CN117420180B - 一种自带决策的voc检测预警系统 - Google Patents
一种自带决策的voc检测预警系统 Download PDFInfo
- Publication number
- CN117420180B CN117420180B CN202311362910.XA CN202311362910A CN117420180B CN 117420180 B CN117420180 B CN 117420180B CN 202311362910 A CN202311362910 A CN 202311362910A CN 117420180 B CN117420180 B CN 117420180B
- Authority
- CN
- China
- Prior art keywords
- sensing
- data
- decision
- air
- early warning
- 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
- 239000012855 volatile organic compound Substances 0.000 title claims description 68
- 238000001514 detection method Methods 0.000 title claims description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000009792 diffusion process Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000003365 glass fiber Substances 0.000 claims abstract description 9
- 239000012528 membrane Substances 0.000 claims abstract description 9
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 9
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 41
- 239000007789 gas Substances 0.000 claims description 38
- 239000010410 layer Substances 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 23
- 239000002808 molecular sieve Substances 0.000 claims description 19
- URGAHOPLAPQHLN-UHFFFAOYSA-N sodium aluminosilicate Chemical compound [Na+].[Al+3].[O-][Si]([O-])=O.[O-][Si]([O-])=O URGAHOPLAPQHLN-UHFFFAOYSA-N 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000004907 flux Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 229910021536 Zeolite Inorganic materials 0.000 claims description 12
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 claims description 12
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000010457 zeolite Substances 0.000 claims description 12
- 239000000523 sample Substances 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000013618 particulate matter Substances 0.000 claims description 8
- 239000004065 semiconductor Substances 0.000 claims description 8
- 229910052782 aluminium Inorganic materials 0.000 claims description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims description 7
- 239000002243 precursor Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 229910052751 metal Inorganic materials 0.000 claims description 5
- 239000002184 metal Substances 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 108091027981 Response element Proteins 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 4
- 150000001768 cations Chemical class 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 4
- 239000011247 coating layer Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 150000002500 ions Chemical class 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 2
- 239000013078 crystal Substances 0.000 claims 1
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 15
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 9
- 108010066057 cabin-1 Proteins 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 description 6
- HGINCPLSRVDWNT-UHFFFAOYSA-N Acrolein Chemical compound C=CC=O HGINCPLSRVDWNT-UHFFFAOYSA-N 0.000 description 6
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 6
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000008096 xylene Substances 0.000 description 3
- 238000000535 automated thermal desorption-gas chromatography mass spectrometry Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 206010008479 Chest Pain Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000000777 hematopoietic system Anatomy 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000002887 neurotoxic effect Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2202—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling
- G01N1/2205—Devices for withdrawing samples in the gaseous state involving separation of sample components during sampling with filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/2247—Sampling from a flowing stream of gas
- G01N1/2252—Sampling from a flowing stream of gas in a vehicle exhaust
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
- G01N1/24—Suction devices
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
一种自带决策的VOC检测预警系统，传感舱一侧通过气路和采气模块相连，传感舱另一侧和空气压缩机相连，感存算芯片置于传感舱内部；传感舱包含传感阵列模组、传感元件、密闭耐压气室，传感舱位于密闭耐压气室内部一端，密闭耐压气室通过气路与空气压缩机相连；感存算芯片与传感阵列模组连接；空气压缩机进行抽气，空气由气孔进，经玻璃纤维过滤膜、气体扩散帽、加固环、MXENE层，由泵经过气路进入传感舱，进入传感舱的空气与传感元件发生反应，反应后的响应数值由传感阵列模组采集并传输至感存算芯片的电阻感知功能模块，在感存算芯片内进行数据存储、信号处理、端内计算和决策。本发明能够监测预警空气中的危害气体成分和颗粒物浓度。
Description
技术领域
本发明涉及一种VOC检测预警系统，具体是一种自带决策的VOC检测预警系统，属于安全监测传感设备技术领域，尤其适用于涉及气体采集和传感器分析、设备本底及清洁程度检测、汽车内危险空气成分识别和颗粒物浓度监测的应用场景。
背景技术
VOCs残留的清洁检测是一个重要技术，尤其是在生产设备清洁、车内空气、有机溶剂去除等方面。例如在气体传感器的使用过程中，每次检测新样本气体之前最好都使用VOCs检测仪对传感器管路和气袋中的VOCs本底进行成分和浓度检测，从而保证样本准确的准确性和精准度。
此外，在2017年，深圳市消费者协会做了一次乘用车车内空气质量调查，共有23个汽车品牌51辆车参与此次调查，结果显示雷克萨斯ES300h在TVOC(挥发性有机化合物)浓度中最高，检出最高值为参考值的8倍，最终雷克萨斯ES200、三菱帕杰罗劲畅和雷克萨斯ES300h都被评为“严重不适”的级别。TVOC对人体确定的和可疑危害主要有五个方面：嗅觉不舒适(确定)、感觉性刺激(确定)、局部组织炎症反应(可疑)、过敏反应(可疑)和神经毒性作用(可疑)。另外，人处于TVOC的高浓度环境当中，能引起机体免疫水平失调，影响中枢神经系统功能，出现头晕、头痛、嗜睡、无力、胸闷等自觉症状；还可能影响消化系统，出现食欲不振、恶心等，严重时可损伤肝脏和造血系统等。
车内散发出的物质多达上百种，苯、甲苯、二甲苯、乙苯、苯乙烯、甲醛、乙醛、丙烯醛这8类是汽车内最常见污染物质，过量被人体吸收后，会危害人体健康。颗粒物浓度是另一个显著影响空气质量的因素。车辆中除了金属物质外，包括塑料、布艺、皮革及发泡等等，几乎所有的非金属材料都会产生对人体有害的物质，只是不同的材料散发的物质不同，散发的量也不同而已。制造商的工艺水平和后期加装的装饰件也会产生有害物质。从2012年3月1日起我国开始实施《乘用车内空气质量评价指南》的行业标准，规定了车内空气中苯、甲苯、二甲苯、乙苯、苯乙烯、甲醛、乙醛、丙烯醛的浓度要求，用于评价乘用车内空气质量。
由于很多有害物质无法通过嗅觉辨识，而且收集空气样本并送去检测机构使用化学仪器进行分析费时费力费钱，无法做到实时或是高频检测。这些因素无疑加大了识别VOCs成分组成和浓度超标报警的难度。因此急需一种便携的、易操作的实时空气质量监测及预警系统。
发明内容
针对上述现有技术存在的问题，本发明提供一种自带决策的VOC检测预警系统，能够实现设备本底VOC检测、汽车内危险空气成分识别和颗粒物浓度监测预警。
为了实现上述目的，本发明提供一种自带决策的VOC检测预警系统，包括传感舱、采气模块、气路、感存算芯片、空气压缩机，传感舱的一侧通过气路和采气模块相连，传感舱的另一侧和空气压缩机直接相连，感存算芯片置于传感舱内部；
传感舱包括传感阵列模组、传感元件、密闭耐压气室，传感舱位于密闭耐压气室内部一端，密闭耐压气室通过气路与空气压缩机相连；
采气模块包括玻璃纤维过滤膜、气孔、气体扩散帽、加固环、MXENE层、泵，感存算芯片与传感阵列模组之间信号连接；空气压缩机提供动力源进行抽气，使得空气由采气模块中的气孔进入，经过玻璃纤维过滤膜、气体扩散帽、加固环、MXENE层，最终由泵提供辅助动力经过气路进入传感舱，最后进入传感舱的空气与传感元件发生反应，反应后的响应数值由传感阵列模组采集并传输至感存算芯片的电阻感知功能模块，在感存算芯片内进行数据存储、信号处理、端内计算和决策，完成监测、决策、预警。
作为本发明的进一步改进方案，所述传感阵列模组上设置有温度传感元件、热电偶、测量探针、控制系统、数据采集装置以及组装了15个传感元件，由控制系统协调传感阵列模组上其余组件的反馈和控制，用热电偶调节传感元件的工作温度，使用温度传感元件实时反馈传感元件的工作温度，通过测量探针实时监测传感元件的表面电信号并与数据采集装置相连以读取传感元件的响应信号。
作为本发明的进一步改进方案，所述传感元件具有针对颗粒物、一氧化碳、二氧化碳、有机挥发性成分VOCs、甲醛、氧气、氮氧化物的气敏响应元件。
作为本发明的进一步改进方案，所述传感元件的结构包括高分子多孔覆膜、半导体涂层、沸石分子筛层、硅板和电极，传感机理为半导体电阻式离子型。
作为本发明的进一步改进方案，所述传感元件中的沸石分子筛为单晶纳米富铝分子筛，优化地添加有1％-15％质量浓度范围的TFSI/金属阳离子，以调控分子筛中平衡骨架负电荷和骨架铝分布，沸石分子筛层的禁带宽度和电导率被空气压缩机通过改变密闭耐压气室的压力调控。
作为本发明的进一步改进方案，所述感存算芯片的电阻感知功能模块依托于传感阵列模组实现，获得传感元件实时传感数据；数据存储功能模块使用分级式存储；信号处理功能模块使用基于微控制器的数字调理器对传感数据进行处理、更新，通过滤波限制信号的带宽以降低信号总体噪声并提供灵活的补偿算法；端内计算功能模块基于数据平台内置的Python语言对实时传感数据进行计算，包括数据归一化、预测预警、成分及浓度识别、反馈优化四个步骤。
作为本发明的进一步改进方案，所述端内决策功能包含两个部分，评价体系和决策模型，构建VOC水平评价参量体系，提出VOC水平合理性判识关键参量并进行量化，包括危害成分辨识、浓度、浓度变化速率、扩散通量、扩散速率、判识准则；决策模型根据监测时序数据中辨识的危害成分调用匹配的扩散通量、扩散速率和判识准则，建立基于深度信念网络和引入通道/空间注意力机制的实时、动态预警决策专家系统；具体地，采集时间段内的数据，提取关键参量形成时间序列集，作为输入数据；记录VOC警报发生的关键前兆信息和判识关键参量的协同演化模型，形成判识准则；利用LSTM长短期记忆神经网络、演绎推理与深度信念网络相结合的方法进行多关键参量综合预警，确定时间序列集和各预警风险值的相关度，得到智能化推理和建模的决策系统；依靠大数据流处理技术对处理后的传感数据进行动态管理及近实时计算决策，把数据传送给决策模块作为导入数据，通过优化服务接口和API应用程序接口设计实现跨平台运行。
作为本发明的进一步改进方案，所述端内计算和决策通过以下步骤实现：
步骤1：数据规范化，采集近3分钟内的监测数据，提取危害成分辨识、浓度、浓度变化速率、扩散通量形成时间序列集，作为输入数据；
步骤2：记录VOC警报发生时的危害成分辨识、浓度、浓度变化速率、扩散通量数值作为关键前兆信息，形成判识准则，并对此上述关键参量和VOC警报风险值建立监测时段内的协同演化模型；
步骤3：预测预警，使用LSTM长短期记忆神经网络对监测时段数据进行时间序列分析及预测，实现实时和短期预测并合并进监测数据，针对合并后的监测数据结合步骤二得到的协同演化模型和演绎推理方法得到预测的风险值演变结果，使用深度信念网络对此多参量监测数据进行综合预警；
步骤4：反馈优化，提前录入系统对不同颗粒物浓度及危险气体成分的分析结果以预设模型校正系数，多参量的协同演化模型和预警决策模型都可以引入动态权重以提高模型灵敏度，使用五折交叉验证进行优化调参，以提高模型泛化能力。
与现有技术相比，本发明通过空气压缩机提供动力源进行抽气，将待测环境中的空气由采气模块中的气孔进入，经过玻璃纤维过滤膜进行颗粒物过滤，经过气体扩散帽、加固环、MXENE层进行富集与运输，最终由泵提供辅助动力经过气路进入传感舱，最后进入传感舱内部的空气与传感元件发生反应，反应后的响应数值由传感阵列模组采集并传输至感存算芯片的电阻感知功能模块，在感存算芯片内进行数据存储、信号处理、端内计算和决策，完成监测、决策、预警；本发明相比于气相色谱质谱联用仪等大型化学检测仪器具有便携、实时采样、成本低廉、易于使用的优点；本发明能够监测预警空气中的危害气体成分和颗粒物浓度，具有集成度高、操作智能方便的优点。
附图说明
图1为本发明的结构示意图；
图2为传感舱的组成结构示意图；
图3是采气模块的组成结构示意图。
图中：1、传感舱，2、采气模块，3、气路，4、感存算芯片，5、空气压缩机，1-1、传感阵列模组，1-2、传感元件，1-3、密闭耐压气室，2-1、玻璃纤维过滤膜，2-2、气孔，2-3、气体扩散帽，2-4、加固环，2-5、MXENE层，2-6、泵。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1-图3所示，一种自带决策的VOC检测预警系统，包括传感舱1、采气模块2、气路3、感存算芯片4、空气压缩机5，传感舱1的一侧通过气路3和采气模块2相连，传感舱1的另一侧和空气压缩机5直接相连，感存算芯片4置于传感舱1内部；
传感舱1包括传感阵列模组1-1、传感元件1-2、密闭耐压气室1-3，传感舱1位于密闭耐压气室1-3内部一端，密闭耐压气室1-3通过气路3与空气压缩机5相连；
采气模块2包括玻璃纤维过滤膜2-1、气孔2-2、气体扩散帽2-3、加固环2-4、MXENE层2-5、泵2-6，感存算芯片4与传感阵列模组1-1之间信号连接，具有电阻感知、数据存储、信号处理、端内计算和决策模块；空气压缩机5提供动力源进行抽气，使得空气由采气模块2中的气孔2-2进入，经过玻璃纤维过滤膜2-1进行颗粒物过滤，经过气体扩散帽2-3、加固环2-4、MXENE层2-5进行富集与运输，最终由泵2-6提供辅助动力经过气路3进入传感舱1，最后进入传感舱1的空气与传感元件1-2发生反应，反应后的响应数值由传感阵列模组1-1采集并传输至感存算芯片4的电阻感知功能模块，在感存算芯片4内进行数据存储、信号处理、端内计算和决策，完成监测、决策、预警。
所述传感阵列模组1-1上设置有温度传感元件、热电偶、测量探针、控制系统、数据采集装置以及组装了15个传感元件1-2，由控制系统协调传感阵列模组1-1上其余组件的反馈和控制，用热电偶调节传感元件1-2的工作温度，使用温度传感元件实时反馈传感元件1-2的工作温度，通过测量探针实时监测传感元件1-2的表面电信号并与数据采集装置相连以读取传感元件1-2的响应信号。
所述传感元件1-2具有针对颗粒物、一氧化碳、二氧化碳、有机挥发性成分VOCs、甲醛、氧气、氮氧化物的气敏响应元件；传感元件1-2的结构包括高分子多孔覆膜、半导体涂层、沸石分子筛层、硅板和电极，传感机理为半导体电阻式离子型；传感元件1-2中的沸石分子筛为单晶纳米富铝分子筛，优化地添加有1％-15％质量浓度范围的TFSI/金属阳离子，以调控分子筛中平衡骨架负电荷和骨架铝分布，沸石分子筛层的禁带宽度和电导率被空气压缩机5通过改变密闭耐压气室1-3的压力调控。
所述感存算芯片4的电阻感知功能模块依托于传感阵列模组1-1实现，获得传感元件1-2实时传感数据；数据存储功能模块使用分级式存储，实现实时存储、读写分离；信号处理功能模块使用基于微控制器的数字调理器对传感数据进行处理、更新，通过滤波限制信号的带宽以降低信号总体噪声并提供灵活的补偿算法；端内计算功能模块基于数据平台内置的Python语言对实时传感数据进行计算，包括数据归一化、预测预警、成分及浓度识别、反馈优化四个步骤。
所述端内决策功能包含两个部分，评价体系和决策模型，构建VOC水平评价参量体系，提出VOC水平合理性判识关键参量并进行量化，包括危害成分辨识、浓度、浓度变化速率、扩散通量、扩散速率、判识准则；决策模型根据监测时序数据中辨识的危害成分调用匹配的扩散通量、扩散速率和判识准则，建立基于深度信念网络和引入通道/空间注意力机制的实时、动态预警决策专家系统；具体地，采集时间段内的数据，提取关键参量形成时间序列集，作为输入数据；记录VOC警报发生的关键前兆信息和判识关键参量的协同演化模型，形成判识准则；利用LSTM长短期记忆神经网络、演绎推理与深度信念网络相结合的方法进行多关键参量综合预警，确定时间序列集和各预警风险值的相关度，得到智能化推理和建模的决策系统；依靠大数据流处理技术对处理后的传感数据进行动态管理及近实时计算决策，把数据传送给决策模块作为导入数据，通过优化服务接口和API应用程序接口设计实现跨平台运行。
所述端内计算和决策通过以下步骤实现：
步骤1：数据规范化，采集监测数据，提取可识别的VOC种类数N、有害VOC种类n、有害VOC浓度V、浓度变化速率v、扩散通量p、扩散速率u及同类型的颗粒物监测数据形成时间序列集，作为输入数据；
步骤2：记录警报发生时的VOC警报风险值，包括VOC种类数Nm、有害VOC种类nm、有害VOC浓度Vm、浓度变化速率vm、扩散通量pm、扩散速率um及同类型的颗粒物数据，并作为关键前兆信息，形成判识准则，并对此上述关键参量和VOC警报风险值建立监测时段内的协同演化模型，具体步骤如下(以VOC的模型构建为例)：
步骤2.1：分别构建有害VOC种类数自演化模型、有害VOC浓度自演化模型、扩散通量自演化模型，
所述有害VOC种类数自演化模型如下：
其中：t表示时间；
α11、α12、θ1、β1为待标定的参数；
所述有害VOC浓度自演化模型如下：
其中：α21、α22、θ2、β2为待标定的参数；
所述扩散通量自演化模型如下：
其中：α31、α32、θ3、β3为待标定的参数；
步骤2.2：建立VOC协同演化模型：
其中：μ12、μ13、μ21、μ23、μ31、μ32为待标定系数；
步骤2.3：采用回归分析方法，对所建立的多个模型进行标定；
步骤2.4：对实时有害VOC种类nr、有害VOC浓度Vr及扩散速率ur进行预测，并对实时有害VOC浓度变化速率vr进行计算，计算方法如下：
步骤3：预测预警，其具体实施过程如下
步骤3.1：使用LSTM长短期记忆神经网络对监测时段数据进行时间序列分析及预测，实现实时和短期预测并合并进监测数据，具体过程为：
首先通过遗忘门读取上一时刻的隐含状态ht-1和当前时间步输入xt，经过sigmoid层后，输出一个0-1之间的数ft给上一时刻的单元状态Ct-1，进而对Ct-1进行保留与舍弃，ft由下式决定
ft＝σ(Wf[ht-1，xt]+bf)
其中：σ和bf的数值与Wf的表达式皆由实验确定；
显然，当ft为0时表示对上一时刻的信息全部舍弃，当ft为1时表示对上一时刻的信息全部保留；
然后通过输入门决定保留多少当前的时刻的输入信息至当前的单元状态，输入门由sigmoid层和tanh层构成，工作时先由sigmoid层决定要更新什么值，然后由tanh层把更新信息更新到细胞状态里，更新后的状态Ct为
其中：
最后通过输出门决定当前时刻的单元状态有多少输出；
先通过一个sigmoid层来确定细胞状态的哪个部分ot将输出出去，然后把状态信息通过tanh进行处理，得到一个-1至1间的值tanh(Ct)，并将它和sigmoid门的输出相乘，最终仅输出确定输出的部分ht，即
ht＝ot*tanh(Ct)
步骤3.2：将通过LSTM得到的当前单元状态Ct与协同演化模型预测的实时有害VOC种类nr、有害VOC浓度Vr、扩散速率ur、有害VOC浓度变化速率vr及同类型的颗粒物数据结合作为输入节点，使用深度信念网络对此多参量监测数据进行综合预警；
选取典型的包含2层隐含层的DBN模型对上述多参量监测数据进行综合报警，其输出节点数为2，分别对应有害VOC浓度超限和颗粒物浓度超限，模型中的基本参数采用经验和试算确定，但为使该网络的参数更为合理，采用参数敏感性的方法对网格参数进行确定，具体过程为：
首先，确定模型预测准确性的评价指标一一平方根均方误差(RMSE)和平均绝对误差(MAE)，其中平方根均方误差(RMSE)
平均绝对误差(MAE)
式中：y′i是第i个输入数据对应的模型预测值；
yi是第i个输入数据对应的现场实测值，M是测试集的样本个数；
然后，进行第一隐含层节点数确定，在此过程中将第二隐含层节点数设置为12，预训练次数设置为12，学习率设置为0.0001，且在整个过程中保持不变；将第一隐含层的节点数从10开始以2为间隔递增，直至节点数为40，计算出每个节点数对应的平方根均方误差RMSE和平均绝对误差MAE值，并根据平方根均方误差RMSE和平均绝对误差MAE值选择相应的最佳节点数；
最后，使用相同方法对第二隐含层的节点数进行确定；
步骤4：反馈优化，提前录入系统对不同颗粒物浓度及危险气体成分的分析结果以预设模型校正系数，多参量的协同演化模型和预警决策模型都可以引入动态权重以提高模型灵敏度，使用五折交叉验证进行优化调参，以提高模型泛化能力。
结合本申请的技术方案给出本发明应用在汽车内部空间环境VOC检测的一个实施例
《乘用车内空气质量评价指南》是国家车内空气质量的推荐性标准，参考此标准设计了具体实施例的实验条件：选定家用轿车一辆并在副驾驶座椅上方放置本申请的一种自带决策的VOC检测预警系统，此后先开启车门窗静置6小时后，再密闭门窗16小时，在自然日光暴晒和非暴晒的环境下进行长时间工作监测。在检测过程中，每小时都采集10升车内空气，用专业检测设备ATD-GC/MS(热脱附-气相色谱质谱，针对苯类)及HPLC(高效液相色谱)分析采集到的样本，重点检测苯、甲苯、二甲苯、乙苯、苯乙烯、甲醛、乙醛、丙烯醛8类汽车内常见污染物质，以作为此方法所设计的一种自带决策的VOC检测预警系统的准确度校准方案。
在测试期间，本发明的传感阵列模组1-1上设置有温度传感元件、热电偶、测量探针、控制系统和数据采集装置，由控制系统协调温度传感元件、热电偶、测量探针和数据采集装置的反馈和控制，包括但不限于调节传感元件1-2的工作温度、读取传感元件1-2的响应信号。
传感阵列模组1-1上组装了15个传感元件1-2，通过测量探针实时监测其表面电信号并与传感阵列模组1-1上的数据采集装置相连。传感元件1-2具有针对一氧化碳、二氧化碳、有机挥发性成分VOCs、甲醛、氧气、氮氧化物的气敏响应元件。
传感元件1-2的结构包括高分子多孔覆膜、半导体涂层、沸石分子筛层、硅板和电极，传感机理为半导体电阻式离子型。
沸石分子筛为单晶纳米富铝分子筛，优化地添加15％质量浓度的TFSI/金属阳离子，以调控分子筛中平衡骨架负电荷和骨架铝分布。沸石分子筛层的禁带宽度和电导率被空气压缩机5通过改变密闭耐压气室1-3压力调控。
感存算芯片4的电阻感知功能模块依托于传感阵列模组1-1实现，获得实时传感数据；数据存储功能模块使用分级式存储，实现实时存储、读写分离；信号处理功能模块使用基于微控制器的数字调理器对传感数据进行处理、更新，通过滤波限制信号的带宽以降低信号总体噪声并提供灵活的补偿算法；端内计算功能模块基于数据平台内置的Python语言对实时传感数据进行计算，包括数据归一化、预测预警、气体成分及浓度识别、反馈优化四个步骤；端内决策功能模块依靠大数据流处理技术实现对数据的动态管理及近实时计算决策，通过优化服务接口和API应用程序接口设计实现跨平台运行。
端内计算和决策通过以下步骤实现：
步骤一，数据规范化，采集近3分钟内的监测数据，提取危害成分辨识、浓度、浓度变化速率、扩散通量形成时间序列集，作为输入数据；
步骤二，记录VOC警报发生时的危害成分辨识、浓度、浓度变化速率、扩散通量数值作为关键前兆信息，形成判识准则，并对此上述关键参量和VOC警报风险值建立监测时段内的协同演化模型；
步骤三，预测预警，使用LSTM长短期记忆神经网络对监测时段数据进行时间序列分析及预测，实现实时和短期预测并合并进监测数据，针对合并后的监测数据结合步骤二得到的协同演化模型和演绎推理方法得到预测的风险值演变结果，使用深度信念网络对此多参量监测数据进行综合预警；
步骤四，反馈优化，提前录入系统对不同颗粒物浓度及危险气体成分的分析结果以预设模型校正系数，多参量的协同演化模型和预警决策模型都可以引入动态权重以提高模型灵敏度，使用五折交叉验证进行优化调参，以提高模型泛化能力。
表第1分钟处的瞬时数据
测试期间，所采得的全部气体样本经专业检测设备ATD-GC/MS(热脱附-气相色谱质谱，针对苯类)及HPLC(高效液相色谱)分析得到得浓度均未超出0.5mg/m3浓度，且本发明的预警系统未进行报警，与专业检测设备的分析结果吻合。
Claims (6)
1.一种自带决策的VOC检测预警系统，包括传感舱（1）、采气模块（2）、气路（3）、感存算芯片（4）、空气压缩机（5），其特征在于，传感舱（1）的一侧通过气路（3）和采气模块（2）相连，传感舱（1）的另一侧和空气压缩机（5）直接相连，感存算芯片（4）置于传感舱（1）内部；
传感舱（1）包括传感阵列模组（1-1）、传感元件（1-2）、密闭耐压气室（1-3），传感舱（1）位于密闭耐压气室（1-3）内部一端，密闭耐压气室（1-3）通过气路（3）与空气压缩机（5）相连；
采气模块（2）包括玻璃纤维过滤膜（2-1）、气孔（2-2）、气体扩散帽（2-3）、加固环（2-4）、MXENE层（2-5）、泵（2-6），感存算芯片（4）与传感阵列模组（1-1）之间信号连接，具有电阻感知、数据存储、信号处理、端内计算和决策模块；空气压缩机（5）提供动力源进行抽气，使得空气由采气模块（2）中的气孔（2-2）进入，经过玻璃纤维过滤膜（2-1）气体扩散帽（2-3）、加固环（2-4）、MXENE层（2-5），最终由泵（2-6）提供辅助动力经过气路（3）进入传感舱（1），最后进入传感舱（1）的空气与传感元件（1-2）发生反应，反应后的响应数值由传感阵列模组（1-1）采集并传输至感存算芯片（4）的电阻感知功能模块，在感存算芯片（4）内进行数据存储、信号处理、端内计算和决策，完成监测、决策、预警；
所述感存算芯片（4）的电阻感知功能模块依托于传感阵列模组（1-1）实现，获得传感元件（1-2）实时传感数据；数据存储功能模块使用分级式存储；信号处理功能模块使用基于微控制器的数字调理器对传感数据进行处理、更新，通过滤波限制信号的带宽以降低信号总体噪声并提供灵活的补偿算法；端内计算功能模块基于数据平台内置的Python语言对实时传感数据进行计算，包括数据归一化、预测预警、成分及浓度识别、反馈优化四个步骤；
端内决策功能包含两个部分，评价体系和决策模型，构建VOC水平评价参量体系，提出VOC水平合理性判识关键参量并进行量化，包括危害成分辨识、浓度、浓度变化速率、扩散通量、扩散速率、判识准则；决策模型根据监测时序数据中辨识的危害成分调用匹配的扩散通量、扩散速率和判识准则，建立基于深度信念网络和引入通道/空间注意力机制的实时、动态预警决策专家系统；具体地，采集时间段内的数据，提取关键参量形成时间序列集，作为输入数据；记录VOC警报发生的关键前兆信息和判识关键参量的协同演化模型，形成判识准则；利用LSTM长短期记忆神经网络、演绎推理与深度信念网络相结合的方法进行多关键参量综合预警，确定时间序列集和各预警风险值的相关度，得到智能化推理和建模的决策系统；依靠大数据流处理技术对处理后的传感数据进行动态管理及近实时计算决策，把数据传送给决策模块作为导入数据，通过优化服务接口和API应用程序接口设计实现跨平台运行。
2.根据权利要求1所述的一种自带决策的VOC检测预警系统，其特征在于，所述传感阵列模组（1-1）上设置有温度传感元件、热电偶、测量探针、控制系统、数据采集装置以及组装了15个传感元件（1-2），由控制系统协调传感阵列模组（1-1）上其余组件的反馈和控制，用热电偶调节传感元件（1-2）的工作温度，使用温度传感元件实时反馈传感元件（1-2）的工作温度，通过测量探针实时监测传感元件（1-2）的表面电信号并与数据采集装置相连以读取传感元件（1-2）的响应信号。
3.根据权利要求1所述的一种自带决策的VOC检测预警系统，其特征在于，所述传感元件（1-2）具有针对颗粒物、一氧化碳、二氧化碳、有机挥发性成分VOCs、甲醛、氧气、氮氧化物的气敏响应元件。
4.根据权利要求3所述的一种自带决策的VOC检测预警系统，其特征在于，所述传感元件（1-2）的结构包括高分子多孔覆膜、半导体涂层、沸石分子筛层、硅板和电极，传感机理为半导体电阻式离子型。
5.根据权利要求3所述的一种自带决策的VOC检测预警系统，其特征在于，所述传感元件（1-2）中的沸石分子筛为单晶纳米富铝分子筛，添加有1%-15%质量浓度范围的TFSI/金属阳离子，沸石分子筛层的禁带宽度和电导率被空气压缩机（5）通过改变密闭耐压气室（1-3）的压力调控。
6.根据权利要求1所述的一种自带决策的VOC检测预警系统，其特征在于，所述端内计算和决策通过以下步骤实现：
步骤1：数据规范化，采集近3分钟内的监测数据，提取危害成分辨识、浓度、浓度变化速率、扩散通量形成时间序列集，作为输入数据；
步骤2：记录VOC警报发生时的危害成分辨识、浓度、浓度变化速率、扩散通量数值作为关键前兆信息，形成判识准则，并对此上述关键参量和VOC警报风险值建立监测时段内的协同演化模型；
步骤3：预测预警，使用LSTM长短期记忆神经网络对监测时段数据进行时间序列分析及预测，实现实时和短期预测并合并进监测数据，针对合并后的监测数据结合步骤二得到的协同演化模型和演绎推理方法得到预测的风险值演变结果，使用深度信念网络对此多参量监测数据进行综合预警；
步骤4：反馈优化，提前录入系统对不同颗粒物浓度及危险气体成分的分析结果以预设模型校正系数，多参量的协同演化模型和预警决策模型都能够引入动态权重以提高模型灵敏度，使用五折交叉验证进行优化调参，以提高模型泛化能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362910.XA CN117420180B (zh) | 2023-10-20 | 2023-10-20 | 一种自带决策的voc检测预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362910.XA CN117420180B (zh) | 2023-10-20 | 2023-10-20 | 一种自带决策的voc检测预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117420180A CN117420180A (zh) | 2024-01-19 |
| CN117420180B true CN117420180B (zh) | 2024-03-19 |
Family
ID=89529584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311362910.XA Active CN117420180B (zh) | 2023-10-20 | 2023-10-20 | 一种自带决策的voc检测预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117420180B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660424A (zh) * | 2022-10-28 | 2023-01-31 | 国网四川省电力公司 | 一种基于gis的灾害要素分析预警系统 |
| CN116626238A (zh) * | 2023-05-25 | 2023-08-22 | 哈尔滨理工大学 | 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法 |
