CN116951510A - 基于因果学习图网络的油烟监测净化方法 - Google Patents
基于因果学习图网络的油烟监测净化方法 Download PDFInfo
- Publication number
- CN116951510A CN116951510A CN202311155623.1A CN202311155623A CN116951510A CN 116951510 A CN116951510 A CN 116951510A CN 202311155623 A CN202311155623 A CN 202311155623A CN 116951510 A CN116951510 A CN 116951510A
- Authority
- CN
- China
- Prior art keywords
- oil smoke
- prediction model
- data
- concentration
- monitoring
- 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.)
- Withdrawn
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 102
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000001364 causal effect Effects 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 26
- 239000000126 substance Substances 0.000 claims abstract description 25
- 239000006233 lamp black Substances 0.000 claims abstract description 12
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 69
- 230000007246 mechanism Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 27
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 26
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 26
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 15
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000003517 fume Substances 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 7
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 229910021529 ammonia Inorganic materials 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 239000004071 soot Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000010411 cooking Methods 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2035—Arrangement or mounting of filters
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于因果学习图网络的油烟监测净化方法通过油烟监测净化***实现,该***包括监测模块、预测模型和控制器;在烹饪作业时,监测模块(多个传感器)实时监测空气中有害物质的浓度,并输入预测模型中,预测模型根据当前空气中各有害物质的浓度来实时预测当前的油烟浓度,然后控制器根据预设的油烟机转速控制曲线和预测模型输出的油烟浓度预测结果,判断当前油烟浓度适用的转速,并实时调整油烟机转速,实现了对油烟机的智能化控制,从而可以避免油烟机转速过低导致厨房油烟堆积或转速过高导致耗电量增加的问题。其中,预测模型基于因果学习图网络构建,并通过多个传感器采集到的多源数据的历史数据训练得到,预测准确度高。
Description
技术领域
本发明涉及厨电器具技术领域,具体涉及一种基于因果学习图网络的油烟监测净化方法。
