CN118015795B - 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 - Google Patents
一种基于卷积神经网络的ppb级污染物监测预警方法及系统 Download PDFInfo
- Publication number
- CN118015795B CN118015795B CN202410410983.XA CN202410410983A CN118015795B CN 118015795 B CN118015795 B CN 118015795B CN 202410410983 A CN202410410983 A CN 202410410983A CN 118015795 B CN118015795 B CN 118015795B
- Authority
- CN
- China
- Prior art keywords
- risk
- area
- data
- alarm
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 67
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 22
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 22
- 238000013179 statistical model Methods 0.000 claims abstract description 34
- 238000007619 statistical method Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 59
- 238000012549 training Methods 0.000 claims description 41
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000007637 random forest analysis Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 8
- 239000000356 contaminant Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积神经网络的ppb级污染物监测预警方法及系统,用于环境监测技术,该方法包括以下步骤:获取洁净室内各个区域风险源的地理位置信息数据;在每个区域中布置监测设备;构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;利用预测模型预测未来一周内各个区域风险等级和类型;当风险数据超出危险警报阈值时;启动对应预警区域的警报程序;在预警区域制定警报应急方案。本发明使得洁净室可以得到未来一周内各个区域的风险等级和类型的精确预测,从而提前采取预防措施。
Description
技术领域
本发明涉及环境监测技术领域,具体来说,尤其涉及一种基于卷积神经网络的ppb级污染物监测预警方法及系统。
背景技术
越来越精密的半导体制程工艺和同步的高良率目标,不仅仅对晶圆加工设备和运行参数需要精益求精,对洁净室中可能存在的气态分子污染物(AMC)的监测和管控需求也越来越高。根据文献报道和相关研究,为最大程度减少AMC对工艺良率的影响,洁净室内的重点AMC浓度需要控制在ppb的级别。
针对相关技术中的问题,需要提出有效的解决方案。
发明内容
为了克服以上问题,本发明旨在提出一种基于卷积神经网络的ppb级污染物监测预警方法及系统,目的在于解决传统的风险管理系统可能在风险识别和预测的精度上存在不足,无法有效处理高维度和大规模的数据,导致无法准确识别和预测潜在的风险,且可能无法实时收集和处理监测设备数据,无法将风险状态与地理位置信息精确关联,导致风险管理缺乏实时性和空间准确性的问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于卷积神经网络的ppb级污染物监测预警方法,该ppb级污染物监测预警方法包括以下步骤:
S1、获取洁净室内各个区域风险源的地理位置信息数据,并为洁净室的各个区域赋予区域ID;
S2、在每个区域中布置监测设备,并为监测设备赋予设备ID;
S3、获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;
S4、根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;
S5、将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值;
S6、根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中;
S7、若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序;
S8、解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知。
可选地,获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型包括以下步骤:
S31、获取预警区域的地理位置信息数据;
S32、对地理位置信息数据进行预处理,并提取风险类型预测的特征数据;
S33、根据特征数据构建统计模型,并使用历史数据训练统计模型;
S34、利用训练后的统计模型及统计分析法对各个区域的风险类型进行分析;
S35、解释分析结果,并获取风险类型在各个区域的分布信息;
S36、根据各个区域中分布信息的结果,得到各个区域的风险类型。
可选地,根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别包括以下步骤:
S41、收集洁净室内各监测设备的设备ID信息,建立设备ID和监测数据的对应关系;
S42、通过设备ID,从监测设备采集实时的环境监测数据;
S43、使用洁净室内环境参数监测软件,并输入洁净室位置;
S44、根据监测设备的数据得到样本数据,并对样本数据进行预处理;
S45、构建卷积神经网络模型的架构,架构包含卷积层、池化层,并在架构的池化层中加入Dropout层;
S46、使用预处理后的监测样本数据训练卷积神经网络模型,采用交叉熵损失函数进行优化卷积神经网络模型;
S47、在验证集上评估模型的性能,监控验证集误差,当误差不再下降后停止训练;
S48、采用集成技术训练多个卷积神经网络模型,合并得到集成后的卷积神经网络模型;
S49、使用集成后的卷积神经网络模型对新输入的监测数据进行风险识别,输出识别结果。
可选地,构建卷积神经网络模型的架构,架构包含卷积层、池化层,并在架构的池化层中加入Dropout层包括以下步骤:
S451、确定卷积层和池化层的数量;
S452、根据卷积层的数量添加卷积层,开始添加卷积层,并为每个卷积层配置预设的卷积核数量、大小和步长;
S453、为每个卷积层后面添加池化层,降低特征维度并减少计算开销;
S454、在每个池化层后添加Dropout层,在训练阶段,使用最大池化Dropout法,计算每个神经元的保留概率;
S455、在卷积层、池化层和Dropout层后添加全连接层,并将特征映射到目标类别;
S456、选择评估指标,将评估指标输入卷积神经网络模型;
S457、在训练阶段,对每个池化区域,使用最大池化Dropout方法,选择最大值作为区域的代表;
S458、在测试阶段,对每个池化区域,计算卷积神经网络模型的平均池化值,并将平均池化值作为当前区域的代表,调整卷积神经网络模型的参数。
可选地,计算卷积神经网络模型的平均池化值的公式为:
;
式中,为平均池化值;
为池化区域的高度;
为池化区域的宽度;
为池化区域中数组中第行第列的元。
可选地,将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值包括以下步骤:
S51、获取神经网络模型输出的识别结果,将识别的风险状态与监测设备的设备ID关联;
S52、根据设备ID和设备位置的对应关系,将风险状态与对应的区域ID关联起来;
S53、使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型;
S54、根据洁净室中各个区域的特性和各个区域的风险类型,为每个区域设定危险警报阈值。
可选地,使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型包括以下步骤:
S531、收集历史的监测数据以及对应的风险状态;
S532、构建随机森林模型,并设定随机森林模型的参数;
S533、使用训练集数据构建多棵决策树,在节点分裂时引入随机特征;
S534、每棵决策树根据随机特征对训练集进行分类,得到分类结果;
S535、对新输入的监测数据,在每棵决策树上进行预测,得到每棵决策树的分类结果;
S536、汇总各决策树的预测结果,通过投票法得到随机森林的最终预测结果;
S537、根据最终预测结果,确定未来一周内各区域的风险等级和风险类型,输出风险预测结果,并在地图上进行标注,实现风险管理。
可选地,使用训练集数据构建多棵决策树,在节点分裂时引入随机特征包括以下步骤:
S5331、确定要在随机森林中构建的决策树的数量,为随机森林模型设置其他相关参数;
S5332、对原始训练数据集使用bootstrap抽样方法,生成新的训练数据集;
S5333、构建每棵决策树,对决策树的节点,根据设置的参数随机选择特征;
S5334、根据选择的特征,确定最佳的分裂点并分裂数据;
S5335、若达到预定的停止条件,标记当前节点为叶节点;
S5336、若未达到停止条件,继续为当前节点的子节点执行S5333-S5334的步骤,完成决策树的构建。
可选地,解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知包括以下步骤:
S81、接收并解析警报程序,确定警报的类型和危害等级;
S82、根据解析的警报类型和危害等级,设定预警区域;
S83、针对预警区域和危害等级,制定警报应急方案;
S84、将警报应急方案进行存储,并进行备份保护;
S85、向预警区域内的单位发送警报通知,在警报通知中,明确标注预警的类型、危害等级、预警区域和遵循的警报应急方案;
S86、按照预定的流程,对警报应急方案的执行情况进行实时监控。
根据本发明的另一个方面,还提供了一种基于卷积神经网络的ppb级污染物监测预警系统,该系统包括:风险源位置信息模块、监测设备部署模块、风险类型分析模块、风险识别模块、风险预测模块、警报触发模块、警报触发路径与预警区域对比模块及警报解析模块;
风险源位置信息模块,用于获取洁净室内的风险源的地理位置信息数据,为洁净室的各个区域生成区域ID;
监测设备部署模块,用于在洁净室的各个区域设置监测设备,并为各个监测设备生成设备ID;
风险类型分析模块,用于获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;
风险识别模块,用于根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;
风险预测模块,用于将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值;
警报触发模块,用于根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中;
警报触发路径与预警区域对比模块,用于若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序;
警报解析模块,用于解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知。
相较于现有技术,本申请具有以下有益效果:
1、本发明通过获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型,深入地获取区域的风险状况,并为未来的风险管理提供更准确的数据支持。
2、本发明实时、准确地收集并处理洁净室的监测设备数据,通过构建和训练卷积神经网络模型,能够有效地识别出风险的关键特征,同时采用集成技术进一步提高模型的鲁棒性和稳定性,能够对洁净室的风险水平进行实时评估,为风险管理和应急响应提供准确、及时的数据支持,大大提升了洁净室的安全水平。
3、本发明采用随机森林算法,由多棵决策树构成,它通过对各个决策树的预测结果进行投票,从而得出最终的预测,可以有效地处理高维度和大规模的数据,增强模型的泛化能力,并且能够提供特征重要性评估,获取对风险预测影响最大的因素,此外还将识别的风险状态与地理位置关联,使得风险预测具有空间上的精确性,更加符合实际情况,使得洁净室可以得到未来一周内各个区域的风险等级和类型的精确预测,从而提前采取必要的预防措施,避免或者降低可能发生的风险,极大提升了洁净室的安全性和运营效。
4、本发明通过对比各个区域的风险数据与设定的危险警报阈值,识别出风险等级超出接受范围的区域,实现了风险的实时监控与预警,可以在风险发生前进行预防,避免或者降低可能发生的风险,提升洁净室的安全性,解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知,考虑警报的类型和危害等级,实现了警报应急方案的个性化制定,提升了应急处理的效率和效果,同时,通过发送警报通知,可以让预警区域内的单位及时获取警报信息,提升应急准备的时效性。
5、本发明在ppb级污染物的监测预警方面表现卓越,采用高灵敏度的监测技术,能够及时准确地检测出环境中微量污染物的存在,为风险管理和应急响应提供了关键的数据支持,大大提高了预警的及时性和准确性。
附图说明
结合实施例的以下描述,本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂,实施例结合附图详细阐述。在此以示意图示出:
图1是根据本发明实施例的一种基于卷积神经网络的ppb级污染物监测预警方法的流程图;
图2是根据本发明实施例的一种基于卷积神经网络的ppb级污染物监测预警系统的原理框图。
图中:
1、风险源位置信息模块;2、监测设备部署模块;3、风险类型分析模块;4、风险识别模块;5、风险预测模块;6、警报触发模块;7、警报触发路径与预警区域对比模块;8、警报解析模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
根据本发明的实施例,提供了一种基于卷积神经网络的ppb级污染物监测预警方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于卷积神经网络的ppb级污染物监测预警方法,该ppb级污染物监测预警方法包括以下步骤:
S1、获取洁净室内各个区域风险源的地理位置信息数据,并为洁净室的各个区域赋予区域ID。
需要解释说明的是,通过使用地理信息系统(GIS)技术精确地映射出洁净室内的各类设施和风险源,如化学处理单位、高压气体管线、储存危险品的仓库等,确保每个风险源的地理位置信息都被准确记录,接着将洁净室划分为若干个区域,每个区域根据其内部的风险源种类和数量进行明确的界定,实现有效管理和快速响应,每个区域都将被分配一个独特的区域ID,区域ID将作为未来风险管理和应急响应计划的关键参考,预防潜在的安全事故,保护园区内的员工、设施及周边环境的安全。
S2、在每个区域中布置监测设备,并为监测设备赋予设备ID。
需要解释说明的是,根据园区的风险评估和各区域的特性,选择合适的监测设备进行部署,例如气体泄漏探测器、温度传感器、摄像头等,上述设备应放置在对应的高风险区域,能够实时捕获任何异常情况,为了管理和追踪设备,为每个设备生成一个唯一的设备ID,并记录其具体位置、型号、安装日期以及其他相关信息,确保在后续的数据收集和分析中,迅速定位并识别每个设备的状态和输出。
S3、获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型。
优选地,获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型包括以下步骤:
S31、获取预警区域的地理位置信息数据;
S32、对地理位置信息数据进行预处理,并提取风险类型预测的特征数据;
S33、根据特征数据构建统计模型,并使用历史数据训练统计模型;
S34、利用训练后的统计模型及统计分析法对各个区域的风险类型进行分析;
S35、解释分析结果,并获取风险类型在各个区域的分布信息;
S36、根据各个区域中分布信息的结果,得到各个区域的风险类型。
