CN116955940B - 一种有害气体浓度监测数据优化处理方法 - Google Patents

Abstract

本发明涉及数据去噪处理技术领域，具体涉及一种有害气体浓度监测数据优化处理方法，该方法包括：获取设定时间段内不同时刻的有害气体浓度数据，构成浓度数据序列；获取浓度数据序列中每个浓度数据的邻域数据子序列；获取每个浓度数据的残差序列，进而获得得到每个浓度数据的残差扩散系数；根据每个浓度数据的残差扩散系数和邻域数据子序列得到每个浓度数据的浓度变异指数；和浓度跳变指数；确定每个浓度数据的动态均衡度；根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，对浓度数据序列中每个浓度数据进行滤波处理得到优化数据序列。本发明对每个浓度数据进行滤波处理的效果较佳。

Description

一种有害气体浓度监测数据优化处理方法

技术领域

本发明涉及数据去噪处理技术领域，具体涉及一种有害气体浓度监测数据优化处理方法。

背景技术

随着社会不断发展，在日常生活中产生的垃圾逐渐增多，而在垃圾进行集中处理的过程中，可能会产生散发臭味的具有污染性的气体，可能会危害人们身体健康。为了减少垃圾对人们生活以及健康的影响，在对垃圾进行集中处理时会对产生的废气进行处理以达到排放标准。一般采用喷淋植物液掩盖臭味，或通过化学反应等方式进行除臭。由于有害气体是实时产生的，故需要对有害气体浓度进行实时监测，但是采集到的有害气体浓度监测数据可能会存在噪声干扰，因此为能够准确的对有害气体浓度进行实时监测，对有害气体浓度监测数据进行去噪处理就显得尤为重要。现有的去噪方法采用固定数值的滤波窗口对有害气体浓度监测数据进行去噪处理，使得数据去噪效果较差。

发明内容

为了解决现有的去噪方法的数据去噪效果较差的技术问题，本发明的目的在于提供一种有害气体浓度监测数据优化处理方法，所采用的技术方案具体如下：

获取设定时间段内不同时刻的有害气体浓度数据，构成浓度数据序列；获取浓度数据序列中每个浓度数据的邻域数据子序列；

对每个邻域数据子序列分别进行分解得到每个浓度数据的残差序列；根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数；

根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数；根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数；根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度；

根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，利用所述滤波窗口长度分别对浓度数据序列中每个浓度数据进行滤波处理，得到优化数据序列。

优选地，所述根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数，具体包括：

对于任意一个浓度数据，利用均值滤波对浓度数据的残差序列进行处理，得到优化残差序列；计算优化残差序列中所有优化残差数据的均值，将优化残差序列中优化残差数据的最大值与最小值的差值作为第一系数；

将优化残差序列中任意一个优化残差数据记为选定优化残差数据，计算选定优化残差数据与所述均值的差值绝对值得到第二系数；将第一系数和第二系数的比值作为选定优化残差数据的差异特征值；

计算浓度数据对应的优化残差序列中所有优化残差数据的差异特征值的均值作为浓度数据的残差扩散系数。

优选地，所述根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数，具体包括：

对于任意一个浓度数据，分别获取该浓度数据的邻域数据子序列中所有数据的方差和均值，根据浓度数据对应的所述方差和均值、残差扩散系数，得到浓度数据的浓度变异指数；

所述方差和残差扩散系数均与浓度变异指数之间呈正相关关系，所述均值和浓度变异指数之间呈负相关关系。

优选地，所述根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数，具体包括：

对于任意一个浓度数据，根据该浓度数据的邻域数据子序列中相邻数据之间的差异，获得浓度数据的差分序列；根据浓度数据的差分序列中差分数据之间的差异得到浓度数据的跳变系数；