背景技术
在现代社会中,厨房是家庭生活中气体环境最复杂的地点。其中,厨房油烟对人体健康产生了许多负面影响,油烟中含有大量的有害物质,如二氧化硫、一氧化碳、苯等,对人体的呼吸***、心血管***和神经***造成严重的危害;特别是在狭小的厨房空间中,油烟浓度容易积聚并超过安全标准。其次,厨房中难免有食物发生变质发霉,容易散发出臭味,臭味主要成分为硫化物和氨气等,对厨房空气环境造成影响。此外,在某些情况下,厨房燃气可能会泄露,容易引发火灾事故,而燃气中的主要成分为甲烷、一氧化碳、硫化氢等,这些异常的气体都会影响厨房环境的安全健康。
为了保障人们的健康和生活环境的质量,厨房油烟浓度监测***应运而生,并广泛应用于家庭、餐饮业和工业厨房等场所。该***利用传感器技术,实时监测和评估厨房油烟浓度,及时提供警报和相关信息,它具有以下几个显著的优势:1、保障人体健康,通过实时监测厨房油烟浓度,***可以及时发现高浓度油烟积聚的情况,并提供警报,帮助人们采取必要的防护措施,减少油烟对人体的危害;2、提高安全性,***的警报装置可以及时提醒用户存在危险情况,如油烟浓度过高可能引发火灾,从而可以帮助人们迅速采取措施,降低火灾和其他事故的风险;3、促进节能环保,油烟浓度监测***可以帮助用户了解油烟排放情况,为合理控制油烟排放提供数据支持,同时通过优化通风设备和油烟处理***的使用,可以降低能源消耗和环境污染;4、数据分析和改进,***记录的数据可以进行分析和统计,为改进厨房通风设备、油烟过滤器等提供科学依据,提高厨房环境的质量。
目前市面上已经存在不少油烟浓度监测***,但大多仅使用单个油烟传感器(主要为TGS2100,售价为500元左右),其最大的缺点在于精度不高,容易发生误判,导致没有及时排出油烟或者抽油烟机转速过快造成能源浪费。此外,厨房空气质量监测通常需要监测较多种类的气体,而大多数用户在安装了油烟机后就不再安装气体监测控制装置;那么,当厨房处于无人状态时,油烟机也未处于工作状态,此时厨房内如果发生燃气泄漏或其他气体散发,用户不能及时发现并处理,存在一定的安全隐患。
发明内容
为了克服现有技术中存在的上述问题,本申请提供了一种基于因果学习图网络的油烟监测净化方法。本申请的基于因果学习图网络的油烟监测净化方法可以在烹饪作业时,通过多个传感器实时监测空气中有害物质的浓度,并输入预测模型中,通过预测模型来实时预测当前油烟浓度,然后依据预测的油烟浓度,实时改变油烟机转速,实现油烟机高效节能地工作;其中,预测模型基于因果学习图网络构建,并通过多个传感器采集到的在不同油烟浓度下的多源数据的历史数据训练得到,预测准确度高。此外,该方法采用一氧化碳传感器、空气传感器和甲醛传感器替代传统的油烟浓度传感器,能够同时检测空气中多种有害物质的浓度,在厨房闲置时还能起到空气质量监测的功能,保障厨房环境的洁净安全健康,成本低、监测精度高,而且其将油烟监测与空气质量监测相结合,功能得到了拓展,实用性好。
本申请的技术方案为:
基于因果学习图网络的油烟监测净化方法,该方法通过油烟监测净化***实现;所述油烟监测净化***包括监测模块、预测模型和控制器;所述监测模块包括设于油烟机前段位置的一氧化碳传感器、空气质量传感器和甲醛传感器;所述预测模型用于根据多个传感器实时采集的多源数据,预测油烟浓度;所述控制器用于控制油烟机的转速;
所述预测模型基于因果学习图网络构建,并通过多个传感器采集到的多源数据的历史数据训练得到;所述因果学习图网络包括注意力机制和图卷积机制;预测模型训练的具体过程如下:a.在不同油烟浓度下,通过一氧化碳传感器、空气质量传感器和甲醛传感器采集空气中多种有害物质的浓度数据,并分入训练集和验证集;b.将训练集中的数据输入预测模型,获得油烟浓度的预测值;c.根据预测值和油烟浓度真实值之间的差值,对预测模型的参数进行调整,使预测值与真实值之间的差值减小;d.将验证集中的数据输入预测模型,获得预测模型对于验证集的输出结果;e.根据预测模型在验证集上的输出结果,对预测模型的超参数进行重新设定调参;f.重复步骤b~e,直到预测值和真实值之间的差值达到允许误差之内,训练完成;
所述油烟监测净化方法包括以下步骤:S1,油烟浓度预测:一氧化碳传感器、空气质量传感器和甲醛传感器实时监测空气中多种有害物质的浓度数据,并将数据输入预测模型中,再通过预测模型输出油烟浓度的实时预测结果;S2,油烟机转速调整:a.使用指数函数预设转速z与油烟浓度c的控制曲线为:z=bexp(dc),其中b和d为指数函数的底数和幂;b.根据实时预测的油烟浓度c所对应的转速z,实时调整油烟机的转速。
