一种车内环境管理系统及其控制方法与流程

本发明属于车内环境技术领域，特别涉及一种车内环境管理系统及其控制方法。

背景技术：

近年来，随着中国汽车保有量的不断增加，汽车日益成为了人们必不可少的交通工具。以前人们比较注重汽车的动力性，但是随着社会水平的发展，人们对汽车舒适性的要求越来越高。汽车的舒适性和汽车内的环境息息相关，改善车内环境可以有效提高汽车的舒适性。

在车内环境方面，相关人士做了一定的研究。在专利号为cn105966195a《一种车内空气品质智能管理系统及使用方法》中，将车内空气质量、车外空气质量和标准限值进行比较，生成净化策略，交替运用封闭、开放式的净化方式实现车内空气品质的智能管理。在专利号为cn104943505a《车内环境智能调节系统》中，通过通风装置和管路控制车内空气流通和净化，调节车内环境。在专利号为cn104385891a《车内环境辅助调节方法》中，在停车状态下，通过收卷装置控制太阳能发电板，从而调节车内的温度。以上研究都是针对车内的空气质量或车内温度，对提高车内环境有一定的帮助。

目前有关汽车车内环境的研究主要集中在车内空气质量这一方面。但是对汽车车内环境产生影响的不只有车内的空气质量，气压、温度、噪声、湿度以及光线强度也会影响车内人员的驾乘体验。汽车在高速行驶开窗时，车内气压容易发生改变。而温度和湿度会一起影响人的皮肤感受，噪声会影响人的听觉，车内光线强度会影响人的视觉，这些都会间接影响神经系统，在影响驾乘人员舒适性的同时也会带来安全隐患。这些影响因素仅凭人的主观感受是很难判断。因此，如何将车内的这些信息进行综合，全面合理的管理车内的环境是车内环境领域亟待解决的技术问题。

技术实现要素：

本发明的一个目的是提供一种车内环境管理系统，其能够实时监测车内环境，并在车内环境异常时采取相应的处理策略来提高车内环境质量。

本发明的一另个目的是提供一种车内环境管理系统的控制方法，其能够基于bp神经网络根据实测数据较为精确的调节车载空调的风量、出风角度，及空气净化器的风量，以提高所述车内环境管理系统的效率。

本发明提供的技术方案为：

一种车内环境管理系统，包括：

传感器模块，其实时监测车内空气质量、气压、温度、湿度、噪声、光照强度等环境因素；

处理模块，其接收所述传感器模块传递的监测数据，并将所述监测数据进行处理，得到异常环境信息并且生成相应处理策略；

显示模块，其接收所述处理模块传递的异常环境信息，并将所述异常环境信息显示在触摸显示屏上；所述显示模块通过触摸屏接收驾驶员选择的处理策略；

微控制模块，其连接所述显示模块，并接收所述显示模块传递的驾驶员选择的处理策略。

优选的是，所述传感器模块包括空气检测传感器、气压传感器、温度传感器、湿度传感器、噪声传感器、光线传感器。

优选的是，所述空气检测传感器模块包括co浓度检测传感器、co2浓度检测传感器、pm2.5检测传感器。

优选的是，所述噪声传感器共有两个，分别安装在前排驾驶员座位上端，以及后排乘客座位中间处上端。

优选的是，所述光线传感器共有两个，分别安装在前排驾驶员座位顶端，以及后排乘客座位中间处顶端。

一种车内环境管理系统的控制方法，包括如下步骤：

步骤一、将上一次调整的车内环境值及车内一般健康环境值的平均值作为调整值，将实测的车内空气质量、气压、温度、湿度、噪声强度及光照强度的值与分别所述车内空气质量、气压、温度、湿度、噪声强度及光照强度的调整值进行比较，得到异常环境信息；

步骤二、根据步骤一中的所述车内空气质量、气压、温度、湿度、噪声强度及光照强度的异常信息得到相应处理策略；

步骤三、根据驾驶员选择的处理策略调节车载空调、车窗、空气净化器以及照明灯。

优选的是，所述步骤a中异常的信息根据分级情况在显示屏上显示为不同颜色。

优选的是，所述步骤二中的空气质量异常的处理策略为基于车内co浓度、co2浓度、pm2.5浓度及温度对空气净化器的风量，车载空调的风量及出风角度进行调控，包括如下步骤：

a、按照采样周期，通过空气监测传感器采集车内co浓度c1、co2浓度c2、pm2.5浓度c3，通过温度传感器采集车内温度t；

b、依次将所述车内co浓度c1、co2浓度c2、pm2.5浓度c3以及温度t进行规格化，确定三层bp神经网络的输入层向量x＝{x1,x2,x3,x4}；其中，x1为co浓度系数，x2为co2浓度系数，x3为pm2.5浓度系数，x4为温度系数；

c、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；

d、得到输出层向量z＝{z1,z2,z3}；其中，z1为空气净化器的风量q调节系数，z2为车载空调的风量q′调节系数，z3为车载空调的出风角度θ调节系数，使

qi+1＝z1ⁱqmax，

q′i+1＝z2ⁱq′max，

θi+1＝z3ⁱθmax，

其中，z1ⁱ、z2ⁱ、z3ⁱ分别为第i个采样周期输出层向量参数，qmax、q′max、θmax、分别为设定的空气净化器的最大风量、车载空调的最大风量、车载空调的最大出风角度，qi+1、q′i+1、θi+1分别为第i+1个采样周期时的空气净化器的风量、车载空调的风量、车载空调的出风角度。

优选的是，在所述步骤b中，将所述车内co浓度c1、co2浓度c2、pm2.5浓度c3及车内温度t进行规格化公式为：

其中，xj为输入层向量中的参数，xj分别为测量参数c1、c2、c3、t，j＝1,2,3,4；xjmax和xjmin分别为相应测量参数中的最大值和最小值。

优选的是，在所述步骤c中，初始运行状态下，空气净化器的风量q，车载空调的风量q′，车载空调出风角度θ满足经验值：

q0＝0.85qmax，

q′0＝0.67q′max，

θ0＝0.88θmax，

其中，q0、q′0、θ0分别为空气净化器的初始风量、车载空调的初始风量、车载空调的初始出风角度；qmax、q′max、θmax分别为设定的空气净化器的最大风量、车载空调的最大风量、车载空调的最大出风角度。

本发明的有益效果是：本发明提供的车内环境管理系统能够实时监测车内环境，并在车内环境异常时采取相应的处理策略来提高车内环境质量。

本发明提供的车内环境管理系统的控制方法能够基于bp神经网络根据实测数据较为精确的调节车载空调的风量、出风角度，及空气净化器的风量，提高了所述车内环境管理系统的效率。

附图说明

图1为本发明所述的车内环境管理系统总体结构示意图。

图2为本发明所述的车内环境管理系统的控制流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种车内环境管理系统及其控制方法。如图1所示，所述车内环境管理系统包括传感器模块，其包括空气检测传感器、气压传感器、温度传感器、湿度传感器、噪声传感器、光线传感器。所述传感器模块实时监测车内空气质量、气压、温度、湿度、噪声、光照强度等环境因素。处理模块，其连接所述传感器模块，接收所述传感器模块传递的监测数据，并将所述监测数据进行处理，得到异常环境信息并且生成相应处理策略。显示模块，其接收所述处理模块传递的异常环境信息，并将所述异常环境信息显示在触摸显示屏上；驾驶员通过点击触摸显示屏上的异常环境信息即可选择与之对应的处理策略。所述显示模块通过触摸屏接收驾驶员选择的处理策略。微控制模块，其连接所述显示模块，接收所述显示模块传递的驾驶员选择的处理策略，并根据驾驶员选择的处理策略调节车载空调、车窗、空气净化器以及照明灯，使车内环境达到预设的调整值。

在本实施例中，所述空气检测传感器模块包括co浓度检测传感器、co2浓度检测传感器、pm2.5检测传感器。所述噪声传感器共有两个，分别安装在前排驾驶员座位上端，以及后排乘客座位中间处上端；光线传感器共有两个，分别安装在前排驾驶员座位顶端，以及后排乘客座位中间处顶端。

如图2所示，本发明还提供了一种车内环境管理系统的控制方法，包括如下步骤：

步骤一、将上一次调整的车内环境值及车内一般健康环境值的平均值作为调整值；将实测空气质量信息与空气质量调整值比较，判断车内空气质量；将实测气压信息与调整值比较，判断车内气压；通过实测温度信息和湿度信息分别与温度及湿度的调整值比较，判断体感温度和湿度；通过实测噪声信息与噪声调整值比较，判断车内噪声强度；通过光线信息与调整值进行比较，判断车内光照强度；并得到异常环境信息。具体实施过程为：空气检测模块测量空气中co、co2以及pm2.5的浓度，气压传感器检测车内气压值、温度传感器检测车内温度值、湿度传感器检测车内湿度值，噪声传感器检测驾驶员和后排乘客处噪声值，光线传感器检测光线强度，然后传感器模块将对应信号通过线路传达到处理模块。所述处理模块接收传感器模块传递过来的信息，得到车内空气质量、气压、温度、湿度、噪声、光线的实测数据，并将上述监测数据与调整值进行比较得到车内空气质量、气压、温度、湿度、噪声强度及光照强度的异常信息，并将所述异常信息传递给显示模块，显示模块控制显示屏按异常级别以不同颜色将上述异常情况显示出来。

步骤二、根据步骤一中的所述车内空气质量、气压、温度、湿度、噪声强度及光照强度的异常信息得到相应处理策略。具体过程为：当车内气压异常时，处理策略为关闭车窗，调整空调除湿模式，使气压达到调整值；当车内湿度异常时，开启空调的除湿模式，使湿度达到调整值；当温度异常时将车窗关闭，打开空调，使温度保持在调整值附近；当检测到光照强度异常时关闭对应位置的车窗，打开照明灯，并且调整照明灯亮度，使得驾驶员位置和乘客位置处的光照强度保持在调整值附近；当检测到噪声异常时，关闭对应位置的车窗，使得车内噪声强度低于调整值。

其中，当空气质量异常时，具体处理策略为基于bp神经网络，根据车内实测co浓度、co2浓度、pm2.5浓度及温度对空气净化器的风量，车载空调的风量及出风角度进行调控，包括如下步骤：

a、建立神经网络；

本发明采用的bp网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x1,x2,…,xn)^t

中间层向量：y＝(y1,y2,…,ym)^t

输出层向量：z＝(z1,z2,…,zp)^t

本发明中，输入层节点数为n＝4，输出层节点数为p＝3。隐藏层节点数m由下式估算得出：

按照采样周期，输入的4个参数为，x1为车内co浓度系数，x2为车内co2浓度系数，x3为车内pm2.5浓度系数，x4为车内温度系数；

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于车内co浓度c1，进行规格化后，得到co浓度系数x1：

其中，c1_min和c1_max分别为车内co浓度最小值和车内co浓度最大值。

同样的，对于车内co2浓度c2，进行规格化后，得到co2浓度系数x2：

其中，c2_min和c2_max分别为车内co2浓度最小值和车内co2浓度最大值。

对车内pm2.5浓度c3，进行规格化后，得到挡风玻璃处雨速系数x3：

其中，c3_min和c3_max分别为车内pm2.5浓度最小值和车内pm2.5浓度最大值。

对车内温度t，进行规格化后，得到温度系数x4：

其中，tmin和tmax分别为车内最低温度和车内最高温度。

输出信号的3个参数分别表示为：z1为空气净化器的风量调节系数，z2为车载空调的风量调节系数，z3为车载空调出风角度调节系数；

空气净化器的风量调节系数z1表示为下一个采样周期中的空气净化器的风量与当前采样周期中设定的空气净化器最大风量之比，即在第i个采样周期中，采集到的空气净化器风量为qi，通过bp神经网络输出第i个采样周期的空气净化器风量调节系数z1ⁱ后，控制第i+1个采样周期中空气净化器风量为qi+1，使其满足qi+1＝z1ⁱqmax；

车载空调的风量调节系数z2表示为下一个采样周期中的车载空调的风量与当前采样周期中设定的车载空调最大风量之比，即在第i个采样周期中，采集到的车载空调的风量为q′i，通过bp神经网络输出第i个采样周期的车载空调的风量调节系数z2ⁱ后，控制第i+1个采样周期中车载空调风量为q′i+1，使其满足

车载空调出风角度调节系数z3表示为下一个采样周期中的车载空调出风角度与当前采样周期中设定的车载空调最大出风角度之比，即在第i个采样周期中，采集到的车载空调出风角度为θ，通过bp神经网络输出第i个采样周期的车载空调出风角度调节系数z3ⁱ后，控制第i+1个采样周期中车载空调出风角度调节系数为θi+1，使其满足θi+1＝z3ⁱθmax；

b、进行bp神经网络的训练；

建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。

在训练过程中，不断修正wij和wjk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

c、采集数据运行参数输入神经网络得到调控系数；

训练好的人工神经网络固化在芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件启动后，空气净化器以及车载空调系统均开始运行，空气净化器风量、车载空调风量均以初始值开始运行，车载空调出风角度为初始角度，即空气净化器的初始风量为q0＝0.85qmax，车载空调的初始风量为q′0＝0.67q′max，车载空调的初始出风角度为θ0＝0.88θmax；

同时，使用传感器测量车内初始co浓度，车内初始co2浓度，车内初始pm2.5浓度，车内初始温度，通过将上述参数规格化，得到bp神经网络的初始输入向量通过bp神经网络的运算得到初始输出向量

d、得到初始输出向量后，即可调节空气净化器风量、车载空调风量及出风角度，使下一个采样周期空气净化器风量、车载空调风量及出风角度分别为：

q1＝z1⁰qmax

q′1＝z2⁰q′max

通过传感器获取第i个采样周期中的车内初始co浓度，车内初始co2浓度，车内初始pm2.5浓度，车内初始温度，通过进行规格化得到第i个采样周期的输入向量xⁱ＝(x1ⁱ,x2ⁱ,x3ⁱ,x4ⁱ)，通过bp神经网络的运算得到第i个采样周期的输出向量zⁱ＝(z1ⁱ,z2ⁱ,z3ⁱ)，然后控制调节空气净化器风量、车载空调风量及出风角度，使第i+1个采样周期时空气净化器风量、车载空调风量及出风角度分别为：

qi+1＝z1ⁱqmax，

q′i+1＝z2ⁱq′max，

θi+1＝z3ⁱθmax，

通过上述设置后，通过传感器实时监测车内co浓度，车内co2浓度，车内pm2.5浓度，车内温度，通过采用bp神经网络算法，对空气净化器风量、车载空调风量及出风角度进行调控，使车内环境质量达到调整值，从而提高车内环境质量。

步骤三、根据驾驶员选择的处理策略调节车载空调、车窗、空气净化器以及照明灯。具体过程为：驾驶员通过触摸屏点击屏幕上的异常信息，选择开启相应的处理策略，微处理模块接收到驾驶员选择的处理策略信息，并根据所述处理策略调节车载空调、车窗、空气净化器以及照明灯，使车内环境达到调整值。

在另一实施例中，所述车内环境管理系统还包括语音模块，语音模块可以识别处理模块传递过来的信息，然后语音播报车内环境问题，识别驾驶员通过声音发出的指令，和数据库中提前录入的指令进行比对，比对成功后，将驾驶员的指令信息发送至微控制模块进行车内环境调控。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。