基于贝叶斯网络的集成灶吸油烟风机控制方法

专利名称：基于贝叶斯网络的集成灶吸油烟风机控制方法

专利类型：发明专利

专利申请号：CN202210271767.2

专利申请（专利权）人：嵊州市浙江工业大学创新研究院
权利人地址：浙江省绍兴市嵊州市浦口街道浦南大道388号

专利发明（设计）人：徐滌平,宋伊晨,周水清,吴政晖,张明铨

专利摘要：本发明提供了基于贝叶斯网络的集成灶吸油烟风机控制方法，实现了用户使用过程中根据现场情况进行集成灶风机电机转速的智能控制，并且能在平时用户使用过程中进行不断进行数据实时收集和模型修正，不断提升系统判断结果的准确性来实现更符合用户个人习惯且更加精准的控制，解决公共烟道风压过大导致风机转速与实际需求不匹配的问题，达到有效除烟的目的，减少集成灶除烟时的噪声困扰，同时达到节能减排的目的。该控制方法中：用户使用过程中，集成灶控制系统按照以下步骤控制抽油烟风机运行：S1，将测得的相关变量数据进行处理后输入贝叶斯网络模型中进行推理判断；S2，将判断结果输送到风机控制模块，根据结果自动调节集成灶风机的电机转速。

主权利要求：
1.基于贝叶斯网络的集成灶吸油烟风机控制方法，其特征在于：该控制方法中：明确了影响用户调节集成灶风机电机转速的可测相关变量；建立了相关变量与集成灶风机的电机转速之间的初始贝叶斯网络模型，并根据初始大众平均数据对贝叶斯网络模型进行了训练学习；构建了由贝叶斯网络模型构成的风机控制模块，并集成到集成灶控制系统中；
用户使用过程中，集成灶控制系统按照以下步骤控制抽油烟风机运行：S1，将测得的相关变量数据进行处理后输入贝叶斯网络模型中进行推理判断；
S2，将判断结果输送到风机控制模块，集成灶控制系统根据结果自动调节集成灶风机电机的转速；
所述相关变量包括公共烟道的风压、烟雾浓度、锅底温度，以及上一时刻集成灶风机电机的转速；
所述贝叶斯网络是一个有向无环图，其中节点代表随机变量，节点间的边代表变量之间的直接依赖关系；每个节点Xi附有一张概率分布表p(Xi|parents(Xi))，其中parents(Xi)是指Xi的所有父节点，Xi的父节点是指有一条边射向Xi的节点；
所述贝叶斯网络模型的训练学习步骤具体包括：
对原始数据集D进行均值滤波和中值滤波，得到训练数据集Dt和验证数据集Dv；
对训练数据集Dt和验证数据集Dv进行直线拟合，然后通过分箱离散，得到各数据的变化趋势离散值；
在离散训练集上使用FastICA算法，求得分离矩阵W；
用分离矩阵W将离散数据集变换到另一个特征空间，得到训练集Dti和验证集Dvi；
在训练集Dti上学习贝叶斯网络模型参数。
2.根据权利要求1所述的基于贝叶斯网络的集成灶吸油烟风机控制方法，其特征在于：该方法中，由于用户个人习惯的不同，集成灶控制系统经过长时间的相关变量数据采集和贝叶斯网络模型的不断修正，实现愈发精准的判断与控制；具体步骤如下：S1.1：实时持续采集各变量节点样本数据；
S1.2：对变量数据进行处理，将样本数据输送至数据存储器进行数据库更新；
S1.3：利用实时贝叶斯网络参数学习算法，持续训练贝叶斯网络模型，实现对风机更符合用户习惯的精准控制。
3.根据权利要求2所述的基于贝叶斯网络的集成灶吸油烟风机控制方法，其特征在于：利用实时贝叶斯网络参数学习算法对贝叶斯网络模型进行优化调参，具体实现步骤：(1)将相关变量离散化，具体如下：将公共烟道的风压P取值离散化为(p1，p2，p3···pA)，将前一时刻集成灶风机电机的转速N取值离散化为(n1，n2，n3···nB)，将烟雾浓度L取值离散化为(l1，l2，l3···lC)，将锅底温度R取值离散化为(p1，p2，p3···pD)，将电机转速调节量W取值离散化为(w1，w2，w3···wE)；
(2)利用数组Count[A][B][C][D][E]统计各变量组合出现的频率，其中A，B，C，D，E分别为P，N，L，R，W离散可取值个数，用于记录各个离散值出现频度；数组元素初值为0，下标从1开始；
(3)读取变量P，R，L，N，W的组合值，并取得上一时刻保存的N，比对各变量值和其离散度接近程度，设P取pf，N取ng，R取rh，L取li，W取wj，则采样得到的组合值(pf，ng，rh，li，wj)，f∈(1···A)，g∈(1···B)，i∈(1···C)，h∈(1···D)，j∈(1···E)；
(4)考察上一时刻的集成灶风机电机的转速是否满足基于用户平均数据所满足的集成灶风机电机的转速，若不满足，则返回步骤(3)，若满足，保存当前N作为下一时刻N’，N’＝N，执行步骤(5)；
(5)采样次数K等于K+1；下标为f，g，h，i，j的数组元素Count[f][g][h][i][j]＝Count[f][g][h][i][j]+1，此时即可求出条件概率：当学习时间足够长，学习样本足够多时：
的含义是Count数组元素只有前四个下标取值是f，g，h，i，而最后一个下标x的取值是从1到E的所有数组元素累加，即求得满足(P＝pf，R＝rh，L＝li，N＝ng)的样本总数；由上两式右侧相除，即求得条件概率：根据上式即可求出各节点变量当前实时的条件概率；
(6)输出当前实时采样学习得到的贝叶斯网络；
(7)回到步骤(3)，重复进行(3)～(7)；
实时贝叶斯网络参数学习算法从集成灶风机启动即开始运行，实时更新各节点条件变量，实时输出更新贝叶斯网络。
4.根据权利要求1‑3任一权利要求所述的基于贝叶斯网络的集成灶吸油烟风机控制方法，其特征在于：所述集成灶控制系统采用可编程控制器负责采集数据并对集成灶控制系统进行控制。 说明书 : 基于贝叶斯网络的集成灶吸油烟风机控制方法技术领域[0001] 本发明涉及厨电与人工智能技术领域，具体的说是涉及基于贝叶斯网络的集成灶吸油烟风机控制方法。背景技术[0002] 近年来，随着“双碳经济”的提出，集成灶逐渐占据了厨房电器中的主导地位。优秀的吸油烟效果是集成灶脱颖而出的主要原因，但在具有优秀除烟效果的同时实现更为智能化的控制仍是待解决的首要问题。目前市面上的集成灶对于吸油烟风机的控制基本上是以简单的手动式的高低档，无法达到智能化的程度，大多数的用户在使用期间确定档位后并不会频繁调节，然而在使用期间用户往往会采用不同的烹饪方式，比如(炒，煎，炸，煮)等等，不同的方式需要不同的档位，如果用户更换烹饪方式时忘记调节，一直采用低档位就会造成油烟机除效果不佳，而频繁的更换档位也相对较为麻烦。同样如果用户一直采用高档位，虽然达到了最佳除烟的效果但是风机工作时持续产生的大分贝噪声也会对用户造成很大的困扰。[0003] 虽然目前存在通过单一的烟雾传感器为检测元件来检测烟雾浓度，达到自动调节油烟机风量的控制系统，但是大多数用户的排烟管道都属于公共烟道，当附近用户同时做饭时，会导致公共烟道的风压升高导致风机档位与实际需求并不匹配，仍会出现除烟不佳的现象，有时甚至出现油烟倒灌的问题。发明内容[0004] 为了克服现有技术中存在的上述不足，本发明提供了基于贝叶斯网络的集成灶吸油烟风机控制方法，实现了用户使用过程中根据现场情况进行集成灶风机电机转速的智能控制，并且能在平时用户使用过程中进行不断进行数据实时收集和模型修正，不断提升系统判断结果的准确性来实现更符合用户个人习惯且更加精准的控制，解决公共烟道风压过大导致风机转速与实际需求不匹配的问题，达到有效除烟的目的，并最大程度减少集成灶除烟时的噪声困扰，同时达到节能减排的目的。[0005] 本发明解决其技术问题的技术方案如下：[0006] 基于贝叶斯网络的集成灶吸油烟风机控制方法，该控制方法中：明确了影响用户调节集成灶风机电机转速的可测相关变量；建立了相关变量与集成灶风机的电机转速之间的初始贝叶斯网络模型，并根据初始大众平均数据对贝叶斯网络模型进行了训练学习；构建了由贝叶斯网络模型构成的风机控制模块，并集成到集成灶控制系统中；[0007] 用户使用过程中，集成灶控制系统按照以下步骤控制抽油烟风机运行：[0008] S1，将测得的相关变量数据进行处理后输入贝叶斯网络模型中进行推理判断；[0009] S2，将判断结果输送到风机控制模块，集成灶控制系统根据结果自动调节集成灶风机电机的转速。[0010] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，所述相关变量可以包括公共烟道的风压、烟雾浓度、锅底温度，以及上一时刻集成灶风机电机的转速(其中，上一时刻的集成灶风机电机的转速包括调整后的集成灶风机电机的转速和用户不满足调节结果自行调整后的集成灶风机电机的转速)。[0011] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，所述贝叶斯网络是一个有向无环图，其中节点代表随机变量，节点间的边代表变量之间的直接依赖关系；每个节点Xi附有一张概率分布表p(Xi丨parents(Xi)),其中parents(Xi)是指Xi的所有父节点，Xi的父节点是指有一条边射向Xi的节点。贝叶斯网络表达了2层含义：①通过有向边表达变量之间的依赖和独立关系；②通过每个节点的条件概率表达该节点对其父节点的依赖程度。不仅要根据相关变量确定公共烟道风压，烟雾浓度，锅底温度和燃气灶使用时间对集成灶风机的影响程度，还要考虑到前一时刻集成灶风机的风量，该模型属于带反馈的贝叶斯网络模型。[0012] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，所述贝叶斯网络模型的训练学习步骤具体包括：[0013] 对原始数据集D进行均值滤波和中值滤波，得到训练数据集Dt和验证数据集Dv；[0014] 对训练数据集Dt和验证数据集Dv进行直线拟合，然后通过分箱离散，得到各数据的变化趋势离散值；[0015] 在离散训练集上使用FastICA算法，求得分离矩阵W；[0016] 用分离矩阵W将离散数据集变换到另一个特征空间，得到训练集Dti和验证集Dvi；[0017] 在训练集Dti上学习贝叶斯网络模型参数。[0018] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，由于用户个人习惯的不同，集成灶控制系统经过长时间的相关变量数据采集和贝叶斯网络模型的不断修正，实现愈发精准的判断与控制；具体步骤如下：[0019] S1.1：实时持续采集各变量节点样本数据；[0020] S1.2：对变量数据进行处理，将样本数据输送至数据存储器进行数据库更新；[0021] S1.3：利用实时贝叶斯网络参数学习算法，持续训练贝叶斯网络模型，实现对风机更符合用户习惯的精准控制。