗證(例如,經由第1圖的驗證引擎184)。系統600使用驗證集604的對應特徵集來驗證每一訓練模型。例如,系統600使用驗證集中的第一特徵集(例如來自感測器1至10的供用於迭代61至80的感測器資料)驗證第一經訓練的機器學習模型且使用驗證集中的第二特徵集(例如,來自感測器11至20的供用於迭代61至80的感測器資料)驗證第二經訓練的機器學習模型。在一些實施例中,系統600驗證在方塊612處產生的數百個模型(例如,具有各種特徵排列、模型組合等的模型)。在方塊614處,系統600決定一個或多個經訓練模型中的每一者的準確度(例如,經由模型驗證)且決定經訓練模型中的一者或多者是否具有滿足臨限值準確度的準確度。回應於決定經訓練模型均不具有滿足臨限值準確度的準確度,流程返回至方塊612,其中系統600使用訓練集的不同特徵集來執行模型訓練。回應於決定經訓練模型中的一者或多者具有滿足臨限值準確度的準確度,流程繼續至方塊616。系統600丟棄具有低於臨限值準確度的準確度的經訓練的機器學習模型(例如,基於驗證集)。
在方塊616處,系統600執行模型選擇(例如,經由第1圖的選擇引擎185)以決定滿足臨限值準確度的一個或多個經訓練模型中的何者具有最高準確度(例如,選定模型608,基於方塊614的驗證時)。回應於決定滿足臨限值準確度的兩個或更多個經訓練模型具有相同準確度,流程返回至方塊612,其中系統600使用對應於進一步細化的特徵集的進一步細化的訓練集來執行模型訓練以供決定具有最高準確度的經訓練模型。
在方塊618處,系統600使用測試集606執行模型測試(例如,經由第1圖的測試引擎186)來測試選定模型608。系統600使用測試集中的第一特徵集(例如,來自感測器1至10的供用於迭代81至100的感測器資料)來測試第一經訓練的機器學習模型以決定第一經訓練的機器學習模型滿足臨限值準確度(例如,基於測試集606的第一特徵集)。回應於選定模型608的準確度不滿足臨限值準確度(例如,選定模型608過度擬合訓練集602及/或驗證集604且不適用於其他資料集,諸如測試集606),流程繼續至方塊612,其中系統600使用對應於不同特徵集(例如,來自不同感測器的感測器資料)的不同訓練集來執行模型訓練(例如,重新訓練)。回應於基於測試集606決定選定模型608具有滿足臨限值準確度的準確度,流程繼續至方塊620。至少在方塊612中,模型學習歷史資料中的模式以進行預測,且在方塊618中,系統600將模型應用於剩餘資料(例如測試集606)以測試預測。
在方塊620處,系統600使用經訓練模型(例如選定模型608)來接收當前感測器資料146且自經訓練模型的輸出決定(例如提取)預測資料160以執行與MEAD系統100相關聯的校正動作。在一些實施例中,當前感測器資料146對應於歷史感測器資料144中相同類型的特徵。在一些實施例中,當前感測器資料146對應於與用於訓練選定模型608的歷史感測器資料中的特徵類型的子集相同類型的特徵。
在一些實施例中,接收當前資料。在一些實施例中,當前資料包含當前效能資料156。基於當前資料重新訓練模型608。在一些實施例中,基於當前資料及當前感測器資料146訓練新模型。
在一些實施例中,操作610至620中的一者或多者以各種順序及/或與本文中未呈現及描述的其他操作一起發生。在一些實施例中,不執行操作610至620中的一者或多者。例如,在一些實施例中,不執行方塊610的資料分區、方塊614的模型驗證、方塊616的模型選擇及/或方塊618的模型測試中的一者或多者。
第7A圖至第7E圖為根據某些實施例的與一個或多個MEAD系統相關聯的方法700A-E的流程圖。在一些實施例中,方法700A-E由包含硬體(例如電路、專用邏輯、可程式化邏輯、微碼、處理裝置等)、軟體(諸如在處理裝置上運行的指令、通用電腦系統或專用機器)、軔體、微碼或其組合。在一些實施例中,方法700A-E中的一者或多者至少部分地由第1圖的MEAD系統100的預測系統130、用戶端裝置136及/或控制器102執行。在一些實施例中,方法700A至少部分地由預測系統130(例如第1圖的伺服器機器170及資料集產生器172、第5圖的資料集產生器172)執行。在一些實施例中,預測系統130使用方法700A來產生資料集以訓練、驗證或測試機器學習模型中的至少一者。在一些實施例中,方法700C由控制器102及/或預測系統130執行。在一些實施例中,方法700C由伺服器機器180(例如訓練引擎182等)執行。在一些實施例中,方法700D由預測伺服器112(例如預測組件114)執行。在一些實施例中,非暫時性機器可讀儲存媒體儲存指令,當由處理裝置(例如預測系統130的、伺服器機器180的、預測伺服器112的、控制器102等)執行時,使得處理裝置執行方法700A-E中的一者或多者。在一些實施例中,本文中所描述的任何方法由MEAD系統100的伺服器、用戶端裝置136及/或控制器102執行。
為解釋簡單起見,方法700A-E被描繪及描述為一系列操作。然而,根據本揭露的操作可以以各種順序及/或與本文中未呈現及描述的其他操作同時發生。此外,在一些實施例中,並非所有圖示的操作皆被執行以實施根據所揭露的主題的方法700A-E。此外,熟習此項技術者將理解及瞭解,方法700A-E可替代地經由狀態圖或事件表示為一系列相互關聯的狀態。
第7A圖為根據某些實施例的用於產生用於產生預測資料(例如第1圖的預測資料160)的機器學習模型的資料集的方法700A的流程圖。
參照第7A圖,在一些實施例中,在方塊701處,處理邏輯實施方法700A將訓練集T初始化為空集。
在方塊702處,處理邏輯產生包含感測器資料(例如第1圖、第5圖及/或第6圖的歷史感測器資料144)的第一資料輸入(例如第一訓練輸入、第一驗證輸入、第一測試輸入等)。在一些實施例中,第一資料輸入包含感測器資料類型的第一特徵集,且第二資料輸入包含感測器資料類型的第二特徵集(例如,如關於第5圖所描述)。在一些實施例中,歷史感測器資料包含流速、壓力、溫度、功率使用、排氣資料及/或其類似者。
