CN117538492B - 建筑空间中污染物的在线检测方法及系统 - Google Patents

建筑空间中污染物的在线检测方法及系统 Download PDF

Info

Publication number
CN117538492B
CN117538492B CN202410036342.2A CN202410036342A CN117538492B CN 117538492 B CN117538492 B CN 117538492B CN 202410036342 A CN202410036342 A CN 202410036342A CN 117538492 B CN117538492 B CN 117538492B
Authority
CN
China
Prior art keywords
pollutant
data
preset
parameter
building space
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
Application number
CN202410036342.2A
Other languages
English (en)
Other versions
CN117538492A (zh
Inventor
王浩
梁燕凤
李锟
黄炜钊
欧阳鑫园
毛瑞鹏
尹波
覃凤桂
梁梓荣
梁晓平
刘欢
田由
凌振轩
李禹键
王涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Hengyi Construction Technology Co ltd
Original Assignee
Shenzhen Hengyi Construction Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Hengyi Construction Technology Co ltd filed Critical Shenzhen Hengyi Construction Technology Co ltd
Priority to CN202410036342.2A priority Critical patent/CN117538492B/zh
Publication of CN117538492A publication Critical patent/CN117538492A/zh
Application granted granted Critical
Publication of CN117538492B publication Critical patent/CN117538492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Medicinal Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Food Science & Technology (AREA)
  • Dispersion Chemistry (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理的技术领域，公开了一种建筑空间中污染物的在线检测方法及系统。所述建筑空间中污染物的在线检测方法包括：在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集，本发明能够更准确、全面地评估建筑空间中不同污染物的排放情况和浓度分布。

Description

建筑空间中污染物的在线检测方法及系统
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种建筑空间中污染物的在线检测方法及系统。
背景技术
在现代建筑管理和室内空气质量监控领域，对建筑空间中的污染物进行有效检测和控制是至关重要的。随着人们对健康和环境质量的日益关注，需要更精确和全面的技术来监测和评估室内空气中的各种污染物。传统的室内空气质量监测方法通常依赖于固定或手持式的监测设备，这些设备能够检测一定范围内的空气质量，包括诸如二氧化碳、挥发性有机化合物（VOCs）和颗粒物等污染物。
目前，通常采用一种或几种类型的传感器来监测特定的污染物，例如使用气体传感器监测二氧化碳或使用颗粒物传感器监测PM2.5和PM10等。这些技术在特定条件下能够提供相对准确的监测结果，但它们存在一些局限性。首先，这些方法通常只能针对特定污染物进行检测，缺乏对多种污染物综合分析的能力。其次，这些方法往往不能充分考虑环境条件的变化对污染物检测的影响，如温度、湿度和空气流动等因素。并且这些方法无法全面评估和响应各种环境条件下的室内空气质量问题。这些系统往往在数据的多维度分析和环境因素的综合考量方面存在不足，导致在动态和多变的环境条件下，污染物检测结果的准确性和可靠性降低。
因此，有待提供一种更加有效的建筑空间中污染物的在线检测方法，以提高污染物检测结果的准确性和可靠性。
发明内容
本发明提供了一种建筑空间中污染物的在线检测方法及系统，用于解决如何实现提高污染物检测结果的准确性和可靠性。
本发明第一方面提供了一种建筑空间中污染物的在线检测方法，所述建筑空间中污染物的在线检测方法包括：
在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略。
可选的，在本发明第一方面的第一种实现方式中，所述污染物影响评估模型的训练过程，包括：
收集建筑空间中的污染物数据，利用深度学习技术对污染物数据进行语义理解处理和参数级别识别，得到文本型参数污染物数据；
将文本型参数污染物数据输入至一个预设的初级深度学习网络中；其中，所述初级深度学习网络包括参数级相似度模型、参数规律性预测模型以及参数布局变化解析模型；
通过参数级相似度模型，分析污染物数据中的每个参数，针对特定污染物特征子集的参数，生成一个包含参数位置、频率和分布状况的详细识别表格；
通过参数规律性预测模型，结合时间序列和参数级分析，预测污染物特征参数在不同预设环境条件下的变化趋势，生成动态模式预测表；
通过参数布局变化解析模型对特定污染物特征参数的分布模式进行深入解析，生成参数级分布图；
结合所得的参数级识别表格、动态模式预测表和参数级分布图，计算与实际值之间的误差值，并采用预设的动态学习与优化算法对所述预设的初级深度学习网络权重进行优化，通过多次迭代优化，最小化误差值，得到污染物影响评估模型；其中，所述实际值包括实际的参数级识别表格、实际的动态模式预测表和实际的参数级分布图。
可选的，在本发明第一方面的第二种实现方式中，生成建筑空间中污染物排放的控制策略的步骤之后，包括：
解析所述污染物排放的控制策略，得到建筑空间内污染物浓度的空间分布数据，并从所述空间分布数据提取污染物排放情况的关键特征信息；其中，所述关键特征信息至少包括污染物的种类特征、浓度水平特征、排放源位置特征、扩散速率特征和空间分布格局特征；
基于污染物的种类特征，应用预设的第一分析法则计算得出第一环境指标值；
基于污染物的浓度水平特征，应用预设的第二分析法则计算得出第二环境指标值；
基于污染物的排放源位置特征，应用预设的第三分析法则以计算得出第三环境指标值；
基于污染物的扩散速率特征，应用预设的第四分析法则计算得出第四环境指标值；
针对空间分布格局特征，确定环境指标值的组合法则；其中，数据库中事先储存了空间分布格局特征与环境指标值组合法则的对应关系数据；
根据确定的环境指标值的组合法则，将各个环境指标值进行有序排列，从而形成目标环境指标组合；
利用基于量子计算框架的评价算法，仿真建筑空间环境变异下各环境指标值的动态变化，并通过量子态叠加与纠缠增强模式识别精度，分辨细微的变化趋势，并输出优化后的环境指标组合；
采用非线性动态编码技术对所述优化后的环境指标组合进行编码，运用预设的熵编码和差分编码结合的算法构建稳定的时变信息流，构建得到编码后的时变信息流，并将编码后的时变信息流存储至分布式数据存储系统中。
可选的，在本发明第一方面的第三种实现方式中，所述基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集，包括：
对所述初步污染物参数数据进行数据分割处理，得到第一参数数据和第二参数数据；其中，所述第一参数数据为气体传感器和化学传感器所采集的建筑空间中的挥发性有机化合物的浓度数据；所述第二参数数据为颗粒物传感器和二氧化碳传感器所采集的建筑空间中颗粒物和二氧化碳的浓度数据；
对所述第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的第一目标特征维度；
根据所述第一目标特征维度，确定所述第一参数数据的第一目标特征点；
根据所述第一目标特征点，对所述第一参数数据进行聚类分析，得到第一特定污染物目标特征子集；
获取标准污染物参数列表，并对所述第二参数数据进行信号编码，得到目标信号编码；
将所述目标信号编码作为索引词，并通过所述目标信号编码对所述标准污染物参数列表进行搜索，得到第一目标特征维度；
根据所述第二参数数据的第一目标特征维度，确定所述第二参数数据的第二目标特征点，并根据所述第二目标特征点，对所述第二参数数据进行聚类分析，得到第二特定污染物目标特征子集；
基于预设的集合融合算法，将所述第一特定污染物目标特征子集和所述第二特定污染物目标特征子集进行融合，得到针对每种预设环境条件下的特定污染物特征子集。
可选的，在本发明第一方面的第四种实现方式中，所述第一特定污染物目标特征子集至少包括建筑空间中的不同挥发性有机物的浓度分布、挥发性有机物的源解析；所述第二特定污染物目标特征子集至少包括建筑空间中的颗粒物粒径分布、颗粒物的化学成分、二氧化碳的浓度变化。
本发明第二方面提供了一种建筑空间中污染物的在线检测系统，所述建筑空间中污染物的在线检测系统包括：
采集模块，用于在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
优化模块，用于对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
构建模块，用于基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
分析模块，用于对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
评估模块，用于将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
生成模块，用于基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略。
本发明第三方面提供了一种建筑空间中污染物的在线检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述建筑空间中污染物的在线检测设备执行上述的建筑空间中污染物的在线检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的建筑空间中污染物的在线检测方法。
本发明提供的技术方案中，有益效果：本发明提供一种建筑空间中污染物的在线检测方法及系统，通过在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略。本发明通过使用多维传感器，如气体传感器、颗粒物传感器和化学传感器，本发明能够同时监测多种类型的污染物，包括挥发性有机化合物、二氧化碳和颗粒物等。这种综合性监测方法比现有技术更全面，能够提供更广泛的污染物检测数据，从而提高室内空气质量监控的效率和准确性。本发明在污染物分析模型中综合考虑了不同预设环境条件下的影响，如温度、湿度、空气密度和光照强度等。这使得所得到的污染物参数数据更为准确，能够在不同的环境状况下有效地监测和评估污染物的浓度和种类。通过对空气样本数据进行分割标准化处理，并输入至经过预先训练的污染物分析模型进行优化，本发明能够更精准地捕捉到每种预设环境条件下特定污染物的特征。这不仅提高了污染物识别的准确性，也增强了对污染物浓度水平的准确评估。本发明的污染物影响评估模型具备自适应学习机制，这意味着它能够基于实时数据不断优化污染物影响评估结果。这种动态响应能力使得本发明能够更有效地处理和适应不断变化的环境条件，从而生成更加准确和实时的污染报告。根据污染报告和预设的污染物检测参数，本发明能够生成针对建筑空间中污染物排放的控制策略。这种策略生成方法不仅有助于实时监测室内空气质量，还能提供有效的污染物控制方案，从而改善室内环境质量。
附图说明
图1为本发明实施例中建筑空间中污染物的在线检测方法的一个实施例示意图；
图2为本发明实施例中建筑空间中污染物的在线检测系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种建筑空间中污染物的在线检测方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中建筑空间中污染物的在线检测方法的一个实施例包括：
步骤101、在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
可以理解的是，本发明的执行主体可以为建筑空间中污染物的在线检测系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，具体实现步骤如下：
预设环境条件设置：根据不同的预设环境条件，将多维传感器预置于建筑空间内，以确保对空气样本的全面采集。预设环境条件可能涉及建筑物内部、外部，以及不同季节、天气等多种因素。
空气样本采集：通过预置的多维传感器，对建筑空间中的空气样本进行采集。气体传感器用于检测空气中的气体成分，颗粒物传感器用于监测空气中的颗粒物含量，化学传感器用于分析化学物质的成分和浓度。
数据采集和存储：将通过传感器采集得到的空气样本数据进行处理和存储，包括各种污染物的浓度、温度、湿度等参数，以便后续的数据分析和应用。
分析污染物含量：根据采集得到的空气样本数据，分析污染物的含量，例如挥发性有机化合物、二氧化碳、颗粒物等的浓度情况，以便评估空气质量和污染程度。
步骤102、对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
具体的，具体实现步骤如下：
数据分割处理：对采集得到的空气样本数据进行分割处理，按照不同的预设环境条件（如不同地点、不同时间段、不同季节等）进行数据分割，并进行标准化处理，以确保数据的一致性和可比性。
污染物分布特征数据提取：从分割标准化后的空气样本数据中提取污染物的分布特征数据，这包括不同环境条件下的各种污染物的浓度、组分含量等信息。
输入到污染物分析模型进行优化：将不同预设环境下的污染物分布特征数据输入到预置的污染物分析模型中，经过模型的优化计算，得出各个预设环境条件下的初步污染物参数数据。
步骤103、基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
具体的，具体实现包括：
初步污染物参数数据分析：基于步骤102中得到的初步污染物参数数据，对不同预设环境条件下的污染物进行综合分析，确定每种环境条件下的特定污染物特征。
构建特定污染物特征子集：根据分析结果，针对每种预设环境条件，构建相应的特定污染物特征子集，包括该环境条件下的主要污染物成分、典型污染物浓度范围、相关污染物的化学特性等。
数据库规则存储：将基于初步污染物参数数据构建的针对每种预设环境条件的特定污染物特征子集存储于数据库中，包括规则和特征参数，以备后续的实时监测和分析使用。
步骤104、对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
具体的，具体实现步骤如下：
数据采集与模式匹配：通过环境监测设备采集实时环境空气数据，将采集的数据与预先建立的特定污染物特征子集进行模式匹配，以识别当前环境条件下的污染物特征。
污染物种类识别：基于模式匹配结果，确定当前环境下存在的污染物种类，将其与预先存储的污染物种类数据进行对比和识别，以获得准确的污染物种类信息。
污染物浓度分析：针对识别出的污染物种类，利用环境监测设备获取的实时数据，对污染物的浓度水平进行分析和计算，得到各种污染物的浓度水平数据。
步骤105、将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
具体的，具体实现步骤如下：
数据准备：将每种预设环境条件下的相关数据包括温度数据、湿度数据、空气密度数据、光照强度数据，以及各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据准备好，并进行统一格式处理。
模型输入：将准备好的数据输入至提前训练好的污染物影响评估模型中，包括预设环境条件的相关数据和特定污染物特征子集对应的污染物数据，并进行模型输入参数的设定和校验。
污染物影响评估：模型对输入的数据进行计算分析，并结合提前训练得到的模型参数，得到每种预设环境条件下各种污染物对环境的影响评估结果，包括对环境及人体健康的影响评估。
步骤106、基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略。
具体的，具体实现步骤如下：
自适应学习机制应用：采用预设的自适应学习机制，对污染物影响评估结果进行分析和优化，根据历史数据、环境变化和监测预警信息，动态调整模型参数，提高评估结果的准确性和稳定性。
污染报告生成：基于优化后的评估结果，生成污染报告，详细描述各种污染物的浓度、空间分布和对环境及人体的影响程度，同时提出相应的监测预警建议。
控制策略生成：根据污染报告和预设的污染物检测参数，结合建筑空间的实际情况和利用先进的污染物排放控制技术，生成针对不同污染物种类的排放控制策略。
本发明实施例中建筑空间中污染物的在线检测方法的另一个实施例包括：
所述污染物影响评估模型的训练过程，包括：
收集建筑空间中的污染物数据，利用深度学习技术对污染物数据进行语义理解处理和参数级别识别，得到文本型参数污染物数据；
将文本型参数污染物数据输入至一个预设的初级深度学习网络中；其中，所述初级深度学习网络包括参数级相似度模型、参数规律性预测模型以及参数布局变化解析模型；
通过参数级相似度模型，分析污染物数据中的每个参数，针对特定污染物特征子集的参数，生成一个包含参数位置、频率和分布状况的详细识别表格；
通过参数规律性预测模型，结合时间序列和参数级分析，预测污染物特征参数在不同预设环境条件下的变化趋势，生成动态模式预测表；
通过参数布局变化解析模型对特定污染物特征参数的分布模式进行深入解析，生成参数级分布图；
结合所得的参数级识别表格、动态模式预测表和参数级分布图，计算与实际值之间的误差值，并采用预设的动态学习与优化算法对所述预设的初级深度学习网络权重进行优化，通过多次迭代优化，最小化误差值，得到污染物影响评估模型；其中，所述实际值包括实际的参数级识别表格、实际的动态模式预测表和实际的参数级分布图。
具体的，重要术语的解释：
污染物数据：建筑空间中收集到的有关污染物的数据，可能包括各种污染物的含量、分布情况等信息。
初级深度学习网络：指用于对文本型参数污染物数据进行处理和分析的深度学习网络模型，包括参数级相似度模型、参数规律性预测模型和参数布局变化解析模型。
参数级相似度模型：用于分析污染物数据中每个参数，针对特定污染物特征子集的参数，生成包含参数位置、频率和分布状况的详细识别表格的模型。
参数规律性预测模型：结合时间序列和参数级分析，预测污染物特征参数在不同预设环境条件下的变化趋势，并生成动态模式预测表的模型。
参数布局变化解析模型：用于对特定污染物特征参数的分布模式进行深入解析，生成参数级分布图的模型。
动态学习与优化算法：用于对初级深度学习网络权重进行优化，通过多次迭代优化，最小化误差值，得到污染物影响评估模型的算法。
实际值：指实际的参数级识别表格、实际的动态模式预测表和实际的参数级分布图，用于与模型预测结果进行对比分析。
此技术方案的应用场景：该技术方案适用于建筑空间中污染物的在线检测与评估，例如在工业生产过程中、室内空气质量监测、环境污染源监测等领域。
具体实施例，细化拓展技术方案：
收集污染物数据：收集建筑空间中的污染物数据，包括各种污染物的含量、分布情况等。
深度学习处理：利用深度学习技术对污染物数据进行语义理解处理和参数级别识别，得到文本型参数污染物数据。
初级深度学习网络训练：将文本型参数污染物数据输入至预设的初级深度学习网络中，包括参数级相似度模型、参数规律性预测模型以及参数布局变化解析模型。
优化模型：通过多次迭代优化初级深度学习网络权重，最小化误差值，得到污染物影响评估模型。
本发明实施例中，有益效果：本发明实施例通过深度学习网络处理污染物数据，可以更准确地进行污染物影响评估，帮助预测污染物在不同环境条件下的变化趋势、分布规律等，实现对建筑空间污染物的在线检测和评估的精准化。同时，结合实际值进行模型优化，可以提高污染物影响评估模型的准确性和鲁棒性。
本发明实施例中建筑空间中污染物的在线检测方法的另一个实施例包括：
生成建筑空间中污染物排放的控制策略的步骤之后，包括：
解析所述污染物排放的控制策略，得到建筑空间内污染物浓度的空间分布数据，并从所述空间分布数据提取污染物排放情况的关键特征信息；其中，所述关键特征信息至少包括污染物的种类特征、浓度水平特征、排放源位置特征、扩散速率特征和空间分布格局特征；
基于污染物的种类特征，应用预设的第一分析法则计算得出第一环境指标值；
基于污染物的浓度水平特征，应用预设的第二分析法则计算得出第二环境指标值；
基于污染物的排放源位置特征，应用预设的第三分析法则以计算得出第三环境指标值；
基于污染物的扩散速率特征，应用预设的第四分析法则计算得出第四环境指标值；
针对空间分布格局特征，确定环境指标值的组合法则；其中，数据库中事先储存了空间分布格局特征与环境指标值组合法则的对应关系数据；
根据确定的环境指标值的组合法则，将各个环境指标值进行有序排列，从而形成目标环境指标组合；
利用基于量子计算框架的评价算法，仿真建筑空间环境变异下各环境指标值的动态变化，并通过量子态叠加与纠缠增强模式识别精度，分辨细微的变化趋势，并输出优化后的环境指标组合；
采用非线性动态编码技术对所述优化后的环境指标组合进行编码，运用预设的熵编码和差分编码结合的算法构建稳定的时变信息流，构建得到编码后的时变信息流，并将编码后的时变信息流存储至分布式数据存储系统中。
具体的，重要术语的解释：
空间分布数据：指建筑空间内污染物浓度在不同位置的分布数据。
关键特征信息：包括污染物的种类特征、浓度水平特征、排放源位置特征、扩散速率特征和空间分布格局特征，用于描述和识别污染物排放情况的重要信息。
环境指标值：根据不同特征信息计算得出的环境评估指标值，用于对建筑空间内污染物排放情况进行评估和量化。
环境指标组合：将各个环境指标值根据确定的组合法则进行组合形成的评估指标组合。
量子计算框架的评价算法：利用量子计算框架进行环境指标值的评价和优化算法，利用量子态叠加与纠缠增强模式识别精度，以解释环境指标值的动态变化。
非线性动态编码技术：用于对环境指标组合进行编码的非线性动态数据处理技术，用于稳定地表示环境指标变化情况。
分布式数据存储系统：用于存储编码后的时变信息流的分布式数据存储系统，确保对环境指标组合的高效、安全地存储管理。
此技术方案的应用场景：该技术方案适用于建筑空间内污染物排放情况的分析和评估，例如工业生产厂房内的有害气体排放监测与评估、室内空气质量改善方案的优化设计、城市环境治理中的空气污染源分析等领域。
具体实施例，细化拓展技术方案：
解析空间分布数据：通过处理收集到的空间分布数据，提取污染物排放情况的关键特征信息，如种类、浓度水平、排放源位置、扩散速率和空间分布格局等。
计算环境指标值：根据污染物的各种特征信息，应用预设的分析法则分别计算出第一、第二、第三和第四环境指标值。
确定环境指标值的组合法则：基于空间分布格局特征与环境指标值组合法则的对应关系数据，确定环境指标值的组合法则。
形成目标环境指标组合：根据确定的环境指标值的组合法则，将各个环境指标值进行有序排列，从而形成目标环境指标组合。
量子计算框架评价：利用基于量子计算框架的评价算法，对目标环境指标组合进行评价和优化，确保对环境指标值的动态变化精准、快速的识别和优化。
非线性动态编码技术：使用非线性动态编码技术，对优化后的环境指标组合进行编码，构建稳定的时变信息流，并存储至分布式数据存储系统中。
本发明实施例中，有益效果：本发明实施例综合利用大数据分析、量子计算技术和非线性动态编码技术，该技术方案可以更准确地评估建筑空间内污染物排放情况，从而指导制定合理的污染物控制策略。通过量子态叠加与纠缠增强模式识别精度，能够进一步提高环境指标值的识别精度，使评估更加准确，为环境治理和污染物控制提供科学依据。同时，通过分布式数据存储系统的应用，可以有效管理大量的环境指标数据，确保数据的安全、高效存储和管理。
本发明实施例中建筑空间中污染物的在线检测方法的另一个实施例包括：
所述基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集，包括：
对所述初步污染物参数数据进行数据分割处理，得到第一参数数据和第二参数数据；其中，所述第一参数数据为气体传感器和化学传感器所采集的建筑空间中的挥发性有机化合物的浓度数据；所述第二参数数据为颗粒物传感器和二氧化碳传感器所采集的建筑空间中颗粒物和二氧化碳的浓度数据；
对所述第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的第一目标特征维度；
根据所述第一目标特征维度，确定所述第一参数数据的第一目标特征点；
根据所述第一目标特征点，对所述第一参数数据进行聚类分析，得到第一特定污染物目标特征子集；
获取标准污染物参数列表，并对所述第二参数数据进行信号编码，得到目标信号编码；
将所述目标信号编码作为索引词，并通过所述目标信号编码对所述标准污染物参数列表进行搜索，得到第一目标特征维度；
根据所述第二参数数据的第一目标特征维度，确定所述第二参数数据的第二目标特征点，并根据所述第二目标特征点，对所述第二参数数据进行聚类分析，得到第二特定污染物目标特征子集；
基于预设的集合融合算法，将所述第一特定污染物目标特征子集和所述第二特定污染物目标特征子集进行融合，得到针对每种预设环境条件下的特定污染物特征子集。
具体的，重要术语的解释：
初步污染物参数数据：指建筑空间中通过气体传感器、化学传感器、颗粒物传感器和二氧化碳传感器等设备采集得到的有关挥发性有机化合物和颗粒物浓度的原始数据。
预设环境条件：指事先确定的建筑空间中的特定环境条件，如温度、湿度、空气流动情况等参数设定。
特定污染物特征子集：是根据预设环境条件下初步污染物参数数据构建的对应特定环境条件的污染物特征子集，包括挥发性有机化合物和颗粒物特征数据的融合。
此技术方案的应用场景：该技术方案适用于建筑室内空气质量监测、环境污染源识别，以及对建筑空间中不同预设环境条件下污染物特征进行监测和分析。具体应用场景包括对工业生产厂房、办公场所、商业空间等建筑环境中的挥发性有机化合物和颗粒物污染源进行实时监测和识别。
具体实施例，细化拓展技术方案：
数据处理与提取：对采集到的初步污染物参数数据进行分割处理，得到挥发性有机化合物浓度数据和颗粒物、二氧化碳浓度数据。
特征维度提取与目标特征点确定：对挥发性有机化合物浓度数据进行特征维度提取，确定目标特征维度和目标特征点，然后进行聚类分析，得到特定挥发性有机化合物目标特征子集。
目标信号编码与搜索：对颗粒物、二氧化碳浓度数据进行信号编码，作为索引词对标准污染物参数列表进行搜索，得到目标特征维度并确定目标特征点，进行聚类分析，得到特定颗粒物和二氧化碳目标特征子集。
集合融合算法拓展：基于预设的集合融合算法，将特定挥发性有机化合物目标特征子集和特定颗粒物、二氧化碳目标特征子集进行融合，得到针对每种预设环境条件下的特定污染物特征子集。
本发明实施例中，有益效果：本发明实施例拓展了在建筑空间中污染物在线检测的方法，通过构建针对预设环境条件下的特定污染物特征子集，实现了对不同污染物的综合监测和分析。该技术方案能够更准确、全面地评估建筑空间中不同污染物的排放情况和浓度分布，为对环境污染源的准确定位和监测提供了有效手段。同时，通过信号编码和聚类分析等方法，能够提高对各种污染物特征的识别和分析能力，为环境保护和空气质量改善提供科学依据。
本发明实施例中建筑空间中污染物的在线检测方法的另一个实施例包括：
所述第一特定污染物目标特征子集至少包括建筑空间中的不同挥发性有机物的浓度分布、挥发性有机物的源解析；所述第二特定污染物目标特征子集至少包括建筑空间中的颗粒物粒径分布、颗粒物的化学成分、二氧化碳的浓度变化。
参照图2，本发明还提供了一种建筑空间中污染物的在线检测系统，所述建筑空间中污染物的在线检测系统包括：
采集模块，用于在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
优化模块，用于对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
构建模块，用于基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
分析模块，用于对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
评估模块，用于将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
生成模块，用于基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略。
本发明还提供一种建筑空间中污染物的在线检测设备，所述建筑空间中污染物的在线检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述建筑空间中污染物的在线检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述建筑空间中污染物的在线检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种建筑空间中污染物的在线检测方法，其特征在于，包括以下步骤：
在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略；
所述污染物影响评估模型的训练过程，包括：
收集建筑空间中的污染物数据，利用深度学习技术对污染物数据进行语义理解处理和参数级别识别，得到文本型参数污染物数据；
将文本型参数污染物数据输入至一个预设的初级深度学习网络中；其中，所述初级深度学习网络包括参数级相似度模型、参数规律性预测模型以及参数布局变化解析模型；
通过参数级相似度模型，分析污染物数据中的每个参数，针对特定污染物特征子集的参数，生成一个包含参数位置、频率和分布状况的详细识别表格；
通过参数规律性预测模型，结合时间序列和参数级分析，预测污染物特征参数在不同预设环境条件下的变化趋势，生成动态模式预测表；
通过参数布局变化解析模型对特定污染物特征参数的分布模式进行深入解析，生成参数级分布图；
结合所得的参数级识别表格、动态模式预测表和参数级分布图，计算与实际值之间的误差值，并采用预设的动态学习与优化算法对所述预设的初级深度学习网络权重进行优化，通过多次迭代优化，最小化误差值，得到污染物影响评估模型；其中，所述实际值包括实际的参数级识别表格、实际的动态模式预测表和实际的参数级分布图；
所述生成建筑空间中污染物排放的控制策略的步骤之后，包括：
解析所述污染物排放的控制策略，得到建筑空间内污染物浓度的空间分布数据，并从所述空间分布数据提取污染物排放情况的关键特征信息；其中，所述关键特征信息至少包括污染物的种类特征、浓度水平特征、排放源位置特征、扩散速率特征和空间分布格局特征；
基于污染物的种类特征，应用预设的第一分析法则计算得出第一环境指标值；
基于污染物的浓度水平特征，应用预设的第二分析法则计算得出第二环境指标值；
基于污染物的排放源位置特征，应用预设的第三分析法则以计算得出第三环境指标值；
基于污染物的扩散速率特征，应用预设的第四分析法则计算得出第四环境指标值；
针对空间分布格局特征，确定环境指标值的组合法则；其中，数据库中事先储存了空间分布格局特征与环境指标值组合法则的对应关系数据；
根据确定的环境指标值的组合法则，将各个环境指标值进行有序排列，从而形成目标环境指标组合；
利用基于量子计算框架的评价算法，仿真建筑空间环境变异下各环境指标值的动态变化，并通过量子态叠加与纠缠增强模式识别精度，分辨细微的变化趋势，并输出优化后的环境指标组合；
采用非线性动态编码技术对所述优化后的环境指标组合进行编码，运用预设的熵编码和差分编码结合的算法构建稳定的时变信息流，构建得到编码后的时变信息流，并将编码后的时变信息流存储至分布式数据存储系统中。
2.根据权利要求1所述的建筑空间中污染物的在线检测方法，其特征在于，所述基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集，包括：
对所述初步污染物参数数据进行数据分割处理，得到第一参数数据和第二参数数据；其中，所述第一参数数据为气体传感器和化学传感器所采集的建筑空间中的挥发性有机化合物的浓度数据；所述第二参数数据为颗粒物传感器和二氧化碳传感器所采集的建筑空间中颗粒物和二氧化碳的浓度数据；
对所述第一参数数据进行数据特征维度提取，得到每个第一参数数据对应的第一目标特征维度；
根据所述第一目标特征维度，确定所述第一参数数据的第一目标特征点；
根据所述第一目标特征点，对所述第一参数数据进行聚类分析，得到第一特定污染物目标特征子集；
获取标准污染物参数列表，并对所述第二参数数据进行信号编码，得到目标信号编码；
将所述目标信号编码作为索引词，并通过所述目标信号编码对所述标准污染物参数列表进行搜索，得到第一目标特征维度；
根据所述第二参数数据的第一目标特征维度，确定所述第二参数数据的第二目标特征点，并根据所述第二目标特征点，对所述第二参数数据进行聚类分析，得到第二特定污染物目标特征子集；
基于预设的集合融合算法，将所述第一特定污染物目标特征子集和所述第二特定污染物目标特征子集进行融合，得到针对每种预设环境条件下的特定污染物特征子集。
3.根据权利要求2所述的建筑空间中污染物的在线检测方法，其特征在于，所述第一特定污染物目标特征子集至少包括建筑空间中的不同挥发性有机物的浓度分布、挥发性有机物的源解析；所述第二特定污染物目标特征子集至少包括建筑空间中的颗粒物粒径分布、颗粒物的化学成分、二氧化碳的浓度变化。
4.一种建筑空间中污染物的在线检测系统，其特征在于，所述建筑空间中污染物的在线检测系统包括：
采集模块，用于在不同预设环境条件下，通过预置的多维传感器采集建筑空间中的空气样本，得到空气样本数据；其中，所述多维传感器至少包括气体传感器、颗粒物传感器和化学传感器；所述污染物至少包括建筑空间的空气中的挥发性有机化合物、二氧化碳、颗粒物；
优化模块，用于对所述空气样本数据进行分割标准化处理，得到不同预设环境下的污染物分布特征数据，将所述不同预设环境下的污染物分布特征数据输入至预置的污染物分析模型进行优化，得到各个预设环境条件下的初步污染物参数数据；
构建模块，用于基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集；其中，数据库中提前存储有基于所述初步污染物参数数据，构建针对每种预设环境条件下的特定污染物特征子集的规则；
分析模块，用于对每种预设环境条件下的特定污染物特征子集进行识别分析，得到各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据；
评估模块，用于将每种预设环境条件的相关数据和各个特定污染物特征子集对应的污染物种类数据以及污染物的浓度水平数据输入至训练后的污染物影响评估模型中，得到污染物影响评估结果；其中，所述污染物影响评估模型经过提前训练得到；所述每种预设环境条件的相关数据至少包括每种预设环境的温度数据、湿度数据、空气密度数据、光照强度数据；
生成模块，用于基于预设的自适应学习机制，对所述污染物影响评估结果进行优化，得到污染报告，根据所述污染报告以及预设的污染物检测参数生成建筑空间中污染物排放的控制策略；
所述污染物影响评估模型的训练过程，包括：
收集建筑空间中的污染物数据，利用深度学习技术对污染物数据进行语义理解处理和参数级别识别，得到文本型参数污染物数据；
将文本型参数污染物数据输入至一个预设的初级深度学习网络中；其中，所述初级深度学习网络包括参数级相似度模型、参数规律性预测模型以及参数布局变化解析模型；
通过参数级相似度模型，分析污染物数据中的每个参数，针对特定污染物特征子集的参数，生成一个包含参数位置、频率和分布状况的详细识别表格；
通过参数规律性预测模型，结合时间序列和参数级分析，预测污染物特征参数在不同预设环境条件下的变化趋势，生成动态模式预测表；
通过参数布局变化解析模型对特定污染物特征参数的分布模式进行深入解析，生成参数级分布图；
结合所得的参数级识别表格、动态模式预测表和参数级分布图，计算与实际值之间的误差值，并采用预设的动态学习与优化算法对所述预设的初级深度学习网络权重进行优化，通过多次迭代优化，最小化误差值，得到污染物影响评估模型；其中，所述实际值包括实际的参数级识别表格、实际的动态模式预测表和实际的参数级分布图；
所述生成建筑空间中污染物排放的控制策略的步骤之后，包括：
解析所述污染物排放的控制策略，得到建筑空间内污染物浓度的空间分布数据，并从所述空间分布数据提取污染物排放情况的关键特征信息；其中，所述关键特征信息至少包括污染物的种类特征、浓度水平特征、排放源位置特征、扩散速率特征和空间分布格局特征；
基于污染物的种类特征，应用预设的第一分析法则计算得出第一环境指标值；
基于污染物的浓度水平特征，应用预设的第二分析法则计算得出第二环境指标值；
基于污染物的排放源位置特征，应用预设的第三分析法则以计算得出第三环境指标值；
基于污染物的扩散速率特征，应用预设的第四分析法则计算得出第四环境指标值；
针对空间分布格局特征，确定环境指标值的组合法则；其中，数据库中事先储存了空间分布格局特征与环境指标值组合法则的对应关系数据；
根据确定的环境指标值的组合法则，将各个环境指标值进行有序排列，从而形成目标环境指标组合；
利用基于量子计算框架的评价算法，仿真建筑空间环境变异下各环境指标值的动态变化，并通过量子态叠加与纠缠增强模式识别精度，分辨细微的变化趋势，并输出优化后的环境指标组合；
采用非线性动态编码技术对所述优化后的环境指标组合进行编码，运用预设的熵编码和差分编码结合的算法构建稳定的时变信息流，构建得到编码后的时变信息流，并将编码后的时变信息流存储至分布式数据存储系统中。
5.一种建筑空间中污染物的在线检测设备，其特征在于，所述建筑空间中污染物的在线检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述建筑空间中污染物的在线检测设备执行如权利要求1-3中任一项所述的建筑空间中污染物的在线检测方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的建筑空间中污染物的在线检测方法。
CN202410036342.2A 2024-01-10 2024-01-10 建筑空间中污染物的在线检测方法及系统 Active CN117538492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410036342.2A CN117538492B (zh) 2024-01-10 2024-01-10 建筑空间中污染物的在线检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410036342.2A CN117538492B (zh) 2024-01-10 2024-01-10 建筑空间中污染物的在线检测方法及系统

Publications (2)

Publication Number Publication Date
CN117538492A CN117538492A (zh) 2024-02-09
CN117538492B true CN117538492B (zh) 2024-03-26

Family

ID=89788537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410036342.2A Active CN117538492B (zh) 2024-01-10 2024-01-10 建筑空间中污染物的在线检测方法及系统

Country Status (1)

Country Link
CN (1) CN117538492B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106196423A (zh) * 2016-06-30 2016-12-07 西安建筑科技大学 一种基于模型预测的室内环境品质控制优化方法
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN109934377A (zh) * 2018-12-29 2019-06-25 段文旭 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法
CN110796284A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 细颗粒物污染等级的预测方法、装置及计算机设备
AU2020102451A4 (en) * 2020-09-27 2020-11-12 Dubey, Ravi Prakash DR Green building environment management module for real time air quality monitoring
JP6867076B1 (ja) * 2020-11-03 2021-04-28 北京▲師▼范大学Ｂｅｉｊｉｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ 室内汚染と室外汚染を組み合わせた条件下での室内ホルムアルデヒド濃度の予測方法
CN115270932A (zh) * 2022-07-06 2022-11-01 联合汽车电子有限公司 整车排放参数优化方法、系统、电子设备和存储介质
CN117116377A (zh) * 2023-08-31 2023-11-24 中国国家博物馆 一种环境安全性评估方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106196423A (zh) * 2016-06-30 2016-12-07 西安建筑科技大学 一种基于模型预测的室内环境品质控制优化方法
CN109063366A (zh) * 2018-08-22 2018-12-21 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
CN109934377A (zh) * 2018-12-29 2019-06-25 段文旭 一种细颗粒物的工业污染源综合交互因素控制分析和预测方法
CN110796284A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 细颗粒物污染等级的预测方法、装置及计算机设备
AU2020102451A4 (en) * 2020-09-27 2020-11-12 Dubey, Ravi Prakash DR Green building environment management module for real time air quality monitoring
JP6867076B1 (ja) * 2020-11-03 2021-04-28 北京▲師▼范大学Ｂｅｉｊｉｎｇ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ 室内汚染と室外汚染を組み合わせた条件下での室内ホルムアルデヒド濃度の予測方法
CN115270932A (zh) * 2022-07-06 2022-11-01 联合汽车电子有限公司 整车排放参数优化方法、系统、电子设备和存储介质
CN117116377A (zh) * 2023-08-31 2023-11-24 中国国家博物馆 一种环境安全性评估方法、装置、设备及介质

Also Published As

Publication number Publication date
CN117538492A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN105631203A (zh) 识别土壤中重金属污染源的方法
CN111382934B (zh) 一种基于暴露单元的建设用地土壤污染风险评估方法
CN111080502A (zh) 一种区域企业数据异常行为的大数据识别方法
CN109633094B (zh) 一种臭气浓度在线监测方法
CN112580749B (zh) 基于机器嗅觉技术的智能火灾探测方法
CN110990393A (zh) 一种行业企业数据异常行为的大数据识别方法
KR102407112B1 (ko) 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법
CN117195135B (zh) 一种水污染异常溯源检测方法及系统
CN116881749B (zh) 一种污染场地施工监测方法及系统
CN116362569B (zh) 一种场地污染的多维度评估方法及系统
CN115453064B (zh) 一种细颗粒物空气污染成因分析方法及系统
CN116359285A (zh) 一种基于大数据的油气浓度智能检测系统及方法
CN115563546A (zh) 一种气体嗅觉智能识别方法、系统、介质、设备及终端
CN117538492B (zh) 建筑空间中污染物的在线检测方法及系统
CN116187861A (zh) 基于同位素的水质溯源监测方法及相关装置
CN112949680A (zh) 一种基于对应分析和多元线性回归的污染源识别方法
CN112711911B (zh) 基于污染源谱库的应用于边界观测的快速污染溯源方法
Grace et al. Analysis and visualization of air quality using real time pollutant data
Kumar et al. Source Apportionment of Particulate Matter by Application of Machine Learning Clustering Algorithms
CN113239989A (zh) 气体浓度识别方法、系统、电子设备及存储介质
CN112182084A (zh) 一种基于数据格式的数据自动化处理方法及设备
CN117037448A (zh) 一种用于地下水污染防控的污染预警方法及系统
CN116628598B (zh) 一种基于大数据和nmf模型的二噁英来源解析方法及系统
CN117783313A (zh) 一种不明有机废液的现场分类方法
Wright Facility Assessment of Indoor Air Quality Using Machine Learning

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