CN106647514A - 一种对水泥企业碳排放实时在线监测管理系统 - Google Patents

Abstract

本发明涉及一种对水泥企业碳排放实时在线监测管理系统，包括分别与温湿度传感器、气体流量传感器、压力传感器、二氧化碳浓度监测仪和一氧化碳浓度监测仪有线连接，用于对接收的数据进行分析和处理的单片机；与单片机有线连接，用于对运行数据进行保存的信息管理终端；与单片机有线连接，用于消除干扰讯号的滤波模块；与单片机通过数据采集分析模块有线连接，用于对监测的数据进行分析、处理和统计的数据处理模块；与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器。本发明利用多种传感器和多种监测仪对碳排放进行实时在线监测，监测数据精准，采集的数据不会出现混乱和遗漏的问题。

Description

一种对水泥企业碳排放实时在线监测管理系统

技术领域

本发明属于监控技术领域，尤其涉及一种对水泥企业碳排放实时在线监测管理系统。

背景技术

全球气候变暖问题作为人类迄今面临的最重大问题，其同时作为世界能源前景的关键，已经成为影响世界经济、政治的一个重要因素。

目前我国大部分水泥企业采用国际通用的碳排放量的排放因子法，而此类方法中的排放因子计算过程中，均以技术落后为由采用最大排放量假设，导致碳排放核查结果往往大于水泥企业的真实排放结果，造成直接或间接的经济损失。对于水泥企业中的碳排放大户，其碳排放的实时监测体系也处于技术落后的阶段，相关部门及核查机构对该类企业的碳排放实时流量缺乏有效的监控和监管手段。

我国在企业层面碳排放量化与核查方面的工作还不够深入细致，对于采集的数据大都采用简单的分析和处理，会产生大量重复或者无效的数据，造成额外负担，监测数据不精准，降低了整个系统的运行效率，导致经济的损失和环境的加剧破坏。

发明内容

本发明为解决现有的碳排放监控方式可能导致检测不精准、不能做出正确环保评估、分析处理数据简单化和造成经济损失的技术问题而提供一种对水泥企业碳排放实时在线监测管理系统。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：

本发明提供的对水泥企业碳排放实时在线监测管理系统，该对水泥企业碳排放实时在线监测管理系统包括：

用于对排放废气的湿度、温度进行采集的温湿度传感器；

用于对排放废气的流量进行检测的气体流量传感器；

用于对排放废气的静压进行检测的压力传感器；

气体流量传感器与压力传感器的空间配准方法包括：时间对准过程完成传感器数据之间在时间上的对准，流量传感器A、压力传感器B在本地直角坐标系下的量测数据分别为Y_A(t_i)和Y_B(t_i)，且流量传感器A的采样频率大于压力传感器B的采样频率，则由流量传感器A向压力传感器B的采样时刻进行配准，具体为：

采用内插外推的时间配准算法将流量传感器A的采样数据向压力传感器B的数据进行配准，使得两个传感器在空间配准时刻对同一个目标有同步的量测数据，内插外推时间配准算法如下：

在同一时间片内将各传感器观测数据按测量精度进行增量排序，然后将流量传感器A的观测数据分别向压力传感器B的时间点内插、外推，以形成一系列等间隔的目标观测数据，采用常用的三点抛物线插值法的进行内插外推时间配准算法得流量传感器A在t_Bk时刻在本地直角坐标系下的量测值为：

其中，t_Bk为配准时刻，t_k-1,t_k,t_k+1为流量传感器A距离配准时刻最近的三个采样时刻，Y_A(t_k-1),Y_A(t_k),Y_A(t_k+1)分别为其对应的对目标的探测数据；

完成时间配准后，根据流量传感器A的配准数据与压力传感器B的采样数据，采用基于地心地固(Earth Center Earth Fixed,ECEF)坐标系下的伪量测法实现流量传感器A和压力传感器B的系统误差的估计；基于ECEF的系统误差估计算法具体为：

假设k时刻目标在本地直角坐标系下真实位置为X'₁(k)＝[x'₁(k),y'₁(k),z'₁(k)]^T，极坐标系下对应的量测值为分别为距离、方位角、俯仰角；转换至本地直角坐标系下为X₁(k)＝[x₁(k),y₁(k),z₁(k)]^T；传感器系统偏差为分别为距离、方位角和俯仰角的系统误差；于是有

其中表示观测噪声,均值为零、方差为

式(1)可以用一阶近似展开并写成矩阵形式为：

X'₁(k)＝X₁(k)+C(k)[ξ(k)+n(k)]\*MERGEFORMAT(3)

其中，

设两部流量传感器A和B,则对于同一个公共目标(设地心地固坐标系下为X'_e＝[x'_e,y'_e,z'_e]^T)，可得

X'_e＝X_As+B_AX'_A1(k)＝X_Bs+B_BX'_B1(k)\*MERGEFORMAT(4)

B_A，B_B分别为目标在流量传感器A与压力传感器B本地坐标下的位置转换到ECEF坐标系下的位置时的转换矩阵；

定义伪量测为：

Z(k)＝X_Ae(k)-X_Be(k)\*MERGEFORMAT(5)

其中，X_Ae(k)＝X_As+B_AX_A1(k)；X_Be(k)＝X_Bs+B_BX_B1(k)

将式(2)、式(3)代入式(4)可以得到关于传感器偏差的伪测量方程

Z(k)＝H(k)β(k)+W(k)\*MERGEFORMAT(6)

其中，Z(k)为伪测量向量；H(k)为测量矩阵；β为传感器偏差向量；W(k)为测量噪声向量；由于n_A(k),n_B(k)为零均值、相互独立的高斯型随机变量,因此W(k)同样是零均值高斯型随机变量,其协方差矩阵为R(k)。

流量传感器A的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为流量传感器A对目标在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

其中，Y'_A(t_k-1)、Y'_A(t_k)、Y'_A(t_k+1)分别为流量传感器A在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

流量传感器A向压力传感器B进行配准的具体过程如下：

将式(7)、式(8)、式(9)带入式(1)，可得：

其中：为流量传感器A的本地直角坐标系下目标的真实位置在t_Bk时刻的时间配准值； 为系统误差造成的误差项；为随机噪声，假定t_k-1、t_k、t_k+1时刻的噪声互不相关的零均值白噪声，则为均值为零，协方差矩阵为R_A＝a²R_A(k-1)+b²R_A(k)+c²R_A(k+1)的白噪声，而a、b、c、分别为且a+b+c＝1；

用于对排放废气中二氧化碳的浓度进行检测的二氧化碳浓度监测仪；

用于对排放气体汇总一氧化碳的浓度进行检测的一氧化碳浓度监测仪；

分别与温湿度传感器、气体流量传感器、压力传感器、二氧化碳浓度监测仪和一氧化碳浓度监测仪有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

与单片机有线连接，用于对运行数据进行保存的信息管理终端；

与单片机有线连接，用于消除干扰讯号的滤波模块；

与单片机通过数据采集分析模块有线连接，用于对监测的数据进行进一步的分析、处理和统计的数据处理模块；

与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器；

所述电源模块与单片机有线连接，用于提供电源；

所述信息管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；

所述显示装置上安装有报警灯和指示灯，报警灯和指示灯分别与单片机有线连接。

进一步，所述显示器设置有作动器故障检测单元和识别单元：

作动器故障检测单元方法如下：

其中为估计的操纵面偏转，λ_i＞0；定义残差信号设计阈值则得到故障检测时间T_d当即表示为：

看出当时，表示无故障发生，反之，即有故障发生；

识别单元的方法如下：

观测器如下所示：

其中：γ^l为常数；当执行器未发生故障时，会出现u_i＝u_ci，这得到的当检测出发生故障，则启动识别单元，如果确认当前未发生故障，则识别单元不予工作，即默认

本发明具有的优点和积极效果是：该对水泥企业碳排放实时在线监测管理系统利用温湿度传感器、气体流量传感器、压力传感器、二氧化碳浓度监测仪和一氧化碳浓度监测仪对碳排放进行实时在线监测，利用滤波模块消除干扰讯号，监测数据精准，可快速的将数据进行采集，采集的数据通过单片机和数据采集分析模块分析之后，将被数据处理模块处理，不会出现混乱和遗漏的问题，利用GPRS网络将监测数据和分析处理后的数据存储到云服务器中，保证数据的安全存储。

附图说明

图1是本发明实施例提供的对水泥企业碳排放实时在线监测管理系统的原理框图；

图中：1、温湿度传感器；2、气体流量传感器；3、压力传感器；4、二氧化碳浓度监测仪；5、一氧化碳浓度监测仪；6、单片机；7、信息管理终端；8、滤波模块；9、数据采集分析模块；10、数据处理模块；11、云服务器；12、电源模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合图1对本发明的结构作详细的描述。

本发明实施例提供的对水泥企业碳排放实时在线监测管理系统包括：

用于对排放废气的湿度、温度进行采集的温湿度传感器1；

用于对排放废气的流量进行检测的气体流量传感器2；

用于对排放废气的静压进行检测的压力传感器3；

用于对排放废气中二氧化碳的浓度进行检测的二氧化碳浓度监测仪4；

用于对排放气体汇总一氧化碳的浓度进行检测的一氧化碳浓度监测仪5；

分别与温湿度传感器1、气体流量传感器2、压力传感器3、二氧化碳浓度监测仪4和一氧化碳浓度监测仪5有线连接，用于对接收的数据进行分析和处理的单片机6；

与单片机6有线连接，用于对运行数据进行保存的信息管理终端7；

与单片机6有线连接，用于消除干扰讯号的滤波模块8；

与单片机6通过数据采集分析模块9有线连接，用于对监测的数据进行进一步的分析、处理和统计的数据处理模块10；

与单片机6通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器11。

进一步，所述电源模块12与单片机6有线连接，用于提供电源。

进一步，所述信息管理终端7上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机6相连接。

进一步，所述显示装置上安装有报警灯和指示灯，报警灯和指示灯分别与单片机6有线连接。

气体流量传感器与压力传感器的空间配准方法包括：时间对准过程完成传感器数据之间在时间上的对准，流量传感器A、压力传感器B在本地直角坐标系下的量测数据分别为Y_A(t_i)和Y_B(t_i)，且流量传感器A的采样频率大于压力传感器B的采样频率，则由流量传感器A向压力传感器B的采样时刻进行配准，具体为：

采用内插外推的时间配准算法将流量传感器A的采样数据向压力传感器B的数据进行配准，使得两个传感器在空间配准时刻对同一个目标有同步的量测数据，内插外推时间配准算法如下：

在同一时间片内将各传感器观测数据按测量精度进行增量排序，然后将流量传感器A的观测数据分别向压力传感器B的时间点内插、外推，以形成一系列等间隔的目标观测数据，采用常用的三点抛物线插值法的进行内插外推时间配准算法得流量传感器A在t_Bk时刻在本地直角坐标系下的量测值为：

其中，t_Bk为配准时刻，t_k-1,t_k,t_k+1为流量传感器A距离配准时刻最近的三个采样时刻，Y_A(t_k-1),Y_A(t_k),Y_A(t_k+1)分别为其对应的对目标的探测数据；

完成时间配准后，根据流量传感器A的配准数据与压力传感器B的采样数据，采用基于地心地固(Earth Center Earth Fixed,ECEF)坐标系下的伪量测法实现流量传感器A和压力传感器B的系统误差的估计；基于ECEF的系统误差估计算法具体为：

假设k时刻目标在本地直角坐标系下真实位置为X'₁(k)＝[x'₁(k),y'₁(k),z'₁(k)]^T，极坐标系下对应的量测值为分别为距离、方位角、俯仰角；转换至本地直角坐标系下为X₁(k)＝[x₁(k),y₁(k),z₁(k)]^T；传感器系统偏差为分别为距离、方位角和俯仰角的系统误差；于是有

其中表示观测噪声,均值为零、方差为

式(1)可以用一阶近似展开并写成矩阵形式为：

X'₁(k)＝X₁(k)+C(k)[ξ(k)+n(k)]\*MERGEFORMAT(3)

其中，

设两部流量传感器A和B,则对于同一个公共目标(设地心地固坐标系下为X'_e＝[x'_e,y'_e,z'_e]^T)，可得

X'_e＝X_As+B_AX'_A1(k)＝X_Bs+B_BX'_B1(k)\*MERGEFORMAT(4)

B_A，B_B分别为目标在流量传感器A与压力传感器B本地坐标下的位置转换到ECEF坐标系下的位置时的转换矩阵；

定义伪量测为：

Z(k)＝X_Ae(k)-X_Be(k)\*MERGEFORMAT(5)

其中，X_Ae(k)＝X_As+B_AX_A1(k)；X_Be(k)＝X_Bs+B_BX_B1(k)

将式(2)、式(3)代入式(4)可以得到关于传感器偏差的伪测量方程

Z(k)＝H(k)β(k)+W(k)\*MERGEFORMAT(6)

其中，Z(k)为伪测量向量；H(k)为测量矩阵；β为传感器偏差向量；W(k)为测量噪声向量；由于n_A(k),n_B(k)为零均值、相互独立的高斯型随机变量,因此W(k)同样是零均值高斯型随机变量,其协方差矩阵为R(k)。

流量传感器A的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为流量传感器A对目标在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

其中，Y'_A(t_k-1)、Y'_A(t_k)、Y'_A(t_k+1)分别为流量传感器A在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

流量传感器A向压力传感器B进行配准的具体过程如下：

将式(7)、式(8)、式(9)带入式(1)，可得：

其中：为流量传感器A的本地直角坐标系下目标的真实位置在t_Bk时刻的时间配准值； 为系统误差造成的误差项；为随机噪声，假定t_k-1、t_k、t_k+1时刻的噪声互不相关的零均值白噪声，则为均值为零，协方差矩阵为R_A＝a²R_A(k-1)+b²R_A(k)+c²R_A(k+1)的白噪声，而a、b、c、分别为且a+b+c＝1；

所述单片机利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

进一步，所述显示器设置有作动器故障检测单元和识别单元：

作动器故障检测单元方法如下：

其中为估计的操纵面偏转，λ_i＞0；定义残差信号设计阈值则得到故障检测时间T_d当即表示为：

看出当时，表示无故障发生，反之，即有故障发生；

识别单元的方法如下：

观测器如下所示：

其中：γ^l为常数；当执行器未发生故障时，会出现u_i＝u_ci，这得到的当检测出发生故障，则启动识别单元，如果确认当前未发生故障，则识别单元不予工作，即默认

利用温湿度传感器1、气体流量传感器2、压力传感器3、二氧化碳浓度监测仪4和一氧化碳浓度监测仪5对碳排放进行实时在线监测，电源模块12为整个系统提供电源，利用滤波模块8消除干扰讯号，监测数据精准，可快速的将数据进行采集，采集的数据通过单片机6和数据采集分析模块9分析之后，将被数据处理模块10处理，不会出现混乱和遗漏的问题，利用GPRS网络将监测数据和分析处理后的数据存储到云服务器11中，保证数据的安全存储，另一方面监测数据和分析处理后的数据通过显示装置进行显示，同时通过打印装置进行打印保存。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (2)

1.一种对水泥企业碳排放实时在线监测管理系统，其特征在于，该对水泥企业碳排放实时在线监测管理系统包括：

用于对排放废气的湿度、温度进行采集的温湿度传感器；

用于对排放废气的流量进行检测的气体流量传感器；

用于对排放废气的静压进行检测的压力传感器；

气体流量传感器与压力传感器的空间配准方法包括：时间对准过程完成传感器数据之间在时间上的对准，流量传感器A、压力传感器B在本地直角坐标系下的量测数据分别为Y_A(t_i)和Y_B(t_i)，且流量传感器A的采样频率大于压力传感器B的采样频率，则由流量传感器A向压力传感器B的采样时刻进行配准，具体为：

采用内插外推的时间配准算法将流量传感器A的采样数据向压力传感器B的数据进行配准，使得两个传感器在空间配准时刻对同一个目标有同步的量测数据，内插外推时间配准算法如下：

在同一时间片内将各传感器观测数据按测量精度进行增量排序，然后将流量传感器A的观测数据分别向压力传感器B的时间点内插、外推，以形成一系列等间隔的目标观测数据，采用常用的三点抛物线插值法的进行内插外推时间配准算法得流量传感器A在t_Bk时刻在本地直角坐标系下的量测值为：

其中，t_Bk为配准时刻，t_k-1,t_k,t_k+1为流量传感器A距离配准时刻最近的三个采样时刻，Y_A(t_k-1),Y_A(t_k),Y_A(t_k+1)分别为其对应的对目标的探测数据；

完成时间配准后，根据流量传感器A的配准数据与压力传感器B的采样数据，采用基于地心地固(Earth Center Earth Fixed,ECEF)坐标系下的伪量测法实现流量传感器A和压力传感器B的系统误差的估计；基于ECEF的系统误差估计算法具体为：

假设k时刻目标在本地直角坐标系下真实位置为X'₁(k)＝[x'₁(k),y'₁(k),z'₁(k)]^T，极坐标系下对应的量测值为分别为距离、方位角、俯仰角；转换至本地直角坐标系下为X₁(k)＝[x₁(k),y₁(k),z₁(k)]^T；传感器系统偏差为分别为距离、方位角和俯仰角的系统误差；于是有

其中表示观测噪声,均值为零、方差为

式(1)可以用一阶近似展开并写成矩阵形式为：

X'₁(k)＝X₁(k)+C(k)[ξ(k)+n(k)]\*MERGEFORMAT (3)

其中，

设两部流量传感器A和B,则对于同一个公共目标(设地心地固坐标系下为X'_e＝[x'_e,y'_e,z'_e]^T)，可得

X'_e＝X_As+B_AX'_A1(k)＝X_Bs+B_BX'_B1(k)\*MERGEFORMAT(4)

B_A，B_B分别为目标在流量传感器A与压力传感器B本地坐标下的位置转换到ECEF坐标系下的位置时的转换矩阵；

定义伪量测为：

Z(k)＝X_Ae(k)-X_Be(k)\*MERGEFORMAT(5)

其中，X_Ae(k)＝X_As+B_AX_A1(k)；X_Be(k)＝X_Bs+B_BX_B1(k)

将式(2)、式(3)代入式(4)可以得到关于传感器偏差的伪测量方程

Z(k)＝H(k)β(k)+W(k)\*MERGEFORMAT(6)

其中，Z(k)为伪测量向量；H(k)为测量矩阵；β为传感器偏差向量；W(k)为测量噪声向量；由于n_A(k),n_B(k)为零均值、相互独立的高斯型随机变量,因此W(k)同样是零均值高斯型随机变量,其协方差矩阵为R(k)；

流量传感器A的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为流量传感器A对目标在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

$\begin{array}{c}{Y}_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{A-1}\right)+n_{Y_A\left(t_{k-1}\right)}\\ \backslash *MERGEFORMAT\end{array}---\left(7\right)$

$\begin{array}{c}{Y}_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}\\ \backslash *MERGEFORMAT\end{array}---\left(8\right)$

$\begin{array}{cc}{Y}_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}& \backslash *MERGEFORMAT\end{array}---\left(9\right)$

其中，Y'_A(t_k-1)、Y'_A(t_k)、Y'_A(t_k+1)分别为流量传感器A在t_k-1,t_k,t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)；

流量传感器A向压力传感器B进行配准的具体过程如下：

将式(7)、式(8)、式(9)带入式(1)，可得：

其中：为流量传感器A的本地直角坐标系下目标的真实位置在t_Bk时刻的时间配准值； 为系统误差造成的误差项；为随机噪声，假定t_k-1、t_k、t_k+1时刻的噪声互不相关的零均值白噪声，则为均值为零，协方差矩阵为R_A＝a²R_A(k-1)+b²R_A(k)+c²R_A(k+1)的白噪声，而a、b、c、分别为且a+b+c＝1；

用于对排放废气中二氧化碳的浓度进行检测的二氧化碳浓度监测仪；

用于对排放气体汇总一氧化碳的浓度进行检测的一氧化碳浓度监测仪；

分别与温湿度传感器、气体流量传感器、压力传感器、二氧化碳浓度监测仪和一氧化碳浓度监测仪有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

$\hat{N}=round\left(\frac{1}{p}\underset{p=0}{\overset{P-1}{\Σ}}{\hat{N}}_p\right);$

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

${\hat{a}}_n\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\Σ}}{b}_{n,p}^0& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h(l-1)}\·\underset{p={\stackrel{\‾}{p}}_h(l-1)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\Σ}}{b}_{n,p}^0& l>1,\end{array}\right.,n=1,2,\mathrm{...},\hat{N}$

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

${\hat{f}}_{c,n}\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\‾}{p}}_h\left(1\right)}\·\underset{p=1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(1\right)}{\Σ}}{f}_o^n\left(p\right)& l=1,\\ \frac{1}{{\stackrel{\‾}{p}}_h\left(l\right)-{\stackrel{\‾}{p}}_h(l-1)}\·\underset{p={\stackrel{\‾}{p}}_h(l-1)+1,p\≠p_h}{\overset{{\stackrel{\‾}{p}}_h\left(l\right)}{\Σ}}{f}_o^n\left(p\right)& l>1,\end{array}\right.,n=1,2,\mathrm{...},\hat{N};$

与单片机有线连接，用于对运行数据进行保存的信息管理终端；

与单片机有线连接，用于消除干扰讯号的滤波模块；

与单片机通过数据采集分析模块有线连接，用于对监测的数据进行进一步的分析、处理和统计的数据处理模块；

与单片机通过GPRS无线网络无线连接，用于进行数据传输与交换的云服务器；

所述电源模块与单片机有线连接，用于提供电源；

所述信息管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；

所述显示装置上安装有报警灯和指示灯，报警灯和指示灯分别与单片机有线连接。

2.如权利要求1所述的对水泥企业碳排放实时在线监测管理系统，其特征在于，所述显示器设置有作动器故障检测单元和识别单元：

作动器故障检测单元方法如下：

${\stackrel{\·}{u}}_i^o=-a_i(u_i-u_{ci})-{\mathrm{\λ}}_i(u_i^o-u_i),i=1,...,8;$

其中为估计的操纵面偏转，λ_i＞0；定义残差信号设计阈值则得到故障检测时间T_d当即表示为：

$T_d\stackrel{\mathrm{\Δ}}{=}inf\underset{i=1}{\overset{8}{\∪}}\{t>T_0:\left|u_i^e\right|>{\stackrel{\‾}{\mathrm{\ϵ}}}_i\};$

看出当时，表示无故障发生，反之，即有故障发生；

识别单元的方法如下：

观测器如下所示：

${\mathrm{\Ξ}}_i^S:\left\{\begin{array}{c}{\stackrel{\·}{u}}_i^s=-a_i{\widehat{\mathrm{\σ}}}_i(u_i-u_{ci})-{\mathrm{\λ}}_i^s(u_i^s-u_i)\\ {\widehat{\mathrm{\σ}}}_i=sign\left(a_i{\tilde{u}}_i^s\right(u_i-u_{ci}\left)\right)\end{array}\right.;$

${\mathrm{\Ξ}}_i^{LOE}:\left\{\begin{array}{c}{\stackrel{\·}{u}}_i^l=-a_i(u_i-{\hat{k}}_i{u}_{ci})-{\mathrm{\λ}}_i^l(u_i^l-u_i)\\ \stackrel{\·}{\hat{k}}={\mathrm{Proj}}_{\[o,1\]}\{-{\mathrm{\γ}}^l{a}_i{\tilde{u}}_i^l{u}_{ci}\}\end{array}\right.;$

其中：γ^l为常数；当执行器未发生故障时，会出现u_i＝u_ci，这得到的当检测出发生故障，则启动识别单元，如果确认当前未发生故障，则识别单元不予工作，即默认