Gardez les pièces confortables en faisant fonctionner les appareils ménagers (équipements de climatisation) à la température préférée de l'utilisateur en fonction de la situation.

But du cas d'usage

Apprenez la température préférée de l'utilisateur dans chaque situation pour le contrôle des appareils ménagers (équipement de climatisation).

Description

Motivation : La température à laquelle l'utilisateur se sent à l'aise varie en fonction des conditions à l'extérieur du climatiseur, telles que la température extérieure, l'intensité de l'ensoleillement, l'heure de la journée, le jour de la semaine, etc. Maintenez toujours un environnement confortable en éliminant le besoin pour ce changement de réglage. Énoncé du problème : Bien que la température à laquelle l'utilisateur se sente à l'aise dépende de la situation, comme l'heure de la journée et le jour de la semaine, il est impossible de présenter ces paramètres au moment de l'expédition du produit. Même si le concepteur du produit propose une méthode permettant à l'utilisateur de régler un tel réglage, l'utilisateur lui-même ne sait pas qu'il doit régler à quel degré et à quelle heure. Les données à long terme ne peuvent pas être stockées dans l'appareil, le modèle est donc obligé d'apprendre dans le cloud. La formation du modèle dans le cloud prend plus de temps pour pouvoir faire face aux variations soudaines du mode de fonctionnement de l'utilisateur. Situation actuelle : La température est réglée à l'aide du contrôleur chaque fois que l'utilisateur se sent mal à l'aise. Approche de la solution et étapes de la solution : outre la formation du modèle à l'aide de données historiques à long terme dans le cloud, le modèle est également ajusté par une formation fréquente dans les appareils intégrés. Lorsque l'utilisateur modifie le réglage de la température à l'aide du contrôleur, non seulement le réglage mais également les données associées, telles que le temps de réglage, sont stockées dans le climatiseur. Les données sur l'état de fonctionnement, telles que les valeurs des capteurs de température installés pour le contrôle du climatiseur, sont stockées dans le climatiseur. Les données stockées dans le climatiseur sont périodiquement téléchargées sur l'instance cloud détenue par le fabricant. Les dernières informations sur les prévisions météorologiques, etc. sont conservées à tout moment sur le service cloud. Un modèle est créé pour représenter ce que la température de consigne devrait être en fonction des conditions extérieures autour du climatiseur (y compris les prévisions) par un apprentissage périodique pour chaque climatiseur sur le cloud. Le modèle est livré au climatiseur correspondant. L'apprentissage automatique en ligne est effectué sur la base des données stockées à l'intérieur du climatiseur et les paramètres internes du modèle sont ajustés. Cet apprentissage intégré est effectué fréquemment, par exemple une fois par heure, et il est possible de refléter des changements soudains dans le modèle d'utilisation de l'utilisateur sur le modèle. L'algorithme d'apprentissage automatique en ligne à l'intérieur du climatiseur et l'algorithme d'apprentissage automatique par lots dans le cloud sont réglés aussi près que possible pour interdire un changement radical du modèle par rapport au modèle ajusté par l'apprentissage automatique en ligne lorsque le modèle est livré via le cloud computing et l'ajustement modèle est écrasé. Le climatiseur prédit la température préférée à l'aide du modèle, et le résultat est utilisé comme température de consigne du climatiseur. Comme en fonctionnement normal, le climatiseur effectue un contrôle afin que la température de la pièce reste à la température réglée. Résultats et effets : La prédiction étant effectuée par le climatiseur (embarqué), il continue de fonctionner même en cas de panne du réseau ou de cloud. Le seul impact d'un échec est l'impossibilité de télécharger des données et l'incapacité de mettre à jour le modèle au fur et à mesure qu'il apprend via le cloud. La formation aux opérations avec un cycle à long terme, comme une opération fixe pour chaque jour de la semaine, est efficace si le modèle est formé à partir de l'historique des opérations accumulées. Un modèle avec cet effet est créé principalement par apprentissage sur le cloud. S'il y a des changements soudains de modèle de fonctionnement, par exemple, lorsque la température extérieure augmente soudainement et que l'utilisateur y réagit, l'apprentissage automatique en ligne à haute fréquence à l'intérieur du climatiseur peut ajuster le modèle immédiatement.

Intéressé par le même projet ou un projet similaire ?
Soumettez une demande et obtenez une évaluation gratuite de votre projet.