CN115144548A - 有害气体成分实时监测系统及其监测方法 - Google Patents
有害气体成分实时监测系统及其监测方法 Download PDFInfo
- Publication number
- CN115144548A CN115144548A CN202211050635.3A CN202211050635A CN115144548A CN 115144548 A CN115144548 A CN 115144548A CN 202211050635 A CN202211050635 A CN 202211050635A CN 115144548 A CN115144548 A CN 115144548A
- Authority
- CN
- China
- Prior art keywords
- data
- harmful gas
- monitoring
- unit
- grid
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000009792 diffusion process Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000007789 gas Substances 0.000 claims description 120
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 13
- 231100000331 toxic Toxicity 0.000 description 8
- 230000002588 toxic effect Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010295 mobile communication Methods 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
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid 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
- G01N33/0062—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
- G01N33/0067—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 by measuring the rate of variation of the concentration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本发明提出了有害气体成分实时监测系统及其监测方法,获取待监测区域内的多个监测点收集的监测数据,生成以待监测位置为中心的网格图;将监测数据映射到所述网格图上,通过对映射了监测数据后的网格图中的单元网格进行重新数据分配,来生成新的映射数据的网格图;提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;根据数据处理单元判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
Description
技术领域
本发明涉及环境有害气体监测领域,具体涉及有害气体成分实时监测系统及其监测方法。
背景技术
数据融合技术正处于不断变化和发展过程中,其研究和应用还处于初级阶段,还有很多问题需要解决。首先,该技术还没有找到统一的融合理论和有效的广义融合模型及算法,其次,还没有解决融合系统中容错性和鲁棒性的问题,针对数据融合中数据关联二义性问题,目前还没有找到解决该问题的方法。但是,随着现代科技的发展及一些关键问题的解决,多传感器数据融合一定会成为未来复杂工业系统数据处理与智能检测的重要技术,其应用领域必将不断扩大。
传感器数据融合在信息领域的研究前景非常广阔。由于单一的数据融合算法具有一定的局限性,为进一步提高融合系统的性能,将2种或2种以上的数据融合算法有机结合起来进行优势集成将成为数据融合领域未来的研究热点。
多传感器数据融合技术的特点是它依靠某种准则对不同时间和空间的数据进行分析综合,获得比单一传感器更准确的类别或状态检测。由于该技术的精确度高,抗干扰能力强,多传感器数据融合技术在很多领域已经得到了广泛的应用。把融合技术应用到气体检测系统中,对于同类传感器来说,多传感器数据融合不仅可以获得更加准确全面的信息,还能克服因信息的冗余性造成输出结果不确定性的缺点,提高置信度。对于异质传感器而言,数据融合技术可以对不同传感器测得的数据进行互补,互补的信息不仅可以补偿单个传感器测量的不确定性并且还能解决测量范围局限性的问题,多传感器数据融合技术的应用对增加系统的可靠性也起到了很大的帮助,如当某个或某几个传感器出现故障或失效时,系统仍可正常工作。
现有技术中,例如专利文献CN111915069A,公开了一种基于深度学习的轻量级有毒有害气体分布的检测方法,通过对待测现场的地貌环境参数和有毒有害气体参数进行采集、关键特征构建、数据进行预处理、离线训练、模型量化训练、归一化指数回归及预测出污染现场地貌和有毒有害气体立体分布结果,从而确定危险等级,预测的结果发送至云服务器平台,将污染现场有毒有害气体立体分布情况和危险等级结果进行反馈。该技术方案是一种综合智能传感、物联网、深度学习技术的检测方法,对现场进行准确完善的危险态势评估,但是需要建立庞大的训练数据库,不能实时给出监测结果。
再例如专利文献CN109118740A,公开了一种专用于消防部队灭火救援现场的有毒有害气体监测系统及数据传输处理方法,由位于消防移动通信指挥中心的LoRa现场基站、现场监测数据接收单元、数据分析决策单元、现场消防通信指挥系统、消防350M集群通信系统;位于消防部队灭火救援现场的多个有毒有害气体监测终端和现场LoRa无线局域网构成;通过有毒有害气体监测终端在灾害事故现场实时采集现场有毒有害气体数据,通过现场LoRa专用通信网络将数据传输到现场消防移动通信指挥中心。但是该技术方案中的传感器种类单一,获得的信息综合性较差。
发明内容
为了解决上述技术问题,本发明提出了一种有害气体成分实时监测方法,包括如下步骤:
S1、获取待监测区域内的多个监测点收集的监测数据,所述监测数据包括有害气体数据和天气数据;
S2、生成以待监测位置为中心的网格图,
S3、将所述监测数据映射到所述网格图上,通过对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图;
S4、提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;
S5、根据数据处理单元判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
进一步地,所述步骤S3具体包括:
S31、确定网格图中覆盖有气象监测点或空气质量监测点的单元网格,定义不包含气象监测点或空气质量监测点的单元网格为空白单元网格;
S32、从位于单元网格内的气象监测点或空气质量监测点收集有害气体数据或天气数据;
S33、获取来自该空白单元网格周边多个单元网格的气象监测点或空气质量监测点的监测数据,使用权重插值法为所述空白单元网格赋予空缺的有害气体数据或天气数据。
进一步地,权重插值法的公式为:
确定权重的计算公式为:
进一步地,所述步骤S4具体包括:
其中,i=1,2,...,n;i为第i个空气质量监测点或第i个气象监测点;j=1,2……,m;j代表有害气体的等级或气体扩散等级;为第i个空气质量监测点或第i个气象监测点的监测数据;为等级为j的有害气体或气体扩散的标准特征参数;为等级为j的有害气体或气体扩散的标准特征参数的最大标准偏差;
本发明还提出了一种有害气体成分实时监测系统,用于实现上述的有害气体成分实时监测方法,包括:
多个监测点、数据获取单元、网格构建单元、映射单元、数据处理单元和预警单元;
所述多个监测点包括多个空气质量监测点和气象监测点,
所述数据获取单元用于获取待监测区域内的多个监测点收集的监测数据,所述监测数据包括有害气体数据和天气数据;
所述网格构建单元用于生成以待监测位置为中心的网格图,
所述映射单元,用于将气象监测点监测的天气数据和空气质量监测点监测的有害气体数据映射到网格图上,对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图;
所述数据处理单元,用于提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;
所述预警单元,根据数据处理单元判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
相比于现有技术,本发明具有如下有益技术效果:
以待监测位置为中心构建网格图;将监测数据映射到网格图上,通过对映射了监测数据后的网格图中的单元网格进行重新数据分配,来生成新的映射数据的网格图;使用插值方法将有害气体数据和天气数据分配给空白单元网格,实现了数据分析的均匀和便捷性。提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;将隶属度值作为基本可信任分配函数值,把基本可信任分配函数值作为一个数据体,根据数据合成公式将不同的数据体融合为一个新的数据体。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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。
附图1为本发明的有害气体成分实时监测系统的结构示意图;
附图2为本发明的网格图中每个单元网格所覆盖的监测点情况;
附图3为本发明的有害气体成分实时监测方法的流程图;
附图4为对单元网格进行重新数据分配的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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做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。
在本发明的具体实施例附图中,为了更好、更清楚的描述系统中的各元件的工作原理,表现所述装置中各部分的连接关系,只是明显区分了各元件之间的相对位置关系,并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示,为本发明的有害气体成分实时监测系统的结构示意图,该监测系统包括:多个监测点、数据获取单元、网格构建单元、映射单元、数据处理单元和预警单元;多个监测点包括多个空气质量监测点和气象监测点。
数据获取单元用于获取待监测区域内的多个监测点收集的监测数据,所述监测数据在预定时间段内收集,其中所述监测数据包括所述待监测区域的有害气体数据和天气数据。
网格构建单元用于生成以待监测位置为中心的网格图。
映射单元,用于将气象监测点监测的天气数据和空气质量监测点监测的有害气体数据映射到网格图上,对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图。
确定新的映射了数据的网格图中覆盖有气象监测点或空气质量监测点的单元网格。
