CN112229952A - 一种检测化工园区有毒有害气体的方法 - Google Patents
一种检测化工园区有毒有害气体的方法 Download PDFInfo
- Publication number
- CN112229952A CN112229952A CN202011058873.XA CN202011058873A CN112229952A CN 112229952 A CN112229952 A CN 112229952A CN 202011058873 A CN202011058873 A CN 202011058873A CN 112229952 A CN112229952 A CN 112229952A
- Authority
- CN
- China
- Prior art keywords
- data
- toxic
- alarm
- monitoring unit
- harmful gases
- 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.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 28
- 231100000331 toxic Toxicity 0.000 title claims abstract description 27
- 230000002588 toxic effect Effects 0.000 title claims abstract description 27
- 239000007789 gas Substances 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000009423 ventilation Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 8
- 231100000614 poison Toxicity 0.000 claims description 7
- 230000007096 poisonous effect Effects 0.000 claims description 7
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 claims description 5
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 239000000460 chlorine Substances 0.000 claims description 3
- 229910052801 chlorine Inorganic materials 0.000 claims description 3
- 229960001701 chloroform Drugs 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 229910000041 hydrogen chloride Inorganic materials 0.000 claims description 3
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- LELOWRISYMNNSU-UHFFFAOYSA-N hydrogen cyanide Chemical compound N#C LELOWRISYMNNSU-UHFFFAOYSA-N 0.000 description 3
- YGYAWVDWMABLBF-UHFFFAOYSA-N Phosgene Chemical compound ClC(Cl)=O YGYAWVDWMABLBF-UHFFFAOYSA-N 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 1
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 1
- 102100030511 Stanniocalcin-1 Human genes 0.000 description 1
- 101710142157 Stanniocalcin-1 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response 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
- G01N33/0009—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
- G01N33/0047—Organic compounds
-
- 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
- G01N33/0044—Sulphides, e.g. H2S
-
- 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
- G01N33/0054—Ammonia
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明提供一种监测化工园区有毒有害气体的分类方法,包括以下步骤，S1：在监测点现场执行标气通气测试，将零级空气先通入硬件监测单元中，待传感器数据标0时通入标准气体做测试，记录通气起始时间数据，执行10组标气测试，测试数据经过AD转换自动上传至服务器；S2:将服务器后台采集的m*n维传感器报警数据作为原始训练集，其中m为样本数量，n为数据个数，m*n维数据对m组数据特征明显的数据集Di编标签{0，1，2，3，4，5，6，7，8，9}，数据特征不明显的的样本集Du不编码；本发明能够判断污染的气体种类以及污染源头的可能性，并在发生偷排、漏排情况下发出预警，有利于减少化工检测人员的巡检精力，提高监测效率，保证化工园区的安全和正常运行。
Description
技术领域
本发明涉及物联网、人工智能技术领域，具体涉及一种检测化工园区有毒有害气体的方法，实现监测和预警。
背景技术
化工园区有很多化学易燃易爆化学品，如果不实时监测周围的空气中有毒有害气体的浓度，发生大规模泄露或则企业偷排、漏排等紧急事件，容易发生不可挽回的损失，对居住在化工园区的居民以及工作人员产生严重的安全威胁。所以监测整个化工园区的空气中有毒有害气体十分重要。
目前采用的化工园区安全等级衡量就是根据监测园区范围内的有毒有害气体浓度的大小来定性安全等级。采用大量的人力物力来安全巡检，巡检人员如果遇见大量的有毒有害气体是无法实时报警的。还会对巡检人员的安全产生影响。更无法溯源，和判断有毒有害气体种类。
申请号为“CN201710903647.9”的‘一种基于深度学习的单一有毒有害气体红外图像分类识别法’仅仅能够分类和识别单一气体，化工园区的有毒有害气体不止一种，都是数种气体融合在一起。因此本文选择出具有代表的有毒有害气体进行研究。通过监测具有代表性的有毒有害气体的来综合评定化工园区的安全等级。
申请号为“CN201910491330.8”的‘适于化工厂的多种融合有毒有害体分类方法及巡检机器人’所监测的有毒有害气体种类少，没有考虑气体传感器之间的交叉敏感，机器人后期的维护专业人员会耗时耗力，因此在大范围内的化工园区并不合适，这对机器人的工作性能有极大的要求。本文采用的方法不用专业人员来操作机器人，而是采用固定的监测点。整个监测过程全部自动化监测。以及再此基础上通过大量的标准气体实验建立交叉敏感数学模型来提高检测准确率。相较于在实际工程应用更符合实际环境。
发明内容
本发明目的在于提供一种检测化工园区有毒有害气体方法，利用在化工园区的固定监测点监测周围空气中有毒有害气体浓度。
本发明提供一种监测化工园区有毒有害气体的分类方法,包括以下步骤，
S1：在监测点现场执行标气通气测试，将零级空气先通入硬件监测单元中，待传感器数据标0时通入标准气体做测试，记录通气起始时间数据，执行10组标气测试，并将测试数据发送至服务器；
S2:将服务器后台采集的m*n维传感器报警数据作为原始训练集，其中m为样本数量，n为数据个数，m*n维数据对m组数据通过人工经验对数据集Di编标签{0，1，2，3，4，5，6，7，8，9}，数据特征为未标定标签的样本集Du不编码。
进一步的，所述步骤S2包括，
S21：极大似然估计高斯混合模型三参数(αi，μi，∑i)，Di∪Du的对数似然为：
其中Di为有标签数据集，Du为没有标签的数据集，αi为混合系数，μi和μj为样本的均值，∑i为协方差矩阵，i表示第i个样本，j表示数据集Di标签0到9中第j个类别，x为样本集，y为标签集，p(θ＝i|x)为样本x由第i个高斯混合成分的后验概率，θ表示样本x隶属的高斯混合成分，p(y＝j|θ＝i，x)为x由第i个高斯混合成分生成其类别为j的概率，N为数据个数；
S22：根据当前模型参数计算数据特征明显样本xj属于各高斯混合成分概率：
基于Yji更新参数，其中li为第i类的有标记样本数目：
S23：通过高斯混合模型预测出特征明显的样本标签；
S24：利用无监督数据增强方法对无标签数据集进行特征增强，通过高斯混合聚类有标签数据数据集得到pθ(y|x)，将无标签数据集Du输入pθ(y|x)得到模型
将无监督数据增强得到的
数据通过pθ(y|x)得到
其中
没有梯度传递，利用Du低特征数据集和增强过后的Du通过无监督一致性损失进行训练，最终的损失函数为KL散度表示，
即
其中，-log pθ(y*|x)表示有标签数据集的交叉熵损失，
表示无标签数据与无标签数据增强后的随机分布度量距离，L为有标签数据集，U为无标签数据集，
为最终损失，λ为微调系数根据实际情况设定,，
为数据增强变换，E为期望。
进一步的，有毒有害气气体浓度报警分为四个报警等级，其中四级报警影响度最小，一级报警影响度最大；
待分类的气体种类为TVOC、氯气、氨气、硫化氢、三氯甲烷、甲醛、甲醇、氯化氢。
进一步的，所述步骤S2包括，特征信息明显的报警样本全部通过人工经验先标定标签，特征信息不明显的报警样本则不标定。
进一步的，硬件监测单元采用的硬件传感器为工业电化学传感器；
硬件监测单元包括气体预处理模块、检测模块、UPS电源、通讯模块、显示模块和箱体，各模块运行由主控程序统一控制，各传感器所检测信号统一进行除噪、温度补偿及智能运算等处理，运行的参数和测量数据参数在本地和远程数据中心查看；
硬件监测单元在监测点开机过后，每隔预设时间发送一组样本给后台服务器，服务器保存数据，在网络客户端导出。
进一步的，四个报警等级的阈值判断依据为时间加权容许浓度、短时间接触容许浓度、立即威胁生命和健康浓度、最高容许浓度。
进一步的，硬件监测单元的地理位置设置在化工园区内各企业内部或设置在企业与企业之间的交叉路口，硬件监测单元根据监测的结果分析发生泄露或偷排漏排的企业。
进一步的，硬件监测单元开始工作后，每隔半分钟就采集一次数据上传，每发生一次警报后台记录详细的时间节点、气体种类、浓度；
硬件监测单元包括UPS电源，免维护电池，硬件监测单元的电池容量保证外接电源断电情况下，监测箱供电至少4个小时。
进一步的，通讯模块支持有线和无线通讯。
进一步的，显示模块包括配备液晶显示屏，中文交互式人机界面，显示气体种类、浓度、温度、IP地址、流量、时间等，对主机参数进行设置；显示屏安装在箱体内。
本发明的有益效果是，本发明公开了一种监测化工园区有毒有害气体的分类方法，利用搭建在监测点的监测转置单元作为硬件设备，进行对监测点周围的空气中有毒有害气体监测分类，将采集到的电化学传感器数据作为特征数据，输入到训练好的分类模型中识别目标气体，能够判断污染的气体种类以及污染源头的可能性。并在发生偷排、漏排情况下发出预警。本发明有利于减少化工检测人员的巡检精力，提高监测效率，保证化工园区的安全和正常运行。
附图说明
图1为本发明的气体定性分类算法流程图。
图2为本发明监测数据结构框图。
具体实施方式
本发明的发明构思是，对多组分气体定性分析，输出为每种有毒有害气体的概率，作为软判断依据，监测周围发生偷排漏排的企业。利用采集到的数据，输入高斯混合模型和交叉敏感数学模型。准确的定性有毒有害气体种类。且发出响应的警报，本发明减少化工园区巡检人员的工作量，提高了检测可靠性以及安全性。
为了了解本发明的技术内容，特举具体实施并配合所含图标说明如下。
如图2所示，硬件监测单元由气路单元10、检测单元20、通信单元30、显示单元40、客户端单元50组成。
气路单元10，检测单元20，通信单元30，显示单元40，客户端单元50全部安装在长方体箱体内。
所述气路单元中，包含气体预处理部分(含气泵、管道、除尘除湿等)、检测模块部分(含传感器、处理与控制器等)、UPS电源、通讯模块、显示模块和箱体等六部分。各单元运行由主控程序统一控制，各传感器所检测信号统一进行除噪、温度补偿及智能运算等处理；
所述检测单元当中，采用电化学传感器，采用的德尔格公司9809930型光气传感器、英国CITY公司的3E500SE型NH3传感器、3E30F型HCN传感器、3E30型HCL传感器、3E10型CL2传感器、7HH型H2S传感器、4ETO型HCHO传感器、7ETO型CH3OH传感器、TVOC传感器、CHCl3传感器共10种传感器；
所述显示单元中，用MCGS一体式显示屏，设备配备液晶显示屏，中文交互式人机界面，可显示气体种类、浓度(支持ppm与mg/m3切换)、温度、IP地址、流量、时间等，可对主机参数进行设置(包括：通讯接口、线性校准、零点校准、时间、权限设置等)；显示屏安装在箱体内；历史记录：>10000条；
所述通信单元中，支持有线(RS-485或TCP/IP)和无线通讯(GPRS\3G\4G等通讯)；支持相关标准协议:如modbus、RS-232、RS-485等；采用STC-1的数模转换模块。
如图1所示，本发明提供一种监测化工园区有毒有害气体的分类方法,包括以下步骤，
S1:在监测点现场做标气通气测试，将零级空气先通入硬件监测单元中，待传感器数据标0的时候再通入标准气体做测试，且记录通气起始时间数据。做10组标气测试。
S2:将服务器后台采集的m*n维传感器报警数据作为原始训练集，其中m为样本数量，n为数据个数，m*n维数据对m组数据特征比较明显的数据集Di编标签{1，2，3，4，5，6，7，8，9，10}，数据特征不明显的的样本集Du不编码。
一种监测化工园区有毒有害气体的分类方法，其特征在于，所述方法包括利用高斯混合模型作为分类第一步：
极大似然估计高斯混合模型三参数(αi，μi，∑i)，Di∪Du的对数似然为：
其中Di为有标签数据集，Du为无标签数据集。
根据当前模型参数计算无标签样本xj属于各高斯混合成分概率：
基于Yji更新参数，其中li为第i类的有标记样本数目：
通过高斯混合模型大概预测出未标记的样本标签。
再利用无监督数据增强方法对特征不明显数据集进行特征增强，通过高斯混合中数据特征明显得到ρθ(y|x)，将低特征数据集Du输入ρθ(y|x)到模型
再将无监督数据增强得到的
数据通过ρθ(y|x)得到
其中
没有梯度传递，再利用Du低特征数据集和增强过后的Du通过无监督一致性损失进行训练，最终的损失函数为KL距离表示，
即
为了防止明显特征数据集Di的过拟合，以及低特征数据集的Du的欠拟合，对于某个样本的判断概率高于当前步奏设置的阈值，在损失函数中就不用它了。
所包含的有毒有害气气体浓度报警分为四个报警等级，其中四级报警影响度最小，一级报警影响度最大，待分类的气体种类为TVOC、氯气、氨气、硫化氢、三氯甲烷、甲醛、甲醇、氯化氢、氰化氢、光气。最后将气体种类定性出来。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种监测化工园区有毒有害气体的分类方法,包括以下步骤，
S1：在监测点现场执行标气通气测试，将零级空气先通入硬件监测单元中，待传感器数据标0时通入标准气体做测试，记录通气起始时间数据，执行10组标气测试，并将测试数据上传至服务器；
S2:将服务器后台采集的m*n维传感器报警数据作为原始训练集，其中m为样本数量，n为数据个数，m*n维数据对m组数据通过人工经验对数据集Di编标签{0，1，2，3，4，5，6，7，8，9}，数据特征为未标定标签的样本集Du不编码。
2.如权利要求1所述的一种监测化工园区有毒有害气体的分类方法，其特征在于，所述步骤S2包括，
S21：极大似然估计高斯混合模型三参数(pθ(y|x))，Di∪Du的对数似然为：
其中Di为有标签数据集，Du为无标签的数据集，αi为混合系数，μi和μj为样本的均值，∑i为协方差矩阵，i表示第i个样本，j表示数据集Di标签0到9中第j个类别，，x为样本集，y为标签集，p(θ＝i|x)为样本x由第i个高斯混合成分的后验概率，θ表示样本x隶属的高斯混合成分，p(y＝j|θ＝i，x)为x由第i个高斯混合成分生成其类别为j的概率，N为数据个数；
S22：根据当前模型参数计算数据特征明显样本xj属于各高斯混合成分概率：
基于Yji更新参数，其中li为第i类的有标记样本数目：
S23：通过高斯混合模型预测出特征明显的样本标签；
S24：利用无监督数据增强方法对无标签数据集进行特征增强，通过高斯混合聚类有标签数据数据集得到pθ(y|x)，将无标签数据集Du输入pθ(y|x)得到模型
将无监督数据增强得到的
数据通过pθ(y|x)得到
其中
没有梯度传递，利用Du低特征数据集和增强过后的Du通过无监督一致性损失进行训练，最终的损失函数为KL散度表示，
其中，-logpθ(y*|x)表示有标签数据集的交叉熵损失，
表示无标签数据与无标签数据增强后的随机分布度量距离，L为有标签数据集，U为无标签数据集，
为最终损失，λ为微调系数根据实际情况设定，
为数据增强变换，E为期望。
3.根据权利要求1所述的一种检测化工园区有毒有害气体的方法，其特征在于，有毒有害气气体浓度报警分为四个报警等级，其中四级报警影响度最小，一级报警影响度最大；
待分类的气体种类为TVOC、氯气、氨气、硫化氢、三氯甲烷、甲醛、甲醇、氯化氢。
4.根据权利要求2所述的一种监测化工园区有毒有害气体的分类方法，其特征在于，所述步骤S2包括，特征信息明显的报警样本全部通过人工经验先标定标签，特征信息不明显的报警样本则不标定。
5.根据权利要求1所述的一种检测化工园区有毒有害气体的方法，其特征在于，硬件监测单元采用的传感器为工业电化学传感器；
硬件监测单元包括气体预处理模块、检测模块、UPS电源、通讯模块、显示模块和箱体，各模块运行由主控程序统一控制，各传感器所检测信号统一进行除噪、温度补偿及智能运算等处理，运行的参数和测量数据参数在本地和远程数据中心查看；
硬件监测单元在监测点开机过后，每隔预设时间发送一组样本给后台服务器，服务器保存数据，在网络客户端导出。
6.根据权利要求3所述的一种检测化工园区有毒有害气体的方法，其特征在于，四个报警等级的阈值判断依据为时间加权容许浓度、短时间接触容许浓度、立即威胁生命和健康浓度、最高容许浓度。
7.根据权利要求1所述的一种检测化工园区有毒有害气体的方法，其特征在于，硬件监测单元的地理位置设置在化工园区内各企业内部或设置在企业与企业之间的交叉路口，硬件监测单元根据监测的结果分析发生泄露或偷排漏排的企业。
8.根据权利要求1所述的一种检测化工园区有毒有害气体的方法，其特征在于，硬件监测单元开始工作后，每隔半分钟就采集一次数据上传，每发生一次警报后台记录详细的时间节点、气体种类、浓度；
硬件监测单元包括UPS电源，免维护电池，硬件监测单元的电池容量保证外接电源断电情况下，监测箱供电至少4个小时。
9.根据权利要求5所述的一种检测化工园区有毒有害气体的方法，其特征在于，通讯模块支持有线和无线通讯。
10.根据权利要求5所述的一种检测化工园区有毒有害气体的方法，其特征在于，显示模块包括配备液晶显示屏，中文交互式人机界面，显示气体种类、浓度、温度、IP地址、流量、时间等，对主机参数进行设置；显示屏安装在箱体内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058873.XA CN112229952B (zh) | 2020-09-30 | 2020-09-30 | 一种监测化工园区有毒有害气体的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011058873.XA CN112229952B (zh) | 2020-09-30 | 2020-09-30 | 一种监测化工园区有毒有害气体的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112229952A true CN112229952A (zh) | 2021-01-15 |
| CN112229952B CN112229952B (zh) | 2022-11-15 |
Family
ID=74119903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011058873.XA Active CN112229952B (zh) | 2020-09-30 | 2020-09-30 | 一种监测化工园区有毒有害气体的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112229952B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002277A (zh) * | 2021-11-02 | 2022-02-01 | 哈尔滨理工大学 | 一种三维有毒有害气体检测系统及其测试方法 |
| CN115238807A (zh) * | 2022-07-29 | 2022-10-25 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
| CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN117110554A (zh) * | 2023-10-24 | 2023-11-24 | 广东埃文低碳科技股份有限公司 | 一种火电企业温室气体末端排放监测系统和方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313793A (zh) * | 2011-09-07 | 2012-01-11 | 中国环境科学研究院 | 一种化工园区空气中多组分气体污染物的监控系统 |
| CN104836837A (zh) * | 2015-03-24 | 2015-08-12 | 南京太亚科技有限责任公司 | 一种化工园区环境污染防范与应急系统 |
| CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警系统 |
| CN107121463A (zh) * | 2017-04-27 | 2017-09-01 | 浙江清华长三角研究院 | 一种多通道电子鼻检测系统及其测量方法 |
| CN107941988A (zh) * | 2017-10-16 | 2018-04-20 | 华南理工大学 | 一种检测气体污染源的无人机设备及监测方法 |
| KR101852074B1 (ko) * | 2016-11-29 | 2018-04-25 | 단국대학교 산학협력단 | 가스 분류를 위한 전자코 시스템 및 방법 |
| CN108881196A (zh) * | 2018-06-07 | 2018-11-23 | 中国民航大学 | 基于深度生成模型的半监督入侵检测方法 |
| US20190033160A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Adaptive sensing for gas leak detection |
| US20190120804A1 (en) * | 2015-02-25 | 2019-04-25 | Clean Power Research, L.L.C. | System and method for monitoring occupancy of a building using a tracer gas concentration monitoring device |
| CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
| CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
| CN110082782A (zh) * | 2019-04-17 | 2019-08-02 | 深圳易普森科技股份有限公司 | 一种危化品园区巡检系统及其实现方法 |
| WO2019171363A2 (en) * | 2019-05-07 | 2019-09-12 | Symbiosis International (Deemed University) | A system and a method for detection and classification of gasses |
| CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
| CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
| CN111080651A (zh) * | 2019-12-12 | 2020-04-28 | 西南科技大学 | 基于水流分割的石油钻井污染气体自动监测方法 |
| CN210834843U (zh) * | 2019-10-15 | 2020-06-23 | 合肥光博量子科技有限公司 | 一种移动测量化工园区有毒有害气体的监测车 |
| CN111460382A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 |
| CN111507155A (zh) * | 2020-01-17 | 2020-08-07 | 长江大学 | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 |
| CN211292801U (zh) * | 2019-12-13 | 2020-08-18 | 王大陆 | 化工园区气体监控系统 |
-
2020
- 2020-09-30 CN CN202011058873.XA patent/CN112229952B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102313793A (zh) * | 2011-09-07 | 2012-01-11 | 中国环境科学研究院 | 一种化工园区空气中多组分气体污染物的监控系统 |
| US20190120804A1 (en) * | 2015-02-25 | 2019-04-25 | Clean Power Research, L.L.C. | System and method for monitoring occupancy of a building using a tracer gas concentration monitoring device |
| CN104836837A (zh) * | 2015-03-24 | 2015-08-12 | 南京太亚科技有限责任公司 | 一种化工园区环境污染防范与应急系统 |
| CN106383205A (zh) * | 2016-10-13 | 2017-02-08 | 北京伟瑞迪科技有限公司 | VOCs区域在线监测及预警系统 |
| KR101852074B1 (ko) * | 2016-11-29 | 2018-04-25 | 단국대학교 산학협력단 | 가스 분류를 위한 전자코 시스템 및 방법 |
| CN107121463A (zh) * | 2017-04-27 | 2017-09-01 | 浙江清华长三角研究院 | 一种多通道电子鼻检测系统及其测量方法 |
| US20190033160A1 (en) * | 2017-07-28 | 2019-01-31 | International Business Machines Corporation | Adaptive sensing for gas leak detection |
| CN107941988A (zh) * | 2017-10-16 | 2018-04-20 | 华南理工大学 | 一种检测气体污染源的无人机设备及监测方法 |
| CN108881196A (zh) * | 2018-06-07 | 2018-11-23 | 中国民航大学 | 基于深度生成模型的半监督入侵检测方法 |
| CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
| CN109919229A (zh) * | 2019-03-08 | 2019-06-21 | 杭州麦乐克科技股份有限公司 | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 |
| CN110082782A (zh) * | 2019-04-17 | 2019-08-02 | 深圳易普森科技股份有限公司 | 一种危化品园区巡检系统及其实现方法 |
| WO2019171363A2 (en) * | 2019-05-07 | 2019-09-12 | Symbiosis International (Deemed University) | A system and a method for detection and classification of gasses |
| CN110346517A (zh) * | 2019-07-25 | 2019-10-18 | 中南大学 | 一种智慧城市工业大气污染可视化预警方法及其系统 |
| CN210834843U (zh) * | 2019-10-15 | 2020-06-23 | 合肥光博量子科技有限公司 | 一种移动测量化工园区有毒有害气体的监测车 |
| CN111007035A (zh) * | 2019-12-12 | 2020-04-14 | 重庆科技学院 | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 |
| CN111080651A (zh) * | 2019-12-12 | 2020-04-28 | 西南科技大学 | 基于水流分割的石油钻井污染气体自动监测方法 |
| CN211292801U (zh) * | 2019-12-13 | 2020-08-18 | 王大陆 | 化工园区气体监控系统 |
| CN111507155A (zh) * | 2020-01-17 | 2020-08-07 | 长江大学 | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 |
| CN111460382A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| K.WETCHAKUN: "Semiconducting metal oxides as sensors for environmentally hazardous gases", 《SENSORS AND ACTUATORS B:CHEMICAL》 * |
| 魏进等: "化工园区有毒有害气体预警体系建设研究", 《污染防治技术》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002277A (zh) * | 2021-11-02 | 2022-02-01 | 哈尔滨理工大学 | 一种三维有毒有害气体检测系统及其测试方法 |
| CN115238807A (zh) * | 2022-07-29 | 2022-10-25 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
| CN115238807B (zh) * | 2022-07-29 | 2024-02-27 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
| CN116384754A (zh) * | 2023-06-02 | 2023-07-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN116384754B (zh) * | 2023-06-02 | 2023-08-04 | 北京建工环境修复股份有限公司 | 一种基于深度学习的在产化工园区环境污染风险评估方法 |
| CN117110554A (zh) * | 2023-10-24 | 2023-11-24 | 广东埃文低碳科技股份有限公司 | 一种火电企业温室气体末端排放监测系统和方法 |
| CN117110554B (zh) * | 2023-10-24 | 2024-01-12 | 广东埃文低碳科技股份有限公司 | 一种火电企业温室气体末端排放监测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112229952B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112229952B (zh) | 一种监测化工园区有毒有害气体的方法 | |
| Xiaojun et al. | IOT-based air pollution monitoring and forecasting system | |
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| US20220365521A1 (en) | Virtual simulation manufacturing platform based on automatic control | |
| Samer et al. | A computer program for monitoring and controlling ultrasonic anemometers for aerodynamic measurements in animal buildings | |
| CN110458529A (zh) | 一种基于大数据的水污染分析、预测方法 | |
| CN114329245A (zh) | 一种空气污染的溯源方法、装置、服务器及存储介质 | |
| CN106716074B (zh) | 探测装置 | |
| Liu et al. | Fault diagnosis of subway indoor air quality based on local fisher discriminant analysis | |
| CN112763655A (zh) | 一种自动质控方法、系统及装置 | |
| Vairoac et al. | A Bayesian belief network for local air quality forecasting | |
| CN110007174B (zh) | 一种数据中心的动力管控检测方法 | |
| Catovic et al. | Air pollution prediction and warning system using IoT and machine learning | |
| CN116432831A (zh) | 一种化学品风险类型异常事件的预测方法 | |
| Wiersma | Environmental benchmarks vs. ecological benchmarks for assessment and monitoring in Canada: Is there a difference? | |
| Ensor et al. | Point source influence on observed extreme pollution levels in a monitoring network | |
| CN112986497B (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
| Janarthanan et al. | Real-time indoor air quality monitoring using the Internet of Things | |
| Ionescu et al. | Improving the reliability of decision-support systems for nuclear emergency management by leveraging software design diversity | |
| Ace et al. | 8Remote Sensor Network Application For Monitoring System and Air Quality Classification | |
| Sverdlova et al. | Predicting anomaly conditions of energy equipment using neural networks | |
| Liu et al. | Polluted gas quantitative detection in multi-gas sensor based on bidirectional long-short term memory network | |
| Handayani et al. | Performance Evaluation on Applied Low-Cost Multi-Sensor Technology in Air Pollution Monitoring | |
| Lorthong et al. | LPG Leakage Risk Predictions from an IoT-Based Detection System Using Machine Learning | |
| Sivaprasad | Forecasting of greenhouse gases and air quality prediction using matlab analytics |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230421 Address after: 401331 third floor, internship room at the southwest corner of building 39, Chongqing Institute of science and technology, No. 20, University Town East Road, Shapingba District, Chongqing Patentee after: Chongqing safety production scientific research Co.,Ltd. Address before: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing Patentee before: Chongqing University of Science & Technology |
|
| TR01 | Transfer of patent right |