一种用于安装在智能门窗检测风量方法

1.本发明涉及智能门窗领域，具体涉及一种用于安装在智能门窗检测风量方法。


背景技术：

2.传感、互联和智能技术与建筑及家居的结合，改变了人、建筑、自然界、及生存空间的交互方式，窗户是居住空间与自然界联系的窗口，其智能化程度很大程度上影响着生存空间的品质。在智能窗户领域，以自然风传感为例，智能化的窗户需测量自然界的风量，并将风量的测量结果经通信系统上报到智能家居的控制器。在控制器端，经融合处理后，做出相应的控制决策，经通信系统回传窗户的伺服动作机构，形成对窗户的控制行为，从而保持建筑内部生存空间的舒适性和安全性。
3.当前，最常用的风速测量仪表有机械杯状风速计、激光多普勒风速计、单摆式风速计、压差式风速计、热式风速计、超声波风速计等。
4.杯状风速计是应用最广泛的一种风速测试方法。这种方法技术成熟、使用简单方便、成本低廉，但是，这种方法的测量精度有限，且由于风杯存在惰性和机械摩擦阻力，只有当风速大于启动风速时，风杯才回转动，只适合于测定较大的风速。
5.热式风速计利用热敏探头来测量气体流速，与热丝缠绕在一起的热电耦可以测量热丝的温度变化，由于风量与温度之间存在一定的函数关系，据此可以实现对风速的测量。这种测量风速的方法对在流速较低时测量精度较高，但是测量过程中需要人工干预，使用不方便；而且当气体流场中存在多个方向的气体流动时，测量准确性比较差。
6.超声风速仪是一种基于超声波传播特性受空气流动调制原理制成的测量设备。超声风速风向仪测量风速的方法主要包括，时差法、相位差、频差法、多普勒法等。其中，相位差要求相位变化必须在一个相位周期内，限制了风速的测量范围；频差法在低风速测量时频率变化较小，无法实现较高的精度测量；多普勒法只适合于被测量介质要存在一定的杂质的应用。
7.超声波作为一种高频机械振动在弹性介质中的传播，传播速度由介质的特性参数决定，在空气中传播时，声速受空气的密度、温度、湿度、气压、空气纯净度等多个因素的综合影响，而且空气的很多参数与声速的关系都是非线性的，甚至很难用解析式来表征。通常需将至少4组超声换能器按要求放置，设备体积大。
8.除此之外，现有的机械杯状风速计、激光多普勒风速计、单摆式风速计、压差式风速计、热式风速计、超声波风速计等风速测量仪都需突出于载体的外立面安装，用于保证测量仪器和安装载体不影响空气的风场，进而保证空气顺畅无失真地流过测量仪器。在智能窗户产业，风速测量一方面是保证窗户、室内空间和建筑安全的必要手段；另一方面，风速测量仪的安装不能影响窗户的结构完整性和美观性。这两方面的矛盾使得传统的风速测量仪不适合智能门窗行业的使用。


技术实现要素：

9.本发明的目的在于提供一种用于安装在智能门窗检测风量方法，该方法利用超声换能器，通过提取不同超声换能器在能量、时间、频率的静态特征和动态特征来检测吹向窗户的风量大小，在不影响窗户结构完整和美观的前提下，实现窗户的智能风量感知。
10.为实现上述目的，本发明采用如下技术方案：
11.一种用于安装在智能门窗检测风量方法，包括如下步骤：
12.(1)在窗户安装至少2个超声换能器，在一个时隙ts内只有一个超声换能器发射超声波信号，且发射时间为t0，t0＜ts；多个超声换能器轮流占用时隙发生超声波信号，且相互不占用其他超声波换能器的时隙；
13.(2)对接收超声换能器接收的超声波信号进行分析获取能量特征、时间特征和频率特征；
14.超声波信号的包络的峰值为能量特征；
15.超声波信号的包络超过阈值后第一个过零点的时刻为时间特征；
16.超声波信号的在预置频点f1、f2和f3处的幅度比值为频率特征，对超声波信号进行快速傅里叶变换提取预置频点f1、f2和f3的幅度a1、a2和a3，计算出a2/a1、a2/a3，即获取频率特征；
17.(3)静态特征训练，用于校正数据提取深度神经网络模型；
18.(4)动态特征学习：将接收超声波信号经过预处理后送到步骤(3)提取的深度神经网络模型中，经过深度神经网络模型实时处理，得到当前接收超声波信号对应的能量特征、时间特征和频率特征；
19.(5)风量决策：将实时能量特征、时间特征和频率特征与决策表对比，在预设的时间窗口tw内，对每个超声波信号中的能量特征、时间特征、频率特征均与决策表每一行比对，比对成功后计数，并找到计数值最大的行，输出对应的风量值，并对计数值清零，以重新在下一个时间窗口，决策风量。
20.进一步地，具体采用包络检波法计算接收超声波信号的包络，并找到包络的峰值。
21.进一步地，步骤(2)中所述阈值为60。
22.进一步地，步骤(3)中用于校正数据提取深度神经网络模型具体包括如下步骤：
23.校正数据准备：校正数据包括风量数据和标签数据，风量数据包括风速和风向，标签数据用于标注超声波信号中的能量特征、时间特征和频率特征；
24.深度学习网络模型：深度学习网络模型包括输入层、四层卷积层、全连接层和输出层，四层卷积层的神经元的数量分别为4、8、4、2个；其中，能量特征和时间特征的深度学习网络模型的输入层为2个输入节点，频率特征的深度学习网络模型的输入层为4个输入节点；采用归一化均方误差作为每个网络模型的代价函数；
25.深度学习网络训练：将校正数据中风量数据的能量特征、时间特征和频率特征分别输入到深度神经网络模型获取当前的输出结果，将当前的输出结果和对应的标签数据计算归一化均方误差；再用归一化均方误差采用反向梯度传播算法，更新网络的参数，直至深度神经网络的性能达到预设门限，从而得到对应的最终深度神经网络模型。
26.进一步地，所述预设的频点分别为39.5khz，40khz和40.5khz。
27.本发明采用两个以上的超声换能器安装在门窗上，通过两个超声换能器之间的因
风量导致空气流动而产生变化的信号分析出风量，使得测量风速不受环境影响，并且在可适应在相对局促的安装空间内，检测出风场的风向、风量、场型与超声波声场参数之间的对应关系，进而实现对风量的检测。
附图说明
28.图1为本发明的流程示意图。
29.图2为本发明的超声波信号示意图。
30.图3为本发明的深度学习网络结构示意图。
具体实施方式
31.如图1所示，本实施例提供的一种用于智能门窗上检测风量的方法包括如下步骤：
32.(1)在窗户安装至少2个超声换能器，在一个时隙ts内只有一个超声换能器发射超声波信号，且发射时间为t0，t0＜ts；多个超声换能器轮流占用时隙发生超声波信号，且相互不占用其他超声波换能器的时隙；
33.本实施例设置2个超声换能器，2个超声换能器轮流发射和接收信号，当超声换能器的数量大于等于3个时，可将其中一个固定为接收超声换能器，其余的均为发射超声换能器，时隙ts＝100ms，t0＝1ms，接收超声换能器接收的超声波信号如图1所示。
34.(2)对接收超声换能器接收的超声波信号进行分析获取能量特征、时间特征和频率特征，具体如下：
35.超声波信号的包络的峰值为能量特征；具体采用包络检波法计算接收超声波信号的包络，并找到包络的峰值，该峰值为能量特征e；
36.超声波信号的包络超过阈值后第一个过零点的时刻为时间特征，本实施例的阈值为60；将超过声波信号的包络与阈值60比较，当瞬时包络大于阈值时，记录接下来最近的超声波回波信号从正值变负值或者从负值变正值的时刻即为时间特征t；
37.超声波信号的在预置频点f1、f2和f3处的幅度比值为频率特征，预置频点为39.5khz，40khz和40.5khz，对超声波信号进行快速傅里叶变换提取预置频点f1、f2和f3的幅度a1、a2和a3，计算出a2/a1、a2/a3，即获取频率特征fu和fd。
38.(3)静态特征训练：用于校正特征提取深度神经网络，具体过程如下：
39.校正数据准备：将多个超声换能器安装在窗户上，并输入校正数据，校正数据包括风量数据和标签数据，风量数据均采用现有设备(如吹风机、风扇等)产生的，并可通过控制设备产生多组不同风速和风向的风量，标签数据用于标注超声波信号中的能量特征、时间特征和频率特征。
40.深度学习网络模型：能量特征和时间特征采用结构相同的深度学习网络模型，该网络模型包括输入层、四层卷积层、全连接层和输出层，四层卷积层的神经元的数量分别为4、8、4、2个，输入层的输入节点2个；2个输入节点分别对应连续两个时隙接收的超声信号的能量特征e或时间特征t，本实施例具体定义为第1个输入节点对应输入奇数时隙的能量特征e或时间特征t，第2个输入节点输入偶数时隙的能量特征e或时间特征t；能量特征和时间特征的深度神经网络模型的输出是融合后的能量特征e或时间特征t。
41.频率特征的深度神经网络模型也包括输入层、四层卷积层、全连接层和输出层，四
层卷积层的神经元数目分别为4、8、4、2个，输入层的输入节点4个，分别对应着连续两个时隙接收超声波的频率特征fu和fd。具体对应关系为：第1个输入节点对应奇数时隙的频率特征fu、第2个输入节点对应奇数时隙的频率特征fd、第3个输入节点对应偶数时隙的频率特征fu、第4个输入节点对应偶数时隙的频率特征fd，频率维度特征的深度神经网络模型的输出是融合后的频率特征f。
42.采用归一化均方误差作为每个网络模型的代价函数，标准误差rmse＝(a-label)2/label，其中，a为接收超声波信号经过深度学习网络模型输出的能量特征e、时间特征t、频率特征f，label为标签数据的能量特征、时间特征和频率特征。
43.深度学习网络训练：将校正数据中风量数据中的能量特征、时间特征和频率特征分别输入到深度神经网络模型获取当前的输出结果，将当前的输出结果和对应的标签数据计算归一化均方误差；再用归一化均方误差采用反向梯度传播算法，更新网络的参数，如此不断地训练，直至深度神经网络的性能达到预设门限，从而得到对应的最终深度神经网络模型。
44.(4)动态特征学习：将接收超声波信号经过预处理后送到经过训练得到的深度神经网络模型，经过深度神经网络模型实时处理，得到当前接收超声波信号对应的能量特征、时间特征和频率特征。
45.(5)风量决策：将实时能量特征、时间特征和频率特征与决策表对比，在预设的时间窗口tw内，对每个超声波信号中的能量特征、时间特征、频率特征均与决策表每一行比对，比对成功后计数，并找到计数值最大的行，输出对应的风量值，并对计数值清零，以重新在下一个时间窗口，决策风量。
46.决策表如表1所示，能量特征、时间特征、频率特征的取值区间与风量等级的一一对应关系，每一行规定了一个风量等级对应的能量特征、时间特征、频率特征的取值区间；当实时能量特征、时间特征、频率特征的取值落在决策表每行对应的取值区间内，即该行比对成功。
47.表1风量决策表
48.序号etf风量1》800[50,70][2.1，2.6]12[600,800][35,50]或[70,85][2.6，3.1]23[500,600][27,35]或[85,103][3.1，3.7]34[430,500][21,27]或[103,109][3.7，4.7]45[390,430][16,21]或[109,114][4.7，6.0]56[360,390][12,16]或[114,119][6.0，8.0]67《360《12或》119》8.07
[0049]
本实施例的预设的时间窗口tw＝n
×
ts，n为常数，取值600，即计算1分钟内的超声波信号，并获取1分钟风量最大值为当前风量，当风量超过设定值后控制器控制智能门窗关闭。
[0050]
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。