System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及空调控制,尤其涉及一种用于空调机组的空气洁净控制方法及系统。
技术介绍
1、手术室对空气质量的要求非常高,故在手术室中通常都配有空气净化系统,借助空气净化系统严格控制手术室空气质量。空气净化系统是一种比较先进的空气净化方法,采用自动化的方式对空气进行系统的净化,净化后的空气质量显著提升。
2、在实际使用中发现,由于手术室对空气质量的要求尤为严格,目前的空气净化系统和净化方案还无法达到手术室的要求;且由于操作流程机械化,通常导致净化程度不足或者过净化的问题,不仅净化效果不理想,同时也影响净化效率,增加了医疗成本。
技术实现思路
1、为了解决上述提出的至少一个技术问题,本专利技术提供一种用于空调机组的空气洁净控制方法及系统。
2、第一方面,本专利技术提供了一种用于空调机组的空气洁净控制方法,所述方法包括:
3、获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息,将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型,输出细菌菌落数量的预测结果;所述皮肤表层汗液信息通过人员的可穿戴设备采集得到;
4、判断细菌菌落数量是否达到第一预设阈值;
5、若是,生成第一洁净指令;所述第一洁净指令用于对于手术室空气无差别净化;
6、若否,根据所述可穿戴设备确定人员的位置信息,根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况,并生成第二洁净指令;所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应
7、获取手术室的人员数量信息,当确定所述人员数量为零时,获取空调机组内部的实际温湿度值和累计使用时长;将所述实际温湿度值和累计使用时长输入至第二预测模型中,计算出空调内部累计的细菌滋生量;
8、利用所述细菌滋生量计算出细菌比例,根据细菌比例的计算结果匹配不同强度等级的杀菌指令,所述杀菌指令用于对空调机组自身进行杀菌消毒。
9、优选地,所述方法还包括:
10、计算温度滋生系数和湿度滋生系数:
11、
12、
13、式中,λ为温度滋生系数;β为湿度滋生系数;tmax为最适滋生细菌的最大温度值;tmin为最适滋生细菌的最小温度值;ti为空调机组内部的实际温度值;hmax为最适滋生细菌的最大湿度值;hmin为最适滋生细菌的最小湿度值;
14、利用所述温度滋生系数和湿度滋生系数,更新第二预测模型计算出的空调内部累计的细菌滋生量:
15、x1=λβx0
16、式中,x1为更新后的细菌滋生量,x0为第二预测模型计算出的空调内部累计的细菌滋生量。
17、优选地,根据所述细菌滋生量计算细菌比例,包括:
18、
19、式中,p为细菌比例,a为空调机组待机时长,b为空调机组运行时长,tm为环境温度,tg为室内机管温,v为空调风机转速,x1为更新后的细菌滋生量。
20、优选地,所述方法还包括:
21、将所述温湿度信息输入至第三预测模型中,输出二氧化碳浓度变化趋势;
22、根据二氧化碳浓度变化趋势判断下一时段二氧化碳的浓度是否达到第二预设阈值;
23、当确定下一时段二氧化碳的浓度达到第二预设阈值时,生成第三洁净指令,所述第三洁净指令用于对于手术室空气无差别净化,且第一洁净指令的强度等级大于第三洁净指令的强度等级。
24、优选地,所述方法还包括训练所述第三预测模型,包括:
25、获取手术室不同历史时刻下的多个温湿度数据和二氧化碳浓度数据,作为训练集;
26、基于所述训练集,利用随机森林算法和自适应集成算法进行特征提取,将提取后的特征输入至lstm网络进行训练,得到第三预测模型。
27、优选地,所述将提取后的特征输入至lstm网络进行训练,得到第三预测模型,包括:
28、所述lstm网络为stt-lstm网络模型,所述stt-lstm网络含有两层stt-lstm网络,每层stt-lstm网络包含有两个lstm网络和一个全连接层;
29、将提取的特征传进第一层stt-lstm网络中的两个lstm网络,分别训练两个lstm网络,将两个lstm网络的输出分别输入到对应的全连接层进行融合,得到初步融合结果;
30、将初步融合结果分别传入第二层stt-lstm网络中两个lstm网络,训练两个lstm网络,将两个lstm网络的输出分别输入到对应的全连接层进行融合,进行不断迭代,直至模型收敛得到第三预测模型。
