CN111122775A - 一种面向污染浓度监测设备的分段数据校准方法及系统 - Google Patents
一种面向污染浓度监测设备的分段数据校准方法及系统 Download PDFInfo
- Publication number
- CN111122775A CN111122775A CN201911259015.9A CN201911259015A CN111122775A CN 111122775 A CN111122775 A CN 111122775A CN 201911259015 A CN201911259015 A CN 201911259015A CN 111122775 A CN111122775 A CN 111122775A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- calibrated
- standard
- range 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
Images
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
- G01N33/0006—Calibrating gas analysers
Abstract
本发明涉及一种面向污染浓度监测设备的分段数据校准方法及系统,可根据不同的污染物在不同浓度时其外在表现性质,设置校准分段标准,对标准设备和待校准设备所分别采集的标准设备数据集和待校准设备数据集进行分割后分别得到多个分段范围数据,然后利用线性回归方法根据标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据进行分别映射,从而得到校准参数,即通过对待校准设备进行分段校准,提高了校准精度。
Description
技术领域
本发明涉及污染浓度监测设备领域,尤其涉及一种面向污染浓度监测设备的分段数据校准方法及系统。
背景技术
随着人民生活水平的不断提高,人们对自己周围生活环境的要求越来越高,而实时了解周围空气所处的状态已经逐渐成为人们生活的常态化需求。而这就需要部署足够数量的用于监测污染物浓度的监测设备来实现这一目标,在部署监测设备环节当中,新生产的污染浓度监测设备需要与标准的污染浓度监测设备做数据对比来实现校准,但污染物在不同浓度时其外在表现性质可能会发生不同的变化,目前所采用的单一的校准手段无法达到对新生产的监测设备精确校准的目的。
因此,如何实现对新生产的监测设备进行精确校准是业内亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种面向污染浓度监测设备的分段数据校准方法及系统。
本发明的一种面向污染浓度监测设备的分段数据校准方法的技术方案如下:
S1、利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,并根据校准分段标准对其进行分割后分别得到多个分段范围数据;
S2、根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
本发明的一种面向污染浓度监测设备的分段数据校准方法的有益效果如下:
可根据不同的污染物在不同浓度时其外在表现性质,设置校准分段标准,对标准设备和待校准设备所分别采集的标准设备数据集和待校准设备数据集进行分割后分别得到多个分段范围数据,然后利用线性回归方法根据标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据进行分别映射,从而得到校准参数,即通过对待校准设备进行分段校准,提高了校准精度。
在上述方案的基础上,本发明的一种面向污染浓度监测设备的分段数据校准方法还可以做如下改进。
进一步,S1之后还包括如下步骤:
S10、判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,继续执行S2。
采用上述进一步方案的有益效果是:当判定标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据之间的相关系数大于预设相关系数时,再对待校准设备进行校准,避免由于待校准设备本身精度误差较大而导致再浪费时间,提高校准效率。
进一步,S10之后还包括如下步骤:
S100、根据预设筛选条件,对所述标准设备数据集进行筛选,其中,所述预设筛选条件为:所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
采用上述进一步方案的有益效果是:通过设置预设筛选条件,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
进一步,所述预设筛选条件还包括:所述预设筛选条件还包括:所述标准设备数据集的各分段范围数据中连续监测的各数据之间的方差不为零。
采用上述进一步方案的有益效果是:避免在标准设备数据集出现无意义的数据,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
进一步,S2中通过所述线性回归方法得到所述校准参数时,具体包括如下步骤:
S20、利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;
S21、利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。
采用上述进一步方案的有益效果是:具体解释了利用线性回归方法得到校准参数的过程,过程简单且便于计算。
本发明的一种面向污染浓度监测设备的分段数据校准系统的技术方案如下:
包括预获取数据模块、分段模块和生成校准参数模块,所述获取数据模块利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,所述分段模块根据校准分段标准对其进行分割后分别得到多个分段范围数据;所述生成校准参数模块用于根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
本发明的一种面向污染浓度监测设备的分段数据校准系统的有益效果如下:
可根据不同的污染物在不同浓度时其外在表现性质,设置校准分段标准,通过分段模块对标准设备和待校准设备所分别采集的标准设备数据集和待校准设备数据集进行分割后分别得到多个分段范围数据,然后生成校准参数模块利用线性回归方法根据标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据进行分别映射,从而得到校准参数,即通过对待校准设备进行分段校准,提高了校准精度。
在上述方案的基础上,本发明的一种面向污染浓度监测设备的分段数据校准系统还可以做如下改进。
进一步,还包括判断模块,所述判断模块用于判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,所述生成校准参数模块计算出所述校准参数。
采用上述进一步方案的有益效果是:当判断模块判定标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据之间的相关系数大于预设相关系数时,再对待校准设备进行校准,避免由于待校准设备本身精度误差较大而导致再浪费时间,提高校准效率。
进一步,还包括筛选模块,所述筛选模块用于根据预设筛选条件,对所述标准设备数据集进行筛选,其中,所述预设筛选条件为:所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
采用上述进一步方案的有益效果是:筛选模块根据预设筛选条件对标准设备数据集中的各分段范围数据进行筛选,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
进一步,所述预设筛选条件还包括:所述标准设备数据集的各分段范围数据中连续监测的各数据之间的方差不为零。
采用上述进一步方案的有益效果是:避免在标准设备数据集出现无意义的数据,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
进一步,所述生成校准参数模块利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;所述生产校准参数模块还利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。
采用上述进一步方案的有益效果是:具体解释了利用线性回归方法得到校准参数的过程,过程简单且便于计算。
附图说明
图1为本发明实施例的一种面向污染浓度监测设备的分段数据校准方法的流程示意图之一;
图2本发明实施例的一种面向污染浓度监测设备的分段数据校准方法的流程示意图之二;
图3为本发明实施例的一种面向污染浓度监测设备的分段数据校准系统的结构示意图。
具体实施方式
本发明实施例的一种面向污染浓度监测设备的分段数据校准方法,如图1所示,包括如下步骤:
S1、利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,并根据校准分段标准对其进行分割后分别得到多个分段范围数据;
S2、根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
可根据不同的污染物在不同浓度时其外在表现性质,设置校准分段标准,对标准设备和待校准设备所分别采集的标准设备数据集和待校准设备数据集进行分割后分别得到多个分段范围数据,然后利用线性回归方法根据标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据进行分别映射,从而得到校准参数,即通过对待校准设备进行分段校准,提高了校准精度。
为了表述方便,将标准的污染浓度监测设备标记为标准设备,将新生产的污染浓度监测设备标记为待校准设备,其中,校准分段标准可由用户确定,也可根据不同的污染物在不同浓度时其外在表现性质进行确定,以监测空气中PM2.5的浓度为例,校准分段标准可分为四段分别为:第一校准分段:0~35、第二校准分段:36~90、第三校准分段:91~300、第四校准分段:大于300,然后根据这第一校准分段至第四校准分段将标准设备数据集和待校准设备数据集进行分段。
较优地,在上述技术方案中,S1之后还包括如下步骤:
S10、判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,继续执行S2。
当判定标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据之间的相关系数大于预设相关系数时,再对待校准设备进行校准,避免由于待校准设备本身精度误差较大而导致再浪费时间,提高校准效率。其中预设相关系数可设置为0.5、0.6、0.7、0.8等,若判定标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据之间的相关系数小于预设相关系数时,由于待校准设备本身精度误差较大,也就失去了校准的意义,便不对其进行校准,避免浪费时间,提高校准地效率。
较优地,在上述技术方案中,S10之后还包括如下步骤:
S100、根据预设筛选条件,对所述标准设备数据集进行筛选,其中所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
通过设置预设筛选条件,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
其中,所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值的具体含义为:例如,在10分钟中的监测时间内,在每分钟内标准设备各连续监测采集到100个数据,即在第一分钟内有100个数据点,假设预设长度阈值为20个,根据校准分段标准对标准设备数据集进行分段后所形成的各分段范围数据中的数据点须超过20个,若沿用上述的PM2.5的校准分段标准为例,落在在第一校准分段:0~35范围内的数据点的个数应超过20个,若未超过,则继续判断第二分钟内的100个数据点,在各分段范围数据中的数据点须是否超过20个,直至判定标准设备数据集的各分段范围数据的数据点超过20个时,才将此分段范围数据的数据作为标准的分段范围数据,例如,若在第5分钟内符合该预设筛选条件,则将第5分钟内的标准设备的各分段范围数据和第5分钟内的待校准设备的相应的各分段范围数据通过线性回归方法计算出待校准设备与标准设备之间的映射关系,进而得到校准参数,其中,预设长度阈值也为10、15等。
较优地,在上述技术方案中,所述预设筛选条件还包括:所述标准设备数据集中连续监测的各数据之间的方差不为零。
避免在标准设备数据集出现无意义的数据,进一步提高了标准设备数据集的精度,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。还沿用上述例子进行阐述,当判定第5分钟内的标准设备的各分段范围数据落在第一校准分段:0~35范围内后,继续对其各数据之间的方差进行计算并比较,避免由于方差为零出现无意义的数据,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
较优地,在上述技术方案中,S2中通过所述线性回归方法得到所述校准参数时,具体包括如下步骤:
S20、利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;
S21、利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。
具体解释了利用线性回归方法得到校准参数的过程,过程简单且便于计算。
下面通过另外一个实例对本申请的一种面向污染物浓度监测设备的分段数据校准方法进行更为更为详细的阐述,如图2所示:
首先,利用利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,并根据用户输入的校准分段标准对其进行分割后分别得到多个分段范围数据,详细地,标准设备数据集分割为:第一标准设备数据分段范围数据、第二标准设备数据分段范围数据、第三标准设备数据分段范围数据……第N标准设备数据分段范围数据;待校准设备数据集分割为:第一待校准设备数据分段范围数据、第二待校准设备数据分段范围数据、第三待校准设备数据分段范围数据……第N待校准设备数据分段范围数据,其中,N为正整数,例如,在上述监测空气中PM2.5的浓度的实施例中,校准分段标准分为四段,分别为:第一校准分段:、第二校准分段、第三校准分段和第四校准分段,根据此校准分段标准对标准设备数据集和待校准设备数据集分割后也为四段,即N=4;
然后,根据上述的预设筛选条件分别对第一标准设备数据分段范围数据、第二标准设备数据分段范围数据、第三标准设备数据分段范围数据……第N标准设备数据分段范围数据进行筛选,若第一标准设备数据分段范围数据、第二标准设备数据分段范围数据、第三标准设备数据分段范围数据……第N标准设备数据分段范围数据均符合预设筛选条件时,再比较标准设备数据集中各分段范围数据与戴娇准设备数据集中对应的各分段范围数据的相关系数是否大于预设相关系数,详细地:
比较第一标准设备数据分段范围数据与第一标准设备数据分段范围数据的相关系数是否大于预设相关系数,比较第二标准设备数据分段范围数据与第二标准设备数据分段范围数据的相关系数是否大于预设相关系数,第三标准设备数据分段范围数据与第三标准设备数据分段范围数据的相关系数是否大于预设相关系数,以此类推,比较第N标准设备数据分段范围数据与第N标准设备数据分段范围数据的相关系数是否大于预设相关系数,均大于预设相关系数时,则利用线性回归算法计算出校准参数,具体地:
利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据,详细地:
利用上述表达式,根据最小二乘法计算出第一标准设备数据分段范围数据与第一标准设备数据分段范围数据之间所对应的k值与b值,分别标记为第一k值和第一b值;然后继续根据最小二乘法计算出第二标准设备数据分段范围数据与第二标准设备数据分段范围数据之间的k值与b值,分别标记为第二k值和第二b值;然后继续根据最小二乘法计算出第三标准设备数据分段范围数据与第三标准设备数据分段范围数据之间的k值与b值,分别标记为第三k值和第三b值,依次类推,继续根据最小二乘法计算出第N标准设备数据分段范围数据与第N标准设备数据分段范围数据之间的k值与b值,标记为第Nk值和第Nb值,其中,第一k值和第一b值、第二k值和第二b值、第三k值和第三b值……第Nk值和第Nb值即为校准参数,通过此校准参数对待校准设备进行分段校准,提高了校准精度。
以监测CO2浓度的监测设备校准为例,将校准分段标准分为五段,以目前的校准方式和根据本申请中的一种面向污染物浓度监测设备的分段数据校准方法得到如下表1的校准结果:
表1:
具体地,目前的校准方法是对标准设备的标准设备数据集和待校准设备的待校准设备数据集中全部数据进行整体对比,得到其RMSE即均方根误差为276.4027,而利用本申请中一种面向污染物浓度监测设备的分段数据校准方法所得到的RMSE为161.5762,可见,161.5762<276.4027,使校准精度提高,而且,在第一校准分段、第二校准分段……第五校准分段中的RMSE也均小于目前的校准方法,从表1的实际的校准结果证明了本申请的一种面向污染浓度监测设备的分段数据校准方法的有效性、实用性和准确性。
如图3所示,本发明实施例的一种面向污染浓度监测设备的分段数据校准系统200,包括预获取数据模块210、分段模块220和生成校准参数模块230,所述获取数据模块210利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,所述分段模块220根据校准分段标准对其进行分割后分别得到多个分段范围数据;所述生成校准参数模块230用于根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
可根据不同的污染物在不同浓度时其外在表现性质,设置校准分段标准,通过分段模块220对标准设备和待校准设备所分别采集的标准设备数据集和待校准设备数据集进行分割后分别得到多个分段范围数据,然后生成校准参数模块230利用线性回归方法根据标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据进行分别映射,从而得到校准参数,即通过对待校准设备进行分段校准,提高了校准精度。
较优地,在上述技术方案中,还包括判断模块,所述判断模块用于判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,所述生成校准参数模块230计算出所述校准参数。
当判断模块判定标准设备的各分段范围数据与待校准设备的相对应的各分段范围数据之间的相关系数大于预设相关系数时,再对待校准设备进行校准,避免由于待校准设备本身精度误差较大而导致再浪费时间,提高校准效率。
较优地,在上述技术方案中,还包括筛选模块,所述筛选模块用于根据预设筛选条件,对所述标准设备数据集进行筛选,其中,所述预设筛选条件为:所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
筛选模块根据预设筛选条件对标准设备数据集中的各分段范围数据进行筛选,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
较优地,在上述技术方案中,所述预设筛选条件还包括:所述标准设备数据集的各分段范围数据中连续监测的各数据之间的方差不为零。
避免在标准设备数据集出现无意义的数据,进而确保标准设备数据集的各分段范围数据的准确性,从而得到更为精确的校准参数。
较优地,在上述技术方案中,所述生成校准参数模块230利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;所述生产校准参数模块还利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。具体解释了利用线性回归方法得到校准参数的过程,过程简单且便于计算。
上述关于本发明的一种面向污染浓度监测设备的分段数据校准系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种面向污染浓度监测设备的分段数据校准方法的实施例中的各参数和步骤,在此不做赘述。
在本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种面向污染浓度监测设备的分段数据校准方法,其特征在于,包括如下步骤:
S1、利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,并根据校准分段标准对其进行分割后分别得到多个分段范围数据;
S2、根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
2.根据权利要求1所述的一种面向污染浓度监测设备的分段数据校准方法,其特征在于,S1之后还包括如下步骤:
S10、判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,继续执行S2。
3.根据权利要求2所述的一种面向污染浓度监测设备的分段数据校准方法,其特征在于,S10之后还包括如下步骤:
S100、根据预设筛选条件,对所述标准设备数据集的各分段范围数据进行筛选,其中,所述预设筛选条件为:所述标准设备数据集中各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
4.根据权利要求3所述的一种面向污染浓度监测设备的分段数据校准方法,其特征在于,所述预设筛选条件还包括:所述标准设备数据集的各分段范围数据中连续监测的各数据之间的方差不为零。
5.根据权利要求1至4任一项所述的一种面向污染浓度监测设备的分段数据校准方法,其特征在于,S2中通过所述线性回归方法得到所述校准参数时,具体包括如下步骤:
S20、利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;
S21、利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。
6.一种面向污染浓度监测设备的分段数据校准系统,其特征在于,包括预获取数据模块、分段模块和生成校准参数模块,
所述获取数据模块利用标准设备和待校准设备同时对污染浓度进行监测,分别形成标准设备数据集和待校准设备数据集,所述分段模块根据校准分段标准对其进行分割后分别得到多个分段范围数据;
所述生成校准参数模块用于根据所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据,利用线性回归方法计算出所述待校准设备与所述标准设备之间的映射关系,进而得到校准参数。
7.根据权利要求6所述的一种面向污染浓度监测设备的分段数据校准系统,其特征在于,还包括判断模块,所述判断模块用于判断所述标准设备的各分段范围数据与所述待校准设备的相对应的各分段范围数据之间的相关系数是否大于预设相关系数时,若是,所述生成校准参数模块计算出所述校准参数。
8.根据权利要求7所述的一种面向污染浓度监测设备的分段数据校准系统,其特征在于,还包括筛选模块,所述筛选模块用于根据预设筛选条件,对所述标准设备数据集进行筛选,其中,所述预设筛选条件为:所述标准设备数据集的各分段范围数据中连续监测的数据点的序列长度不小于预设长度阈值。
9.根据权利要求8所述的一种面向污染浓度监测设备的分段数据校准系统,其特征在于,所述预设筛选条件还包括:所述标准设备数据集的各分段范围数据中连续监测的各数据之间的方差不为零。
10.根据权利要求6至9任一项所述的一种面向污染浓度监测设备的分段数据校准系统,其特征在于,所述生成校准参数模块利用表达式y=kx+b表示所述待校准设备与所述标准设备之间的映射关系,其中,其中y代表所述标准设备的各分段范围数据,x为所述待校准设备数据中相应地各分段范围数据;所述生产校准参数模块还利用最小二乘法计算出所述标准设备的各分段范围数据与所述待校准设备数据中相应地各分段范围数据所对应的k值与b值即得到所述校准参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259015.9A CN111122775A (zh) | 2019-12-10 | 2019-12-10 | 一种面向污染浓度监测设备的分段数据校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259015.9A CN111122775A (zh) | 2019-12-10 | 2019-12-10 | 一种面向污染浓度监测设备的分段数据校准方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111122775A true CN111122775A (zh) | 2020-05-08 |
Family
ID=70498086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259015.9A Pending CN111122775A (zh) | 2019-12-10 | 2019-12-10 | 一种面向污染浓度监测设备的分段数据校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111122775A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830013A (zh) * | 2020-06-28 | 2020-10-27 | 杭州棒糖网络科技有限公司 | 一种提高激素浓度测量设备的测量准确性的方法 |
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
CN116008385A (zh) * | 2023-03-27 | 2023-04-25 | 北京英视睿达科技股份有限公司 | 一种tvoc监测设备校准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256204A (zh) * | 2007-01-06 | 2008-09-03 | 赵化宾 | 电流检测装置及其校准方法 |
CN103808454A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 一种压力传感器的自主校准方法 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
CN106018223A (zh) * | 2016-05-24 | 2016-10-12 | 深圳市蜂联科技有限公司 | 一种分段最优标定提高空气质量检测设备测量精度的方法 |
CN109813269A (zh) * | 2019-02-25 | 2019-05-28 | 交通运输部公路科学研究所 | 结构监测传感器在线校准数据序列匹配方法 |
CN110514785A (zh) * | 2019-07-31 | 2019-11-29 | 北京佳华智联科技有限公司 | 传感器数据在线校准方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-10 CN CN201911259015.9A patent/CN111122775A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256204A (zh) * | 2007-01-06 | 2008-09-03 | 赵化宾 | 电流检测装置及其校准方法 |
CN103808454A (zh) * | 2014-02-27 | 2014-05-21 | 北京航空航天大学 | 一种压力传感器的自主校准方法 |
CN105784672A (zh) * | 2016-04-12 | 2016-07-20 | 河北伊诺光学科技股份有限公司 | 一种基于双树复小波算法的毒品检测仪标准化方法 |
CN106018223A (zh) * | 2016-05-24 | 2016-10-12 | 深圳市蜂联科技有限公司 | 一种分段最优标定提高空气质量检测设备测量精度的方法 |
CN109813269A (zh) * | 2019-02-25 | 2019-05-28 | 交通运输部公路科学研究所 | 结构监测传感器在线校准数据序列匹配方法 |
CN110514785A (zh) * | 2019-07-31 | 2019-11-29 | 北京佳华智联科技有限公司 | 传感器数据在线校准方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
国家电力公司发输电运营部 编: "《电力系统计量标准汇编 热工部分》", 30 July 2002 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830013A (zh) * | 2020-06-28 | 2020-10-27 | 杭州棒糖网络科技有限公司 | 一种提高激素浓度测量设备的测量准确性的方法 |
CN112308140A (zh) * | 2020-10-30 | 2021-02-02 | 上海市建筑科学研究院有限公司 | 室内环境质量监控方法和终端 |
CN116008385A (zh) * | 2023-03-27 | 2023-04-25 | 北京英视睿达科技股份有限公司 | 一种tvoc监测设备校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111122775A (zh) | 一种面向污染浓度监测设备的分段数据校准方法及系统 | |
CN104020724B (zh) | 告警监控方法和装置 | |
JP4272624B2 (ja) | 測定装置のための評価及び最適化 | |
CN107704192B (zh) | 一种滤波算法及其探测器 | |
JP2011069821A (ja) | ランダムノイズ信号の検出及びフィルタリング方法 | |
CN116614525A (zh) | 一种基于大数据分析的地块土壤环境快速监测系统 | |
CN109213057B (zh) | 智能诊断装置和方法 | |
JP7188949B2 (ja) | データ処理方法およびデータ処理プログラム | |
CN108802153B (zh) | 一种周期衰减的校准方法、电子设备和存储介质 | |
CN106255873B (zh) | 一种进行自动补偿的方法、装置及相应的流式细胞分析仪 | |
CN101592692B (zh) | 测量机台的评估方法 | |
CN116007626A (zh) | 一种一体化综合定位系统 | |
KR101538548B1 (ko) | 컴퓨터가 수행하는 극소불량률 관리 방법 | |
CN109783939A (zh) | 一种结合Grubbs法和3σ方法的数据处理方法 | |
CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 | |
JP3035089B2 (ja) | プロセスの特性推定方法およびその装置ならびにその推定方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
KR101615346B1 (ko) | 반도체 제조 공정에서의 이상 감지 방법, 장치 및 기록매체 | |
CN108154292B (zh) | 一种路面性能的预测模型的建立方法及系统 | |
CA2034421C (en) | Quality control using multi-process performance analysis | |
CN112567241A (zh) | 环境传感器协同校准方法 | |
US6862545B1 (en) | Linewidth measurement tool calibration method employing linewidth standard | |
CN104849278A (zh) | 一种基于相似性系数测定烟丝长丝率的方法 | |
CN116007824B (zh) | 硅压阻式气压传感模块的误差修正方法及模块 | |
Villarraga-Gómez et al. | Proficiency testing for interlaboratory comparisons on industrial computed tomography | |
CN111421789B (zh) | 一种胎面在线检测方法和系统 |
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: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |