CN115876655B - 一种受限空间涉爆粉尘全过程监测***及方法 - Google Patents

Abstract

一种受限空间涉爆粉尘全过程监测***及方法，***：包括粉尘监测三角网络、数据存储云平台、数据处理平台、客户端、全空间三维建模单元和客户端；粉尘监测三角网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成；方法：同时对产尘点、落尘点和悬浮空间进行粉尘的监测，并建立受限空间三维模型；建立整个受限空间内流场模型、空间预测卷积神经网络模型，在受限空间实现全空间尺度上的粉尘浓度的预测以及粉尘沉积量的预测，实现场所内粉尘浓度值的超前智能预测，最后进行可视化展示。该***及方法能实现对作业场所的综合监测作业，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求。

Description

一种受限空间涉爆粉尘全过程监测***及方法

技术领域

本发明属于粉尘监测技术领域，具体是一种受限空间涉爆粉尘全过程监测***及方法。

背景技术

生产性粉尘是生产活动中不可避免的产物。除了进入人体呼吸道引发呼吸性疾病和肺部病变以损害工作人员的健康外，受限空间的粉尘往往具有更高的***风险。粉体生产过程多趋向于连续密闭操作，工艺过程所占面积大，设备、厂房之间联系密切，一旦某处发生粉尘***，局部的的***即会传播至整条工艺路线甚至是车间厂房，造成一系列的连锁反应，甚至造成灾难性的后果。

评价粉尘***风险和职业健康风险最直接的方法就是对作业场所生产性粉尘浓度进行实时在线监测。实时在线监测生产性粉尘不仅是管理人员掌握现场粉尘污染状况的重要手段，还是实现粉尘防治和生产经营者科学管理不可或缺的重要环节。已公开的中国专利文献中已有报道关于受限空间粉尘浓度监测的技术信息。粉尘监测的方法多采用光学原理的粉尘浓度传感器结合现场环境温度、相对湿度、风速、气压、TVOC挥发性有机物等环境因素综合监测。

现有技术方案虽然各有相应的技术效果,但是存在以下通弊:其一, 现有技术鲜有对不同状态下的粉尘都实时***性监测。粉尘主要存在于以下三种状态：产尘点产生的粉尘、空气中悬浮的粉尘和直接沉积于地面或表面的落尘，目前针对存在一定浓度粉尘的受限空间,粉尘监测的重点仅在于作业空间内的悬浮性粉尘；其二,现有技术鲜有提出对产尘点粉尘、落尘、浮尘三种状态粉尘监测技术的区别。不同状态下的粉尘的浓度、粒径分布、存在形式等状态的不同决定了不同状态粉尘对应不同的监测方法，如产尘点粉尘往往具有浓度高的特点，实时监测该粉尘需要使用超大量程粉尘浓度监测***，而地面或表面的落尘适合采用基于称重或超声波测距原理的传感器进行监测；其三,缺乏对全空间粉尘暴露特征的监测。作业场所的粉尘浓度具备空间差异性，且三种状态粉尘之间存在相互转化，仅对局部或定点的粉尘浓度进行监测，不能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测现实需求。

以上归纳的三个方面的技术问题实质上是对作业场所不同状态的粉尘浓度空间特征缺乏整体性和***性的监测。

发明内容

针对上述现有技术存在的问题，本发明提供一种受限空间涉爆粉尘全过程监测***，该***可以对作业场所不同状态下的粉尘浓度空间规律做出整体性、***性的监测，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求；该方法步骤简单、实施过程方便，能实现对作业场所的综合监测作业。

为了实现上述目的，本发明提供一种受限空间涉爆粉尘全过程监测***，包括粉尘监测三角网络、数据存储云平台、数据处理平台、客户端、全空间三维建模单元和客户端；

所述粉尘监测三角网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成；

所述产尘点超大量程粉尘浓度监测网络由设置在产尘点附近区域中的多个产尘点超大量程粉尘浓度监测单元组成，所述产尘点超大量程粉尘浓度监测单元由超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、微处理器一、数据传输模块一和数据存储模块一组成；所述微处理器一分别与超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、数据传输模块一和数据存储模块一连接；

所述落尘实时监测网络由多个设置在落尘位置附近的待测平面上的落尘实时监测单元组成，所述落尘实时监测单元由粉尘沉积量测量装置、风速传感器二、GPS定位模块二、微处理器二、数据传输模块二和数据存储模块二组成；所述微处理器二分别与粉尘沉积量测量装置、风速传感器二、GPS定位模块二、数据传输模块二和数据存储模块二连接；

所述悬浮粉尘浓度实时监测网络是由均匀的设置在待测受限空间内的多个悬浮粉尘浓度实时监测单元组成，悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距；所述悬浮粉尘浓度实时监测单元由悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、微处理器三、数据传输模块三和数据存储模块三组成，所述微处理器三分别与 悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、数据传输模块三和数据存储模块三连接；

所述全空间三维建模单元由多组相机、数据处理模块一和数据传输模块六组成，所述数据处理模块一分别与多组相机和数据传输模块六连接；

所述数据存储云平台由智能数据汇总模块、数据云存储模块和数据传输模块四组成，所述智能数据汇总模块分别与数据云存储模块和数据传输模块四连接；所述数据传输模块四分别与数据传输模块一、数据传输模块二、数据传输模块三和数据传输模块六连接；

所述数据处理平台由数据接收模块、受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块和数据传输模块五组成；所述数据接收模块分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，并与数据传输模块四连接；所述数据传输模块五分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，受限空间流场演化模块、空间预测模块、时间预测模块和粉尘浓度场演化模块之间相互连接；

所述客户端为带有显示屏的可视化客户端，其通过内部的通信模块与数据传输模块五连接。

作为一种优选,所述客户端为多平台互通设计，其具有与IOS平台、安卓平台和Windows平台互通的功能。

本发明中，使粉尘三角监测网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成，进而可以通过产尘点超大量程粉尘浓度监测网络实现高粉尘浓度产尘点的粉尘浓度实时监测，通过落尘实时监测网络实现监测平面上粉尘沉积量的实时监测，通过悬浮粉尘浓度实时监测网络实现针对悬浮粉尘浓度的实时监测，因而该***可实现受限空间内粉尘产生时刻、悬浮状态和沉降状态的全过程监测。通过数据存储云平台的设置，可以方便的建立粉尘监测三角网络、全空间三维建模单元与数据处理平台的连接，进而能方便监测数据的传递过程。通过全空间三维建模单元的设置可以方便的建立重构的受限空间三维模型；通过受限空间流场演化模块的设置，可以方便的获得整个受限空间内流场模型；通过空间预测模块的设置，可以方便的建立空间预测模型，以便能实现各自监测网络内全部位置的粉尘监测量的预测；通过粉尘浓度场演化模块的设置，能够方便的对受限空间内各个位置各个时间上粉尘浓度及沉积量进行预测；通过时间预测模块能方便的实现全部监测单元的粉尘监测值的超前智能预测；该***可以对作业场所不同状态下的粉尘浓度空间规律做出整体性、***性的监测，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求。

本发明还提供了一种受限空间涉爆粉尘全过程监测方法，包括一种受限空间涉爆粉尘全过程监测***，还包括如下步骤：

步骤1：在受限空间内的产尘点附近区域均匀的布置多个产尘点超大量程粉尘浓度监测单元，并利用多个产尘点超大量程粉尘浓度监测单元组成产尘点超大量程粉尘浓度监测网络；在受限空间内落尘位置附近的待测平面上均匀的布置多个落尘实时监测单元，并利用多个落尘实时监测单元组成落尘实时监测网络；在受限空间内待测受限空间中均匀布置多个悬浮粉尘浓度实时监测单元，并使悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距，并利用多个悬浮粉尘浓度实时监测单元组成悬浮粉尘浓度实时监测网络；通过产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成粉尘监测三角网络；

在受限空间内布置全空间三维建模单元，并使其中的多个相机的镜头的设置角度各不相同；

利用数据存储云平台建立粉尘监测三角网络、全空间三维建模单元和数据处理平台的连接，并建立数据处理平台和客户端的连接；

步骤2：对于各个产尘点超大量程粉尘浓度监测单元，利用其中的超大量程粉尘浓度监测仪对产尘点附近区域中的粉尘浓度进行实时测量，并将获得的产尘点粉尘浓度数据实时发送给微处理器一，利用风速传感器一实时采集产尘点附近区域的风速信号一，并实时发送给微处理器一，利用温湿度传感器一实时采集产尘点附近区域的温湿度信号一，并实时发送给微处理器一，利用GPS定位模块一采集对应产尘点超大量程粉尘浓度监测单元的位置信息一，并发送给微处理器一，通过微处理器一对接收的风速信号一、温湿度信号一和位置信息一进行处理，并获得对应的风速值一、温度值一、湿度值一和位置数据一，并根据微处理器一内置的时钟模块对产尘点粉尘浓度、风速值一、温度值一和湿度值一进行时间序列记录，再将产尘点粉尘浓度、风速值一、温度值一和湿度值一的时序数据以及位置数据一发送给数据存储模块一进行存储，并且同时通过数据传输模块一传输至数据存储云平台；

对于各个落尘实时监测单元，利用其中的粉尘沉积量测量装置实时测量待测平面上的粉尘沉积量，并将获得的粉尘沉积量数据实时发送给微处理器二，利用风速传感器二实时采集待测平面附近区域的风速信号二，并实时发送给微处理器二，利用GPS定位模块二采集对应落尘实时监测单元的位置信息二，并发送给微处理器二，通过微处理器二对接收的风速信号二和位置信息二进行处理，并获得对应的风速值二和位置数据二，并根据微处理器二内置的时钟模块对粉尘沉积量、风速值二进行时间序列记录，再将粉尘沉积量、风速值二的时序数据和位置数据二发送给数据存储模块二进行存储，并且同时通过数据传输模块二传输至数据存储云平台；

对于各个悬浮粉尘浓度实时监测单元，利用其中的悬浮粉尘浓度测量仪实时测量悬浮在受限空间中的悬浮粉尘浓度，并实时发送给微处理器三，利用风速传感器三实时采集受限空间内的风速信号三，并实时发送给微处理器三，利用温湿度传感器二实时采集所在受限空间的温湿度信号二，并实时发送给微处理器三，利用GPS定位模块三采集对应悬浮粉尘浓度实时监测单元的位置信息三，并实时发送给微处理器三，通过微处理器三对接收的风速信号三、温湿度信号二和位置信息三进行处理，并获得对应的风速值三、温度值二、湿度值二和位置数据三，并根据微处理器三内置的时钟模块对悬浮粉尘浓度、风速值三、温度值二和湿度值二进行时间序列记录，再将悬浮粉尘浓度、风速值三、温度值二和湿度值二的时序数据及位置数据三发送给数据存储模块三进行存储，并且同时通过数据传输模块三传输至数据存储云平台；

对于全空间三维建模单元，利用其中的多组相机从不同角度采集受限空间内的三维空间信息，并发送给数据处理模块一，通过数据处理模块一对三维空间信息进行处理，并采用结构光技术构筑室内三维模型，并通过数据传输模块六将重构的受限空间三维模型发送给数据存储云平台；

步骤3：利用数据存储云平台中的智能数据汇总模块对所接收的产尘点超大量程粉尘浓度监测网络的数据、落尘实时监测网络的数据、悬浮粉尘浓度实时监测网络的数据和全空间三维建模单元的重构的受限空间三维模型进行数据汇总，再将汇总后的数据存储在数据云存储模块中，并且同时通过数据传输模块四传输至数据处理平台；

步骤4：利用受限空间流场演化模块对所接收的风速数据一、风速数据二和风速数据三进行处理，并依据重构的受限空间三维模型，使用非结构化网络对流场空间进行离散，建立全连接网络MLP模型，再使用全连接层进行流场特征的提取运算以及受限空间合尺度的流场预测，并且在全连接层前增加Dropout层来防止过拟合问题的出现，建立整个受限空间内流场模型；

利用空间预测模块根据粉尘监测三角网络内某一时刻全部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度及对应位置数据一、全部落尘实时监测单元的粉尘沉积量及对应位置数据二、全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据及对应位置数据三在重构的受限空间三维模型内进行多个产尘点超大量程粉尘浓度监测单元的位置标注、多个落尘实时监测单元的位置标注和多个悬浮粉尘浓度实时监测单元的位置标注，并在各自监测网络的标注内，将实时粉尘监测数据按照5折循环验证的方法划分训练集与测试集，并利用不同监测单元的位置数据与粉尘监测数据，建立各自监测网络的卷积神经网络CNN模型，并利用卷积层进行各自监测单元内不同位置粉尘监测值的预测训练，并依据预测结果与测试集结果进行比较，进行CNN模型的参数优化，再针对受限空间内不同点位的位置信息，将深度学习预测模型进行模型推广，形成空间预测CNN模型，以实现各自监测网络内全部位置的粉尘监测量的预测；

利用粉尘浓度场演化模块在受限空间内流场模型的基础上，根据粉尘监测三角网络内部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度、全部落尘实时监测单元的粉尘沉积量和全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据，并依据空间预测CNN模型，在受限空间实现全空间尺度上的粉尘浓度的预测值以及粉尘沉积量的预测值，并将预测值记录在重构的受限空间三维模型上，最后通过数据传输模块五将记录预测值的重构的受限空间三维模型发送给客户端进行可视化显示；

利用时间预测模块对粉尘监测三角网络内某一监测网络传输的粉尘监测值的时序历史数据，建立循环时间网络LSTM模型，并针对粉尘监测值的历史数据进行分析，实现粉尘监测值的时间序列预测，并且依据模型效果进行模型参数的自主优化，进而针对粉尘监测三角网络内全部监测单元的粉尘监测值建立对应的循环时间网络模型，实现全部监测单元的粉尘监测值的超前智能预测，并且将各监测单元的超前预测值记录在受限空间三维模型对应的监测***上，最后通过数据传输模块五将记录超前预测值的重构的受限空间三维模型发送给客户端进行可视化显示。

作为一种优选,在步骤4中，所述空间预测模块具有根据连续时间段内不同时刻的粉尘监测三角网络内不同监测***的粉尘监测数据进行自我修正与模型迭代的功能。

本发明在产尘点附近设置了产尘点超大量程粉尘浓度监测网络、在落尘点附近设置了落尘实时监测网络、在悬浮空间中设置了悬浮粉尘浓度实时监测网络，并使三者组成了粉尘监测三角网络，进而可以同时采集产尘点、落尘点和悬浮空间中的粉尘浓度数据。利用受限空间流场演化模块建立整个受限空间内流场模型，进而能在受限空间实现全空间尺度上的粉尘浓度的预测值以及监测平台上的粉尘沉积量的预测值，进而可将其可视化显示在重构的受限空间三维模型上，实现了全尺度受限空间粉尘的可视化监测。利用空间预测模块建立空间预测模型，进而能实现各自监测网络内全部位置的粉尘监测量的预测，有效的弥补了传统粉尘监测网络感知范围小，监测盲区大的缺点。利用粉尘浓度场演化模块在受限空间内流场模型的基础上进行全空间尺度上的粉尘浓度和粉尘沉积量的预测，可以便于获得受限空间内各个位置各个时间上粉尘浓度及沉积量的预测。利用时间预测模块建立循环时间网络LSTM模型，能够实现实现全部监测单元的粉尘监测值的超前智能预测。该方法步骤简单，实施过程方便，能够对作业场所不同状态下的粉尘浓度空间规律做出整体性、***性的监测，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求。

附图说明

图1是本发明中受限空间内的粉尘监测三角网络示意图；

图2是本发明中受限空间涉爆粉尘全过程监测***的原理框图；

图3是本发明中粉尘监测三角网络的原理框图；

图4是本发明中全空间三维建模单元的原理框图；

图5是本发明中数据存储云平台的原理框图。

实施方式

下面结合附图对本发明作进一步说明。

如图1至图5所示，本发明提供了一种受限空间涉爆粉尘全过程监测***，包括粉尘监测三角网络、数据存储云平台、数据处理平台、全空间三维建模单元和客户端；

所述粉尘监测三角网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成；

所述产尘点超大量程粉尘浓度监测网络由设置在产尘点附近区域中的多个产尘点超大量程粉尘浓度监测单元组成，所述产尘点超大量程粉尘浓度监测单元由超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、微处理器一、数据传输模块一和数据存储模块一组成；所述微处理器一分别与超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、数据传输模块一和数据存储模块一连接；所述超大量程粉尘浓度监测仪用于对产尘点附近区域中的粉尘浓度进行实时测量，并将获得的产尘点粉尘浓度数据实时发送给微处理器一；所述风速传感器一用于实时采集产尘点附近区域的风速信号一，并实时发送给微处理器一；所述温湿度传感器一用于实时采集产尘点附近区域的温湿度信号一，并实时发送给微处理器一；所述GPS定位模块一用于采集产尘点的位置信息一，并发送给微处理器一；所述微处理器一用于根据接收的风速信号一、温湿度信号一和位置信息一获得对应的风速值一、温度值一、湿度值一和位置数据一，并根据内置的时钟模块对产尘点粉尘浓度、风速值一、温度值一和湿度值一进行时间序列记录，并且将产尘点粉尘浓度、风速值一、温度值一和湿度值一的时序数据以及位置数据一发送给数据存储模块一进行存储，并且同时通过数据传输模块一传输至数据存储云平台；

所述落尘实时监测网络由多个设置在落尘位置附近的待测平面上的落尘实时监测单元组成，所述落尘实时监测单元由粉尘沉积量测量装置、风速传感器二、GPS定位模块二、微处理器二、数据传输模块二和数据存储模块二组成；所述微处理器二分别与粉尘沉积量测量装置、风速传感器二、GPS定位模块二、数据传输模块二和数据存储模块二连接；所述粉尘沉积量测量装置用于实时测量待测平面上的粉尘沉积量，并将获得的粉尘沉积量数据实时发送给微处理器二；所述风速传感器二用于实时采集待测平面附近区域的风速信号二，并实时发送给微处理器二；所述GPS定位模块二用于采集待测落尘实时监测单元的位置信息二，并发送给微处理器二；所述微处理器二用于根据接收的风速信号二和位置信息二获得对应的风速值二和位置数据二，并根据内置的时钟模块对粉尘沉积量、风速值二进行时间序列记录，并且将粉尘沉积量、风速值二的时序数据和位置数据二发送给数据存储模块二进行存储，并且同时通过数据传输模块二传输至数据存储云平台；

所述悬浮粉尘浓度实时监测网络是由均匀的设置在待测受限空间内的多个悬浮粉尘浓度实时监测单元组成，悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距；所述悬浮粉尘浓度实时监测单元由悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、微处理器三、数据传输模块三和数据存储模块三组成，所述微处理器三分别与 悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、数据传输模块三和数据存储模块三连接；所述悬浮粉尘浓度测量仪用于实时测量悬浮在受限空间中的悬浮粉尘浓度，并实时发送给微处理器三；所述风速传感器三用于实时采集受限空间内的风速信号三，并实时发送给微处理器三；所述温湿度传感器二用于实时采集所在受限空间的温湿度信号二，并实时发送给微处理器三；所述GPS定位模块三用于采集悬浮粉尘浓度实时监测单元的位置信息三，并实时发送给微处理器三；所述微处理器三用于根据接收的风速信号三、温湿度信号二和位置信息三获得对应的风速值三、温度值二、湿度值二和位置数据三，并根据内置的时钟模块对悬浮粉尘浓度、风速值三、温度值二和湿度值二进行时间序列记录，并且将悬浮粉尘浓度、风速值三、温度值二、湿度值二和位置数据三的时序数据及位置数据三发送给数据存储模块三进行存储，并且同时通过数据传输模块三传输至数据存储云平台；

所述全空间三维建模单元由多组相机、数据处理模块一和数据传输模块六组成，所述数据处理模块一分别与多组相机和数据传输模块六连接；多组相机呈阵列式的布置于待测量受限空间内，用于从不同角度对待测量受限空间内三维空间信息数据进行采集，并实时发送给数据处理模块一，数据处理模块一用于根据所采集的三维空间信息数据进行待测量受限空间的三维重构，形成重构的受限空间三维模型，并同时通过数据传输模块六传输至数据存储云平台；

所述数据存储云平台由智能数据汇总模块、数据云存储模块和数据传输模块四组成，所述智能数据汇总模块分别与数据云存储模块和数据传输模块四连接；所述数据传输模块四分别与数据传输模块一、数据传输模块二、数据传输模块三和数据传输模块六连接；所述智能数据汇总模块用于将接收的来自于产尘点超大量程粉尘浓度监测网络的数据、落尘实时监测网络的数据、悬浮粉尘浓度实时监测网络的数据和全空间三维建模单元的重构的受限空间三维模型进行数据汇总，并且将汇总后的数据存储在数据云存储模块中，并且同时通过数据传输模块四传输至数据处理平台；

所述数据处理平台由数据接收模块、受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块和数据传输模块五组成；所述数据接收模块分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，并与数据传输模块四连接；所述数据传输模块五分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，受限空间流场演化模块、空间预测模块、时间预测模块和粉尘浓度场演化模块之间相互连接；所述数据接收模块用于将所接收的数据分别发送给受限空间流场演化模块、空间预测模块、粉尘浓度场演化模型和时间预测模型；

所述受限空间流场演化模块用于对所接收的风速数据一、风速数据二和风速数据三进行处理，并依据建立的重构的受限空间三维模型，使用非结构化网络对流场空间进行离散，并通过深度学习模型实现对流场特征的提取与识别，并且进一步建立整个受限空间内的流场模型；

所述空间预测模块用于根据粉尘监测三角网络内某一时刻全部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度及对应位置数据一、全部落尘实时监测单元的粉尘沉积量及对应位置数据二、全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据及对应位置数据三在重构的受限空间三维模型内进行多个产尘点超大量程粉尘浓度监测单元的位置标注、多个落尘实时监测单元的位置标注和多个悬浮粉尘浓度实时监测单元的位置标注，并在各自监测网络的标注内，将实时粉尘监测数据划分训练集与测试集，并利用不同监测单元的位置数据与粉尘监测数据，构筑各自监测网络内部不同位置监测单元的粉尘监测量的深度学习预测模型，并且针对深度学习预测模型进行模型参数的优化设计，并将训练好的深度学习预测模型，针对受限空间内不同点位的位置信息，将深度学习预测模型进行模型推广，最终形成空间预测模型，并实现各自监测网络标注范围内部全尺度的粉尘监测量预测；该空间预测模型可以根据连续时间段内不同时刻的粉尘监测三角网络内不同监测***的粉尘监测数据进行自我修正与模型迭代；

所述粉尘浓度场演化模型用于在受限空间内的流场模型的基础上，结合粉尘监测三角网络内不同监测网络的粉尘监测值，并依据空间预测模型，在受限空间实现全空间尺度上的粉尘浓度的预测值以及监测平台上的粉尘沉积量的预测值，并将预测值通过客户端可视化显示在受限空间三维模型对应的监测***上；

所述时间预测模型用于根据粉尘监测三角网络内某一监测网络传输的粉尘监测值的时序历史数据，建立循环时间网络模型，并针对粉尘监测值的历史数据进行分析，进而实现粉尘监测值的时间序列预测，并且依据模型效果进行模型参数的自主优化，进而针对粉尘监测三角网络内全部监测单元的粉尘监测值建立对应的循环时间网络模型，实现全部监测单元的粉尘监测值的超前智能预测，并且将各监测单元的超前预测值通过客户端可视化显示在受限空间三维模型对应的监测***上；

作为一种优选,所述客户端为带有显示屏的可视化客户端，用于根据所接收的数据进行可视化的在线展示。

本发明中，使粉尘三角监测网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成，进而可以通过产尘点超大量程粉尘浓度监测网络实现高粉尘浓度产尘点的粉尘浓度实时监测，通过落尘实时监测网络实现监测平面上粉尘沉积量的实时监测，通过悬浮粉尘浓度实时监测网络实现针对悬浮粉尘浓度的实时监测，因而该***可实现受限空间内粉尘产生时刻、悬浮状态和沉降状态的全过程监测。通过数据存储云平台的设置，可以方便的建立粉尘监测三角网络、全空间三维建模单元与数据处理平台的连接，进而能方便监测数据的传递过程。通过全空间三维建模单元的设置可以方便的建立重构的受限空间三维模型；通过受限空间流场演化模块的设置，可以方便的获得整个受限空间内流场模型；通过空间预测模块的设置，可以方便的建立空间预测模型，以便能实现各自监测网络内全部位置的粉尘监测量的预测；通过粉尘浓度场演化模块的设置，能够方便的对受限空间内各个位置各个时间上粉尘浓度及沉积量进行预测；通过时间预测模块能方便的实现全部监测单元的粉尘监测值的超前智能预测；该***可以对作业场所不同状态下的粉尘浓度空间规律做出整体性、***性的监测，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求。

本发明还提供了一种受限空间涉爆粉尘全过程监测方法，包括一种受限空间涉爆粉尘全过程监测***，还包括如下步骤：

步骤1：在受限空间内的产尘点附近区域均匀的布置多个产尘点超大量程粉尘浓度监测单元，并利用多个产尘点超大量程粉尘浓度监测单元组成产尘点超大量程粉尘浓度监测网络；在受限空间内落尘位置附近的待测平面上均匀的布置多个落尘实时监测单元，并利用多个落尘实时监测单元组成落尘实时监测网络；在受限空间内待测受限空间中均匀布置多个悬浮粉尘浓度实时监测单元，并使悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距，并利用多个悬浮粉尘浓度实时监测单元组成悬浮粉尘浓度实时监测网络；通过产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成粉尘监测三角网络；

在受限空间内布置全空间三维建模单元，并使其中的多个相机的镜头的设置角度各不同向；

利用数据存储云平台建立粉尘监测三角网络、全空间三维建模单元和数据处理平台的连接，并建立数据处理平台和客户端的连接；

步骤2：对于各个产尘点超大量程粉尘浓度监测单元，利用其中的超大量程粉尘浓度监测仪对产尘点附近区域中的粉尘浓度进行实时测量，并将获得的产尘点粉尘浓度数据实时发送给微处理器一，利用风速传感器一实时采集产尘点附近区域的风速信号一，并实时发送给微处理器一，利用温湿度传感器一实时采集产尘点附近区域的温湿度信号一，并实时发送给微处理器一，利用GPS定位模块一采集对应产尘点超大量程粉尘浓度监测单元的位置信息一，并发送给微处理器一，通过微处理器一对接收的风速信号一、温湿度信号一和位置信息一进行处理，并获得对应的风速值一、温度值一、湿度值一和位置数据一，并根据微处理器一内置的时钟模块对产尘点粉尘浓度、风速值一、温度值一和湿度值一进行时间序列记录，再将产尘点粉尘浓度、风速值一、温度值一和湿度值一的时序数据以及位置数据一发送给数据存储模块一进行存储，并且同时通过数据传输模块一传输至数据存储云平台；

对于各个落尘实时监测单元，利用其中的粉尘沉积量测量装置实时测量待测平面上的粉尘沉积量，并将获得的粉尘沉积量数据实时发送给微处理器二，利用风速传感器二实时采集待测平面附近区域的风速信号二，并实时发送给微处理器二，利用GPS定位模块二采集对应落尘实时监测单元的位置信息二，并发送给微处理器二，通过微处理器二对接收的风速信号二和位置信息二进行处理，并获得对应的风速值二和位置数据二，并根据微处理器二内置的时钟模块对粉尘沉积量、风速值二进行时间序列记录，再将粉尘沉积量、风速值二的时序数据和位置数据二发送给数据存储模块二进行存储，并且同时通过数据传输模块二传输至数据存储云平台；

对于各个悬浮粉尘浓度实时监测单元，利用其中的悬浮粉尘浓度测量仪实时测量悬浮在受限空间中的悬浮粉尘浓度，并实时发送给微处理器三，利用风速传感器三实时采集受限空间内的风速信号三，并实时发送给微处理器三，利用温湿度传感器二实时采集所在受限空间的温湿度信号二，并实时发送给微处理器三，利用GPS定位模块三采集对应悬浮粉尘浓度实时监测单元的位置信息三，并实时发送给微处理器三，通过微处理器三对接收的风速信号三、温湿度信号二和位置信息三进行处理，并获得对应的风速值三、温度值二、湿度值二和位置数据三，并根据微处理器三内置的时钟模块对悬浮粉尘浓度、风速值三、温度值二和湿度值二进行时间序列记录，再将悬浮粉尘浓度、风速值三、温度值二和湿度值二的时序数据及位置数据三发送给数据存储模块三进行存储，并且同时通过数据传输模块三传输至数据存储云平台；

对于全空间三维建模单元，利用其中的多组相机从不同角度采集受限空间内的三维空间信息，并发送给数据处理模块一，通过数据处理模块一对三维空间信息进行处理，并采用结构光技术构筑室内三维模型，并通过数据传输模块六将重构的受限空间三维模型发送给数据存储云平台；

步骤3：利用数据存储云平台中的智能数据汇总模块对所接收的产尘点超大量程粉尘浓度监测网络的数据、落尘实时监测网络的数据、悬浮粉尘浓度实时监测网络的数据和全空间三维建模单元的重构的受限空间三维模型进行数据汇总，再将汇总后的数据存储在数据云存储模块中，并且同时通过数据传输模块四传输至数据处理平台；

步骤4：利用受限空间流场演化模块对所接收的风速数据一、风速数据二和风速数据三进行处理，并依据重构的受限空间三维模型，使用非结构化网络对流场空间进行离散，建立全连接网络MLP模型，再使用全连接层进行流场特征的提取运算以及受限空间合尺度的流场预测，并且在全连接层前增加Dropout层来防止过拟合问题的出现，建立整个受限空间内流场模型；

利用空间预测模块根据粉尘监测三角网络内某一时刻全部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度及对应位置数据一、全部落尘实时监测单元的粉尘沉积量及对应位置数据二、全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据及对应位置数据三在重构的受限空间三维模型内进行多个产尘点超大量程粉尘浓度监测单元的位置标注、多个落尘实时监测单元的位置标注和多个悬浮粉尘浓度实时监测单元的位置标注，并在各自监测网络的标注内，将实时粉尘监测数据按照5折循环验证的方法划分训练集与测试集，并利用不同监测单元的位置数据与粉尘监测数据，建立各自监测网络的卷积神经网络CNN模型，并利用卷积层进行各自监测单元内不同位置粉尘监测值的预测训练，并依据预测结果与测试集结果进行比较，进行CNN模型的参数优化，再针对受限空间内不同点位的位置信息，将深度学习预测模型进行模型推广，形成空间预测CNN模型，以实现各自监测网络内全部位置的粉尘监测量的预测；

利用粉尘浓度场演化模块在受限空间内流场模型的基础上，根据粉尘监测三角网络内部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度、全部落尘实时监测单元的粉尘沉积量和全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据，并依据空间预测CNN模型，在受限空间实现全空间尺度上的粉尘浓度的预测值以及粉尘沉积量的预测值，并将预测值记录在重构的受限空间三维模型上，最后通过数据传输模块五将记录预测值的重构的受限空间三维模型发送给客户端进行可视化显示；

利用时间预测模块对粉尘监测三角网络内某一监测网络传输的粉尘监测值的时序历史数据，建立循环时间网络LSTM模型，并针对粉尘监测值的历史数据进行分析，实现粉尘监测值的时间序列预测，并且依据模型效果进行模型参数的自主优化，进而针对粉尘监测三角网络内全部监测单元的粉尘监测值建立对应的循环时间网络模型，实现全部监测单元的粉尘监测值的超前智能预测，并且将各监测单元的超前预测值记录在受限空间三维模型对应的监测***上，最后通过数据传输模块五将记录超前预测值的重构的受限空间三维模型发送给客户端进行可视化显示。

作为一种优选,在步骤4中，所述空间预测模块具有根据连续时间段内不同时刻的粉尘监测三角网络内不同监测***的粉尘监测数据进行自我修正与模型迭代的功能。

本发明在产尘点附近设置了产尘点超大量程粉尘浓度监测网络、在落尘点附近设置了落尘实时监测网络、在悬浮空间中设置了悬浮粉尘浓度实时监测网络，并使三者组成了粉尘监测三角网络，进而可以同时采集产尘点、落尘点和悬浮空间中的粉尘浓度数据。利用受限空间流场演化模块建立整个受限空间内流场模型，进而能在受限空间实现全空间尺度上的粉尘浓度的预测值以及监测平台上的粉尘沉积量的预测值，进而可将其可视化显示在重构的受限空间三维模型上，实现了全尺度受限空间粉尘的可视化监测。利用空间预测模块建立空间预测模型，进而能实现各自监测网络内全部位置的粉尘监测量的预测，有效的弥补了传统粉尘监测网络感知范围小，监测盲区大的缺点。利用粉尘浓度场演化模块在受限空间内流场模型的基础上进行全空间尺度上的粉尘浓度和粉尘沉积量的预测，可以便于获得受限空间内各个位置各个时间上粉尘浓度及沉积量的预测。利用时间预测模块建立循环时间网络LSTM模型，能够实现实现全部监测单元的粉尘监测值的超前智能预测。该方法步骤简单，实施过程方便，能够对作业场所不同状态下的粉尘浓度空间规律做出整体性、***性的监测，能满足实时对受限空间作业场所的涉爆粉尘浓度***性监测的现实需求。

Claims (4)

1.一种受限空间涉爆粉尘全过程监测***，包括粉尘监测三角网络、数据存储云平台和数据处理平台，其特征在于，还包括全空间三维建模单元和客户端；

所述粉尘监测三角网络由产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成；

所述产尘点超大量程粉尘浓度监测网络由设置在产尘点附近区域中的多个产尘点超大量程粉尘浓度监测单元组成，所述产尘点超大量程粉尘浓度监测单元由超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、微处理器一、数据传输模块一和数据存储模块一组成；所述微处理器一分别与超大量程粉尘浓度监测仪、风速传感器一、温湿度传感器一、GPS定位模块一、数据传输模块一和数据存储模块一连接；

所述落尘实时监测网络由多个设置在落尘位置附近的待测平面上的落尘实时监测单元组成，所述落尘实时监测单元由粉尘沉积量测量装置、风速传感器二、GPS定位模块二、微处理器二、数据传输模块二和数据存储模块二组成；所述微处理器二分别与粉尘沉积量测量装置、风速传感器二、GPS定位模块二、数据传输模块二和数据存储模块二连接；

所述悬浮粉尘浓度实时监测网络是由均匀的设置在待测受限空间内的多个悬浮粉尘浓度实时监测单元组成，悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距；所述悬浮粉尘浓度实时监测单元由悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、微处理器三、数据传输模块三和数据存储模块三组成，所述微处理器三分别与悬浮粉尘浓度测量仪、风速传感器三、温湿度传感器二、GPS定位模块三、数据传输模块三和数据存储模块三连接；

所述全空间三维建模单元由多组相机、数据处理模块一和数据传输模块六组成，所述数据处理模块一分别与多组相机和数据传输模块六连接；

所述数据存储云平台由智能数据汇总模块、数据云存储模块和数据传输模块四组成，所述智能数据汇总模块分别与数据云存储模块和数据传输模块四连接；所述数据传输模块四分别与数据传输模块一、数据传输模块二、数据传输模块三和数据传输模块六连接；

所述数据处理平台由数据接收模块、受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块和数据传输模块五组成；所述数据接收模块分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，并与数据传输模块四连接；所述数据传输模块五分别与受限空间流场演化模块、空间预测模块、时间预测模块、粉尘浓度场演化模块连接，受限空间流场演化模块、空间预测模块、时间预测模块和粉尘浓度场演化模块之间相互连接；

所述客户端为带有显示屏的可视化客户端，其通过内部的通信模块与数据传输模块五连接。

2.根据权利要求1所述的一种受限空间涉爆粉尘全过程监测***，其特征在于，所述客户端为多平台互通设计，其具有与IOS平台、安卓平台和Windows平台互通的功能。

3.一种受限空间涉爆粉尘全过程监测方法，包括如权利要求1所述的一种受限空间涉爆粉尘全过程监测***，其特征在于，包括如下步骤：

步骤1：在受限空间内的产尘点附近区域均匀的布置多个产尘点超大量程粉尘浓度监测单元，并利用多个产尘点超大量程粉尘浓度监测单元组成产尘点超大量程粉尘浓度监测网络；在受限空间内落尘位置附近的待测平面上均匀的布置多个落尘实时监测单元，并利用多个落尘实时监测单元组成落尘实时监测网络；在受限空间内待测受限空间中均匀布置多个悬浮粉尘浓度实时监测单元，并使悬浮粉尘浓度实时监测单元位于距离产尘点设定距离之外的悬浮空间中，且与落尘实时监测单元所在的测量平面具有设定的高度差距，并利用多个悬浮粉尘浓度实时监测单元组成悬浮粉尘浓度实时监测网络；通过产尘点超大量程粉尘浓度监测网络、落尘实时监测网络和悬浮粉尘浓度实时监测网络组成粉尘监测三角网络；

在受限空间内布置全空间三维建模单元，并使其中的多个相机的镜头的设置角度各不相同；

利用数据存储云平台建立粉尘监测三角网络、全空间三维建模单元和数据处理平台的连接，并建立数据处理平台和客户端的连接；

步骤2：对于各个产尘点超大量程粉尘浓度监测单元，利用其中的超大量程粉尘浓度监测仪对产尘点附近区域中的粉尘浓度进行实时测量，并将获得的产尘点粉尘浓度数据实时发送给微处理器一，利用风速传感器一实时采集产尘点附近区域的风速信号一，并实时发送给微处理器一，利用温湿度传感器一实时采集产尘点附近区域的温湿度信号一，并实时发送给微处理器一，利用GPS定位模块一采集对应产尘点超大量程粉尘浓度监测单元的位置信息一，并发送给微处理器一，通过微处理器一对接收的风速信号一、温湿度信号一和位置信息一进行处理，并获得对应的风速值一、温度值一、湿度值一和位置数据一，并根据微处理器一内置的时钟模块对产尘点粉尘浓度、风速值一、温度值一和湿度值一进行时间序列记录，再将产尘点粉尘浓度、风速值一、温度值一和湿度值一的时序数据以及位置数据一发送给数据存储模块一进行存储，并且同时通过数据传输模块一传输至数据存储云平台；

对于各个落尘实时监测单元，利用其中的粉尘沉积量测量装置实时测量待测平面上的粉尘沉积量，并将获得的粉尘沉积量数据实时发送给微处理器二，利用风速传感器二实时采集待测平面附近区域的风速信号二，并实时发送给微处理器二，利用GPS定位模块二采集对应落尘实时监测单元的位置信息二，并发送给微处理器二，通过微处理器二对接收的风速信号二和位置信息二进行处理，并获得对应的风速值二和位置数据二，并根据微处理器二内置的时钟模块对粉尘沉积量、风速值二进行时间序列记录，再将粉尘沉积量、风速值二的时序数据和位置数据二发送给数据存储模块二进行存储，并且同时通过数据传输模块二传输至数据存储云平台；

对于各个悬浮粉尘浓度实时监测单元，利用其中的悬浮粉尘浓度测量仪实时测量悬浮在受限空间中的悬浮粉尘浓度，并实时发送给微处理器三，利用风速传感器三实时采集受限空间内的风速信号三，并实时发送给微处理器三，利用温湿度传感器二实时采集所在受限空间的温湿度信号二，并实时发送给微处理器三，利用GPS定位模块三采集对应悬浮粉尘浓度实时监测单元的位置信息三，并实时发送给微处理器三，通过微处理器三对接收的风速信号三、温湿度信号二和位置信息三进行处理，并获得对应的风速值三、温度值二、湿度值二和位置数据三，并根据微处理器三内置的时钟模块对悬浮粉尘浓度、风速值三、温度值二和湿度值二进行时间序列记录，再将悬浮粉尘浓度、风速值三、温度值二和湿度值二的时序数据及位置数据三发送给数据存储模块三进行存储，并且同时通过数据传输模块三传输至数据存储云平台；

对于全空间三维建模单元，利用其中的多组相机从不同角度采集受限空间内的三维空间信息，并发送给数据处理模块一，通过数据处理模块一对三维空间信息进行处理，并采用结构光技术构筑室内三维模型，并通过数据传输模块六将重构的受限空间三维模型发送给数据存储云平台；

步骤3：利用数据存储云平台中的智能数据汇总模块对所接收的产尘点超大量程粉尘浓度监测网络的数据、落尘实时监测网络的数据、悬浮粉尘浓度实时监测网络的数据和全空间三维建模单元的重构的受限空间三维模型进行数据汇总，再将汇总后的数据存储在数据云存储模块中，并且同时通过数据传输模块四传输至数据处理平台；

步骤4：利用受限空间流场演化模块对所接收的风速数据一、风速数据二和风速数据三进行处理，并依据重构的受限空间三维模型，使用非结构化网络对流场空间进行离散，建立全连接网络MLP模型，再使用全连接层进行流场特征的提取运算以及受限空间全尺度的流场预测，并且在全连接层前增加Dropout层来防止过拟合问题的出现，建立整个受限空间内流场模型；

利用空间预测模块根据粉尘监测三角网络内某一时刻全部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度及对应位置数据一、全部落尘实时监测单元的粉尘沉积量及对应位置数据二、全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据及对应位置数据三在重构的受限空间三维模型内进行多个产尘点超大量程粉尘浓度监测单元的位置标注、多个落尘实时监测单元的位置标注和多个悬浮粉尘浓度实时监测单元的位置标注，并在各自监测网络的标注内，将实时粉尘监测数据按照5折循环验证的方法划分训练集与测试集，并利用不同监测单元的位置数据与粉尘监测数据，建立各自监测网络的卷积神经网络CNN模型，并利用卷积层进行各自监测单元内不同位置粉尘监测值的预测训练，并依据预测结果与测试集结果进行比较，进行CNN模型的参数优化，再针对受限空间内不同点位的位置信息，将深度学习预测模型进行模型推广，形成空间预测CNN模型，以实现各自监测网络内全部位置的粉尘监测量的预测；

利用粉尘浓度场演化模块在受限空间内流场模型的基础上，根据粉尘监测三角网络内部产尘点超大量程粉尘浓度监测单元的产尘点粉尘浓度、全部落尘实时监测单元的粉尘沉积量和全部悬浮粉尘浓度实时监测单元的悬浮粉尘浓度数据，并依据空间预测CNN模型，在受限空间实现全空间尺度上的粉尘浓度的预测值以及粉尘沉积量的预测值，并将预测值记录在重构的受限空间三维模型上，最后通过数据传输模块五将记录预测值的重构的受限空间三维模型发送给客户端进行可视化显示；

利用时间预测模块对粉尘监测三角网络内某一监测网络传输的粉尘监测值的时序历史数据，建立循环时间网络LSTM模型，并针对粉尘监测值的历史数据进行分析，实现粉尘监测值的时间序列预测，并且依据模型效果进行模型参数的自主优化，进而针对粉尘监测三角网络内全部监测单元的粉尘监测值建立对应的循环时间网络模型，实现全部监测单元的粉尘监测值的超前智能预测，并且将各监测单元的超前预测值记录在受限空间三维模型对应的监测***上，最后通过数据传输模块五将记录超前预测值的重构的受限空间三维模型发送给客户端进行可视化显示。

4.根据权利要求3所述的一种受限空间涉爆粉尘全过程监测方法，其特征在于，在步骤4中，所述空间预测模块具有根据连续时间段内不同时刻的粉尘监测三角网络内不同监测***的粉尘监测数据进行自我修正与模型迭代的功能。

Images