需要解释说明的是,利用历史数据和地理位置信息,预测各个区域可能的风险类型。首先收集预警区域的地理位置信息数据,地理位置信息数据包括园区内的地形、地貌、建筑物信息等。将对上述数据进行预处理,如清洗、规范化、标准化等,并提取出与风险类型预测相关的特征数据,例如,特定类型的建筑物、设备的位置等。接着,根据特征数据构建统计模型,并使用历史风险事件的数据进行训练,使用训练好的模型和统计分析方法,对各个区域的风险进行预测和分析,根据分析结果,获取各种风险类型在各个区域的概率分布,根据分布信息,确定各个区域的主要风险类型。通过上述步骤,更好地获取洁净室内的风险分布情况,以便进行更加精确的风险预防和应对。
S4、根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别。
优选地,根据设备ID获取监测设备监测的实时环境监测数据及洁净室内的实时气象数据,并输入到卷积神经网络模型中进行风险识别包括以下步骤:
S41、收集洁净室内各监测设备的设备ID信息,建立设备ID和监测数据的对应关系;
S42、通过设备ID,从监测设备采集实时的环境监测数据;
S43、使用洁净室内环境参数监测软件,并输入洁净室位置;
S44、根据监测设备的数据得到样本数据,并对样本数据进行预处理;
S45、构建卷积神经网络模型的架构,架构包含卷积层、池化层,并在架构的池化层中加入Dropout层;
S46、使用预处理后的监测样本数据训练卷积神经网络模型,采用交叉熵损失函数进行优化卷积神经网络模型;
S47、在验证集上评估模型的性能,监控验证集误差,当误差不再下降后停止训练;
S48、采用集成技术训练多个卷积神经网络模型,合并得到集成后的卷积神经网络模型;
S49、使用集成后的卷积神经网络模型对新输入的监测数据进行风险识别,输出识别结果。
此外,需要补充说明的是,利用卷积神经网络模型对洁净室内的环境监测数据进行风险识别,通过建立设备ID和监测数据的对应关系,确保数据来源的准确性,收集数据信息,数据合并和预处理确保数据的完整性和一致性,接着,模型构建与训练过程使模型能够捕捉到数据中的关键风险特征,提供了一个反馈机制,确保模型不会过度拟合。而集成技术进一步提高模型的稳定性和鲁棒性,通过训练多个模型并结合它们的输出,使得风险识别结果更加可靠,使用训练好的模型实时分析新的监测数据,及时识别并预警潜在的风险,为洁净室提供实时的安全保障。
优选地,构建卷积神经网络模型的架构,架构包含卷积层、池化层,并在架构的池化层中加入Dropout层包括以下步骤:
S451、确定卷积层和池化层的数量;
S452、根据卷积层的数量添加卷积层,开始添加卷积层,并为每个卷积层配置预设的卷积核数量、大小和步长;
S453、为每个卷积层后面添加池化层,降低特征维度并减少计算开销;
S454、在每个池化层后添加Dropout层,在训练阶段,使用最大池化Dropout法,计算每个神经元的保留概率;
S455、在卷积层、池化层和Dropout层后添加全连接层,并将特征映射到目标类别;
S456、选择评估指标,将评估指标输入卷积神经网络模型;
S457、在训练阶段,对每个池化区域,使用最大池化Dropout方法,选择最大值作为区域的代表;
S458、在测试阶段,对每个池化区域,计算卷积神经网络模型的平均池化值,并将平均池化值作为当前区域的代表,调整卷积神经网络模型的参数。
优选地,计算卷积神经网络模型的平均池化值的公式为:
式中,为平均池化值;
为池化区域的高度;
为池化区域的宽度;
为池化区域中数组中第行第列的元。
需要解释说明的是,首先确定了卷积层和池化层的数量,接着根据预设的配置添加卷积层,配置包括卷积核的数量、大小和步长,参数对模型的性能有重要影响,为每个卷积层后面添加池化层,这样可以降低特征的维度,减少计算开销,同时也能保留重要的特征信息,并添加了Dropout层,Dropout是一种避免过拟合的技术,它在训练阶段随机关闭一部分神经元,以增加模型的泛化能力,添加全连接层,将提取的特征映射到目标类别上,选择评估指标,如准确率、召回率或F1分数等,以便评价模型的性能。最后分别定义了训练阶段和测试阶段的池化策略,这一步是为了确保模型在不同阶段的适应性和泛化性能。
S5、将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值。
优选地,将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值包括以下步骤:
S51、获取神经网络模型输出的识别结果,将识别的风险状态与监测设备的设备ID关联;
S52、根据设备ID和设备位置的对应关系,将风险状态与对应的区域ID关联起来;
S53、使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型;
S54、根据洁净室中各个区域的特性和各个区域的风险类型,为每个区域设定危险警报阈值。
优选地,使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型包括以下步骤:
S531、收集历史的监测数据以及对应的风险状态;
S532、构建随机森林模型,并设定随机森林模型的参数;
S533、使用训练集数据构建多棵决策树,在节点分裂时引入随机特征;
S534、每棵决策树根据随机特征对训练集进行分类,得到分类结果;
S535、对新输入的监测数据,在每棵决策树上进行预测,得到每棵决策树的分类结果;
S536、汇总各决策树的预测结果,通过投票法得到随机森林的最终预测结果;
S537、根据最终预测结果,确定未来一周内各区域的风险等级和风险类型,输出风险预测结果,并在地图上进行标注,实现风险管理。
