CN208076482U - 一种多组分VOCs气体监测系统 - Google Patents

Abstract

本实用新型公开了一种多组分VOCs气体监测系统，包括：云端和多组分VOCs气体监测设备，所述气体监测设备包括主控芯片、多传感器模块、通信模块、显示模块和报警模块。多传感器模块，用于获取监测点的VOCs气体监测信息；通信模块，用于传送监测信息到云端；云端用于对监测信息进行计算获得相应的气体监测数据并传送回相应的气体监测设备；显示模块，用于实时显示气体监测数据以及警告；报警模块，用于对气体监测数据异常情况进行报警。本实用新型披露了一种能低成本快速实现多组分VOCs气体监测的微型气体监测仪，所述微型气体监测仪在云端服务器执行深度学习算法，用阵列气体传感器做监测单元，从而实现监测仪的低成本小型化。

Description

一种多组分VOCs气体监测系统

技术领域

本实用新型涉及气体监测领域，特别涉及一种多组分VOCs气体监测系统。

背景技术

随着国家对环保的重视程度不断增加，对工业VOCs气体排放监测成了环保部门的职责，对排放过量的VOCs企业，执法部门要对其开出相应的罚款。目前针对VOCs的处罚或征收环保税主要还是根据VOCs中的具体特征污染物成分，不同类型工厂排放标准略有不同。另外VOCs当中针对一些特殊的组分有特殊的排放限值。目前小型或者便携式VOCs监测仪虽然能够在现场进行监测，但是无法做到VOCs组分的区分，并且不同气体会相互影响，导致测量数据不准确。大型监测站可以做到TVOC全组分的监测，但是由于设备成本投入巨大，不适合每个工厂都进行安装，而且从采样到样气成分分析需要耗费较多人力和时间，设备响应时间较慢。另外，由于设备较为大型，只能对监测站周围环境进行监测，高精度设备无法监测到相应工厂环境情况。现阶段基于阵列传感器的气体监测设备可以做到迅速出样，快速响应，同时兼顾多组分的气体识别和监测。但是VOCs 气体有300多种，要做到真正的区分混合物中的多组分难度还是较大，需要非常强大的算法，所以传统的电子鼻系统无法做到微型气体监测仪级别。

中国发明专利(CN107132318A)公开了一种固定污染源VOCs在线监测系统，该系统能够应用于各种工业污染源排放有机物的实时监测，并对数据做有限监管。但该系统无法联网，在数据读取时需要连接工控机，并且监测设备需要色谱柱，会影响设备物质种类。一方面提高了设备造价，另一方面无法做到小型化，会使得整个系统变得非常的臃肿。中国发明专利(CN103728348A)公开了一种室内空气质量电子鼻，该设备通过DSP芯片计算空气中VOCs数值，但该设备没有数据上传功能，无法将测得的数据保存展示到数据平台中，这样在工厂环境下无法做到预防和排放数量评估。

实用新型内容

为了解决上述背景中的技术问题，本实用新型中披露了一种能低成本快速实现多组分VOCs气体监测的微型气体监测仪，所述微型气体监测仪在云端服务器执行深度学习算法，用阵列气体传感器做监测单元，从而实现监测仪的低成本小型化。

本实用新型的技术方案是这样实施的：

一种多组分VOCs气体监测系统，包括：云端和至少一个多组分VOCs气体监测设备，其中，所述多组分VOCs气体监测设备包括主控芯片、多传感器模块、通信模块、显示模块和报警模块；

所述多传感器模块与所述主控芯片相连，用于获取监测点的VOCs气体监测信息；

所述通信模块与所述主控芯片相连，用于接收、上传VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息到云端；

所述云端用于接收、保存所述通信模块上传的VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息，并对VOCs气体监测信息进行计算获得到的相应的VOCs气体监测数据并传送回所述相应的多组分VOCs气体监测设备；

所述显示模块与所述主控芯片相连，用于实时显示所述VOCs气体监测数据以及显示警告；

所述报警模块与所述主控芯片相连，用于对所述VOCs气体监测数据异常情况进行报警。

优选地，所述多组分VOCs气体监测设备还包括与所述主控芯片相连的电源模块，所述电源模块兼容有线供电和电池供电，用于保证多组分VOCs气体监测设备在没有供电设施的条件下正常运行。

优选地，所述多传感器模块为MEMS阵列传感器模块，所述MEMS阵列传感器模块由多种MEMS气体传感器组成，以减少设备体积。

优选地，所述多传感器模块为多种微型气体传感器组成的阵列传感器模块。

优选地，所述通信模块包括GPRS通信模块、NB-LOT通信模块及Lora通信模块中的一种或多种。

优选地，所述多组分VOCs气体监测设备分布式设置于多个厂区内，每个厂区内至少设置一个多组分VOCs气体监测设备，用于获取预设多厂区的VOCs气体监测信息。

优选地，所述云端包括计算平台、分布式数据库及数据监控平台；

所述计算平台，用于通过卷积神经网络模块完成对所述VOCs气体监测信息的预测和更新过程，获取所述VOCs气体监测数据；

所述分布式数据库，用于对所述云端接收到的所述VOCs气体监测信息、相应的多组分VOCs气体监测设备信息以及所述计算平台计算得到的VOCs气体监测数据进行分布式储存以及查询；

所述数据监控平台，用于获取所述VOCs气体监测数据以及相应的多组分 VOCs气体监测设备信息并显示，对所述VOCs气体监测数据异常情况进行报警。

优选地，所述卷积神经网络模块包括训练样本模块、交叉验证数据模块以及测试数据模块；

所述训练样本模块，用于将抽取90％的数据作为训练数据；

所述交叉验证数据模块，用于抽取5％的数据作为交叉验证数据；

所述测试数据模块，用于抽取5％的数据作为测试数据。

优选地，所述分布式数据库包括数据来源单位区别模块，用于区分所述数据来自哪个单位；数据来源厂区区别模块，用于区分所述数据来自哪个厂区；数据来源设备区别模块，用于区分所述数据来自哪个设备。

优选地，还包括大型监测站，所述大型监测站与所述多组分VOCs气体监测设备设置在同一个监测点，用于更新卷积神经网络模型参数并保存至云端。

实施本实用新型的有益效果主要有：

本实用新型采用微型的MEMS阵列气体传感器(尽可能减少传感器体积)，结合最新的卷积神经网络算法。但考虑运算的复杂性，结合无线上传功能，将数据存储和神经网络训练运算功能放到云端服务器进行，最后将监测的结果下传到设备本地端，在设备上显示。本实用新型可以实现在微小的设备上做到精准、快速的VOCs多组分监测，同时确保设备的低成本。

将小型的监测设备放置于工厂周围，在保证准确性的情况下实时显示VOCs 监测，并且云端计算平台定期根据新的数据进行训练学习，更新训练模型。在遇到异常情况时，现场设备和平台都会做出报警，提醒相应人员前去查看现场情况，预防工业事故。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一种实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中，一种多组分VOCs气体监测设备基本组成模块；

图2为一个实施例中，一种多厂区多组分VOCs气体监控平台的整体框架图。

其中，1-云端、12-计算平台、13-分布式数据库、14-数据监控平台、2-多组分VOCs气体监测设备、21-通信模块、22-多传感器模块、23-主控芯片、24-显示模块、25-电源模块、26-报警模块。

具体实施方式

下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，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例，都属于本实用新型保护的范围。

如图1所示，一种多组分VOCs气体监测系统，包括：云端1和至少一个多组分VOCs气体监测设备2，其中，所述多组分VOCs气体监测设备2包括主控芯片23、多传感器模块22、通信模块21、显示模块24和报警模块26。主控芯片23主要负责各模块的控制和正常运行，主要算法的运算将交给云端1处理，该芯片无需具有强大计算能力，减少设备成本。

所述多传感器模块22与主控芯片23相连，用于获取监测点的VOCs气体监测信息。优选地，所述多传感器模块22为MEMS阵列传感器模块，所述MEMS 阵列传感器模块由多种MEMS气体传感器组成，不同传感器对同种气体的相应不同，弥补单一传感器对有些气体相应不足的缺点，同时可以更改模块上的传感器种类，来应对不同场景下的气体监测，同时MEMS传感器具备低功耗、体积小、响应快等特点，适合微型设备的监测单元。