在方塊703處,處理邏輯為一個或多個資料輸入(例如第一資料輸入)產生第一目標輸出。在一些實施例中,第一目標輸出為歷史效能資料(例如第1圖、第5圖及/或第6圖的歷史效能資料154)。在一些實施例中,歷史效能資料包含流速、排氣資料、壓力資料、進入MEAD系統的空氣的品質資料、進入MEAD系統的空氣中的污染物及/或其類似者。在一些實施例中,歷史效能資料與校正動作的效能(例如,產生微波能量的迭代、操作風扇的迭代、維護計劃等)相關聯。
在方塊704處,處理邏輯視情況產生指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)係指資料輸入(例如本文中所描述的一個或多個資料輸入)、資料輸入的目標輸出(例如,其中目標輸出標識歷史效能資料154)及資料輸入與目標輸出之間的關聯。
在方塊705處,處理邏輯將在方塊704處產生的映射資料添加至資料集T。
在方塊706處,處理邏輯基於資料集T是否足以進行機器學習模型190的訓練、驗證及/或測試中的至少一者而產生分支。若如此,則執行進行至方塊707,否則,執行返回至方塊702。應注意,在一些實施例中,資料集T的充分性僅基於資料集中輸入/輸出映射的數目來決定,而在一些其他實施方式中,除了輸入/輸出映射的數目之外或代替輸入/輸出映射的數目,資料集T的充分性亦基於一個或多個其他標準(例如對資料實例的多樣性、準確度等的度量)來決定。
在方塊707處,處理邏輯提供資料集T(例如,提供給伺服器機器180)以訓練、驗證及/或測試機器學習模型190。在一些實施例中,資料集T為訓練集且被提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中,資料集T為驗證集且被提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中,資料集T為測試集且被提供給伺服器機器180的測試引擎186以執行測試。在神經網路的情況下,例如,給定輸入/輸出映射的輸入值(例如與資料輸入510相關聯的數值)被輸入至神經網路,且輸入/輸出映射的輸出值(例如與目標輸出520相關聯的數值)儲存在神經網路的輸出節點中。隨後根據學習演算法(例如反向傳播等)調整神經網路中的連接權重,且對資料集T中的其他輸入/輸出映射重複程序。在方塊707之後,機器學習模型(例如機器學習模型190)可進行使用伺服器機器180的訓練引擎182訓練、使用伺服器機器180的驗證引擎184驗證或使用伺服器機器180的測試引擎186測試中的至少一者。經訓練的機器學習模型由(預測伺服器112的)預測組件114實施以產生預測資料160以供執行與MEAD系統相關聯的校正動作。
第7B圖為根據某些實施例的與MEAD系統(例如第1圖的MEAD系統100、第2A圖及/或第2B圖的MEAD系統200、第3A圖至第3B圖的MEAD系統300、第4A圖至第4B圖的MEAD系統400)的控制相關聯的方法700B的流程圖。在一些實施例中,方法700A的一個或多個操作由第1圖的預測系統130、預測伺服器132、用戶端裝置或控制器102執行。
參照第7B圖,在方塊720處,處理邏輯接收與MEAD系統的微波產生器相關聯的感測器資料,該微波產生器間歇性地產生微波能量以破壞來自多組件過濾器上收集到的氣流的污染物。在一些實施例中,感測器資料來自位於MEAD系統的多組件過濾器、入口及/或出口附近的一個或多個感測器。在一些實施例中,感測器資料與由於多組件過濾器的至少一部分由微波能量加熱及/或激活以對捕集在多組件過濾器上的污染物進行破壞(例如排氣)(例如,回應於穿過多組件過濾器的受污染氣流)而產生的廢氣的性質相關聯。廢氣的性質可包含廢氣的組合物、廢氣的量、排氣的時間長度等。
在一些實施例中,感測器資料為感測器的完整回饋迴路(例如,感測器在MEAD系統的入口點處讀取讀數,感測器讀取廢氣的讀數,且感測器在出口處讀取讀數)。在一些實施例中,感測器資料經聚合以產生空氣含量資料及/或增量消除資料(例如,指示被破壞的污染物的數量)。在一些實施例中,感測器資料(例如空氣含量資料)儲存在資料庫中。感測器資料可以經擷取(例如自資料庫擷取)以訓練機器學習模型(例如,參見第7C圖)且/或輸入至經訓練的機器學習模型中以決定校正動作(例如,參見第7D圖)。模式識別及/或機器學習可用於預測空氣中污染物的類型或數量(例如有害病毒的量)以更新一個或多個MEAD系統。機器學習可用於執行區域及集群更新以更新多個MEAD系統。若MEAD系統(例如單個MEAD單元)具有指示存在一種正在被MEAD系統破壞的污染物(例如病毒)的感測器資料,則地區(例如鄰里、城鎮等)中的其他MEAD系統可以經更新(例如,經由來自MEAD系統、用戶端裝置、閘道裝置、伺服器裝置的指令)以作為預防措施更積極地操作。
在方塊722處,處理邏輯基於感測器資料引起校正動作的執行。在一些實施例中,校正動作為回應於決定感測器資料如何與臨限值資料進行比較而產生或更新用於產生微波能量及/或操作風扇的排程表。在一些實例中,回應於廢氣量高於臨限值量、流速低於臨限值速率、廢氣的特定組合物及/或其類似者,校正動作可包含更頻繁地產生微波能量、更長時間地產生微波能量、更頻繁地操作風扇及/或更長時間地操作風扇。在一些實例中,回應於廢氣量低於臨限值量、流速高於臨限值速率、廢氣的特定組合物及/或其類似者,校正動作可包含不那麼頻繁地產生微波能量及/或不經常操作風扇。在一些實施例中,校正動作可包含引起MEAD系統的組件的更換及/或預防性維護。在一些實施例中,校正動作可包含中斷MEAD系統的操作(例如,產生微波能量、操作風扇)。在一些實施例中,校正動作的執行包含產生或更新用於收集及/或傳輸資料等的排程表。
