CN115267070A - 基于单片机的室内空气质量在线监测系统 - Google Patents
基于单片机的室内空气质量在线监测系统 Download PDFInfo
- Publication number
- CN115267070A CN115267070A CN202210878282.XA CN202210878282A CN115267070A CN 115267070 A CN115267070 A CN 115267070A CN 202210878282 A CN202210878282 A CN 202210878282A CN 115267070 A CN115267070 A CN 115267070A
- Authority
- CN
- China
- Prior art keywords
- air quality
- quality index
- neural network
- index
- real
- 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 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 19
- 239000007789 gas Substances 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 6
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0039—O3
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- 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
- G01N33/0065—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 using more than one threshold
-
- 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
- G01N33/0068—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 computer specifically programmed
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Dispersion Chemistry (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及数据传输技术领域,具体涉及一种基于单片机的室内空气质量在线监测系统,该系统包括监测终端和用户终端,所述监测终端包括:训练集采集模块,阈值获取模块,神经网络构建模块,神经网络训练模块,监测模块,所述用户终端,用于接收所述监测终端传输的空气质量指数及空气质量等级,判断当前室内空气的质量。本发明通过构建卷积神经网络,根据输入的环境质量参数计算空气质量指数,同时通过控制卷积神经网络中卷积核的大小和步长,在科学准确获得反映的室内空气质量的空气质量指数的同时,减少数据传输量,排除噪声对计算结果的影响,达到低功耗实时高效的在线监测室内空气质量的目的。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种基于单片机的室内空气质量在线监测系统。
背景技术
在人的一生中,至少有80%以上的时间是在室内环境中度过,仅有低于5%的时间在室外,而其余时间则处于两者之间。而一些行动不便的人、老人、婴儿等则可能有高达95%的时间在室内生活,故室内空气质量的好坏对人体健康的关系就显得更加密切更加重要。
空气质量指数(AQI)是常用的评价室内空气质量的指标,空气质量指数是通过将几种常见空气污染物的监测浓度(即环境质量参数)计算得出,目前常用的计算方法是采用极大算子法来计算空气质量指数,即空气质量指数取决于浓度最高的污染物,这种方法忽略了其他污染物对空气质量的影响,计算出的空气质量指数不能科学全面地反映真实的室内空气质量。相较于通过空气质量指数来判断室内空气质量的好坏,用户从利用空气质量指数得到的空气质量等级中知悉室内空气质量的好坏更加直接,现有的室内空气质量在线监测系统只考虑空气质量指数的准确性,没有考虑根据空气质量指数获得空气质量等级的准确性。
目前,更加科学准确的空气质量指数计算方法应该是综合多个环境质量参数进行计算,这就需要更多的传感器采集环境质量参数,随着传感器种类和数量的增加,得到的空气质量指数能够更加科学准确地反映真实的室内空气质量。但同时传感器数据过多,存在冗余数据,冗余数据在使用蓝牙传输时增加能耗,降低数据的传输效率,同时过多的冗余数据还会导致传输过程中容易混入对计算空气质量指数无用的噪声数据,严重时影响空气质量指数的准确计算。因此,为了能够获得更加真实的空气质量指数及对室内空气质量的监测,本发明提供了一种基于单片机的室内空气质量在线监测系统。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于单片机的室内空气质量在线监测系统,所采用的技术方案具体如下:
该系统包括监测终端和用户终端,所述监测终端包括:
训练集采集模块,用于获取多个影响室内空气质量的环境质量参数,根据每个环境质量参数计算获取空气质量指数;其中,环境质量参数包括CO2、PM2.5、甲醛、NO2,SO2、CO、O3、VOC的浓度;
阈值获取模块,用于根据空气质量指数对空气质量进行划分获取多个空气质量等级;通过设定每个空气质量等级对应的隶属度函数的参数,获取空气质量指数隶属度函数,其中,隶属度函数的输入值为真实空气质量指数;根据隶属度函数输出的每个空气质量指数的隶属度,以及每个空气质量指数所对应空气质量等级在隶属度函数中的范围获取每个真实空气质量指数对应的阈值;
神经网络构建模块,用于将环境质量参数作为网络的输入,空气质量指数作为网络的输出构建卷积神经网络;根据每组环境质量参数对应的真实空气质量指数和预测空气质量指数,以及真实空气质量指数对应的阈值,构建卷积神经网络的损失函数;
神经网络训练模块,用于基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;
监测模块,用于将待检测的影响室内空气质量的环境质量参数经过卷积神经网络获取空气质量指数,再根据空气质量指数获取空气质量等级;
所述用户终端,用于接收所述监测终端传输的空气质量指数及空气质量等级,判断当前室内空气的质量。
在一实施例中,所述环境质量参数阈值获取模块中,空气质量等级包括优、良、轻度污染、中度污染、重度污染、严重污染。
在一实施例中,所述隶属度函数是基于三角形隶属度函数。
在一实施例中,所述每个真实空气质量指数对应的阈值获取的过程中,每个空气质量等级对应的隶属度函数的参数具体如下:
设定空气质量等级为优的隶属度函数的参数为0,z1,z3;空气质量等级为良的隶属度函数的参数为z2,z4,z6;空气质量等级为轻度污染的隶属度函数的参数为z5,z7,z9;空气质量等级为中度污染的隶属度函数的参数为z8,z10,z12;空气质量等级为重度污染的隶属度函数的参数为z11,z13,z15;空气质量等级为严重污染的隶属度函数的参数为z14,z16,z17;z1到z17单调递增;
空气质量等级为优的范围为[0,z2];空气质量等级为良的范围为[z3,z5];空气质量等级为轻度污染的范围为[z6,z8];空气质量等级为中度污染的范围为[z9,z11];空气质量等级为重度污染的范围为[z12,z14];空气质量等级为严重污染的范围为[z15,z17]。
在一实施例中,所述真实空气质量指数所对应的空气质量等级为优时,其该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi1表示真实空气质量指数隶属于优的隶属度;z2表示真实空气质量指数所对应空气质量等级为优的上限值。
在一实施例中,所述真实空气质量指数所对应的空气质量等级为轻度污染时,其该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi3表示真实空气质量指数隶属于轻度污染的隶属度;z6,z8表示真实空气质量指数所对应空气质量等级为轻度污染的下限值和上限值。
在一实施例中,所述真实空气质量指数对应有两个空气质量等级时,则该真实空气质量指数对应的阈值设为1。
在一实施例中,还包括:卷积神经网络优化模块,设置初始卷积核大小,基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;并获取卷积神经网络收敛时的损失值;再根据损失值及输入层的大小和卷积层的大小获取初始卷积核对应的降维效果值;依次调整卷积核大小获取每次调整卷积核大小所对应的降维效果值,选取最小降维效果值所对应的卷积核作为最优卷积核,并获取最优卷积核所对应的训练好的卷积神经网络作为最优的卷积神经网络。
在一实施例中,所述训练集采集模块中,所述环境质量参数是采集任一时间段内各种气体的浓度构成的矩阵,其中,矩阵的行表示不同的气体,列表示不同时间点。
在一实施例中,所述训练集采集模块中,空气质量指数是按照以下步骤获取:
对每个环境质量参数通过不同的空气质量指数计算方法获取多个空气质量指数;
基于专家评价法对获取的多个空气质量指数进行评价,并对每个空气质量指数进行分配权重,获取加权的空气质量指数即为最终的标签。
本发明实施例至少具有如下有益效果:
本发明实施例提供了一种基于单片机的室内空气质量在线监测系统,该系统通过监测终端构建卷积神经网络,根据输入的环境质量参数计算空气质量指数,结合空气质量指数和模糊理论的隶属度函数,将空气质量划分为的优、良、轻度污染、中度污染、重度污染、严重污染六个等级,在训练神经网络时,根据空气质量等级和空气质量指数构造损失函数,在保证环境质量参数能够计算出准确的空气质量指数的同时,消除计算的空气质量指数的主观性。同时通过控制卷积神经网络中卷积核的大小和步长,实现对环境质量参数的降维处理,在科学准确获得反映的室内空气质量的空气质量指数的同时,减少数据传输量,排除噪声对计算结果的影响,达到低功耗实时高效的在线监测室内空气质量的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种基于单片机的室内空气质量在线监测系统的结构框图。
图2为空气质量指数隶属度函数图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于单片机的室内空气质量在线监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供的基于单片机的室内空气质量在线监测系统,通过构建卷积神经网络,根据输入的环境质量参数计算空气质量指数,结合空气质量指数和模糊理论的隶属度函数,将空气质量划分为的优、良、轻度污染、中度污染、重度污染、严重污染六个等级,在训练神经网络时,根据空气质量等级和空气质量指数构造损失函数,在保证环境质量参数能够计算出准确的空气质量指数的同时,消除计算的空气质量指数的主观性。同时通过控制卷积神经网络中卷积核的大小和步长,实现对环境质量参数的降维处理,在科学准确获得反映的室内空气质量的空气质量指数的同时,减少数据传输量,排除噪声对计算结果的影响,达到低功耗实时高效的在线监测室内空气质量的目的。
下面结合附图具体的说明本发明所提供的一种基于单片机的室内空气质量在线监测系统的具体方案。
参见图1所示,其示出了本发明一个实施例提供的一种基于单片机的室内空气质量在线监测系统的结构框图,该系统包括监测终端001和用户终端002,所述监测终端001包括:训练集采集模块10,阈值获取模块20,神经网络构建模块30,神经网络训练模块40,神经网络优化模块50,监测模块60;
训练集采集模块10,用于获取多个影响室内空气质量的环境质量参数,根据每个环境质量参数计算获取空气质量指数;其中,环境质量参数包括CO2、PM2.5、甲醛、NO2,SO2、CO、O3、VOC的浓度;
其中,所述环境质量参数是采集任一时间段内各种气体的浓度构成的矩阵,其中,矩阵的行表示不同的气体,列表示不同时间点。
在本实施例中,训练卷积神经网络时,需要获得大量的训练样本,本实施例通过人为地去改变室内的各种气体的含量,来模拟室内不同空气质量,具体方法为:将室内CO2、PM2.5、甲醛、NO2,SO2、CO、O3、VOC浓度分别设置为v1,v2,v3,v4,v5,v6,v7,v8,然后获取室内气体浓度分别为v1,v2,v3,v4,v5,v6,v7,v8时各传感器一分钟内的输出数据,去除量纲,通过采样获得各传感器一分钟内的60个输出数据,各传感器的输出数据共同构成环境质量参数,该环境质量参数为大小为8×60的矩阵,环境质量参数作为数据集中的一个样本数据;通过人为改变室内的各种气体浓度,获得多个样本数据,构成训练样本,其中各种气体浓度的变化范围不能超过对应的阈值,该阈值是统计大量历史数据获得的历史数据最大值;其中,每种传感器只采集一种气体的浓度。
空气质量指数是按照以下步骤获取:
对每个环境质量参数通过不同的空气质量指数计算方法获取多个空气质量指数;
基于专家评价法对获取的多个空气质量指数进行评价,并对每个空气质量指数进行分配权重,获取加权的空气质量指数即为最终的标签。
在本实施例中,需要对获得的大量训练样本打标签;训练样本的准确性决定了根据神经网络计算空气质量指数的准确性,因此,本实施例分别用现有的不同的空气质量指数计算方法获得多种空气质量指数,再基于专家评价法对这些计算结果人为地分配权重,获得的加权空气质量指数即为最终的标签。
阈值获取模块20,用于根据空气质量指数对空气质量进行划分获取多个空气质量等级;空气质量等级包括优、良、轻度污染、中度污染、重度污染、严重污染。通过设定每个空气质量等级对应的隶属度函数的参数,获取空气质量指数隶属度函数,参见图2所示,隶属度是等级概率,其中,隶属度函数的输入值为真实空气质量指数;根据隶属度函数输出的每个空气质量指数的隶属度与其对应空气质量等级对应的范围获取每个真实空气质量指数对应的阈值;隶属度函数是基于模糊理论的三角形隶属度函数。
具体的,所述每个真实空气质量指数对应的阈值获取的过程中是根据每个空气质量指数的隶属度,以及每个空气质量指数所对应空气质量等级在隶属度函数中的范围而获取;
其中,参见图2所示,设定空气质量等级为优的隶属度函数的参数为0,z1,z3;空气质量等级为良的隶属度函数的参数为z2,z4,z6;空气质量等级为轻度污染的隶属度函数的参数为z5,z7,z9;空气质量等级为中度污染的隶属度函数的参数为z8,z10,z12;空气质量等级为重度污染的隶属度函数的参数为z11,z13,z15;空气质量等级为严重污染的隶属度函数的参数为z14,z16,z17;z1到z17单调递增。需要说明的是,每个空气质量等级是通过历史数据及经验进行设置。
空气质量等级为优的范围为[0,z2];空气质量等级为良的范围为[z3,z5];空气质量等级为轻度污染的范围为[z6,z8];空气质量等级为中度污染的范围为[z9,z11];空气质量等级为重度污染的范围为[z12,z14];空气质量等级为严重污染的范围为[z15,z17]。
在本实施例中,根据空气质量指数和空气质量指数隶属度函数,可以确定空气质量指数wi隶属于优、良、轻度污染、中度污染、重度污染、严重污染六个等级的隶属度pi1,pi2,pi3,pi4,pi5,pi6,同时六个等级的隶属度中,有一个等级的隶属度或两个相邻等级的隶属度不为0,其余等级的隶属度均为0。wi表示第i样本数据对应的真实空气质量指数。则计算真实空气质量指数对应的阈值具体如下:
当真实空气质量指数所对应的空气质量等级为优时,则真实空气质量指数wi所在范围为0≤wi≤z2,真实空气质量指数wi隶属于优等级的隶属度pi1>0,其他隶属度pi2=pi3=pi4=pi5=pi6=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z2]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi1表示真实空气质量指数隶属于优的隶属度;z2表示真实空气质量指数所对应空气质量等级为优的上限值。
当真实空气质量指数所对应的空气质量等级为良时,则真实空气质量指数wi所在范围为z3≤wi≤z5,真实空气质量指数wi隶属于良等级的隶属度pi2>0,其他隶属度pi1=pi3=pi4=pi5=pi6=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z5-z3]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi2表示真实空气质量指数隶属于良的隶属度;z3,z5表示真实空气质量指数所对应空气质量等级为良的下限值和上限值。
当真实空气质量指数所对应的空气质量等级为轻度污染时,则真实空气质量指数wi所在范围为z6≤wi≤z8,真实空气质量指数wi隶属于轻度污染等级的隶属度pi3>0,其他隶属度pi1=pi2=pi4=pi5=pi6=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z8-z6]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi3表示真实空气质量指数隶属于轻度污染的隶属度;z6,z8表示真实空气质量指数所对应空气质量等级为轻度污染的下限值和上限值。
当真实空气质量指数所对应的空气质量等级为中度污染时,则真实空气质量指数wi所在范围为z9≤wi≤z11,真实空气质量指数wi隶属于中度污染等级的隶属度pi4>0,其他隶属度pi1=pi2=pi3=pi5=pi6=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z11-z9]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi4表示真实空气质量指数隶属于中度污染的隶属度;z9,z11表示真实空气质量指数所对应空气质量等级为中度污染的下限值和上限值。
当真实空气质量指数所对应的空气质量等级为重度污染时,则真实空气质量指数wi所在范围为z12≤wi≤z14,真实空气质量指数wi隶属于重度污染等级的隶属度pi5>0,其他隶属度pi1=pi2=pi3=pi4=pi6=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z14-z12]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;pi5表示真实空气质量指数隶属于重度污染的隶属度;z12,z14表示真实空气质量指数所对应空气质量等级为重度污染的下限值和上限值。
当真实空气质量指数所对应的空气质量等级为严重污染时,则真实空气质量指数wi所在范围为z15≤wi≤z17,真实空气质量指数wi隶属于严重污染等级的隶属度pi6>0,其他隶属度pi1=pi2=pi3=pi4=pi5=0,即真实空气质量指数隶属的空气质量等级能够准确确定,因此,空气质量指数与真实空气质量指数的误差在范围[0,z17-z15]内波动,且隶属度越高,给定的阈值越大,因此,该真实空气质量指数对应的阈值计算公式如下:
式中,Yi表示真实空气质量指数对应的阈值;p16表示真实空气质量指数隶属于严重污染的隶属度;z15,z17表示真实空气质量指数所对应空气质量等级为严重污染的下限值和上限值。
所述真实空气质量指数对应有两个空气质量等级时,则该真实空气质量指数对应的阈值设为1。在本实施例中,当真实空气质量指数wi对应的六个等级的隶属度中,有且仅有两个等级的隶属度不为0时,比如参见图2所示,当真实空气质量指数所在范围为[z8,z9]时,则表示两个空气质量等级,真实空气质量指数wi隶属的空气质量等级不能够准确确定,此时空气质量指数较为重要,要尽可能地让空气质量指数与真实空气质量指数相等,因此,此时的阈值Yi=1。
神经网络构建模块30,用于将环境质量参数作为网络的输入,空气质量指数作为网络的输出构建卷积神经网络;根据每组环境质量参数对应的真实空气质量指数和预测空气质量指数,以及真实空气质量指数对应的阈值,构建卷积神经网络的损失函数;
