CN108254495A - 一种隧道机动车污染物监测方法及系统 - Google Patents
一种隧道机动车污染物监测方法及系统 Download PDFInfo
- Publication number
- CN108254495A CN108254495A CN201711330708.3A CN201711330708A CN108254495A CN 108254495 A CN108254495 A CN 108254495A CN 201711330708 A CN201711330708 A CN 201711330708A CN 108254495 A CN108254495 A CN 108254495A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- data
- vehicle
- pollutant
- sensor
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 134
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 124
- 238000012544 monitoring process Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 34
- 238000009423 ventilation Methods 0.000 claims description 29
- 238000013500 data storage Methods 0.000 claims description 25
- 239000000356 contaminant Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000011109 contamination Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N Nitrogen dioxide Chemical compound O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 34
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 30
- 239000007789 gas Substances 0.000 description 24
- 239000012855 volatile organic compound Substances 0.000 description 21
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 17
- 229910002092 carbon dioxide Inorganic materials 0.000 description 15
- 229910002091 carbon monoxide Inorganic materials 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 238000010998 test method Methods 0.000 description 10
- 239000013618 particulate matter Substances 0.000 description 8
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明提供一种隧道机动车污染物监测方法及系统，预先设置多种车型的实时排放因子算法；在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；通过一环境及交通大数据接口获取并存储监测时间内隧道内的车辆平均车速以及各类型车辆的数量，且通过环境及交通大数据接口获取并存储监测时间内隧道预设范围内的大气环境校准数据；利用实时排放因子算法对污染物浓度数据、环境数据、各类型车辆的数量、平均车速以及大气环境校准数据进行计算，以获得并存储各车型的排放因子。本发明可以利用较低的人力成本，且高效、准确的获得隧道内各车型的排放因子。
Description
技术领域
本发明涉及污染监测领域，特别是涉及一种隧道机动车污染物监测方法及系统。
背景技术
城市在用车排放因子的测定和更新是城市大气污染防治以及在用机动车尾气治理的重要依据，也是城市污染源排放清单技术、大气污染物模式计算等大气化学研究工作的基本要素。目前城市在用车排放因子的测定主要有两类，直接尾气测试法和间接尾气测试法。
直接尾气测试法即直接测量实车尾气的各项污染物浓度和发动机排气流量等信息以最终得到某一车型不同情况下的排放因子。直接尾气测试法还可以分为实验室整车转鼓排放测试法和实际道路整车排放测试法。间接尾气测试法即通过布置在路边、隧道和高架等车流密集的地方安装各类气体、颗粒物测量设备，最终基于一定的假设获得各类车型的排放因子。间接尾气测试法主要有遥感测试法和隧道测试法。
首先，包括转鼓法和道路法的直接尾气测试方法的优点在于可以精确地获得车辆实时的排放水平，其缺点主要是获得排放因子费时费力、效率低和代表性差。虽然直接尾气测试法是目前获得机动排放因子的最主要手段，但是无法满足我国车辆结构、排放水平不断变化导致的在用机动车排放因子变化。最终误导城市大气污染防治和在同机动车尾气治理政策的制定，也会误导污染源排放清单编制和模式计算的结果。
其次，虽然间接尾气测试法解决了转鼓法、道理测试法等方法样本量小、效率低和样本代表性差等问题。但是由于这些方法还处于起步阶段，存在很多亟待解决的问题。以隧道法为例目前开展的研究存在如下问题：参与研究的测试设备昂贵经常需要进行维护，开展的研究工作持续时间短(不超过1周)，项目不能固定地业务化地开展下去；由于缺乏高精度的实时车辆信息和道路信息数据导致数据结果时间分辨率低。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种隧道机动车污染物监测方法及系统，用于解决现有技术中隧道机动车污染物监测人工成本高、效率低以及监测结果不准确等的问题。
为实现上述目的及其他相关目的，本发明提供一种隧道机动车污染物监测方法，所述方法包括：预先设置多种车型的实时排放因子算法；在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。
于本发明一具体实施例中，通过无线通讯网络获取所述微型污染物传感器检测的污染物浓度数据，以及通过无线通讯网络获取所述气象参数传感器检测的环境数据。
于本发明一具体实施例中，还包括以下步骤：接收电子终端的远程访问，以供所述电子终端获取以下数据中的一种或多种：所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速、所述大气环境校准数据以及各所述车型的排放因子。
于本发明一具体实施例中，根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
于本发明一具体实施例中，至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器。
于本发明一具体实施例中，根据所述大气环境校准数据对所述微型污染物传感器检测的污染物浓度数据进行校准。
为实现上述目的及其他相关目的，本发明还提供一种隧道机动车污染物监测系统，所述系统包括微型污染物传感器、气象参数传感器、数据存储及处理服务器，所述数据存储及处理服务器具有以下模块：预设模块，用以预先设置多种车型的实时排放因子算法；第一数据获取模块，用以在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；第二数据获取模块，用以通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；计算模块，利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。
于本发明一具体实施例中，所述微型污染物传感器以及所述气象参数传感器均通过各自匹配的无线通讯模块与所述数据存储及处理服务器进行无线通讯。
于本发明一具体实施例中，所述数据存储及处理服务器还用以接收电子终端的远程访问，以供所述电子终端获取以下数据中的一种或多种：所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速、所述大气环境校准数据以及各所述车型的排放因子。
于本发明一具体实施例中，所述计算模块根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
于本发明一具体实施例中，至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器。
于本发明一具体实施例中，所述数据存储及处理服务器还包括校准模块，用以根据所述大气环境校准数据对所述微型污染物传感器检测的污染物浓度数据进行校准。
如上所述，本发明的隧道机动车污染物监测方法及系统，预先设置多种车型的实时排放因子算法；在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。本发明可以利用较低的人力成本，且高效、准确的获得隧道内各车型的排放因子。
附图说明
图1显示为本发明的隧道机动车污染物监测方法在一具体实施例中的流程示意图。
图2显示为本发明的隧道机动车污染物监测系统在一具体实施例中的组成示意图。
图3显示为一具体实施例中应用本发明的隧道机动车污染物监测系统的隧道结构示意图.