在一些實施例中,校正動作包含提供警報(例如,提供給第1圖的用戶端裝置136、使用者裝置等)。在一些實例中,處理邏輯基於第一感測器資料決定資訊。在一些實施例中,警報包含與進入空氣的品質、污染物破壞的確認、MEAD系統的效能(例如功效)及/或其類似者中的一者或多者相關聯的資訊(例如,基於感測器資料決定的,亦即,基於感測器資料決定的預測資料等)。
在一些實施例中,重複方塊720至722以進行引起經更新的校正動作的執行、停止執行校正動作、更新操作排程表及/或其類似者中的一者或多者。
在一些實施例中,第7B圖的方塊722的校正動作藉由向經訓練的機器學習模型提供第7B圖的方塊720的感測器資料的輸入來決定(例如,參見第1圖、第5圖至第6圖及第7D圖)。
第7C圖為用於訓練機器學習模型(例如第1圖的模型190)以供決定預測資料(例如第1圖的預測資料160)以執行與MEAD系統相關聯的校正動作的方法。
參照第7C圖,在方法700C的方塊740處,處理邏輯接收與一個或多個MEAD系統相關聯的歷史感測器資料(例如第1圖的歷史感測器資料144)的集合。在一些實施例中,隨時間自不同MEAD系統的感測器收集感測器資料。在一些實施例中,感測器資料與經由微波能量及氣流對來自多組件過濾器的污染物進行的不同排氣相關聯。
在方塊742處,處理邏輯接收與一個或多個MEAD系統相關聯的歷史效能資料(例如第1圖的歷史效能資料154)的集合。歷史效能資料的每一集合對應於歷史感測器資料集合中的相應歷史感測器資料集合。在一些實施例中,歷史效能資料與提供給MEAD系統的氣流品質(例如氣流中的已知污染物)、微波產生器的操作、風扇的操作、離開MEAD系統的氣流品質等相關聯。
在一些實施例中,歷史效能資料包含在執行校正動作之後產生的感測器資料。在一些實施例中,歷史效能資料包含回應於與操作MEAD系統相關聯的校正動作(例如,產生微波能量、操作風扇及/或其類似者)的壓力資料、空氣流速、廢氣資料、使用的功率及/或其類似者。在一些實施例中,歷史效能資料包含與所執行的校正動作相關聯的資訊,諸如微波能量產生的迭代、風扇操作的迭代、微波能量產生的排程表、風扇操作的排程表及/或其類似者。
在一些實例中,具有已知污染物的氣流(例如歷史效能資料)被提供給MEAD系統且獲得所產生的排氣資料(例如歷史感測器資料)。機器學習模型經訓練以使MEAD系統的排氣資料與進入MEAD系統的氣流中的已知污染物相關。隨後可以向經訓練的機器學習模型提供與當前排氣相關聯的當前感測器資料,且預測進入MEAD系統的氣流中的污染物。
在方塊744處,處理邏輯使用包含歷史感測器資料集的資料輸入及包含歷史效能資料的目標輸出來訓練機器學習模型以產生經訓練的機器學習模型。經訓練的機器學習模型能夠產生指示預測資料(例如預測資料160)的輸出,以引起與MEAD系統的一個或多個操作模組相關聯的一個或多個校正動作(例如,基於當前感測器資料)的執行。
第7D圖為用於使用經訓練的機器學習模型(例如第1圖的模型190)以供決定預測資料以引起與MEAD系統相關聯的校正動作的執行的方法700D。
參照第7D圖,在方法700C的方塊760處,處理邏輯接收與MEAD系統相關聯的感測器資料(例如第1圖的當前感測器資料146)的集合。在一些實施例中,感測器資料與風扇操作、微波能量產生、排氣等中的一者或多者相關聯。
在方塊762處,處理邏輯提供感測器資料集作為對經訓練的機器學習模型(例如第7C圖的方塊744的經訓練的機器學習模型)的輸入。
在方塊764處,處理邏輯自經訓練的機器學習模型獲得指示預測資料的一個或多個輸出。在一些實施例中,預測資料與由於一個或多個校正動作的執行、校正動作的缺乏執行、執行校正動作的排程表、校正動作的類型(例如微波能量產生及/或風扇操作的迭代)及/或其類似者產生的預測效能資料相關聯。在一些實施例中,預測資料與進入MEAD系統的氣流品質(例如污染物的類型及/或數量)相關聯。
在方塊766處,處理邏輯基於一個或多個輸出(例如預測資料)引起與MEAD系統相關聯的校正動作的執行。
在一些實施例中,校正動作對應於操作(例如微波能量的產生及/或風扇操作的迭代)、組件(例如預過濾器)的更換、修理、對排程表的更新(例如,更新微波能量產生及/或風扇操作的排程表)及/或其類似者。
在方塊768處,處理邏輯接收與MEAD系統相關聯(例如,與來自方塊720的感測器資料集相關聯)的效能資料(例如第1圖的當前效能資料156)。在一些實施例中,效能資料與執行校正動作之後的MEAD系統的操作(例如,執行微波能量產生之後的壓力資料)相關聯。在一些實施例中,效能資料與進入MEAD系統的氣流品質(例如污染物的類型及/或數量)相關聯。在一些實施例中,接收到的效能資料不同於預測資料,且在一些實施例中,效能資料與預測資料基本上相似。
在方塊770處,處理邏輯使得用包含感測器資料集(例如,來自方塊760)的資料輸入及包含效能資料(例如,來自方塊768)的目標輸出進一步訓練(例如重新訓練)經訓練的機器學習模型。
在一些實施例中,方塊760至764被重複,直至一個或多個輸出(例如預測資料)指示將不執行進一步的校正動作(例如,預測資料指示與在不執行校正動作的情況下用於產生微波能量及/或操作風扇的排程表相同的預測效能資料)為止。
第7E圖為根據某些實施例的與MEAD系統(例如第1圖的MEAD系統100、第2A圖及/或第2B圖的MEAD系統200、第3A圖至第3B圖的MEAD系統300、第4A圖至第4B圖的MEAD系統400)的控制相關聯的方法700E的流程圖。在一些實施例中,方法700E的一個或多個操作由第1圖的預測系統130、預測伺服器132、用戶端裝置或控制器102執行。
