目前机械通风系统(以过量送风为主)在人工环境领域(例如建筑和交通运输等领域)迅速发展,其能耗总量也呈现过度增长的趋势。面对日益严峻的通风能耗浪费问题,其根本原因为机械通风系统无法满足室内环境参数“非均匀、非定常”的动态变化需求。本研究旨在提出基于有限监测与降维线性模型的耦合预测模型,解决环境参数“超实时”预测等问题,构建通风在线监控系统,实现最优通风环境评估与控制。本研究所构建的通风在线监控系统有助于营造“健康、舒适、节能”的室内通风环境。本研究主要采用基于有限监测与降维线性模型的耦合预测模型,实现室内环境参数(例如污染物浓度和温度等)“超实时”预测。其中,降维线性模型包括降维线性通风模型和降维线性温度模型,可分别降低浓度场和温度场模拟成本。在上述耦合预测模型中,本研究也融合了两种较为先进的快速预测模型,即人工神经网络模型和室内环境贡献率指标,分别提升浓度场和温度场快速预测效率。通过结合降维线性模型和两种快速预测模型,本研究也首次提出基于降维线性通风模型的人工神经网络模型和基于降维线性温度模型的室内环境贡献率指标,进一步降低快速预测成本。本研究主要分为三个阶段展开。(1)耦合降维线性通风模型和人工神经网络模型的最优换气次数智能化控制研究。该阶段首先利用数值模拟方法和降维线性通风模型构建CO2浓度数据库,其次采用人工神经网络模型实现以通风模式、换气次数和污染源位置作为输入标量的CO2浓度场快速预测,最终结合评价指标Ev实现最优换气次数和通风模式调控。结果表明:降维线性通风模型和人工神经网络模型能够有效实现浓度场快速预测,最大误差分别为10%和2%;基于降维线性通风模型的人工神经网络模型最大预测误差为1%;最优评价结果可以有效降低CO2浓度和通风系统能耗,最高比例为30%和50%。(2)耦合降维线性温度模型和室内环境贡献率指标的最优送风温度智能化控制研究。该阶段首先利用数值模拟方法和降维线性温度模型构建温度数据库,其次采用室内环境贡献率指标实现以多热源强度(包括送风温度、热源体散热量和窗户表面温度)作为输入标量的温度场快速预测,最终结合评价指标ET实现最优送风温度调控。结果表明:降维线性温度模型和室内环境贡献率指标可以实现温度场快速预测,最大误差分别为8%和10%;基于降维线性温度模型的室内环境贡献率指标最大预测误差为10%;最优评价结果可以有效改善人员热舒适性且最高降低32%的空调系统能耗。(3)基于有限监测与降维线性通风模型耦合预测的通风在线监控系统可视化研究。该阶段首先利用数值模拟方法和降维线性通风模型构建CO2浓度数据库,其次耦合有限监测数据并采用耦合预测模型实现以监测数据作为输入标量的浓度场快速预测,最后结合评价指标Ev、无线通信技术和可视化装置构建通风在线监控系统。结果表明:耦合有限监测与降维线性通风模型的人工神经网络模型可以有效实现低维浓度场快速预测,误差小于10ppm;最优评价结果可以有效降低28%的CO2浓度和43.8%的通风能耗;通风在线监控系统具有精准控制效果和控制性能。