CN116485202A - 一种基于物联网工业污染实时监测方法及*** - Google Patents
一种基于物联网工业污染实时监测方法及*** Download PDFInfo
- Publication number
- CN116485202A CN116485202A CN202310451705.4A CN202310451705A CN116485202A CN 116485202 A CN116485202 A CN 116485202A CN 202310451705 A CN202310451705 A CN 202310451705A CN 116485202 A CN116485202 A CN 116485202A
- Authority
- CN
- China
- Prior art keywords
- pollution
- information
- monitoring
- monitoring information
- different
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 319
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003912 environmental pollution Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000011161 development Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000011112 process operation Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 14
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 3
- 238000003900 soil pollution Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000012298 atmosphere Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004737 colorimetric analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003895 groundwater pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
- G01N33/18—Water
-
- 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
- G01N33/24—Earth materials
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Combustion & Propulsion (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
Abstract
本发明公开了一种基于物联网工业污染实时监测方法及***,包括:获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。本发明通过物联网进行工业污染的远程实时监测,获取多模态污染信息后分析不同污染信息之间的关联,进行环境污染分析及预测,实现了工业污染的智能实时监测。
Description
技术领域
本发明涉及污染监测技术领域,更具体的,涉及一种基于物联网工业污染实时监测方法及***。
背景技术
工业污染是指企业在生产过程中,对包括人在内的生物赖以生存和繁衍的自然环境的侵害。由于企业在工业生产中产生的大量废水或废气等有害物质,如果直接排放到自然环境中,会严重地破坏农业的生态平衡,对农业生产的发展造成极大的危害,有害物质的排放也会严重危害人类健康状况,工业污染是造成土壤污染及地下水污染的重要因素之一,因此工业污染的综合监测治理显得尤为重要。
工业污染存在复杂性、隐蔽性以及难治理等特点,其监测数据存在数据单一、数据滞后及数据冗杂等缺陷。为适应现在污染治理的修复标准,工业污染监测需要在不影响设备正常运行的前提下,采集污染源企业生产设施、污染治理设施的工艺参数和电器参数等关键参数,结合企业生产工艺原理和末端污染物排放监测数据,全面监测企业的生产设施和治理设施的运行、污染物治理效果和排放量情况,为污染源自动监控数据在总量核定、排污申报收费、排污权交易等环境监督管理应用中提供依据。在工业污染的实时监测平台中如何利用物联网技术和现代远程监控技术,确保监测数据的精准有效是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于物联网工业污染实时监测方法及***。
本发明第一方面提供了一种基于物联网工业污染实时监测方法,包括:
获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。
本方案中,根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,具体为:
获取预设区域范围内的地理信息及污染源位置信息,并根据污染源的生产工艺信息确定传感器数量信息,并根据大数据手段根据监测经验获取污染源监测范围;
根据各污染源位置信息确定监测范围内的地形及水体信息,通过遗传算法依次对各污染源监测范围内的传感器布设位置进行寻优;
在传感器布设位置寻优中,以污染源位置作为初始位置,将传感器之间的均方距离信息作为适应度函数,初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;
对最高准确性精度对应的染色体个体进行解码获取污染源监测范围内各传感器的布设位置,将各污染源的传感器布设位置进行汇总,获取预设区域范围内的传感器布设方案。
本方案中,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,具体为:
根据传感器的位置信息及监测类别信息设置污染监测信息的采集周期,通过不同污染源的特性对采集的污染监测信息进行数据加密,当传感器所采集数据中含有与监测类别信息不符的未知数据,则在数据库中进行剔除;
采集的污染监测信息进行封装处理,传输到数据库,在所述数据库中进行数据预处理,将预处理后的污染监测信息进行存储,并实现污染监测信息的数据历史回放;
提取数据库中多源污染监测信息的数据特征,根据监测类别信息设置特征标签,构建不同污染监测信息的特征集;
通过不同污染监测信息的污染监测浓度在采集周期的基础上自适应设置传感器采集阈值,当传感器采集次数大于预设的采集阈值时,则对数据库中特征提取参数进行优化。
本方案中,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,具体为:
基于自编码器及图卷积神经网络构建多模态特征融合模型,将不同污染监测信息的特征集结合时间戳转化为污染特征时间序列;
通过自编码器对个污染监测信息对应的污染特征时间序列进行编码学习,获取单模态的特征表示,根据单模态的特征表示进行逐层学习获取不同单模态特征表示之间的相关性;
对存在相关性的污染特征时间序列进行标记,通过图卷积神经网络构建图结构,将各污染特征时间序列对应的单模态特征表示作为节点结构,并选取与点结构存在相关性的标记节点构建邻接矩阵;
通过全局自注意力机制得到任意两节点之间的注意力信息,构建注意力矩阵,通过注意力矩阵进行加权聚合生成各单模态特征表示对应的新特征表示;
利用邻居聚合对各单模态特征表示对应的新特征表示进行处理,输出最终特征矩阵,获取不同污染监测信息的关联特征。
本方案中,利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警,具体为:
获取预设区域范围内各污染源对应的工艺运行参数,生成预设时间内的工艺运行参数时序序列,将不同污染监测信息的关联特征进行匹配,获取各关联特征对应的工艺运行特征;
通过匹配后的时间序列分析各类型污染的发展趋势与工艺运行参数的相关性,获取工艺相关特征;
基于LSTM构建工业污染状况监测模型,从数据库中获取不同传感器的历史污染监测信息及历史工艺运行参数构建数据集,提取所述数据集中污染监测信息的关联特征及工艺相关特征生成训练集;
通过所述训练集对监测模型进行训练,输出预测精度符合预设标准的模型,通过预设时长内不同污染监测信息的关联特征和污染源的工艺运行特征预测下一时刻的污染预测信息;
根据所述污染预测信息生成不同监测类别信息的动态化显示,并生成相关预警信息。
本方案中,生成相关预警信息,具体为:
根据预设区域范围内的传感器布设方案结合传感器类别将预设区域范围划分为若干子区域,每个子区域中至少包括一种传感器类别;
根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,获取子区域中传感器采集的当前污染监测信息;
将所述当前污染监测信息与对应监测类型污染数据基准进行对比获取数据偏差,若所述数据偏差大于所述动态变化基准,则生成子区域污染报警,生成带类别标签的报警信息;
判断结束后根据当前污染监测信息更新子区域的污染数据基准,根据更新后的污染数据基准进行子区域的污染预测,获取预设时间后子区域的污染预测信息;
利用大数据手段预设区域范围内的污染环境容量,将各个子区域的污染预测信息进行汇总,将汇总后的污染预测信息与所述污染环境容量进行对比,若大于,则根据污染预测信息的时间戳获取带时间戳及类别标签的预警信息。
本发明第二方面还提供了一种基于物联网工业污染实时监测***,该***包括:存储器、处理器,所述存储器中包括一种基于物联网工业污染实时监测方法程序,所述一种基于物联网工业污染实时监测方法程序被所述处理器执行时实现如下步骤:
获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。
本发明公开了一种基于物联网工业污染实时监测方法及***,包括:获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,利用所述关联特征对预设区域范围的工业污染状况进行实时监测,同时分析污染发展趋势生成污染预测信息进行污染预警。本发明通过物联网进行工业污染的远程实时监测,获取多模态污染信息后分析不同污染信息之间的关联,进行环境污染分析及预测,实现了工业污染的智能实时监测
附图说明
图1示出了本发明一种基于物联网工业污染实时监测方法的流程图;
图2示出了本发明构建污染监测信息的多模态特征融合模型获取关联特征的方法流程图;
图3示出了本发明生成相关预警信息的方法流程图;
图4示出了本发明一种基于物联网工业污染实时监测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网工业污染实时监测方法的流程图。
如图1所示,本发明第一方面提供了一种基于物联网工业污染实时监测方法,包括:
S102,获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
S104,根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
S106,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
S108,利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。
需要说明的是,通过检测器法、比色法等常规环境检测方法及取向实验室检测方法对预设区域范围内水体、大气、土壤等环境污染信息进行检测,根据环境污染信息及已确定污染源信息进行匹配溯源,溯源后确定对应的污染监测指标。采用物联网技术和无线传感器组网技术,引入到预设区域范围内的环境污染监测中,进行环境污染的信息采集和数据分析,实现工业污染检测中的大气污染、水体污染、土壤污染等监测数据的远程传输。
获取预设区域范围内的地理信息及污染源位置信息,并根据污染源的生产工艺信息确定传感器数量信息,并根据大数据手段根据监测经验获取污染源监测范围;根据各污染源位置信息确定监测范围内的地形及水体信息,通过遗传算法依次对各污染源监测范围内的传感器布设位置进行寻优;在传感器布设位置寻优中,以污染源位置作为初始位置,将传感器之间的均方距离信息作为适应度函数,初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;对最高准确性精度对应的染色体个体进行解码获取污染源监测范围内各传感器的布设位置,将各污染源的传感器布设位置进行汇总,获取预设区域范围内的传感器布设方案。
需要说明的是,根据传感器的位置信息及监测类别信息设置污染监测信息的采集周期,不同污染源的企业生产设施不同,因此通过不同污染源的特性对采集的污染监测信息进行数据加密,以确保网络不受攻击,当传感器所采集数据中含有与监测类别信息不符的未知数据,则在数据库中进行剔除;采集的污染监测信息进行封装处理,传输到数据库,在所述数据库中进行数据清洗等预处理,将预处理后的污染监测信息进行存储,并实现污染监测信息的数据历史回放;提取数据库中多源污染监测信息的数据特征,根据监测类别信息设置特征标签,构建不同污染监测信息的特征集;通过不同污染监测信息的污染监测浓度在采集周期的基础上自适应设置传感器采集阈值,当传感器采集次数大于预设的采集阈值时,则对数据库中特征提取参数进行优化,当污染监测浓度增大时则增加监测参数,提高监测效率。
图2示出了本发明构建污染监测信息的多模态特征融合模型获取关联特征的方法流程图。
根据本发明实施例,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,具体为:
S202,基于自编码器及图卷积神经网络构建多模态特征融合模型,将不同污染监测信息的特征集结合时间戳转化为污染特征时间序列;
S204,通过自编码器对个污染监测信息对应的污染特征时间序列进行编码学习,获取单模态的特征表示,根据单模态的特征表示进行逐层学习获取不同单模态特征表示之间的相关性;
S206,对存在相关性的污染特征时间序列进行标记,通过图卷积神经网络构建图结构,将各污染特征时间序列对应的单模态特征表示作为节点结构,并选取与点结构存在相关性的标记节点构建邻接矩阵;
S208,通过全局自注意力机制得到任意两节点之间的注意力信息,构建注意力矩阵,通过注意力矩阵进行加权聚合生成各单模态特征表示对应的新特征表示;
S210,利用邻居聚合对各单模态特征表示对应的新特征表示进行处理,输出最终特征矩阵,获取不同污染监测信息的关联特征。
需要说明的是,将不同传感器获取的污染特征时间序列导入自编码器中进行训练,提取不同污染特征时间序列的中特征,学习不同污染特征时间序列的单模态特征表示,将污染特征时间序列进行特征重构,将特征重构后的特征矩阵作为第二个自编码器的输入,根据上一个自编码器训练学习到的特征获取不同污染特征时间序列之间的特征相关性,通过两个自编码器的隐藏层表示挖掘多模态污染监测信息之间的模态之间相关性,将存在相关性的不同污染特征时间序列进行标记,在图结构中作为目标节点的邻居节点,构建邻接矩阵;根据全局自注意力机制获取注意力信息q,计算公式为:q=LRELU([f(xiW)||f(xjW)]aT),其中,LRELU为激活函数,f为归一化表示,xixj分别表示任意两个节点,W,a为学习权重,T为矩阵转置,||为向量拼接,在注意力信息的基础上构建注意力矩阵,对节点对应的特征进行加权聚合得到新的特征矩阵,通过图卷积神经网络的邻居聚合机制更新特征表示,输出最终不同污染监测信息的关联特征:X*=LRELU(KWt∑EXW),其中,X*为聚合后的特征表示,K为邻接矩阵,Wt为权重矩阵,E为注意力矩阵,X为节点对应的特征。
图3示出了本发明生成相关预警信息的方法流程图。
根据本发明实施例,生成相关预警信息,具体为:
S302,根据预设区域范围内的传感器布设方案结合传感器类别将预设区域范围划分为若干子区域,每个子区域中至少包括一种传感器类别;
S304,根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,获取子区域中传感器采集的当前污染监测信息;
S306,将所述当前污染监测信息与对应监测类型污染数据基准进行对比获取数据偏差,若所述数据偏差大于所述动态变化基准,则生成子区域污染报警,生成带类别标签的报警信息;
S308,判断结束后根据当前污染监测信息更新子区域的污染数据基准,根据更新后的污染数据基准进行子区域的污染预测,获取预设时间后子区域的污染预测信息;
S310,利用大数据手段预设区域范围内的污染环境容量,将各个子区域的污染预测信息进行汇总,将汇总后的污染预测信息与所述污染环境容量进行对比,若大于,则根据污染预测信息的时间戳获取带时间戳及类别标签的预警信息。
需要说明的是,根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,在污染数据基准的基础上设置不同监测类型的污染阈值,若当前污染监测信息大于所述污染阈值,也会生成报警信息;
获取预设区域范围内各污染源对应的工艺运行参数,生成预设时间内的工艺运行参数时序序列,将不同污染监测信息的关联特征进行匹配,获取各关联特征对应的工艺运行特征;通过匹配后的时间序列分析各类型污染的发展趋势与工艺运行参数的相关性,获取工艺相关特征;基于LSTM构建工业污染状况监测模型,从数据库中获取不同传感器的历史污染监测信息及历史工艺运行参数构建数据集,提取所述数据集中污染监测信息的关联特征及工艺相关特征生成训练集;通过所述训练集对监测模型进行训练,输出预测精度符合预设标准的模型,通过预设时长内不同污染监测信息的关联特征和污染源的工艺运行特征预测下一时刻的污染预测信息;根据所述污染预测信息生成不同监测类别信息的动态化显示,并生成相关预警信息。
根据本发明实施例,根据污染监测信息判断预设区域范围内传感器的有效性,具体为:
获取预设区域范围内的若干子区域,将子区域的预设范围内其他子区域作为邻接区域,将存在报警信息的子区域作为目标子区域;
提取目标子区域中报警信息对应的污染监测信息,获取所述污染监测信息的监测类别,获取邻接区域中相同监测类别的污染预测信息及对应的污染预警信息;
根据所述污染预警信息的预警时间戳选取离当前时间最近的子区域,将对应子区域进行标记,并根据间隔时间建立暂时重点监测任务;
判断重点监测任务期间标记子区域的污染监测信息对应的动态变化,若所述动态变化小于预设阈值,则生成目标子区域报警信息对应监测类别传感器的失效预警;
若所述动态变化大于等级预设阈值,则结束重点监测任务,并分析目标子区域的历史污染监测信息,若当前目标子区域的污染变化特征与历史污染监测信息的相似度不符合预设标准时,则生成污染源预警,提醒相关人员在目标子区域中进行新污染源溯源。
图4示出了本发明一种基于物联网工业污染实时监测***的框图。
本发明第二方面还提供了一种基于物联网工业污染实时监测***4,该***包括:存储器41、处理器42,所述存储器中包括一种基于物联网工业污染实时监测方法程序,所述一种基于物联网工业污染实时监测方法程序被所述处理器执行时实现如下步骤:
获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。
需要说明的是,通过检测器法、比色法等常规环境检测方法及取向实验室检测方法对预设区域范围内水体、大气、土壤等环境污染信息进行检测,根据环境污染信息及已确定污染源信息进行匹配溯源,溯源后确定对应的污染监测指标。采用物联网技术和无线传感器组网技术,引入到预设区域范围内的环境污染监测中,进行环境污染的信息采集和数据分析,实现工业污染检测中的大气污染、水体污染、土壤污染等监测数据的远程传输。
获取预设区域范围内的地理信息及污染源位置信息,并根据污染源的生产工艺信息确定传感器数量信息,并根据大数据手段根据监测经验获取污染源监测范围;根据各污染源位置信息确定监测范围内的地形及水体信息,通过遗传算法依次对各污染源监测范围内的传感器布设位置进行寻优;在传感器布设位置寻优中,以污染源位置作为初始位置,将传感器之间的均方距离信息作为适应度函数,初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;对最高准确性精度对应的染色体个体进行解码获取污染源监测范围内各传感器的布设位置,将各污染源的传感器布设位置进行汇总,获取预设区域范围内的传感器布设方案。
需要说明的是,根据传感器的位置信息及监测类别信息设置污染监测信息的采集周期,不同污染源的企业生产设施不同,因此通过不同污染源的特性对采集的污染监测信息进行数据加密,以确保网络不受攻击,当传感器所采集数据中含有与监测类别信息不符的未知数据,则在数据库中进行剔除;采集的污染监测信息进行封装处理,传输到数据库,在所述数据库中进行数据清洗等预处理,将预处理后的污染监测信息进行存储,并实现污染监测信息的数据历史回放;提取数据库中多源污染监测信息的数据特征,根据监测类别信息设置特征标签,构建不同污染监测信息的特征集;通过不同污染监测信息的污染监测浓度在采集周期的基础上自适应设置传感器采集阈值,当传感器采集次数大于预设的采集阈值时,则对数据库中特征提取参数进行优化,当污染监测浓度增大时则增加监测参数,提高监测效率。
根据本发明实施例,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,具体为:
基于自编码器及图卷积神经网络构建多模态特征融合模型,将不同污染监测信息的特征集结合时间戳转化为污染特征时间序列;
通过自编码器对个污染监测信息对应的污染特征时间序列进行编码学习,获取单模态的特征表示,根据单模态的特征表示进行逐层学习获取不同单模态特征表示之间的相关性;
对存在相关性的污染特征时间序列进行标记,通过图卷积神经网络构建图结构,将各污染特征时间序列对应的单模态特征表示作为节点结构,并选取与点结构存在相关性的标记节点构建邻接矩阵;
通过全局自注意力机制得到任意两节点之间的注意力信息,构建注意力矩阵,通过注意力矩阵进行加权聚合生成各单模态特征表示对应的新特征表示;
利用邻居聚合对各单模态特征表示对应的新特征表示进行处理,输出最终特征矩阵,获取不同污染监测信息的关联特征。
需要说明的是,将不同传感器获取的污染特征时间序列导入自编码器中进行训练,提取不同污染特征时间序列的中特征,学习不同污染特征时间序列的单模态特征表示,将污染特征时间序列进行特征重构,将特征重构后的特征矩阵作为第二个自编码器的输入,根据上一个自编码器训练学习到的特征获取不同污染特征时间序列之间的特征相关性,通过两个自编码器的隐藏层表示挖掘多模态污染监测信息之间的模态之间相关性,将存在相关性的不同污染特征时间序列进行标记,在图结构中作为目标节点的邻居节点,构建邻接矩阵;根据全局自注意力机制获取注意力信息q,计算公式为:q=LRELU([f(xiW)||f(xjW)]aT),其中,LRELU为激活函数,f为归一化表示,xixj分别表示任意两个节点,W,a为学习权重,T为矩阵转置,||为向量拼接,在注意力信息的基础上构建注意力矩阵,对节点对应的特征进行加权聚合得到新的特征矩阵,通过图卷积神经网络的邻居聚合机制更新特征表示,输出最终不同污染监测信息的关联特征:X*=LRELU(KWt∑EXW),其中,X*为聚合后的特征表示,K为邻接矩阵,Wt为权重矩阵,E为注意力矩阵,X为节点对应的特征。
根据本发明实施例,生成相关预警信息,具体为:
根据预设区域范围内的传感器布设方案结合传感器类别将预设区域范围划分为若干子区域,每个子区域中至少包括一种传感器类别;
根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,获取子区域中传感器采集的当前污染监测信息;
将所述当前污染监测信息与对应监测类型污染数据基准进行对比获取数据偏差,若所述数据偏差大于所述动态变化基准,则生成子区域污染报警,生成带类别标签的报警信息;
判断结束后根据当前污染监测信息更新子区域的污染数据基准,根据更新后的污染数据基准进行子区域的污染预测,获取预设时间后子区域的污染预测信息;
利用大数据手段预设区域范围内的污染环境容量,将各个子区域的污染预测信息进行汇总,将汇总后的污染预测信息与所述污染环境容量进行对比,若大于,则根据污染预测信息的时间戳获取带时间戳及类别标签的预警信息。
需要说明的是,根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,在污染数据基准的基础上设置不同监测类型的污染阈值,若当前污染监测信息大于所述污染阈值,也会生成报警信息;
获取预设区域范围内各污染源对应的工艺运行参数,生成预设时间内的工艺运行参数时序序列,将不同污染监测信息的关联特征进行匹配,获取各关联特征对应的工艺运行特征;通过匹配后的时间序列分析各类型污染的发展趋势与工艺运行参数的相关性,获取工艺相关特征;基于LSTM构建工业污染状况监测模型,从数据库中获取不同传感器的历史污染监测信息及历史工艺运行参数构建数据集,提取所述数据集中污染监测信息的关联特征及工艺相关特征生成训练集;通过所述训练集对监测模型进行训练,输出预测精度符合预设标准的模型,通过预设时长内不同污染监测信息的关联特征和污染源的工艺运行特征预测下一时刻的污染预测信息;根据所述污染预测信息生成不同监测类别信息的动态化显示,并生成相关预警信息。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种基于物联网工业污染实时监测方法程序,所述一种基于物联网工业污染实时监测方法程序被处理器执行时,实现如上述任一项所述的一种基于物联网工业污染实时监测方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于物联网工业污染实时监测方法,其特征在于,包括以下步骤:
获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警。
2.根据权利要求1所述的一种基于物联网工业污染实时监测方法,其特征在于,根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,具体为:
获取预设区域范围内的地理信息及污染源位置信息,并根据污染源的生产工艺信息确定传感器数量信息,并根据大数据手段根据监测经验获取污染源监测范围;
根据各污染源位置信息确定监测范围内的地形及水体信息,通过遗传算法依次对各污染源监测范围内的传感器布设位置进行寻优;
在传感器布设位置寻优中,以污染源位置作为初始位置,将传感器之间的均方距离信息作为适应度函数,初始化染色体种群参数,采用二进制编码,计算个体适应度,通过迭代训练进行选择,交叉,变异直到最大迭代次数,获取最高准确性精度对应的染色体个体;
对最高准确性精度对应的染色体个体进行解码获取污染源监测范围内各传感器的布设位置,将各污染源的传感器布设位置进行汇总,获取预设区域范围内的传感器布设方案。
3.根据权利要求1所述的一种基于物联网工业污染实时监测方法,其特征在于,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,具体为:
根据传感器的位置信息及监测类别信息设置污染监测信息的采集周期,通过不同污染源的特性对采集的污染监测信息进行数据加密,当传感器所采集数据中含有与监测类别信息不符的未知数据,则在数据库中进行剔除;
采集的污染监测信息进行封装处理,传输到数据库,在所述数据库中进行数据预处理,将预处理后的污染监测信息进行存储,并实现污染监测信息的数据历史回放;
提取数据库中多源污染监测信息的数据特征,根据监测类别信息设置特征标签,构建不同污染监测信息的特征集;
通过不同污染监测信息的污染监测浓度在采集周期的基础上自适应设置传感器采集阈值,当传感器采集次数大于预设的采集阈值时,则对数据库中特征提取参数进行优化。
4.根据权利要求1所述的一种基于物联网工业污染实时监测方法,其特征在于,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,具体为:
基于自编码器及图卷积神经网络构建多模态特征融合模型,将不同污染监测信息的特征集结合时间戳转化为污染特征时间序列;
通过自编码器对个污染监测信息对应的污染特征时间序列进行编码学习,获取单模态的特征表示,根据单模态的特征表示进行逐层学习获取不同单模态特征表示之间的相关性;
对存在相关性的污染特征时间序列进行标记,通过图卷积神经网络构建图结构,将各污染特征时间序列对应的单模态特征表示作为节点结构,并选取与点结构存在相关性的标记节点构建邻接矩阵;
通过全局自注意力机制得到任意两节点之间的注意力信息,构建注意力矩阵,通过注意力矩阵进行加权聚合生成各单模态特征表示对应的新特征表示;
利用邻居聚合对各单模态特征表示对应的新特征表示进行处理,输出最终特征矩阵,获取不同污染监测信息的关联特征。
5.根据权利要求1所述的一种基于物联网工业污染实时监测方法,其特征在于,利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警,具体为:
获取预设区域范围内各污染源对应的工艺运行参数,生成预设时间内的工艺运行参数时序序列,将不同污染监测信息的关联特征进行匹配,获取各关联特征对应的工艺运行特征;
通过匹配后的时间序列分析各类型污染的发展趋势与工艺运行参数的相关性,获取工艺相关特征;
基于LSTM构建工业污染状况监测模型,从数据库中获取不同传感器的历史污染监测信息及历史工艺运行参数构建数据集,提取所述数据集中污染监测信息的关联特征及工艺相关特征生成训练集;
通过所述训练集对监测模型进行训练,输出预测精度符合预设标准的模型,通过预设时长内不同污染监测信息的关联特征和污染源的工艺运行特征预测下一时刻的污染预测信息;
根据所述污染预测信息生成不同监测类别信息的动态化显示,并生成相关预警信息。
6.根据权利要求5所述的一种基于物联网工业污染实时监测方法,其特征在于,生成相关预警信息,具体为:
根据预设区域范围内的传感器布设方案结合传感器类别将预设区域范围划分为若干子区域,每个子区域中至少包括一种传感器类别;
根据数据库中历史污染监测信息及当前污染源的工艺运行参数确定不同子区域当前时间段各监测类型的污染数据基准及动态变化基准,获取子区域中传感器采集的当前污染监测信息;
将所述当前污染监测信息与对应监测类型污染数据基准进行对比获取数据偏差,若所述数据偏差大于所述动态变化基准,则生成子区域污染报警,生成带类别标签的报警信息;
判断结束后根据当前污染监测信息更新子区域的污染数据基准,根据更新后的污染数据基准进行子区域的污染预测,获取预设时间后子区域的污染预测信息;
利用大数据手段预设区域范围内的污染环境容量,将各个子区域的污染预测信息进行汇总,将汇总后的污染预测信息与所述污染环境容量进行对比,若大于,则根据污染预测信息的时间戳获取带时间戳及类别标签的预警信息。
7.一种基于物联网工业污染实时监测***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种基于物联网工业污染实时监测方法程序,所述一种基于物联网工业污染实时监测方法程序被所述处理器执行时实现如下步骤:
获取预设区域范围内的环境污染信息,根据所述环境污染信息确定污染源及污染监测指标;
根据所述污染监测指标及污染源信息生成预设区域范围内的传感器布设方案,通过远程监控对工业污染源进行实时数据采集;
获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征;
利用所述关联特征对预设区域范围的工业污染状况进行实时监测,分析污染发展趋势生成污染预测信息进行污染预警。
8.根据权利要求7所述的一种基于物联网工业污染实时监测***,其特征在于,获取不同传感器采集的污染监测信息,将多源污染监测信息进行特征提取,具体为:
根据传感器的位置信息及监测类别信息设置污染监测信息的采集周期,通过不同污染源的特性对采集的污染监测信息进行数据加密,当传感器所采集数据中含有与监测类别信息不符的未知数据,则在数据库中进行剔除;
采集的污染监测信息进行封装处理,传输到数据库,在所述数据库中进行数据预处理,将预处理后的污染监测信息进行存储,并实现污染监测信息的数据历史回放;
提取数据库中多源污染监测信息的数据特征,根据监测类别信息设置特征标签,构建不同污染监测信息的特征集;
通过不同污染监测信息的污染监测浓度在采集周期的基础上自适应设置传感器采集阈值,当传感器采集次数大于预设的采集阈值时,则对数据库中特征提取参数进行优化。
9.根据权利要求7所述的一种基于物联网工业污染实时监测***,其特征在于,构建污染监测信息的多模态特征融合模型,获取不同污染监测信息的关联特征,具体为:
基于自编码器及图卷积神经网络构建多模态特征融合模型,将不同污染监测信息的特征集结合时间戳转化为污染特征时间序列;
通过自编码器对个污染监测信息对应的污染特征时间序列进行编码学习,获取单模态的特征表示,根据单模态的特征表示进行逐层学习获取不同单模态特征表示之间的相关性;
对存在相关性的污染特征时间序列进行标记,通过图卷积神经网络构建图结构,将各污染特征时间序列对应的单模态特征表示作为节点结构,并选取与点结构存在相关性的标记节点构建邻接矩阵;
通过全局自注意力机制得到任意两节点之间的注意力信息,构建注意力矩阵,通过注意力矩阵进行加权聚合生成各单模态特征表示对应的新特征表示;
利用邻居聚合对各单模态特征表示对应的新特征表示进行处理,输出最终特征矩阵,获取不同污染监测信息的关联特征。
10.根据权利要求7所述的一种基于物联网工业污染实时监测***,其特征在于,利用所述关联特征对预设区域范围的工业污染状况进行监测,分析污染发展趋势生成污染预测信息进行污染预警,具体为:
获取预设区域范围内各污染源对应的工艺运行参数,生成预设时间内的工艺运行参数时序序列,将不同污染监测信息的关联特征进行匹配,获取各关联特征对应的工艺运行特征;
通过匹配后的时间序列分析各类型污染的发展趋势与工艺运行参数的相关性,获取工艺相关特征;
基于LSTM构建工业污染状况监测模型,从数据库中获取不同传感器的历史污染监测信息及历史工艺运行参数构建数据集,提取所述数据集中污染监测信息的关联特征及工艺相关特征生成训练集;
通过所述训练集对监测模型进行训练,输出预测精度符合预设标准的模型,通过预设时长内不同污染监测信息的关联特征和污染源的工艺运行特征预测下一时刻的污染预测信息;
根据所述污染预测信息生成不同监测类别信息的动态化显示,并生成相关预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451705.4A CN116485202B (zh) | 2023-04-25 | 2023-04-25 | 一种基于物联网工业污染实时监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451705.4A CN116485202B (zh) | 2023-04-25 | 2023-04-25 | 一种基于物联网工业污染实时监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485202A true CN116485202A (zh) | 2023-07-25 |
CN116485202B CN116485202B (zh) | 2024-03-08 |
Family
ID=87226436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451705.4A Active CN116485202B (zh) | 2023-04-25 | 2023-04-25 | 一种基于物联网工业污染实时监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485202B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557044A (zh) * | 2023-11-22 | 2024-02-13 | 山东德才建设有限公司 | 一种基于物联网平台的建筑作业环境监控方法及设备 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270773A (zh) * | 2014-10-17 | 2015-01-07 | 长江水利委员会长江科学院 | 基于遗传算法多目标优化的流域传感器覆盖网优化方法 |
FR3083553A1 (fr) * | 2018-07-09 | 2020-01-10 | Suez Groupe | Placement ameliore de capteurs de parametres physico-chimiques dans un fluide |
CN112783988A (zh) * | 2020-12-29 | 2021-05-11 | 同济大学 | 一种空调通风***内部环境参数的监测反馈及分析方法 |
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*** |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
CN114841400A (zh) * | 2022-03-25 | 2022-08-02 | 哈尔滨工程大学 | 基于多任务时空图卷积的空气质量预测方法 |
-
2023
- 2023-04-25 CN CN202310451705.4A patent/CN116485202B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270773A (zh) * | 2014-10-17 | 2015-01-07 | 长江水利委员会长江科学院 | 基于遗传算法多目标优化的流域传感器覆盖网优化方法 |
