[go: up one dir, main page]

CN115407028A - 一种地铁空调环境模式检测系统和检测方法 - Google Patents

一种地铁空调环境模式检测系统和检测方法 Download PDF

Info

Publication number
CN115407028A
CN115407028A CN202211121546.3A CN202211121546A CN115407028A CN 115407028 A CN115407028 A CN 115407028A CN 202211121546 A CN202211121546 A CN 202211121546A CN 115407028 A CN115407028 A CN 115407028A
Authority
CN
China
Prior art keywords
air
model
mode
data
subway
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211121546.3A
Other languages
English (en)
Inventor
杨增汪
董正琪
李怡雯
姜杰
鲍锦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Normal University
Original Assignee
Jiangsu Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Normal University filed Critical Jiangsu Normal University
Priority to CN202211121546.3A priority Critical patent/CN115407028A/zh
Publication of CN115407028A publication Critical patent/CN115407028A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0073—Control unit therefor
    • G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Neurology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Mechanical Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

一种地铁空调环境模式检测系统和检测方法，系统包括设置于地铁站内公共区环境中的空调系统，还包括多类传感器采集系统、空调系统上位机、神经网络环境模式检测模型、K210模块和显示模块；检测方法，包括如下步骤：选取关键变量；采集环境数据；数据预处理；构建简易模型；确定模型隐藏层神经元个数；算法优化，确立最佳模型。本发明通过优化BP神经网络模型，利用Adam优化算法，增强了反向传播神经网络的稳定性，模型处理结果通过反馈至空调系统上位机，由空调系统上位机实现当前模式指令的下发，以控制各风机、风阀及空调机组间的组合联动，实现了站内环境的调节，有效提升了地铁空调系统的环境模式检测的及时性、智能性及检测效率。

