CN113358732B - 一种气体传感器的远程校准方法及系统 - Google Patents
一种气体传感器的远程校准方法及系统 Download PDFInfo
- Publication number
- CN113358732B CN113358732B CN202110822799.2A CN202110822799A CN113358732B CN 113358732 B CN113358732 B CN 113358732B CN 202110822799 A CN202110822799 A CN 202110822799A CN 113358732 B CN113358732 B CN 113358732B
- Authority
- CN
- China
- Prior art keywords
- calibration
- module
- sensor
- model
- concentration
- 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 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 239000007789 gas Substances 0.000 claims description 124
- 239000013598 vector Substances 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 9
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4163—Systems checking the operation of, or calibrating, the measuring apparatus
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种气体传感器的远程校准系统及方法,所述系统至少包括:采集模块、标准传感器和云端服务器,所述采集模块至少包括浓度传感器、湿度传感器、温度传感器和用于采集所述浓度传感器的电参数的电参数采集模块,所述云端服务器至少包括建模模块和校准模块,所述建模模块基于所述采集模块发送的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,所述校准模块基于所述校准模型对所述采集模块发送的原始浓度参数进行校准。通过将气体传感器采集状态的电数据作为校准影响因素纳入校准模型中,提高校准模型的校准率,获得更准确的气体浓度参数。
Description
技术领域
本发明属于气体传感技术领域,尤其涉及一种气体传感器的远程校准方法及系统。
背景技术
在新时代环境保护与经济发展并行的政策下,大气网格化监测正成为环境监测与大气污染预警领域的发展趋势。大气网格化监测作为目前市控监测站的补充,具有成本相对较低,易于搭建,且覆盖广的特点。通过校准完成的传感器与无线传输模块集成,配以电源管理模块,可搭建微型空气监测站用于大气网格化监测。微型空气站中所采用的气体传感器往往为电化学传感器,随着使用时间的增加,电化学传感器中的电解液的消耗,电极的老化,以及过滤膜的过滤效果的衰减,可造成传感器基线的飘移以及灵敏度的改变。为增加微型空气站的使用寿命,必须定期对气体传感器进行维护或校准。
目前常见的对电化学传感器的维护方案有两种。一是在出厂前进行老化实验,模拟气体传感器在大气中的暴露过程,继而生成补偿算法预先对传感器响应进行修正,实现安装后一定程度的抗老化与自校准。第二种方案则是定期对微型空气站进行维护,更换新的气体传感器,或将原有气体传感器返厂,进行实验室内的二次校准。但是,出厂前进行老化模拟所生成的补偿算法,一定程度上可以延长传感器的使用寿命,然后由于大气环境温湿度及气体浓度变化的不可预测性,补偿算法很难在传感器长时间使用后依然保持精准的补偿。而返厂再校准或者直接替换为新传感器的方法显然成本高,效率低,且非常耗时。因此,对气体传感器进行在线校准显得尤为重要。现有技术中也已存在诸多在线校准系统。
例如,公开号为CN105938133B的专利文献,其公开了一种无线气体传感器在线校准方法及系统,该方法包括:获取每个无线气体传感器采集的气体浓度序列;剔除每个气体浓度序列中的偏离数据,对每个剔除了偏离数据后的气体浓度序列取中位数,获取每个无线气体传感器的气体浓度向量;对各个气体浓度向量按气体类别进行分组,运用融合算法根据分组后的气体浓度向量获取各个对应的无线气体传感器的权重;根据各组的无线气体传感器的权重获取各种气体的第一浓度;将各个无线气体传感器的采集的各个时刻的气体浓度与对应的第一浓度进行拟合,获取各个无线气体传感器的调节参数;根据所述调节参数对所述各个无线气体传感器进行校准。但是,该专利的缺陷在于,
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
如本文所用的词语“模块”描述任一种硬件、软件或软硬件组合,其能够执行与“模块”相关联的功能。
针对现有技术之不足,本发明提供一种气体传感器的远程校准系统,至少包括:采集模块、标准传感器和云端服务器,其特征在于,所述采集模块至少包括浓度传感器、湿度传感器、温度传感器和用于采集所述浓度传感器的电参数的电参数采集模块,所述云端服务器至少包括建模模块和校准模块,其中,所述建模模块基于所述采集模块发送的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,所述校准模块基于所述校准模型对所述采集模块发送的原始浓度参数进行校准。通过将气体传感器采集状态的电数据作为校准影响因素纳入校准模型中,提高校准模型的校准率,获得更准确的气体浓度参数。
优选的,所述建模模块的校准模型的特征向量定义为:
其中,/>表示与气体浓度的预测值对应的特征向量,VWE表示浓度传感器的工作电极输出电压,VAUX表示辅助电极输出电压,T表示温度参数,RH表示湿度参数。本发明的特征向量包括电数据和温湿度参数,更有利于减少环境因素对气体浓度测量的影响,使得校准后的气体浓度数据更准确。
优选的,所述建模模块的校准模型的建立方法包括:
基于深度学习算法建立校准模型并初始化校准模型,将所述特征向量输入所述深度学习算法进行训练和优化,直至校准模型输出的预测浓度/>与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型。本发明通过深度学习方法进行训练,得到的预测浓度数值与标注数值的误差小,有利于优化校准模型。
优选的,所述校准模块基于所述建模模块发送的所述校准模型对采集模块发送的原始数据进行校准,所述原始数据包括采集模块发送的原始浓度参数、湿度参数、温度参数和电参数。
优选的,气体传感器中的数据处理模块基于所述建模模块发送的所述校准模型对采集模块发送的原始数据进行校准,所述原始数据包括采集模块发送的原始浓度参数、湿度参数、温度参数和电参数,所述数据处理模块将校准后的气体浓度参数发送至云端服务器的数据库。
优选的,所述校准模块基于温度参数、湿度参数和第三方平台发送的天气预报信息确定气体环境特征,所述校准模块基于所述气体环境特征生成包含校准时间及其时长的校准建议信息,或者所述校准模块基于所述气体环境特征以及预设置的校准条件信息自动启动标准传感器以采集至少一类气体环境特征的标准数据,所述建模模块响应于所述校准模块发送的优化指令,基于所述采集模块发送的原始数据和所述标准传感器发送的标准数据进行校准模型的优化。通过对气体环境特征和的确定,有利于校准模块计算和选择更有利于校准的环境特征,从而将环境的温湿度特征的影响纳入校准模型,获得更准确的校准模型。
本发明还提供一种气体传感器的远程校准方法,其特征在于,所述远程校准方法包括:基于气体传感器采集的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,基于所述校准模型对所述采集模块发送的原始浓度参数进行校准。本发明的远程校准方法,通过将气体传感器采集状态的电数据作为校准影响因素纳入校准模型中,提高校准模型的校准率,获得更准确的气体浓度参数。
本发明的气体传感器的远程校准方法,所述校准模型的特征向量定义为:其中/>表示与气体浓度的预测值对应的特征向量,VWE表示浓度传感器的工作电极输出电压,VAUX表示辅助电极输出电压,T表示温度参数,RH表示湿度参数。本发明的特征向量,实现对温度和湿度的补偿,保证在温湿度多变的大气环境中对目标气体的准确测量。
本发明的气体传感器的远程校准方法,所述校准模型的建立方法包括:
基于深度学习算法建立校准模型并初始化校准模型,
将所述特征向量输入所述深度学习算法进行训练和优化,直至校准模型输出的预测浓度/>与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型。本发明的校准模型的建立方法,更有利于提高校准的准确率。
优选的,所述远程校准方法还包括:
基于温度参数、湿度参数和第三方平台发送的天气预报信息确定气体环境特征,基于所述气体环境特征生成包含校准时间及其时长的校准建议信息,或者基于所述气体环境特征以及预设置的校准条件信息自动启动标准传感器以采集至少一类气体环境特征的标准数据,基于采集模块发送的原始数据和标准传感器发送的标准数据进行校准模型的优化。本发明通过预设条件信息远程启动标准传感器进行校准,不需要工作人员的人为干预,消除了人为启动校准程序的不良影响。
本发明的有益技术效果:
本发明所提出的气体传感器远程校准系统,可实现气体传感器的在地校准,并进行温湿度补偿,无需将传感器返厂校准。同时由于远程校准可随时进行,因而可以更好地延长传感器的寿命,实现更长时间的精准测量。
附图说明
图1是本发明的远程校准气体传感器的系统的逻辑模块示意图;
图2是本发明的建立校准模型过程中的数据训练示意图;
图3是本发明的数据校准后的数据示意图。
附图标记列表
10:采集模块;11:浓度传感器;12:湿度传感器;13:温度传感器;14:电参数采集模块;15:第三方平台;20:标准传感器;30:云端服务器;40:建模模块;50:校准模块;60:数据库。
具体实施方式
下面结合附图进行详细说明。
针对性有技术不足,本发明提供一种气体传感器的远程校准系统及方法。本发明还可以是一种基于气体传感器远程校准的建模方法及建模系统。
实施例1
如图1所示,本发明的气体传感器远程校准系统,至少包括采集模块10、标准传感器20和云端服务器30。采集模块10、标准传感器20和云端服务器30分别设置有有线通讯器或者无线通讯器,从而采集模块10将采集数据通过无线网络发送至云端服务器30。有线通讯器例如是通过光纤传输信息的光纤通讯器。无线通讯器例如是通过WiFi、光信号传输信息的无线通讯器。
标准传感器20将采集数据通过有线或者无线网络发送至云端服务器30。优选的,采集模块还包括电参数采集模块14。电参数采集模块14用于采集浓度传感器10的工作电极输出电压VWE与辅助电极输出电压VAUX等电参数。电参数采集模块14为采集电压参数、电流参数等的微型组件,例如为电压表、电流表等。
采集模块10用于采集环境中的气体浓度、温度、湿度等数据。采集模块10至少包括采集气体浓度的浓度传感器11、采集环境湿度的湿度传感器12和采集环境温度的温度传感器13。浓度传感器11也可以称为气体传感器。优选的,采集模块10还可以包括第三方平台15。第三方平台15可以将与环境相关的环境参数发送至云端服务器30,以作为校准模型校准和优化的参考数据。优选的,采集模块中的浓度传感器、湿度传感器和温度传感器的数量不限,可以是一个,也可以是多个。优选的,设置在不同位置的多个采集模块组成大气监测网络。本发明的标准传感器20优选为便携式的可移动式气体分析仪。本发明的可移动式气体分析仪为设置有高精度气体传感器及无线通信系统的装置。可移动的标准传感器20能够需要设置在采集模块10的限定范围内,有利于获取与采集模块10所处的环境内的系统的气体。优选的,限定范围的距离为20米。进一步优选的,限定范围的距离为10米。即标准传感器20设置在距离采集模块10米内环境中,有利于标准传感器获得气体的标准数据。
云端服务器30可以是专用集成芯片、计算机群组、服务器、服务器群组中的一种或几种。云端服务器30至少包括建模模块40、校准模块50和数据库60。建模模块40、校准模块50和数据库60均可以是专用集成芯片。服务器或者服务器群组中的一种或几种。建模模块40用于根据标准传感器20发送的标准数据和采集模块发送的原始数据进行比对,基于神经网络算法建立校准采集模块的空气浓度参数的标准模型。优选的,建模模块40还用于优化校准模型。校准模块50用于根据校准模型对采集模块传输的原始数据进行校准计算。数据库60用于存储校准模型和若干原始数据。
优选的,每一个气体传感器均在数据库60中建立有数据账户。数据账户中存储有该气体传感器传输的原始数据、校准数据以及同时间段的标准数据。
本发明对建模模块40的建模方法进行如下说明。
S1:将接收到的标准数据、原始的浓度参数、温度参数RH、湿度参数T和电参数等数据按照时间和预设格式进行整理,作为校准模型的输入数据。例如,将所有数据按照时间做好格式化及数据分类对齐。电参数包括工作电极输出电压VWE与辅助电极输出电压VAUX。
优选的,电参数不限于电压参数,还包括能够通过计算得到工作电极输出电压VWE与辅助电极输出电压VAUX的电流参数、电感参数、电容参数等。
S2:定义特征向量
S3:建立校准模型并进行初始化。其中,基于深度学习算法建立校准模型并初始化校准模型。深度学习算法至少包括基于最小二乘法拟合算法的高维非线性模型和BP(Back-propagation,反向传播)神经网络算法。
优选的,基于最小二乘法拟合算法的高维非线性模型,或BP神经网络算法进行深度学习,得到校准模型。每一个特征向量对应一个气体浓度的预测值。
现有技术仅仅将气体浓度这一个因素纳入校准模型,忽略了空气环境特征的影响,从而校准模型的测试值受气体环境因素影响而出现误差较大的情况,需要经常进行校准。本发明通过将湿度参数、温度参数与气体浓度参数同时上传并作为数据进行计算,将环境数据的影响也建立进了校准模型中,使得校准模型校准的数据与监测点的空气环境相适配。即本发明的校准模型的与监测点相适配的个性化的校准模型,不需要经常进行校准,校准频率大幅度降低,也节省了气体传感器的后期维护的人员成本以及维护频率。
S4:优化标准模型。
优选的,建模模块的校准模型的建立方法包括:
将特征向量输入深度学习算法进行训练和优化,直至校准模型输出的预测浓度/>与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型。本发明通过深度学习方法进行训练,得到的预测浓度数值与标注数值的误差小,有利于优化校准模型。
具体地,将特征向量输入高维非线性模型中,利用最小二乘法进行训练,使得模型输出的预测值接近期望值。预测值为预测浓度/>期望值为标准传感器所发送的标准浓度参数yt。即校准模型的优化使得预测浓度/>接近标准浓度参数yt。
或者,将特征向量输入反向传播神经网络中,进行训练,使得模型输出的预期浓度接近标准浓度参数yt。
S5:确定算法在优化中可改变的参数。
可改变参数可以是:高维非线性模型中每一项的系数,或反向传播神经网络中每层之间的权重。
S6:当气体浓度的预测值与期望值yt的平均误差小于10-3即0.1%时,校准模型优化完成。
S7:在云端服务器,校准模块50将历史特征向量(VWE,VAUX,T,RH)及实时监测点的原始数据分别输入校准模型中,得到气体浓度历史预测值及实时预测值。
或者,建模模块40将校准模型参数发送至监测点。监测点可以是微型空气站。微型空气站将原始数据套入校准模型获得气体浓度预测值后,上传至云端服务器。
现有技术中,其建立的校准模型中的校准参数需要发送至终端模块,通过终端模块来进行气体浓度的数据校准。现有技术明显会增加终端模块的数据处理量,使得终端模块需要有优质的数据处理器,这不利于终端模块的便携式方向的发展。与现有技术不同的是,本发明的校准模型完全可以在云端服务器运行,不需要将校准参数发送回终端模块,即微型空气站不需要设置具有数据处理能力的芯片、计算机或服务器。微型空气站中的采集模块向云端服务器持续上传原始数据。云端服务器中的数据库记录原始数据,校准模块套用校准模型进行气体浓度的数据校准。
校准模块基于温度参数、湿度参数和第三方平台发送的天气预报信息确定气体环境特征。气体环境特征包括天气种类,例如晴、多云、阴、阵雨、雷阵雨、雨夹雪、小雨、中雨、大雨、暴雨、小雪、中雪、大雪、暴雪等等。校准模块基于气体环境特征生成包含校准时间及其时长的校准建议信息。或者,校准模块基于气体环境特征以及预设置的校准条件信息自动启动标准传感器以采集至少一类气体环境特征的标准数据。建模模块响应于校准模块发送的优化指令,基于采集模块发送的原始数据和标准传感器发送的标准数据进行校准模型的优化。本发明通过对气体环境特征的确定,有利于校准模块计算和选择更有利于校准的环境特征,从而将环境的温湿度特征的影响纳入校准模型,获得更准确的校准模型。
具体的,校准模块基于第三方平台传输的天气信息生成能够覆盖多种空气环境特征的校准时间及校准时间长度的建议信息,优化历史校准模型为新校准模型。例如,基于天气预报的信息,预测空气监测点在某一周的晴天和雨天都会有,且下雨的概率大于50%。并且历史上每一年的同时期,下雨发生概率也大于50%。则校准模块向至少一个校准人员的信息接收终端发送至少一个校准建议信息。校准人员基于接收的校准建议信息选择便于工作的一个时间到达空气监测点,设置标准传感器来对空气传感器进行校准。相对于现有技术中校准人员自行安排校准时间以及校准模型优化时间,本发明能够结合第三方平台的信息给出更科学、更有利于校准模型优化的时间,从而提高校准模型的准确度。
优选的,校准传感器为能够远程控制启动的智能标准传感器。智能传感器长期设置在空气监测点并处于关闭状态。
在校准模块基于第三方平台的天气预备信息生成包括校准时间及校准时间长度的建议信息后,校准模块确定校准时间及其校准时间时长的最优建议,通过无线方式远程启动标准传感器,并且向建模模块发送建模指令或者优化指令来优化校准模型。在校准模型优化完成后,校准模块通过无线方式自动远程关闭标准传感器。
如此设置的优势在于,在人力成本比较高的情况下,本发明能够完全消除人工干预的环节来实现全自动的气体传感器的校准。例如,将标准传感器设置在由多个空气传感器构成的大气监测网络的中央区域,从而根据标准传感器的标准数据对周围限定范围内的空气传感器全部进行校准。即,本发明通过长期设置校准传感器来降低人力成本的投入,并且全自动校准程序的启动不受人为困难的影响。例如,对于突发的暴雨天气环境,而若需要有人来启动校准程序,在工作人员休息的夜间,或在天气恶劣导致的交通困难的情况下,工作人员无法到达空气监测点设置标准传感器,甚至无法在最佳校准时间段启动校准程序。本发明的校准模块能够及时自动启动标准传感器来采集标准数据,从而启动校准程序,不局限于工作人员的休息时间的限制。
优选的,校准模块的校准时间时长限定为10天以内。进一步地,校准模块的校准时间时长为7天。设置为该时长,有利于在较短的校准时间内采集到最丰富的环境特征数据以及气体浓度参数,从而更有利于获得准确度高的校准模型。
校准模块确定最佳校准时间段的依据为:对限定时间段内的环境特征的变化发生概率进行排序,选择发生概率最高的时间时长为最佳校准时间段。例如远程校准的时间间隔为3个月,即一个季度。在夏季的6月份选择具有暴雨发生概率最高的连续三天时长最为最佳校准时间段。如此设置的优势在于,在较短的时间获得丰富的数据,避免建模模块依据单一的环境特征的气体浓度标准数据进行校准,也避免通过较长校准时间来获得丰富数据,从而有利于标准传感数据的灵敏度保持。
优选的,在到达需要校准的季度时,校准模块50基于湿度传感器12、温度传感器13采集的湿度变化、温度变化以及第三方平台发送的天气变化信息和/或预设值的校准条件信息来启动标准传感器并进行校准模型的优化。校准条件信息例如是(1)到达校准月份;(2)在雨天或者雪天;(3)开始下雨或下雪;(4)以雨天/雪天为起点的连续3天包含有晴天。校准条件信息不限于本发明示例内容,可以根据监测点即微型空气站所设置的地理位置的气候特征来灵活设置。
如此设置的优势在于,更有利于确定环境特征,降低选择校准时间段的难度,从而丰富环境数据及其对应的气体浓度参数。
例如,需要在夏季的6月上旬采集雨天、晴天的昼夜的气体浓度参数以及标准数据。下雨时环境特征变化为湿度明显增加,气温下降。校准模块基于天气信息、湿度变化信息以及温度变化信息确定开始下雨。校准模块通过无线信息远程启动标准传感器开始校准程序,设置初始校准时长为三天。在校准模块基于天气信息、温度信息和湿度信息确定从校准启动时刻开始,天气经过了雨天的昼夜并且经历晴天的24小时昼夜后,校准模块在第三天的预测关闭时间通过无线网络自动关闭标准传感器,从而结束气体传感器校准程序。
优选的,本发明的校准时间时长可以是连续的,也可以是不连续的。例如,为了避免环境数据误差大,整个校准程序的数据采集时间段设定为一周内。校准模块基于湿度参数、温度参数以及天气信息确定为雨天。在下雨开始时,校准模块远程启动标准传感器采集24小时的气体浓度的标准数据,若雨水在24小时后未停止,校准模块通过无线网络远程关闭标准传感器。校准模块基于湿度参数、温度参数以及天气信息确定天气转晴为晴天,校准模块远程启动标准传感器采集晴天24小时的气体浓度的标准数据,完成后远程关闭标准传感器。如此,在一周内的间隔较近的时间片段内的环境数据以及气体浓度参数对于校准模型的影响微小,忽略不计。而本发明基于确定的天气来选择标准数据以及原始数据的采集,能够获得更准确的数据,也避免了标准传感器长期无意义的启动,节省了电源,也减少了标准传感器的无意义损耗。
实施例2
本发明以远程校准二氧化氮电化学传感器为例来对本发明的校准过程进行说明。
S11:以30s一次的频次,接收标准传感器20的二氧化氮浓度参数。同步以相同频次接收监测点的二氧化氮电化学传感器的工作电极电压、辅助电极电压、环境温度和环境湿度。接收时间长度以能涵盖近期所有的有代表性数据为准(如昼夜,晴天雨天等)。优选的,参考第三方平台例如天气预报平台的天气预报信息以及历史性同阶段天气信息确定接收时间长度。
S12:将接收的数据格式化并按照时间对齐,得到若干个输入输出数据对。将所有的输入输出对/>导入校准模型中进行优化,直到校准模型预测值/>与期望值yt的平均误差小于0.1%,则获得了优化完成的二氧化氮传感器的校准模型。
图2为本发明利用反向传播神经网络对微型空气站数据进行训练的结果示意图。图3为本发明利用反向传播神经网络对微型空气站数据进行实际测试的结果示意图。图2和图3中,黑色线为微型空气站二氧化硫传感器原始数据及温湿度经过校准模型后输出的浓度预测值,灰色线为标准数据即期望值。图2和图3中,横坐标表示第n个数据,每个数据之间间隔5分钟。纵坐标表示气体浓度,单位为ug/m^3。
在数据训练的结果示意图中,如图2所示,预测值与标准值几乎重叠。在校准模型对数据测试的结果示意图中,如图3所示,预测值与标准数据保持了较好的一致性,说明本发明的校准模型的校准结果比较准确。
实施例3
本实施例是对实施例1的进一步说明,重复的内容不再赘述。
本实施例提供一种气体传感器的远程校准方法,其特征在于,远程校准方法包括:基于气体传感器采集的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,基于校准模型对采集模块10发送的原始浓度参数进行校准。
本发明通过将湿度参数、温度参数与气体浓度参数同时上传并作为数据进行计算,将环境数据的影响也建立进了校准模型中,使得校准模型校准的数据与监测点的空气环境相适配。
校准模型的特征向量定义为:
其中,表示与气体浓度的预测值对应的特征向量,VWE表示浓度传感器的工作电极输出电压,VAUX表示辅助电极输出电压,T表示温度参数,RH表示湿度参数。
校准模型的建立方法包括:
基于深度学习算法建立校准模型并初始化校准模型,
将特征向量输入深度学习算法进行训练和优化,
直至校准模型输出的预测浓度与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型。
气体传感器中的数据处理模块基于建模模块40发送的校准模型对采集模块10发送的原始数据进行校准。原始数据包括采集模块发送的原始浓度参数、湿度参数、温度参数和电参数。数据处理模块将校准后的气体浓度参数发送至云端服务器的数据库60。
本发明的校准模型完全可以在云端服务器运行,不需要将校准参数发送回终端模块,即微型空气站不需要设置具有数据处理能力的芯片、计算机或服务器。微型空气站中的采集模块向云端服务器持续上传原始数据。
远程校准方法还包括:
基于温度参数、湿度参数和第三方平台15发送的天气预报信息确定气体环境特征;
基于气体环境特征生成包含校准时间及其时长的校准建议信息;
或者基于气体环境特征以及预设置的校准条件信息自动启动标准传感器20以采集至少一类气体环境特征的标准数据;
基于采集模块10发送的原始数据和标准传感器20发送的标准数据进行校准模型的优化。
如此设置的优势在于,在人力成本比较高的情况下,本发明能够完全消除人工干预的环节来实现全自动的气体传感器的校准。本发明通过长期设置校准传感器来降低人力成本的投入,并且全自动校准程序的启动不受人为困难的影响。本发明的校准模块能够及时自动启动标准传感器来采集标准数据,从而启动校准程序,不局限于工作人员的休息时间的限制,实现真正意义上的全自动的远程校准。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (4)
1.一种二氧化氮电化学传感器的远程校准系统,至少包括:采集模块(10)、标准传感器(20)和云端服务器(30),其特征在于,
所述采集模块(10)至少包括浓度传感器(11)、湿度传感器(12)、温度传感器(13)和用于采集所述浓度传感器(11)的电参数的电参数采集模块(14),
所述云端服务器(30)至少包括建模模块(40)和校准模块(50),其中,
所述建模模块(40)基于所述采集模块(10)发送的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,
所述校准模块(50)基于所述校准模型对所述采集模块(10)发送的原始浓度参数进行校准,
所述校准模块(50)基于温度参数、湿度参数和第三方平台(15)发送的天气预报信息确定气体环境特征,所述校准模块(50)基于所述气体环境特征生成包含校准时间及其时长的校准建议信息,或者
所述校准模块(50)基于所述气体环境特征以及预设置的校准条件信息自动启动标准传感器(20)以采集至少一类气体环境特征的标准数据,
所述建模模块(40)响应于所述校准模块(50)发送的优化指令,基于所述采集模块(10)发送的原始数据和所述标准传感器(20)发送的标准数据进行校准模型的优化,
其中,所述校准模块(50)能够基于限定时间段内的所述气体环境特征的变化发生概率确定最佳校准时间段;
所述建模模块(40)的校准模型的特征向量定义为:
其中,表示与气体浓度的预测值对应的特征向量,VWE表示浓度传感器的工作电极输出电压,VAUX表示辅助电极输出电压,T表示温度参数,RH表示湿度参数;
所述建模模块的校准模型的建立方法包括:
基于深度学习算法建立校准模型并初始化校准模型,
将所述特征向量输入所述深度学习算法进行训练和优化,
直至校准模型输出的预测浓度与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型;
在云端服务器,校准模块(50)将历史特征向量(VWE,VAUX,T,RH)及实时监测点的原始数据分别输入校准模型中,得到气体浓度历史预测值及实时预测值;
校准模块基于第三方平台传输的天气信息生成能够覆盖多种空气环境特征的校准时间及校准时间长度的建议信息,优化历史校准模型为新校准模型;
在校准模块基于第三方平台的天气预备信息生成包括校准时间及校准时间长度的建议信息后,校准模块确定校准时间及其校准时间时长的最优建议,通过无线方式远程启动标准传感器,并且向建模模块发送建模指令或者优化指令来优化校准模型,
校准时间时长被确定为连续或者不连续的时间段,校准模块确定最佳校准时间段的依据为:对限定时间段内的环境特征的变化发生概率进行排序,选择发生概率最高的时间时长为最佳校准时间段;
将特征向量输入高维非线性模型中,利用最小二乘法进行训练,使得模型输出的预测值接近期望值。
2.根据权利要求1所述的二氧化氮电化学传感器的远程校准系统,其特征在于,所述校准模块(50)基于所述建模模块(40)发送的所述校准模型对采集模块(10)发送的原始数据进行校准,
所述原始数据包括采集模块发送的原始浓度参数、湿度参数、温度参数和电参数。
3.根据权利要求2所述的二氧化氮电化学传感器的远程校准系统,其特征在于,气体传感器中的数据处理模块基于所述建模模块(40)发送的所述校准模型对采集模块(10)发送的原始数据进行校准,
所述原始数据包括采集模块发送的原始浓度参数、湿度参数、温度参数和电参数,
所述数据处理模块将校准后的气体浓度参数发送至云端服务器的数据库(60)。
4.一种二氧化氮电化学传感器的远程校准方法,其特征在于,所述远程校准方法包括:
基于气体传感器采集的原始浓度参数、湿度参数、温度参数、电参数和标准传感器发送的标准数据按照深度学习算法建立校准模型,
基于所述校准模型对采集模块(10)发送的原始浓度参数进行校准,
基于温度参数、湿度参数和第三方平台(15)发送的天气预报信息确定气体环境特征,
基于所述气体环境特征生成包含校准时间及其时长的校准建议信息;或者
基于所述气体环境特征以及预设置的校准条件信息自动启动标准传感器(20)以采集至少一类气体环境特征的标准数据,
基于采集模块(10)发送的原始数据和标准传感器(20)发送的标准数据进行校准模型的优化,
其中,校准模块(50)能够基于限定时间段内的所述气体环境特征的变化发生概率确定最佳校准时间段;
所述校准模型的特征向量定义为:
其中,表示与气体浓度的预测值对应的特征向量,VWE表示浓度传感器的工作电极输出电压,VAUX表示辅助电极输出电压,T表示温度参数,RH表示湿度参数;
所述校准模型的建立方法包括:
基于深度学习算法建立校准模型并初始化校准模型,
将所述特征向量输入所述深度学习算法进行训练和优化,
直至校准模型输出的预测浓度与标准数据的浓度参数yt的误差小于误差阈值,形成校准模型;
在云端服务器,校准模块(50)将历史特征向量(VWE,VAUX,T,RH)及实时监测点的原始数据分别输入校准模型中,得到气体浓度历史预测值及实时预测值;
校准模块基于第三方平台传输的天气信息生成能够覆盖多种空气环境特征的校准时间及校准时间长度的建议信息,优化历史校准模型为新校准模型;
在校准模块基于第三方平台的天气预备信息生成包括校准时间及校准时间长度的建议信息后,校准模块确定校准时间及其校准时间时长的最优建议,通过无线方式远程启动标准传感器,并且向建模模块发送建模指令或者优化指令来优化校准模型,
校准时间时长被确定为连续或者不连续的时间段,校准模块确定最佳校准时间段的依据为:对限定时间段内的环境特征的变化发生概率进行排序,选择发生概率最高的时间时长为最佳校准时间段;
将特征向量输入高维非线性模型中,利用最小二乘法进行训练,使得模型输出的预测值接近期望值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020107092777 | 2020-07-21 | ||
CN202010709277.7A CN111812181A (zh) | 2020-07-21 | 2020-07-21 | 一种气体传感器的远程校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113358732A CN113358732A (zh) | 2021-09-07 |
CN113358732B true CN113358732B (zh) | 2023-10-24 |
Family
ID=72861687
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709277.7A Pending CN111812181A (zh) | 2020-07-21 | 2020-07-21 | 一种气体传感器的远程校准方法及系统 |
CN202110822799.2A Active CN113358732B (zh) | 2020-07-21 | 2021-07-20 | 一种气体传感器的远程校准方法及系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010709277.7A Pending CN111812181A (zh) | 2020-07-21 | 2020-07-21 | 一种气体传感器的远程校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN111812181A (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112903758B (zh) * | 2021-01-21 | 2021-09-28 | 电子科技大学 | 一种气体传感器重叠分块温湿度智能自校准方法 |
CN113095389B (zh) * | 2021-04-02 | 2023-04-07 | 河北先河环保科技股份有限公司 | 网格化传感器监控网络校准方法及系统 |
CN113534862B (zh) * | 2021-07-09 | 2024-05-03 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 培养腔的气体浓度控制系统以及方法 |
CN113591275B (zh) * | 2021-07-16 | 2023-08-29 | 苏州同元软控信息技术有限公司 | modelica模型校准的方法、装置和设备 |
CN113671015B (zh) * | 2021-07-16 | 2022-06-24 | 中国科学院广州地球化学研究所 | 一种基于物联网平台的局域广范围voc监测装置及校准方法 |
CN113588883B (zh) * | 2021-08-02 | 2022-10-04 | 中科三清科技有限公司 | 一种进行自动校准的环境空气质量监测装置 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN113916849B (zh) * | 2021-09-10 | 2022-07-29 | 山东省科学院海洋仪器仪表研究所 | 一种光学溶解氧传感器校准方法及校准装置 |
CN113888841B (zh) * | 2021-12-08 | 2022-03-11 | 成都千嘉科技股份有限公司 | 燃气报警器系统 |
CN114324769A (zh) * | 2021-12-30 | 2022-04-12 | 天津同阳科技发展有限公司 | 仪器质控方法、装置、电子设备及存储介质 |
CN114543945A (zh) * | 2022-01-04 | 2022-05-27 | 重庆川仪自动化股份有限公司 | 基于物联网的流量仪表标定系统及其方法 |
DE102022101007B4 (de) * | 2022-01-17 | 2023-11-02 | Bernard Technologies GmbH | Verfahren zum Kalibrieren eines Eigengeräts |
CN114088890B (zh) * | 2022-01-24 | 2022-04-19 | 中国农业科学院农业信息研究所 | 基于深度bp神经网络的自适应温湿度补偿方法及系统 |
CN115970118B (zh) * | 2022-12-22 | 2023-08-04 | 宁波市计量测试研究院(宁波新材料检验检测中心) | 呼吸湿化治疗仪校准装置 |
CN116107432B (zh) * | 2023-01-13 | 2024-02-13 | 深圳曼瑞德科技有限公司 | 一种用于穿戴式测温设备的体温监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2017062195A (ja) * | 2015-09-25 | 2017-03-30 | パナソニックIpマネジメント株式会社 | ガス濃度測定装置及びガス濃度測定方法 |
CN106979795A (zh) * | 2016-12-26 | 2017-07-25 | 中国计量大学 | 一种传感器水平分层布点装置及无线温湿度标准箱自动校准系统和方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN108918751A (zh) * | 2018-06-14 | 2018-11-30 | 北京惟泰安全设备有限公司 | 改进型催化燃烧气体传感器及其气体检测方法 |
CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9279794B2 (en) * | 2014-02-19 | 2016-03-08 | Mallinckrodt Hospital Products IP Limited | Systems and methods for compensating long term sensitivity drift of electrochemical gas sensors exposed to nitric oxide |
US20160061795A1 (en) * | 2014-09-03 | 2016-03-03 | Oberon, Inc. | Environmental Sensor Device with Calibration |
JP2019148432A (ja) * | 2018-02-26 | 2019-09-05 | フィガロ技研株式会社 | 電気化学ガスセンサを有するガス検出装置とガス検出方法 |
US11054404B2 (en) * | 2018-10-16 | 2021-07-06 | Novinium, Inc. | Methods of using dilution of a first type to calibrate one or more sensors |
-
2020
- 2020-07-21 CN CN202010709277.7A patent/CN111812181A/zh active Pending
-
2021
- 2021-07-20 CN CN202110822799.2A patent/CN113358732B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017062195A (ja) * | 2015-09-25 | 2017-03-30 | パナソニックIpマネジメント株式会社 | ガス濃度測定装置及びガス濃度測定方法 |
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 |
CN106979795A (zh) * | 2016-12-26 | 2017-07-25 | 中国计量大学 | 一种传感器水平分层布点装置及无线温湿度标准箱自动校准系统和方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN108918751A (zh) * | 2018-06-14 | 2018-11-30 | 北京惟泰安全设备有限公司 | 改进型催化燃烧气体传感器及其气体检测方法 |
CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113358732A (zh) | 2021-09-07 |
CN111812181A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113358732B (zh) | 一种气体传感器的远程校准方法及系统 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN111950201B (zh) | 一种泵用密封装置的全生命周期监测系统及方法 | |
CN208076482U (zh) | 一种多组分VOCs气体监测系统 | |
CN113984969A (zh) | 一种基于多源时空数据融合的空气质量预测方法及系统 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN111339092A (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
CN114429592A (zh) | 一种基于人工智能的自动灌溉方法及设备 | |
CN111157413B (zh) | 一种pm2.5网格化监控网络系统及其一致性校准方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
CN115356440A (zh) | 一种用于定量人为排放和气象条件对大气污染物浓度贡献的系统和方法 | |
CN110896761A (zh) | 一种温室的灌溉决策方法及系统 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN112985692B (zh) | 一种融合多项式与学习模型的气压传感器误差标校方法 | |
CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
CN116147712B (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
CN112926863A (zh) | 基于六大预警中心的电网灾害综合监测系统 | |
KR20220146158A (ko) | 일사량 예측 장치 및 그 방법 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
CN106371153B (zh) | 无人值守小型自动气象台 | |
CN116305703A (zh) | 一种面向仿真系统的环境参数空间一致性表征方法 | |
CN112649481B (zh) | 一种使用区域tvoc阵列监测系统的园区tvoc监测方法 |
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 |