图4显示为本发明一具体实施例中隧道机动车污染物监测系统组成示意图。
图5显示为本发明一具体实施例中隧道用微型传感器在隧道内的布置示意图。
图6显示为本发明一具体实施例中气象参数传感器在隧道内的布置示意图。
图7显示为本发明一具体实施例中隧道机动车污染物监测方法流程示意图。
元件标号说明
2 隧道机动车污染物监测系统
21 微型污染物传感器
22 气象参数传感器
23 数据存储及处理服务器
231 预设模块
232 第一数据获取模块
233 第二数据获取模块
234 计算模块
31 进口处
311 微型污染物传感器
32 出口处
321 微型污染物传感器
33 通风井
331 气象参数传感
34 通风井
341 气象参数传感
35 隧道风机
36 数据存储处理服务器
37 环境及交通大数据接口
38 访问终端
39 无线通讯模块
51 抽气泵
52 过滤器
53 远程通信模块
54 微型电脑
55 外部存储器
56 电源
57 天线
58 微型气象参数传感器
61 气象参数传感器
62 微型电脑
63 远程通信模块
64 外部存储器
65 电源
66 天线
S1～S4 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
鉴于现有技术中，隧道汽车污染监测的多种缺点，提出了本发明的隧道机动车污染物监测方法及系统，本发明的第一个目的是：建立基于微型污染物传感器的隧道机动车污染物监测系统。为了能够克服目前非直接尾气测试法维护成本高、系统可靠性差、数据分辨率低和无法开展业务化测试等问题，本发明在传统隧道测试法的基础上结合微型气体、颗粒物传感器和无线通讯技术、交通环境大数据技术搭建了可以获得隧道实时机动车污染状况和各类车型排放因子的监测系统本发明的第二个目的是：建立基于微型污染物传感器的隧道机动车污染物排放因子获得流程和算法。
现有技术中，隧道汽车污染监测通常都是基于昂贵环境监测设备，需要大量人力、物力的投入，且因为以上限制，现有技术中，通常只能进行短周期的试验研究；而本专利是基于微型电化学、光学传感器进行测量的，成本低，人力投入少，可实现长时间的无人、远程、自动地工作。具体的，请参阅以下的描述。
请参阅图1，显示为本发明的隧道机动车污染物监测方法在一具体实施例中的流程示意图。所述隧道机动车污染物监测方法，包括以下步骤：
步骤S1：预先设置多种车型的实时排放因子算法；
步骤S2：在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；于实际应用中，至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器。
步骤S3：通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；
步骤S4：利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。其中，所述步骤S2和所述步骤S3的实现顺寻不以本实施例的为限制，在实际应用中，也可以先执行步骤S3，再执行步骤S2。具体的，根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
进一步的，本发明通过无线通讯网络获取所述微型污染物传感器检测的污染物浓度数据，以及通过无线通讯网络获取所述气象参数传感器检测的环境数据。
本发明优选的还包括一校准步骤，具体为根据所述大气环境校准数据对所述微型污染物传感器检测的污染物浓度数据进行校准。
请参阅图2，显示为本发明的隧道机动车污染物监测系统在一具体实施例中的组成示意图。所述隧道机动车污染物监测系统2包括：微型污染物传感器21、气象参数传感器22、数据存储及处理服务器23，所述数据存储及处理服务器23具有以下模块：预设模块231、第一数据获取模块232、第二数据获取模块233以及计算模块234。
所述预设模块231用以预先设置多种车型的实时排放因子算法；
所述第一数据获取模块232用以在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器21；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器22。
所述第二数据获取模块233用以通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；
所述计算模块234利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。优选的，所述计算模块234根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
优选的，所述微型污染物传感器21以及所述气象参数传感器22均通过各自匹配的无线通讯模块与所述数据存储及处理服务器23进行无线通讯。
进一步的，所述数据存储及处理服务器23还用以接收电子终端的远程访问，以供所述电子终端获取以下数据中的一种或多种：所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速、所述大气环境校准数据以及各所述车型的排放因子。于具体应用中，所述电子终端例如为智能手机、平板电脑以及其他具有智能数据处理功能的终端。
进一步的，所述数据存储及处理服务器23还包括校准模块，用以根据所述大气环境校准数据对所述微型污染物传感器21检测的污染物浓度数据进行校准。
具体的，具有远程通讯功能的多个隧道用微型污染物传感器和隧道通风井处的多个气象参数传感器22(包括风速传感器、温度传感器和湿度传感器)将隧道系统内的实时CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10数据和温度、湿度和风速、风向等大气环境参数通过无线通讯模块发送至无线通讯网络，最后通过互联网将上述数据发送至实时数据存储及处理服务器23。内置有各类车型数据、实时排放因子算法的数据存储及处理服务器23，根据隧道数据和环境及交通大数据接口数据计算出所有类型车辆的排放因子和长期的排放规律变化。最终互联网终端可以访问原始数据和处理后实时和历史的各车型排放因子数据。
