你的位置:首页 >> 产品展示 >> 光电传感器 >> LED魔镜灯箱  LED魔镜灯箱
HVAC操作的热舒适偏好方面
来源:柔性薄膜传感器_热电堆传感器厂家_热释电红外传感器_热电堆传感器应用电路_台湾热电堆传感器原厂_热电堆传感器应用_热电堆 电路_热释电红外传感器工作原理及结构说明_热释电传感器_红外传感器_可定制_厂家直销_气体传感器 | 发布时间:2021/11/3 17:37:17 | 浏览次数:
这些观察结果揭示了仅依赖环境条件参数作为特征的热舒适推断模型的性能相对较低。换句话说,考虑热体验可以在热舒适性推断中获得更好的性能。然而,由于本研究的目的是评估将热流作为舒适驱动暖通空调运行特征的可行性,因此本研究未对这一观察结果进行进一步分析。或者,如表2所示,通过考虑热舒适推理模型中的各种场景,我们已经含蓄地阐述了热舒适推理的心理生理属性的重要性。如图10所示,生理变量更好地代表了不同环境条件下的热舒适体验。换句话说,人体在对环境因素的反应中可能反映出热经验的影响。为了进一步评估它们的影响,下一节将介绍使用不同特性进行ML建模的结果。 图11显示了通过第二个实验收集的数据的相关分析结果。我们已将增加和降低瞬态温度的结果分开。随着瞬态温度的升高,观察到的变化显示出与图8中观察到的相似的模式。热交换率与热偏好呈高度正相关(中值为0.92),与空气温度呈高度负相关(中值为−0.97)和皮肤温度(中值为−0.87). 与其他相关系数相比,热交换率和皮肤温度的相关系数显示出更高的方差。对于受试者#6、8、9、10、12和13,我们观察到相关系数值如下−0.75,因为他们的皮肤温度或热交换率数据显示波动。图12显示了人体受试者11的热交换率和皮肤温度的变化情况。同样,我们在实验中也观察到了异常值,但观察的原因不同。例如,在这个实验中,一个参与者开始了她的热偏好投票一个,但增加到五,在实验的前半部,尽管事实上,室内温度逐渐增加。该观察结果反映了[19,45]中讨论的参与者的热舒适敏感性。 保存图片、插图等的外部文件。 对象名称为sensors-19-03691-g011.jpg 在单独的窗口中打开 图11 第二个实验中18名参与者的热交换率与(1)热偏好、(2)空气温度和(3)皮肤温度之间的相关系数,用于(A)增加瞬态温度和(B)降低瞬态温度。 保存图片、插图等的外部文件。 对象名称为sensors-19-03691-g012.jpg 在单独的窗口中打开 图12 实验过程中参与者11的热交换率和皮肤温度变化。 4.2. 个性化热舒适推理 在本节中,我们介绍了不同分类算法的建模和性能评估。考虑到我们在几乎相同的温度范围内收集了参与者的投票,并在相同的时间间隔内存储了数据点,因此数据集非常平衡。因此,我们在本节中介绍了使用精度作为主要指标的算法的性能。我们还在附录A中给出了不同情况下F1成绩的箱线图。为此,如本文前面所述,我们考虑了不同的测试和培训情况。 场景#1(实验前半部分的训练|实验后半部分的测试):图13显示了从每个算法获得的18名受试者的准确度箱线图。 保存图片、插图等的外部文件。 对象名称为sensors-19-03691-g013.jpg 在单独的窗口中打开 图13 使用三种机器学习算法对18名参与者进行个人热舒适性学习的准确度箱线图(对实验前半部分的数据进行培训,对实验后半部分的数据进行测试)。 总体而言,与以往的研究相比,舒适性推理的性能较低。当使用空气温度作为唯一特征时,所有模型的平均精度为42.6%。但是,当添加诸如皮肤温度和热交换率等生理属性时,性能会得到改善。尽管如此,总体精度相对较低。观测到的低精度的主要原因是瞬态温度的升高和降低及其产生的热舒适记忆的影响。热条件的即时变化会影响舒适性记忆当涉及到个人热舒适学习的实际实施时,这是一个重要的观察结果。尽管如此,在所有模型中,即使与使用皮肤温度的情况相比,热通量特性也提高了性能。一般来说,随机森林的表现最好,之前的类似研究也报告了这一点。 场景#2(实验后半部分的培训|实验前半部分的测试):如图14所示,当使用实验后半部分的数据进行培训并测试实验前半部分的数据时,在这种情况下,对于不同特征的影响也可以得出相同的结论。当使用空气温度作为唯一特征时,算法表现出较差的性能。在算法中添加热流特征在提高性能方面发挥了重要作用,这证明了热流传感器作为暖通空调系统HITL运行的潜在竞争者的有效性。第二个场景中的表现略有改善是一个有趣的观察结果,这可能与以下事实有关:实验后半部分的数据涵盖了参与者在前半部分的体验性质,但是,第一个场景中的观察结果并非如此。 保存图片、插图等的外部文件。 对象名称为sensors-19-03691-g014.jpg 在单独的窗口中打开 图14 使用三种机器学习算法对18名参与者进行个人热舒适性学习的准确度箱线图(对实验后半部分的数据进行培训,对实验前半部分的数据进行测试)。 场景#3(所有数据点组合的交叉验证):在该场景中,我们模拟了更全面的培训的影响,在该培训中,将对来自两次体验的数据进行培训和测试。图15显示了18名参与者通过交叉验证使用所有数据进行个人热舒适性学习的准确性箱线图。如前所示,一般趋势是通过将生理特征作为算法的输入参数来提高性能。具体而言,通过使用显示出最佳整体性能的RF算法,以空气温度为唯一特征的中值精度为70.8%,但随着皮肤温度的增加,中值精度增加到93.2%,随着热流的增加,中值精度增加到97.0%。因此,结果表明,与使用常用皮肤温度相比,使用热交换率值可提高性能。从三个模型的性能来看,当除环境温度外同时使用皮肤温度和热流时,观察到最佳性能,尽管热交换率的提高似乎更有效。 保存图片、插图等的外部文件。 对象名称为sensors-19-03691-g015.jpg 在单独的窗口中打开 图15 使用三种机器学习算法(对整个数据集的所有数据进行交叉验证)对18名参与者进行个人热舒适性学习的精度箱线图。 去: 5.结论 在本研究中,通过采用包括实验数据收集和数据分析(包括机器学习建模)在内的方法,我们试图探索热流传感器在推断个人对人在回路舒适驱动的可行性和有效性。鉴于面部和手腕区域通常暴露在室内环境中,并已用于热舒适建模研究(利用计算机视觉和可穿戴传感技术),我们使用受试者面部和腕部皮肤上的热流传感器来测量在逐渐瞬态温度变化下热交换率和皮肤温度的变化。研究了热生理反应、周围环境、人-环境热交换和乘员热偏好之间的相关性。热交换率与热偏好呈高度正相关(中值为0.92和0.94),与空气温度呈高度负相关(中值为−0.94和−0.97)和皮肤温度(中值为−0.87和−0.95). 此外,我们使用分类算法研究了个人热舒适性推断的性能,并观察到当使用热交换率和环境温度作为特征时,平均准确率为97.0%。与使用皮肤温度和环境温度作为特征的情况相比,使用皮肤的热交换率可以更好地推断参与者的热舒适偏好。因此,热通量传感的采用被证明有希望集成到舒适驱动的人在回路HVAC操作中。 在实验过程中,我们观察到一个传感器rel在实验过程中,我们观察到一个与传感器相关的限制,即传感器与皮肤表面之间需要稳定接触。鉴于我们实验的可控性,这一限制并没有在我们的数据处理中造成任何障碍。然而,在现场试验中应用这种传感方式时,需要采取进一步的预防措施,以确保数据的质量。在将传感系统集成到可穿戴设备(如现场实验原型或智能手表)的设想中,除了设计用于可靠皮肤接触的频带外,还可以开发算法来监测皮肤和传感器之间的接触水平,以进行可靠的数据采集。因此,后处理算法的设计应与从传感器获得的可靠接触时间和数据质量相一致。此外,我们在瞬态温度条件下进行了实验研究,以研究其灵敏度和适用性。需要进行进一步的可行性研究,以便在现场研究中深入了解系统的性能,在现场研究中,热条件的变化和传感器的使用较少受到控制。 用于热舒适推断的机器学习研究的另一个实际限制是为训练算法提供标记数据。在人体热舒适性方面,个人标签是来自个人的主观投票。研究表明,在相似的环境温度条件下,人们报告相似热感觉投票的一致性较低。这是一个触发使用人类生理反应的因素,以便与环境条件测量值相比,更好地关联身体体验。为此,虽然在本研究中,我们重点研究了皮肤热交换率和温度的影响,但探索心率和皮肤电导率等其他生理特征的整合是未来研究方向的重要一步。此外,其他环境因素,如辐射热(如自然或人工光照射)以及房间物理特性(如日照)可能会影响用户体验。因此,研究其他生理特征、可穿戴设备设计和原型设计、在实地研究中评估拟议的可穿戴技术、在活跃的实地研究中开发可靠数据收集算法、更复杂的环境因素(如辐射热)的影响,使用该技术评估生理传感系统达到最佳性能所需的适应时间是本研究的未来方向之一。此外,可以研究使用更先进的机器学习算法(例如深度学习),以评估其在自动特征提取和性能改进方面的影响。 去: 致谢 作者感谢本研究参与者的时间支
 
TAG:
打印本页 || 关闭窗口
 上一篇:皮肤温度、热交换率和空气温度
 下一篇:腕部皮肤上的热流传感器来测量在逐渐瞬态温度变化下热交换率
点击这里给我发消息
点击这里给我发消息
点击这里给我发消息
点击这里给我发消息