CN114485800B - 适用于气体多参数移动监测仪的远程质控方法 - Google Patents
适用于气体多参数移动监测仪的远程质控方法 Download PDFInfo
- Publication number
- CN114485800B CN114485800B CN202210131399.1A CN202210131399A CN114485800B CN 114485800 B CN114485800 B CN 114485800B CN 202210131399 A CN202210131399 A CN 202210131399A CN 114485800 B CN114485800 B CN 114485800B
- Authority
- CN
- China
- Prior art keywords
- data
- calibration
- mobile monitoring
- time
- equipment
- 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
- 238000003908 quality control method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 18
- 231100000719 pollutant Toxicity 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 26
- 238000012806 monitoring device Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Electrochemistry (AREA)
- Biochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种远程质控方法,且公开了一种适用于气体多参数移动监测仪的远程质控方法,通过对获取到的移动监测设备和高精度参照点位运行期内的各参数数据的处理,采集到有效的数据;当各设备间数据存在满足校准触发判别条件时,满足校准条件则进行校准并更新设备校准状态和校准时间;校准方法使用搭载在云平台的校准算法,可通过环境适应性校准、污染物交叉干扰校准和云端大数据校准;为减小或消除系统误差,通过限值传递校准的次数和平台对整体数据情况进行智能评估给出合理的解决方案。本发明能够通过互联网远程质控,使移动监测设备各参数数据精度满足大气监测的需求。
Description
技术领域
本发明涉及一种远程质控方法,具体涉及一种适用于气体多参数移动监测仪的远程质控方法。
背景技术
目前大气网格化监测技术主要根据不同监控需求及环境特征,将目标区域分为不同的网格进行点位布设,对各网格中相关污染物浓度进行实时监测。大气网格化监测旨在通过精细化手段判断污染来源,精确追溯物扩散趋势,对污染源起到最大程度的监管,为环境执法和决策提供依据,更好地完成环境保护任务。
由于大气网格化监测多为固定式监测设备,为实现污染源精细化管理程度,增加布点密集性是唯一手段,而移动监测设备可以在很大程度上弥补固定式监测设备的局限性,提高大气网格化监测设备的效率。
网格化监测设备使用的都是低成本、体型小、易于部署的设备,数据精度要求严格,因此及时有效的质控方法尤为重要。数据质控方案实施中,移动监测设备不同于固定式监测设备,移动监测设备在时间和空间上均会处于变化状态,这对于数据质控增加了一定难度。
发明内容
鉴于此,本发明的目的在于,提供一种适用于气体多参数移动监测仪的远程质控方法,能够通过互联网远程质控,使移动监测设备各参数数据精度满足大气监测的需求。
为了达到上述发明目的,进而采取的技术方案如下:
适用于气体多参数移动监测仪的远程质控方法,包括:
(1)有效数据的获取:
获取各移动监测设备运行期内秒级数据,其中包括各参数传感器数据、温湿度数据、设备实时经纬度数据、车速、网络时间;
获取高精度参照点位的各参数监测数据、网络时间;
将上述监测数据上传至云平台,云平台根据配置好的高精度参照点位信息,为参照点数据增加经纬度,根据各移动监测设备和高精度参照点的时间和经纬度数据,可以得出各时间点各设备间的欧式距离;
根据各设备的时间和欧式距离,通过阈值条件计算,当时间小于等于时间阈值、距离小于等于距离阈值时,期间的所有数据的算术平均数作为一次有效数据入库;
(2)对获取的有效数据进行校准触发判别:
在设备部署初期和校准时,设备需进行初始化和状态更新;
根据步骤(1)所获取的有效数据进行判断,当设备与其他任意设备(包括高精度参照点)有效数据量满足校准要求的有效数据量时,则进行判断该设备数据偏移量是否超出阈值条件,如果超出阈值条件且设备状态满足校准条件,则进行校准并更新设备状态;
(3)利用云平台校准算法进行校准:
根据步骤(2)中得出的数据,利用云平台校准算法进行校准,将校准系数作为配置参数发送给对应的移动监测设备;
(4)对系统进行误差修正:
因步骤(2)中传递校准时会将误差累积,故需通过限制传递次数和限制最大传递次数设备作为参照设备校准其他待校准设备的方式来解决误差累积问题。
作为本发明的进一步改进,步骤(1)中所述有效数据的获取,具体如下:
获取各移动监测设备运行期间内的秒级数据和高精度参照点位的检测秒级数据,将各移动监测设备数据表示为:
Xi={Di,Ti,Ri,longi,lati.vi,ti} (1)
其中,Di是各参数传感器数据、Ti是温度数据、Ri是湿度数据、longi是实时经度数据、lati是实时纬度数据、vi是车速、ti是该数据采集时的网络时间;
高精度参照点位数据表示为:
Xj={Dj,tj} (2)
其中,Dj是各参数监测数据、tj是该数据采集时的网络时间;
在云平台获取到高精度点位数据的同时,可以将云平台根据配置好的高精度参照点位信息,为高精度参照点数据增加经纬度信息,即:
Xj={Dj,tj}→Xj={Dj,tj,longj,latj} (3)
依据上述获取的数据,可以通过经纬度计算出各设备(移动监测设备和高精度参照点位)间实时的欧式距离;
根据两种情况,当移动监测设备与高精度参照点或移动监测设备与移动监测设备在空间或时间内相遇时,即欧式距离小于等于距离阈值σd、时间点相差小于等于时间阈值σt,期间产生的数据经计算算术平均数后,形成一组有效数据,相遇的具体要求如下:
距离和时间阈值条件为:{|t1-t2|≤σt,|Δd|≤σd}。
作为本发明的进一步改进,步骤(2)中所述对获取的有效数据进行校准触发判别,具体如下:
所述移动监测设备户部署后会有设备状态的初始化和更新的情况,设备状态的定义如下:
假设高精度参照点位设备校准状态标记为0,记为:G={s=0},移动检测设备在部署初期校准状态标记为0,校准时间标记为0,记为:Xi={s0=0,h0=0};
所述设备部署后的校准方法,当移动监测设备与其他移动监测设备或高精度参照点之间的数据量满足校准的需求时,则进行校准判断;当判断条件满足校准时,则进行校准并且更新校准状态及校准时间;校准后的移动监测设备可以作为其他移动监测设备的参照点进行传递校准;
假设此时为h1时刻,当移动监测设备与高精度参照点设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X1={s0=0,h0=0}→X1={s=1,h1};
假设此时为h2时刻,当移动监测设备与上述已校准的移动监测设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X2→X2={s=2,h2}。
作为本发明的进一步改进,步骤(3)中所述利用云平台校准算法进行校准,具体如下:
首先进行环境适应性校准,在实验室环境下,使用恒温恒湿箱模拟不同温度和不同湿度的环境条件,根据移动监测设备在同一污染物浓度条件下的输出信号曲线,确定移动监测设备对于环境变化的校正系数;可结合内部的温湿度传感器信号,对移动监测设备的环境适应性进行自动校正;
然后进行污染物交叉干扰校准,由于电化学气体传感器存在交叉干扰问题,需要建立移动监测设备校准模拟舱,通过与空气质量监测标准仪器进行长时间比对监测,根据标准监测设备数据与移动监测设备数据确定每一个参数对于常规污染物的交叉干扰系数;实际应用环境下,移动监测设备可根据多元线性模型,依据各个参数数据确定环境中污染物的实际浓度值;
最后进行实施云端大数据校准,移动监测设备在长时间使用后会产生一定的零点漂移和量程漂移,同时也需要考虑非常规气态污染物(如氢气)浓度变化对于气体参数的交叉干扰;针对移动监测设备数据特点和分析需求,搭建基于云计算的大数据处理平台,采用先进的大数据处理技术,对环境监测数据入库、修正、查询快速响应;根据神经网络分析,结合区域已建设的高精度参照点数据对采集的数据进行对比,初步修正,按照统计学原理归纳出最适合的函数进行高斯曲面拟合修正,完成移动监测设备数据漂移校正。
作为本发明的进一步改进,步骤(4)中所述利用云平台校准算法进行校准,还可以为:通过平台对于整体数据进行智能评估,控制并修正各阈值参数条件,增加高精度参照点设备或移动车载设备减少误差。
作为本发明的进一步改进,步骤(4)中所述利用云平台校准算法进行校准,具体如下:
通过限值传递次数和限值最大传递次数设备作为参照设备校准其他待校准设备的方式;
假设设备的最大允许误差为±20%,根据仿真试验可以得出,当传递次数大于3次时,最大允许误差会翻倍且超过±40%;因此,在设备间传递校准时,需要对传递次数限值在3次以内(包含3次),即smax=3;同时,也要限值当设备s=3,并且有足够的数据量作为其他待校准设备的参照点时,不能作为参照点校准其他设备,而应作为待校准设备进行校准。
本发明的有益效果是:本发明所述适用于气体多参数移动监测仪的远程质控方法,通过对获取到的移动监测设备和高精度参照点位运行期内的各参数数据的处理,采集到有效的数据;当各设备间数据存在满足校准触发判别条件时,满足校准条件则进行校准并更新设备校准状态和校准时间;校准方法使用搭载在云平台的校准算法,可通过环境适应性校准、污染物交叉干扰校准和云端大数据校准;为减小或消除系统误差,通过限值传递校准的次数和平台对整体数据情况进行智能评估给出合理的解决方案。本发明能够通过互联网远程质控,使移动监测设备各参数数据精度满足大气监测的需求。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明适用于气体多参数移动监测仪的远程质控方法的整体流程图;
图2为本发明适用于气体多参数移动监测仪的远程质控方法的有效数据形成情况示意图;
图3为本发明适用于气体多参数移动监测仪的远程质控方法的各校准情形示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
如图1所示,适用于气体多参数移动监测仪的远程质控方法,包括:有效数据的获取,对获取的有效数据进行校准触发判别,利用云平台校准算法进行校准,对系统进行误差修正;
(1)有效数据的获取:
获取各移动监测设备运行期间内的秒级数据和高精度参照点位的检测秒级数据,将各移动监测设备数据表示为:
Xi={Di,Ti,Ri,longi,lati.vi,ti} (1)
其中,Di是各参数传感器数据、Ti是温度数据、Ri是湿度数据、longi是实时经度数据、lati是实时纬度数据、vi是车速、ti是该数据采集时的网络时间;
高精度参照点位数据表示为:
Xj={Dj,tj} (2)
其中,Dj是各参数监测数据、tj是该数据采集时的网络时间;
在云平台获取到高精度点位数据的同时,可以将云平台根据配置好的高精度参照点位信息,为高精度参照点数据增加经纬度信息,即:
Xj={Dj,tj}→Xj={Dj,tj,longj,latj} (3)
依据上述获取的数据,可以通过经纬度计算出各设备(移动监测设备和高精度参照点位)间实时的欧式距离;
根据两种情况图2所示,当移动监测设备与高精度参照点或移动监测设备与移动监测设备在空间或时间内相遇时,即欧式距离小于等于距离阈值σd、时间点相差小于等于时间阈值σt,期间产生的数据经计算算术平均数后,形成一组有效数据,相遇的具体要求如下:
距离和时间阈值条件为:{|t1-t2|≤σt,|Δd|≤σd}。
(2)对获取的有效数据进行校准触发判别:
所述移动监测设备户部署后会有设备状态的初始化和更新的情况,设备状态的定义如下:
假设高精度参照点位设备校准状态标记为0,记为:G={s=0},移动检测设备在部署初期校准状态标记为0,校准时间标记为0,记为:Xi={s0=0,h0=0};
所述设备部署后的校准方法,当移动监测设备与其他移动监测设备或高精度参照点之间的数据量满足校准的需求时,则进行校准判断;当判断条件满足校准时,则进行校准并且更新校准状态及校准时间;校准后的移动监测设备可以作为其他移动监测设备的参照点进行传递校准;
如图3所示,假设此时为h1时刻,当移动监测设备与高精度参照点设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X1={s0=0,h0=0}→X1={s=1,h1};
假设此时为h2时刻,当移动监测设备与上述已校准的移动监测设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X2→X2={s=2,h2}。
(3)利用云平台校准算法进行校准:
首先进行环境适应性校准,在实验室环境下,使用恒温恒湿箱模拟不同温度和不同湿度的环境条件,根据移动监测设备在同一污染物浓度条件下的输出信号曲线,确定移动监测设备对于环境变化的校正系数;可结合内部的温湿度传感器信号,对移动监测设备的环境适应性进行自动校正;
然后进行污染物交叉干扰校准,由于电化学气体传感器存在交叉干扰问题,需要建立移动监测设备校准模拟舱,通过与空气质量监测标准仪器进行长时间比对监测,根据标准监测设备数据与移动监测设备数据确定每一个参数对于常规污染物的交叉干扰系数;实际应用环境下,移动监测设备可根据多元线性模型,依据各个参数数据确定环境中污染物的实际浓度值;
最后进行实施云端大数据校准,移动监测设备在长时间使用后会产生一定的零点漂移和量程漂移,同时也需要考虑非常规气态污染物(如氢气)浓度变化对于气体参数的交叉干扰;针对移动监测设备数据特点和分析需求,搭建基于云计算的大数据处理平台,采用先进的大数据处理技术,对环境监测数据入库、修正、查询快速响应;根据神经网络分析,结合区域已建设的高精度参照点数据对采集的数据进行对比,初步修正,按照统计学原理归纳出最适合的函数进行高斯曲面拟合修正,完成移动监测设备数据漂移校正。
云端大数据校准分为离线校正和在线校正两部分。离线训练部分中,所用的数据源为移动监测设备的各参数数据和高精度参照点的各参数监测数据,这些数据首先会经过数据预处理模块,然后经过特征提取,用来训练神经网络模型,训练的结果被在线模块用来单点校正,离线训练每周动进行一次。在线训练部分中,使用的数据源不变,这些数据同样的经过数据预处理和特征提取后,移动监测设备的各参数数据和高精度参照点的各参数监测数据会由离线训练的神经网络模型进行处理,得到初步校正值,然后通过高斯模型进行多参数的联合校正,最终完成整个系统的数据校正过程。
选用神经网络模型作为移动监测设备离线校正模型。该模型中,使用移动监测设备各项参数作为模型的输入,以已校准的移动监测设备数据或高精度参照点数据作为模型输出,来训练该神经网络模型。假设待校准移动监测设备数据和作为参照点的已校准的移动监测设备数据或高精度参照点数据分别为X和则校准方程表达式为X=g(z(x)),其中,/>其中,Ti是温度数据、Ri是湿度数据、longi是实时经度数据、lati是实时纬度数据、vi是车速、ti是该数据采集时的网络时间。
如此,可以得到:
Xw,b=W2f(W1D+b1)+b2 (4)
W1,W2分别为神经网络模型中输入层与隐含层、隐含层与输出层的权重矩阵,b1,b2为其对应的噪声向量,D为对应的特征向量,Xw,b为神经网络对应的输出。使用后向传播算法来训练该神经网络,特征向量D包含了待校准移动监测设备各参数数据作为神经网络的输入,对应的已校准的移动监测设备数据或高精度参照点数据作为神经网络的输出,对模型进行训练。
最后将得出的校准系数应用于移动监测设备,以达到实时监测、实时校准的目的。
(4)对系统进行误差修正:
因步骤(2)中传递校准时会将误差累积,故需通过限制传递次数和限制最大传递次数设备作为参照设备校准其他待校准设备的方式来解决误差累积问题;此外,也可通过平台对于整体数据进行智能评估,控制并修正各阈值参数条件,增加高精度参照点设备或移动车载设备减少误差。
通过限值传递次数和限值最大传递次数设备作为参照设备校准其他待校准设备的方式,具体如下:
假设设备的最大允许误差为±20%,根据仿真试验可以得出,当传递次数大于3次时,最大允许误差会翻倍且超过±40%;因此,在设备间传递校准时,需要对传递次数限值在3次以内(包含3次),即smax=3;同时,也要限值当设备s=3,并且有足够的数据量作为其他待校准设备的参照点时,不能作为参照点校准其他设备,而应作为待校准设备进行校准。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进、部件拆分或组合等,均应包含在本发明的保护范围之内。
Claims (5)
1.适用于气体多参数移动监测仪的远程质控方法,其特征在于,包括:
(1)有效数据的获取:
获取各移动监测设备运行期内秒级数据,其中包括各参数传感器数据、温湿度数据、设备实时经纬度数据、车速、网络时间;
获取高精度参照点位的各参数监测数据、网络时间;
将上述监测数据上传至云平台,云平台根据配置好的高精度参照点位信息,为参照点数据增加经纬度,根据各移动监测设备和高精度参照点的时间和经纬度数据,可以得出各时间点各设备间的欧式距离;
根据各设备的时间和欧式距离,通过阈值条件计算,当时间小于等于时间阈值、距离小于等于距离阈值时,期间的所有数据的算术平均数作为一次有效数据入库;
(2)对获取的有效数据进行校准触发判别:
在设备部署初期和校准时,设备需进行初始化和状态更新;
根据步骤(1)所获取的有效数据进行判断,当设备与其他任意设备有效数据量满足校准要求的有效数据量时,则进行判断该设备数据偏移量是否超出阈值条件,如果超出阈值条件且设备状态满足校准条件,则进行校准并更新设备状态;
(3)利用云平台校准算法进行校准:
根据步骤(2)中得出的数据,利用云平台校准算法进行校准,将校准系数作为配置参数发送给对应的移动监测设备;所述利用云平台校准算法进行校准,具体如下:
首先进行环境适应性校准,在实验室环境下,使用恒温恒湿箱模拟不同温度和不同湿度的环境条件,根据移动监测设备在同一污染物浓度条件下的输出信号曲线,确定移动监测设备对于环境变化的校正系数;可结合内部的温湿度传感器信号,对移动监测设备的环境适应性进行自动校正;
然后进行污染物交叉干扰校准,由于电化学气体传感器存在交叉干扰问题,需要建立移动监测设备校准模拟舱,通过与空气质量监测标准仪器进行长时间比对监测,根据标准监测设备数据与移动监测设备数据确定每一个参数对于常规污染物的交叉干扰系数;实际应用环境下,移动监测设备可根据多元线性模型,依据各个参数数据确定环境中污染物的实际浓度值;
最后进行实施云端大数据校准,移动监测设备在长时间使用后会产生一定的零点漂移和量程漂移,同时也需要考虑非常规气态污染物浓度变化对于气体参数的交叉干扰;针对移动监测设备数据特点和分析需求,搭建基于云计算的大数据处理平台,采用先进的大数据处理技术,对环境监测数据入库、修正、查询快速响应;根据神经网络分析,结合区域已建设的高精度参照点数据对采集的数据进行对比,初步修正,按照统计学原理归纳出最适合的函数进行高斯曲面拟合修正,完成移动监测设备数据漂移校正;
(4)对系统进行误差修正:
因步骤(2)中传递校准时会将误差累积,故需通过限制传递次数和限制最大传递次数设备作为参照设备校准其他待校准设备的方式来解决误差累积问题。
2.根据权利要求1所述的适用于气体多参数移动监测仪的远程质控方法,其特征在于,步骤(1)中所述有效数据的获取,具体如下:
获取各移动监测设备运行期间内的秒级数据和高精度参照点位的检测秒级数据,将各移动监测设备数据表示为:
Xi={Di,Ti,Ri,longi,lati.vi,ti} (1)
其中,Di是各参数传感器数据、Ti是温度数据、Ri是湿度数据、longi是实时经度数据、lati是实时纬度数据、vi是车速、ti是该数据采集时的网络时间;
高精度参照点位数据表示为:
Xj={Dj,tj} (2)
其中,Dj是各参数监测数据、tj是该数据采集时的网络时间;
在云平台获取到高精度点位数据的同时,可以将云平台根据配置好的高精度参照点位信息,为高精度参照点数据增加经纬度信息,即:
Xj={Dj,tj}→Xj={Dj,tj,longj,latj} (3)
依据上述获取的数据,可以通过经纬度计算出各设备间实时的欧式距离;
根据两种情况,当移动监测设备与高精度参照点或移动监测设备与移动监测设备在空间或时间内相遇时,即欧式距离小于等于距离阈值σd、时间点相差小于等于时间阈值σt,期间产生的数据经计算算术平均数后,形成一组有效数据,相遇的具体要求如下:
距离和时间阈值条件为:{|t1-t2|≤σt,|Δd|≤σd}。
3.根据权利要求1所述的适用于气体多参数移动监测仪的远程质控方法,其特征在于,步骤(2)中所述对获取的有效数据进行校准触发判别,具体如下:
所述移动监测设备户部署后会有设备状态的初始化和更新的情况,设备状态的定义如下:
假设高精度参照点位设备校准状态标记为0,记为:G={s=0},移动检测设备在部署初期校准状态标记为0,校准时间标记为0,记为:Xi={s0=0,h0=0};
所述设备部署后的校准方法,当移动监测设备与其他移动监测设备或高精度参照点之间的数据量满足校准的需求时,则进行校准判断;当判断条件满足校准时,则进行校准并且更新校准状态及校准时间;校准后的移动监测设备可以作为其他移动监测设备的参照点进行传递校准;
假设此时为h1时刻,当移动监测设备与高精度参照点设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X1={s0=0,h0=0}→X1={s=1,h1};
假设此时为h2时刻,当移动监测设备与上述已校准的移动监测设备间数据量满足校准的需求时,则进行1次校准,并在校准后更新移动监测设备的校准状态及校准时间:X2→X2={s=2,h2}。
4.根据权利要求1所述的适用于气体多参数移动监测仪的远程质控方法,其特征在于,步骤(4)中所述利用云平台校准算法进行校准,还可以为:通过平台对于整体数据进行智能评估,控制并修正各阈值参数条件,增加高精度参照点设备或移动车载设备减少误差。
5.根据权利要求1所述的适用于气体多参数移动监测仪的远程质控方法,其特征在于,步骤(4)中所述利用云平台校准算法进行校准,具体如下:
通过限值传递次数和限值最大传递次数设备作为参照设备校准其他待校准设备的方式;
假设设备的最大允许误差为±20%,根据仿真试验可以得出,当传递次数大于3次时,最大允许误差会翻倍且超过±40%;因此,在设备间传递校准时,需要对传递次数限值在3次以内,并且包含3次,即smax=3;同时,也要限值当设备s=3,并且有足够的数据量作为其他待校准设备的参照点时,不能作为参照点校准其他设备,而应作为待校准设备进行校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131399.1A CN114485800B (zh) | 2022-02-14 | 2022-02-14 | 适用于气体多参数移动监测仪的远程质控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131399.1A CN114485800B (zh) | 2022-02-14 | 2022-02-14 | 适用于气体多参数移动监测仪的远程质控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114485800A CN114485800A (zh) | 2022-05-13 |
CN114485800B true CN114485800B (zh) | 2023-10-27 |
Family
ID=81480320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131399.1A Active CN114485800B (zh) | 2022-02-14 | 2022-02-14 | 适用于气体多参数移动监测仪的远程质控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114485800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508511B (zh) * | 2022-09-19 | 2023-05-26 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732316A (zh) * | 2018-07-06 | 2018-11-02 | 天津澜禹笙环保科技有限公司 | 一种基于云计算平台的恶臭智能监测系统 |
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
CN109716128A (zh) * | 2016-12-06 | 2019-05-03 | 曾宁 | 一种网络化的环境监测系统、方法和计算机可读存储介质 |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
US10634558B1 (en) * | 2018-11-13 | 2020-04-28 | Anna Ailene Scott | Air quality monitoring system and enhanced spectrophotometric chemical sensor |
CN111257180A (zh) * | 2020-01-22 | 2020-06-09 | 同济大学 | 一种空间分布式空气质量走航监测传感器的动态校准方法 |
CN113406557A (zh) * | 2021-06-23 | 2021-09-17 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种传播式充电桩远程检定方法 |
-
2022
- 2022-02-14 CN CN202210131399.1A patent/CN114485800B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109716128A (zh) * | 2016-12-06 | 2019-05-03 | 曾宁 | 一种网络化的环境监测系统、方法和计算机可读存储介质 |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN108732316A (zh) * | 2018-07-06 | 2018-11-02 | 天津澜禹笙环保科技有限公司 | 一种基于云计算平台的恶臭智能监测系统 |
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
US10634558B1 (en) * | 2018-11-13 | 2020-04-28 | Anna Ailene Scott | Air quality monitoring system and enhanced spectrophotometric chemical sensor |
CN110514626A (zh) * | 2019-07-23 | 2019-11-29 | 北京英视睿达科技有限公司 | 大气污染监测系统的数据校准方法和大气污染监测系统 |
CN111257180A (zh) * | 2020-01-22 | 2020-06-09 | 同济大学 | 一种空间分布式空气质量走航监测传感器的动态校准方法 |
CN113406557A (zh) * | 2021-06-23 | 2021-09-17 | 深圳市计量质量检测研究院(国家高新技术计量站、国家数字电子产品质量监督检验中心) | 一种传播式充电桩远程检定方法 |
Non-Patent Citations (2)
Title |
---|
面向农产品冷链物流监测的无线气体传感器在线校准方法;张永军;张小栓;张长峰;李道亮;傅泽田;;农业机械学报(10);第309-317页 * |
飞灰含碳量自适应校正WLSSVM软测量模型;王伟;常浩;王宝玉;;热力发电(08);第75-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114485800A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180197499A1 (en) | Display status adjustment method, display status adjustment device and display device | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN111737912A (zh) | 一种基于深度神经网络的mwhts模拟亮温计算方法 | |
CN113095504B (zh) | 一种目标轨迹预测系统及预测方法 | |
CN111737913A (zh) | 一种基于云水含量反演的mwhts晴空观测亮温选择方法 | |
CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
CN115809504A (zh) | 一种多源气动数据不确定度量化评估方法和系统 | |
CN111948273A (zh) | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 | |
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 | |
CN108593557B (zh) | 基于te-ann-awf移动污染源遥测误差补偿方法 | |
CN114219345A (zh) | 一种基于数据挖掘的二次空气质量预报优化方法 | |
KR20200057608A (ko) | 인공지능 기술을 이용한 배기가스 배출량 예측방법 | |
CN106406290B (zh) | 一种车辆横向动力远程测控系统的故障检测方法 | |
CN107656905A (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
Xia et al. | An accurate and low-cost PM 2.5 estimation method based on Artificial Neural Network | |
CN116559369A (zh) | 基于天空地立体时空碳监测选点与融合碳核查的监测方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN114519262B (zh) | 基于改进gm(1,1)模型的空中目标威胁预测方法 | |
CN116188860A (zh) | 一种参数自适应调节的结构监测异常数据的识别方法及装置 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN113945684A (zh) | 一种基于大数据的微型空气站自校准方法 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
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 |