這個專案預計製造了一個新的HVAC系統，此系統可針對每個人的特定喜好及感受來調整輸出之設定，使同一場域內不同位置之使用者都能感受到舒適的溫度，並保持能源成本最小化。
這個專案使用DE10-Nano Cyclone V SoC FPGA Boar作為主控制器，利用Humidity and temperature sensor獲取環境之資訊，如溫度與濕度，而太陽輻射資訊經由太陽能板或Ambient Light Sensor接收，將類比電壓透過Analog Devices plug-in boards的DC1012A-A轉換為數位訊號輸入至控制板，除此之外，此專案也會藉由感測器讀取人體之體溫、心跳速率等資訊並將其透過藍芽或Wifi module輸入至控制板，最終將獲得之資訊利用Microsoft Azure IoT儲存於雲端或是進行大數據的分析與運算，在使用者感受的方面，本專案預計設計一操作簡單之APP介面，供使用者選擇其目前對於溫度的感受以及自身的喜好設定。

Demo Video

Project Proposal

1. High-level project introduction and performance expectation

本專案預計設計一新型HVAC系統，其場域針對辦公大樓內部辦公室等具有大型HVAC系統之環境，目標族群為會使用此場域之使用者，如上班族等。利用熱像儀去同步感測人體臉部之溫度變化，以這兩項數據結合機器學習來判斷和預測人體的熱感覺，此專案也將設計一操作簡單之APP供使用者做投票使用，此新型HVAC系統將會根據使用者操作改變運作行為，除了可降低能源消耗成本之外也可保證場域內每個使用者之個人熱舒適度在一定水準之上。

隨著近年來氣候變遷的影響，能源成本不斷地攀升，如何在漸漸提高的需求環境下減少能源消耗已成為一個重要的議題。在典型的辦公室中，大多是使用固定位置固定風向的HVAC，其無法滿足同一空間內所有人的熱舒適度，管理人員必須處理頻繁出現的冷熱投訴，並不斷的調整冷暖系統以達到辦公室人員的熱需求。

利用Verilog語法將演算法寫入Intel FPGA devices作為系統的主控制器，利用其硬體化的設計，可使得系統的運算速度及效能提升，對於此專案，FPGA主要可提供兩個優點為高速數位信號的處理與傳輸以及平行計算處理，在接收環境資訊以及場域中使用者的資訊時，不會只有少少幾個數據，而是一次大量且連續的資訊不斷地從感測器傳輸至控制板中，並通過演算法進行運算，最終輸出訊號至HVAC系統，這需要同步接收並處理大量數據的能力，因此Verilog語法中Non-blocking及Pipeline的設計技巧在此專案中佔有非常重要的地位。

2. Block Diagram

圖一為本團隊之系統方塊圖，本團隊使用DE10-Nano開發板作為主要控制系統之開發版，透過RFS感測器子版及DHT22溫溼度感測器以測得當前場域之環境溫度。對於使用者之熱感覺，本團隊使用Raspberry Pi 4B配合FLIR Lepton3.5熱顯像儀偵測人體臉部表面溫度，並將溫度資訊輸入至以訓練好之機器學習模型以預測人體熱感覺，最終將此熱感覺資訊傳遞至DE10-Nano開發板中做為模糊邏輯控制器之輸入。經由模糊邏輯控制器計算出來之發熱晶片工作週期會藉由L298N轉換為12V之工作電壓，針對當前環境溫度之數值顯示，本團隊利用Arduino公司所設計之Arduino MEGA 2560開發板配合移位暫存器SN74HC595將溫度顯示於六位元之共陰七段顯示器上。

圖一系統方塊圖

3. Expected sustainability results, projected resource savings

本專案預計的主要提供的功能如下：

(1)評估使用人體生理特徵和環境數據來預測自然環境中熱舒適度的可行性。

利用紅外線熱成像儀取得場域中使用者之臉部部位溫度變化，將這些數據作為機器學習之特徵集，並用SVM將數據分類，其中數據將分為80%訓練集與20%測試集，在訓練最佳模型之前，通過5倍交叉驗證選擇最佳模型中使用的超參數，最終達到預測人體熱感覺之目標。

(2)在保持最大熱舒適度的情況下同時使能源成本最小化。

利用環境的溫溼度感測器，我們可取得環境參數，並同時將熱負載參數(如電器或是人體等熱負載)丟入室內熱模型中進行計算，最終得到當前該區域的溫度，之後將此溫度資料連同類神經網路所輸出之熱感覺參數傳遞至D1E0-Nano進行計算與判斷，最終輸出每個製暖晶片所需之工作週期，進而達到控制每個區域的溫度的效果同時保有使用者之熱舒適度。

4. Design Introduction

圖二為本團隊之系統電路圖，RFS感測器子版及DHT22作為溫度感測器以測量環境溫度。對於使用者之熱感覺，本團隊使用Raspberry Pi 4B配合FLIR Lepton3.5熱顯像儀偵測人體臉部表面溫度，並將溫度資訊輸入至以訓練好之機器學習模型以預測人體熱感覺，最終將此熱感覺資訊傳遞至DE10-Nano開發板中做為模糊邏輯控制器之輸入。針對暖氣機之模型，本團隊使用12V直流電恆溫陶瓷發熱晶片，由於本團隊需控制恆溫陶瓷發熱晶片之工作週期，因此還需透過L298N以提供12伏特之PWM訊號，以達到不同之平均工作電壓，對於整個系統之電力來源，本團隊使用其輸入為110伏特交流電，輸出為12V直流電之電源供應器，以滿足電源需求，由於實驗時須得知目前實驗場域之兩側個別溫度，本團隊也利用Arduino公司所設計之Arduino MEGA 2560開發板作為溫度資料顯示之控制器，此控制板會將溫度顯示於七段顯示器上。

圖二系統電路圖

圖三為本團隊之系統流程圖，系統會讀取使用者期望之溫度，其後透過溫度感測器測得當前之環境溫度並計算誤差值，兩者之溫度誤差值將輸入模糊控制器並計算出暖氣機做動所需之工作週期，利用此工作週期使暖氣機提供暖氣以提高環境之溫度，並每隔一小段時間後判斷環境之溫度是否有達到使用者所預期之溫度。

圖三 系統流程圖

5. Functional description and implementation

一、人體熱感覺之判斷與預測

本團隊使用FLIR Lepton3.5作為我們偵測臉部溫度之紅外熱顯像儀，其具有體積小、成本低等特性，並且還保有一定的高準確度，結合Raspberrypi 利用python進行編寫達到控制和資料輸出。圖四為FLIR Lepton3.5的實體圖。

圖四 FLIR Lepton3.5的實體圖

Raspberrypi 方面，本團隊使用的是Raspberrypi 4B 作為偵測臉部溫度和機器學習的開發版。圖五為Raspberrypi 4B的實體圖。

圖五 Raspberrypi 4B實體圖

圖六為將Raspberrypi 4B和FLIR Lepton3.5連接的實際操作畫面。

圖六 Raspberrypi+Lepton3.5實際操作畫面

關於人體熱感覺判斷方面，本團隊將以七點熱感覺量表來進行分析，圖七為七點熱感覺量表，投票結果將由-3至3分別代表很冷至很熱，0則代表舒適。投票方面，本團隊設計一APP供受試者投票，介面如圖八所示，投票結果將會透過藍芽傳回Raspberrypi做紀錄。

圖七 七點熱感覺量表

圖八 手機APP介面圖

接著，本團隊在Raspberrypi 4B用python對FLIR Lepton3.5進行進一步的編寫，使其能夠偵測並輸出鼻子、耳朵、臉頰三部位之溫度資料，測量時，我們會讓室內溫度在30度至20度之間變化，服裝穿著一致長褲短袖，受試者再根據他們當下的熱感覺去進行投票，投票結果傳至Raspberrypi上再將各部位溫度資料和投票結果同步記錄下來。圖九是Raspberrypi讀取溫度示意圖。

圖九 讀取溫度示意圖

圖十、圖十一、圖十二為為期3天根據兩位受試者"A"跟"B"之投票結果所測量出的兩組臉頰、鼻子、耳朵三部位的溫度分布圖，共記錄了分別77筆(左)和65筆(右)投票數據，Y軸為部位溫度，X軸則為投票之結果。

圖十 臉頰溫度與投票結果分布圖

圖十一 鼻子溫度與投票結果分布圖

圖十二 耳朵溫度與投票結果分布圖

並以這三部位溫度資料作為數據集利用機器學習中的SVM去進行模型的訓練。其中以80%數據作為訓練，而20%數據作為測試，圖十三為15筆(A)和13筆(B)測試數據之測試結果。

圖十三 數據測試結果圖

並將模型預測結果計算均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差(MAE)和R Squared，圖十四為計算結果。

圖十四 計算結果圖

二、具智慧型控制之單一空間多點溫度控制系統

2.1方法概述:

為獲得室內環境之熱模型，本研究將室內環境切割為無數個小方塊之集合，藉此以逼近真實之室內熱模型，對於其室內熱環境之熱負載，主要為人體及電腦。針對電腦，為簡化計算之複雜度，本研究將其假設為處於普通工作模式下，並作為一溫度為33攝氏度之穩定熱源，提供熱量給予環境。

本研究將此場域切割為邊長0.4公尺之正立方體之集成，其示意圖如圖十八所示：

圖十八 實驗場域室內熱模型切割示意圖

此場域長5.2公尺、深8.8公尺、高3.2公尺共可切割為2288個單元以進行空氣熱交換之計算。
為驗證本研究所建立之室內熱模型之準確性，本研究利用一自製暖源放置於場域中，對其通電使其提供一穩定熱源，並於適當之位置放置溫度感測器以感測溫度變化情形，同時建立此熱源之模型於MATLAB程式中進行模擬，最終透過比較以確認室內熱模型之準確性。

圖十九為本團隊之模糊系統架構圖

圖十九 模糊系統架構圖

本團隊所建立模糊控制器之架構具有一輸入及一輸出，輸入為空氣溫度之差值，輸出為暖氣機輸出功率大小。

輸入端溫度差五個歸屬函數分別為Low、Middle_Low、Middle、Middle_High以及High，而輸出端暖氣機輸出功率五個歸屬函數同樣分別為Low、Middle_Low、Middle、Middle_High以及High。

三、FPGA實現

本團隊利用Quartus Prime 17.1 將模糊控制演算法寫入DE0-Nano中，藉由DE10_Nano_SystemBuilder.exe建置Top專案檔，如圖二十三所示，本專案設定GPIO 0為預設之GPIO腳位，GPIO 1連接至RF感測器。

圖二十三 DE10_Nano_SystemBuilder.exe

本團隊所建構之模擬環境如圖二十四所示，此模擬系統之核心為DE0-Nano，本團隊將模糊邏輯演算法建置於其中，並透過訊號線讀取RF感測器及DHT22的溫度數值，結合使用Raspberry pi，本團隊可偵測溫度感測器之表面模擬偵測人體臉部鼻子之情境，並透過機器學習法預測人體之熱感覺，並將此訊息傳回至DE0-Nano控制板，使系統可得知該如何挑整溫度，經由L298N，此系統可以輸出12V的PWM訊號，以控制製暖晶片之工作週期，進而控制同一箱體內不同點之溫度，由於需將目前溫度之數值顯示出來以方便本團隊觀察溫度變動之情況，本團隊也配合使用Arduino以及兩組共六顆之七段顯示器以實現此目標，此系統會將目前不同點之溫度數值傳遞至Arduino控制板中，Arduino控制板則會根據傳進來之數值更改七段線示器上顯示之數值。圖二十五為模擬環境前視圖。

圖二十四 模擬環境俯視圖

圖二十五 模擬環境前視圖

本團隊為方便觀察數據，故將實驗之初始環境溫度控制在26攝氏度(絕對溫度299.15)，並測量在人員之不同熱感覺情況下，此系統之表現是否有如預期，以下本團隊將以代表性之實驗結果作為說明。

實驗結果一

圖二十六為兩位使用者皆認為過熱之實驗結果圖，期望溫度為24攝氏度(絕對溫度297.15)。

圖二十六 實驗結果一

實驗結果二

圖二十七為兩位使用者皆認為過冷之實驗結果圖，期望溫度為28攝氏度(絕對溫度301.15)。

圖二十七 實驗結果二

實驗結果三

圖二十八為A使用者認為過熱，B使用者認為過冷之實驗結果圖，A使用者期望溫度為24攝氏度(絕對溫度297.15)，B使用者期望溫度為28攝氏度(絕對溫度301.15)。

圖二十八 實驗結果三

實驗結果四

圖二十九為A使用者認為過冷，B使用者當前過熱之實驗結果圖，A使用者期望溫度為28攝氏度(絕對溫度301.15)，B使用者期望溫度為24攝氏度(絕對溫度297.15)。

圖二十九 實驗結果四

實驗結果五

圖三十為A使用者認為過熱，B使用者認為舒適之實驗結果圖，A使用者期望溫度為24攝氏度(絕對溫度297.15)。

圖三十 實驗結果五

實驗結果六

圖三十一為A使用者認為過冷，B使用者認為舒適之實驗結果圖，A使用者期望溫度為28攝氏度(絕對溫度301.15)。

圖三十一 實驗結果六

實驗結果七

圖三十二為A使用者認為舒適，B使用者認為過熱之實驗結果圖，B使用者期望溫度為24攝氏度(絕對溫度297.15)。

圖三十二 實驗結果七

實驗結果八

圖三十三為A使用者認為舒適，B使用者認為過冷之實驗結果圖，B使用者期望溫度為28攝氏度(絕對溫度301.15)。

圖三十三 實驗結果八

藉由觀察實驗之結果，可得知本團隊所設計之系統確實可使同一場域中不同點具有不同之溫度，使得各個使用者之熱感覺皆能最大化地滿足。

6. Performance metrics, performance to expectation

關於評估使用人體生理特徵和環境數據來預測自然環境中熱舒適度的可行性方面，結果表明，透過人體臉部部位溫度數據利用深度學習進行熱感覺預測是可行的，各部位之分析解果皆與人體之熱感覺有正相關，訓練出的模型經過測試，均方根誤差（MSE）皆小於0.2，可說明本深度學習模型有一定程度的準確性。

而關於在保持最大熱舒適度的情況下同時使能源成本最小化方面，利用溫度感測器模擬環境中兩位人員的臉部表面溫度，之後將溫度資料作為機器學習模型之輸入並輸出人體熱感覺預測之結果傳至DE10-Nano開發版中，結合環境溫度資訊作為模糊邏輯控制器之輸入，最終計算出發熱晶片所需之工作週期，使其做動改變環境溫度，成功達到控制每個區域的溫度的效果同時保有使用者之熱舒適度的目標。

7. Sustainability results, resource savings achieved

本團隊建立一HVAC控制系統以實現同一場域中不同使用者之熱感覺，藉由滿足每位使用者之熱感覺以提高每位使用者之熱適性。

8. Conclusion

本團隊已實現互動式溫度控制系統，預測人體熱感覺的部分利用Raspberry pi和FLIR Lepton3.5獲取人體臉部部位溫度資料，並作為機器學習之數據集成功達到有效預測人體熱感覺之目標。而具智慧型控制之單一空間多點溫度控制系統方面，透過將室內環境切割為無數個小方塊之集合，去計算相鄰兩塊方塊之熱交換關係，藉此以逼近真實之室內熱模型，並利用模糊控制去調整暖氣讓室溫達到使用者期望之溫度。最後本團隊結合前兩個系統，建立一模擬環境並用FPGA實現真實環境之溫度控制，將熱感覺模型導入，並利用感測器量測箱中兩側的溫度，再使用模糊控制把箱內溫度調整到預期的溫度值，達成使用FPGA實現互動式溫度控制系統的目標。