（北京工商大學(xué) 計(jì)算機(jī)與信息工程學(xué)院 食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048）

0 引言

隨著生活水平的不斷提高，人們追求更加舒適的生活環(huán)境，空調(diào)是對(duì)室內(nèi)溫度、濕度變化影響最大的家電之一。目前大多數(shù)空調(diào)都需要用戶通過(guò)遙控或者手機(jī)APP設(shè)置空調(diào)溫度、風(fēng)速、運(yùn)行模式到某一固定值，實(shí)現(xiàn)了室內(nèi)的恒溫恒濕控制[1]。由于空調(diào)忽略了人體舒適感在室內(nèi)熱環(huán)境控制中的主導(dǎo)地位[2]，當(dāng)用戶感到室內(nèi)環(huán)境不舒適時(shí)，空調(diào)設(shè)置值不會(huì)自動(dòng)更新，需要人工重新設(shè)置。近年來(lái)前沿的空調(diào)研究已經(jīng)考慮到人體舒適度對(duì)空調(diào)設(shè)定值的影響，提出人體舒適度模型，但目前成果還處在研究階段，尚未實(shí)際應(yīng)用。由于概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）具有訓(xùn)練速度快，分類(lèi)結(jié)果不易陷入局部最小，可以增加訓(xùn)練樣本使網(wǎng)絡(luò)分類(lèi)效果達(dá)到最優(yōu)的特點(diǎn)[3,4]，因此，本文建立了基于PNN的舒適度模型，通過(guò)該模型可以得到不同時(shí)段用戶的舒適度指數(shù)，從而依據(jù)舒適度指數(shù)改進(jìn)空調(diào)控制策略并進(jìn)行相關(guān)實(shí)踐。整套系統(tǒng)根據(jù)空調(diào)控制策略動(dòng)態(tài)調(diào)節(jié)設(shè)定參數(shù)，構(gòu)建出動(dòng)態(tài)變化的智能熱環(huán)境[5]，使空調(diào)運(yùn)行方式更加符合人體需求，實(shí)現(xiàn)空調(diào)的自動(dòng)閉環(huán)控制。

1 系統(tǒng)總體方案

基于PNN算法的空調(diào)智能控制系統(tǒng)構(gòu)框圖如圖1所示，包括空調(diào)、控制終端、ZigBee協(xié)調(diào)器和上位機(jī)。

圖1 系統(tǒng)結(jié)構(gòu)框圖

當(dāng)空調(diào)控制終端采集的環(huán)境參數(shù)和用戶輸入的人體參數(shù)上傳至上位機(jī)時(shí)，上位機(jī)對(duì)數(shù)據(jù)進(jìn)行分析處理，并利用嵌在上位機(jī)的舒適度模型計(jì)算人體舒適度指數(shù)；同時(shí)基于該指數(shù)設(shè)計(jì)空調(diào)智能控制策略，給出下一步空調(diào)的溫度設(shè)定值、風(fēng)速設(shè)定值，以及運(yùn)行模式，然后將空調(diào)設(shè)定值按照制定的通信協(xié)議通過(guò)無(wú)線方式下發(fā)至空調(diào)控制終端；空調(diào)控制終端再通過(guò)紅外方式將控制指令下發(fā)到空調(diào)，實(shí)現(xiàn)空調(diào)的自動(dòng)控制。

對(duì)人體舒適度的評(píng)價(jià)，業(yè)內(nèi)比較認(rèn)可Fanger教授提出的PMV模型；該模型指出影響人體舒適度的參數(shù)主要包括環(huán)境因素和人體因素兩大類(lèi)，其中環(huán)境因素包括空氣溫度、空氣流速、空氣相對(duì)濕度、平均熱輻射溫度等參數(shù)，人體因素包括人體代謝率、衣服熱阻等參數(shù)[6,7]。但在實(shí)際工程中，人體代謝率、衣服熱阻等與人體緊密相關(guān)的參數(shù)難以采集和計(jì)算，所以部分文獻(xiàn)在計(jì)算中近似或者忽略了這些參數(shù)。然而不同人做同一運(yùn)動(dòng)或同一人做不同運(yùn)動(dòng)，其人體代謝水平不同，則舒適感覺(jué)也不同，同時(shí)穿著不同的人感覺(jué)也有所差異。針對(duì)先前研究的不足，綜合考慮了對(duì)人體舒適度產(chǎn)生影響的各個(gè)因素后，本文選擇穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、體重、性別作為人體參數(shù)來(lái)代替人體代謝率和衣服熱阻等不易測(cè)量的人體相關(guān)參數(shù)，選擇室內(nèi)的實(shí)時(shí)溫度、濕度作為環(huán)境參數(shù)；選擇PNN算法進(jìn)行人體舒適度建模，相比于固定的公式推導(dǎo)，采用神經(jīng)網(wǎng)絡(luò)建立的模型適應(yīng)性更強(qiáng)。

2 系統(tǒng)硬件部分

系統(tǒng)硬件部分由空調(diào)控制終端，ZigBee無(wú)線協(xié)調(diào)器組成，其中空調(diào)控制終端的硬件結(jié)構(gòu)如圖2所示。

圖2 空調(diào)控制終端硬件結(jié)構(gòu)

空調(diào)控制終端在Flash模塊中存儲(chǔ)紅外指令等數(shù)據(jù)，通過(guò)溫濕度傳感器完成當(dāng)前熱環(huán)境溫濕度信息的采集，通過(guò)Zigbee無(wú)線模塊完成與協(xié)調(diào)器的無(wú)線數(shù)據(jù)通信，最終通過(guò)紅外發(fā)射指令對(duì)空調(diào)進(jìn)行控制。為實(shí)現(xiàn)上述功能以及保證系統(tǒng)低功耗，選擇MSP430F4152[8,9]芯片作為主控芯片，選擇SHT20溫濕度傳感器，選擇M25PE20作為Flash存儲(chǔ)芯片，選擇ZigBee CC2530無(wú)線通信模塊，選擇紅外發(fā)光二極管作為紅外發(fā)射器。工作中，每當(dāng)有中斷觸發(fā)時(shí)喚醒MSP430，執(zhí)行服務(wù)后MSP430進(jìn)入休眠狀態(tài)。限于篇幅，本文對(duì)電路設(shè)計(jì)不做詳細(xì)介紹。

3 基于PNN的舒適度建模與控制策略設(shè)計(jì)

3.1 人體舒適度指數(shù)及樣本采集

舒適度模型對(duì)環(huán)境溫度、濕度、穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、體重、性別等輸入?yún)?shù)處理分析后，計(jì)算出一個(gè)值用來(lái)表示當(dāng)前環(huán)境下人體的舒適級(jí)別，我們把它稱(chēng)作舒適度指數(shù)。舒適度指數(shù)共設(shè)定9個(gè)等級(jí)，從1～9依此表示特別冷、很冷、比較冷、有點(diǎn)冷、舒適、有點(diǎn)熱、比較熱、很熱、特別熱。人體舒適度指數(shù)劃分如圖3所示。

圖3 人體舒適度指數(shù)劃分

為實(shí)現(xiàn)舒適度模型的構(gòu)建，首先進(jìn)行樣本采集。樣本采集采用問(wèn)卷調(diào)查的方式，對(duì)6個(gè)受試者在測(cè)試房間中進(jìn)行體驗(yàn)和問(wèn)卷調(diào)查，采用空調(diào)控制終端對(duì)當(dāng)前測(cè)試房間的環(huán)境參數(shù)進(jìn)行采集，最終選取了54組數(shù)據(jù)作為樣本數(shù)據(jù)。在PNN網(wǎng)絡(luò)訓(xùn)練中，選取46組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，8組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。樣本數(shù)據(jù)如表1所示，其中Xi（i=1，2）分別對(duì)應(yīng)環(huán)境指標(biāo)，即當(dāng)前測(cè)試房間的溫度（°C）、濕度（%），Yi（i=1，2，3，4）分別對(duì)應(yīng)人體參數(shù)指標(biāo)，即體重（kg）、穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、性別。此外，穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、性別分別以等級(jí)形式劃分，具體劃分情況如表2所示。

表1 樣本數(shù)據(jù)

（表1）續(xù)

表2 穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、性別等級(jí)劃分

3.2 舒適度模型構(gòu)建

PNN是一種基于貝葉斯決策理論的前饋型神經(jīng)網(wǎng)絡(luò)模型[10]。網(wǎng)絡(luò)一般分為4層，分別是輸入層、模式層、求和層和輸出層。

