CN116659568A - 一种船舶涂装车间现场环境监测系统 - Google Patents

Abstract

本发明公开了一种船舶涂装车间现场环境监测系统，包括现场检测单元、控制中心和数据采集网络，现场检测单元安装在船舶涂装车间现场的集成监测点，用于测量集成监测点的环境参数；控制中心通过数据采集网络与现场检测单元相连，接收现场检测单元采集的数据；所述控制中心至少包括实时数据库和和软件管理系统，软件管理系统包括系统管理模块、实时显示模块、预测分析模块、报警管理模块、接口模块、报表管理、基础数据管理以及绿色评价体系等八个功能模块。本发明涂装车间环境质量进行精准监测和追溯，实现靶向治理；还能够对监测数据进行多维度分析，为环境污染防控提供决策支持，增强环境突发事件的快速反应和处置能力。

Description

一种船舶涂装车间现场环境监测系统

技术领域

本发明涉及船舶涂装车间监测技术领域，具体涉及一种船舶涂装车间现场环境监测系统。

背景技术

船舶工业是发展高端装备制造业的重要组成部分，船舶涂装不仅耗能，还会产生大量的污染物，涂装的污染主要包括大气污染、水污染、废弃物污染等。其中最主要的是大气污染物，如粉尘和VOCs等。此外，船舶企业的污染排放还会严重影响船舶企业工人的身体健康，例如船舶企业焊接、切割、打磨、喷砂等作业会产生大量粉尘污染，长期从事这类作业的工人容易罹患尘肺病，对健康产生不可逆的影响。

通过开展船舶涂装车间绿色生产和排放控制技术研究，有助于船舶企业改进HSE管理，降低污染排放，推动船舶企业绿色改造升级。

发明内容

本发明针对船舶涂装车间制造现场的环境、设备资源和中间产品的状态等与设计、规划的差异，致使船舶建造过程的稳定性和可靠性较低问题，在船舶涂装车间建立车间环境感知系统，建立实时监测和预警系统以满足安全管理的需求，了解污染物的变化与分布规律，提高企业对于事故的反应速度与处理能力，同时方便相关部门监督污染物的排放情况，有助于完善职业健康安全体系，保护操作工人的身心健康，实现绿色制造。

鉴于以上思路，本发明的目的在于提供一种船舶涂装车间现场环境监测系统，解决现有技术中缺乏实时感知系统，数据信息融合程度低的问题。

本发明为实现上述目的所采用的技术方案为：

一种船舶涂装车间现场环境监测系统，包括

现场检测单元，安装在船舶涂装车间现场的集成监测点，用于测量集成监测点的环境参数；

控制中心，通过数据采集网络与现场检测单元相连，接收现场检测单元采集的数据；

所述控制中心至少包括实时数据库和软件管理系统，软件管理系统用于将现场检测单元采集的数据存储在实时数据库内，并读取实时数据库内的数据并对数据进行管理和分析；软件管理系统包括系统管理模块、实时显示模块、预测分析模块、报警管理模块、接口模块、报表管理、基础数据管理以及绿色评价体系八个功能模块，所述系统管理模块用于管理登录界面和跟实时数据库进行数据交互，所述实时显示模块用于根据需要实时显示船舶涂装车间现场环境质量；所述预测分析模块内置涂装车间环境质量预测模型，用于预测挥发性有机物浓度的当前浓度或之后走势；所述报警管理模块用于在环境参数超标时报警显示；所述接口模块用于与车间MES系统或可视化模块链接；所述报表管理模块用于历史数据管理、查询与导出；所述基础数据管理用于基础数据输入、更改与参数设定；所述绿色生产评价模块根据涂装车间工作状态，从实时数据库中抓取数据进行车间环境评分。

所述涂装车间环境质量预测模型的建立方法如下：

步骤1、参数选取，选取挥发性有机物浓度为涂装车间环境质量表征参数，选取涂装工艺参数和环境参数为自变量；

步骤2、监测点位的选取，根据涂装车间的现场布局，在涂装间内安装N台防爆集成监控点位，进行长时间涂装间环境跟踪监测，记录涂装工艺参数和环境参数，每组涂装工艺参数和一个监测点位的环境参数构成一个样本；

