基于因果学习图网络的油烟监测净化方法技术

本发明专利技术公开了一种基于因果学习图网络的油烟监测净化方法通过油烟监测净化系统实现，该系统包括监测模块、预测模型和控制器；在烹饪作业时，监测模块(多个传感器)实时监测空气中有害物质的浓度，并输入预测模型中，预测模型根据当前空气中各有害物质的浓度来实时预测当前的油烟浓度，然后控制器根据预设的油烟机转速控制曲线和预测模型输出的油烟浓度预测结果，判断当前油烟浓度适用的转速，并实时调整油烟机转速，实现了对油烟机的智能化控制，从而可以避免油烟机转速过低导致厨房油烟堆积或转速过高导致耗电量增加的问题。其中，预测模型基于因果学习图网络构建，并通过多个传感器采集到的多源数据的历史数据训练得到，预测准确度高。预测准确度高。预测准确度高。

【技术实现步骤摘要】
基于因果学习图网络的油烟监测净化方法


[0001]本专利技术涉及厨电器具
，具体涉及一种基于因果学习图网络的油烟监测净化方法。

技术介绍

[0002]在现代社会中，厨房是家庭生活中气体环境最复杂的地点。其中，厨房油烟对人体健康产生了许多负面影响，油烟中含有大量的有害物质，如二氧化硫、一氧化碳、苯等，对人体的呼吸系统、心血管系统和神经系统造成严重的危害；特别是在狭小的厨房空间中，油烟浓度容易积聚并超过安全标准。其次，厨房中难免有食物发生变质发霉，容易散发出臭味，臭味主要成分为硫化物和氨气等，对厨房空气环境造成影响。此外，在某些情况下，厨房燃气可能会泄露，容易引发火灾事故，而燃气中的主要成分为甲烷、一氧化碳、硫化氢等，这些异常的气体都会影响厨房环境的安全健康。
[0003]为了保障人们的健康和生活环境的质量，厨房油烟浓度监测系统应运而生，并广泛应用于家庭、餐饮业和工业厨房等场所。该系统利用传感器技术，实时监测和评估厨房油烟浓度，及时提供警报和相关信息，它具有以下几个显著的优势：1、保障人体健康，通过实时监测厨房油烟浓度，系统可以及时发现高浓度油烟积聚的情况，并提供警报，帮助人们采取必要的防护措施，减少油烟对人体的危害；2、提高安全性，系统的警报装置可以及时提醒用户存在危险情况，如油烟浓度过高可能引发火灾，从而可以帮助人们迅速采取措施，降低火灾和其他事故的风险；3、促进节能环保，油烟浓度监测系统可以帮助用户了解油烟排放情况，为合理控制油烟排放提供数据支持，同时通过优化通风设备和油烟处理系统的使用，可以降低能源消耗和环境污染；4、数据分析和改进，系统记录的数据可以进行分析和统计，为改进厨房通风设备、油烟过滤器等提供科学依据，提高厨房环境的质量。
[0004]目前市面上已经存在不少油烟浓度监测系统，但大多仅使用单个油烟传感器(主要为TGS2100，售价为500元左右)，其最大的缺点在于精度不高，容易发生误判，导致没有及时排出油烟或者抽油烟机转速过快造成能源浪费。此外，厨房空气质量监测通常需要监测较多种类的气体，而大多数用户在安装了油烟机后就不再安装气体监测控制装置；那么，当厨房处于无人状态时，油烟机也未处于工作状态，此时厨房内如果发生燃气泄漏或其他气体散发，用户不能及时发现并处理，存在一定的安全隐患。

技术实现思路

[0005]为了克服现有技术中存在的上述问题，本申请提供了一种基于因果学习图网络的油烟监测净化方法。本申请的基于因果学习图网络的油烟监测净化方法可以在烹饪作业时，通过多个传感器实时监测空气中有害物质的浓度，并输入预测模型中，通过预测模型来实时预测当前油烟浓度，然后依据预测的油烟浓度，实时改变油烟机转速，实现油烟机高效节能地工作；其中，预测模型基于因果学习图网络构建，并通过多个传感器采集到的在不同油烟浓度下的多源数据的历史数据训练得到，预测准确度高。此外，该方法采用一氧化碳传
感器、空气传感器和甲醛传感器替代传统的油烟浓度传感器，能够同时检测空气中多种有害物质的浓度，在厨房闲置时还能起到空气质量监测的功能，保障厨房环境的洁净安全健康，成本低、监测精度高，而且其将油烟监测与空气质量监测相结合，功能得到了拓展，实用性好。
[0006]本申请的技术方案为：
[0007]基于因果学习图网络的油烟监测净化方法，该方法通过油烟监测净化系统实现；所述油烟监测净化系统包括监测模块、预测模型和控制器；所述监测模块包括设于油烟机前段位置的一氧化碳传感器、空气质量传感器和甲醛传感器；所述预测模型用于根据多个传感器实时采集的多源数据，预测油烟浓度；所述控制器用于控制油烟机的转速；
[0008]所述预测模型基于因果学习图网络构建，并通过多个传感器采集到的多源数据的历史数据训练得到；所述因果学习图网络包括注意力机制和图卷积机制；预测模型训练的具体过程如下：a.在不同油烟浓度下，通过一氧化碳传感器、空气质量传感器和甲醛传感器采集空气中多种有害物质的浓度数据，并分入训练集和验证集；b.将训练集中的数据输入预测模型，获得油烟浓度的预测值；c.根据预测值和油烟浓度真实值之间的差值，对预测模型的参数进行调整，使预测值与真实值之间的差值减小；d.将验证集中的数据输入预测模型，获得预测模型对于验证集的输出结果；e.根据预测模型在验证集上的输出结果，对预测模型的超参数进行重新设定调参；f.重复步骤b～e，直到预测值和真实值之间的差值达到允许误差之内，训练完成；
[0009]所述油烟监测净化方法包括以下步骤：S1，油烟浓度预测：一氧化碳传感器、空气质量传感器和甲醛传感器实时监测空气中多种有害物质的浓度数据，并将数据输入预测模型中，再通过预测模型输出油烟浓度的实时预测结果；S2，油烟机转速调整：a.使用指数函数预设转速z与油烟浓度c的控制曲线为：z＝bexp(dc)，其中b和d为指数函数的底数和幂；b.根据实时预测的油烟浓度c所对应的转速z，实时调整油烟机的转速。
[0010]与现有技术相比，本申请的基于因果学习图网络的油烟监测净化方法通过油烟监测净化系统实现，该系统包括监测模块、预测模型和控制器；在烹饪作业时，监测模块(多个传感器)实时监测空气中有害物质的浓度，并输入预测模型中，预测模型根据当前空气中各有害物质的浓度来实时预测当前的油烟浓度，然后控制器根据预设的油烟机转速控制曲线和预测模型输出的油烟浓度预测结果，判断当前油烟浓度适用的转速，并实时调整油烟机转速，实现了对油烟机的智能化控制，从而可以避免油烟机转速过低导致厨房油烟堆积或转速过高导致耗电量增加的问题。其中，预测模型基于因果学习图网络构建，因果学习图网络包括注意力机制和图卷积机制，可以实时挖掘多源数据之间的因果关系，并基于此做出预测；预测模型通过多个传感器采集到的多源数据的历史数据训练得到，具体为：先通过多个传感器采集在不同油烟浓度下的有害物质的浓度数据，构建多源数据集，然后将多源数据集内的数据输入预测模型，并根据预测模型输出的预测值与真实值之间的比较，不断调整预测模型的参数和超参数，以此对预测模型进行训练，使得预测模型的预测准确度高。此外，该方法利用多个传感器替代传统的单个油烟浓度传感器，能够同时检测空气中多种有害物质的浓度，降低了油烟监测成本，提高了油烟监测精度，不仅能在烹饪作业时提供更好的油烟监测，还可以在厨房闲置时起到空气质量监测的功能，为厨房空气环境的安全洁净提供了保障。
