CN110675006A - 一种室内空气质量实时监测与甲醛衰减预测*** - Google Patents
一种室内空气质量实时监测与甲醛衰减预测*** Download PDFInfo
- Publication number
- CN110675006A CN110675006A CN201911081688.XA CN201911081688A CN110675006A CN 110675006 A CN110675006 A CN 110675006A CN 201911081688 A CN201911081688 A CN 201911081688A CN 110675006 A CN110675006 A CN 110675006A
- Authority
- CN
- China
- Prior art keywords
- formaldehyde
- concentration
- data
- air quality
- characteristic factor
- 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.)
- Pending
Links
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 title claims abstract description 444
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 210000002569 neuron Anatomy 0.000 claims abstract description 25
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims abstract description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 35
- 239000012855 volatile organic compound Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 6
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 13
- 238000005070 sampling Methods 0.000 abstract description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005034 decoration Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 208000014085 Chronic respiratory disease Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 206010023644 Lacrimation increased Diseases 0.000 description 1
- 208000002454 Nasopharyngeal Carcinoma Diseases 0.000 description 1
- 206010061306 Nasopharyngeal cancer Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 210000003855 cell nucleus Anatomy 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004317 lacrimation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000011216 nasopharynx carcinoma Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Air Conditioning Control Device (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明提供一种室内空气质量实时监测与甲醛衰减预测***,属于甲醛检测技术领域。包括前端空气质量信息感知层网络、甲醛预测处理***和智能终端;前端空气质量信息感知层网络采集待监测区域的空气中特征因子信息,通过卡尔曼滤波对数据优化处理,提取最优值发送至甲醛预测处理***;甲醛预测处理***对数据归一化处理,选取综合影响权重较大的特征因子信息作为BP神经网络输入层的神经元,训练BP神经预网络,输出甲醛的浓度,拟合出甲醛浓度衰减模型;甲醛预测处理***与智能终端通过无线通信模块连接。本发明采用神经网络的卡尔曼滤波,有效地减小由温度、湿度、空气流速以及自身因素对采样准确度的干扰,提高采集精度和预测的准确性。
Description
【技术领域】
本发明涉及甲醛检测技术领域,具体涉及一种室内空气质量实时监测与甲醛衰减预测***。
