CN110412215A - 基于tstks算法的废气污染物排放异常的快速检测方法 - Google Patents
基于tstks算法的废气污染物排放异常的快速检测方法 Download PDFInfo
- Publication number
- CN110412215A CN110412215A CN201910611423.XA CN201910611423A CN110412215A CN 110412215 A CN110412215 A CN 110412215A CN 201910611423 A CN201910611423 A CN 201910611423A CN 110412215 A CN110412215 A CN 110412215A
- Authority
- CN
- China
- Prior art keywords
- search
- exhaust emissions
- tree
- algorithm
- tstks
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 16
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 4
- 230000003139 buffering effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 229910052738 indium Inorganic materials 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 239000007789 gas Substances 0.000 description 10
- 238000004056 waste incineration Methods 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- 239000010813 municipal solid waste Substances 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000003500 flue dust Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002918 waste heat 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
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- 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
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- 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
-
- 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
- G01N33/0068—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 using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24552—Database cache management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Exhaust Gas After Treatment (AREA)
Abstract
本发明涉及一种基于TSTKS算法的废气污染物排放异常的快速检测方法，包括以下步骤：根据大气排放标准，选择需要监测的废气的气体种类；获取需要监测的废气污染物的监测数据，并建立数据接收缓冲区；通过TSTKS算法在二叉搜索树基础上引入中间搜索分支，建立基于废气污染物排放异常特征的三叉树搜索策略，通过三叉树搜索测量实现对废气污染物排放异常的快速检测。本发明实现对废气污染物排放异常的快速、高效检测，同时保证了检测的准确性。
Description
技术领域
本发明涉及废气污染物排放检测技术领域，特别是涉及一种基于TSTKS算法的废气污染物排放异常的快速检测方法。
背景技术
随着人类社会的发展，垃圾已成为社会公害。垃圾焚烧发电作为一种先进的垃圾处理技术，充分体现了垃圾处理的资源化、减量化、无害化原则，因此在国内外获得了广泛的应用。然而，焚烧烟气中有毒有害物质排放造成的二次污染又成为亟待解决的问题。由于垃圾成分复杂,垃圾焚烧二次污染物主要为烟尘、NOx、酸性气体(HCl、HF和SO2)、CO等。其危害主要表现：酸性气体(HCl、HF和SO2)对人体的危害很大，能导致植物坏死，同时对余热锅炉过热器产生高温腐蚀和尾部受热面产生低温腐蚀；NOx对人体和动物的各组织都有损害，浓度达到一定程度会造成人和动物死亡，危害人类的生存环境；SO2对人体影响是呼吸系统，严重可引起肺气肿，甚至死亡等。针对垃圾焚烧产生的有害气体，如何准确的、快速的检测其是否浓度超标，是目前垃圾焚烧面临的一个亟待解决的现实性问题。
发明内容
本发明所要解决的技术问题是提供一种基于TSTKS算法的废气污染物排放异常的快速检测方法，实现对废气污染物排放异常的快速、高效检测，同时保证了检测的准确性。
本发明解决其技术问题所采用的技术方案是：提供一种基于TSTKS算法的废气污染物排放异常的快速检测方法，包括以下步骤：
(1)根据大气排放标准，选择需要监测的废气的气体种类；
(2)获取需要监测的废气污染物的监测数据，并建立数据接收缓冲区；
(3)通过TSTKS算法在二叉搜索树基础上引入中间搜索分支，建立基于废气污染物排放异常特征的三叉树搜索策略，通过三叉树搜索测量实现对废气污染物排放异常的快速检测。
所述步骤(1)中选取的需要监测的废气的气体种类包括：一氧化碳气体、二氧化硫气体和一氧化氮气体。
所述步骤(2)中的数据接收缓冲区用于缓存时序数据。
所述步骤(3)包括以下步骤：
(a)构建均值三叉树和差值三叉树；
(b)采用基于KS统计理论的三叉树的搜索策略实现对废气污染物排放异常的快速检测。
