CN111912937A - 一种室内突发污染物智能实时溯源方法及系统 - Google Patents

Abstract

本发明属于污染物检测领域，涉及一种室内突发污染物智能实时溯源方法及系统，包括以下步骤：S1设定室内空间的空间特征值和污染源特征值；S2根据空间特征值获得时空流场数据，在根据时空流场数据和污染源特征值构建污染样品库；S3根据时空浓度场数据，设定传感器位置，并将室内空间分为若干一级网格，并将一级网络分为若干二级网格，将传感器位置标记在二级网格中；S4获取传感器特征值，获得传感器特征与污染源信息的映射关系；S5在实际待测的室内按照步骤S3中方式布置传感器，采集传感器的实测特征值。其在不增加计算量的前提下，提高了污染源溯源的准确度。

Description

一种室内突发污染物智能实时溯源方法及系统

技术领域

本发明是关于一种室内突发污染物智能实时溯源方法及系统，属于污染物检测技术领域。

背景技术

目前，主要的室内污染物检测方法分为以下三类。第一类为以室内空间中某时刻传感器的浓度读数为初始条件，通过反演分析，求解气体扩散的控制方程确定污染源的位置。第二类为预先进行大量模拟计算涵盖所有可能的泄漏场景并储存在数据库中，污染源泄漏后依据传感器浓度读数寻找近似值进而确定污染源位置。第三类：利用搭载传感器的机器人，来主动发现、跟踪并确定污染源位置，即机器人的主动嗅觉。其中，第一类方法缺乏时效性，反向求解偏微分方程组计算量巨大，在事件发生后无法及时给出关键的污染源信息。第三类基于移动机器人主动嗅觉的方法具有不依赖初值，计算效率高等优点。但实施成本高，且需要良好的行走条件。故在实际中多采用第二类室内污染物物检测。

第二类污染物检测方法是2002年，Sohn等研究建筑物内部气态污染物物的溯源问题时提出。其研究的建筑物拥有5个房间，当传感器报警并检测到种类和浓度信息时，利用算法推测污染物物来自哪个房间。Sohn团队采用了多区模型，预先假设了不同的污染物物释放位置，计算出一系列扩散数据。再利用贝叶斯统计的方法，将传感器数据与其匹配，可以得出某区域污染物释放的概率。该方法的优点是实时性好、避开复杂的反向求解、溯源的同时得到扩散信息，其研究结果证明了该思路用于快速辨识室内污染源的可行性。该方法是一种正向方法，将辨识过程分为两个阶段：

1、首先将可能出现的污染源场景作为已知条件，通过数值计算，获得大量污染物扩散案例并储存在数据库中；

2、根据传感器检测数据，根据一定规则在扩散数据库中匹配最相似的案例，该案例中的假定污染源即是溯源结果。

第二类方法预先计算并构建扩散案例库，使用时利用监测信息匹配数据库中的案例，从而快速获取污染源信息。这种方法虽然解决了时效问题，但依赖大量的已知信息，如室内恒定的流场环境以及所有的污染源释放特征值，前期模拟计算工作量巨大，如无法构建真正完整的扩散数据库，无法消除溯源结果的误差。为降低前期计算量，现有技术通常采用区域模型或网格较粗的CFD模拟，这就导致了计算精度大幅降低，溯源的准确性无法保证。此外，传感器所在位置的污染物物浓度变化是同时取决于室内气流分布、污染源的数量、位置和污染源浓度等多种因素的复杂函数。由于这些因素相互耦合在一起，相同或近似的传感器读数可能来源于不同位置和污染源浓度的污染源。这样在模拟结果数据库中就可能存在多个与传感器读数“匹配”的结果，从而难以实现对污染源位置和污染源浓度的准确辨识。

发明内容

针对上述现有技术的不足，本发明的目的是提供了室内突发污染物智能实时溯源方法及系统，其在不增加计算量的前提下，提高了污染源溯源的准确度。

为实现上述目的，本发明提供了一种室内突发污染物智能实时溯源方法，包括以下步骤：S1根据预设的空间特征值获得时空流场数据，再根据时空流场数据和预设的污染源特征值构建污染样品库；S2根据时空浓度场数据，设定传感器位置，并将室内空间分为若干一级网格，并将一级网络分为若干二级网格，将传感器位置标记在二级网格中；S3获取传感器特征值，根据传感器特征值和传感器位置获得传感器特征与污染源信息的映射关系；S4在实际待测的室内按照步骤S2中方式布置传感器，采集传感器的实测特征值，并将其代入映射关系以得到实际污染源信息。

进一步，一个一级网格对应一种污染物物，一级网格下所有二级网格均检测同一污染物物，所有二级网格中传感器获得的传感器特征值均作为一级网络中传感器获得的传感器特征值输出。

进一步，二级网格的边长是一级网格的一半，二级网格数量为一级网格的双数倍。

进一步，步骤S3中，将获得的传感器特征值和传感器位置同时带入机器学习算法中进行训练，从而获得传感器特征与污染源信息的映射关系。

进一步，步骤S1中，时空流场数据通过将空间特征值带入N-S方程组获得，时空浓度场数据通过将时空流场数据和污染源特征值带入污染物传输方程获得。

进一步，步骤S1中构建污染样品库的方法，包括以下步骤：S1.1通过PISO算法计算时空流场数据；S1.2设置污染源特征值以获得污染物传输方程；S1.3将污染物方程代入时空流场数据以计算计算空间浓度场；S1.4重复S1.2-S1.3，直至计算出所有污染物的空间浓度场，并将所有污染物的空间浓度场组成污染样品库。

进一步，污染物传输方程的具体形式为：

其中，c代表污染物物特征值，t为时间，u为每个网格的通量，S_c为污染源项，Γ为污染物物的扩散系数。

进一步，空间特征值包括室内空间结构、规律通风策略和环境气候影响；污染源特征值包括污染源位置和污染物类型。

进一步，传感器特征值包括：传感器所在网格的各个时刻的浓度和时间维度特征值，网格内的传感器检测到的污染物浓度随时间的变化曲线传感器随时间变换的曲线中某一时刻的加速度、极值差、方差或期望。

本发明还公开了一种室内突发污染物智能实时溯源系统，包括：数据计算模块，用于根据预设空间特征值获得时空流场数据，再根据时空流场数据和预设的污染源特征值构建污染样品库；网格模块，用于根据污染样品库，设定传感器位置，并将室内空间分为若干一级网格，并将一级网络分为若干二级网格，将传感器位置标记在二级网格中；映射模块，用于获取传感器特征值，根据传感器特征值和传感器位置获得传感器特征与污染源信息的映射关系；输出模块，用于在实际待测的室内按照步骤S2中方式布置传感器，采集传感器的实测特征值，并将其代入映射关系以得到实际污染源信息。

本发明由于采取以上技术方案，其具有以下优点：

1、前期的模拟计算，用“样本库”代替了“案例库”，采用了速度-浓度解耦计算的方法，可以利用CFD大幅提高单个样本的精度，获取足够多的扩散信息，使得空间内精准溯源成为可能。

2、传统“案例搜索法”只能得到有限个离散的污染源信息，用机器学习方法可针对性的采用分类模型和回归模型，实现的连续污染源信息输入输出，既提高了溯源时效性、准确性，又大幅降低前期的计算工作。

附图说明

图1是本发明一实施例中室内突发污染物智能实时溯源方法的流程图；

图2是本发明一实施例中二级网格的结构示意图。

具体实施方式

为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。

实施例一

本实施例公开了一种室内突发污染物智能实时溯源方法，如图1所示，包括：

设定室内空间的空间特征值和污染源特征值。

其中，污染物物源特征值包括污染物物种类和污染物物位置，空间特征值包括室内空间结构、规律通风策略和环境气候信息。

实际情况中室内空间设计复杂，故在几何建模时需要在考虑实际尺寸以及各个组件对污染物扩散的影响，依据“最不利原则”，对空间模型进行必要的简化处理，优化扩散的场景边界，并且为了方便标识污染源的位置，将室内空间划分为若干网格。本实施例中室内空间划分网格优选采用SnappyHexMesh结构化正六面体的划分方法，根据预设的样本总量，在符合条件(如靠近地面或墙壁等)的网格处设置污染源。

对于每一种污染源，分不同污染源浓度和不同坐标位置，假设共10个位置、10种污染源浓度，则共模拟10×10＝100个样本。

S1根据预设的空间特征值获得时空流场数据，再根据时空流场数据和预设的污染源特征值构建污染样品库。

其具体采用标准k-ε湍流模型进行CFD数值模拟，从而得到时空浓度场数据和时空流场数据。

其中CFD数值模拟计算为限速步骤。故本实施例采用解耦的方法对时空浓度场数据和时空流场数据进行优化。

解耦的过程为：本文涉及的扩散案例均具有统一的流场环境和初始条件，鉴于U和P的求解是最大限速步骤，因此如果调用PISO-C算法，每个案例会重复计算一次速度场和压力场，极大浪费计算资源。由于速度到浓度是一个单向求解过程，因此可以提前计算一次高精度的流场，再把各时间步的值顺序传入物质传输方程，即可得到该流场条件下的浓度场。基于这种思路，本文开发了一种分步算法PISO-CS，用于快速构建不同污染源在相同流场条件下的污染样品库，计算流程如下：

S1.1通过PISO算法计算时空流场数据；

S1.2设置污染源特征值以获得污染物传输方程；

S1.3将污染物方程代入时空流场数据以计算计算空间浓度场；

S1.4重复S1.2-S1.3，直至计算出所有污染物的空间浓度场，并将所有污染物的空间浓度场组成污染样品库。

时空流场数据需要由3个方程组计算得出，此处的3个方程组即为N-S方程组。计算时空浓度场数据需要再加入1个方程，但第4个方程的未知量完全可以由前3个方程求出，没必要4个方程联立计算。即先计算前3个方程组，在由前3个方程组获得第4个方程的解，此处的第4个方程为污染物传输方程，其具体形式为：

其中，假设整个扩散过程为不可压缩过程，密度变化忽略不计，c代表污染物物特征值，t为时间，u为每个网格的通量，S_c为污染源项，Γ为污染物物的扩散系数。整个方程从左至右分别为时间项、对流项、扩散项和源项。不同污染物物的扩散系数不同，对扩散结果的影响较大。

数值模拟得到的实际可监测到的数据：不同时刻每个网格中心坐标的浓度假设共m个网格，观测了n个时刻，i网格j时刻的浓度为a_ij。每个网格得到一组时序浓度数据，即1个n维向量，(a_i1,a_i2,......，a_in)，最终结果为矩阵Am×n。

S3根据污染样品库，设定传感器位置，并将室内空间分为若干一级网格，并将一级网络分为若干二级网格，将传感器位置标记在二级网格中。

本领域中现有的方法通常只设置一级网格，这种方法存在的问题是同一时刻同一位置每次只能输出一个特征值，故其一般只能根据传感器位置与污染物位置，传感器特征值与污染物特征值的映射关系分别建立模型，操作复杂，计算量大。另外还有一种方法就是建立一个复杂的包括了传感器位置和传感器浓度的特征向量，将该特征向量带入模型进行训练从而得到最终的传感器信息与污染物信息的映射关系，但这种方法不但计算量很大，而且由于一个位置只有一个特征值所以结果也不是很可靠。

由于以上原因，为了扩充每一类污染源的样本数量，本实施例引用二级网格的概念。其具体操作为：使一个一级网格对应一种污染物，该一级网格下所有二级网格均检测同一污染物物，所有二级网格中传感器获得的传感器特征值均作为一级网络中传感器获得的传感器特征值输出。如图2所示，二级网格的边长是一级网格的一半，二级网格数量为一级网格的双数倍。本实施例中优选二级网格数量为一级网络的8倍。这样同样一个位置就可以输出多个特征值，保证了结果的可靠性。例如，当二级网格数量为一级网络的8倍时，同一个位置就会输出8个特征值，可以直接将传感器的位置和浓度作为特征向量带入模型进行训练，计算量比较小，结果也比较准确。此外，本实施例中的方法还可以将污染源位置限制在一个更小的范围内。

例如，现有的方法中的传感器的输出为：位置1、污染源浓度1，y＝1，而本实施例中的方法的输出为：

传感器位置1.1、传感器特征值1，y＝1

传感器位置1.2、传感器特征值1，y＝1

传感器位置1.3、传感器特征值1，y＝1

传感器位置1.4、传感器特征值1，y＝1

传感器位置1.5、传感器特征值1，y＝1

传感器位置1.6、传感器特征值1，y＝1

传感器位置1.7、传感器特征值1，y＝1

传感器位置1.8、传感器特征值1，y＝1

Y为模型的输出位置，即污染物位置。

S4获取传感器特征值，获得传感器特征值、传感器位置与污染源信息的映射关系。

对于每一个传感器所在网格，采用相同的方法提取特征值。特征值包括2部分，还需进行归一化、特征值降维。其中特征值包括：传感器所在网格的各个时刻的浓度和时间维度特征值，该网格内的传感器检测到的污染物浓度随时间的变化曲线传感器随时间变换的曲线中某一时刻的加速度、极值差、方差或期望等。假设步骤S1中设置了b个传感器，最终，每个污染源样本的特征值向量为b×(n+k1)阶矩阵。零时刻的认定以任一个传感器采集到有效数值为准。

将获得的传感器特征值和传感器位置信息带入机器学习模型中进行训练，输出经过训练的模型，该模型反映了传感器特征值、传感器位置与污染源信息的映射关系。其中，机器学习模型可以是神经网络模型(CNN)或支持向量模型(SVM)等。

S5在实际待测的室内按照步骤S3中方式布置传感器，采集传感器的实测特征值，并将其代入所述映射关系以得到实际污染源信息。

按照步骤S2中设定的传感器位置布置传感器，采集各个传感器的实测值，对传感器的实测值进行数据预处理，如去除零点漂移、系统误差等等。根据传感器的实测值，对传感器的特征值进行提取。将传感器的特征值与传感器的位置带入经过训练的模型中进行计算，从而获得污染物位置、污染物浓度等污染物信息。

实施例二

基于相同的发明构思，本实施例公开了本发明还公开了一种室内突发污染物智能实时溯源系统，包括：

数据计算模块，用于根据预设空间特征值获得时空流场数据，再根据时空流场数据和预设的污染源特征值构建污染样品库；

网格模块，用于根据污染样品库，设定传感器位置，并将室内空间分为若干一级网格，并将一级网络分为若干二级网格，将传感器位置标记在二级网格中；

映射模块，用于获取传感器特征值，根据传感器特征值和传感器位置获得传感器特征与污染源信息的映射关系；

输出模块，用于在实际待测的室内按照步骤S2中方式布置传感器，采集传感器的实测特征值，并将其代入映射关系以得到实际污染源信息。

上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种室内突发污染物智能实时溯源方法，其特征在于，包括以下步骤：

S1根据预设的空间特征值获得时空流场数据，再根据所述时空流场数据和预设的污染源特征值构建污染样品库；

S2根据所述时空浓度场数据，设定传感器位置，并将室内空间分为若干一级网格，并将所述一级网络分为若干二级网格，将所述传感器位置标记在所述二级网格中；

S3获取传感器特征值，根据所述传感器特征值和传感器位置获得所述传感器特征与污染源信息的映射关系；

S4在实际待测的室内按照步骤S2中方式布置传感器，采集所述传感器的实测特征值，并将其代入所述映射关系以得到实际污染源信息。

2.如权利要求1所述的室内突发污染物智能实时溯源方法，其特征在于，一个所述一级网格对应一种污染物物，所述一级网格下所有二级网格均检测同一所述污染物物，所有所述二级网格中传感器获得的传感器特征值均作为所述一级网络中传感器获得的传感器特征值输出。

3.如权利要求2所述的室内突发污染物智能实时溯源方法，其特征在于，所述二级网格的边长是一级网格的一半，所述二级网格数量为所述一级网格的双数倍。

4.如权利要求2所述的室内突发污染物智能实时溯源方法，其特征在于，所述步骤S3中，将获得的所述传感器特征值和传感器位置同时带入机器学习算法中进行训练，从而获得传感器特征与污染源信息的映射关系。

5.如权利要求4所述的室内突发污染物智能实时溯源方法，其特征在于，所述步骤S1中，所述时空流场数据通过将所述空间特征值带入N-S方程组获得，所述时空浓度场数据通过将所述时空流场数据和所述污染源特征值带入污染物传输方程获得。

6.如权利要求4所述的室内突发污染物智能实时溯源方法，其特征在于，所述步骤S1中构建污染样品库的方法，包括以下步骤：

S1.1通过PISO算法计算时空流场数据；

S1.2设置污染源特征值以获得污染物传输方程；

S1.3将污染物方程代入时空流场数据以计算所述计算空间浓度场；

S1.4重复S1.2-S1.3，直至计算出所有污染物的空间浓度场，并将所有污染物的空间浓度场组成污染样品库。

7.如权利要求5或6所述的室内突发污染物智能实时溯源方法，其特征在于，污染物传输方程的具体形式为：

其中，c代表污染物物特征值，t为时间，u为每个网格的通量，S_c为污染源项，Γ为污染物物的扩散系数。

8.如权利要求1-6任一项所述的室内突发污染物智能实时溯源方法，其特征在于，所述空间特征值包括室内空间结构、规律通风策略和环境气候影响；污染源特征值包括污染源位置和污染物类型。

9.如权利要求1-6任一项所述的室内突发污染物智能实时溯源方法，其特征在于，所述传感器特征值包括：传感器所在网格的各个时刻的浓度和时间维度特征值，所述网格内的传感器检测到的污染物浓度随时间的变化曲线传感器随时间变换的曲线中某一时刻的加速度、极值差、方差或期望。

10.一种室内突发污染物智能实时溯源系统，其特征在于，包括：

数据计算模块，用于根据预设空间特征值获得时空流场数据，再根据所述时空流场数据和预设的污染源特征值构建污染样品库；

网格模块，用于根据所述污染样品库，设定传感器位置，并将室内空间分为若干一级网格，并将所述一级网络分为若干二级网格，将所述传感器位置标记在所述二级网格中；

映射模块，用于获取传感器特征值，根据所述传感器特征值和传感器位置获得传感器特征与污染源信息的映射关系；

输出模块，用于在实际待测的室内按照步骤S2中方式布置传感器，采集所述传感器的实测特征值，并将其代入所述映射关系以得到实际污染源信息。

Images