对所述排放因子的计算具体包括：根据空气质量平衡法，一定时间段内所有车辆排放的某种污染物的总和等于进出隧道口所有被污染空气中某种污染物的总和。建立分别对CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10建立方程组，并基于偏最小二乘法PLS解算各类车型的排放因子。方程组由30组以上多元线性方程构成的，每一个线性方程在是某时间段内的车辆类型排放因子和数量以及隧道进出口污染物浓度差值基于物料平衡建立的。方程组内的每一个多元线性方程在时间序列上是连续发生的。
以下结合图3～图7，再对本发明的隧道机动车污染物监测方法及系统做具体的解释说明，具体为：
请参阅图3，显示为一具体实施例中应用本发明的隧道机动车污染物监测系统的隧道结构示意图。如图3所示，车辆从左至右沿图中箭头所示方向进入隧道，隧道内放置两组具有远程通讯功能的隧道用微型传感器组，分别为进口处31的隧道用微型污染物传感器311和出口处32的隧道用微型污染物传感器321。隧道具有两个通风井，分别为通风井33和通风井34，通风井33放置一组具有远程通讯功能的气象参数传感331，通风井34放置一组具有远程通讯功能的气象参数传感341，测量隧道进出口两个区域的各污染物浓度差和整个隧道系统(隧道、隧道通风井等)内的空气流动情况，后期通过计算可以得出隧道内一段时间内不同类型机动车的排放因子。需要指出的是，隧道内具有隧道风机35，隧道风机35周围的气体流动速度较快，若传感器距离较近，所检测的空气体积就会比正常情况下增大，从而造成实验的误差。为了排除隧道风机35对微型污染物传感器的影响，微型污染物传感器311和微型污染物传感器321与隧道风机35之间需要存在一定距离，距离由现场试验决定；同时，若传感器距离地面太近，机动车排放的尾气直接作用于传感器，影响传感器的检测结果。为了排除机动车尾气直接作用于微型污染物传感器311和微型污染物传感器321，微型污染物传感器311和微型污染物传感器321均需与底部机动车之间的需要存在一定距离，距离由现场试验决定。
请参阅图4，显示为本发明一具体实施例中隧道机动车污染物监测系统组成示意图。图4涉及的隧道机动车污染物监测系统40应该包含但不限于如下组成部分：(1)位于隧道系统的具有远程通讯功能的隧道用微型污染物传感器，分别包括位于隧道的进口处31的微型污染物传感器311和位于隧道的出口处32的微型污染物传感器321；(2)位于隧道系统内的通风井处的具有远程通讯功能的气象参数传感器，优选的，该隧道系统具有两个通风井，分别为通风井33和通风井34，通风井33放置一组具有远程通讯功能的气象参数传感331，通风井34放置一组具有远程通讯功能的气象参数传感341，所述气象参数传感器331和所述气象参数传感器341均包括风速风向传感器和温湿度传感器；(3)内置有各类车型数据实时排放因子算法的数据存储处理服务器36；(4)环境及交通大数据接口37；(5)互联网；(6)访问终端38。所述访问终端38例如为智能手机、台式电脑、平板电脑等。具有远程通讯功能的隧道用的微型污染物传感器和气象参数传感器将隧道系统内的实时CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10数据和温度、湿度和风速、风向等大气参数通过各自匹配的无线通讯模块39发送至无线通讯网络，最后通过互联网将上述数据发送至实时数据存储处理服务器36。内置有各类车型数据实时排放因子算法的数据存储处理服务器36根据隧道数据和环境及交通大数据接口数据计算出所有类型车辆的排放因子和长期的排放规律变化。最终访问终端38可以访问原始数据和处理后的各车型排放因子数据。于具体应用中，所述访问终端38例如为智能手机、台式电脑、平板电脑以及其他具有智能数据处理功能的终端。各传感器通过各自的无线通讯模块39将传感器的数据传送至无线通讯网络当中。
请参阅图5，显示为本发明的具有远程通讯功能的隧道用微型传感器位于隧道系统的布置示意图。
如图5，隧道内放置两组具有远程通讯功能的隧道用微型传感器组，分别为进口处31的隧道用微型污染物传感器311和出口处32的隧道用微型污染物传感器321。所述微型污染物传感器311和微型污染物传感器321位于隧道夹层中，本实施例中，所述微型污染物传感器311和微型污染物传感器321均分别包括：PM2.5、PM10传感器和CO、CO2、NO、NO2、SO2、VOCs等气态污染物传感器。隧道用微型污染物传感器采样探头设置在隧道内，隧道用微型污染物传感器的箱体设在隧道夹层内。通过抽气泵51将隧道内污染物抽入系统，进入系统后气体分为两路。一路不经过过滤直接进入PM2.5、PM10传感器。一路经过过滤器52后进入CO、CO2、NO、NO2、SO2、VOCs等气态污染物传感器。各隧道用微型污染物传感器将电信号转化成实际浓度的数字信号，信号通过系统内的通信总线将数据组发送至远程通信模块53，远程通信模块53最后将所有的污染物数据和气象参数传感器传送的环境参数通过无线网络发送至充当数据存储处理服务器36功能的微型电脑54。所述微型电脑54电连接有外部存储器55和电源56。所述远程通信模块53还与一天线57通信连接。还具有位于隧道内的微型气象参数传感器58。
结合表1，显示为隧道用微型传感器组各传感器采用的原理、量程、精度。该量程、精度选择均经过试验验证，适合隧道污染环境情景。
表1