所述步骤(a)具体为：将缓冲完成的废气污染物的时序数据Z分解成多维的均值参数矩阵和差值参数矩阵；将均值参数矩阵和差值参数矩阵分别映射到对应的均值二叉搜索树和差值二叉搜索树的各层子节点；分别通过均值参数矩阵和差值参数矩阵来构造均值二叉搜索树和差值二叉搜索树中的各级的非叶子节点；将虚拟中间分支分别添加到现有的均值二叉树和差值二叉树的每个非叶子节点中，得到均值三叉树和差值三叉树。
所述步骤(b)中的基于KS统计理论的三叉树的搜索策略包括三条搜索策略，其中，第一条搜索策略为基于统计波动的搜索策略，第二条搜索策略为基于细节波动的搜索策略，所述第一条搜索策略和第二条搜索策略用于确定排放异常的最佳搜索路径；第三条搜索策略是建立在第一条搜索策略和第二条搜索策略的基础上用于确定排放异常的位置，所述第三条搜索策略具体为：假设均值三叉树的倒数第二级中的非叶节点(k＝1)cAk,j,是按照第一条搜索策略和第二条搜索策略检测到的，该非叶子节点的左侧叶子节点cA0,2j-1和右侧的子叶节点cA0,2j的两个统计变量SL和SR由KS统计定义；最大统计差异是在突变点出现之前或之后出现，即其中，Fm(x)和Gn(x)分别是XL和XR的经验分布函数和累积分布函数，其中，XL表示突变点左侧的序列集合，XR表示突变点右侧的序列集合，表示突变点左侧临界值，重新计算Fm(x)和Gn(x)之间的统计波动为和如果满足max(S'L,S'R)>C3(α),则从均值三叉树或差值三叉树的底层选择具有max(S'L,S'R)的叶节点，其中，和分别表示信号跳跃之前和信号跳跃之后Fm(x)和Gn(x)之间的最大统计差异，C3(α)表示显著水平为α的参数估计值。
所述步骤(3)后还包括通过可视化方法对废气污染物排放异常进行实时监控的步骤。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明在二叉树左右分支基础上添加中间分支，对数据突变点具有更好的敏感性和感知性。通过左、中、右三叉搜索策略对废气排放数据的异常特征进行快速分析与多路检测，进而实现对废气污染物排放异常的快速、高效检测，同时保证了检测的准确性。
附图说明
图1是本发明的TSTKS算法的理论框架图；
图2是本发明的均值三叉树和差值三叉树的结构示意图；
图3是本发明的算法流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于TSTKS算法的废气污染物排放异常的快速检测方法，如图3所示，包括以下步骤：
(1)根据大气排放标准，选择出焚烧厂废气中需要监测的气体种类；
垃圾焚烧过程中产生的污染物主要包括四大类：颗粒物(烟尘)、酸性气体(CO、NOX、SO2、HCI等)、重金属(Hg、Cr、Pb等)以及有机污染物(主要因子为二恶英类)。本实施方式在综合考量大气排放标准的基础上，最终选择CO、SO2以及NO作为研究对象。
(2)获取废气污染物监测数据，建立数据接收缓冲区，该数据接收缓冲区用于缓存时序数据。
(3)通过TSTKS算法在已有二叉搜索树基础上引入中间搜索分支，建立基于废气污染物排放异常特征的三叉树搜索策略，进而实现对废气污染物排放异常的快速检测。
TSTKS算法理论框架如图1所示。TSTKS算法属于三叉树搜索策略，该算法是由HWKS算法改进而来，可以大致分为两部分。第一部分是构建均值三叉树(TSTcA)和差值三叉树(TSTcD)，第二部分用改进的搜索策略来进行废气污染物排放异常的快速检测。
三叉树是在二叉树的基础上构建的，如图2所示，通过在二叉树左右分支基础上添加中间分支，该分支和左右分支有重合数据段，可以避免切分点和突变点位置重合的情况，是对HWKS的一种改进。
(a)均值三叉树和差值三叉树的构建。
将缓冲完成的废气污染物的时序数据Z分解成多维的均值参数矩阵(McA)和差值参数矩阵(McD)。然后将均值参数矩阵(McA)和差值参数矩阵(McD)分别映射到对应的均值二叉搜索树(TcA)和差值二叉搜索树(TcD)的各层子节点。分别通过McA和McD来构造TcA和TcD中的各级的非叶子节点。最后，将虚拟中间分支分别添加到现有的二叉树TcA和TcD的每个非叶子节点中，得到构建两个三叉搜索树TSTcA和TSTcD。
(b)基于KS统计理论的三叉树的搜索策略。
为了寻找一条从TSTcD或TSTcA发现废气污染物排放异常的最佳搜索途径，本算法给出了三条搜索策略。前两个搜索策略和二叉树一样是基于统计波动和细节波动的搜索策略，确定排放异常的最佳搜索路径。第三个搜索策略建立在前两个策略的基础上确定排放异常的位置。下面介绍第三个搜索策略。
假设TSTcA的倒数第二级(最后一个非叶级)中的非叶节点(k＝1)cAk,j,是按照前两个策略检测到的，其左侧和右侧子叶节点cA0,2j-1和cA0,2j以及两个统计变量SL和SR由KS统计定义为：
其中，Fm(x)、Gn(x)分别是XL＝{X1,...,Xc}和XR＝{Xc+1,...,XN}的经验分布函数和累积分布函数(e.c.d.f)。XL表示突变点左侧的序列集合、XR表示突变点右侧的序列集合、Xl和Xr分别表示突变点左右两侧的序列，I(·)表示统计值函数，c＝2j-1或者c＝2j，m＝c，n＝N-m。而最大统计差异是在突变点出现之前或之后出现，即：
其中，表示突变点左侧临界值。通过式(3)重新计算Fm(x)和Gn(x)之间的统计波动为和从而引入第三个搜索策略。如果满足max(S'L,S'R)>C3(α),则从均值三叉树或差值三叉树的底层选择具有max(S'L,S'R)的叶节点，即时间序列Z中估计的排放异常点，其中，分别表示信号跳跃之前和信号跳跃之后Fm(x)和Gn(x)之间的最大统计差异，C3(α)表示显著水平为α的参数估计值。
通过以上三个搜索策略，可以从TSTcA或TSTcD中的顶部根节点到底部叶节点获得寻找突变的最优搜索路径，实现对废气污染物排放异常的快速、高效检测。
(4)通过可视化方法对废气污染物排放异常进行实时监控。通过对模拟的样本数据进行仿真实验，用可视化方法对废气污染物排放异常进行实时监控。
不难发现，本发明在二叉树左右分支基础上添加中间分支，对数据突变点具有更好的敏感性和感知性。通过左、中、右三叉搜索策略对废气排放数据的异常特征进行快速分析与多路检测，进而实现对废气污染物排放异常的快速、高效检测，同时保证了检测的准确性。
Claims (7)
1.一种基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，包括以下步骤：
(1)根据大气排放标准，选择需要监测的废气的气体种类；
(2)获取需要监测的废气污染物的监测数据，并建立数据接收缓冲区；
(3)通过TSTKS算法在二叉搜索树基础上引入中间搜索分支，建立基于废气污染物排放异常特征的三叉树搜索策略，通过三叉树搜索测量实现对废气污染物排放异常的快速检测。
