CN112129893B - 一种电池热失控监测系统的co传感器在线校准方法 - Google Patents
一种电池热失控监测系统的co传感器在线校准方法 Download PDFInfo
- Publication number
- CN112129893B CN112129893B CN202011006661.7A CN202011006661A CN112129893B CN 112129893 B CN112129893 B CN 112129893B CN 202011006661 A CN202011006661 A CN 202011006661A CN 112129893 B CN112129893 B CN 112129893B
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- calibration
- value
- monitoring system
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000003068 static effect Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000004146 energy storage Methods 0.000 description 4
- 101150053844 APP1 gene Proteins 0.000 description 3
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 3
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Secondary Cells (AREA)
- Measuring Oxygen Concentration In Cells (AREA)
Abstract
本发明公开了一种电池热失控监测系统的CO传感器在线校准方法，包括：热失控监测系统采用第一CO传感器和环境监测传感器进行目标环境信息采集并上传至大数据平台，进行数据筛选统计，利用多传感器数据对比分析及神经网络建立传感器校准预判模型，通过传感器校准预判模型和大数据平台历史数据分析综合判断，判定第一CO传感器发生数据偏移时启动第二CO传感器对第一CO传感器进行在线校准。本发明提高了在线判定CO传感器性能的准确性和实时性，CO传感器冗余设计进行在线动态和静态校准，精度高，无需拆卸设备，无需额外的校准设备，节省了人力资源，有助于提高电池热失控监测系统的准确率。
Description
技术领域
本发明涉及一种CO传感器校准方法，尤其涉及一种电池热失控监测系统的CO传感器在线校准方法。
背景技术
现有的安装于新能源汽车、储能电站等环境中的电池热失控监测系统，在CO传感器自身出现偏移造成误报问题时，主要通过多种传感器综合分析方法降低因传感器性能偏移造成的误报几率，但没有从根本上解决传感器的性能偏移问题。现有的气体传感器校准方式多采用搭建校准环境并增加一种标准装置作为校准基准的方式进行定时判断及校准，这种校准方式实时性较差，不能满足电池热失控监测系统对传感器的高精准要求，且对传感器的动态校准有一定的局限性。
发明内容
本发明提出了一种电池热失控监测系统的CO传感器在线校准方法，其目的是：克服现有技术缺陷，从多维度出发、运用多种方法相结合提高CO传感器在线校准的实时性和准确度，以满足传感器在复杂运行工况下的高精准要求。
本发明技术方案如下：
一种电池热失控监测系统的CO传感器在线校准方法，包括如下步骤：
S1：热失控监测系统采用第一CO传感器和环境监测传感器进行目标环境信息采集，并将采集数据上传至大数据平台，所述环境监测传感器包括温度传感器、烟雾传感器或VOC传感器中的至少一种；
S2：数据筛选统计，剔除采集数据中的随机数据；
S3：建立传感器校准预判模型，通过传感器校准预判模型和大数据平台历史数据分析方法进行综合判断，判定第一CO传感器是否发生数据偏移，若是则执行步骤S4，否则返回步骤S1；
S4：启动第二CO传感器，应用大数据平台分析比较两个CO传感器的数据，若在一定时间段内两个CO传感器数据的差值超出正常误差范围，则判定第一CO传感器性能偏移，并转至步骤S5，否则返回步骤S1；
S5：根据第二CO传感器的数据对第一CO传感器进行在线校准。
作为本方法的进一步改进，所述步骤S3中的传感器校准预判模型包括传感器校准预判模型1和传感器校准预判模型2，当传感器校准预判模型1或传感器校准预判模型2判定第一CO传感器异常时，判定第一CO传感器发生数据偏移，转至步骤S4。
所述传感器校准预判模型1为：将所述第一CO传感器和环境监测传感器一段时间内采集的数据与传感器各自的基准值相比较，分析判定传感器数据是否都有趋势变化，若只有第一CO传感器的数据有趋势变化，则判定第一CO传感器异常。
所述传感器校准预判模型2为：以不同时刻的第一CO传感器信号为输出,环境监测传感器信号为输入，构建神经网络模型；使用神经网络模型判断：将当前环境监测传感器信号的检测值输入神经网络，得到神经网络模型预测值yi2(k)，比较第一CO传感器实际输出值yi1(k)与神经网络模型预测值yi2(k)，若两者差值大于判定最大阈值Δmax，则判定第一CO传感器异常。