所述通信模块21与主控芯片23相连，用于接收与上传VOCs气体监测信息以及相应的多组分VOCs气体监测设备2信息到云端1。其中，所述通信模块21 包括GPRS通信模块、NB-LOT通信模块及Lora通信模块中的一种或多种。具体的，所述通信模块21用于实现多组分VOCs气体监测设备2的数据上传与接收，可以同时兼容GPRS、NB-LOT、Lora等多种通信技术，实现数据稳定可靠传输。在通信协议中规定数据报文，以此来区分不同指令。

所述云端1用于接收、保存所述通信模块21上传的VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息，并对VOCs气体监测信息进行计算获得到相应的VOCs气体监测数据传送回所述相应的多组分VOCs气体监测设备2。

所述显示模块24与主控芯片23相连，用于实时显示所述VOCs气体监测数据以及显示警告。具体地，所述显示模块24主要用于显示实时气体浓度，在超出预警值时显示警告，同时在屏上做简单设置操作。

所述报警模块26与主控芯片23相连，用于对所述VOCs气体监测数据异常情况进行报警。具体的，所述报警模块26对气体泄漏、超排、数据异常等情况作出及时报警，提醒操作人员及时采取应对方案。

其中，所述多组分VOCs气体监测设备2还包括与主控芯片23相连的电源模块25，所述电源模块25兼容有线供电和电池供电，用于保证多组分VOCs气体监测设备2在没有供电设施的条件下正常运行。

其中，如图2所示，所述多组分VOCs气体监测设备2(图中，简称为设备) 分布式设置于多个厂区内，每个厂区内至少设置一个多组分VOCs气体监测设备 2，用于获取预设多厂区的VOCs气体监测信息。为实现对工厂VOCs气体的监测，首先要在监测点放置固定式设备，也就是所述多组分VOCs气体监测设备2。在1到n个工厂周围布置一定数量的多组分VOCs气体监测设备2，每个厂区内设置1到n个多组分VOCs气体监测设备2。将传感器数据上传至云端1的分布式数据库13和计算平台12，计算平台12调用卷积神经网络算法计算，将结果下传至多组分VOCs气体监测设备2，数据监控平台14对VOCs数据做监控显示，并对异常情况做报警。工厂操作员和监管部门可以通过数据监控平台14了解工厂VOCs排放情况。其中，所述传感器数据为VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息，所述多组分VOCs气体监测设备信息包括设备型号、设置单位、设置厂区和设置地点等。

其中，所述云端1包括计算平台12、分布式数据库13及数据监控平台14。

所述计算平台12，用于通过卷积神经网络模块完成对VOCs气体监测信息的预测和更新过程，获取VOCs气体监测数据。具体，云端1用于计算的服务器获取分布式数据库13中的VOCs气体监测数据，通过卷积神经网络算法对数据做预测判断得到VOCs数值，计算服务器将得到结果下传至多组分VOCs气体监测设备2。该神经网络将借助于主流的Tensorflow神经网络框架，方便后期代码维护更新。

进一步，所述卷积神经网络模块包括训练样本模块、交叉验证数据模块以及测试数据模块；所述训练样本模块，用于将抽取90％的数据作为训练数据；所述交叉验证数据模块，用于抽取5％的数据作为交叉验证数据；所述测试数据模块，用于抽取5％的数据作为测试数据。具体的，在云端1首先通过预处理模块对数据做预处理，对于数据波动，采用平滑滤波去除噪声。在训练过程中对于已知的物质浓度进行浓度划分，间隔为10ppb，每个浓度值保证有10个样本点，若需要测10种物质，每种物质的最大浓度为10ppm，则训练样本总共需要10000 个。对于训练样本，将抽取90％的数据作为训练数据，5％的数据作为交叉验证数据，5％的数据作为测试数据。每个训练样本都对应一个训练标签，卷积神经网络会对数据做卷积操作自动提取样本特征，最后分类器根据特征权重判别 VOCs值浓度获取VOCs气体监测数据。

优选地，还包括大型监测站，所述大型监测站与所述多组分VOCs气体监测设备2设置在同一个监测点，用于更新卷积神经网络模型参数并保存至云端1。具体的，为保证神经网络模型的可靠性，可以将我们的多组分VOCs气体监测设备2与大型监测站放置在同一个监测点，比对两者数据，定期重新修改神经网络模型参数，并将新的模型保存至云端1，在数据不断积累的情况下，模型预测结果将会越来越准确。

所述分布式数据库13，用于对云端1接收到的VOCs气体监测信息以及相应的多组分VOCs气体监测设备2信息以及所述计算平台12计算得到的VOCs气体监测数据进行分布式储存以及查询。其中，所述分布式数据库13包括数据来源单位区别模块，用于区分所述数据来自哪个单位；数据来源厂区区别模块，用于区分所述数据来自哪个厂区；数据来源设备区别模块，用于区分所述数据来自哪个多组分VOCs气体监测设备2。具体的，在工厂排放口，管道易泄漏点、厂区周围布置一定数量的固定式多组分VOCs气体监测设备2，这些设备将传感器数据上传至云端1服务器的分布式数据库13存储，所述服务器根据报文协议区分该数据是来自哪个单位、哪个厂区、哪个多组分VOCs气体监测设备2。数据采用分布式存储，用户可以通过分布式数据库13查询历史数据，相比于传统的数据库具有数据查询快，数据存储占用空间小等优势。

所述数据监控平台14，用于获取VOCs气体监测数据以及相应的多组分 VOCs气体监测设备2信息并显示，对所述VOCs气体监测数据异常情况进行报警。具体的，数据监控平台14从云端1获取VOCs数值、多组分VOCs气体监测设备2位置等信息用于数据展示，工厂操作人员和执法部门可以直接通过平台时时了解工厂排放情况，在有数据异常或者排放超标时，平台会通过短信或页面报警提醒相应人员作出相应操作。

本实用新型针对现有工业VOCs监测设备的不足，提出一种能低成本快速实现多组分VOCs气体监测的微型气体监测仪以及监测平台。该微型监测仪主要应用场景是工厂的厂区，需要大量布置监测点的监测区，通过每个点的监测情况，能够在平台上对整个监测区进行时时监测，当出现异常情况是，能够及时准确的判断出地点，气体浓度，方便人员作出及时调整。将多组分VOCs气体监测设备 2与云端存储计算相结合，可以极大地降低设备端制造成本，让多组分VOCs气体监测设备2在工厂周围进行大量布点成为可能。并且多组分VOCs气体监测设备2的传感器采用MEMS阵列气体传感器，能够让设备做到小型化，能耗低。云端分布式数据存储方便VOCs气体历史数据查询与分析，并且云端1计算资源较为集中，运算能力强，让复杂算法能够快速执行得到结果。对工厂周围VOCs 气体做有效实时监测，一方面可以让工厂知道自身的排放其情况，从而改进工艺减少排放，另一方面相应的执法部门可以通过数据监控平台14实时监控工厂是否过量排放，在开具罚款时有相应依据。

作为一优选实施例，从2017年9月到2018年3月，这六个月时间浙江某药厂为监测工厂周围VOCs数值是否超标，在厂区A部署了10台多组分VOCs气体监测设备2，这些设备在第一个月采集数据用于模型调整与学习，每天显示数据与药厂监测站数据比对。

多组分VOCs气体监测设备2的多传感器模块22选用6种MEMS气体传感器作为阵列传感器模块，多组分VOCs气体监测设备2运行时，将阵列传感器的电压相应和电阻比变化数据通过GPRS模块上传至云端1的分布式数据库13，云端1分布式数据库13会将数据交给计算平台12，计算平台12预先已经保存训练好的训练参数，计算完得到数据后下传至多组分VOCs气体监测设备2显示，从数据上传到多组分VOCs气体监测设备2显示时间将会控制在10秒，这样将保证数据的连续性和及时性。平台采用卷积神经网络算法，该算法能够通过卷积层提起有效的数据特征，最后通过全连接层得到预测结果。卷积神经网络是有监督学习的机器学习算法，对于数据训练需要大量训练数据，在初期最好积累1万条带标签的样本数据进行训练，并且随着数据的逐渐积累重新进行训练，更新神将网络权证系数，保证模型的准确性。