与现有技术相比,本申请的基于因果学习图网络的油烟监测净化方法通过油烟监测净化***实现,该***包括监测模块、预测模型和控制器;在烹饪作业时,监测模块(多个传感器)实时监测空气中有害物质的浓度,并输入预测模型中,预测模型根据当前空气中各有害物质的浓度来实时预测当前的油烟浓度,然后控制器根据预设的油烟机转速控制曲线和预测模型输出的油烟浓度预测结果,判断当前油烟浓度适用的转速,并实时调整油烟机转速,实现了对油烟机的智能化控制,从而可以避免油烟机转速过低导致厨房油烟堆积或转速过高导致耗电量增加的问题。其中,预测模型基于因果学习图网络构建,因果学习图网络包括注意力机制和图卷积机制,可以实时挖掘多源数据之间的因果关系,并基于此做出预测;预测模型通过多个传感器采集到的多源数据的历史数据训练得到,具体为:先通过多个传感器采集在不同油烟浓度下的有害物质的浓度数据,构建多源数据集,然后将多源数据集内的数据输入预测模型,并根据预测模型输出的预测值与真实值之间的比较,不断调整预测模型的参数和超参数,以此对预测模型进行训练,使得预测模型的预测准确度高。此外,该方法利用多个传感器替代传统的单个油烟浓度传感器,能够同时检测空气中多种有害物质的浓度,降低了油烟监测成本,提高了油烟监测精度,不仅能在烹饪作业时提供更好的油烟监测,还可以在厨房闲置时起到空气质量监测的功能,为厨房空气环境的安全洁净提供了保障。
作为优化,前述的基于因果学习图网络的油烟监测净化方法中,在各传感器采集数据后,根据标准化公式对采集到的每个数据进行处理,再输入预测模型中;其中X是经标准化处理后的数据,X'是未经标准化处理的原数据,μ是原数据的均值,σ是原数据的标准差。不同传感器之间数据差异性较大,对采集到的各数据进行标准化处理后,便于将数据输入预测模型后的处理和运算。
作为优化,前述的基于因果学习图网络的油烟监测净化方法中,在预测模型的训练过程中,步骤a中,将一氧化碳传感器、空气质量传感器和甲醛传感器采集到的浓度数据随机分入训练集、验证集和测试集;步骤f中,将测试集中的数据输入训练后的预测模型中,并输出预测结果,然后根据公式计算测试集数据的预测值和真实值之间的均方误差RMSE,对预测模型的性能进行评估;其中,y'表示真实数据,c表示预测模型的预测油烟浓度,n表示样本个数(在油烟浓度实时预测任务中,n=1);若RMSE大于设定值(可以为0.03),则重复步骤b~e。一般来说,RMSE越小,意味着预测模型的预测值与真实值越接近。在预测模型训练完成后,增加测试试验,可以进一步保证预测模型的预测效果,从而使得在实际使用中,实时预测的油烟浓度能够更接近真实值。
作为优化,前述的基于因果学习图网络的油烟监测净化方法中,在预测模型的训练过程中,控制一氧化碳传感器、空气质量传感器和甲醛传感器在一个测试周期内,以固定的采样频率采集不同油烟浓度下的有害物质的浓度数据,并随机分入训练集、验证集和测试集。
作为优化,前述的基于因果学***均K个独立的注意力机制的结果,产生以下输出表示:/>其中Wk∈RT×T为权重矩阵,Ak为第k个归一化注意力矩阵,ReLU为激活函数;b.在注意力机制后堆叠l层图卷积机制,获得输出H(l),所述图卷积机制的公式为:/>其中H为当前层特征向量,令H(0)=X,l为层数,W(l)∈RT×T为权重矩阵,ReLU为激活函数,A为归一化注意力矩阵,D-1/2AD-1/2表示卷积核,D表示A的度矩阵;c.使用权重矩阵Wf∈RT×l将其映射为当前油烟浓度c,c=H(l)Wf。使用权重矩阵对每个变量进行线性变换后,便于获得足够的表达能力;对E进行归一化,可以使不同变量之间的系数易于比较;采用多头注意,可以稳定注意力学习过程。进一步的,在注意力机制后堆叠3层图卷积机制。
作为优化,前述的基于因果学习图网络的油烟监测净化方法中,所述油烟监测净化***还包括报警模块;所述一氧化碳传感器、空气质量传感器和甲醛传感器分别与报警模块电性连接,并一直处于监测状态;当传感器采集到的有害物质的浓度超过设定阈值时(例如,燃气泄漏时的一氧化碳超标,食物变质后的氨气、硫化氢、硫醇等超标,空气环境中的甲苯、甲醛、PM2.5等超标),报警模块发出警报信号。由此,可以及时提醒用户存在危险情况,便于人们迅速采取相应的措施,降低事故发生的风险。
进一步的,所述有害物质的成分及阈值设置可以包括:甲烷2.2vol%、硫化氢10mg/m3、一氧化碳0.5vol%、氨气0.2mg/m3、甲醛0.08mg/m3、甲苯0.2mg/m3;其中,一氧化碳、甲烷由一氧化碳传感器检测,硫化氢、氨气、甲苯由空气质量传感器检测,甲醛由甲醛传感器检测。进一步的,所述报警模块可以通过声音信号、光信号和/或网络发出警报信号。
附图说明
图1是本申请的基于因果学习图网络的油烟监测净化方法的框架图;
图2是本申请实施例中的因果学习图网络结构图;
图3是本申请中的各传感器的放置示意图;
图4是本申请中的油烟浓度预测结果和真实结果的对比图。
具体实施方式
