CN114689478A - 一种空气质量检测装置及方法 - Google Patents
一种空气质量检测装置及方法 Download PDFInfo
- Publication number
- CN114689478A CN114689478A CN202210362248.7A CN202210362248A CN114689478A CN 114689478 A CN114689478 A CN 114689478A CN 202210362248 A CN202210362248 A CN 202210362248A CN 114689478 A CN114689478 A CN 114689478A
- Authority
- CN
- China
- Prior art keywords
- module
- air
- air quality
- prediction
- concentration
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000000809 air pollutant Substances 0.000 claims abstract description 107
- 231100001243 air pollutant Toxicity 0.000 claims abstract description 107
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000007613 environmental effect Effects 0.000 claims description 71
- 238000005070 sampling Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 20
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 239000012855 volatile organic compound Substances 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 238000004043 dyeing Methods 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 abstract description 8
- 231100000719 pollutant Toxicity 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000003039 volatile agent Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Combustion & Propulsion (AREA)
- Dispersion Chemistry (AREA)
- Sampling And Sample Adjustment (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种一种空气质量检测装置及方法，该装置包括：空气质量检测模块；移动模块；升降模块；控制模块；预测模块，其用于根据所述空气质量检测模块获得的空气质量参数检测结果获取室内空间中各种空气污染物的浓度分布模型，并得到室内空间中各种空气污染物的平均浓度；以及显示模块。本发明提供的空气质量检测装置能够自主在室内移动，从而对室内多个点进行空气质量检测，以提高检测精度；本发明中，通过采集少量几个点的浓度，然后即可预测得到可信赖度高的足够量的点的浓度，通过多个点去描述整个室内空间的污染物浓度分布并计算得到污染物浓度结果，具有更高的精度、更高的效率和更好的实用性。
Description
技术领域
本发明涉及环境检测技术领域，特别涉及一种空气质量检测装置及方法。
背景技术
室内空间（如住宅、办公室、商场等）由于存在含有污染物的装修材料、家具等以及外部空气的污染，导致室内空间中也会存在许多空气污染物，例如PM2.5、甲醛、有机挥发物VOC等，所以在入住前（尤其是新装修的室内）或是入住过程中，对于室内空间中的空气污染物含量的检测能够帮助住户判断室内环境是否适宜居住，对住户的身体健康的保证具有重要的意义。
目前，对于室内空间空气污染物的检测设备中多数不具备自动移动功能，需要人工移动至各个检测点进行检测，例如专利CN110286201B公开的空气检测仪，这类方案存在使用不方便的缺陷。基于此，专利CN113552817A公开了一种可移动的空气检测装置、检测方法及空气检测仪，该空气检测装置能够自主移动值室内多个区域进行检测，可提高便利性；包括该专利在内的大量类似现有技术（如专利CN106405002B公开的一种室内空气检测用多方位空气检测装置）仍然普遍存在至少以下缺陷：检测结果的精度除仪器本身外，主要影响因素之一是室内空气污染物浓度在空间上分布的不均匀性（如随高度方向浓度不同，或在同一水平面上，不同位置的浓度也有不同），所以通常会利用多个点测量然后取平均值的方法来提高精度；采样点越多，必然精度越高，但每个点进行检测都需要花费一定时间，若采集大量的点，会耗费大量时间成本和能耗成本，所以单纯通过增加采样点来提高精度的方案效果有限，无法很好的满足适应实际需求。
所以，现在有必要提供一种更可靠的方案。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种空气质量检测装置及方法。
为解决上述技术问题，本发明采用的技术方案是：一种空气质量检测装置，包括：
空气质量检测模块，其用于实现室内空气污染物浓度的检测；
移动模块，其用于实现所述空气质量检测装置在室内的移动；
升降模块，其设置在所述移动模块上，用于实现所述空气质量检测模块在垂直方向的移动；
控制模块，其用于对所述空气质量检测模块、移动模块和升降模块进行控制；
预测模块，其用于根据所述空气质量检测模块获得的空气质量参数检测结果获取室内空间中各种空气污染物的浓度分布模型，并得到室内空间中各种空气污染物的平均浓度；
以及显示模块，其至少显示所述空气质量检测模块直接检测获得的室内空气污染物浓度以及所述预测模块获得的每个室内空间的空气污染物浓度分布模型和空气污染物平均浓度。
优选的是，该空气质量检测装置还包括定位模块，所述定位模块用于对所述空气质量检测模块的位置进行实时定位。
优选的是，该空气质量检测装置还包括环境参数检测模块，所述环境参数检测模块包括空气流速检测单元、温度检测单元、湿度检测单元以及气压检测单元。
优选的是，所述空气质量检测模块至少包括PM2.5检测传感器、甲醛检测传感器和有机挥发物VOC检测传感器。
优选的是，该空气质量检测装置还包括测距模块和导航模块，所述测距模块用于实时检测所述空气质量检测装置与障碍物之间的距离，所述导航模块用于对所述移动模块提供辅助导航，以实现所述空气质量检测模块按照预定轨迹在室内进行移动。
优选的是，所述预测模块包括第一预测网络模型、第二预测网络模型、数据库、模型构建及数据计算单元；
所述预测模块的处理方法包括以下步骤：
1）构建训练数据集；
2）采用训练数据集对第一预测网络模型、第二预测网络模型进行训练：
3）通过所述空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，以采用点作为基准点；同时通过所述环境参数检测模块检测该待测的室内空间中的环境参数，然后将若干基准点的检测数据和该环境参数输入所述预测模块中，通过预测得到与每个基准点分别对应的若干个预测点处的各种空气污染物的浓度；其中，每个基准点分别对应若干个处于该基准点的空间位置周围的预测点；
4）所述模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型，并计算得到各种空气污染物的平均浓度。
优选的是，所述第一预测网络模型包括LDA（linear discriminant analysis）机器学习模型、FFM（Field-aware Factorization Machine）机器学习模型和RF（随机森林）机器学习模型；
所述第二预测网络模型为堆叠网络模型。
优选的是，所述预测模块的处理方法包括以下步骤：
1）构建训练数据集：
1-1）于一个室内空间中，采集若干条单元区域数据：
1-1-1）在当前室内空间中选择非空间边缘区域的一个点作为基准点OG，通过所述空气质量检测模块检测该基准点OG的空气污染物浓度CG；
1-1-2）于当前室内空间中，选择如下的与在基准点OG对应的6个预测点；在基准点OG的正上方且距离为D处取点，记为上预测点Oup；在基准点OG的正下方且距离为D处取点，记为下预测点Odown；在基准点OG的正左方且距离为D处取点，记为左预测点OL；在基准点OG的正右方且距离为D处取点，记为右预测点OR；在基准点OG的正前方且距离为D处取点，记为前预测点OA；在基准点OG的正后方且距离为D处取点，记为后预测点OB；其中，距离D的设置满足使所有点：Oup、Odown、OL、OR、OA、OB均在当前室内空间中；
通过所述空气质量检测模块分别检测Oup、Odown、OL、OR、OA、OB每个点处的空气污染物浓度，依次记为Cup、Cdown、CL、CR、CA、CB；
通过所述定位模块检测并记录所有点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标；
将每个点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标、每个点处的空气污染物浓度：CG、Cup、Cdown、CL、CR、CA、CB以及距离D组合为一条单元区域数据s；
1-1-3）按照步骤1-1-1）至1-1-2）采集若干条单元区域数据s；
1-1-4）通过所述环境参数检测模块检测当前室内空间中的环境参数H，环境参数H包括温度T、湿度RH、气压P以及气流速度V，记为H=（T，RH，P，V）；其中，温度T、湿度RH、气压P以及气流速度V对于室内空气污染物的分布具有重要影响（气象条件对污染物浓度分布影响的研究《沙漠与绿洲气象》2015年 第2期 王颖 梁依玲 王丽霞）；
1-1-5）将环境参数H和采集的所有单元区域数据s组合形成数据集，即为训练数据集S，存储于所述数据库中；
2）网络模型训练：
2-1）对于每一种空气污染物Wi，以每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，采用所述训练数据集S对所述LDA、kNN和SVMs三种机器学习模型进行训练，每种机器学习模型均获得空气污染物Wi的预测关系式组FWi，FWi包括f1Wi、f2Wi、f3Wi、f4Wi、f5Wi、f6Wi，记为FWi=（f1Wi,f2Wi,f3Wi,f4Wi,f5Wi,f6Wi）；
其中，f1Wi表示：空气污染物Wi在预测点Oup处的浓度CupWi与在基准点OG处的浓度CGWi之间的差值Δ1Wi，同Oup与OG正上方之间的距离D以及环境参数H之间的关系，表示为Δ1Wi=f1Wi(DOup-OG,H)；
F2Wi表示：CdownWi与CGWi之间的差值Δ2Wi，同Odown与OG正下方之间的距离D以及环境参数H之间的关系，表示为Δ2Wi=f2Wi(DOdown-OG,H)；
F3Wi表示：CLWi与CGWi之间的差值Δ3Wi，同OL与OG正左方之间的距离D以及环境参数H之间的关系，表示为Δ3Wi=f3Wi(DOL-OG,H)；
F4Wi表示：CRWi与CGWi之间的差值Δ4Wi，同OR与OG正右方之间的距离D以及环境参数H之间的关系，表示为Δ4Wi=f4Wi(DOR-OG,H)；
F5Wi表示：CAWi与CGWi之间的差值Δ5Wi，同OA与OG正前方之间的距离D以及环境参数H之间的关系，表示为Δ5Wi=f5Wi(DOA-OG,H)；
F6Wi表示：CBWi与CGWi之间的差值Δ6Wi，同OB与OG正后方之间的距离D以及环境参数H之间的关系，表示为Δ6Wi=f6Wi(DOB-OG,H)；
2-2）将LDA、kNN和SVMs三种机器学习模型各自获得的预测关系式组FWi、每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，对所述堆叠网络模型进行训练；
2-3）按照上述步骤2-1）至2-2）完成每一种空气污染物Wi的数据的训练，得到训练好的第一预测网络模型和第二预测网络模型；
3）通过所述空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，将采样点作为基准点OG，同时通过所述环境参数检测模块同时检测该待测的室内空间中的环境参数H，然后将若干基准点OG和环境参数H一起输入所述预测模块中，通过所述第二预测网络模型输出预测得到与每个基准点OG分别对应的6个预测点处的各种空气污染物的浓度；
4）所述模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型；对于每一种空气污染物Wi，以所有的基准点和预测点处的浓度的平均值作为该空气污染物Wi的平均浓度，从而得到各种空气污染物的平均浓度。
优选的是，其中，采样点至少包括相互间隔的4个，且4个采样点不同时处于同一水平平面或同一垂直平面。
本发明还提供一种空气质量检测方法，其采用如上所述的空气质量检测装置对室内空间中的空气污染物浓度进行检测，该方法包括以下步骤：
S1、通过所述控制模块对所述移动模块和升降模块进行控制，使所述空气质量检测装置移动至待测的室内空间中，进行至少4个采样点的空气污染物浓度检测，且4个采样点不同时处于同一水平平面或同一垂直平面；检测过程中，所述移动模块实现所述空气质量检测装置在水平方向的移动，所述升降模块实现所述空气质量检测模块在垂直方向的移动；
S2、所述环境参数检测模块同时检测该待测的室内空间中的环境参数；
S3、所述预测模块接收所述空气质量检测模块和环境参数检测模块的检测结果，并预测得到的该待测的室内空间中各种空气污染物的浓度分布模型以及各种空气污染物的平均浓度；
S4、所述显示模块显示空气质量检测模块、环境参数检测模块的检测结果以及所述预测模块的预测结果。
本发明的有益效果是：
本发明提供的空气质量检测装置能够自主在室内移动，从而对室内多个点进行空气质量检测，以提高检测精度；
本发明中，通过采集少量几个点的浓度，然后即可预测得到可信赖度高的足够量的点的浓度，通过多个点去描述整个室内空间的污染物浓度分布并计算得到污染物浓度结果，具有更高的精度、更高的效率和更好的实用性；
本发明的预测方法是结合了室内的温度T、湿度RH、气压P以及气流速度V四方面的环境因素，并在大量数据的基础上，利用机器学习算法实现的，所以具有较高的可信度，由于考虑到了对室内空气污染物浓度分布具有主要影响的这些环境因素，所以预测结果更加接近实际。
附图说明
图1为本发明的空气质量检测装置的结构示意图；
图2为本发明的空气质量检测方法的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
参照图1，本实施例的一种空气质量检测装置，包括：
空气质量检测模块，其用于实现室内空气污染物浓度的检测；
移动模块，其用于实现空气质量检测装置在室内的移动；
升降模块，其设置在移动模块上，用于实现空气质量检测模块在垂直方向的移动；
控制模块，其用于对空气质量检测模块、移动模块和升降模块进行控制；
预测模块，其用于根据空气质量检测模块获得的空气质量参数检测结果获取室内空间中各种空气污染物的浓度分布模型，并得到室内空间中各种空气污染物的平均浓度；
以及显示模块，其至少显示空气质量检测模块直接检测获得的室内空气污染物浓度以及预测模块获得的每个室内空间的空气污染物浓度分布模型和空气污染物平均浓度。
在优选的实施例中，该空气质量检测装置还包括定位模块、环境参数检测模块、空气质量检测模块、测距模块和导航模块。
定位模块用于对空气质量检测模块的位置进行实时定位。
环境参数检测模块包括空气流速检测单元、温度检测单元、湿度检测单元以及气压检测单元。
空气质量检测模块至少包括PM2.5检测传感器、甲醛检测传感器和有机挥发物VOC检测传感器。
测距模块用于实时检测空气质量检测装置与障碍物之间的距离，导航模块用于对移动模块提供辅助导航，以实现空气质量检测模块按照预定轨迹在室内进行移动。
其中，移动模块和升降模块采用常规的动力机构即可，在一种实施例中，空气质量检测装置包括主机，以上各模块均设置在主机上，主机底部设置有万向轮，移动模块驱动万向轮移动，以实现空气质量检测装置整体的移动。
定位模块、环境参数检测模块、空气质量检测模块、测距模块和导航模块等均采用现有技术中可实现对应功能的产品即可，本发明中不具体限定。
本实施例中，预测模块包括第一预测网络模型、第二预测网络模型、数据库、模型构建及数据计算单元；
预测模块的处理方法包括以下步骤：
1）构建训练数据集；
2）采用训练数据集对第一预测网络模型、第二预测网络模型进行训练：
3）通过空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，以采用点作为基准点；同时通过环境参数检测模块检测该待测的室内空间中的环境参数，然后将若干基准点的检测数据和该环境参数输入预测模块中，通过预测得到与每个基准点分别对应的若干个预测点处的各种空气污染物的浓度；其中，每个基准点分别对应若干个处于该基准点的空间位置周围的预测点；
4）模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型，并计算得到各种空气污染物的平均浓度。
本发明中的总体思路是：
1、通过移动模块与升降模块的配合，能够驱动空气质量检测装置自主在室内移动，从而对室内多个点进行空气质量检测，以提高检测精度；
2、先在室内采集少量几个点作为基准点，检测这些基准点处的空气污染物浓度，然后基于当前室内的环境参数（对室内空气污染物浓度的分布具有较大影响的因素），通过预测模块预测出每个基准点附近的多个预测点的空气污染物浓度，从而通过少量几个点的检测数据能够得到具有较高可信度的大量预测点处的空气污染物浓度，最后通过基准点和大量预测点处的空气污染物浓度来描述室内的空气污染物浓度分布情况，并计算出室内的空气污染物的平均浓度；相比于常规方式中只采用1个采样点的检测数据或几个采样点的检测数据的平均值作为检测结果的方案，本发明中能够根据空气污染物浓度分布的主要影响因素预测出大量在空间中间隔分布的预测点处的空气污染物浓度，以此为基础得到的检测结果能够更加接近实际情况，检测精度和广度得到了显著提高，能够为室内空气浓度的检测提供更有价值、更加可靠的结果。
以下结合更具体的方案进行详细说明。
在本实施例中，第一预测网络模型包括LDA（linear discriminant analysis）机器学习模型、FFM（Field-aware Factorization Machine）机器学习模型和RF（随机森林）机器学习模型；第二预测网络模型为堆叠网络模型。
预测模块的处理方法包括以下步骤：
1）构建训练数据集：
1-1）于一个室内空间中，采集若干条单元区域数据：
1-1-1）在当前室内空间中选择非空间边缘区域的一个点作为基准点OG，通过空气质量检测模块检测该基准点OG的空气污染物浓度CG；
1-1-2）于当前室内空间中，选择如下的与在基准点OG对应的6个预测点；在基准点OG的正上方且距离为D处取点，记为上预测点Oup；在基准点OG的正下方且距离为D处取点，记为下预测点Odown；在基准点OG的正左方且距离为D处取点，记为左预测点OL；在基准点OG的正右方且距离为D处取点，记为右预测点OR；在基准点OG的正前方且距离为D处取点，记为前预测点OA；在基准点OG的正后方且距离为D处取点，记为后预测点OB；其中，距离D的设置满足使所有点：Oup、Odown、OL、OR、OA、OB均在当前室内空间中；
通过空气质量检测模块分别检测Oup、Odown、OL、OR、OA、OB每个点处的空气污染物浓度，依次记为Cup、Cdown、CL、CR、CA、CB；
通过定位模块检测并记录所有点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标；
将每个点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标、每个点处的空气污染物浓度：CG、Cup、Cdown、CL、CR、CA、CB以及距离D组合为一条单元区域数据s；
1-1-3）按照步骤1-1-1）至1-1-2）采集若干条单元区域数据s；
1-1-4）通过环境参数检测模块检测当前室内空间中的环境参数H，环境参数H包括温度T、湿度RH、气压P以及气流速度V，记为H=（T，RH，P，V）；
1-1-5）将环境参数H和采集的所有单元区域数据s组合形成数据集，即为训练数据集S，存储于数据库中；
2）网络模型训练：
2-1）对于每一种空气污染物Wi，以每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，采用训练数据集S对LDA、kNN和SVMs三种机器学习模型进行训练，每种机器学习模型均获得空气污染物Wi的预测关系式组FWi，FWi包括f1Wi、f2Wi、f3Wi、f4Wi、f5Wi、f6Wi，记为FWi=（f1Wi,f2Wi,f3Wi,f4Wi,f5Wi,f6Wi）；
其中，f1Wi表示：空气污染物Wi在预测点Oup处的浓度CupWi与在基准点OG处的浓度CGWi之间的差值Δ1Wi，同Oup与OG正上方之间的距离D以及环境参数H之间的关系，表示为Δ1Wi=f1Wi(DOup-OG,H)；
F2Wi表示：CdownWi与CGWi之间的差值Δ2Wi，同Odown与OG正下方之间的距离D以及环境参数H之间的关系，表示为Δ2Wi=f2Wi(DOdown-OG,H)；
F3Wi表示：CLWi与CGWi之间的差值Δ3Wi，同OL与OG正左方之间的距离D以及环境参数H之间的关系，表示为Δ3Wi=f3Wi(DOL-OG,H)；
F4Wi表示：CRWi与CGWi之间的差值Δ4Wi，同OR与OG正右方之间的距离D以及环境参数H之间的关系，表示为Δ4Wi=f4Wi(DOR-OG,H)；
F5Wi表示：CAWi与CGWi之间的差值Δ5Wi，同OA与OG正前方之间的距离D以及环境参数H之间的关系，表示为Δ5Wi=f5Wi(DOA-OG,H)；
F6Wi表示：CBWi与CGWi之间的差值Δ6Wi，同OB与OG正后方之间的距离D以及环境参数H之间的关系，表示为Δ6Wi=f6Wi(DOB-OG,H)；
2-2）将LDA、kNN和SVMs三种机器学习模型各自获得的预测关系式组FWi、每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，对堆叠网络模型进行训练；
2-3）按照上述步骤2-1）至2-2）完成每一种空气污染物Wi的数据的训练，得到训练好的第一预测网络模型和第二预测网络模型；
3）通过空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，将采样点作为基准点OG，同时通过环境参数检测模块同时检测该待测的室内空间中的环境参数H，然后将若干基准点OG和环境参数H一起输入预测模块中，通过第二预测网络模型输出预测得到与每个基准点OG分别对应的6个预测点处的各种空气污染物的浓度；
4）模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型；对于每一种空气污染物Wi，以所有的基准点和预测点处的浓度的平均值作为该空气污染物Wi的平均浓度，从而得到各种空气污染物的平均浓度。
例如，在一种实施例中，对于采集6个基准点，则可得到6*6=36个预测点，最终的数据点能扩增至6+36=42个，所以数据量大大提高，从而能够提高检测精度。
在一些实施例中，还可以在不增加基准点数量的前提下，进一步增多预测点来提高检测精度。将步骤3）中的预测结果作为新的基准点再输入到预测模块中，然后又通过第一预测网络模型和第二预测网络模型预测得到新的预测点，从而能够通过二次预测得到更多的数据。例如对于室内空间较大的场所检测时，可将第二预测网络模型第一次预测得到的36个预测点作为输入，即作为新的基准点，输送至预测模块中，从而能够得到36*6=216个新的预测点，进一步增大了数据量。
即本实施例中，先检测一个基准点的空气污染物浓度，然后预测基准点在空间位置上与基准点间距相等且分布于上、下、左、右、前、后6个位置处的测试的空气污染物浓度；其预测方法是结合了室内的温度T、湿度RH、气压P以及气流速度V四方面的环境因素，并在大量数据的基础上，利用机器学习算法实现的，所以具有较高的可信度，由于考虑到了对室内空气污染物浓度分布具有主要影响的这些环境因素，所以预测结果更加接近实际。
通过采集多个点，然后取平均的方法能够提高检测精度，但缺点也显而易见：采样点越多，必然精度越高，但每个点进行检测都需要花费一定时间，若采集大量的点，会耗费大量时间成本和能耗成本，无法适应实际需求。而本发明中，通过采集少量几个点的浓度，然后即可预测得到可信赖度高的足够量的点的浓度，通过多个点去描述整个室内空间的污染物浓度分布并计算得到污染物浓度结果，具有更高的精度、更高的效率和更好的实用性。
其中，采样点至少包括相互间隔的4个，且4个采样点不同时处于同一水平平面或同一垂直平面。通过使采样点同时处于同一水平平面或同一垂直平面，能够引入不同水平位置和垂直位置的采样点的数据作为预测的基准，能够提高检测精度。例如，在一种实施例中，包括4个采样点，4个采样点的连线可构成一个四面体结构。在另一种实施例中，包括6个采样点，6个采样点的连线构成一个矩形体结构。可以理解的是，采样点越多，最终得到的检测数据精度会越高，但相应计算量也会越大。通常来说，对于普通住宅房间的室内，在室内体积不大于40m3时，采样点为4-6各即可满足需求。
实施例2
参照图2，本实施例提供一种空气质量检测方法，其采用实施例1的空气质量检测装置对室内空间中的空气污染物浓度进行检测，该方法包括以下步骤：
S1、通过控制模块对移动模块和升降模块进行控制，使空气质量检测装置移动至待测的室内空间中，进行至少4个采样点的空气污染物浓度检测，且4个采样点不同时处于同一水平平面或同一垂直平面；检测过程中，移动模块实现空气质量检测装置在水平方向的移动，升降模块实现空气质量检测模块在垂直方向的移动；
S2、环境参数检测模块同时检测该待测的室内空间中的环境参数；
S3、预测模块接收空气质量检测模块和环境参数检测模块的检测结果，并预测得到的该待测的室内空间中各种空气污染物的浓度分布模型以及各种空气污染物的平均浓度；
S4、显示模块显示空气质量检测模块、环境参数检测模块的检测结果以及预测模块的预测结果。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (10)
1.一种空气质量检测装置，其特征在于，包括：
空气质量检测模块，其用于实现室内空气污染物浓度的检测；
移动模块，其用于实现所述空气质量检测装置在室内的移动；
升降模块，其设置在所述移动模块上，用于实现所述空气质量检测模块在垂直方向的移动；
控制模块，其用于对所述空气质量检测模块、移动模块和升降模块进行控制；
预测模块，其用于根据所述空气质量检测模块获得的空气质量参数检测结果获取室内空间中各种空气污染物的浓度分布模型，并得到室内空间中各种空气污染物的平均浓度；
以及显示模块，其至少显示所述空气质量检测模块直接检测获得的室内空气污染物浓度以及所述预测模块获得的每个室内空间的空气污染物浓度分布模型和空气污染物平均浓度。
2.根据权利要求1所述的空气质量检测装置，其特征在于，还包括定位模块，所述定位模块用于对所述空气质量检测模块的位置进行实时定位。
3.根据权利要求2所述的空气质量检测装置，其特征在于，还包括环境参数检测模块，所述环境参数检测模块包括空气流速检测单元、温度检测单元、湿度检测单元以及气压检测单元。
4.根据权利要求3所述的空气质量检测装置，其特征在于，所述空气质量检测模块至少包括PM2.5检测传感器、甲醛检测传感器和有机挥发物VOC检测传感器。
5.根据权利要求4所述的空气质量检测装置，其特征在于，还包括测距模块和导航模块，所述测距模块用于实时检测所述空气质量检测装置与障碍物之间的距离，所述导航模块用于对所述移动模块提供辅助导航，以实现所述空气质量检测模块按照预定轨迹在室内进行移动。
6.根据权利要求5所述的空气质量检测装置，其特征在于，所述预测模块包括第一预测网络模型、第二预测网络模型、数据库、模型构建及数据计算单元；
所述预测模块的处理方法包括以下步骤：
1）构建训练数据集；
2）采用训练数据集对第一预测网络模型、第二预测网络模型进行训练：
3）通过所述空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，以采用点作为基准点；同时通过所述环境参数检测模块检测该待测的室内空间中的环境参数，然后将若干基准点的检测数据和该环境参数输入所述预测模块中，通过预测得到与每个基准点分别对应的若干个预测点处的各种空气污染物的浓度；其中，每个基准点分别对应若干个处于该基准点的空间位置周围的预测点；
4）所述模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型，并计算得到各种空气污染物的平均浓度。
7.根据权利要求6所述的空气质量检测装置，其特征在于，所述第一预测网络模型包括LDA（linear discriminant analysis）机器学习模型、FFM（Field-aware FactorizationMachine）机器学习模型和RF（随机森林）机器学习模型；
所述第二预测网络模型为堆叠网络模型。
8.根据权利要求7所述的空气质量检测装置，其特征在于，所述预测模块的处理方法包括以下步骤：
1）构建训练数据集：
1-1）于一个室内空间中，采集若干条单元区域数据：
1-1-1）在当前室内空间中选择非空间边缘区域的一个点作为基准点OG，通过所述空气质量检测模块检测该基准点OG的空气污染物浓度CG；
1-1-2）于当前室内空间中，选择如下的与在基准点OG对应的6个预测点；在基准点OG的正上方且距离为D处取点，记为上预测点Oup；在基准点OG的正下方且距离为D处取点，记为下预测点Odown；在基准点OG的正左方且距离为D处取点，记为左预测点OL；在基准点OG的正右方且距离为D处取点，记为右预测点OR；在基准点OG的正前方且距离为D处取点，记为前预测点OA；在基准点OG的正后方且距离为D处取点，记为后预测点OB；其中，距离D的设置满足使所有点：Oup、Odown、OL、OR、OA、OB均在当前室内空间中；
通过所述空气质量检测模块分别检测Oup、Odown、OL、OR、OA、OB每个点处的空气污染物浓度，依次记为Cup、Cdown、CL、CR、CA、CB；
通过所述定位模块检测并记录所有点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标；
将每个点：OG、Oup、Odown、OL、OR、OA、OB的空间位置坐标、每个点处的空气污染物浓度：CG、Cup、Cdown、CL、CR、CA、CB以及距离D组合为一条单元区域数据s；
1-1-3）按照步骤1-1-1）至1-1-2）采集若干条单元区域数据s；
1-1-4）通过所述环境参数检测模块检测当前室内空间中的环境参数H，环境参数H包括温度T、湿度RH、气压P以及气流速度V，记为H=（T，RH，P，V）；
1-1-5）将环境参数H和采集的所有单元区域数据s组合形成数据集，即为训练数据集S，存储于所述数据库中；
2）网络模型训练：
2-1）对于每一种空气污染物Wi，以每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，采用所述训练数据集S对所述LDA、kNN和SVMs三种机器学习模型进行训练，每种机器学习模型均获得空气污染物Wi的预测关系式组FWi，FWi包括f1Wi、f2Wi、f3Wi、f4Wi、f5Wi、f6Wi，记为FWi=（f1Wi,f2Wi,f3Wi,f4Wi,f5Wi,f6Wi）；
其中，f1Wi表示：空气污染物Wi在预测点Oup处的浓度CupWi与在基准点OG处的浓度CGWi之间的差值Δ1Wi，同Oup与OG正上方之间的距离D以及环境参数H之间的关系，表示为Δ1Wi=f1Wi(DOup-OG,H)；
F2Wi表示：CdownWi与CGWi之间的差值Δ2Wi，同Odown与OG正下方之间的距离D以及环境参数H之间的关系，表示为Δ2Wi=f2Wi(DOdown-OG,H)；
F3Wi表示：CLWi与CGWi之间的差值Δ3Wi，同OL与OG正左方之间的距离D以及环境参数H之间的关系，表示为Δ3Wi=f3Wi(DOL-OG,H)；
F4Wi表示：CRWi与CGWi之间的差值Δ4Wi，同OR与OG正右方之间的距离D以及环境参数H之间的关系，表示为Δ4Wi=f4Wi(DOR-OG,H)；
F5Wi表示：CAWi与CGWi之间的差值Δ5Wi，同OA与OG正前方之间的距离D以及环境参数H之间的关系，表示为Δ5Wi=f5Wi(DOA-OG,H)；
F6Wi表示：CBWi与CGWi之间的差值Δ6Wi，同OB与OG正后方之间的距离D以及环境参数H之间的关系，表示为Δ6Wi=f6Wi(DOB-OG,H)；
2-2）将LDA、kNN和SVMs三种机器学习模型各自获得的预测关系式组FWi、每一条单元区域数据s中的基准点OG的空间位置坐标、基准点OG处的Wi的浓度CGWi、距离D以及环境参数H为输入，每一条单元区域数据s中与基准点OG对应的所有预测点：Oup、Odown、OL、OR、OA、OB处的空气污染物Wi的浓度CupWi、CdownWi、CLWi、CRWi、CAWi、CBWi为输出，对所述堆叠网络模型进行训练；
2-3）按照上述步骤2-1）至2-2）完成每一种空气污染物Wi的数据的训练，得到训练好的第一预测网络模型和第二预测网络模型；
3）通过所述空气质量检测装置在待测的室内空间中的若干个采样点进行空气污染物浓度检测，将采样点作为基准点OG，同时通过所述环境参数检测模块同时检测该待测的室内空间中的环境参数H，然后将若干基准点OG和环境参数H一起输入所述预测模块中，通过所述第二预测网络模型输出预测得到与每个基准点OG分别对应的6个预测点处的各种空气污染物的浓度；
4）所述模型构建及数据计算单元根据所有的基准点和预测点处的各种空气污染物的浓度构建出该待测的室内空间中各种空气污染物的浓度分布模型；对于每一种空气污染物Wi，以所有的基准点和预测点处的浓度的平均值作为该空气污染物Wi的平均浓度，从而得到各种空气污染物的平均浓度。
9.根据权利要求1所述的空气质量检测装置，其特征在于，其中，采样点至少包括相互间隔的4个，且4个采样点不同时处于同一水平平面或同一垂直平面。
10.一种空气质量检测方法，其特征在于，其采用如权利要求1-9中任意一项所述的空气质量检测装置对室内空间中的空气污染物浓度进行检测，该方法包括以下步骤：
S1、通过所述控制模块对所述移动模块和升降模块进行控制，使所述空气质量检测装置移动至待测的室内空间中，进行至少4个采样点的空气污染物浓度检测，且至少4个采样点不同时处于同一水平平面或同一垂直平面；检测过程中，所述移动模块实现所述空气质量检测装置在水平方向的移动，所述升降模块实现所述空气质量检测模块在垂直方向的移动；
S2、所述环境参数检测模块同时检测该待测的室内空间中的环境参数；
S3、所述预测模块接收所述空气质量检测模块和环境参数检测模块的检测结果，并预测得到的该待测的室内空间中各种空气污染物的浓度分布模型以及各种空气污染物的平均浓度；
S4、所述显示模块显示空气质量检测模块、环境参数检测模块的检测结果以及所述预测模块的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210362248.7A CN114689478B (zh) | 2022-04-08 | 2022-04-08 | 一种空气质量检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210362248.7A CN114689478B (zh) | 2022-04-08 | 2022-04-08 | 一种空气质量检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114689478A true CN114689478A (zh) | 2022-07-01 |
| CN114689478B CN114689478B (zh) | 2022-11-15 |
Family
ID=82142276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210362248.7A Active CN114689478B (zh) | 2022-04-08 | 2022-04-08 | 一种空气质量检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114689478B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002063294A2 (en) * | 2001-02-07 | 2002-08-15 | Aircuity, Inc. | Air quality monitoring systems and methods using expert systems |
| CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
| CN108984960A (zh) * | 2018-08-14 | 2018-12-11 | 山东益华通润环保科技有限公司 | 一种挥发性有机污染快速精确定位及采样布点方法 |
| CN109696525A (zh) * | 2019-02-12 | 2019-04-30 | 北京草木元人工环境技术有限公司 | 一种空气参数立体自动测绘*** |
| US20190226987A1 (en) * | 2018-01-25 | 2019-07-25 | Ludlum Measurements, Inc. | Method for Measuring Air Pollutants Using a Folded Tubular Photometer |
| CN111343279A (zh) * | 2020-03-04 | 2020-06-26 | 兰州理工大学 | 一种基于大数据和云计算的空气污染检测及报警*** |
| CN211179747U (zh) * | 2019-12-06 | 2020-08-04 | 甘肃易通环境监测有限公司 | 一种移动式室内空气检测装置 |
| CN211178590U (zh) * | 2019-12-30 | 2020-08-04 | 河南氧仕多生态物联科技有限公司 | 一种室内环境空气质量移动式检测机器人 |
| CN111563331A (zh) * | 2020-05-08 | 2020-08-21 | 浙江工业大学 | 一种基于移动监测的区域大气污染分布预测方法 |
| CN112113603A (zh) * | 2020-04-20 | 2020-12-22 | 中国矿业大学 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
| CN113188968A (zh) * | 2021-05-06 | 2021-07-30 | 长沙理工大学 | 基于组合深度学习模型的空气污染物浓度预测方法及*** |
| CN113203831A (zh) * | 2021-04-19 | 2021-08-03 | 南京市高淳区建程工程质量检测有限公司 | 一种室内空气有害物检测*** |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及*** |
-
2022
- 2022-04-08 CN CN202210362248.7A patent/CN114689478B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002063294A2 (en) * | 2001-02-07 | 2002-08-15 | Aircuity, Inc. | Air quality monitoring systems and methods using expert systems |
| CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
| US20190226987A1 (en) * | 2018-01-25 | 2019-07-25 | Ludlum Measurements, Inc. | Method for Measuring Air Pollutants Using a Folded Tubular Photometer |
| CN108984960A (zh) * | 2018-08-14 | 2018-12-11 | 山东益华通润环保科技有限公司 | 一种挥发性有机污染快速精确定位及采样布点方法 |
| CN109696525A (zh) * | 2019-02-12 | 2019-04-30 | 北京草木元人工环境技术有限公司 | 一种空气参数立体自动测绘*** |
| CN211179747U (zh) * | 2019-12-06 | 2020-08-04 | 甘肃易通环境监测有限公司 | 一种移动式室内空气检测装置 |
| CN211178590U (zh) * | 2019-12-30 | 2020-08-04 | 河南氧仕多生态物联科技有限公司 | 一种室内环境空气质量移动式检测机器人 |
| CN111343279A (zh) * | 2020-03-04 | 2020-06-26 | 兰州理工大学 | 一种基于大数据和云计算的空气污染检测及报警*** |
| CN112113603A (zh) * | 2020-04-20 | 2020-12-22 | 中国矿业大学 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
| CN111563331A (zh) * | 2020-05-08 | 2020-08-21 | 浙江工业大学 | 一种基于移动监测的区域大气污染分布预测方法 |
| CN113203831A (zh) * | 2021-04-19 | 2021-08-03 | 南京市高淳区建程工程质量检测有限公司 | 一种室内空气有害物检测*** |
| CN113188968A (zh) * | 2021-05-06 | 2021-07-30 | 长沙理工大学 | 基于组合深度学习模型的空气污染物浓度预测方法及*** |
| CN113837361A (zh) * | 2021-09-01 | 2021-12-24 | 中咨公路养护检测技术有限公司 | 一种空气污染物浓度预测方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| NAM HA 等: "Machine Learning-Enabled Smart Sensor Systems", 《ADVANCED INTELLIGENT SYSTEMS》 * |
| 王吉祥等: "黑龙江省空气负离子浓度空间分布预测", 《湖北农业科学》 * |
| 王智等: "基于提升树的PM2.5浓度预测模型", 《软件》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114689478B (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200159246A1 (en) | Methods and systems for mapping, localization, navigation and control and mobile robot | |
| CN105247431A (zh) | 自主移动体 | |
| WO2012037267A1 (en) | Methods and apparatus for dispensing material and electronically tracking same | |
| CN105588930B (zh) | 温室大棚土壤参数测量方法 | |
| CN110006424B (zh) | 一种基于田间的高通量作物表型机器人及其控制*** | |
| CN108120661B (zh) | 一种城市空气中颗粒物含量时空分布测定方法 | |
| CN103375877B (zh) | 空调器及其控制方法 | |
| CN101140288A (zh) | 中央空调风管空气质量远程分析***及其方法 | |
| CN106920123B (zh) | 一种基于机器学习和物联网的餐厅数据分析*** | |
| CN114689478B (zh) | 一种空气质量检测装置及方法 | |
| Gutmann et al. | Challenges of designing a low-cost indoor localization system using active beacons | |
| CN200979419Y (zh) | 多通道气体参数测量仪 | |
| US20210110607A1 (en) | System and Method for Mapping an Interior Space | |
| CN106404072A (zh) | 机房环境检测装置 | |
| CN106017512A (zh) | 一种数字水准仪***检定装置及检定方法 | |
| CN209589073U (zh) | 一种基于田间的高通量作物表型机器人 | |
| CN111999756A (zh) | 全自动氚表面污染巡测***及应用方法 | |
| EP4279894A1 (en) | Method and system for locating and quantifying fugitive emission leaks | |
| Lilienthal et al. | Indicators of gas source proximity using metal oxide sensors in a turbulent environment | |
| CN116852360A (zh) | 人机协作地板铺贴机器人的运动控制与检测方法 | |
| CN205175875U (zh) | 雾滴参数测量装置 | |
| US20230176024A1 (en) | System and method for characterizing, monitoring, & detecting bioaerosol presence & movement in an indoor environment | |
| Wu et al. | An intelligent environmental monitoring system based on autonomous mobile robot | |
| Wada et al. | Collecting a database for studying gas distribution mapping and gas source localization with mobile robots | |
| CN103292789A (zh) | 一种定位方法及电子设备 |
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 |