【摘 要】
：
随着现代信息技术的发展,万物互联的全新时代即将正式到来,基于物联网的智能家居方兴未艾。目前,大多数家用空调系统都是一对一单控制,无法远程监控空调的系统运行状态,发生故障后,售后人员只能凭大多数用户的非专业描述判断故障原因,很难快速定位并解决问题,新型智能空调已经成为传统空调系统升级换代的最佳选择。本文基于传统中央空调控制技术和物联网技术,设计了一款基于WiFi与阿里云物联网平台的智能空调控制系统。
论文部分内容阅读
随着现代信息技术的发展,万物互联的全新时代即将正式到来,基于物联网的智能家居方兴未艾。目前,大多数家用空调系统都是一对一单控制,无法远程监控空调的系统运行状态,发生故障后,售后人员只能凭大多数用户的非专业描述判断故障原因,很难快速定位并解决问题,新型智能空调已经成为传统空调系统升级换代的最佳选择。本文基于传统中央空调控制技术和物联网技术,设计了一款基于WiFi与阿里云物联网平台的智能空调控制系统。智能空调控制系统包括智能空调控制器、物联网平台、移动端APP、上位机监控等四部分构成。整个系统的实施方案:以R5F100FEA为控制器的主控核心,通过以MM1192为核心的内机通讯电路连接内机,以T5L1为核心的LCD驱动电路显示人机交互界面,以EMW3080模组为核心的WiFi电路通过路由器将控制器的运转信息上传到阿里云物联网平台,且基于QT框架开发上位机监控用于在PC端监测空调运行状态。论文深入分析智能空调控制器的硬件设计原理与软件开发逻辑,阿里云生活物联网平台的项目创建和产品定义流程,设备接入协议和调试方法。智能空调控制器的硬件开发主要包括控制器主控核心R5F100FEA的外围电路设计、WiFi模组电路设计、内机通信电路设计、RS485集中控制电路的设计、电源供电电路设计、LCD液晶显示驱动电路设计、传感器和红外接收电路的设计。软件开发包括WiFi模组与主控MCU核心通讯设计、主控MCU核心与RS485集中控制器通讯设计、WiFi模组与阿里云物联网平台通讯设计、WiFi模组与阿里云物联网平台数据流解析、控制器与内机通讯设计、LCD液晶显示UI及驱动程序设计,物联网平台搭建与数据流定义、QT上位机监控软件程序设计与UI开发。通过与某品牌的多种空调内机组和RS485集中控制器的长期联合测试,结果表明所设计的智能空调控制系统能有效控制多种空调内机,可以通过三种不同的方式向用户传达设备信息,控制系统兼容用户定制的RS485集中控制器,能够稳定连接阿里云物联网平台,实现对空调内机组的智能化管理。实现了空调室内机组、物联网平台、移动端APP、PC端监控软件、RS485集中控制器之间的数据同步,达到了预期设计的目标。
其他文献
工业控制系统（Industrial Control System,ICS）测试床仿真模拟工业生产过程,广泛用于生产控制优化、计划与资源优化、人员培训、安全评估与安全测试研究等。现有包含实物的实物复制测试床、半实物测试床搭建成本较高,且测试床规模远不及实际系统的规模,导致基于测试床的相关研究具有一定的局限性;基于软件联合的纯软件仿真类测试床,不便于开展网络攻防等交互性要求较高的相关研究与测试。针对以
随着科技的迅速发展,实际应用领域涌现出大量流数据,这些数据不仅具有海量、快速、含多个标签与特征高维的特点,且其数据分布会随时间动态变化引起概念漂移等问题。因而如何在多标签流数据环境下快速挖掘有效信息,成为数据流分类的重要研究任务之一。本文旨在针对概念漂移和流特征的多标记流数据分类问题开展研究,主要研究工作包括:（1）针对多标签流数据的概念漂移问题,提出一种基于核极限学习机的数据流集成分类方法。首先
伴随着大数据时代的来临,数据获取的方式和途径较以往更加便捷,大量的高维数据出现在各个应用领域,如人脸识别等。然而,这些高维数据会大大增加计算量,同时其冗余特征也会影响数据分析的结果,很多应用场合必须进行降维。因此,高效的数据降维方法在实际应用中具有重要意义。近年来,图模型被广泛地用于数据降维研究工作中,图嵌入方法作为其重要的技术手段引起了很大的关注。以图判别嵌入为代表的传统图嵌入方法使用k近邻去选
隐写是一种基于信息隐藏的隐蔽通信技术或隐蔽存储方法,通过难以感知的方法将秘密信息隐藏在可以公开的载体中。在隐写与隐写分析的长期对抗发展过程中,隐写研究者提出了丰富的图像隐写思路与方法。无嵌入图像隐写算法不存在被修改的载体图像,虽然理论上具有很高的安全性,但是普遍存在图像特性单一和生成图像质量差的问题。嵌入式图像隐写算法通过修改载体图像的方法进行秘密信息写入,因此容易留下修改痕迹而受到隐写分析模型的
随着互联网的不断发展,视频网站拥有巨大的用户访问数量能够给服务提供商带来可观的收益,向用户推荐流行度尽可能高的视频可以吸引更多用户的关注;同时为了缓解核心网络的流量负载,降低用户获取视频的时延,制定以视频流行度为缓存替换策略的算法可以增加缓存的命中率,提升用户的服务体验质量。因此,视频流行度的预测问题成为了一个急需解决的问题。本文针对传统的视频流行度预测算法在中长期预测中存在预测精度低、自适应性弱
近几年来,卷积神经网络在计算机视觉,自然语言处理和语音识别等领域上取得了突破性的进展。尽管卷积神经网络具备强大的特征表达能力,但模型的过参数化和高计算复杂度使其在训练和推理过程中消耗大量硬件资源,让模型部署在资源受限的嵌入式设备上变得异常困难。因此,研究如何在不降低网络精度的前提下压缩神经网络模型,对于深度学习技术的普及具有重要意义。本文在现有压缩算法的基础上,对其进行优化改进并完成了以下工作:（
特征选择已经被广泛地研究和使用在机器学习和模式识别领域,因为它能够减少问题的复杂度,同时提升学习算法的预测精度。但是,传统的特征选择算法依据特征和类别变量之间的相关关系选择相关特征、去除无关特征,从而没有试图学习它们之间的因果特征。近些年,基于马尔科夫毯的特征选择已经吸引了越来越多人的关注,因为它比传统的特征选择算法具有更好的鲁棒性和可解释性。基于马尔科夫毯的特征选择旨在发现类别变量的马尔科夫毯（
特征选择方法在数据分析与降维中发挥着重要的作用。目前很多特征选择方法存在着一些共性问题,如大量的参数调节、运行时间长、特征的预测效果差等,如何开发出一种适合实际环境使用、减少人为干预的高性能特征选择方法目前仍是一个挑战。另一方面,特征选择与因果发现领域的贝叶斯网络结构学习理论存在着很多重要的联系。目前大多数因果学习算法存在着时间复杂度高,精度差的缺点,此外它们在流特征环境、连续型数据与非线性与弱加
随着数字多媒体与计算机技术的发展,隐写术能以更加难以察觉的方式将秘密信息隐藏在数字多媒体中（如文本、图像和音视频等）。隐写术的滥用不仅威胁到每个公民的隐私安全,更关系到整个国家的繁荣与稳定。为了提高隐写检测准确率,隐写分析者提出了基于卷积神经网络的高级图像自适应检查算法。这类算法通过不断学习网络模型结构中的相关参数,挖掘数据中隐含的复杂关系,提取图像中的数据特征。这不仅大大降低了对研究人员经验和精
传统的基于视觉的同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术不能获得周围环境的语义信息,无法满足机器人对自身周围场景的感知、理解和建模的需求。现有的大多数带有语义的SLAM方法要么假定周围环境是静态的,要么仅获取像素级别的语义信息,无法对环境中的每个物体进行实例级别的标识。这将导致机器人面临很多挑战,如无法完成人机交互、智能抓取、碰