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S5：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，形成危害气体的分类识别函数
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：
其中，
表示危害气体的分类识别函数，
表示不同气体分类标签 的合集，X表示生成对抗神经网络的神经元层数，
表示单层神经元的输 入，
表示单层神经元的输出。
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S5：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，形成危害气体的分类识别函数
危害气体的分类识别函数
与不同气体分类标签的合集、生成对抗 神经网络的神经元层数、单层神经元的输入、单层神经元的输出有关。
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：
其中，
表示危害气体的分类识别函数，
表示不同气体分类标签 的合集，X表示生成对抗神经网络的神经元层数，
表示单层神经元的输 入，
表示单层神经元的输出。
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S5：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，形成危害气体的分类识别函数
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。
2.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，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。
3.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，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。
4.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，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。
5.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，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。
6.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，所述危害气体的分类识别模型，表达式为：
其中，
表示危害气体的分类识别函数，
表示不同气体分类标签的合集，X表示生成对抗神经网络的神经元层数，
表示单层神经元的输入，
表示单层神经元的输出。
7.如权利要求1所述的一种基于人工智能的AMC侦测方法，其特征在于，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。
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 |