CN112986497B - 基于气体传感器阵列指纹识别的污染气体溯源方法 - Google Patents

基于气体传感器阵列指纹识别的污染气体溯源方法 Download PDF

Info

Publication number
CN112986497B
CN112986497B CN202110181973.XA CN202110181973A CN112986497B CN 112986497 B CN112986497 B CN 112986497B CN 202110181973 A CN202110181973 A CN 202110181973A CN 112986497 B CN112986497 B CN 112986497B
Authority
CN
China
Prior art keywords
sensor array
gas
pollution
response
emission source
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
CN202110181973.XA
Other languages
English (en)
Other versions
CN112986497A (zh
Inventor
高翔
姚龙超
郑成航
翁卫国
吴卫红
刘潇繁
陆燕
刘少俊
杨洋
宋浩
张涌新
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202110181973.XA priority Critical patent/CN112986497B/zh
Publication of CN112986497A publication Critical patent/CN112986497A/zh
Application granted granted Critical
Publication of CN112986497B publication Critical patent/CN112986497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • 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
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于气体传感器阵列指纹识别的污染气体溯源方法，包括构建污染物气体传感器阵列；建立气体污染物排放源的传感器阵列响应指纹库；在线监测、实时收集传感器阵列的响应数据；采用人工神经网络分析对比数据、确定气体污染事故的排放源；开展事故发生可能排放源的现场调查、取证及验证五个步骤。本发明将排放源的污染特征做成信息集成的指纹图谱库，而无需获得气体污染物的具体种类和浓度，极大地简化了溯源模型；溯源结果对指纹识别模型的优化改进功能具有累积效应，可不断提高溯源准确性；该方法适用于小空间尺度范围内潜在污染源集中情况下的污染溯源，便于工业园区内环境空气质量的快速有效监管。

Description

基于气体传感器阵列指纹识别的污染气体溯源方法
技术领域
本发明属于环境工程管理及控制技术领域，涉及污染气体溯源方法，具体地说是涉 及一种基于气体传感器阵列指纹识别的污染气体溯源方法。
背景技术
近年来，我国工业园区的数量和规模快速增长，对经济发展起到了重要推动作用。与此同时，工业园区排放大量的挥发性有机物(VOCs)等大气污染物，这些污染物不 仅是PM2.5和O3污染爆发的重要诱因，而且多数带有异味和毒害性，严重危害生态环 境安全和人们身体健康。
工业园区内集中了制药、化工、印染、包装等多种不同行业的企业，排放的大气污染物之间在种类和浓度上都存在差异，且具有单位面积排放强度大、无组织排放比例高、排放时间不规律的特点，造成了园区内气体污染物繁多复杂、难以精细化控制和管理等 问题。由于工业园区内排污企业集中，在遇到突发性大气污染事故时，需要在潜在污染 源密集的小范围内快速识别污染物来源，发现因环保系统故障、违规排放等客观和主观 因素造成的污染事故原因，以便及时采取有效的管控措施，而常用的污染物现场采样分 析和溯源方法难以满足该要求。
目前气体传感器阵列技术在气体污染物监测方面的应用发展迅速，具有灵敏度高、 响应速度快、成本低等诸多优点。然而，气体传感器通常对多种气体存在交叉敏感性，难以通过有限数量传感器组成的阵列对园区内可能存在的成百上千种污染气体进行定 性和定量分析。因此，传统基于物质成分和浓度解析的溯源方法在工业园区这样空间尺 度小、污染源密度大、污染物种类繁杂的情况下很难起到成效。
发明内容
为了克服现有技术存在的不足，本发明提供了一种基于气体传感器阵列指纹识别的 污染气体溯源方法，根据不同排放源因行业、工艺、点位(固定源、罐区、车间、仓库、 废水处理站等)不同造成的污染物种类和浓度差异性，以及充分利用污染事件发生的间 歇性特点，有针对性地选取半导体、电化学、声表面波、光离子化等多种类型的气体传 感器组成阵列，在各个污染源采集多个时间段废气排放的信号数据，通过数据筛选、清 洗、规约后形成传感器阵列指纹图谱库，最后将传感器阵列置于园区内环境点位获取实 时监测数据，结合风速风向等少量气象数据，利用机器学习算法将监测数据与指纹图谱 进行比对完成溯源。
本发明所采用的技术方案是：
一种基于气体传感器阵列指纹识别的污染气体溯源方法，包括以下步骤：
步骤一、构建污染物气体传感器阵列；
步骤二、建立气体污染物排放源的传感器阵列响应指纹库；
步骤三、在线监测、实时收集传感器阵列的响应数据；
步骤四、采用人工神经网络分析对比指纹信息，结合风速风向数据，计算各排放源引发污染事故的综合概率；
步骤五、开展事故发生可能排放源的现场调查、取证及验证。
作为优选，步骤一(构建污染物气体传感器阵列)具体为：
首先，调查工业园区内各个企业的排污特征、气体污染物排放源以及排放节点与周 期，形成污染源的多维度信息进行初步分析，确定可能存在的污染物种类和浓度范围的大致分布；
然后，根据污染分布的特征提取与分析，选取多种类型的气体传感器，考虑不同传感器的响应时间、灵敏度以及对各类气体的交叉敏感特性进行分类和判别，确定N个 传感器构成阵列。
作为优选，所述各个企业的排污特征包括排污环节、原辅料、废气成分；气体污染物排放源包括固定源、车间、仓库、罐区、废水处理站；所述气体传感器包括半导体、 电化学、声表面波、光离子化的气体传感器。
作为优选，步骤二(建立气体污染物排放源的传感器阵列响应指纹库)为：
将构建的传感器阵列依次放置在工业园区中的M个排放源处进行指纹收集，排放源分别记号为i(i＝1,2,...,M)；对每个排放源记录传感器阵列的响应数据，通过数据筛选获得一段有效时间T内的数据用于制作指纹图谱；
具体地，由传感器阵列的响应特性和最佳响应时间来确定有效时间T的值，对于每个传感器阵列上的第j(j＝1,2,...,N)个传感器，取其在时间T内的归一化响应数值，构 成一个T维向量
Figure BDA0002941695770000021
因此，每个传感器阵列上都会有N个T维向量
Figure BDA0002941695770000022
指纹收集的过程中，传感器阵列对排放源位置的微量污染气体有一定的响应；在有效时 间T内，每个位于排放源的传感器阵列均会得到一个N×T的响应矩阵，即为该处排放 源的指纹信息；由M个排放源得到对应的M个N×T的响应矩阵，从而获得污染物排 放源的传感器阵列响应指纹库。
作为优选，步骤三(在线监测、实时收集传感器阵列的响应数据)具体为：
将构建的传感器阵列放置在园区内的合适位置，该传感器阵列对园区的指定区域进 行在线监测和实时收集，包括阵列上各个传感器随时间的响应情况；根据监测区域的大小，按照步骤一构建多个相同的阵列放置在园区内不同位置；当工业园区发生气体污染 事故时，调取监测数据与指纹库数据进行分析确定。
作为优选，步骤四(采用人工神经网络分析对比指纹信息，结合风速风向数据，计算各排放源引发污染事故的综合概率)具体为：
I、基于建立的指纹库数据，以M个排放源的N×T响应矩阵作为人工神经网络的 输入层数据；对于每个排放源所输入的指纹信息即N×T响应矩阵，在输入层将按照对 应顺序以N×T个数据依次输入；建立与排放源相对应的M维的标签向量
Figure BDA0002941695770000031
Figure BDA0002941695770000032
II、在神经网络训练过程中，输入层以第i个排放源的N×T响应矩阵输入，在输 出层得到M个数据经过归一化处理后以概率值输出，其对应的M维输出向量为
Figure BDA0002941695770000033
Figure BDA0002941695770000034
通过计算第i个排放源的输出向量
Figure BDA0002941695770000035
与第i个排放源所对应的标签向量
Figure BDA0002941695770000036
间 的欧式距离并使其最小，从而优化隐含层的权重值、偏差和节点数目参数，由此实现对 神经网络隐含层的训练，确定最优隐含层的信息；
III、在发生气体污染事故的时段，调取传感器阵列中的数据，根据传感器阵列响应 的波动情况，提取其动态和静态特征，选取变化较大、响应较为突出的各段有效时间序列T，并将对应的响应数据进行归一化处理，以N×T的响应矩阵输入，利用已训练好 的人工神经网络进行分类的指纹识别，即根据输出值归一化后得到向量
Figure BDA0002941695770000037
Figure BDA0002941695770000038
向量中包含的M个概率值，其中bi代表识别为第i个排放源的概率；考虑到风向 和风速对污染气体溯源的联合作用，结合现场位置的风速风向确定污染系数玫瑰图对识 别的初步结果加以修正，以一个传感器阵列为中心，M个排放源在分布在其周围；污染 系数玫瑰图中的污染系数计算如下式：
Figure BDA0002941695770000041
式中，d代表方向，Cd代表8个方向的污染系数，fwd表示风向频率，
Figure BDA0002941695770000042
表示平均风速，
Figure BDA0002941695770000043
表示总平均风速；根据污染系数玫瑰图中各个排放源与传感器阵列的方位情 况，利用线性关系计算得到M个排放源的风况修正系数并进行标准化处理，构成M维 的风况修正系数向量
Figure BDA0002941695770000044
其中ci代表第i个污染源的风况修正系数；
IV、根据现场位置的实际状况获得风况修正系数向量，将指纹识别的初步结果
Figure BDA0002941695770000045
修 正后的最终概率为
Figure BDA0002941695770000046
比较向量中的M个最终概率值，最大概 率值cibi所对应的第i个排放源即为指纹识别的最终结果，由此确定得到气体污染事故 的排放源。
作为优选，步骤五(开展事故发生可能排放源的现场调查、取证及验证)具体为：
确定找到气体污染事故的排放源后，对识别出的排放源在现场进行气体污染物浓度 的测试，以确认该神经网络的稳定性和溯源方法的准确性；将现场调查取证结果，根据需要进一步优化各个隐藏层的参数、污染事故发生时的特征提取，以强化人工神经网络 的效果。
本发明的有益效果在于：
将排放源的污染特征做成信息集成的指纹图谱库，而无需获得气体污染物的具体种 类和浓度，极大地简化了溯源模型；溯源结果对指纹识别模型的优化改进功能具有累积效应，可不断提高溯源准确性；该方法适用于小空间尺度范围内潜在污染源集中情况下 的污染溯源，便于工业园区内环境空气质量的快速有效监管。
附图说明
图1是本发明的方法流程示意图；
图2是传感器阵列与多个排放源的相对方位示意图；
图3是利用污染系数玫瑰图确定风况修正系数的示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面结合附图和实施例 对本发明作进一步说明，但本发明所要保护的范围并不限于此。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言 显而易见的是，本发明可以无需一个或多个这些细节而得以实施。应当理解，本发明的 实施并不局限于下面的实施例，对本发明所做的任何形式上的变通和/或改变都将落入 本发明保护范围。
参照图1，一种基于气体传感器阵列指纹识别的污染气体溯源方法，具体包括以下步骤：
步骤一、构建污染物气体传感器阵列；
步骤二、建立气体污染物排放源的传感器阵列响应指纹库；
步骤三、在线监测、实时收集传感器阵列的响应数据；
步骤四、采用人工神经网络分析对比指纹信息，结合风速风向数据，计算各排放源引发污染事故的综合概率；即通过采用机器学习算法进行指纹识别以及基于风速风向计算修正系数来确定污染源；
步骤五、开展事故发生可能排放源的现场调查、取证及验证。
所构建污染物气体传感器阵列包括如下步骤：
首先，调查工业园区内各个企业的排污特征(包括但不限于排污环节、原辅料和废气成分等)、气体污染物排放源(包括但不限于固定源、车间、仓库、罐区以及废水处 理站)以及排放节点与周期等，形成污染源的多维度信息进行初步分析，确定可能存在 的污染物种类和浓度范围的大致分布；
然后，根据污染分布的特征提取与分析，有针对性的选取但不限于半导体、电化学、 声表面波、光离子化等多种类型的气体传感器，考虑不同传感器的响应时间、灵敏度以及对各类气体的交叉敏感特性等进行分类和判别，确定N个传感器构成阵列，保证所 构造的传感器阵列覆盖的污染物种类多、响应差异性明显、响应时间快、灵敏度高。
所建立的气体污染排放源的传感器阵列响应指纹库包括如下步骤：
将构建的传感器阵列依次放置在工业园区中的M个排放源处进行指纹收集，排放源分别记号为i(i＝1,2,...,M)；对每个排放源记录传感器阵列的响应数据，并且尽可能涵盖该排放源可能出现的所有状况(如对应生产条件变化等)，通过数据筛选获得一段 有效时间T内的数据用于制作指纹图谱；具体地，由传感器阵列的响应特性和最佳响应 时间来确定有效时间T的值(T为正整数，单位s)，对于每个传感器阵列上的第 j(j＝1,2,...,N)个传感器，取其在时间T内的归一化响应数值，构成一个T维向量
Figure BDA0002941695770000061
因此，每个传感器阵列上都会有N个T维向量
Figure BDA0002941695770000062
指纹收集的 过程中，传感器阵列对排放源位置的微量污染气体有一定的响应；在有效时间T内，每 个位于排放源的传感器阵列均会得到一个N×T的响应矩阵，根据阵列响应特征选取其 中变化大、响应明显的响应矩阵，即为该处排放源的指纹信息；由M个排放源得到对 应的M个N×T的响应矩阵，从而获得污染物排放源的传感器阵列响应指纹库。
所述在线监测、实时收集传感器阵列的响应数据包括如下步骤：
将构建的传感器阵列放置在园区内的合适位置，使其尽可能的靠近各个排放源，以 保证对污染气体的快速响应和高灵敏度；该传感器阵列对园区的指定区域内进行在线监 测和实时收集，包括阵列上各个传感器随时间的响应情况等信息；根据监测区域的大小， 有需要时可按照步骤一构建多个相同的阵列放置在园区内不同位置，如图2所示，确保在受到风速风向突变等极端情况下仍能采集足够的监测信息；当工业园区发生气体污染事故时，调取监测数据与指纹库数据进行分析确定。
所述的采用人工神经网络分析对比指纹信息，结合风速风向数据，计算各排放源引 发污染事故的综合概率方法包括如下步骤：
I、基于建立的指纹库数据，以M个排放源的N×T响应矩阵作为人工神经网络的输入层数据；对于每个排放源所输入的指纹信息即N×T响应矩阵，在输入层将按照对应 顺序以N×T个数据依次输入；建立M维的标签向量
Figure BDA0002941695770000063
排放源与标签向 量的关系对应如表1：
表1
Figure BDA0002941695770000064
Figure BDA0002941695770000071
II、在神经网络训练过程中，输入层以第i个排放源的N×T响应矩阵输入，在输出层得到M个数据经过归一化处理后以概率值输出，其对应的M维输出向量为
Figure BDA0002941695770000072
Figure BDA0002941695770000073
通过计算第i个排放源的输出向量
Figure BDA0002941695770000074
与第i个排放源所对应的标签向量
Figure BDA0002941695770000075
间的欧 式距离并使其最小，从而优化隐含层的权重值、偏差和节点数目等参数，由此实现对神 经网络隐含层的训练，确定最优隐藏层的信息；
III、在发生气体污染事故的时段，调取传感器阵列中的数据，根据传感器阵列响应 的波动情况，提取其动态和静态特征，选取变化较大、响应较为突出的各段有效时间序列T，并将对应的响应数据进行归一化处理，以N×T的响应矩阵输入，利用已训练好的 人工神经网络进行分类的指纹识别，即根据输出值归一化后得到向量
Figure BDA0002941695770000076
向量中包含的M个概率值，其中bi代表识别为第i个排放源的概率；考虑到风向和风 速对污染气体溯源的联合作用，如图3所示，结合污染事件发生时间段内现场位置的风 速风向确定污染系数玫瑰图对识别的初步结果加以修正，以一个传感器阵列为中心，M 个排放源在分布在其周围；污染系数玫瑰图中的污染系数计算如下式：
Figure BDA0002941695770000077
式中，d代表方向(北N、南S、东E、西W、东北NE、东南SE、西北NW，西 南SW)，c代表8个方向的污染系数，fwd表示风向频率，
Figure RE-GDA00030125213500000713
表示平均风速(m/s)，
Figure RE-GDA0003012521350000078
表示总平均风速(m/s)；根据污染系数玫瑰图中各个排放源与传感器阵列的方位情况， 利用线性关系计算得到M个排放源的风况修正系数cM并进行标准化处理，构成M维 的风况修正系数向量
Figure RE-GDA0003012521350000079
IV、根据现场位置的实际状况获得风况修正系数向量，将指纹识别的初步结果
Figure BDA00029416957700000711
Figure BDA00029416957700000712
修正后的最终概率为
Figure BDA00029416957700000713
比较该向量中的M个最终概 率值，最大概率值ci bi所对应的第i个排放源即为指纹识别的最终结果，由此确定得到 气体污染事故的排放源。
所述开展事故发生可能排放源的现场调查、取证及验证的步骤如下：
确定找到气体污染事故的排放源后，可以对识别出的排放源在现场进行气体污染物 浓度的测试，以确认该神经网络的稳定性和溯源方法的准确性；在测试阶段可以多次进行验证和调整，根据需要进一步优化各个隐藏层的参数、污染事故发生时的特征提取， 以强化(调整优化)人工神经网络的效果。
本发明根据不同排放源的污染物种类和浓度差异性，利用气体传感器阵列在各个污 染源采集多个时间段废气排放的信号数据，通过数据筛选、清洗、规约后形成传感器阵列指纹图谱库，最后将传感器阵列至于园区内环境点位获取实时监测数据，利用神经网 络将监测数据与指纹图谱进行比对完成溯源。
本发明将排放源的污染特征做成信息集成的指纹图谱库，而无需获得气体污染物的 具体种类和浓度，极大地简化了溯源模型；溯源结果对指纹识别模型的优化改进功能具有累积效应，可不断提高溯源准确性；该方法适用于小空间尺度范围内潜在污染源集中 情况下的污染溯源，便于工业园区内环境空气质量的快速有效监管，解决背景技术中所 述的问题。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体实施方式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普 通技术人员来说，在不脱离本发明构思的前提下，凡依本发明申请范围所做出的若干变 形与改进等，均应仍属于本发明的专利涵盖范围之内。

Claims (5)

1.一种基于气体传感器阵列指纹识别的污染气体溯源方法，其特征在于包括以下步骤：
步骤一、构建污染物气体传感器阵列；
步骤二、建立气体污染物排放源的传感器阵列响应指纹库；
步骤三、在线监测、实时收集传感器阵列的响应数据；
步骤四、采用人工神经网络分析对比指纹信息，结合风速风向数据，计算各排放源引发污染事故的综合概率；
步骤五、开展事故发生可能排放源的现场调查、取证及验证；
其中，步骤二具体为：
由传感器阵列的响应特性和最佳响应时间来确定有效时间T的值，对于每个传感器阵列上的第j个传感器，取其在时间T内的归一化响应数值，构成一个T维向量
Figure FDA0003419419300000011
{Aj,1,Aj,2,…,Aj,T}，因此，每个传感器阵列上都会有N个T维向量
Figure FDA0003419419300000012
指纹收集的过程中，传感器阵列对排放源位置的微量气体有一定的响应；在有效时间T内，每个位于排放源的传感器阵列均会得到一个N×T的响应矩阵，即为传感器阵列所在处排放源的指纹信息；由M个排放源得到对应的M个N×T的响应矩阵，从而获得污染物排放源的传感器阵列响应指纹库；
步骤四具体为：
I、基于建立的指纹库数据，以M个排放源的N×T响应矩阵作为人工神经网络的输入层数据；对于每个排放源所输入的指纹信息即N×T响应矩阵，在输入层将按照对应顺序以N×T个数据依次输入；建立与排放源相对应的M维的标签向量
Figure FDA0003419419300000013
Figure FDA0003419419300000014
II、在神经网络训练过程中，输入层以第i个排放源的N×T响应矩阵输入，在输出层得到M个数据经过归一化处理后以概率值输出，其对应的M维输出向量为
Figure FDA0003419419300000015
Figure FDA0003419419300000018
通过计算第i个排放源的输出向量
Figure FDA0003419419300000016
与第i个排放源所对应的标签向量
Figure FDA0003419419300000017
间的欧式距离并使其最小，从而优化隐含层的权重值、偏差和节点数目参数，由此实现对神经网络隐含层的训练，确定最优隐含层的信息；
III、在发生气体污染事故的时段，调取传感器阵列中的数据，根据传感器阵列响应的波动情况，提取其动态和静态特征，选取变化较大、响应较为突出的各段有效时间序列T，并将对应的响应数据进行归一化处理，以N×T的响应矩阵输入，利用已训练好的人工神经网络进行分类的指纹识别，即根据输出值归一化后得到向量
Figure FDA0003419419300000021
Figure FDA0003419419300000022
向量中包含M个概率值，其中bi代表识别为第i个排放源的概率；考虑到风向和风速对污染气体溯源的联合作用，结合现场位置的风速风向确定污染系数玫瑰图对识别的初步结果加以修正，以一个传感器阵列为中心，M个排放源在分布在其周围；污染系数玫瑰图中的污染系数计算如下式：
Figure FDA0003419419300000023
式中，d代表方向，Cd代表8个方向的污染系数，fwd表示风向频率，
Figure FDA0003419419300000024
表示平均风速，
Figure FDA0003419419300000025
表示总平均风速；根据污染系数玫瑰图中各个排放源与传感器阵列的方位情况，利用线性关系计算得到M个排放源的风况修正系数并进行标准化处理，构成M维的风况修正系数向量
Figure FDA0003419419300000026
IV、根据现场位置的实际状况获得风况修正系数向量，将指纹识别的初步结果
Figure FDA0003419419300000027
修正后的最终概率为
Figure FDA0003419419300000028
比较向量中的M个最终概率值，最大概率值cibi所对应的第i个排放源即为指纹识别的最终结果，由此确定得到气体污染事故的排放源。
2.根据权利要求1所述的基于气体传感器阵列指纹识别的污染气体溯源方法，其特征在于步骤一具体为：
首先，调查工业园区内各个企业的排污特征、气体污染物排放源以及排放节点与周期，形成污染源的多维度信息进行初步分析，确定可能存在的污染物种类和浓度范围的大致分布；
然后，根据污染分布的特征提取与分析，选取多种类型的气体传感器，考虑不同传感器的响应时间、灵敏度以及对各类气体的交叉敏感特性进行分类和判别，确定N个传感器构成阵列。
3.根据权利要求2所述的基于气体传感器阵列指纹识别的污染气体溯源方法，其特征在于：所述各个企业的排污特征包括排污环节、原辅料、废气成分；气体污染物排放源包括固定源、车间、仓库、罐区、废水处理站；所述气体传感器包括半导体、电化学、声表面波、光离子化的气体传感器。
4.根据权利要求1所述的基于气体传感器阵列指纹识别的污染气体溯源方法，其特征在于步骤三具体为：
将构建的传感器阵列放置在园区内的合适位置，该传感器阵列对园区的指定区域内进行在线监测和实时收集，包括阵列上各个传感器随时间的响应情况信息；根据监测区域的大小，按照步骤一构建多个相同的阵列放置在园区内不同位置；当工业园区发生气体污染事故时，调取监测数据与指纹库数据进行分析确定。
5.根据权利要求1所述的基于气体传感器阵列指纹识别的污染气体溯源方法，其特征在于步骤五具体为：
确定找到气体污染事故的排放源后，对识别出的排放源在现场进行气体污染物浓度的测试，以确认该神经网络的稳定性和溯源方法的准确性；将现场调查取证结果，根据需要进一步优化各个隐藏层的参数、污染事故发生时的特征提取，以强化人工神经网络的效果。
CN202110181973.XA 2021-02-09 2021-02-09 基于气体传感器阵列指纹识别的污染气体溯源方法 Active CN112986497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110181973.XA CN112986497B (zh) 2021-02-09 2021-02-09 基于气体传感器阵列指纹识别的污染气体溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110181973.XA CN112986497B (zh) 2021-02-09 2021-02-09 基于气体传感器阵列指纹识别的污染气体溯源方法

Publications (2)

Publication Number Publication Date
CN112986497A CN112986497A (zh) 2021-06-18
CN112986497B true CN112986497B (zh) 2022-04-01

Family

ID=76392926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110181973.XA Active CN112986497B (zh) 2021-02-09 2021-02-09 基于气体传感器阵列指纹识别的污染气体溯源方法

Country Status (1)

Country Link
CN (1) CN112986497B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114295749B (zh) 2021-12-30 2022-10-25 南京大学 一种水体有机污染智能化溯源方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065198A (zh) * 2012-12-17 2013-04-24 天津市环境保护科学研究院 大气恶臭污染精细源解析方法
CN105424840A (zh) * 2015-12-28 2016-03-23 周俊杰 在线连续环境空气质量自动监测系统及异味气源溯源方法
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源系统及其方法
CN108760913A (zh) * 2018-05-21 2018-11-06 天津市环境保护科学研究院 一种大气恶臭污染溯源系统及应用
CN110687257A (zh) * 2019-11-04 2020-01-14 河北先河环保科技股份有限公司 一种基于恶臭在线监测系统的溯源方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180120278A1 (en) * 2016-11-01 2018-05-03 The University Of British Columbia Apparatus for volatile organic compound (voc) detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065198A (zh) * 2012-12-17 2013-04-24 天津市环境保护科学研究院 大气恶臭污染精细源解析方法
CN105424840A (zh) * 2015-12-28 2016-03-23 周俊杰 在线连续环境空气质量自动监测系统及异味气源溯源方法
CN106841436A (zh) * 2017-01-18 2017-06-13 上海市环境监测中心 一种工业区大气VOCs自动监测预警溯源系统及其方法
CN108760913A (zh) * 2018-05-21 2018-11-06 天津市环境保护科学研究院 一种大气恶臭污染溯源系统及应用
CN110687257A (zh) * 2019-11-04 2020-01-14 河北先河环保科技股份有限公司 一种基于恶臭在线监测系统的溯源方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于气体传感器阵列的室内空气质量;高翔;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20190115;B027-2897页 *
工业区周边环境空气恶臭污染电子鼻在线监测及溯源分析;张珊 等;《第五届全国恶臭污染测试与控制技术研讨会论文集》;20141126;第119-125页 *

Also Published As

Publication number Publication date
CN112986497A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN106920007B (zh) 基于二阶自组织模糊神经网络的pm2.5智能预测方法
CN114371260B (zh) 一种工业企业无组织VOCs网格化监测、扩散预警及溯源方法
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
CN110489785B (zh) 一种大气污染物在线源解析方法及系统
CN105784556B (zh) 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN110261272B (zh) 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法
CN108802856B (zh) 一种基于ai的源数据动态修正预报系统及其工作方法
CN116011317B (zh) 一种基于多方法融合的小尺度近实时大气污染溯源方法
CN113632101B (zh) 一种通过向量化分析预测大气污染的方法
CN116975378B (zh) 一种基于大数据的设备环境监测方法及系统
CN112348264A (zh) 一种基于随机森林算法的碳钢腐蚀速率预测方法
CN112986497B (zh) 基于气体传感器阵列指纹识别的污染气体溯源方法
CN115526298A (zh) 一种高鲁棒性的大气污染物浓度综合预测方法
CN109633094A (zh) 一种臭气浓度在线监测方法
CN114462511A (zh) 一种基于XGBoost算法的PM2.5数据异常识别方法
CN114544894A (zh) 基于pmf模型的源解析不确定性分析方法及系统
CN113657023A (zh) 基于机器学习和深度学习结合的近地面臭氧浓度反演方法
CN116930423A (zh) 一种空气质量模型模拟效果的自动验证评估方法及系统
CN116933084A (zh) 一种污染物排放的预测方法和装置
CN115526410A (zh) 基于多参数空间滤波预测模型预测大气污染物数据的方法
CN111272950B (zh) 一种智能污染物追踪系统
Pal et al. Effectiveness of machine learning algorithms in forecasting AQI
CN113945684A (zh) 一种基于大数据的微型空气站自校准方法
CN112861904A (zh) 基于imbi指数的大气污染源监测识别方法和系统

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
GR01 Patent grant
GR01 Patent grant