CN107688208A - 一种环境监测粉尘颗粒系统 - Google Patents
一种环境监测粉尘颗粒系统 Download PDFInfo
- Publication number
- CN107688208A CN107688208A CN201710807819.2A CN201710807819A CN107688208A CN 107688208 A CN107688208 A CN 107688208A CN 201710807819 A CN201710807819 A CN 201710807819A CN 107688208 A CN107688208 A CN 107688208A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- module
- node
- formula
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于粉尘监测技术领域，公开了一种环境监测粉尘颗粒系统，粉尘测量模块、温湿度检测模块、风速风向检测模块分别通过电路线连接监测数据采集模块；监测数据采集模块通过电路线连接监测数据处理模块；监测数据处理模块通过电路线分别连接无线通信模块和预警模块。本发明通过温湿度检测模块对粉尘的湿度和温度进行检测，由于湿度和温度可以影响粉尘流动速度，可以作为判断流动的速度参考数据；通过风速风向检测模块可以基本确定粉尘的动向，为实施防护措施提供依据；同时通过预警模块可以进行提前预测粉尘的危害程度进行报警，从而降低粉尘危害程度，提升防护措施实施速度，减少损失。
Description
技术领域
本发明属于粉尘监测技术领域，尤其涉及一种环境监测粉尘颗粒系统。
背景技术
颗粒污染物指空气中直径2.5微米以下的微小颗粒，主要来自发电厂、汽车废气以及烧木材的炉子等。由于这些颗粒可以渗透到人的肺部深处，美环保局认为，空气中颗粒污染物含量可能成为未来最重要的空气质量健康指标。悬浮在空气中的固体或液体颗粒物，(不论长期或短期)因对生物和人体健康会造成危害而称之为颗粒物污染。然而，现有的粉尘颗粒监测系统监测数据单一，缺乏影响粉尘动向数据的监测，不能更好获取粉尘流动速度及方向；同时现有的报警机制是危害发生后发出的报警，不能在危害发生前进行报警，导致防护措施迟缓，危害扩大。
综上所述，现有技术存在的问题是：现有的粉尘颗粒监测系统监测数据单一，缺乏影响粉尘动向数据的监测，不能更好获取粉尘流动速度及方向；同时现有的报警机制是危害发生后发出的报警，不能在危害发生前进行报警，导致防护措施迟缓，危害扩大。
发明内容
针对现有技术存在的问题，本发明提供了一种环境监测粉尘颗粒系统。
本发明是这样实现的，一种环境监测粉尘颗粒系统包括：
尘测量模块、温湿度检测模块、风速风向检测模块、监测数据采集模块、监测数据处理模块、无线通信模块、预警模块。
粉尘测量模块、温湿度检测模块、风速风向检测模块分别通过电路线连接监测数据采集模块；监测数据采集模块通过电路线连接监测数据处理模块；监测数据处理模块通过电路线分别连接无线通信模块和预警模块。
粉尘测量模块，与监测数据采集模块连接，用于通过部署的粉尘测量探头进行环境周边粉尘浓度的测量。
温湿度检测模块，与监测数据采集模块连接，用于通过安装的湿度检测仪和温度检测仪获取空气粉尘湿度和温度数据。
风速风向检测模块，与监测数据采集模块连接，用于通过安装的风速风向仪检测空气的风速及风向数据信息。
监测数据采集模块，与粉尘测量模块、温湿度检测模块、风速风向检测模块、监测数据处理模块连接，用于将粉尘测量模块、温湿度检测模块和风速风向检测模块获取的模拟量电信号转换为数字量信号，并发送给监测数据处理模块。
所述检测数据采集模块的信号处理方法包括：
步骤一，根据公式将训练序列与自身的循环移位结果按符号位进行共轭相关运算，得到相关函数M(m)，其中c(k)是对本地序列按符号位映射出的复数结果，c((k+m))N在k＝1,2,...N时表示对c(k)进行循环移位的结果；搜索出相关函数主峰值与副峰值比值最大情况下对应的频域序列，然后确定该频域序列对应的训练序列；
步骤二，由接收信号数据R(x)，根据公式r(x)＝sign(Re(R(x)))+j*sign(Im(R(x)))得到对接收信号实虚部按符号位映射出的结果r(x)，再由本地训练序列数据C(k)，利用公式c(k)＝sign(Re(C(k)))+j*sign(Im(C(k)))得到对训练序列数据实虚部按符号位映射出的结果c(k)，根据得到的r(x)和c(k)利用公式生成定时偏移估计函数，式中 N＝2*(NFFT+CP)代表相关窗和本地序列的长度，x代表滑动相关窗的起始位置；
步骤三，由步骤二得到的定时偏移估计函数F(x)，根据公式得到动态门限，其中G(m)表示m时刻动态门限的值，表示从m时刻开始计数的M个定时偏移估计函数值的平均值，mul表示一个常数；
监测数据处理模块，与监测数据采集模块、无线通信模块、预警模块连接，用于将监测数据采集模块采集的粉尘浓度、温度、湿度和风速风向数据通过无线通信模块无线方式发送给监控中心；
所述无线通信模块的链路稳定性和能量混合模型：
物联网拓扑结构看做一个无向图的网络模型G＝(V,E)，其中V表示一组节点，E表示一组连接节点的边集，P(u,v)＝{P0,P1,P2,L,Pn}是节点u和节点v之间所有可能路径的集合，Pi是节点u和v的可能路径，选择出节点u到节点v的最优路径，
链路稳定性和节点剩余能量的公式如下：
其中，Eis和Ei0为节点i的剩余能量和总能量，Eth为节点的能量阈值；
链路稳定性公式和节点剩余能量公式转化成一个总体的优化公式，该公式提供两个重要参数(w1和w2)，其表达式如式(4)所示：
其中w1和w2为节点能量和链路稳定值之间的设定的系数，w1+w2＝1；
取该目标总和的最大值，用下面公式(5)表示：
MRFact(Pi)＝max{RFact(P1),RFact(P2),L RFact(Pn)} (5)
节点在接收数据分组信息时，根据公式(1)和公式(2)分别计算出链路的稳定值和节点的剩余能量，然后利用公式(5)选取最优路径，来完成路由的选定；
所述无线通信模块的路由预判具体方法包括：
步骤一，首先判断接收RREQ的节点中是否存在到达目的节点的有效路由，若存在建立链路；
步骤二，根据公式(1)和公式(2)分别计算出接收RREQ节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值；
步骤三，判断接收节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值是否大于阈值，若小于阈值，则放弃该节点；
步骤四，若大于阈值，在发送RREQ节点中记录满足条件的节点及路径信息，并根据公式(4)选择最优节点转发RREQ包；
步骤五，返回到步骤一，继续执行，直到建立路由。
进一步，所述所述预警模块数据预测方法：
首先，预先设定不同的危险系数，然后制定不同的预测。
其次，通过构建贝叶斯网络，实现危险系数的预测，主要通过风速风向、温度、湿度元素构成当前环境影响因子，然后粉尘浓度和环境影响因子作为下一级的元素，影响危险系数。
然后，通过历史数据训练，得到该贝叶斯网络各个节点的条件概率表。
假设各检测元件状态为随机变量集合X＝{X1,X2,...,Xn}上的BN，Pa(Xi) 为节点Xi的父节点；条件概率表已知，即根节点的先验概率和各节点的条件概率P(Xi|Pa(Xi))已知，则对于任意的变量Xi，就可以通过下式来计算其处于状态Xi k的概率值：
最后，实时监测风速风向、温度、湿度、以及粉尘浓度，预测出此时的危险系数，从而可以使监测人员实时做出反应，采取措施。
本发明的优点及积极效果为：本发明通过温湿度检测模块对粉尘的湿度和温度进行检测，由于湿度和温度可以影响粉尘流动速度，可以作为判断流动的速度参考数据；通过风速风向检测模块可以基本确定粉尘的动向，为实施防护措施提供依据；同时通过预警模块可以进行提前预测粉尘的危害程度进行报警，从而降低粉尘危害程度，提升防护措施实施速度，减少损失。
附图说明
图1是本发明实施例提供的环境监测粉尘颗粒系统结构示意图；
图中：1、粉尘测量模块；2、温湿度检测模块；3、风速风向检测模块；4、监测数据采集模块；5、监测数据处理模块；6、无线通信模块；7、预警模块。
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。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例提供的环境监测粉尘颗粒系统包括：粉尘测量模块1、温湿度检测模块2、风速风向检测模块3、监测数据采集模块4、监测数据处理模块5、无线通信模块6、预警模块7。
粉尘测量模块1、温湿度检测模块2、风速风向检测模块3分别通过电路线连接监测数据采集模块4；监测数据采集模块4通过电路线连接监测数据处理模块5；监测数据处理模块5通过电路线分别连接无线通信模块6和预警模块7。
粉尘测量模块1，与监测数据采集模块4连接，用于通过部署的粉尘测量探头进行环境周边粉尘浓度的测量。
温湿度检测模块2，与监测数据采集模块4连接，用于通过安装的湿度检测仪和温度检测仪获取空气粉尘湿度和温度数据。
风速风向检测模块3，与监测数据采集模块4连接，用于通过安装的风速风向仪检测空气的风速及风向数据信息。
监测数据采集模块4，与粉尘测量模块1、温湿度检测模块2、风速风向检测模块3、监测数据处理模块5连接，用于将粉尘测量模块1、温湿度检测模块 2和风速风向检测模块3获取的模拟量电信号转换为数字量信号，并发送给监测数据处理模块5。
监测数据处理模块5，与监测数据采集模块4、无线通信模块6、预警模块 7连接，用于将监测数据采集模块4采集的粉尘浓度、温度、湿度和风速风向数据通过无线通信模块6无线方式发送给监控中心。
所述检测数据采集模块的信号处理方法包括：
步骤一，根据公式将训练序列与自身的循环移位结果按符号位进行共轭相关运算，得到相关函数M(m)，其中c(k)是对本地序列按符号位映射出的复数结果，c((k+m))N在k＝1,2,...N时表示对c(k)进行循环移位的结果；搜索出相关函数主峰值与副峰值比值最大情况下对应的频域序列，然后确定该频域序列对应的训练序列；
步骤二，由接收信号数据R(x)，根据公式r(x)＝sign(Re(R(x)))+j*sign(Im(R(x)))得到对接收信号实虚部按符号位映射出的结果r(x)，再由本地训练序列数据C(k)，利用公式c(k)＝sign(Re(C(k)))+j*sign(Im(C(k)))得到对训练序列数据实虚部按符号位映射出的结果c(k)，根据得到的r(x)和c(k)利用公式生成定时偏移估计函数，式中 N＝2*(NFFT+CP)代表相关窗和本地序列的长度，x代表滑动相关窗的起始位置；
步骤三，由步骤二得到的定时偏移估计函数F(x)，根据公式得到动态门限，其中G(m)表示m时刻动态门限的值，表示从m时刻开始计数的M个定时偏移估计函数值的平均值，mul表示一个常数。
所述无线通信模块的链路稳定性和能量混合模型：
物联网拓扑结构看做一个无向图的网络模型G＝(V,E)，其中V表示一组节点，E表示一组连接节点的边集，P(u,v)＝{P0,P1,P2,L,Pn}是节点u和节点v之间所有可能路径的集合，Pi是节点u和v的可能路径，选择出节点u到节点v的最优路径，
链路稳定性和节点剩余能量的公式如下：
其中，Eis和Ei0为节点i的剩余能量和总能量，Eth为节点的能量阈值；
链路稳定性公式和节点剩余能量公式转化成一个总体的优化公式，该公式提供两个重要参数(w1和w2)，其表达式如式(4)所示：
其中w1和w2为节点能量和链路稳定值之间的设定的系数，w1+w2＝1；
取该目标总和的最大值，用下面公式(5)表示：
MRFact(Pi)＝max{RFact(P1),RFact(P2),L RFact(Pn)} (5)
节点在接收数据分组信息时，根据公式(1)和公式(2)分别计算出链路的稳定值和节点的剩余能量，然后利用公式(5)选取最优路径，来完成路由的选定；
所述无线通信模块的路由预判具体方法包括：
步骤一，首先判断接收RREQ的节点中是否存在到达目的节点的有效路由，若存在建立链路；
步骤二，根据公式(1)和公式(2)分别计算出接收RREQ节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值；
步骤三，判断接收节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值是否大于阈值，若小于阈值，则放弃该节点；
步骤四，若大于阈值，在发送RREQ节点中记录满足条件的节点及路径信息，并根据公式(4)选择最优节点转发RREQ包；
步骤五，返回到步骤一，继续执行，直到建立路由。
预警模块7数据预测方法：
首先，预先设定不同的危险系数，然后制定不同的预测。
其次，通过构建贝叶斯网络，实现危险系数的预测，主要通过风速风向、温度、湿度元素构成当前环境影响因子，然后粉尘浓度和环境影响因子作为下一级的元素，影响危险系数。
然后，通过历史数据训练，得到该贝叶斯网络各个节点的条件概率表。
假设各检测元件状态为随机变量集合X＝{X1,X2,...,Xn}上的BN，Pa(Xi) 为节点Xi的父节点；条件概率表已知，即根节点的先验概率和各节点的条件概率P(Xi|Pa(Xi))已知，则对于任意的变量Xi，就可以通过下式来计算其处于状态Xi k的概率值：
最后，实时监测风速风向、温度、湿度、以及粉尘浓度，预测出此时的危险系数，从而可以使监测人员实时做出反应，采取措施。
本发明在监测环境粉尘过程中，粉尘测量模块1、温湿度检测模块2、风速风向检测模块3将检测的信息数据通过监测数据采集模块4转换为数字量信号，并发送给监测数据处理模块5；监测数据处理模块5将监测数据采集模块4采集的粉尘浓度、温度、湿度和风速风向数据通过无线通信模块6无线方式发送给监控中心。
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)
1.一种环境监测粉尘颗粒系统，其特征在于，所述环境监测粉尘颗粒系统包括：
粉尘测量模块，与监测数据采集模块连接，用于通过部署的粉尘测量探头进行环境周边粉尘浓度的测量；
温湿度检测模块，与监测数据采集模块连接，用于通过安装的湿度检测仪和温度检测仪获取空气粉尘湿度和温度数据；
风速风向检测模块，与监测数据采集模块连接，用于通过安装的风速风向仪检测空气的风速及风向数据信息；
监测数据采集模块，与粉尘测量模块、温湿度检测模块、风速风向检测模块、监测数据处理模块连接，用于将粉尘测量模块、温湿度检测模块和风速风向检测模块获取的模拟量电信号转换为数字量信号，并发送给监测数据处理模块；
所述检测数据采集模块的信号处理方法包括：
步骤一，根据公式将训练序列与自身的循环移位结果按符号位进行共轭相关运算，得到相关函数M(m)，其中c(k)是对本地序列按符号位映射出的复数结果，c((k+m))N在k＝1,2,...N时表示对c(k)进行循环移位的结果；搜索出相关函数主峰值与副峰值比值最大情况下对应的频域序列，然后确定该频域序列对应的训练序列；
步骤二，由接收信号数据R(x)，根据公式r(x)＝sign(Re(R(x)))+j*sign(Im(R(x)))得到对接收信号实虚部按符号位映射出的结果r(x)，再由本地训练序列数据C(k)，利用公式c(k)＝sign(Re(C(k)))+j*sign(Im(C(k)))得到对训练序列数据实虚部按符号位映射出的结果c(k)，根据得到的r(x)和c(k)利用公式生成定时偏移估计函数，式中N＝2*(NFFT+CP)代表相关窗和本地序列的长度，x代表滑动相关窗的起始位置；
步骤三，由步骤二得到的定时偏移估计函数F(x)，根据公式得到动态门限，其中G(m)表示m时刻动态门限的值，表示从m时刻开始计数的M个定时偏移估计函数值的平均值，mul表示一个常数；
监测数据处理模块，与监测数据采集模块、无线通信模块、预警模块连接，用于将监测数据采集模块采集的粉尘浓度、温度、湿度和风速风向数据通过无线通信模块无线方式发送给监控中心；
所述无线通信模块的链路稳定性和能量混合模型：
物联网拓扑结构看做一个无向图的网络模型G＝(V,E)，其中V表示一组节点，E表示一组连接节点的边集，P(u,v)＝{P0,P1,P2,L,Pn}是节点u和节点v之间所有可能路径的集合，Pi是节点u和v的可能路径，选择出节点u到节点v的最优路径，
链路稳定性和节点剩余能量的公式如下：
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>e</mi>
<mo>&Element;</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>L</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<munder>
<mo>&Pi;</mo>
<mrow>
<mi>e</mi>
<mo>&Element;</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>C</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>C</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
</msub>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mn>0</mn>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>E</mi>
<mrow>
<mi>t</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，Eis和Ei0为节点i的剩余能量和总能量，Eth为节点的能量阈值；
链路稳定性公式和节点剩余能量公式转化成一个总体的优化公式，该公式提供两个重要参数(w1和w2)，其表达式如式(4)所示：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>R</mi>
<mi>F</mi>
<mi>a</mi>
<mi>c</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<munder>
<mi>&Pi;</mi>
<mrow>
<mi>e</mi>
<mo>&Element;</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>L</mi>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>e</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<munder>
<mi>&Pi;</mi>
<mrow>
<mi>e</mi>
<mo>&Element;</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>C</mi>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中w1和w2为节点能量和链路稳定值之间的设定的系数，w1+w2＝1；
取该目标总和的最大值，用下面公式(5)表示：
MRFact(Pi)＝max{RFact(P1),RFact(P2),L RFact(Pn)} (5)
节点在接收数据分组信息时，根据公式(1)和公式(2)分别计算出链路的稳定值和节点的剩余能量，然后利用公式(5)选取最优路径，来完成路由的选定；
所述无线通信模块的路由预判具体方法包括：
步骤一，首先判断接收RREQ的节点中是否存在到达目的节点的有效路由，若存在建立链路；
步骤二，根据公式(1)和公式(2)分别计算出接收RREQ节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值；
步骤三，判断接收节点的剩余能量和接收RREQ节点和发送RREQ节点间的链路稳定值是否大于阈值，若小于阈值，则放弃该节点；
步骤四，若大于阈值，在发送RREQ节点中记录满足条件的节点及路径信息，并根据公式(4)选择最优节点转发RREQ包；
步骤五，返回到步骤一，继续执行，直到建立路由。
2.如权利要求1所述的环境监测粉尘颗粒系统，其特征在于，所述预警模块数据预测方法：
首先，预先设定不同的危险系数，然后制定不同的预测；
其次，通过构建贝叶斯网络，实现危险系数的预测，主要通过风速风向、温度、湿度元素构成当前环境影响因子，然后粉尘浓度和环境影响因子作为下一级的元素，影响危险系数；
然后，通过历史数据训练，得到该贝叶斯网络各个节点的条件概率表；
假设各检测元件状态为随机变量集合X＝{X1,X2,...,Xn}上的BN，Pa(Xi)为节点Xi的父节点；条件概率表已知，即根节点的先验概率和各节点的条件概率P(Xi|Pa(Xi))已知，则对于任意的变量Xi，就可以通过下式来计算其处于状态Xi k的概率值：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>X</mi>
<mo>\</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>P</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mi>P</mi>
<mi>a</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>P</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>|</mo>
<mrow>
<mi>P</mi>
<mi>a</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>P</mi>
<mo>(</mo>
<mi>P</mi>
<mi>a</mi>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
最后，实时监测风速风向、温度、湿度、以及粉尘浓度，预测出此时的危险系数，从而可以使监测人员实时做出反应，采取措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807819.2A CN107688208A (zh) | 2017-09-08 | 2017-09-08 | 一种环境监测粉尘颗粒系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807819.2A CN107688208A (zh) | 2017-09-08 | 2017-09-08 | 一种环境监测粉尘颗粒系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107688208A true CN107688208A (zh) | 2018-02-13 |
Family
ID=61156064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710807819.2A Pending CN107688208A (zh) | 2017-09-08 | 2017-09-08 | 一种环境监测粉尘颗粒系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107688208A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948105A (zh) * | 2020-08-06 | 2020-11-17 | 武汉钢铁有限公司 | 一种轧机粉尘检测系统及方法 |
| CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
| CN114167726A (zh) * | 2021-12-03 | 2022-03-11 | 哈尔滨理工大学 | 一种基于节能优化的火电厂粉尘实时监测系统及方法 |
| CN115876655A (zh) * | 2022-12-02 | 2023-03-31 | 中国矿业大学 | 一种受限空间涉爆粉尘全过程监测系统及方法 |
| CN116399773A (zh) * | 2023-06-08 | 2023-07-07 | 德州华恒环保科技有限公司 | 一种建筑施工环境粉尘监测系统 |
| CN116779056A (zh) * | 2023-08-24 | 2023-09-19 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103986648A (zh) * | 2014-05-06 | 2014-08-13 | 安徽理工大学 | 一种基于链路稳定性和能量感知物联网路由修复方法 |
| CN104125190A (zh) * | 2014-08-18 | 2014-10-29 | 西安电子科技大学 | 适于低信噪比信道环境的ofdm系统符号定时同步实现方法 |
| CN104345020A (zh) * | 2014-10-24 | 2015-02-11 | 海安能度软件科技有限公司 | 粉尘检测报警系统 |
| CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
| CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
| CN106326585A (zh) * | 2016-08-29 | 2017-01-11 | 东软集团股份有限公司 | 基于贝叶斯网络推理的预测分析方法以及装置 |
-
2017
- 2017-09-08 CN CN201710807819.2A patent/CN107688208A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103986648A (zh) * | 2014-05-06 | 2014-08-13 | 安徽理工大学 | 一种基于链路稳定性和能量感知物联网路由修复方法 |
| CN104125190A (zh) * | 2014-08-18 | 2014-10-29 | 西安电子科技大学 | 适于低信噪比信道环境的ofdm系统符号定时同步实现方法 |
| CN104345020A (zh) * | 2014-10-24 | 2015-02-11 | 海安能度软件科技有限公司 | 粉尘检测报警系统 |
| CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
| CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
| CN106326585A (zh) * | 2016-08-29 | 2017-01-11 | 东软集团股份有限公司 | 基于贝叶斯网络推理的预测分析方法以及装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948105A (zh) * | 2020-08-06 | 2020-11-17 | 武汉钢铁有限公司 | 一种轧机粉尘检测系统及方法 |
| CN111948105B (zh) * | 2020-08-06 | 2023-07-14 | 武汉钢铁有限公司 | 一种轧机粉尘检测系统及方法 |
| CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
| CN114167726A (zh) * | 2021-12-03 | 2022-03-11 | 哈尔滨理工大学 | 一种基于节能优化的火电厂粉尘实时监测系统及方法 |
| CN115876655A (zh) * | 2022-12-02 | 2023-03-31 | 中国矿业大学 | 一种受限空间涉爆粉尘全过程监测系统及方法 |
| CN115876655B (zh) * | 2022-12-02 | 2023-06-16 | 中国矿业大学 | 一种受限空间涉爆粉尘全过程监测系统及方法 |
| CN116399773A (zh) * | 2023-06-08 | 2023-07-07 | 德州华恒环保科技有限公司 | 一种建筑施工环境粉尘监测系统 |
| CN116399773B (zh) * | 2023-06-08 | 2023-08-18 | 德州华恒环保科技有限公司 | 一种建筑施工环境粉尘监测系统 |
| CN116779056A (zh) * | 2023-08-24 | 2023-09-19 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
| CN116779056B (zh) * | 2023-08-24 | 2023-10-20 | 石家庄兆荣科技有限公司 | 一种多态融合评估环境质量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688208A (zh) | 一种环境监测粉尘颗粒系统 | |
| CN108429766B (zh) | 基于大数据和wsn技术的网络安全态势分析预警系统 | |
| CN101561081B (zh) | 应用自主导航机器人对油气管道泄漏的检测定位方法 | |
| CN100553204C (zh) | 进行网络诊断的签名匹配方法和装置 | |
| CN101938711B (zh) | 用于垃圾消息检测的方法和设备 | |
| CN104048749A (zh) | 一种风电机组振动故障检测系统及方法 | |
| Khan et al. | Greedy path planning for maximizing value of information in underwater sensor networks | |
| Dong et al. | Spatio-temporal soil moisture measurement with wireless underground sensor networks | |
| CN105513255A (zh) | 一种基于物联网的火灾监测设备 | |
| Panichpapiboon et al. | Evaluation of a neighbor-based vehicle density estimation scheme | |
| Abdelgawad et al. | Remote measuring for sand in pipelines using wireless sensor network | |
| CN106102114A (zh) | 飞行器状态监测无线传感网络构建方法 | |
| CN117406137B (zh) | 一种输电线路雷电泄电流监测方法及系统 | |
| CN107644474A (zh) | 一种用于智能电网的电力巡检系统 | |
| CN102075383A (zh) | 一种基于神经网络的低幅值网络流量异常检测方法 | |
| Abid et al. | Centralized KNN anomaly detector for WSN | |
| CN105914877A (zh) | 一种电力系统终端运行远程智能监控装置 | |
| CN117330255A (zh) | 一种基于超声波检测装置和无人机的燃气检测系统 | |
| CN102843276A (zh) | 一种分布式部署的网络时延采集方法 | |
| Sundaram et al. | Pursuit on a graph under partial information from sensors | |
| Sutaone et al. | Trust-based cluster head validation and outlier detection technique for mobile wireless sensor networks | |
| CN206773920U (zh) | 一种恶劣天气路况自动预警系统的传感电路 | |
| Boudabous et al. | Traffic analysis based on bluetooth passive scanning | |
| Ahmed et al. | Real-time monitoring of partially stable slopes for Landslide prediction by using Wireless Sensor Networks | |
| CN104809205A (zh) | 一种在线河网时空异常事件检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180213 |
|
| RJ01 | Rejection of invention patent application after publication |