其中，所述微型污染物传感器主要包含针对以下污染源的传感器：一氧化碳CO、二氧化碳CO2和一氧化氮NO、二氧化氮NO2、二氧化硫SO2、可挥发性性有机物VOCs、PM2.5、PM10。总的来说微型污染物传感器采用的技术均是已经实现小型化、高精度和满足2～3年使用寿命的传感器。其中NO、NO2和CO、CO2、SO2等传感器均为电化学气体传感器(ElectrochemicalGas Sensor)，电化学传感器通过与被测气体发生反应并产生与气体浓度成正比的电信号，传感器再将电信号转换成实际浓度的数字信号。VOCs传感器为光离子气体传感器(PhotoIonization Detector)，测量VOCs被紫外光轰击后产生的带正电粒子形成的粒子电流，将电流信号转换成实际浓度的数字信号。PM2.5、PM10等传感器均为激光散射型传感器，利用激光散射原理，检测空气中的颗粒物质量浓度，传感器将电信号转换成实际浓度的数字信号。
所述气象参数传感器主要包含：风速风向传感器和温湿度传感器。选用传感器原则为无机械活动部件，可靠性高。所以风速、风向传感器选用无机械活动部件的超声波型传感器，温度传感器选用热电阻型传感器，湿度传感器选用湿敏电容性传感器。
所述无线通讯模块39(远程通信模块53)可以是基于TDD-LTE、FDD-LTE、WCDMA、TD-SCDMA、GSM/GPRS/EDGE等其中一种的通讯技术的模块，但是所述无线通讯模块39(远程通信模块53)应满足低功耗、高温高污染工况环境等条件的要求。
参阅图6，显示为本发明一具体实施例中气象参数传感器在隧道内的布置示意图。所述气象参数传感器61主要由风速、风向传感器以及温度、湿度传感器组成。本发明中每一个隧道通风井内均要设置一组。由于机动车排放因子计算要基于整个隧道系统模型的空气物料平衡，所以需要在隧道系统的通风井设置风速传感器，记录没有从隧道进出口通过的空气流量。相应的传感器选型和远程通讯模块选型与隧道微型传感器组一致，不再累述。
内置有各类车型数据实时排放因子算法的数据存储处理服务器：服务器应该拥有数据的接收、存储和处理功能的接入到互联网的高性能计算机，本实施例中，数据存储处理服务器为如图6所示的微型电脑62。微型气象参数传感器61通过远程通信模块63将数据传送至所述微型电脑62。所述微型电脑62电连接有外部存储器64和电源65。所述远程通信模块63还与一天线66通信连接。所述微型电脑62可以实现如下功能：
数据的接收和存储：数据按照1Hz的频率发送到数据存储处理服务器。接受的数据来源有：系统所在隧道所有传感器组的各类信息、隧道的交通流信息；数据来源主要包括：
(1)隧道微型传感器组：一氧化碳CO、二氧化碳CO2和一氧化氮NO、二氧化氮NO2、二氧化硫SO2、可挥发性性有机物VOCs、PM2.5、PM10等污染物传感器；气象参数传感器的风速、风向和温度、湿度数据；
(2)隧道交通流数据：从城市道路信息管理系统数据接口获得隧道内的大型、中型、小型货车和大型、中型、小型客车和出租车、公交车等各类的车辆数量；隧道平均车速。数据用于计算每类车辆的排放因子。
(3)隧道附近大气环境监测数据：从城市大气环境监测数据系统接口获得的隧道附件大气环境监测点位数据，用于校准。包括：一氧化碳CO、二氧化碳CO2和一氧化氮NO、二氧化氮NO2、二氧化硫SO2、可挥发性性有机物VOCs、PM2.5、PM10等数据。
数据处理：包含有基于微型污染物传感器的隧道机动车污染物排放算法的数据处理程序。
图7显示为本发明一具体实施例中隧道机动车污染物监测方法流程示意图。即基于微型污染物传感器的隧道机动车污染物排放因子获得流程。机动车排放因子获得流程主要由以下部分组成：隧道污染物数据和各类型机动车数量数据采集积累；建立基于空气质量平衡的关于排放因子、车辆数量和隧道污染物排放量的方程组；基于偏最小二乘法的方程结算获得各类车型实时、历史排放因子。具体地，机动车排放因子的获得流程由7个步骤组成：
步骤(一)开始；
步骤(二)所有传感器初始化并预热；
步骤(三)确定数据分析间隔数量i，。如果车型为j类，那么只要获得多于j类的i(i>＝4j较好)；
步骤(四)确定数据分析间隔τ，根据车辆流量并开始采样；
步骤(五)记录数据，建立方程。当前数据分析间隔时间τ到达后,对计算间隔期内所有逐秒的进、排气所有污染物数据处理并存储。获得一组各类车型数量、排放因子关于CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10等8项污染物计算间隔内的排放量的8个多元线性方程。方程的一边为里程、各类车型数量、排放因子乘积(待求)的和。方程的另一边为数据分析间隔内进出隧道系统的8项污染物质量的和。回到步骤(四)；
步骤(六)当累积存储的各类车型数量、排放因子关于CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10计算间隔内的排放量的多元线性方程累积到i组时，基于偏最小二乘法计算各车型上述时间段T内(T＝Σ(τ1+τ2+τi))的CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10排放因子；
步骤(七)回到步骤(三)
步骤(六)中的各类车型排放因子。如下式1-4所示为基于微型污染物传感器的隧道机动车污染物排放因子计算方法。根据质量平衡法固定时间段内所有车辆排放的某种污染物的总和等于进出隧道口所有被污染空气中某种污染物的总和。如果车型为j类，那么只要获得多于j类的i(i>＝4j较好)类组数据就能通过回归的方法获得每一类车型的某污染物的排放因子。如果有CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10等8个传感器组的隧道进出口的浓度数据和隧道所以有空气流过的通道的流量数据，解这样8个方程组便能获得所有车型的8种污染物的排放因子。简式如下：
式中K、N和Φ分别为三个行列式，K为排放因子矩阵，N为车型数量矩阵，Φ为固定时间内进出隧道污染物质量。为了求得每一种车型的每一种污染物的CO、CO2、NO、NO2、VOCs、SO2、PM2.5、PM10排放因子，均存在一个上述的矩阵方程组。为了得到排放因子的代表性和准确性，方程组由i个，i车辆类型数的4倍以上。由于方程组数量远多于待解未知数数量且数据受到各种外来的影响因素较多，所以本发明采用偏最小二乘法(PLS，Partial LeastSquares)作为求解工具。虽然传统的无偏多元回归是一种有效的多变量分析方法，但是因为多变量间的多重相关性和样本点不足会造成回归巨大的模型误差。PLS算法是综合了多元线性回归分析、主成分分析和典型相关分析的一种回归方法，可以解决传统多元线性回归不能解决的复线性和样本量不宜太少的问题。PLS通过提取概括原数据信息的综合变量(新成分)，建立新变量与因变量的回归关系，最后再表达成原变量的回归方程。具有解释性强、计算简单、建模效果好的能够克服传统方法缺陷的偏最小二乘回归(Partial Least-squares Regression)算法及其辅助分析技术适合对多车型对排放因子的计算。
KCO、CO2、NO、NO2、VOCs、PM2.5、PM10×N＝ΦCO、CO2、NO、NO2、VOCs、PM2.5、PM10
车型排放因子。上标为车型：小中大型客车(spv，mpv、lpv)；小中大型货车(sfv，mfv、lfv)。下标为污染物物种。gas包括：CO、CO2、NO、NO2、VOCs、SO2；paticulate包括：PM2.5、PM10。
：时间τ内通过隧道的各车型数量。
ltunnel：隧道长度。
隧道进出口各类污染物逐秒浓度。
Ain(out)：隧道进出口截面积。
vin：隧道进出口流速。
隧道通风井截面积。
隧道通风井进出口流速。
综上所述，本发明的隧道机动车污染物监测方法及系统，预先设置多种车型的实时排放因子算法；在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。本发明可以利用较低的人力成本，且高效、准确的获得隧道内各车型的排放因子。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (12)
1.一种隧道机动车污染物监测方法，其特征在于，所述方法包括：
预先设置多种车型的实时排放因子算法；
在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；
通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；
利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。
2.根据权利要求1所述的隧道机动车污染物监测方法，其特征在于：通过无线通讯网络获取所述微型污染物传感器检测的污染物浓度数据，以及通过无线通讯网络获取所述气象参数传感器检测的环境数据。
3.根据权利要求1所述的隧道机动车污染物监测系统，其特征在于，还包括以下步骤：接收电子终端的远程访问，以供所述电子终端获取以下数据中的一种或多种：所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速、所述大气环境校准数据以及各所述车型的排放因子。
4.根据权利要求1所述的隧道机动车污染物监测方法，其特征在于：根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
5.根据权利要求1所述的隧道机动车污染物监测方法，其特征在于：至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器。
6.根据权利要求1所述的隧道机动车污染物监测方法，其特征在于：根据所述大气环境校准数据对所述微型污染物传感器检测的污染物浓度数据进行校准。
7.一种隧道机动车污染物监测系统，其特征在于，所述系统包括微型污染物传感器、气象参数传感器、数据存储及处理服务器，所述数据存储及处理服务器具有以下模块：
预设模块，用以预先设置多种车型的实时排放因子算法；
第一数据获取模块，用以在监测时间内，获取并存储预先安装于隧道内的微型污染物传感器检测的污染物浓度数据，同时获取并存储预先安装于隧道内的气象参数传感器检测的环境数据；
第二数据获取模块，用以通过一环境及交通大数据接口获取并存储所述监测时间内所述隧道内的车辆平均车速以及各类型车辆的数量，且通过所述环境及交通大数据接口获取并存储所述监测时间内所述隧道预设范围内的大气环境校准数据；
计算模块，利用所述实时排放因子算法对所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速以及所述大气环境校准数据进行计算，以获得并存储各所述车型的排放因子。
8.根据权利要求7所述的隧道机动车污染物监测系统，其特征在于：所述微型污染物传感器以及所述气象参数传感器均通过各自匹配的无线通讯模块与所述数据存储及处理服务器进行无线通讯。
9.根据权利要求7所述的隧道机动车污染物监测系统，其特征在于：所述数据存储及处理服务器还用以接收电子终端的远程访问，以供所述电子终端获取以下数据中的一种或多种：所述污染物浓度数据、所述环境数据、所述各类型车辆的数量、所述平均车速、所述大气环境校准数据以及各所述车型的排放因子。
10.根据权利要求7所述的隧道机动车污染物监测系统，其特征在于：所述计算模块根据所述实时排放因子算法，建立基于空气质量平衡的关于所述各所述车型的排放因子、各类型车辆的数量和所述污染物浓度数据的方程组，且基于偏最小二乘法对所述方程组进行计算，以获得各所述车型的排放因子。
11.根据权利要求7所述的隧道机动车污染物监测系统，其特征在于：至少在所述隧道的进口和出口分别设置一组所述微型污染物传感器；所述隧道包括通风井，在各所述通风井均设置所述气象参数传感器。
12.根据权利要求7所述的隧道机动车污染物监测系统，其特征在于：所述数据存储及处理服务器还包括校准模块，用以根据所述大气环境校准数据对所述微型污染物传感器检测的污染物浓度数据进行校准。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330708.3A CN108254495B (zh) | 2017-12-13 | 2017-12-13 | 一种隧道机动车污染物监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711330708.3A CN108254495B (zh) | 2017-12-13 | 2017-12-13 | 一种隧道机动车污染物监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108254495A true CN108254495A (zh) | 2018-07-06 |
| CN108254495B CN108254495B (zh) | 2023-08-22 |
Family
ID=62722999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711330708.3A Active CN108254495B (zh) | 2017-12-13 | 2017-12-13 | 一种隧道机动车污染物监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108254495B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109524130A (zh) * | 2018-11-01 | 2019-03-26 | 北京英视睿达科技有限公司 | 车辆对污染物浓度贡献率的确定方法及装置 |
| CN109944664A (zh) * | 2019-02-19 | 2019-06-28 | 上海市环境科学研究院 | 尾气净化设备设计方法及其装置、系统和存储介质 |
| CN111027499A (zh) * | 2019-12-17 | 2020-04-17 | 北京慧智数据科技有限公司 | 一种基于卷积神经网络的货车低排放限行识别方法 |
| CN111125636A (zh) * | 2019-12-04 | 2020-05-08 | 暨南大学 | 基于城市隧道的机动车排放因子计算方法 |
| CN111830210A (zh) * | 2020-07-30 | 2020-10-27 | 广州交信投科技股份有限公司 | 空气质量监测方法、装置、系统和计算机设备 |
| CN112324485A (zh) * | 2020-11-05 | 2021-02-05 | 西安石油大学 | 一种基于大数据的隧道通风管理一体化智能系统 |
| CN112858126A (zh) * | 2021-01-25 | 2021-05-28 | 清华大学 | 一种高排放车识别系统和方法 |
| CN113158125A (zh) * | 2021-03-31 | 2021-07-23 | 中汽研汽车检验中心（天津）有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010016547A (ko) * | 2000-12-20 | 2001-03-05 | 정종승 | 터널 내의 차종별 오염물 배출량 추정알고리즘 및 이에기초한 터널 내의 오염도 추정 알고리즘을 이용한 터널내의 환기량 산정 시스템 및 그 방법 |
| US6623975B1 (en) * | 2000-05-09 | 2003-09-23 | Gordon-Darby Systems, Inc. | Method and system for vehicle emission testing |
| US20060155486A1 (en) * | 2004-10-07 | 2006-07-13 | Walsh Alicia M | Computer-implemented system and method for analyzing mixtures of gases |
| WO2011148371A1 (en) * | 2010-05-23 | 2011-12-01 | Technion Research And Development Foundation Ltd. | Detection, staging and grading of benign and malignant tumors |
| CN102508949A (zh) * | 2011-10-13 | 2012-06-20 | 东南大学 | 城市隧道机动车尾气排放的数字化分析方法 |
| CN103018080A (zh) * | 2012-11-23 | 2013-04-03 | 清华大学 | 一种机动车尾气排放沿程多点采样分析系统 |
| KR20130049438A (ko) * | 2011-11-04 | 2013-05-14 | 박태수 | 주유구 정품 정량 감시시스템 및 이를 이용한 감시 방법 |
| CN103196830A (zh) * | 2013-03-26 | 2013-07-10 | 北京拓扑智鑫科技有限公司 | 环境恶臭污染定量监测方法 |
| US20150000373A1 (en) * | 2013-07-01 | 2015-01-01 | Universiti Putra Malaysia | Artificial Olfactory System and an Application Thereof |
| JP2015001093A (ja) * | 2013-06-14 | 2015-01-05 | 株式会社東芝 | 汚染物質量計算装置 |
| CN105911219A (zh) * | 2016-04-08 | 2016-08-31 | 北京盈盛恒泰科技有限责任公司 | 一种污染气体监测预警系统及方法 |
