CN113009074A - 一种基于卷积神经网络算法的隧道空气质量监测方法 - Google Patents
一种基于卷积神经网络算法的隧道空气质量监测方法 Download PDFInfo
- Publication number
- CN113009074A CN113009074A CN201911332516.5A CN201911332516A CN113009074A CN 113009074 A CN113009074 A CN 113009074A CN 201911332516 A CN201911332516 A CN 201911332516A CN 113009074 A CN113009074 A CN 113009074A
- Authority
- CN
- China
- Prior art keywords
- air quality
- layer
- neural network
- convolutional neural
- tunnel
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000428 dust Substances 0.000 claims abstract description 28
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 6
- 239000013078 crystal Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 150000003568 thioethers Chemical class 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 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
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种基于卷积神经网络算法的隧道空气质量监测方法，包括步骤：步骤一、在隧道内布设多个空气质量监测节点；步骤二、隧道空气质量相关数据实时采集及传输；步骤三、数据分析处理，得到隧道空气质量状况。本发明采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便，同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备，工作可靠性高，实用性强，使用效果好，便于推广使用。
Description
技术领域
本发明属于空气质量控制技术领域，具体涉及一种基于卷积神经网络算法的隧道空气质量监测方法。
背景技术
在交通建设中，隧道建设将是必不可少的工程项目。以隧道为主的地下工程在开挖过程中由于对土体的扰动，土体会释放出各种对人员对装备不利的气体及产生大量扬尘，如瓦斯、粉尘等。由于这些气体无色无味且释放过程中不易被察觉以及粉尘难以沉降的特点，对其进行专门的监测是十分困难的。而这些有害气体、瓦斯、粉尘等对人体的危害极大，严重的，可能造成中毒死亡。
为了解决以上问题，根据市场调查，我们发现一些隧道中开始进行空气质量监测，但是，监测手段多局限于现场采用仪器设备进行单一污染源，粉尘或瓦斯的监测，功能单一，空气质量监测效果差。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络算法的隧道空气质量监测方法，其采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便，同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备，工作可靠性高，实用性强，使用效果好，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于，该方法包括以下步骤：
步骤一、在隧道内布设多个空气质量监测节点；所述空气质量监测节点包括微处理器模块和为装置中各用电模块供电的电源模块，以及与微处理器模块相接的晶振电路和复位电路，所述微处理器模块的输入端接有硫化物传感器、瓦斯浓度传感器和粉尘传感器；
步骤二、隧道空气质量相关数据实时采集及传输：每个空气质量监测节点中，硫化物传感器对隧道内的硫化物浓度进行实时检测并将检测到的信号输出给微处理器模块；瓦斯浓度传感器对隧道内的瓦斯浓度进行实时检测并将检测到的信号输出给微处理器模块；粉尘传感器对隧道内的粉尘浓度进行实时检测并将检测到的信号输出给微处理器模块；
步骤三、数据分析处理，得到隧道空气质量状况：微处理器模块将硫化物浓度、瓦斯浓度、粉尘浓度数据输入预先构建并存储在其中的空气质量预测卷积神经网络模型中，得到空气质量预测卷积神经网络模型的输出，所述空气质量预测卷积神经网络模型的输出为隧道空气质量状况；
所述空气质量预测卷积神经网络模型的构建过程为：
步骤301、训练样本获取：将硫化物浓度、瓦斯浓度、粉尘浓度的历史检测数据和与这组数据对应的空气质量状况构成训练样本；
步骤302、空气质量预测卷积神经网络构建：将所述空气质量预测卷积神经网络构建为包含输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的卷积神经网络；
输入层:用于输入硫化物浓度、瓦斯浓度和粉尘浓度；
卷积层C1：对输入的硫化物浓度、瓦斯浓度和粉尘浓度卷积，卷积核取11*11，步长取4；
池化层S2：对卷积层C1卷积后的数据进行降维处理；
卷积层C3：对池化层S2降维后的数据卷积；
池化层S4：对卷积层C3卷积后的数据进行降维处理；
卷积层C5：对池化层S4降维后的数据卷积；
池化层S6：对卷积层C5卷积后的数据进行降维处理；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有数据；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；二分类得到空气质量良好和空气质量欠佳；
步骤303、空气质量预测卷积神经网络训练：采用步骤301中的训练样本对步骤302中构建的空气质量预测卷积神经网络进行训练，得到训练好的空气质量预测卷积神经网络。
上述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述微处理器模块为ARM微处理器。
上述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F7设置ReLU函数为激活函数。
上述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F8设置ReLU函数为激活函数。
本发明与现有技术相比具有以下优点：
1、本发明采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便。
2、本发明同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备。
3、本发明的工作可靠性高，实用性强，使用效果好，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明的基于卷积神经网络算法的隧道空气质量监测方法，该方法包括以下步骤：
步骤一、在隧道内布设多个空气质量监测节点；所述空气质量监测节点包括微处理器模块和为装置中各用电模块供电的电源模块，以及与微处理器模块相接的晶振电路和复位电路，所述微处理器模块的输入端接有硫化物传感器、瓦斯浓度传感器和粉尘传感器；
步骤二、隧道空气质量相关数据实时采集及传输：每个空气质量监测节点中，硫化物传感器对隧道内的硫化物浓度进行实时检测并将检测到的信号输出给微处理器模块；瓦斯浓度传感器对隧道内的瓦斯浓度进行实时检测并将检测到的信号输出给微处理器模块；粉尘传感器对隧道内的粉尘浓度进行实时检测并将检测到的信号输出给微处理器模块；
步骤三、数据分析处理，得到隧道空气质量状况：微处理器模块将硫化物浓度、瓦斯浓度、粉尘浓度数据输入预先构建并存储在其中的空气质量预测卷积神经网络模型中，得到空气质量预测卷积神经网络模型的输出，所述空气质量预测卷积神经网络模型的输出为隧道空气质量状况；
所述空气质量预测卷积神经网络模型的构建过程为：
步骤301、训练样本获取：将硫化物浓度、瓦斯浓度、粉尘浓度的历史检测数据和与这组数据对应的空气质量状况构成训练样本；
步骤302、空气质量预测卷积神经网络构建：将所述空气质量预测卷积神经网络构建为包含输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的卷积神经网络；
输入层:用于输入硫化物浓度、瓦斯浓度和粉尘浓度；
卷积层C1：对输入的硫化物浓度、瓦斯浓度和粉尘浓度卷积，卷积核取11*11，步长取4；
池化层S2：对卷积层C1卷积后的数据进行降维处理；
卷积层C3：对池化层S2降维后的数据卷积；
池化层S4：对卷积层C3卷积后的数据进行降维处理；
卷积层C5：对池化层S4降维后的数据卷积；
池化层S6：对卷积层C5卷积后的数据进行降维处理；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有数据；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；二分类得到空气质量良好和空气质量欠佳；
步骤303、空气质量预测卷积神经网络训练：采用步骤301中的训练样本对步骤302中构建的空气质量预测卷积神经网络进行训练，得到训练好的空气质量预测卷积神经网络。
本实施例中，所述微处理器模块为ARM微处理器。
本实施例中，所述全连接层F7设置ReLU函数为激活函数。
本实施例中，所述全连接层F8设置ReLU函数为激活函数。
本发明采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便，同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备，工作可靠性高，实用性强，使用效果好，便于推广使用。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (4)
1.一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于，该方法包括以下步骤：
步骤一、在隧道内布设多个空气质量监测节点；所述空气质量监测节点包括微处理器模块和为装置中各用电模块供电的电源模块，以及与微处理器模块相接的晶振电路和复位电路，所述微处理器模块的输入端接有硫化物传感器、瓦斯浓度传感器和粉尘传感器；
步骤二、隧道空气质量相关数据实时采集及传输：每个空气质量监测节点中，硫化物传感器对隧道内的硫化物浓度进行实时检测并将检测到的信号输出给微处理器模块；瓦斯浓度传感器对隧道内的瓦斯浓度进行实时检测并将检测到的信号输出给微处理器模块；粉尘传感器对隧道内的粉尘浓度进行实时检测并将检测到的信号输出给微处理器模块；
步骤三、数据分析处理，得到隧道空气质量状况：微处理器模块将硫化物浓度、瓦斯浓度、粉尘浓度数据输入预先构建并存储在其中的空气质量预测卷积神经网络模型中，得到空气质量预测卷积神经网络模型的输出，所述空气质量预测卷积神经网络模型的输出为隧道空气质量状况；
所述空气质量预测卷积神经网络模型的构建过程为：
步骤301、训练样本获取：将硫化物浓度、瓦斯浓度、粉尘浓度的历史检测数据和与这组数据对应的空气质量状况构成训练样本；
步骤302、空气质量预测卷积神经网络构建：将所述空气质量预测卷积神经网络构建为包含输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的卷积神经网络；
输入层:用于输入硫化物浓度、瓦斯浓度和粉尘浓度；
卷积层C1：对输入的硫化物浓度、瓦斯浓度和粉尘浓度卷积，卷积核取11*11，步长取4；
池化层S2：对卷积层C1卷积后的数据进行降维处理；
卷积层C3：对池化层S2降维后的数据卷积；
池化层S4：对卷积层C3卷积后的数据进行降维处理；
卷积层C5：对池化层S4降维后的数据卷积；
池化层S6：对卷积层C5卷积后的数据进行降维处理；
全连接层F7：设置1024个神经元，连接池化层S6输出的所有数据；
全连接层F8：设置512个神经元，与全连接层F7的神经元全连接；
输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；二分类得到空气质量良好和空气质量欠佳；
步骤303、空气质量预测卷积神经网络训练：采用步骤301中的训练样本对步骤302中构建的空气质量预测卷积神经网络进行训练，得到训练好的空气质量预测卷积神经网络。
2.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述微处理器模块为ARM微处理器。
3.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F7设置ReLU函数为激活函数。
4.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F8设置ReLU函数为激活函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911332516.5A CN113009074A (zh) | 2019-12-22 | 2019-12-22 | 一种基于卷积神经网络算法的隧道空气质量监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911332516.5A CN113009074A (zh) | 2019-12-22 | 2019-12-22 | 一种基于卷积神经网络算法的隧道空气质量监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113009074A true CN113009074A (zh) | 2021-06-22 |
Family
ID=76382902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911332516.5A Pending CN113009074A (zh) | 2019-12-22 | 2019-12-22 | 一种基于卷积神经网络算法的隧道空气质量监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113009074A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116068133A (zh) * | 2023-03-07 | 2023-05-05 | 江西通慧科技集团股份有限公司 | 隧道有害气体监测方法、系统、可读存储介质及计算机 |
-
2019
- 2019-12-22 CN CN201911332516.5A patent/CN113009074A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116068133A (zh) * | 2023-03-07 | 2023-05-05 | 江西通慧科技集团股份有限公司 | 隧道有害气体监测方法、系统、可读存储介质及计算机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
| CN104103005B (zh) | 一种有限条件下突发性水环境事件污染源的溯源方法 | |
| CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
| CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
| CN109115949B (zh) | 基于大数据的污染溯源方法及计算机可读介质 | |
| CN112001520B (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
| CN113888381B (zh) | 污染物浓度预报方法及装置 | |
| CN111400505A (zh) | 一种用电信息采集系统匹配故障消缺方案的方法及系统 | |
| Du et al. | Remaining useful performance estimation for complex analog circuit based on maximal information coefficient and bidirectional gate recurrent unit | |
| CN118267845B (zh) | 脱酸工艺胺液浓度变化自动监测系统及方法 | |
| CN113009074A (zh) | 一种基于卷积神经网络算法的隧道空气质量监测方法 | |
| CN117520184A (zh) | 一种计算机软件开发用测试系统 | |
| CN110796243B (zh) | 一种连续型运行监测数据模拟发生方法及装置 | |
| CN112819365A (zh) | 碳汇检测方法、装置及存储介质和电子设备 | |
| CN117333038A (zh) | 一种基于大数据的经济趋势分析系统 | |
| CN110108510B (zh) | 基于嵌入式系统汽车电子产品智能检测系统及其方法 | |
| CN111177127A (zh) | 一种基于bp神经网络的光伏电站出力数据修复方法 | |
| KHAMIS et al. | Deep learning Feedforward Neural Network in predicting model of Environmental risk factors in the Sohar region | |
| Stach et al. | Higher-order fuzzy cognitive maps | |
| CN116433018A (zh) | 基于数字孪生的配电网风险态势感知方法及装置 | |
| CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
| CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN113505283B (zh) | 一种测试数据的筛选方法及系统 | |
| CN114880818A (zh) | 一种面向全局燃气管网结构的神经网络监测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210622 |