CN116087042B - 一种粉尘沉积量空间分布实时监测系统及方法 - Google Patents
一种粉尘沉积量空间分布实时监测系统及方法 Download PDFInfo
- Publication number
- CN116087042B CN116087042B CN202310122673.3A CN202310122673A CN116087042B CN 116087042 B CN116087042 B CN 116087042B CN 202310122673 A CN202310122673 A CN 202310122673A CN 116087042 B CN116087042 B CN 116087042B
- Authority
- CN
- China
- Prior art keywords
- dust deposition
- real
- time monitoring
- data
- deposition amount
- 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.)
- Active
Links
- 239000000428 dust Substances 0.000 title claims abstract description 279
- 230000008021 deposition Effects 0.000 title claims abstract description 241
- 238000012544 monitoring process Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 17
- 239000012528 membrane Substances 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000007789 sealing Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000843 powder Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000004584 weight gain Effects 0.000 claims description 3
- 235000019786 weight gain Nutrition 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000002817 coal dust Substances 0.000 description 7
- 238000004880 explosion Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 239000010408 film Substances 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005250 beta ray Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Classifications
-
- 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
- G01N15/04—Investigating sedimentation of particle suspensions
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种粉尘沉积量空间分布实时监测系统及方法，首先对粉尘沉积量实时监测单元进行校正，获得各个单元的校正系数并上传至云端服务器；利用校正好的多个监测单元实现作业场所内多个监测点粉尘沉积量的实时连续监测，并且依据粉尘沉积量实时监测单元内GPS位置传感器进行定位标记，实现不同监测单元相对位置的标记，将不同监测单元采集的数据上传至云端服务器。建立粉尘沉积量空间分布实时监测数据库，实现实时监测数据的上传，云端存储以及数据调用；云决策平台依据不同位置监测单元的粉尘沉积量实时数据以及监测单元的温度，湿度，地面风速，相对位置的相关参数信息依据深度学习空间预测模型实现作业场所全空间尺度的粉尘沉积量的预测。
Description
技术领域
本发明涉及一种粉尘沉积量空间分布实时监测系统及方法，属于粉尘沉积量检测技术领域。
背景技术
在有爆炸危险存在的工矿场所，其沉积在地表、设备、井巷上的各类可燃性、爆炸性粉尘是场所中安全生产的潜在危险。尤其是可燃性粉尘在通风除尘管道中的沉积会造成潜在的爆炸危险，已成为工矿等带有可燃性粉尘场所必须解决的问题。实验证明，1mm厚的可燃性粉尘在6kPa外力作用下能够达到爆炸浓度。
在矿井巷道中，运煤过程、顶板掉渣以及沉降产生的漂浮粉尘，80％以上会成为落尘，导致巷道的底板沉积粉尘。当风速超过一定限度时，一部分沉积的粉尘会被重新扬起，形成漂浮粉尘，从而增加了风流中粉尘的浓度。粉尘浓度过高，不仅使井下工作环境恶劣，危害工作人员的身心健康，而且由于煤尘具有爆炸性，当沉积煤尘受冲击和振荡，造成二次飞扬，这时的粉尘浓度有可能达到爆炸下限，从而造成煤尘爆炸。一旦发生煤尘爆炸，就会造成人员大量伤亡，设备严重损坏，爆炸时产生的高温、高压和冲击波甚至会毁坏整个矿井。严重威胁着矿井的安全生产。因此，对落尘的监测具有深远意义。
现有研究中很少有对粉尘的沉积量进行专门的监测。目前对沉积煤尘的测定都采用人工方法，在井下布置测量皿，收集煤样后到地面用天平称重，计算煤尘的沉积速度，例如：吊盘法、清扫法、电气堆积法等。目前最常用的方法是吊盘法，吊盘法是沿巷道走向，每隔一段距离设一个测点，在测点上选用一定尺寸的集尘板平稳地固定在巷道周壁上，用来承受矿井空气所携带的沉降煤，以便测算测点处巷道单位面积上、单位时间内的煤尘沉降量，但是这种方式存在采样点固定，采样设备代价较高，实时性较差，测定过程对试验人员的经验依赖程度较高等不足。而扬尘监测系统仅工作原理就有β射线法，激光散射法，震荡天平法三种之多。因此，对落尘的监测急需更进一步的提升。
针对粉尘沉积规律已有少数学者开展研究，虽然国内外学者已运用数值模拟和实验的方法对管道内粉尘沉积进行了定性研究，但缺乏一种精确的检测方法对管道内的粉尘沉积厚度进行定量分析，更没有解决工矿场所沉积粉尘潜在爆炸性的预测问题。因此，如何提供一种方法，能实时监测工作场所不同位置的落尘量，从而对工作空间内落尘的整体空间分布进行预测，弥补传统粉尘监测网络感知范围小，监测盲区大的缺点，是本行业的研究方向。
发明内容
针对上述现有技术存在的问题，本发明提供一种粉尘沉积量空间分布实时监测系统及方法，能实时监测工作场所不同位置的落尘量，从而对工作空间内落尘的整体空间分布进行预测，弥补传统粉尘监测网络感知范围小，监测盲区大的缺点。
为了实现上述目的，本发明采用的技术方案是：一种粉尘沉积量空间分布实时监测系统，包括粉尘沉积量实时监测网络，云端服务器，云决策平台以及客户端；
所述粉尘沉积量实时监测网络由多个粉尘沉积量实时监测单元组成，各个粉尘沉积量实时监测单元分布在作业空间内的不同位置，所述粉尘沉积量实时监测单元包括重量传感器、风速测量传感器、温度传感器、湿度传感器、GPS位置传感器、粉尘沉积测试平台、微处理器、数据存储模块和数据传输模块，所述粉尘沉积测试平台由粉尘沉积盘以及沉积腔室组成，沉积腔室上部为敞口，粉尘沉积盘装在沉积腔室内部，且处于敞口正下方；所述重量传感器装在粉尘沉积盘上，用于采集粉尘沉积盘上的粉尘重量并反馈给微处理器；温度传感器、湿度传感器、GPS位置传感器、微处理器、数据存储模块和数据传输模块均装在沉积腔室内，微处理器与重量传感器、风速测量传感器、温度传感器、湿度传感器、GPS位置传感器、数据存储模块和数据传输模块连接，其中温度传感器、湿度传感器和GPS位置传感器分别将实时监测的温度值、湿度值及实时位置反馈给微处理器，微处理器将接收的数据存储在数据存储模块，并对采集的数据进行处理后通过数据传输模块传递至云端服务器；
所述云端服务器设有粉尘沉积量空间分布实时监测数据库，用于将接收的采集数据对粉尘沉积量空间分布实时监测数据库进行更新，并将更新后实时监测数据库的数据反馈给云决策平台；
所述云决策平台对获得的数据进行分析处理后，实现作业场所全空间尺度的粉尘沉积量预测；并将预测结果传递至客户端进行显示。
进一步，所述重量传感器为压电薄膜传感器。
进一步，所述云决策平台设有粉尘沉积量空间预测模型，用于根据获得的数据进行作业场所全空间尺度的粉尘沉积量预测。
进一步，所述客户端为多平台互通设计，移动端和桌面端互通，IOS、安卓、Windows平台互通。
上述粉尘沉积量空间分布实时监测系统的工作方法，具体步骤为：
A、校准粉尘沉积量实时监测单元：在粉尘发生器产生的粉尘环境下，将粉尘沉积量实时监测单元与干燥滤膜密封连接放置，进行一系列不同时间的粉尘收集实验，即实现系列粉尘沉积量的收集，将温度和湿度作为校正因子，采用多元线性回归方法，利用滤膜称重法获得的单位面积粉尘沉积质量对实时监测单元的测量数据进行校正，并且针对所有粉尘沉积量实时监测单元重复这一过程直到获得全部粉尘沉积量实时监测单元的校正系数，并将相关数据上传至云端服务器；
B、布设粉尘沉积量实时监测网络：将粉尘沉积量实时监测网络中的多个粉尘沉积量实时监测单元均匀分布在作业场所内不同位置，将粉尘沉积量实时监测单元置于测量平面上，采用非金属螺栓进行固定，防止监测单元产生位移；针对作业场所进行三维建模，并且依据各个粉尘沉积量实时监测单元内GPS位置传感器进行定位标记，实现不同监测单元相对位置的标记，并将相关数据上传至云端服务器；
C、建立粉尘沉积量空间分布实时监测数据库：
第一步，初始数据装入：将粉尘沉积量实时监测单元的编号，相对位置，以及粉尘沉积量，温度，相对湿度，地面风速时间序列数据作为初始数据对应装入；
第二步，功能构建：利用数据流控制命令在数据库内实现基本的存取功能，包括检索，替换，修改，插入与删除操作；实现用户与数据库之间的数据通讯功能；实现数据库的存储，云端连接，数据恢复与数据监视功能；
D、粉尘沉积量实时监测单元工作：进行粉尘沉积量工作时，使压电薄膜传感器，风速测量传感器，温度传感器和湿度传感器工作，将各个传感器采集的实时数据信号输入微处理器，微处理器实现将信号转换为监测单元的粉尘沉积量以及监测单元附近环境中的地面风速，温度，相对湿度数据，并且依据内部的时间模块按照时间序列进行数据的初步处理，并将数据传递至数据存储模块进行存储，并且利用步骤A中获取的各个粉尘沉积量实时监测单元的校正系数，对各个实时监测单元的粉尘沉积量分别进行校正，将校正后的粉尘沉积量以及地面风速，温度，相对湿度数据由数据传输模块上传至云端服务器；
E、构建云决策平台：
1)与粉尘沉积量空间分布实时监测数据库进行通讯管理：从粉尘沉积量空间分布实时监测数据库中筛选和导入所需要的数据以及配置；
2)智能化数据汇聚处理模块：接收粉尘沉积量空间分布实时监测数据库内时间序列全部粉尘沉积量实时监测单元的粉尘沉积量，温度，相对湿度，地面风速以及相对位置参数，并且对数据进行审核，筛选，排序的预操作后进行数据集成，数据变换操作；
3)粉尘沉积量空间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一时刻全部实时监测单元的单位面积沉积粉尘质量，温度，相对湿度，地面风速，相对位置参数数据并将这些数据按照K折循环验证方法划分训练集以及测试集数据；依据不同粉尘沉积量实时监测单元的相对位置参数与单位面积沉积粉尘测量值，并且将温度，相对湿度，地面风速的参数作为校正因子，建立不同位置实时监测单元的单位面积沉积粉尘质量的CNN深度学习预测模型，并依据模型的RMSE，R2的模型评估结果进行模型参数优化；并且针对温度，相对湿度，地面风速参数利用不同监测单元的相对位置参数以及KNN与SVM机器学习模型建立全作业空间尺度的参数预测，并将KNN与SVM模型嵌入CNN模型中，将全尺度作用空间温度，相对湿度，地面风速预测参数与全尺度空间位置数据输入CNN深度学习模型，实现作业场所全空间尺度的粉尘沉积量的预测；另外粉尘沉积量空间预测模型能根据连续时刻内不同粉尘沉积量实时监测单元的数据不断进行模型修正与迭代改进；
4)粉尘沉积量时间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一粉尘沉积量实时监测单元单位面积粉尘沉积质量的全部时间序列历史数据，并且建立LSTM循环神经网络模型，依据模型的RMSE指标进行模型参数的自我调整，从而实现某一监测单元的粉尘沉积量的时间预测，进一步针对所有监测单元建立LSTM循环神经网路模型，从而实现全部监测单元粉尘沉积量的时间预测；
F、客户端显示：接收云决策平台的传输的数据，并结合作业空间位置信息进行全尺度作业空间粉尘沉积量可视化展示。
进一步，所述步骤A中的校准具体步骤如下：
①在粉尘发生器产生的粉尘环境下，将粉尘沉积量实时监测单元与干燥滤膜密封连接放置，进行一系列不同时间的粉尘收集实验，设采样时间为TS，则在TS采样时间结束后进行滤膜的烘干，烘干后滤膜的增重为Δm＝m末-m初，滤膜的面积为S，设第i个粉尘沉积量实时监测单元的校正值为Di，则
②设第i个粉尘沉积量实时监测单元的粉尘沉积量原始测量值为Pi，粉尘沉积盘的面积为Si，第i个粉尘沉积量实时监测单元周围环境温度为Ti，周围环境的相对湿度为Hi，则带入校正方程，其中α，β，γ分别对应/>Ti,Hi的校正系数；
③重复步骤①确定不同测量周期确定的校正值和与之校正的粉尘沉积量实时监测单元的周期测量值，将其带入校正方程，通过矩阵计算得到粉尘沉积量实时监测单元的校正系数；
④将获得的各个粉尘沉积量实时监测单元的校正系数传输至云端服务器。
与现有技术相比，本发明采用粉尘沉积量实时监测网络，云端服务器，云决策平台以及客户端联用的方式，首先针对粉尘沉积量实时监测单元测得的单位面积粉尘沉积质量，将温度和湿度作为校正因子，采用多元线性回归方法，利用滤膜称重法获得的粉尘沉积量进行校正，针对所有粉尘沉积量实时监测单元重复这一过程直到获得全部粉尘沉积量实时监测单元的校正系数，并将相关数据上传至云端服务器。接下来，利用校正好的多个监测单元布设粉尘沉积量实时监测网络，实现作业场所内多个监测点粉尘沉积量的实时连续监测，并且依据粉尘沉积量实时监测单元内GPS位置传感器进行定位标记，实现不同监测单元相对位置的标记，将不同监测单元的单位面积粉尘沉积量，温度，相对湿度，地面风速以及相对位置信息上传至云端服务器。建立粉尘沉积量空间分布实时监测数据库，实现实时监测数据的上传，云端存储以及数据调用。云决策平台依据不同位置监测单元的粉尘沉积量实时监测数据以及监测单元的温度，相对湿度，地面风速，相对位置等相关参数信息依据深度学习空间预测模型实现作业场所全空间尺度的粉尘沉积量的预测，弥补了传统粉尘监测网络感知范围小，监测盲区大的缺点；并且云决策平台针对每一监测单元的历史监测数据建立深度学习时间预测模型，实现每一监测单元粉尘沉积量时空演化规律的智能监测。
附图说明
图1是本发明的整体结构示意图；
图2是本发明的整体流程原理图。
图中：1-压电薄膜传感器，2-风速测量传感器，3-温度传感器，4-湿度传感器，5-GPS位置传感器，6-粉尘沉积盘，7-沉积腔室，8-微处理器，9-数据存储模块，10-数据传输模块。
具体实施方式
下面将对本发明作进一步说明。
如图1所示，一种粉尘沉积量空间分布实时监测系统，包括粉尘沉积量实时监测网络，云端服务器，云决策平台以及客户端；
所述粉尘沉积量实时监测网络由多个粉尘沉积量实时监测单元组成，各个粉尘沉积量实时监测单元分布在作业空间内的不同位置，所述粉尘沉积量实时监测单元包括重量传感器、风速测量传感器2、温度传感器3、湿度传感器4、GPS位置传感器5、粉尘沉积测试平台、微处理器8、数据存储模块9和数据传输模块10，所述重量传感器为压电薄膜传感器1；所述粉尘沉积测试平台由粉尘沉积盘6以及沉积腔室7组成，沉积腔室7上部为敞口，粉尘沉积盘6装在沉积腔室7内部，且处于敞口正下方；所述重量传感器装在粉尘沉积盘6上，用于采集粉尘沉积盘6上的粉尘重量并反馈给微处理器8；温度传感器3、湿度传感器4、GPS位置传感器5、微处理器8、数据存储模块9和数据传输模块10均装在沉积腔室7内，微处理器8与重量传感器、风速测量传感器2、温度传感器3、湿度传感器4、GPS位置传感器5、数据存储模块9和数据传输模块10连接，其中温度传感器3、湿度传感器4和GPS位置传感器5分别将实时监测的温度值、湿度值及实时位置反馈给微处理器8，微处理器8将接收的数据存储在数据存储模块9，并对采集的数据进行处理后通过数据传输模块10传递至云端服务器；
所述云端服务器设有粉尘沉积量空间分布实时监测数据库，用于将接收的采集数据对粉尘沉积量空间分布实时监测数据库进行更新，并将更新后实时监测数据库的数据反馈给云决策平台；
所述云决策平台设有粉尘沉积量空间预测模型，用于对获得的数据进行分析处理后，实现作业场所全空间尺度的粉尘沉积量预测；并将预测结果传递至客户端进行显示。
作为本发明的一种改进，所述客户端为多平台互通设计，移动端和桌面端互通，IOS、安卓、Windows平台互通。这样便于操作实施。
上述云端服务器，云决策平台、客户端、重量传感器、风速测量传感器2、温度传感器3、湿度传感器4、GPS位置传感器5、粉尘沉积测试平台、微处理器8、数据存储模块9和数据传输模块10的硬件均为现有设备或器件，能通过市场直接购买获得。
如图2所示，上述粉尘沉积量空间分布实时监测系统的工作方法，具体步骤为：
A、校准粉尘沉积量实时监测单元：具体步骤如下：
①在粉尘发生器产生的粉尘环境下，将粉尘沉积量实时监测单元与干燥滤膜密封连接放置，进行一系列不同时间的粉尘收集实验，设采样时间为TS，则在TS采样时间结束后进行滤膜的烘干，烘干后滤膜的增重为Δm＝m末-m初，滤膜的面积为S，设第i个粉尘沉积量实时监测单元的校正值为Di，则
②设第i个粉尘沉积量实时监测单元的粉尘沉积量原始测量值为Pi，粉尘沉积盘的面积为Si，第i个粉尘沉积量实时监测单元周围环境温度为Ti，周围环境的相对湿度为Hi，则带入校正方程，其中α，β，γ分别对应/>Ti,Hi的校正系数；
③重复步骤①确定不同测量周期确定的校正值和与之校正的粉尘沉积量实时监测单元的周期测量值，将其带入校正方程，通过矩阵计算得到粉尘沉积量实时监测单元的校正系数；
④将获得的各个粉尘沉积量实时监测单元的校正系数传输至云端服务器。
B、布设粉尘沉积量实时监测网络：将粉尘沉积量实时监测网络中的多个粉尘沉积量实时监测单元均匀分布在作业场所内不同位置，将粉尘沉积量实时监测单元置于测量平面上，采用非金属螺栓进行固定，防止监测单元产生位移；针对作业场所进行三维建模，并且依据各个粉尘沉积量实时监测单元内GPS位置传感器5进行定位及编号，实现不同监测单元相对位置的标记，并将相关数据上传至云端服务器；
C、建立粉尘沉积量空间分布实时监测数据库：
第一步，初始数据装入：将粉尘沉积量实时监测单元的编号，相对位置，以及粉尘沉积量，温度，相对湿度，地面风速时间序列数据作为初始数据对应装入；
第二步，功能构建：利用数据流控制命令在数据库内实现基本的存取功能，包括检索，替换，修改，插入与删除操作；实现用户与数据库之间的数据通讯功能；实现数据库的存储，云端连接，数据恢复与数据监视功能；
D、粉尘沉积量实时监测单元工作：进行粉尘沉积量工作时，使压电薄膜传感器1，风速测量传感器2，温度传感器3和湿度传感器4工作，将各个传感器采集的实时数据信号输入微处理器，微处理器8实现将信号转换为监测单元的粉尘沉积量以及监测单元附近环境中的地面风速，温度，相对湿度数据，并且依据内部的时间模块按照时间序列进行数据的初步处理，并将数据传递至数据存储模块9进行存储，并且利用步骤A中获取的各个粉尘沉积量实时监测单元的校正系数，对各个实时监测单元的粉尘沉积量分别进行校正，将校正后的粉尘沉积量以及地面风速，温度，相对湿度数据由数据传输模块10上传至云端服务器；
E、构建云决策平台：
1)与粉尘沉积量空间分布实时监测数据库进行通讯管理：从粉尘沉积量空间分布实时监测数据库中筛选和导入所需要的数据以及配置；
2)智能化数据汇聚处理模块：接收粉尘沉积量空间分布实时监测数据库内时间序列全部粉尘沉积量实时监测单元的粉尘沉积量，温度，相对湿度，地面风速以及相对位置参数，并且对数据进行审核，筛选，排序的预操作后进行数据集成，数据变换操作；
3)粉尘沉积量空间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一时刻全部实时监测单元的单位面积沉积粉尘质量，温度，相对湿度，地面风速，相对位置参数数据并将这些数据按照K折循环验证方法划分训练集以及测试集数据；依据不同粉尘沉积量实时监测单元的相对位置参数与单位面积沉积粉尘测量值，并且将温度，相对湿度，地面风速的参数作为校正因子，建立不同位置实时监测单元的单位面积沉积粉尘质量的CNN深度学习预测模型，以R2大于0.8以及RMSE<5为目标进行模型参数优化；并且针对温度，相对湿度，地面风速参数利用不同监测单元的相对位置参数以及KNN与SVM机器学习模型建立全作业空间尺度的参数预测，并将KNN与SVM模型嵌入CNN模型中，将全尺度作用空间温度，相对湿度，地面风速预测参数与全尺度空间位置数据输入CNN深度学习模型，实现作业场所全空间尺度的粉尘沉积量的预测；另外粉尘沉积量空间预测模型能根据连续时刻内不同粉尘沉积量实时监测单元的数据不断进行模型修正与迭代改进；
4)粉尘沉积量时间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一粉尘沉积量实时监测单元单位面积粉尘沉积质量的全部时间序列历史数据，并且建立LSTM循环神经网络模型，以RMSE<10为模型优化目标进行模型参数的自我调整，从而实现某一监测单元的粉尘沉积量的时间预测，进一步针对所有监测单元建立LSTM循环神经网路模型，从而实现全部监测单元粉尘沉积量的时间预测；
F、客户端显示：接收云决策平台的传输的数据，并结合作业空间位置信息进行全尺度作业空间粉尘沉积量可视化展示。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种粉尘沉积量空间分布实时监测系统的工作方法，其特征在于，采用的粉尘沉积量空间分布实时监测系统包括粉尘沉积量实时监测网络，云端服务器，云决策平台以及客户端；所述粉尘沉积量实时监测网络由多个粉尘沉积量实时监测单元组成，各个粉尘沉积量实时监测单元分布在作业空间内的不同位置，所述粉尘沉积量实时监测单元包括重量传感器、风速测量传感器、温度传感器、湿度传感器、GPS位置传感器、粉尘沉积测试平台、微处理器、数据存储模块和数据传输模块，所述粉尘沉积测试平台由粉尘沉积盘以及沉积腔室组成，沉积腔室上部为敞口，粉尘沉积盘装在沉积腔室内部，且处于敞口正下方；所述重量传感器装在粉尘沉积盘上，用于采集粉尘沉积盘上的粉尘重量并反馈给微处理器；温度传感器、湿度传感器、GPS位置传感器、微处理器、数据存储模块和数据传输模块均装在沉积腔室内，微处理器与重量传感器、风速测量传感器、温度传感器、湿度传感器、GPS位置传感器、数据存储模块和数据传输模块连接，其中温度传感器、湿度传感器和GPS位置传感器分别将实时监测的温度值、湿度值及实时位置反馈给微处理器，微处理器将接收的数据存储在数据存储模块，并对采集的数据进行处理后通过数据传输模块传递至云端服务器；所述云端服务器设有粉尘沉积量空间分布实时监测数据库，用于将接收的采集数据对粉尘沉积量空间分布实时监测数据库进行更新，并将更新后实时监测数据库的数据反馈给云决策平台；所述云决策平台对获得的数据进行分析处理后，实现作业场所全空间尺度的粉尘沉积量预测；并将预测结果传递至客户端进行显示，具体步骤为：
A、校准粉尘沉积量实时监测单元：在粉尘发生器产生的粉尘环境下，将粉尘沉积量实时监测单元与干燥滤膜密封连接放置，进行一系列不同时间的粉尘收集实验，即实现系列粉尘沉积量的收集，将温度和湿度作为校正因子，采用多元线性回归方法，利用滤膜称重法获得的单位面积粉尘沉积质量对实时监测单元的测量数据进行校正，并且针对所有粉尘沉积量实时监测单元重复这一过程直到获得全部粉尘沉积量实时监测单元的校正系数，并将相关数据上传至云端服务器；
B、布设粉尘沉积量实时监测网络：将粉尘沉积量实时监测网络中的多个粉尘沉积量实时监测单元均匀分布在作业场所内不同位置，将粉尘沉积量实时监测单元置于测量平面上，采用非金属螺栓进行固定，防止监测单元产生位移；针对作业场所进行三维建模，并且依据各个粉尘沉积量实时监测单元内GPS位置传感器进行定位标记，实现不同监测单元相对位置的标记，并将相关数据上传至云端服务器；
C、建立粉尘沉积量空间分布实时监测数据库：
第一步，初始数据装入：将粉尘沉积量实时监测单元的编号，相对位置，以及粉尘沉积量，温度，相对湿度，地面风速时间序列数据作为初始数据对应装入；
第二步，功能构建：利用数据流控制命令在数据库内实现基本的存取功能，包括检索，替换，修改，插入与删除操作；实现用户与数据库之间的数据通讯功能；实现数据库的存储，云端连接，数据恢复与数据监视功能；
D、粉尘沉积量实时监测单元工作：进行粉尘沉积量工作时，使压电薄膜传感器，风速测量传感器，温度传感器和湿度传感器工作，将各个传感器采集的实时数据信号输入微处理器，微处理器实现将信号转换为监测单元的粉尘沉积量以及监测单元附近环境中的地面风速，温度，相对湿度数据，并且依据内部的时间模块按照时间序列进行数据的初步处理，并将数据传递至数据存储模块进行存储，并且利用步骤A中获取的各个粉尘沉积量实时监测单元的校正系数，对各个实时监测单元的粉尘沉积量分别进行校正，将校正后的粉尘沉积量以及地面风速，温度，相对湿度数据由数据传输模块上传至云端服务器；
E、构建云决策平台：
1)与粉尘沉积量空间分布实时监测数据库进行通讯管理：从粉尘沉积量空间分布实时监测数据库中筛选和导入所需要的数据以及配置；
2)智能化数据汇聚处理模块：接收粉尘沉积量空间分布实时监测数据库内时间序列全部粉尘沉积量实时监测单元的粉尘沉积量，温度，相对湿度，地面风速以及相对位置参数，并且对数据进行审核，筛选，排序的预操作后进行数据集成，数据变换操作；
3)粉尘沉积量空间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一时刻全部实时监测单元的单位面积沉积粉尘质量，温度，相对湿度，地面风速，相对位置参数数据并将这些数据按照K折循环验证方法划分训练集以及测试集数据；依据不同粉尘沉积量实时监测单元的相对位置参数与单位面积沉积粉尘测量值，并且将温度，相对湿度，地面风速的参数作为校正因子，建立不同位置实时监测单元的单位面积沉积粉尘质量的CNN深度学习预测模型，并依据模型的RMSE，R2的模型评估结果进行模型参数优化；并且针对温度，相对湿度，地面风速参数利用不同监测单元的相对位置参数以及KNN与SVM机器学习模型建立全作业空间尺度的参数预测，并将KNN与SVM模型嵌入CNN模型中，将全尺度作用空间温度，相对湿度，地面风速预测参数与全尺度空间位置数据输入CNN深度学习模型，实现作业场所全空间尺度的粉尘沉积量的预测；另外粉尘沉积量空间预测模型能根据连续时刻内不同粉尘沉积量实时监测单元的数据不断进行模型修正与迭代改进；
4)粉尘沉积量时间预测模型构建：提取粉尘沉积量空间分布实时监测数据库内某一粉尘沉积量实时监测单元单位面积粉尘沉积质量的全部时间序列历史数据，并且建立LSTM循环神经网络模型，依据模型的RMSE指标进行模型参数的自我调整，从而实现某一监测单元的粉尘沉积量的时间预测，进一步针对所有监测单元建立LSTM循环神经网路模型，从而实现全部监测单元粉尘沉积量的时间预测；
F、客户端显示：接收云决策平台的传输的数据，并结合作业空间位置信息进行全尺度作业空间粉尘沉积量可视化展示。
2.根据权利要求1所述粉尘沉积量空间分布实时监测系统的工作方法，其特征在于，所述重量传感器为压电薄膜传感器。
3.根据权利要求1所述粉尘沉积量空间分布实时监测系统的工作方法，其特征在于，所述云决策平台设有粉尘沉积量空间预测模型，用于根据获得的数据进行作业场所全空间尺度的粉尘沉积量预测。
4.根据权利要求1所述粉尘沉积量空间分布实时监测系统的工作方法，其特征在于，所述客户端为多平台互通设计，移动端和桌面端互通，IOS、安卓、Windows平台互通。
5.根据权利要求1所述粉尘沉积量空间分布实时监测系统的工作方法，其特征在于，所述步骤A中的校准具体步骤如下：
①在粉尘发生器产生的粉尘环境下，将粉尘沉积量实时监测单元与干燥滤膜密封连接放置，进行一系列不同时间的粉尘收集实验，设采样时间为TS，则在TS采样时间结束后进行滤膜的烘干，烘干后滤膜的增重为Δm＝m末-m初，滤膜的面积为S，设第i个粉尘沉积量实时监测单元的校正值为Di，则
②设第i个粉尘沉积量实时监测单元的粉尘沉积量原始测量值为Pi，粉尘沉积盘的面积为Si，第i个粉尘沉积量实时监测单元周围环境温度为Ti，周围环境的相对湿度为Hi，则带入校正方程，其中α，β，γ分别对应/>Ti,Hi的校正系数；
③重复步骤①确定不同测量周期确定的校正值和与之校正的粉尘沉积量实时监测单元的周期测量值，将其带入校正方程，通过矩阵计算得到粉尘沉积量实时监测单元的校正系数；
④将获得的各个粉尘沉积量实时监测单元的校正系数传输至云端服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310122673.3A CN116087042B (zh) | 2023-02-16 | 2023-02-16 | 一种粉尘沉积量空间分布实时监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310122673.3A CN116087042B (zh) | 2023-02-16 | 2023-02-16 | 一种粉尘沉积量空间分布实时监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116087042A CN116087042A (zh) | 2023-05-09 |
| CN116087042B true CN116087042B (zh) | 2023-09-08 |
Family
ID=86199116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310122673.3A Active CN116087042B (zh) | 2023-02-16 | 2023-02-16 | 一种粉尘沉积量空间分布实时监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116087042B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116625896B (zh) * | 2023-06-06 | 2024-03-05 | 中国矿业大学 | 一种作业场所人员接触粉尘浓度监测系统及方法 |
| CN117129556B (zh) * | 2023-08-29 | 2024-02-02 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测系统 |
| CN117139317B (zh) * | 2023-10-31 | 2024-02-13 | 米脂冀东水泥有限公司 | 一种水泥固废处理系统粉尘处理装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403301A (zh) * | 2008-11-18 | 2009-04-08 | 中国石油大学(北京) | 一种获取储层粒度区域分布规律的方法 |
| WO2018103202A1 (zh) * | 2016-12-09 | 2018-06-14 | 哈尔滨工业大学深圳研究生院 | 一种测量不均匀沉降作用下裂隙土水力特性的装置和测量方法 |
| CN110019594A (zh) * | 2017-09-27 | 2019-07-16 | 中国石油化工股份有限公司 | 一种基于数值模拟的地质知识库建立方法 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN214374125U (zh) * | 2021-03-18 | 2021-10-08 | 张溪 | 一种智能粉尘检测设备 |
| CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
| CN113834760A (zh) * | 2021-10-21 | 2021-12-24 | 中国矿业大学 | 实时个体工作粉尘浓度暴露空间规律监测预警系统及方法 |
| CN113887085A (zh) * | 2021-10-28 | 2022-01-04 | 河北农业大学 | 基于雾滴沉积模型的植保无人机喷洒质量评价方法 |
| CN114117924A (zh) * | 2021-11-30 | 2022-03-01 | 中国矿业大学 | 生产性粉尘多参量分布式监测与智能预测方法 |
| CN114482995A (zh) * | 2022-03-10 | 2022-05-13 | 西南石油大学 | 一种细粒沉积物泥质含量精细确定方法 |
| CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
-
2023
- 2023-02-16 CN CN202310122673.3A patent/CN116087042B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403301A (zh) * | 2008-11-18 | 2009-04-08 | 中国石油大学(北京) | 一种获取储层粒度区域分布规律的方法 |
| WO2018103202A1 (zh) * | 2016-12-09 | 2018-06-14 | 哈尔滨工业大学深圳研究生院 | 一种测量不均匀沉降作用下裂隙土水力特性的装置和测量方法 |