优选地,使用训练集数据构建多棵决策树,在节点分裂时引入随机特征包括以下步骤:
S5331、确定要在随机森林中构建的决策树的数量,为随机森林模型设置其他相关参数;
S5332、对原始训练数据集使用bootstrap抽样方法,生成新的训练数据集;
S5333、构建每棵决策树,对决策树的节点,根据设置的参数随机选择特征;
S5334、根据选择的特征,确定最佳的分裂点并分裂数据;
S5335、若达到预定的停止条件,标记当前节点为叶节点;
S5336、若未达到停止条件,继续为当前节点的子节点执行S5333-S5334的步骤,完成决策树的构建。
需要解释说明的是,通过将神经网络模型的输出结果与设备ID关联,再通过设备ID和设备的地理位置将风险状态与特定区域关联,确定特定风险状态与实际地理位置之间的联系。然后使用预测模型预测未来一周内各区域的风险等级和类型,其中,预测模型使用了监测数据和风险状态作为输入,这三者都是影响风险等级和类型的重要因素。最后根据每个区域的特性和风险类型设定警报阈值。
针对决策树,需要确定决策树的数量和其他相关参数,同时使用bootstrap抽样方法生成新的训练数据集,在构建决策树时,每个节点随机选择特征,并根据随机的特征确定最佳的分裂点,若达到预定的停止条件,就将当前节点标记为叶节点;否则,继续为当前节点的子节点分裂数据并选择新的特征,直到达到停止条件,并构建出一棵决策树,通过重复这个过程,构建出一个完整的随机森林模型。
S6、根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中。
需要解释说明的是,对比各个区域的风险数据与设定的危险警报阈值,能够识别出哪些区域的风险等级超出了接受范围,根据区域ID查找到对应的风险数据,然后与该区域的警报阈值进行比较。若风险数据超出了警报阈值,将该区域的地理位置信息和风险类型记录到警报触发点集群中,这样就可以实时监控各个区域的风险情况,并及时做出响应,如发出警报,或者安排人员进行检查和处理。
S7、若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序。
需要解释说明的是,首先预测风险的扩散路径,然后将预测的风险扩散路径与预警区域的地理位置信息进行比较,如果发现它们出现重叠,那么就意味着预警区域有可能受到风险影响,此时,就需要利用区域ID确定应该启动警报程序的具体区域,并立即启动对应预警区域的警报程序,上述机制确保及时响应风险的发生,并尽可能减少风险可能带来的影响,警报程序的启动是基于精确的地理位置信息和预测的风险扩散路径。
S8、解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知。
优选地,解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知包括以下步骤:
S81、接收并解析警报程序,确定警报的类型和危害等级;
S82、根据解析的警报类型和危害等级,设定预警区域;
S83、针对预警区域和危害等级,制定警报应急方案;
S84、将警报应急方案进行存储,并进行备份保护;
S85、向预警区域内的单位发送警报通知,在警报通知中,明确标注预警的类型、危害等级、预警区域和遵循的警报应急方案;
S86、按照预定的流程,对警报应急方案的执行情况进行实时监控。
需要解释说明的是,首先接收并解析警报程序,确定警报的类型和危害等级,然后,根据解析的警报类型和危害等级,设定预警区域,接着根据预警区域和危害等级,制定警报应急方案,并进行备份保护,以防万一。之后,向预警区域内的单位发送警报通知,在警报通知中,明确标注预警的类型、危害等级、预警区域和遵循的警报应急方案,确保所有的警报都得到适当的响应,从而最大程度的减小风险带来的影响。
根据本发明的另一个实施例,如图2所示,还提供了一种基于卷积神经网络的ppb级污染物监测预警系统,该系统包括:风险源位置信息模块1、监测设备部署模块2、风险类型分析模块3、风险识别模块4、风险预测模块5、警报触发模块6、警报触发路径与预警区域对比模块7及警报解析模块8;
风险源位置信息模块1,用于获取洁净室内的风险源的地理位置信息数据,为洁净室的各个区域生成区域ID;
监测设备部署模块2,用于在洁净室的各个区域设置监测设备,并为各个监测设备生成设备ID;
风险类型分析模块3,用于获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;
风险识别模块4,用于根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;
风险预测模块5,用于将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值;
警报触发模块6,用于根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中;
警报触发路径与预警区域对比模块7,用于若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序;
警报解析模块8,用于解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知。
综上所述,借助于本发明的上述技术方案,本发明通过获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型,深入地获取区域的风险状况,并为未来的风险管理提供更准确的数据支持;本发明实时、准确地收集并处理洁净室的监测设备数据,通过构建和训练卷积神经网络模型,能够有效地识别出风险的关键特征,同时采用集成技术进一步提高模型的鲁棒性和稳定性,能够对洁净室的风险水平进行实时评估,为风险管理和应急响应提供准确、及时的数据支持,大大提升了洁净室的安全水平;本发明采用随机森林算法,由多棵决策树构成,它通过对各个决策树的预测结果进行投票,从而得出最终的预测,可以有效地处理高维度和大规模的数据,增强模型的泛化能力,并且能够提供特征重要性评估,获取对风险预测影响最大的因素,此外还将识别的风险状态与地理位置关联,使得风险预测具有空间上的精确性,更加符合实际情况,使得洁净室可以得到未来一周内各个区域的风险等级和类型的精确预测,从而提前采取必要的预防措施,避免或者降低可能发生的风险,极大提升了洁净室的安全性和运营效;本发明通过对比各个区域的风险数据与设定的危险警报阈值,识别出风险等级超出接受范围的区域,实现了风险的实时监控与预警,可以在风险发生前进行预防,避免或者降低可能发生的风险,提升洁净室的安全性,解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知,考虑警报的类型和危害等级,实现了警报应急方案的个性化制定,提升了应急处理的效率和效果,同时,通过发送警报通知,可以让预警区域内的单位及时获取警报信息,提升应急准备的时效性;本发明在ppb级污染物的监测预警方面表现卓越,采用高灵敏度的监测技术,能够及时准确地检测出环境中微量污染物的存在,为风险管理和应急响应提供了关键的数据支持,大大提高了预警的及时性和准确性。
虽然本发明已以较佳实施例揭示如上,然所述实施例仅为了便于说明而举例而已,并非用以限定本发明,本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰,本发明所主张的保护范围应以权利要求书所述为准。
Claims (8)
1.一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,该ppb级污染物监测预警方法包括以下步骤:
S1、获取洁净室内各个区域风险源的地理位置信息数据,并为洁净室的各个区域赋予区域ID;
S2、在每个区域中布置监测设备,并为监测设备赋予设备ID;
S3、获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;
S4、根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;
S5、将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值;
S6、根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中;
S7、若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序;
S8、解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知;
所述将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值包括以下步骤:
S51、获取神经网络模型输出的识别结果,将识别的风险状态与监测设备的设备ID关联;
S52、根据设备ID和设备位置的对应关系,将风险状态与对应的区域ID关联起来;
S53、使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型;
S54、根据洁净室中各个区域的特性和各个区域的风险类型,为每个区域设定危险警报阈值;
所述使用预测模型,将监测数据和风险状态输入预测模型中,预测未来一周内各个区域的风险等级和类型包括以下步骤:
S531、收集历史的监测数据以及对应的风险状态;
S532、构建随机森林模型,并设定随机森林模型的参数;
S533、使用训练集数据构建多棵决策树,在节点分裂时引入随机特征;
S534、每棵决策树根据随机特征对训练集进行分类,得到分类结果;
S535、对新输入的监测数据,在每棵决策树上进行预测,得到每棵决策树的分类结果;
S536、汇总各决策树的预测结果,通过投票法得到随机森林的最终预测结果;
S537、根据最终预测结果,确定未来一周内各区域的风险等级和风险类型,输出风险预测结果,并在地图上进行标注,实现风险管理。
2.根据权利要求1所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,所述获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型包括以下步骤:
S31、获取预警区域的地理位置信息数据;
S32、对地理位置信息数据进行预处理,并提取风险类型预测的特征数据;
S33、根据特征数据构建统计模型,并使用历史数据训练统计模型;
S34、利用训练后的统计模型及统计分析法对各个区域的风险类型进行分析;
S35、解释分析结果,并获取风险类型在各个区域的分布信息;
S36、根据各个区域中分布信息的结果,得到各个区域的风险类型。
3.根据权利要求1所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,所述根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别包括以下步骤:
S41、收集洁净室内各监测设备的设备ID信息,建立设备ID和监测数据的对应关系;
S42、通过设备ID,从监测设备采集实时的环境监测数据;
S43、使用洁净室内环境参数监测软件,并输入洁净室位置;
S44、根据监测设备的数据得到样本数据,并对样本数据进行预处理;
S45、构建卷积神经网络模型的架构,并在架构的池化层中加入Dropout层;
S46、使用预处理后的监测样本数据训练卷积神经网络模型,采用交叉熵损失函数进行优化卷积神经网络模型;
S47、在验证集上评估模型的性能,监控验证集误差,当误差不再下降后停止训练;
S48、采用集成技术训练多个卷积神经网络模型,合并得到集成后的卷积神经网络模型;
S49、使用集成后的卷积神经网络模型对新输入的监测数据进行风险识别,输出识别结果。
4.根据权利要求3所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,构建卷积神经网络模型的架构,并在架构的池化层中加入Dropout层包括以下步骤:
S451、确定卷积层和池化层的数量;
S452、根据卷积层的数量添加卷积层,开始添加卷积层,并为每个卷积层配置预设的卷积核数量、大小和步长;
S453、为每个卷积层后面添加池化层,降低特征维度并减少计算开销;
S454、在每个池化层后添加Dropout层,在训练阶段,使用最大池化Dropout法,计算每个神经元的保留概率;
S455、在卷积层、池化层和Dropout层后添加全连接层,并将特征映射到目标类别;
S456、选择评估指标,将评估指标输入卷积神经网络模型;
S457、在训练阶段,对每个池化区域,使用最大池化Dropout方法,选择最大值作为区域的代表;
S458、在测试阶段,对每个池化区域,计算卷积神经网络模型的平均池化值,并将平均池化值作为当前区域的代表,调整卷积神经网络模型的参数。
5.根据权利要求4所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,所述计算卷积神经网络模型的平均池化值的公式为:
;
式中,为平均池化值;
为池化区域的高度;
为池化区域的宽度;
为池化区域中数组中第行第列的元素。
6.根据权利要求1所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,所述使用训练集数据构建多棵决策树,在节点分裂时引入随机特征包括以下步骤:
S5331、确定要在随机森林中构建的决策树的数量,为随机森林模型设置其他相关参数;
S5332、对原始训练数据集使用bootstrap抽样方法,生成新的训练数据集;
S5333、构建每棵决策树,对决策树的节点,根据设置的参数随机选择特征;
S5334、根据选择的特征,确定最佳的分裂点并分裂数据;
S5335、若达到预定的停止条件,标记当前节点为叶节点;
S5336、若未达到停止条件,继续为当前节点的子节点执行S5333-S5334的步骤,完成决策树的构建。
7.根据权利要求1所述的一种基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,所述解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知包括以下步骤:
S81、接收并解析警报程序,确定警报的类型和危害等级;
S82、根据解析的警报类型和危害等级,设定预警区域;
S83、针对预警区域和危害等级,制定警报应急方案;
S84、将警报应急方案进行存储,并进行备份保护;
S85、向预警区域内的单位发送警报通知,在警报通知中,明确标注预警的类型、危害等级、预警区域和遵循的警报应急方案;
S86、按照预定的流程,对警报应急方案的执行情况进行实时监控。
8.一种基于卷积神经网络的ppb级污染物监测预警系统,用于实现权利要求1-7中任一项所述的基于卷积神经网络的ppb级污染物监测预警方法,其特征在于,该系统包括:风险源位置信息模块、监测设备部署模块、风险类型分析模块、风险识别模块、风险预测模块、警报触发模块、警报触发路径与预警区域对比模块及警报解析模块;
所述风险源位置信息模块,用于获取洁净室内的风险源的地理位置信息数据,为洁净室的各个区域生成区域ID;
所述监测设备部署模块,用于在洁净室的各个区域设置监测设备,并为各个监测设备生成设备ID;
所述风险类型分析模块,用于获取预警区域的地理位置信息数据,构建统计模型,并利用历史数据和统计分析法分析统计模型中各个区域的风险类型;
所述风险识别模块,用于根据设备ID获取监测设备监测的实时环境监测数据,并输入到卷积神经网络模型中进行风险识别;
所述风险预测模块,用于将识别的风险状态与对应的区域ID关联,并利用预测模型预测未来一周内各个区域风险等级和类型,为每个区域设定危险警报阈值;
所述警报触发模块,用于根据区域ID对比各个区域的风险数据与设定的危险警报阈值,当风险数据超出危险警报阈值时,将对应区域的地理位置信息和风险类型记录到警报触发点集群中;
所述警报触发路径与预警区域对比模块,用于若预测的风险扩散路径与预警区域的地理位置信息出现重叠,则利用区域ID确定启动警报程序的具体区域,并启动对应预警区域的警报程序;
所述警报解析模块,用于解析警报程序的危害等级,并针对危害等级在预警区域制定警报应急方案,同时向预警区域发送警报通知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410983.XA CN118015795B (zh) | 2024-04-08 | 2024-04-08 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410410983.XA CN118015795B (zh) | 2024-04-08 | 2024-04-08 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118015795A CN118015795A (zh) | 2024-05-10 |
