CN114777030A - 一种基于nb-iot技术的危化气体监测方法 - Google Patents

一种基于nb-iot技术的危化气体监测方法 Download PDF

Info

Publication number
CN114777030A
CN114777030A CN202210564401.4A CN202210564401A CN114777030A CN 114777030 A CN114777030 A CN 114777030A CN 202210564401 A CN202210564401 A CN 202210564401A CN 114777030 A CN114777030 A CN 114777030A
Authority
CN
China
Prior art keywords
leakage
hazardous gas
image
gas
representing
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
CN202210564401.4A
Other languages
English (en)
Other versions
CN114777030B (zh
Inventor
杨坤龙
许克成
王玉
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.)
China Applied Technology Co Ltd
Original Assignee
China Applied Technology Co Ltd
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 China Applied Technology Co Ltd filed Critical China Applied Technology Co Ltd
Priority to CN202210564401.4A priority Critical patent/CN114777030B/zh
Publication of CN114777030A publication Critical patent/CN114777030A/zh
Application granted granted Critical
Publication of CN114777030B publication Critical patent/CN114777030B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种基于NB‑I OT技术的危化气体监测方法,该方法包括危化气体的浓度数据、压力数据、图像数据采集；建立NB‑I oT设备数据收发模型；利用经度和经度建立危化气体管道的位置方程；利用鲸鱼优化算法建立模型进行危化气体泄漏源预测和泄漏源搜寻；建立浓度变化建立模型；利用气体的热力学理论建立危化气体压力变化模型；对危化气体图像进行分辨率调整和解码；建立危化气体泄漏相似度数函数，定位出泄漏源；计算NB‑I OT设备信号接收功率差值，数据传输模型，完成对危化气体的监测；该方法理解简单，可操作性强，有效的监测了危化气体在管道传输中出现的泄漏问题，实现了广覆盖，保证了危化气体在传输中的安全性。

