项目简介

本项目借助Arduino微控制器和TensorFlow Lite机器学习模型，对室内环境的热舒适度进行预测，并通过Web界面实时展示预测结果。系统先通过Python脚本生成数据集并训练模型，之后将模型部署到Arduino设备，结合Web界面实现蓝牙通信与数据呈现，适用于家庭和办公环境，可助力用户智能调控空调温度，降低能源消耗。

项目的主要特性和功能

1. 数据生成与模型训练：运用Python脚本生成热舒适度数据集，借助TensorFlow完成模型训练。
2. 模型转换与部署：把训练好的模型转换为TensorFlow Lite格式，部署到Arduino Nano 33 BLE Sense或ESP32设备。
3. 实时监测与显示：利用Arduino设备实时采集温湿度数据，计算舒适度并通过Web界面展示。
4. 多设备支持：支持Arduino Nano 33 BLE Sense和ESP32设备，兼容i2c显示屏和DHT22温湿度传感器。
5. Web界面交互：提供基于HTML的Web界面，支持蓝牙连接与数据实时更新。

安装使用步骤

1. Python环境准备

• 安装Python 3及以上版本，同时安装TensorFlow、pandas、pythermalcomfort依赖库。
• 运行generate_thermal_comfort_data.py生成数据集，按需调整metValue和clothesValue参数。
• 运行generate_thermal_comfort_model.py生成TensorFlow模型并保存。
• 运行convert_to_tflite.py将模型转换为TensorFlow Lite格式。
• 使用convert_model.sh脚本将TFLite模型转换为Arduino可用的C++文件。

2. Arduino环境准备

• 安装Arduino IDE，添加ArduinoBLE、Arduino_HTS221、EloquentTinyML库。
• 打开Arduino项目文件，导入生成的模型文件（如model.h）。
• 根据季节设置CURRENT_MODEL_TYPE参数为SUMMER或WINTER。
• 连接Arduino设备，选择正确端口并上传代码。

3. Web界面使用

• 打开web文件夹中的index.html文件，使用支持BLE的浏览器（如Chrome）访问。
• 点击“Connect”按钮，搜索并配对Arduino设备。
• 配对成功后，Web界面实时显示温湿度及舒适度数据。

4. ESP32设备使用（可选）

• 连接ESP32、i2c显示屏和DHT22温湿度传感器，参考引脚配置图。
• 打开ESP32项目文件，上传代码并运行。

注意事项

• 确保所有依赖库正确安装，按需调整参数。
• 项目模型精度损失约2 - 3%，适用于一般场景，可按需优化。
• 本项目为开源项目，欢迎贡献改进。

下载地址

点击下载 【提取码: 4003】