Description

一种地铁空调环境模式检测系统和检测方法
技术领域
本发明涉及一种地铁空调环境模式检测系统和检测方法，属于检测技术领域。
背景技术
随着城市不断的发展，地铁成为城市交通的重要组成部分之一。由于地铁建设在地下，且站内人流量密集，因此，作为通风、制冷、火灾排烟的保障设备，地铁站内公共区的空调系统起着极其重要的作用。
目前地铁站内公共区空调系统中的风机、风阀以及空调间的运行均采用模式下的组合联动控制，空调系统工作在不同的环境模式下，不同的工作模式对应空调系统不同的组合工况，但空调系统环境模式的检测切换需要人为根据运营环境做出判断参与工作模式的选择调整。由于工作人员无法根据地铁站内现场环境实时快速进行空调环境模式的调整，因此，站内空调系统的环境模式检测和工作模式的调整存在不及时、效率低和不智能的问题。
发明内容
针对上述现有技术存在的问题，本发明提供一种地铁空调环境模式检测系统和检测方法，该检测系统和方法能够有效提升地铁空调系统的环境模式检测的及时性、智能性及检测效率，进而实现空调系统工作模式调整的实时与高效性，改善地铁运营环境。
为了实现上述目的，本发明提供一种地铁空调环境模式检测系统，包括设置于地铁站内公共区环境中的空调系统，还包括多类传感器采集系统、空调系统上位机、神经网络环境模式检测模型、K210模块和显示模块；
所述的多类传感器采集系统包括多个分布式布置的烟雾传感器、二氧化碳传感器和温度传感器，烟雾传感器实时采集站内的烟雾浓度数据，并将采集到的烟雾浓度数据信号实时发送至空调系统上位机，二氧化碳传感器实时采集站内的二氧化碳浓度数据，并将采集到的二氧化碳浓度数据信号实时发送至空调系统上位机，温度传感器实时采集站内的温度数据，并将采集到的温度数据信号实时发送至空调系统上位机；
所述神经网络环境模式检测模型部署在K210模块上，K210模块与空调系统上位机之间串口通信；
所述空调系统包括风机、风阀和空调机组，其连接于空调系统上位机的输出端；
所述显示模块连接于K210模块的输出端；
所述空调系统上位机用于实时接收多类传感器采集系统传送的烟雾浓度数据信号、二氧化碳浓度数据信号、温度数据信号，将接收到的数据信号实时发送至K210模块，由神经网络环境模式检测模型进行处理，处理后的信号反馈至空调系统上位机，空调系统上位机根据接收到的反馈信号向空调系统传达环境模式控制指令，并启动相应环境模式控制下的风机、风阀和空调机组执行组合联动，调节站内烟雾浓度、二氧化碳浓度和温度；同时，K210模块将环境模式检测结果输出至显示模块进行显示。
进一步地，所述的K210模块为嵌入式AI开发模块，芯片内置64位双核处理器、通用神经网络加速器KPU，具有8M64bitSRAM、专用外置FLASH接口和TF卡增加自身的储存空间，同时搭载FPIOA现场可编程IO阵列，支持基于Python语言的TensorFlow、Keras、Caffe主流深度学习框架。
进一步地，还包括语音模块，所述语音模块连接于K210模块的输出端，用于将环境模式检测结果输出进行语音播报。
一种地铁空调环境模式检测方法，包括如下步骤：
1)选取关键变量：根据地铁空调模式运行的条件，选择温度、二氧化碳浓度、烟雾浓度作为检测的关键环境数据,即关键变量；
2)采集环境数据：采集地铁站内关键环境数据以及在实验室采集在地铁站内无法获得的超低超高环境数据作为实验数据，用以训练和测试模型；
3)数据预处理：对采集到的实验数据进行模式分类，将其分为待机模式，通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，并分别通过使用类别标签标定为0、1、2、3、4、5，再对分类标定好的数据进行归一化处理；
4)构建简易模型：根据采集的环境数据类别以及空调环境模式类别确定地铁环境模式神经网络的输入层和输出层；
5)确定模型隐藏层神经元个数：根据公式
Figure BDA0003847299080000021
确定隐藏层神经元个数范围，公式中，h为隐藏层神经元数目，m和n分别为输入层和输出层神经元数目，a为1～10之间的调节常数；
a.采用反向传播以及梯度下降算法在整个数据集上对模型进行训练，公式为：
a[1](i)＝g(W[1]X(i)+b[1])；
Figure BDA0003847299080000031
式中，a[1](i)表示第i个样本在隐藏层的输出，W[1]表示输入层和隐藏层间的网络权重，X(i)表示第i个输入样本，b[1]表示隐层神经元偏置；
a[2](i)表示第i个样本在输出层的预测输出，并用预测值
Figure BDA0003847299080000036
表示，W[2]表示隐藏层与输出层间的权重，b[2]表示输出层神经元偏置；
以上参数均表示矩阵向量；