在符合本领域技术人员的知识和能力水平范围内，本文实施例提及的各种实施例或者技术特征在不冲突的情况下，可以相互组合而作为另外一些可选实施例，这些并未被一一罗列出来的、由有限数量的技术特征组合形成的有限数量的可选实施例，仍属于本实用新型揭露的技术范围内，亦是本领域技术人员结合附图和上文所能理解或推断而得出的。

最后需要指出的是，上文所列举的实施例，为本实用新型较为典型的、较佳实施例，仅用于详细说明、解释本实用新型的技术方案，以便于读者理解，并不用以限制本实用新型的保护范围或者应用。因此，在本实用新型的精神和原则之内所作的任何修改、等同替换、改进等而获得的技术方案，都应被涵盖在本实用新型的保护范围之内。

Claims (10)

1.一种多组分VOCs气体监测系统，其特征在于，包括：云端和至少一个多组分VOCs气体监测设备，其中，所述多组分VOCs气体监测设备包括主控芯片、多传感器模块、通信模块、显示模块和报警模块；

所述多传感器模块与所述主控芯片相连，用于获取监测点的VOCs气体监测信息；

所述通信模块与所述主控芯片相连，用于接收、上传VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息到云端；

所述云端用于接收、保存所述通信模块上传的VOCs气体监测信息以及相应的多组分VOCs气体监测设备信息，并对VOCs气体监测信息进行计算获得到的相应的VOCs气体监测数据并传送回所述相应的多组分VOCs气体监测设备；

所述显示模块与所述主控芯片相连，用于实时显示所述VOCs气体监测数据以及显示警告；

所述报警模块与所述主控芯片相连，用于对所述VOCs气体监测数据异常情况进行报警。

2.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述多组分VOCs气体监测设备还包括与所述主控芯片相连的电源模块，所述电源模块兼容有线供电和电池供电，用于保证多组分VOCs气体监测设备在没有供电设施的条件下正常运行。

3.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述多传感器模块为MEMS阵列传感器模块，所述MEMS阵列传感器模块由多种MEMS气体传感器组成。

4.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述多传感器模块为多种微型气体传感器组成的阵列传感器模块。

5.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述通信模块包括GPRS通信模块、NB-LOT通信模块及Lora通信模块中的一种或多种。

6.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述多组分VOCs气体监测设备分布式设置于多个厂区内，每个厂区内至少设置一个多组分VOCs气体监测设备，用于获取预设多厂区的VOCs气体监测信息。

7.根据权利要求1所述的多组分VOCs气体监测系统，其特征在于：所述云端包括计算平台、分布式数据库及数据监控平台；

所述计算平台，用于通过卷积神经网络模块完成对所述VOCs气体监测信息的预测和更新过程，获取所述VOCs气体监测数据；

所述分布式数据库，用于对所述云端接收到的所述VOCs气体监测信息、相应的多组分VOCs气体监测设备信息以及所述计算平台计算得到的VOCs气体监测数据进行分布式储存以及查询；

所述数据监控平台，用于获取所述VOCs气体监测数据以及相应的多组分VOCs气体监测设备信息并显示，对所述VOCs气体监测数据异常情况进行报警。

8.根据权利要求7所述的多组分VOCs气体监测系统，其特征在于：所述卷积神经网络模块包括训练样本模块、交叉验证数据模块以及测试数据模块；

所述训练样本模块，用于将抽取90％的数据作为训练数据；

所述交叉验证数据模块，用于抽取5％的数据作为交叉验证数据；

所述测试数据模块，用于抽取5％的数据作为测试数据。

9.根据权利要求7所述的多组分VOCs气体监测系统，其特征在于：所述分布式数据库包括数据来源单位区别模块，用于区分所述数据来自哪个单位；数据来源厂区区别模块，用于区分所述数据来自哪个厂区；数据来源设备区别模块，用于区分所述数据来自哪个设备。

10.根据权利要求7所述的多组分VOCs气体监测系统，其特征在于：还包括大型监测站，所述大型监测站与所述多组分VOCs气体监测设备设置在同一个监测点，用于更新卷积神经网络模型参数并保存至云端。