下面结合附图和实施例对本申请作进一步的说明,但并不作为对本申请限制的依据。
实施例(参见图1~图4):
基于因果学习图网络的油烟监测净化方法,该方法通过油烟监测净化***实现;所述油烟监测净化***包括监测模块、预测模型和控制器;所述监测模块包括设于油烟机前段位置的一氧化碳传感器、空气质量传感器和甲醛传感器;所述预测模型用于根据多个传感器实时采集的多源数据,预测油烟浓度;所述控制器用于控制油烟机的转速;所述预测模型基于因果学习图网络构建,并通过多个传感器采集到的多源数据的历史数据训练得到。
所述因果学***均K个独立的注意力机制的结果,产生以下输出表示:其中Wk∈RT×T为权重矩阵,Ak为第k个归一化注意力矩阵,ReLU为激活函数;b.在注意力机制后堆叠l层图卷积机制,获得输出H(l);图卷积机制是一种在非欧空间上对数据进行卷积的算法,公式为:/>其中H为当前层特征向量,令H(0)=X,l为层数,W(l)∈RT×T为权重矩阵,ReLU为激活函数,A为归一化注意力矩阵,D-1/2AD-1/2表示卷积核,D表示A的度矩阵;c.使用权重矩阵Wf∈RT×l将其映射为当前油烟浓度c,c=H(l)Wf。
所述预测模型训练的具体过程如下:
(1)多源数据的获取:
1.1控制一氧化碳传感器、空气质量传感器和甲醛传感器以5秒/次的采样频率采集不同油烟浓度(在测试周期内正常烹饪即可;此时,不同时间点的油烟浓度会不同)下的有害物质(包括一氧化碳、甲烷、硫化氢、氨气、甲苯、甲醛等)的浓度数据;1个测试周期为13小时,共采集9360个样本,每个样本包含3个数据点;
1.2将所有样本数据随机分为包含4000个样本的训练集、包含1000个样本的验证集和包含3360个样本的测试集;
1.3根据标准化公式对每个样本数据进行处理,其中X是经标准化处理后的数据,X'是未经标准化处理的原数据,μ是原数据的均值,σ是原数据的标准差。
(2)模型训练:
2.1设置l=3(即在注意力机制后堆叠3层图卷积机制),将训练集中的数据输入预测模型,获得油烟浓度的预测值;根据预测值和油烟浓度真实值之间的差值,对预测模型的参数进行调整,使预测值与真实值之间的差值减小;
2.2将验证集中的数据输入预测模型,获得预测模型对于验证集的输出结果;根据预测模型在验证集上的输出结果,对预测模型的超参数进行重新设定调参;
2.3重复步骤2.1~2.2,直到预测模型的预测值和真实值之间的差值达到允许误差之内;
2.4将测试集中的数据输入预测模型,并输出预测结果;根据公式其中,y'表示真实数据,c表示预测模型的预测油烟浓度,n表示样本个数(在油烟浓度实时预测任务中,n=1),计算出测试集数据的预测值和真实值之间的均方误差RMSE为0.0234;预测模型的预测结果和真实结果的对比图如图4所示,可以看出,训练完成后的预测模型的预测性能较好,可用于油烟浓度的实时监测。其中,真实的油烟浓度可以通过红外投射法测量得出,通过一端发射红外光,另一端进行接收并传输至光谱分析***,分析并计算油烟浓度数据。
所述油烟监测净化方法包括以下步骤:
S1,油烟浓度预测:
一氧化碳传感器、空气质量传感器和甲醛传感器实时监测空气中多种有害物质的浓度数据,并将数据输入预测模型中,再通过预测模型输出油烟浓度的实时预测结果;
S2,油烟机转速调整:
2.1通常油烟机的风机采用四极电机,转速范围在960-1600转/分,因此使用指数函数预设转速z与油烟浓度c的控制曲线为:z=960exp(0.25c);
2.2根据实时预测的油烟浓度c所对应的转速z,实时调整油烟机的转速,以适应不同的油烟浓度。
经过对比分析,本实施例中采用电化学传感器类型,型号为中端;具体为一氧化碳传感器采用MQ-7B型号(售价50元)、空气质量传感器采用MQ-135型号(售价80元),甲醛传感器采用MQ-138型号(售价50元),此时价格便宜、经济性好。
本实施例中,所述油烟监测净化***还包括报警模块;所述一氧化碳传感器、空气质量传感器和甲醛传感器分别与报警模块电性连接,并一直处于监测状态;当传感器采集到的有害物质的浓度超过设定阈值时,报警模块通过声音发出警报信号,以及时提醒用户存在危险情况;主要有害物质的成分及阈值设置包括:甲烷2.2vol%、硫化氢10mg/m3、一氧化碳0.5vol%、氨气0.2mg/m3、甲醛0.08mg/m3、甲苯0.2mg/m3。
上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开,可以在不违背所涉及的发明构成要素的前提下,对上述一般性描述或/和具体实施方式(包括实施例)中的公开技术特征进行增加、减少或组合,形成属于本申请保护范围之内的其它的技术方案。
Claims (10)
1.基于因果学习图网络的油烟监测净化方法,其特征在于,