根据浓度数据的跳变系数和残差扩散系数得到浓度数据的浓度跳变指数；所述跳变系数和残差扩散系数均与浓度跳变指数之间呈正相关关系。

优选地，所述根据该浓度数据的邻域数据子序列中相邻数据之间的差异，获得浓度数据的差分序列，具体包括：

将浓度数据的邻域数据子序列中除了最后一个数据之外的任意一个数据记为选定数据，计算选定数据与其相邻的下一个数据之间的差值得到选定数据的差分数据；

计算浓度数据的邻域数据子序列中所有数据的均值记为特征均值；对于浓度数据的邻域数据子序列中的最后一个数据，将所述最后一个数据与特征均值的差值作为所述最后一个数据的差分数据；浓度数据的邻域数据子序列中所有数据的差分数据构成浓度数据的差分序列。

优选地，所述根据浓度数据的差分序列中差分数据之间的差异得到浓度数据的跳变系数，具体包括：

将浓度数据的差分序列中差分数据的取值大于或等于0的差分数据记为第一数据类别，将差分数据的取值小于0的差分数据记为第二数据类别；获取浓度数据的差分序列中每相邻两个差分数据之间的数据类别不同的数量，将该数量与差分序列中所有差分数据的总数量的比值作为浓度数据的跳变系数。

优选地，所述获取浓度数据序列中每个浓度数据的邻域数据子序列，具体包括：

将浓度数据序列中任意一个浓度数据记为目标浓度数据，从目标浓度数据开始获取预设时间长度内包含的浓度数据构成目标浓度数据的邻域数据子序列，所述预设时间长度小于设定时间段的时间长度。

优选地，所述根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度，具体包括：

对于任意一个浓度数据，对浓度数据的浓度变异指数和浓度跳变指数的和值进行负相关归一化处理，得到浓度数据的动态均衡度。

优选地，所述根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，具体包括：

对于任意一个浓度数据，计算预设数值与浓度数据的动态均衡度之间的乘积，对该乘积进行向上取整处理，得到长度系数；根据长度系数获得浓度数据对应的滤波窗口长度；其中，预设数值的取值大于0。

优选地，所述根据长度系数获得浓度数据对应的滤波窗口长度，具体包括：

其中，L为浓度数据对应的滤波窗口长度，M为浓度数据对应的长度系数。

本发明实施例至少具有如下有益效果：

本发明首先获取有害气体浓度数据的浓度数据序列，在浓度数据序列中获取每个浓度数据的邻域数据子序列，以便后续对每个浓度数据的邻域范围内的数据变化情况进行分析，自适应确定每个浓度数据的滤波窗口。然后，分别获取每个浓度数据的残差序列，并对其中的差异分布情况进行分析，获得表征浓度数据对应的邻域范围内数据差异以及离散程度的残差扩散系数。进一步的，对浓度数据的邻域数据子序列中数据的波动情况进行分析，集合残差扩散系数，获得浓度变异指数，表征浓度数据的对应的邻域范围内数据的波动情况；对浓度数据的邻域数据子序列中数据的差异情况进行分析，并结合残差扩散系数，获得浓度跳变指数，表征浓度数据对应的邻域范围内数据的差异情况。结合两个方面的分析结果，获得浓度数据的动态均衡度，表征了浓度数据对应的邻域范围内数据的稳定性程度。最后，根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，能够根据浓度数据的邻域范围内数据的稳定性程度自适应获取滤波窗口长度，使得利用该滤波窗口长度对每个浓度数据进行滤波处理的效果较好，优化数据序列具有更强的抗干扰性。

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是本发明实施例的一种有害气体浓度监测数据优化处理方法的方法流程图。

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有害气体浓度监测数据优化处理方法，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。

一种有害气体浓度监测数据优化处理方法实施例：

下面结合附图具体的说明本发明所提供的一种有害气体浓度监测数据优化处理方法的具体方案。

本发明实施例所针对的具体场景为：本发明主要针对一种清洁站移动式三厢手机及除臭装置中的数据进行监测，通过传感器采集有害气体的浓度随时间变化的数据，并对时序数据进行数据去噪优化，得到更加准确的有害气体浓度监测数据。

请参阅图1，其示出了本发明一个实施例提供的一种有害气体浓度监测数据优化处理方法的方法流程图，该方法包括以下步骤：

步骤一，获取设定时间段内不同时刻的有害气体浓度数据，构成浓度数据序列；获取浓度数据序列中每个浓度数据的邻域数据子序列。

首先，获取设定时间段内不同时刻的有害气体浓度数据，在本实施例中，以一氧化碳的浓度数据作为有害气体浓度数据进行说明，利用一氧化碳气体传感器采集垃圾站的一氧化碳浓度作为有害气体浓度数据，例如某一时刻的一氧化碳浓度为10ppm，则该时刻的有害气体浓度数据为10。

在本实施例中，将设定时间段的时间长度设置为12小时，将相邻两个时刻之间的时间间隔设置为1min，实施者可根据具体实施场景进行设置。在设定时间段内每个时刻的有害气体浓度数据，构成浓度数据序列，并将所述浓度数据序列中的数据记为浓度数据。

需要说明的是，在本实施例中，仅针对一种有害气体的浓度数据进行去噪优化处理，实施者可根据具体实施场景分别选择不同的有害气体的浓度数据进行优化处理操作。同时，考虑到有害气体浓度随时间变化的数据在不同时间段存在不同的变化趋势，为了使得去噪优化后的数据更加准确，故分别获取浓度数据序列中每个浓度数据的邻域数据子序列。

具体地，将浓度数据序列中任意一个浓度数据记为目标浓度数据，从目标浓度数据开始获取预设时间长度内包含的浓度数据构成目标浓度数据的邻域数据子序列，所述预设时间长度小于设定时间段的时间长度。在本实施例中，预设时间长度为30分钟，实施者可根据具体实施场景进行设置。举例说明，将浓度数据序列中第一个浓度数据作为目标浓度数据，也即是从设定时间段的第一个时刻开始30分钟内包含的浓度数据，构成第一个浓度数据的邻域数据子序列。

步骤二，对每个邻域数据子序列分别进行分解得到每个浓度数据的残差序列；根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数。

在本实施例中，利用基于局部加权回归的时间序列分解算法，对每个浓度数据的邻域数据子序列进行分解，得到每个浓度数据的残差序列。利用时间序列分解算法可以获得时间序列的趋势项、季节项和残差，其中残差是去除时间序列中的趋势项和季节项后的部分，具有随机性和不可预测性，包含着数据中的部分噪声情况，基于此，首先对每个浓度数据的邻域数据子序列进行波动情况的分析。

对于任意一个浓度数据，将浓度数据的残差序列中任意一个数据记为标记残差数据，获取标记残差数据和其邻域内残差数据的均值，作为标记残差数据的优化残差数据。在本实施例中，将与标记残差数据相邻的前两个残差数据，以及与标记残差数据相邻的后两个残差数据作为标记残差数据的邻域内残差数据，例如，将残差序列中第i个残差数据作为标记残差数据，则第i个残差数据的邻域内残差数据分别为，第i-2个残差数据、第i-1个残差数据、第i+1个残差数据以及第i+2个残差数据，则计算五个残数据的均值可以获得第i个残差数据的优化残差数据。

需要说明的是，对于每个残差数据的邻域内的残差数据的获取方法实施者可以根据具体实施场景进行设置。特殊的，对于残差序列两端的数据，其无法获取与残差数据之前或者之后相邻的两个残差数据，将无法获取的数据利用设定数据进行代替，在本实施例中采用残差序列中所有残差数据的均值进行替代。

由于浓度数据的邻域数据子序列的残差项是随机的且不可预测的，存在着部分噪声，故在对残差项进行分析之前，需要对残差序列中的残差数据进行平滑处理，有针对性的对其中代表不确定因素的残差分量进行平滑处理，以削弱噪声对数据质量的影响。即在本实施例中，采用均值滤波的方法对残差序列进行平滑处理，得到优化残差序列，滤波的窗口长度设置为5，实施者可以根据具体实施场景进行设置。

通过对平滑后的残差数据进行差异分析，计算优化残差序列中所有优化残差数据的均值，将优化残差序列中优化残差数据的最大值与最小值的差值作为第一系数；将优化残差序列中任意一个优化残差数据记为选定优化残差数据，计算选定优化残差数据与所述均值的差值绝对值得到第二系数；将第一系数和第二系数的比值作为选定优化残差数据的差异特征值；计算浓度数据对应的优化残差序列中所有优化残差数据的差异特征值的均值作为浓度数据的残差扩散系数。

在本实施例中，以浓度数据序列中第n个浓度数据的优化残差序列为例进行说明，将优化残差序列中第v个优化残差数据作为选定优化残差数据，则第n个浓度数据的残差扩散系数的计算公式可以表示为：

其中，表示浓度数据序列中第n个浓度数据的残差扩散系数，/>表示第n个浓度数据的优化残差序列中包含的数量的总数量，/>表示第n个浓度数据的优化残差序列中第v个优化残差数据，/>表示第n个浓度数据的优化残差序列中所有优化残差数据的均值，/>和/>分别表示第n个浓度数据的优化残差序列中优化残差数据的最大值与最小值。

为第一系数，/>为第二系数，第二系数反映了第v个优化残差数据与序列中整体情况之间差异情况，第二系数的取值越大，说明第v个优化残差数据与整体的差异越大。/>为第v个优化残差数据的差异特征值，表示第v个优化残差数据与序列整体之间差异的占比情况。浓度数据的残差扩散系数表示对应残差序列中残差数据与整体的差异情况，反映了浓度数据的离散性。

步骤三，根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数；根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数；根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度。

首先，对浓度数据序列中每个浓度数据的邻域数据子序列中数据的变化情况进行分析，为了获取较为准确的平滑数据，当浓度数据的邻域范围内数据的波动程度较大，离散程度较大时，对应需要赋予该浓度数据较小的滤波尺度。当浓度数据的邻域范围内数据的波动长度较小，离散程度较小时，对应可以赋予该浓度数据较大的滤波尺度。

基于此，根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数。具体地，对于任意一个浓度数据，分别获取该浓度数据的邻域数据子序列中所有数据的方差和均值，根据浓度数据对应的所述方差和均值、残差扩散系数，得到浓度数据的浓度变异指数；所述方差和残差扩散系数均与浓度变异指数之间呈正相关关系，所述均值和浓度变异指数之间呈负相关关系。

在本实施例中，以浓度数据序列中第n个浓度数据为例进行说明，则第n个浓度数据的浓度变异指数的计算公式可以表示为：

其中，表示浓度数据序列中第n个浓度数据的浓度变异指数，/>表示第n个浓度数据的邻域数据子序列中所有数据的方差，/>表示第n个浓度数据的邻域数据子序列中所有数据的均值，/>表示浓度数据序列中第n个浓度数据的残差扩散系数。

方差反映了第n个浓度数据在邻域范围内的数据波动情况，/>均值反映了第n个浓度数据在邻域范围内的数据均衡情况，/>的取值越大，说明浓度数据在邻域范围内的数据离散程度越大，残差扩散系数/>的取值越大，对应的浓度变异指数取值越大，说明浓度数据对应的邻域数据子序列的离散程度越大，越需要较小的滤波尺度。

进一步的，对每个浓度数据邻域范围内相邻数据之间的变化情况进行分析，根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数。

具体地，对于任意一个浓度数据，根据该浓度数据的邻域数据子序列中相邻数据之间的差异，获得浓度数据的差分序列。在本实施例中，将浓度数据的邻域数据子序列中除了最后一个数据之外的任意一个数据记为选定数据，计算选定数据与其相邻的下一个数据之间的差值得到选定数据的差分数据。特殊的，浓度数据的邻域数据子序列中的最后一个数据不存在与其相邻的下一个数据，故以预设的数据值替代进行计算。

计算浓度数据的邻域数据子序列中所有数据的均值记为特征均值；对于浓度数据的邻域数据子序列中的最后一个数据，将所述最后一个数据与特征均值的差值作为所述最后一个数据的差分数据；浓度数据的邻域数据子序列中所有数据的差分数据构成浓度数据的差分序列。

浓度数据序列中每个浓度数据均对应一个差分序列，将差分序列中的数据记为差分数据，则浓度数据的邻域数据子序列中每个数据均对应了一个差分数据，差分数据反映了邻域数据子序列中相邻两个数据之间的变化情况，故可以通过对差分数据之间的差异情况进行分析，获得能够表征邻域数据子序列中数据变化情况的指标。即根据浓度数据的差分序列中差分数据之间的差异得到浓度数据的跳变系数。

具体地，将浓度数据的差分序列中差分数据的取值大于或等于0的差分数据记为第一数据类别，将差分数据的取值小于0的差分数据记为第二数据类别；获取浓度数据的差分序列中每相邻两个差分数据之间的数据类别不同的数量，将该数量与差分序列中所有差分数据的总数量的比值作为浓度数据的跳变系数。

在浓度数据的差分序列中，当差分数据的取值大于或等于0时，说明在邻域数据子序列中对应的数据与其相邻的下一个数据相比较大或者相等，当差分数据的取值小于0时，说明在邻域数据子序列中对应的数据与其相邻的下一个数据相比较小。通过比较差分序列中每相邻两个差分数据之间的取值的符号，可以获得数据的变化情况，当两者之间的取值的数据类别不同时，说明邻域数据子序列中数据的变化趋势发生了变化。

对于浓度数据的差分序列中第一个差分数据和第二个差分数据，若两者的取值的数据类别不同时，即两者之间存在一个差分数据小于0，另一个差分数据大于或等于0，故记录数量为1；进一步的，分析第二个差分数据和第三差分数据之间的符号变化情况，若两者的取值的数据类别不同时，记录数量为2；以此类推，直至浓度数据的差分序列中所有每相邻的两个差分数据之间均进行判断后获得最终的数量取值，该数量反映了浓度数据的邻域数据子序列中相邻数据之间的变化次数。浓度数据的跳变系数反映了变化次数的占比情况，其取值越大，说明浓度数据的邻域范围内的浓度数据的变化程度较大。

根据浓度数据的跳变系数和残差扩散系数得到浓度数据的浓度跳变指数；所述跳变系数和残差扩散系数均与浓度跳变指数之间呈正相关关系。在本实施例中，将浓度数据的跳变系数和残差扩散系数的乘积作为浓度数据的浓度跳变指数。

浓度数据的跳变系数的取值越大，说明浓度数据的邻域范围内的浓度数据的变化程度较大，同时，浓度数据的残差扩散系数取值越大，说明浓度数据的邻域范围内的浓度数据的离散程度越大，对应的浓度跳变指数取值越大，说明浓度数据的邻域范围内数据稳定性越差，变化程度越大。

最后，浓度数据的浓度变异指数反映了浓度数据在邻域范围内的数据波动情况，浓度数据的浓度跳变指数反映了浓度数据在邻域范围内的数据变化情况，结合两个方面的分析，获取浓度数据序列中每个浓度数据的稳定性情况。即根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度。具体地，对于任意一个浓度数据，对浓度数据的浓度变异指数和浓度跳变指数的和值进行负相关归一化处理，得到浓度数据的动态均衡度。

在本实施例中，以浓度数据序列中第n个浓度数据为例进行说明，则第n个浓度数据的动态均衡度的计算公式可以表示为：

其中，表示浓度数据序列中第n个浓度数据的动态均衡度，/>表示浓度数据序列中第n个浓度数据的浓度变异指数，/>表示浓度数据序列中第n个浓度数据的浓度跳变指数，exp( )表示以自然常数e为底的指数函数。

浓度变异指数的取值越大，说明浓度数据对应的邻域数据子序列中数据的波动程度越大，浓度跳变指数的取值越大，说明浓度数据对应的邻域数据子序列中数据的变化程度越大，对应的动态均衡度的取值越小。动态均衡度反映了浓度数据对应的邻域数据子序列中数据的稳定性程度，即浓度数据在邻域范围内数据的稳定性程度。

步骤四，根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，利用所述滤波窗口长度分别对浓度数据序列中每个浓度数据进行滤波处理，得到优化数据序列。

浓度数据序列中每个浓度数据的动态均衡度的取值越小，说明浓度数据的邻域范围内的数据稳定性越差，波动程度越大，变化程度越大，对应的在对该浓度数据进行去噪处理时，需要较小的窗口尺寸，能够获取较为准确的去噪后的数据，防止窗口尺寸过大，导致出现数据过度平滑的情况。浓度数据序列中每个浓度数据的动态均衡度的取值越大，说明浓度数据的邻域范围内的数据稳定性越好，对应的在对该浓度数据进行去噪处理时，需要较大的窗口尺寸，能够获取较为准确的去噪后的数据。

基于此，根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度。具体地，对于任意一个浓度数据，计算预设数值与浓度数据的动态均衡度之间的乘积，对该乘积进行向上取整处理，得到长度系数。其中，预设数值的取值大于0。在本实施例中，预设数值的取值为4，实施者可根据具体实施场景进行设置，需要保证预设数值为与设定时间长度相比较小的数值。

根据长度系数获得浓度数据对应的滤波窗口长度；在本实施例中，滤波窗口长度的计算公式可以表示为：

其中，L为浓度数据对应的滤波窗口长度，M为浓度数据对应的长度系数。

最后，分别以浓度数据序列中每个浓度数据为中心数据，利用所述滤波窗口长度对浓度数据进行滤波处理，在本实施例中，采用均值滤波算法进行处理，获得优化数据序列。

一种基于有害气体浓度数据的除臭机管理方法实施例：

现有的通过采集到的有害气体浓度对垃圾站中的除臭机的功率进行调整，但是利用传感器采集有害气体浓度数据时可能存在噪声的干扰，故在对除臭机的功率进行调整前，需要对采集到的有害气体浓度数据进行去噪处理。现有的去噪方法采用固定数值的滤波窗口对有害气体浓度监测数据进行去噪处理，使得数据去噪效果较差，导致对垃圾站中的除臭机的功率进行调整的结果较不准确。

为了解决现有方法中对垃圾站中的除臭机的功率进行调整的结果较不准确的技术问题，本实施例提出了一种基于有害气体浓度数据的除臭机管理方法，该方法包括以下步骤：

步骤一，获取设定时间段内不同时刻的有害气体浓度数据，构成浓度数据序列；获取浓度数据序列中每个浓度数据的邻域数据子序列。

步骤二，对每个邻域数据子序列分别进行分解得到每个浓度数据的残差序列；根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数。

步骤三，根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数；根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数；根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度。

步骤四，根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，利用所述滤波窗口长度分别对浓度数据序列中每个浓度数据进行滤波处理，得到优化数据序列。

步骤五，根据优化数据序列对除臭机的功率进行调整。

其中，步骤一至步骤四，均在上述一种有害气体浓度监测数据优化处理方法实施例中已给出了详细说明，在此不再赘述，步骤五的具体方法如下：

步骤五，根据优化数据序列对除臭机的功率进行调整。

根据有害气体浓度的变化趋势，可以将垃圾站中处理废气的除臭机装置的功率设置为三个档次，对应除臭机的三种工作模式，以实现对除臭机的功率进行自适应调整。

具体地，第一工作模式为日常工作模式，在一般情况下，为了保持能耗的最小化，仍能有效地进行废气处理，除臭机的功率为最低功率，根据经验可知，最低功率的具体取值为550W。

第二工作模式为提前预测模式，即在优化数据序列中判断在当前时刻的数据是否超过第一浓度阈值，若超过，则将除臭机的功率设置为第二档功率，在本实施例中，第二档功率的取值为1.5KW，否则不调节除臭机的功率。

需要说明的是，有害气体的浓度标准值可由相关规定获取，进一步的，可以将第一浓度阈值的取值设置为有害气体的浓度标准值的50%，以实现提前判断，在有害气体浓度超出标准值之前，采用措施减少有害气体的排放，并维持安全水平。

第三工作模式为紧急处理模式，即在优化数据序列中判断在当前时刻的数据是否超过第二浓度阈值，若超过，则将除臭机的功率设置为第三档功率，在本实施例中，第三档功率的取值为3KW，否则不调节除臭机的功率。

在本实施例中，将第二浓度阈值的取值设置为有害气体的浓度标准值的80%。为了迅速应对紧急情况，确保安全，将除臭机的功率调整到最大值，并持续运行直到有害气体浓度降低到第一浓度阈值以下。

本实施例至少具有如下有益效果：

本发明首先获取有害气体浓度数据的浓度数据序列，在浓度数据序列中获取每个浓度数据的邻域数据子序列，以便后续对每个浓度数据的邻域范围内的数据变化情况进行分析，自适应确定每个浓度数据的滤波窗口。然后，分别获取每个浓度数据的残差序列，并对其中的差异分布情况进行分析，获得表征浓度数据对应的邻域范围内数据差异以及离散程度的残差扩散系数。进一步的，对浓度数据的邻域数据子序列中数据的波动情况进行分析，集合残差扩散系数，获得浓度变异指数，表征浓度数据的对应的邻域范围内数据的波动情况；对浓度数据的邻域数据子序列中数据的差异情况进行分析，并结合残差扩散系数，获得浓度跳变指数，表征浓度数据对应的邻域范围内数据的差异情况。结合两个方面的分析结果，获得浓度数据的动态均衡度，表征了浓度数据对应的邻域范围内数据的稳定性程度。最后，根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，能够根据浓度数据的邻域范围内数据的稳定性程度自适应获取滤波窗口长度，使得利用该滤波窗口长度对每个浓度数据进行滤波处理的效果较好，使得对垃圾站中的除臭机的功率进行调整的结果较为准确。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种有害气体浓度监测数据优化处理方法，其特征在于，该方法包括以下步骤：

获取设定时间段内不同时刻的有害气体浓度数据，构成浓度数据序列；获取浓度数据序列中每个浓度数据的邻域数据子序列；

对每个邻域数据子序列分别进行分解得到每个浓度数据的残差序列；根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数；

根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数；根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数；根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度；

根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，利用所述滤波窗口长度分别对浓度数据序列中每个浓度数据进行滤波处理，得到优化数据序列；

所述根据每个浓度数据的残差扩散系数和邻域数据子序列中数据的波动情况得到每个浓度数据的浓度变异指数，具体包括：

对于任意一个浓度数据，分别获取该浓度数据的邻域数据子序列中所有数据的方差和均值，根据浓度数据对应的所述方差和均值、残差扩散系数，得到浓度数据的浓度变异指数；

所述方差和残差扩散系数均与浓度变异指数之间呈正相关关系，所述均值和浓度变异指数之间呈负相关关系；

所述根据每个浓度数据的残差扩散系数和邻域数据子序列中相邻数据之间的差异情况得到每个浓度数据的浓度跳变指数，具体包括：

对于任意一个浓度数据，根据该浓度数据的邻域数据子序列中相邻数据之间的差异，获得浓度数据的差分序列；根据浓度数据的差分序列中差分数据之间的差异得到浓度数据的跳变系数；

根据浓度数据的跳变系数和残差扩散系数得到浓度数据的浓度跳变指数；所述跳变系数和残差扩散系数均与浓度跳变指数之间呈正相关关系；

所述根据该浓度数据的邻域数据子序列中相邻数据之间的差异，获得浓度数据的差分序列，具体包括：

将浓度数据的邻域数据子序列中除了最后一个数据之外的任意一个数据记为选定数据，计算选定数据与其相邻的下一个数据之间的差值得到选定数据的差分数据；

计算浓度数据的邻域数据子序列中所有数据的均值记为特征均值；对于浓度数据的邻域数据子序列中的最后一个数据，将所述最后一个数据与特征均值的差值作为所述最后一个数据的差分数据；浓度数据的邻域数据子序列中所有数据的差分数据构成浓度数据的差分序列；

所述根据浓度数据的差分序列中差分数据之间的差异得到浓度数据的跳变系数，具体包括：

将浓度数据的差分序列中差分数据的取值大于或等于0的差分数据记为第一数据类别，将差分数据的取值小于0的差分数据记为第二数据类别；获取浓度数据的差分序列中每相邻两个差分数据之间的数据类别不同的数量，将该数量与差分序列中所有差分数据的总数量的比值作为浓度数据的跳变系数。

2.根据权利要求1所述的一种有害气体浓度监测数据优化处理方法，其特征在于，所述根据每个浓度数据的残差序列中残差数据之间的差异分布得到每个浓度数据的残差扩散系数，具体包括：

对于任意一个浓度数据，利用均值滤波对浓度数据的残差序列进行处理，得到优化残差序列；计算优化残差序列中所有优化残差数据的均值，将优化残差序列中优化残差数据的最大值与最小值的差值作为第一系数；

将优化残差序列中任意一个优化残差数据记为选定优化残差数据，计算选定优化残差数据与所述均值的差值绝对值得到第二系数；将第一系数和第二系数的比值作为选定优化残差数据的差异特征值；

计算浓度数据对应的优化残差序列中所有优化残差数据的差异特征值的均值作为浓度数据的残差扩散系数。

3.根据权利要求1所述的一种有害气体浓度监测数据优化处理方法，其特征在于，所述获取浓度数据序列中每个浓度数据的邻域数据子序列，具体包括：

将浓度数据序列中任意一个浓度数据记为目标浓度数据，从目标浓度数据开始获取预设时间长度内包含的浓度数据构成目标浓度数据的邻域数据子序列，所述预设时间长度小于设定时间段的时间长度。

4.根据权利要求1所述的一种有害气体浓度监测数据优化处理方法，其特征在于，所述根据所述浓度变异指数和浓度跳变指数确定每个浓度数据的动态均衡度，具体包括：

对于任意一个浓度数据，对浓度数据的浓度变异指数和浓度跳变指数的和值进行负相关归一化处理，得到浓度数据的动态均衡度。

5.根据权利要求1所述的一种有害气体浓度监测数据优化处理方法，其特征在于，所述根据所述动态均衡度确定每个浓度数据对应的滤波窗口长度，具体包括：

对于任意一个浓度数据，计算预设数值与浓度数据的动态均衡度之间的乘积，对该乘积进行向上取整处理，得到长度系数；根据长度系数获得浓度数据对应的滤波窗口长度；其中，预设数值的取值大于0。

6.根据权利要求5所述的一种有害气体浓度监测数据优化处理方法，其特征在于，所述根据长度系数获得浓度数据对应的滤波窗口长度，具体包括：

其中，L为浓度数据对应的滤波窗口长度，M为浓度数据对应的长度系数。