CN110395286B - 一种列车车内空气品质监测与通风调控方法、*** - Google Patents

一种列车车内空气品质监测与通风调控方法、*** Download PDF

Info

Publication number
CN110395286B
CN110395286B CN201910714887.3A CN201910714887A CN110395286B CN 110395286 B CN110395286 B CN 110395286B CN 201910714887 A CN201910714887 A CN 201910714887A CN 110395286 B CN110395286 B CN 110395286B
Authority
CN
China
Prior art keywords
air
vehicle
ventilation
train
grade
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.)
Active
Application number
CN201910714887.3A
Other languages
English (en)
Other versions
CN110395286A (zh
Inventor
刘辉
李燕飞
董书勤
杨睿
余澄庆
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN201910714887.3A priority Critical patent/CN110395286B/zh
Publication of CN110395286A publication Critical patent/CN110395286A/zh
Priority to US17/292,281 priority patent/US11999388B2/en
Priority to RU2021122559A priority patent/RU2762983C1/ru
Priority to PCT/CN2020/105472 priority patent/WO2021023075A1/zh
Priority to EP20850975.2A priority patent/EP3932773A4/en
Priority to SG11202103071QA priority patent/SG11202103071QA/en
Priority to JP2021545388A priority patent/JP7216450B2/ja
Priority to AU2020327075A priority patent/AU2020327075B2/en
Application granted granted Critical
Publication of CN110395286B publication Critical patent/CN110395286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D27/00—Heating, cooling, ventilating, or air-conditioning
    • B61D27/009—Means for ventilating only
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D27/00—Heating, cooling, ventilating, or air-conditioning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/008—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being air quality
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00814—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation
    • B60H1/00821—Control systems or circuits characterised by their output, for controlling particular components of the heating, cooling or ventilating installation the components being ventilating, air admitting or air distributing devices
    • 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
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G01N2015/0042—Investigating dispersion of solids
    • G01N2015/0046—Investigating dispersion of solids in gas, e.g. smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T30/00—Transportation of goods or passengers via railways, e.g. energy recovery or reducing air resistance

Landscapes

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

Abstract

本发明公开了一种列车车内空气品质监测与通风调控方法、***，其中列车车内空气品质监测与通风调控方法包括：采集多组车内外空气品质检测数据；利用实验数据求得车内外空气综合评价指标Q0和Q1；若Q0≥Q1则训练车外新风量控制模型，否则训练车内空气净化控制模型；检测车内外空气品质检测数据；利用检测数据求得车内外空气综合评价指标Q0和Q1；若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该输出结果调控通风***；否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该输出结果调控通风***和空气净化装置。本发明能根据不同程度的空气品质选择合适的通风调控策略，在节能环保的条件下，实现列车车内空气品质的健康保障。