1）網(wǎng)絡(luò)結(jié)構(gòu)介紹

PNN的輸入層對(duì)應(yīng)數(shù)據(jù)中的每一維特征值，神經(jīng)元個(gè)數(shù)與樣本維數(shù)一致，在舒適度模型中，首先對(duì)Xi（i=1，2）和Yi（i=1，2，3，4）進(jìn)行歸一化，歸一化后作為模型的輸入神經(jīng)元，該層采用多元高斯核函數(shù)作為激活函數(shù)，該層各個(gè)神經(jīng)元的輸出為：

其中，xij為輸入神經(jīng)元到模式層的權(quán)值，σ為平滑因子。

求和層連接了網(wǎng)絡(luò)的模式層和輸出層，求和層的每個(gè)神經(jīng)元對(duì)應(yīng)于輸出層的一類(lèi)，也就是說(shuō)對(duì)應(yīng)于1～9共9個(gè)人體舒適度指數(shù)等級(jí)。求和層的各個(gè)神經(jīng)元將模式層中屬于一類(lèi)神經(jīng)元的概率進(jìn)行求和并求平均，得到屬于每個(gè)類(lèi)別的概率密度，該層各個(gè)神經(jīng)元的輸出為：

輸出層采用競(jìng)爭(zhēng)神經(jīng)元，對(duì)應(yīng)每個(gè)舒適度指數(shù)。通過(guò)競(jìng)爭(zhēng)，只有概率密度最大的神經(jīng)元對(duì)應(yīng)的輸出為1，其他神經(jīng)元的輸出全部為0，這樣就找出了樣本數(shù)據(jù)對(duì)應(yīng)的舒適度指數(shù)。輸出層各個(gè)神經(jīng)元的輸出為：

2）平滑因子的調(diào)節(jié)

平滑因子是PNN算法的重要指標(biāo)，它的大小決定了各個(gè)類(lèi)別樣本之間的影響程度，會(huì)對(duì)概率密度的計(jì)算產(chǎn)生影響，最終將直接影響分類(lèi)效果。如果σ過(guò)大，概率密度估計(jì)值較為平滑，嚴(yán)重丟失類(lèi)別間差異的細(xì)節(jié)，故無(wú)法準(zhǔn)確分類(lèi)；如果σ過(guò)小，概率密度估計(jì)值會(huì)出現(xiàn)很多尖峰突起，也不能實(shí)現(xiàn)準(zhǔn)確分類(lèi)。本文通過(guò)對(duì)數(shù)據(jù)的仿真實(shí)驗(yàn)，得出當(dāng)σ取為0.31時(shí)，舒適度評(píng)價(jià)模型準(zhǔn)確率相對(duì)最高，可以達(dá)到81.6%以上。

3.3 空調(diào)控制策略設(shè)計(jì)

上位機(jī)需要獲取的參數(shù)包括協(xié)調(diào)器傳回的環(huán)境參數(shù)，用戶輸入的人體參數(shù)。1）首先通過(guò)判斷當(dāng)前房間的溫度來(lái)確定空調(diào)下一步需要設(shè)為制冷模式還是制熱模式，當(dāng)氣溫高于27℃時(shí)開(kāi)啟制冷模式，當(dāng)?shù)陀?0℃時(shí)開(kāi)啟制熱模式，若介于兩者直接則無(wú)需開(kāi)啟空調(diào)；2）接著調(diào)用舒適度模型，計(jì)算當(dāng)前環(huán)境下的人體舒適度指數(shù)，通過(guò)舒適度指數(shù)判斷出是由于溫度高造成的不滿意還是由于溫度低造成的不滿意，若是由溫度高造成的不滿意，就需要在下一次控制中降低空調(diào)設(shè)定的溫度，反之，升高空調(diào)設(shè)置溫度；3）當(dāng)舒適度指數(shù)偏離最佳舒適度5越遠(yuǎn)時(shí)，調(diào)節(jié)幅度越大，反之，調(diào)節(jié)幅度越小；4）重新設(shè)定溫度后，環(huán)境參數(shù)將會(huì)發(fā)生變化，又由空調(diào)控制終端采集當(dāng)前環(huán)境參數(shù)，該數(shù)據(jù)又會(huì)作為新的輸入?yún)?shù)傳給上位機(jī)，參與下一輪的模型運(yùn)算和控制，這樣就實(shí)現(xiàn)了空調(diào)根據(jù)用戶舒適度進(jìn)行自動(dòng)調(diào)節(jié)的目標(biāo)?？照{(diào)控制策略總體設(shè)計(jì)思路如圖4所示，圖中，Comfort為舒適度指數(shù)；Temp為設(shè)定溫度值；WS為設(shè)定風(fēng)速值。