【背景技术】
随着社会的高速发展,生产和生活方式的更加现代化,人们生活和工作在室内环境中的时间已达到全天的80%至90%,室内空气环境的好坏直接影响人们的身体健康,进行必要的室内空气检测在人们生活中起着举重足轻的作用。目前的室内空气质量检测一般由专业机构携带专业设备上门检测,检测成本高、检测技术门槛高,一次只能检测一个时间点和一个位置区域的空气质量数据,不能检测出室内空气质量的变化趋势,而且不能同时检测中空气中的多个特征因子,无法实现智能化、互联网化等问题,难以满足人们对室内空气检测的需求,人们迫切渴望一种智能化的监测,智能化的监测能够实现协同工作,实时对室内的多个不同区域监测,能同时监测温度、湿度、挥发性有机物、甲醛、PM2.5、苯、二氧化碳特征因子,并实时将监测数据通过互联网发送给用户。
甲醛作为一种高致癌物质,严重危害着人们的身体健康,会使人体产生流泪及眼睛异常敏感的症状。长期接触低剂量甲醛可引起慢性呼吸道疾病,引起鼻咽癌、结肠癌、脑瘤、细胞核基因突变等。是当今家庭、学校等室内装修的主要污染物,特别是在刚装修完的房子。对于刚装修完的房子,人们只能是将房子空置一段时间,通过空气流通降低甲醛室内甲醛浓度,或者使用甲醛净化设备来降低室内甲醛的浓度,间隔一段时间后再对室内甲醛进行检测,甲醛具有很长的潜伏期,而且对于甲醛的检测难度大,容易受温度、湿度、空气流量的干扰,精确性差,无法实时监测甲醛的衰减情况,更无法预测出室内甲醛下降到符合安全浓度的具体时间。降低房子的利用效率,增加人们的住房压力。
授权公告号为CN103743867B的中国发明专利公开了基于神经网络的卡尔曼滤波甲醛检测方法,包括1)初始化检测环境,确定环境参数;2)模拟检测过程数据,得出神经网络训练数据;3)建立两输入一输出结构的神经网络,采用BP神经网络,附加动量学习规则,训练神经网络;4)进行第一次检测估计;5)判断是否停止检测;6)如果停止则休眠等待,如果不停止,则使用卡尔曼滤波估计甲醛含量。该方法虽然通过离线训练神经网络的方法,建立了检测量与状态转移量之间的关系,进而解决了传统卡尔曼滤波在甲醛检测时,状态方程特别是状态转移量难以确定的问题,极大的提高了甲醛检测的速度、精度与可靠性,但该方法不能进行甲醛的预测。
公开号为CN109781809A的中国发明专利虽然提供了一种甲醛浓度人工智能测算方法,给甲醛的预测提供了新的方法,其在测算时,考虑了温度、湿度对甲醛浓度有较大影响的因素,其也指出,环境中的硫化氢、二氧化硫、乙醇、氨和甲醇气体对电化学分析法测量结果存在干扰,在空气中甲醛与上述气体共存时,应根据干扰物浓度对测量值予以校正。但并没有给出具体的校正方法。另外,空气流通量流速、挥发性有机化合(TVOC)浓度对甲醛的浓度也有较大的影响,该方法并未对应作出修正,因此,其预测的准确性还有待提高。
【发明内容】
本发明的发明目的在于:针对上述存在的问题,提供一种室内空气质量实时监测与甲醛衰减预测方法和***,采用神经网络的卡尔曼滤波,有效地减小由温度、湿度、空气流速以及自身因素对采样准确度的干扰,提高采集精度和预测的准确性。
为了实现上述目的,本发明采用的技术方案如下:
一种室内空气质量实时监测与甲醛衰减预测方法,包括以下步骤:
S1:采集待监测区域的空气中特征因子信息,包括:温度、湿度、空气流速、挥发性有机化合浓度、苯浓度、甲醛浓度、CO2浓度、PM2.5浓度;通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值;
S2:对提取出的最优质的进行数据归一化处理,并选取综合影响权重较大的特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型。
本发明中,进一步地,所述步骤S1中所述的通过卡尔曼滤波对数据滤波优化是指对温度、湿度、空气流通量、挥发性有机化合物、甲醛、PM2.5、苯、CO2八种特征因子分别采用卡尔曼滤波,所述卡尔曼滤波包括:
(1)建立特征因子测量预测模型
预测值方程:X(K|K-1)=X(K-1|K-1)
协方差方程:P(K|K-1)=P(K-1|K-1)+Q
其中,X(K|K-1)为当前时刻的特征因子预测值,X(K-1|K-1)为上一时刻特征因子最优值,P(K|K-1)为当前时刻特征因子预测协方差,P(K-1|K-1)为上一时刻特征因子最优值输出对应协方差,Q为***噪声;
(2)确定各个特征因子卡尔曼增益Kg:
Kg(K)=P(K|K-1)/P((K|K-1)+R)
其中R为测量噪声;
(3)从传感器获取当前时刻特征因子值Z(K),估计当前时刻最优值X(K|K)和最优协方差传递值P(K|K);
X(K|K)=X(K|K-1)+Kg(K)(Z(K)-X(X|K-1))
P(K|K)=(1-Kg(K))P(K|K-1)。
本发明中,进一步地,所述步骤S2包括的步骤具体为:
(1)BP神经网络输入层和输出层神经元个数确定
选取对甲醛综合影响权值较大的特征因子作为输入层神经元,输入层神经元数包括温度、湿度、空气流速、挥发性气体(TVOC)浓度、苯浓度五个输入神经元;输出层神经元为甲醛浓度;
