CN116735520A - 一种tvoc气体监测系统及方法 - Google Patents
一种tvoc气体监测系统及方法 Download PDFInfo
- Publication number
- CN116735520A CN116735520A CN202311006425.9A CN202311006425A CN116735520A CN 116735520 A CN116735520 A CN 116735520A CN 202311006425 A CN202311006425 A CN 202311006425A CN 116735520 A CN116735520 A CN 116735520A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- tvoc
- tvoc gas
- air sample
- monitoring unit
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 29
- 238000011088 calibration curve Methods 0.000 claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 230000001678 irradiating effect Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001179 sorption measurement Methods 0.000 claims description 4
- 239000002250 absorbent Substances 0.000 claims description 3
- 230000002745 absorbent Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 102
- 239000003570 air Substances 0.000 description 34
- 230000006870 function Effects 0.000 description 32
- 238000012549 training Methods 0.000 description 20
- 238000010801 machine learning Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 239000012855 volatile organic compound Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 6
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 239000003463 adsorbent Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- HEDRZPFGACZZDS-UHFFFAOYSA-N Chloroform Chemical compound ClC(Cl)Cl HEDRZPFGACZZDS-UHFFFAOYSA-N 0.000 description 2
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- OFBQJSOFQDEBGM-UHFFFAOYSA-N Pentane Chemical compound CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- NNPPMTNAJDCUHE-UHFFFAOYSA-N isobutane Chemical compound CC(C)C NNPPMTNAJDCUHE-UHFFFAOYSA-N 0.000 description 2
- QWTDNUCVQCZILF-UHFFFAOYSA-N isopentane Chemical compound CCC(C)C QWTDNUCVQCZILF-UHFFFAOYSA-N 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 229960002715 nicotine Drugs 0.000 description 2
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- ODLMAHJVESYWTB-UHFFFAOYSA-N propylbenzene Chemical compound CCCC1=CC=CC=C1 ODLMAHJVESYWTB-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009692 acute damage Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 150000001491 aromatic compounds Chemical class 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- AFABGHUZZDYHJO-UHFFFAOYSA-N dimethyl butane Natural products CCCC(C)C AFABGHUZZDYHJO-UHFFFAOYSA-N 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000001307 helium Substances 0.000 description 1
- 229910052734 helium Inorganic materials 0.000 description 1
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 1
- 210000000777 hematopoietic system Anatomy 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 239000001282 iso-butane Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- -1 trichloroethylene, tetrachloroethylene, ammonia Chemical class 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
- 150000003738 xylenes Chemical class 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/127—Calibration; base line adjustment; drift compensation
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种TVOC气体监测系统及方法,涉及气体监测领域,该系统中TVOC气体监测仪包括:监测机箱;监测机箱包括:监测单元与信号处理器;采样装置用于采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;同时启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;信号处理器用于根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。本发明能够实时地、准确地、便捷地对TVOC气体进行在线监测。
Description
技术领域
本发明涉及气体监测领域,特别是涉及一种TVOC气体监测系统及方法。
背景技术
TVOC是“Total Volatile Organic Compounds”的英文缩写,意思是总挥发性有机化合物。世界卫生组织(WHO,1989)对总挥发性有机化合物的定义为:室温下饱和蒸气压超过了133.32Pa且熔点低于室温而沸点在50~260℃之间的挥发性有机化合物的总称,它的毒性、刺激性、致癌性和特殊的气味性,会影响皮肤和黏膜,对人体产生急性损害,TVOC气体种类繁多,来源广泛,对人体呼吸、消化、心血管、内分泌及神经系统都会造成不同程度的伤害,其中芳香族化合物如苯、甲苯、苯乙烯等还能使人体产生畸变、癌变。随着社会各界对挥发性有机化合物防治监测认识的不断加深,近些年也制订和出台了部分挥发性有机物的排放标准以及与之相对应配套的分析方法。
从现有相关资料中可知,TVOC超标不仅会引起机体免疫水平失衡,还会影响人们的消化系统,严重时可损伤肝脏和造血系统,而现有的TVOC气体监测方法多种多样,其中,气相色谱-质谱法包括了采样、预浓缩、分离和监测四个步骤。就气相色谱-质谱法来看,大多是利用现场采样或者现场气体浓缩技术把样品带到实验室中进行浓缩、分离与监测,不适合实时性要求较高的监测和现场在线监测,且监测过程复杂、耗费大量人力物力、耗时较长且不易实现在线监测。
因此,为解决上述问题,亟需提供一种监测过程简单且能够实现在线监测的TVOC气体监测系统。
发明内容
本发明的目的是提供一种TVOC气体监测系统及方法,能够实时地、准确地、便捷地对TVOC气体进行在线监测。
为实现上述目的,本发明提供了如下方案:
一种TVOC气体监测系统,包括:采样装置、TVOC气体监测仪以及红外线光源;
所述TVOC气体监测仪包括:监测机箱和电源模块;所述监测机箱包括:监测单元与信号处理器;
所述采样装置用于采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;同时启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;
所述信号处理器用于根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
可选地,所述采样装置包括:吸附件和用于吸入空气的采集泵。
可选地,所述监测单元包括:多个监测腔室。
一种TVOC气体监测方法,应用于所述的TVOC气体监测系统,所述TVOC气体监测方法,具体包括:
利用采样装置采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;
启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;
根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
可选地,所述利用采样装置采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元,具体包括:
利用吸附件将空气样品中的干扰物质进行吸附;
对监测单元中的监测腔室进行清洗和加热;
之后,利用采集泵将吸附后的空气样品吸入监测腔室。
可选地,所述根据电信号确定红外光谱信号对应的特征,之前还包括:
对电信号进行预处理;所述预处理包括:滤波、放大、去噪和数据分析。
可选地,利用小波分析算法和小波包分析算法进行预处理。
可选地,所述根据红外光谱信号对应的特征,采用校准曲线得到监测结果,之后还包括:
当监测结果超过预设阈值时,进行报警。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种TVOC气体监测系统及方法,将空气样品传输至监测机箱中的监测单元;同时启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;本发明解决了现有技术不适合实时性要求较高的监测和现场在线监测,且监测过程复杂、耗费大量人力物力和耗时较长的问题。
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,下面将对实施例中所需要使用的附图作简单地介绍,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他的附图。
图1为本发明所提供的一种TVOC气体监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种TVOC气体监测系统及方法,能够实时地、准确地、便捷地对TVOC气体进行在线监测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明所提供的一种TVOC气体监测系统,包括:采样装置、TVOC气体监测仪以及红外线光源。所述TVOC气体监测仪包括:监测机箱和电源模块;所述监测机箱包括:监测单元与信号处理器。所述电源模块向所述监测单元与所述信号处理器供电。
所述采样装置用于采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;同时启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号。
其中,所述空气样品为一种或多种从以下组中选择的气体:甲烷、乙烷、乙烯、丙烷、异丁烷、正丁烷、异戊烷、正戊烷、苯、甲苯、乙苯、二甲苯、丙苯、氯仿、三氯乙烯、四氯乙烯、氨气、一氧化碳、二氧化碳、二氧化硫、硫化氢、氧气、氮气、氦气等。
所述信号处理器用于根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
本发明校准曲线是指被测量值与仪器仪表实际测得值之间关系的曲线,可以理解为一种一致性校准模型;将得到的原始TVOC气体浓度数据输入至校准曲线中,便可得到经校准的最终TVOC监测数据。
基于机器学习模型的反演算法,可以通过对红外光谱信号的特征波峰进行识别和分类,进一步提高TVOC气体浓度计算的监测精度,可以实现实时监测,将监测结果实时反馈给用户,方便用户及时采取措施提高监测效率;还可以一次性对多TVOC气体进行监测,进一步提高监测效率;还可以适用于不同类型的TVOC气体监测,具有很强的通用性和适用性。由上可知TVOC气体浓度计算采用基于机器学习模型的反演算法,可以提高监测精度、实现实时监测、提高监测效率,适用性广,具有很高的实用价值。
支持向量机算法可以在高维空间中进行分类和回归,对于复杂的非线性关系具有较高的分类和预测精度,能够有效地提高TVOC气体的监测准确性;支持向量机算法具有良好的泛化能力,可以应对新样本的预测和分类,能够有效避免过拟合和欠拟合等问题;支持向量机算法适用于各种类型的数据,包括线性和非线性数据,适用于不同类型的TVOC气体监测;支持向量机算法可以通过核函数的选择和调整,实现对特征空间的映射,提高模型的可解释性。综上所述,机器学习模型采用支持向量机算法,可以提高TVOC气体监测方法的准确性和可靠性,具有高精度、良好的泛化能力、适用性广和可解释性好等优点。
本发明校准曲线的训练精度高于90%,校准曲线的训练数据包括多种TVOC气体的红外光谱数据。
基于机器学习模型的反演算法至少包括以下几种:
比例反演法:该方法基于一个已知的气体浓度标准曲线,通过比例关系将红外线监测到的信号转换为气体浓度值,公式如下:
;
其中C表示目标气体的浓度,S表示红外线监测到的信号,Cg和Sg分别表示标准气体浓度和对应的信号值,C0和S0表示零浓度时的气体浓度和信号值。
斯特恩-沙贝特公式:该公式适用于光学传感器的反演,用于估计气体浓度与信号强度之间的关系,公式如下:
;
其中C表示目标气体的浓度,C0表示零浓度时的气体浓度,S表示红外线监测到的信号,S0表示零浓度时的信号值,K表示斯特恩-沙贝特常数。
极大似然估计法:该方法通过建立模型,利用最大似然估计的原理,推断出最可能的气体浓度值,公式涉及统计学方法,具体形式与问题设定相关。一般而言,极大似然估计法的公式可以表示为:
;
其中,L表示似然函数,θ表示待估参数,x表示观测数据,f表示概率密度函数或概率质量函数,取决于具体问题。本发明中观测数据x为原始TVOC气体浓度数据,待估参数θ为最终TVOC监测数据。
极大似然估计法的目标是找到使得似然函数取得最大值的参数值θ,即:
。
为了求解,通常采用对数似然函数的最大化,转换为最优化问题。对数似然函数的公式如下:
。
具体问题中,概率密度函数或概率质量函数f(x|θ)的形式和参数取值将根据问题的设定和模型的选择而不同。对于不同的气体浓度分布模型,需要根据实际情况选择合适的概率分布函数,并根据该函数进行参数估计。
逆问题求解算法:逆问题求解是通过建立数学模型和测量数据,反推未知参数或状态的问题,该算法根据问题的具体特征,可能采用不同的数值方法或优化算法进行求解,如最小二乘法、正则化方法等。
贝叶斯反演公式是一种基于贝叶斯统计理论的反演方法,用于推断未知参数或状态的后验概率分布,它结合了先验知识和观测数据,提供了对未知量进行概率推断的框架。
贝叶斯反演公式可以表示为:
P(θ|D)=P(D|θ)P(θ)/P(D)。
其中,P(θ|D)是给定观测数据D条件下的未知参数θ的后验概率分布,表示对θ的置信度。P(D|θ)是观测数据D在给定参数θ下的条件概率分布,表示观测数据D的可能性。P(θ)是未知参数θ的先验概率分布,表示在观测数据之前对θ的知识或信念。P(D)是观测数据D的边缘概率分布,作为归一化因子,确保后验概率分布的总和为1。
贝叶斯反演公式中的关键是通过观测数据D来更新对未知参数θ的置信度,它将先验信息与观测数据相结合,得到后验概率分布,反映了参数的不确定性和数据的影响。本发明中观测数据D为原始TVOC气体浓度数据,未知参数θ为最终TVOC监测数据。
在实际应用中,贝叶斯反演公式的具体形式和计算方法取决于问题的设定和模型的选择。通常需要根据具体情况确定先验概率分布和条件概率分布,并使用贝叶斯推断方法(如马尔可夫链蒙特卡洛方法,MCMC)来计算后验概率分布。
反褶积反演公式:是用于信号恢复的一种方法,它尝试通过已知的观测信号和系统响应来逆向推导出原始信号。反褶积反演公式的具体形式取决于信号模型和系统响应的特性。
在时域中,反褶积反演公式可以表示为:
f(t)=g(t)h(t)。
其中,f(t)是待求的原始信号,g(t)是观测到的信号,h(t)是系统的脉冲响应。本发明中,观测到的信号g(t)为原始TVOC气体浓度数据,待求的原始信号f(t)为最终TVOC监测数据。
在频域中,反褶积反演公式可以表示为:
F(f)=G(f)/H(f)。
其中,F(f)和G(f)是原始信号和观测信号的傅里叶变换,H(f)是系统响应的傅里叶变换。
反褶积反演公式在实际应用中可能会面临一些挑战,例如噪声的影响、系统响应的不完美等。因此,为了稳定和准确地进行反演,可能需要使用正则化技术、约束条件或其他信号处理方法来提高恢复信号的质量。
在使用支持向量机算法对红外线监测到的气体浓度数据进行分析处理时,并不涉及传统的反演算法公式。支持向量机是一种基于经验风险最小化和结构风险最小化的机器学习方法,通过构建一个决策函数来进行分类或回归。
对于分类问题,支持向量机的决策函数可以表示为:
f(x)=sign(wTx+b)。
其中,x是输入样本,w是权重向量,b是偏置项,T表示转置。通过训练过程,支持向量机会学习到最优的权重向量w和偏置项b,用于对新的样本进行分类。本发明中输入样本x为原始TVOC气体浓度数据,输出样本f(x)为最终TVOC监测数据。
对于回归问题,支持向量机的决策函数可以表示为:
f(x)=wTx+b。
在支持向量机中,使用不同的核函数(如线性核、多项式核、高斯核等)可以更好地拟合数据,提高分类或回归的性能。这些核函数的选择是通过训练过程中的优化问题来确定的,而不涉及传统的反演算法公式。支持向量机算法在红外线气体浓度数据的分析处理中,主要关注分类或回归问题,通过优化问题和决策函数来构建模型。
信号处理器的训练和识别过程为:
数据收集和准备,收集相关的数据,并进行数据清洗、预处理和特征工程,这包括处理缺失值、处理异常值、进行特征选择和特征转换等操作。
模型选择和设计,选择适合机器学习算法或模型,并进行模型设计,可以选择分类模型、回归模型、聚类模型等。
数据划分,将收集到的数据划分为训练集、验证集和测试集。训练集用于模型的参数学习,验证集用于模型的调优和超参数选择,测试集用于评估模型的性能。
模型训练,使用训练集对选定的机器学习模型进行训练,这包括使用训练数据进行参数估计、模型优化和损失函数最小化等操作。
模型评估和调优,使用验证集对训练得到的模型进行评估。根据评估结果,对模型进行调优,可以调整模型的超参数、正则化参数等。
模型预测和识别,使用测试集对最终调优的模型进行预测和识别。将新的未见过的数据输入模型中,获得模型的预测结果或分类结果。
模型性能评估,评估模型在测试集上的性能。常见的评估指标包括准确率、精确率、召回率、F1值、ROC曲线等,根据问题的需求选择适当的评估指标。
模型部署和应用,将训练好的模型部署到实际应用中,用于进行实时预测或分类任务。
经过学习和训练后,将电信号输入信号处理器后便可直接得到TVOC的气体浓度,便于实时反馈监测到的TVOC气体浓度。
信号处理器通常为单片机,电信号输送至单片机内,单片机收到电信号数据后,由单片机的内嵌计算程序进行计算,计算结束后单片机将计算结果传输至自带的显示屏上,由显示屏显示数据;监测结果是监测到的TVOC气体浓度。
可以利用小波分析和小波包分析算法对电信号进行预处理。小波分析和小波包分析算法有以下效果:
信号去噪:小波分析算法可以将信号分解成多个小波系数,通过对小波系数的阈值处理,可以去除信号中的噪声。
特征提取:小波包分析算法可以将信号分解成多层小波包,通过对小波包系数的分析,可以提取出信号的特征波峰。
压缩编码:小波分析算法可以将信号分解成多个小波系数,通过对系数进行压缩编码,可以节省存储空间和传输带宽。
小波分析方法在时域和频域对信号进行局部化分析,经过伸缩平移运算后可以从多尺度细化的信号中提取有用信息,在气体监测系统中,可能存在光源功率波动、气室机械振动、电子元器件温度漂移以及光路干涉等现象,这会在痕量气体信息的光谱信号中引入背景噪声,进而引起光谱基线无规律的波动,采用小波分析方法可以有效地抑制噪声并提取有用信息,根据所提取的目标信号效果,确定合适的小波函数和分解层次。
小波分析是用一簇小波函数系来表示或通近某一信号或函数。因此,小波函数是小波分析的关键,它是指具有震荡性、能够迅速衰减到零的一类函数:
小波包基函数:
。
Ψa、b(t)为子小波;a为尺度因子反应小波的周期长度;b为平移因子,反应时间上的平移。R表示非零实数全体,表示子小波(即原始TVOC气体浓度数据);监测单元监测气体后,通过对红外光谱信号的特征波峰进行识别和分类,得到数值a、b,由此得到子小波。
选择合适的基小波函数是进行小波分析的前提。在实际应用研究中,应针对具体情况选择所需的基小波函数:同一信号或时间序列,若选择不同的基小波函数,所得的结果往往会有所差异有时甚至差异很大。目前,主要是通过对比不同小波分析处理信号时所得的结果与理论结果的误差来判定基小波函数的好坏,并由此选定该类研究所需的基小波离数。
小波分析是把时间序列S分解成低频信息a1和高频信息d1两部分,在分析过程中,低频a1中失去的信息由高频d1捕获,在下一层的分析中,又将a1分解成低频a2和高频d2两部分,低频a2中失去的信息由高频d2捕获,依此类推,可以进行更深层的分解,小波包分解不仅对低频部分进行分解,而且还对高频部分进行分解,
小波包分解:小波包分解可以由小波分解扩展得到,公式为:
;
式中,和/>为小波包分解第j层节点(j、n)分解系数,j为小波尺度参数,其取值范围为j∈{1,2,...,i-1,i};l、k为平移参数;n为频率参数,对应节点所在的频率区间,其取值范围为n∈{0,1,...,2j-1};ak-2l、bk-2l 分别为小波包分解中对应的低通、高通滤波器组;/>为小波包分解第j+1层内节点(j+1、n)的分解系数。
小波包重构:
。
为小波包重构第j+1层节点重构系数(j+1、n);hl-2k、gl-2k是小波包重构中对应的低通、高通滤波器组。将其编入信号处理器中对接收到的电信号进行计算,从而得到原始TVOC气体浓度数据。
小波分析:将原始信号通过小波变换分解成多个不同频率的小波系数,可以使用函数wavedec实现。
小波包分析算法:将原始信号通过小波包变换分解成多个不同频率的小波包系数,可以使用函数wpdec实现。
小波包分析算法首先在电信号的预处理中有着滤波和去噪的功能,其次小波包分析算法在电信号处理中的一个主要应用就是提取特征。其主要步骤如下:
(1)选择适当的小波滤波器,对给定的采样电信号进行小波包变换,获得树形结构的小波包系数;
(2)选择信息代价函数,利用最佳小波包基选取算法选取最佳基;
(3)对最佳正交小波包对应的小波包系数进行处理;
(4)对处理后的小波包系数采用小波包重构算法得到重构信号。
由电信号中得到数值a、b,进行计算后进行重构得到原始TVOC气体浓度。
在测量之前要进行监测腔室内预热和与大气环境(向监测单元中输送洁净空气或氮气对监测单元的气路进行清洗)通气等步骤,以消除温度、气压等因素对测量结果的影响,从而提高测量的准确性和可靠性,该系统中的TVOC气体监测仪具备多点校准和基线校正的功能,能够自动识别并校准TVOC气体监测仪的漂移误差,具有技术优势。
TVOC气体监测仪可以设置有多台,各TVOC气体监测仪与上位机之间均为通信连接,上位机还可以将TVOC气体监测仪监测出来的相关数据传输到外部设备中,如智能手机、平板电脑等,使得用户在远程位置也可以离开TVOC气体监测系统并分析相关数据,当上位机监测到TVOC气体浓度等于或大于设置的TVOC气体的预设阈值时,可以向上位机提供通知,且上位机中嵌设有一种基于机器学习的反演算法或支持向量机算法的校准曲线,上位机可以通过一个或多个TVOC气体监测仪收集来的数据来提供相关的算法训练,将监测得到的TVOC气体浓度数据进行分析处理时,采用的校准曲线使用一种基于机器学习的反演算法或支持向量机算法进行训练和生成,校准曲线的训练精度高于90%,校准曲线的训练数据包括多种TVOC气体的红外光谱数据。
基于机器学习模型的反演算法,通过对红外光谱信号的特征波峰进行识别和分类,进一步提高了TVOC气体浓度计算的提高监测精度,可以实现实时监测和监测,将监测结果实时反馈给用户,方便用户及时采取措施提高监测效率,可以一次性对多TVOC气体进行监测,提高了监测效率,可以适用于不同类型的TVOC气体监测,具有很强的通用性和适用性,由上可知TVOC气体浓度计算采用基于机器学习模型的反演算法,可以提高监测精度,实现实时监测,提高监测效率,适用性广,具有很高的实用价值。
支持向量机算法可以在高维空间中进行分类和回归,对于复杂的非线性关系具有较高的分类和预测精度,能够有效地提高TVOC气体的监测准确性;支持向量机算法具有良好的泛化能力,可以应对新样本的预测和分类,能够有效避免过拟合和欠拟合等问题;支持向量机算法适用于各种类型的数据,包括线性和非线性数据,适用于不同类型的TVOC气体监测;支持向量机算法可以通过核函数的选择和调整,实现对特征空间的映射,提高了模型的可解释性,综上所述,机器学习模型采用支持向量机算法,可以提高TVOC气体红外监测方法的准确性和可靠性具有高精度、良好的泛化能力、适用性广和可解释性好等优点。
监测结果通过校准曲线进行转换最终得到TVOC气体的浓度结果,当监测到TVOC的浓度超过预设阈值时,可以向操作者进行警示、警报等,可以在每个对应的单独区域的监测单元上显示通知,使得位于对应区域的用户也可以被告知当前的TVOC气体情况,也可以通过警报和警报等设备进行通知。
在TVOC气体的红外光谱监测中,小波分析和小波包分析算法可以通过对红外光谱信号进行分解和分析,提取出TVOC气体的特征波峰,用于机器学习模型的训练和识别。这样可以提高机器学习模型的训练精度和监测准确性,进一步提高了TVOC气体红外监测方法的实用性和可靠性。
所述采样装置包括:吸附件和用于吸入空气的采集泵。吸附件为常规吸附件,可以为活性炭或其他吸附材料。吸附件为可拆卸设置在采样装置上。
所述吸附件用于吸附空气样品中的干扰物质;所述干扰物质包括但不限于:清洁剂、杀虫剂、涂料以及烟草中的尼古丁和焦油,这些化学药品会释放出挥发性有机化合物,导致仪器无法准确地测量,铁制家具、不锈钢厨具等都会散发出一种叫做“钢铁挥发物”的化合物,也可能会对测试结果产生干扰,烟草制品,烟草中的尼古丁和焦油等物质也会对测试结果产生影响。
监测机箱上自带的气路输送至监测单元中,所述监测单元包括:多个监测腔室。为了使监测单元的工作状态达到平稳,在将空气样品输送至监测腔室前,对监测腔室进行清洗以及加热;之后,一所述监测腔室用于传输空气样品;剩余所述监测腔室用于填充参照气体;所述参照气体包括但不限于:二氧化碳、氮气或氧气。
监测单元与外界通气,以达到与环境空气相同的气压与温度,以消除气压和温度对监测结果的影响。
进一步的,本发明所提供的一种TVOC气体监测系统,还包括上位机。所述上位机与各所述TVOC气体监测仪的通信方式可以为有线或无线方法,所述通信方式至少包括蓝牙、NFC等相关移动通信方法或如WIFI这类无线互联网的循环无线方法,当TVOC气体监测仪监测到TVOC气体浓度在预设阈值之上时,由TVOC气体监测仪反馈至所述上位机中,由所述上位机向操作者进行反馈和通知,实时监测TVOC气体浓度。
对应上述系统,本发明还提供一种TVOC气体监测方法,应用于所述的TVOC气体监测系统,所述TVOC气体监测方法,具体包括:
S101,利用采样装置采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;
S101具体包括:
利用吸附件将空气样品中的干扰物质进行吸附;
对监测单元中的监测腔室进行清洗和加热;
之后,利用采集泵将吸附后的空气样品吸入监测腔室。
S102,启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;
S103,根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
S103之前还包括:
对电信号进行预处理;所述预处理包括:滤波、放大、去噪和数据分析。
利用小波分析算法和小波包分析算法进行预处理。
S103之后还包括:
当监测结果超过预设阈值时,进行报警。
本发明优点在于:设置TVOC气体监测仪,由TVOC气体监测仪对监测区域的气体进行监测,并将监测结果输入上位机中,再根据需要决定是否需要将上位机中得到的数据发送至操作者的可移动设备中,将监测结果实时反馈给用户,方便用户及时采取措施提高监测效率,可以适用于不同类型的TVOC气体监测,具有很强的通用性和适用性;
在测量之前要进行监测腔室内预热和与大气环境(向监测单元中输送洁净空气或氮气对监测单元的气路进行清洗)通气等步骤,以消除温度、气压等因素对测量结果的影响,从而提高测量的准确性和可靠性;
TVOC气体浓度计算采用基于机器学习模型的反演算法,可以提高监测精度、实现实时监测、提高监测效率,适用性广,具有很高的实用价值;
在TVOC气体的红外光谱监测中,小波分析和小波包分析算法可以通过对红外光谱信号进行分解和分析,提取出TVOC气体的特征波峰,用于机器学习模型的训练和识别。这样可以提高机器学习模型的训练精度和监测准确性,进一步提高了TVOC气体红外监测方法的实用性和可靠性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种TVOC气体监测系统,其特征在于,包括:采样装置、TVOC气体监测仪以及红外线光源;
所述TVOC气体监测仪包括:监测机箱和电源模块;所述监测机箱包括:监测单元与信号处理器;
所述采样装置用于采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;同时启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;
所述信号处理器用于根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
2.根据权利要求1所述的一种TVOC气体监测系统,其特征在于,所述采样装置包括:吸附件和用于吸入空气的采集泵。
3.根据权利要求1所述的一种TVOC气体监测系统,其特征在于,所述监测单元包括:多个监测腔室。
4.一种TVOC气体监测方法,应用于权利要求1-3中任意一项所述的TVOC气体监测系统,其特征在于,所述TVOC气体监测方法,具体包括:
利用采样装置采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元;
启动红外线光源,由监测单元的输入端照射至监测单元的监测腔室中,并将未被空气样品吸收的红外线光源转换为电信号;
根据电信号确定红外光谱信号对应的特征;并根据红外光谱信号对应的特征,采用校准曲线得到监测结果;所述校准曲线基于机器学习的反演算法或支持向量机算法进行训练和生成。
5.根据权利要求4所述的一种TVOC气体监测方法,其特征在于,所述利用采样装置采集待监测区域的空气样品,并将空气样品传输至监测机箱中的监测单元,具体包括:
利用吸附件将空气样品中的干扰物质进行吸附;
对监测单元中的监测腔室进行清洗和加热;
之后,利用采集泵将吸附后的空气样品吸入监测腔室。
6.根据权利要求4所述的一种TVOC气体监测方法,其特征在于,所述根据电信号确定红外光谱信号对应的特征,之前还包括:
对电信号进行预处理;所述预处理包括:滤波、放大、去噪和数据分析。
7.根据权利要求6所述的一种TVOC气体监测方法,其特征在于,利用小波分析算法和小波包分析算法进行预处理。
8.根据权利要求4所述的一种TVOC气体监测方法,其特征在于,所述根据红外光谱信号对应的特征,采用校准曲线得到监测结果,之后还包括:
当监测结果超过预设阈值时进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006425.9A CN116735520A (zh) | 2023-08-11 | 2023-08-11 | 一种tvoc气体监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311006425.9A CN116735520A (zh) | 2023-08-11 | 2023-08-11 | 一种tvoc气体监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116735520A true CN116735520A (zh) | 2023-09-12 |
Family
ID=87906354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311006425.9A Pending CN116735520A (zh) | 2023-08-11 | 2023-08-11 | 一种tvoc气体监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116735520A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202614672U (zh) * | 2012-03-30 | 2012-12-19 | 湖北金为电子有限公司 | 红外差分吸收光谱法烷烃气体实时在线检测装置 |
CN103403529A (zh) * | 2010-12-23 | 2013-11-20 | Abb股份公司 | 包括频谱校准装置的光学气分析装置 |
CN104458640A (zh) * | 2014-12-25 | 2015-03-25 | 中国西电电气股份有限公司 | 一种基于光纤气体在线监测数据的变压器故障诊断方法及系统 |
CN104614337A (zh) * | 2015-01-06 | 2015-05-13 | 西安交通大学 | 一种便携式多组分混合气监测系统 |
WO2016187671A1 (en) * | 2015-05-27 | 2016-12-01 | Crc Care Pty Ltd | A method and apparatus for automatically determining volatile organic compounds (vocs) in a sample |
CN112666109A (zh) * | 2020-12-03 | 2021-04-16 | 中船重工安谱(湖北)仪器有限公司 | 一种用于密闭或半密闭空间多组分气体光学检测仪 |
CN113496100A (zh) * | 2020-04-08 | 2021-10-12 | 光谱传感器公司 | 用于外推校准光谱的系统和计算机实施的方法 |
CN219391798U (zh) * | 2022-11-01 | 2023-07-21 | 浙江大学杭州国际科创中心 | 移动测量工业排放挥发性有机物浓度和通量的监测系统 |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
-
2023
- 2023-08-11 CN CN202311006425.9A patent/CN116735520A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103403529A (zh) * | 2010-12-23 | 2013-11-20 | Abb股份公司 | 包括频谱校准装置的光学气分析装置 |
CN202614672U (zh) * | 2012-03-30 | 2012-12-19 | 湖北金为电子有限公司 | 红外差分吸收光谱法烷烃气体实时在线检测装置 |
CN104458640A (zh) * | 2014-12-25 | 2015-03-25 | 中国西电电气股份有限公司 | 一种基于光纤气体在线监测数据的变压器故障诊断方法及系统 |
CN104614337A (zh) * | 2015-01-06 | 2015-05-13 | 西安交通大学 | 一种便携式多组分混合气监测系统 |
WO2016187671A1 (en) * | 2015-05-27 | 2016-12-01 | Crc Care Pty Ltd | A method and apparatus for automatically determining volatile organic compounds (vocs) in a sample |
CN113496100A (zh) * | 2020-04-08 | 2021-10-12 | 光谱传感器公司 | 用于外推校准光谱的系统和计算机实施的方法 |
CN112666109A (zh) * | 2020-12-03 | 2021-04-16 | 中船重工安谱(湖北)仪器有限公司 | 一种用于密闭或半密闭空间多组分气体光学检测仪 |
CN219391798U (zh) * | 2022-11-01 | 2023-07-21 | 浙江大学杭州国际科创中心 | 移动测量工业排放挥发性有机物浓度和通量的监测系统 |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oletic et al. | Energy-efficient respiratory sounds sensing for personal mobile asthma monitoring | |
Erdoğan et al. | COVID-19 detection with traditional and deep features on cough acoustic signals | |
Wijaya et al. | Sensor array optimization for mobile electronic nose: Wavelet transform and filter based feature selection approach | |
Yin et al. | A feature extraction method based on wavelet packet analysis for discrimination of Chinese vinegars using a gas sensors array | |
Jiang et al. | Determination of pear internal quality attributes by Fourier transform near infrared (FT-NIR) spectroscopy and multivariate analysis | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
Yoon et al. | Calibration transfer of near-infrared spectra based on compression of wavelet coefficients | |
Chen et al. | Fault detection, isolation, and diagnosis of status self-validating gas sensor arrays | |
Zheng-Feng et al. | Outlier detection for multivariate calibration in near infrared spectroscopic analysis by model diagnostics | |
Takahama et al. | Atmospheric particulate matter characterization by Fourier transform infrared spectroscopy: a review of statistical calibration strategies for carbonaceous aerosol quantification in US measurement networks | |
Subandri et al. | E-nose sensor array optimization based on volatile compound concentration data | |
Zhang et al. | A novel gas recognition and concentration estimation model for an artificial olfactory system with a gas sensor array | |
Jain et al. | Effective de‐noising of ECG by optimised adaptive thresholding on noisy modes | |
Qian et al. | Array optimization based on weighted and Hilbert–Schmidt schemes of multisensor detection system | |
Chen et al. | Causality analysis in process control based on denoising and periodicity-removing CCM | |
Kong et al. | Weighted summation: feature extraction of farm pigsty data for electronic nose | |
Sha et al. | A novel noise reduction method for natural gas pipeline defect detection signals | |
Huang et al. | Application of iterative distance correlation and PLS for wavelength interval selection in near infrared spectroscopy | |
Xie et al. | Using the modified sample entropy to detect determinism | |
CN116735520A (zh) | 一种tvoc气体监测系统及方法 | |
Liu et al. | Study on denoising method of photoionization detector based on wavelet packet transform | |
Dagne et al. | Compressive sensing based maximum-minimum subband energy detection for cognitive radios | |
CN111481203A (zh) | 一种基于信道状态信息的室内静态被动人体检测方法 | |
Cheng et al. | Recognition of MIR Data of Semen Armeniacae Amarum and Semen Persicae Using Discrete Wavelet Transformation and BP‐Artificial Neural Network | |
Yan et al. | Mutual Information‐Assisted Wavelet Function Selection for Enhanced Rolling Bearing Fault Diagnosis |
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 |