作为本方法的进一步改进，所述步骤S3中，当传感器校准预判模型判定第一CO传感器异常或大数据平台历史数据分析方法判断达到第一CO传感器下一次校准时刻时，判定第一CO传感器发生数据偏移，转至步骤S4。
所述大数据平台历史数据分析方法为：利用大数据平台分析第一CO传感器历史数据变化规律，统计第一CO传感器历史校准周期，根据校准周期计算出第一CO传感器下一次的校准时刻。
作为本方法的进一步改进，所述步骤S5为：若第一CO传感器一定时间段△t内的输出数据波动范围未超过设定阈值，则取时间段△t内第二CO传感器输出数据的平均值作为基准值对第一CO传感器进行静态校准；若第一CO传感器一定时间段△t内的输出数据波动范围超过设定阈值，则根据CO实际浓度值Y和CO传感器输出电压值Vout的线性关系进行动态校准。
所述动态校准方法为：CO实际浓度值Y和CO传感器输出电压值Vout的线性关系公式为：Y＝k0Vout+b0，其中k0和b0为根据试验箱洁净环境下由标准CO传感器测得的两组数据计算出的常数。
分别选取时间段△t内的两个时刻t1和t2，将第二CO传感器在t1时刻电压值Va和t2时刻电压值Vb带入线性关系公式，计算出t1和t2时刻的Ya和Yb值；取第一CO传感器在t1时刻电压值Vm和t2时刻电压值Vn，将(Vm，Ya)和(Vn，Yb)分别代入校准公式：Y1＝k1Vout+b1，求出k1和b1，其中Y1为校准后第一CO传感器测得的CO浓度值。
校准后若第一CO传感器与第二CO传感器的输出值差值在设定范围内，则校准成功，若校准失败则重发校准指令校准，直至校准成功。
作为本方法的进一步改进，所述步骤S2为：将第一CO传感器采集到的数据进行过程特征提取，用每个时刻采集到的数据和前后一定时间段内采集到的数据通过加窗函数的最小二乘法拟合，得到表征实际数据的特征提取值，用于剔除采集数据中的随机数据。
作为本方法的进一步改进，所述步骤S2在进行数据筛选统计之前进行传感器故障判定：若第一CO传感器输出值超出正常运行范围或无数据传输则判定传感器故障，若发生故障则通过手机APP通知用户，若未发生故障则进行数据筛选统计。
作为本方法的进一步改进，所述步骤S1中的传感器采集数据上传方式为：传感器采集数据由探测控制器直接上传或通过数据集中器上传至数据远传终端，再由数据远传终端上传至大数据平台。
相对于现有技术，本发明具有以下有益效果：(1)通过多传感器数据对比分析及神经网络模型构建传感器校准预判模型实现CO传感器工作过程实时分析判定，大数据平台历史数据分析方法对传感器运行情况做智能预判，传感器校准预判模型与大数据分析相结合，提高了CO传感器性能判定的准确性和实时性；(2)传感器冗余设计进行在线动态和静态校准，实现了传感器在线精确校准，无需拆卸设备，无需额外的校准设备，节省了人力资源；(3)本发明适用于新能源汽车电池仓、电池包或储能箱环境中CO传感器的在线精确校准，同时适用于其他气体传感器，有助于提高电池热失控监测系统的准确率。
附图说明
图1为本发明的流程图；
图2为电池热失控监测系统的结构示意图。
具体实施方式
下面结合附图详细说明本发明的技术方案：
如图2所示，电池热失控监测系统包括探测控制器3、数据集中器5、数据远传终端4、大数据平台2和手机APP1。
所述探测控制器3设置于电池仓、电池包或储能箱附近或内部，所述探测控制器3包括CO传感器和环境监测传感器，用于监测电池仓、电池包或储能箱中的电池热失控状态。所述CO传感器为冗余设计，包括第一CO传感器和第二CO传感器，所述探测控制器3正常工作状态下第一CO传感器正常工作，第二CO传感器处于断电模式。所述第二CO传感器作为第一CO传感器的在线校准基准传感器。所述环境监测传感器包括温度传感器、烟雾传感器或VOC传感器中的至少一种。本实施例中，同时采用了上述三种传感器。
所述探测控制器3将传感器的实时监测信息及故障信息直接上传或通过数据集中器5上传至数据远传终端4，所述数据远传终端4通过4G模组将数据转发至大数据平台2。
所述大数据平台2用于数据分析和存储，并将当前预警信息和故障信息实时传送至所述手机APP1。
所述手机APP1用于查看各探测控制器3的实时数据和历史数据，展示各探测控制器3的故障信息、报警信息、当前位置信息及历史轨迹信息。
如图1，一种电池热失控监测系统的CO传感器在线校准方法，包括如下步骤：
S1：数据采集及上传。具体地，所述探测控制器3采用第一CO传感器和环境监测传感器进行目标环境信息采集，并将采集数据上传至大数据平台2。
S2：数据筛选统计，剔除采集数据中的随机数据。
具体地，进行数据筛选之前先判定传感器是否发生故障。若第一CO传感器输出值超出正常运行范围或无数据传输则判定传感器故障，若发生故障则通过手机APP1通知用户，若未发生故障则进行数据筛选统计。