需要说明的是,上述基于真实空气质量指数wi对应的六个等级的隶属度中,有且仅有一个等级的隶属度不为0时,真实空气质量指数wi隶属的空气质量等级能够准确确定,此时空气质量指数的小范围波动并不影响其隶属的空气质量等级,需要通过给定一个阈值,让空气质量指数与真实空气质量指数的误差在一定范围内时,损失函数较小,且隶属度越高,则越能够确定真实空气质量指数wi隶属的空气质量等级。
本实施例通过构建卷积神经网络获得空气质量指数,所述卷积神经网络包括输入层、卷积核、卷积层、全连接层和输出层,其中输入层中输入的为训练样本对应的环境质量参数,通过改变卷积核的尺寸大小对输入的环境质量参数进行降维,卷积层和全连接层采用VGGNet对应的卷积层和全连接层,输出层输出的为空气质量指数。所述卷积神经网络通过构建的损失函数保证计算的空气质量指数的准确性,损失函数的最小化,保证了空气质量指数与真实空气质量指数接近,进而保证了空气质量指数能够科学准确地反映真实的室内空气质量,因此,需要通过构建所述卷积神经网络的损失函数实现上述约束条件,所述损失函数为:
式中,L为训练集中的数量,yi为第i个样本数据经过卷积神经网络计算的预测空气质量指数,wi为第i个样本数据对应的真实空气质量指数,Yi为第i个样本的真实空气质量指数对应的阈值。
神经网络训练模块40,用于基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;在训练卷积神经网络的过程中,将环境质量参数作为网络的输入,空气质量指数作为网络的输出,基于损失函数,直至收敛,获取训练好的卷积神经网络,同时每个训练集中的环境质量参数样本对应一个空气质量指数标签。
神经网络优化模块50,设置初始卷积核大小,基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;并获取卷积神经网络收敛时的损失值;再根据损失值及输入层的大小和卷积层的大小获取初始卷积核对应的降维效果值;依次调整卷积核大小获取每次调整卷积核大小所对应的降维效果值,选取最小降维效果值所对应的卷积核作为最优卷积核,并获取最优卷积核所对应的训练好的卷积神经网络作为最优的卷积神经网络。需要说明的是,对卷积核降维过程中主要基于单片机对采集的环境质量参数数据进行降维处理,同时减少计算量,提升传输效率。
需要说明的是,在卷积神经网络中,环境质量参数通过卷积核处理后,维度降低,即卷积核能够实现对环境质量参数降维;且不同大小和步长的卷积核对环境质量参数降维的效果不同,同时基于不同大小和步长的卷积核训练对卷积神经网络的准确性也不同。因此,本实施例选择合适大小和步长的卷积核,记为最优卷积核,该卷积核在保证卷积神经网络的准确性的基础上,对环境质量参数的降维效果最好。综上,通过设置不同大小和步长的卷积核,训练多个卷积神经网络。
在本实施例中,针对某个大小和步长的卷积核,通过训练样本训练卷积神经网络,经过多次训练,直至损失函数收敛,则获得该大小和步长的卷积核对应的卷积神经网络;并获得卷积神经网络收敛时的损失函数的值,记为损失值,根据其损失值计算该大小和步长下的卷积核对应的降维效果值,选择降维效果值最小的卷积神经网络作为根据环境质量参数计算空气质量指数的卷积神经网络,对应的卷积核作为最优卷积核,其中,降维效果的计算公式为:
式中,l(k,s)表示大小为k×k且步长为s的卷积核对应的卷积神经网络的损失值,M×N为环境质量参数对应的矩阵的大小,k×k为卷积核的大小,s为卷积核的步长,通过卷积核降维后的环境质量参数对应的矩阵的大小为m×n,其中对于本实施例中M×N为8×60;
q(k,s)表示每次调整卷积核大小k×k且步长s的数值后所对应的降维效果值;依次调整卷积核对应的k和s的数值后获得多个降维效果值,选取最小降维效果值所对应的卷积核作为最优卷积核,并获取最优卷积核所对应的训练好的卷积神经网络作为最优的卷积神经网络。为此,通过调整卷积核的大小,对环境质量参数进行降维处理,进而减少数据传输量,达到低功耗实时高效的在线监测室内空气质量的目的。
监测模块60,用于将待检测的影响室内空气质量的环境质量参数经过卷积神经网络获取空气质量指数,再根据空气质量指数获取空气质量等级;
所述用户终端002,用于接收所述监测终端001传输的空气质量指数及空气质量等级,判断当前室内空气的质量。另外,该用户终端可以是手段,通过卷积神经网络计算出的空气质量指数以及对应的空气质量等级在手机端进行可视化显示,需要说明的是,如果计算出的空气质量指数对应有两个空气质量等级时,则在手机端同时显示空气质量指数,同时显示两个空气质量等级,从而人们可以通过获得的空气质量指数及显示的空气质量等级综合判断目前室内的空气质量。
综上,本发明实施例提供了一种基于单片机的室内空气质量在线监测系统,该系统通过监测终端构建卷积神经网络,根据输入的环境质量参数计算空气质量指数,结合空气质量指数和模糊理论的隶属度函数,将空气质量划分为的优、良、轻度污染、中度污染、重度污染、严重污染六个等级,在训练神经网络时,根据空气质量等级和空气质量指数构造损失函数,在保证环境质量参数能够计算出准确的空气质量指数的同时,消除计算的空气质量指数的主观性。同时通过控制卷积神经网络中卷积核的大小和步长,实现对环境质量参数的降维处理,在科学准确获得反映的室内空气质量的空气质量指数的同时,减少数据传输量,排除噪声对计算结果的影响,达到低功耗实时高效的在线监测室内空气质量的目的。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于单片机的室内空气质量在线监测系统,其特征在于,该系统包括监测终端和用户终端,所述监测终端包括:
训练集采集模块,用于获取多个影响室内空气质量的环境质量参数,根据每个环境质量参数计算获取空气质量指数;其中,环境质量参数包括CO2、PM2.5、甲醛、NO2,SO2、CO、O3、VOC的浓度;
阈值获取模块,用于根据空气质量指数对空气质量进行划分获取多个空气质量等级;通过设定每个空气质量等级对应的隶属度函数的参数,获取空气质量指数隶属度函数,其中,隶属度函数的输入值为真实空气质量指数;根据隶属度函数输出的每个空气质量指数的隶属度,以及每个空气质量指数所对应空气质量等级在隶属度函数中的范围获取每个真实空气质量指数对应的阈值;
神经网络构建模块,用于将环境质量参数作为网络的输入,空气质量指数作为网络的输出构建卷积神经网络;根据每组环境质量参数对应的真实空气质量指数和预测空气质量指数,以及真实空气质量指数对应的阈值,构建卷积神经网络的损失函数;
神经网络训练模块,用于基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;
监测模块,用于将待检测的影响室内空气质量的环境质量参数经过卷积神经网络获取空气质量指数,再根据空气质量指数获取空气质量等级;
所述用户终端,用于接收所述监测终端传输的空气质量指数及空气质量等级,判断当前室内空气的质量。
2.根据权利要求1所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述环境质量参数阈值获取模块中,空气质量等级包括优、良、轻度污染、中度污染、重度污染、严重污染。
3.根据权利要求2所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述隶属度函数是基于三角形隶属度函数。
4.根据权利要求3所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述每个真实空气质量指数对应的阈值获取的过程中,每个空气质量等级对应的隶属度函数的参数具体如下:
设定空气质量等级为优的隶属度函数的参数为0,z1,z3;空气质量等级为良的隶属度函数的参数为z2,z4,z6;空气质量等级为轻度污染的隶属度函数的参数为z5,z7,z9;空气质量等级为中度污染的隶属度函数的参数为z8,z10,z12;空气质量等级为重度污染的隶属度函数的参数为z11,z13,z15;空气质量等级为严重污染的隶属度函数的参数为z14,z16,z17;z1到z17单调递增;
空气质量等级为优的范围为[0,z2];空气质量等级为良的范围为[z3,z5];空气质量等级为轻度污染的范围为[z6,z8];空气质量等级为中度污染的范围为[z9,z11];空气质量等级为重度污染的范围为[z12,z14];空气质量等级为严重污染的范围为[z15,z17]。
7.根据权利要求4所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述真实空气质量指数对应有两个空气质量等级时,则该真实空气质量指数对应的阈值设为1。
8.根据权利要求1所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,还包括:卷积神经网络优化模块,设置初始卷积核大小,基于损失函数对卷积神经网络进行训练获取训练好的卷积神经网络;并获取卷积神经网络收敛时的损失值;再根据损失值及输入层的大小和卷积层的大小获取初始卷积核对应的降维效果值;依次调整卷积核大小获取每次调整卷积核大小所对应的降维效果值,选取最小降维效果值所对应的卷积核作为最优卷积核,并获取最优卷积核所对应的训练好的卷积神经网络作为最优的卷积神经网络。
9.根据权利要求1所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述训练集采集模块中,所述环境质量参数是采集任一时间段内各种气体的浓度构成的矩阵,其中,矩阵的行表示不同的气体,列表示不同时间点。
10.根据权利要求1所述的一种基于单片机的室内空气质量在线监测系统,其特征在于,所述训练集采集模块中,空气质量指数是按照以下步骤获取:
对每个环境质量参数通过不同的空气质量指数计算方法获取多个空气质量指数;