31、优选地,所述方法还包括分别训练第一预测模型和第二预测模型,包括:
32、获取手术室不同历史时刻下的多个温湿度数据、皮肤表层汗液信息以及细菌菌落数量,作为第一训练集;
33、获取空调机组内部的实际温湿度值、累计使用时长以及空调内部累计的细菌滋生量作为第二训练集;
34、对faster-rcnn算法的roi卷积神经网络进行改进,包括:把roi投射到特征图区域内,将投射结果均匀地划分到一个区域里,在每个区域都布置若干个相同数量的采样点,对每个采样点进行双线性插值;当每个采样点完成双线性插值后,对该区域内若干个采样点取最大值,得到区域的特征量;
35、将第一训练集、第二训练集分别输入至改进的faster-rcnn进行训练,生成第一预测模型、第二预测模型。
36、第二方面,本专利技术还提供了一种用于空调机组的空气洁净控制系统,所述系统包括:
37、信息采集单元,用于获取手术室内的温湿度信息和所有人员的皮肤表层汗液信息,将所述温湿度信息和所述皮肤表层汗液信息输入至第一预测模型,输出细菌菌落数量的预测结果;所述皮肤表层汗液信息通过人员的可穿戴设备采集得到;
38、洁净单元,用于判断细菌菌落数量是否达到第一预设阈值;若是,生成第一洁净指令;所述第一洁净指令用于对于手术室空气无差别净化;若否,根据所述可穿戴设备确定人员的位置信息,根据所述位置信息和每个人的皮肤表层汗液信息确定细菌菌落的分布情况,并生成第二洁净指令;所述第二洁净指令用于根据细菌菌落的分布情况的不同对相应的区域进行不同程度的净化;
39、计算单元,用于获取手术室的人员数量信息,当确定所述人员数量为零时,获取空调机组内部的实际温湿度值和累计使用时长;将所述实际温湿度值和累计使用时长输入至第二预测模型中,计算出空调内部累计的细菌滋生量;
40、杀菌单元,用于利用所述细菌滋生量计算出细菌比例,根据细菌比例的计算结果匹配不同强度等级的杀菌指令,所述杀菌指令用于对空调机组自身进行杀菌消毒。
41、第三方面,本专利技术还提供了一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如上述第一方面及其任意一种可能实现本文档来自技高网...
【技术保护点】
1.一种用于空调机组的空气洁净控制方法,其特征在于,所述方法包括:
2.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括:
3.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,根据所述细菌滋生量计算细菌比例,包括:
4.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括训练所述第三预测模型,包括:
6.根据权利要求5所述的用于空调机组的空气洁净控制方法,其特征在于,所述将提取后的特征输入至LSTM网络进行训练,得到第三预测模型,包括:
7.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括分别训练第一预测模型和第二预测模型,包括:
8.一种用于空调机组的空气洁净控制系统,其特征在于,所述系统包括:
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被电子设备的处理器执行时,使所述处理器执行权利要求1至7任意一项所述的用于空调机组的空气洁净控制方法。
...【技术特征摘要】
1.一种用于空调机组的空气洁净控制方法,其特征在于,所述方法包括:
2.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括:
3.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,根据所述细菌滋生量计算细菌比例,包括:
4.根据权利要求1所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括:
5.根据权利要求4所述的用于空调机组的空气洁净控制方法,其特征在于,所述方法还包括训练所述第三预测模型,包括:
6.根据权利要求5所述的用于空调机组的空气洁净控制方法,其特征在于,所述将提取后的特征输入至lstm网络进行训练,得到第三预测模型,包括:
7.根据权...
【专利技术属性】
技术研发人员:刘小雄,楼庆焕,张国栋,
申请(专利权)人:广州奥揽达节能科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。