步骤3、整理数据，根据每个防爆集成监测点位的分布，检查数据是否存在异常针对异常数据进行剔除或补充；

步骤4、将处理过的数据进行自变量筛选，剔除相关性小的自变量，最终得到K个自变量用于建立预测模型；

步骤5、根据筛选的自变量，建立多元线性回归-神经网络组合模型，具体如下：

步骤5.1、建立用于初次预测的多元线性回归模型如下：

公式一

其中：是常量；/>表示挥发性有机物浓度；/>表示第m个自变量，m取值为1-K的正整数；/>表示第m个自变量的偏回归系数，/>为常数项；

步骤5.2、构建复合样本，利用多元线性回归模型对每个样本数据进行拟合，得到拟合值，将拟合值和相应样本一起作为输入，以预测的挥发性有机物浓度作为输出重新构建复合样本；

步骤5.3、建立神经网络模型，神经网络模型包括输入层、中间层和输出层，各层神经元仅与相邻神经元之间互相全连接；确定输入层神经元个数M、中间层层数P、每层神经元个数、输出层神经元个数Q、激活函数、优化器函数以及学习率；通过复合样本不断对神经网络模型学习优化，得到多元线性回归-神经网络组合模型。

作为一种优选技术方案，所述现场检测单元包括防爆箱、安装在防爆箱内的挥发性有机物气体传感器、颗粒物传感器、温湿度传感器、安装在防爆箱外的风速仪以及用于采集数据的数据采集卡。

作为一种优选技术方案，所述防爆箱内还设有真空泵、电源和延伸到外部的进气管，所述进气管通过管道依次连接颗粒物传感器、过滤模块、真空泵、挥发性有机物气体传感器，电源用于给各个传感器供电，待检测气体通过真空泵抽吸作用先进入接颗粒物传感器进行颗粒物浓度检测，然后通过过滤模块过滤后进入挥发性有机物气体传感器检测，最后排向大气。

作为一种优选技术方案，所述温湿度传感器安装在防爆箱内底部，并延伸到外部，防爆箱顶部还设有与控制中心信号相连的报警灯；防爆箱外侧面设有与控制中心通讯相连的人机交互显示屏。

作为一种优选技术方案，所述数据采集网络包括传输线缆和无线通信。

作为一种优选技术方案，所述现场检测单元通过支撑杆安装在船舶涂装车间人员活动密集区域上方，距离地面高度2.5~4m，距离墙壁0.3~1m处。

作为一种优选技术方案，在船舶涂装车间现场安装有2-8集成监测点。

作为一种优选技术方案，所述挥发性有机物气体传感器为PID光离子气体传感器，颗粒物传感器为激光颗粒物传感器，湿度传感器为数字温湿度传感器。

作为优选技术方案，步骤3中，整理数据后将数据进行归一化处理使用。

作为优选技术方案，步骤5.3中的神经网络模型在中间层的逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响，影响公式如下：

公式二

每一层的每个神经元接收上一层所有神经元传输的信息，上一层中第i个神经元传输的输入信息x ₁对应一个输入权值，其大小表示传输信号的强度；上一层中每个神经元的输入信号加权求和之后作为本层某个神经元的总输入值，同时总输入值与该神经元中的阈值θ进行比较，只有当这个总和超过了θ时，才会将总输入值作为传输信息传递给一层。

作为优选技术方案，步骤5.3中，输入层神经元个数M为3~6，中间层层数为层P为1~2，输出层神经元个数Q为1~3。

作为优选技术方案，步骤5.3中，激活函数为Sigmoid、Tanh、ReLU、LeakRelu等中的一种，损失函数为均方误差损失函数、交叉熵误差损失函数以及指数损失函数等中的一种，优化器函数有GradientDescent、Adadelta、Momentum以及Adam等中的一种，学习率范围为0.001~0.1之间。

