CN117169315A - 一种大气污染源智能检测***和方法 - Google Patents
一种大气污染源智能检测***和方法 Download PDFInfo
- Publication number
- CN117169315A CN117169315A CN202311035610.0A CN202311035610A CN117169315A CN 117169315 A CN117169315 A CN 117169315A CN 202311035610 A CN202311035610 A CN 202311035610A CN 117169315 A CN117169315 A CN 117169315A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- pollution source
- atmospheric pollution
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 66
- 238000004891 communication Methods 0.000 claims abstract description 35
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 137
- 230000003750 conditioning effect Effects 0.000 claims description 45
- 230000005540 biological transmission Effects 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 23
- 238000003915 air pollution Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 239000013618 particulate matter Substances 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000006479 redox reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000005868 electrolysis reaction Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 13
- 239000003792 electrolyte Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003487 electrochemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种大气污染源智能检测***及方法,涉及智能检测领域,所述***包含数据采集模块、通信模块、存储模块、中央处理模块、报警模块和云终端模块,所述数据采集模块的输出端与通信模块和存储模块的输入端连接,所述通信模块的输出端与中央处理模块的输入端连接,所述中央处理模块的输出端与报警模块的输入端和云端装置的输入端连接,所述存储模块的输出端与云端装置的输入端连接,本发明能够对大气中的污染源进行检测和识别;准确率高、智能化程度高且检测***完善。
Description
技术领域
本发明涉及智能检测领域,且更具体地涉及一种大气污染源智能检测***和方法。
背景技术
现代社会的汽车尾气排放和工厂化学污水排放给大气环境带来了重大污染,一方面,对地球上所有生物的生命健康造成了威胁,另一方面,污染气体破坏大气层造成地球寿命减少,大气污染问题日趋严峻,如何有效的识别出大气环境中的重要污染源并确切的检测出其浓度,给下一步得出有效的治理大气污染的解决方案提供了重要的参考价值,传统的大气污染源检测***及方法已无法满足现代化智能的要求,检测设备效率低、检测效果不好且受温度影响,监测数据需要人工记录且无法实时储存,对后续更好地治理环境污染无更大意义。
因此,需要一种大气污染源智能检测***及方法,能够对大气中的污染气体进行准确有效的识别,并可以检测出浓度和储存数据,实现对大气污染源的长期有效的检测和分析。
发明内容
针对现有技术的不足,本发明公开了一种大气污染源智能检测***和方法,能够对大气中的污染气体进行快速检测和准确识别;采用ME4-SO2二氧化硫传感器实现对大气环境的二氧化硫的更精准识别;采用激光PM2.5传感器达到检测出大气中PM2.5的浓度的目的;采用CC2430芯片实现高效且低成本的数据运输;采用QPSK调制器对所接收到的数据信息进行调制;采用精细对比算法实现对大气中污染成分的精细检测;准确率高、智能化程度高且检测***完善。
本发明采用以下技术方案:
一种大气污染源智能检测***,所述***包括:
数据采集模块,用于收集大气污染源中二氧化硫和PM2.5颗粒物的浓度数据,所述数据采集模块包括传感装置、信号调理电路和微处理器,所述信号调理电路用于对所述传感装置输出的信号进行放大、滤波、隔离和校准,所述微处理器用于将模拟信号转化为数字信号;
通信模块,用于将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块,实现联机检测的方便性和设备使用环境的多样化;
中央处理模块,用于实现对大气中污染成分的精细检测,所述中央处理模块采用精细对比算法实现大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
存储模块,用于对采集到的数据进行存储,实现对大气污染源的长期监测和分析;
报警模块,用于接收所述中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,所述报警模块采用声光报警方式提醒工作人员发布大气污染严重信息,提醒人们出行注意防护;
云终端模块,用于实现数据采集、数据处理和报警功能的一体化操作,实时查看设备的运行状态;
其中,所述数据采集模块的输出端与通信模块和存储模块的输入端连接,所述通信模块的输出端与中央处理模块的输入端连接,所述中央处理模块的输出端与报警模块的输入端和云端装置的输入端连接,所述存储模块的输出端与云端装置的输入端连接。
作为本发明进一步的技术方案,所述传感装置通过二氧化硫传感器和颗粒物传感器检测大气环境中的二氧化硫和PM2.5,并将大气环境中的二氧化硫和PM2.5转换成便于传递的模拟信号并输出,所述传感装置采用ME4-SO2二氧化硫传感器检测空气中的二氧化硫,所述ME4-SO2二氧化硫传感器为定电位电解型二氧化硫传感器,二氧化硫和氧气在工作电极发生氧化还原反应并释放电荷形成电流,通过测试电流大小来判断二氧化硫浓度的高低。所述颗粒物传感器采用激光PM2.5传感器检测大气中PM2.5的浓度,所述激光PM2.5传感器根据光的散射原理工作,并采用激光LED灯作为发光元件发出细光柱红光,采用光敏元件把经由颗粒物散射后的散射光的光信号转换成电信号,从而检测出大气中PM2.5的浓度。
作为本发明进一步的技术方案,所述信号调理电路针对传感器输出的类型进行信号调理以便检测***后续处理和显示,所述信号调理电路采用前置放大器提高微弱输出信号的放大率,所述信号调理电路采用抗干扰电路抵抗信号传送过程中所受到其他信号的干扰,所述信号调理电路的工作方法为:
(1)信号放大,所述信号调理模块采用放大器对信号的幅值进行放大以便适宜采样,对微弱信号进行放大的目的是将信号电压范围调理到与ADC的量程范围相适应并且提高信噪比;
(2)信号滤波,所述信号调理模块通过内置低通、高通和带通滤波器来滤除掉无用的噪声和不需要的频率成分,避免后续测量误差;
(3)隔离,所述信号调理模块在不适宜直接通过电连接方式传递信号时采取隔离来确保***的安全性,并保证从数据采集模块采集到的数据不受电位和输入模式的影响,有效降低测量误差;
(4)校准,所述信号调理模块采用校准电路对传感器输出的信号进行校准以保证准确性和可靠性。
作为本发明进一步的技术方案,所述通信模块采用ZIGBEE无线传输网络实现所述数据采集模块和所述中央处理模块之间数据的双向安全交换,所述ZIGBEE无线传输网络采用HCS08协议实现无连接传输和高速传输,并以数据报的方式进行传输且形成了端口到端口的数据传输,所述通信模块采用CC2430芯片控制数据信息传输,所述CC2430芯片采用6线串行的接口进行协议通信连接,并采用QPSK调制器对所接收到的数据信息进行调制。
作为本发明进一步的技术方案,所述精细对比算法包括以下工作步骤:
步骤1、获取大气中二氧化硫和PM2.5的数据信息,通过数据采集模块得到作为污染源的二氧化硫和PM2.5颗粒物的浓度;
步骤2、进行预定值训练,采用预定值训练ai模型按照需求对其自定义,采用数据采集模块采集到的数据作为训练数据来构建预定值训练ai模型并将模型的输入数据输送给所述预定值训练ai模型,采用训练好的预定值训练ai模型进行所述大气污染源预定值训练;
步骤3、采用CL算法作为精细对比算法,将数据采集模块采集到的数据与步骤2得到的预定值进行对比,先定义样本的正例和负例,再根据公式(1)构建loss损失公式,公式(1)如下;
步骤4、设置阈值,当超过阈值时,所述告警模块接收到对比结果后采取声光报警方式提醒工作人员,所述二氧化硫的阈值为0.6mg/m3,所述pm2.5的阈值为20mg/m3。
作为本发明进一步的技术方案,所述中央处理模块采用温度补偿原理监控和调节传感器的输出信号以保证所述传感装置具有清晰的浓度曲线,所述中央处理模块采用温度补偿算法保证所述采集模块的工作性能在大气污染源检测***受温度影响变化时保持不变,所述工作性能指采集的准确度和浓度计算时间,从而实现物体温度变化补偿,所述温度补偿算法在传感器采集数据时对其灵敏度进行补偿,首先不考虑温度的影响,在某一固定的温度下用多项式函数(2)表示传感器的输入输出:
x指传感器的输出,y是指传感器所测量的物理量的真实值,a_i可以根据采集到的数据利用最小二乘拟合的方式计算出来,且N的取值不宜过大,一般取为4以下,数据点则越多越好,考虑到温度的影响,不同温度下,公式(2)中的a_i会发生变化,此时不同温度之间的关系可用公式(3)来逼近:
采用最小二乘法的一般计算步骤来构建齐次线性方程组,求出i次最小二乘解b_ji,接下来进行温度修正,多项式函数也可通过一个小变形来减少乘法的次数,具体表示为公式(4),
利用上述公式可实现传感器工作过程中的温度修正,增加整个大气污染源检测***的精准性。
作为本发明进一步的技术方案,所述存储模块采用ROM(只读存储器)进行不易失且高可靠性的存储,信息永久保存,实现对大气污染源检测***数据的永久储存和分析;
作为本发明进一步的技术方案,所述云终端模块包括显示屏、嵌入式处理器和通信接口,所述嵌入式处理器通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,所述云终端模块采用显示屏与操作人员实现交互,并采用通信接口于接收从存储模块得到的测量值数据,帮助工作人员实现更加个性化和定制化的生产流程和管理方式。
