CN113804595A - 一种多参数空气质量监测系统 - Google Patents

一种多参数空气质量监测系统 Download PDF

Info

Publication number
CN113804595A
CN113804595A CN202111077715.3A CN202111077715A CN113804595A CN 113804595 A CN113804595 A CN 113804595A CN 202111077715 A CN202111077715 A CN 202111077715A CN 113804595 A CN113804595 A CN 113804595A
Authority
CN
China
Prior art keywords
sensor
concentration
control module
prediction model
particulate matter
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
Application number
CN202111077715.3A
Other languages
English (en)
Other versions
CN113804595B (zh
Inventor
王刚
张福印
杜旭杰
李明辉
王金龙
王艺博
武传伟
魏君飞
任颜颜
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.)
Henan Snow City Soft Co ltd
Hanwei Electronics Group Corp
Original Assignee
Henan Snow City Soft Co ltd
Hanwei Electronics Group Corp
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 Henan Snow City Soft Co ltd, Hanwei Electronics Group Corp filed Critical Henan Snow City Soft Co ltd
Priority to CN202111077715.3A priority Critical patent/CN113804595B/zh
Publication of CN113804595A publication Critical patent/CN113804595A/zh
Application granted granted Critical
Publication of CN113804595B publication Critical patent/CN113804595B/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
    • 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
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means, e.g. by light scattering, diffraction, holography or imaging
    • G01N15/0211—Investigating a scatter or diffraction pattern
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G01N15/075—
    • 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

Abstract

本发明提供了一种多参数空气质量监测系统，采样泵抽取的待测空气样本经恒温装置，由SO2传感器、NO2传感器、O3传感器和CO传感器进行各自气体浓度测量，通过调理电路转换成相应的数字信号后，再传输至系统控制模块；采样头采集的待测空气样本经伴热管线，由颗粒物传感器进行颗粒物浓度测量，测量结果直接通过数据总线传输至系统控制模块；系统控制模块，把收到的数字信号，采用已建立的颗粒物浓度预测模型及SO2、NO2、CO、O3气体浓度预测模型，进行浓度预测获得检测结果，再传输至本地显示模块，或通过传输模块把本地数据直接上传至相应的平台进行数据二次处理和展示；还通过控制伴热控制模块和恒温控制模块。

Description

一种多参数空气质量监测系统
技术领域
本发明属于空气质量监测领域，具体涉及一种多参数空气质量监测系统。
背景技术
随着我国国民经济不断发展和城市化进程的加快，大量工业废气、工地扬尘以及化石燃料燃烧产生的污染物排放到大气中，造成严重的空气污染，制约着经济的可持续绿色发展。近年来，颗粒物污染和臭氧污染已成为影响我国城市空气质量的关键因素之一。随着大气污染防治工作逐渐向区县、园区等精细尺度延伸，网格化高密度监测的需求逐渐旺盛，低成本多参数空气质量监测系统与标准仪器监测系统相比，具有价格低廉、体积小等优点，通过密集布点的模式，可以获得更高时空分辨率的污染分布特征，成为标准监测方法的补充。
然而，由于传感器与标准仪器之间的对比工作还不够完善，对于具体的用户来说，传感器数据的可信度有待考证。另外，网格化布设的多参数空气质量监测系统大多工作在室外，环境因素是一个影响很大的变量，进而导致传感器在室外测试中的效果往往不太理想。
目前，基于机器学习的算法被应用于一些地区的空气质量数值预报，使得数据订正结果得到明显改善，也为低成本多参数空气质量监测系统的性能改善提供了参考。当前，常用的非线性多项式模型补偿技术只研究了单一参数，没有直接应用于多参数监测系统中；其他的主流建模方法还包括神经网络法，如BP神经网络、模糊神经网络，虽然获得了较好的效果，但是仍然存在学习速度慢，容易陷入局部最优解及在不同场合参数调整复杂等缺点。
发明内容
本发明的目的是针对现有技术的不足，提供一种多参数空气质量监测系统，具体方案如下：
本发明提供一种多参数空气质量监测系统，包括采样泵、恒温装置、SO2传感器、NO2传感器、O3传感器、CO传感器、调理电路、采样头、伴热管线、颗粒物传感器、系统控制模块和传输模块；
采样泵抽取的待测空气样本经恒温装置，由SO2传感器、NO2传感器、O3传感器和CO传感器进行各自气体浓度测量，通过调理电路转换成相应的数字信号后，再传输至系统控制模块；
采样头采集的待测空气样本经伴热管线，由颗粒物传感器进行颗粒物浓度测量，测量结果直接通过数据总线传输至系统控制模块；
系统控制模块，把收到的数字信号，采用已建立的颗粒物浓度预测模型及SO2、NO2、CO、O3气体浓度预测模型，进行浓度预测获得检测结果，再传输至本地显示模块，或通过传输模块把本地数据直接上传至相应的平台进行数据二次处理和展示；还通过控制伴热控制模块和恒温控制模块，以保证伴热管线和恒温装置的温度稳定性；
将A0.5、A1.0、A2.5、A5.0、A10.0作为pm 2.5和pm 10浓度贡献的自变量，PM2.5和PM10.0为因变量，颗粒物浓度预测模型(1)：
Figure BDA0003262645250000021
式中，
Figure BDA0003262645250000022
是对应的浓度系数，B2.5和B10.0表示求解pm 2.5和pm 10浓度时的常数项；
SO2、NO2、CO、O3气体浓度预测模型(2)：
Figure BDA0003262645250000031
式中，
Figure BDA0003262645250000032
表示对应的浓度系数；
Figure BDA0003262645250000033
A′CO和
Figure BDA0003262645250000034
分别表示对应的传感器输出结果；
Figure BDA0003262645250000035
BCO和
Figure BDA0003262645250000036
分别表示对应的常数项；
根据历史监测数据与标准数据，采用偏最小回归算法，计算颗粒物浓度预测模型(1)对应的浓度系数和常数项，以及SO2、NO2、CO、O3气体浓度预测模型(2)对应的浓度系数和常数项。
基于上述，颗粒物浓度预测模型(3)：
Figure BDA0003262645250000037
SO2、NO2、CO、O3气体浓度预测模型(4)：
Figure BDA0003262645250000038
基于上述，所述颗粒物传感器是基于光散射原理进行浓度检测的传感器；所述SO2传感器、所述NO2传感器、所述O3传感器和所述CO传感器是基于电化学原理进行浓度检测的传感器。
基于上述，所述传输模块为光纤通信模块、ZigBee通信模块、4G通信模块或5G通信模块。
本发明相对现有技术具有突出的实质性特点和显著的进步，具体的说：本发明系统采用偏最小二乘回归法，建立颗粒物传感器不同粒径输出与颗粒物浓度PM2.5和PM10之间的关系模型，建立气体传感器输出与气体污染物浓度之间的关系模型，并对模型的参数估计进行逼近，得到最优模型。建模过程简单方便，具有较好的操作性。
附图说明
图1是本发明多参数空气质量监测系统的框图。
图2-1和图2-2是颗粒物浓度标准仪器测量结果与预测结果的时序图。
图3-1和图3-2是标准设备测得PM颗粒物浓度和本监测系统测得浓度对比图。
图4-1至图4-4是四气体浓度标准仪器测量结果与预测结果的时序图。
图5-1至图5-4是标准设备测得气体污染物浓度和本监测系统测得浓度对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚完整的描述，但本发明并不限于这些实施方式：
实施例1
如图1所示，本实施例提供一种多参数空气质量监测系统，包括采样泵、恒温装置、SO2传感器、NO2传感器、O3传感器、CO传感器、调理电路、采样头、伴热管线、颗粒物传感器、系统控制模块和传输模块；
采样泵抽取的待测空气样本经恒温装置，由SO2传感器、NO2传感器、O3传感器和CO传感器进行各自气体浓度测量，通过调理电路转换成相应的数字信号后，再传输至系统控制模块；
采样头采集的待测空气样本经伴热管线，由颗粒物传感器进行颗粒物浓度测量，测量结果直接通过数据总线传输至系统控制模块；
系统控制模块，把收到的数字信号，采用已建立的颗粒物浓度预测模型及SO2、NO2、CO、O3气体浓度预测模型，进行浓度预测获得检测结果，再传输至本地显示模块，或通过传输模块把本地数据直接上传至相应的平台进行数据二次处理和展示；还通过控制伴热控制模块和恒温控制模块，以保证伴热管线和恒温装置的温度稳定性；
将A0.5、A1.0、A2.5、A5.0、A10.0作为pm 2.5和pm 10浓度贡献的自变量，PM2.5和PM10.0为因变量，所采用的颗粒物传感器，可以同时输出0.3-10μm粒径范围的颗粒物数量，主要原因是小于0.3μm的颗粒物不能散射足够的光强而无法用光度计测量到，而大于10.0μm的颗粒物由于很难进入光感应区而难以被测量，因此，将不同范围粒径数的颗粒物按表1进行分类；
表1颗粒物传感器粒径输出分类
Figure BDA0003262645250000051
颗粒物浓度预测模型(1)：
Figure BDA0003262645250000052
式中，
Figure BDA0003262645250000053
是对应的浓度系数，B2.5和B10.0表示求解pm 2.5和pm 10浓度时的常数项；
SO2、NO2、CO、O3气体浓度预测模型(2)：
Figure BDA0003262645250000054
式中，
Figure BDA0003262645250000061
表示对应的浓度系数；
Figure BDA0003262645250000062
A′CO和
Figure BDA0003262645250000063
分别表示对应的传感器输出结果；
Figure BDA0003262645250000064
BCO和
Figure BDA0003262645250000065
分别表示对应的常数项；
根据历史监测数据与标准数据，采用偏最小回归算法，计算颗粒物浓度预测模型(1)对应的浓度系数和常数项，以及SO2、NO2、CO、O3气体浓度预测模型(2)对应的浓度系数和常数项。
具体的，颗粒物浓度预测模型(3)：
Figure BDA0003262645250000066
SO2、NO2、CO、O3气体浓度预测模型(4)：
Figure BDA0003262645250000067
本监测系统中，所述颗粒物传感器是基于光散射原理进行浓度检测的传感器，即空气中的颗粒物进入传感器之后在激光光源的照射下会发生散射，然后利用光度计来测量颗粒物散射出来的光强，通过从散射光获得的信号使用算法来对可检测颗粒进行粒径分离，转换成需要的计量单位。所述SO2传感器、所述NO2传感器、所述O3传感器和所述CO传感器是基于电化学原理进行浓度检测的传感器。所述传输模块为光纤通信模块、ZigBee通信模块、4G通信模块或5G通信模块。
实验分析
使用本监测系统测得监测地点T时间段内的PM2.5、PM10、CO、SO2、NO2、O3数据，同时采用标准方法的标准仪器得到相应数据。为了便于对比，本监测系统和标准设备的时间间隔都是5分钟。
通过回归的方法，将本监测系统得到的各个监测因子的数据与标准仪器的数据进行线性拟合，得到决定系数R2。R2反映拟合度，越接近1，则表示测量效果越好。另外，还可以通过均方根误差(RMSE)来评价数据本身的质量；
Figure BDA0003262645250000071
式中，yi,p和yi分别为系统监测的第i个数据与标准仪器第i个数据。
根据颗粒物浓度预测模型(3)，监测地点T时间段内，标准仪器测量结果与本监测系统的预测结果时序图如图2-1和图2-2所示。其中MIPM2.5与MIPM10分别表示标准仪器测量的PM2.5和PM10浓度结果；预测PM2.5与预测PM10分别表示本监测系统测量的PM2.5和PM10浓度结果。可以发现预测结果与标准结果的测量结果差值均小于20μg/m3。标准设备测量结果与预测结果的均方根误差分别为11.64μg/m3和13.35μg/m3；其决定系数R2如图3-1和图3-2所示，分别为0.8387和0.8031。
根据SO2、NO2、CO、O3气体浓度预测模型(4)，监测地点T时间段内，标准仪器测量结果与本监测系统的预测结果时序图如图4-1至图4-4所示。其中SO2、NO2、CO和O3分别表示标准仪器测量的相应四气体的浓度结果；预测SO2、预测NO2、预测CO和预测O3分别表示本监测系统测量的相应四气体的浓度结果。可以发现预测结果与标准结果的趋势变化是比较一致的。标准设备测量结果与预测结果的均方根误差分别为：2.77μg/m3、15.67μg/m3、0.11mg/m3和28.83mg/m3；其决定系数R2如图5-1至图5-4所示，分别为0.2178、0.4479、0.5715和0.3537。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (4)

1.一种多参数空气质量监测系统，其特征在于：包括采样泵、恒温装置、SO2传感器、NO2传感器、O3传感器、CO传感器、调理电路、采样头、伴热管线、颗粒物传感器、系统控制模块和传输模块；
采样泵抽取的待测空气样本经恒温装置，由SO2传感器、NO2传感器、O3传感器和CO传感器进行各自气体浓度测量，通过调理电路转换成相应的数字信号后，再传输至系统控制模块；
采样头采集的待测空气样本经伴热管线，由颗粒物传感器进行颗粒物浓度测量，测量结果直接通过数据总线传输至系统控制模块；
系统控制模块，把收到的数字信号，采用已建立的颗粒物浓度预测模型及SO2、NO2、CO、O3气体浓度预测模型，进行浓度预测获得检测结果，再传输至本地显示模块，或通过传输模块把本地数据直接上传至相应的平台进行数据二次处理和展示；还通过控制伴热控制模块和恒温控制模块，以保证伴热管线和恒温装置的温度稳定性；
将A0.5、A1.0、A2.5、A5.0、A10.0作为pm 2.5和pm 10浓度贡献的自变量，PM2.5和PM10.0为因变量，颗粒物浓度预测模型(1)：
Figure FDA0003262645240000011
式中，
Figure FDA0003262645240000012
是对应的浓度系数，B2.5和B10.0表示求解pm 2.5和pm 10浓度时的常数项；
SO2、NO2、CO、O3气体浓度预测模型(2)：
Figure FDA0003262645240000013
式中，
Figure FDA0003262645240000021
表示对应的浓度系数；
Figure FDA0003262645240000022
A′CO和
Figure FDA0003262645240000023
分别表示对应的传感器输出结果；
Figure FDA0003262645240000024
BCO和
Figure FDA0003262645240000025
分别表示对应的常数项；
根据历史监测数据与标准数据，采用偏最小回归算法，计算颗粒物浓度预测模型(1)对应的浓度系数和常数项，以及SO2、NO2、CO、O3气体浓度预测模型(2)对应的浓度系数和常数项。
2.根据权利要求1所述的多参数空气质量监测系统，其特征在于，颗粒物浓度预测模型(3)：
Figure FDA0003262645240000026
SO2、NO2、CO、O3气体浓度预测模型(4)：
Figure FDA0003262645240000027
3.根据权利要求1所述的多参数空气质量监测系统，其特征在于：所述颗粒物传感器是基于光散射原理进行浓度检测的传感器；所述SO2传感器、所述NO2传感器、所述O3传感器和所述CO传感器是基于电化学原理进行浓度检测的传感器。
4.根据权利要求1所述的多参数空气质量监测系统，其特征在于：所述传输模块为光纤通信模块、ZigBee通信模块、4G通信模块或5G通信模块。
CN202111077715.3A 2021-09-15 2021-09-15 一种多参数空气质量监测系统 Active CN113804595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111077715.3A CN113804595B (zh) 2021-09-15 2021-09-15 一种多参数空气质量监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111077715.3A CN113804595B (zh) 2021-09-15 2021-09-15 一种多参数空气质量监测系统

Publications (2)

Publication Number Publication Date
CN113804595A true CN113804595A (zh) 2021-12-17
CN113804595B CN113804595B (zh) 2024-04-05

Family

ID=78940875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111077715.3A Active CN113804595B (zh) 2021-09-15 2021-09-15 一种多参数空气质量监测系统

Country Status (1)

Country Link
CN (1) CN113804595B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414736A (zh) * 2021-12-27 2022-04-29 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070180936A1 (en) * 2006-02-07 2007-08-09 Yousheng Zeng Comprehensive particulate matter measurement system and method for using the same
CN105184012A (zh) * 2015-09-28 2015-12-23 宁波大学 一种区域空气pm2.5浓度预测方法
CN105868559A (zh) * 2016-03-29 2016-08-17 北京师范大学 一种大气颗粒物质量浓度的拟合方法
WO2016129715A1 (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
CN111289414A (zh) * 2020-03-12 2020-06-16 徐州工业职业技术学院 Pm2.5污染监测与预测方法
CN112378828A (zh) * 2020-12-11 2021-02-19 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN112732691A (zh) * 2021-01-07 2021-04-30 云南电网有限责任公司电力科学研究院 一种基于多种模型对比的大气环境预测方法
KR20210086326A (ko) * 2019-12-31 2021-07-08 한국환경정책평가연구원 지역별 미세먼지 농도 예측방법 및 시스템

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070180936A1 (en) * 2006-02-07 2007-08-09 Yousheng Zeng Comprehensive particulate matter measurement system and method for using the same
WO2016129715A1 (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
CN105184012A (zh) * 2015-09-28 2015-12-23 宁波大学 一种区域空气pm2.5浓度预测方法
CN105868559A (zh) * 2016-03-29 2016-08-17 北京师范大学 一种大气颗粒物质量浓度的拟合方法
KR20210086326A (ko) * 2019-12-31 2021-07-08 한국환경정책평가연구원 지역별 미세먼지 농도 예측방법 및 시스템
CN111289414A (zh) * 2020-03-12 2020-06-16 徐州工业职业技术学院 Pm2.5污染监测与预测方法
CN112378828A (zh) * 2020-12-11 2021-02-19 中科三清科技有限公司 基于卫星遥感数据反演大气细颗粒物浓度的方法及装置
CN112732691A (zh) * 2021-01-07 2021-04-30 云南电网有限责任公司电力科学研究院 一种基于多种模型对比的大气环境预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUSTIN SHEN 等: "Prophet forecasting model: a machine learning approach to predict the concentration of air pollutants (PM2.5, PM10, O3, NO2, SO2, CO) in Seoul, South Korea", PEERJ, pages 1 - 18 *
崔淑华 等: "城市主要气体污染物与PM2.5相关性建模分析", 森林工程, vol. 32, no. 02, pages 65 - 69 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414736A (zh) * 2021-12-27 2022-04-29 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式
CN114414736B (zh) * 2021-12-27 2024-04-30 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式

Also Published As

Publication number Publication date
CN113804595B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN101033989B (zh) 环境监测装置及方法
CN102654286B (zh) 智能动态燃烧气氛控制仪
EP2430465B1 (en) Particulate detection and calibration of sensors
CN104360667B (zh) 一种污染源在线监控平台及污染源监控数据防造假方法
CN201335967Y (zh) 一种工业烟尘、烟气排放在线监测系统
CN105675801A (zh) 一种烟气排放连续监测系统
CN105334147A (zh) 基于β射线法和光散射法的颗粒物在线监测系统及方法
CN111289697B (zh) Cems运行状态监控与数据作假识别方法及系统
CN116128260B (zh) 基于数据样本的重点企业环境分析方法
CN202994770U (zh) 一种烟气连续监测系统
CN109992740A (zh) 一种基于数据库计算污染源实际排放水平的方法
CN113804595B (zh) 一种多参数空气质量监测系统
Mathur et al. High resolution air pollution mapping using wireless sensor nodes
CN205002802U (zh) 一种在线监测大气污染物系统
CN110610295B (zh) 资源环境负荷数据通用集成采集系统及方法
Andria et al. Model characterization in measurements of environmental pollutants via data correlation of sensor outputs
CN108572146A (zh) 烟气污染物自动监测方法以及监测系统
CN205157388U (zh) 基于β射线法和光散射法的颗粒物在线监测系统
CN207410366U (zh) 大气网格化精准监控系统
CN204832021U (zh) 基于工控机数据采集的可燃气体探测器在线检测控制系统
CN110322015B (zh) 车检数据生成方法
Yang et al. Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system
CN111398114A (zh) 一种基于光散射原理的细颗粒物检测装置及方法
CN110514566A (zh) 一种新型烟尘测量装置和方法
Kavitha et al. Development of an IOT-Based Atmospheric Fine Dust Monitoring System

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