Description

一种基于NB-IOT技术的危化气体监测方法
技术领域
本发明涉及气体监测与算法的领域,尤其涉及一种基于NB-IOT技术的危化气体监测方法。
背景技术
目前，危化气体监测系统采用单一传感器一对一的去采集和监测危化气体,单一传感器对气体的检测不够准确；其次,传统的危化气体监测系统中,危化气体监测仪仅仅负责检测气体的数据监测，采样仪器仅仅对被检测气体进行采样,检测危化气体和采样都具有不确定性,无法对被检测的危化气体进行准确的检测，以方便后期进一步的通过国标三袋法进行检测，以作为执法依据。其次，传统的危化气体监测方法,其对气体的检测结果不够准确。
专利公开号为CN110261878A公开了一种集成GNSS和微震信息的多功能危化气体监测装置及系统，该发明涉及一种多功能危化气体监测装置及监测预警系统，装置包括基座和设置于基座上的杆体，杆体顶端设置有GNSS接收器和风速风向传感器，基座设置有与监测装置成一体结构的微震传感器；杆体上部设有光伏横杆，光伏横杆上安装有光伏板；杆体上部安装有激光甲烷传感器，杆体下部安装有集成气体传感器；杆体上还设有控制箱和报警装置，控制箱内设置有数据采样模块、控制器和数据传输模块，以及与光伏板连接的MPPT控制器；风速风向传感器、微震传感器、激光甲烷传感器、集成气体传感器和MPPT控制器通过数据采样模块连接控制器；GNSS接收器、报警装置和数据传输模块分别与控制器连接；控制器根据各类监测数据是否触发阈值判定是否向报警装置发送报警信号。
由此可见,现有技术的危化气体监测方法存在着检测结果不准确,对气体的识别率低的缺陷。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种基于NB-IOT技术的危化气体监测方法。
本发明所采用的技术方案是，该方法的步骤为：
步骤S1：利用传感器采集危化气体的管道浓度数据、管道压力数据、管道图像数据；
步骤S2：建立NB-IoT设备数据收发模型，同时建立危化气体泄漏的特征综合数据库，包括浓度特征、压力特征、图像特征；
步骤S3：利用经度和纬度建立危化气体管道的位置方程，在危化气体出现泄漏时进行准确定位；
步骤S4：利用鲸鱼优化算法建立模型进行危化气体泄漏源预测和泄漏源搜寻，完成初步的泄漏源寻找工作；
步骤S5：根据危化气体出现泄漏时浓度发生变化这一特征，利用高斯烟团算法对危化气体浓度变化建立模型；
步骤S6：利用气体的热力学理论建立危化气体压力变化模型；
步骤S7：对危化气体图像进行分辨率调整和解码，将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，利用多项式对管道图像数据进行散点的曲线拟合，同时利用最小二乘法进行计算误差函数，统计在图像数据中出现危化气体泄漏的概率及约束方程；
步骤S8：建立危化气体泄漏相似度数函数，对浓度特征、压力特征、图像特征同时进行相似度判断，定位出泄漏源；
步骤S9：对泄漏源个数进行判断，重复步骤S4、S5、S6、S7、S8，直至找出所有的泄漏源；
步骤S10：计算NB-IOT设备信号接收功率差值，数据传输模型，完成对危化气体的监测。
进一步地，所述NB-IoT设备数据接收模型，表达式为:
A＝BC+D
其中，A表示所有NB-IoT设备发送的信号向量，C表示所有NB-IoT设备接收的信号向量，B表示信道状态信息矩阵，D表示高斯白噪声矩阵；
NB-IoT设备收到的信号，表达式为：
Figure BDA0003657249800000031
其中，e表示NB-IoT设备收到的信号，j表示j个NB-IoT设备参考点,i表示i个NB-IoT设备；
所述危化气体泄漏的特征综合数据库，表达式为：
G＝[W，U，Z]
其中，G表示危化气体泄漏的特征综合，W表示泄漏时管道的图像特征，U表示泄漏时管道的压力特征，Z表示泄漏时危化气体的浓度特征；
所述危化气体管道的位置方程，表达式为：
E＝[(x1，y1)，(x2，y2)，...，(xn，yn)]T
其中，E表示危化气体管道的纬度和经度集，xn和yn分别表示第n个点的纬度和经度，T表示矩阵的转置运算。
进一步地，所述泄漏源预测，表达式为:
Figure BDA0003657249800000041
其中，H表示寻找泄漏源的步长距离，
Figure BDA0003657249800000042
为数理逻辑运算符，I*(f)表示目前已发现的泄漏源的位置，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量；
所述泄漏源搜寻，表达式为:
I(f+1)＝Ig(f)-K·H
Figure BDA0003657249800000043
其中，Ig(f)表示新发现的泄漏源位置向量，H表示寻找泄漏源的步长，
Figure BDA0003657249800000044
为数理逻辑运算符，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量。
进一步地，所述危化气体浓度变化建立模型，表达式为：
Figure BDA0003657249800000045
其中，L(x，y)表示坐标(x，y)处的危化气体浓度，i表示总的泄漏源数量，h＝1，2，…，i，Ny表示危化气体在水平方向上的扩散强度，Nz表示危化气体在竖直方向上的扩散强度，Mh表示泄漏源的危化气体泄漏质量流量，yh表示泄漏源的纵坐标，d表示风速，π表示圆周率，δ表示浓度测量值中加入的测量随机误差；
所有危化气体浓度采集传感器所在位置，浓度预测值与浓度测量值的偏差，表达式为:
Figure BDA0003657249800000051
其中，O表示偏差值的评价指标，m表示测量危化气体浓度传感器数量，
Figure BDA0003657249800000052
表示第j个传感器位置预测的危化气体浓度值，
Figure BDA0003657249800000053
表示第j个传感器测量得到的危化气体浓度真实值。
进一步地，所述危化气体压力变化模型，表达式为：
Figure BDA0003657249800000054
其中，Wl表示管道内的压强，Y表示管道容积，B表示危化气体的气体常数，F表示危化气体的温度，j1表示正常时危化气体的量，j2表示泄漏的危化气体的量，j3表示危化气体的测量随机误差。
进一步地，所述对危化气体图像进行分辨率调整和解码，步骤为：
步骤A1：对图像的前景与背景进行序列重构，分别得到图像框架下的泄漏图像前景序列和抠除泄漏图像后的背景序列；
步骤A2：对于时域冗余序列，依据原始分辨率高质量编码连续图像序列进行去除，利用下采样处理方法降低背景图像序列的分辨率；
步骤A3：得到时序一一对应的前景与背景混合码流，经过码率控制和码流同步后，通过NB-IoT设备实时传输至后端进行存储和解码。
进一步地，所述将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，还原至实际的空间对应位置，映射过程表达式为：
Figure BDA0003657249800000061
式中:(n,m)表示像素坐标，H(n,m)表示图像的明亮度，
Figure BDA0003657249800000062
表示图像的色度，
Figure BDA0003657249800000063
表示图像的浓度，Ax表示映射的结果。
进一步地，所述曲线拟合，表达式为：
Figure BDA0003657249800000064
其中，Q(i，j)表示图像散点的空间坐标，t表示图像总的像素点数，λ为拟合系数，s表示第s次拟合，is表示每次拟合值；
在拟合过程中，利用最小二乘法进行误差函数的计算，表达式为：
Figure BDA0003657249800000065
其中，R表示误差值，v表示第V误差函数计算，w表示误差函数计算的总次数，zv表示样本点与中心点的差值，av为样本点，
Figure BDA0003657249800000066
为中心点；
泄漏源在空间(i,j)位置出现的概率T，表达式为：
Figure BDA0003657249800000067
其中，Un表示第n张危化气体图像泄漏源覆盖区域的密集指数，tn表示训练集中泄漏源数，A表示危化气体图像高度，B表示危化气体图像宽度，Zc为训练集平均泄漏源密度，D为统计危化气体图像的总帧数；
约束方程，表达式为：
ai∈[di-εi，ei+εi]
aj∈[dj-εj，ej+εj]
其中，di表示统计训练集中所有历史泄漏源大小得到的图像宽度最小尺寸，ei表示图像宽度最大尺寸，εi表示图像宽度尺寸误差，ai表示图像宽度尺寸,aj表示图像高度尺寸，dj表示统计训练集中所有历史泄漏源大小得到的图像高度最小尺寸，ej表示图像高度最大尺寸，εj表示图像高度尺寸误差。
进一步地，所述建立危化气体泄漏相似度数函数，表达式为:
Figure BDA0003657249800000071
其中，
Figure BDA0003657249800000072
表示第n个NB-IOT设备传输的第z个泄漏特征，
Figure BDA0003657249800000073
表示第m个NB-IOT设备预测的第z个泄漏特征,w表示总的泄漏源个数，Kn和Km表示泄漏特征，r表示泄漏特征数；
泄漏源最终定位位置，表达式为:
Figure BDA0003657249800000074
其中，
Figure BDA0003657249800000075
和
Figure BDA0003657249800000076
分别表示所有泄漏源的纬度和经度，L表示最终定位位置的个数，Idn和Jfn分别表示单个泄漏源的纬度和经度。
进一步地，信号接收功率差值，表达式为：
Zg，j＝Xg-Xj
其中，Xg表示第g个NB-IOT设备接收到的信号值，Xj表示第j个NB-IOT设备接收到的信号值，Zg，j表示第g个NB-IOT设备到第j个近邻点的窄带接收功率差；
数据传输模型，表达式为:
Figure BDA0003657249800000077
其中，V是传播损耗，Sb和Sc分别是发射天线和接收天线的增益，τ是载波波长，π表示圆周率，h表示NB-IOT设备信号传输半径。
有益效果：
本发明提出一种基于NB-IOT技术的危化气体监测方法，利用NB-IoT设备的窄带、低频、重传机制等特点结合危化气体浓度数据、压力数据、图像数据通过多种算法模型组合的形式对危化气体泄漏进行监测，该方法克服了现有危化气体监测方法存在着检测结果不准确,对气体的识别率低的缺陷，算法模型是结合现有的理论基础，理解简单，方法可操作性强，有效的监测了危化气体在管道传输中出现的泄漏问题，实现了广覆盖，保证了危化气体在传输中的安全性。
附图说明
图1为本发明总体步骤流程图；
图2为本发明的图像分辨率调整和解码流程图。
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结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示,一种基于NB-IOT技术的危化气体监测方法，
步骤S1：利用浓度传感器、压力传感器、图像传感器分别采集危化气体的管道浓度数据、管道压力数据、管道图像数据；浓度传感器采用的是GC310复合式气体检测仪、压力传感器采用的是CYYZ18防爆型压力变送器、图像传感器采用的AcutEye是多目标同步高速摄像仪；
步骤S2：建立NB-IoT设备数据收发模型，同时建立危化气体泄漏的特征综合数据库，包括浓度特征、压力特征、图像特征；通过建立数据收发模型对NB-IoT设备的工作方式进行掌握，综合数据库的建立能够将危化气体泄漏的浓度特征、压力特征、图像特征进行统一管理，方便后期进行相似度比对；
步骤S3：利用经度和纬度建立危化气体管道的位置方程，在危化气体出现泄漏时进行准确定位；因为管道在长距离输送危化气体时，所有管道从形状上看都是一样，这样即使发现了泄漏源，也难以进行准确定位，通过经度和经度位置方程，可以在危化气体出现泄漏时，以最快速的方式找到泄漏源的具体位置坐标，以最快速的方式减少危化气体带来的损失；
步骤S4：利用鲸鱼优化算法建立模型进行危化气体泄漏源预测和泄漏源搜寻，完成初步的泄漏源寻找工作；鲸鱼优化算法是一种模仿座头鲸捕猎行为而被提出的新型智能优化算法，其不仅保留了以往智能算法的优点，同时在函数求极值上性能优于其他算法。该算法被提出后，应用到工程上各个领域；本发明通过将鲸鱼优化算法与危化气体泄漏结合，对泄漏源的寻找工作具有巨大帮助；
步骤S5：根据危化气体出现泄漏时浓度发生变化这一特征，利用高斯烟团算法对危化气体浓度变化建立模型；构建二维开放空间内多个泄漏源释放危险气体后形成的浓度分布场，危化气体的扩散过程采用高斯烟团模型计算获得，扩散场内不同位置的危险气体浓度为多个泄漏源产生的浓度叠加；
步骤S6：利用气体的热力学理论建立危化气体压力变化模型；在危化气体出现泄漏时，输送管道内的压力变化尤为明显，本发明通过利用热力学理论建立压力变化模型，可以帮助掌握出现泄漏时某一段管道内部的压力变化值；
步骤S7：对危化气体图像进行分辨率调整和解码，将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，利用多项式对管道图像数据进行散点的曲线拟合，同时利用最小二乘法进行计算误差函数，统计在图像数据中出现危化气体泄漏的概率及约束方程；在危化气体出现泄漏时，图像的采集可以帮助大致判断泄漏量，对于有效措施的采取具有指导意义；
步骤S8：建立危化气体泄漏相似度数函数，对浓度特征、压力特征、图像特征同时进行相似度判断，定位出泄漏源；与步骤S2中的特征综合数据库进行相似性比对，判断危化气体泄漏的类型和规模以及泄漏源的位置；
步骤S9：对泄漏源个数进行判断，重复步骤S4、S5、S6、S7、S8，直至找出所有的泄漏源；通过对输送危化气体的管道进行实时监控，采用所提出的步骤可以对危化气体输送过程进行无死角监测，保证了输送的安全性；
步骤S10：计算NB-IOT设备信号接收功率差值，数据传输模型，完成对危化气体的监测；通过该步骤可以对NB-IOT设备的电量消耗进行掌握，在保证数据有效传输的同时减小不必要的电量消耗，实现一定的环保减排。
NB-IoT设备是IoT领域基于蜂窝的窄带物联网的一种新兴技术。它支持低功耗设备在广域网的蜂窝数据连接，也被叫做低功耗广域网。NB-IoT只消耗大约180KHz的频段，可直接部署于GSM网络、UMTS网络或LTE网络，支持待机时间短、对网络连接要求较高的设备的高效连接。
NB-IoT设备覆盖广：相比传统GSM，一个基站可以覆盖10Km的范围，NB-IoT有着更好的覆盖能力(20dB增益)。低功耗：使用五号电池可以持续工作十年，无需充电，NB-IoT引入了eDRX省电技术和PSM省电模式，进一步降低了功耗，延长了电池的使用时间。在PSM省电模式下，可使终端更长时间驻留在深睡眠以达到省电的目的。连接数量：每小区可以支持5万个终端，提供的连接越多，相对所需的基站越少。低成本：NB-IoT模块价格在5美元之内甚至更低。稳定可靠：能提供电信级的可靠性接入，稳定支撑IoT应用场景。
NB-IoT设备数据接收模型，表达式为:
A＝BC+D
其中，A表示所有NB-IoT设备发送的信号向量，C表示所有NB-IoT设备接收的信号向量，B表示信道状态信息矩阵，D表示高斯白噪声矩阵；
NB-IoT设备收到的信号，表达式为：
Figure BDA0003657249800000111
其中，e表示NB-IoT设备收到的信号，j表示j个NB-IoT设备参考点,i表示i个NB-IoT设备；
危化气体泄漏的特征综合数据库，表达式为：
G＝[W，U，Z]其中，G表示危化气体泄漏的特征综合，W表示泄漏时管道的图像特征，U表示泄漏时管道的压力特征，Z表示泄漏时危化气体的浓度特征；
危化气体管道的位置方程，表达式为：
E＝[(x1，y1)，(x2，y2)，...，(xn，yn)]T
其中，E表示危化气体管道的纬度和经度集，xn和yn分别表示第n个点的纬度和经度，T表示矩阵的转置运算。
鲸鱼优化算法是一种新兴的基于群体的元启发式智能优化算法，由澳大利亚学者在2016年提出。座头鲸的泡泡网狩猎行假设当前空间中最适合的个体为猎物，其他个体以“9”型或“O”型2种气泡网攻击方式向最优个体逼近。鲸鱼优化算法描述了鲸鱼上升螺旋气泡攻击方法，为了使优化算法理论化，需用数学建模其3个阶段———鲸鱼包围猎物、泡泡网攻击和搜索猎物；本发明通过危化气体泄漏的实际情况结合鲸鱼优化算法对泄漏源进行预测和搜寻两步。
泄漏源预测，表达式为:
Figure BDA0003657249800000121
其中，H表示寻找泄漏源的步长距离，
Figure BDA0003657249800000122
为数理逻辑运算符，I*(f)表示目前已发现的泄漏源的位置，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量；
泄漏源搜寻，表达式为:
I(f+1)＝Ig(f)-K·H
Figure BDA0003657249800000123
其中，Ig(f)表示新发现的泄漏源位置向量，H表示寻找泄漏源的步长，
Figure BDA0003657249800000131
为数理逻辑运算符，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量。
危化气体浓度变化建立模型，表达式为：
Figure BDA0003657249800000132
其中，L(x，y)表示坐标(x，y)处的危化气体浓度，i表示总的泄漏源数量，h＝1，2，…，i，Ny表示危化气体在水平方向上的扩散强度，Nz表示危化气体在竖直方向上的扩散强度，Mh表示泄漏源的危化气体泄漏质量流量，yh表示泄漏源的纵坐标，d表示风速，π表示圆周率，δ表示浓度测量值中加入的测量随机误差；
所有危化气体浓度采集传感器所在位置，浓度预测值与浓度测量值的偏差，表达式为:
Figure BDA0003657249800000133
其中，O表示偏差值的评价指标，m表示测量危化气体浓度传感器数量，
Figure BDA0003657249800000134
表示第j个传感器位置预测的危化气体浓度值，
Figure BDA0003657249800000135
表示第j个传感器测量得到的危化气体浓度真实值。
危化气体压力变化模型，表达式为：
Figure BDA0003657249800000136
其中，Wl表示管道内的压强，Y表示管道容积，B表示危化气体的气体常数，F表示危化气体的温度，j1表示正常时危化气体的量，j2表示泄漏的危化气体的量，j3表示危化气体的测量随机误差。
如图2所示，对危化气体图像进行分辨率调整和解码，步骤为：
步骤A1：对图像的前景与背景进行序列重构，分别得到图像框架下的泄漏图像前景序列和抠除泄漏图像后的背景序列；
步骤A2：对于时域冗余序列，依据原始分辨率高质量编码连续图像序列进行去除，利用下采样处理方法降低背景图像序列的分辨率；
步骤A3：得到时序一一对应的前景与背景混合码流，经过码率控制和码流同步后，通过NB-IoT设备实时传输至后端进行存储和解码。
将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，还原至实际的空间对应位置，映射过程表达式为：
Figure BDA0003657249800000141
式中:(n,m)表示像素坐标，H(n,m)表示图像的明亮度，
Figure BDA0003657249800000142
表示图像的色度，
Figure BDA0003657249800000143
表示图像的浓度，Ax表示映射的结果。
在固定机位的摄像头下，泄漏源出现在指定的区域内，同样泄漏源出现的区域也是有位置范围限制的，并呈概率分布。标注训练集中每一个泄漏源中心出现的空间位置，统计得到散点图，通过二维聚类分析，找到密集中心点和拟合轨迹线，并得到泄漏源位置的概率分布。
采用曲线拟合，表达式为：
Figure BDA0003657249800000144
其中，Q(i，j)表示图像散点的空间坐标，t表示图像总的像素点数，λ为拟合系数，s表示第s次拟合，is表示每次拟合值；
在拟合过程中，利用最小二乘法进行误差函数的计算，表达式为：
Figure BDA0003657249800000145
其中，R表示误差值，v表示第V误差函数计算，w表示误差函数计算的总次数，zv表示样本点与中心点的差值，av为样本点，
Figure BDA0003657249800000155
为中心点；
泄漏源在空间(i,j)位置出现的概率T，表达式为：
Figure BDA0003657249800000151
其中，Un表示第n张危化气体图像泄漏源覆盖区域的密集指数，tn表示训练集中泄漏源数，A表示危化气体图像高度，B表示危化气体图像宽度，Zc为训练集平均泄漏源密度，D为统计危化气体图像的总帧数；
约束方程，表达式为：
ai∈[di-εi，ei+εi]
aj∈[dj-εj，ej+εj]
其中，di表示统计训练集中所有历史泄漏源大小得到的图像宽度最小尺寸，ei表示图像宽度最大尺寸，εi表示图像宽度尺寸误差，ai表示图像宽度尺寸,aj表示图像高度尺寸，dj表示统计训练集中所有历史泄漏源大小得到的图像高度最小尺寸，ej表示图像高度最大尺寸，εj表示图像高度尺寸误差。
建立危化气体泄漏相似度数函数，表达式为:
Figure BDA0003657249800000152
其中，
Figure BDA0003657249800000153
表示第n个NB-IOT设备传输的第z个泄漏特征，
Figure BDA0003657249800000154
表示第m个NB-IOT设备预测的第z个泄漏特征,w表示总的泄漏源个数，Kn和Km表示泄漏特征，r表示泄漏特征数；
泄漏源最终定位位置，表达式为:
Figure BDA0003657249800000161
其中，
Figure BDA0003657249800000162
和
Figure BDA0003657249800000163
分别表示所有泄漏源的纬度和经度，L表示最终定位位置的个数，Idn和Jfn分别表示单个泄漏源的纬度和经度。
信号接收功率差值，表达式为：
Zg，j＝Xg-Xj
其中，Xg表示第g个NB-IOT设备接收到的信号值，Xj表示第j个NB-IOT设备接收到的信号值，Zg，j表示第g个NB-IOT设备到第j个近邻点的窄带接收功率差；
数据传输模型，表达式为:
Figure BDA0003657249800000164
其中，V是传播损耗，Sb和Sc分别是发射天线和接收天线的增益，τ是载波波长，π表示圆周率，h表示NB-IOT设备信号传输半径。
本发明提出一种基于NB-IOT技术的危化气体监测方法，利用NB-IoT设备的窄带、低频、重传机制等特点结合危化气体浓度数据、压力数据、图像数据通过多种算法模型组合的形式对危化气体泄漏进行监测，该方法克服了现有危化气体监测方法存在着检测结果不准确,对气体的识别率低的缺陷，算法模型是结合现有的理论基础，理解简单，方法可操作性强，有效的监测了危化气体在管道传输中出现的泄漏问题，实现了广覆盖，保证了危化气体在传输中的安全性。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (10)

1.一种基于NB-IOT技术的危化气体监测方法，其特征在于,该方法的步骤为：
步骤S1：利用传感器采集危化气体的管道浓度数据、管道压力数据、管道图像数据；
步骤S2：建立NB-IoT设备数据收发模型，同时建立危化气体泄漏的特征综合数据库，包括浓度特征、压力特征、图像特征；
步骤S3：利用纬度和经度建立危化气体管道的位置方程，在危化气体出现泄漏时进行准确定位；
步骤S4：利用鲸鱼优化算法建立模型进行危化气体泄漏源预测和泄漏源搜寻，完成初步的泄漏源寻找工作；
步骤S5：根据危化气体出现泄漏时浓度发生变化这一特征，利用高斯烟团算法对危化气体浓度变化建立模型；
步骤S6：利用气体的热力学理论建立危化气体压力变化模型；
步骤S7：对危化气体图像进行分辨率调整和解码，将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，利用多项式对管道图像数据进行散点的曲线拟合，同时利用最小二乘法进行计算误差函数，统计在图像数据中出现危化气体泄漏的概率及约束方程；
步骤S8：建立危化气体泄漏相似度数函数，对浓度特征、压力特征、图像特征同时进行相似度判断，定位出泄漏源；
步骤S9：对泄漏源个数进行判断，重复步骤S4、S5、S6、S7、S8，直至找出所有的泄漏源；
步骤S10：计算NB-IOT设备信号接收功率差值，数据传输模型，完成对危化气体的监测。
2.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述NB-IoT设备数据接收模型，表达式为:
A＝BC+D
其中，A表示所有NB-IoT设备发送的信号向量，C表示所有NB-IoT设备接收的信号向量，B表示信道状态信息矩阵，D表示高斯白噪声矩阵；
NB-IoT设备收到的信号，表达式为：
Figure FDA0003657249790000021
其中，e表示NB-IoT设备收到的信号，j表示j个NB-IoT设备参考点,i表示i个NB-IoT设备；
所述危化气体泄漏的特征综合数据库，表达式为：
G＝[W，U，Z]
其中，G表示危化气体泄漏的特征综合，W表示泄漏时管道的图像特征，U表示泄漏时管道的压力特征，Z表示泄漏时危化气体的浓度特征；
所述危化气体管道的位置方程，表达式为：
E＝[(x1，y1)，(x2，y2)，...，(xn，yn)]T
其中，E表示危化气体管道的纬度和经度集，xn和yn分别表示第n个点的纬度和经度，T表示矩阵的转置运算。
3.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述泄漏源预测，表达式为:
Figure FDA0003657249790000031
其中，H表示寻找泄漏源的步长距离，
Figure FDA0003657249790000032
为数理逻辑运算符，I*(f)表示目前已发现的泄漏源的位置，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量；
所述泄漏源搜寻，表达式为:
I(f+1)＝Ig(f)-K·H
Figure FDA0003657249790000033
其中，Ig(f)表示新发现的泄漏源位置向量，H表示寻找泄漏源的步长，
Figure FDA0003657249790000034
为数理逻辑运算符，I(f)表示预测的泄漏源的位置向量，f为迭代次数，K和J为系数向量。
4.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述危化气体浓度变化建立模型，表达式为：
Figure FDA0003657249790000035
其中，L(x，y)表示坐标(x，y)处的危化气体浓度，i表示总的泄漏源数量，h＝1，2，…，i，Ny表示危化气体在水平方向上的扩散强度，Nz表示危化气体在竖直方向上的扩散强度，Mh表示泄漏源的危化气体泄漏质量流量，yh表示泄漏源的纵坐标，d表示风速，π表示圆周率，δ表示浓度测量值中加入的测量随机误差；
所有危化气体浓度采集传感器所在位置，浓度预测值与浓度测量值的偏差，表达式为:
Figure FDA0003657249790000041
其中，O表示偏差值的评价指标，m表示测量危化气体浓度传感器数量，
Figure FDA0003657249790000042
表示第j个传感器位置预测的危化气体浓度值，
Figure FDA0003657249790000043
表示第j个传感器测量得到的危化气体浓度真实值。
5.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述危化气体压力变化模型，表达式为：
Figure FDA0003657249790000044
其中，Wl表示管道内的压强，Y表示管道容积，B表示危化气体的气体常数，F表示危化气体的温度，j1表示正常时危化气体的量，j2表示泄漏的危化气体的量，j3表示危化气体的测量随机误差。
6.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述对危化气体图像进行分辨率调整和解码，步骤为：
步骤A1：对图像的前景与背景进行序列重构，分别得到图像框架下的泄漏图像前景序列和抠除泄漏图像后的背景序列；
步骤A2：对于时域冗余序列，依据原始分辨率高质量编码连续图像序列进行去除，利用下采样处理方法降低背景图像序列的分辨率；
步骤A3：得到时序一一对应的前景与背景混合码流，经过码率控制和码流同步后，通过NB-IoT设备实时传输至后端进行存储和解码。
7.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述将泄漏图像数据利用色彩模型进行转换，并进行空间位置映射，还原至实际的空间对应位置，映射过程表达式为：
Figure FDA0003657249790000051
式中:(n,m)表示像素坐标，H(n,m)表示图像的明亮度，
Figure FDA0003657249790000052
表示图像的色度，
Figure FDA0003657249790000053
表示图像的浓度，Ax表示映射的结果。
8.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述曲线拟合，表达式为：
Figure FDA0003657249790000054
其中，Q(i，j)表示图像散点的空间坐标，t表示图像总的像素点数，λ为拟合系数，s表示第s次拟合，is表示每次拟合值；
在拟合过程中，利用最小二乘法进行误差函数的计算，表达式为：
Figure FDA0003657249790000055
其中，R表示误差值，v表示第V误差函数计算，w表示误差函数计算的总次数，zv表示样本点与中心点的差值，av为样本点，
Figure FDA0003657249790000056
为中心点；
泄漏源在空间(i,j)位置出现的概率T，表达式为：
Figure FDA0003657249790000057
其中，Un表示第n张危化气体图像泄漏源覆盖区域的密集指数，tn表示训练集中泄漏源数，A表示危化气体图像高度，B表示危化气体图像宽度，Zc为训练集平均泄漏源密度，D为统计危化气体图像的总帧数；
约束方程，表达式为：
ai∈[di-εi，ei+εi]
aj∈[dj-εj，ej+εj]
其中，di表示统计训练集中所有历史泄漏源大小得到的图像宽度最小尺寸，ei表示图像宽度最大尺寸，εi表示图像宽度尺寸误差，ai表示图像宽度尺寸,aj表示图像高度尺寸，dj表示统计训练集中所有历史泄漏源大小得到的图像高度最小尺寸，ej表示图像高度最大尺寸，εj表示图像高度尺寸误差。
9.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，所述建立危化气体泄漏相似度数函数，表达式为:
Figure FDA0003657249790000061
其中，
Figure FDA0003657249790000062
表示第n个NB-IOT设备传输的第z个泄漏特征，
Figure FDA0003657249790000063
表示第m个NB-IOT设备预测的第z个泄漏特征,w表示总的泄漏源个数，Kn和Km表示泄漏特征，r表示泄漏特征数；
泄漏源最终定位位置，表达式为:
Figure FDA0003657249790000064
其中，
Figure FDA0003657249790000065
和
Figure FDA0003657249790000066
分别表示所有泄漏源的纬度和经度，L表示最终定位位置的个数，Idn和Jfn分别表示单个泄漏源的纬度和经度。
10.如权利要求1所述的一种基于NB-IOT技术的危化气体监测方法，其特征在于，信号接收功率差值，表达式为：
Zg，j＝Xg-Xj
其中，Xg表示第g个NB-IOT设备接收到的信号值，Xj表示第j个NB-IOT设备接收到的信号值，Zg，j表示第g个NB-IOT设备到第j个近邻点的窄带接收功率差；
数据传输模型，表达式为:
Figure FDA0003657249790000071
其中，V是传播损耗，Sb和Sc分别是发射天线和接收天线的增益，τ是载波波长，π表示圆周率，h表示NB-IOT设备信号传输半径。
CN202210564401.4A 2022-05-23 2022-05-23 一种基于nb-iot技术的危化气体监测方法 Active CN114777030B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210564401.4A CN114777030B (zh) 2022-05-23 2022-05-23 一种基于nb-iot技术的危化气体监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210564401.4A CN114777030B (zh) 2022-05-23 2022-05-23 一种基于nb-iot技术的危化气体监测方法

Publications (2)

Publication Number Publication Date
CN114777030A true CN114777030A (zh) 2022-07-22
CN114777030B CN114777030B (zh) 2023-09-05

Family

ID=82409519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210564401.4A Active CN114777030B (zh) 2022-05-23 2022-05-23 一种基于nb-iot技术的危化气体监测方法

Country Status (1)

Country Link
CN (1) CN114777030B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11776378B2 (en) * 2022-10-14 2023-10-03 Chengdu Qinchuan Iot Technology Co., Ltd. Methods for predicting gas leakage based on indoor safety and smart gas Internet of Things systems

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06117600A (ja) * 1992-09-30 1994-04-26 Mitsui Toatsu Chem Inc ガス、蒸気等の漏洩地点および漏洩量推定システム
CN108920818A (zh) * 2018-06-29 2018-11-30 中国安全生产科学研究院 危险化学品气体泄漏等浓度线质心轨迹溯源算法
CN109140242A (zh) * 2018-09-12 2019-01-04 哈尔滨工业大学 一种综合管廊燃气舱在线监测及通风联动控制方法
CN109269565A (zh) * 2018-10-18 2019-01-25 杭州电子科技大学 一种基于位置管控的危险品运输监测设备以及监测方法
CN109681786A (zh) * 2019-01-31 2019-04-26 杭州电子科技大学 一种危化品泄漏源定位方法
CN110059355A (zh) * 2019-03-18 2019-07-26 清华大学 基于浓度时间序列的泄漏源定位方法、装置和计算机设备
CN110398320A (zh) * 2019-07-09 2019-11-01 北京讯腾智慧科技股份有限公司 一种易于持续优化的燃气泄漏检测定位方法及系统
CN110410681A (zh) * 2019-07-31 2019-11-05 海南高信通科技有限公司 一种燃气安全远程智能家居预警系统
WO2021027803A1 (zh) * 2019-08-13 2021-02-18 常州大学 一种城市非金属管道泄漏定位方法
US10948471B1 (en) * 2017-06-01 2021-03-16 Picarro, Inc. Leak detection event aggregation and ranking systems and methods
CN113610260A (zh) * 2021-04-24 2021-11-05 北京工业大学 一种城市生活垃圾焚烧过程烟气组分浓度预测方法
CN114118682A (zh) * 2021-10-15 2022-03-01 山东联安信息科技有限责任公司 一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法
CN114299002A (zh) * 2021-12-24 2022-04-08 中用科技有限公司 一种路面抛洒异常行为智能检测系统与方法
CN114352947A (zh) * 2021-12-08 2022-04-15 天翼物联科技有限公司 一种燃气管道泄漏检测方法、系统、装置及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06117600A (ja) * 1992-09-30 1994-04-26 Mitsui Toatsu Chem Inc ガス、蒸気等の漏洩地点および漏洩量推定システム
US10948471B1 (en) * 2017-06-01 2021-03-16 Picarro, Inc. Leak detection event aggregation and ranking systems and methods
CN108920818A (zh) * 2018-06-29 2018-11-30 中国安全生产科学研究院 危险化学品气体泄漏等浓度线质心轨迹溯源算法
CN109140242A (zh) * 2018-09-12 2019-01-04 哈尔滨工业大学 一种综合管廊燃气舱在线监测及通风联动控制方法
CN109269565A (zh) * 2018-10-18 2019-01-25 杭州电子科技大学 一种基于位置管控的危险品运输监测设备以及监测方法
CN109681786A (zh) * 2019-01-31 2019-04-26 杭州电子科技大学 一种危化品泄漏源定位方法
CN110059355A (zh) * 2019-03-18 2019-07-26 清华大学 基于浓度时间序列的泄漏源定位方法、装置和计算机设备
CN110398320A (zh) * 2019-07-09 2019-11-01 北京讯腾智慧科技股份有限公司 一种易于持续优化的燃气泄漏检测定位方法及系统
CN110410681A (zh) * 2019-07-31 2019-11-05 海南高信通科技有限公司 一种燃气安全远程智能家居预警系统
WO2021027803A1 (zh) * 2019-08-13 2021-02-18 常州大学 一种城市非金属管道泄漏定位方法
CN113610260A (zh) * 2021-04-24 2021-11-05 北京工业大学 一种城市生活垃圾焚烧过程烟气组分浓度预测方法
CN114118682A (zh) * 2021-10-15 2022-03-01 山东联安信息科技有限责任公司 一种基于5g技术的氢油氨区智能监测预警及风险隐患识别方法
CN114352947A (zh) * 2021-12-08 2022-04-15 天翼物联科技有限公司 一种燃气管道泄漏检测方法、系统、装置及存储介质
CN114299002A (zh) * 2021-12-24 2022-04-08 中用科技有限公司 一种路面抛洒异常行为智能检测系统与方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张义威: "基于ZigBee的危化气体监测系统手持终端设计", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2017 *
张双双: "燃气管道泄漏监测与定位系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2021 *
李雪芳: "储氢系统意外氢气泄漏和扩散研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 2017 *
王玉秀: "天然气生产碳氢处理工艺可燃气体探测器优化布置研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2019 *
王逸君;王艳君;杨骥勋;白杰;武海天;: "SF_6气体泄漏智能遥视在线监测系统", 河北农业大学学报, no. 03 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11776378B2 (en) * 2022-10-14 2023-10-03 Chengdu Qinchuan Iot Technology Co., Ltd. Methods for predicting gas leakage based on indoor safety and smart gas Internet of Things systems

Also Published As

Publication number Publication date
CN114777030B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
US7228136B2 (en) Location estimation in wireless telecommunication networks
CN106793082B (zh) 一种在wlan/蓝牙异构网络环境中的移动设备定位方法
CN105069537B (zh) 一种组合式空气质量预报模型的构建方法
CN109946235B (zh) 风云4a气象卫星多通道扫描成像辐射计的多层云反演方法
CN104834017A (zh) 一种有毒有害气体泄漏扩散事故源定位方法
CN106792465A (zh) 一种基于众包指纹的室内指纹地图构建方法
CN109579791B (zh) 一种快速高效水土保持淤地坝调查与评估方法
CN114088885B (zh) 一种大气污染物走航检测系统
CN108375363B (zh) 天线方位角偏转核查方法、装置、设备及介质
CN104038901A (zh) 一种减少指纹数据采集工作量的室内定位方法
CN112927565B (zh) 提升机坪综合航迹监视数据精度的方法、装置及系统
CN114363808B (zh) 一种基于rssi测距的室内定位方法
CN114777030B (zh) 一种基于nb-iot技术的危化气体监测方法
CN110990505A (zh) 一种基于神经网络的Loran-C ASF修正方法
CN104200082A (zh) 台风登陆预测方法
Rodrigues et al. Extracting 3D maps from crowdsourced GNSS skyview data
Klein et al. Wireless sensor networks for fugitive methane emissions monitoring in oil and gas industry
CN108574927B (zh) 一种移动终端定位方法及装置
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
Bao et al. Application of lightning spatio-temporal localization method based on deep LSTM and interpolation
CN109341650B (zh) 一种基于最小检测代价的无人机高程误差双门限修正方法
CN108540926B (zh) 一种无线信号指纹的构建方法及装置
CN114488247A (zh) 一种基于高精度北斗差分定位分析装备机动能力的方法
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
CN114486820A (zh) 一种机载微波辐射计云中过冷水的反演方法

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