Description

一种列车车内空气品质监测与通风调控方法、***
技术领域
本发明特别涉及一种列车车内空气品质监测与通风调控方法、***。
背景技术
随着我国高速列车的快速发展和人们的物质文化水平日益增长，现在人们对高速列车除了安全性和可靠性的要求外，对车厢内舒适性的要求也越来越高。
高速列车车厢内的空气品质直接影响乘客的舒适性，因此对车内空气品质进行监测与调控对乘车舒适度起着重要作用。
此外，能源与环境也是当今时代的主题，针对不同列车空气品质实施不同通风调节方案，有利于研发节能、舒适、可靠的高速列车。
发明内容
本发明的目的在于，为了提高列车上乘客的舒适度，提供一种列车车内空气品质监测与通风调控方法、***，能根据不同程度的空气品质选择合适的通风调控策略，从而可以在节能环保的条件下，实现高速列车车内空气品质的健康保障。
为解决上述技术问题，本发明所采用的技术方案是：
一种列车车内空气品质监测与通风调控方法，其特点是包括以下步骤：
步骤1，采集多组车内空气品质检测数据和车外空气品质检测数据；
步骤2，利用步骤1中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤1中的车外空气品质检测数据求得车外空气综合评价指标Q1；
步骤3，判断步骤2中求得的Q0与Q1的大小关系，若Q0≥Q1，则跳转至步骤41；否则，跳转至步骤51；
步骤41，按照下述方法训练车外新风量控制模型：
挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置高速列车通风***的通风量等级为G1级；
对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；
以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；
步骤51，按照下述方法训练车内空气净化控制模型：
挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置高速列车通风***的通风量等级为G1级，设置空气净化装置的功率值等级为G2级；
对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化装置功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化装置功率等级作为每组实验数据对应的空气净化装置功率等级标签；
以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化功率等级标签作为输出，训练得到车内空气净化控制模型；
步骤6，检测车内空气品质检测数据和车外空气品质检测数据；
步骤7，利用步骤6中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤6中的车外空气品质检测数据求得车外空气综合评价指标Q1；
步骤8，判断步骤7中求得的Q0与Q1的大小关系：
若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对列车通风***进行调控；
否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对列车通风***进行调控、以该空气净化装置功率等级对空气净化装置进行调控。
作为一种优选方式，车内空气品质检测数据和车外空气品质检测数据均包括CO2浓度、NO2浓度、SO2浓度、PM2.5浓度、VOC浓度、粉尘浓度中的一种或多种。
作为一种优选方式，车内空气品质检测数据和/或车外空气品质检测数据采用多点监测方式得到。
作为一种优选方式，
车内空气综合评价指标Q0计算方法为：
Figure GDA0002539440270000041
车外空气综合评价指标Q1计算方法为：
Figure GDA0002539440270000042
其中，p1、p2、p3、p4、p5、p6为各污染物对应的权值。
作为一种优选方式，所述步骤41中，采用BP神经网络算法训练车外新风量控制模型，其中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得，包括：
步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
步骤A2：设定适应度函数，确定初始最优量子粒子个***置向量和迭代次数t，t＝1；
将量子粒子个***置向量对应的权值和阈值代入基于BP神经网络的车外新风量控制模型模型中，并利用量子粒子个***置向量确定的基于BP神经网络的车外新风量控制模型模型确定识别向量标签的种类，将输出的向量标签和实际的向量标签的均方差的倒数作为第二适应度函数；
步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
步骤A4：判断是否组建精英种群；
当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；
步骤A5：更新各种群粒子参数；
步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；
步骤A7：精英种群继续进化；
步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤A3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。
作为一种优选方式，所述步骤51中，采用灰色神经网络算法训练车内空气净化控制模型，其中灰色神经网络的权值和阈值采用混沌蝙蝠算法进行优化选择获得，包括：
步骤B1：以蝙蝠个***置作为基于灰色神经网络模型的车内空气净化控制模型的权值和阈值，初始化蝙蝠种群，并设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[200，500]，蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5]，最大脉冲声音强度A0的取值范围为[0.25,0.5]，最大迭代次数的取值范围为[150，300]，搜索精度的取值范围为[0.001,0.1]，脉冲频率的取值范围为[0,1.5]，蝙蝠搜索频度增加系数的取值范围为[0.02,0.08]，声音强度衰减系数的取值范围为[0.8，0.96]，最大迭代次数的取值范围为[100,500]，最大搜索精度的取值范围为[0.01,0.1]；
步骤B2：设定适应度函数，并确定初始最优蝙蝠个***置和迭代次数t，t＝1；
将蝙蝠个***置对应的权值和阈值代入基于灰色神经网络模型的车内空气净化控制模型中，并利用蝙蝠个***置确定的基于灰色神经网络模型的车内空气净化控制模型得到检测结果，将检测结果和实际情况的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只蝙蝠个***置的适应度，以最大适应度对应的蝙蝠个***置作为初始最优蝙蝠个***置；
步骤B3：利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新；
步骤B4：若Rand1＞ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B5：若Rand2＞Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个***置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B6：如果步骤B5条件得到满足，则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲声音强度，并跳转步骤B4，否则跳转到步骤B7；
步骤B7：计算当前蝙蝠种群中每个蝙蝠个***置的适应度，按照由大到小的顺序选出前m％个蝙蝠个体进行位置和速度的混沌优化，得到更新后的前m％个蝙蝠个体，m的取值范围为[5,20]；
步骤B8：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则从更新后的前m％个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体，输出全局最优蝙蝠个体对应的基于灰色神经网络的车内空气净化控制模型的最佳权值和阈值，否则，令t＝t+1，转到步骤B3继续下一次迭代。
基于同一个发明构思，本发明还提供了一种列车车内空气品质监测与通风调控***，其特点是包括：
车内空气品质检测模块：用于采集车内空气品质检测数据；
车外空气品质检测模块：用于采集车外空气品质检测数据；
数据传输模块：用于将采集的车内空气品质检测数据和车外空气品质检测数据传输至数据处理模块：
数据处理模块：用于建模和调控；其中：
建模过程包括：
利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；
在Q0≥Q1时按照下述过程训练得到车外新风量控制模型：
挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置列车通风***的通风量等级为G1级；
对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；
以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；
在Q0＜Q1时按照下述过程训练得到车内空气净化控制控制模型：
挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置列车通风***的通风量等级为G1级，设置空气净化装置的功率值等级为G2级；
对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化装置功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化装置功率等级作为每组实验数据对应的空气净化装置功率等级标签；
以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化装置功率等级标签作为输出，训练得到车内空气净化控制模型；
调控过程包括：
获得车内空气品质检测数据和车外空气品质检测数据；
利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；
若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对列车通风***进行调控；
否则，调用车内净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对列车通风***进行调控、以该空气净化装置功率等级对空气净化装置进行调控；
通风调控模块：包括通风***和空气净化装置；其中，通风***用于根据数据处理模块输出的通风量等级对列车执行通风工作，空气净化装置用于根据数据处理模块输出的空气净化装置功率等级对列车执行空气净化工作。
作为一种优选方式，车内空气品质检测模块和车外空气品质检测模块均包括CO2浓度传感器、NO2浓度传感器、SO2浓度传感器、PM2.5浓度传感器、VOC浓度传感器、粉尘浓度传感器中的一种或多种。
作为一种优选方式，所述车内空气品质检测模块包括若干车内空气品质检测装置，每节车厢的头部、中部和尾部分别设置一个车内空气品质检测装置；所述车外空气品质检测模块包括若干车外空气品质检测装置，每节车厢的各通风管道的外界空气进口处均设置一个车外空气品质检测装置；每三节车厢共用一个数据处理模块。
作为一种优选方式，所述数据传输模块包括无线传输模块。
本发明通过在列车上设置多个空气品质检测模块，采集车内外空气品质数据，并对采集数据进行处理分析，对不同情况下的车内外空气品质数据进行合理的通风调控，具有以下优点：
(1)对高速列车车厢内的空气品质进行实时有效的监测，保证了列车车厢内环境的健康性与舒适性，提高了乘客的乘车体验。
(2)采用车内外综合监测以及多点监测的监测点布置方式，避免车内外空气分布不均匀导致的检测误差，保证了采集结果的准确性。
(3)根据车内外不同的空气品质数据选择不同的通风调控策略，避免车外空气污染严重时导致的车内二次污染现象，保证车内空气品质的稳定。
(4)将调控策略分为不同等级，并利用根据不同空气品质条件选择最合理的通风调控等级，在保证通风效果的条件下最大化节约能源，实现绿色环保。
(5)利用神经网络进行不同空气品质条件下的通风调控等级选择，保证了通风策略选择的有效性。
附图说明
图1为本发明***一实施例原理图。
图2为本发明方法一实施方式流程图。
其中，1为车内空气品质检测模块，101为车内空气品质检测装置，2为车外空气品质检测模块，201为车外空气品质检测装置，3为数据传输模块，301为无线传输模块，4为数据处理模块，401为中心计算机，5为通风调控模块，501为通风***，502为空气净化装置。
具体实施方式
本发明能够实时监测列车车厢内的空气污染物浓度和高速列车车外空气污染物浓度，并根据所测得的空气污染物浓度数据选择合理的通风调控策略，以确保高速列车车厢内部的空气品质处在健康状态。其中通风策略的选择通过神经网络训练得到，模型输入为各种测量数据，输出为通风策略编号。
如图1所示，整个高速列车车内空气品质监测与通风调控***包括车内空气品质检测模块1、车外空气品质检测模块2、数据传输模块3、数据处理模块4和通风调控模块5。各模块的具体介绍如下：
车内空气品质检测模块1：该模块由布置在每个车厢内部的车内空气品质检测装置101构成。每个车内空气品质检测装置101都包括CO2浓度传感器、NO2浓度传感器、SO2浓度传感器、PM2.5浓度传感器、VOC传感器、粉尘传感器。每个车厢的头部、中部和尾部分别布置一个车内空气品质检测装置101。车内空气品质检测模块1所采集数据由数据传输模块3发送至数据处理模块4。
车外空气品质检测模块2：该模块布置在每个车厢通风管道的外界空气进口处，每个通风管道对应一个车外空气品质检测装置201。与车内空气品质检测装置101类似，每个车外空气品质检测装置201包括CO2浓度传感器、NO2浓度传感器、SO2浓度传感器、PM2.5浓度传感器、VOC传感器、粉尘传感器。车外空气品质检测模块2所采集数据由数据传输模块3发送至数据处理模块4。
数据传输模块3：数据传输模块3包括无线传输模块301，每个车厢设置一个无线传输模块301，用来连接车内空气品质检测模块1、车外空气品质检测模块2和数据处理模块4，实现采集数据储存和设备与设备之间的数据传输。考虑到列车的长度，可采用4G网络进行传输，经济简便。
数据处理模块4：每三个车厢设置一个中心计算机401，定义为一个空气品质监测区域，构成数据处理模块4。中心计算机401用来接收来自监控范围内三个车厢采集的车内空气采集数据和车外空气采集数据，分别进行数据预处理和模型训练，并及时输出模型训练结果。
通风调控模块5：该模块由设置于列车通风管道内的通风***501和空气净化装置502组成。根据数据处理模块4所输出的不同结果，执行对应的通风调控策略，在保证车内空气品质合格的情况下，实现通风***501的节能环保。
如图2所示，整个高速列车车内空气品质监测与通风调控方法包括两个过程：离线训练过程和在线通风调控过程。
离线训练过程：
本发明方法先采集车内外的空气污染物浓度信息，再将采集数据发送至相应检测区域内的中心计算机401进行数据预测处理和模型训练。训练模型包含两种神经网络模型，当车内空气污染物浓度的各项指标小于车外空气污染物浓度指标时，训练基于BP神经网络的车外新风量控制模型，根据不同程度的车内空气污染物浓度数据输出不同等级的通风量；当车内空气污染物浓度的各项指标大于车外污染物浓度等级指标时，训练基于灰色神经网络车内空气净化控制模型。根据不同程度的车内空气污染物浓度控制不同等级的通风量和空气净化装置功率。整个离线过程具体描述如下：
一、车内外空气品质数据采集
利用车内空气品质检测装置101和车外空气品质检测装置201采集不同污染物浓度数据，其中所采集的车内空气品质检测数据表示为[ICO2,INO2,ISO2,Ipm2.5,Ivoc,I粉尘]，车外空气品质检测数据表示为[OCO2,ONO2,OSO2,Opm2.5,Ovoc,O粉尘]。为了对不同车厢不同位置的空气品质检测装置采集数据进行区分，最终由无线传输模块发送的车内外空气品质数据格式为[ICO2，INO2，ISO2，Ipm2.5，Ivoc，I粉尘，n，m，0]和[OCO2，ONO2，OSO2，Opm2.5，Ovoc，O粉尘，n，m，1]，其中n表示车厢编号；m表示空气品质检测装置编号，对于车内空气品质数据来说，m＝1，2，3，对于车外品质数据来说m由每个车厢通风装置与外界空气接触口的数量决定；0/1为数据类别识别码，0表示该组数据为车内空气品质检测数据，1表示该组数据为车外空气品质检测数据。
二、数据预处理
车内空气品质检测装置101和车外空气品质检测装置201的数据经由无线传输模块301发送至数据处理模块4的中心计算机401，进行采集数据的预处理，整个数据预处理步骤如下：
(1)获取一个目标检测车厢在
Figure GDA0002539440270000141
t、
Figure GDA0002539440270000142
三个时间点的车内外空气品质采集数据，对三个时间点的采集数据进行均值处理，得到每个检测点在N的时间间隔内的车内空气品质检测数据[ICO2，INO2，ISO2，Ipm2.5，Ivoc，I粉尘，n，m，0]和车外空气品质检测数据[OCO2，ONO2，OSO2，Opm2.5，Ovoc，O粉尘，n，m，1]。
