CN112680501B - 基于微生物的列车车厢空气调控方法、系统及存储介质 - Google Patents

基于微生物的列车车厢空气调控方法、系统及存储介质 Download PDF

Info

Publication number
CN112680501B
CN112680501B CN202011616109.XA CN202011616109A CN112680501B CN 112680501 B CN112680501 B CN 112680501B CN 202011616109 A CN202011616109 A CN 202011616109A CN 112680501 B CN112680501 B CN 112680501B
Authority
CN
China
Prior art keywords
air
concentration
total number
bacterial colonies
air supply
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
Application number
CN202011616109.XA
Other languages
English (en)
Other versions
CN112680501A (zh
Inventor
刘辉
李燕飞
夏雨
陈超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202011616109.XA priority Critical patent/CN112680501B/zh
Publication of CN112680501A publication Critical patent/CN112680501A/zh
Priority to PCT/CN2021/122732 priority patent/WO2022142569A1/zh
Priority to JP2022527144A priority patent/JP7360218B2/ja
Priority to US18/267,450 priority patent/US20230366004A1/en
Application granted granted Critical
Publication of CN112680501B publication Critical patent/CN112680501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • C12Q1/06—Quantitative determination
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00357—Air-conditioning arrangements specially adapted for particular vehicles
    • B60H1/00371—Air-conditioning arrangements specially adapted for particular vehicles for vehicles carrying large numbers of passengers, e.g. buses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/008—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being air quality
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D27/00—Heating, cooling, ventilating, or air-conditioning
    • B61D27/009—Means for ventilating only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/01—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials specially adapted for biological cells, e.g. blood cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • 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)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Immunology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Thermal Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microbiology (AREA)
  • Toxicology (AREA)
  • Biotechnology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Dispersion Chemistry (AREA)
  • Epidemiology (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于微生物的列车车厢空气通风调节方法、系统及存储介质，根据各测点间微生物扩散情况调节通风系统，进而降低乘客所在区域的微生物污染指标。该方法对铁路列车空气质量调控有着指导作用。本发明研究了微生物污染与大气污染物浓度的映射关系，能有效解决微生物检测的实时性问题，确保对列车车厢内微生物污染的实时调控。

Description

基于微生物的列车车厢空气调控方法、系统及存储介质
技术领域
本发明涉及列车环境监测领域，特别是一种基于微生物的列车车厢空气调控方法、系统及存储介质。
背景技术
随着我国轨道交通行业的不断发展，旅客列车舒适性要求也逐渐被公众所关注。受到空气压力波影响，列车车厢需在高速行驶时保证适当的内外压差，因此高速列车通常采用密封式车体结构，所有车窗均无法打开。在此情况下，车厢内部的空气污染物处理完全依赖于通风系统。因此，通风系统的质量和调节策略将直接影响到乘客舒适性。如何对列车环境进行监测并相应地调节通风系统成为了亟待解决的问题。
现有关于列车车厢环境的专利主要涉及以下两方面：
1、新型空气质量检测装置及净化装置的安装。如公开号为CN101885338A的专利申请提出了列车空调通风系统智能化采样检测及空气净化装置，包括变频旋流捕尘器和高效过滤器等。公开号为CN105172818A的专利提出了一种列车专用空气净化器，包括上箱体和与上箱体相互配合的下箱体。
2、基于大气污染物检测的车厢环境调节方法。公开号为CN110239577A的专利申请提出了一种车内污染环境下列车乘员健康防护系统及其方法，包括基础数据获取模块、列车外部空气质量预测模块、列车内部空气质量预测模块和通风策略制定模块。公开号为CN104608785A的专利申请提出了一种高速列车空调系统智能化管控方法。
以上方法主要以列车内部的PM2.5等大气污染物作为空气质量评估依据，然而，空气环境中生物污染对的人体健康危害却没有被关注，现阶段没有方法重视列车车厢这一密闭环境的生物性污染物。此外，由于微生物测量机理与PM2.5等污染物不同，必须通过长时间菌落培养，难以直接进行检测并采取实时调控措施。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种基于微生物扩散的列车车厢空气通风调节方法、系统及存储介质，学习车厢内微生物污染与大气污染物浓度的映射关系，并根据车厢内的微生物分布情况对乘客健康做出最优级别的防护措施。
为解决上述技术问题，本发明所采用的技术方案是：一种基于微生物的列车车厢空气调控方法，包括以下步骤：
1)检测列车送风口、排风口和座椅处的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数；
2)根据车厢内各测点的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系；其中，所述微小环境单元即测点；
3)选取时间长度为N分钟的实测大气污染物浓度数据集，根据所述映射关系计算细菌菌落总数，将第i个座椅处细菌菌落总数时间序列记为
Figure BDA0002872112640000022
第j个送风口或排风口细菌菌落总数时间序列记为
Figure BDA0002872112640000021
采用格兰杰因果关系检验进行假设检验，判断
Figure BDA0002872112640000023
与
Figure BDA0002872112640000024
是否存在因果关系，进而得到每个座椅检测点与m个送风口和n个排风口的检验结果集合；
4)根据所述映射关系和检验结果集合，获取所有座椅检测点的非线性描述模型库；
5)将列车所有送风口、排风口的通风速率作为灰狼优化算法的输入，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果，将所述拟合结果作为所述非线性描述模型库的输入，得到各座椅处细菌菌落总数的拟合结果，利用所述各座椅处细菌菌落总数的拟合结果确定所有送风口和排风口的通风速率。
本发明学习车厢内微生物污染与空气污染物浓度的映射关系，并根据车厢内的微生物分布情况实时做出对乘客健康的最优防护措施。该方法创新性地对列车车厢的微生物进行检测和分析处理。根据各测点间微生物分布情况调节通风系统，进而降低乘客所在区域的微生物污染。该方法对铁路列车空气质量调控有着指导作用。
步骤2)中，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系的具体实现过程包括：
A、读取M个连续历史时刻内当前微小环境单元的空气污染物浓度和细菌菌落总数指标数据集，并将所述数据集划分为训练集和测试集；
B、采用深度置信网络构建微生物-空气污染物模型，将空气污染物浓度作为深度置信网络的输入，同一时刻的细菌菌落总数作为深度置信网络的输出，训练所述深度置信网络；
C、将所述测试集作为训练后的深度置信网络的输入，选取在测试集上描述精度最高的一组参数作为该微小环境单元的微生物-空气污染物映射模型；
D、重复上述步骤A～C，直至遍历完所有的微小环境单元，得到共计m+n+p个检测点内细菌菌落总数和空气污染物的映射关系；m，n，p分别为送风口、排风口和座椅的检测点数。
本发明研究了微生物污染与空气污染物浓度的映射关系，能有效解决微生物检测的实时性问题，确保对列车车厢内微生物污染的实时调控。
步骤3)中，检验结果集合
Figure BDA0002872112640000031
其中，
Figure BDA0002872112640000032
检验结果
Figure BDA0002872112640000033
取值为0或1。
本发明的方法通过对不同测点之间微生物时间序列数据进行因果关系检验，进一步筛选与乘客所在座椅处的密切相关测点用于后续建模，实现测点空间维度的压缩，使所提供的数据特征应具有较强表征能力。
步骤4)的具体实现过程包括：
I)读取P个连续历史时刻的座椅、送风口、排风口PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，根据所述映射关系计算该P个连续历史时刻内各检测点的细菌菌落总数；
II)读取第i个座椅检测点的细菌菌落总数
Figure BDA0002872112640000034
以及与第i个座椅检测点存在因果关系的送风口/排风口的细菌菌落总数
Figure BDA0002872112640000035
III)将Ii作为深度回声状态网络的输入，以Oi为深度回声状态网络的输出，学习在不同历史时刻下座椅与送风口/排风口细菌菌落总数的对应关系；
IV)重复步骤I)～III)，直至遍历完所有的座椅检测点，得到所有座椅检测点的非线性描述模型库。
本发明采用深度神经网络对微生物-空气污染物浓度及座椅-送风口/排风口微生物的非线性映射关系进行描述，保证了其描述精度。
步骤5)中，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果的具体实现过程包括：
i)等间隔增加通风速率，并测定相应通风速率下的细菌菌落总数；
ii)对第k个送风口/排风口的细菌菌落总数进行最小二乘拟合，得到细菌菌落总数
Figure BDA0002872112640000041
关于通风速率vk的多项式表达方法；
iii)重复步骤i)和步骤ii)，遍历至所有送风口和排风口，得到所有送风口和排风口的细菌菌落总数随通风速率变化的多项式拟合结果
Figure BDA0002872112640000042
m，n分别为送风口、排风口的检测点数。
步骤5)中，设置优化目标为同时最小化各座椅处细菌菌落总数拟合结果，优化函数为：
Figure BDA0002872112640000043
本发明采用多目标优化方法最小化各座椅处的细菌菌落总数，使乘客所在区域的微生物污染达到总体最优，避免在通风系统调节过程中导致的部分区域二次污染现象。
步骤5)中，选取使评估指标
Figure BDA0002872112640000044
达到最小的非支配解NS*＝arg minE，用于确定所有送风口和排风口的通风速率NS*；其中，
Figure BDA0002872112640000045
为测试集中所有座椅处细菌菌落总数的方差；uk和lk分别为第k个送风口/排风口的通风速率vk的上限和下限。
评估指标为所有座椅处细菌菌落总数的累计拟合结果和方差的结合，其中所有座椅处细菌菌落总数的累计拟合结果代表通风调控后的微生物污染程度，而方差代表各个座椅之间微生物污染的离散程度。选取使该评估指标最小的非支配解可确保：(1)车厢内的微生物污染程度总体最小；(2)各个座椅之间的微生物污染差异最小，避免个别区域出现极端污染情况。
本发明还提供了一种基于微生物扩散的列车车厢空气通风调节系统，其包括计算机设备；所述计算机设备被配置或编程为用于执行本发明所述方法的步骤。
作为一个发明构思，本发明还提供了一种计算机存储介质，其存储有程序；该程序被配置为用于执行本发明所述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
1)本发明对列车车厢的微生物进行检测和分析处理。根据各测点间微生物扩散情况调节通风系统，进而降低乘客所在区域的微生物污染指标。该方法对铁路列车空气质量调控有着指导作用。
2)本发明研究了微生物污染与大气污染物浓度的映射关系，能有效解决微生物检测的实时性问题，确保对列车车厢内微生物污染的实时调控。
3)本发明采用送风口、排风口和座椅多测点综合检测的方式，能有效描述车厢内部环境的大气污染物和微生物分布情况，确保检测结果对实际空间分布情况的刻画真实性。
4)本发明的方法通过对不同测点之间微生物时间序列数据进行因果关系检验，进一步筛选与乘客所在座椅处的密切相关测点用于后续建模，实现测点空间维度的压缩，使所提供的数据特征应具有较强表征能力。
5)本发明采用深度神经网络对微生物-大气污染物浓度及座椅-送风口/排风口微生物的非线性映射关系进行描述，保证了其描述精度。
6)本发明采用多目标优化方法最小化各座椅处的细菌菌落总数，使乘客所在区域的微生物污染达到总体最优，避免在通风系统调节过程中导致的部分区域二次污染现象。
附图说明
图1为本发明方法流程图。
具体实施方式
如图1所示，本发明实施例的具体实现过程如下：
步骤1：污染数据多测点采集
列车车厢内部包括PM2.5、PM10、CO、NO2、SO2和O3六种大气污染物以及细菌、真菌、病毒等微生物污染。微生物与空气质量状况密切相关，一般情况下空气中的细菌菌落总数与致病性微生物(细菌、真菌、病毒)的存在概率呈正相关，因此本专利以细菌菌落总数指标来衡量微生物的致病性。于列车车厢的多个送风口、排风口和座椅处布置TS WES-C空气污染物检测器(测量PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，实时检测)以及安德生撞击式空气微生物采样器(测量细菌菌落总数，需经过48h微生物培养)。
所得数据包括送风口、排风口和座椅处的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数，可表示为
Figure BDA0002872112640000061
和
Figure BDA0002872112640000062
式中
Figure BDA0002872112640000063
代表第m个送风口的大气污染物浓度，
Figure BDA0002872112640000064
代表第n个排风口的大气污染物浓度，
Figure BDA0002872112640000065
代表第p个座椅处的大气污染物浓度，式中
Figure BDA0002872112640000066
代表第m个送风口的细菌菌落总数，
Figure BDA0002872112640000067
代表第n个排风口的细菌菌落总数，
Figure BDA0002872112640000068
代表第p个座椅处的细菌菌落总数，i代表PM2.5、PM10、CO、NO2、SO2和O3六种大气污染物，m，n，o分别为送风口、排风口和座椅的测点数。将每个检测点视为微小环境单元，检测数据与车厢编号进行对应，并记录检测数据的时间戳，相邻数据间隔为5分钟。采集数据通过4G方式传输至数据存储平台。
步骤2：微生物-大气污染物映射学习
根据车厢测点历史污染数据，建立模型学习每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系。具体建模过程如下：
A1：选定微小环境单元，读取200个连续历史时刻内该微小环境单元的大气污染物浓度和细菌菌落总数指标数据集。
A2：数据集划分。上述数据集包含200个连续历史时刻，将1～160时刻的数据作为训练集，161～200时刻的数据作为测试集。
A3：采用深度置信网络构建微生物-大气污染物模型，将大气污染物浓度作为深度置信网络的输入，同一时刻的细菌菌落总数作为深度置信网络的输出。深度置信网络的层数采用5折交叉验证确定，选取范围为[1,2,3,4,5]。
A4：将训练完备的深度置信网络在测试集上进行模型检验，选取在测试集上描述精度最高的一组参数作为该微小环境单元的微生物-大气污染物映射模型。
A5：将A1～A4遍历至所有微小环境单元(即检测点)，得到所有共计m+n+p个检测点内细菌菌落总数和大气污染物的映射关系{D＝f(d)|i＝1,2,3,...,m+n+p}，其中f代表该映射关系。
步骤3：基于微生物扩散机理的测点因果关系检验
微生物在车厢中的空间分布及扩散情况受空气运动影响，各测点之间的细菌菌落总数存在数据层面的因果关系。针对每个车厢，分析座椅处与各送风口、排风口细菌菌落总数时间序列的因果关系。
选取时间长度为N分钟的实测大气污染物浓度数据集，根据步骤2所得映射关系计算细菌菌落总数。将第i个座椅处细菌菌落总数时间序列记为
Figure BDA0002872112640000071
第j个送风口或排风口细菌菌落总数时间序列记为
Figure BDA0002872112640000072
采用格兰杰因果关系检验(Granger causality test,GCT)，进行假设检验从而判断
Figure BDA0002872112640000073
与
Figure BDA0002872112640000074
是否存在因果关系。检验结果
Figure BDA0002872112640000075
输出为0或1，其中0代表座椅处细菌菌落总数时间序列
Figure BDA0002872112640000076
与送风口/排风口细菌菌落总数时间序列
Figure BDA0002872112640000077
不存在因果关系，反之1代表存在因果关系：
Figure BDA0002872112640000078
GCT()代表格兰杰因果关系检验。得到每个座椅检测点与m个送风口和n个排风口的检验结果集合：
Figure BDA0002872112640000079
步骤4：因果关联测点非线性描述建模
针对每个座椅检测点建立其相关送风口/排风口的非线性描述模型，具体建模过程如下：
B1：读取100个连续历史时刻的座椅、送风口、排风口PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，根据步骤2所得映射关系计算100个连续历史时刻内各测点的细菌菌落总数。
B2：数据集划分。上述数据集包含100个连续历史时刻，将1～60时刻的数据作为训练集，61～80时刻的数据作为验证集，81～100时刻的数据作为测试集。
B3：读取第i个座椅检测点的细菌菌落总数
Figure BDA0002872112640000081
以及与第i个座椅检测点存在因果关系的送风口/排风口的细菌菌落总数
Figure BDA0002872112640000082
B4：采用深度回声状态网络构建非线性描述模型，模型输入为Ii，模型输出为Oi，以学习在不同历史时刻下座椅与送风口/排风口细菌菌落总数的对应关系。将深度回声状态网络的储蓄池节点数设置为10，储蓄池层数和在每一层储蓄池矩阵谱半径采用5折交叉验证确定，上述两个参数的选取范围分别为[1,2,3,...,10]和[0.1,0.3,0.5,0.7,0.9]，选取在验证集上描述精度最高的一组参数得到训练完备后的非线性描述模型h(Ii)。
B5：将A1～A4遍历至所有座椅检测点，得到所有座椅检测点的非线性描述模型库{h(Ii)|i＝1,2,3,...,p}。
步骤5：基于多目标优化的车厢通风调节策略
C1：测算所有送风口/排风口处细菌菌落总数随通风速率的变化关系。按以下步骤进行：
1)等间隔增加通风速率，并测定相应通风速率下的细菌菌落总数，以时间戳-通风速率-细菌菌落总数的数据格式记录于数据存储平台中。
2)针对第k个送风口/排风口，进行最小二乘拟合，得到细菌菌落总数
Figure BDA0002872112640000083
关于通风速率vk的多项式表达方法：
Figure BDA0002872112640000084
3)重复以上步骤，遍历至所有送风口和排风口，得到所有送风口和排风口的细菌菌落总数随通风速率变化的多项式拟合结果
Figure BDA0002872112640000085
C2：建立多目标优化模型，具体实施细节如下：
1)选取优化算法并设定初始超参数：采用多目标灰狼优化，并嵌入领导者选择机制和存档储存机制来提高收敛能力(MIRJALILI S,SAREMI S,MIRJALILI S M,etal.Multi-objective grey wolf optimizer[J].Expert Systems With Applications,2016,47:106-19.)。多目标灰狼优化的搜索种群数，最大迭代次数，存档大小分别设置为200，100和50。
2)优化变量为所有送风口和排风口的通风速率v，变量的搜索范围满足下式：
lk≤vk≤uk
其中uk和lk分别为第k个送风口/排风口的通风速率上下限。
3)根据C1所得送风口和排风口的细菌菌落总数随通风速率变化的多项式拟合方法，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果。将所得细菌菌落总数输入B5所得座椅检测点的非线性描述模型库，输出各座椅处细菌菌落总数的拟合结果。设置优化目标为同时最小化各座椅处细菌菌落总数拟合结果，优化函数为：
Figure BDA0002872112640000091
Figure BDA0002872112640000092
4)执行多目标优化(MIRJALILI S,SAREMI S,MIRJALILI S M,et al.Multi-objective grey wolf optimizer[J].Expert Systems With Applications,2016,47:106-19.)，并记录迭代次数Itr＝1。计算所有搜索结果的优化函数值，并选取非支配解存入档案中。
5)更新搜索路径，生成新的通风速率搜索结果。
6)搜索次数It＝It+1，若It小于最大迭代次数，则返回步骤4)；否则多目标优化算法结束，输出最终存档中的非支配解集NS。
7)评估非支配解在测试集上的表现性能，评估指标为座椅处细菌菌落总数将所有座椅细菌菌落总数的累计拟合结果和方差(Var)的结合：
Figure BDA0002872112640000093
选取使评估指标达到最小的非支配解NS*＝arg min E，用于确定所有送风口和排风口的通风速率。
步骤6：根据所得通风速率完成列车车厢通风调节后，各检测点对细菌菌落总数进行持续检测并将数据传输至数据存储平台。
步骤7：在第一次通风调节完成后的一段时间内不需再次进行模型训练，只需根据后续检测数据进行计算并输出最优通风调节策略。由于不同人群行为导致的空气微生物分布状况会发生改变，所述因果关系检验、非线性描述和多目标优化模型均需要定期进行重新训练、更新参数以保证模型的有效性，可以将重新训练的时间间隔设定为3小时。

Claims (8)

1.一种基于微生物的列车车厢空气调控方法，其特征在于，包括以下步骤：
1)检测列车送风口、排风口和座椅处的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数；
2)根据车厢内各测点的PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度和细菌菌落总数，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系；其中，所述微小环境单元即测点；
3)选取时间长度为N分钟的实测大气污染物浓度数据集，根据所述映射关系计算细菌菌落总数，将第i个座椅处细菌菌落总数时间序列记为
Figure FDA0003982184350000011
第j个送风口或排风口细菌菌落总数时间序列记为
Figure FDA0003982184350000012
采用格兰杰因果关系检验进行假设检验，判断
Figure FDA0003982184350000013
与
Figure FDA0003982184350000014
是否存在因果关系，进而得到每个座椅检测点与m个送风口和n个排风口的检验结果集合；
4)根据所述映射关系和检验结果集合，获取所有座椅检测点的非线性描述模型库；
5)将列车所有送风口、排风口的通风速率作为灰狼优化算法的输入，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果，将所述拟合结果作为所述非线性描述模型库的输入，得到各座椅处细菌菌落总数的拟合结果，利用所述各座椅处细菌菌落总数的拟合结果确定所有送风口和排风口的通风速率。
2.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤2)中，建立每个微小环境单元内细菌菌落总数D和大气污染物浓度d之间的映射关系的具体实现过程包括：
A、读取M个连续历史时刻内当前微小环境单元的空气污染物浓度和细菌菌落总数指标数据集，并将所述数据集划分为训练集和测试集；
B、采用深度置信网络构建微生物-空气污染物模型，将空气污染物浓度作为深度置信网络的输入，同一时刻的细菌菌落总数作为深度置信网络的输出，训练所述深度置信网络；
C、将所述测试集作为训练后的深度置信网络的输入，选取在测试集上描述精度最高的一组参数作为该微小环境单元的微生物-空气污染物映射模型；
D、重复上述步骤A～C，直至遍历完所有的微小环境单元，得到共计m+n+p个检测点内细菌菌落总数和空气污染物的映射关系；m，n，p分别为送风口、排风口和座椅的检测点数。
3.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤3)中，检验结果集合
Figure FDA0003982184350000021
其中，
Figure FDA0003982184350000022
检验结果
Figure FDA0003982184350000023
取值为0或1；GCT()代表格兰杰因果关系检验。
4.根据权利要求1所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤4)的具体实现过程包括：
I)读取P个连续历史时刻的座椅、送风口、排风口PM2.5浓度、PM10浓度、CO浓度、NO2浓度、SO2浓度、O3浓度，根据所述映射关系计算该P个连续历史时刻内各检测点的细菌菌落总数；
II)读取第i个座椅检测点的细菌菌落总数Oi，以及与第i个座椅检测点存在因果关系的送风口/排风口的细菌菌落总数Ii；
III)将Ii作为深度回声状态网络的输入，以Oi为深度回声状态网络的输出，学习在不同历史时刻下座椅与送风口/排风口细菌菌落总数的对应关系；
IV)重复步骤I)～III)，直至遍历完所有的座椅检测点，得到所有座椅检测点的非线性描述模型库。
5.根据权利要求1～4之一所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)中，计算在不同通风速率下的送风口/排风口细菌菌落总数拟合结果的具体实现过程包括：
i)等间隔增加通风速率，并测定相应通风速率下的细菌菌落总数；
ii)对第k个送风口/排风口的细菌菌落总数进行最小二乘拟合，得到细菌菌落总数
Figure FDA0003982184350000031
关于通风速率vk的多项式表达方法；
iii)重复步骤i)和步骤ii)，遍历至所有送风口和排风口，得到所有送风口和排风口的细菌菌落总数随通风速率变化的多项式拟合结果
Figure FDA0003982184350000032
m，n分别为送风口、排风口的检测点数。
6.根据权利要求5所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)中，设置优化目标为同时最小化各座椅处细菌菌落总数拟合结果，优化函数为：
Figure FDA0003982184350000033
uk和lk分别为第k个送风口/排风口的通风速率上限、下限。
7.根据权利要求2所述的基于微生物的列车车厢空气调控方法，其特征在于，步骤5)中，选取使评估指标
Figure FDA0003982184350000034
达到最小的非支配解NS*＝arg min E，用于确定所有送风口和排风口的通风速率NS*；其中，
Figure FDA0003982184350000035
lk≤vk≤uk；
Figure FDA0003982184350000036
为测试集中所有座椅处细菌菌落总数的方差；uk和lk分别为第k个送风口/排风口的通风速率vk的上限、下限。
8.一种基于微生物的列车车厢空气调控系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～7之一所述方法的步骤。
CN202011616109.XA 2020-12-30 2020-12-30 基于微生物的列车车厢空气调控方法、系统及存储介质 Active CN112680501B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011616109.XA CN112680501B (zh) 2020-12-30 2020-12-30 基于微生物的列车车厢空气调控方法、系统及存储介质
PCT/CN2021/122732 WO2022142569A1 (zh) 2020-12-30 2021-10-09 列车车厢空气调控方法、装置、存储介质及程序产品
JP2022527144A JP7360218B2 (ja) 2020-12-30 2021-10-09 列車車両用空気調和方法に用いる評価方法、装置、記憶媒体及びプログラム製品
US18/267,450 US20230366004A1 (en) 2020-12-30 2021-10-09 Train compartment air adjustment and control method and apparatus, storage medium, and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011616109.XA CN112680501B (zh) 2020-12-30 2020-12-30 基于微生物的列车车厢空气调控方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112680501A CN112680501A (zh) 2021-04-20
CN112680501B true CN112680501B (zh) 2023-02-24

Family

ID=75453516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011616109.XA Active CN112680501B (zh) 2020-12-30 2020-12-30 基于微生物的列车车厢空气调控方法、系统及存储介质

Country Status (4)

Country Link
US (1) US20230366004A1 (zh)
JP (1) JP7360218B2 (zh)
CN (1) CN112680501B (zh)
WO (1) WO2022142569A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112680501B (zh) * 2020-12-30 2023-02-24 中南大学 基于微生物的列车车厢空气调控方法、系统及存储介质
CN114088476B (zh) * 2021-10-21 2022-11-04 上海交通大学 自适应采集控制的气溶胶病毒采集富集装置及方法
CN114254249B (zh) * 2022-03-01 2022-05-17 深圳市今典建筑科技有限公司 一种空间区域健康指数确定方法及系统
CN115115293B (zh) * 2022-08-31 2023-01-31 安徽逸天科技有限公司 一种基于大数据的公共交通环境监测分析管理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105143778A (zh) * 2013-03-15 2015-12-09 艾尔库蒂公司 用于室内空气污染物监控的方法和装置
CN106004347A (zh) * 2016-05-31 2016-10-12 重庆长安汽车股份有限公司 车内空气质量控制系统及方法
CN106644866A (zh) * 2016-12-28 2017-05-10 重庆金鑫科技产业发展有限公司 Pm2.5空气检测器及pm2.5空气检测系统
CN110334452A (zh) * 2019-07-09 2019-10-15 中南大学 一种智慧农业大气污染浓度分层次预警方法
CN110333325A (zh) * 2019-08-02 2019-10-15 中南大学 一种大气污染环境下列车运行防护方法及系统
CN110361505A (zh) * 2019-07-25 2019-10-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统及其方法
CN110395286A (zh) * 2019-08-02 2019-11-01 中南大学 一种列车车内空气品质监测与通风调控方法、系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2765630B2 (ja) * 1996-05-23 1998-06-18 東京都地下鉄建設株式会社 地下空間における空気調和・換気シミュレータ
US8334422B2 (en) 2006-08-18 2012-12-18 Drexel University Method and device for air disinfection and sterilization
CN203404859U (zh) 2013-07-11 2014-01-22 惠觅宙 一种空气除味净化湿化装置
CN103557579B (zh) * 2013-11-14 2017-01-11 江苏万全科技有限公司 一种室内环境监测系统及其监测方法
US20180079278A1 (en) 2015-04-14 2018-03-22 Obschestvo S Ogranichennoi Otvetstvennostiyu “Autex Ltd.” Vehicle ventilation system (variants)
US20180356113A1 (en) 2015-05-15 2018-12-13 Obschestvo S Ogranichennoi Otvetstvennostiyu "Autex Ltd." Ventilation system for building and vehicle interiors
CN106564512A (zh) * 2016-11-08 2017-04-19 武汉理工大学 一种列车车厢空气质量监控调节系统
CN210241813U (zh) 2019-03-04 2020-04-03 上海市肺科医院 一种洁净手术室空气品质在线实时可视化的监控装置
CN110239577B (zh) * 2019-07-25 2020-06-30 中南大学 一种车内污染环境下列车乘员健康防护系统及其方法
CN112680501B (zh) * 2020-12-30 2023-02-24 中南大学 基于微生物的列车车厢空气调控方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105143778A (zh) * 2013-03-15 2015-12-09 艾尔库蒂公司 用于室内空气污染物监控的方法和装置
CN106004347A (zh) * 2016-05-31 2016-10-12 重庆长安汽车股份有限公司 车内空气质量控制系统及方法
CN106644866A (zh) * 2016-12-28 2017-05-10 重庆金鑫科技产业发展有限公司 Pm2.5空气检测器及pm2.5空气检测系统
CN110334452A (zh) * 2019-07-09 2019-10-15 中南大学 一种智慧农业大气污染浓度分层次预警方法
CN110361505A (zh) * 2019-07-25 2019-10-22 中南大学 一种车外大气污染环境下列车乘员健康预警系统及其方法
CN110333325A (zh) * 2019-08-02 2019-10-15 中南大学 一种大气污染环境下列车运行防护方法及系统
CN110395286A (zh) * 2019-08-02 2019-11-01 中南大学 一种列车车内空气品质监测与通风调控方法、系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Liu, H等.Spatial air quality index prediction model based on decomposition, adaptive boosting, and three-stage feature selection: A case study in China.《JOURNAL OF CLEANER PRODUCTION》.2020,第265卷 *
喻娟.车辆舱内通风模式优化.《中国优秀硕士学位论文全文数据库》.2013,(第2期), *

Also Published As

Publication number Publication date
CN112680501A (zh) 2021-04-20
US20230366004A1 (en) 2023-11-16
WO2022142569A1 (zh) 2022-07-07
JP2023511478A (ja) 2023-03-20
JP7360218B2 (ja) 2023-10-12

Similar Documents

Publication Publication Date Title
CN112680501B (zh) 基于微生物的列车车厢空气调控方法、系统及存储介质
CN108426812B (zh) 一种基于记忆神经网络的pm2.5浓度值预测方法
CN109086946B (zh) 一种常规能源和新能源公交车辆的污染气体排放预测方法
CN111798051A (zh) 基于长短期记忆神经网络的空气质量时空预测方法
CN111291937A (zh) 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
WO2021012983A1 (zh) 一种车内污染环境下列车乘员健康防护系统及其方法
CN107402586A (zh) 基于深度神经网络的溶解氧浓度控制方法及系统
CN112036075A (zh) 一种基于环境监测数据关联关系的异常数据判定方法
CN112734186B (zh) 列车车厢空气微生物污染实时评估方法、系统及存储介质
CN109308544B (zh) 基于对比散度-长短期记忆网络的蓝藻水华预测方法
CN110395286B (zh) 一种列车车内空气品质监测与通风调控方法、系统
CN110309609B (zh) 一种基于粗糙集和wnn的建筑室内空气品质评价方法
CN114858976A (zh) 一种工业园区大气质量智能分析方法及系统
CN110824914A (zh) 一种基于pca-lstm网络的废水处理智能监控方法
CN109376903B (zh) 一种基于博弈神经网络的pm2.5浓度值预测方法
CN114819102A (zh) 基于gru的空调设备故障诊断方法
CN109084971A (zh) 一种基于粒子群优化的气动调节阀故障诊断方法
CN113192569B (zh) 基于改进粒子群和误差反馈神经网络的有害气体监测方法
CN111814976B (zh) 一种空调系统传感器故障误差再学习方法及系统
CN112598050A (zh) 生态环境数据质量控制方法
CN115587650A (zh) 中短期分时段大气常规污染物多目标混合预测方法
Gültepe et al. Daily SO2 air pollution prediction with the use of artificial neural network models
CN114841000B (zh) 一种基于模态共有特征分离的软测量建模方法
CN116467645B (zh) 一种污染源采集监测系统

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
GR01 Patent grant
GR01 Patent grant