一种用于安装在智能门窗检测风量方法

技术特征：
1.一种用于安装在智能门窗检测风量方法，其特征在于包括如下步骤：(1)在窗户安装至少2个超声换能器，在一个时隙t
s
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＜t
s
；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；(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；超声波信号的包络的峰值为能量特征；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；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；(3)静态特征训练，用于校正数据提取深度神经网络模型；(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；(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t
w
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。2.根据权利要求1所述的一种用于安装在智能门窗检测风量方法，其特征在于：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。3.根据权利要求1所述的一种用于安装在智能门窗检测风量方法，其特征在于：步骤(2)中所述阈值为60。4.根据权利要求1所述的一种用于安装在智能门窗检测风量方法，其特征在于：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：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；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；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。5.根据权利要求4所述的一种用于安装在智能门窗检测风量方法，其特征在于：所述预设的频点分别为39.5khz，40khz和40.5khz。

技术总结
本发明公开了一种用于安装在智能门窗检测风量方法，包括如下步骤：1)在窗户安装至少2个超声换能器，一个时隙内采集超声波信号；(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；(3)静态特征训练，用于校正数据提取深度神经网络模型；(4)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；(5)将实时能量特征、时间特征和频率特征与决策表对比决策风量。本发明利用超声换能器，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。知。知。


技术研发人员：缪培友 张凯之 王正海 罗凯 孙强
受保护的技术使用者：南昌大学
技术研发日：2022.11.10
技术公布日：2023/2/3