本发明的有益效果：

（1）在船舶涂装车间建立车间环境感知系统，感知车间环境的相关参数，可以及时了解污染物的变化与分布规律，同时方便相关部门监督污染物的排放情况。该措施不仅有助于达成职业健康安全管理体系，促进相关行业的发展与进步，而且也有助于提高环境监测水平、保障企业安全运行、提升制造业的核心竞争力。

（2）通过开展船舶涂装车间绿色生产和排放控制技术研究，有助于船舶企业改进HSE管理，降低污染排放，推动船舶企业绿色改造升级。

（3）本发明通过预测分析模块能够根据涂装工艺参数和现场能够实时监测的环境参数预测当前挥发性有机物（VOCs）浓度，无需等待挥发性有机物气体传感器出结果才能做出相应反馈，能够提高挥发性有机物监测及时性，同时也能与挥发性有机物气体传感器的后续实测值进行交叉验证，提高可靠性。另外，通过本发明过预测分析模块的预测功能能够根据涂装工艺参数变化预测挥发性有机物浓度变化，从而提前主动调整涂装车间通风量，将现有技术中被动式调节变为主动式调整，保障工人安全同时达到节能降耗目的。

附图说明

图1为本发明实施例中船舶涂装车间现场环境监测系统示意图。

图2为本发明实施例中现场检测单元整体示意图。

图3为本发明实施例中现场检测单元的防爆箱体打开示意图。

图4为本发明实施例中现场检测单元的现场检测流程图。

图5为本发明实施例中船舶涂装车间现场环境监测系统的功能框图。

图6为本发明实施例中RS485总线方式采集网络的拓扑图。

图7为多元线性回归-神经网络组合模型原理图。

图8为多元线性回归-神经网络组合模型构建流程。

图9为喷漆时间对VOCs浓度的影响。

图10为喷漆距离VOCs浓度的影响。

图11为空气流速对VOCs浓度的影响。

图12为水平距离喷口1m处甲苯传感器测得VOCs浓度的分布图。

图13为水平距离喷口1m处二甲苯传感器测得VOCs浓度的分布图。

100-控制中心，200-现场检测单元，210-防爆箱，211-箱体，212-箱盖，213-防爆开关，220-挥发性有机物气体传感器，221-颗粒物传感器，222-温湿度传感器，223-风速仪，224-数据采集卡，225-进气口，226-真空泵，227-电源，228-初级过滤器，229-二级过滤器，230-三级过滤器，231-HMI界面，232-报警灯，300-数据采集网络。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

如图1至图6所示，本发明提供了一种船舶涂装车间现场环境监测系统，包括

现场检测单元200，安装在船舶涂装车间现场的集成监测点，用于测量集成监测点的环境参数；

控制中心100，通过数据采集网络300与现场检测单元200相连，接收现场检测单元200采集的数据；

如图5所示，所述控制中心100至少包括实时数据库和和软件管理系统，所述软件管理系统通过设计关系数据库读取实时数据库内的数据并对数据进行管理和分析；软件管理系统的功能模块包括系统管理模块、实时显示模块、预测分析模块、报警管理模块、接口模块、报表管理、绿色生产评价以及基础数据管理八个，所述系统管理模块用于管理登录界面和跟实时数据库进行数据交互，所述实时显示模块用于根据需要实时显示船舶涂装车间现场环境质量；所述预测分析模块内置涂装车间环境质量预测模型，用于预测挥发性有机物浓度的当前浓度或之后走势；所述报警管理模块用于在环境参数超标时报警显示；所述接口模块用于与车间MES系统或可视化模块链接；所述报表管理模块用于历史数据管理、查询与导出；所述基础数据管理用于基础数据输入、更改与参数设定；所述绿色生产评价模块根据涂装车间工作状态，从实时数据库中抓取数据进行车间环境评分。

当然为了实现上述功能，所述控制中心100至少还需要有硬件支撑，一般来说至少包括工控机和存储设备，或者采用服务器也行，本发明实施例中，所述硬件系统为上位机，所述软件管理系统采用Microsoft Framework 4.0平台开发，开发环境为MicrosoftVisual Studio 2012，开发语言为C#，数据库为SQL Server，系统支持SOA系统架构，系统支持数据库、WEB SERVICE、XML、JSON、OPC等多种接口方式，集成及扩展能力强，具体开发算法或者代码根据现有技术即可，并不是本发明的发明点，对本发明解决技术问题不构成影响。

所述软件管理系统通过数据采集网络与现场检测单元200通信，每个现场检测单元200通过数据采集卡采集各个传感器数据，然后通过数据采集网络采集传输并存放到实时数据库中。实时显示模块从实时数据库中提取数据实现涂装车间环境的实时监测。系统管理模块提供实时数据的周期性转储或历史数据到关系数据库的存储。预测分析模块可以提取实时数据库和关系数据库中的数据，实现预测分析功能；其他模块直接与关系数据库进行数据交换，实现相关功能。

预测分析模块提供历史数据查询、趋势分析，提供车间环境质量预测模型的使用入口，对当前或者未来一段时间船舶涂装车间区域污染物浓度进行预警。

接口模块能通过JSON接口与涂装车间制造执行系统（MES）和涂装车间可视化模块进行信息交换，将监测的环境变量实时值传递给MES和可视化模块，MES将当前的设备运行情况传递给环境监测系统，智能控制车间内部通风除尘装置。

基础数据管理模块提供涂装车间绿色生产评价所需的基础数据输入、更改，计算公式编辑、参数设定功能，通过内置《船舶涂装车间环境指标评价体系》综合考虑船舶涂装作业过程的环境友好性、经济合理性和技术先进性，对船舶涂装车间投入、产出等各个维度的资源消耗和环境排放做出评估和评价。需要说明的是，《船舶涂装车间环境指标评价体系》为本发明申请项目同步编纂文件，并非解决本发明技术问题的关键文件，也可以参考现有技术中“涂装行业清洁生产评价指标体系”等技术进行相应管理。

在一些实施例中，如图2至图4所示，所述现场检测单元200包括防爆箱210、安装在防爆箱210内的挥发性有机物气体传感器220、颗粒物传感器221、温湿度传感器222、安装在防爆箱210外的风速仪223以及用于采集数据的数据采集卡224，防爆箱210本身包括箱体211和箱盖212，数据采集卡224通过信号线与每个传感器及风速仪相连，用于各个传感器数据自动采集，然后通过数据采集网络送往控制中心。

所述防爆箱210内还设有真空泵226、电源227和延伸到外部的进气管，所述进气管通过管道依次连接颗粒物传感器221、过滤模块、真空泵226、挥发性有机物气体传感器220，电源227用于给各个传感器供电，具体为挥发性有机物气体传感器220、颗粒物传感器221、温湿度传感器222、风速仪223、数据采集卡224供电；待检测气体通过真空泵226抽吸作用先进入接颗粒物传感器221进行颗粒物浓度检测，然后通过过滤模块过滤后进入挥发性有机物气体传感器220检测，最后排向大气。如图3所示，所述温湿度传感器222安装在防爆箱210内底部，并延伸到外部，直接对防爆箱210外部温湿度进行测量；防爆箱210顶部还设有与控制中心100信号相连的报警灯232，根据控制中心100检测分析，达到报警级别后发出报警；防爆箱210外侧面设有与控制中心100通讯相连的人机交互显示屏，即HMI界面231。

作为一种具体实施例，所述挥发性有机物气体传感器220为PID光离子气体传感器，颗粒物传感器221为激光颗粒物传感器221，湿度传感器为数字温湿度传感器222；防爆箱210防爆级别为ExdeIICT4 Gb。

在一些实施例中，如图3所示，所述进气管延伸到防爆箱210外形成进气口225，进气管上设有初级过滤器228，所述过滤模块包括二级过滤器229和三级过滤器230；初级过滤器228为烧结过滤器，二级过滤器229为雾过滤器，三级过滤为膜式过滤器。如图4所示，所述初级过滤器228之后通过管路（图3中未画出）依次连接至PM2.5分析模块、PM100分析模块、雾过滤器（二级过滤器229）、真空泵226（采样真空泵）、进样流量计（图3中未画出）、膜式过滤器（三级过滤器230）和PID分析模块（PID光离子气体传感器）。所述集成监测点位现场检测流程为：在采样真空泵的抽吸作用下，被测气体经初级过滤进入颗粒物传感器221，通过PM2.5分析模块、PM100分析模块分别进行相应颗粒物浓度检测，得到颗粒物浓度值，分析完成的样气经二级过滤器、三级过滤进入挥发性有机物气体传感器220，测得挥发性有机物浓度后将检测气体排空；温湿度传感器222位于防爆箱210箱体211外部，直接测量车间环境的温湿度，风速仪223位于防爆箱210箱体211外部，直接测量车间环境的风速；各传感器将采集到的测量因子数据传输至数据处理单元进行进一步分析、处理和标定，在HMI交互界面上实时显示。

在一些实施例中，如图6所示，所述数据采集网络300采用RS485方式收集每个现场检测单元200的数据并传递给控制中心100。

在一些实施例中，所述现场检测单元200通过支撑杆安装在船舶涂装车间人员活动密集区域上方，距离地面高度2.5~4m，距离墙壁0.3~1m处。为了完全覆盖船舶涂装车间内部环境监测，在车间内部布置N（N取值为2-8）个集成监测点位。比如，作为一种具体案例，确定集成监测点通过支撑杆安装在船舶涂装车间人员活动密集区域上方，距离地面高度3m，距离墙壁0.6m处。为了完全覆盖船舶涂装车间内部环境监测，在车间内部布置6个集成监测点位。

如图8所示，本本发明还提供涂装车间环境质量预测模型建立方法，具体步骤如下：

S1、参数选取，选取挥发性有机物浓度（VOCs）为涂装车间环境质量表征参数，选取涂装工艺参数和环境参数为自变量；

S2、监测点位的选取，根据涂装车间的现场布局，在涂装间内安装6个防爆集成监控点位，进行长时间涂装间环境跟踪监测，记录涂装工艺参数和环境参数，每组涂装工艺参数和一个监测点位的环境参数构成一个样本；所述涂装工艺参数至少包括油漆种类、喷涂时间及喷涂距离，所述环境参数包括颗粒物浓度、环境温度、环境湿度、空气流速及气压。

本发明选取涂装工艺房两个集成监测点为测试对象，现场检测单元200测试所用传感器如表1所示。

表1 测试选用传感器

S3、整理数据，根据每个防爆集成监测点位的分布，检查数据是否存在异常针对异常数据进行剔除或补充，并将数据进行归一化处理；

S4、将处理过的数据进行自变量筛选，剔除相关性小的自变量，最终得到K（K=3）个自变量用于建立预测模型；具体如下：

第一步：对挥发性有机物（VOCs）浓度随喷漆时间、喷涂距离以及空气流速分别做散点图观察分布趋势，如图9-图11所示；

第二步：通过逐步回归方法筛选模型变量，选取挥发性有机物浓度为因变量，喷漆时间、喷涂距离以及空气流速等为自变量，结果如下表所示；

表2 分析模型变量表

步骤5、根据筛选的自变量，建立多元线性回归-神经网络组合模型，具体如下：

步骤5.1、建立用于初次预测的多元线性回归模型如下：

公式一

其中：是常量，当/>，/>，…/>均为0时，这个常量表示/>的值，称为截距；/>表示挥发性有机物浓度；/>表示第m个自变量，m取值为1-K的正整数；/>表示第m个自变量的偏回归系数，/>，/>，…/>)为偏回归系数矩阵；/>为常数项，是去除所有自变量对模型影响后产生的随机误差，又被称为残差；

对拟合后的多元线性回归模型进行相关系数检验以及t检验，如表3、表4所示：

表3 相关系数检验

表4 t检验

第五步：根据上述检验，可得到一下模型：

步骤5.2、构建复合样本，利用多元线性回归模型对每个样本数据进行拟合，得到拟合值，将拟合值和相应样本一起作为输入，以预测的挥发性有机物浓度作为输出重新构建复合样本；本实施例中，输入样本为多元线性回归模型拟合值、喷漆时间、喷涂距离以及空气流速；

步骤5.3、建立神经网络模型，如图7所示，神经网络模型包括输入层、中间层和输出层，各层神经元仅与相邻神经元之间互相全连接；确定输入层神经元个数M、中间层层数P、每层神经元个数、输出层神经元个数Q、激活函数、优化器函数以及学习率；通过复合样本不断对神经网络模型学习优化，得到多元线性回归-神经网络组合模型。

本实施例中，BP神经网络作为神经网络模型，选取多元线性回归模型拟合值、喷漆时间、喷涂距离以及空气流速作为组合模型输入层神经元，输出层神经元为挥发性有机物浓度，隐藏层神经元个数为9个，中间层层数为1；选取组合模型激活函数为Sigmoid，损失函数为均方误差损失函数，优化器函数为AdamOptimizer函数，学习率为0.01。

对多元线性回归-神经网络组合模型进行对比分析，如表5所示：

表5 结果分析

多元线性回归模型可解释性好，计算复杂度低，但是模型拟合效果相对较弱，非线性神经网络模型拟合性强，但是模型容易产生过拟合，计算复杂程度高。本发明综合线性与非线性模型，将多元线性回归模型拟合结果以及自变量同时作为神经网络模型的输入层神经元，按照神经网络模型构建步骤进行拟合，得到多元线性回归-神经网络组合模型，达到最佳拟合结果。

得到多元线性回归-神经网络组合模型后即可进行涂装车间环境质量预测，具体方法如下：

在涂装间内设置6个监测点位，每个监测点位安装一台现场检测单元200，用于监测环境参数，当然，对于上述实施例建立的多元线性回归-神经网络组合模型来说，环境参数只有空气流速，因此现场检测单元200至少需要安装风向风速传感器，至于其他传感器可以根据需要判断是否需要安装；至少记录喷涂时间和喷涂距离两个涂装工艺参数；将空气流速、喷涂时间和喷涂距离一起组成数据采集样本，每个监控定位为一个数据样本，每间隔一段时间完成一次数据采集；

对于6个监测点位采集的数据进行检查，对异常数据进行剔除或补充，得到6个样本；

将处理过的6个样本数据输入到多元线性回归-神经网络组合模型，输出结果即为表征涂装车间环境质量的挥发性有机物浓度，取平均值，即为当前涂装车间挥发性有机物浓度的平均水平。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种船舶涂装车间现场环境监测系统，其特征在于，包括

现场检测单元，安装在船舶涂装车间现场的集成监测点，用于测量集成监测点的环境参数；

控制中心，通过数据采集网络与现场检测单元相连，接收现场检测单元采集的数据；

所述控制中心至少包括实时数据库和软件管理系统，软件管理系统用于将现场检测单元采集的数据存储在实时数据库内，并读取实时数据库内的数据并对数据进行管理和分析；软件管理系统包括系统管理模块、实时显示模块、预测分析模块、报警管理模块、接口模块、报表管理、基础数据管理以及绿色评价体系八个功能模块，所述系统管理模块用于管理登录界面和跟实时数据库进行数据交互，所述实时显示模块用于根据需要实时显示船舶涂装车间现场环境质量；所述预测分析模块内置涂装车间环境质量预测模型，用于预测挥发性有机物浓度的当前浓度或之后走势；所述报警管理模块用于在环境参数超标时报警显示；所述接口模块用于与车间MES系统或可视化模块链接；所述报表管理模块用于历史数据管理、查询与导出；所述基础数据管理用于基础数据输入、更改与参数设定；所述绿色生产评价模块根据涂装车间工作状态，从实时数据库中抓取数据进行车间环境评分。

2.根据权利要求1所述的船舶涂装车间现场环境监测系统，其特征在于：所述涂装车间环境质量预测模型的建立方法如下：

步骤1、参数选取，选取挥发性有机物浓度为涂装车间环境质量表征参数，选取涂装工艺参数和环境参数为自变量；

步骤2、监测点位的选取，根据涂装车间的现场布局，在涂装间内安装N台防爆集成监控点位，进行长时间涂装间环境跟踪监测，记录涂装工艺参数和环境参数，每组涂装工艺参数和一个监测点位的环境参数构成一个样本；

步骤3、整理数据，根据每个防爆集成监测点位的分布，检查数据是否存在异常针对异常数据进行剔除或补充；

步骤4、将处理过的数据进行自变量筛选，剔除相关性小的自变量，最终得到K个自变量用于建立预测模型；

步骤5、根据筛选的自变量，建立多元线性回归-神经网络组合模型，具体如下：

步骤5.1、建立用于初次预测的多元线性回归模型如下：

f(x)＝b+ω₁X₁+ω₂X₂+…+ω_mX_m+ε公式一

其中：b是常量；f(x)表示挥发性有机物浓度；X_m表示第m个自变量，m取值为1-K的正整数；ω_m表示第m个自变量的偏回归系数，ε为常数项；

步骤5.2、构建复合样本，利用多元线性回归模型对每个样本数据进行拟合，得到拟合值，将拟合值和相应样本一起作为输入，以预测的挥发性有机物浓度作为输出重新构建复合样本；

步骤5.3、建立神经网络模型，神经网络模型包括输入层、中间层和输出层，各层神经元仅与相邻神经元之间互相全连接；确定输入层神经元个数M、中间层层数P、每层神经元个数、输出层神经元个数Q、激活函数、优化器函数以及学习率；通过复合样本不断对神经网络模型学习优化，得到多元线性回归-神经网络组合模型。

3.根据权利要求2所述的船舶涂装车间现场环境监测系统，其特征在于：所述现场检测单元包括防爆箱、安装在防爆箱内的挥发性有机物气体传感器、颗粒物传感器、温湿度传感器、安装在防爆箱外的风速仪以及用于采集数据的数据采集卡。

4.根据权利要求3所述的船舶涂装车间现场环境监测系统，其特征在于：所述防爆箱内还设有真空泵、电源和延伸到外部的进气管，所述进气管通过管道依次连接颗粒物传感器、过滤模块、真空泵、挥发性有机物气体传感器，电源用于给各个传感器供电，待检测气体通过真空泵抽吸作用先进入接颗粒物传感器进行颗粒物浓度检测，然后通过过滤模块过滤后进入挥发性有机物气体传感器检测，最后排向大气。

5.根据权利要求4所述的船舶涂装车间现场环境监测系统，其特征在于：所述温湿度传感器安装在防爆箱内底部，并延伸到外部，防爆箱顶部还设有与控制中心信号相连的报警灯；防爆箱外侧面设有与控制中心通讯相连的人机交互显示屏。

6.根据权利要求4所述的船舶涂装车间现场环境监测系统，其特征在于：所述数据采集网络包括传输线缆和无线通信。

7.根据权利要求1所述的船舶涂装车间现场环境监测系统，其特征在于：所述现场检测单元通过支撑杆安装在船舶涂装车间人员活动密集区域上方，距离地面高度2.5～4m，距离墙壁0.3～1m处。

8.根据权利要求1所述的船舶涂装车间现场环境监测系统，其特征在于：在船舶涂装车间现场安装有2-8集成监测点。

9.根据权利要求4所述的船舶涂装车间现场环境监测系统，其特征在于：所述挥发性有机物气体传感器为PID光离子气体传感器，颗粒物传感器为激光颗粒物传感器，湿度传感器为数字温湿度传感器。