CN108387692A - 一种大气污染智能监测系统 - Google Patents
一种大气污染智能监测系统 Download PDFInfo
- Publication number
- CN108387692A CN108387692A CN201810381283.7A CN201810381283A CN108387692A CN 108387692 A CN108387692 A CN 108387692A CN 201810381283 A CN201810381283 A CN 201810381283A CN 108387692 A CN108387692 A CN 108387692A
- Authority
- CN
- China
- Prior art keywords
- air pollution
- concentration data
- pollution concentration
- air
- data
- 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
- 238000003915 air pollution Methods 0.000 claims abstract description 124
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012806 monitoring device Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 239000002341 toxic gas Substances 0.000 claims description 6
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000000034 method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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 or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供了一种大气污染智能监测系统,包括多个监测装置和数据处理装置,每个监测装置皆连接至数据处理装置,每个监测装置用于采集一个大气污染监测区域内的多个大气污染监测节点的大气污染浓度数据;数据处理装置用于对采集的大气污染浓度数据进行处理分析,实现对大气污染的实时监测;数据处理装置包括预处理模块、聚类处理模块、异常检测模块、云存储器。
Description
技术领域
本发明涉及大气污染监测技术领域,具体涉及一种大气污染智能监测系统。
背景技术
相关技术中,对城市大气污染监测的方法主要有:
(1)传统方法,即人工取样实验室分析的方法。这种方法只能得到大气污染监测区域内某段时间内的监测值,无法进行实时监测,监测结果受人为的影响很大,同时,当大气污染监测区域有害气体浓度很高时会严重伤害监测人员的身体健康;
(2)目前比较流行的在线监测,多采用国外进口的自动化大气环境监测设备进行监测,这种监测方法,尽管能够实现实时监测,但所用设备结构复杂、价格昂贵、难以维护、运营成本高且其工作环境苛刻。
发明内容
针对上述问题,本发明提供一种大气污染智能监测系统。
本发明的目的采用以下技术方案来实现:
提供了一种大气污染智能监测系统,包括多个监测装置和数据处理装置,每个监测装置皆连接至数据处理装置,每个监测装置用于采集一个大气污染监测区域内的多个大气污染监测节点的大气污染浓度数据;数据处理装置用于对采集的大气污染浓度数据进行处理分析,实现对大气污染的实时监测。
优选地,每个监测装置包括设置于各个大气污染监测节点的传感器节点,还包括基站,传感器节点用于采集所在大气污染监测节点的大气污染浓度数据,基站负责传感器节点和数据处理装置之间的双向信息交互。
当大气污染浓度数据量达到一定阈值时,传感器节点将采集到的大气污染浓度数据整理成大气污染浓度数据文件并发送至基站,进而由基站将接收的大气污染浓度数据文件发送至数据中心。
优选地,数据处理装置包括预处理模块、聚类处理模块、异常检测模块、云存储器,预处理模块用于对监测装置采集的大气污染浓度数据进行预处理;聚类处理模块对预处理模块预处理后的大气污染浓度数据进行聚类处理;异常检测模块对聚类处理后的大气污染浓度数据进行异常检测,得到异常数据集,并将异常数据集进行标记后存储到云存储器中。