由于周围环境和设备的差异，采集数据存在随机性，在不同的探测环境下，干扰因素较多，且在动态变化过程中，很容易受到随机因素的影响。因此有必要将测得的气体浓度数据进行过程特征提取，剔除数据中的随机成分，得到能表征实际数据的过程特征信息，即本次采样的特征提取值。所述特征提取值，可以认为是假想存在一个真正的实际数据曲线的一个点。采用的算法：用每个时刻采集到的数据和前后各四个点的数据通过加窗函数的最小二乘法拟合而成，克服瞬态干扰的影响。
S3：建立传感器校准预判模型，通过传感器校准预判模型和大数据平台历史数据分析方法综合判断第一CO传感器是否发生数据偏移。具体判定过程如下：
一、根据同一探测控制控制器3的不同类型传感器数据建立传感器校准预判模型1：将第一CO传感器和环境监测传感器一段时间内采集的数据与传感器各自的基准值相比较，分析判定传感器数据是否都有趋势变化，若只有第一CO传感器的数据有趋势变化，则判定第一CO传感器异常。
二、应用数据挖掘对历史数据和检测环境同类数据分析建立传感器校准预判模型2：以热失控监测系统正常工作状态下的传感器数据为初始样本进行神经网络训练，以不同时刻的第一CO传感器信号为输出,环境监测传感器信号为输入，构建神经网络模型。使用神经网络模型判断：将当前环境监测传感器信号的检测值输入神经网络，得到神经网络模型预测值yi2(k)，比较第一CO传感器实际输出值yi1(k)与神经网络模型预测值yi2(k)，若|yi2(k)-yi1(k)|＞Δmax,则判定第一CO传感器异常，其中Δmax为进行判定的最大阈值。
三、利用大数据平台历史数据分析方法进行判定：由于传感器零点漂移和传感器运行时间有关，利用大数据平台分析第一CO传感器历史数据变化规律，统计第一CO传感器历史校准周期，根据校准周期计算出第一CO传感器下一次的校准时刻。若传感器运行时间小于两年需每月定时打开第二CO传感器，若传感器运行时间超过两年则需每周定时打开第二CO传感器。
当传感器校准预判模型1或传感器校准预判模型2判定第一CO传感器异常或大数据平台历史数据分析方法判断达到第一CO传感器下一次校准时刻时，判定第一CO传感器发生数据偏移，进行步骤S4，若未发生数据偏移则返回步骤S1。
S4：启动第二CO传感器，应用大数据平台2分析比较两个CO传感器的数据，若在一定时间段内两个CO传感器数据的差值超出正常误差范围，则判定第一CO传感器性能偏移，并转至步骤S5，否则返回步骤S1。
S5：探测控制器3发送校准指令，依据第二CO传感器的数据对第一CO传感器进行在线校准。
具体地，若第一CO传感器的输出数据一定时间段△t内的输出数据波动范围未超出10ppm，则认为其输出值是稳定的，取时间段△t内第二CO传感器输出数据的平均值
作为当前环境下第一CO传感器的基准值进行标定，实现静态校准。
若第一CO传感器一定时间段△t内的输出数据波动范围超出10ppm，则根据CO实际浓度值Y和CO传感器输出电压值Vout的线性关系进行动态校准：
CO实际浓度值Y和CO传感器输出电压值Vout的线性关系公式为：Y＝k0Vout+b0，其中k0和b0为常数，其计算方法为：根据试验室测试数据在试验箱洁净环境时测的CO浓度为0ppm时Vout＝V1,试验箱CO浓度为100ppm时Vout＝V2，根据此试验数据计算出k0和b0的值。
分别选取时间段△t内的两个时刻t1和t2，将第二CO传感器在t1时刻电压值Va和t2时刻电压值Vb带入线性关系公式，计算出t1和t2时刻的Ya和Yb值。取第一CO传感器在t1时刻电压值Vm和t2时刻电压值Vn，将(Vm，Ya)和(Vn，Yb)分别代入校准公式：Y1＝k1Vout+b1，求出k1和b1，其中Y1为校准后第一CO传感器测得的CO浓度值。
校准后若第一CO传感器与第二CO传感器测得的CO浓度值差值小于等于10ppm，则校准成功，校准成功后第一CO传感器正常工作，第二CO传感器恢复贮存模式。如校准失败则重发校准指令校准，直至校准成功。
Claims (6)
1.一种电池热失控监测系统的CO传感器在线校准方法，其特征在于：包括如下步骤：
S1：热失控监测系统采用第一CO传感器和环境监测传感器进行目标环境信息采集，并将采集数据上传至大数据平台(2)，所述环境监测传感器包括温度传感器、烟雾传感器或VOC传感器中的至少一种；
S2：数据筛选统计，剔除采集数据中的随机数据；
S3：建立传感器校准预判模型，通过传感器校准预判模型和大数据平台历史数据分析方法进行综合判断，判定第一CO传感器是否发生数据偏移，若是则执行步骤S4，否则返回步骤S1；
S4：启动第二CO传感器，应用大数据平台(2)分析比较两个CO传感器的数据，若在一定时间段内两个CO传感器数据的差值超出正常误差范围，则判定第一CO传感器性能偏移，并转至步骤S5，否则返回步骤S1；
S5：根据第二CO传感器的数据对第一CO传感器进行在线校准；
步骤S3中所述传感器校准预判模型包括传感器校准预判模型1和传感器校准预判模型2，当传感器校准预判模型1或传感器校准预判模型2判定第一CO传感器异常时，判定第一CO传感器发生数据偏移，转至步骤S4；
所述传感器校准预判模型1为：将所述第一CO传感器和环境监测传感器一段时间内采集的数据与传感器各自的基准值相比较，分析判定传感器数据是否都有趋势变化，若只有第一CO传感器的数据有趋势变化，则判定第一CO传感器异常；
所述传感器校准预判模型2为：以不同时刻的第一CO传感器信号为输出,环境监测传感器信号为输入，构建神经网络模型；使用神经网络模型判断：将当前环境监测传感器信号的检测值输入神经网络，得到神经网络模型预测值yi2(k)，比较第一CO传感器实际输出值yi1(k)与神经网络模型预测值yi2(k)，若两者差值大于判定最大阈值Δmax，则判定第一CO传感器异常。
2.如权利要求1所述的电池热失控监测系统的CO传感器在线校准方法，其特征在于：所述步骤S3中，当传感器校准预判模型判定第一CO传感器异常或大数据平台历史数据分析方法判断达到第一CO传感器下一次校准时刻时，判定第一CO传感器发生数据偏移，转至步骤S4；
所述大数据平台历史数据分析方法为：利用大数据平台(2)分析第一CO传感器历史数据变化规律，统计第一CO传感器历史校准周期，根据校准周期计算出第一CO传感器下一次的校准时刻。
3.如权利要求1所述的电池热失控监测系统的CO传感器在线校准方法，其特征在于：所述步骤S5为：若第一CO传感器一定时间段△t内的输出数据波动范围未超过设定阈值，则取时间段△t内第二CO传感器输出数据的平均值作为基准值对第一CO传感器进行静态校准；
若第一CO传感器一定时间段△t内的输出数据波动范围超过设定阈值，则根据CO实际浓度值Y和CO传感器输出电压值Vout的线性关系进行动态校准；
所述动态校准方法为：
CO实际浓度值Y和CO传感器输出电压值Vout的线性关系公式为：Y＝k0Vout+b0，其中k0和b0为根据试验箱洁净环境下由标准CO传感器测得的两组数据计算出的常数；
分别选取时间段△t内的两个时刻t1和t2，将第二CO传感器在t1时刻电压值Va和t2时刻电压值Vb带入线性关系公式，计算出t1和t2时刻的Ya和Yb值；取第一CO传感器在t1时刻电压值Vm和t2时刻电压值Vn，将(Vm，Ya)和(Vn，Yb)分别代入校准公式：Y1＝k1Vout+b1，求出k1和b1，其中Y1为校准后第一CO传感器测得的CO浓度值；
校准后若第一CO传感器与第二CO传感器的输出值差值在设定范围内，则校准成功，若校准失败则重发校准指令校准，直至校准成功。
4.如权利要求1所述的电池热失控监测系统的CO传感器在线校准方法，其特征在于：所述步骤S2为：将第一CO传感器采集到的数据进行过程特征提取，用每个时刻采集到的数据和前后一定时间段内采集到的数据通过加窗函数的最小二乘法拟合，得到表征实际数据的特征提取值，用于剔除采集数据中的随机数据。
5.如权利要求1所述的电池热失控监测系统的CO传感器在线校准方法，其特征在于：所述步骤S2在进行数据筛选统计之前进行传感器故障判定：若第一CO传感器输出值超出正常运行范围或无数据传输则判定传感器故障，若发生故障则通过手机APP(1)通知用户，若未发生故障则进行数据筛选统计。
6.如权利要求1至5任一所述的电池热失控监测系统的CO传感器在线校准方法，其特征在于：所述步骤S1中的传感器采集数据上传方式为：传感器采集数据由探测控制器(3)直接上传或通过数据集中器(5)上传至数据远传终端(4)，再由数据远传终端(4)上传至大数据平台(2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006661.7A CN112129893B (zh) | 2020-09-23 | 2020-09-23 | 一种电池热失控监测系统的co传感器在线校准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011006661.7A CN112129893B (zh) | 2020-09-23 | 2020-09-23 | 一种电池热失控监测系统的co传感器在线校准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112129893A CN112129893A (zh) | 2020-12-25 |
| CN112129893B true CN112129893B (zh) | 2022-09-13 |
Family
ID=73842766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011006661.7A Active CN112129893B (zh) | 2020-09-23 | 2020-09-23 | 一种电池热失控监测系统的co传感器在线校准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112129893B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115980282A (zh) * | 2023-03-20 | 2023-04-18 | 广州香安化工有限公司 | 一种燃气臭味剂浓度测量传感器的灵敏度校准方法及装置 |
| CN117553864B (zh) * | 2024-01-12 | 2024-04-19 | 北京宏数科技有限公司 | 一种基于大数据的传感器采集方法及系统 |
| CN117783885B (zh) * | 2024-02-23 | 2024-05-10 | 福建省宇安机电设备有限公司 | 一种基于电化学机理的储能电池热失控预测方法和系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09236258A (ja) * | 1996-02-29 | 1997-09-09 | Harman Co Ltd | 燃焼機器の未燃成分濃度検出装置の較正装置 |
| JPH10311815A (ja) * | 1997-05-09 | 1998-11-24 | Japan Storage Battery Co Ltd | 電気化学式一酸化炭素ガスセンサの劣化判定方法および校正方法 |
| US6360582B1 (en) * | 2000-01-18 | 2002-03-26 | Texas Instruments Incorporated | Method for calibration of chemical sensor in measuring changes in chemical concentration |
| CN101706294A (zh) * | 2009-08-28 | 2010-05-12 | 上海优立通信技术有限公司 | 一种自动判断传感器的校准时间的方法 |
| CN101975839A (zh) * | 2010-08-20 | 2011-02-16 | 河南汉威电子股份有限公司 | Co2气体传感器在空气中零点自校准方法 |
| CN105425775A (zh) * | 2015-12-04 | 2016-03-23 | 河南中烟工业有限责任公司许昌卷烟厂 | 一种传感器故障自动判断方法及系统 |
| CN106066457A (zh) * | 2016-05-25 | 2016-11-02 | 烟台创为新能源科技有限公司 | 一种电池热失控检测系统及其检测方法 |
| CN106405007A (zh) * | 2016-08-30 | 2017-02-15 | 河北先河环保科技股份有限公司 | 气体传感器、颗粒物传感器的新校准方法 |
| CN106597299A (zh) * | 2016-11-22 | 2017-04-26 | 南京能启能电子科技有限公司 | 一种锂电池热失控早期预警及自动控制方法 |
| CN106872650A (zh) * | 2017-03-08 | 2017-06-20 | 国睿集团有限公司 | 一种二氧化碳浓度校准修正装置及校准修正方法 |
| CN109975478A (zh) * | 2017-12-27 | 2019-07-05 | 武汉海尔热水器有限公司 | 一种气体传感器自动校准方法、报警器及燃气热水器 |
| CN110672143A (zh) * | 2019-11-07 | 2020-01-10 | 徐州陀微传感科技有限公司 | 一种传感器校准方法 |
| WO2020043030A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 大气污染监测设备数据可信度评价及校准方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AT411189B (de) * | 2002-01-17 | 2003-10-27 | Vaillant Gmbh | Verfahren zur regelung eines gasbrenners |
| US11231402B2 (en) * | 2017-06-27 | 2022-01-25 | Integrated Device Technology, Inc. | Calibrated mobile gas sensor |
-
2020
- 2020-09-23 CN CN202011006661.7A patent/CN112129893B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09236258A (ja) * | 1996-02-29 | 1997-09-09 | Harman Co Ltd | 燃焼機器の未燃成分濃度検出装置の較正装置 |
| JPH10311815A (ja) * | 1997-05-09 | 1998-11-24 | Japan Storage Battery Co Ltd | 電気化学式一酸化炭素ガスセンサの劣化判定方法および校正方法 |
| US6360582B1 (en) * | 2000-01-18 | 2002-03-26 | Texas Instruments Incorporated | Method for calibration of chemical sensor in measuring changes in chemical concentration |
| CN101706294A (zh) * | 2009-08-28 | 2010-05-12 | 上海优立通信技术有限公司 | 一种自动判断传感器的校准时间的方法 |
| CN101975839A (zh) * | 2010-08-20 | 2011-02-16 | 河南汉威电子股份有限公司 | Co2气体传感器在空气中零点自校准方法 |
| CN105425775A (zh) * | 2015-12-04 | 2016-03-23 | 河南中烟工业有限责任公司许昌卷烟厂 | 一种传感器故障自动判断方法及系统 |
| CN106066457A (zh) * | 2016-05-25 | 2016-11-02 | 烟台创为新能源科技有限公司 | 一种电池热失控检测系统及其检测方法 |
| CN106405007A (zh) * | 2016-08-30 | 2017-02-15 | 河北先河环保科技股份有限公司 | 气体传感器、颗粒物传感器的新校准方法 |
| CN106597299A (zh) * | 2016-11-22 | 2017-04-26 | 南京能启能电子科技有限公司 | 一种锂电池热失控早期预警及自动控制方法 |
| CN106872650A (zh) * | 2017-03-08 | 2017-06-20 | 国睿集团有限公司 | 一种二氧化碳浓度校准修正装置及校准修正方法 |
| CN109975478A (zh) * | 2017-12-27 | 2019-07-05 | 武汉海尔热水器有限公司 | 一种气体传感器自动校准方法、报警器及燃气热水器 |
| WO2020043030A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 大气污染监测设备数据可信度评价及校准方法 |
| CN110672143A (zh) * | 2019-11-07 | 2020-01-10 | 徐州陀微传感科技有限公司 | 一种传感器校准方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112129893A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112129893B (zh) | 一种电池热失控监测系统的co传感器在线校准方法 | |
| CN112611936A (zh) | 一种基于边缘计算的配网变压器故障动态检测与分类系统 | |
| CN103645444A (zh) | 基于众数原理的电池一致性在线评价方法及检测电路 | |
| EP2898323A1 (en) | System and method for monitoring atmospheric pollution | |
| CN111414571A (zh) | 一种大气污染物监测方法 | |
| CN109855710B (zh) | 一种汽车衡称重状态监测系统及检测方法 | |
| CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
| CN112131797B (zh) | 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法 | |
| CN114707632B (zh) | 一种传感网络传感器故障定位方法、系统、设备及介质 | |
| CN113483877A (zh) | 一种基于互联网荷重传感器动态监测系统 | |
| CN108921305B (zh) | 一种部件生命期监测方法 | |
| CN114608741A (zh) | 一种基于大数据的压力传感器采集系统 | |
| CN113917093B (zh) | 一种基于无线网络的空气质量监控系统 | |
| CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及系统 | |
| CN112083299B (zh) | 一种基于卡尔曼滤波的直流系统绝缘故障预测方法 | |
| CN206833239U (zh) | 一种基于数据驱动的火电厂控制系统故障检测系统 | |
| CN117826058A (zh) | 一种关口电容式电压互感器运行状态在线监测方法及装置 | |
| CN103364669B (zh) | Gis设备运行状态在线检测方法与系统 | |
| CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
| CN111024141B (zh) | 基于无线通信的环境污染检测设备的在线检测系统 | |
| CN110532116B (zh) | 一种系统可靠性建模方法及装置 | |
| CN215579597U (zh) | 一种开关柜内温湿度监测装置 | |
| CN117406090B (zh) | 一种锂离子电池功耗检测方法及装置 | |
| CN116878728B (zh) | 一种压力传感器故障检测分析处理系统 | |
| CN116660688B (zh) | 远程型电力线路故障预警监测系统及方法 |
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 |