2.根据权利要求1所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(1)中选取的需要监测的废气的气体种类包括：一氧化碳气体、二氧化硫气体和一氧化氮气体。
3.根据权利要求1所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(2)中的数据接收缓冲区用于缓存时序数据。
4.根据权利要求1所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(3)包括以下步骤：
(a)构建均值三叉树和差值三叉树；
(b)采用基于KS统计理论的三叉树的搜索策略实现对废气污染物排放异常的快速检测。
5.根据权利要求4所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(a)具体为：将缓冲完成的废气污染物的时序数据Z分解成多维的均值参数矩阵和差值参数矩阵；将均值参数矩阵和差值参数矩阵分别映射到对应的均值二叉搜索树和差值二叉搜索树的各层子节点；分别通过均值参数矩阵和差值参数矩阵来构造均值二叉搜索树和差值二叉搜索树中的各级的非叶子节点；将虚拟中间分支分别添加到现有的均值二叉树和差值二叉树的每个非叶子节点中，得到均值三叉树和差值三叉树。
6.根据权利要求4所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(b)中的基于KS统计理论的三叉树的搜索策略包括三条搜索策略，其中，第一条搜索策略为基于统计波动的搜索策略，第二条搜索策略为基于细节波动的搜索策略，所述第一条搜索策略和第二条搜索策略用于确定排放异常的最佳搜索路径；第三条搜索策略是建立在第一条搜索策略和第二条搜索策略的基础上用于确定排放异常的位置，所述第三条搜索策略具体为：假设均值三叉树的倒数第二级中的非叶节点(k＝1)cAk,j,是按照第一条搜索策略和第二条搜索策略检测到的，该非叶子节点的左侧叶子节点cA0,2j-1和右侧的子叶节点cA0,2j的两个统计变量SL和SR由KS统计定义；最大统计差异是在突变点出现之前或之后出现，即其中，Fm(x)和Gn(x)分别是XL和XR的经验分布函数和累积分布函数，其中，XL表示突变点左侧的序列集合，XR表示突变点右侧的序列集合，表示突变点左侧临界值，重新计算Fm(x)和Gn(x)之间的统计波动为和如果满足max(S'L,S'R)>C3(α),则从均值三叉树或差值三叉树的底层选择具有max(S'L,S'R)的叶节点，其中，和分别表示信号跳跃之前和信号跳跃之后Fm(x)和Gn(x)之间的最大统计差异，C3(α)表示显著水平为α的参数估计值。
7.根据权利要求1所述的基于TSTKS算法的废气污染物排放异常的快速检测方法，其特征在于，所述步骤(3)后还包括通过可视化方法对废气污染物排放异常进行实时监控的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611423.XA CN110412215A (zh) | 2019-07-08 | 2019-07-08 | 基于tstks算法的废气污染物排放异常的快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910611423.XA CN110412215A (zh) | 2019-07-08 | 2019-07-08 | 基于tstks算法的废气污染物排放异常的快速检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110412215A true CN110412215A (zh) | 2019-11-05 |
Family
ID=68360617
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910611423.XA Pending CN110412215A (zh) | 2019-07-08 | 2019-07-08 | 基于tstks算法的废气污染物排放异常的快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110412215A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101900662A (zh) * | 2010-08-02 | 2010-12-01 | 山东大学 | 基于粒子系统的区域污染物浓度可视化方法 |
| CN105512616A (zh) * | 2015-11-27 | 2016-04-20 | 吉林大学 | 去除大气噪声影响重建遥感监测数据集的方法 |
| CN105867273A (zh) * | 2016-04-09 | 2016-08-17 | 新疆工程学院 | 一种基于物联网的工业废气排放远程监测系统 |
| CN108228840A (zh) * | 2018-01-05 | 2018-06-29 | 北京盛世博创信息技术有限公司 | 环保监测控制方法、装置、终端及计算机可读存储介质 |
| CN108335467A (zh) * | 2018-01-05 | 2018-07-27 | 东华大学 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
-
2019
- 2019-07-08 CN CN201910611423.XA patent/CN110412215A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101900662A (zh) * | 2010-08-02 | 2010-12-01 | 山东大学 | 基于粒子系统的区域污染物浓度可视化方法 |
| CN105512616A (zh) * | 2015-11-27 | 2016-04-20 | 吉林大学 | 去除大气噪声影响重建遥感监测数据集的方法 |
| CN105867273A (zh) * | 2016-04-09 | 2016-08-17 | 新疆工程学院 | 一种基于物联网的工业废气排放远程监测系统 |
| CN108228840A (zh) * | 2018-01-05 | 2018-06-29 | 北京盛世博创信息技术有限公司 | 环保监测控制方法、装置、终端及计算机可读存储介质 |
| CN108335467A (zh) * | 2018-01-05 | 2018-07-27 | 东华大学 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| QI JIN-PENG等: "Multi-Channel Detection for Abrupt Change Based on the Ternary Search Tree and Kolmogorov Statistic Method", 《PROCEEDINGS OF THE 34TH CHINESE CONTROL CONFERENCE》 * |
| 艾辣椒: "基于多路搜索的时序突变异常快速分析", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109960873B (zh) | 一种城市固废焚烧过程二噁英排放浓度软测量方法 | |
| Jiang et al. | An innovative hybrid air pollution early-warning system based on pollutants forecasting and Extenics evaluation | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN111461355A (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
| CN110135057A (zh) | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN115290831B (zh) | 一种空气质量检测方法 | |
| CN110412215A (zh) | 基于tstks算法的废气污染物排放异常的快速检测方法 | |
| Van et al. | A new model of air quality prediction using lightweight machine learning | |
| CN113780383A (zh) | 基于半监督随机森林和深度森林回归集成的二噁英排放浓度预测方法 | |
| Saini et al. | Internet of things based environment monitoring and PM 10 prediction for smart home | |
| Gao et al. | Analysis of air quality changes and influencing factors in Changchun during the COVID-19 pandemic in 2020 | |
| KR20060002324A (ko) | 대기오염배출원 계획의 결정지원시스템 | |
| Pant et al. | Air quality modeling for effective environmental management in Uttarakhand, India: A comparison of logistic regression and naive bayes | |
| Dzikuć et al. | Determining the environmental and economic benefits of life cycle assessment on example of the power plants in Poland | |
| Zhou et al. | Scenario Analysis of Carbon Emissions of China's Power Industry Based on the Improved Particle Swarm Optimization-Support Vector Machine Model. | |
| Azid et al. | Predicting combined-cycle natural gas power plant emissions by using artificial neural networks | |
| Simms et al. | Modelling fireside corrosion of heat exchangers in co-fired pulverised fuel power systems | |
| CN111460326A (zh) | 智能推送环境监测数据的方法、装置、设备及存储介质 | |
| Tingting et al. | Modeling on SCR process of a coal-fired boiler using LSSVM method | |
| Chen et al. | Gas emission prediction for environmental sustainability via heterogeneous data sources correlation with support vector regression | |
| Yong-jin et al. | Concentration Separation Prediction Model to Enhance Prediction Accuracy of Particulate Matter | |
| Kasetty et al. | A Survey Paper on an IoT-based Machine Learning Model to Predict Air Pollution Levels | |
| Zahoor et al. | LNG Bus Emissions Prediction Using Neural Network | |
| You | Research on Data Processing and Analysis Method of Environmental Monitoring in Coal-fired Power Plants based on Big Data Analysis | |
| ZAILAN | BACHELOR OF ENGINEERING (HONS.)(CIVIL ENGINEERING) |
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: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |