|
在过去十年中，研究工作探索了个性化技术在暖通空调系统控制中的潜力[12,13]。换句话说，研究已经转向人在回路（HITL）控制策略[14]。物联网（IoT）和互联设备的普及为此类发展铺平了道路，使其不再使用恒温器或传统的硬拷贝问卷来偶尔收集乘客反馈。因此，建议使用电子媒介（例如，基于网络的[11]和基于智能手机的[15]）来促进数据收集过程，改善从居住者到建筑系统的信息流，使居住者能够为暖通空调系统的控制提供反馈。这些工作进一步着手汇编个人热反馈数据（使用不同的热感觉量表），同时以舒适度数据集的形式测量环境和上下文条件（如温度、湿度、服装水平和季节信息）[3,16,17,18]。利用这些数据集，机器学习（ML）和统计建模技术已被用于创建个性化的热舒适曲线，将环境条件映射到个人热满意度的概率，并显示个人对不同温度变化范围的敏感性（即热舒适敏感度）[3,16,19,20]。这些配置文件已进一步集成到暖通空调系统的运行中，用于舒适驱动的暖通空调运行[1,2,16,18,20]。
研究表明，当使用直接用户反馈及其与环境热条件的关联来推断乘员热舒适性时，可能会出现挑战。这些研究依赖于基于调查的方法和用于个人舒适性建模的热环境条件，证明了中等精度（60–75%）[17,21,22]。在一项示例研究中，Kim等人[21]报告了使用23个上下文变量的平均准确率为73%（和非生理特征；特征包括热偏好、衣物隔热、控制特征、占用状态、历史占用频率、时间特征、室内外温度和湿度特征、天空覆盖、降水、室内气流以及HVAC特征，如风门位置、加热输出和排气温度（英国）用于培训他们的ML算法。据我们所知，这是热舒适性推理研究中使用的最多的特征。这些属性中包括用户自我报告的与人相关的参数。为了解决与人的主观反馈相关的挑战，研究工作已进行了调查d使用其他与人体相关的特征（如人体生理反应）作为热舒适性推理ML模型输入的可能性。最近的研究报告，通过使用人体生理反应数据，舒适性推理的性能得到了改善，平均准确率高达85%[23].我们在[14]中使用个人热舒适模型对HITL HVAC操作进行了详细和定量的回顾。人体对周围环境最具代表性的反应是对皮肤血流的调节。血管扩张或收缩（即血管扩张和血管收缩）调节通过皮肤的散热并保持核心体温[7]。因此，先前的研究表明，皮肤温度变化与报告的使用者的热感觉高度相关[24,25]。具体而言，红外成像技术因其非侵入性而受到关注[23,26,27]，这是人机交互应用可行性的重要因素之一[28,29,30,31]。
1.2.无处不在的热生理传感
我们的愿景是朝着适用的传感技术发展[28,29,30,32,33]这使得能够测量人体热生理反应，从而为舒适驱动的HVAC系统操作带来灵活性。在以前的研究工作中，皮肤温度主要通过使用红外成像技术[23,26]或可穿戴形式的温度传感器[17,18]作为重要属性为了追求普遍性、适用性和非侵入性的目标，近年来，我们提出并研究了使用RGB摄像机（通过间接测量皮肤表面的血液灌注）[30,34]和多普勒雷达传感器的新型生理传感技术（通过测量呼吸模式的变化）[28,32,33]。在本研究中，作为上述标准交叉点处传感系统的另一种形式，我们试图证明热流传感器在热舒适管理中用于人类与建筑物交互的潜力。为此，我们的研究问题为了追求普遍性、适用性和非侵入性的目标，近年来，我们提出并研究了使用RGB摄像机（通过间接测量皮肤表面的血液灌注）[30,34]和多普勒雷达传感器（通过测量呼吸模式的变化）[28,32,33]的新型生理传感技术。在本研究中，作为上述标准交叉点处传感系统的另一种形式，我们试图证明热通量传感器在热舒适管理中用于人-建筑交互的潜力。为此，我们的研究问题如下：
(1)
热流传感器如何用于改善个人舒适性推断和舒适性驱动的HVAC操作？
(2)
皮肤温度和热交换率之间的关系是什么？
(3)
在个性化舒适性推断中，皮肤温度和热通量之间的哪个特征表现得更好？ |
