基于云平臺(tái)的室內(nèi)環(huán)境舒適度智能決策控制系統(tǒng)

許曉飛，陳帥，莫桂明

(北京信息科技大學(xué) 自動(dòng)化學(xué)院，北京 100192)

0 引言

目前室內(nèi)環(huán)境實(shí)時(shí)數(shù)據(jù)采集與監(jiān)測系統(tǒng)以數(shù)據(jù)采集和根據(jù)環(huán)境參數(shù)閾值進(jìn)行控制終端設(shè)備為主[1-3],但系統(tǒng)通常缺乏智能決策控制功能。隨著云計(jì)算和人工智能的發(fā)展，人們對具有智能決策功能的室內(nèi)環(huán)境監(jiān)測系統(tǒng)需求日益增加[4-5]，為此本文提出一種基于云平臺(tái)的室內(nèi)環(huán)境舒適度智能決策系統(tǒng)設(shè)計(jì)方案[6-8]。

本文所設(shè)計(jì)的系統(tǒng)是以室內(nèi)環(huán)境舒適度作為判斷條件的精確智能決策控制系統(tǒng)，在實(shí)驗(yàn)室條件下通過ESP32單片機(jī)采集溫度、濕度、光照強(qiáng)度等傳感器數(shù)據(jù)并傳輸至阿里云物聯(lián)網(wǎng)云平臺(tái)[9-12]，通過云平臺(tái)基于消息隊(duì)列遙測傳輸(message queuing telemetry transport,MQTT)協(xié)議封裝的RRPC協(xié)議將其同步至自建阿里云公網(wǎng)服務(wù)器[13-15]，在自建服務(wù)器使用智能模糊邏輯決策聚合模型結(jié)合BP(back propagation)神經(jīng)網(wǎng)絡(luò)模型預(yù)測算法生成對應(yīng)控制指令，實(shí)現(xiàn)精確智能決策控制，從而使室內(nèi)環(huán)境舒適度處于最佳狀態(tài)。

1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

基于云平臺(tái)的室內(nèi)環(huán)境智能決策控制系統(tǒng)結(jié)構(gòu)如圖1所示。使用ESP32作為終端控制核心，通過傳感器采集模塊獲取各種傳感器實(shí)時(shí)信息，依據(jù)基于舒適度的目標(biāo)控制流程，如對溫度、濕度、光強(qiáng)等傳感器數(shù)據(jù)存儲(chǔ)并進(jìn)行數(shù)字化信息處理，并通過MQTT協(xié)議傳輸至阿里云物聯(lián)網(wǎng)控制臺(tái)；通過阿里云物聯(lián)網(wǎng)平臺(tái)提供的RRPC協(xié)議將數(shù)據(jù)同步至自建阿里云公網(wǎng)服務(wù)器，通過智能決策控制系統(tǒng)形成輸出指令傳輸至阿里云物聯(lián)網(wǎng)平臺(tái)，進(jìn)一步傳輸至終端控制模塊控制舵機(jī)模塊和其他外設(shè)。其中，智能決策控制系統(tǒng)使用改進(jìn)的智能模糊決策模型結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測算法，可以根據(jù)多個(gè)輸入?yún)?shù)，結(jié)合不同條件發(fā)出對應(yīng)的控制命令。

圖1 系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)

2 智能決策系統(tǒng)

2.1 室內(nèi)空間環(huán)境舒適度評(píng)價(jià)

室內(nèi)空間環(huán)境舒適度通常是指人對所處室內(nèi)環(huán)境的滿意程度[5]。通過查閱室內(nèi)人體環(huán)境舒適度參數(shù)[5]，并結(jié)合實(shí)驗(yàn)分析，得出大眾化室內(nèi)環(huán)境最佳舒適參數(shù)如表1所示。根據(jù)數(shù)據(jù)融合實(shí)驗(yàn)分析，得出智能決策的舒適度參數(shù)參考值如表2所示。

表1 大眾化室內(nèi)環(huán)境最佳舒適參數(shù)值

表2 智能決策的舒適度參數(shù)參考值

2.2 系統(tǒng)舒適度的計(jì)算

系統(tǒng)舒適度的定義如式(1)所示。如圖1所示的智能決策控制系統(tǒng)模塊，實(shí)時(shí)接收多種傳感器傳輸?shù)臄?shù)據(jù)，然后進(jìn)行數(shù)據(jù)處理并使用智能決策控制算法進(jìn)行計(jì)算，最后將處理過的數(shù)據(jù)通過模糊融合方法輸出系統(tǒng)舒適度等級(jí)，由此實(shí)現(xiàn)智能決策控制。

(1)

式中：C為室內(nèi)環(huán)境舒適度；xi為第i個(gè)傳感器檢測的被測參數(shù)的標(biāo)準(zhǔn)化數(shù)據(jù)；θi為前i個(gè)被測參數(shù)的標(biāo)準(zhǔn)化數(shù)據(jù)的平均值；ωi為第i個(gè)被測參數(shù)的標(biāo)準(zhǔn)化數(shù)據(jù)的權(quán)值；Ei(xi)為前i個(gè)被測參數(shù)的標(biāo)準(zhǔn)化數(shù)據(jù)的決策總風(fēng)險(xiǎn)；λ(di|ωi)為設(shè)定第i個(gè)被測參數(shù)的標(biāo)準(zhǔn)化數(shù)據(jù)的權(quán)值ωi時(shí)的操作di所帶來的風(fēng)險(xiǎn)。

此系統(tǒng)檢測控制過程如圖2所示，以室內(nèi)溫度(℃)、室內(nèi)相對濕度(%)、室內(nèi)相對光照強(qiáng)度(%)參數(shù)為輸入變量，以表2的優(yōu)良中差4個(gè)等級(jí)舒適度為中間輸出變量，以表1的輸入值為算法決策控制的最佳舒適度參數(shù)，根據(jù)最佳舒適度參數(shù)與設(shè)定的舒適度參數(shù)參考值輔助控制智能室內(nèi)空調(diào)、灑水器和風(fēng)扇的運(yùn)行，將室內(nèi)的溫度、濕度和光照強(qiáng)度控制在舒適范圍內(nèi)。

圖2 基于舒適度的目標(biāo)控制流程

如圖2所示，系統(tǒng)首先將采集傳感器感知的物理量參數(shù)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，作為決策系統(tǒng)模塊的輸入端，經(jīng)過決策內(nèi)部模糊邏輯命令集合和模糊推理規(guī)則庫，再將去模糊化計(jì)算的數(shù)值的輸出根據(jù)其對人類舒適度的重要性進(jìn)行加權(quán)，得出不同權(quán)值的物理參數(shù)綜合舒適度指標(biāo)，計(jì)算出相應(yīng)舒適度，系統(tǒng)由此實(shí)現(xiàn)決策的輸出，進(jìn)而控制硬件實(shí)現(xiàn)舒適度的智能決策控制。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的舒適度訓(xùn)練預(yù)測模塊

本文使用BP神經(jīng)網(wǎng)絡(luò)模型具體實(shí)現(xiàn)舒適度的預(yù)測。以室內(nèi)溫度為例，通過前3 h采集溫度數(shù)據(jù)，預(yù)測第4 h溫度。故輸入層為3個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)，根據(jù)隱藏層節(jié)點(diǎn)數(shù)的經(jīng)驗(yàn)公式得出隱藏層為7個(gè)節(jié)點(diǎn)，模型結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

使用式(2)進(jìn)行數(shù)據(jù)歸一化:

(2)

式中:xnorm為歸一化數(shù)據(jù)；xi為輸入數(shù)據(jù)；xmax、xmin分別為輸入數(shù)據(jù)的最大值和最小值。

激活函數(shù)采取Sigmoid函數(shù)。

3 云平臺(tái)室內(nèi)環(huán)境智能決策

3.1 系統(tǒng)的測試

系統(tǒng)使用MicroPython語言作為ESP32單片機(jī)編程語言，使用PyCharm作為程序編輯器，使用Python函數(shù)庫中的模糊邏輯庫scikit-fuzzy編輯模糊融合的決策模型，使用uPyCraft作為程序燒錄器，通過ESP32單片機(jī)連接溫濕度傳感器、光照傳感器、0.96寸OLED屏幕、舵機(jī)等其他外設(shè)，通過MQTT協(xié)議與阿里云物聯(lián)網(wǎng)云平臺(tái)連接，通過Wokwi平臺(tái)實(shí)現(xiàn)仿真。

通過ESP32單片機(jī)讀取溫濕度傳感器和光照傳感器數(shù)據(jù)，通過圖2所示的基于舒適度的目標(biāo)控制流程，實(shí)現(xiàn)室內(nèi)燈光自動(dòng)控制、自動(dòng)調(diào)整溫度和濕度。

系統(tǒng)實(shí)現(xiàn)的云平臺(tái)智能決策通過人為干預(yù)環(huán)境，進(jìn)行監(jiān)測，經(jīng)過多次操作來驗(yàn)證本系統(tǒng)的穩(wěn)定性及實(shí)時(shí)性。表3列出了采用人為干預(yù)措施及遠(yuǎn)程支援服務(wù)部分操作。

表3 人為干預(yù)手段及支援服務(wù)類別

系統(tǒng)使用阿里云的IOT Studio項(xiàng)目控制臺(tái)進(jìn)行數(shù)據(jù)可視化，同時(shí)使用控制臺(tái)業(yè)務(wù)邏輯模塊創(chuàng)建釘釘機(jī)器人實(shí)現(xiàn)手機(jī)推送功能。

3.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測實(shí)驗(yàn)

本文系統(tǒng)依據(jù)云平臺(tái)實(shí)時(shí)存儲(chǔ)數(shù)據(jù)集開發(fā)神經(jīng)網(wǎng)絡(luò)預(yù)測功能模塊；通過已有多路傳感器數(shù)據(jù)存儲(chǔ)樣本。下面以氣溫?cái)?shù)據(jù)訓(xùn)練為例,采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)訓(xùn)練及預(yù)測。

通過DHT11溫濕度傳感器每隔1 h采集實(shí)驗(yàn)室室內(nèi)溫度數(shù)據(jù)，連續(xù)采集30 d作為數(shù)據(jù)來源，其中前20 d采集數(shù)據(jù)作為訓(xùn)練集，后10 d采集數(shù)據(jù)作為測試集。設(shè)定學(xué)習(xí)率為0.5，精度誤差為0.002。

圖4 模型訓(xùn)練過程

模型訓(xùn)練過程如圖4所示。由圖4可得訓(xùn)練誤差逐次累積減小，訓(xùn)練一定次數(shù)后誤差幾乎不變，系統(tǒng)運(yùn)行耗時(shí)8.9 s。

通過DHT11溫濕度傳感器每隔1 h采集某天實(shí)驗(yàn)室內(nèi)溫度數(shù)據(jù)，連續(xù)采集6 h，然后運(yùn)行訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型，運(yùn)行結(jié)果如表4所示，表4中誤差為預(yù)測溫度與測量溫度差值的絕對值除以測量溫度的百分比。

表4 模型預(yù)測結(jié)果

通過圖4模型訓(xùn)練過程以及表4模型預(yù)測結(jié)果可以得出，BP神經(jīng)網(wǎng)絡(luò)模型最小均方誤差較小，模型精度較高。下一步可增加訓(xùn)練數(shù)據(jù)集數(shù)量，優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，提高預(yù)測精度。

4 結(jié)束語

隨著大眾對室內(nèi)環(huán)境的舒適度、節(jié)能、安全事故預(yù)警的需求日益凸顯，本文結(jié)合云平臺(tái)應(yīng)用技術(shù)，使用阿里云物聯(lián)網(wǎng)平臺(tái)設(shè)計(jì)智能決策控制系統(tǒng)，實(shí)現(xiàn)智能決策控制功能，依據(jù)云平臺(tái)實(shí)時(shí)存儲(chǔ)數(shù)據(jù)集開發(fā)神經(jīng)網(wǎng)絡(luò)訓(xùn)練預(yù)測功能模塊。理論和測試實(shí)驗(yàn)表明，本文設(shè)計(jì)的基于云平臺(tái)的室內(nèi)環(huán)境智能決策控制系統(tǒng)，具有一定的實(shí)時(shí)性和有效性。