| CN110019594A (zh) * | 2017-09-27 | 2019-07-16 | 中国石油化工股份有限公司 | 一种基于数值模拟的地质知识库建立方法 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN214374125U (zh) * | 2021-03-18 | 2021-10-08 | 张溪 | 一种智能粉尘检测设备 |
| CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
| CN113834760A (zh) * | 2021-10-21 | 2021-12-24 | 中国矿业大学 | 实时个体工作粉尘浓度暴露空间规律监测预警系统及方法 |
| CN113887085A (zh) * | 2021-10-28 | 2022-01-04 | 河北农业大学 | 基于雾滴沉积模型的植保无人机喷洒质量评价方法 |
| CN114117924A (zh) * | 2021-11-30 | 2022-03-01 | 中国矿业大学 | 生产性粉尘多参量分布式监测与智能预测方法 |
| CN114482995A (zh) * | 2022-03-10 | 2022-05-13 | 西南石油大学 | 一种细粒沉积物泥质含量精细确定方法 |
| CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116087042A (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116087042B (zh) | 一种粉尘沉积量空间分布实时监测系统及方法 | |
| EP3557222B1 (en) | Calculation method and testing system for cumulative dust exposure to respirable dust of mine workers | |
| CN108154651A (zh) | 一种用于滑坡灾害实时监测预警的装置和方法 | |
| CN109708688A (zh) | 一种历史文化建筑安全监测与预警系统及方法 | |
| CN110160435B (zh) | 滑坡含水率增载响应比预测参数与方法 | |
| CN103487350B (zh) | 地表可燃物含水率自动提升称重测量方法 | |
| WO2016000666A1 (en) | Method and equipment for the monitoring of changes in the earth's lithosphere and atmosphere | |
| CN115116202A (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
| CN115876655B (zh) | 一种受限空间涉爆粉尘全过程监测系统及方法 | |
| WO2015154638A1 (zh) | 一种料场重量检测方法及系统 | |
| CN111882071A (zh) | 一种基于机器学习的预应力钢构件监测方法 | |
| CN109829534B (zh) | 露天煤矿排土场群落稳定性的评价方法、装置和系统 | |
| CN103604630A (zh) | 混合监测问题索集中载荷线位移识别方法 | |
| CN116384112A (zh) | 一种用于矿山灾害模拟和预警的方法及系统 | |
| CN103616201A (zh) | 空间坐标监测的问题索和集中载荷识别方法 | |
| CN103616247A (zh) | 广义位移索力监测问题索集中载荷识别方法 | |
| CN103604625A (zh) | 角度监测问题索集中载荷角位移识别方法 | |
| CN103616228A (zh) | 广义位移角度监测问题索集中载荷识别方法 | |
| CN103604645A (zh) | 广义位移混合监测问题索集中载荷识别方法 | |
| CN106921739A (zh) | 一种实时检测散装粮堆粮食储藏状态的系统及方法 | |
| CN103616195A (zh) | 角位移混合监测受损索集中载荷识别方法 | |
| CN103616210A (zh) | 广义位移时空间坐标监测的受损索集中载荷识别方法 | |
| CN103604553A (zh) | 角位移角度监测受损索集中载荷识别方法 | |
| CN103630397A (zh) | 线位移时角度监测的问题索集中载荷识别方法 | |
| CN103616229A (zh) | 角位移空间坐标监测问题索集中载荷识别方法 |
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 |