(2)根据每组数据的0/1识别码和m值，在步骤(1)的所获得数据基础上对所有车内空气品质检测点的采集数据和所有车外空气品质检测点的检测数据进行均值处理，并将六种污染物的浓度数据进行归一化，最终得到目标检测车厢的总车内空气品质检测数据[ICO2总，INO2总，ISO2总，Ipm2.5总，Ivoc总，I粉尘总，n，0]和总车外空气品质检测数据[OCO2总，ONO2总，OSO2总，Opm2.5总，Ovoc总，O粉尘总，n，1]。
(3)计算空气品质综合评价指标，定义空气品质综合评价指标的计算方法为：
Q＝CO2浓度×p1+NO2浓度×p2+SO2浓度×p3+PM2.5浓度×p4+VOC浓度×p5+粉尘浓度×p6
其中p表示不同种类污染物浓度的权值，p1＝0.1，p2＝0.1，p3＝0.1，p4＝0.3，p5＝0.2，p6＝0.2。然后将步骤(2)中获得的最终车内外空气品质检测数据代入上式进行计算，获得车内空气综合评价指标Q0和车外空气综合评价指标Q1。
三、通风调控策略模型训练
(1)训练车外新风量控制模型，当Q0≥Q1时，该模型用于控制通风调控***的车外新风量。
在不同室外实验条件下进行车内外空气品质数据测量，挑选1000组不同程度的Q0≥Q1时的车内外空气品质数据，并设置列车通风***501的通风量等级为0，1，2，3四个等级，对于1000组中每组实验数据情况下的列车进行通风实验，获取能在5min内将空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的标签。
车外新风量控制模型采用BP神经网络进行训练。模型训练输入为车内外空气品质检测数据：[ICO2总，INO2总，ISO2总，Ipm2.5总，Ivoc总，I粉尘总，OCO2，ONO2，OSO2，Opm2.5，Ovoc，O粉尘]输出为通风实验条件下获取的通风量等级标签0，1，2，3，从而得到基于BP神经网络的车外新风量控制模型。
所述BP神经网络输入层包含12个节点，输出层节点个数为1，训练过程中的最大迭代次数设置为500，训练学习率为0.2。
基于BP神经网络的车外新风量控制模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得，过程如下：
步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
步骤A2：设定适应度函数，确定初始最优量子粒子个***置向量和迭代次数t，t＝1；
将量子粒子个***置向量对应的权值和阈值代入基于BP神经网络的车外新风量控制模型中，并利用量子粒子个***置向量确定的基于BP神经网络的车外新风量控制模型确定识别向量标签的种类，将输出的向量标签和实际的向量标签的均方差的倒数作为第二适应度函数；
步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
步骤A4：判断是否组建精英种群；
当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；
步骤A5：更新各种群粒子参数；
步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；
步骤A7：精英种群继续进化；
步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤B3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。
(2)训练车内空气净化控制模型，当Q0＜Q1时，该模型用于控制通风***501的进风量和空气净化装置502的功率。
在不同室外实验条件下进行车内外空气品质数据测量，挑选1000组不同程度的Q0＜Q1时的车内外空气品质检测数据，并设置高速列车通风***501的通风量等级为0，1，2，3四个等级，设置空气净化装置502的功率值为0，1，2，3四个等级。然后对1000组中每组实验数据情况下的列车进行通风实验，获取能在5min内将空气品质降至人体健康值的最小通风量等级和最小空气净化装置502的功率等级，作为每组实验数据对应的标签。
车内空气净化控制模型采用灰色神经网络进行训练，模型训练输入为车内外空气品质检测数据：[ICO2总，INO2总，ISO2总，Ipm2.5总，Ivoc总，I粉尘总，OCO2，ONO2，OSO2，Opm2.5，Ovoc，O粉尘]输出为通风实验条件下获取的通风量等级标签和空气净化装置502等级标签[0/1/2/3，0/1/2/3]，从而得到基于灰色神经网络的车内空气净化控制模型。
基于灰色神经网络模型的车内空气净化控制模型的输入层节点个数为12，隐含层节点个数为6，输出层节点个数为2；训练过程中的最大迭代次数设置为500，训练学习率为0.1，阈值为0.05。
基于灰色神经网络模型的车内空气净化控制模型的权值和阈值采用混沌蝙蝠算法进行优化选择，过程如下：
步骤B1：以蝙蝠个***置作为基于灰色神经网络模型的姿态异常检测模型的权值和阈值，初始化蝙蝠种群，并设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[200，500]，蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5]，最大脉冲声音强度A0的取值范围为[0.25,0.5]，最大迭代次数的取值范围为[150，300]，搜索精度的取值范围为[0.001,0.1]，脉冲频率的取值范围为[0,1.5]，蝙蝠搜索频度增加系数的取值范围为[0.02,0.08]，声音强度衰减系数的取值范围为[0.8，0.96]，最大迭代次数的取值范围为[100,500]，最大搜索精度的取值范围为[0.01,0.1]；
步骤B2：设定适应度函数，并确定初始最优蝙蝠个***置和迭代次数t，t＝1；
将蝙蝠个***置对应的权值和阈值代入基于灰色神经网络模型的车内空气净化控制模型中，并利用蝙蝠个***置确定的基于灰色神经网络模型的车内空气净化控制模型得到检测结果，将检测结果和实际情况的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只蝙蝠个***置的适应度，以最大适应度对应的蝙蝠个***置作为初始最优蝙蝠个***置；
步骤B3：利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新；
步骤B4：若Rand1＞ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B5：若Rand2＞Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个***置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B6：如果步骤B5条件得到满足，则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲声音强度，并跳转步骤B4，否则跳转到步骤B7；
步骤B7：计算当前蝙蝠种群中每个蝙蝠个***置的适应度，按照由大到小的顺序选出前m％个蝙蝠个体进行位置和速度的混沌优化，得到更新后的前m％个蝙蝠个体，m的取值范围为[5,20]；
步骤B8：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则从更新后的前m％个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体，输出全局最优蝙蝠个体对应的基于灰色神经网络的车内空气净化控制模型的最佳权值和阈值，否则，令t＝t+1，转到步骤B3继续下一次迭代。
在线通风调控过程：
(1)对于某一检测车厢，通过车内外空气品质检测模块进行车内外空气品质数据采集，并通过无线传输模块301将数据传输至数据处理模块4进行预处理，并得到车内空气综合评价指标Q0和车外空气综合评价指标Q1。
(2)当Q0≥Q1时，将数据预处理阶段得到的车内外空气品质数据[ICO2总，INO2总，ISO2总，Ipm2.5总，Ivoc总，I粉尘总，OCO2总，ONO2总，OSO2总，Opm2.5总，Ovoc总，O粉尘总]输入基于BP神经网络的车外新风量控制模型，获得合适的通风量等级0/1/2/3，并根据不同的输出标签对列车通风***501进行调控。
(3)当Q0＜Q1时，将数据预处理阶段得到的车内外空气品质数据[ICO2总，INO2总，ISO2总，Ipm2.5总，Ivoc总，I粉尘总，OCO2总，ONO2总，OSO2总，Opm2.5总，Ovoc总，O粉尘总]输入基于灰色神经网络的车内空气净化控制模型，获得合适的通风量等级和空气净化装置502功率等级[0/1/2/3，0/1/2/3]，并根据不同的输出标签对列车通风***501和所设空气净化装置502进行调控。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是局限性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护范围之内。

Claims (10)

1.一种列车车内空气品质监测与通风调控方法，其特征在于，包括以下步骤：
步骤1，采集多组车内空气品质检测数据和车外空气品质检测数据；
步骤2，利用步骤1中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤1中的车外空气品质检测数据求得车外空气综合评价指标Q1；
步骤3，判断步骤2中求得的Q0与Q1的大小关系，若Q0≥Q1，则跳转至步骤41；否则，跳转至步骤51；
步骤41，按照下述方法训练车外新风量控制模型：
挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置高速列车通风***(501)的通风量等级为G1级；
对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；
以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；
步骤51，按照下述方法训练车内空气净化控制模型：
挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置高速列车通风***(501)的通风量等级为G1级，设置空气净化装置(502)的功率值等级为G2级；
对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化装置功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化功率等级作为每组实验数据对应的空气净化装置功率等级标签；
以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化装置功率等级标签作为输出，训练得到车内空气净化控制模型；
步骤6，检测车内空气品质检测数据和车外空气品质检测数据；
步骤7，利用步骤6中的车内空气品质检测数据求得车内空气综合评价指标Q0，利用步骤6中的车外空气品质检测数据求得车外空气综合评价指标Q1；
步骤8，判断步骤7中求得的Q0与Q1的大小关系：
若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对高速列车通风***(501)进行调控；
否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对高速列车通风***(501)进行调控、以该空气净化装置功率等级对空气净化装置(502)进行调控。
2.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，车内空气品质检测数据和车外空气品质检测数据均包括CO2浓度、NO2浓度、SO2浓度、PM2.5浓度、VOC浓度、粉尘浓度中的一种或多种。
3.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，车内空气品质检测数据和/或车外空气品质检测数据采用多点监测方式得到。
4.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，
车内空气综合评价指标Q0计算方法为：
Figure FDA0002539440260000031
车外空气综合评价指标Q1计算方法为：
Figure FDA0002539440260000032
其中，p1、p2、p3、p4、p5、p6为各污染物对应的权值。
5.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，所述步骤41中，采用BP神经网络算法训练车外新风量控制模型，其中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得，包括：
步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数；
量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400,1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01,0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；
步骤A2：设定适应度函数，确定初始最优量子粒子个***置向量和迭代次数t，t＝1；
将量子粒子个***置向量对应的权值和阈值代入基于BP神经网络的车外新风量控制模型中，并利用量子粒子个***置向量确定的基于BP神经网络的车外新风量控制模型确定识别向量标签的种类，将输出的向量标签和实际的向量标签的均方差的倒数作为第二适应度函数；
步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；
步骤A4：判断是否组建精英种群；
当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；
步骤A5：更新各种群粒子参数；
步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；
步骤A7：精英种群继续进化；
步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤A3，直到找到全局最优值，输出所述BP神经网络的权值和阈值。
6.如权利要求1所述的列车车内空气品质监测与通风调控方法，其特征在于，所述步骤51中，采用灰色神经网络算法训练车内空气净化控制模型，其中灰色神经网络的权值和阈值采用混沌蝙蝠算法进行优化选择获得，包括：
步骤B1：以蝙蝠个***置作为基于灰色神经网络模型的车内空气净化控制模型的权值和阈值，初始化蝙蝠种群，并设置蝙蝠种群参数；
蝙蝠种群规模的取值范围为[200，500]，蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5]，最大脉冲声音强度A0的取值范围为[0.25,0.5]，最大迭代次数的取值范围为[150，300]，搜索精度的取值范围为[0.001,0.1]，脉冲频率的取值范围为[0,1.5]，蝙蝠搜索频度增加系数的取值范围为[0.02,0.08]，声音强度衰减系数的取值范围为[0.8，0.96]，最大迭代次数的取值范围为[100,500]，最大搜索精度的取值范围为[0.01,0.1]；
步骤B2：设定适应度函数，并确定初始最优蝙蝠个***置和迭代次数t，t＝1；
将蝙蝠个***置对应的权值和阈值代入基于灰色神经网络模型的车内空气净化控制模型中，并利用蝙蝠个***置确定的基于灰色神经网络模型的车内空气净化控制模型得到检测结果，将检测结果和实际情况的差值E构建第一适应度函数f1(x)，f1(x)＝1/(E+1)；
利用第一适应度函数计算每只蝙蝠个***置的适应度，以最大适应度对应的蝙蝠个***置作为初始最优蝙蝠个***置；
步骤B3：利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新；
步骤B4：若Rand1＞ri，则对处于个体最优位置的蝙蝠进行随机扰动，生成蝙蝠个体的扰动位置；
其中，Rand1为在[0,1]上均匀分布的随机数，ri为第i只蝙蝠的脉冲频度；
步骤B5：若Rand2＞Ai，蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个***置的适应度，则将蝙蝠个体移动到扰动位置，否则保持原位；
其中，Rand2为在[0,1]上均匀分布的随机数，Ai为第i只蝙蝠的声音强度；
步骤B6：如果步骤B5条件得到满足，则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲声音强度，并跳转步骤B4，否则跳转到步骤B7；
步骤B7：计算当前蝙蝠种群中每个蝙蝠个***置的适应度，按照由大到小的顺序选出前m％个蝙蝠个体进行位置和速度的混沌优化，得到更新后的前m％个蝙蝠个体，m的取值范围为[5,20]；
步骤B8：判断是否达到最大迭代次数或者达到最大搜索精度，若是，则从更新后的前m％个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体，输出全局最优蝙蝠个体对应的基于灰色神经网络的车内空气净化控制模型的最佳权值和阈值，否则，令t＝t+1，转到步骤B3继续下一次迭代。
7.一种列车车内空气品质监测与通风调控***，其特征在于，包括：
车内空气品质检测模块(1)：用于采集车内空气品质检测数据；
车外空气品质检测模块(2)：用于采集车外空气品质检测数据；
数据传输模块(3)：用于将采集的车内空气品质检测数据和车外空气品质检测数据传输至数据处理模块(4)：
数据处理模块(4)：用于建模和调控；其中：
建模过程包括：
利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；
在Q0≥Q1时按照下述过程训练得到车外新风量控制模型：
挑选n1组不同程度的Q0≥Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置列车通风***(501)的通风量等级为G1级；
对于n1组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级，作为每组实验数据对应的通风量等级标签；
以n1组实验数据作为输入，以n1组实验数据对应的通风量等级标签作为输出，训练得到车外新风量控制模型；
在Q0＜Q1时按照下述过程训练得到车内空气净化控制模型：
挑选n2组不同程度的Q0＜Q1时对应的车内空气品质检测数据和对应的车外空气品质检测数据作为实验数据；
设置列车通风***(501)的通风量等级为G1级，设置空气净化装置(502)的功率值等级为G2级；
对于n2组实验数据下的列车进行通风实验，获取能在5分钟内将车内空气品质降至人体健康值的最小通风量等级和最小空气净化功率等级，将得到的最小通风量等级作为每组实验数据对应的通风量等级标签，将得到的最小空气净化装置功率等级作为每组实验数据对应的空气净化功率等级标签；
以n2组实验数据作为输入，以n2组实验数据对应的通风量等级标签和空气净化功率等级标签作为输出，训练得到车内空气净化控制模型；
调控过程包括：
获得车内空气品质检测数据和车外空气品质检测数据；
利用车内空气品质检测数据求得车内空气综合评价指标Q0，利用车外空气品质检测数据求得车外空气综合评价指标Q1；
若Q0≥Q1，则调用车外新风量控制模型，求得需要的通风量等级并以该通风量等级对列车通风***(501)进行调控；
否则，调用车内空气净化控制模型，求得需要的通风量等级及空气净化装置功率等级，并以该通风量等级对高速列车通风***(501)进行调控、以该空气净化装置功率等级对空气净化装置(502)进行调控；
通风调控模块(5)：包括通风***(501)和空气净化装置(502)；其中，通风***(501)用于根据数据处理模块(4)输出的通风量等级对列车执行通风工作，空气净化装置(502)用于根据数据处理模块(4)输出的空气净化装置功率等级对列车执行空气净化工作。
8.如权利要求7所述的列车车内空气品质监测与通风调控***，其特征在于，车内空气品质检测模块(1)和车外空气品质检测模块(2)均包括CO2浓度传感器、NO2浓度传感器、SO2浓度传感器、PM2.5浓度传感器、VOC浓度传感器、粉尘浓度传感器中的一种或多种。
9.如权利要求7所述的列车车内空气品质监测与通风调控***，其特征在于，
所述车内空气品质检测模块(1)包括若干车内空气品质检测装置(101)，每节车厢的头部、中部和尾部分别设置一个车内空气品质检测装置(101)；
所述车外空气品质检测模块(2)包括若干车外空气品质检测装置(201)，每节车厢的各通风管道的外界空气进口处均设置一个车外空气品质检测装置(201)；
每三节车厢共用一个数据处理模块(4)。
10.如权利要求7所述的列车车内空气品质监测与通风调控***，其特征在于，所述数据传输模块(3)包括无线传输模块(301)。
CN201910714887.3A 2019-08-02 2019-08-02 一种列车车内空气品质监测与通风调控方法、*** Active CN110395286B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201910714887.3A CN110395286B (zh) 2019-08-02 2019-08-02 一种列车车内空气品质监测与通风调控方法、***
EP20850975.2A EP3932773A4 (en) 2019-08-02 2020-07-29 METHOD AND SYSTEM FOR AIR QUALITY MONITORING AND VENTILATION CONTROL IN A TRAIN
RU2021122559A RU2762983C1 (ru) 2019-08-02 2020-07-29 Способ и система мониторинга качества внутреннего воздуха и управления вентиляцией для поезда
PCT/CN2020/105472 WO2021023075A1 (zh) 2019-08-02 2020-07-29 一种列车车内空气品质监测与通风调控方法、***
US17/292,281 US11999388B2 (en) 2019-08-02 2020-07-29 Interior air quality monitoring and ventilation control method and system for train
SG11202103071QA SG11202103071QA (en) 2019-08-02 2020-07-29 Interior air quality monitoring and ventilation control method and system for train
JP2021545388A JP7216450B2 (ja) 2019-08-02 2020-07-29 列車内空気品質監視及び換気制御方法、システム
AU2020327075A AU2020327075B2 (en) 2019-08-02 2020-07-29 In-train air quality monitoring and ventilation control method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910714887.3A CN110395286B (zh) 2019-08-02 2019-08-02 一种列车车内空气品质监测与通风调控方法、***