优选地,传感器节点包括至少一种下述的传感器:
粉尘传感器,用于实时检测所述大气污染监测区域中的粉尘污染物的浓度;
PM2.5传感器,用于实时检测所述大气污染监测区域中的PM2.5污染物的浓度;
甲醛传感器,用于实时检测所述大气污染监测区域中的甲醛污染物的浓度;
有毒气体传感器,用于实时检测所述大气污染监测区域中的有毒气体的浓度;
异味传感器,用于实时检测所述大气污染监测区域中的异味的浓度;
二氧化碳传感器,用于实时检测所述大气污染监测区域中的二氧化碳的浓度。
本发明的有益效果为:基于大数据处理技术和无线传感器网络技术,实现大气污染的实时监测和相关数据的统一分析处理,提高对大气污染的监测能力,智能便捷,节省人力,成本相对较低。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的大气污染智能监测系统的结构示意框图;
图2是本发明一个示例性实施例的数据处理装置的结构示意框图。
附图标记:
监测装置1、数据处理装置2、预处理模块10、聚类处理模块20、异常检测模块30、云存储器40。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例提供的一种大气污染智能监测系统,包括多个监测装置1和数据处理装置2,每个监测装置1皆连接至数据处理装置2,每个监测装置1用于采集一个大气污染监测区域内的多个大气污染监测节点的大气污染浓度数据;数据处理装置2用于对采集的大气污染浓度数据进行处理分析,实现对大气污染的实时监测。
在一个实施例中,每个监测装置1包括设置于各个大气污染监测节点的传感器节点,还包括基站,传感器节点用于采集所在大气污染监测节点的大气污染浓度数据,基站负责传感器节点和数据处理装置2之间的双向信息交互。传感器节点包括至少一种下述的传感器:
粉尘传感器,用于实时检测所述大气污染监测区域中的粉尘污染物的浓度;
PM2.5传感器,用于实时检测所述大气污染监测区域中的PM2.5污染物的浓度;
甲醛传感器,用于实时检测所述大气污染监测区域中的甲醛污染物的浓度;
有毒气体传感器,用于实时检测所述大气污染监测区域中的有毒气体的浓度;
异味传感器,用于实时检测所述大气污染监测区域中的异味的浓度;
二氧化碳传感器,用于实时检测所述大气污染监测区域中的二氧化碳的浓度。
其中,大气污染浓度数据包括各种污染元素的浓度数据,污染元素包括钠、硅等。
在一个实施例中,如图2所示,数据处理装置2包括预处理模块10、聚类处理模块20、异常检测模块30、云存储器40,预处理模块10用于对监测装置1采集的大气污染浓度数据进行预处理;聚类处理模块20对预处理模块10预处理后的大气污染浓度数据进行聚类处理;异常检测模块30对聚类处理后的大气污染浓度数据进行异常检测,得到异常数据集,并将异常数据集进行标记后存储到云存储器40中。
本发明上述实施例基于大数据处理技术和无线传感器网络技术,实现大气污染的实时监测和相关数据的统一分析处理,提高对大气污染的监测能力,智能便捷,节省人力,成本相对较低。
在一个实施例中,所述对监测装置1采集的大气污染浓度数据进行预处理,具体包括:对存在0值或负值的大气污染浓度数据进行预处理,将0值或负值替换为预先设定的替代值。
本实施例能够防止大气污染浓度数据中的0值或负值对后续的大气污染浓度数据聚类处理造成影响。
在一个实施例中,对预处理模块10预处理后的大气污染浓度数据进行聚类处理,具体包括:
(1)提取预处理后的设定时间段的大气污染浓度数据作为一个大气污染浓度数据集,设为X,其中每个大气污染浓度数据包括m维特征;
(2)在第一次迭代时,选择大气污染浓度数据集X中的第一个未标记的大气污染浓度数据作为第一个簇中心点O1,计算其余大气污染浓度数据与该簇中心点O1之间的相似距离,按照相似距离分配原则对大气污染浓度数据xi进行分配操作;
其中,相似距离分配原则为:若大气污染浓度数据xi与新选择的簇中心点之间的相似距离不大于设定的相似距离阈值DT,不对大气污染浓度数据xi进行分配操作;若大气污染浓度数据xi与新选择的簇中心点之间的相似距离大于设定的相似距离阈值DT,继续计算大气污染浓度数据xi与该簇中心点的最近邻集合中的大气污染浓度数据之间的相似距离,若大气污染浓度数据xi与该簇中心点的最近邻集合中的一个大气污染浓度数据之间,满足相似距离大于设定的相似距离阈值DT,则将大气污染浓度数据xi分配到该簇中心点,并进行标记;
其中,设定两个大气污染浓度数据之间的相似距离的计算公式为:
式中,D(xi,xl)表示大气污染浓度数据xi与xl之间的相似距离,ωj为大气污染浓度数据的第j维特征值的权重值,xij表示大气污染浓度数据xi的第j维特征值,xlj为大气污染浓度数据xl的第j维特征值,m为大气污染浓度数据的维数;
(3)令迭代次数λ加1,选择大气污染浓度数据集X中的第一个未标记的大气污染浓度数据作为另一个簇中心点Oλ+1,计算其余大气污染浓度数据与该簇中心点Oλ+1之间的相似距离,若大气污染浓度数据xj未标记,按照相似距离分配原则对大气污染浓度数据xj进行分配操作;若大气污染浓度数据xj已标记且按照相似距离分配原则可分配到簇中心点Oλ+1,比较其与原分配的簇中心点、簇中心点Oλ+1之间的相似距离,选择相似距离更大的簇中心点加入簇;
(4)重复(3)直至迭代次数λ达到设定的阈值或者所有的大气污染浓度数据皆已被标记。
本实施例对数据预处理单元预处理后的大气污染浓度数据进行聚类处理时,不需要预先指定簇的个数,其中创新性地设定了相似距离分配原则,使得仅当大气污染浓度数据与簇中心点相似且与簇中心点的最近邻集合中的一个或多个大气污染浓度数据相似时,大气污染浓度数据才能与簇中心点位于同一个簇,使得本实施例的聚类处理更适合于检测出任意形状簇,聚类高效且质量高;
现有技术中常采用绝对距离来衡量两个大气污染浓度数据之间的差异性,如欧式距离、曼哈顿距离等,也就是说两个大气污染浓度数据之间的距离越大表明两者的相似性越小,反之则相似性越大,但是这种距离度量方式通常涉及到对象的所有属性,并认为这些属性对于距离度量的重要性是相同的。本实施例创新性地设定了一种新的相似距离度量公式,该公式考虑了大气污染浓度数据的属性因素,为不同的维度上的特征加以不同的权重值,让不同维度按照权重值的大小在聚类中起不同的作用,能够使得某些特征维度上的大气污染浓度数据差异得到区分,解决了因不同特征维度上的量纲不同导致的聚类效果不佳的问题,提高了聚类划分的精度和效率。
其中,在一个实施例中,大气污染浓度数据的各个维度的特征值相应的权重值由专家进行设定。在另一个优选实施例中,设大气污染浓度数据集X={x1,x2,…,xn},按照下列公式设定大气污染浓度数据的各个维度的特征值相应的权重值:
式中,ωj表示大气污染浓度数据的第j维特征值的权重值,xaj为大气污染浓度数据集X中的第a个大气污染浓度数据的第j维特征值,xab为大气污染浓度数据集X中的第a个大气污染浓度数据的第b维特征值,n为大气污染浓度数据集X包含的大气污染浓度数据个数,m为大气污染浓度数据的维数。
本实施例创造性地设定了大气污染浓度数据的各个维度的特征值相应的权重值计算公式,该计算公式使得属性分布的偏离程度越小的特征值权重更小,而属性分布的偏离程度越大的特征值权重越大,有利于解决大气污染浓度数据密度不同所产生的聚类效果不佳的问题,相对于专家设定权重的方式,更具实际性和科学性,提高聚类的精度。
在一个实施例中,所述对聚类处理后的大气污染浓度数据进行异常检测,具体包括:
(1)若聚类后存在一个簇的大气污染浓度数据个数低于设定的数量下限,则将该簇视为异常簇,求取异常簇中大气污染浓度数据的平均值xe;
(2)计算其他正常簇的簇中心点与异常簇的簇中心点之间的相似距离;
(3)若正常簇的簇中心点与异常簇的簇中心点之间的相似距离不大于设定的簇相似距离阈值,则将该正常簇作为待检测簇,并利用xe来检测待检测簇中的大气污染浓度数据,当待检测簇中的大气污染浓度数据满足下列异常条件时,将大气污染浓度数据视为异常大气污染浓度数据:
式中,ωj表示大气污染浓度数据的第j维特征值的权重值,为大气污染浓度数据的第j维特征值,xej为所述异常簇中大气污染浓度数据的平均值xe的第j维特征值,m为大气污染浓度数据的维数,Dt为设定的异常检测距离阈值。
由于规模性较小的簇中的大气污染浓度数据之间相对较为松散,而且相对于其他大气污染浓度数据较为孤立,因此现有技术中通常将规模较小的簇中的数据视为异常数据。基于此,本实施例对聚类处理后的大气污染浓度数据进行异常检测,从中创新性地提出了用于检测大气污染浓度数据是否为异常的异常条件,该异常条件根据大气污染浓度数据与异常簇中大气污染浓度数据的平均值之间的距离来判断该大气污染浓度数据是否为异常大气污染浓度数据,具备一定的检测精度,检测方式简单有效。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种大气污染智能监测系统,其特征是,包括数据处理装置和多个监测装置,每个监测装置皆连接至数据处理装置,每个监测装置用于采集一个大气污染监测区域内的多个大气污染监测节点的大气污染浓度数据;数据处理装置用于对采集的大气污染浓度数据进行处理分析,实现对大气污染的实时监测;数据处理装置包括预处理模块、聚类处理模块、异常检测模块、云存储器,预处理模块用于对监测装置采集的大气污染浓度数据进行预处理;聚类处理模块对预处理模块预处理后的大气污染浓度数据进行聚类处理;异常检测模块对聚类处理后的大气污染浓度数据进行异常检测,得到异常数据集,并将异常数据集进行标记后存储到云存储器中。
2.根据权利要求1所述的一种大气污染智能监测系统,其特征是,每个监测装置包括设置于各个大气污染监测节点的传感器节点,还包括基站,传感器节点用于采集所在大气污染监测节点的大气污染浓度数据,基站负责传感器节点和数据处理装置之间的双向信息交互。
3.根据权利要求2所述的一种大气污染智能监测系统,其特征是,当大气污染浓度数据量达到一定阈值时,传感器节点将采集到的大气污染浓度数据整理成大气污染浓度数据文件并发送至基站,进而由基站将接收的大气污染浓度数据文件发送至数据中心。
4.根据权利要求2所述的一种大气污染智能监测系统,其特征是,传感器节点包括至少一种下述的传感器:
粉尘传感器,用于实时检测所述大气污染监测区域中的粉尘污染物的浓度;
PM2.5传感器,用于实时检测所述大气污染监测区域中的PM2.5污染物的浓度;
甲醛传感器,用于实时检测所述大气污染监测区域中的甲醛污染物的浓度;
有毒气体传感器,用于实时检测所述大气污染监测区域中的有毒气体的浓度;
异味传感器,用于实时检测所述大气污染监测区域中的异味的浓度;
二氧化碳传感器,用于实时检测所述大气污染监测区域中的二氧化碳的浓度。
5.根据权利要求1-4任一项所述的一种大气污染智能监测系统,其特征是,所述对监测装置采集的大气污染浓度数据进行预处理,具体包括:对存在0值或负值的大气污染浓度数据进行预处理,将0值或负值替换为预先设定的替代值。
6.根据权利要求1-4任一项所述的一种大气污染智能监测系统,其特征是,对预处理模块预处理后的大气污染浓度数据进行聚类处理,具体包括:
(1)提取预处理后的设定时间段的大气污染浓度数据作为一个大气污染浓度数据集,设为X,其中每个大气污染浓度数据包括m维特征;
(2)在第一次迭代时,选择大气污染浓度数据集X中的第一个未标记的大气污染浓度数据作为第一个簇中心点O1,计算其余大气污染浓度数据与该簇中心点O1之间的相似距离,按照相似距离分配原则对大气污染浓度数据xi进行分配操作;
其中,相似距离分配原则为:若大气污染浓度数据xi与新选择的簇中心点之间的相似距离不大于设定的相似距离阈值DT,不对大气污染浓度数据xi进行分配操作;若大气污染浓度数据xi与新选择的簇中心点之间的相似距离大于设定的相似距离阈值DT,继续计算大气污染浓度数据xi与该簇中心点的最近邻集合中的大气污染浓度数据之间的相似距离,若大气污染浓度数据xi与该簇中心点的最近邻集合中的一个大气污染浓度数据之间,满足相似距离大于设定的相似距离阈值DT,则将大气污染浓度数据xi分配到该簇中心点,并进行标记;
其中,设定两个大气污染浓度数据之间的相似距离的计算公式为:
式中,D(xi,xl)表示大气污染浓度数据xi与xl之间的相似距离,ωj为大气污染浓度数据的第j维特征值的权重值,xij表示大气污染浓度数据xi的第j维特征值,xlj为大气污染浓度数据xl的第j维特征值,m为大气污染浓度数据的维数;
(3)令迭代次数λ加1,选择大气污染浓度数据集X中的第一个未标记的大气污染浓度数据作为另一个簇中心点Oλ+1,计算其余大气污染浓度数据与该簇中心点Oλ+1之间的相似距离,若大气污染浓度数据xj未标记,按照相似距离分配原则对大气污染浓度数据xj进行分配操作;若大气污染浓度数据xj已标记且按照相似距离分配原则可分配到簇中心点Oλ+1,比较其与原分配的簇中心点、簇中心点Oλ+1之间的相似距离,选择相似距离更大的簇中心点加入簇;
(4)重复(3)直至迭代次数λ达到设定的阈值或者所有的大气污染浓度数据皆已被标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381283.7A CN108387692A (zh) | 2018-04-25 | 2018-04-25 | 一种大气污染智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381283.7A CN108387692A (zh) | 2018-04-25 | 2018-04-25 | 一种大气污染智能监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108387692A true CN108387692A (zh) | 2018-08-10 |
Family
ID=63065875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810381283.7A Pending CN108387692A (zh) | 2018-04-25 | 2018-04-25 | 一种大气污染智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108387692A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187874A (zh) * | 2018-09-26 | 2019-01-11 | 东莞幻鸟新材料有限公司 | 区域空气质量智能实时发布系统 |
CN109187873A (zh) * | 2018-09-26 | 2019-01-11 | 东莞幻鸟新材料有限公司 | 区域空气质量智能实时感知系统 |
CN115659195A (zh) * | 2022-11-21 | 2023-01-31 | 中科三清科技有限公司 | 一种大气污染在线识别方法 |
CN117390464A (zh) * | 2023-12-11 | 2024-01-12 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
CN117807382A (zh) * | 2024-02-29 | 2024-04-02 | 广东慧航天唯科技有限公司 | 基于智慧物联的排水管网污染监测数据智能处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617217A (zh) * | 2013-11-20 | 2014-03-05 | 中国科学院信息工程研究所 | 一种基于层次索引的图像检索方法及系统 |
CN104316655A (zh) * | 2014-10-31 | 2015-01-28 | 珠海格力电器股份有限公司 | 空气污染物参数的处理方法、装置、设备及系统 |
CN204203201U (zh) * | 2014-10-31 | 2015-03-11 | 珠海格力电器股份有限公司 | 空气污染物参数的处理设备及系统 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
CN108333314A (zh) * | 2018-04-02 | 2018-07-27 | 深圳凯达通光电科技有限公司 | 一种空气污染智能监测系统 |
-
2018
- 2018-04-25 CN CN201810381283.7A patent/CN108387692A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617217A (zh) * | 2013-11-20 | 2014-03-05 | 中国科学院信息工程研究所 | 一种基于层次索引的图像检索方法及系统 |
CN104316655A (zh) * | 2014-10-31 | 2015-01-28 | 珠海格力电器股份有限公司 | 空气污染物参数的处理方法、装置、设备及系统 |
CN204203201U (zh) * | 2014-10-31 | 2015-03-11 | 珠海格力电器股份有限公司 | 空气污染物参数的处理设备及系统 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
CN108333314A (zh) * | 2018-04-02 | 2018-07-27 | 深圳凯达通光电科技有限公司 | 一种空气污染智能监测系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109187874A (zh) * | 2018-09-26 | 2019-01-11 | 东莞幻鸟新材料有限公司 | 区域空气质量智能实时发布系统 |
CN109187873A (zh) * | 2018-09-26 | 2019-01-11 | 东莞幻鸟新材料有限公司 | 区域空气质量智能实时感知系统 |
CN115659195A (zh) * | 2022-11-21 | 2023-01-31 | 中科三清科技有限公司 | 一种大气污染在线识别方法 |
CN117390464A (zh) * | 2023-12-11 | 2024-01-12 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
CN117390464B (zh) * | 2023-12-11 | 2024-03-08 | 唐山华洋自动化有限公司 | 基于kafka技术的分布式大气污染监测方法及系统 |
CN117807382A (zh) * | 2024-02-29 | 2024-04-02 | 广东慧航天唯科技有限公司 | 基于智慧物联的排水管网污染监测数据智能处理方法 |
CN117807382B (zh) * | 2024-02-29 | 2024-05-10 | 广东慧航天唯科技有限公司 | 基于智慧物联的排水管网污染监测数据智能处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108387692A (zh) | 一种大气污染智能监测系统 | |
CN108333314A (zh) | 一种空气污染智能监测系统 | |
CN108519465B (zh) | 一种基于大数据的空气污染智能监测系统 | |
CN108469273A (zh) | 基于机器学习算法的云端数据联调校准方法 | |
CN114371260A (zh) | 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法 | |
CN107478784A (zh) | 一种室内健康空气指数ihai的测评方法 | |
CN105548198A (zh) | 基于云平台的复杂产品质量自动检测的方法 | |
CN205253592U (zh) | 自动化产品识别与筛选生产线 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
Almeida et al. | Integration of biomonitoring and instrumental techniques to assess the air quality in an industrial area located in the coastal of central Asturias, Spain | |
CN117274827B (zh) | 一种智慧环境环保远程实时监测预警方法及系统 | |
CN108810843A (zh) | 城市空气质量智能监测系统 | |
Mathur et al. | High resolution air pollution mapping using wireless sensor nodes | |
CN104062409A (zh) | 智能油烟气体分析方法和设备 | |
CN109781190A (zh) | 一种建筑工地环境综合监测系统 | |
CN116644943B (zh) | 一种基于物联网的工程监理数据管理系统 | |
CN107179103A (zh) | 一种室内环境检测方法及装置 | |
CN208805156U (zh) | 一种基于机器视觉技术的电池在线检测装置 | |
CN202869935U (zh) | 一种在线监测大气污染物系统 | |
CN108769938A (zh) | 一种基于大数据的空气污染实时监测系统 | |
Pal et al. | Effectiveness of machine learning algorithms in forecasting AQI | |
CN108521636A (zh) | 一种基于区块链技术的空气污染数据处理系统 | |
CN108153632A (zh) | 一种信息技术设备安全检测系统及其检测方法 | |
CN107833433A (zh) | 一种预警准确的山区自然灾害预警系统 | |
CN100557436C (zh) | 新型空气离子静态测定法及空气离子静态测试系统 |
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: 20180810 |
|
RJ01 | Rejection of invention patent application after publication |