(2)BP神经网络隐含层神经元数确定
采用如下公式确定:
其中x、y分别表示输入量和输出量的维数,a为随机数,取值范围为[1,10];
(3)数据归一化处理
将整理所得输入量与输出量对应的数据进行归一化处理,计算公式为:
其中pi为该列数据的第i个数据,pmin,pmax为该列数据的最大值和最小值;
(4)BP神经网络预测模型的训练
设置网络隐含层和输出层的激励函数分别为tansing函数和purelin函数,网络的训练函数为trainlm;选取温度、湿度、空气流通量流速、挥发性有机化合浓度、苯浓度、甲醛浓度作为训练集,完成神经网络的训练,用于预测未来的甲醛浓度;
(5)甲醛衰减预测模型的建立
BP神经网络训练完成后,保存神经元之间连接的权值和阀值,通过当前实时检测数据预测出未来室内的甲醛浓度,将预测甲醛浓度和时间作为输入值,最小二乘法拟合出基于时间序列的甲醛衰减预测模型。
本发明还提供一种室内空气质量实时监测与甲醛衰减预测***,包括前端空气质量信息感知层网络、甲醛预测处理***和智能终端;
所述前端空气质量信息感知层网络是指用于部署至各个待监测区域内的微型空气质量监测基站,用于采集所在待监测区域的空气中特征因子信息,通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值并发送至所述甲醛预测处理***;
所述甲醛预测处理***用于对数据归一化处理,并选取综合影响权重较大特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型;
所述甲醛预测处理***与一个或多个智能终端通过无线通信模块连接,实时将室内空气质量信息和甲醛衰减预测数据发送到所述智能终端。
本发明中,进一步地,所述微型空气质量监测基站包括STM32控制模块以及与STM32控制模块分别连接的温度传感器、湿度传感器、空气流速传感器、挥发性有机化合物传感器、甲醛传感器、苯传感器、CO2传感器、PM2.5传感器、无线数据传送模块和显示模块;所述STM32控制模块用于接收和存储各个传感器采集的数据并利用卡尔曼滤波对数据滤波优化处理,提取出最优值并发送至所述甲醛预测处理***。
本发明中,进一步地,所述甲醛预测处理***还包括对每种检测的特征因子进行阀值判断的报警模块,在室内空气质量特征因子浓度值超出设定的阀值条件时,通过自动向智能终端发出警报信息;不同特征因子对应不同的警报,方便用户及时预防。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明基于卡尔曼滤波对传感器采集数据滤波,有效地减小由温度、湿度、空气流速以及自身因素对采样准确度的干扰,提高采集精度和预测的准确性,同时也是减少了传感器在不同的环境下需要重新校准的环节。
2、本发明基于卡尔曼滤波优化BP神经网络的输入,防止BP神经网络陷入局部极小,有效地减少神经网络的无效迭代,提高收敛速度和网络的泛化能力,具有较高的预测甲醛精度。
【附图说明】
图1是本发明一种室内空气质量实时监测与甲醛衰减预测***的整体结构示意框图;
图2是本发明中微型空气质量监测基站结构框图;
图3是本发明所述的卡尔曼滤波结构框图;
图4是本发明所述的卡尔曼滤波程序流程图;
图5是本发明所述的BP神经网络结构框图;
图6是本发明所述的BP神经网络程序流程图;
图7是本发明具体试验例利用本发明方法进行测试的神经网络模型图;
图8是本发明具体试验例通过实验数据对神经网络进行训练的效果示意图;
图9是本发明具体试验例神经网络训练后的对室内任意时间甲醛浓度预测示意图;
图10是本发明具体试验例基于实验得到的室内甲醛衰减曲线。
【具体实施方式】
为了更清楚地表达本发明,以下通过具体实施例并结合附图对本发明作进一步说明。
本发明提供一种室内空气质量实时监测与甲醛衰减预测方法,包括以下步骤:
S1:采集待监测区域的空气中特征因子信息,包括:温度、湿度、空气流速、挥发性有机化合浓度、苯浓度、甲醛浓度、CO2浓度、PM2.5浓度;通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值;
S2:对提取出的最优质的进行数据归一化处理,并选取综合影响权重较大的特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型。
其中,步骤S1中卡尔曼滤波的过程见图3和图4,包括:
(1)建立特征因子测量预测模型
预测值方程:X(K|K-1)=X(K-1|K-1)
协方差方程:P(K|K-1)=P(K-1|K-1)+Q
其中,X(K|K-1)为当前时刻的特征因子预测值,X(K-1|K-1)为上一时刻特征因子最优值,P(K|K-1)为当前时刻特征因子预测协方差,P(K-1|K-1)为上一时刻特征因子最优值输出对应协方差,Q为***噪声;
(2)确定各个特征因子卡尔曼增益Kg:
Kg(K)=P(K|K-1)/P((K|K-1)+R)
其中R为测量噪声;
(3)从传感器获取当前时刻特征因子值Z(K),估计当前时刻最优值X(K|K)和最优协方差传递值P(K|K);
X(K|K)=X(K|K-1)+Kg(K)(Z(K)-X(X|K-1))
P(K|K)=(1-Kg(K))P(K|K-1)。
通过卡尔曼滤波,得到当前时刻最优值X(K|K)和最优协方差传递值P(K|K),并发送至甲醛预测处理***。
其中,步骤S2的具体步骤包括:
(1)BP神经网络输入层和输出层神经元个数确定
选取对甲醛综合影响权值较大的特征因子作为输入层神经元,输入层神经元数包括温度、湿度、空气流速、挥发性气体(TVOC)浓度、苯浓度五个输入神经元;输出层神经元为甲醛浓度;
(2)BP神经网络隐含层神经元数确定
采用如下公式确定:
其中x、y分别表示输入量和输出量的维数,a为随机数,取值范围为[1,10];
(3)数据归一化处理
将整理所得输入量与输出量对应的数据进行归一化处理,计算公式为:
其中pi为该列数据的第i个数据,pmin,pmax为该列数据的最大值和最小值;
(4)BP神经网络预测模型的训练过程
设置网络隐含层和输出层的激励函数分别为tansing函数和purelin函数,网络的训练函数为trainlm;参见图5,选取温度、湿度、空气流通量流速、挥发性有机化合浓度、苯浓度、甲醛浓度作为训练集,完成神经网络的训练,用于预测未来的甲醛浓度;学习训练过程参见图6,具体为:初始化权值与阀值;进入学习样本;提取一组样本;计算隐层与输出层输出;计算输出层与隐层误差;修正权值与阈值;直至样本学习完毕;如果误差满足要求,则保存权值与阈值,如误差不满足要求,则重新进入学习样本进行学习。
(5)甲醛衰减预测模型的建立
BP神经网络训练完成后,保存神经元之间连接的权值和阀值,通过当前实时检测数据预测出未来室内的甲醛浓度,将预测甲醛浓度和时间作为输入值,最小二乘法拟合出基于时间序列的甲醛衰减预测模型。
本发明还提供一种室内空气质量实时监测与甲醛衰减预测***,如图1所示,其主体功能部分包括前端空气质量信息感知层网络、甲醛预测处理***和智能终端;
其中,前端空气质量信息感知层网络是指用于部署至各个待监测区域如室内厨房、卫生间、客厅、卧室、办公室等区域内的微型空气质量监测基站,用于采集所在待监测区域的空气中特征因子信息,再通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值并发送至所述甲醛预测处理***;
甲醛预测处理***为具有数据处理能力的装置,用于对数据归一化处理,并选取综合影响权重较大的特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型;
甲醛预测处理***与一个或多个智能终端通过无线通信模块连接,实时将室内空气质量信息和甲醛衰减预测数据发送到智能终端。本发明还优选甲醛预测处理***包括对每种检测的特征因子进行阀值判断的报警模块,具有在室内空气质量特征因子浓度值超出设定的阀值条件时,自动向智能终端发出警报信息的功能。
如图2所示,所述微型空气质量监测基站包括STM32控制模块以及与STM32控制模块分别连接的温度传感器、湿度传感器、空气流速传感器、挥发性有机化合物传感器、甲醛传感器、苯传感器、CO2传感器、PM2.5传感器、无线数据传送模块和显示模块。该监测基站将上述各模块集成在装置壳体内,采用直流或交流电供电。
温度传感器,用于检测室内的温度信息,并将检测到的温度信息传递至STM32控制模块;
湿度传感器,用于检测室内的湿度信息,并将检测到的湿度信息传递至STM32控制模块;
空气流速传感器,用于检测室内的空气流速信息,并将检测到的空气流速信息传递至STM32控制模块;
挥发性有机化合物(TVOC)传感器,用于检测室内的挥发性有机化合物(TVOC)信息,并将检测到的挥发性有机化合物(TVOC)信息传递至STM32控制模块;
甲醛传感器,用于检测室内的甲醛浓度信息,并将检测到的甲醛浓度信息传递至STM32控制模块;
苯传感器,用于检测室内的苯浓度信息,并将检测到的苯浓度信息传递至STM32控制模块;
CO2传感器,用于检测室内的CO2信息,并将检测到的CO2信息传递至STM32控制模块;
PM2.5传感器,用于检测室内的PM2.5信息,并将检测到的PM2.5信息传递至STM32控制模块。
无线数据传送模块,用于将处理好的数据发送到甲醛预测处理***;
显示模块,用于实时显示微型空气质量监测基站监测到的所在监测区域的空气质量信息。
STM32接收和存储上述多个传感器采集的数据并对采集的数据分别进行卡尔曼滤波处理,即对温度、湿度、空气流通量、挥发性有机化合物、甲醛、PM2.5、苯、CO2八种特征因子分别采用卡尔曼滤波,提取出最优值并发送至所述甲醛预测处理***。
使用本发明的***进行甲醛的监测与预测,具体方法如下:将微型空气质量监测基站放置在室内需要进行甲醛浓度监测的场合,开启后,温度传感器、湿度传感器、空气流速传感器、挥发性有机化合物传感器、甲醛传感器、苯传感器、CO2传感器、PM2.5传感器分别对监测环境中的浓度模拟信号进行采集,信号经电路处理后发送给STM32控制模块,STM32控制模块通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值并发送至甲醛预测处理***;甲醛预测处理***按预定程序进行处理,得到甲醛的浓度和甲醛浓度衰减模型;最后通过无线模块将甲醛浓度和甲醛浓度衰减模型发送给智能终端;甲醛预测处理***得到的甲醛浓度或者其他测试因子的浓度超过了其设定的阈值,则通过无线模块自动向智能终端发出警报信息。
以下结合具体监测预测试验例对本发明做进一步说明:
实验基于桂林市某小区一处普通住宅,于2018年6月完成装修,对住宅内的四个测试空间分别安装本发明所述微型空气质量监测基站,并保持开窗通风实时监测记录数据。
实验采集从2018年6月1日至9月30日住宅内固定采样点监测的温度、湿度、空气流速、挥发性气体浓度、苯浓度、PM2.5、二氧化碳浓度、甲醛浓度数据;选取温度、湿度、空气流速、挥发性气体浓度、苯浓度、甲醛浓度作为样本特征数,并在每个月的每个采样点的检测数据中选取出30组样本,共得到120组样本。
其中随机选取105组样本作为训练样本集训练***,15组作为测试集,测试BP神经网路的泛化能力。基于Matlab的神经工具箱完成神经网络的构建、训练以及测试,参数设置采用试凑法,得到最大迭代次数为5000,均根方差为0.0001,学习率为0.001。实验网络模型如图7所示。
利用上述数据和模型对该住宅内甲醛浓度预测神经网络训练,训练效果如图8所示;可以看出该神经网路对训练拟合度均为0.999以上,满足神经网络的训练精度要求。
输入除训练集外从6月1日至9月30日中任意15天的温度、湿度、空气流速、挥发性气体浓度、苯浓度进行预测室内的甲醛浓度,测试神经网络预测的泛化能力,预测曲线如图9所示,具体预测数据如表1所示。
表1 任意时间甲醛浓度预测表:
图中R2表示神经网络预测决定系数,决定该神经网络的泛化能力,愈接近1表示模型的预测性能愈好;从图中可以看出神经网络对任意时间甲醛浓度预测预测与实测甲醛的吻合度较高,从表中也可以看出预测误差较小,可以得出该神经网络对该住宅甲醛浓度预测拥有较好的预测泛化能力和预测能力,能够完成预测该住宅内的甲醛浓度衰减。
保存当前网络训练连接权值和阀值,保持住宅内的通风情况,继续通过空气质量监测基站监测室内空气质量,并预测在2018年10月1日~12月30日住宅内的甲醛浓度,对住宅内甲醛衰减浓度进行预测,如下表2所示:
表2 甲醛浓度衰减对比表
从表中可以看出,室内甲醛的预测值与实测值相对误差较小,能准确预测出甲醛衰减浓度,并且两者的变化趋势相同,并预测出在12月时预测住宅内甲醛浓度衰减至国家居住室内空气中甲醛浓度标准,低于0.08mg/m3,符合安全居住要求。
实验在保证室内开窗通风情况不变的条件下,完成对住宅内从2018年6月1日至12月30日内甲醛浓度的衰减预测,与真实甲醛衰减对比如图10所示。
从图10中对比神经网络预测甲醛衰减曲线和实测甲醛衰减曲线可以看出,应用本发明提出的甲醛衰减预测***预测该住宅内的甲醛浓度衰减情况,决定系数达到0.98,能够较为准确预测出甲醛的衰减过程,在装修完成的前3个月室内甲醛衰减速度较快,之后4个月衰减较为平缓,并在装修完成的6个月后室内甲醛下降至标准浓度,符合人们居住的安全标准。虽然预测值和实测值之间存在一定误差,但能够根据空气质量监测基站的监测数据准确预测出甲醛衰减的趋势,指导人们安全居住、提高房子利用率,具有重要参考和应用价值。
上述说明是针对本发明较佳可行实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所提示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (6)
1.一种室内空气质量实时监测与甲醛衰减预测方法,其特征在于,包括以下步骤:
S1:采集待监测区域的空气中特征因子信息,包括:温度、湿度、空气流速、挥发性有机化合浓度、苯浓度、甲醛浓度、CO2浓度、PM2.5浓度;通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值;
S2:数据处理对提取出的最优质的进行数据归一化处理,并选取综合影响权重较大的特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型。
2.根据权利要求1所述的一种室内空气质量实时监测与甲醛衰减预测方法,其特征在于:所述步骤S1中通过卡尔曼滤波对数据滤波优化是指对温度、湿度、空气流通量、挥发性有机化合物、甲醛、PM2.5、苯、CO2八种特征因子分别采用卡尔曼滤波,所述卡尔曼滤波包括:
(1)建立特征因子测量预测模型
预测值方程:X(K|K-1)=X(K-1|K-1)
协方差方程:P(K|K-1)=P(K-1|K-1)+Q
其中,X(K|K-1)为当前时刻的特征因子预测值,X(K-1|K-1)为上一时刻特征因子最优值,P(K|K-1)为当前时刻特征因子预测协方差,P(K-1|K-1)为上一时刻特征因子最优值输出对应协方差,Q为***噪声;
(2)确定各个特征因子卡尔曼增益Kg:
Kg(K)=P(K|K-1)/P((K|K-1)+R)
其中R为测量噪声;
(3)从传感器获取当前时刻特征因子值Z(K),估计当前时刻最优值X(K|K)和最优协方差传递值P(K|K);
X(K|K)=X(K|K-1)+Kg(K)(Z(K)-X(X|K-1))
P(K|K)=(1-Kg(K))P(K|K-1)。
3.根据权利要求1所述的一种室内空气质量实时监测与甲醛衰减预测方法,其特征在于:所述步骤S2具体包括以下步骤:
(1)BP神经网络输入层和输出层神经元个数确定
选取对甲醛综合影响权值较大的特征因子作为输入层神经元,输入层神经元数包括温度、湿度、空气流速、挥发性气体(TVOC)浓度、苯浓度五个输入神经元;输出层神经元为甲醛浓度;
(2)BP神经网络隐含层神经元数确定
采用如下公式确定:
其中x、y分别表示输入量和输出量的维数,a为随机数,取值范围为[1,10];
(3)数据归一化处理
将整理所得输入量与输出量对应的数据进行归一化处理,计算公式为:
其中pi为该列数据的第i个数据,pmin,pmax为该列数据的最大值和最小值;
(4)BP神经网络预测模型的训练
设置网络隐含层和输出层的激励函数分别为tansing函数和purelin函数,网络的训练函数为trainlm;选取温度、湿度、空气流通量流速、挥发性有机化合浓度、苯浓度、甲醛浓度作为训练集,完成神经网络的训练,用于预测未来的甲醛浓度;
(5)甲醛衰减预测模型的建立
BP神经网络训练完成后,保存神经元之间连接的权值和阀值,通过当前实时检测数据预测出未来室内的甲醛浓度,将预测甲醛浓度和时间作为输入值,最小二乘法拟合出基于时间序列的甲醛衰减预测模型。
4.一种室内空气质量实时监测与甲醛衰减预测***,其特征在于:包括前端空气质量信息感知层网络、甲醛预测处理***和智能终端;
所述前端空气质量信息感知层网络是指用于部署至各个待监测区域内的微型空气质量监测基站,用于采集所在待监测区域的空气中特征因子信息,通过卡尔曼滤波对数据滤波优化处理,消除干扰引起的误差,提取出最优值并发送至所述甲醛预测处理***;
所述甲醛预测处理***用于对数据归一化处理,并选取综合影响权重较大的特征因子信息作为BP神经网络的输入层的神经元,通过实际特征因子浓度和甲醛浓度数据训练BP神经预网络,输出甲醛的浓度,再用最小二乘法拟合出基于时间序列的甲醛浓度衰减模型;
所述甲醛预测处理***与一个或多个智能终端通过无线通信模块连接,实时将室内空气质量信息和甲醛衰减预测数据发送到所述智能终端。
5.根据权利要求4所述的一种室内空气质量实时监测与甲醛衰减预测***,其特征在于:所述微型空气质量监测基站包括STM32控制模块以及与STM32控制模块分别连接的温度传感器、湿度传感器、空气流速传感器、挥发性有机化合物传感器、甲醛传感器、苯传感器、CO2传感器、PM2.5传感器、无线数据传送模块和显示模块;所述STM32控制模块用于接收和存储各个传感器采集的数据并利用卡尔曼滤波对数据滤波优化处理,提取出最优值并发送至所述甲醛预测处理***。
6.根据权利要求5所述的一种室内空气质量实时监测与甲醛衰减预测***,其特征在于:所述甲醛预测处理***还包括对每种检测的特征因子进行阀值判断的报警模块,在室内空气质量特征因子浓度值超出设定的阀值条件时,自动向智能终端发出警报信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081688.XA CN110675006A (zh) | 2019-11-07 | 2019-11-07 | 一种室内空气质量实时监测与甲醛衰减预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081688.XA CN110675006A (zh) | 2019-11-07 | 2019-11-07 | 一种室内空气质量实时监测与甲醛衰减预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675006A true CN110675006A (zh) | 2020-01-10 |
Family
ID=69086361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081688.XA Pending CN110675006A (zh) | 2019-11-07 | 2019-11-07 | 一种室内空气质量实时监测与甲醛衰减预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675006A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239016A (zh) * | 2020-03-13 | 2020-06-05 | 浙江吉叶生物科技有限公司 | 一种空气质量检测*** |
CN111554404A (zh) * | 2020-04-13 | 2020-08-18 | 吾征智能技术(北京)有限公司 | 一种基于室内环境的疾病预测***及其预测方法 |
CN112415141A (zh) * | 2020-11-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种甲醛测量浓度显示值的补偿方法及补偿装置 |
CN112444604A (zh) * | 2020-11-08 | 2021-03-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种开关柜绝缘劣化气体检测***及方法 |
CN112484734A (zh) * | 2020-12-08 | 2021-03-12 | 中国矿业大学 | 基于特征提取自适应神经网络和co2的室内人员定位方法 |
CN112729396A (zh) * | 2020-12-24 | 2021-04-30 | 东南大学 | 一种监测、预测、控制一体化的室内环境智能监测设备 |
CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
CN114791451A (zh) * | 2022-05-31 | 2022-07-26 | 江苏大学 | 一种多级电极探针、多层土壤墒情感知装置、***及方法 |
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测***及方法 |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测*** |
CN117192063A (zh) * | 2023-11-06 | 2023-12-08 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及*** |
CN117906684A (zh) * | 2024-03-20 | 2024-04-19 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥*** |
CN118010939A (zh) * | 2024-04-10 | 2024-05-10 | 山东华检检测有限公司 | 一种智能化甲醛检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743867A (zh) * | 2013-12-30 | 2014-04-23 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
CN109297534A (zh) * | 2018-09-21 | 2019-02-01 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及*** |
-
2019
- 2019-11-07 CN CN201911081688.XA patent/CN110675006A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743867A (zh) * | 2013-12-30 | 2014-04-23 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN109297534A (zh) * | 2018-09-21 | 2019-02-01 | 苏州数言信息技术有限公司 | 用于评价室内环境质量的环境参数权重确定方法及*** |
CN109063938A (zh) * | 2018-10-30 | 2018-12-21 | 浙江工商大学 | 基于psode-bp神经网络的空气质量预测方法 |
Non-Patent Citations (2)
Title |
---|
张建磊等: "最小二乘支持向量机在臭氧浓度时间序列预测中试应用", 《江苏环境科技》 * |
陶红波等: "基于卡尔曼滤波的车内空气质量远程实时监测***", 《电子测量技术》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239016A (zh) * | 2020-03-13 | 2020-06-05 | 浙江吉叶生物科技有限公司 | 一种空气质量检测*** |
CN111554404A (zh) * | 2020-04-13 | 2020-08-18 | 吾征智能技术(北京)有限公司 | 一种基于室内环境的疾病预测***及其预测方法 |
CN111554404B (zh) * | 2020-04-13 | 2023-09-08 | 吾征智能技术(北京)有限公司 | 一种基于室内环境的疾病预测***及其预测方法 |
CN112415141A (zh) * | 2020-11-06 | 2021-02-26 | 珠海格力电器股份有限公司 | 一种甲醛测量浓度显示值的补偿方法及补偿装置 |
CN112444604A (zh) * | 2020-11-08 | 2021-03-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种开关柜绝缘劣化气体检测***及方法 |
CN112484734A (zh) * | 2020-12-08 | 2021-03-12 | 中国矿业大学 | 基于特征提取自适应神经网络和co2的室内人员定位方法 |
CN112729396A (zh) * | 2020-12-24 | 2021-04-30 | 东南大学 | 一种监测、预测、控制一体化的室内环境智能监测设备 |
CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
CN114791451B (zh) * | 2022-05-31 | 2024-07-12 | 江苏大学 | 一种多级电极探针、多层土壤墒情感知装置、***及方法 |
CN114791451A (zh) * | 2022-05-31 | 2022-07-26 | 江苏大学 | 一种多级电极探针、多层土壤墒情感知装置、***及方法 |
CN115656446A (zh) * | 2022-12-26 | 2023-01-31 | 沃客森信息科技(常州)有限公司 | 一种基于物联网的空气质量检测***及方法 |
CN117129556B (zh) * | 2023-08-29 | 2024-02-02 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测*** |
CN117129556A (zh) * | 2023-08-29 | 2023-11-28 | 中国矿业大学 | 基于无线传感器网络的室内tvoc浓度实时监测*** |
CN117192063A (zh) * | 2023-11-06 | 2023-12-08 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及*** |
CN117192063B (zh) * | 2023-11-06 | 2024-03-15 | 山东大学 | 基于耦合卡尔曼滤波数据同化的水质预测方法及*** |
CN117906684A (zh) * | 2024-03-20 | 2024-04-19 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥*** |
CN117906684B (zh) * | 2024-03-20 | 2024-05-24 | 上海博迅医疗生物仪器股份有限公司 | 干燥室的测量装置及真空干燥箱的智能干燥*** |
CN118010939A (zh) * | 2024-04-10 | 2024-05-10 | 山东华检检测有限公司 | 一种智能化甲醛检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675006A (zh) | 一种室内空气质量实时监测与甲醛衰减预测*** | |
CN108446443B (zh) | 一种房间通风换气量的动态测量方法 | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测*** | |
CN113110080B (zh) | 基于物联网和云计算的家居环境智能监测调控管理云*** | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
CN108458440A (zh) | 基于智能穿戴设备的室内环境控制***及控制方法 | |
CN110580030A (zh) | 一种基于物联网的药厂环境净化控制*** | |
CN110046834A (zh) | 工作场所有害气体健康风险定量评估***及其评估方法 | |
TWI498553B (zh) | 無線空氣品質監控系統及空氣品質預測方法 | |
CN113804834A (zh) | 基于大数据分析的室内空气质量检测*** | |
CN116992322B (zh) | 一种智慧城市数据中心管理*** | |
CN111750935A (zh) | 一种工作环境监测控制装置 | |
CN110555524A (zh) | 基于室内环境监测的训练样本数据获取方法及装置 | |
CN109493973B (zh) | 一种家用住宅空气环境健康风险预警方法及*** | |
CN108647817A (zh) | 一种能耗负荷的预测方法及预测*** | |
CN117406798A (zh) | 一种制氧机流量自动控制方法及*** | |
CN116629119A (zh) | 一种室内综合环境设计参数优化与控制方法 | |
CN113137725A (zh) | 设备控制方法、装置、电子设备和存储介质 | |
CN102289718A (zh) | 一种赤泥沉降过程泥层高度的软测量方法 | |
CN113689058B (zh) | 基于智慧校园的宿舍管理***及其方法 | |
CN115808211A (zh) | 一种公共建筑温度及热舒适度监测与预测*** | |
CN110781538B (zh) | 基于实地监测的开窗仿真算法 | |
CN212300442U (zh) | 一种工作环境监测控制装置 | |
CN115159286A (zh) | 一种乘梯舒适度评价*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200110 |