CN114414736A - 一种人工智能空气质量检测装置及检测方式 - Google Patents
一种人工智能空气质量检测装置及检测方式 Download PDFInfo
- Publication number
- CN114414736A CN114414736A CN202111625079.3A CN202111625079A CN114414736A CN 114414736 A CN114414736 A CN 114414736A CN 202111625079 A CN202111625079 A CN 202111625079A CN 114414736 A CN114414736 A CN 114414736A
- Authority
- CN
- China
- Prior art keywords
- data
- air quality
- air
- module
- quality detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 206
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 28
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 25
- 239000001569 carbon dioxide Substances 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 230000006698 induction Effects 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 5
- 239000000443 aerosol Substances 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000000034 method Methods 0.000 description 4
- 239000012855 volatile organic compound Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000001299 aldehydes Chemical class 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 150000001336 alkenes Chemical class 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 150000001555 benzenes Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 150000008282 halocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013598 vector Substances 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
- G01N33/0062—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
-
- 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
- G01N33/0073—Control unit therefor
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开一种人工智能空气质量检测装置及检测方式，涉及空气检测技术领域。该装置包括空气质量检测模块用于空气质量检测；数据分析模块用于根据过往空气质量数据进行机械学习来预测当前空气质量数据；控制模块根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令。通过数据分析模块来根据过往空气质量数据进行机械学习来预测当前空气质量数据，以便控制模块给空气质量检测模块发送是否检测的指令，达到利用人工智能来合理安排检测取样方式的目的，这样既满足了数据准确性与可靠性，又大大减少无效的，严重重复的，不必要的检测行为，降低仪器耗电，增加内置电池工作与待机时间，又大大的延长了检测装置的使用寿命。
Description
技术领域
本发明涉及空气检测技术领域，尤其涉及一种人工智能空气质量检测装置及检测方式。
背景技术
随着热门生活质量不断提高，人民对日常生活，工作，出行时环境的空气质量也有了越来越高的要求，因而出现了各式各样的固定式便携式空气质量检测仪(或空气质量检测设备)，这些仪器或设备都是采用固定的检测时间间隔，且这种检测时间间隔很短(一般几秒或十几秒一次)，这种检测控制方式导致检测到大量无效数据，使得检测模块长期无效工作，白白浪费检测模块有限的使用寿命(次数)，与有限的存储空间。同时，如果是使用可充电电池的便携式检测设备，则导致耗电大，内置电池能量很快消耗殆尽，检测仪器或设备无法工作。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种人工智能空气质量检测装置及检测方式，利用人工智能来合理安排检测取样方式，既满足了数据准确性与可靠性，又大大减少无效的，严重重复的，不必要的检测行为，降低仪器耗电，增加内置电池工作与待机时间，又大大的延长了检测装置的使用寿命。
根据本发明的第一个方面，提供了人工智能空气质量检测装置，包括空气质量检测模块、数据分析模块和控制模块；
空气质量检测模块与控制模块连接，空气质量检测模块用于空气质量检测，并将检测到的空气质量数据发送给控制模块；
数据分析模块与控制模块连接，数据分析模块用于根据过往空气质量数据进行机械学习来预测当前空气质量数据；
控制模块根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令。
本发明的人工智能空气质量检测装置，通过数据分析模块来根据过往空气质量数据进行机械学习来预测当前空气质量数据，以便控制模块根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令，达到利用人工智能来合理安排检测取样方式的目的，这样既满足了数据准确性与可靠性，又大大减少无效的，严重重复的，不必要的检测行为，降低仪器耗电，增加内置电池工作与待机时间，又大大的延长了检测装置的使用寿命。
在一些实施方式中，数据分析模块包括数据集模块、分组模块、函数模块和预测模块；
数据集模块用于将过往空气质量数据上传成数据集；
分组模块计算数据集的平均值，并将数据集中大于平均值加第一预设值或低于平均值减第二预设值的数据分为特例数据，第一预设时间段内波动小于预设值的分为无效数据，其余分为有效数据；
函数模块根据特例数据、无效数据和有效数据构建线性模型，并根据线性模型得出预测函数，预测函数用于将数据集中的数据分类为特例数据、无效数据和有效数据；
预测模块用于根据预测函数来预测当前空气质量数据。
在一些实施方式中，当预测模块预测当前空气质量数据为有效数据时，则控制模块控制空气质量检测模块进行空气质量检测；当预测模块预测当前空气质量数据为特例数据或无效数据时，则控制模块控制空气质量检测模块延迟第二预设时间后再进行空气质量检测。
在一些实施方式中，还包括感应模块，感应模块与控制模块连接，感应模块用于感应探测区域内是否有人和/或车辆活动，并将感应数据发送给控制模块；
数据分析模块用于根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；
当预测当前有人和/或车辆活动时，则控制模块控制空气质量检测模块进行空气质量检测；当预测当前没有人和/或车辆活动时，则所述控制模块控制空气质量检测模块延迟第三预设时间后再进行空气质量检测。
在一些实施方式中，空气质量检测模块包括温度检测模块和/或湿度检测模块和/或二氧化碳检测模块和/或TVOC有害气体检测模块和/或空气悬浮微粒检测模块；
温度检测模块用于空气中温度检测，并将检测到的空气温度数据发送给控制模块；
湿度检测模块用于空气中湿度检测，并将检测到的空气湿度数据发送给控制模块；
二氧化碳检测模块用于空气中二氧化碳浓度检测，并将检测到的空气中二氧化碳浓度数据发送给控制模块；
TVOC有害气体检测模块用于检测空气中有害气体浓度，并将检测到的数据发送给控制模块；
空气悬浮微粒检测模块用于检测空气中空气悬浮微粒浓度，并将检测到的数据发送给控制模块；
数据分析模块根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。
根据本发明的第二个方面，提供一种人工智能空气质量检测方法，该人工智能空气质量检测方法用于控制上述的人工智能空气质量检测装置，包括：
空气质量检测模块检测空气质量数据；
根据过往空气质量数据进行机械学习来预测当前空气质量数据；
根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令。
在一些实施方式中，根据过往空气质量数据进行机械学习来预测当前空气质量数据包括：
将过往空气质量数据上传成数据集；
计算数据集的平均值，并将数据集中大于平均值加第一预设值或低于平均值减第二预设值的数据分为特例数据，预设时间段内波动小于预设值的分为无效数据，其余分为有效数据；
根据特例数据、无效数据和有效数据构建线性模型，并根据线性模型得出预测函数，预测函数用于将数据集中的数据分类为特例数据、无效数据和有效数据；
根据预测函数来预测当前空气质量数据。
在一些实施方式中，当预测当前空气质量数据为有效数据时，则空气质量检测模块进行空气质量检测；当预测当前空气质量数据为特例数据或无效数据时，则空气质量检测模块延迟第一预设时间后再进行空气质量检测。
在一些实施方式中，还包括：感应探测区域内是否有人和/或车辆活动，形成感应数据；
根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；
当预测当前有人和/或车辆活动时，则控制空气质量检测模块进行空气质量检测；当预测当前没有人和/或车辆活动时，则控制空气质量检测模块延迟第二预设时间后再进行空气质量检测。
在一些实施方式中，根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。
与现有技术相比，本发明的人工智能空气质量检测装置及检测方式，通过数据分析模块来根据过往空气质量数据进行机械学习来预测当前空气质量数据，以便控制模块根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令，达到利用人工智能来合理安排检测取样方式的目的，这样既满足了数据准确性与可靠性，又大大减少无效的，严重重复的，不必要的检测行为，降低仪器耗电，增加内置电池工作与待机时间，又大大的延长了检测装置的使用寿命。
附图说明
图1为本发明一实施方式的人工智能空气质量检测装置的整体结构组成示意图；
图2为本发明一实施方式的数据分析模块的组成示意图；
图3为本发明一实施方式的人工智能空气质量检测方法的流程图；
图4为本发明一实施方式的数据分析模块的数据处理过程的流程图；
图5为本发明另一实施方式的人工智能空气质量检测方法的流程图。
附图标号说明：空气质量检测模块100，温度检测模块110，湿度检测模块120，二氧化碳检测模块130，TVOC有害气体检测模块140，空气悬浮微粒检测模块150，PM10检测模块151，PM2.5检测模块152，PM1.0检测模块153，数据分析模块200，数据集模块210，分组模块220，函数模块230，预测模块240，控制模块300，感应模块400，振动感应模块410，红外感应模块420，微波感应模块430，数据存储模块500，数据传输模块600，云端服务器700，网络搜索模块800，时间模块900。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
图1-2示意性地显示了根据本发明的一种实施方式的人工智能空气质量检测装置。如图1-2所示，该人工智能空气质量检测装置包括空气质量检测模块100、数据分析模块200和控制模块300；其中，空气质量检测模块100与控制模块300连接，空气质量检测模块100用于空气质量检测，并将检测到的空气质量数据发送给控制模块300；数据分析模块200与控制模块300连接，数据分析模块200用于根据过往空气质量数据进行机械学习来预测当前空气质量数据；控制模块300根据预测当前空气质量数据，给空气质量检测模块100发送是否检测的指令。通过数据分析模块200来根据过往空气质量数据进行机械学习来预测当前空气质量数据，以便控制模块300根据预测当前空气质量数据，给空气质量检测模块100发送是否检测的指令，达到利用人工智能来合理安排检测取样方式的目的，这样既满足了数据准确性与可靠性，又大大减少无效的，严重重复的，不必要的检测行为，降低仪器耗电，增加内置电池工作与待机时间，又大大的延长了检测装置的使用寿命。
利用机械学习中的K-means算法计算点和每个组中心之间的距离将每个数据点进行分类，然后将这个点心类为接近它的组。基于这些分类点，我们通过取组中所有向量的均值来重新计算组中心。对一组迭代重复这些步骤。你还可以选择随机初始化组中心几次，然后选择那些看起来对它提供了最好的结果的来运行。再利用机械学习中的线性回归分析以及分类算法实现机器自主学习功能并可对未来时间做预测。
数据分析模块200包括数据集模块210、分组模块220、函数模块230和预测模块240；其中，数据集模块210用于将过往空气质量数据上传成数据集；分组模块220计算数据集的平均值，并将数据集中大于平均值加第一预设值(即数据突然过高于平均值，其中，第一预设值为过高于平均值多少的判断值)或低于平均值减第二预设值(即数据突然过低于平均值，其中，第二预设值为过低于平均值多少的判断值)的数据分为特例数据，第一预设时间段内波动小于预设值(即长时间波动小的数据，其中，第一预设时间值为判断值)的分为无效数据，其余分为有效数据；函数模块230根据特例数据、无效数据和有效数据构建线性模型，并根据线性模型得出预测函数，预测函数用于将数据集中的数据分类为特例数据、无效数据和有效数据；预测模块240用于根据预测函数来预测当前空气质量数据。其中，得到预测函数可采用的方法为Logistic Regression(逻辑回归)，Logistic Regression最常见的应用场景就是预测概率，具体为根据空气质量检测模块100检测到的多个不同的空气质量数据来得出空气质量的好坏。根据这组数据的值来计算得分，对空气质量的特征(x0,x1,x2…,xn)计算得到
当预测模块240预测当前空气质量数据为有效数据时，则控制模块300控制空气质量检测模块100进行空气质量检测；当预测模块240预测当前空气质量数据为特例数据或无效数据时，则控制模块300控制空气质量检测模块100延迟第二预设时间(第二预设时间值为时间延迟值)后再进行空气质量检测。根据变化的大小，频繁程度等情况(根据最终聚类分析当某数据被归入哪一类便进行对应指令，比如当数据与需要检测类(有效数据)归类便开始检测，若数据被归入特例或无效数据则再一段时间后再次检测。)，对检测装置做出在各种场合下的检测任务指令。
空气质量检测模块100包括温度检测模块110和/或湿度检测模块120和/或二氧化碳检测模块130和/或TVOC有害气体检测模块140和/或空气悬浮微粒检测模块150；其中，温度检测模块110用于空气中温度检测，并将检测到的空气温度数据发送给控制模块300；湿度检测模块120用于空气中湿度检测，并将检测到的空气湿度数据发送给控制模块300；二氧化碳检测模块130用于空气中二氧化碳浓度检测，并将检测到的空气中二氧化碳浓度数据发送给控制模块300；TVOC有害气体检测模块140用于检测空气中有害气体浓度，并将检测到的数据发送给控制模块300；空气悬浮微粒检测模块150用于检测空气中空气悬浮微粒浓度，并将检测到的数据发送给控制模块300；数据分析模块200根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。其中，TVOC是总挥发性有机化合物；室内空气品质的研究人员通常把他们采样分析的室内有机气态物质称为VOC，它是VolatileOrganicCompound三个词第一个字母的缩写，各种被测量的VOC被总称为总挥发性有机物TVOC；TVOC分为苯类、烷类、芳烃类、烯类、卤烃类、酯类、醛类、酮类和其他。
空气悬浮微粒检测150模块包括PM10检测模块151和/或PM2.5检测模块152和/或PM1.0检测模块153；其中，PM10检测模块151与控制模块300连接，PM10检测模块151用于检测空气中PM10空气悬浮微粒浓度，并将检测到的数据发送给控制模块300；PM2.5检测模块152与控制模块300连接，PM2.5检测模块152用于检测空气中PM2.5空气悬浮微粒浓度，并将检测到的数据发送给控制模块300；PM1.0检测模块153与控制模块300连接，PM1.0检测模块153用于检测空气中PM1.0空气悬浮微粒浓度，并将检测到的数据发送给控制模块300。
在其他实施例中，该人工智能空气质量检测装置还包括感应模块400，感应模块400与控制模块300连接，感应模块400用于感应探测区域内是否有人和/或车辆活动，并将感应数据发送给控制模块300；数据分析模块200用于根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；当预测当前有人和/或车辆活动时，则控制模块300控制空气质量检测模块100进行空气质量检测；当预测当前没有人和/或车辆活动时，则所述控制模块300控制空气质量检测模块100延迟第三预设时间(第三预设时间值为时间延迟值)后再进行空气质量检测。还可根据人流活动来对检测装置做出在各种场合下的检测任务指令。
感应模块400包括振动感应模块410和/或红外感应模块420和/或微波感应模块430；其中，振动感应模块410与控制模块300连接，振动感应模块410用于感应探测区域内是否有人人为拿起或移动检测装置和/或车辆是否已进入行驶状态，并将感应数据发送给控制模块300；红外感应模块420与控制模块300连接，红外感应模块420用于感应探测区域内是否有人活动，并将感应数据发送给控制模块300；微波感应模块430与控制模块300连接，微波感应模块430用于感应探测区域内是否有人存在，并将感应数据发送给控制模块300。
在其他实施例中，该人工智能空气质量检测装置还包括数据存储模块500，数据存储模块500与控制模块300连接，数据存储模块500用于存储控制模块300接收到的数据。
在其他实施例中，该人工智能空气质量检测装置还包括数据传输模块600，数据传输模块600与数据存储模块500连接，数据传输模块600用于将数据存储模块500存储的数据传输给云端服务器700。
在其他实施例中，该人工智能空气质量检测装置还包括网络搜索模块800，网络搜索模块800与云端服务器700连接，网络搜索模块800用于搜索和/或下载人工智能所需的数据，在通过云端服务器700传输给数据分析模块200。
在其他实施例中，该人工智能空气质量检测装置还包括时间模块900，时间模块900与控制模块300电连接，时间模块900用于计量当前时间、空气质量检测模块100检测时间、空气质量检测模块100检测时间间隔和人工检查数据时间，并将相关数据发送给控制模块300。时间模块900可控制各个检测模块开启时间。
图3-4示意性地显示了根据本发明的一种实施方式的人工智能空气质量检测方法，该人工智能空气质量检测方法用于控制上述的人工智能空气质量检测装置，包括：
S100：空气质量检测模块检测空气质量数据；
其中，空气质量数据至少包括空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的一个。
S200：根据过往空气质量数据进行机械学习来预测当前空气质量数据；
其中，根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。
步骤S200：根据过往空气质量数据进行机械学习来预测当前空气质量数据包括：
S210：将过往空气质量数据上传成数据集；
S220：计算数据集的平均值，并将数据集中大于平均值加第一预设值或低于平均值减第二预设值的数据分为特例数据，预设时间段内波动小于预设值的分为无效数据，其余分为有效数据；
S230：根据特例数据、无效数据和有效数据构建线性模型，并根据线性模型得出预测函数，预测函数用于将数据集中的数据分类为特例数据、无效数据和有效数据；
S240：根据预测函数来预测当前空气质量数据。
S300：根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令；
其中，对于步骤S300：根据预测当前空气质量数据，给空气质量检测模块发送是否检测的指令具体为：
S310：当预测当前空气质量数据为有效数据时，则空气质量检测模块进行空气质量检测；当预测当前空气质量数据为特例数据或无效数据时，则空气质量检测模块延迟第一预设时间后再进行空气质量检测。
在其他实施例中，如图5所示，该人工智能空气质量检测方法还包括：
S400：感应探测区域内是否有人和/或车辆活动，形成感应数据；
S500：根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；
S600：当预测当前有人和/或车辆活动时，则控制空气质量检测模块进行空气质量检测；当预测当前没有人和/或车辆活动时，则控制空气质量检测模块延迟第二预设时间后再进行空气质量检测。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (10)
1.一种人工智能空气质量检测装置，其特征在于，包括：
空气质量检测模块，所述空气质量检测模块与控制模块连接，所述空气质量检测模块用于空气质量检测，并将检测到的所述空气质量数据发送给所述控制模块；
数据分析模块，所述数据分析模块与所述控制模块连接，所述数据分析模块用于根据过往空气质量数据进行机械学习来预测当前空气质量数据；
所述控制模块，所述控制模块根据所述预测当前空气质量数据，给所述空气质量检测模块发送是否检测的指令。
2.根据权利要求1所述的人工智能空气质量检测装置，其特征在于，所述数据分析模块包括：
数据集模块，所述数据集模块用于将过往所述空气质量数据上传成数据集；
分组模块，所述分组模块计算所述数据集的平均值，并将所述数据集中大于平均值加第一预设值或低于平均值减第二预设值的数据分为特例数据，第一预设时间段内波动小于预设值的分为无效数据，其余分为有效数据；
函数模块，所述函数模块根据所述特例数据、所述无效数据和所述有效数据构建线性模型，并根据线性模型得出预测函数，所述预测函数用于将所述数据集中的数据分类为特例数据、无效数据和有效数据；
预测模块，所述预测模块用于根据所述预测函数来预测当前空气质量数据。
3.根据权利要求2所述的人工智能空气质量检测装置，其特征在于，当所述预测模块预测当前空气质量数据为有效数据时，则所述控制模块控制所述空气质量检测模块进行空气质量检测；当所述预测模块预测当前空气质量数据为特例数据或无效数据时，则所述控制模块控制所述空气质量检测模块延迟第二预设时间后再进行空气质量检测。
4.根据权利要求1所述的人工智能空气质量检测装置，其特征在于，还包括感应模块，所述感应模块与所述控制模块连接，所述感应模块用于感应探测区域内是否有人和/或车辆活动，并将感应数据发送给所述控制模块；
所述数据分析模块用于根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；
当预测当前有人和/或车辆活动时，则所述控制模块控制所述空气质量检测模块进行空气质量检测；当预测当前没有人和/或车辆活动时，则所述控制模块控制所述空气质量检测模块延迟第三预设时间后再进行空气质量检测。
5.根据权利要求1-4任一项所述的人工智能空气质量检测装置，其特征在于，所述空气质量检测模块包括：
温度检测模块，所述温度检测模块用于空气中温度检测，并将检测到的空气温度数据发送给所述控制模块；和/或
湿度检测模块，所述湿度检测模块用于空气中湿度检测，并将检测到的空气湿度数据发送给所述控制模块；和/或
二氧化碳检测模块，所述二氧化碳检测模块用于空气中二氧化碳浓度检测，并将检测到的空气中二氧化碳浓度数据发送给所述控制模块；和/或
TVOC有害气体检测模块，所述TVOC有害气体检测模块用于检测空气中有害气体浓度，并将检测到的数据发送给所述控制模块；和/或
空气悬浮微粒检测模块，所述空气悬浮微粒检测模块用于检测空气中空气悬浮微粒浓度，并将检测到的数据发送给所述控制模块；
所述数据分析模块根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。
6.一种人工智能空气质量检测方法，其特征在于，包括：
空气质量检测模块检测空气质量数据；
根据过往空气质量数据进行机械学习来预测当前空气质量数据；
根据所述预测当前空气质量数据，给所述空气质量检测模块发送检测指令。
7.根据权利要求6所述的人工智能空气质量检测方法，其特征在于，根据过往空气质量数据进行机械学习来预测当前空气质量数据包括：
将过往所述空气质量数据上传成数据集；
计算所述数据集的平均值，并将所述数据集中大于平均值加第一预设值或低于平均值减第二预设值的数据分为特例数据，第一预设时间段内波动小于预设值的分为无效数据，其余分为有效数据；
根据所述特例数据、所述无效数据和所述有效数据构建线性模型，并根据线性模型得出预测函数，所述预测函数用于将所述数据集中的数据分类为特例数据、无效数据和有效数据；
根据所述预测函数来预测当前空气质量数据。
8.根据权利要求7所述的人工智能空气质量检测方法，其特征在于，当预测当前空气质量数据为有效数据时，则所述空气质量检测模块进行空气质量检测；当预测当前空气质量数据为特例数据或无效数据时，则所述空气质量检测模块延迟第二预设时间后再进行空气质量检测。
9.根据权利要求6所述的人工智能空气质量检测方法，其特征在于，还包括：
感应探测区域内是否有人和/或车辆活动，形成感应数据；
根据过往感应数据进行机械学习来预测当前否有人和/或车辆活动；
当预测当前有人和/或车辆活动时，则控制所述空气质量检测模块进行空气质量检测；当预测当前没有人和/或车辆活动时，则控制所述空气质量检测模块延迟第三预设时间后再进行空气质量检测。
10.根据权利要求6-9任一项所述的人工智能空气质量检测方法，其特征在于，根据过往的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度中的至少一个数据进行机械学习，来对应预测当前空气中的空气温度数据、空气湿度数据、空气中二氧化碳浓度数据、空气中有害气体浓度和空气中空气悬浮微粒浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625079.3A CN114414736B (zh) | 2021-12-27 | 2021-12-27 | 一种人工智能空气质量检测装置及检测方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111625079.3A CN114414736B (zh) | 2021-12-27 | 2021-12-27 | 一种人工智能空气质量检测装置及检测方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114414736A true CN114414736A (zh) | 2022-04-29 |
| CN114414736B CN114414736B (zh) | 2024-04-30 |
Family
ID=81269149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111625079.3A Active CN114414736B (zh) | 2021-12-27 | 2021-12-27 | 一种人工智能空气质量检测装置及检测方式 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114414736B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104807733A (zh) * | 2015-05-12 | 2015-07-29 | 重庆风小六智能技术有限公司 | 一种随身空气质量检测仪 |
| CN205239082U (zh) * | 2015-11-18 | 2016-05-18 | 上海太阳能科技有限公司 | 太阳能智能车载空气监测净化器 |
| CN107063336A (zh) * | 2016-12-09 | 2017-08-18 | 深圳市元征科技股份有限公司 | 环境检测方法和装置 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN107525830A (zh) * | 2017-09-01 | 2017-12-29 | 深圳小气科技有限公司 | 空气质量检测仪 |
| CN108081916A (zh) * | 2017-12-20 | 2018-05-29 | 江西爱驰亿维实业有限公司 | 车载空气净化器的启动方法及装置 |
| CN208398939U (zh) * | 2018-07-27 | 2019-01-18 | 深圳职业技术学院 | 一种室内空气检测装置 |
| CN111189151A (zh) * | 2020-02-21 | 2020-05-22 | 宁德博捷电子有限公司 | 用于按摩椅的空气检测系统 |
| WO2020130192A1 (ko) * | 2018-12-19 | 2020-06-25 | 주식회사 세스코 | 공기질 관리 시스템 |
| CN111664490A (zh) * | 2020-06-28 | 2020-09-15 | 海尔优家智能科技（北京）有限公司 | 烟机的控制方法和装置及存储介质 |
| CN212557791U (zh) * | 2019-11-25 | 2021-02-19 | 魏宏帆 | 废弃物容纳装置以及智能管理系统 |
| CN112578079A (zh) * | 2019-09-27 | 2021-03-30 | 研能科技股份有限公司 | 人工智能物联网处理空气品质系统 |
| KR20210063680A (ko) * | 2019-11-25 | 2021-06-02 | 연세대학교 산학협력단 | 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치 |
| CN112946193A (zh) * | 2021-02-01 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种空气检测装置、控制方法及空气检测设备 |
| CN113804595A (zh) * | 2021-09-15 | 2021-12-17 | 汉威科技集团股份有限公司 | 一种多参数空气质量监测系统 |
| CN113804834A (zh) * | 2021-09-17 | 2021-12-17 | 安徽皖华环保设备科技有限公司 | 基于大数据分析的室内空气质量检测系统 |
-
2021
- 2021-12-27 CN CN202111625079.3A patent/CN114414736B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104807733A (zh) * | 2015-05-12 | 2015-07-29 | 重庆风小六智能技术有限公司 | 一种随身空气质量检测仪 |
| CN205239082U (zh) * | 2015-11-18 | 2016-05-18 | 上海太阳能科技有限公司 | 太阳能智能车载空气监测净化器 |
| CN107063336A (zh) * | 2016-12-09 | 2017-08-18 | 深圳市元征科技股份有限公司 | 环境检测方法和装置 |
| CN107330514A (zh) * | 2017-07-10 | 2017-11-07 | 北京工业大学 | 一种基于集成极限学习机的空气质量预测方法 |
| CN107525830A (zh) * | 2017-09-01 | 2017-12-29 | 深圳小气科技有限公司 | 空气质量检测仪 |
| CN108081916A (zh) * | 2017-12-20 | 2018-05-29 | 江西爱驰亿维实业有限公司 | 车载空气净化器的启动方法及装置 |
| CN208398939U (zh) * | 2018-07-27 | 2019-01-18 | 深圳职业技术学院 | 一种室内空气检测装置 |
| WO2020130192A1 (ko) * | 2018-12-19 | 2020-06-25 | 주식회사 세스코 | 공기질 관리 시스템 |
| CN112578079A (zh) * | 2019-09-27 | 2021-03-30 | 研能科技股份有限公司 | 人工智能物联网处理空气品质系统 |
| CN212557791U (zh) * | 2019-11-25 | 2021-02-19 | 魏宏帆 | 废弃物容纳装置以及智能管理系统 |
| KR20210063680A (ko) * | 2019-11-25 | 2021-06-02 | 연세대학교 산학협력단 | 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치 |
| CN111189151A (zh) * | 2020-02-21 | 2020-05-22 | 宁德博捷电子有限公司 | 用于按摩椅的空气检测系统 |
| CN111664490A (zh) * | 2020-06-28 | 2020-09-15 | 海尔优家智能科技（北京）有限公司 | 烟机的控制方法和装置及存储介质 |
| CN112946193A (zh) * | 2021-02-01 | 2021-06-11 | 珠海格力电器股份有限公司 | 一种空气检测装置、控制方法及空气检测设备 |
| CN113804595A (zh) * | 2021-09-15 | 2021-12-17 | 汉威科技集团股份有限公司 | 一种多参数空气质量监测系统 |
| CN113804834A (zh) * | 2021-09-17 | 2021-12-17 | 安徽皖华环保设备科技有限公司 | 基于大数据分析的室内空气质量检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 贾辉: "环境空气自动监测系统运行管理及质控的信息化分析", 环境与发展, 31 May 2020 (2020-05-31), pages 151 - 153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114414736B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahalingam et al. | A machine learning model for air quality prediction for smart cities | |
| Amado et al. | Development of machine learning-based predictive models for air quality monitoring and characterization | |
| Windmann et al. | A stochastic method for the detection of anomalous energy consumption in hybrid industrial systems | |
| KR20190090738A (ko) | 사용자 행동 예측 방법 및 사용자 행동 예측 장치 | |
| CN114925612A (zh) | 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 | |
| CN116415866B (zh) | 一种物流运输装置、控制方法、系统及介质 | |
| CN116225102B (zh) | 一种移动式的储能通信温升自动监控系统及装置 | |
| Mulia et al. | A review on building occupancy estimation methods | |
| CN113095443A (zh) | 基于lstm-dnn网络模型的实时天气预测算法 | |
| KR20220077994A (ko) | 딥러닝 알고리즘을 이용한 실내 공기질 측정 관리 시스템 및 방법 | |
| Haque et al. | Ensemble-based efficient anomaly detection for smart building control systems | |
| CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
| CN114414736B (zh) | 一种人工智能空气质量检测装置及检测方式 | |
| Arroyo et al. | Wireless sensor network for air quality monitoring and control | |
| Kaushik et al. | Classification of quality of granary using machine learning based on software-defined wireless sensor network | |
| KR20220077972A (ko) | 가스 탐지 지능 학습 시스템 및 그의 동작 방법 | |
| EP3776368B1 (en) | Adaptive artificial intelligence system for event categorizing by switching between different states | |
| EP4174487A1 (en) | Odor detection method for refrigeration appliance and refrigeration appliance | |
| Rafiq et al. | A Hybrid Approach for Forecasting Occupancy of Building’s Multiple Space Types | |
| Hamami et al. | Classification of air pollution levels using artificial neural network | |
| WO2023126704A1 (ja) | データ処理装置、データ収集システム及び方法 | |
| CN114548236A (zh) | 一种生产条件监控方法与系统 | |
| Matović et al. | Air quality prediction in smart city | |
| Komarasamy et al. | Air Quality Prediction and Classification using Machine Learning | |
| JP2022134340A (ja) | 周辺機器、監視システム、監視方法及びプログラム |
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 |