基于卷积神经网络的室内温度控制方法及系统与流程

1.本发明涉及温度控制的技术领域，特别是涉及一种基于卷积神经网络的室内温度控制方法及系统。


背景技术：

2.温度控制是通过各种控制系统来维持特定环境的温度。在工业中，温度控制非常重要，可以确保产品的一致性和可靠性；在居住环境中，室内温度控制直接影响人们的舒适性，过高或过低的室温会使人感到不舒适，需要将温度调节至适合自己的状态；因此随着生活质量的提高和生产环境的高标准，对室内温度的控制精度有着较高的要求。
3.目前市场上的温度控制只是单纯的使用温度传感器监测传感器安装部位的温度，当传感器安装部位的温度达到设定温度时即控制压缩机停止工作，而此时室内其他方位的温度并没有达到设定温度，因此当室内温度均衡后，室内实际温度与设定温度之间存在着较大的误差，从而无法精准控制室内温度。


技术实现要素：

4.为解决上述技术问题，本发明提供一种能够对室内温度进行精准控制的基于卷积神经网络的室内温度控制方法。
5.第一方面，本发明提供了基于卷积神经网络的室内温度控制方法，所述方法包括：设定预期温度；检测室内多个预设点位的温度，获得多个温度值；根据预设点位的空间位置，将检测到的多个温度值转换成三维矩阵；将三维矩阵输入至预先训练的卷积神经网络中，对三维矩阵进行温度特征识别，得到实时温度状态；构建调温数据库，将不同的实时温度与不同的预期温度分别进行关联，并对每个关联赋予调节指令；将实时温度状态与调温数据库进行匹配，得出达到预期温度所需要的调节指令；根据调节指令进行温度调节。
6.另一方面，本技术还提供了基于卷积神经网络的室内温度控制方法及系统系统，所述系统包括：温度调节模块，用于手动设定预期温度，并将预期温度发送；温度检测模块，包括测温传感器，用于对室内多个预设点位的实时温度状态进行检测，并将检测到的多个温度值发送；数据预处理单元，用于接收温度检测模块发送的温度值，按照预设点位所在的三维空间位置将检测到的多个温度值转换成三维矩阵，并发送；调温数据库，用于储存实时温度、实时温度对应的特征矩阵、预期温度、实时温度和预期温度之间的关联度、不同关联度所对应的调节指令；
指令选择单元，用于接收数据预处理单元发送的三维矩阵和温度调节模块发送的预期温度，并利用预先训练的卷积神经网络对三维矩阵进行温度特征识别，得到室内实时温度所对应的特征矩阵，并将特征矩阵、预期温度与调温数据库中的数据进行匹配，得出达到预期温度所需要的调节指令，并将调节指令发送；执行单元，用于接收指令选择单元发生的调节指令，并根据调节指令进行温度调节。
7.第三方面，本技术提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
8.第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
9.进一步地，对所述预设点位进行温度检测包括以下方法：利用扫描仪对室内进行扫描建模，生成室内的三维模型；根据三维模型确定需要进行温度检测的若干个定位点，即预设点位；利用测温传感器对若干个预设点位进行温度检测。
10.进一步地，所述调节指令包括：制冷功率和制冷时长、制热功率和制热时长、无动作。
11.进一步地，所述测温传感器在对每个预设点位进行测温时，需经过重复测量，并根据多次测量结果取平均值。
12.进一步地，所述卷积神经网络包括卷积层，所述卷积层中卷积核大小为2*2*2，所述卷积核的步长为1。
13.进一步地，所述卷积核在对三维矩阵进行卷积运算时，卷积核上的八个数据分别与三维矩阵内重叠位置的八个数据相乘，然后将八个乘积相加，得到的卷积运算结果即为所述实时温度状态所对应的特征矩阵。
14.进一步地，所述调温数据库内所储存的数据包括实时温度、实时温度对应的特征矩阵、预期温度、实时温度和预期温度之间的关联度、不同关联度所对应的调节指令。
15.与现有技术相比本发明的有益效果为：通过对室内多方位的温度检测，并利用卷积神经网络对多个温度值进行识别，识别出实时状态下室温均衡后的实时室温；之后根据预先存储的数据库，调出实时室温达到预期温度所需要的调节指令，然后按照调节指令执行温度调节，待室温均衡后即得到与预期温度高度重合的实时室温；通过上述设置，避免由于室内空间各个方位的温度不均，导致调温后室内温度与预期温度存在较大温差的情况发生，能够对室内温度进行精准控制。
附图说明
16.图1是本发明的逻辑流程图；图2是室内三维建模中预设点位的示意图；图3是卷积运算的流程图图；图4是卷积核在三维矩阵上遍历的流程图。
具体实施方式
17.在本技术的描述中，所属技术领域的技术人员应当知道，本技术可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本技术可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本技术还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
18.上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本技术中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
19.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
20.本技术通过流程图和/或方框图描述所提供的方法、装置、电子设备。
21.应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
22.也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
23.也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
24.下面结合本技术中的附图对本技术进行描述。
25.实施例一如图1至图4所示，本发明的基于卷积神经网络的室内温度控制方法，方法包括以下步骤：s1、设定预期温度；具体的，预期温度设定包括以下步骤：s11、打开温度调节器的界面；s12、找到设定预期温度的选项，一般会以温度单位如“℃”为单位进行显示；s13、输入想要设定的预期温度值，可以通过按钮或者键盘输入；s14、确认设定的预期温度是否正确，一般会在界面上显示设定的温度值；s15、如果温度控制器或者温度调节器支持预约功能，则可以设置预约时间和预期温度，以便在指定时间自动调节温度；s16、点击确认或者保存按钮，完成设定预期温度的操作；
需要注意的是，在设定预期温度时，需要考虑当前环境的温度和设备的性能，不能设置超出设备额定的调温范围，以免影响设备的使用寿命；在设定预期温度后，需要经常检查温度控制器或者温度调节器的工作状态，确保设备正常运行，温度稳定。
26.s2、检测室内多个预设点位的温度，获得多个温度值；具体的检测方法包括以下步骤：s21、在温度控制系统首次安装时，安装人员利用扫描仪对室内进行扫描建模，生成室内的三维模型；具体在s21中，扫描建模是通过激光、光电、摄像头等设备对物体进行非接触式扫描，然后将扫描得到的数据转化为三维模型的过程；常见的扫描建模设备包括：光电扫描仪：如相位测量型光电扫描仪、结构光扫描仪等；线激光扫描仪：通过激光线投射获得物体表面的点云数据，常见的有长条形激光扫描仪、三角形激光扫描仪等；激光扫描仪：通过激光面投射获得物体表面的点云数据，比线激光扫描仪的扫描速度更快，通常用于扫描大面积物体；声纳扫描仪：通过声波扫描物体表面，将扫描到的数据转换为三维模型，从而得到室内的三维模型，如图2所示。
27.s22、根据三维模型确定需要进行温度检测的若干个定位点，即预设点位；其中若干个预设点位在三维空间内所构建的点位框架确保能够全面、精准的反应室内各个方位的温度情况，如图2中空心原点的位置；s23、利用测温传感器对若干个预设点位进行温度检测；具体在s23中，可以采用单个测温传感器通过连续的角度调节来对各个预设点位进行温度检测，同时也可以采用多个测温传感器组合使用，每个测温传感器分别负责一部分区域内预设点位的温度检测，进一步地，测温传感器优选使用红外测温传感器，红外测温传感器的测量距离范围可达数毫米至数十米不等，而高精度的红外测温传感器可以达到0.1度的测量精度。
28.同时，为了提升控制的精度，测温传感器在对每个预设点位进行测温时，需经过多次测量，并根据多次测量结果取平均值；通过重复测量并取平均值，可以减少单次测量的误差和随机误差的影响，从而提高结果的准确性和可靠性；此外，也有助于排除系统误差和仪器漂移等因素对实验结果的影响。
29.s3、根据预设点位的空间位置，将检测到的多个温度值转换成三维矩阵，如图3中所示；具体在本步骤中，三维矩阵中每个温度值所在的位置分别与三维模型中的预设点位相对应，具体的可以通过坐标进行表示，例如每个温度值对应的位置通常使用x、y、z三个坐标来表示；同样地，在三维模型中，每个预设点位也可以使用x、y、z三个坐标来表示。
30.s4、将三维矩阵输入至预先训练的卷积神经网络中，对三维矩阵进行温度特征识别，得到实时温度状态；卷积神经网络包括卷积层、池化层和全连接层；卷积层用于对输入数据进行卷积运算，从而提取出数据中的特征信息；卷积层的作用是提取三维矩阵中的特征信息，这些特征可以用于后续的分类、回归等任务；池化层主要用于减小输出数据的大小，从而降低后续层级的计算量；它通常在卷积层之后使用，通过对输入数据的局部区域进行池化操作如最大值池化、平均值池化等，将局部区域内的信息压缩成一个数值，从而减小输出数据的大小；全连接层主要用于将多个特征信息结合起来进行分类或回归等任务；它将输入数据展平成一维向量，并使用权重矩阵对向量进行线性
变换，然后再通过激活函数进行非线性变换；全连接层通常是神经网络的最后一层，用于输出分类或回归结果；卷积层、池化层和全连接层在深度神经网络中各自扮演着不同的角色，它们的作用互相补充，共同构成了一个完整的深度神经网络模型。
31.如图3所示其中卷积层中卷积核大小为2*2*2，卷积核的步长为1，卷积核在对三维矩阵进行卷积运算时，卷积核上的八个数据分别与三维矩阵内重叠位置的八个数据相乘，然后将八个乘积相加，通过卷积核对三维矩阵进行遍历，遍历方向如图4所示，最终得到的卷积运算结果即为实时温度状态所对应的特征矩阵；通过大量收集预设点位的温度与均衡后的室温作为训练数据集，来对卷积神经网络进行训练，同时在正式投入使用之前，通过测试数据集来测试卷积神经网络的性能；如果卷积神经网络的性能不符合要求，则需要修改网络结构或者调整超参数。
32.s5、构建调温数据库，将不同的实时温度与不同的预期温度分别进行关联，并对每个关联赋予调节指令；具体的，调温数据库内所储存的数据包括实时温度、实时温度对应的特征矩阵、预期温度、实时温度和预期温度之间的关联度、不同关联度所对应的调节指令；其中实时温度和预期温度之间的关联指数表，如表1所示：其中关联度与调节指令之间的对照表，如表2所示
表2中调节指令具体包括：制冷功率和制冷时长：用于调节冷却设备的功率和制冷时间，以控制环境温度的降低；制热功率和制热时长：用于调节加热设备的功率和加热时间，以控制环境温度的升高；无动作：表示不进行任何温度调节，压缩机停止工作，保持原有状态。
33.在调温数据库中各项参数之间的关联性，均通过对过往数据训练学习得来，为保证控温的精度，需要做到“一室一练”、“定期训练”，以适应室内热量均衡过程中发生的变化。
34.s6、将实时温度状态与调温数据库进行匹配，得出达到预期温度所需要的调节指令；s7、根据调节指令进行温度调节；具体的通过控制压缩机的制冷功率以及制冷时间、加热功率以及加热时间来对室内进行温度调节在本实施例中，通过对室内多方位的温度检测，并利用卷积神经网络对多个温度值进行识别，识别出实时状态下室温均衡后的实时室温；之后根据预先存储的数据库，调出实时室温达到预期温度所需要的调节指令，然后按照调节指令执行温度调节，待室温均衡后即得到与预期温度高度重合的实时室温；通过上述设置，避免由于室内空间各个方位的温度不均，导致调温后室内温度与预期温度存在较大温差的情况发生，能够对室内温度进
行精准控制。
35.实施例二一种基于卷积神经网络的室内温度控制系统，包括：温度调节模块，用于手动设定预期温度，并将预期温度发送；温度检测模块，包括测温传感器，用于对室内多个预设点位的实时温度状态进行检测，并将检测到的多个温度值发送；数据预处理单元，用于接收温度检测模块发送的温度值，按照预设点位所在的三维空间位置将检测到的多个温度值转换成三维矩阵，并发送；指令选择单元，用于接收数据预处理单元发送的三维矩阵和温度调节模块发送的预期温度，并利用预先训练的卷积神经网络对三维矩阵进行温度特征识别，得到室内实时温度所对应的特征矩阵，并将特征矩阵、预期温度与调温数据库中的数据进行匹配，得出达到预期温度所需要的调节指令，并将调节指令发送；执行单元，用于接收指令选择单元发生的调节指令，并根据调节指令进行温度调节。
36.前述图1实施例一中的基于卷积神经网络的室内温度控制方法的各种变化方式和具体实施例同样适用于本实施例的基于卷积神经网络的室内温度控制系统,通过前述对基于卷积神经网络的室内温度控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于卷积神经网络的室内温度控制系统的实施方法,所以为了说明书的简洁,在此不再详述；此外,本技术还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述；以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

技术特征：
1.一种基于卷积神经网络的室内温度控制方法，其特征在于，所述方法包括：设定预期温度；检测室内多个预设点位的温度，获得多个温度值；根据预设点位的空间位置，将检测到的多个温度值转换成三维矩阵；将三维矩阵输入至预先训练的卷积神经网络中，对三维矩阵进行温度特征识别，得到实时温度状态；构建调温数据库，将不同的实时温度与不同的预期温度分别进行关联，并对每个关联赋予调节指令；将实时温度状态与调温数据库进行匹配，得出达到预期温度所需要的调节指令；根据调节指令进行温度调节。2.如权利要求1所述的基于卷积神经网络的室内温度控制方法，其特征在于，对所述预设点位进行温度检测包括以下方法：利用扫描仪对室内进行扫描建模，生成室内的三维模型；根据三维模型确定需要进行温度检测的若干个定位点，即预设点位；利用测温传感器对若干个预设点位进行温度检测。3.如权利要求1所述的基于卷积神经网络的室内温度控制方法，其特征在于，所述调节指令包括：制冷功率和制冷时长、制热功率和制热时长、无动作。4.如权利要求2所述的基于卷积神经网络的室内温度控制方法，其特征在于，所述测温传感器在对每个预设点位进行测温时，需经过重复测量，并根据多次测量结果取平均值。5.如权利要求1所述的基于卷积神经网络的室内温度控制方法，其特征在于，所述卷积神经网络包括卷积层，所述卷积层中卷积核大小为2*2*2，所述卷积核的步长为1。6.如权利要求5所述的基于卷积神经网络的室内温度控制方法，其特征在于，所述卷积核在对三维矩阵进行卷积运算时，卷积核上的八个数据分别与三维矩阵内重叠位置的八个数据相乘，然后将八个乘积相加，得到的卷积运算结果即为所述实时温度状态所对应的特征矩阵。7.如权利要求6所述的基于卷积神经网络的室内温度控制方法，其特征在于，所述调温数据库内所储存的数据包括实时温度、实时温度对应的特征矩阵、预期温度、实时温度和预期温度之间的关联度、不同关联度所对应的调节指令。8.一种基于卷积神经网络的室内温度控制系统，其特征在于，所述系统包括：温度调节模块，用于手动设定预期温度，并将预期温度发送；温度检测模块，包括测温传感器，用于对室内多个预设点位的实时温度状态进行检测，并将检测到的多个温度值发送；数据预处理单元，用于接收温度检测模块发送的温度值，按照预设点位所在的三维空间位置将检测到的多个温度值转换成三维矩阵，并发送；调温数据库，用于储存实时温度、实时温度对应的特征矩阵、预期温度、实时温度和预期温度之间的关联度、不同关联度所对应的调节指令；指令选择单元，用于接收数据预处理单元发送的三维矩阵和温度调节模块发送的预期温度，并利用预先训练的卷积神经网络对三维矩阵进行温度特征识别，得到室内实时温度所对应的特征矩阵，并将特征矩阵、预期温度与调温数据库中的数据进行匹配，得出达到预
期温度所需要的调节指令，并将调节指令发送；执行单元，用于接收指令选择单元发生的调节指令，并根据调节指令进行温度调节。9.一种基于卷积神经网络的室内温度控制电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。

技术总结
本发明涉及温度控制的技术领域，特别是涉及一种基于卷积神经网络的室内温度控制方法及系统，其能够对室内温度进行精准控制；方法包括：设定预期温度；检测室内多个预设点位的温度，获得多个温度值；根据预设点位的空间位置，将检测到的多个温度值转换成三维矩阵；将三维矩阵输入至预先训练的卷积神经网络中，对三维矩阵进行温度特征识别，得到实时温度状态；构建调温数据库，将不同的实时温度与不同的预期温度分别进行关联，并对每个关联赋予调节指令；将实时温度状态与调温数据库进行匹配，得出达到预期温度所需要的调节指令；根据调节指令进行温度调节。调节指令进行温度调节。调节指令进行温度调节。


技术研发人员：曹敏 肖先来 邹定
受保护的技术使用者：深圳市众信海科技有限公司
技术研发日：2023.04.27
技术公布日：2023/9/5