会学习的空调才是智能空调

试想一下，未来有一天，一个炎热的夏日你下班回家，快到家里的时候你掏出手机打开一个叫r-conditioner的app随便点了几下，然后你回到家的时候空调已经打开，清风徐来，安静舒适。当然这并没有什么值得夸耀的，重点是在接下去的几个小时里，你没有对空调进行过哪怕是一次的手动调节，却总是感觉非常舒适。你没有觉得过冷而调高温度，跑到厨房做菜的时候也没有关掉空调，但是月末的时候你惊奇的发现，比起之前小心翼翼的使用空调，你的电费不增反降。更更重要的是，一个月后你的air-conditioner提醒你做一次app更新，当这个月结束的时候，你发现你的电费又降了，但是你的舒适度丝毫没有打折。

这就是这篇文章我要讲的智能空调，当然上面的YY目前只是一种愿景。智能空调的目的除了根据需要增加房间的舒适度，提高室内的空气品质，还有一个很重要的功能就是通过合理的热湿处理过程来降低整个空调机组的能耗。空调在我们的生活中无处不在，但是空调到底是什么呢？

空调即空气调节（air conditioner），是指用人工手段，对建筑/构筑物内环境空气的温度、湿度、洁净度、速度等参数进行调节和控制的过程。空调的基本原理如图1所示，通常空调的基本组成包括蒸发器、压缩机、冷凝器、节流阀以及风扇。空调器通电后，制冷系统内制冷剂的低压蒸汽被压缩机吸入并压缩为高压蒸汽后排至冷凝器。同时轴流风扇吸入的室外空气流经冷凝器，带走制冷剂放出的热量，使高压制冷剂蒸汽凝结为高压液体。高压液体经过过滤器、节流机构后喷入蒸发器，并在相应的低压下蒸发，吸取周围的热量。同时贯流风扇使空气不断进入蒸发器的肋片间进行热交换，并将放热后变冷的空气送向室内。如此室内空气不断循环流动，达到降低温度的目的。

图1 空调结构示意图

在空调的设计过程中，需要考量的因素主要包括室内舒适度、室内空气品质和室内空气压力分布。目前的空调主要是从温度和湿度两个角度去考究，而在这之中湿度控制也是在最近才越发被重视起来。研究表明，人体感觉较舒适的室内湿度在30%~60%之间，过高的室内湿度会让人觉得皮肤黏湿，呼吸道也会因散热不足而感觉难受，同时反映在空调测温上也通常会表现为测温偏高，增加空调消耗。相反，过低的室内湿度会让人感觉皮肤发干，咽痛烦渴。为了同时满足室内温度和湿度的要求，目前采用的方法之一是过冷再热法，就是先把打算送到房间的空气降低到一个更低的温度来满足湿度要求，再等湿加热到需要的温度。不用我多说大家已经明白，这个过程会造成双重浪费。并且这个方法的一大缺点是响应速度慢，即可能要经过比较长的一段过程才能达到舒适性要求。而当房间环境变化的时候（比如说有来了几个人在房间里煮火锅，大大增加了热负荷），它又不能给以及时的反馈。

于是变频空调应运而生了。变频的基本结构和制冷原理和普通空调完全相同，它的主机是自动进行无级变速的，它可以根据房间情况自动提供所需的冷（热）量；当室内温度达到期望值后，空调主机则以能够准确保持这一温度的恒定速度运转，实现“不停机运转”，从而保证环境温度的稳定。简单粗暴的讲，压缩机转速的改变影响了温度，而风机转速的改变则控制着湿度。所以对于变频空调而言，加入变频器其实是通过增加硬件的方法来实现了温湿度的智能控制，这也就意味着变频空调的体积会更大，价格也会更高。更重要的是，变频空调的调整也是基于不断测试反馈和一点一点尝试着调整的过程来实现智能控制，并不是知道问题就立马给出针对性的解决方案。

那么有没有可能，避免这种逐步调整的方法而一步到位呢？答案是肯定的。这里就要提到本篇的重点：基于数据训练的控制方法。当然这里所说的不增加硬件并不是完全不增加，而是花了很小的代价来增加。为了解释这个方法，我们有必要先了解一个很火的概念：人工神经网络（Artificial Neural Network，简称ANN）。

ANN是以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。这个概念对于像我一样的非专业人士听起来可能还是有点难以理解，那么我仅仅分享一下我的理解。举个例子，我们被针扎了一下，被刺的这个行为就是输入量，那么在我们的人体产生了一个信号，它首先通过刺到部位的神经，传到下丘脑，然后进一步传递到大脑和胼胝体，最后传递到泪腺，输出的结果就是我们疼哭了。当然具体的人体反应过程是我胡诌的，我们需要注意的是首先有一个输入量，然后经过一系列乱七八糟的过程，最后产生了一个输出量，我们在意的只是这两个量，中间的黑匣子里装的是什么我们并不在乎。回到我们所谈论的空调，如果以同样的思路来对待，那么输入量就应该是房间目前的温度和湿度，输出量就是风机转速和压缩机转速。试想一种情况，我们通过基础实验有了一定的数据量，比如一个10平米的房间，我们在30~35℃，20%~80%湿度下的每个点都对应有一个最佳风机转速和压缩机转速，那么我们的空调是否就可以直接给出最佳答案了呢？当然如此！因为我们有基于这个控制单元的所有最佳方案，遍历查查的速度远快于试错的过程。那么问题来了，当我们把同样一款空调放到一个更大的房间里，它是不是就变笨了呢？

图2 人工神经网络示意图

对于上面的问题，解决方案之一就是让我们的空调进行在线训练（Online Training）。具体而言，比如我们让空调一遍运行一遍进行数据采集，并且把采集到的数据上传到云端。经过一定周期的运行之后（比如一个月），那么所获得的数据量将是庞大的。在总的服务器上对这段时间手机的基础数据进行统计处理后，那么新的、更全面的反馈控制数据就生成了。这时候你所需要做的只是把你的空调系统一键更新，那么你的空调就获得了新的数据，进而表现的更加智能和节能，而这一切，都是在你不需要做任何改变的前提下发生的。

这个过程将有助于实现空调对于一定热负荷的一定空间进行精确的温湿度控制，这样的表现可能对于我们大多数家庭来说微不足道，但是精确的温湿度控制对于医疗、电子器件制备、部分农作物培育等等许多行业都是极为重要的。更重要的是，这种机器学习的思路将会大大缩短机器的更新周期，我们不再需要等待长期的基础实验来得到一个差不多的结果，而是在很短时间内把一个差不多的结果投入应用，然后让很多个差不多在短时间内变得不错，进而变得完美。这样的设想让人喜忧参半，喜的是，我们的空调越来越聪明了；忧的是，如果空调真的这么聪明了，空调工程师的饭碗怎么办？

徐宁，中国科学技术大学在读博士生，，从事太阳能光电光热综合利用研究，曾任中国科学技术大学研究生会副主席。本公众号致力于分享能源科技类书籍、刊物、新闻原创读书笔记，旨在自娱而众乐。