[0011]作为优化，前述的基于因果学习图网络的油烟监测净化方法中，在各传感器采集数据后，根据标准化公式对采集到的每个数据进行处理，再输入预测模型中；其中X是经标准化处理后的数据，X'是未经标准化处理的原数据，μ是原数据的均值，σ是原数据的标准差。不同传感器之间数据差异性较大，对采集到的各数据进行标准化处理后，便于将数据输入预测模型后的处理和运算。
[0012]作为优化，前述的基于因果学习图网络的油烟监测净化方法中，在预测模型的训练过程中，步骤a中，将一氧化碳传感器、空气质量传感器和甲醛传感器采集到的浓度数据随机分入训练集、验证集和测试集；步骤f中，将测试集中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于因果学习图网络的油烟监测净化方法，其特征在于，该方法通过油烟监测净化系统实现；所述油烟监测净化系统包括监测模块、预测模型和控制器；所述监测模块包括设于油烟机前段位置的一氧化碳传感器、空气质量传感器和甲醛传感器；所述预测模型用于根据多个传感器实时采集的多源数据，预测油烟浓度；所述控制器用于控制油烟机的转速；所述预测模型基于因果学习图网络构建，并通过多个传感器采集到的多源数据的历史数据训练得到；所述因果学习图网络包括注意力机制和图卷积机制；预测模型训练的具体过程如下：a.在不同油烟浓度下，通过一氧化碳传感器、空气质量传感器和甲醛传感器采集空气中多种有害物质的浓度数据，并分入训练集和验证集；b.将训练集中的数据输入预测模型，获得油烟浓度的预测值；c.根据预测值和油烟浓度真实值之间的差值，对预测模型的参数进行调整，使预测值与真实值之间的差值减小；d.将验证集中的数据输入预测模型，获得预测模型对于验证集的输出结果；e.根据预测模型在验证集上的输出结果，对预测模型的超参数进行重新设定调参；f.重复步骤b～e，直到预测值和真实值之间的差值达到允许误差之内，训练完成；所述油烟监测净化方法包括以下步骤：S1，油烟浓度预测：一氧化碳传感器、空气质量传感器和甲醛传感器实时监测空气中多种有害物质的浓度数据，并将数据输入预测模型中，再通过预测模型输出油烟浓度的实时预测结果；S2，油烟机转速调整：a.使用指数函数预设转速z与油烟浓度c的控制曲线为：z＝bexp(dc)，其中b和d为指数函数的底数和幂；b.根据步骤S1中实时预测的油烟浓度c所对应的转速z，实时调整油烟机的转速。2.根据权利要求1所述的基于因果学习图网络的油烟监测净化方法，其特征在于：在各传感器采集数据后，根据标准化公式对采集到的每个数据进行处理，再输入预测模型中；其中X是经标准化处理后的数据，X'是未经标准化处理的原数据，μ是原数据的均值，σ是原数据的标准差。3.根据权利要求2所述的基于因果学习图网络的油烟监测净化方法，其特征在于：在预测模型的训练过程中，步骤a中，将一氧化碳传感器、空气质量传感器和甲醛传感器采集到的浓度数据随机分入训练集、验证集和测试集；步骤f中，将测试集中的数据输入训练后的预测模型中，并输出预测结果，然后根据公式计算测试集数据的预测值和真实值之间的均方误差RMSE，对预测模型的性能进行评估；其中，y'表示真实数据，c表示预测模型的预测油烟浓度，n表示样本个数。4.根据权利要求3所述的基于因果学习图网络的油烟监测净化方法，其特征在于：在预测模型的训练过程中，控制各传感器在一个测试周期内以固定的采样频率采集不同油烟浓度下的多种有害物质的浓度数据，并随机分入训练集、验...

【专利技术属性】
技术研发人员：刘毅，贾明伟，周水清，黄嘉俊，高增梁，
申请(专利权)人：嵊州市浙江工业大学创新研究院，
类型：发明
国别省市：