CN106405007B - 气体传感器、颗粒物传感器的新校准方法 - Google Patents

气体传感器、颗粒物传感器的新校准方法 Download PDF

Info

Publication number
CN106405007B
CN106405007B CN201610762738.0A CN201610762738A CN106405007B CN 106405007 B CN106405007 B CN 106405007B CN 201610762738 A CN201610762738 A CN 201610762738A CN 106405007 B CN106405007 B CN 106405007B
Authority
CN
China
Prior art keywords
sensor
calibration
calibrating patterns
factor
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610762738.0A
Other languages
English (en)
Other versions
CN106405007A (zh
Inventor
张玲
李玉金
冯战榜
高胜利
程良
张克
宫兴虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEBEI SAILHERO ENVIRONMENTAL PROTECTION HI-TECH Co Ltd
Original Assignee
HEBEI SAILHERO ENVIRONMENTAL PROTECTION HI-TECH Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HEBEI SAILHERO ENVIRONMENTAL PROTECTION HI-TECH Co Ltd filed Critical HEBEI SAILHERO ENVIRONMENTAL PROTECTION HI-TECH Co Ltd
Priority to CN201610762738.0A priority Critical patent/CN106405007B/zh
Publication of CN106405007A publication Critical patent/CN106405007A/zh
Application granted granted Critical
Publication of CN106405007B publication Critical patent/CN106405007B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0006—Calibrating gas analysers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Physics & Mathematics (AREA)
  • Dispersion Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

本发明公开一种气体传感器、颗粒物传感器的新校准方法及系统，包括：获取到对传感器测量精度有影响的参数的交叉实验数据，将大量的不同参数的实验室数据输入建立的校准模型，得到不同传感器的线性、非线性校准参数。校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、风向、风速、大气压、干扰气体和传感器元件老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性。

Description

气体传感器、颗粒物传感器的新校准方法
技术领域
本发明涉及一种气体传感器、颗粒物传感器的新校准方法。
背景技术
当前的技术存在的气体传感器(SO2、NO2、CO、O3、VOC、NH3、HCHO、H2S)和颗粒物传感器(PM2.5、PM10)在长时间使用过程中受温度、湿度、其他气体或因素交叉干扰和传感器元件老化等引起检测结果漂移和检测限下降。
由于气体传感器和颗粒物传感器易受到温度、湿度和其他气体直接或间接导致检测结果发生严重的漂移，致使检测数据无效，此时传感器需要进行有效的校准。
发明内容
针对上述问题，本发明提供一种提高了传感器稳定性和检测结果有效性的气体传感器、颗粒物传感器的新校准方法。
本发明气体传感器、颗粒物传感器的新校准方法，包括：
建立传感器校准模型；
试验舱为校准模型提供校准数据，通过试验舱提供的标准校准数据确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小；
校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性。
进一步地，所述的建立传感器校准模型具体包括：根据传感器检测原理、大气环境化学知识，初步确定影响气体传感器和颗粒物传感器的检测精度的因素，通过实时测量获得的传感器检测参数和其影响因素的时间序列，输入人工神经网络或智能基因算法，获得各个影响因素的线性或非线性因子数值，即建立了校准模型。
进一步地，所述的校准模型针对不同参数采用通用人工智能大数据算法平台，具体步骤包括：获取各个传感器检测参数的影响因素的实时检测序列，将检测参数和其影响因素的实时监测结果，进行数据对齐、数据误差分析、污染源事件分析，去除无效数据，然后将其输入通过人工智能大数据算法平台，即可进行校准模型中未知因素的计算。
进一步地，根据不同的试验舱实验数据，形成的校准模型分为标物校准、组网校准、自适应校准和传递校准；
获取传感器和传感器影响因素的实时检测序列的方式，是通过试验舱获取的，根据实验舱不同的气体或颗粒物的实验数据，选择不同的校准模型，
如果在试验舱中获取各个影响因素是单一标准气体，此时采用的算法是线性算法，校准模型中是一对一的关系，即为标物校准；
如果获取各个影响因素是交叉标准气体，即几个影响因素的随机排列组合，此时采用的算法是非线性算法，校准模型是多对多的交叉关系，即为组网校准；
如果在实验舱中引入其他未知的影响因素，此时采多对多闭环反馈是神经网络算法，通过反复迭代，自适应计算各个影响因子的大小，即为自适用校准；
如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备，自动判断此类数据，针对不同参数启动不同算法，此即为传递校准。
有益效果
本发明气体传感器、颗粒物传感器的新校准方法与现有技术具备如下有益效果：
根据不同的试验舱实验数据，形成的校准模型可分为标物校准、组网校准、自适应校准和传递校准，校准模型体现了使微型站尽量脱离人类的经验指导(标物校准模型)，自动在海量标物和温/湿度气象环境数据中挖掘不同参数的响应曲线(即组网校准)，进而形成通用人工智能基于端对端的线性深度强化学习模型(即传递校准)，利用云校准平台的互联化、数据化和智能化自动帮助微型站能在不同的污染源区域中生成一套校准模型框架(即自适应校准)，从而校准模型能够胜任不同的检测环境。
附图说明
图1是本发明的校准模型示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
搭建了传感器试验舱，获取到对传感器有影响的参数的交叉实验数据，将大量的不同参数的实验室数据输入建立的校准模型，得到不同传感器的线性、非线性校准参数。校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性。校准模型示意图如图1所示。
本实施例气体传感器、颗粒物传感器的新校准方法，包括：
建立传感器校准模型；
试验舱为校准模型提供校准数据，通过试验舱提供的标准校准数据可以确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小。
校准模型可以理解为一个黑盒子，黑盒子里面的线性、非线性因子具体数值，是通过试验舱提供的标准数据确定的，确定了影响因子的大小，校准模型即为确定，此校准模型即可用于以后仪器的实时运行。校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性。
所述的建立传感器校准模型具体包括：根据传感器检测原理、大气环境化学知识，初步确定影响气体传感器和颗粒物传感器的检测精度的因素，通过实时测量获得的传感器检测参数和其影响因素的时间序列，输入人工神经网络或智能基因算法，获得各个影响因素的线性或非线性因子数值，即建立了校准模型。
所述的校准模型针对不同参数采用通用人工智能大数据算法平台，具体步骤包括：获取各个传感器检测参数的影响因素的实时检测序列，将检测参数和其影响因素的实时监测结果，进行数据对齐、数据误差分析、污染源事件分析，去除无效数据，然后将其输入通过人工智能大数据算法平台，即可进行校准模型中未知因素的计算。
根据不同的试验舱实验数据，形成的校准模型可分为标物校准、组网校准、自适应校准和传递校准，校准模型体现了使微型站尽量脱离人类的经验指导(标物校准模型)，自动在海量标物和温/湿度气象环境数据中挖掘不同参数的响应曲线(即组网校准)，进而形成通用人工智能基于端对端的线性深度强化学习模型(即传递校准)，利用云校准平台的互联化、数据化和智能化自动帮助微型站能在不同的污染源区域中生成一套校准模型框架(即自适应校准)，从而校准模型能够胜任不同的检测环境。
获取传感器和传感器影响因素的实时检测序列的方式，是通过试验舱获取的，实验舱的优点是可以控制传感器影响因素的个数，实时创造各种影响因素的组合方式，能够进行正交交叉实验，根据不同的实验舱实验数据，即实验数据的不同，如果在试验舱中获取各个影响因素是单一标准气体，此时平台算法是线性算法，校准模型中是一对一的关系，即为标物校准；如果获取各个影响因素是交叉标准气体，即几个影响因素的随机排列组合，此时平台算法是非线性算法，校准模型是多对多的交叉关系，即为组网校准；如果在实验舱中引入其他未知的影响因素，此时采多对多闭环反馈是神经网络算法，通过反复迭代，自适应计算各个影响因子的大小，即为自适用校准；如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备，平台自动判断此类数据，针对不同参数启动不同算法，此即为传递校准。
对本发明应当理解的是，以上所述的实施例，对本发明的目的、技术方案和有益效果进行了进一步详细的说明，以上仅为本发明的实施例而已，并不用于限定本发明，凡是在本发明的精神原则之内，所作出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (3)

1.一种气体传感器、颗粒物传感器的新校准方法，其特征在于，包括：
建立传感器校准模型；
试验舱为校准模型提供校准数据，通过试验舱提供的标准校准数据确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小；
校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性；
所述的校准模型针对不同参数采用通用人工智能大数据算法平台，具体步骤包括：获取各个传感器检测参数的影响因素的实时检测序列，将检测参数和其影响因素的实时监测结果，进行数据对齐、数据误差分析、污染源事件分析，去除无效数据，然后将其输入通过人工智能大数据算法平台，即可进行校准模型中未知因素的计算。
2.根据权利要求1所述的气体传感器、颗粒物传感器的新校准方法，其特征在于，所述的建立传感器校准模型具体包括：根据传感器检测原理、大气环境化学知识，初步确定影响气体传感器和颗粒物传感器的检测精度的因素，通过实时测量获得的传感器检测参数和其影响因素的时间序列，输入人工神经网络或智能基因算法，获得各个影响因素的线性或非线性因子数值，即建立了校准模型。
3.根据权利要求1所述的气体传感器、颗粒物传感器的新校准方法，其特征在于，根据不同的试验舱实验数据，形成的校准模型分为标物校准、组网校准、自适应校准和传递校准；
获取传感器和传感器影响因素的实时检测序列的方式，是通过试验舱获取的，根据不同的实验舱实验数据，即实验数据的不同，选择不同的校准模型，
如果在试验舱中获取各个影响因素是单一标准气体，此时采用的算法是线性算法，校准模型中是一对一的关系，即为标物校准；
如果获取各个影响因素是交叉标准气体，即几个影响因素的随机排列组合，此时采用的算法是非线性算法，校准模型是多对多的交叉关系，即为组网校准；
如果在实验舱中引入其他未知的影响因素，此时采多对多闭环反馈式神经网络算法，通过反复迭代，自适应计算各个影响因子的大小，即为自适用校准；
如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备，自动判断此类数据，针对不同参数启动不同算法，此即为传递校准。
CN201610762738.0A 2016-08-30 2016-08-30 气体传感器、颗粒物传感器的新校准方法 Active CN106405007B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610762738.0A CN106405007B (zh) 2016-08-30 2016-08-30 气体传感器、颗粒物传感器的新校准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610762738.0A CN106405007B (zh) 2016-08-30 2016-08-30 气体传感器、颗粒物传感器的新校准方法

Publications (2)

Publication Number Publication Date
CN106405007A CN106405007A (zh) 2017-02-15
CN106405007B true CN106405007B (zh) 2018-10-26

Family

ID=58002865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610762738.0A Active CN106405007B (zh) 2016-08-30 2016-08-30 气体传感器、颗粒物传感器的新校准方法

Country Status (1)

Country Link
CN (1) CN106405007B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021123443A1 (de) * 2019-12-20 2021-06-24 Robert Bosch Gmbh Verfahren und vorrichtung zum betreiben eines gassensors

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107389878B (zh) * 2017-08-31 2021-05-28 广东美的制冷设备有限公司 传感器的自校验方法、装置及计算机可读存储介质
CN107764951A (zh) * 2017-11-25 2018-03-06 广东先河科迪隆科技有限公司 工业园区环境空气质量监管系统
CN108152458A (zh) * 2017-12-26 2018-06-12 歌尔股份有限公司 气体检测方法及装置
FR3078105B1 (fr) * 2018-02-16 2022-10-14 Ifp Energies Now Systeme embarque de mesure des emissions polluantes d'un vehicule avec un capteur et un systeme informatique
CN108614071B (zh) * 2018-03-21 2020-02-07 中国科学院自动化研究所 分布式室外大气质量监测精度校正系统及参数更新方法
CN109631973B (zh) * 2018-11-30 2021-04-16 苏州数言信息技术有限公司 一种传感器的自动校准方法和系统
WO2020107445A1 (zh) * 2018-11-30 2020-06-04 苏州数言信息技术有限公司 一种传感器的自动校准方法和系统
CN111103403B (zh) * 2019-12-18 2022-06-03 北京蛙鸣华清环保科技有限公司 一种基于分布式网络的气体交叉干扰修正系统及方法
CN111176352A (zh) * 2019-12-30 2020-05-19 中国铁道科学研究院集团有限公司电子计算技术研究所 铁路智能客站内的环境监测系统及方法
CN111398377A (zh) * 2020-04-16 2020-07-10 北方工业大学 轨道交通车站气体环境监测系统及方法
CN111596006A (zh) * 2020-04-29 2020-08-28 北京雪迪龙科技股份有限公司 一种大气在线监测仪的校准方法及监测仪
CN111812181A (zh) * 2020-07-21 2020-10-23 艾感科技(广东)有限公司 一种气体传感器的远程校准方法及系统
CN112129893B (zh) * 2020-09-23 2022-09-13 烟台创为新能源科技股份有限公司 一种电池热失控监测系统的co传感器在线校准方法
CN112798738B (zh) * 2020-12-28 2023-06-13 汉威科技集团股份有限公司 基于传感器特性曲线的响应模型的构建方法及浓度补偿方法
EP4033243A1 (en) 2021-01-22 2022-07-27 Infineon Technologies AG Gas sensing device and method for determining a calibrated measurement value for a concentration of a target gas
CN113219130B (zh) * 2021-04-16 2022-08-02 中国农业大学 一种多参数气体传感器的校准方法及测试平台
EP4080202A1 (en) * 2021-04-21 2022-10-26 Infineon Technologies AG Gas sensing device and method for determining a calibrated measurement value of a concentration of a target gas
CN114527045A (zh) * 2022-02-17 2022-05-24 河南省奥瑞环保科技股份有限公司 一种闭环颗粒物监测仪校准控制系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1381721A (zh) * 2002-06-04 2002-11-27 复旦大学 便携式智能电子鼻及其制备方法
CN101949892A (zh) * 2010-08-20 2011-01-19 中国人民解放军第三军医大学第三附属医院 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法
CN103940453B (zh) * 2014-04-15 2016-08-17 东华大学 一种提高传感器测量精度方法
CN104820072B (zh) * 2015-04-30 2016-03-09 重庆大学 基于云计算的电子鼻空气质量监测系统的监测方法
CN107271704A (zh) * 2015-11-13 2017-10-20 大连民族大学 半导体气体传感器测试系统
CN105651939B (zh) * 2015-12-29 2017-11-07 重庆大学 电子鼻系统中基于凸集投影的浓度检测精度校正方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021123443A1 (de) * 2019-12-20 2021-06-24 Robert Bosch Gmbh Verfahren und vorrichtung zum betreiben eines gassensors

Also Published As

Publication number Publication date
CN106405007A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN106405007B (zh) 气体传感器、颗粒物传感器的新校准方法
Spinelle et al. Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2
CN106878375B (zh) 一种基于分布式组合传感器网络的座舱污染物监测方法
CN103983361B (zh) 在线式网络测温热像仪标定方法
EP3364151B1 (en) Precision calibration method for attitude measurement system
CN105651939B (zh) 电子鼻系统中基于凸集投影的浓度检测精度校正方法
CN113219130B (zh) 一种多参数气体传感器的校准方法及测试平台
CN1882854B (zh) 无线电探空仪的湿度测量结果的校正
CN109060023B (zh) 一种微型环境监测的数据质控方法及系统
CN109356652A (zh) 一种矿井下自适应的火灾分级预警方法及系统
CN111737912B (zh) 一种基于深度神经网络的mwhts模拟亮温计算方法
CN109709267B (zh) 一种基于电子鼻的烟叶醇化品质评价方法及系统
CN107807201A (zh) 气体传感器检测装置和检测方法
CN109030566B (zh) 一种实验室气体泄漏诊断装置及方法
UA125746C2 (uk) Пристрої для визначення та вимірювання концентрації іонів із корекцією за стандартним відхиленням
CN104236615A (zh) 一种智能传感器自校正方法
CN112611688A (zh) 一种大气监测设备的自动校准装置及方法
CN104950300A (zh) 一种基于视距与非视距判别的toa测距误差纠正方法及系统
Gallardo et al. Use of an electronic tongue based on all‐solid‐state potentiometric sensors for the quantitation of alkaline ions
CN105938133B (zh) 一种无线气体传感器在线校准方法及系统
KR100827647B1 (ko) 폐기물 매립지 관리 장치
CN111257374B (zh) 土壤含水率和含氮量监测方法、装置、设备及存储介质
US20180172488A1 (en) Method for determining a measurement uncertainty of a measured value of a field device
CN115436572B (zh) 一种基于循环神经网络的传感器校准方法及装置
WO2017082456A1 (ko) 풍향/풍속 측정 장치

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant