CN116087131A - 一种紫外差分气体分析仪的数据处理方法及*** - Google Patents
一种紫外差分气体分析仪的数据处理方法及*** Download PDFInfo
- Publication number
- CN116087131A CN116087131A CN202310379626.7A CN202310379626A CN116087131A CN 116087131 A CN116087131 A CN 116087131A CN 202310379626 A CN202310379626 A CN 202310379626A CN 116087131 A CN116087131 A CN 116087131A
- Authority
- CN
- China
- Prior art keywords
- gas analyzer
- concentration
- ultraviolet differential
- differential gas
- data
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 238000012937 correction Methods 0.000 claims abstract description 63
- 238000002474 experimental method Methods 0.000 claims abstract description 55
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 238000004868 gas analysis Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000007789 gas Substances 0.000 claims description 247
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000011261 inert gas Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Computer Hardware Design (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种紫外差分气体分析仪的数据处理方法及***,涉及气体检测技术领域,通过收集若干轮气体分析实验的特征数据以及结果数据,对特征数据以及结果数据根据使用次数和使用时长进行集合划分,并将每个数据训练集合中的数据进行神经网络模型的训练,在用户使用具体的紫外差分气体分析仪前,计算出预调节参数,而用户的紫外差分气体分析仪实时向服务器后台发送环境特征数据,并在服务器后台对曲线进行数据筛除以及数据分离,在用户对未知浓度气体进行检测时,根据使用次数和使用时长,匹配对应的神经网络模型,计算出纠正系数,基于纠正系数、检测浓度和预调节参数获得纠正浓度;提高了对气体浓度检测结果的精确度。
Description
技术领域
本发明属于紫外差分气体分析仪领域,涉及气体检测结果分析技术,具体是一种紫外差分气体分析仪的数据处理方法及***。
背景技术
紫外差分气体分析仪是一种高精度、高灵敏度的气体分析仪器,因其具有高灵敏度,检测的结果会受到外部因素的影响;这些因素包括但不限于环境的温度、湿度和大气压强的变化;当外部环境变化时,紫外差分气体分析仪输出的结果可能是不准确的,因此,需要对检测结果进行一定程度的纠正。
而目前尚缺乏根据紫外差分气体分析仪所在的具体环境以及环境变化条件下,对气体检测分析结果进行误差纠正的方法。
为此,本发明提出一种紫外差分气体分析仪的数据处理方法及***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种紫外差分气体分析仪的数据处理方法及***,该一种紫外差分气体分析仪的数据处理方法及***提高了对气体浓度检测结果的精确度。
为实现上述目的,根据本发明的第一方面的实施例提出一种紫外差分气体分析仪的数据处理方法,包括以下步骤:
步骤一:预先进行若干轮对已知浓度气体的气体分析实验,由服务器后台获取每轮气体分析实验的特征数据以及结果数据;
步骤二:在每轮气体分析实验中,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分;并将所有轮次气体分析根据集合划分结果进行合并,获得训练数据集合划分结果;
步骤三:将特征数据中的温度曲线、湿度曲线以及大气压曲线作为神经网络的输入,结果数据作为神经网络的预测目标,训练出根据特征数据对结果数据进行预测的神经网络模型;
步骤四:在用户使用紫外差分气体分析仪之前,计算对应的预调节参数;
步骤五:在用户使用的紫外差分气体分析仪上安装若干环境特征数据传感器;且每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据通过无线网络方式发送至服务器后台;
步骤六:服务器后台对环境特征数据进行筛除和分离;
步骤七:用户使用紫外差分气体分析仪对未知浓度的气体进行检测时,该紫外差分气体分析仪通过无线网络方式向服务器后台发送检测信号;所述检测信号中包括该紫外差分气体分析仪的编号i、使用次数、使用时长、预调节参数以及对检测气体进行检测的检测浓度;
步骤八:服务器后台接收到检测信号后,由服务器后台为该紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出用户使用的紫外差分气体分析仪i的纠正浓度;
步骤九:服务器后台将纠正浓度发送至紫外差分气体分析仪i,并由紫外差分气体分析仪i向客户展示纠正浓度;该纠正浓度即为对检测气体进行检测的最终输出结果。
每轮所述气体分析实验为:选择若干使用次数不同以及使用时长不同的紫外差分气体分析仪,并向每台紫外差分气体分析仪的样品室中输入相同的已知浓度的检测气体,以及向参比室中输入相同浓度的惰性气体;在时间变化过程中,对温度、湿度以及大气压等影响特征数据进行持续调整,并持续的获得对应时间下的每台紫外差分气体分析仪分析的检测气体的实验浓度;实验浓度即为气体分析实验使用的紫外差分气体分析仪输出的浓度值;
所述特征数据包括每台紫外差分气体分析仪使用次数、使用时长、温度曲线、湿度曲线以及大气压曲线;所述结果数据包括实验浓度曲线;
将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分的方式为:
根据实际经验将使用次数和使用时长划分为若干频次等级和折旧等级,并对频次等级和折旧等级进行笛卡尔乘积组合;可以理解的是,组合的数量共有N*M个,其中N为频次等级的数量,M为折旧等级的数量;将每个频次等级和折旧等级的组合标记为pmn,将组合pmn对应的紫外差分气体分析仪集合标记为Pmn;其中,m=1,2,…M,n=1,2,…N;根据每台紫外差分气体分析仪的使用次数和使用时长所属的频次等级和折旧等级,将其分配至对应的紫外差分气体分析仪集合中;
训练出根据特征数据对结果数据进行预测的神经网络模型包括以下步骤:
步骤S1:将已知浓度的检测气体的真实浓度标记为R;将时间标记为t,将气体分析实验用的紫外差分气体分析仪的编号标记为j,将紫外差分气体分析仪j在实验浓度曲线中,时间t时刻的气体浓度的检测值标记为Cjt;计算时间t时刻下,紫外差分气体分析仪j的误差系数Wjt;其中,误差系数Wjt的计算公式为;
步骤S2:对于每个训练数据集合,将特征数据中的温度曲线、湿度曲线以及大气压曲线作为具有时间序列的影响因子,误差系数的曲线图作为时间序列的影响结果,输入至时间序列预测神经网络模型中,并进行训练;获得根据环境中温度、湿度以及大气压的变化情况,输出未来时间对检测气体的误差系数的神经网络模型;
在用户使用紫外差分气体分析仪之前,获得对应的预调节参数的方式为:
用户使用紫外差分气体分析仪进行气体检测前,向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪对两种气体的差分数据分析出检测气体的检测浓度;所述检测浓度即为用户使用的紫外差分气体分析仪输出的气体浓度值;将用户使用的紫外差分气体分析仪的编号标记为i,并将对应的检测浓度标记为Ci,将检测气体的真实浓度标记为Ri;计算出紫外差分气体分析仪i对应的预调节参数Yi;其中,预调节参数Yi的计算公式为;
所述环境特征数据包括经纬度坐标、环境温度、环境湿度以及环境大气压;对应的,所述环境特征数据传感器包括位置传感器、温度传感器、湿度传感器以及大气压传感器;
进一步的,服务器后台对于环境特征数据进行筛除和分离的方式为:
对特征数据进行筛除的方式为:服务器后台根据每台紫外差分气体分析仪所在的经纬度坐标,从卫星地图中获取该经纬度坐标对应的海拔高度;再根据每台紫外差分气体分析仪所处环境的海拔、纬度坐标以及温度传感器和湿度传感器感应的环境温度和环境湿度,计算出环境大气压合理估值;并根据实际经验预设大气压误差比例上限和大气压误差比例下限;若大气压传感器感应的环境大气压出现异常现象,且异常现象时长小于持续时长阈值时,则将出现异常现象的时间段内的环境特征数据进行筛除;所述异常现象为大气压传感器感应的环境大气压与环境大气压合理估值的比值大于大气压误差比例上限或小于大气压误差比例下限,否则,则为正常现象;所述持续时长阈值根据实际经验设置;
对特征数据进行分离的方式为:若大气压出现异常现象的时长大于持续时长阈值,或大气压从异常现象转变为正常现象,且正常现象的持续时长大于持续时长阈值时,服务器后台将环境特征数据传感器感应的温度曲线、湿度曲线以及大气压曲线从大气压出现异常现象或转变为正常现象的时间节点分割为两段时间曲线段;
服务器后台生成一个纠正系数包括以下步骤:
步骤Q1:服务器后台根据用户使用的紫外差分气体分析仪i的使用次数以及使用时长所属的频次等级和折旧等级,匹配对应的气体分析实验用的训练数据集合,并读取该训练数据集合对应的神经网络模型;
步骤Q2:将用户使用的紫外差分气体分析仪i的环境特征数据传感器感应的最新时间段下的温度曲线、湿度曲线以及大气压曲线的曲线段输入至神经网络模型中,获得神经网络模型输出的对当前误差系数的预估值;该预估值即为纠正系数;将纠正系数标记为wi;
计算出用户使用的紫外差分气体分析仪i的纠正浓度的方式为:
将对检测气体检测的检测浓度标记为Xi;将纠正浓度标记为Zi;则纠正浓度Zi的计算公式为。
根据本发明的第二方面的实施例提出一种紫外差分气体分析仪的数据处理***,包括气体分析实验模块、实验数据预处理模块、模型训练模块、预调节参数获取模块、环境特征数据感知模块、检测启动模块以及浓度纠正模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述气体分析实验模块主要用于预先进行若干轮已知浓度的气体分析实验,并将特征数据以及结果数据发送至服务器后台的实验数据预处理模块;
其中,所述实验数据预处理模块主要用于在服务器后台,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分;并将集合划分的结果发送至模型训练模块;
其中,所述模型训练模块主要用于在服务器后台,将特征数据作为神经网络的输入,结果数据作为神经网络的预测目标,训练出根据特征数据对结果数据进行预测的神经网络模型;并将训练完成的神经网络模型发送至浓度纠正模块;
其中,所述预调节参数获取模块主要用于在用户使用紫外差分气体分析仪之前,通过向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪分析出的检测气体的检测浓度,计算检测气体的检测浓度与真实浓度的比值,获得对应的预调节参数;并将预调节参数发送至检测启动模块;
其中,所述环境特征数据感知模块用于在用户在使用紫外差分气体分析仪时,每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据发送至浓度纠正模块;并对环境特征数据进行筛除和分离;
其中,所述检测启动模块主要用于在使用紫外差分气体分析仪对未知浓度的气体进行检测时,紫外差分气体分析仪通过无线网络方式向服务器后台的浓度纠正模块发送检测信号;
浓度纠正模块主要用于服务器后台接收到检测信号后,由服务器后台为紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出紫外差分气体分析仪的纠正浓度。
与现有技术相比,本发明的有益效果是:
本发明在服务器后台预先收集若干轮气体分析实验的特征数据以及结果数据,再将实验用的紫外差分气体分析仪根据使用次数和使用时长进行训练数据的集合划分,并将每个数据训练集合中的数据进行训练,获得预测误差系数的神经网络模型,在用户使用具体的紫外差分气体分析仪前,还进一步的针对可能出现的误差,计算出预调节参数,进一步的,用户的紫外差分气体分析仪实时向服务器后台发送经纬度坐标、温度、湿度以及大气压数据,并在服务器后台对曲线进行数据筛除以及数据分离,在用户对未知浓度气体进行检测时,根据紫外差分气体分析仪使用次数和使用时长,匹配对应的神经网络模型,并计算出纠正系数,基于纠正系数、检测浓度和预调节参数获得纠正浓度。
(1)本发明通过根据紫外差分气体分析仪所处环境温度、湿度以及大气压等环境变化曲线计算出纠正系数,对检测结果进行误差纠正,提高了对气体浓度检测结果的精确度;
(2)本发明通过根据大气压与温度、湿度、海拔和纬度坐标的关系,对传感器数据进行异常判断,降低了预测数据的噪声,且保证在紫外差分气体分析仪所在环境发生变化时,能及时发现,并重新采集环境数据曲线;降低了环境变化导致的对检测结果的影响。
附图说明
图1为本发明的实施例一中紫外差分气体分析仪的数据处理方法的流程图;
图2为本发明的实施例二中紫外差分气体分析仪的数据处理***中各个模块之间的连接关系图。
具体实施方式
下面将结合实施例对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
实施例一
如图1所示,本实施例所述的一种紫外差分气体分析仪的数据处理方法,包括以下步骤:
步骤一:预先进行若干轮对已知浓度气体的气体分析实验,由服务器后台获取每轮气体分析实验的特征数据以及结果数据;
步骤二:在每轮气体分析实验中,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分;并将所有轮次气体分析根据集合划分结果进行合并,获得训练数据集合划分结果;
步骤三:将特征数据中的温度曲线、湿度曲线以及大气压曲线作为神经网络的输入,结果数据作为神经网络的预测目标,训练出根据特征数据对结果数据进行预测的神经网络模型;
步骤四:在用户使用紫外差分气体分析仪之前,计算对应的预调节参数;
步骤五:在用户使用的紫外差分气体分析仪上安装若干环境特征数据传感器;且每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据通过无线网络方式发送至服务器后台;
步骤六:服务器后台对环境特征数据进行筛除和分离;
步骤七:用户使用紫外差分气体分析仪对未知浓度的气体进行检测时,该紫外差分气体分析仪通过无线网络方式向服务器后台发送检测信号;所述检测信号中包括该紫外差分气体分析仪的编号i、使用次数、使用时长、预调节参数以及对检测气体进行检测的检测浓度;
步骤八:服务器后台接收到检测信号后,由服务器后台为该紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出用户使用的紫外差分气体分析仪i的纠正浓度;
步骤九:服务器后台将纠正浓度发送至紫外差分气体分析仪i,并由紫外差分气体分析仪i向客户展示纠正浓度;该纠正浓度即为对检测气体进行检测的最终输出结果。
在一个优选的实施例中,每轮所述气体分析实验为选择若干使用次数不同以及使用时长不同的紫外差分气体分析仪,并向每台紫外差分气体分析仪的样品室中输入相同的已知浓度的检测气体,以及向参比室中输入相同浓度的惰性气体;在时间变化过程中,对温度、湿度以及大气压等影响特征数据进行持续调整,并持续的获得对应时间下的每台紫外差分气体分析仪分析的检测气体的实验浓度;实验浓度即为气体分析实验使用的紫外差分气体分析仪输出的浓度值;
可以理解的是,随着时间的推移,每台紫外差分气体分析仪可以获得随时间变化的温度曲线、湿度曲线、大气压曲线以及实验浓度曲线,其中,实验浓度曲线是跟随温度曲线、湿度曲线和大气压曲线变化的;
因此,所述特征数据包括每台紫外差分气体分析仪使用次数、使用时长、温度曲线、湿度曲线以及大气压曲线;所述结果数据包括实验浓度曲线;
在一个优选的实施例中,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分的方式为:
根据实际经验将使用次数和使用时长划分为若干频次等级和折旧等级,并对频次等级和折旧等级进行笛卡尔乘积组合;可以理解的是,组合的数量共有N*M个,其中N为频次等级的数量,M为折旧等级的数量;将每个频次等级和折旧等级的组合标记为pmn,将组合pmn对应的紫外差分气体分析仪集合标记为Pmn;其中,m=1,2,…M,n=1,2,…N;根据每台紫外差分气体分析仪的使用次数和使用时长所属的频次等级和折旧等级,将其分配至对应的紫外差分气体分析仪集合中;
上述根据实际经验将使用次数和使用时长划分为若干频次等级和折旧等级,并对频次等级和折旧等级进行笛卡尔乘积组合;所述频次等级和折旧等级的划分根据本领域技术人员根据实际情况确定,在此不做具体限定。例如:将紫外差分气体分析仪的使用次数按小于100、100-500、500-1000以及大于1000 次划分频次等级;将使用时长按1年以内、1年至3年、3年至10年以及10年以上划分折旧等级。
进一步的,获得训练数据集合划分结果的方式为:
将每轮气体分析实验中紫外差分气体分析仪生成的特征数据以及结果数据按所属紫外差分气体分析仪集合进行合并,每个频次等级和折旧等级的组合,对应一个训练数据集合;每个训练数据集合中包含有合并后的特征数据和结果数据;
在一个优选的实施例中,训练出根据特征数据对结果数据进行预测的神经网络模型包括以下步骤:
步骤S1:将已知浓度的检测气体的真实浓度标记为R;将时间标记为t,将气体分析实验用的紫外差分气体分析仪的编号标记为j,将紫外差分气体分析仪j在实验浓度曲线中,时间t时刻的气体浓度的检测值标记为Cjt;计算时间t时刻下,紫外差分气体分析仪j的误差系数Wjt;其中,误差系数Wjt的计算公式为;
可以理解的是,经过计算误差系数,将实验浓度曲线转化为了误差系数的曲线图;
步骤S2:对于每个训练数据集合,将特征数据中的温度曲线、湿度曲线以及大气压曲线作为具有时间序列的影响因子,误差系数的曲线图作为时间序列的影响结果,输入至时间序列预测神经网络模型中,并进行训练;获得根据环境中温度、湿度以及大气压的变化情况,输出未来时间对检测气体的误差系数的神经网络模型;优选的,所述神经网络模型可以为RNN或LSTM模型中的一种;
在一个优选的实施例中,在用户使用紫外差分气体分析仪之前,获得对应的预调节参数的方式为:
用户使用紫外差分气体分析仪进行气体检测前,向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪对两种气体的差分数据分析出检测气体的检测浓度;所述检测浓度即为用户使用的紫外差分气体分析仪输出的气体浓度值;将用户使用的紫外差分气体分析仪的编号标记为i,并将对应的检测浓度标记为Ci,将检测气体的真实浓度标记为Ri;计算出紫外差分气体分析仪i对应的预调节参数Yi;其中,预调节参数Yi的计算公式为;可以理解的是,该预调节参数即为用户使用紫外差分气体分析仪所具有的初始误差;
在一个优选的实施例中,所述环境特征数据包括经纬度坐标、环境温度、环境湿度以及环境大气压;对应的,所述环境特征数据传感器包括位置传感器、温度传感器、湿度传感器以及大气压传感器;
进一步的,服务器后台对于环境特征数据进行筛除和分离的方式为:
对特征数据进行筛除的方式为:可以理解的是,环境大气压与所在的海拔、纬度、环境温度以及环境湿度有关;服务器后台根据每台紫外差分气体分析仪所在的经纬度坐标,从卫星地图中获取该经纬度坐标对应的海拔高度;再根据每台紫外差分气体分析仪所处环境的海拔、纬度坐标以及温度传感器和湿度传感器感应的环境温度和环境湿度,计算出环境大气压合理估值;并根据实际经验预设大气压误差比例上限和大气压误差比例下限;若大气压传感器感应的环境大气压出现异常现象,且异常现象时长小于持续时长阈值时,则将出现异常现象的时间段内的环境特征数据进行筛除;所述异常现象为大气压传感器感应的环境大气压与环境大气压合理估值的比值大于大气压误差比例上限或小于大气压误差比例下限,否则,则为正常现象;所述持续时长阈值根据实际经验设置;
对特征数据进行分离的方式为:若大气压出现异常现象的时长大于持续时长阈值,或大气压从异常现象转变为正常现象,且正常现象的持续时长大于持续时长阈值时,服务器后台将环境特征数据传感器感应的温度曲线、湿度曲线以及大气压曲线从大气压出现异常现象或转变为正常现象的时间节点分割为两段时间曲线段;可以理解的是,当大气压持续异常时,可能是因为紫外差分气体分析仪所处环境发生了变化,例如进入了温度较高的室内,因此,重新对该环境进行环境特征数据曲线的收集,避免了不同环境对环境特征数据曲线的干扰;
在一个优选的实施例中,服务器后台生成一个纠正系数包括以下步骤:
步骤Q1:服务器后台根据用户使用的紫外差分气体分析仪i的使用次数以及使用时长所属的频次等级和折旧等级,匹配对应的气体分析实验用的训练数据集合,并读取该训练数据集合对应的神经网络模型;
步骤Q2:将用户使用的紫外差分气体分析仪i的环境特征数据传感器感应的最新时间段下的温度曲线、湿度曲线以及大气压曲线的曲线段输入至神经网络模型中,获得神经网络模型输出的对当前误差系数的预估值;该预估值即为纠正系数;将纠正系数标记为wi;
进一步的,计算出用户使用的紫外差分气体分析仪i的纠正浓度的方式为:
将对检测气体检测的检测浓度标记为Xi;将纠正浓度标记为Zi;则纠正浓度Zi的计算公式为。
实施例二
如图2所示,本实施例未详细部分见实施例一描述内容,本实施例所述的一种紫外差分气体分析仪的数据处理***,包括气体分析实验模块、实验数据预处理模块、模型训练模块、预调节参数获取模块、环境特征数据感知模块、检测启动模块以及浓度纠正模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述气体分析实验模块主要用于预先进行若干轮已知浓度的气体分析实验,并将特征数据以及结果数据发送至服务器后台的实验数据预处理模块;
其中,所述实验数据预处理模块主要用于在服务器后台,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分;并将集合划分的结果发送至模型训练模块;
其中,所述模型训练模块主要用于在服务器后台,将特征数据作为神经网络的输入,结果数据作为神经网络的预测目标,训练出根据特征数据对结果数据进行预测的神经网络模型;并将训练完成的神经网络模型发送至浓度纠正模块;
其中,所述预调节参数获取模块主要用于在用户使用紫外差分气体分析仪之前,通过向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪分析出的检测气体的检测浓度,计算检测气体的检测浓度与真实浓度的比值,获得对应的预调节参数;并将预调节参数发送至检测启动模块;
其中,所述环境特征数据感知模块用于在用户在使用紫外差分气体分析仪时,每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据发送至浓度纠正模块;并对环境特征数据进行筛除和分离;
其中,所述检测启动模块主要用于在使用紫外差分气体分析仪对未知浓度的气体进行检测时,紫外差分气体分析仪通过无线网络方式向服务器后台的浓度纠正模块发送检测信号;所述检测信号中包括紫外差分气体分析仪的编号、使用次数、使用时长、预调节参数以及对检测气体进行检测的检测浓度;
浓度纠正模块主要用于服务器后台接收到检测信号后,由服务器后台为紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出紫外差分气体分析仪的纠正浓度。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种紫外差分气体分析仪的数据处理方法,其特征在于,包括以下步骤:
步骤一:预先进行若干轮已知浓度气体的气体分析实验,由服务器后台获取每轮气体分析实验的特征数据以及结果数据;
步骤二:在每轮气体分析实验中,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分,并将所有轮次气体分析根据集合划分结果进行合并,获得训练数据集合划分结果;
步骤三:训练根据特征数据对结果数据进行预测的神经网络模型;
步骤四:在用户使用紫外差分气体分析仪之前,计算对应的预调节参数;
步骤五:在用户使用的紫外差分气体分析仪上安装若干环境特征数据传感器;且每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据通过无线网络方式发送至服务器后台;
步骤六:服务器后台对环境特征数据进行筛除和分离;
步骤七:用户使用紫外差分气体分析仪对未知浓度的气体进行检测时,该紫外差分气体分析仪通过无线网络方式向服务器后台发送检测信号;所述检测信号中包括该紫外差分气体分析仪的编号、使用次数、使用时长、预调节参数以及对检测气体进行检测的检测浓度;所述检测浓度为用户使用的紫外差分气体分析仪输出的气体浓度值;
步骤八:服务器后台接收到检测信号后,由服务器后台为该紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出用户使用的紫外差分气体分析仪的纠正浓度;
步骤九:服务器后台将纠正浓度发送至紫外差分气体分析仪,并由紫外差分气体分析仪展示纠正浓度。
2.根据权利要求1所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,每轮所述气体分析实验为:选择若干使用次数不同以及使用时长不同的紫外差分气体分析仪,并向每台紫外差分气体分析仪的样品室中输入相同的已知浓度的检测气体,以及向参比室中输入相同浓度的惰性气体;在时间变化过程中,对温度、湿度以及大气压影响特征数据进行持续调整,并持续的获得对应时间下的每台紫外差分气体分析仪分析的检测气体的实验浓度;
所述特征数据包括每台紫外差分气体分析仪使用次数、使用时长、温度曲线、湿度曲线以及大气压曲线;所述结果数据包括实验浓度曲线。
3.根据权利要求2所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分的方式为:
将使用次数和使用时长划分为若干频次等级和折旧等级,并对频次等级和折旧等级进行笛卡尔乘积组合;组合的数量共有N*M个,其中N为频次等级的数量,M为折旧等级的数量;将每个频次等级和折旧等级的组合标记为pmn,将组合pmn对应的紫外差分气体分析仪集合标记为Pmn;其中,m=1,2,…M,n=1,2,…N;根据每台紫外差分气体分析仪的使用次数和使用时长所属的频次等级和折旧等级,将其分配至对应的紫外差分气体分析仪集合中。
4.根据权利要求3所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,获得训练数据集合划分结果的方式为:
将每轮气体分析实验中紫外差分气体分析仪生成的特征数据以及结果数据按所属紫外差分气体分析仪集合进行合并,每个频次等级和折旧等级的组合,对应一个训练数据集合;每个训练数据集合中包含有合并后的特征数据和结果数据。
5.根据权利要求4所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,训练出根据特征数据对结果数据进行预测的神经网络模型包括以下步骤:
步骤S1:将已知浓度的检测气体的真实浓度标记为R;将时间标记为t,将气体分析实验用的紫外差分气体分析仪的编号标记为j,将紫外差分气体分析仪j在实验浓度曲线中,时间t时刻的气体浓度的检测值标记为Cjt;计算时间t时刻下,紫外差分气体分析仪j的误差系数Wjt;其中,误差系数Wjt的计算公式为;
步骤S2:对于每个训练数据集合,将特征数据中的温度曲线、湿度曲线以及大气压曲线作为具有时间序列的影响因子,误差系数的曲线图作为时间序列的影响结果,输入至时间序列预测神经网络模型中,并进行训练;获得根据环境中温度、湿度以及大气压的变化情况,输出未来时间对检测气体的误差系数的神经网络模型。
6.根据权利要求5所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,在用户使用紫外差分气体分析仪之前,获得对应的预调节参数的方式为:
用户使用紫外差分气体分析仪进行气体检测前,向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪对两种气体的差分数据分析出检测气体的检测浓度;将用户使用的紫外差分气体分析仪的编号标记为i,并将对应的检测浓度标记为Ci,将检测气体的真实浓度标记为Ri;计算出紫外差分气体分析仪i对应的预调节参数Yi;其中,预调节参数Yi的计算公式为。
7.根据权利要求6所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,所述环境特征数据包括经纬度坐标、环境温度、环境湿度以及环境大气压;所述环境特征数据传感器包括位置传感器、温度传感器、湿度传感器以及大气压传感器。
8.根据权利要求7所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,服务器后台对于环境特征数据进行筛除和分离的方式为:
对特征数据进行筛除的方式为:服务器后台根据每台紫外差分气体分析仪所在的经纬度坐标,从卫星地图中获取该经纬度坐标对应的海拔高度;再根据每台紫外差分气体分析仪所处环境的海拔、纬度坐标以及温度传感器和湿度传感器感应的环境温度和环境湿度,计算出环境大气压合理估值;并根据实际经验预设大气压误差比例上限和大气压误差比例下限;若大气压传感器感应的环境大气压出现异常现象,且异常现象时长小于持续时长阈值时,则将出现异常现象的时间段内的环境特征数据进行筛除;
对特征数据进行分离的方式为:若大气压出现异常现象的时长大于持续时长阈值,或大气压从异常现象转变为正常现象,且正常现象的持续时长大于持续时长阈值时,服务器后台将环境特征数据传感器感应的温度曲线、湿度曲线以及大气压曲线从大气压出现异常现象或转变为正常现象的时间节点分割为两段时间曲线段。
9.根据权利要求8所述的一种紫外差分气体分析仪的数据处理方法,其特征在于,服务器后台生成一个纠正系数包括以下步骤:
步骤Q1:服务器后台根据用户使用的紫外差分气体分析仪i的使用次数以及使用时长所属的频次等级和折旧等级,匹配对应的气体分析实验用的训练数据集合,并读取该训练数据集合对应的神经网络模型;
步骤Q2:将用户使用的紫外差分气体分析仪i的环境特征数据传感器感应的最新时间段下的温度曲线、湿度曲线以及大气压曲线的曲线段输入至神经网络模型中,获得神经网络模型输出的对当前误差系数的预估值;该预估值即为纠正系数;将纠正系数标记为wi;
计算出用户使用的紫外差分气体分析仪i的纠正浓度的方式为:
将对检测气体检测的检测浓度标记为Xi;将纠正浓度标记为Zi;则纠正浓度Zi的计算公式为。
10.根据权利要求1-9中任意一项所述的一种紫外差分气体分析仪的数据处理方法的数据处理***,其特征在于,包括气体分析实验模块、实验数据预处理模块、模型训练模块、预调节参数获取模块、环境特征数据感知模块、检测启动模块以及浓度纠正模块;其中,各个模块之间通过电气和/或无线网络方式连接;
其中,所述气体分析实验模块用于预先进行若干轮已知浓度的气体分析实验,并将特征数据以及结果数据发送至服务器后台的实验数据预处理模块;
其中,所述实验数据预处理模块用于在服务器后台,将气体分析实验用的紫外差分气体分析仪根据使用次数和使用时长进行集合划分;并将集合划分的结果发送至模型训练模块;
其中,所述模型训练模块用于在服务器后台,将特征数据作为神经网络的输入,结果数据作为神经网络的预测目标,训练出根据特征数据对结果数据进行预测的神经网络模型;并将训练完成的神经网络模型发送至浓度纠正模块;
其中,所述预调节参数获取模块用于在用户使用紫外差分气体分析仪之前,通过向紫外差分气体分析仪的样品室中输入已知浓度的检测气体,以及向参比室中输入已知浓度的惰性气体;再通过紫外差分气体分析仪分析出的检测气体的检测浓度,计算检测气体的检测浓度与真实浓度的比值,获得对应的预调节参数;并将预调节参数发送至检测启动模块;
其中,所述环境特征数据感知模块用于在用户在使用紫外差分气体分析仪时,每个环境特征数据传感器实时将紫外差分气体分析仪所处的环境特征数据发送至浓度纠正模块;并对环境特征数据进行筛除和分离;
其中,所述检测启动模块用于在使用紫外差分气体分析仪对未知浓度的气体进行检测时,紫外差分气体分析仪通过无线网络方式向服务器后台的浓度纠正模块发送检测信号;所述检测信号中包括该紫外差分气体分析仪的编号、使用次数、使用时长、预调节参数以及对检测气体进行检测的检测浓度;所述检测浓度为用户使用的紫外差分气体分析仪输出的气体浓度值;
浓度纠正模块用于服务器后台接收到检测信号后,由服务器后台为紫外差分气体分析仪生成一个纠正系数,并基于纠正系数、检测浓度和预调节参数,计算出紫外差分气体分析仪的纠正浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379626.7A CN116087131B (zh) | 2023-04-11 | 2023-04-11 | 一种紫外差分气体分析仪的数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310379626.7A CN116087131B (zh) | 2023-04-11 | 2023-04-11 | 一种紫外差分气体分析仪的数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116087131A true CN116087131A (zh) | 2023-05-09 |
CN116087131B CN116087131B (zh) | 2023-06-30 |
Family
ID=86201119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310379626.7A Active CN116087131B (zh) | 2023-04-11 | 2023-04-11 | 一种紫外差分气体分析仪的数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087131B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109239006A (zh) * | 2018-09-06 | 2019-01-18 | 广东工业大学 | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN110006837A (zh) * | 2019-05-05 | 2019-07-12 | 南京信息工程大学 | 一种ndir气体传感器***及温湿度补偿方法 |
US20200009499A1 (en) * | 2017-03-06 | 2020-01-09 | Ion Engineering, Llc | Carbon dioxide capture system and spectroscopic evaluation thereof |
CN111679035A (zh) * | 2020-06-04 | 2020-09-18 | 北京均方理化科技研究所 | 一种气体分析仪数据补偿方法、装置、设备及介质 |
CN112683836A (zh) * | 2021-01-12 | 2021-04-20 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其*** |
CN114166773A (zh) * | 2021-12-08 | 2022-03-11 | 中煤科工集团重庆研究院有限公司 | 一种基于粒子群优化-支持向量机的NOx测量方法 |
-
2023
- 2023-04-11 CN CN202310379626.7A patent/CN116087131B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200009499A1 (en) * | 2017-03-06 | 2020-01-09 | Ion Engineering, Llc | Carbon dioxide capture system and spectroscopic evaluation thereof |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN109239006A (zh) * | 2018-09-06 | 2019-01-18 | 广东工业大学 | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 |
CN110006837A (zh) * | 2019-05-05 | 2019-07-12 | 南京信息工程大学 | 一种ndir气体传感器***及温湿度补偿方法 |
CN111679035A (zh) * | 2020-06-04 | 2020-09-18 | 北京均方理化科技研究所 | 一种气体分析仪数据补偿方法、装置、设备及介质 |
CN112683836A (zh) * | 2021-01-12 | 2021-04-20 | 杭州麦乐克科技股份有限公司 | 基于bp神经网络的二氧化碳传感器的标定方法及其*** |
CN114166773A (zh) * | 2021-12-08 | 2022-03-11 | 中煤科工集团重庆研究院有限公司 | 一种基于粒子群优化-支持向量机的NOx测量方法 |
Non-Patent Citations (1)
Title |
---|
李张倩: "基于神经网络的气体传感温湿度补偿方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, no. 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116087131B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105466927B (zh) | 一种比浊法异常反应曲线的识别、修正及报警方法 | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正***及参数更新方法 | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
CN111370067B (zh) | 一种面向lc/gc-ms的代谢组学数据质量控制方法及*** | |
CN112198209B (zh) | 一种甲醛检测方法及甲醛检测装置 | |
CN101473196A (zh) | 测量装置及其使用方法 | |
CN108872039A (zh) | 一种光散射烟气颗粒物在线检测自适应校准方法 | |
CN114646680B (zh) | 一种气体传感器自动测试*** | |
CN116985183B (zh) | 一种近红外光谱分析仪质量监测管理方法及*** | |
CN115809427B (zh) | 基于混合策略优化bp神经网络的混合气体识别方法 | |
CN113624694A (zh) | 一种大气甲烷浓度的反演方法和装置 | |
CN116720078A (zh) | 一种智能传感器的连续采集和数据模型构建***及方法 | |
CN116242443A (zh) | 一种超声波计量仪表的动态计量方法 | |
WO2010116222A1 (ja) | 信号識別方法および信号識別装置 | |
CN116087131B (zh) | 一种紫外差分气体分析仪的数据处理方法及*** | |
CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及*** | |
CN113720968A (zh) | 气体浓度检测方法、装置、***及存储介质 | |
CN116208152B (zh) | 一种高精度模拟量采集装置及方法 | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN110793920A (zh) | 一种化学成像与高光谱联用的大气遥测方法 | |
CN113984708B (zh) | 一种化学指标检测模型的维护方法和装置 | |
CN113888841B (zh) | 燃气报警器*** | |
CN114460161A (zh) | 一种基于离子迁移时间的痕量物质检测方法 | |
JP7099623B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN110687296B (zh) | 一种血糖仪校准方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A data processing method and system for a UV differential gas analyzer Granted publication date: 20230630 Pledgee: Bank of Nanjing Co.,Ltd. Jiangning sub branch Pledgor: Nanjing kelisek Security Technology Co.,Ltd. Registration number: Y2024980006369 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |