CN115238807A - 一种基于人工智能的amc侦测方法 - Google Patents
一种基于人工智能的amc侦测方法 Download PDFInfo
- Publication number
- CN115238807A CN115238807A CN202210909687.5A CN202210909687A CN115238807A CN 115238807 A CN115238807 A CN 115238807A CN 202210909687 A CN202210909687 A CN 202210909687A CN 115238807 A CN115238807 A CN 115238807A
- Authority
- CN
- China
- Prior art keywords
- representing
- gas
- data
- value
- function
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 239000007789 gas Substances 0.000 claims abstract description 132
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000003066 decision tree Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011109 contamination Methods 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 8
- 230000002547 anomalous effect Effects 0.000 claims description 6
- 231100001261 hazardous Toxicity 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 239000010410 layer Substances 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 14
- 239000003344 environmental pollutant Substances 0.000 description 13
- 231100000719 pollutant Toxicity 0.000 description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 description 7
- 239000001569 carbon dioxide Substances 0.000 description 7
- 239000004005 microsphere Substances 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000002341 toxic gas Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G01N33/0063—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 using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于人工智能的AMC侦测方法,该方法包括使用AMC侦测系统中的传感器采集生产区域内的污染源数据,建立数据库;对集合函数中的污染源数据进行预处理;对预处理后的数据,使用决策树函数进行影响评估,选择各污染源的影响特征因素,得到单个气体的影响特征值;利用聚类算法对污染源聚类;分类标签导入生成对抗神经网络训练得到危害气体的分类识别模型;利用分类识别模型识别各种污染源,建立阈值标准函数,当污染源超过气体的危险阈值则侦测系统会发出告警消息,通过该方法可以实现对污染源内多种不同有害气体进行同时侦测,并且整个过程无需人为手动控制,真正实现了对污染源数据的自动化侦测,节约了人力成本。
Description
技术领域
本发明涉及洁净室污染物侦测技术领域,尤其涉及一种基于人工智能 的AMC侦测方法。
背景技术
AMC全称为Airborne Molecular Contamination(气体性分子污染 物)。由于随着纳米科技的发展,半导体元件的加工线宽由0.25μm逐渐 进入0.18μm甚至到0.13μm以下,制程环境中微尘粒子或空降分子状污 染物对产品良率影响也就更加显著。污染控制的重点转移到分子的尺度, 化学反应逐渐变成重要的污染效应之一。
授权号为CN103575709B的专利提出了一种高通量的环境污染物检测 方法,该方法将带有待测物分子印迹孔穴的荧光标记微球加入待测水样 中,使其通过流式细胞仪的流动室,形成单微球的液柱流通至激光测量 区,测量区的微球被激光照射后,产生待测物的正向、侧向散射光和微球 荧光标记物的激发荧光,激发荧光透过滤光片转化为电信号,通过对微球 的染色荧光和待测物散射光转化电信号,对待测物进行定性定量的测定。 本发明是利用对水中待测物具有专一性识别能力的微球,在基于流式细胞 技术原理的仪器,可实现多种污染物同时快速定性定量检测。
授权号为CN110702839B的专利提出了一种气体污染物检测方法及装 置,其中方法包括:燃烧气体污染物,得到气体污染物转化的二氧化碳气 体;检测二氧化碳气体的浓度;将二氧化碳气体的浓度与二氧化碳气体标 准浓度进行比较,得到气体污染物的浓度。通过采用燃烧方式处理气体污 染物以得到气体污染物转化的二氧化碳气体,将二氧化碳气体的浓度与标 准二氧化碳气体浓度进行比较,得到待测气体中气体污染物的浓度,具备气体污染物检测精度高的优点,且同步检测各类气体污染物节省检测时 间,提高检测效率。
但是,目前现有所提出的方法侦测时间长,没有实现自动化的侦测过 程并且侦测的污染源气体种类较少,这是亟需解决的问题。
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人工智能 的AMC侦测方法。
本发明所采用的技术方案是,该方法包括步骤如下:
步骤S1:使用AMC侦测系统中的传感器采集生产区域内的污染源数 据,同时利用集合函数Ab对污染源数据建立数据库;
步骤S2:对集合函数中的污染源数据利用预处理方程找出缺失值P、 删除异常数据Hv;
步骤S3:对预处理后的数据,使用决策树函数进行影响评估得到评 估值g(z),选择各污染源的影响特征因素,得到单个气体的影响特征值 ψx;
步骤S4:利用聚类算法对各个污染源进行聚类,得到分类标签编号 Nxy;
步骤S6:利用分类识别模型识别各种污染源,建立阈值标准函数, 当污染源超过气体的危险阈值R则侦测系统会发出告警消息。
进一步地,所述利用集合函数对污染源数据建立数据库,表达式为:
其中,Ab表示集合函数,n(q)表示单位时间内有害气体的数据合集, m(q)表示单位时间内无害气体的数据合集,B表示不同有害气体数据的权 重矩阵,H表示不同无害气体数据的权重矩阵,D表示数据库中表格的总 数,F表示对污染源采集的单位时长,W表示对污染源采集的次数,Ar表 示每次采集污染源的净量,T表示矩阵转置运算。
进一步地,所述预处理方程,表达式为:
其中,P表示数据中的缺失值,Ab表示集合函数,ε表示数据的完整 性程度,Xf表示缺失值前一时刻的测量值,Xj表示缺失值后一时刻的测量 值,Hv表示需要删除异常数据,Kl表示异常数据形成的幅值,I表示数据 允许的范围。
进一步地,所述使用决策树函数进行影响评估,表达式为:
其中,g(z)表示不同气体的评估值,Ls表示不同气体进入决策树的体 积矩阵,Lq表示不同气体的浓度,Li表示进入决策树的总样本数,γu表示 前一单位时间不同气体的含量变化值,δu表示当前单位时间不同气体的含 量变化值,ζu表示下一单位时间不同气体的含量变化值,Δt表示单位时间 的取值;
所述选择各污染源的影响特征因素,表达式为:
其中,ψx表示单个气体的影响特征值,J′表示单个气体的理论影响 值,Js表示单个气体的实际影响值,T表示矩阵的转置运算,β表示单个 气体的危险系数。
进一步地,所述利用聚类算法对各个污染源进行聚类,得到分类标 签,表达式为:
其中,Nxy表示气体的分类标签编号,Smin表示进行分类的标签最小 数,F表示标签的种类数量,Smax表示进行分类的标签最大数,a表示聚类 算法的簇数,b表示聚类的相对熵。
进一步地,所述危害气体的分类识别模型,表达式为:
进一步地,所述阈值标准函数,表达式为:
其中,R表示气体的危险阈值,Rmin表示单位体积内单个气体含量的最 小值,Rmax表示单位体积内单个气体含量的最大值,V表示气体的体积, Qmax表示气体的体积内所包含的污染源种类最大数,Qmax表示气体的体积内 所包含的污染源种类最小数,y表示气体中的常量。
有益效果:
本发明提出一种基于人工智能的AMC侦测方法,该方法利用AMC侦测 系统中的传感器对污染源数据进行采集,然后利用多模型组成的算法对数 据进行预处理、找出缺失值、删除异常数据、得到评估值、得到分类标签 编号、形成危害气体的分类识别函数以及建立阈值标准函数,通过该方法 可以实现对污染源内多种不同有害气体进行同时侦测,并且整个过程无需 人为手动控制,真正实现了对污染源数据的自动化侦测,节约了人力成 本,并且所提出的方法是基于现有的理论模型,理解简单,可操作性强, 保证了该方法的可行性。
附图说明
图1为本发明总体步骤流程图;
图2为本发明的预处理图;
图3为本发明决策树函数评估图。
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,一种基于人工智能的AMC侦测方法,该方法包括步骤如 下:
步骤S1:使用AMC侦测系统中的传感器采集生产区域内的HF、HCl、 Cl2、NH3、NOx、SO2、H2S、C2H4O2、TVOC污染源数据,同时利用集合函数Ab 对污染源数据建立数据库;
AMC侦测系统整体采用SCADA系统思想设计,高度模块化设计:前端 网络前置模块,数据处理模块,数据库管理模块,WEB服务后台模块,报 警控制模块,各模块相对单独,采用软总线连接,具有高度扩展功能。
AMC侦测系统能稳定地运行在WINDOWS,LINUX等多个平台,采用跨 平台的C框架设计,保证平台运行效率;前端部分采用HTML 5设计,交 互方便,适合多个平台下访问使用。
AMC侦测系统采用html5设计,WEB式访问,支持负载均衡,系统稳定 性高,可打包成客户端安装在本地,实时短信,声音等多种报警,系统可 部署在云服务上,支持设置在线列表功能,系统也可在本地单机部署,远 程遥控多个主控制器功能,支持WINDOWS,LINUX系统部署,高并发网络 设计,业务开放设置,配置系统信息,支持多种协议接入,实时数据库与 历史数据库分开,数据库集群,数据长期保存。
报警控制模块采用单独设置的以微处理器为基础的电子产品,并具有 以下基本功能:
1.能为气体探测器、有毒气体探测器及其附件供电;
2.能接收气体探测器的输出信号,显示气体浓度并发出声、光报警;
3.能手动消除声、光报警信号,再次有报警信号输入时仍能发出报 警;
4.具有相对单独、互不影响的报警功能,能区分和识别报警场所位 号;
5.在下列情况下,报警控制模块能发出与可燃气体和有毒气体浓度报 警信号有明显区别的声、光故障报警信号:
1)报警控制模块与传感器之间连线断路或短路;
2)报警控制模块主电源欠压;
3)报警控制模块与电源之间的连线断路或短路。
6.具有以下记录、存储、显示功能:
1)能记录可燃气体和有毒气体的报警时间,且日计时误差不应超过 30s;
2)能显示当前报警部位的总数;
3)能区分先报警部位,后续报警点按报警时间顺序连续显示;
4)具有历史事件记录功能。
利用集合函数Ab对污染源数据建立数据库与单位时间内有害气体的数 据合集,单位时间内无害气体的数据合集,不同有害气体数据的权重矩 阵,H表示不同无害气体数据的权重矩阵,数据库中表格的总数,对污染 源采集的单位时长,对污染源采集的次数,每次采集污染源的净量有关。
如图2所示,步骤S2:对集合函数Ab中的污染源数据利用预处理方程 找出缺失值P、删除异常数据Hv;
缺失值P与集合函数Ab、数据的完整性程度、缺失值前一时刻的测量 值,缺失值后一时刻的测量值有关。
删除异常数据与异常数据形成的幅值、数据允许的范围有关。
如图3所示,步骤S3:对预处理后的数据,使用决策树函数进行影响 评估得到评估值g(z),选择各污染源的影响特征因素,得到单个气体的影 响特征值ψx;
评估值与不同气体进入决策树的体积矩阵、不同气体的浓度、进入决 策树的总样本数、前一单位时间不同气体的含量变化值、当前单位时间不 同气体的含量变化值、下一单位时间不同气体的含量变化值、单位时间的 取值有关。
影响特征值与单个气体的理论影响值、单个气体的实际影响值、单个 气体的危险系数。
步骤S4:利用聚类算法对各个污染源进行聚类,得到分类标签编号 Nxy;
分类标签编号与进行分类的标签最小数、标签的种类数量、进行分类 的标签最大数、聚类算法的簇数、聚类的相对熵有关。
步骤S6:利用分类识别模型识别各种污染源,建立阈值标准函数, 当污染源超过气体的危险阈值R,则AMC侦测系统会发出告警消息。
危险阈值R与单位体积内单个气体含量的最小值、单位体积内单个气 体含量的最大值、气体的体积、气体的体积内所包含的污染源种类最大 数、气体的体积内所包含的污染源种类最小数、气体中的常量有关。
利用集合函数Ab对污染源数据建立数据库,表达式为:
其中,Ab表示集合函数,n(q)表示单位时间内有害气体的数据合集, m(q)表示单位时间内无害气体的数据合集,B表示不同有害气体数据的权 重矩阵,H表示不同无害气体数据的权重矩阵,D表示数据库中表格的总 数,F表示对污染源采集的单位时长,W表示对污染源采集的次数,Ar表 示每次采集污染源的净量,T表示矩阵转置运算。
预处理方程,表达式为:
其中,P表示数据中的缺失值,Ab表示集合函数,ε表示数据的完整 性程度,Xf表示缺失值前一时刻的测量值,Xj表示缺失值后一时刻的测量 值,Hv表示需要删除异常数据,Kl表示异常数据形成的幅值,I表示数据 允许的范围。
使用决策树函数进行影响评估,表达式为:
其中,g(z)表示不同气体的评估值,Ls表示不同气体进入决策树的体 积矩阵,Lq表示不同气体的浓度,Li表示进入决策树的总样本数,γu表示 前一单位时间不同气体的含量变化值,δu表示当前单位时间不同气体的含 量变化值,ζu表示下一单位时间不同气体的含量变化值,Δt表示单位时间 的取值;
选择各污染源的影响特征因素,表达式为:
其中,ψx表示单个气体的影响特征值,J′表示单个气体的理论影响 值,Js表示单个气体的实际影响值,T表示矩阵的转置运算,β表示单个 气体的危险系数。
利用聚类算法对各个污染源进行聚类,得到分类标签,表达式为:
其中,Nxy表示气体的分类标签编号,Smin表示进行分类的标签最小 数,F表示标签的种类数量,Smax表示进行分类的标签最大数,a表示聚类 算法的簇数,b表示聚类的相对熵。
危害气体的分类识别模型,表达式为:
阈值标准函数,表达式为:
其中,R表示气体的危险阈值,Rmin表示单位体积内单个气体含量的最 小值,Rmax表示单位体积内单个气体含量的最大值,V表示气体的体积, Qmax表示气体的体积内所包含的污染源种类最大数,Qmin表示气体的体积内 所包含的污染源种类最小数,y表示气体中的常量。
本发明提出一种基于人工智能的AMC侦测方法,该方法利用AMC侦测 系统中的传感器对污染源数据进行采集,然后利用多模型组成的算法对数 据进行预处理、找出缺失值、删除异常数据、得到评估值、得到分类标签 编号、形成危害气体的分类识别函数以及建立阈值标准函数,通过该方法 可以实现对污染源内多种不同有害气体进行同时侦测,并且整个过程无需 人为手动控制,真正实现了对污染源数据的自动化侦测,节约了人力成 本,并且所提出的方法是基于现有的理论模型,理解简单,可操作性强, 保证了该方法的可行性。
在本发明描述中,需要说明的是,除非另有明确的规定和限定,术语 “设置”、“安装”、“相连”、“连接”、“固定”应做广义理解,例 如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械 连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相 连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以 通过具体情况理解上述术语在本发明中的具体含义。
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 (7)
1.一种基于人工智能的AMC侦测方法,其特征在于,该方法包括步骤如下:
步骤S1:使用AMC侦测系统中的传感器采集生产区域内的污染源数据,同时利用集合函数Ab对污染源数据建立数据库;
步骤S2:对集合函数中的污染源数据利用预处理方程,找出缺失值P、删除异常数据Hv;
步骤S3:对预处理后的数据,使用决策树函数进行影响评估,得到评估值g(z),选择各污染源的影响特征因素,得到单个气体的影响特征值ψx;
步骤S4:利用聚类算法对各个污染源进行聚类,得到分类标签编号Nxy;
步骤S6:利用分类识别模型识别各种污染源,建立阈值标准函数,当污染源超过气体的危险阈值R则侦测系统会发出告警消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210909687.5A CN115238807B (zh) | 2022-07-29 | 2022-07-29 | 一种基于人工智能的amc侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210909687.5A CN115238807B (zh) | 2022-07-29 | 2022-07-29 | 一种基于人工智能的amc侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115238807A true CN115238807A (zh) | 2022-10-25 |
CN115238807B CN115238807B (zh) | 2024-02-27 |
Family
ID=83677574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210909687.5A Active CN115238807B (zh) | 2022-07-29 | 2022-07-29 | 一种基于人工智能的amc侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238807B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
CN118015795A (zh) * | 2024-04-08 | 2024-05-10 | 中用科技有限公司 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
CN118248253A (zh) * | 2024-05-21 | 2024-06-25 | 中用科技有限公司 | 一种半导体气态分子污染物异常预测与应急响应系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080238699A1 (en) * | 2007-03-29 | 2008-10-02 | International Business Machines Corporation | Real time alarm classification and method of use |
KR101591735B1 (ko) * | 2015-05-29 | 2016-02-11 | 주식회사 나인에코 | 실내공기질의 예측을 통한 오염 정보 제공 방법 |
CN107273429A (zh) * | 2017-05-19 | 2017-10-20 | 哈工大大数据产业有限公司 | 一种基于深度学习的缺失值填充方法及系统 |
CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
CN112229952A (zh) * | 2020-09-30 | 2021-01-15 | 重庆科技学院 | 一种检测化工园区有毒有害气体的方法 |
CN113435471A (zh) * | 2021-05-17 | 2021-09-24 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 深度特征聚类的高排放移动源污染识别方法及系统 |
CN114217014A (zh) * | 2021-11-18 | 2022-03-22 | 广州杰赛科技股份有限公司 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
KR20220095565A (ko) * | 2020-12-30 | 2022-07-07 | (주)휴엔릭스 | 인공지능을 이용한 오염물질 계측장치 및 인공지능을 이용한 오염물질 계측방법 |
-
2022
- 2022-07-29 CN CN202210909687.5A patent/CN115238807B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080238699A1 (en) * | 2007-03-29 | 2008-10-02 | International Business Machines Corporation | Real time alarm classification and method of use |
KR101591735B1 (ko) * | 2015-05-29 | 2016-02-11 | 주식회사 나인에코 | 실내공기질의 예측을 통한 오염 정보 제공 방법 |
CN107273429A (zh) * | 2017-05-19 | 2017-10-20 | 哈工大大数据产业有限公司 | 一种基于深度学习的缺失值填充方法及系统 |
CN108875122A (zh) * | 2018-04-25 | 2018-11-23 | 杭州迅美科技有限公司 | 利用随钻测井数据计算地质参数的人工智能方法和系统 |
CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
CN109444232A (zh) * | 2018-12-26 | 2019-03-08 | 苏州同阳科技发展有限公司 | 一种多通道智能化污染气体监测装置与扩散溯源方法 |
CN112229952A (zh) * | 2020-09-30 | 2021-01-15 | 重庆科技学院 | 一种检测化工园区有毒有害气体的方法 |
KR20220095565A (ko) * | 2020-12-30 | 2022-07-07 | (주)휴엔릭스 | 인공지능을 이용한 오염물질 계측장치 및 인공지능을 이용한 오염물질 계측방법 |
CN113435471A (zh) * | 2021-05-17 | 2021-09-24 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 深度特征聚类的高排放移动源污染识别方法及系统 |
CN114217014A (zh) * | 2021-11-18 | 2022-03-22 | 广州杰赛科技股份有限公司 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Non-Patent Citations (2)
Title |
---|
张春梅等: "基于案例推理的工业园区废弃污染溯源方法研究", 《测试技术学报》 * |
张梦瑶: "基于数据挖掘方法的城市空气质量预测研究", 《中国优秀硕博士学位论文全文数据库(硕士) 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
CN118015795A (zh) * | 2024-04-08 | 2024-05-10 | 中用科技有限公司 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
CN118015795B (zh) * | 2024-04-08 | 2024-06-28 | 中用科技有限公司 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
CN118248253A (zh) * | 2024-05-21 | 2024-06-25 | 中用科技有限公司 | 一种半导体气态分子污染物异常预测与应急响应系统及方法 |
CN118248253B (zh) * | 2024-05-21 | 2024-08-06 | 中用科技有限公司 | 一种半导体气态分子污染物异常预测与应急响应系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115238807B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115238807B (zh) | 一种基于人工智能的amc侦测方法 | |
US11085863B2 (en) | Real-time online monitoring and source apportionment method for atmospheric fine particles containing heavy metals | |
US7224825B2 (en) | Detecting and identifying hazardous substances contained in mail articles | |
CN102257543B (zh) | 用于火灾早期发现的方法和设备 | |
CN1194227C (zh) | 基于气体传感器阵列技术的食品气味快速无损检测方法及装置 | |
CN105959181B (zh) | 一种用于检验检测电力巡检无人机的系统及方法 | |
CN115077627B (zh) | 一种多融合环境数据监管方法及监管系统 | |
CN109444062A (zh) | 一种无人机载高排典型污染物差分吸收光谱检测方法 | |
CN210221806U (zh) | 污染判定标定车辆及其车载尾气检测设备 | |
CN111289697B (zh) | Cems运行状态监控与数据作假识别方法及系统 | |
CN115358647A (zh) | 基于大数据的氢能产业链风险监测系统及监测方法 | |
CN116499938B (zh) | 一种职业工作场所气溶胶悬浮物智能监测方法 | |
CN115586311B (zh) | 环境空气挥发性有机物在线监测系统 | |
CN109603340A (zh) | 一种智能型电气自动化除尘控制系统及方法 | |
CN112327791A (zh) | 一种基于大数据的环境监控平台 | |
US20050070025A1 (en) | System and method incorporating ultraviolet spectral fluorescence technology in sensor applications | |
Mills et al. | Constructing a pollen proxy from low-cost Optical Particle Counter (OPC) data processed with Neural Networks and Random Forests | |
CN117054616B (zh) | 一种基于人工智能的远程中台大气污染溯源系统 | |
CN109682731A (zh) | 一种火力发电厂粉尘浓度在线监测系统及方法 | |
CN114442512A (zh) | 一种化学品安全监控系统 | |
CN117169315A (zh) | 一种大气污染源智能检测系统和方法 | |
CN211122510U (zh) | 污染判定标定车辆用标准气发生装置及污染判定标定车辆 | |
CN111932837A (zh) | 一种基于5g网络的烟气远程实时监测系统 | |
CN201689032U (zh) | 温室气体在线监测仪 | |
CN115439025A (zh) | 基于大数据的碳排放监测管理系统 |
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 |