b.为使BP神经神经网络逼近任意的非线性函数，选取Relu作为隐藏层激活函数，为使神经网络进行多任务分类选取Softmax作为输出层激活函数，公式分别为:
g(x)＝max(0,x)；
Figure BDA0003847299080000032
式中，g(x)表示隐藏层激活函数，f(x)表示输出层激活函数；C＝n表示输出层的神经元个数，ex表示各神经元线性指数输出，x为[n,1]的向量；
c.实际输出和期望输出之间的成本函数为:
Figure BDA0003847299080000033
m表示样本总数，n表示输出层神经元个数，
Figure BDA0003847299080000034
表示第i样本下的第j类预测值，
Figure BDA0003847299080000035
表示第i样本下的第j类真实值；
d.采用预处理后的数据集对隐藏层神经元不同数目的神经网络进行训练，设置循环次数epoch，通过实验观察训练集样本的成本误差变化；将成本误差最小的曲线处对应的隐藏层神经元数确定为模型隐藏层神经元个数；
6)算法优化，确立最佳模型：采用Adam优化算法，以梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，引入动量和自适应学习率使算法加快模型学习、提高网络识别精度并在收敛时减小震荡；最后将经过优化的模型作为最佳的地铁空调环境模式的检测模型。
进一步地，所述步骤3)中，采用Min-Max离差标准化对数据进行归一化处理，使各采集的数据结果值映射到[0，1]之间，Min-Max标准化转换函数定义如下：
Figure BDA0003847299080000041
式中，Max为样本数据的最大值，Min为样本数据的最小值。
进一步地，所述步骤4)中，选择3层BP神经网络进行建模，选取环境温度、二氧化碳浓度、烟雾浓度作为地铁环境模式检测的关键变量，即采集的环境数据类别为3，确定模型输入层神经元个数为3；地铁空调环境模式类别为通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，确定模型输出层神经元个数为6。
进一步地，所述步骤6)中，Adam优化算法以梯度下降第t次迭代为例，网络权重更新过程为：
t＝t+1；
Figure BDA0003847299080000042
Figure BDA0003847299080000043
式中，mt和vt分别为一阶动量项和二阶动量项，β1和β2为超参数默认值为0.9和0.999，mt和vt的偏差修正值为
Figure BDA0003847299080000044
和
Figure BDA0003847299080000045
其计算公式分别为：
Figure BDA0003847299080000046
Figure BDA0003847299080000047
对权重和偏置进行更新，第t次迭代的权重W[l] t和偏置
Figure BDA0003847299080000053
为：
Figure BDA0003847299080000051
Figure BDA0003847299080000052
上式中，W[l] t-1表示第t-1次迭代时的模型权重，b[l] t-1表示第t-1次迭代时的模型偏置，α为学习率默认为0.001，ε取为10-8。
本发明通过优化BP神经网络模型，利用Adam优化算法，增强了反向传播神经网络的稳定性，模型处理结果通过反馈至空调系统上位机，由空调系统上位机实现当前模式指令的下发，以控制各风机、风阀及空调机组间的组合联动，实现了站内环境的调节，有效提升了地铁空调系统的环境模式检测的及时性、智能性及检测效率，进而实现了空调系统工作模式调整的实时与高效性，改善地铁运营环境。
附图说明
图1是本发明的地铁空调环境模式检测控制原理图；
图2是本发明的地铁空调环境模式检测流程图；
图3是本发明的地铁环境模式分类标签图；
图4是本发明的隐藏层神经元数与成本误差实验关系曲线图；
图5是本发明的地铁空调环境模式检测最佳模型确定的流程图；
图6本发明实施例中优化前的模型性能图；
图7是本发明实施例中优化后的模型性能图；
图8是本发明实施例中的最佳地铁空调环境模式检测模型结构图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种地铁空调环境模式检测系统，包括设置于地铁站内公共区环境中的空调系统，还包括多类传感器采集系统、空调系统上位机、神经网络环境模式检测模型、K210模块和显示模块；
所述的多类传感器采集系统包括多个分布式布置的烟雾传感器、二氧化碳传感器和温度传感器，烟雾传感器实时采集站内的烟雾浓度数据，并将采集到的烟雾浓度数据信号实时发送至空调系统上位机，二氧化碳传感器实时采集站内的二氧化碳浓度数据，并将采集到的二氧化碳浓度数据信号实时发送至空调系统上位机，温度传感器实时采集站内的温度数据，并将采集到的温度数据信号实时发送至空调系统上位机；