对于覆盖有气象监测点或空气质量监测点的单元网格,从位于单元网格内的气象监测点或空气质量监测点收集天气数据或有害气体数据。需要强调的是,并不是每个单元网格内都覆盖有气象监测点或空气质量监测点,定义不包含气象监测点或空气质量监测点的单元网格为空白单元网格,为了数据分析的均匀和便捷性,本发明使用插值方法将有害气体数据和天气数据分配给空白单元网格,如图2所示,为采用插值方法前的网格图中每个单元网格所覆盖的监测点情况,覆盖有空气质量监测点的标记1,覆盖有气象监测点的标记2。
对于不包含气象监测点或不包含空气质量监测点的空白单元网格,获取来自该空白单元网格周边多个单元网格的气象监测点或空气质量监测点的监测数据。采用权重插值法,根据周边多个单元网格的气象监测点的监测数据,估计空白单元网格的气象数据以及根据周边多个单元网格的空气质量监测点的监测数据,估计空白单元网格的有害气体数据。
权重插值法是基于相似相近的原理,即:2个区域离得越近,它们的性质就越相似,反之,2个区域离得越远,相似性越小。权重插值法以插值点与样本点间的距离为权重进行加权平均,离插值点越近的样本点赋予的权重越大,离插值点越远的样本点赋予的权重越小。
权重插值法的公式为:
确定权重的计算公式为:
数据处理单元用于提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据。
提取和分类来自多个空气质量监测点的有害气体数据的具体方法如下:
首先,确定待监测位置的周围区域,确定该周围区域覆盖的网格图。
其次,提取数据。对待监测位置的周围区域覆盖的网格图内的多个空气质量监测点的多组有害气体数据进行预处理,每个空气质量监测点提供一组有害气体数据。
然后,对预处理后的数据进行分类。确认该多组数据的隶属度值m1,m2,…,m3,将隶属度值作为基本可信任分配函数值,把基本可信任分配函数值作为一个数据体,根据数据合成公式将不同的数据体融合为一个新的数据体。
本实施例选择了8种有害气体等级作为隶属度函数判断标准,相应的空气质量监测数据的数目为n。
为了确定各空气质量监测点所监测的有害气体数据相对于有害气体级别的隶属度函数形式,首先构造隶属度函数。
其中,i=1,2,...,n;n为空气质量监测点的数目;j=1,2……,8;j代表有害气体的等级。
使用高斯型的隶属度函数来计算有害气体中不同等级对应的隶属度值,隶属度函数的表达式为:
气象监测点的监测数据主要为监测的风速和风向。把大气对有害气体的气体扩散用A,B,C,D,E,F六个等级表示。
本实施例选择待监测区域的多个气象监测数据作为融合输入,监测数据数目为N。
提取和分类多个气象监测数据,仍然采用隶属度函数形式,构造隶属度函数,测量气象监测数据的隶属度函数,计算气象监测数据对应各种气体扩散等级的隶属度值之后,计算待监测区域的气体扩散等级模糊隶属度,综合评定待监测区域的气体扩散为某一等级气体扩散的可能性,具体计算过程与前面的有害气体中不同类别的隶属度计算方法基本相同,不同的只是气体扩散等级为6,而有害气体等级为8,因此,隶属度函数的表达式为:
预警模块,根据所述数据处理单元计算的隶属度,判定的每个单元网格的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值;根据所述数据处理单元计算的模糊隶属度,判定待监测区域的综合危险等级,绘制待监测区域内的综合危险等值线。
在另一优选实施例中,预警模块根据数据处理单元给出的每个单元网格的有害气体浓度等级分布结果,为待监测区域内每个单元网格标注有害气体浓度等级值,按照不同有害气体浓度等级值为每个单元网格填充颜色,从深色到浅色分别代表有害气体浓度等级值从高到低;根据数据处理单元给出的每个单元网格的气体扩散等级分布结果,为每个单元网格标注扩散危险等级,按照不同扩散危险等级值为每个单元网格填充颜色,从深色到浅色分别代表有害气体浓度等级值从高到低;寻找颜色重叠区域,并根据重叠区域的颜色的深浅给出该单元网格的综合危险等级,同时未被颜色覆盖的区域则为安全区域,按照重叠颜色从深到浅,标注逃离路线。
本发明还提出了一种有害气体成分实时监测方法,如图3所示,为本发明的有害气体成分实时监测方法的流程图,包括如下步骤:
S1、获取待监测区域内的多个监测点收集的监测数据,所述监测数据包括有害气体数据和天气数据;
S2、生成以待监测位置为中心的网格图,
S3、将所述监测数据映射到所述网格图上,通过对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图;如图4所示,为步骤S3的具体步骤,包括:
S31、确定网格图中覆盖有气象监测点或空气质量监测点的单元网格,定义不包含气象监测点或空气质量监测点的单元网格为空白单元网格;
S32、从位于单元网格内的气象监测点或空气质量监测点收集有害气体数据或天气数据;
S33、获取来自该空白单元网格周边多个单元网格的气象监测点或空气质量监测点的监测数据,使用权重插值法为所述空白单元网格赋予空缺的有害气体数据或天气数据。
S4、提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;
S5、根据数据处理单元判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如,固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种有害气体成分实时监测方法,其特征在于,包括如下步骤:
S1、获取待监测区域内的多个监测点收集的监测数据,所述监测数据包括有害气体数据和天气数据;
S2、生成以待监测位置为中心的网格图,
S3、将所述监测数据映射到所述网格图上,通过对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图;
S4、提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;
S5、根据判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
2.根据权利要求1所述的有害气体成分实时监测方法,其特征在于,所述步骤S3具体包括:
S31、确定网格图中覆盖有气象监测点或空气质量监测点的单元网格,定义不包含气象监测点或空气质量监测点的单元网格为空白单元网格;
S32、从位于单元网格内的气象监测点或空气质量监测点收集有害气体数据或天气数据;
S33、获取来自所述空白单元网格周边多个单元网格的气象监测点或空气质量监测点的监测数据,使用权重插值法为所述空白单元网格赋予空缺的有害气体数据或天气数据。
5.有害气体成分实时监测系统,用于实现如权利要求1-4任意一项所述的有害气体成分实时监测方法,其特征在于,包括:
多个监测点、数据获取单元、网格构建单元、映射单元、数据处理单元和预警单元;
所述多个监测点包括多个空气质量监测点和气象监测点,
所述数据获取单元用于获取待监测区域内的多个监测点收集的监测数据,所述监测数据包括有害气体数据和天气数据;
所述网格构建单元用于生成以待监测位置为中心的网格图,
所述映射单元,用于将气象监测点监测的天气数据和空气质量监测点监测的有害气体数据映射到网格图上,对网格图中的单元网格重新进行数据分配,来生成新的映射了数据的网格图;
所述数据处理单元,用于提取和分类来自多个空气质量监测点的有害气体数据和来自多个气象监测点的天气数据,判定有害气体数据和天气数据的等级隶属度;
所述预警单元,根据数据处理单元判定的有害气体数据和天气数据的等级隶属度,为待监测区域内每个单元网格标注有害气体浓度等级值和天气气体扩散等级值,判定每个单元网格的综合危险等级,绘制待监测区域内的综合危险等值线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050635.3A CN115144548B (zh) | 2022-08-31 | 2022-08-31 | 有害气体成分实时监测系统及其监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050635.3A CN115144548B (zh) | 2022-08-31 | 2022-08-31 | 有害气体成分实时监测系统及其监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115144548A true CN115144548A (zh) | 2022-10-04 |
CN115144548B CN115144548B (zh) | 2022-11-18 |
Family
ID=83415518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050635.3A Active CN115144548B (zh) | 2022-08-31 | 2022-08-31 | 有害气体成分实时监测系统及其监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115144548B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969769A (zh) * | 2024-03-29 | 2024-05-03 | 山东昆仲信息科技有限公司 | 基于传感技术的大气污染物含量监测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289733A (zh) * | 2011-07-12 | 2011-12-21 | 北京师范大学 | 基于gis的区域大气风险空间分布评估方法 |
CN108280789A (zh) * | 2018-01-31 | 2018-07-13 | 中国科学院地理科学与资源研究所 | 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法 |
CN109063975A (zh) * | 2018-07-11 | 2018-12-21 | 国网黑龙江省电力有限公司电力科学研究院 | 一种电力微气象灾害监测及预警装置 |
CN110084418A (zh) * | 2019-04-21 | 2019-08-02 | 北京工业大学 | 一种突发大气污染事故应急监测的监测点优化布设方法 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN110687547A (zh) * | 2019-09-27 | 2020-01-14 | 北京航天环境工程有限公司 | 一种基于遥感雷达的有毒有害气体环境风险预警监测方法 |
CN111523796A (zh) * | 2020-04-21 | 2020-08-11 | 西南石油大学 | 非煤隧道有害气体危害评价方法 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测系统及方法 |
CN113850477A (zh) * | 2021-08-27 | 2021-12-28 | 北京北大千方科技有限公司 | 一种污染物的危害等级判定方法、装置、终端 |
CN114757807A (zh) * | 2022-06-13 | 2022-07-15 | 江苏省生态环境监测监控有限公司 | 多模式融合的大气污染物实际排放量在线核算方法 |
CN115115125A (zh) * | 2022-07-13 | 2022-09-27 | 西安理工大学 | 基于深度学习融合模型的光伏功率区间概率预测方法 |
-
2022
- 2022-08-31 CN CN202211050635.3A patent/CN115144548B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289733A (zh) * | 2011-07-12 | 2011-12-21 | 北京师范大学 | 基于gis的区域大气风险空间分布评估方法 |
CN108280789A (zh) * | 2018-01-31 | 2018-07-13 | 中国科学院地理科学与资源研究所 | 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法 |
CN109063975A (zh) * | 2018-07-11 | 2018-12-21 | 国网黑龙江省电力有限公司电力科学研究院 | 一种电力微气象灾害监测及预警装置 |
CN110084418A (zh) * | 2019-04-21 | 2019-08-02 | 北京工业大学 | 一种突发大气污染事故应急监测的监测点优化布设方法 |
CN110567510A (zh) * | 2019-07-23 | 2019-12-13 | 北京英视睿达科技有限公司 | 大气污染监测方法、系统、计算机设备和存储介质 |
CN110687547A (zh) * | 2019-09-27 | 2020-01-14 | 北京航天环境工程有限公司 | 一种基于遥感雷达的有毒有害气体环境风险预警监测方法 |
CN112880751A (zh) * | 2020-04-03 | 2021-06-01 | 中科三清科技有限公司 | 基于走航监测的空气污染状况获取方法 |
CN111523796A (zh) * | 2020-04-21 | 2020-08-11 | 西南石油大学 | 非煤隧道有害气体危害评价方法 |
CN113804829A (zh) * | 2021-08-20 | 2021-12-17 | 重庆市生态环境监测中心 | 一种大气污染天空地一体化实时监测系统及方法 |
CN113850477A (zh) * | 2021-08-27 | 2021-12-28 | 北京北大千方科技有限公司 | 一种污染物的危害等级判定方法、装置、终端 |
CN114757807A (zh) * | 2022-06-13 | 2022-07-15 | 江苏省生态环境监测监控有限公司 | 多模式融合的大气污染物实际排放量在线核算方法 |
CN115115125A (zh) * | 2022-07-13 | 2022-09-27 | 西安理工大学 | 基于深度学习融合模型的光伏功率区间概率预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969769A (zh) * | 2024-03-29 | 2024-05-03 | 山东昆仲信息科技有限公司 | 基于传感技术的大气污染物含量监测方法 |
CN117969769B (zh) * | 2024-03-29 | 2024-05-31 | 山东昆仲信息科技有限公司 | 基于传感技术的大气污染物含量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115144548B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN110019595B (zh) | 一种多源气象数据集成方法及系统 | |
CN111950627B (zh) | 一种多源信息融合方法及其应用 | |
CN106204392A (zh) | 环境风险源预警系统 | |
CN104992254B (zh) | 基于电网gis的山火与气象结合的趋势预判方法 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN110716012B (zh) | 一种基于现场总线网络的油气浓度智能监测系统 | |
CN113936413B (zh) | 一种早期火灾监测预警方法和装置 | |
CN105930900B (zh) | 一种混合风力发电的预测方法及系统 | |
CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
CN115144548B (zh) | 有害气体成分实时监测系统及其监测方法 | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN117538503A (zh) | 一种实时智能的土壤污染监测系统及方法 | |
Panduman et al. | Implementation of integration VaaMSN and SEMAR for wide coverage air quality monitoring | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN113155196A (zh) | 一种基于AIoT的桥梁运行实时监测系统及其监测方法 | |
CN113404655A (zh) | 一种基于ps0-anfis的风力发电机传感器状态诊断系统 | |
CN112446543A (zh) | 基于神经网络的城市地下综合管廊风险管控系统及方法 | |
CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN113298874B (zh) | 基于无人机巡检的输电线路安全距离风险评估方法及装置 | |
CN113466569A (zh) | 一种建筑防雷方法及系统 | |
CN114777030B (zh) | 一种基于nb-iot技术的危化气体监测方法 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN114299231A (zh) | 一种河道水污染3d模型的构建方法 |
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 |