基于人工智能技术预测热感觉的室内热环境控制系统的制作技术

本技术公开了一种基于人工智能技术预测热感觉的室内热环境控制系统，所述的基于人工基于人工智能技术预测热感觉的室内热环境控制，步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值。

利用红外热成像摄像头拍摄用户的红外图像，根据热成像识别皮肤温度。

步骤2.若用户通过HMI输入了“太冷”“太热”等热感觉，则相应更新用户皮肤温度的舒适域。

技术要求
1.一种基于人工智能技术预测热感觉的室内热环境控制系统，其特征在于：步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值，利用红外热成像摄像头拍摄用户的红外
图像，根据热成像识别皮肤温度；
步骤2.若用户通过HMI 输入了“太冷” “太热” 等热感觉，则相应更新用户皮肤温度的舒适域；
步骤3.随后以一定时间周期，对红外摄像头识别出的用户皮肤温度与用户舒适皮肤温度进行对比，预测用户的热感觉状态及其变化趋势，相应调节室内空气温度设定值，预测性
地避免用户产生热不舒适感；
步骤4.空调器控制器根据房间温度的实测值与设定值，根据比例积分微分（ PID）算法，调节空调器出力，使室内温度达到设定值范围。

2.根据权利要求1所述的一种基于人工智能技术预测热感觉的室内热环境控制系统，其特征在于：步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值，利用红外热成像摄像头拍摄用户的红外图像，根据热成像识别皮肤温度，具体方式为利用红外摄像机获取人体面部和颈部的红外成像，通过图像识别获取皮肤温度，利用带有红外传感器的眼镜框，获取用户面部若干测点的皮肤温度；利用普通摄像机获取手部皮肤图像，通过分析皮肤色彩饱和度判断皮肤温度。

3.根据权利要求1所述的一种基于人工智能技术预测热感觉的室内热环境控制系统，其特征在于：若用户通过HMI 输入了“太冷” “太热” 等热感觉，则相应更新用户皮肤温度的舒适域，具体方式如下：
若用户通过HMI 输入了“太冷” “太热” 等热感觉，则相应更新用户皮肤温度的舒适域：x 1 /x 2 /x 3分别表示热感觉为热 / 冷 / 舒适的用户的数量，通过“大多数原则”确定群组的热状态；
“大多数原则”是指当一个群组中有 N个人时，则数量超过 N/2 的用户为大多数，他们的共同意见将被采纳；
在某些不存在大多数的特殊情况下，如当 x 3 <N/2, x 1 =x 2 ，控制系统将计算每个感觉热/ 冷用户的皮肤温度到其皮肤温度舒适域的距离称为“热偏差” 或“冷偏差”，并对所有用户的“冷偏差”或“热偏差”分别求和，最终系统将按照偏差较大的一方调整设定值。

4.根据权利要求1所述的一种基于人工智能技术预测热感觉的室内热环境控制系统，其特征在于：所说的步骤3确定和更新用户的皮肤温度舒适范围是基于热感觉预测的室内热环境控制系统的核心，当产生用户热感觉信息时，控制系统利用在线学习算法通过用户反馈的热感觉和测量得到的皮肤温度来确定和更新皮肤温度舒适范围；
依据识别和更新个人皮肤温度舒适范围的逻辑及用于预测每个用户的热状态的模糊控制逻辑，可预测得出的个人热状态；
过机器学习得到每个房间用户的热感觉状态之后，通过群组热感觉判断逻辑，确定房间所有用户的整体热感觉状态，然后根据整体热感觉状态，确定房间温度设定值及确定逻辑。

5.根据权利要求以上任意一条权利要求所述的一种基于人工智能技术预测热感觉的室内热环境控制系统，其特征在于：所述的环境控制系统包括红外热成像摄像头、用户表达热感觉的人机界面、室内温湿度传感器、空气调节装置、人工智能学习软件。

技术说明书
一种基于人工智能技术预测热感觉的室内热环境控制系统
技术领域
本技术属于人工智能家居领域，更具体的说涉及一种一种基于人工智能技术预测热感觉的室内热环境控制。

背景技术
人工智能技术的发展，给建筑室内环境的优化控制带来新的可能性，成为促进智能建筑水平升级的重要技术之一。

前的室内环境，采用的是用户通过温度控制器面板自主设定的温度设定值的方法，然而，温度控制器设定值的现场调查显示，超过 50% 的温度设定值，
位于设计手册推荐的舒适温度范围外。

这样的温度设定，不仅带来过冷、过热的不舒适感，而且增加了空调系统能耗。

试验表明，基于用户热感觉投票的室内热环境控制比基于用户自主设定温度的控制方式能够节省空调能耗 15% 。

为了解决目前室内热环境控制中存在的既不节能，又不舒适的问题，本文提出一种基于人工智能技术预测用户的热感觉、进而根据用户热感觉进行控制，取代现有的用户自主设定温度的控制方法，以期解决现有控制存在的既不节能，又不舒适的问题。

技术内容
本技术通过人工智能技术与智能家居技术相结合，进而根据用户热感觉进行家居空调控制，取代现有的用户自主设定温度的控制方法，以期解决现有控制存在的既不节能，又不舒适的问题。

为了实现上述目的，本技术是通过以下技术方案实现的:步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值，利用红外热成像摄像头拍摄用户的红外图像，根据热成像识别皮肤温度；
步骤2.若用户通过HMI 输入了“太冷”“太热”等热感觉，则相应更新用户皮肤温度的舒适域；
步骤3.随后以一定时间周期，对红外摄像头识别出的用户皮肤温度与用户舒适皮肤温度进行对比，预测用户的热感觉状态及其变化趋势，相应调节室内空气温度设定值，预测性地避免用户产生热不舒适感；
步骤4.空调器控制器根据房间温度的实测值与设定值，根据比例积分微分（ PID）算法，调节空调器出力，使室内温度达到设定值范围。

优选的，步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值，利用红外热成像摄像头拍摄用户的红外图像，根据热成像识别皮肤温度，具体方式为利用红外摄像机获取人体面部和颈部的红外成像，通过图像识别获取皮肤温度，利用带有红外传感器的眼镜框，获取用户面部若干测点的皮肤温度；利用普通摄像机获取手部皮肤图像，通过分析皮肤色彩饱和度判断皮肤温度。

优选的，若用户通过HMI 输入了“太冷”“太热”等热感觉，则相应更新用户皮肤温度的舒适域，具体方式如下：
若用户通过HMI 输入了“太冷”“太热”等热感觉，则相应更新用户皮肤温度的舒适域：x1 /x 2 /x 3分别表示热感觉为热 / 冷 / 舒适的用户的数量，通过“大多数原则”确定群组的热状态；
“大多数原则”是指当一个群组中有 N个人时，则数量超过 N/2 的用户为大多数，他们的共同意见将被采纳；
在某些不存在大多数的特殊情况下，如当 x 3 <N/2, x 1 =x 2 ，控制系统将计算每个感觉热/ 冷用户的皮肤温度到其皮肤温度舒适域的距离称为“热偏差”或“冷偏差”，并对所有用户的“冷偏差”或“热偏差”分别求和，最终系统将按照偏差较大的一方调整设定值。

优选的，所说的步骤3确定和更新用户的皮肤温度舒适范围是基于热感觉预测的室内热环境控制系统的核心，当产生用户热感觉信息时，控制系统利用在线学习算法通过用户反馈的热感觉和测量得到的皮肤温度来确定和更新皮肤温度舒适范围；
依据识别和更新个人皮肤温度舒适范围的逻辑及用于预测每个用户的热状态的模糊控制逻辑，可预测得出的个人热状态；
过机器学习得到每个房间用户的热感觉状态之后，通过群组热感觉判断逻辑，确定房间所有用户的整体热感觉状态，然后根据整体热感觉状态，确定房间温度设定值及确定逻辑。

优选的，所述的环境控制系统包括红外热成像摄像头、用户表达热感觉的人机界面、室内温湿度传感器、空气调节装置、人工智能学习软件。

本技术有益效果：
本技术通过人工智能技术与智能家居技术相结合，进而根据用户热感觉进行家居空调控制，取代现有的用户自主设定温度的控制方法，以期解决现有控制存在的既不节能，又不舒适的问题。

附图说明
图1为控制流程图；
图2为群组感觉热感觉判断逻辑图；
图3为房间设备安装示意图。

具体实施方式
下面将结合本技术实施例和附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。

基于本技术中的实施例，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，都属本技术保护范围。

如图1所示，步骤1.根据推荐舒适温度值设定用户舒适皮肤温度的初始值。

利用红外热成像摄像头拍摄用户的红外图像，根据热成像识别皮肤温度。

利用红外摄像机获取人体面部和颈部的红外成像，通过图像识别获取皮肤温度，利用带有红外传感器的眼镜框，获取用户面部若干测点的皮肤温度；利用普通摄像机获取手部皮肤图像，通过分析皮肤色彩饱和度判断皮肤温度。

利用普通摄像机获取手部皮肤图像的方法识别皮肤温度精确度较低，距离实际应用尚需进一步的研究。

因此本技术采用红外热成像摄像的方法识别用户皮肤温度，其优点是采用无接触测量，不对用户带来不适感。

步骤2.若用户通过HMI 输入了“太冷”“太热”等热感觉，则相应更新用户皮肤温度的舒适域。

步骤3.随后以一定时间周期，对红外摄像头识别出的用户皮肤温度与用户舒适皮肤温度进行对比，预测用户的热感觉状态及其变化趋势，相应调节室内空气温度设定值，预测性地避免用户产生热不舒适感。

确定和更新用户的皮肤温度舒适范围是基于热感觉预测的室内热环境控制系统的核心，当产生用户热感觉信息时，控制系统利用在线学习算法通过用户反馈的热感觉和测量得到的皮肤温度来确定和更新皮肤温度舒适范围。

依据识别和更新个人皮肤温度舒适范围的逻辑及用于预测每个用户的热状态的模糊控制逻辑，可预测得出的个人热状态。

通过机器学习得到每个房间用户的热感觉状态之后，通过图 2所示的群组热感觉判断逻辑，确定房间所有用户的整体热感觉状态。

然后根据整体热感觉状态，确定房间温度设定值及确定逻辑。

图 2 中 x 1 /x 2 /x 3分别表示热感觉为热 / 冷 / 舒适的用户的数量，通过“大多数原则”确定群组的热状态。

“大多数原则”是指当一个群组中有 N个人时，则数量超过 N/2 的用户为大多数，他们的共同意见将被采纳。

在某些不存在大多数的特殊情况下（如当 x 3 <N/2, x 1 =x 2 ）控制系统将计算每个感觉热 / 冷用户的皮肤温度到其皮肤温度舒适域的距离（称为“热偏差”或“冷偏差”），并对所有用户的“冷偏差”或“热偏差”分别求和，最终系统将按照偏差较大的一方调整设定值。

控制系统构成：红外热成像摄像头、用户表达热感觉的人机界面、室内温湿度传感器、空气调节装置。

步骤4.空调器控制器根据房间温度的实测值与设定值，根据比例积分微分（ PID）算法，调节空调器出力，使室内温度达到设定值范围。

实施例2：该试验台房间面积为 19.74 m 2，长 4.7 m 宽4.2 m，北侧墙体为外墙并设有外窗。

房间内设有桌、椅等普通办公设施模拟群组办公情景，可容纳3人同时办公。

试验台设有空调设备与控制系统所需设备。

试验台平面图如图 3 所示：
典型的控制过程为：
根据典型控制过程的时间序列，可总结出以下结果。

（1）在试验过程中室内空气温度被控制在设定值范围内。

（2）室内温度设定值范围是由室内用户的热舒适模型决定的，该模型是由红外摄像头获得的皮肤温度和用户输入的热感觉反馈获得的。

（3）当室内用户的皮肤温度变化时，该基于预测的控制系统会发挥作用，并且智能地改变环境温度设定范围。

在该控制系统中使用机器学习方法来确定用户的皮肤温度舒适范围，并且使用模糊控制逻辑来预测用户的热状态并调整室温设定值。

为了验证该控制方法的有效性，搭建了试验台并进行了一系列试验，结果显示用户满意率较高，满意度评价达到 97%，并且随着皮肤温度舒适域的机器学习过程的完成，用户冷热抱怨次数显著降低，减少了对用户工作的干扰，提高了用户的舒适度。

最后说明的是，以上优选实施例仅用于说明本技术的技术方案，而非限制尽管通过上述优选实施例已经对本技术进行了详细的描述，但本领域技术人员应当理解可以在形式上和细节上对其做出各种改变，而不偏离本技术的保护范围。