| CN116745618A (zh) * | 2020-12-28 | 2023-09-12 | 蓝盒生物医疗解决方案有限公司 | 用于筛查受试者的疾病的系统、方法和设备 |
-
2023
- 2023-10-20 CN CN202311362910.XA patent/CN117420180B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116745618A (zh) * | 2020-12-28 | 2023-09-12 | 蓝盒生物医疗解决方案有限公司 | 用于筛查受试者的疾病的系统、方法和设备 |
| CN115660424A (zh) * | 2022-10-28 | 2023-01-31 | 国网四川省电力公司 | 一种基于gis的灾害要素分析预警系统 |
| CN116626238A (zh) * | 2023-05-25 | 2023-08-22 | 哈尔滨理工大学 | 一种气流和气体组合感知的双通道检测罗盘系统、气体泄漏检测方法、数据融合及追踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117420180A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cross et al. | Use of electrochemical sensors for measurement of air pollution: correcting interference response and validating measurements | |
| Spinelle et al. | Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2 | |
| Chen et al. | Concentration estimator of mixed VOC gases using sensor array with neural networks and decision tree learning | |
| CN108254495B (zh) | 一种隧道机动车污染物监测方法及系统 | |
| CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
| CN108181432A (zh) | 机动车尾气污染物全组分排放测试方法 | |
| CN108007699A (zh) | 一种模块化的机动车尾气污染物车载排放测试平台 | |
| CN109633094A (zh) | 一种臭气浓度在线监测方法 | |
| CN117420180B (zh) | 一种自带决策的voc检测预警系统 | |
| Fattah et al. | Multi-sensor system and internet of things (IoT) technologies for air pollution monitoring | |
| CN111948273A (zh) | 气体传感器温度补偿模型建立、气体浓度测量方法及装置 | |
| CN112986497A (zh) | 基于气体传感器阵列指纹识别的污染气体溯源方法 | |
| CN108775921A (zh) | 工业烟气在线连续监测装置 | |
| CN204008236U (zh) | 氟化物采样器 | |
| CN115510892A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
| CN113156060A (zh) | 一种车载式VOCs检测系统及利用其进行VOCs检测的方法 | |
| CN109934484B (zh) | 一种基于非线性fce的ins/usbl组合导航系统性能评估方法 | |
| CN107976469A (zh) | 一种基于人工嗅觉的土壤养分快速检测装置 | |
| CN109029697B (zh) | 基于频谱特征单边检测法的环冷机漏风故障在线诊断方法 | |
| DE102019001438A1 (de) | Messanlage zur Konzentrationsbestimmung eines Bestandteiles eines Fluides | |
| CN115078190A (zh) | 一种悬浮体现场激光粒度数据处理方法及其装置 | |
| Aroutiounian et al. | Fluctuation-enhanced gas sensing | |
| CN117723497B (zh) | 一种智能随动水质监测系统 | |
| Masinde et al. | Training recurrent neural networks for particulate matter concentration prediction | |
| Boscolo et al. | Pollution dynamic monitoring system for city air quality control |
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 |