FR3083553A1 (fr) * | 2018-07-09 | 2020-01-10 | Suez Groupe | Placement ameliore de capteurs de parametres physico-chimiques dans un fluide |
CN112424599A (zh) * | 2018-07-09 | 2021-02-26 | 苏伊士集团 | 流体中的物理-化学参数传感器的经改进的放置 |
US20210272028A1 (en) * | 2018-07-09 | 2021-09-02 | Suez Groupe | Placement of physico-chemical parameter sensors in a fluid |
CN112783988A (zh) * | 2020-12-29 | 2021-05-11 | 同济大学 | 一种空调通风***内部环境参数的监测反馈及分析方法 |
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*** |
CN113984969A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种基于多源时空数据融合的空气质量预测方法及*** |
CN114841400A (zh) * | 2022-03-25 | 2022-08-02 | 哈尔滨工程大学 | 基于多任务时空图卷积的空气质量预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557044A (zh) * | 2023-11-22 | 2024-02-13 | 山东德才建设有限公司 | 一种基于物联网平台的建筑作业环境监控方法及设备 |
CN117557044B (zh) * | 2023-11-22 | 2024-04-09 | 山东德才建设有限公司 | 一种基于物联网平台的建筑作业环境监控方法及设备 |
CN117706045A (zh) * | 2024-02-06 | 2024-03-15 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及*** |
CN117706045B (zh) * | 2024-02-06 | 2024-05-10 | 四川省德阳生态环境监测中心站 | 基于物联网实现大气臭氧监测设备的联合控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116485202B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及*** | |
CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
CN111223027A (zh) | 一种城市地震灾害风险评估方法及*** | |
CN117220978B (zh) | 一种网络安全运营模型量化评估***及评估方法 | |
CN117171223B (zh) | 一种微生物修复过程中的微生物培养方案推荐方法及*** | |
CN116362569B (zh) | 一种场地污染的多维度评估方法及*** | |
CN117196350B (zh) | 一种矿山地质环境特征监测与恢复治理方法及*** | |
CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及*** | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
CN117391727B (zh) | 一种负碳排放的碳中和方法及*** | |
CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及*** | |
CN117291781B (zh) | 一种突发性水污染溯源方法、设备及介质 | |
CN116384775B (zh) | 一种污染场地监测设备的管理方法、***及存储介质 | |
CN116633608B (zh) | 一种网络安全的风险预测方法及*** | |
CN113486754B (zh) | 基于视频的事件演化预测方法、*** | |
Zhang et al. | Situational-aware multi-graph convolutional recurrent network (sa-mgcrn) for travel demand forecasting during wildfires | |
CN113537607A (zh) | 停电预测方法 | |
CN116801213B (zh) | 一种基于大数据的城市二氧化碳数据采集方法及*** | |
CN118094266B (zh) | 一种智能终端核辐射检测分析方法及*** | |
CN117172990B (zh) | 一种地下水环境中抗生素污染迁移预测方法及*** | |
CN117992861B (zh) | 一种电力数据精准度稽查方法及*** |
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 |