參照第7E圖,在方塊780處,處理邏輯標識操作MEAD系統的排程表。排程表可以指示MEAD系統何時以特定的功率設置產生微波能量、MEAD系統何時經由風扇提供特定的氣流等。在一些實施例中,排程表為預設排程表(例如所有MEAD系統使用的排程表)。在一些實施例中,排程表為基於感測器資料(例如,由MEAD系統收集、自第三方擷取等)為區(例如區域、建築物等)中的MEAD系統產生的排程表。在一些實施例中,排程表係基於感測器資料及/或其他MEAD系統的使用者輸入產生的。
在方塊782處,處理邏輯基於排程表引起MEAD系統的微波產生器間歇性地產生微波能量(例如,在特定時間、在特定持續時間內、在特定功率位準下、以特定間隔等產生微波能量)。在一些實施例中,處理邏輯基於排程表引起MEAD系統的風扇間歇性地產生氣流(例如,在特定時間、在特定持續時間內、在特定流速下、以特定間隔等產生氣流)。
在方塊784處,處理邏輯接收感測器資料或使用者輸入。感測器資料可以自位於入口、廢氣位置及/或出口處的感測器接收。使用者輸入可與氣流、微波能量產生的功率位準、覆蓋排程表等相關聯。在一些實施例中,感測器資料及/或使用者輸入與MEAD系統相關聯(例如,經由MEAD系統的感測器及使用者輸入來控制MEAD系統)。在一些實施例中,感測器資料及/或使用者輸入與一個或多個MEAD系統(例如在同一區域中、在同一建築物中等)相關聯。
在方塊786處,處理邏輯決定感測器資料或使用者輸入是否與排程表匹配。在一些實例中,排程表指示存在小於來自排氣附近的感測器的感測器資料的臨限值。在一些實例中,排程表指示存在小於入口附近的感測器與出口附近的感測器之間的感測器資料差的臨限距離值。在一些實例中,排程表指示使用者輸入的模式。
回應於感測器資料及與排程表匹配的使用者輸入,流程返回至方塊782以繼續使用相同的排程表。回應於感測器資料或使用者輸入與排程表不匹配,流程繼續至方塊788。
在方塊788處,處理邏輯基於感測器資料或使用者輸入更新操作MEAD系統的排程表。在一些實例中,回應於決定感測器資料滿足臨限值或感測器資料的差異滿足臨限距離值(例如,指示超過臨限污染物量),處理裝置更新MEAD系統的操作(例如,增加微波產生器的功率、增加微波產生器的操作持續時間、增加微波產生器運行的頻率等)。在一些實例中,回應於決定使用者輸入與排程表中的模式不匹配,處理裝置基於新的使用者輸入(例如新的使用者輸入模式)來更新排程表。
第8圖為圖示根據某些實施例的電腦系統800的方塊圖。在一些實施例中,電腦系統800為用戶端裝置120、預測系統130、伺服器機器170、伺服器機器180、預測伺服器112、MEAD系統的控制器(MEAD系統100的控制器102)等中的一者或多者。在一些實施例中,處理器802為MEAD系統的控制器(MEAD系統100的控制器102)。
在一些實施例中,電腦系統800連接(例如,經由網路,諸如區域網路(Local Area Network,LAN)、內部網路、商際網路或網際網路)至其他電腦系統。在一些實施例中,電腦系統800在用戶端-伺服器環境中以伺服器或用戶端電腦的能力操作,或在同層網路或分佈式網路環境中作為對等電腦操作。在一些實施例中,電腦系統800由個人電腦(personal computer,PC)、平板PC、機頂盒(Set-Top Box,STB)、個人數位助理(Personal Digital Assistant,PDA)、蜂巢式電話、網路設備、伺服器、網路路由器、交換機或網橋或任何能夠執行指令集(順序或以其他方式)的裝置,這些指令指定該裝置將採取的動作。此外,術語「電腦」應包含單獨或聯合執行一個(或多個)指令集以執行本文中描述的方法中的任一者或多者(例如第7A圖至第7E圖的方法700A-E中的一者或多者)的任何電腦集合。
在另一態樣中,電腦系統800包含處理裝置802、揮發性記憶體804(例如隨機存取記憶體(Random Access Memory,RAM))、非揮發性記憶體806(例如唯讀記憶體(Read-Only Memory,ROM)或電可抹除可程式化ROM (Electrically-Erasable Programmable ROM,EEPROM))及資料儲存裝置816,其經由匯流排808彼此通訊。
在一些實施例中,處理裝置802由一個或多個處理器提供,該一個或多個處理器為諸如通用處理器(諸如例如複雜指令集計算(Complex Instruction Set Computing,CISC)微處理器、精簡指令集計算(Reduced Instruction Set Computing,RISC)微處理器、超長指令字(Very Long Instruction Word,VLIW)微處理器、實施其他類型指令集的微處理器或實施各類型指令集組合的微處理器)或專用處理器(諸如例如專用集成電路(Application Specific Integrated Circuit,ASIC)、現場可程式閘陣列(Field Programmable Gate Array,FPGA)、數位訊號處理器(Digital Signal Processor,DSP)或網路處理器)。
在一些實施例中,電腦系統800進一步包含網路介面裝置822(例如,耦合至網路874)。在一些實施例中,電腦系統800亦包含視訊顯示單元810(例如LCD)、文數輸入裝置812(例如鍵盤)、游標控制裝置814(例如滑鼠)及訊號產生裝置820。
在一些實施方式中,資料儲存裝置816包含非暫時性電腦可讀儲存媒體824,其上儲存有對本文中所描述的方法或功能中的任一者或多者進行編碼的指令826,包含用於實施本文中所描述的方法的指令。
在一些實施例中,指令826在其由電腦系統800執行期間亦完全或部分駐留在揮發性記憶體804及/或處理裝置802內,因此,在一些實施例中,揮發性記憶體804及處理裝置802亦構成機器可讀儲存媒體。
雖然電腦可讀儲存媒體824在說明性實例中示出為單個媒體,但術語「電腦可讀儲存媒體」應包含儲存一個或多個可執行指令集的單個媒體或多個媒體(例如集中式或分佈式資料庫及/或相關聯的快取及伺服器)。術語「電腦可讀儲存媒體」亦應包含能夠儲存或編碼由電腦執行的指令集的任何有形媒體,這些指令使電腦執行本文中所描述的方法中的任一者或多者。術語「電腦可讀儲存媒體」應包含但不限於固態記憶體、光學媒體及磁媒體。
在一些實施例中,本文中描述的方法、組件及特徵由離散硬體組件實施或整合在諸如ASIC、FPGA、DSP或相似裝置的其他硬體組件的功能性中。在一些實施例中,方法、組件及特徵由軔體模組或功能電路在硬體裝置內實施。在一些實施例中,方法、組件及特徵在硬體裝置及電腦程式組件的任何組合中或在電腦程式中實施。
除非另有特別說明,否則諸如「標識」、「接收」、「引起」、「訓練」、「產生」、「提供」、「獲得」、「中斷」、「決定」、「傳輸」或其類似者的術語係指由電腦系統執行或實施的動作及製程,這些動作及製程將在電腦系統暫存器及記憶體內表示為物理(電子)量的資料操縱及變換為類似地表示為電腦系統記憶體或暫存器或其他這種資訊儲存、傳輸或顯示裝置內的物理量的其他資料。在一些實施例中,如本文中所使用的術語「第一」、「第二」、「第三」、「第四」等意謂作為區分不同元件的標籤,且根據其數字指定不具有順序含義。
本文中所描述的實例亦關於用於執行本文中所描述的方法的設備。在一些實施例中,該設備被專門構造用於執行本文中所描述的方法,或包含由儲存在電腦系統中的電腦程式選擇性地程式化的通用電腦系統。此電腦程式儲存在電腦可讀的有形儲存媒體中。
本文中所描述的一些方法及說明性實例與任何特定電腦或其他設備沒有固有的相關性。在一些實施例中,根據本文中所描述的教導使用各種通用系統。在一些實施例中,構造更專門的設備以執行本文中所描述的方法及/或其各自的功能、常式、子常式或操作中的每一者。用於各種這些系統的結構的實例在以上描述中闡述。
以上描述旨在為說明性而非限制性的。儘管已經參考特定說明性實例及實施方式描述本揭露,但應當認識到,本揭露不限於所描述的實例及實施方式。本揭露的範疇應參考所附申請專利範圍以及請求項所賦予的等效物的全部範疇來決定。
前述描述闡述許多特定細節,諸如特定系統、組件、方法等的實例,以便提供對本揭露的若干實施例的良好理解。然而,對於熟習此項技術者而言明顯的係,可以在沒有這些具體細節的情況下實踐本揭露的至少一些實施例。在其他示例中,熟知的組件或方法沒有詳細描述或以簡單的方塊圖格式呈現,以便避免不必要地混淆本揭露。因此,所闡述的特定細節僅為例示性的。特定實施方式可以與這些例示性細節不同,且仍然被認為在本揭露的範疇內。
如本文中所使用的術語「在……上方」、「在……下方」、「在……之間」、「安置在……上」及「在……上」係指一個材料層或組件相對於其他層或組件的相對位置。例如,安置在另一層上、上方或下方的一層可以與另一層直接接觸或可以具有一個或多個中間層。此外,安置在兩層之間的一層可以與兩層直接接觸或可以具有一個或多個中間層。類似地,除非另有明確說明,否則安置在兩個特徵之間的一個特徵可以與相鄰特徵直接接觸或可以具有一個或多個中間層。
詞語「實例」或「例示性」在本文中用於意謂用作實例、示例或說明。本文中描述為「實例」或「例示性」的任何態樣或設計不一定被解釋為優於或超過其他態樣或設計。相反,詞語「實例」或「例示性」的使用旨在以具體方式呈現概念。
貫穿本說明書對「一個實施例」、「實施例」或「一些實施例」的引用意謂結合實施例所描述的特定特徵、結構或特性包含在至少一個實施例中。因此,貫穿本說明書在各個地方出現的片語「在一個實施例中」、「在實施例中」或「在一些實施例中」不一定皆指示相同的實施例。此外,術語「或」旨在意謂包含性的「或」而非排他性的「或」。亦即,除非另有說明,或根據上下文清楚,否則「X包含A或B」旨在意謂任何自然的包含性排列。亦即,若X包含A;X包含B;或X包含A及B兩者,則在上述任何一種情況下皆滿足「X包含A或B」。此外,除非另有說明或根據上下文明確指向單數形式,否則如本申請案及所附申請專利範圍中所使用的冠詞「一(a/an)」通常應解釋為意謂「一個或多個」。此外,如本文中所使用的術語「第一」、「第二」、「第三」、「第四」等意謂作為區分不同元件的標籤,且根據其數字指定可能不一定具有順序含義。當在本文中使用術語「約」、「基本上」或「大約」時,這旨在意謂所呈現的標稱值精確在±10%以內。
儘管以特定順序示出及描述本文中的方法的操作,但可以更改每一方法的操作順序,以使得可以以相反的順序執行某些操作,以使得可以至少部分地與其他操作同時執行某些操作。在另一實施例中,不同操作的指令或子操作可呈間歇及/或交替的方式。
應理解,以上描述旨在為說明性而非限制性的。在閱讀及理解以上描述後,許多其他實施例對於熟習此項技術者而言將為明顯的。因此,本揭露的範疇應參考所附申請專利範圍以及此類請求項所賦予的等效物的全部範疇來決定。
100,100A~Z,200,200A~B,300,400:MEAD系統
101:系統
102:控制器
104,104A~C:感測器
130:預測系統
132:預測伺服器
134:預測組件
136:用戶端裝置
138:校正動作組件
140:資料儲存庫
142:感測器資料
144,144A~B:歷史感測器資料
146:當前感測器資料
150,874:網路
151:區域網路
152:效能資料
154:歷史效能資料
156:當前效能資料
160:預測資料
170,180:伺服器機器
172:資料集產生器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:經訓練的機器學習模型
202:入口
204:出口
206:引擎
210,310,410:外殼
220,320,420:微波產生器
230,330,430:多組件過濾器
240,340,440:風扇
322,422:微波能量
324,424:波導
326,426:磁控管
332,332A~B,432,432A~B:過濾層
342,442:氣流
344:漏斗
500,600:系統
510:資料輸入
520:目標輸出
600,800:電腦系統
602:訓練集
604:驗證集
606:測試集
608:選定模型
610,612,614,616,618,620,701,702,703,704,705,706,707,720,722,740,742,744,760,762,764,766,768,770,780,782,784,786,788:方塊
700A~E:方法
800:電腦系統
802:處理器
804:揮發性記憶體
806:非揮發性記憶體
808:匯流排
810:視訊顯示單元
812:文數輸入裝置
814:游標控制裝置
816:資料儲存裝置
820:訊號產生裝置
822:網路介面裝置
824:非暫時性電腦可讀儲存媒體
T:訓練集
本揭露以實例的方式而非限制的方式在附圖的圖式中圖示,其中相同的附圖標記指示相似的元件。應注意,本揭露中對「一(an)」或「一個(one)」實施例的不同引用不一定指同一實施例,且此類引用意謂至少一者。
第1圖為圖示根據某些實施例的例示性系統架構的方塊圖。
第2A圖至第2B圖為圖示根據某些實施例的微波強化空氣消毒(microwave enhanced air disinfection,MEAD)系統的方塊圖。
第3A圖至第3B圖為根據某些實施例的MEAD系統的橫截面圖。
第4A圖至第4B圖為根據某些實施例的MEAD系統的橫截面圖。
第5圖圖示根據某些實施例的用於為與MEAD系統相關聯的機器學習模型創建資料集的資料集產生器。
第6圖為圖示根據某些實施例為MEAD系統決定預測資料的方塊圖。
第7A圖至第7E圖圖示根據某些實施例的與MEAD系統相關聯的方法的流程圖。
第8圖為圖示根據某些實施例的電腦系統的方塊圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
100A~Z:MEAD系統
101:系統
102:控制器
104:感測器
130:預測系統
132:預測伺服器
134:預測組件
136:用戶端裝置
138:校正動作組件
140:資料儲存庫
142:感測器資料
144:歷史感測器資料
146:當前感測器資料
150:網路
151:區域網路
152:效能資料
154:歷史效能資料
156:當前效能資料
160:預測資料
170,180:伺服器機器
172:資料集產生器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:經訓練的機器學習模型
Claims (20)
- 一種方法,包括以下步驟: 由一處理裝置標識操作一微波強化空氣消毒系統的一排程表;及 基於該排程表,由該微波強化空氣消毒系統的一微波產生器間歇性地產生微波能量,其中安置在該微波強化空氣消毒系統的一外殼中的一多組件過濾器用以自通過該外殼的氣流中收集多個污染物,且其中來自該氣流的該些污染物的至少一部分將經由該微波能量直接或間接中的至少一者被破壞。
- 如請求項1所述之方法,其中以下中的一者或多者: 該排程表係基於與一個或多個微波強化空氣消毒系統相關聯的感測器資料; 該排程表係基於自該微波強化空氣消毒系統的一感測器接收到的第一感測器資料;或 該排程表係基於經由該微波強化空氣消毒系統接收到的使用者輸入。
- 如請求項1所述之方法,進一步包括以下步驟: 接收與該微波強化空氣消毒系統的該微波產生器相關聯的第一感測器資料,該微波產生器間歇性地產生該微波能量以破壞來自該氣流中的該些污染物的至少一部分;及 基於該第一感測器資料,引起與該微波強化空氣消毒系統相關聯的一校正動作的執行。
- 如請求項3所述之方法,其中自以下中的一者或多者接收到的該第一感測器資料: 安置在該微波強化空氣消毒系統的一入口附近的一感測器; 安置在該微波強化空氣消毒系統中的該些污染物的排氣附近的一感測器;或 安置在該微波強化空氣消毒系統的一出口附近的一感測器。
- 如請求項3所述之方法,進一步包括以下步驟: 接收與該微波強化空氣消毒系統相關聯的第二感測器資料;及 基於該第二感測器資料,使得該校正動作的該執行停止。
- 如請求項1所述之方法,進一步包括以下步驟: 接收與一個或多個微波強化空氣消毒系統相關聯的歷史感測器資料; 接收與該一個或多個微波強化空氣消毒系統相關聯的歷史效能資料;及 用包括該歷史感測器資料的資料輸入及包括該歷史效能資料的目標資料訓練一機器學習模型以產生一經訓練的機器學習模型,該經訓練的機器學習模型能夠產生指示用於執行一個或多個校正動作的預測資料的一個或多個輸出。
- 如請求項6所述之方法,其中: 在產生對應的微波能量以激活一對應的多組件過濾器期間,該歷史感測器資料與該一個或多個微波強化空氣消毒系統的對應廢氣相關聯;及 該歷史效能資料與歷史氣流品質或該一個或多個微波強化空氣消毒系統的操作中的一者或多者相關聯。
- 如請求項3所述之方法,進一步包括以下步驟: 將該第一感測器資料提供給一經訓練的機器學習模型;及 自該經訓練的機器學習模型獲得指示預測資料的一個或多個輸出,其中該引起該校正動作的該執行係基於該預測資料。
- 如請求項3所述之方法,其中該校正動作包括以下中的一者或多者: 更新操作該微波強化空氣消毒系統的該排程表; 使得該微波產生器在第一時間量內產生該微波能量; 使得該微波強化空氣消毒系統的一風扇在一第二時間量內提供通過該微波強化空氣消毒系統的該氣流; 使得更換該多組件過濾器的一個或多個部分; 中斷該微波能量的該產生;或 使得提供一警報。
- 如請求項3所述之方法,進一步包括以下步驟: 基於該第一感測器資料決定與以下一者或多者相關聯的資訊: 進入空氣的品質; 該些污染物中的該至少一部分被破壞的確認;或 該微波強化空氣消毒系統的執行。
