一种基于深度学习的智能制冷舒适空调制造技术

本发明专利技术属于空调自动控制技术领域，公开了一种基于深度学习的智能制冷舒适空调，用户舒适温度数据库建立模块用于存储用户行为习惯并存储，对存储的用户行为习惯的数据进行捕捉并分配权重；获取空调工作时环境数据和运行数据；训练深度学习模型，确定每个影响因子对空调制冷效果的影响系数；根据各影响因子的参数，建立空调的三维热效应方程，求解得空调的温度场分布情况；建立深度生成模型根据空调的基本参数，形成在深度学习多层网络下空调的深度生成模型；选择深度生成模型并进行预训练，将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入，输出最终的空调优化制冷方案。本发明专利技术提供了一个最优的制冷方案。优的制冷方案。优的制冷方案。

【技术实现步骤摘要】
一种基于深度学习的智能制冷舒适空调


[0001]本专利技术属于空调自动控制
，尤其涉及一种基于深度学习的智能制冷舒适空调。

技术介绍

[0002]深度学习(DL，Deep Learning)是机器学习(ML，Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI， Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
[0003]现有技术一，CN109506344A
‑
空调制冷量的控制方法、装置及电子设备，尤其涉及一种空调制冷量的控制方法、装置及电子设备。所述空调制冷量的控制方法，包括：根据空调的负载量与制冷量之间的第一关联关系获得当前负载量对应的基础制冷量；根据空调的制冷量与风机风速、冷却水流量之间的第二关联关系获得所述基础制冷量对应的目标风机风速及目标冷却水流量；将空调的风机风速及冷却水流量调整为所述目标风机风速及目标冷却水流量，以控制空调的制冷量。
[0004]现有技术二，CN104791966A空调器以及空调器的低温制冷控制方法和装置，所述空调器的低温制冷控制方法，包括以下步骤：检测当前室外环境温度；判断当前室外环境温度所属的温度区间，其中，将室外环境温度划分为多个温度区间，且每个所述温度区间对应一个风机转速；控制所述空调器以制冷模式运行且控制所述空调器的室外风机按照所述当前室外环境温度所属的温度区间对应的风机转速运转。
[0005]通过上述分析，现有技术存在的问题及缺陷为：现有技术一和现有技术二空调制冷控制存在无法根据用户个性需求定制，用户体验度差。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供了一种基于深度学习的智能制冷舒适空调。
[0007]本专利技术是这样实现的，一种基于深度学习的智能制冷舒适空调，包括：
[0008]用户舒适温度数据库建立模块，用于存储用户行为习惯，对存储的用户行为习惯的数据进行捕捉并分配权重；
[0009]数据获取模块，用于获取空调工作时环境数据和运行数据；
[0010]深度生成模型形成模块，用于根据各影响因子的参数，建立空调的三维热效应方
程，求解得空调的温度场分布情况；
[0011]制冷方案输出模块，用于选择深度生成模型并进行预训练，将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入，经过深度生成模型的推断，输出最终的空调优化制冷方案。
[0012]进一步，所述环境数据中包括各个影响因子对应的数据；利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷效果的影响系数，构造出各个影响因子对应的相关性函数；
[0013]建立深度生成模型根据空调的基本参数，包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数，形成在深度学习多层网络下空调的深度生成模型。
[0014]所述用户舒适温度数据库建立模块的用户行为习惯包括：客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数。当用户按照常规开机，调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时，用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据，并进行存储，存储后按照运行参数的不同分为不同的类别记录堆栈，然后导入用户舒适温度数据库，当每次记录室内温度变化时，计数器的读数加1，若计数器的读数大于记录堆栈的上限时，此时生成舒适温度；若计数器的读数不大于记录堆栈的上限时，返回常规开机。
[0015]进一步，所述用户舒适温度数据库建立模块包括：
[0016]第一分配权重子模块，用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络，部署训练得到第一级神经网络模型，生成第一分配权重的存储的用户行为习惯的数据；
[0017]第二分配权重子模块，用于构建第二级深度神经网络模型，输入为存储的用户行为习惯的数据，输出为第二分配权重的存储的用户行为习惯的数据；
[0018]存储数据处理子模块，用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络，部署训练得到第二级神经网络模型，生成分割好的存储的用户行为习惯的数据。
[0019]进一步，利用深度学习库编程构造对应的深度学习模型；通过模型训练模块利用模型训练程序进行深度学习模型的训练，得到深度学习神经网络，确定每个影响因子对空调制冷效果的影响系数；
[0020]所述通过模型训练模块包括：
[0021]数据提取子模块，用于采用构建完成的所述深度学习模型和预设的特征提取算法，提取对应的环境数据和运行数据；
[0022]局部训练子模块，用于根据由提取得到的所述环境数据和运行数据构成的数据特征集，进行局部训练；
[0023]分类训练子模块，用于根据预先从所述环境数据和运行数据中选出的目标环境数据和运行数据，对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练，以完成所述深度学习模型的训练，得到深度学习神经网络；
[0024]相关性函数构建子模块，用于确定每个影响因子对空调制冷效果的影响系数，构造出各个影响因子对应的相关性函数。
[0025]进一步，所述深度生成模型形成模块包括：
[0026]参数输入子模块，用于输入空调的基本参数，包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数；
[0027]信息识别子模块，用于根据待识别输入空调的基本参数的标识信息和深度学习算法模型的标识信息，判断是否将所述待识别输入空调的基本参数的标识信息以及所述深度学习算法模型存储到存储器中；
[0028]信息存储子模块，用于所述存储器判断为是的情况下，存储所述待识别输入空调的基本参数的标识信息和所述深度学习算法模型；
[0029]识别指令发出子模块，用于发出针对所述待识别输入空调的基本参数的标识信息的识别指令；
[0030]识别结果输出子模块，用于根据识别指令获取第一深度学习算法模型和所述待识别输入空调的基本参数的标识信息，并利用所述深度学习算法模型对所述待识别输入空调的基本参数的标识信息进行识别处理；输出识别处理的结果。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的智能制冷舒适空调，其特征在于，包括：用户舒适温度数据库建立模块，用于存储用户行为习惯，对存储的用户行为习惯的数据进行捕捉并分配权重；数据获取模块，用于获取空调工作时环境数据和运行数据；深度生成模型形成模块，用于根据各影响因子的参数，建立空调的三维热效应方程，求解得空调的温度场分布情况；制冷方案输出模块，用于选择深度生成模型并进行预训练，经过深度生成模型的推断，输出最终的空调优化制冷方案。2.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述环境数据中包括各个影响因子对应的数据；利用深度学习库编程构造对应的深度学习模型，基于所述环境数据和运行数据，训练深度学习模型，确定每个影响因子对空调制冷效果的影响系数，构造出各个影响因子对应的相关性函数；建立深度生成模型根据空调的基本参数，包括风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数，形成在深度学习多层网络下空调的深度生成模型。3.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述用户舒适温度数据库建立模块的用户行为习惯包括：客户日常调整空调的风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数；当用户按照常规开机，调整风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数时，用户舒适温度数据库实时记录风速、出风口温度、制冷模式、制热模式、除湿模式、出口风向和运行参数的数据，并进行存储，存储后按照运行参数的不同分为不同的类别记录堆栈，然后导入用户舒适温度数据库，当每次记录室内温度变化时，计数器的读数加1，若计数器的读数大于记录堆栈的上限时，此时生成舒适温度；若计数器的读数不大于记录堆栈的上限时，返回常规开机。4.如权利要求1所述的基于深度学习的智能制冷舒适空调，其特征在于，所述用户舒适温度数据库建立模块包括：第一分配权重子模块，用于将收集到的存储的用户行为习惯的数据输入第一级深度神经网络，部署训练得到第一级神经网络模型，生成第一分配权重的存储的用户行为习惯的数据；第二分配权重子模块，用于构建第二级深度神经网络模型，输入为存储的用户行为习惯的数据，输出为第二分配权重的存储的用户行为习惯的数据；存储数据处理子模块，用于将收集到的第一分配权重的存储的用户行为习惯的数据和第二分配权重的存储的用户行为习惯的数据一起输入第二级深度神经网络，部署训练得到第二级神经网络模型，生成分割好的存储的用户行为习惯的数据。5.如权利要求2所述的基于深度学习的智能制冷舒适空调，其特征在于，制冷方案输出模块，用于选择深度生成模型并进行预训练，将各解模糊方法得到的空调降温方案及其对应的仿真结果数据作为深度生成模型的输入，经过深度生成模型的推断，输出最终的空调优化制冷方案；利用深度学习库编程构造对应的深度学习模型；通过模型训练模块利用模型训练程序进行深度学习模型的训练，得到深度学习神经网络，确定每个影响因子对空调制冷效果的影响系数；所述通过模型训练模块包括：
数据提取子模块，用于采用构建完成的所述深度学习模型和预设的特征提取算法，提取对应的环境数据和运行数据；局部训练子模块，用于根据由提取得到的所述环境数据和运行数据构成的数据特征集，进行局部训练；分类训练子模块，用于根据预先从所述环境数据和运行数据中选出的目标环境数据和运行数据，对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练，以完成所述深度学习模型的训练，得到深度学习神经网络；相关性函数构建子模块，用于确定每...

【专利技术属性】
技术研发人员：王旭，
申请(专利权)人：湖南大友恒实业有限公司，
类型：发明
国别省市：