该方法通过油烟监测净化***实现;所述油烟监测净化***包括监测模块、预测模型和控制器;所述监测模块包括设于油烟机前段位置的一氧化碳传感器、空气质量传感器和甲醛传感器;所述预测模型用于根据多个传感器实时采集的多源数据,预测油烟浓度;所述控制器用于控制油烟机的转速;
所述预测模型基于因果学习图网络构建,并通过多个传感器采集到的多源数据的历史数据训练得到;所述因果学习图网络包括注意力机制和图卷积机制;预测模型训练的具体过程如下:a.在不同油烟浓度下,通过一氧化碳传感器、空气质量传感器和甲醛传感器采集空气中多种有害物质的浓度数据,并分入训练集和验证集;b.将训练集中的数据输入预测模型,获得油烟浓度的预测值;c.根据预测值和油烟浓度真实值之间的差值,对预测模型的参数进行调整,使预测值与真实值之间的差值减小;d.将验证集中的数据输入预测模型,获得预测模型对于验证集的输出结果;e.根据预测模型在验证集上的输出结果,对预测模型的超参数进行重新设定调参;f.重复步骤b~e,直到预测值和真实值之间的差值达到允许误差之内,训练完成;
所述油烟监测净化方法包括以下步骤:S1,油烟浓度预测:一氧化碳传感器、空气质量传感器和甲醛传感器实时监测空气中多种有害物质的浓度数据,并将数据输入预测模型中,再通过预测模型输出油烟浓度的实时预测结果;S2,油烟机转速调整:a.使用指数函数预设转速z与油烟浓度c的控制曲线为:z=bexp(dc),其中b和d为指数函数的底数和幂;b.根据步骤S1中实时预测的油烟浓度c所对应的转速z,实时调整油烟机的转速。
2.根据权利要求1所述的基于因果学习图网络的油烟监测净化方法,其特征在于:在各传感器采集数据后,根据标准化公式对采集到的每个数据进行处理,再输入预测模型中;其中X是经标准化处理后的数据,X'是未经标准化处理的原数据,μ是原数据的均值,σ是原数据的标准差。
3.根据权利要求2所述的基于因果学习图网络的油烟监测净化方法,其特征在于:在预测模型的训练过程中,步骤a中,将一氧化碳传感器、空气质量传感器和甲醛传感器采集到的浓度数据随机分入训练集、验证集和测试集;步骤f中,将测试集中的数据输入训练后的预测模型中,并输出预测结果,然后根据公式计算测试集数据的预测值和真实值之间的均方误差RMSE,对预测模型的性能进行评估;其中,y'表示真实数据,c表示预测模型的预测油烟浓度,n表示样本个数。
4.根据权利要求3所述的基于因果学习图网络的油烟监测净化方法,其特征在于:在预测模型的训练过程中,控制各传感器在一个测试周期内以固定的采样频率采集不同油烟浓度下的多种有害物质的浓度数据,并随机分入训练集、验证集和测试集。
5.根据权利要求1所述的基于因果学习图网络的油烟监测净化方法,其特征在于:所述预测模型的构建过程如下,在注意力机制后堆叠l层图卷积机制,获得输出H(l),所述图卷积机制的公式为:其中H为当前层特征向量,令H(0)=X,l为层数,W(l)∈RT×T为权重矩阵,ReLU为激活函数,A为归一化注意力矩阵,D-1/2AD-1/2表示卷积核,D表示A的度矩阵;然后,使用权重矩阵Wf∈RT×l将其映射为当前油烟浓度c,c=H(l)Wf。
6.根据权利要求5所述的基于因果学***均K个独立的注意力机制的结果,产生以下输出表示:/>其中Wk∈RT×T为权重矩阵,Ak为第k个归一化注意力矩阵,ReLU为激活函数。
7.根据权利要求6所述的基于因果学习图网络的油烟监测净化方法,其特征在于:在注意力机制后堆叠3层图卷积机制。
8.根据权利要求1所述的基于因果学习图网络的油烟监测净化方法,其特征在于:所述油烟监测净化***还包括报警模块;所述一氧化碳传感器、空气质量传感器和甲醛传感器分别与报警模块电性连接,并一直处于监测状态;当传感器采集到的有害物质的浓度超过设定阈值时,报警模块发出警报信号。
9.根据权利要求8所述的基于因果学习图网络的油烟与空气质量监测方法,其特征在于:所述有害物质的成分及阈值设置包括:甲烷2.2vol%、硫化氢10mg/m3、一氧化碳0.5vol%、氨气0.2mg/m3、甲醛0.08mg/m3、甲苯0.2mg/m3。
10.根据权利要求9所述的基于因果学习图网络的油烟监测净化方法,其特征在于:所述报警模块通过声音信号、光信号和/或网络发出警报信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155623.1A CN116951510A (zh) | 2023-09-07 | 2023-09-07 | 基于因果学习图网络的油烟监测净化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311155623.1A CN116951510A (zh) | 2023-09-07 | 2023-09-07 | 基于因果学习图网络的油烟监测净化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116951510A true CN116951510A (zh) | 2023-10-27 |