基于专家评价法对获取的多个空气质量指数进行评价,并对每个空气质量指数进行分配权重,获取加权的空气质量指数即为最终的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878282.XA CN115267070B (zh) | 2022-07-25 | 2022-07-25 | 基于单片机的室内空气质量在线监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210878282.XA CN115267070B (zh) | 2022-07-25 | 2022-07-25 | 基于单片机的室内空气质量在线监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115267070A true CN115267070A (zh) | 2022-11-01 |
CN115267070B CN115267070B (zh) | 2024-04-30 |
Family
ID=83769172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210878282.XA Active CN115267070B (zh) | 2022-07-25 | 2022-07-25 | 基于单片机的室内空气质量在线监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115267070B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN206656997U (zh) * | 2017-01-25 | 2017-11-21 | 济源职业技术学院 | 一种基于单片机控制的气体检测控制系统 |
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
CN111275951A (zh) * | 2019-12-25 | 2020-06-12 | 中国移动通信集团江苏有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN111967181A (zh) * | 2020-07-20 | 2020-11-20 | 西安工程大学 | 一种基于apso-elm和模糊逻辑的灌溉时间计算方法 |
CN113807702A (zh) * | 2021-09-18 | 2021-12-17 | 中铝环保生态技术(湖南)有限公司 | 一种矿山生态修复评价方法 |
CN114202536A (zh) * | 2021-12-13 | 2022-03-18 | 北京邮电大学 | 一种基于AT-EnFCM-SCNN的灾害环境特征提取方法 |
CN115587661A (zh) * | 2022-10-27 | 2023-01-10 | 浙江省农业科学院 | 一种联合场界指标的畜禽养殖场空气质量优化系统及方法 |
-
2022
- 2022-07-25 CN CN202210878282.XA patent/CN115267070B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030081215A1 (en) * | 2001-01-09 | 2003-05-01 | Ajay Kumar | Defect detection system for quality assurance using automated visual inspection |
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN206656997U (zh) * | 2017-01-25 | 2017-11-21 | 济源职业技术学院 | 一种基于单片机控制的气体检测控制系统 |
CN110309609A (zh) * | 2019-07-06 | 2019-10-08 | 桂林电子科技大学 | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 |
CN110633449A (zh) * | 2019-09-19 | 2019-12-31 | 郑州航空工业管理学院 | 一种基于改进熵权法的空气质量评价方法 |
CN111275951A (zh) * | 2019-12-25 | 2020-06-12 | 中国移动通信集团江苏有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN111967181A (zh) * | 2020-07-20 | 2020-11-20 | 西安工程大学 | 一种基于apso-elm和模糊逻辑的灌溉时间计算方法 |
CN113807702A (zh) * | 2021-09-18 | 2021-12-17 | 中铝环保生态技术(湖南)有限公司 | 一种矿山生态修复评价方法 |
CN114202536A (zh) * | 2021-12-13 | 2022-03-18 | 北京邮电大学 | 一种基于AT-EnFCM-SCNN的灾害环境特征提取方法 |
CN115587661A (zh) * | 2022-10-27 | 2023-01-10 | 浙江省农业科学院 | 一种联合场界指标的畜禽养殖场空气质量优化系统及方法 |
Non-Patent Citations (6)
Title |
---|
KORSHUNOVA, K.P.等: "A convolutional fuzzy neural network for classification tasks", 《NEUROCOMPUTERS: DEVELOPMENT AND APPLICATION》, 31 December 2017 (2017-12-31) * |
崔宗超等: "基于红外光吸收法的粉尘质量浓度测量装置设计", 《河南科技学院学报(自然科学版)》, 15 April 2013 (2013-04-15) * |
徐彩霞;李义杰;: "基于粗糙集和模糊神经网络的空气质量评价", 微型机与应用, no. 15, 10 August 2010 (2010-08-10) * |
杨云;杨毅;: "基于GA-BP神经网络的供暖期空气质量指数预测分析", 陕西科技大学学报(自然科学版), no. 04, 25 August 2016 (2016-08-25) * |
沈言善: "基于深度学习和卫星数据的PM2.5浓度预测及时空分布研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, 15 August 2021 (2021-08-15), pages 027 - 649 * |
黄冉冉;陈勇;唐荣彬;苗作华;曾向阳;: "基于DPSIR的矿业城市生态安全多层次模糊综合云评价", 工业安全与环保, no. 03, 27 March 2018 (2018-03-27) * |
Also Published As
Publication number | Publication date |
---|---|
CN115267070B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220082545A1 (en) | Total Nitrogen Intelligent Detection Method Based on Multi-objective Optimized Fuzzy Neural Network | |
CN110378520A (zh) | 一种pm2.5浓度预测和预警方法 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN111489015A (zh) | 基于多种模型对比和优化的大气o3浓度预测方法 | |
CN111354423A (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
CN109190839B (zh) | 一种融合风向的铁路沿线风速智能滚动预测方法 | |
CN110969346A (zh) | 基于指标筛选的流域水生态功能分区治理需求评价方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN115396981A (zh) | 一种基于大数据技术的智能监测系统 | |
CN117171546A (zh) | 一种结合污染扩散指数的城市空气质量预测方法 | |
CN114169242A (zh) | 一种基于参数不确定性分析河道生态增氧的智能控制算法 | |
CN109934334B (zh) | 一种基于扰动的叶绿素a含量相关因子敏感性分析方法 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
CN112614552B (zh) | 基于bp神经网络的土壤重金属含量预测方法及系统 | |
WO2020056811A1 (zh) | 表征室内环境综合质量的综合指标计算方法 | |
CN115267070B (zh) | 基于单片机的室内空气质量在线监测系统 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN110991616A (zh) | 一种基于删减型前馈小世界神经网络出水bod预测方法 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN115639628A (zh) | 一种基于空间分组建模的bp神经网络空气质量预报方法 | |
CN114912744A (zh) | 一种村镇污水处理设施优选评价方法 | |
CN115167321B (zh) | 一种电厂静电除尘优化控制方法及系统 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
Huang et al. | Air quality monitoring of landscape architecture based on multi-sensor fusion |
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 |