Publications (2)

Publication Number Publication Date
CN110395286A CN110395286A (zh) 2019-11-01
CN110395286B true CN110395286B (zh) 2020-08-07

Family

ID=68327321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910714887.3A Active CN110395286B (zh) 2019-08-02 2019-08-02 一种列车车内空气品质监测与通风调控方法、***

Country Status (8)

Country Link
US (1) US11999388B2 (zh)
EP (1) EP3932773A4 (zh)
JP (1) JP7216450B2 (zh)
CN (1) CN110395286B (zh)
AU (1) AU2020327075B2 (zh)
RU (1) RU2762983C1 (zh)
SG (1) SG11202103071QA (zh)
WO (1) WO2021023075A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333325B (zh) * 2019-08-02 2021-09-17 中南大学 一种大气污染环境下列车运行防护方法及***
CN110395286B (zh) * 2019-08-02 2020-08-07 中南大学 一种列车车内空气品质监测与通风调控方法、***
CN112628955B (zh) * 2020-12-23 2022-03-01 杭州电子科技大学 一种基于lstm神经网络和磷虾群优化算法的室内通风控制方法
CN112680501B (zh) * 2020-12-30 2023-02-24 中南大学 基于微生物的列车车厢空气调控方法、***及存储介质
CN115115293B (zh) * 2022-08-31 2023-01-31 安徽逸天科技有限公司 一种基于大数据的公共交通环境监测分析管理方法及***
CN115564318A (zh) * 2022-12-01 2023-01-03 北京梅凯尼克环保科技有限公司 一种用于汽车涂装废水处理的智能控制方法及***
CN117706045B (zh) * 2024-02-06 2024-05-10 四川省德阳生态环境监测中心站 基于物联网实现大气臭氧监测设备的联合控制方法及***
CN118020669A (zh) * 2024-04-12 2024-05-14 济宁安鑫养殖有限公司 一种基于大数据的黑猪养殖疾病智能监测管理方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104374053A (zh) * 2014-11-25 2015-02-25 珠海格力电器股份有限公司 一种智能控制方法、装置及***
KR20150132680A (ko) * 2014-05-15 2015-11-26 현대로템 주식회사 철도차량용 실내온도 점검 현시 시스템 및 이를 이용한 철도차량용 실내온도 점검 방법
CN105972782A (zh) * 2016-06-17 2016-09-28 河海大学常州校区 一种基于云计算技术的教室环境智能控制***及方法
CN106196505A (zh) * 2016-08-17 2016-12-07 北京同衡能源技术研究院有限公司 一种新风机组的智能控制方法及应用该方法的新风机组
CN106777863A (zh) * 2016-11-09 2017-05-31 北京工业大学 基于改进粒子群的t‑s模糊神经网络室内空气质量评价***
CN107477782A (zh) * 2017-08-18 2017-12-15 广东美的制冷设备有限公司 空调器及其控制方法与装置
CN108510129A (zh) * 2018-04-12 2018-09-07 中南大学 一种无人驾驶车辆实时电量智慧预测方法及装置
CN108572648A (zh) * 2018-04-24 2018-09-25 中南大学 一种无人驾驶车辆电源多源融合预测方法及***
WO2019078515A1 (ko) * 2017-10-18 2019-04-25 삼성전자주식회사 데이터 학습 서버, 이의 학습 모델 생성 및 이용 방법
CN110069087A (zh) * 2019-03-20 2019-07-30 山东力明科技职业学院 一种基于物联网边缘计算技术的教室环境测量分布控制***与方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS55134240A (en) * 1979-04-04 1980-10-18 Hitachi Ltd Driving method and apparatus for air conditioner
DE4436938A1 (de) * 1994-04-27 1996-04-18 Auto Electronics Corp Nässe- und windgeschützter Gassensor
JP2000142098A (ja) 1998-11-17 2000-05-23 Denso Corp 車両用空調装置
KR100620060B1 (ko) * 2005-03-31 2006-09-06 한국철도기술연구원 철도 차량용 객실 공기질 모니터링 및 제어 시스템
JP5013208B2 (ja) 2008-03-26 2012-08-29 株式会社デンソー エアコン制御方法及びエアコン制御装置
CN104608785B (zh) * 2015-01-13 2017-03-08 石家庄国祥运输设备有限公司 高速列车空调***智能化管控方法
US10226982B2 (en) * 2015-04-29 2019-03-12 International Business Machines Corporation Automatic vehicle climate control based on predicted air quality
CN106338127B (zh) * 2016-09-20 2018-06-22 珠海格力电器股份有限公司 用于地铁暖通空调***的负荷预测和控制***及其方法
JP6949613B2 (ja) 2017-08-09 2021-10-13 清水建設株式会社 冷却システム、冷却方法
CN109572735B (zh) * 2018-12-17 2019-10-01 石家庄国祥运输设备有限公司 一种轨道车辆空调新风及压力波综合控制方法
CN110395286B (zh) 2019-08-02 2020-08-07 中南大学 一种列车车内空气品质监测与通风调控方法、***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150132680A (ko) * 2014-05-15 2015-11-26 현대로템 주식회사 철도차량용 실내온도 점검 현시 시스템 및 이를 이용한 철도차량용 실내온도 점검 방법
CN104374053A (zh) * 2014-11-25 2015-02-25 珠海格力电器股份有限公司 一种智能控制方法、装置及***
CN105972782A (zh) * 2016-06-17 2016-09-28 河海大学常州校区 一种基于云计算技术的教室环境智能控制***及方法
CN106196505A (zh) * 2016-08-17 2016-12-07 北京同衡能源技术研究院有限公司 一种新风机组的智能控制方法及应用该方法的新风机组
CN106777863A (zh) * 2016-11-09 2017-05-31 北京工业大学 基于改进粒子群的t‑s模糊神经网络室内空气质量评价***
CN107477782A (zh) * 2017-08-18 2017-12-15 广东美的制冷设备有限公司 空调器及其控制方法与装置
WO2019078515A1 (ko) * 2017-10-18 2019-04-25 삼성전자주식회사 데이터 학습 서버, 이의 학습 모델 생성 및 이용 방법
CN108510129A (zh) * 2018-04-12 2018-09-07 中南大学 一种无人驾驶车辆实时电量智慧预测方法及装置
CN108572648A (zh) * 2018-04-24 2018-09-25 中南大学 一种无人驾驶车辆电源多源融合预测方法及***
CN110069087A (zh) * 2019-03-20 2019-07-30 山东力明科技职业学院 一种基于物联网边缘计算技术的教室环境测量分布控制***与方法