4 系統(tǒng)軟件部分

系統(tǒng)軟件設(shè)計(jì)包括控制器軟件設(shè)計(jì)和上位機(jī)設(shè)計(jì)。其中，控制器軟件部分主要包括ZigBee協(xié)調(diào)器與上位機(jī)之間的通信協(xié)議設(shè)計(jì)，ZigBee協(xié)調(diào)器和空調(diào)控制終端之間的通信協(xié)議設(shè)計(jì)，空調(diào)控制終端和空調(diào)之間的紅外協(xié)議研究，MSP430F4152芯片以及CC2530芯片的程序設(shè)計(jì)。上位機(jī)設(shè)計(jì)主要實(shí)現(xiàn)用戶信息的錄入以及人體舒適度模型的調(diào)用，并按照空調(diào)控制策略給出空調(diào)設(shè)定值，之后向協(xié)調(diào)器發(fā)送控制指令；主要功能包括：用戶登錄、用戶信息輸入、室內(nèi)環(huán)境監(jiān)控、空調(diào)狀態(tài)查詢、舒適度指數(shù)計(jì)算以及發(fā)送控制指令等。限于篇幅，本文不做詳細(xì)介紹。

圖4 空調(diào)控制策略總體設(shè)計(jì)思路

5 仿真與實(shí)例驗(yàn)證

以北京市某地區(qū)34平米房間在2017年7月份不同時(shí)段采集的數(shù)據(jù)為例，協(xié)調(diào)器將空調(diào)控制終端采集到的房間內(nèi)溫濕度數(shù)據(jù)上傳至系統(tǒng)，用戶通過(guò)上位機(jī)將自身的體重（kg）、穿衣指數(shù)、運(yùn)動(dòng)指數(shù)、性別數(shù)據(jù)輸入系統(tǒng)。為完成測(cè)試，邀請(qǐng)了10名測(cè)試人體在房間內(nèi)進(jìn)行實(shí)際體驗(yàn)，并完成問(wèn)卷調(diào)查。測(cè)試過(guò)程中，對(duì)每個(gè)測(cè)試人員采集7次數(shù)據(jù)，最終得到70組有效數(shù)據(jù)，數(shù)據(jù)如表3所示。在表3中（T，R）的T表示舒適度模型的評(píng)價(jià)結(jié)果，R表示測(cè)試人員反饋的主觀舒適度評(píng)價(jià)結(jié)果。

從表3中可以看出舒適度模型能夠評(píng)價(jià)當(dāng)前環(huán)境下的人體舒適度指數(shù)，而且準(zhǔn)確率較高，系統(tǒng)運(yùn)行一段時(shí)間后能夠?qū)h(huán)境調(diào)節(jié)至舒適區(qū)，并穩(wěn)定運(yùn)行在舒適區(qū)。本實(shí)例驗(yàn)證了系統(tǒng)功能，證實(shí)了基于PNN算法的舒適度模型以及空調(diào)智能控制策略的有效性，空調(diào)控制終端可以按照上位機(jī)設(shè)定的控制策略實(shí)現(xiàn)對(duì)空調(diào)的控制，測(cè)試過(guò)程中系統(tǒng)運(yùn)行穩(wěn)定，實(shí)現(xiàn)了空調(diào)隨舒適度變化而切換不同運(yùn)行狀態(tài)的自動(dòng)控制。

表3 測(cè)試結(jié)果數(shù)據(jù)記錄

6 結(jié)束語(yǔ)

本文設(shè)計(jì)并實(shí)現(xiàn)了基于PNN算法的空調(diào)智能控制系統(tǒng)，重點(diǎn)研究了基于PNN的舒適度模型，采用模式識(shí)別的思想解決了舒適度評(píng)價(jià)問(wèn)題。該模型綜合考慮了環(huán)境因素以及人的主觀感受對(duì)舒適度的影響，為空調(diào)控制策略的優(yōu)化提供了依據(jù)，使空調(diào)狀態(tài)能夠以適合人體感受的方式進(jìn)行自動(dòng)調(diào)節(jié)，具有一定的實(shí)用價(jià)值。