所述神经网络环境模式检测模型部署在K210模块上，K210模块与空调系统上位机之间串口通信；
所述空调系统包括风机、风阀和空调机组，其连接于空调系统上位机的输出端；
所述显示模块连接于K210模块的输出端；
所述空调系统上位机用于实时接收多类传感器采集系统传送的烟雾浓度数据信号、二氧化碳浓度数据信号、温度数据信号，将接收到的数据信号实时发送至K210模块，由神经网络环境模式检测模型进行处理，处理后的信号反馈至空调系统上位机，空调系统上位机根据接收到的反馈信号向空调系统传达环境模式控制指令，并启动相应环境模式控制下的风机、风阀和空调机组执行组合联动，调节站内烟雾浓度、二氧化碳浓度和温度；同时，K210模块将环境模式检测结果输出至显示模块进行显示。
进一步地，所述的K210模块为嵌入式AI开发模块，芯片内置64位双核处理器、通用神经网络加速器KPU，具有8M64bitSRAM、专用外置FLASH接口和TF卡增加自身的储存空间，同时搭载FPIOA现场可编程IO阵列，支持基于Python语言的TensorFlow、Keras、Caffe主流深度学习框架。
进一步地，还包括语音模块，所述语音模块连接于K210模块的输出端，用于将环境模式检测结果输出进行语音播报。
如图2所示，一种地铁空调环境模式检测方法，包括如下步骤：
1)选取关键变量：根据地铁空调模式运行的条件，选择温度、二氧化碳浓度、烟雾浓度作为检测的关键环境数据,即关键变量；
2)采集环境数据：采集地铁站内关键环境数据以及在实验室采集在地铁站内无法获得的超低超高环境数据作为实验数据，用以训练和测试模型；
3)数据预处理：对采集到的实验数据进行模式分类，将其分为待机模式，通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，并分别通过使用类别标签标定为0、1、2、3、4、5，再对分类标定好的数据进行归一化处理，如图3所示；
4)构建简易模型：根据采集的环境数据类别以及空调环境模式类别确定地铁环境模式神经网络的输入层和输出层；
5)如图4所示，确定模型隐藏层神经元个数：根据公式
Figure BDA0003847299080000071
确定隐藏层神经元个数范围，公式中，h为隐藏层神经元数目，m和n分别为输入层和输出层神经元数目，a为1～10之间的调节常数；
a.采用反向传播以及梯度下降算法在整个数据集上对模型进行训练，公式为：
a[1](i)＝g(W[1]X(i)+b[1])；
Figure BDA0003847299080000072
式中，a[1](i)表示第i个样本在隐藏层的输出，W[1]表示输入层和隐藏层间的网络权重，X(i)表示第i个输入样本，b[1]表示隐层神经元偏置；
a[2](i)表示第i个样本在输出层的预测输出，并用预测值
Figure BDA0003847299080000073
表示，W[2]表示隐藏层与输出层间的权重，b[2]表示输出层神经元偏置；
以上参数均表示矩阵向量；
b.为使BP神经神经网络逼近任意的非线性函数，选取Relu作为隐藏层激活函数，为使神经网络进行多任务分类选取Softmax作为输出层激活函数，公式分别为:
g(x)＝max(0,x)；
Figure BDA0003847299080000074
式中，g(x)表示隐藏层激活函数，f(x)表示输出层激活函数；C＝n表示输出层的神经元个数，ex表示各神经元线性指数输出，x为[n,1]的向量；
c.实际输出和期望输出之间的成本函数为:
Figure BDA0003847299080000081
m表示样本总数，n表示输出层神经元个数，
Figure BDA0003847299080000082
表示第i样本下的第j类预测值，
Figure BDA0003847299080000083
表示第i样本下的第j类真实值；
d.采用预处理后的数据集对隐藏层神经元不同数目的神经网络进行训练，设置循环次数epoch，通过实验观察训练集样本的成本误差变化；将成本误差最小的曲线处对应的隐藏层神经元数确定为模型隐藏层神经元个数；
6)如图5所示，算法优化，确立最佳模型：采用Adam优化算法，以梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，引入动量和自适应学习率使算法加快模型学习、提高网络识别精度并在收敛时减小震荡；最后将经过优化的模型作为最佳的地铁空调环境模式的检测模型。
进一步地，所述步骤3)中，采用Min-Max离差标准化对数据进行归一化处理，使各采集的数据结果值映射到[0，1]之间，Min-Max标准化转换函数定义如下：
Figure BDA0003847299080000084
式中，Max为样本数据的最大值，Min为样本数据的最小值。
进一步地，所述步骤4)中，选择3层BP神经网络进行建模，选取环境温度、二氧化碳浓度、烟雾浓度作为地铁环境模式检测的关键变量，即采集的环境数据类别为3，确定模型输入层神经元个数为3；地铁空调环境模式类别为通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，确定模型输出层神经元个数为6。
进一步地，所述步骤6)中，Adam优化算法以梯度下降第t次迭代为例，网络权重更新过程为：
t＝t+1；
Figure BDA0003847299080000085
Figure BDA0003847299080000086
式中，mt和vt分别为一阶动量项和二阶动量项，β1和β2为超参数默认值为0.9和0.999，mt和vt的偏差修正值为
Figure BDA0003847299080000091
和
Figure BDA0003847299080000092
其计算公式分别为：
Figure BDA0003847299080000093
Figure BDA0003847299080000094
对权重和偏置进行更新，第t次迭代的权重W[l] t和偏置
Figure BDA0003847299080000098
为：
Figure BDA0003847299080000095
Figure BDA0003847299080000096
上式中，W[l] t-1表示第t-1次迭代时的模型权重，b[l] t-1表示第t-1次迭代时的模型偏置，α为学习率默认为0.001，ε取为10-8。
实施例：
通过python语言采用Tensorflow学习框架，在Pycharm软件上搭建神经网络模型，首先根据输入环境参数变量为温度、二氧化碳浓度和烟雾浓度数据，确定神经网络的输入层神经元数为3，根据地铁环境空调6类模式，确定输出层神经元个数为6，中间隐藏层神经元个数根据公式
Figure BDA0003847299080000097
确定隐藏层神经元数的范围为[4,13]，再通过实验搭建3-4-6、3-5-6、3-6-6...3-13-6等不同网络结构的神经网络模型，实验设定相同的循环次数为500轮，采用梯度下降法进行误差收敛，通过成本函数计算并以曲线形式体现各网络结构的误差损失，记录实验数据并比较，如图4所示：隐含层数为11时，其对应的网络模型损失最小为0.023，确定模型结构为3-11-6；
采用优化算法对本模型进行优化，如图6和图7所示，对优化前后的两种模型进行实验对比分析，表1为实验设计表，一共设计4组实验，训练数据与测试数据划分为2：1，具体如下：
表1
Figure BDA0003847299080000101
优化前后模型实验结果对比如表2所示：
表2
Figure BDA0003847299080000102
通过表2可以看到：将实验计算优化前后的两种模型的预测错误数(M)、准确率(ACC)、MacroF1宏平均值并进行对比，随着训练集和测试集数量的增加，两种模型的准确率均在提高，传统BP神经网络的平均测试准确率为96.89％，优化后的BP神经网络模型的平均准确率为97.99％，模型准确率提高了1.1％；优化后BP神经网络的MacroF1平均值从96.42％增加至97.63％，模型精度和稳定性有所改善；优化后模型预测平均错误个数较优化前减少了45.61％。同一实验编号优化后的BP神经网络模型在预测错误个数、准确率和稳定性都优于传统BP神经网络模型；
如表3所示为多分类模型实验性能对比：
表3
Figure BDA0003847299080000103
本发明所设计的模型为表中AD-BP，选取表1中实验编号4的数据集作为实验数据，通过实验对传统的机器学习多分类模型与优化前(BP)和优化后的(AD-BP)BP神经网络模型进行多方面对比分析。如表3实验结果所示，其中朴素贝叶斯(Naive Bayes)模型和逻辑回归(Logistic Regression)模型的运行检测时间较小分别为1.2ms和4.9ms，但其准确率较低分别为96.91％和94.57％；随机森林(Random Forest)模型的准确率最高为99.94％，稳定性最好，但运行检测时间较长35.9ms；优化后的AD-BP神经网络模型准确率较高为99.88％仅次于随机森林模型的99.94％，且运行测试时间较小为12ms，综合了精度高、运行时间短的优点，总体上性能更优，而随着训练集数据的增加AD-BP神经网络模型的精度会进一步提高，且模型的运行时间不变，对处理大数据集效果更佳。如图8所示，为本发明提供的最佳地铁空调环境模式检测模型结构图所示，通过实验对比，最后将经过优化的模型(3-11-6)作为最佳的地铁空调环境模式的检测模型。

Claims (7)

1.一种地铁空调环境模式检测系统，包括设置于地铁站内公共区环境中的空调系统，其特征在于，还包括多类传感器采集系统、空调系统上位机、神经网络环境模式检测模型、K210模块和显示模块；
所述的多类传感器采集系统包括多个分布式布置的烟雾传感器、二氧化碳传感器和温度传感器，烟雾传感器实时采集站内的烟雾浓度数据，并将采集到的烟雾浓度数据信号实时发送至空调系统上位机，二氧化碳传感器实时采集站内的二氧化碳浓度数据，并将采集到的二氧化碳浓度数据信号实时发送至空调系统上位机，温度传感器实时采集站内的温度数据，并将采集到的温度数据信号实时发送至空调系统上位机；
所述神经网络环境模式检测模型部署在K210模块上，K210模块与空调系统上位机之间串口通信；
所述空调系统包括风机、风阀和空调机组，其连接于空调系统上位机的输出端；
所述显示模块连接于K210模块的输出端；
所述空调系统上位机用于实时接收多类传感器采集系统传送的烟雾浓度数据信号、二氧化碳浓度数据信号、温度数据信号，将接收到的数据信号实时发送至K210模块，由神经网络环境模式检测模型进行处理，处理后的信号反馈至空调系统上位机，空调系统上位机根据接收到的反馈信号向空调系统传达环境模式控制指令，并启动相应环境模式控制下的风机、风阀和空调机组执行组合联动，调节站内烟雾浓度、二氧化碳浓度和温度；同时，K210模块将环境模式检测结果输出至显示模块进行显示。
2.根据权利要求1所述的一种地铁空调环境模式检测系统，其特征在于，所述的K210模块为嵌入式AI开发模块，芯片内置64位双核处理器、通用神经网络加速器KPU，具有8M64bitSRAM、专用外置FLASH接口和TF卡增加自身的储存空间，同时搭载FPIOA现场可编程IO阵列，支持基于Python语言的TensorFlow、Keras、Caffe主流深度学习框架。
3.根据权利要求1或2所述的一种地铁空调环境模式检测系统，其特征在于，还包括语音模块，所述语音模块连接于K210模块的输出端，用于将环境模式检测结果输出进行语音播报。
4.一种地铁空调环境模式检测方法，其特征在于，包括如下步骤：
1)选取关键变量：根据地铁空调模式运行的条件，选择温度、二氧化碳浓度、烟雾浓度作为检测的关键环境数据,即关键变量；
2)采集环境数据：采集地铁站内关键环境数据以及在实验室采集在地铁站内无法获得的超低超高环境数据作为实验数据，用以训练和测试模型；
3)数据预处理：对采集到的实验数据进行模式分类，将其分为待机模式，通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，并分别通过使用类别标签标定为0、1、2、3、4、5，再对分类标定好的数据进行归一化处理；
4)构建简易模型：根据采集的环境数据类别以及空调环境模式类别确定地铁环境模式神经网络的输入层和输出层；
5)确定模型隐藏层神经元个数：根据公式
Figure FDA0003847299070000021
确定隐藏层神经元个数范围，公式中，h为隐藏层神经元数目，m和n分别为输入层和输出层神经元数目，a为1～10之间的调节常数；
a.采用反向传播以及梯度下降算法在整个数据集上对模型进行训练，公式为：
a[1](i)＝g(W[1]X(i)+b[1])；
Figure FDA0003847299070000022
式中，a[1](i)表示第i个样本在隐藏层的输出，W[1]表示输入层和隐藏层间的网络权重，X(i)表示第i个输入样本，b[1]表示隐层神经元偏置；
a[2](i)表示第i个样本在输出层的预测输出，并用预测值
Figure FDA0003847299070000023
表示，W[2]表示隐藏层与输出层间的权重，b[2]表示输出层神经元偏置；
以上参数均表示矩阵向量；
b.为使BP神经神经网络逼近任意的非线性函数，选取Relu作为隐藏层激活函数，为使神经网络进行多任务分类选取Softmax作为输出层激活函数，公式分别为:
g(x)＝max(0,x)；
Figure FDA0003847299070000031
式中，g(x)表示隐藏层激活函数，f(x)表示输出层激活函数；C＝n表示输出层的神经元个数，ex表示各神经元线性指数输出，x为[n,1]的向量；
c.实际输出和期望输出之间的成本函数为:
Figure FDA0003847299070000032
m表示样本总数，n表示输出层神经元个数，
Figure FDA0003847299070000033
表示第i样本下的第j类预测值，
Figure FDA0003847299070000034
表示第i样本下的第j类真实值；
d.采用预处理后的数据集对隐藏层神经元不同数目的神经网络进行训练，设置循环次数epoch，通过实验观察训练集样本的成本误差变化；将成本误差最小的曲线处对应的隐藏层神经元数确定为模型隐藏层神经元个数；
6)算法优化，确立最佳模型：采用Adam优化算法，以梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，引入动量和自适应学习率使算法加快模型学习、提高网络识别精度并在收敛时减小震荡；最后将经过优化的模型作为最佳的地铁空调环境模式的检测模型。
5.根据权利要求4所述的一种地铁空调环境模式检测方法，其特征在于，所述步骤3)中，采用Min-Max离差标准化对数据进行归一化处理，使各采集的数据结果值映射到[0，1]之间，Min-Max标准化转换函数定义如下：
Figure FDA0003847299070000035
式中，Max为样本数据的最大值，Min为样本数据的最小值。
6.根据权利要求4所述的一种地铁空调环境模式检测方法，其特征在于，所述步骤4)中，选择3层BP神经网络进行建模，选取环境温度、二氧化碳浓度、烟雾浓度作为地铁环境模式检测的关键变量，即采集的环境数据类别为3，确定模型输入层神经元个数为3；地铁空调环境模式类别为通风模式、制冷模式、通风与制冷模式、排烟模式和火灾模式，确定模型输出层神经元个数为6。
7.根据权利要求4所述的一种地铁空调环境模式检测方法，其特征在于，所述步骤6)中，Adam优化算法以梯度下降第t次迭代为例，网络权重更新过程为：
t＝t+1；
Figure FDA0003847299070000041
Figure FDA0003847299070000042
式中，mt和vt分别为一阶动量项和二阶动量项，β1和β2为超参数默认值为0.9和0.999，mt和vt的偏差修正值为
Figure FDA0003847299070000043
和
Figure FDA0003847299070000044
其计算公式分别为：
Figure FDA0003847299070000045
Figure FDA0003847299070000046
对权重和偏置进行更新，第t次迭代的权重W[l] t和偏置
Figure FDA0003847299070000047
为：
Figure FDA0003847299070000048
Figure FDA0003847299070000049
上式中，W[l] t-1表示第t-1次迭代时的模型权重，b[l] t-1表示第t-1次迭代时的模型偏置，为学习率默认为0.001，ε取为10-8。
CN202211121546.3A 2022-09-15 2022-09-15 一种地铁空调环境模式检测系统和检测方法 Pending CN115407028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211121546.3A CN115407028A (zh) 2022-09-15 2022-09-15 一种地铁空调环境模式检测系统和检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211121546.3A CN115407028A (zh) 2022-09-15 2022-09-15 一种地铁空调环境模式检测系统和检测方法

Publications (1)

Publication Number Publication Date
CN115407028A true CN115407028A (zh) 2022-11-29

Family

ID=84166570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211121546.3A Pending CN115407028A (zh) 2022-09-15 2022-09-15 一种地铁空调环境模式检测系统和检测方法

Country Status (1)

Country Link
CN (1) CN115407028A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504415A (zh) * 2024-06-21 2024-08-16 中联科锐消防科技有限公司 一种公路隧道合理排烟方法
CN119579066A (zh) * 2025-01-26 2025-03-07 北京鼎诚鸿安科技发展有限公司 针对检测电力物资仓储的环境信息的处理系统与方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1821779A (zh) * 2006-03-20 2006-08-23 中山大学 一种空气质量监测和控制系统
CN201803430U (zh) * 2010-06-13 2011-04-20 惠州市标顶空压技术有限公司 地铁站内空调节能控制器
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105929688A (zh) * 2016-04-22 2016-09-07 上海电机学院 一种地铁车站空间能源控制方法
CN106765959A (zh) * 2016-12-27 2017-05-31 武汉虹信技术服务有限责任公司 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
CN108712809A (zh) * 2018-05-18 2018-10-26 浙江工业大学 一种基于神经网络的光环境智能控制方法
CN109242166A (zh) * 2018-08-25 2019-01-18 中科绿建（天津）科技发展有限公司 一种基于多尺度深度神经网络的环境预测防控系统
CN110332647A (zh) * 2019-07-11 2019-10-15 四川聚智精创轨道交通科技有限公司 地铁地下车站空调系统负荷预测方法及空调系统
CN111237988A (zh) * 2020-01-15 2020-06-05 北京天泽智云科技有限公司 地铁车载空调机组控制方法及系统
CN112116070A (zh) * 2020-09-07 2020-12-22 北方工业大学 地铁车站环境参数监测方法及装置
CN112728727A (zh) * 2021-01-06 2021-04-30 广东省科学院智能制造研究所 一种基于边缘计算的室内环境舒适度的智能调节系统
CN113283156A (zh) * 2021-03-29 2021-08-20 北京建筑大学 一种基于深度强化学习的地铁站空调系统节能控制方法
CN113446684A (zh) * 2021-06-30 2021-09-28 广州地铁设计研究院股份有限公司 一种地铁车站公共区智能空调
CN113610217A (zh) * 2021-07-14 2021-11-05 中国铁道科学研究院集团有限公司电子计算技术研究所 客运站环境温度预测方法及装置
CN114417729A (zh) * 2022-01-27 2022-04-29 中钢集团马鞍山矿山研究总院股份有限公司 一种基于bp神经网络的矿区环境安全预警方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1821779A (zh) * 2006-03-20 2006-08-23 中山大学 一种空气质量监测和控制系统
CN201803430U (zh) * 2010-06-13 2011-04-20 惠州市标顶空压技术有限公司 地铁站内空调节能控制器
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN105929688A (zh) * 2016-04-22 2016-09-07 上海电机学院 一种地铁车站空间能源控制方法
CN106765959A (zh) * 2016-12-27 2017-05-31 武汉虹信技术服务有限责任公司 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
CN108712809A (zh) * 2018-05-18 2018-10-26 浙江工业大学 一种基于神经网络的光环境智能控制方法
CN109242166A (zh) * 2018-08-25 2019-01-18 中科绿建（天津）科技发展有限公司 一种基于多尺度深度神经网络的环境预测防控系统
CN110332647A (zh) * 2019-07-11 2019-10-15 四川聚智精创轨道交通科技有限公司 地铁地下车站空调系统负荷预测方法及空调系统
CN111237988A (zh) * 2020-01-15 2020-06-05 北京天泽智云科技有限公司 地铁车载空调机组控制方法及系统
CN112116070A (zh) * 2020-09-07 2020-12-22 北方工业大学 地铁车站环境参数监测方法及装置
CN112728727A (zh) * 2021-01-06 2021-04-30 广东省科学院智能制造研究所 一种基于边缘计算的室内环境舒适度的智能调节系统
CN113283156A (zh) * 2021-03-29 2021-08-20 北京建筑大学 一种基于深度强化学习的地铁站空调系统节能控制方法
CN113446684A (zh) * 2021-06-30 2021-09-28 广州地铁设计研究院股份有限公司 一种地铁车站公共区智能空调
CN113610217A (zh) * 2021-07-14 2021-11-05 中国铁道科学研究院集团有限公司电子计算技术研究所 客运站环境温度预测方法及装置
CN114417729A (zh) * 2022-01-27 2022-04-29 中钢集团马鞍山矿山研究总院股份有限公司 一种基于bp神经网络的矿区环境安全预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙源;王晓保;岳继光;: "地铁环境控制系统建模与神经网络修正", 城市轨道交通研究, no. 01, 15 January 2009 (2009-01-15), pages 40 - 43 *
赵明珠;王丹;方杰;李岩;毛军;: "基于LSTM神经网络的地铁车站温度预测", 北京交通大学学报, no. 04, 31 December 2020 (2020-12-31), pages 98 - 105 *
马铁民;刘金明;刘烁;王亚民;王雪;谢秋菊;: "基于BP神经网络的牛舍环境预测模型研究", 江苏科技信息, no. 15, 30 May 2018 (2018-05-30), pages 21 - 23 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118504415A (zh) * 2024-06-21 2024-08-16 中联科锐消防科技有限公司 一种公路隧道合理排烟方法
CN119579066A (zh) * 2025-01-26 2025-03-07 北京鼎诚鸿安科技发展有限公司 针对检测电力物资仓储的环境信息的处理系统与方法

Similar Documents

Publication Publication Date Title
Taheri et al. Learning-based CO2 concentration prediction: Application to indoor air quality control using demand-controlled ventilation
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN114692265B (zh) 一种基于深度强化学习的零碳建筑优化设计方法
CN112906735B (zh) 一种食用菌环境大数据检测系统
CN115407028A (zh) 一种地铁空调环境模式检测系统和检测方法
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN113326651A (zh) 基于t-s模糊模型的制冷站负荷和能效比动态建模方法
CN114200839B (zh) 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
US12129010B2 (en) Control system of damper of variable-air-volume air distributor and control method thereof
CN112415924A (zh) 一种空调系统节能优化方法及系统
CN115016276B (zh) 智能水分调节与环境参数物联网大数据系统
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
CN111598224A (zh) 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN114397043B (zh) 多点温度智能检测系统
CN117146382B (zh) 一种智能化调适系统优化方法
CN118035771A (zh) FCM-XGBoost-GRU短期光伏功率预测方法
CN117389146A (zh) 数据中心供冷机组系统非线性模型预测控制系统
CN113255223B (zh) 一种空调负荷短期预测方法及系统
CN111288610A (zh) 一种变风量空调系统变静压自适应模糊控制方法
CN117469774B (zh) 空调系统调控方法、装置、电子设备及存储介质
CN114390376A (zh) 火灾大数据远程探测与预警系统
CN113028610B (zh) 中央空调动态负荷全局优化与节能控制的方法和装置
Murugananthan et al. RUS boost tree ensemble classifiers for occupancy detection
CN110263407A (zh) 基于物联网与大数据的地铁环控节能云模型构建方法
CN114386672A (zh) 环境大数据物联网智能检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination