CN117388445A - 一种大气环境监测系统 - Google Patents
一种大气环境监测系统 Download PDFInfo
- Publication number
- CN117388445A CN117388445A CN202311694395.5A CN202311694395A CN117388445A CN 117388445 A CN117388445 A CN 117388445A CN 202311694395 A CN202311694395 A CN 202311694395A CN 117388445 A CN117388445 A CN 117388445A
- Authority
- CN
- China
- Prior art keywords
- data
- atmospheric
- atmospheric environment
- representative
- sensitivity
- 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 52
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 23
- 239000003344 environmental pollutant Substances 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 59
- 231100000719 pollutant Toxicity 0.000 claims description 59
- 238000009792 diffusion process Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 16
- 238000013144 data compression Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000003915 air pollution Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 9
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000004215 Carbon black (E152) Substances 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical class [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 229910002090 carbon oxide Inorganic materials 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-M hydrosulfide Chemical compound [SH-] RWSOTUBLDIXVET-UHFFFAOYSA-M 0.000 claims description 3
- -1 methane hydrocarbon Chemical class 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 239000007789 gas Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- 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
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
- G01N33/0073—Control unit therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Dispersion Chemistry (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提供了一种大气环境监测系统,属于大气环境监测技术领域,该大气环境监测系统包括多个采集单元、通信单元以及数据处理中心,其中多个采集单元,用于采集大气环境数据;通信单元,用于将多个采集单元采集到的大气环境数据传输至数据处理中心,并将数据处理中心的控制指令传输给对应的采集单元,实现对采集单元的控制;数据处理中心,用于对采集单元进行控制以及接收并存储多个采集单元传输的大气环境数据,并对大气环境数据进行分析处理,显示分析的结果;多个采集单元用于安装在不同的位置,以监测不同区域的大气环境;能够解决当前现有技术缺乏能够协同使用高、低灵敏度监测设备,从而实现高低灵敏度监测设备的精确动态控制的技术问题。
Description
技术领域
本发明属于大气环境监测技术领域,具体而言,涉及一种大气环境监测系统。
背景技术
随着社会经济的快速发展,环境污染问题日益严峻。大气环境监测作为掌握大气污染状况的重要手段,发挥着日益重要的作用。传统的大气环境监测系统主要采用低灵敏度的采集设备,如各类大气环境监测站。这类设备能够定期采集各类污染物浓度、气象参数等数据,但是采集精度较低,无法满足对污染物精细动态监测的需求。也有的采用更精细的采集设备,这类设备采用先进的光学、电化学等原理,能够精确检测各类污染物浓度。相比传统监测设备,高灵敏度设备具有检测限低、灵敏度高、响应速度快等优点。但是,高灵敏度设备存在使用成本高的问题。其核心探测器件复杂精密,价格高昂。同时,为保证数据质量,关键探测器件需要定期更换,频繁的维护保养使运行成本居高不下。这成为高灵敏度设备大规模应用的主要障碍,也缺乏高低灵敏度采集设备协同使用的系统。
发明内容
有鉴于此,本发明提供一种大气环境监测系统,能够解决当前现有技术缺乏能够协同使用高、低灵敏度监测设备,从而实现高低灵敏度监测设备的精确动态控制的技术问题。
本发明是这样实现的:
本发明提供一种大气环境监测系统,其中,包括多个采集单元、通信单元以及数据处理中心,其中:
多个采集单元,用于采集大气环境数据;所述采集单元包括数据压缩芯片、高灵敏度大气污染采集装置及低灵敏度大气污染采集装置,所述高灵敏度大气污染采集装置及低灵敏度大气污染采集装置均用于采集大气环境数据,包括大气中污染物的含量以及PM2.5,所述污染物至少包括氮氧化物、碳氧化物、二氧化硫、氢化硫、臭氧、甲烷/非甲烷碳氢化合物、氨气;所述数据压缩芯片内设置有数据压缩模块以及代表性大气环境数据库,用于实现对所述高灵敏度大气污染采集装置及低灵敏度大气污染采集装置采集的数据进行压缩,以压缩后的数据作为大气环境数据;所述代表性大气环境数据库用于存储代表性大气环境数据,所述代表性大气环境数据为具有代表性的不同的连续时刻的大气环境数据或具有代表性的单个时刻的大气环境数据分别记为代表段和代表点;
通信单元,用于将多个采集单元采集到的大气环境数据传输至数据处理中心,并将数据处理中心的控制指令传输给对应的采集单元,实现对采集单元的控制;
数据处理中心,用于对采集单元进行控制以及接收并存储多个采集单元传输的大气环境数据,并对大气环境数据进行分析处理,显示分析的结果;
其中,所述多个采集单元用于安装在不同的位置,以监测不同区域的大气环境;
其中,所述数据处理中心为计算机设备,所述数据处理中心内包含有如下软件模块:
数据接收模块,用于接收采集单元采集的大气环境数据并解压缩;
数据存储模块,用于存储数据接收模块接收到的大气环境数据;
数据分析模块,用于对存储的大气环境数据进行分析处理;
数据显示模块,用于显示数据处理中心对大气环境数据进行分析处理后的结果;
中心数据库,用于存储代表性大气环境数据;
代表数据库更新模块,用于更新代表性大气环境数据库;
采集单元控制模块,用于根据污染物扩散模型对采集单元中高灵敏度大气污染采集装置及低灵敏度大气污染采集装置的使用进行控制。
其中,高灵敏度大气污染采集装置及低灵敏度大气污染采集装置的区别在于灵敏度高低不同。
在上述技术方案的基础上,本发明的一种大气环境监测系统还可以做如下改进:
其中,所述多个采集单元部署的方式为网格化部署,具体是将大气环境监测区域划分为多个网格,每个网格设置一个采集单元。
所述时间序列为按照指定的时间间隔形成的时间序列,一般的指定的时间间隔为30秒~10分钟。
其中,所述数据压缩模块,用于执行以下步骤:
S11、获取高灵敏度大气污染采集装置或低灵敏度大气污染采集装置连续采集的大气环境数据记为第一数据集;
S12、使用第一数据集与代表性大气环境数据库中的代表段进行匹配,将所述第一数据根据匹配结果拆分为零到多个匹配数据段以及零到多个非匹配数据段;
S13、将多个非匹配数据段拆分为离散的数据点,并与代表性大气环境数据库中的代表点进行匹配,得到零到多个匹配数据点以及零到多个非匹配数据点;
S14、将零到多个匹配数据段的ID、零到多个匹配数据点的ID以及零到多个非匹配数据点作为压缩后的数据;
其中,数据接收模块中对接收到的采集单元采集的大气环境数据进行解压缩的方法为:S15、利用中心数据库将每个采集单元传来的大气环境数据,恢复为连续时刻的大气环境数据。
优选的,采集单元的坐标采用网格的横纵标识。利用数据匹配进行压缩的方式,使得传输的不再是数据,而是相匹配的数据的ID,极大的减少了数据传输消耗的流量,降低的传输错误率;由于设备使用无线传输,传输过程中极大的消耗电量,因此减少数据传输量使得设备的续航能力提高。
进一步的,所述代表数据库更新模块,用于执行以下步骤:
S21、利用中心数据库将每个采集单元传来的零到多个匹配数据点的ID以及零到多个非匹配数据点恢复为一到多个大气环境数据段以及零到多个大气环境数据点;
S22、对得到的一到多个大气环境数据段进行互相匹配,得到一个新增代表段集并添加到中心数据库;
S23、若得到的大气环境数据点为一个,则直接将这个大气环境数据点添加到中心数据库中,若得到的大气环境数据点多于一个,则对得到的大气环境数据段进行互相匹配,得到一个新增代表点并添加到中心数据库;
S24、将中心数据库的更新同步到每个采集单元的代表性大气环境数据库。
进一步的,所述采集单元控制模块,用于执行以下步骤:
S31、按照时间序列获取每个采集单元中低灵敏度大气污染采集装置采集的大气环境数据并解压缩,并结合采集单元的坐标、对应时刻的风向、风速以及天气形成对应时间序列中每个时刻的大气环境数据矩阵,记为第一矩阵;
S32、对第一矩阵进行去噪处理,得到第二矩阵;
S33、对第二矩阵进行归一处理,得到第三矩阵;
S34、将第三矩阵输入预先训练好的大气污染物扩散模型进行计算,得到未来时刻的大气污染物扩散曲线;
S35、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度开始低于浓度阈值的时刻,并在对应的时刻,开启对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭低灵敏度大气污染采集装置;
S36、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度降低到高于浓度阈值的时刻,并在对应的时刻,关闭对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭高灵敏度大气污染采集装置。
进一步的,所述大气污染物扩散模型为卷积神经网络建立,训练过程的训练输入为多个历史第三矩阵,训练输出为历史第三矩阵对应的未来时刻探测到的大气污染物扩散曲线。
进一步的,所述对第一矩阵进行去噪处理的方法为卷积去噪法。
进一步的,所述对第一矩阵进行去噪处理的方法为滤波去噪法。
进一步的,所述对第二矩阵进行归一处理的方法为均值和标准差归一法。
进一步的,所述浓度阈值为低灵敏度大气污染采集装置的最大检测性能对应的大气污染物的浓度。
与现有技术相比较,本发明提供的一种大气环境监测系统的有益效果是:本发明通过构建污染物智能预测模型,可以准确预测污染物的空间和时间分布,从而实现高低灵敏度监测设备的精确动态控制,有效解决了现有技术无法协同使用高低精度大气采集设备的技术问题,具体而言,本发明的核心创新点是建立了污染物扩散深度学习预测模型。该模型综合各类气象、环境数据,经过深度神经网络训练,可以高准确预测各类污染物在不同时空点的浓度,明确提前确定污染的走向和影响区域。在此基础上,智能控制模块可以准确判断出何时何地需要开启高灵敏度设备进行精确监测,在其他时间关闭设备以延长使用寿命。这种精确的预测驱动的智能化监测模式,从根本上提升了高灵敏度设备的利用效率,解决了背景提出的设备成本高的技术问题。同时本发明在采集单元中设置了数据压缩模块,可以对原始监测数据进行压缩,过滤掉冗余信息,大幅减小传输数据量。以往系统需要传输完整的高精度监测数据,数据量大。本发明只传输具有代表性的数据点及 ID,可压缩率极大,极大减少了数据的网络传输消耗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种大气环境监测系统的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
如图1所示,是本发明提供的一种大气环境监测系统的一种实施例,在本实施例中,包括多个采集单元、通信单元以及数据处理中心,其中:
多个采集单元,用于采集大气环境数据;采集单元包括数据压缩芯片、高灵敏度大气污染采集装置及低灵敏度大气污染采集装置,高灵敏度大气污染采集装置及低灵敏度大气污染采集装置均用于采集大气环境数据,包括大气中污染物的含量以及PM2.5,污染物至少包括氮氧化物、碳氧化物、二氧化硫、氢化硫、臭氧、甲烷/非甲烷碳氢化合物、氨气;数据压缩芯片内设置有数据压缩模块以及代表性大气环境数据库,用于实现对高灵敏度大气污染采集装置及低灵敏度大气污染采集装置采集的数据进行压缩,以压缩后的数据作为大气环境数据;代表性大气环境数据库用于存储代表性大气环境数据,代表性大气环境数据为具有代表性的不同的连续时刻的大气环境数据或具有代表性的单个时刻的大气环境数据分别记为代表段和代表点;
通信单元,用于将多个采集单元采集到的大气环境数据传输至数据处理中心,并将数据处理中心的控制指令传输给对应的采集单元,实现对采集单元的控制;
数据处理中心,用于对采集单元进行控制以及接收并存储多个采集单元传输的大气环境数据,并对大气环境数据进行分析处理,显示分析的结果;
其中,多个采集单元用于安装在不同的位置,以监测不同区域的大气环境;
其中,数据处理中心为计算机设备,数据处理中心内包含有如下软件模块:
数据接收模块,用于接收采集单元采集的大气环境数据并解压缩;
数据存储模块,用于存储数据接收模块接收到的大气环境数据;
数据分析模块,用于对存储的大气环境数据进行分析处理;
数据显示模块,用于显示数据处理中心对大气环境数据进行分析处理后的结果;
中心数据库,用于存储代表性大气环境数据;
代表数据库更新模块,用于更新代表性大气环境数据库;
采集单元控制模块,用于根据污染物扩散模型对采集单元中高灵敏度大气污染采集装置及低灵敏度大气污染采集装置的使用进行控制。
高灵敏度大气污染采集装置及低灵敏度大气污染采集装置一般使用不同灵敏度的空气质量监测仪是一种用于检测大气或室内空气质量的设备,灵敏度是指空气质量监测仪检测气体的能力。如果空气质量监测仪的灵敏度较低,则可能会导致监测结果不准确,因为某些气体浓度较低或者被其他气体覆盖了,从而低估了某些有害气体的浓度。比如高灵敏度大气污染采集装置采用SGA-900-AQI-C网格化微型空气站或者ZYA-300型微型环境空气质量监控系统,低灵敏度大气污染采集装置采用SGA-100H-4多参数大气监测智能盒或JYB-AQI空气质量在线监测系统。
通信单元采用移动联通等网络通信设备或工业级无线通信模块,工作在2.4GHzISM频段,采用星型网络拓扑结构。在数据处理中心设置一个中央通信节点,它与各个采集单元建立点对点无线连接。中央通信节点集成高灵敏度的向轮天线,可以覆盖半径5公里范围内的各个采集单元。每个采集单元内也集成相应的无线通信模块,具有50米Wifi覆盖范围,可与中央节点形成无线中继网络。通信模块支持ZigBee、LoRa等低功耗无线通信协议,并具备AES128等安全加密机制。无线网络具有自组网、自修复功能,网络拓扑结构可动态调整,确保通信的可靠性。中央通信节点与数据处理中心通过有线网络连接,确保大量监测数据的实时可靠传输。通信单元可实现对采集单元的远程配置管理、固件升级等功能。支持现场诊断、状态监测功能,保障通信网络的稳定可用性。通过采用无线自组网的分级网络结构,可以实现对分布式采集单元的智能化管理,确保大量监测数据的实时可靠传输到数据处理中心。
其中,在上述技术方案中,多个采集单元部署的方式为网格化部署,具体是将大气环境监测区域划分为多个网格,每个网格设置一个采集单元。
网格化部署为现有技术,可以采用通用的网格化部署的方式对多个采集单元进行部署,例如:在监测区域覆盖的范围内,规划出多个采集点。这些采集点按照一定距离间隔形成一个网格图案。在每个采集点都设置一个采集单元,采集单元之间距离不要超过无线通信最大距离,以保证无线通信的连接覆盖。当一个新的采集单元加入网络时,它可以自动与附近的采集单元建立连接,扩展网络覆盖范围。网络中设置有多个协调节点,它们负责网络数据的转发,也为远端采集单元提供无线连接。协调节点还可以管理网络路由,实现网络自修复,当一个节点失效时可以自动计算新的最优网络路由。所有采集单元和协调节点最终连接到中心通信节点,构成一个无线Mesh网格网络。中心通信节点负责网络控制,数据转发等功能。这样可以实现监测区域的全面无线覆盖,允许灵活的网络扩张,并具有自修复功能。通过网格化无线网络的方式,可以便于采集单元的规模化部署,实现大面积的智能监控。
其中,在上述技术方案中,数据压缩模块,用于执行以下步骤:
S11、获取高灵敏度大气污染采集装置或低灵敏度大气污染采集装置连续采集的大气环境数据记为第一数据集;
S12、使用第一数据集与代表性大气环境数据库中的代表段进行匹配,将第一数据根据匹配结果拆分为零到多个匹配数据段以及零到多个非匹配数据段;
S13、将多个非匹配数据段拆分为离散的数据点,并与代表性大气环境数据库中的代表点进行匹配,得到零到多个匹配数据点以及零到多个非匹配数据点;
S14、将零到多个匹配数据段的ID、零到多个匹配数据点的ID以及零到多个非匹配数据点作为压缩后的数据;
其中,数据接收模块中对接收到的采集单元采集的大气环境数据进行解压缩的方法为:S15、利用中心数据库将每个采集单元传来的大气环境数据,恢复为连续时刻的大气环境数据。
具体的,S11的具体实施方式为:
1) 将高灵敏度大气污染采集装置或低灵敏度大气污染采集装置连续采集到的大气环境数据存入数组,其中/>表示第i个采集时刻的数据;
2) 设置时间间隔,即相邻两个采集时刻之间的时间间隔,一般可以取/>min。则数组/>中的数据可以表示为连续/>个时刻{/>}的数据,其中;
3) 将数组作为第一数据集输出;
S12的具体实施方式为:
1) 从代表性大气环境数据库中提取全部代表段,用数组表示,其中/>表示第j个代表段;
2) 对于数组中的每个代表段/>,计算它与第一数据集/>的匹配程度/>:
;
其中,函数表示数据/>和/>的相似度,可以采用常见的相似度计算方法,如欧式距离、余弦相似度等;
3) 根据匹配程度,从大到小选择前/>个代表段,构成匹配代表段数组:
;
其中,代表段对应的数据段为/>中的区间/>,即子数组:
;
4) 将第一数据集根据匹配代表段的区间拆分为:
- k个匹配数据段:
;
-个非匹配数据段:
;
5) 输出匹配数据段数组和非匹配数据段数组。
S13的具体实施方式为:
1) 输入非匹配数据段数组,将每个非匹配数据段/>拆分为离散的数据点:
;
合并为一个离散数据点数组:,其中;
2) 从代表性大气环境数据库中提取全部代表点,记为数组,其中/>表示第j个代表点;
3) 对于数组中的每个代表点/>,计算它与数据集/>中的每个数据点/>的相似度:
;
其中,函数sim表示数据相似度;
4) 对每个数据点,找到与它最相似的代表点/>即:
;
5) 将数据点分为两部分:
- 匹配数据点:
;
- 非匹配数据点:
;
其中,为预设的相似度阈值,可以根据经验设定,默认的设置为90%;
6) 输出匹配数据点集合和非匹配数据点集合/>。
S14的具体实施方式为:
1) 构建压缩后的数据:
- 匹配数据段的ID集合:;
- 匹配数据点的ID集合:;
- 非匹配数据点集合:;
2) 将以上三部分拼接成一个序列作为压缩后的数据输出。
S15的具体实现方式为:
1) 输入压缩后的数据,包括匹配数据段ID集合,匹配数据点ID集合/>以及非匹配数据点集合/>;
2) 根据从中心数据库加载对应的匹配代表段/>;
3) 根据从中心数据库加载对应的匹配代表点/>;
4) 将上述数据按以下方式拼接恢复为连续的数据:
- 将代表段按ID顺序首尾拼接,构成主体部分数据;
- 在主体部分数据的合适位置,插入代表点;
- 在主体部分数据之间,插入非匹配数据点;
5) 输出恢复后的连续数据。
进一步的,在上述技术方案中,代表数据库更新模块,用于执行以下步骤:
S21、利用中心数据库将每个采集单元传来的零到多个匹配数据点的ID以及零到多个非匹配数据点恢复为一到多个大气环境数据段以及零到多个大气环境数据点;
S22、对得到的一到多个大气环境数据段进行互相匹配,得到一个新增代表段集并添加到中心数据库;
S23、若得到的大气环境数据点为一个,则直接将这个大气环境数据点添加到中心数据库中,若得到的大气环境数据点多于一个,则对得到的大气环境数据段进行互相匹配,得到一个新增代表点并添加到中心数据库;
S24、将中心数据库的更新同步到每个采集单元的代表性大气环境数据库。
具体的,步骤S21的具体实现方式:
1) 输入压缩后的数据,包括匹配数据点ID集合,非匹配数据点集合/>;
2) 从中心数据库加载匹配数据点集合,其中/>对应/>;
3) 将匹配数据点和非匹配数据点合并排序:;
4) 设置时间间隔,计算匹配数据点/>对应的时间戳:/>,其中/>为起始时间;
5) 对非匹配数据点进行线性插值,计算其时间戳:/>,其中i满足/>;
6) 得到时间戳序列;
7) 输出数据点序列及其时间戳/>。
S22的具体实现方式:
1) 输入数据点序列及时间戳/>;
2) 设置匹配门限,滑动窗口大小/>;
3) 在序列上滑动窗口,依次取子序列:;
4) 计算子序列的匹配程度:
;
其中表示数据点间的相关系数,可以根据数据点的坐标采用余弦相似度得到。
5) 对于序列,找到与它匹配程度最高的序列/>:
;
6) 如果,认为/>匹配,合并为一个代表段,一般的/>;
7) 最终获得新增代表段集并添加到中心数据库。
S23的具体实现方式:
1) 输入新增数据点数;
2) 如果,直接将该数据点/>作为新增代表点并添加到中心数据库;
3) 如果,对数据点序列进行K-means聚类:并形成多个聚类中心;
4) 选择多个聚类中心最近的数据点作为新增代表点并添加到中心数据库。
S24的具体实现方式:
1) 通过网络同步中心数据库的更新到各采集单元中的代表性环境数据库;
2) 对代表性环境数据库执行插入操作,添加新增代表段和代表点;
3) 完成数据库同步。
进一步的,在上述技术方案中,采集单元控制模块,用于执行以下步骤:
S31、按照时间序列获取每个采集单元中低灵敏度大气污染采集装置采集的大气环境数据并解压缩,并结合采集单元的坐标、对应时刻的风向、风速以及天气形成对应时间序列中每个时刻的大气环境数据矩阵,记为第一矩阵;
S32、对第一矩阵进行去噪处理,得到第二矩阵;
S33、对第二矩阵进行归一处理,得到第三矩阵;
S34、将第三矩阵输入预先训练好的大气污染物扩散模型进行计算,得到未来时刻的大气污染物扩散曲线;
S35、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度开始低于浓度阈值的时刻,并在对应的时刻,开启对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭低灵敏度大气污染采集装置;
S36、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度降低到高于浓度阈值的时刻,并在对应的时刻,关闭对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭高灵敏度大气污染采集装置。
进一步的,在上述技术方案中,大气污染物扩散模型为卷积神经网络建立,训练过程的训练输入为多个历史第三矩阵,训练输出为历史第三矩阵对应的未来时刻探测到的大气污染物扩散曲线。
具体的,大气污染物扩散模型建立和训练的步骤包括:
1) 污染物扩散模型选择卷积神经网络(CNN)结构,输入为归一化后的多个历史第三矩阵,输出为历史第三矩阵对应的实际监测得到的未来/>时刻的扩散曲线;
其中,为网格的高度和宽度,/>为历史第三矩阵的通道数,R表示历史第三矩阵,也就是采集单元采集到的大气污染物的类别数;
2) 卷积神经网络包含卷积层、池化层和全连接层:
卷积层:将输入矩阵与卷积核矩阵做卷积操作,提取特征。设第层卷积层滤波器个数(通道数)为/>核大小为/>,则第/>层卷积层参数为:/>;
激活函数采用ReLU;
池化层:降维,减小参数量。设池化大小为,第/>层输出即为:;
全连接层:输入展平后连接至输出层,参数为:;
其中,为最后一个卷积层或池化层的输出通道数。
3) 损失函数选用均方误差:
;
其中,为第i个训练样本的实际扩散曲线,/>为训练集大小。
4) 优化函数选用Adam优化器,训练得到网络参数;
5) 网络输入X,前向传播计算:
;
;
…
;
;
6) 计算损失,反向传播更新网络参数/>;
7) 重复步骤5-6,直到训练loss收敛或达到预设迭代次数,默认为200次;
8) 最终获得训练好的模型参数。
进一步的,在上述技术方案中,对第一矩阵进行去噪处理的方法为卷积去噪法。
具体的,S31的具体实现方式:
1) 设置采集单元分布的网格大小为(高度×宽度),每个网格内一个采集单元;
2) 获取第时刻,每个采集单元i的数据:/>,包含各类污染物浓度、气象数据等;
3) 根据气象预报获取每个网格对应时刻的风向数据,一般来说,整个采集区域的风向风速比较统一,也就是说,可以认为每个网格的风速风向数据一致,只是有不同时刻的区别:
;
其中:
表示第t个时刻的风向向量。
- 表示第t个时刻x方向的风向分量。
表示第t个时刻y方向的风向分量。/>
风向被表示为一个二维向量,其方向表示风向,大小表示风力。
这样,该公式表示了采集单元在第t个时刻的风向信息,这是构建大气环境输入数据矩阵的一部分。
4) 构建采集单元坐标矩阵:
;
其中为第i个采集单元的坐标;
5) 将上述数据汇总为第t时刻的矩阵:
;
其中,;
6) 重复步骤2-5,获取时间序列。
S32的具体实现方式:
1) 输入时间序列矩阵;
2) 设置卷积核大小;
3) 对每个矩阵,分别进行二维卷积:
;
其中,,/>为卷积核参数,*表示卷积操作,/>为ReLU激活函数;
4) 将卷积操作看作一种去噪方法,重复步骤3去噪得到矩阵序列;
5) 对矩阵序列进一步去噪,构建一个由卷积层和拓展层组成的去噪卷积神经网络:最终去噪后矩阵序列。
6) 输出去噪后的矩阵序列。
进一步的,在上述技术方案中,对第一矩阵进行去噪处理的方法为滤波去噪法。其中,滤波去噪法是本步骤的第二实施例,具体描述如下:
1) 输入时间序列矩阵;
2) 定义一维高斯滤波器:
;式中,n为采集序列;
其中,控制滤波器带宽;
3) 对每个矩阵的每一列(采集单元数据)分别进行一维高斯滤波:
;
其中,表示第i列,/>控制滤波器长度;其中,m表示从-M到M的临时变量;/>
4) 对滤波后的每一列进行归一化:
;
5) 组合归一化后的列得到滤波去噪后的矩阵:;
6) 重复步骤3-5,对每个矩阵进行滤波去噪,得到去噪后的矩阵序列;
7) 输出去噪后的矩阵序列。
进一步的,在上述技术方案中,对第二矩阵进行归一处理的方法为均值和标准差归一法。
具体的,S33的具体实现方式:
1) 输入时间序列去噪矩阵;
2) 设置时间窗口大小为,对每个时刻t,取前/>个矩阵构成输入样本:
;
3) 对样本进行归一化:
对于第i个特征():
;
;
;
式中,,/>均为临时变量;
4) 重复步骤2-3,得到归一化后的矩阵序列;
5) 输出归一化后的矩阵序列。
进一步的,在上述技术方案中,浓度阈值为低灵敏度大气污染采集装置的最大检测性能对应的大气污染物的浓度。
具体的,步骤S35的实现方式:
1) 输入预测得到的污染物未来扩散曲线;
2) 对第t时刻,取扩散浓度矩阵;
3) 设置污染物检测浓度阈值;
4) 判断矩阵中每个元素/>是否低于浓度阈值/>,即:
如果:
开启坐标为的采集单元的高灵敏度检测装置;
关闭坐标为的采集单元的低灵敏度检测装置;
5) 重复步骤2-4,控制每个时刻各个采集单元的检测装置。
S36的具体实施方式与S35类似;
综上,S35-S36的实现主要通过预测得到的污染物扩散浓度矩阵,并与设置的阈值进行比较,实时控制每个采集单元的检测装置的开启或关闭。
具体的,本发明的原理是:
1. 解决设备利用率问题的原理
本发明解决设备利用率低问题的核心是建立污染物智能预测模型。该模型的原理是:
(1) 收集历史环保和气象监测数据,构建空间时间对应的多源异构数据样本;
(2) 建立卷积神经网络模型,输入为多源数据样本,输出为不同时空点的污染物浓度;
(3)利用大量历史数据训练网络模型,学习不同数据之间的复杂映射关系;
(4)输入新的实时监测数据,模型可以预测各时刻不同位置的污染浓度分布;
(5)根据预测结果,定位关键时空点,精确控制高灵敏度设备的使用;
通过这样从数据到模型再到控制的过程,实现了对高灵敏度设备的精确动态规划,有效提升了设备的利用效率。
2. 降低数据传输消耗的原理
本发明的数据压缩模块的设计原理是:
(1) 利用采集的数据在时间和空间上的相关性;
(2) 只传输具有代表性的数据点,过滤冗余信息;
(3) 在接收端利用历史数据进行差值还原;
具体技术手段是匹配算法和主成分分析等方法进行数据压缩。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种大气环境监测系统,其特征在于,包括多个采集单元、通信单元以及数据处理中心,其中:
多个采集单元,用于采集大气环境数据;所述采集单元包括数据压缩芯片、高灵敏度大气污染采集装置及低灵敏度大气污染采集装置,所述高灵敏度大气污染采集装置及低灵敏度大气污染采集装置均用于采集大气环境数据,包括大气中污染物的含量以及PM2.5,所述污染物至少包括氮氧化物、碳氧化物、二氧化硫、氢化硫、臭氧、甲烷/非甲烷碳氢化合物、氨气;所述数据压缩芯片内设置有数据压缩模块以及代表性大气环境数据库,用于实现对所述高灵敏度大气污染采集装置及低灵敏度大气污染采集装置采集的数据进行压缩,以压缩后的数据作为大气环境数据;所述代表性大气环境数据库用于存储代表性大气环境数据,所述代表性大气环境数据为具有代表性的不同的连续时刻的大气环境数据或具有代表性的单个时刻的大气环境数据分别记为代表段和代表点;
通信单元,用于将多个采集单元采集到的大气环境数据传输至数据处理中心,并将数据处理中心的控制指令传输给对应的采集单元,实现对采集单元的控制;
数据处理中心,用于对采集单元进行控制以及接收并存储多个采集单元传输的大气环境数据,并对大气环境数据进行分析处理,显示分析的结果;
其中,所述多个采集单元用于安装在不同的位置,以监测不同区域的大气环境;
其中,所述数据处理中心为计算机设备,所述数据处理中心内包含有如下软件模块:
数据接收模块,用于接收采集单元采集的大气环境数据并解压缩;
数据存储模块,用于存储数据接收模块接收到的大气环境数据;
数据分析模块,用于对存储的大气环境数据进行分析处理;
数据显示模块,用于显示数据处理中心对大气环境数据进行分析处理后的结果;
中心数据库,用于存储代表性大气环境数据;
代表数据库更新模块,用于更新代表性大气环境数据库;
采集单元控制模块,用于根据污染物扩散模型对采集单元中高灵敏度大气污染采集装置及低灵敏度大气污染采集装置的使用进行控制。
2.根据权利要求1所述的一种大气环境监测系统,其特征在于,所述多个采集单元部署的方式为网格化部署,具体是将大气环境监测区域划分为多个网格,每个网格设置一个采集单元。
3.根据权利要求1所述的一种大气环境监测系统,其特征在于,所述数据压缩模块,用于执行以下步骤:
S11、获取高灵敏度大气污染采集装置或低灵敏度大气污染采集装置连续采集的大气环境数据记为第一数据集;
S12、使用第一数据集与代表性大气环境数据库中的代表段进行匹配,将所述第一数据根据匹配结果拆分为零到多个匹配数据段以及零到多个非匹配数据段;
S13、将多个非匹配数据段拆分为离散的数据点,并与代表性大气环境数据库中的代表点进行匹配,得到零到多个匹配数据点以及零到多个非匹配数据点;
S14、将零到多个匹配数据段的ID、零到多个匹配数据点的ID以及零到多个非匹配数据点作为压缩后的数据;
其中,数据接收模块中对接收到的采集单元采集的大气环境数据进行解压缩的方法为:S15、利用中心数据库将每个采集单元传来的大气环境数据,恢复为连续时刻的大气环境数据。
4.根据权利要求3所述的一种大气环境监测系统,其特征在于,所述代表数据库更新模块,用于执行以下步骤:
S21、利用中心数据库将每个采集单元传来的零到多个匹配数据点的ID以及零到多个非匹配数据点恢复为一到多个大气环境数据段以及零到多个大气环境数据点;
S22、对得到的一到多个大气环境数据段进行互相匹配,得到一个新增代表段集并添加到中心数据库;
S23、若得到的大气环境数据点为一个,则直接将这个大气环境数据点添加到中心数据库中,若得到的大气环境数据点多于一个,则对得到的大气环境数据段进行互相匹配,得到一个新增代表点并添加到中心数据库;
S24、将中心数据库的更新同步到每个采集单元的代表性大气环境数据库。
5.根据权利要求2所述的一种大气环境监测系统,其特征在于,所述采集单元控制模块,用于执行以下步骤:
S31、按照时间序列获取每个采集单元中低灵敏度大气污染采集装置采集的大气环境数据并解压缩,并结合采集单元的坐标、对应时刻的风向、风速以及天气形成对应时间序列中每个时刻的大气环境数据矩阵,记为第一矩阵;
S32、对第一矩阵进行去噪处理,得到第二矩阵;
S33、对第二矩阵进行归一处理,得到第三矩阵;
S34、将第三矩阵输入预先训练好的大气污染物扩散模型进行计算,得到未来时刻的大气污染物扩散曲线;
S35、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度开始低于浓度阈值的时刻,并在对应的时刻,开启对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭低灵敏度大气污染采集装置;
S36、根据得到的大气污染物扩散曲线,判断每个网格的时刻的大气污染物浓度降低到高于浓度阈值的时刻,并在对应的时刻,关闭对应网格中采集单元的高灵敏度大气污染采集装置,并同时关闭高灵敏度大气污染采集装置。
6.根据权利要求5所述的一种大气环境监测系统,其特征在于,所述大气污染物扩散模型为卷积神经网络建立,训练过程的训练输入为多个历史第三矩阵,训练输出为历史第三矩阵对应的未来时刻探测到的大气污染物扩散曲线。
7.根据权利要求5所述的一种大气环境监测系统,其特征在于,所述对第一矩阵进行去噪处理的方法为卷积去噪法。
8.根据权利要求5所述的一种大气环境监测系统,其特征在于,所述对第一矩阵进行去噪处理的方法为滤波去噪法。
9.根据权利要求5所述的一种大气环境监测系统,其特征在于,所述对第二矩阵进行归一处理的方法为均值和标准差归一法。
10.根据权利要求5所述的一种大气环境监测系统,其特征在于,所述浓度阈值为低灵敏度大气污染采集装置的最大检测性能对应的大气污染物的浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694395.5A CN117388445B (zh) | 2023-12-12 | 2023-12-12 | 一种大气环境监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311694395.5A CN117388445B (zh) | 2023-12-12 | 2023-12-12 | 一种大气环境监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117388445A true CN117388445A (zh) | 2024-01-12 |
CN117388445B CN117388445B (zh) | 2024-04-05 |
Family
ID=89468725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311694395.5A Active CN117388445B (zh) | 2023-12-12 | 2023-12-12 | 一种大气环境监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388445B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58225733A (ja) * | 1982-06-24 | 1983-12-27 | Fujitsu Ltd | 感度制御方式 |
JP2006010677A (ja) * | 2004-05-28 | 2006-01-12 | Fujitsu Ltd | 情報処理装置の温度センサー装置 |
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
CN102505964A (zh) * | 2011-10-24 | 2012-06-20 | 毛允德 | 基于矿灯微弱光探测的井下人员探测仪与人员监视系统 |
JP2016188766A (ja) * | 2015-03-30 | 2016-11-04 | ブラザー工業株式会社 | 検査装置、検査方法、及び検査プログラム |
CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
CN108593188A (zh) * | 2018-04-02 | 2018-09-28 | 哈尔滨工业大学 | 一种压力传感系统 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
CN209055532U (zh) * | 2018-11-06 | 2019-07-02 | 中国人民解放军陆军军医大学 | 一种多节点封闭区域危险气体监测装置 |
CN110412222A (zh) * | 2019-08-26 | 2019-11-05 | 昆明美光科技有限公司 | 一种隔绝气体式气体浓度监测仪 |
CN111965084A (zh) * | 2020-09-18 | 2020-11-20 | 苏州市啸峰环保科技有限公司 | 一种带自清洁功能的颗粒物检测装置 |
WO2022036441A1 (en) * | 2020-08-18 | 2022-02-24 | Blackline Safety Corp. | Apparatus and methods for predicting gas sensor sensitivity changes |
CN114519124A (zh) * | 2020-11-18 | 2022-05-20 | 航天科工智慧产业发展有限公司 | 一种大气环境污染联防联控治理方法 |
CN216747538U (zh) * | 2021-09-27 | 2022-06-14 | 福州大学 | 一种适用于现场快速检测的电化学分析灵敏度自调节装置 |
CN115032338A (zh) * | 2022-05-26 | 2022-09-09 | 武汉理工大学 | 一种港口船舶大气污染物排放监测站点选址方法和系统 |
CN115792121A (zh) * | 2022-12-01 | 2023-03-14 | 北京微碳星图科技有限公司 | 一种网络化二氧化碳浓度监测系统及浓度监测方法 |
US20230194755A1 (en) * | 2021-12-15 | 2023-06-22 | Zhejiang University Of Technology | Data-driven rapid traceability method for air pollutants in small-scale regionals |
CN117171873A (zh) * | 2023-08-16 | 2023-12-05 | 小米汽车科技有限公司 | 车辆空气动力学优化方法、装置和车辆 |
-
2023
- 2023-12-12 CN CN202311694395.5A patent/CN117388445B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58225733A (ja) * | 1982-06-24 | 1983-12-27 | Fujitsu Ltd | 感度制御方式 |
JP2006010677A (ja) * | 2004-05-28 | 2006-01-12 | Fujitsu Ltd | 情報処理装置の温度センサー装置 |
KR20090098127A (ko) * | 2008-03-13 | 2009-09-17 | (주)바이오텔 | 대기 오염물질 모니터링 시스템 및 그 방법 |
CN102505964A (zh) * | 2011-10-24 | 2012-06-20 | 毛允德 | 基于矿灯微弱光探测的井下人员探测仪与人员监视系统 |
JP2016188766A (ja) * | 2015-03-30 | 2016-11-04 | ブラザー工業株式会社 | 検査装置、検査方法、及び検査プログラム |
CN107340364A (zh) * | 2017-05-31 | 2017-11-10 | 北京市环境保护监测中心 | 基于海量大气污染浓度数据的污染空间分析方法及装置 |
CN107436343A (zh) * | 2017-07-31 | 2017-12-05 | 南京南瑞集团公司 | 一种模拟计算敏感区域污染物浓度的方法 |
CN108593188A (zh) * | 2018-04-02 | 2018-09-28 | 哈尔滨工业大学 | 一种压力传感系统 |
CN209055532U (zh) * | 2018-11-06 | 2019-07-02 | 中国人民解放军陆军军医大学 | 一种多节点封闭区域危险气体监测装置 |
CN109655583A (zh) * | 2018-12-14 | 2019-04-19 | 天津珞雍空间信息研究院有限公司 | 一种基于卫星遥感的大气环境地面监测站点布控组网方法 |
CN110412222A (zh) * | 2019-08-26 | 2019-11-05 | 昆明美光科技有限公司 | 一种隔绝气体式气体浓度监测仪 |
WO2022036441A1 (en) * | 2020-08-18 | 2022-02-24 | Blackline Safety Corp. | Apparatus and methods for predicting gas sensor sensitivity changes |
CN111965084A (zh) * | 2020-09-18 | 2020-11-20 | 苏州市啸峰环保科技有限公司 | 一种带自清洁功能的颗粒物检测装置 |
CN114519124A (zh) * | 2020-11-18 | 2022-05-20 | 航天科工智慧产业发展有限公司 | 一种大气环境污染联防联控治理方法 |
CN216747538U (zh) * | 2021-09-27 | 2022-06-14 | 福州大学 | 一种适用于现场快速检测的电化学分析灵敏度自调节装置 |
US20230194755A1 (en) * | 2021-12-15 | 2023-06-22 | Zhejiang University Of Technology | Data-driven rapid traceability method for air pollutants in small-scale regionals |
CN115032338A (zh) * | 2022-05-26 | 2022-09-09 | 武汉理工大学 | 一种港口船舶大气污染物排放监测站点选址方法和系统 |
CN115792121A (zh) * | 2022-12-01 | 2023-03-14 | 北京微碳星图科技有限公司 | 一种网络化二氧化碳浓度监测系统及浓度监测方法 |
CN117171873A (zh) * | 2023-08-16 | 2023-12-05 | 小米汽车科技有限公司 | 车辆空气动力学优化方法、装置和车辆 |
Non-Patent Citations (5)
Title |
---|
张燕, 崔福义: "有机污染物对流动电流检测灵敏度的影响研究", 环境工程, no. 04, 22 August 2002 (2002-08-22) * |
李丽芬;张秋菊;邵泽军;: "基于可调谐激光吸收光谱技术的大气环境检测仪", 激光杂志, no. 02, 25 February 2018 (2018-02-25) * |
杨扬;舒乐时;: "基于序贯层次Kriging模型的微型飞行器机身结构设计优化", 工程设计学报, no. 04, 28 August 2018 (2018-08-28) * |
贺家杰: "H_2S气体浓度监测系统的设计", 郧阳师范高等专科学校学报, no. 03, 30 June 2003 (2003-06-30) * |
迟建芳;宫钦伟;王志明;: "多传感器电气设备运行环境监测系统", 徐州工程学院学报(自然科学版), no. 01, 30 March 2013 (2013-03-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117388445B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832814B (zh) | 一种基于图注意力机制的空气污染物浓度预测方法 | |
CN110531029B (zh) | 一种基于环保物联网大数据预测空气质量趋势的装置 | |
CN111458471B (zh) | 一种基于图神经网络的水域检测预警方法 | |
CN110531030B (zh) | 一种基于物联网大数据大气污染物分析的方法及装置 | |
CN111339092B (zh) | 一种基于深度学习的多尺度空气质量预报方法 | |
CN103235098A (zh) | 地下水在线水质监测系统 | |
CN113222328B (zh) | 基于路段污染相似性的空气质量监测设备布点选址方法 | |
KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN112116160B (zh) | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 | |
CN101516099A (zh) | 一种传感器网络异常检测方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN104748305A (zh) | 空调的开关状态的识别方法及系统及估算方法及系统 | |
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
CN115375522A (zh) | 智慧城市碳中和数据分析系统 | |
CN114518143A (zh) | 一种智能环境感知系统 | |
CN113537515A (zh) | Pm2.5预测方法、系统、装置及存储介质 | |
CN114019831A (zh) | 水资源监测物联网平台 | |
CN117641157A (zh) | 一种用电信息采集终端的抄表方法 | |
CN117388445B (zh) | 一种大气环境监测系统 | |
CN117460129A (zh) | 基于物联网驱动的节能路灯控制方法及系统 | |
CN116147712B (zh) | 免时空限制的立体式施工环境监测装置及预测方法 | |
Song et al. | Spatio-temporal modeling for air quality prediction based on spectral graph convolutional network and attention mechanism | |
CN114973443B (zh) | 一种基于巡检机器人的复杂气体环境巡检系统及其方法 | |
CN115471128A (zh) | 一种基于大数据的预测空气质量趋势的装置 |
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 |