[发明专利]基于人工智能的混水恒温方法

权利要求书

1.一种基于人工智能的混水恒温方法，其特征在于，包括以下步骤：

步骤一：混水设备在使用时，用传感器实时采集用户的基于时间序列的使用数据，通过终端侧设备传递到人工智能云平台或云服务器；

步骤二：云服务器对混水设备采集的数据进行数据清洗，并进行归一化处理，将数据分为训练集和测试集；

步骤三：构建循环神经网络结构，将训练集数据作为循环神经网络结构作为输入，对循环神经网络结构进行训练；将测试集数据输入已经训练好的循环神经网络结构进行验证，计算预测准确率并通过测试集对循环神经网络结构模型进行参数微调；

步骤四：将最后的网络模型更新至混水设备，实现对冷热水调温变化的预测。

2.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于：在步骤一中，用传感器获取的基于时间序列的数据，包括从温度传感器、压强传感器、水流量传感器中获取数据，其中混水前冷水端温度、混水前冷水端压强、混水前冷水端水流量、混水前热水端温度、混水前热水端压强、混水前热水端水流量、混水后温度、用户预设温度分别用T_t、表示时间t时刻所获得的数据。

3.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于：

步骤一中，数据来源包括用户授权后上传的用户使用数据或实验室中实验环境模拟测试数据。

4.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于：

混水设备在使用时实时采集用户的使用数据，采集混水设备的工作状态；

输入数据用

时间为T时,

对于输出数据即为温度与预设温度变化数值。

5.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于:

在步骤三中，构建循环神经网络进行建模，所示循环神经网络结构的的输入为1到t-1时刻状态，S₁到S_t-1，输出为2到t时刻状态，output₂到output_t；

将测试集数据数据输入到已经训练好的循环网络结构进行验证，计算预测准确率并通过测试集对网络结构进行参数微调，提高预测精度，并将最后的模型作为混水后温度变化预测模型。

6.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于：为了实现在低内存物联网设备上运行的、在预测时间上有效的循环神经网络架构，使用不同的神经网络框架进行训练，包括使用FastGRNN网络结构，该循环神经网络为每一个隐藏状态h的坐标使用一个标量加权剩余连接，也就是通过

z_t＝σ(Wx_t+Uh_t-1+b_z)

利用参数矩阵W,U的低秩和稀疏表示进一步压缩模型大小，

这样的压缩对于FastGRNN模型适用于资源受限的设备至关重要，这种低秩表示了预测时间降低成本在每个时间步从到使FastGRNN提供设备内置电池限制设备上实时预测；

模型训练时，优化问题为,

FastGRNN进一步压缩模型，量化Wi、Ui的每个元素，限制它们最多一个字节，并为稀疏模型建立字节索引；

FastGRNN通过训练非线性函数的分段线性逼近保证所有的计算均用整数算法来完成；训练过程中，FastGRNN然后对浮点参数进行联合量化，以确保所有相关实体都是整数值的，并且整个推理计算都可以在不显著降低精度的情况下，用整数算法有效地执行。

7.根据权利要求1所述的一种基于人工智能的混水恒温方法，其特征在于：步骤一中，终端侧设备包括ESP32WIFI物联网开发板。