| CN106840703A (zh) * | 2017-03-07 | 2017-06-13 | 上海市环境科学研究院 | 尾气后处理装置的减排效果评价方法、系统及测试设备 |
| CN206593868U (zh) * | 2017-03-07 | 2017-10-27 | 上海市环境科学研究院 | 尾气后处理装置减排效果的测试设备 |
-
2017
- 2017-12-13 CN CN201711330708.3A patent/CN108254495B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6623975B1 (en) * | 2000-05-09 | 2003-09-23 | Gordon-Darby Systems, Inc. | Method and system for vehicle emission testing |
| KR20010016547A (ko) * | 2000-12-20 | 2001-03-05 | 정종승 | 터널 내의 차종별 오염물 배출량 추정알고리즘 및 이에기초한 터널 내의 오염도 추정 알고리즘을 이용한 터널내의 환기량 산정 시스템 및 그 방법 |
| US20060155486A1 (en) * | 2004-10-07 | 2006-07-13 | Walsh Alicia M | Computer-implemented system and method for analyzing mixtures of gases |
| WO2011148371A1 (en) * | 2010-05-23 | 2011-12-01 | Technion Research And Development Foundation Ltd. | Detection, staging and grading of benign and malignant tumors |
| CN102508949A (zh) * | 2011-10-13 | 2012-06-20 | 东南大学 | 城市隧道机动车尾气排放的数字化分析方法 |
| KR20130049438A (ko) * | 2011-11-04 | 2013-05-14 | 박태수 | 주유구 정품 정량 감시시스템 및 이를 이용한 감시 방법 |
| CN103018080A (zh) * | 2012-11-23 | 2013-04-03 | 清华大学 | 一种机动车尾气排放沿程多点采样分析系统 |
| CN103196830A (zh) * | 2013-03-26 | 2013-07-10 | 北京拓扑智鑫科技有限公司 | 环境恶臭污染定量监测方法 |
| JP2015001093A (ja) * | 2013-06-14 | 2015-01-05 | 株式会社東芝 | 汚染物質量計算装置 |
| US20150000373A1 (en) * | 2013-07-01 | 2015-01-01 | Universiti Putra Malaysia | Artificial Olfactory System and an Application Thereof |
| CN105911219A (zh) * | 2016-04-08 | 2016-08-31 | 北京盈盛恒泰科技有限责任公司 | 一种污染气体监测预警系统及方法 |
| CN106840703A (zh) * | 2017-03-07 | 2017-06-13 | 上海市环境科学研究院 | 尾气后处理装置的减排效果评价方法、系统及测试设备 |
| CN206593868U (zh) * | 2017-03-07 | 2017-10-27 | 上海市环境科学研究院 | 尾气后处理装置减排效果的测试设备 |
Non-Patent Citations (3)
| Title |
|---|
| PETER RIDLEY等: "Modelling pollution dynamics of longitudinally ventilated road tunnels", 《JOURNAL OF WIND ENGINEERING AND INDUSTRIAL AERODYNAMICS》, vol. 163, no. 2, pages 55 - 64, XP029998163, DOI: 10.1016/j.jweia.2016.12.003 * |
| 常英杰;陆宪忠;王世龙;王志明;: "基于偏最小二乘回归的发动机排气分析仪线性化研究", 机械工程学报, no. 10, pages 76 - 81 * |
| 田鹏山;曹军骥;韩永明;张宁宁;周雅清;: "机动车排放因子的隧道测试――以西安市为例", 科技导报, no. 06, pages 59 - 63 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109524130A (zh) * | 2018-11-01 | 2019-03-26 | 北京英视睿达科技有限公司 | 车辆对污染物浓度贡献率的确定方法及装置 |
| CN109944664A (zh) * | 2019-02-19 | 2019-06-28 | 上海市环境科学研究院 | 尾气净化设备设计方法及其装置、系统和存储介质 |
| CN109944664B (zh) * | 2019-02-19 | 2020-05-19 | 上海市环境科学研究院 | 尾气净化设备设计方法及其装置、系统和存储介质 |
| CN111125636A (zh) * | 2019-12-04 | 2020-05-08 | 暨南大学 | 基于城市隧道的机动车排放因子计算方法 |
| CN111125636B (zh) * | 2019-12-04 | 2023-05-26 | 暨南大学 | 基于城市隧道的机动车排放因子计算方法 |
| CN111027499A (zh) * | 2019-12-17 | 2020-04-17 | 北京慧智数据科技有限公司 | 一种基于卷积神经网络的货车低排放限行识别方法 |
| CN111830210A (zh) * | 2020-07-30 | 2020-10-27 | 广州交信投科技股份有限公司 | 空气质量监测方法、装置、系统和计算机设备 |
| CN112324485A (zh) * | 2020-11-05 | 2021-02-05 | 西安石油大学 | 一种基于大数据的隧道通风管理一体化智能系统 |
| CN112858126A (zh) * | 2021-01-25 | 2021-05-28 | 清华大学 | 一种高排放车识别系统和方法 |
| CN113158125A (zh) * | 2021-03-31 | 2021-07-23 | 中汽研汽车检验中心（天津）有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
| CN113158125B (zh) * | 2021-03-31 | 2022-12-27 | 中汽研汽车检验中心（天津）有限公司 | 一种基于车联网的柴油车NOx排放评测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108254495B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108254495B (zh) | 一种隧道机动车污染物监测方法及系统 | |
| Cross et al. | Use of electrochemical sensors for measurement of air pollution: correcting interference response and validating measurements | |
| Mead et al. | The use of electrochemical sensors for monitoring urban air quality in low-cost, high-density networks | |
| Borrego et al. | Assessment of air quality microsensors versus reference methods: The EuNetAir joint exercise | |
| CN101299031B (zh) | 一种基于气体传感器阵列的汽车尾气检测方法 | |
| Papapostolou et al. | Development of an environmental chamber for evaluating the performance of low-cost air quality sensors under controlled conditions | |
| CN107607450A (zh) | 一种大气质量监测方法及相关设备 | |
| CN105424840A (zh) | 在线连续环境空气质量自动监测系统及异味气源溯源方法 | |
| CN111798928B (zh) | 大气颗粒物污染源解析方法和装置 | |
| CN205449908U (zh) | 在线连续环境空气质量自动监测基站及网络系统 | |
| Chen et al. | Calibration of low-cost particle sensors by using machine-learning method | |
| CN113655175A (zh) | 一种网格化空气监测方法、系统、计算机设备及存储介质 | |
| CN113238003B (zh) | 一种电子鼻系统基础数据集获取及验证平台 | |
| Hamraz et al. | GIS-based air pollution monitoring using static stations and mobile sensor in Tehran/Iran | |
| CN107884322A (zh) | 一种消除颗粒物的化学组分影响的动态校准方法及监测仪 | |
| Chiavassa et al. | An investigation on duty-cycle for particulate matter monitoring with light-scattering sensors | |
| CN210893230U (zh) | 中低空大气环境污染源解析环境监测无人机 | |
| CN205002802U (zh) | 一种在线监测大气污染物系统 | |
| CN107179103A (zh) | 一种室内环境检测方法及装置 | |
| CN208239385U (zh) | 一种查找大气污染源的监测模块 | |
| CN107657147B (zh) | 基于线圈数据的机动车尾气污染物排放量计算方法 | |
| CN1896742A (zh) | 空间污染实时监测公示仪 | |
| Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
| Katulski et al. | Mobile system for on-road measurements of air pollutants | |
| Palomeque-Mangut et al. | Electronic system for citizens’ air quality mapping |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |