CN113758891A - 混合气体组分浓度计算方法、装置、设备及存储介质 - Google Patents
混合气体组分浓度计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113758891A CN113758891A CN202110948222.6A CN202110948222A CN113758891A CN 113758891 A CN113758891 A CN 113758891A CN 202110948222 A CN202110948222 A CN 202110948222A CN 113758891 A CN113758891 A CN 113758891A
- Authority
- CN
- China
- Prior art keywords
- gas
- absorbance
- component
- time sequence
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000002835 absorbance Methods 0.000 claims abstract description 288
- 238000009792 diffusion process Methods 0.000 claims abstract description 43
- 238000000926 separation method Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 125
- 238000005070 sampling Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 430
- 238000010586 diagram Methods 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 12
- 239000010410 layer Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000029777 axis specification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- 238000011481 absorbance measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- WSFSSNUMVMOOMR-UHFFFAOYSA-N formaldehyde Substances O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Abstract
本申请实施例涉及数据处理技术领域，具体涉及一种混合气体组分浓度计算方法、装置、设备及存储介质，旨在实时准确的计算混合气体各组分的浓度。所述方法包括：使用气体浓度传感器采集混合气体，得混合气体中各组分气体的测量得到的时序吸光度；对各组分气体的测量得到的时序吸光度进行气体不均匀扩散产生的测量误差的修正，得到各组分气体的修正的时序吸光度，并将各组分气体的修正的时序吸光度传输至边缘端；边缘端根据各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将各组分气体分离后的时序吸光度传输至云端；云端根据各组分气体分离后的时序吸光度进行计算，得到混合气中体各组分气体的浓度。
Description
技术领域
本申请实施例涉及数据处理技术领域，具体而言，涉及一种混合气体组分浓度计算方法、装置、设备及存储介质。
背景技术
在流程工业中，例如化学工业、石油炼化、电子工业和室内空气质量检测领域中通常会产生大量的CO、SO2、NOX、甲醛和丙酮等影响人体健康和环境的气体。因此需要对流程工业中的混合气体组分进行准确测量。而因为光学传感器具有检测快捷，灵敏度高等特点而广泛应用于混合气体各组分浓度的测量。其中，NDIR(非色散红外传感器)是一种常用的检测气体浓度的光学传感器，当混合气体进入气体传感器的气室后，传感器会发射红外光穿过气室，通过检测目标通道内气体对红外光的吸光度确定混合气体中的气体组分的浓度。而基于NDIR传感器的混合气体组分浓度计算研究并未考虑气体进入传感器的气室后的扩散状态差异对红外光穿过气室后吸收强度影响，从而产生原理性误差，该误差对气体浓度的准确计算产生了严重的影响。同时，NDIR的目标通道检测的吸光度会受到混合气体中其余气体的干扰，从而降低测量精度。现有方法主要通过混合气体各组分件干扰系数矫正其余气体所产生的的干扰，还在干扰系数的基础上提出了优化算法，即通过随混杂气体浓度变化而变化的干扰函数代替干扰系数实现气体浓度的测量。
现有技术中，在计算混合气体中各组分气体的浓度时，需要依次产开混合气体组分浓度与目标气体浓度之间干扰系数实验并且需要对应次数的曲线拟合，求解时间较长，求解效率较低，并且当混合气体种类较多时，求解的复杂度会明显增加，计算耗费时间增加，使浓度计算的实时性降低。
发明内容
本实申请实施例提供一种混合气体组分浓度计算方法、装置、设备及存储介质，旨在实时准确的计算混合气体各组分的浓度。
本申请实施例第一方面提供一种混合气体组分浓度计算方法，所述方法包括：
使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；
对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；
所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；
所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
可选地，对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，包括：
计算所述混合气体在所述气体浓度传感器的气室中的扩散因数；
用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度。
可选地，计算所述混合气体在所述气体浓度传感器的气室中的扩散因数，包括：
在所述气体浓度传感器的气室内建立笛卡尔坐标系；
基于所述笛卡尔坐标系，得到红外光在所述传感器的气室内传播过程中不同位置处的坐标；
按照一定间隔在所述红外光的光路上设置采样点；
根据所述混合气体在所述气室内的空间分布，结合所述采样点的坐标，得到采样点处的气体浓度；
计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数。
可选地，在所述气体浓度传感器的气室内建立笛卡尔坐标系，包括：
将所述气体浓度传感器的气室的入口设置为所述笛卡尔坐标系的原点；
将所述混合气体在入口处的流速方向设置为所述笛卡尔坐标系的x轴的方向；
将与所述笛卡尔坐标系的x轴的方向垂直的两个方向设置为所述笛卡尔坐标系的y轴和z轴的方向。
可选地，所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，包括：
将所述各组分气体的修正的时序吸光度输入置于所述边缘端中的时序吸光度计算模型中；
通过所述时序吸光度计算模型对所述各组分气体的修正的时序吸光度进行计算，得到所述各组分气体分离后的时序吸光度。
可选地，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度，包括：
将所述各组分气体分离后的时序吸光度输入所述云端中的气体浓度计算模型中；
所述气体浓度计算模型根据所述各组分气体分离后的时序吸光度，计算得到所述混合气体中各组分气体的浓度。
可选地，所述时序吸光度计算模型的训练步骤包括：
将混合气体中各组分气体的修正的时序吸光度和所述各组分气体的已知时序吸光度输入所述时序吸光度计算模型中；
所述时序吸光度计算模型根据所述各组分气体的修正的时序吸光度计算出各组分气体分离后的时序吸光度；
通过对比所述各组分气体的分离后的时序吸光度和所述各组分气体的已知时序吸光度，对所述时序吸光度计算模型进行优化，得到训练好的时序吸光度计算模型。
本申请实施例第二方面提供一种混合气体组分浓度计算装置，所述装置包括：
气体采集模块，用于使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；
吸光度修正模块，用于对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；
边缘计算模块，用于所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；
云端计算模块，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
可选地，所述吸光度修正模块包括：
扩散因数计算子模块，用于计算所述混合气体在所述气体浓度传感器的气室中的扩散因数；
时序吸光度计算子模块，用于用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度。
可选地，所述扩散因数计算子模块包括：
坐标系建立子模块，用于在所述气体浓度传感器的气室内建立笛卡尔坐标系；
坐标确定子模块，用于基于所述笛卡尔坐标系，得到红外光在所述传感器的气室内传播过程中不同位置处的坐标；
采样点设置子模块，用于按照一定间隔在所述红外光的光路上设置采样点；
浓度采样子模块，用一个根据所述混合气体在所述气室内的空间分布，结合所述采样点的坐标，得到采样点处的气体浓度；
扩散因数确定子模块，用于计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数。
可选地，所述坐标系建立子模块包括：
原点设置子模块，用于将所述气体浓度传感器的气室的入口设置为所述笛卡尔坐标系的原点；
第一坐标轴确定子模块，用于将所述混合气体在入口处的流速方向设置为所述笛卡尔坐标系的x轴的方向；
第二坐标轴确定子模块，用于将与所述笛卡尔坐标系的x轴的方向垂直的两个方向设置为所述笛卡尔坐标系的y轴和z轴的方向。
可选地，所述边缘端计算模块包括：
第一时序吸光度输入子模块，用于将所述各组分气体的修正的时序吸光度输入置于所述边缘端中的时序吸光度计算模型中；
时序吸光度计算子模块，用于通过所述时序吸光度计算模型对所述各组分气体的修正的时序吸光度进行计算，得到所述各组分气体分离后的时序吸光度。
可选地，所述云端计算模块包括：
第二时序吸光度输入子模块，用于将所述各组分气体分离后的时序吸光度输入所述云端中的气体浓度计算模型中；
气体浓度计算子模块，用于所述气体浓度计算模型根据所述各组分气体分离后的时序吸光度，计算得到所述混合气体中各组分气体的浓度。
可选地，所述时序吸光度计算模型的训练步骤包括：
将混合气体中各组分气体的修正的时序吸光度和所述各组分气体的已知时序吸光度输入所述时序吸光度计算模型中；
所述时序吸光度计算模型根据所述各组分气体的修正的时序吸光度计算出各组分气体分离后的时序吸光度；
通过对比所述各组分气体的分离后的时序吸光度和所述各组分气体的已知时序吸光度，对所述时序吸光度计算模型进行优化，得到训练好的时序吸光度计算模型。
本申请实施例第三方面提供一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本申请第一方面所述的方法的步骤。
采用本申请提供的混合气体组分浓度计算方法，使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。本申请提供而混合气体组分浓度计算方法中，在边缘端进行各组分气体分离后的时序吸光度计算，在云端进行浓度计算，将计算任务合理分配至各个计算节点，保证了资源的合理分配，加快了计算效率。在采集了混合气体并计算了混合气体中各组分气体的吸光度之后，对各组分气体的吸光度进行了修正，修正的时序吸光度避免了因混合气体进入气室后扩散状态的差异对红外光穿过气室后吸收强度影响，从而产生原理性误差，对混合气体各组分浓度计算的准确性产生影响的问题，保证了混合气体各组分浓度计算的准确性。在边缘端计算分离后的时序吸光度，边缘计算架构的计算速度快，具有实时性，因而保证了混合气体各组分浓度计算的实时性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提出的混合气体组分浓度计算方法的流程图；
图2是本申请一实施例提出的基于NDIR传感器的端-边-云边缘计算架构示意图；
图3是本申请实施例提供的NDIR传感器内部气室坐标构建示意图；
图4是本申请一实施例提出的RBF与LSTM/TCN模型串联示意图；
图5是本申请一实施例提出的混合气体组分浓度计算装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参考图1，图1是本申请一实施例提出的混合气体组分浓度计算方法的流程图。如图1所示，该方法包括以下步骤：
S11：使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度。
本实施例中，气体浓度传感器即NDIR传感器，混合气体从该传感器的气室入口进入该传感器，同时该传感器发出红外光穿过气室。传感器端集成了专用集成电路，可以计算该混合气体在气室中扩散时每个时刻的时序吸光度。混合气体是由多种气体混合而成的气体，一般包含CO、SO2、NOX等多种气体。
本实施例中，在一个区域中会布置多个气体浓度传感器，不同的气体浓度传感器准用于测特定的气体，因为不同的气体会吸收特定波长的红外光，因此在气室出口处设置不同波长的滤光片即可测得不同气体的吸光度，例如CO浓度传感器专用于检测混合气体中的CO组分，在出口处设置一4.26μm的红外光滤光片即可，SO2浓度传感器专用于检测混合气体中的SO2组分，当该区域中出现混合气体时，传感器会采集混合气体并计算对应组分的时序吸光度，得到各组分气体的时序吸光度。
示例地，混合气体中包含CO、SO2、NO2，这三个组分的气体，想要探测这三中气体各自的浓度，则设置三个气体浓度传感器(一个CO传感器、一个SO2传感器、一个NO2传感器)对混合气体进行采集，并计算气体的吸光度。位于传感器段的专用集成电路的计算平台可以为ARM Cortex M4，其内核主频为168MHz，内存为128KB，384KB的闪存，保证了计算的效率和准确率。
S12：对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端。
本实施例中，因为气体浓度传感器在计算吸光度时，并没有考虑到混合气体进入气室后扩散状态的差异对红外光穿过气室后吸收强度的影响，因此计算的吸光度会出现原理性误差，即气体不均匀扩散产生的测量误差，此时需要对吸光度进行修正，得到各组分气体的修正的时序吸光度，修正的时序吸光度就是各组分气体每个时刻在气室中对红外光的真实的吸光度。因为气体从进入气室中开始的每个时刻都是在流动扩散的，因此需要得到各个组分气体的修正的时序吸光度。气体在气室中的修正的时序吸光度消除了实际测量的吸光度的原理性误差，根据该吸光度进行后续计算，得到的各组分气体的浓度更加准确。
S13：所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端。
本实施例中，边缘端中包含了若干个边缘计算节点，通过网络和气体浓度传感器相连接，气体浓度传感器在接收到各组分气体的修正的时序吸光度后，通过网络传输至边缘端中，边缘端中的各个边缘计算节根据修正的时序吸光度计算出各个气体组分未受干扰的理想吸光度，而各个气体组分在每个时刻未受干扰的理想吸光度就是各组分气体分离后的时序吸光度。
在气体浓度传感器测量混合气体中各个组分的吸光度时，各组分的气体之间会对吸光度互相干扰，例如在测量CO的吸光度时、若混合气体中有SO2的存在，则会对CO的吸光度有干扰，使得测量出的吸光度不能反映真实的气体浓度，对吸光度的修正只考虑了混合气体在气室中的扩散情况引起的误差，并没有考虑到各组分之间的互相影响，因此需要在边缘计算节点中进行计算，进而分离出混合气体中各组分的时序吸光度。
边缘端的边缘计算节点进行计算时，运行时序吸光度计算模型，向该模型中输入每个时刻测得的各组分气体的修正的时序吸光度，该模型输出分离后的时序吸光度。本实施例中时序吸光度计算模型采用RBF(径向基网络)模型，RBF模型的隐含层为单层，该层神经元的数量为训练样本数量，网络输入层与隐含层采取全连接的方式，通过连接的权重值表示每种气体存在对其他气体浓度的影响，因为对各组分气体浓度之间的影响有准确的权重值来表示，因此输出的时序吸光度可以很好地消除各组分气体之间对吸光度的影响，保证了后续计算各组分气体浓度的准确性。
S14：所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
本实施例中，云端上部署有计算力强大的云端计算机，边缘端通过网络与云端相连接，云端接收到各组分气体的时序吸光度，计算出混合气体中个组分气体的浓度，对计算的结果可以进行存储。
云端在计算时，运行气体浓度计算模型，将各组分气体的时序吸光度输入该模型中，该模型经过计算后输出混合气体中各组分气体的实时浓度。本实施例中气体浓度模型采用LSTM/TCN(长短期记忆网络/时间卷积网络)模型，对混合气体中各组分浓度进行实时计算，保证了各组分气体浓度计算的实时性。
本实施例中，针对现有的气体浓度传感器未考虑到气体在气室中扩散不均匀，导致吸光度测量出现误差的问题，本市实施例计算了气体在气室中的扩散因数，进而对吸光度进行了修正。针对现有的气体浓度传感器通过混合气体之间的干扰系数和干扰函数修正各组分之间干扰，计算较为复杂的现状，本是实施例提出了使用时序吸光度计算模型(BRF)和气体浓度计算模型(LSTM/TCN)串行连接的方式，通过时序吸光度计算模型直接得到各组分气体为受影响的理想吸光度。为了降低计算过程产生的高延时，实现气体浓度测量的实时性，本实施例采用边缘计算架构并通过对边缘计算架构下气体浓度校准认为的合理分配，即通过时序吸光度计算模型来的得到理想的时序吸光度，通过气体浓度计算模型计算各组分气体的浓度的方式，实现混合气体浓度的实时准确计算。
如图2所示，图2是本申请一实施例提出的基于NDIR传感器的端-边-云边缘计算架构示意图。
如图2所述，传感器端的任务是数据采集和校正吸光度，图中采用了若干个NDIR传感器，其中至少包含了用于测量CO2、SO2、NOX的NDIR传感器，传感器将修正后的吸光度传送至边缘端，边缘端配置了若干台CompactRIO计算机，CompactRIO可在-40℃～70℃温度下工作，且通道内部具有抗混叠滤波器，对外界环境变化具有较强抵御能力，使用该计算机计算扩散因数，实现各组分的时序吸光度的分离。边缘端连接至云端，云端进行气体浓度的计算，在云端设置了3台具备强大计算能力的计算机。其中，
代表t时刻CO2的吸光度。最后运算单元输出t时刻的气体浓度。
在本申请的另一个实施例中，对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度的具体步骤包括：
S21：计算所述混合气体在所述气体浓度传感器的气室中的扩散因数。
本实施例中，为了对各组分气体的吸光度进行修正，首先需要求得混合气体在气体浓度传感器的气室中的扩散因数，具体的步骤包括：
S21-1：在所述气体浓度传感器的气室内建立笛卡尔坐标系。
如图3所示，图3是本申请实施例提供的NDIR传感器内部气室坐标构建示意图，其中，将所述气体浓度传感器的气室的入口设置为所述笛卡尔坐标系的原点；将所述混合气体在入口处的流速方向设置为所述笛卡尔坐标系的x轴的方向；将与所述笛卡尔坐标系的x轴的方向垂直的两个方向设置为所述笛卡尔坐标系的y轴和z轴的方向。y轴和z轴只需要和x垂直即可。
S21-2：基于所述笛卡尔坐标系，得到红外光在所述传感器的气室内传播过程中不同位置处的坐标。
本实施例中，在确定好了气室内的笛卡尔坐标系后，因为光路在传感器结构设计时就已经确定，就可以直接确定红外光的光路上各个位置的坐标。
S21-3：按照一定间隔在所述红外光的光路上设置采样点。
本实施例中，为计算扩散因素，需要在红外光的光路上设置一定间隔的采样点，在采样点上进行气体浓度采样操作。
可以根据计算精度选择位于光路上相邻采样点的间隔，当需要的检测精度较高，且硬件设备提供的就算资源较为充足时，则将相邻采样点之间的间距设置的较近即可。
S21-4：根据所述混合气体在所述气室内的空间分布，结合所述采样点的坐标，得到采样点处的气体浓度。
本实施例中，可以通过入口处的流速、流量、入口距离底面的位置和气体扩散模型确定气体的空间分布，气体扩散的模型选取高斯烟雨模型，该模型可以真实建模气体在气室中的扩散情况。
如图3所示，以气体入口处O点为坐标原点，沿着流速方向构建坐标x轴。x轴对应为圆柱形气室轴向，沿着水平垂直于x轴方向构建坐标系y轴，沿着垂直于xOy平面构建z轴，入口与地面距离为H。在上述坐标系基础上，构建基于高斯烟雨模型的气体扩散建模：
X(x,y,z)—任意一点处气体浓度(kg/m3)
Q—气体入口处气体流量(kg/s)
δy,δz—分别为水平、垂直方向标准差，即y、z方向扩散参数
u—气体流速
x—风向轴上空间点到源距离
y—风向轴垂直方向上空间点到源距离
z—空间点高度
NDIR传感器入口处混合气体组分浓度未知。因此计算气体在气室不同位置浓度值时，可用变量Q代替入口处混合气体各组分流量(后续计算可将Q值消除，不影响计算结果)。因为光路在传感器结构设计过程中已经确定。因此，可在构建的坐标系下表示采样点位置坐标。计算光路上每个采样点处混合气体各组分浓度时，可按照等间距选取采样点并依据光路确定采样点坐标。相邻采样点间距取为d(采样点间距可根据计算精度需求而定)，光路总长度为L。因此，可确定光路采样点的个数m为：
S21-5：计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数。
本实施例中，计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数的具体表达式为：
其中，采样点处浓度值记为X(x,y,z)，为获得准确浓度值，计算光路上m个采样点处浓度值取平均值，记为
通过采样点处浓度值平均值与入口处流量比值求出扩散因数η。
S22：用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度。
本实施例中，用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度的具体表达式为：
NDIR传感器浓度检测基于Beer-Lambert定理，
为校正后的吸光度。目标通道i处探测器检测到红外光吸光度为
光源发出红外光光强为I0，红外光穿过气室后在目标通道上吸收光强为I。气体i对红外光吸收系数为αi，气体i浓度为C，红外光在气室中光路长度为L。经过扩散因数校正后，目标通道i在t时刻电压记为
参考通道在t时刻电压记为
扩散因数校正后气体i在目标通道初始时刻电压记为
参考通道在初始时刻电压记为
校正后目标通道i吸光度为
通过上述计算步骤，可以得到混合气体中各组分气体的修正的时序吸光度，就是经过传感器校正后的吸光度，降低了吸光度测量的误差，保证了后续计算的准确性。该计算都是在传感器上使用专用集成电路计算的。修正的时序吸光度误差就是经过修正的真实的吸光度，将其通过网络传输至边缘端进行后续的组分分离及浓度计算任务。
在本申请另一个实施例中，所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，包括：
S31：将所述各组分气体的修正的时序吸光度输入所述边缘端中的时序吸光度计算模型中。
S32：通过所述时序吸光度计算模型对所述各组分气体的修正的时序吸光度进行计算，得到所述各组分气体分离后的时序吸光度。
本实施例中，如图4所示，图4是本申请一实施例提出的RBF与LSTM/TCN模型串联示意图。
如图4所述，边缘端接收到各组分气体的修正的时序吸光度后，运行时序吸光度模型进行计算。以各目标通道测得吸光度
为输入，以实际各组分气体未受干扰的理想吸光度混合气体各组分理论吸光度，即各组分气体分离后的时序吸光度
为输出。该模型包括输入层、隐藏层、输出层，输入层包含了7个输入，代表7种不同气体的修正的时序吸光度，隐藏层为单层，包括了5个神经元(X11，…，X15)，输出层包括了7个输出，代表这输入的7种气体的分离后的时序吸光度。
本实施例中，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度，包括：
S33：将所述各组分气体分离后的时序吸光度输入所述云端中的气体浓度计算模型中。
S34：所述气体浓度计算模型根据所述各组分气体分离后的时序吸光度，计算得到所述混合气体中各组分气体的浓度。
如图4所述，将分离后的时序吸光度作为输入，带入LSTM/TCN模型开展基于时序吸光度的单一气体浓度计算，以各组分气体真实浓度Ci(i＝1,2,…,n)作为输出。每个时刻吸光度值均通过LSTM/TCN中的基本运算单元开展计算，其输入为3个变量，分别为该时刻输入吸光度At、前一时刻传输到此时刻的状态传输量pt-1和ht-1。输出3个变量分别为对应时刻气体浓度值Ct、传递至下一时刻的状态传输量pt和ht。
本实施例中，RBF模型和LSTM/TCN模型分别在边缘端和云端运行，通过将混合气体各组分浓度计算模型分割为RBF模型计算和LSTM/TCN模型计算的方式，实现浓度计算模型拆分，以充分利用各节点计算资源，不容易使系统发生空闲或者过载的情况，也缩减了模型的训练时间。
在本申请的另一个实施例中，所述时序吸光度计算模型的训练步骤包括：
S41：将混合气体中各组分气体的修正的时序吸光度和所述各组分气体的已知时序吸光度输入所述时序吸光度计算模型中。
本实施例中，在训练时序吸光度模型时，首先在实验室中配比出已知浓度的混合气体，由于浓度是已知的，则每个组分的时序吸光度也是已知的，就是已知的时序吸光度，将混合气体输入对应的气体浓度传感器中，传感器测出各组分吸光度后进行修正，得到修正的时序吸光度，将各组分气体修正的时序吸光度和已知的时序吸光度输入时序吸光度计算模型中，对时序吸光度计算模型进行训练。
S42：所述时序吸光度计算模型根据所述各组分气体的修正的时序吸光度计算出各组分气体分离后的时序吸光度。
S43：通过对比所述各组分气体的分离后的时序吸光度和所述各组分气体的已知时序吸光度，对所述时序吸光度计算模型进行优化，得到训练好的时序吸光度计算模型。
本实施例中，时序吸光度模型根据各组分气体修正的时序吸光度计算出各组分气体分离后的时序吸光度，将计算出的各组分气体分离后的时序吸光度与预先输入的已知吸光度进行对比，得到差值，根据该差值调整模型的参数，经过多轮训练将模型的参数调整至最优，就得到了训练好的时序吸光度计算模型。
同理，对于气体浓度计算模型，将各组分气体分离后的时序吸光度以及对应的各组分气体浓度输入气体浓度计算模型中，气体浓度计算模型计算出个组分气体的浓度，和预先输入的各组分气体已知浓度进行对比，得到差值，根据该差值调整气体浓度计算模型的参数，经过多轮训练将参数调整至最优之后，得到训练好的气体浓度计算模型。
本实施例中，将气体浓度测量的任务分解为在边缘端测量时序吸光度，在云端计算气体浓度，在训练模型时也可以对两个模型同时进行训练，合理的分配了计算节点，节省了资源，缩短了模型训练所需的时间。
基于同一发明构思，本申请一实施例提供一种混合气体组分浓度计算装置。参考图5，图5是本申请一实施例提出的混合气体组分浓度计算装置500的示意图。如图5所示，该装置包括：
气体采集模块501，用于使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；
吸光度修正模块502，用于对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；
边缘计算模块503，用于所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；
云端计算模块504，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
可选地，所述吸光度修正模块包括：
扩散因数计算子模块，用于计算所述混合气体在所述气体浓度传感器的气室中的扩散因数；
时序吸光度计算子模块，用于用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度。
可选地，所述扩散因数计算子模块包括：
坐标系建立子模块，用于在所述气体浓度传感器的气室内建立笛卡尔坐标系；
坐标确定子模块，用于基于所述笛卡尔坐标系，得到红外光在所述传感器的气室内传播过程中不同位置处的坐标；
采样点设置子模块，用于按照一定间隔在所述红外光的光路上设置采样点；
浓度采样子模块，用一个根据所述混合气体在所述气室内的空间分布，结合所述采样点的坐标，得到采样点处的气体浓度；
扩散因数确定子模块，用于计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数。
可选地，所述坐标系建立子模块包括：
原点设置子模块，用于将所述气体浓度传感器的气室的入口设置为所述笛卡尔坐标系的原点；
第一坐标轴确定子模块，用于将所述混合气体在入口处的流速方向设置为所述笛卡尔坐标系的x轴的方向；
第二坐标轴确定子模块，用于将与所述笛卡尔坐标系的x轴的方向垂直的两个方向设置为所述笛卡尔坐标系的y轴和z轴的方向。
可选地，所述边缘端计算模块包括：
第一时序吸光度输入子模块，用于将所述各组分气体的修正的时序吸光度输入置于所述边缘端中的时序吸光度计算模型中；
时序吸光度计算子模块，用于通过所述时序吸光度计算模型对所述各组分气体的修正的时序吸光度进行计算，得到所述各组分气体分离后的时序吸光度。
可选地，所述云端计算模块包括：
第二时序吸光度输入子模块，用于将所述各组分气体分离后的时序吸光度输入所述云端中的气体浓度计算模型中；
气体浓度计算子模块，用于所述气体浓度计算模型根据所述各组分气体分离后的时序吸光度，计算得到所述混合气体中各组分气体的浓度。
可选地，所述时序吸光度计算模型的训练步骤包括：
将混合气体中各组分气体的修正的时序吸光度和所述各组分气体的已知时序吸光度输入所述时序吸光度计算模型中；
所述时序吸光度计算模型根据所述各组分气体的修正的时序吸光度计算出各组分气体分离后的时序吸光度；
通过对比所述各组分气体的分离后的时序吸光度和所述各组分气体的已知时序吸光度，对所述时序吸光度计算模型进行优化，得到训练好的时序吸光度计算模型。
基于同一发明构思，本申请另一实施例提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请上述任一实施例所述的混合气体组分浓度计算方法中的步骤。
基于同一发明构思，本申请另一实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请上述任一实施例所述的混合气体组分浓度计算方法中的步骤。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例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，本申请实施例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。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的混合气体组分浓度计算方法、装置、设备及存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种混合气体组分浓度计算方法，所述方法包括：
使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；
对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；
所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；
所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
2.根据权利要求1所述的方法，其特征在于，对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，包括：
计算所述混合气体在所述气体浓度传感器的气室中的扩散因数；
用所述混合气体中各组分气体的测量得到的时序吸光度分别除以所述扩散因数，得到所述各组分气体的修正的时序吸光度。
3.根据权利要求2所述的方法，其特征在于，计算所述混合气体在所述气体浓度传感器的气室中的扩散因数，包括：
在所述气体浓度传感器的气室内建立笛卡尔坐标系；
基于所述笛卡尔坐标系，得到红外光在所述传感器的气室内传播过程中不同位置处的坐标；
按照一定间隔在所述红外光的光路上设置采样点；
根据所述混合气体在所述气室内的空间分布，结合所述采样点的坐标，得到采样点处的气体浓度；
计算各个采样点处的气体浓度的平均值，用所述平均值除以所述气体浓度传感器的气室入口处的气体流量，得到所述扩散因数。
4.根据权利要求3所述的方法，其特征在于，在所述气体浓度传感器的气室内建立笛卡尔坐标系，包括：
将所述气体浓度传感器的气室的入口设置为所述笛卡尔坐标系的原点；
将所述混合气体在入口处的流速方向设置为所述笛卡尔坐标系的x轴的方向；
将与所述笛卡尔坐标系的x轴的方向垂直的两个方向设置为所述笛卡尔坐标系的y轴和z轴的方向。
5.根据权利要求1所述的方法，其特征在于，所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，包括：
将所述各组分气体的修正的时序吸光度输入置于所述边缘端中的时序吸光度计算模型中；
通过所述时序吸光度计算模型对所述各组分气体的修正的时序吸光度进行计算，得到所述各组分气体分离后的时序吸光度。
6.根据权利要求1所述的方法，其特征在于，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度，包括：
将所述各组分气体分离后的时序吸光度输入所述云端中的气体浓度计算模型中；
所述气体浓度计算模型根据所述各组分气体分离后的时序吸光度，计算得到所述混合气体中各组分气体的浓度。
7.根据权利要求5所述的方法，其特征在于，所述时序吸光度计算模型的训练步骤包括：
将混合气体中各组分气体的修正的时序吸光度和所述各组分气体的已知时序吸光度输入所述时序吸光度计算模型中；
所述时序吸光度计算模型根据所述各组分气体的修正的时序吸光度计算出各组分气体分离后的时序吸光度；
通过对比所述各组分气体的分离后的时序吸光度和所述各组分气体的已知时序吸光度，对所述时序吸光度计算模型进行优化，得到训练好的时序吸光度计算模型。
8.一种混合气体组分浓度计算装置，其特征在于，所述装置包括：
气体采集模块，用于使用气体浓度传感器采集混合气体，得所述混合气体中各组分气体的测量得到的时序吸光度；
吸光度修正模块，用于对所述各组分气体的吸光度进行修正，得到各组分气体的修正的时序吸光度，并将所述各组分气体的修正的时序吸光度传输至边缘端；
边缘计算模块，用于所述边缘端根据所述各组分气体的修正的时序吸光度进行计算，得到各组分气体分离后的时序吸光度，并将所述各组分气体分离后的时序吸光度传输至云端；
云端计算模块，所述云端根据所述各组分气体分离后的时序吸光度进行计算，得到所述混合气中体各组分气体的浓度。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1至7任一所述的方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948222.6A CN113758891B (zh) | 2021-08-18 | 2021-08-18 | 混合气体组分浓度计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948222.6A CN113758891B (zh) | 2021-08-18 | 2021-08-18 | 混合气体组分浓度计算方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113758891A true CN113758891A (zh) | 2021-12-07 |
| CN113758891B CN113758891B (zh) | 2022-06-03 |
Family
ID=78790227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110948222.6A Active CN113758891B (zh) | 2021-08-18 | 2021-08-18 | 混合气体组分浓度计算方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113758891B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115078662A (zh) * | 2022-07-22 | 2022-09-20 | 广东省农业科学院蚕业与农产品加工研究所 | 一种蔬果保鲜状态的智能分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7003405B1 (en) * | 2001-10-25 | 2006-02-21 | Sandia Corporation | Methods for characterizing subsurface volatile contaminants using in-situ sensors |
| CN102183468A (zh) * | 2011-02-23 | 2011-09-14 | 中国科学院安徽光学精密机械研究所 | 多组分气体分析的干扰修正与浓度反演方法 |
| CN105115859A (zh) * | 2015-07-29 | 2015-12-02 | 北京千安哲信息技术有限公司 | 用于监测泄漏气体扩散浓度的方法及装置 |
| US20180095028A1 (en) * | 2016-09-30 | 2018-04-05 | Ecotec Solutions, Inc. | Composition-independent calibration of nondispersive infrared gas sensors |
| US20190212259A1 (en) * | 2018-01-05 | 2019-07-11 | Infineon Technologies Ag | System and method for estimating a gas concentration |
| WO2021053804A1 (ja) * | 2019-09-19 | 2021-03-25 | 株式会社島津製作所 | ガス吸収分光装置、及びガス吸収分光方法 |
-
2021
- 2021-08-18 CN CN202110948222.6A patent/CN113758891B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7003405B1 (en) * | 2001-10-25 | 2006-02-21 | Sandia Corporation | Methods for characterizing subsurface volatile contaminants using in-situ sensors |
| CN102183468A (zh) * | 2011-02-23 | 2011-09-14 | 中国科学院安徽光学精密机械研究所 | 多组分气体分析的干扰修正与浓度反演方法 |
| CN105115859A (zh) * | 2015-07-29 | 2015-12-02 | 北京千安哲信息技术有限公司 | 用于监测泄漏气体扩散浓度的方法及装置 |
| US20180095028A1 (en) * | 2016-09-30 | 2018-04-05 | Ecotec Solutions, Inc. | Composition-independent calibration of nondispersive infrared gas sensors |
| US20190212259A1 (en) * | 2018-01-05 | 2019-07-11 | Infineon Technologies Ag | System and method for estimating a gas concentration |
| WO2021053804A1 (ja) * | 2019-09-19 | 2021-03-25 | 株式会社島津製作所 | ガス吸収分光装置、及びガス吸収分光方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙友文等: "NDIR多组分气体分析的干扰修正方法研究", 《光谱学与光谱分析》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115078662A (zh) * | 2022-07-22 | 2022-09-20 | 广东省农业科学院蚕业与农产品加工研究所 | 一种蔬果保鲜状态的智能分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113758891B (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spinelle et al. | Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2 | |
| CN102183468B (zh) | 多组分气体分析的干扰修正与浓度反演方法 | |
| Löhn et al. | A knowledge-based system for real-time validation of calibrations and measurements | |
| CN108956876B (zh) | 一种烟气在线连续监测系统的测量时延修正方法 | |
| CN113758891B (zh) | 混合气体组分浓度计算方法、装置、设备及存储介质 | |
| CN113219130A (zh) | 一种多参数气体传感器的校准方法及测试平台 | |
| CN108830253B (zh) | 筛选模型建立方法、光谱筛选装置及方法 | |
| CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
| CN116128260B (zh) | 基于数据样本的重点企业环境分析方法 | |
| CN113758890A (zh) | 一种气体浓度计算方法、装置、设备及存储介质 | |
| Takahama et al. | Analysis of functional groups in atmospheric aerosols by infrared spectroscopy: sparse methods for statistical selection of relevant absorption bands | |
| Tang et al. | On-line multi-component alkane mixture quantitative analysis using Fourier transform infrared spectrometer | |
| CN102353648A (zh) | 化肥成分检测方法 | |
| CN104458630B (zh) | 一种紫外差分气体分析仪的数据处理方法及系统 | |
| CN107576641B (zh) | 一种三维荧光光谱数据的分解方法及装置 | |
| CN112683836A (zh) | 基于bp神经网络的二氧化碳传感器的标定方法及其系统 | |
| CN105092523A (zh) | 一种基于近红外技术的水质中磷的检测 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
| CN106872397A (zh) | 一种基于已有校正模型快速检测农产品化学组分的方法 | |
| Zhang et al. | Effect of soil moisture and particle size on soil total phosphorus estimation by near-infrared spectroscopy. | |
| CN109596684A (zh) | 一种基于rs485网络的多组分气体检测装置及方法 | |
| CN112257017B (zh) | 标准化残差检验法一元线性逐点分析方法及系统和装置 | |
| CN113222268A (zh) | 一种基于多模式推理的烟草烘烤质量预测模型建立方法 | |
| WO2020107445A1 (zh) | 一种传感器的自动校准方法和系统 | |
| CN102636440A (zh) | 基于n-气体模型的建材燃烧产烟毒性定量评价方法及系统 |
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 |