CN118015795B true CN118015795B (zh) | 2024-06-28 |
Family
ID=90954275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410410983.XA Active CN118015795B (zh) | 2024-04-08 | 2024-04-08 | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015795B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118333408B (zh) * | 2024-06-13 | 2024-08-16 | 珠海宏诚净化科技有限公司 | 基于多模型的洁净室风险评估方法、装置、设备、介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781306A (zh) * | 2020-07-10 | 2020-10-16 | 衢州学院 | 基于地理信息系统的污染物监测方法及系统 |
CN115238807A (zh) * | 2022-07-29 | 2022-10-25 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260208B (zh) * | 2020-01-14 | 2020-09-22 | 生态环境部环境规划院 | 基于风险场的区域网格化累积性环境风险评估系统及方法 |
CN111524030A (zh) * | 2020-04-22 | 2020-08-11 | 常州市环境科学研究院 | 一种平原河网区水环境监测预警与安全保障管理系统 |
CN116629619B (zh) * | 2023-07-25 | 2023-09-22 | 北京建工环境修复股份有限公司 | 一种土壤新污染物赋存状况预测方法及系统 |
-
2024
- 2024-04-08 CN CN202410410983.XA patent/CN118015795B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781306A (zh) * | 2020-07-10 | 2020-10-16 | 衢州学院 | 基于地理信息系统的污染物监测方法及系统 |
CN115238807A (zh) * | 2022-07-29 | 2022-10-25 | 中用科技有限公司 | 一种基于人工智能的amc侦测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118015795A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118015795B (zh) | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN111275333B (zh) | 污染数据处理方法和装置 | |
CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
CN111507376A (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN112633779B (zh) | 一种对环境监测数据可信度进行评估的方法 | |
CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN114511243A (zh) | 一种基于物联网监测的火灾风险动态评估的方法及系统 | |
CN117370919B (zh) | 污水处理设备远程监控系统 | |
CN118194142B (zh) | 一种智慧管网的震后修复工程分析方法及系统 | |
CN117809439A (zh) | 一种基于多种环境因素中河流流量异常预警系统 | |
CN117726036A (zh) | 污染源监测设备的智慧管理系统、方法及存储介质 | |
CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
CN110428579A (zh) | 基于图像识别的室内监控系统、方法及装置 | |
CN116633608B (zh) | 一种网络安全的风险预测方法及系统 | |
CN117278591A (zh) | 基于云平台的园区异常报警系统 | |
CN116882638A (zh) | 一种全氟化合物污染监测设备的管理方法及系统 | |
WO2022005407A1 (en) | Odor detecting and monitoring system and the method thereof | |
CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
JP2022177892A (ja) | 異常検知システム及びその方法 | |
CN117035230B (zh) | 一种基于大数据分析的污水处理设备运行状态评估方法 |
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 |