Also Published As

Publication number Publication date
JP7216450B2 (ja) 2023-02-01
AU2020327075B2 (en) 2022-08-25
SG11202103071QA (en) 2021-04-29
WO2021023075A1 (zh) 2021-02-11
EP3932773A4 (en) 2022-06-01
JP2022520537A (ja) 2022-03-31
CN110395286A (zh) 2019-11-01
US20220153320A1 (en) 2022-05-19
RU2762983C1 (ru) 2021-12-24
EP3932773A1 (en) 2022-01-05
AU2020327075A1 (en) 2021-04-15
US11999388B2 (en) 2024-06-04

Similar Documents

Publication Publication Date Title
CN110395286B (zh) 一种列车车内空气品质监测与通风调控方法、***
CN110333325B (zh) 一种大气污染环境下列车运行防护方法及***
CN107599783A (zh) 一种车内环境管理***及其控制方法
CN111237988A (zh) 地铁车载空调机组控制方法及***
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN112680501B (zh) 基于微生物的列车车厢空气调控方法、***及存储介质
CN112541552B (zh) Dccnn和lgbm相结合的空气处理机组故障检测与诊断方法
CN105117770A (zh) 基于改进型模糊神经网络的表冷器控制方法
CN108615097A (zh) 一种风速预测方法、***、设备及计算机可读存储介质
CN114110824B (zh) 一种恒湿机智能控制方法及装置
CN206223233U (zh) 一种用于大型客舱环境舒适度评价的模拟实验***
CN113696890B (zh) 车道保持方法、装置、设备、介质及***
CN109435630A (zh) 一种基于人工神经网络算法的乘员舱温度控制方法
Thirumal et al. Optimization of IAQ characteristics of an air-conditioned car using GRA and RSM
Zhang et al. Comparing the linear and logarithm normalized artificial neural networks in inverse design of aircraft cabin environment
CN113326962A (zh) 基于bp神经网络的地铁列车ato速度曲线预测方法
CN113188243B (zh) 一种空调能耗的综合预测方法及***
CN112991765B (zh) 一种道路高排放源识别模型更新方法、终端及存储介质
CN114383295B (zh) 一种基于室内污染浓度估计模型的通风控制方法
CN115659567A (zh) 一种优化轨道交通风机设定值的方法
Thirumal et al. Fuzzy rule based prediction of IAQ characteristics in air conditioned car
CN117606106A (zh) 一种基于深度学习图神经网络实现建筑暖通自控的方法
CN114334026A (zh) 基于pso-lstm的so2预测方法
CN114564790A (zh) 一种优化模拟地铁强弱冷车厢环境的方法及其运行模块

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
GR01 Patent grant
GR01 Patent grant