[0022] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，利用实时贝叶斯网络参数学习算法对贝叶斯网络模型进行优化调参，具体实现步骤：[0023] (1)将相关变量离散化，具体如下：将公共烟道的风压P取值离散化为(p1,p2,p3···pA)，将前一时刻集成灶风机电机的转速N取值离散化为(n1,n2,n3···nB)，将烟雾浓度L取值离散化为(l1,l2,l3···lC)，将锅底温度R取值离散化为(p1,p2,p3···pD)，将电机转速调节量W取值离散化为(w1,w2,w3···wE)；[0024] (2)利用数组Count[A][B][C][D][E]统计各变量组合出现的频率，其中A，B，C，D，E分别为P，N，L，R，W离散可取值个数，用于记录各个离散值出现频度；数组元素初值为0，下标从1开始；[0025] (3)读取变量P，R，L，N，W的组合值，并取得上一时刻保存的N，比对各变量值和其离散度接近程度，设P取pf，N取ng，R取rh，L取li，W取wj，则采样得到的组合值(pf，ng，rh，li，wj)，f∈(1···A)，g∈(1···B)，i∈(1···C)，h∈(1···D)，j∈(1···E)；[0026] (4)考察上一时刻的集成灶风机电机的转速是否满足基于用户平均数据所满足的集成灶风机电机的转速，若不满足，则返回步骤(3)，若满足，保存当前N作为下一时刻N'，N'＝N，执行步骤(5)；[0027] (5)采样次数K等于K+1；下标为f，g，h，i，j的数组元素Count[f][g][h][i][j]＝Count[f][g][h][i][j]+1,此时即可求出条件概率：[0028][0029] 当学习时间足够长，学习样本足够多时：[0030][0031] 的含义是Count数组元素只有前四个下标取值是f，g，h，i，而最后一个下标x的取值可以是从1到E的所有数组元素累加，即求得满足(P＝pf,R＝rh,L＝li,N＝ng)的样本总数；由上两式右侧相除，即求得条件概率：[0032][0033] 根据上式即可求出各节点变量当前实时的条件概率；[0034] (6)输出当前实时采样学习得到的贝叶斯网络；[0035] (7)回到步骤(3)，重复进行(3)～(7)；[0036] 实时贝叶斯网络参数学习算法从集成灶风机启动即开始运行，实时更新各节点条件变量，实时输出更新贝叶斯网络。[0037] 进一步，前述基于贝叶斯网络的集成灶吸油烟风机控制方法中，所述集成灶控制系统采用可编程控制器负责采集数据并对集成灶控制系统进行控制。[0038] 与现有技术相比，本发明的技术方案取得了如下显著的进步：设备初始时基于大众用户的平局数据来进行判断；由于用户个人习惯的不同，该控制系统经过长时间的相关变量数据采集和贝叶斯网络模型的不断修正，实现愈发精准的判断与控制，即实现了符合用户的使用习惯的智能化控制，帮助用户解决了在使用集成灶过程中没有及时调整风机档位而造成的油烟清理不及时的问题和高档位引起的持续噪声的困扰，也解决了由于多个用户同时使用油烟机而引起公共烟道风压的变化而导致的“倒灌”的问题。同时，在实现智能化控制的同时也达到了节能减排的目的。附图说明[0039] 图1是本发明实施例中集成灶风机控制贝叶斯网络结构图；[0040] 图2是本发明实施例中集成灶风机控制流程图。具体实施方式[0041] 下面结合附图和具体实施方式(包括实施例)对本发明作进一步的说明，但并不作为对本发明限制的依据。以下实施例中没有详细说明的内容均为本领域技术常识。[0042] 本发明的基于贝叶斯网络的集成灶吸油烟风机控制方法中：明确了影响用户调节集成灶风机电机转速的可测相关变量；建立了相关变量与集成灶风机的电机转速之间的初始贝叶斯网络模型，并根据初始大众平均数据对贝叶斯网络模型进行了训练学习；构建了由贝叶斯网络模型构成的风机控制模块，并集成到集成灶控制系统中；[0043] 用户使用过程中，集成灶控制系统按照以下步骤控制抽油烟风机运行：[0044] S1，将测得的相关变量数据进行处理后输入贝叶斯网络模型中进行推理判断；[0045] S2，将判断结果输送到风机控制模块，集成灶控制系统根据结果自动调节集成灶风机电机的转速。[0046] 作为一种具体实施方式，所述相关变量包括公共烟道的风压、烟雾浓度、锅底温度，以及上一时刻集成灶风机电机的转速。[0047] 作为一种具体实施方式，所述贝叶斯网络是一个有向无环图，其中节点代表随机变量，节点间的边代表变量之间的直接依赖关系；每个节点Xi附有一张概率分布表p(Xi丨parents(Xi)),其中parents(Xi)是指Xi的所有父节点，Xi的父节点是指有一条边射向Xi的节点。贝叶斯网络表达了2层含义：①通过有向边表达变量之间的依赖和独立关系；②通过每个节点的条件概率表达该节点对其父节点的依赖程度。根据相关变量，确定公共烟道风压，烟雾浓度，锅底温度和燃气灶使用时间对集成灶风机的影响程度，还要考虑到前一时刻集成灶风机的风量，该模型属于带反馈的贝叶斯网络模型。[0048] 作为一种具体实施方式，所述贝叶斯网络模型的训练学习步骤具体包括：[0049] (1)对原始数据集D进行均值滤波和中值滤波，得到训练数据集Dt和验证数据集Dv；[0050] (2)对训练数据集Dt和验证数据集Dv进行直线拟合，然后通过分箱离散，得到各数据的变化趋势离散值；[0051] (3)在离散训练集上使用FastICA算法，求得分离矩阵W；[0052] (4)用分离矩阵W将离散数据集变换到另一个特征空间，得到训练集Dti和验证集Dvi；[0053] (5)在训练集Dti上学习贝叶斯网络模型参数。[0054] 作为一种具体实施方式，由于用户个人习惯的不同，集成灶控制系统经过长时间的相关变量数据采集和贝叶斯网络模型的不断修正，实现愈发精准的判断与控制；具体步骤如下：[0055] S1.1：实时持续采集各变量节点样本数据；[0056] S1.2：对变量数据进行处理，将样本数据输送至数据存储器进行数据库更新；[0057] S1.3：利用实时贝叶斯网络参数学习算法，持续训练贝叶斯网络模型，实现对风机更符合用户习惯的精准控制。[0058] 作为一种具体实施方式，利用实时贝叶斯网络参数学习算法对贝叶斯网络模型进行优化调参，具体实现步骤：[0059] (1)将相关变量离散化，具体如下：将公共烟道的风压P取值离散化为(p1,p2,p3···pA)，将前一时刻集成灶风机电机的转速N取值离散化为(n1,n2,n3···nB)，将烟雾浓度L取值离散化为(l1,l2,l3···lC)，将锅底温度R取值离散化为(p1,p2,p3···pD)，将电机转速调节量W取值离散化为(w1,w2,w3···wE)；[0060] (2)利用数组Count[A][B][C][D][E]统计各变量组合出现的频率，其中A，B，C，D，E分别为P，N，L，R，W离散可取值个数，用于记录各个离散值出现频度；数组元素初值为0，下标从1开始；[0061] (3)读取变量P，R，L，N，W的组合值，并取得上一时刻保存的N，比对各变量值和其离散度接近程度，设P取pf，N取ng，R取rh，L取li，W取wj，则采样得到的组合值(pf，ng，rh，li，wj)，f∈(1···A)，g∈(1···B)，i∈(1···C)，h∈(1···D)，j∈(1···E)；[0062] (4)考察上一时刻的风机电机转速是否满足基于用户平均数据所满足的集成灶风机电机的转速，若不满足，则返回步骤(3)，若满足，保存当前N作为下一时刻N'，N'＝N，执行步骤(5)；[0063] (5)采样次数K等于K+1；下标为f，g，h，i，j的数组元素Count[f][g][h][i][j]＝Count[f][g][h][i][j]+1,此时即可求出条件概率：[0064][0065] 当学习时间足够长，学习样本足够多时：[0066][0067] 的含义是Count数组元素只有前四个下标取值是f，g，h，i，而最后一个下标x的取值可以是从1到E的所有数组元素累加，即求得满足(P＝pf,R＝rh,L＝li,N＝ng)的样本总数；由上两式右侧相除，即求得条件概率：[0068][0069] 根据上式即可求出各节点变量当前实时的条件概率；[0070] (6)输出当前实时采样学习得到的贝叶斯网络；[0071] (7)回到步骤(3)，重复进行(3)～(7)；[0072] 实时贝叶斯网络参数学习算法从集成灶风机启动即开始运行，实时更新各节点条件变量，实时输出更新贝叶斯网络。[0073] 作为一种具体实施方式，所述集成灶控制系统采用可编程控制器负责采集数据并对集成灶控制系统进行控制。采用单片机构建控制系统，可靠性好，抗干扰能力强。[0074] 以下结合实施例对本发明作进一步的说明：[0075] 在本实施例中，具体的，如附图1和图2所示，本发明提供了一种实现实时更新的贝叶斯网络结构，通过实时贝叶斯网络参数学习算法来实现，具体实现方法：根据测得的P,R,L以及上一时刻保存的N'取值(pf，rh，li，ng)，查询数组Count将会得到一组值Count[f][g][h][i][x]，X∈(1···E)，对于这组数值求最大Max(Count[f][g][h][i][x]，X∈(1···E)),则求得x＝x'，使得Count[f][g][h][i][x']最大,即P(W＝wx',丨P＝pf,R＝rh,L＝li,N'＝ng)最大，那么风机电机转速的调节量W＝Wx'。此算法在集成灶风机启动时就开始运行，实时从传感器等设备获取各变量数据取值组合并统计取值组合出现概率，实时更新各节点变量，更新贝叶斯网络模型。如此的话，通过实时参数学习算法构建实时更新贝叶斯网络模型就可以把通过增加传感器的数量来测不确定的变量和复杂的反馈控制工作转化成简单的概率推算过程。随着用户使用时长的不断增加，基于用户习惯的学习样本不断增多，贝叶斯网络模型将逐渐稳定，控制也愈加精准。[0076] 在本实施例中，具体的，本发明提供了一种基于贝叶斯网络的集成灶风机的智能控制方法，具体控制过程如下：集成灶开启的同时，传感器等设备开始实时收集各变量数据，对数据进行离散化处理之后输入至事先训练好的贝叶斯网络模型中进行判断，并将判断结果传送至集成灶控制系统中的风机控制子模块，控制模块对集成灶风机进行调速，调节后的电机转速以相关变量的形式作为上一时刻的电机转速N反馈到贝叶斯网络模型中，如果N与模型所判断的实际所需基本一致，则控制系统会维持当前的电机转速，如不符合，则继续上述过程直至满足为止。[0077] 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。

专利地区：浙江

专利申请日期：2022-03-18

专利公开日期：2024-11-26

专利公告号：CN115163532B