Family
ID=88462251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311155623.1A Withdrawn CN116951510A (zh) | 2023-09-07 | 2023-09-07 | 基于因果学习图网络的油烟监测净化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116951510A (zh) |
-
2023
- 2023-09-07 CN CN202311155623.1A patent/CN116951510A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6777783B2 (ja) | 空気質および空気質に影響しそうなイベントをモニタリングし是正策を講じるシステムおよび方法 | |
US20220035361A1 (en) | Systems and Methods for Artificial Intelligence-Based Maintenance of An Air Conditioning System | |
CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
CN110208019A (zh) | 一种动设备状态监测动态阈值预警方法 | |
CN116046187A (zh) | 一种用于通信柜的温度异常远程监测*** | |
RU2008102140A (ru) | Система и способ централизованого мониторинга и управления режимом работы силовых трансформаторов, установленных на разных подстанциях и в центрах мониторинга | |
CN114819773B (zh) | 一种基于大数据的企业绿色生产管控方法及*** | |
CN113239991B (zh) | 基于回归生成对抗网络的火焰图像氧浓度预测方法 | |
CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断*** | |
CN114330845A (zh) | 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法 | |
CN116757500A (zh) | 一种工业互联网平台监测***及方法 | |
Abdul-Wahab et al. | Modelling the clogging of gas turbine filter houses in heavy-duty power generation systems | |
CN113390641A (zh) | 风烟***设备故障的智能预警与在线诊断方法及*** | |
CN116951510A (zh) | 基于因果学习图网络的油烟监测净化方法 | |
CN116187984B (zh) | 一种用于电厂的多维度巡检方法及*** | |
CN102929241A (zh) | 精对苯二甲酸装置安全运行指导***及其应用 | |
CN116008145A (zh) | 基于物联网的餐饮业油烟排放监控*** | |
CN112800672A (zh) | 锅炉粘污系数的评估方法、***、介质及电子设备 | |
CN115183248B (zh) | 一种基于rto装置的化工废气燃烧处理方法及*** | |
CN117663414A (zh) | 一种空气净化器控制方法、***、电子设备及存储介质 | |
CN117744890B (zh) | 一种人居环境监测优化方法 | |
CN117053323B (zh) | 基于室内空气比例自平衡的空气净化*** | |
KR102242674B1 (ko) | 사용상황 적응형 공기청정시스템 및 그 운용 방법 | |
CN117334007A (zh) | 一种人工智能预警方法、***及存储介质 | |
CN115954830B (zh) | 一种空气净化用电机过热保护方法、装置和空气净化器 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231027 |