基于人体红外感应器的智能家居控制中心设备技术领域
本发明涉及智能家居领域，具体涉及基于人体红外感应器的智能家居控制中心设
备。
背景技术
相关技术中，智能家居存在安全隐患，例如：智能微波炉过度加热，智能燃气灶上
的气体燃烧都有可能给用户或者用户的财产造成损害，尤其是在家中存在老人和小孩时，
这些智能家居设备存在的安全隐患更加明显，其安全性还有待提高。
发明内容
针对上述问题，本发明提供基于人体红外感应器的智能家居控制中心设备。
本发明的目的采用以下技术方案来实现：
基于人体红外感应器的智能家居控制中心设备，所述智能家居控制中心设备与N
个智能家居设备连接，所述控制中心设备包括依次连接的人体红外感应器、图像分析装置
和智能家居控制装置；所述图像分析装置在人体红外传感器检测到人体时工作，图像分析
装置用于获取设置于室内的智能传感器监测到的室内智能家居环境状态，并分析判断所述
室内智能家居环境状态是否满足预先设定的操控触发条件；所述智能家居控制装置用于当
所述室内智能家居环境状态满足所述操控触发条件时，根据所述操控触发条件对应的操控
规则，控制智能家居的工作状态。
本发明的有益效果为：通过设置图像分析装置和智能家居控制装置，根据室内智
能家居环境状态是否满足预先设定的操控触发条件的分析判断结果，对智能家居进行控
制，可见，即使该用户能够对至少一个智能家居设备进行操作，智能家居设备在安全状态下
也不会对用户造成威胁，从而保证用户的安全，从而解决了现有技术中存在的智能家居设
备的安全性较低的技术问题，实现了提高智能家居设备的安全性的技术效果。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限
制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得
其它的附图。
图1是本发明的结构框图；
图2是故障检测装置的结构框图。
附图标记：
人体红外感应器1、图像分析装置2、智能家居控制装置3、故障检测装置4、传感器
监测模块10、特征提取模块20、特征筛选模块30和故障检测模块40。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例提供了基于人体红外感应器的智能家居控制中心设备，所述智
能家居控制中心设备与N个智能家居设备连接，所述控制中心设备包括依次连接的人体红
外感应器1、图像分析装置2和智能家居控制装置3；所述图像分析装置2在人体红外传感
器·检测到人体时工作，图像分析装置2用于获取设置于室内的智能传感器监测到的室内
智能家居环境状态，并分析判断所述室内智能家居环境状态是否满足预先设定的操控触发
条件；所述智能家居控制装置3用于当所述室内智能家居环境状态满足所述操控触发条件
时，根据所述操控触发条件对应的操控规则，控制智能家居的工作状态。
优选的，所述人体红外感应器1包括红外感应部件，所述红外感应部件为感光原
件，所述感光原件内设有感光电路。
本发明上述实施例通过设置图像分析装置2和智能家居控制装置3，根据室内智能
家居环境状态是否满足预先设定的操控触发条件的分析判断结果，对智能家居进行控制，
可见，即使该用户能够对至少一个智能家居设备进行操作，智能家居设备在安全状态下也
不会对用户造成威胁，从而保证用户的安全，从而解决了现有技术中存在的智能家居设备
的安全性较低的技术问题，实现了提高智能家居设备的安全性的技术效果。
优选的，该基于人体红外感应器的智能家居控制中心设备还包括用于对智能家居
控制装置3进行实时故障检测的故障检测装置4。
本优选实施例设置故障检测装置4，能够确保智能家居控制装置3的控制功能，确
保对智能家居的实时控制，保障用户的安全。
优选的，所述故障检测装置4包括传感器监测模块10、特征提取模块20、特征筛选
模块30和故障检测模块40；所述传感器监测模块10用于通过多个传感器对智能家居控制装
置3中反映其工作状态的状态参数指标进行监测；所述特征提取模块20用于对多个传感器
监测到的信息进行滤波处理，消除噪声的干扰，再分别进行特征提取；所述特征筛选模块30
用于对提取的特征进行筛选，得出用于进行故障诊断的特征信息；所述故障检测模块40用
于根据筛选出的特征信息进行故障检测。
优选地，所述特征筛选模块30在筛选特征时，具体执行：
(1)确定特征信息中的特征变量的相对重要度，其中相对重要度指的是特征变量
对智能家居控制装置3的性能影响的重要程度，特征信息中第i个特征变量的相对重要度Qi
为：
式中，Q(Aj)为由第j个专家组根据历史经验确定的权重，F为专家组的个数，Q(B)
为采用主成分分析方法得到的客观权重，为权重调整因子，的值根据实际需要通过多次
试验进行调整且
(2)将所有特征变量，按照相对重要度从大到小的顺序进行顺序排序；
(3)筛选出前80％的特征变量，作为用于进行故障诊断的特征变量数据；将后20％
特征变量对应的相对重要度之和记为∑Q20，符合条件的所有特征变量的相对重要度之和记
为∑Q100，由此得到筛选优化系数：
式中F为专家组的个数。
本优选实施例对特征信息中的特征变量进行，节省了故障诊断对数据处理的时
间，提高了故障诊断的速度；设定的相对重要度计算公式，既能表现专家对各特征变量的重
视程度，又考虑了特征变量实际含义的情况，减少加权的主观随意性，且设置权重调整因
子，使得特征变量的相对重要度计算更贴近实际情况，使特征筛选更为精确，从而有利于保
障故障诊断精度，实现对智能家居控制装置3故障的精确诊断。
优选地，所述根据筛选出的特征信息进行故障检测，具体包括：
(1)计算各特征变量的度量距离：
式中，Rα为特征变量Xα到标准特征变量Yα的度量距离，其中Xα为监测采集的特征变
量数据中第α个特征变量，Yα为与Xα相对应的处于健康状态时的标准特征变量；
另外，MR(Xα,Yα)为特征变量Xα到标准特征变量Yα的马氏距离，OR(Xα,Yα)为特征变
量Xα到标准特征变量Yα的欧氏距离，是标准特征变量Yα的相关系数矩阵；W为特征筛选模
块30中得到的筛选优化系数；
(2)预先设定不同类型的故障聚类阈值，若Rα处于某种故障聚类阈值之内，则判断
为该种故障。
本优选实施例在进行各特征变量的度量距离计算时，采用了马氏距离和欧氏距离
相结合的方式，以兼顾特征变量的相关性和独立性，可有效提高故障诊断精度；
本优选实施例利用后20％较小相对重要度的特征变量拟合出筛选优化系数，对度
量距离的计算进行优化，在不增加过多计算量的情况下保证数据取用的完整性，进一步提
高了对智能家居控制装置3进行故障诊断的精确度。
优选地，在进行不同类型的故障聚类阈值的预先设定时，按下述方式进行执行：
(1)采集智能家居控制装置3在第β种故障状态下的足够数量的随机样本：
Y(β)1,Y(β)2,Y(β)3,…,Y(β)Ψ
其中，随机样本Y(β)δ表示一个特征变量Xδ的度量距离，δ＝1,2,…,Ψ；
(2)计算该样本集的标准差ρβ和期望值μβ；
(3)设定该智能家居控制装置3在第β种故障状态下的故障聚类阈值为
其中为期望值μβ的最大似然估计，为标准差ρβ的最大似然估计。
本优选实施例在进行不同类型的故障聚类阈值的预先设定时，数据基础来源于智
能家居控制装置3在第β种故障状态下的足够数量的随机样本，避免了主观因素的影响，相
比于通过专家经验确定的方式更为科学，可有效保证对智能家居控制装置3进行故障检测
的精度。
优选地，该故障检测模块40还设有高发深度故障报警机制，具体为：
记录计算得到的实际的度量距离Rα与第β种故障状态下的期望值μβ的实际差值ρ′，
假设故障种类数量为n，如果ρ′≤ρβ，则累计记录Rα进入该范围的次数N，当满足下列评判公
式时，则判断该种故障为高发深度故障，并向运行人员发出相应报警提示：
其中ρ′max和ρ′min分别为该种故障历史记录中的最大实际差值和最小实际差值。
本优选实施例能够根据与期望值的实际差值(即故障深度)，以及进入该故障深度
范围的次数进行故障报警，使得该故障检测装置4除了能够有效识别故障种类外，还能依据
历史数据提示故障的深度和频率，为对智能家居控制装置3的故障处理带来更科学的依据。
发明人采用本实施例进行了一系列测试，以下是进行测试得到的实验数据：
上述实验数据表明，本发明能够精确、快速地对智能家居控制装置3进行故障检
测，而且还在试验中没有发生任何故障，由此可见，本发明在应用于本发明的智能家居控制
中心设备的有关故障检测时产生了非常显著的有益效果。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保
护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应
当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实
质和范围。