- 一種儲存多個指令的非暫時性機器可讀儲存媒體,該些指令在執行時使得一處理裝置執行多個操作,該些操作包括: 標識操作一微波強化空氣消毒系統的一排程表;及 基於該排程表,由該微波強化空氣消毒系統的一微波產生器間歇性地產生微波能量,其中安置在該微波強化空氣消毒系統的一外殼中的一多組件過濾器用以自通過該外殼的氣流中收集多個污染物,且其中來自該氣流的該些污染物的至少一部分將經由該微波能量直接或間接中的至少一者被破壞。
- 如請求項11所述之非暫時性機器可讀儲存媒體,其中以下中的一者或多者: 該排程表係基於與一個或多個微波強化空氣消毒系統相關聯的感測器資料; 該排程表係基於自該微波強化空氣消毒系統的一感測器接收到的第一感測器資料;或 該排程表係基於經由該微波強化空氣消毒系統接收到的使用者輸入。
- 如請求項11所述之非暫時性機器可讀儲存媒體,進一步包括: 接收與該微波產生器間歇性地產生該微波能量以破壞來自氣流中的該些污染物中的該至少一部分相關聯的第一感測器資料;及 基於該第一感測器資料,引起與該微波強化空氣消毒系統相關聯的一校正動作的執行。
- 如請求項11所述之非暫時性機器可讀儲存媒體,其中該些操作進一步包括: 接收與一個或多個微波強化空氣消毒系統相關聯的歷史感測器資料; 接收與該一個或多個微波強化空氣消毒系統相關聯的歷史效能資料;及 用包括該歷史感測器資料的資料輸入及包括該歷史效能資料的目標資料訓練一機器學習模型以產生一經訓練的機器學習模型,該經訓練的機器學習模型能夠產生指示用於執行一個或多個校正動作的預測資料的一個或多個輸出。
- 如請求項13所述之非暫時性機器可讀儲存媒體,其中該些操作進一步包括: 將該第一感測器資料提供給一經訓練的機器學習模型;及 自該經訓練的機器學習模型獲得指示預測資料的一個或多個輸出,其中該引起該校正動作的該執行係基於該預測資料。
- 一種系統,包括: 記憶體;及 一處理裝置,耦接至該記憶體,其中該處理裝置用於: 標識操作一微波強化空氣消毒系統的一排程表;及 基於該排程表,由該微波強化空氣消毒系統的一微波產生器間歇性地產生微波能量,其中安置在該微波強化空氣消毒系統的一外殼中的一多組件過濾器用以自通過該外殼的氣流中收集多個污染物,且其中來自該氣流的該些污染物的至少一部分將經由該微波能量直接或間接中的至少一者被破壞。
- 如請求項16所述之系統,其中以下中的一者或多者: 該排程表係基於與一個或多個微波強化空氣消毒系統相關聯的感測器資料; 該排程表係基於自該微波強化空氣消毒系統的一感測器接收到的第一感測器資料;或 該排程表係基於經由該微波強化空氣消毒系統接收到的使用者輸入。
- 如請求項16所述之系統,進一步包括: 接收與該微波產生器間歇性地產生該微波能量以破壞來自氣流中的該些污染物中的該至少一部分相關聯的第一感測器資料;及 基於該第一感測器資料,引起與該微波強化空氣消毒系統相關聯的一校正動作的執行。
- 如請求項16所述之系統,其中該處理裝置進一步用於: 接收與一個或多個微波強化空氣消毒系統相關聯的歷史感測器資料; 接收與該一個或多個微波強化空氣消毒系統相關聯的歷史效能資料;及 用包括該歷史感測器資料的資料輸入及包括該歷史效能資料的目標資料訓練一機器學習模型以產生一經訓練的機器學習模型,該經訓練的機器學習模型能夠產生指示用於執行一個或多個校正動作的預測資料的一個或多個輸出。
- 如請求項18所述之系統,其中該處理裝置進一步用於: 將該第一感測器資料提供給一經訓練的機器學習模型;及 自該經訓練的機器學習模型獲得指示預測資料的一個或多個輸出,其中該處理裝置將基於該預測資料引起該校正動作的該執行。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063113690P | 2020-11-13 | 2020-11-13 | |
US63/113,690 | 2020-11-13 | ||
US17/522,689 US20220152264A1 (en) | 2020-11-13 | 2021-11-09 | Control of a microwave enhanced air disinfection system |
US17/522,689 | 2021-11-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202233256A true TW202233256A (zh) | 2022-09-01 |
Family
ID=81588359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110142189A TW202233256A (zh) | 2020-11-13 | 2021-11-12 | 微波強化空氣消毒系統的控制 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220152264A1 (zh) |
TW (1) | TW202233256A (zh) |
WO (1) | WO2022103982A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005503893A (ja) * | 2001-10-04 | 2005-02-10 | ザ ジョンズ ホプキンズ ユニバーシティ | 空気感染病原体の中和 |
US6673137B1 (en) * | 2001-11-27 | 2004-01-06 | Sheree H. Wen | Apparatus and method for purifying air in a ventilation system |
US20130074698A1 (en) * | 2010-06-14 | 2013-03-28 | Chang-Yu Wu | Microwave filter air purification systems, methods of use, and methods of disinfection and decontamination |
WO2013112287A1 (en) * | 2012-01-09 | 2013-08-01 | David Martin | Networked air quality monitoring |
CN211739383U (zh) * | 2020-02-14 | 2020-10-23 | 刘巍 | 一种室内微波空气消毒装置 |
-
2021
- 2021-11-09 US US17/522,689 patent/US20220152264A1/en active Pending
- 2021-11-11 WO PCT/US2021/059012 patent/WO2022103982A1/en active Application Filing
- 2021-11-12 TW TW110142189A patent/TW202233256A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022103982A1 (en) | 2022-05-19 |
US20220152264A1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Siegel | Primary and secondary consequences of indoor air cleaners | |
Li et al. | Mechanism of ozone decomposition on a manganese oxide catalyst. 2. Steady-state and transient kinetic studies | |
US11571488B2 (en) | Pathogen mitigation | |
US20100003164A1 (en) | Systems and methods for managing air quality | |
CA2503281A1 (en) | Cleaning of air | |
US10010644B2 (en) | Photocatalytic device for ductless heating and air conditioning systems | |
EP3504007B1 (en) | A gas purifying apparatus | |
TW202233256A (zh) | 微波強化空氣消毒系統的控制 | |
KR20210111749A (ko) | 비열 플라즈마 생성 방법 및 시스템 | |
JPWO2016067676A1 (ja) | 空気清浄機 | |
KR101796291B1 (ko) | 자외선 공기살균기 및 그 제어방법 | |
Jangra et al. | Efficient deactivation of aerosolized pathogens using a dielectric barrier discharge based cold-plasma detergent in environment device for good indoor air quality | |
US20220152540A1 (en) | Microwave enhanced air disinfection system | |
TW202242325A (zh) | 用於空氣淨化的室內空間模型化 | |
KR102288426B1 (ko) | 공기질 관리기, 이를 관리하는 시스템, 및 그의 방법 | |
US20230233726A1 (en) | A portable air treatment system and a method of using said air treatment system | |
KR101700431B1 (ko) | 클러스터 이오나이저와 워터 캐치가 혼합된 하이브리드 멸균시스템 컨트롤 장치 및 방법 | |
JP7170194B2 (ja) | Covid-19を含む生物学的種を殺すための加熱フィルターを有する移動式浄化装置 | |
WO2022051074A1 (en) | Systems and methods for ultraviolet treatment of indoor contaminants | |
Gupta et al. | A comparative assessment of the some commercially available portable bipolar air ionizers particulate pollutants (PM2. 5, PM10) removal efficacies and potential byproduct ozone emission | |
CN115289589B (zh) | 一种智能柔性蜂巢式空气动态恒净和消毒系统及方法 | |
KR102291791B1 (ko) | 버블을 이용한 공기정화장치 및 공기정화방법 | |
KR102155628B1 (ko) | 반도체 제조공정의 질소산화물 및 입자성 물질 제거장치 | |
US20240068682A1 (en) | Systems and methods for thermal inactivation of pathogens | |
US20220065470A1 (en) | Systems and methods for controlling indoor air quality with a fluid moving apparatus |