作为本发明进一步的技术方案,一种大气污染源智能检测方法,应用于上述技术方案所述的一种大气污染源智能检测***,所述方法包括步骤:
步骤一、通过数据采集模块中的传感装置收集大气污染源的原始信号,并采用信号调理电路对所收集的原始数据进行放大、检波、隔离和校准,最后通过数据采集模块中的微处理器将采集到的信号转化并传递给信号处理模块和存储模块;
步骤二、通过通信模块将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块,实现联机检测的方便化和设备使用环境的多样化;
步骤三、通过中央处理模块实现采集大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
步骤四、通过存储模块对采集到的数据进行存储和分析,所述存储模块采用ROM(只读存储器)对采集到的数据进行存储和分析,实现对大气污染源的长期监测和分析;
步骤五、通过报警模块接收中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,报警模块迅速采用声光报警方式提醒工作人员发布大气污染严重信息,提醒人们出行注意防护;
步骤六、通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,云终端模块采用显示屏与操作人员实现交互,采用通信接口于将测量值及时传送给其他执行器从而构成闭环控制***。
所述ai算法规则为:
通过使用PAM聚类算法模型实现大气污染源数据信息的分类,其中所述PAM聚类算法模型包括数据融合模块、属性设置模块、决策树模块、预测模型和概率计算模块,其中所述数据融合模块用于融合不同种类的大气污染数据信息,属性设置模块用于设置不同类型的分类信息;决策树模块用于将不同类型数据信息通过不同根节点和子节点进行分类计算;预测模型用于预测大气污染源数据信息的数据信息;概率计算模块用于将异常数据信息输出;其中所述PAM聚类算法模型的工作方法为:
步骤一、通过数据融合模块将不同类型的大气污染源数据信息进行融合;
步骤二、通过决策树模块将不同的中心数据聚类数据信息进行分类和信息评估,其中评估公式(5)所示:
在公式(5)中,yi m为第m次随机抽取PAM聚类过程之后得到的第i个不属于中心数据;zi m为所属分类的数据中心;Vm为衡量PAM聚类方案质量的标准;m表示中心数据总个数,c表示聚类种类;
步骤三、通过预测模型对大气污染源数据信息进行预测,其中预测函数f(s)为:
公式(6)中,fβ(s)为输入变量s的分类类别为1时的概率值,h(βTS)是预测函数输出信息的另一种表达式;为预测函数表达式中的可控变量,β表示输入变量为s时大气污染预测种类,S表示预测时应用数据集合输入变量;
步骤四、通过概率计算模块对不同输出的数据信息进行误差概率计算,其中异常概率计算函数如(7)所示:
Q(y|s;β)=fβ(s)y(1-fβ(s))1-y (7)
在公式(7)中,Q(y|s;β)为预测时应用数据集合输入变量s的分类类别为0的概率值,fβ(s)y表示的分类类别为1时的概率,(1-fβ(s))1-y为剩余情况下概率所占大小。积极有益效果:
本发明公开了一种大气污染源智能检测***和方法,能够对大气中的二氧化硫和PM2.5进行精确、高效的检测和识别;采用ME4-SO2二氧化硫传感器实现对大气环境的二氧化硫的更精准识别;采用激光PM2.5传感器达到检测出大气中PM2.5的浓度的目的;采用CC2430芯片实现高效且低成本的数据运输;采用QPSK调制器对所接收到的数据信息进行调制;采用精细对比算法实现对大气中污染成分的精细检测。
附图说明
图1为本发明一种大气污染源智能检测***的整体架构示意图;
图2为本发明一种大气污染源智能检测方法的流程示意图;
图3为本发明一种大气污染源智能检测***中信号调理电路的电路图;
图4为本发明一种大气污染源智能检测***中存储模块采用的ROM的电路结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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他实施例,都属于本发明保护的范围。
一种大气污染源智能检测***,所述***包括:
数据采集模块,用于收集大气污染源中二氧化硫和PM2.5颗粒物的浓度数据,所述数据采集模块包括传感装置、信号调理电路和微处理器,所述信号调理电路用于对所述传感装置输出的信号进行放大、滤波、隔离和校准,所述微处理器用于将模拟信号转化为数字信号;
通信模块,用于将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块,实现联机检测的方便性和设备使用环境的多样化;
中央处理模块,用于实现对大气中污染成分的精细检测,所述中央处理模块采用精细对比算法实现大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
存储模块,用于对采集到的数据进行存储,实现对大气污染源的长期监测和分析;
报警模块,用于接收所述中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,所述报警模块采用声光报警方式提醒工作人员发布大气污染严重信息,提醒人们出行注意防护;
云终端模块,用于实现数据采集、数据处理和报警功能的一体化操作,实时查看设备的运行状态;
其中,所述数据采集模块的输出端与通信模块和存储模块的输入端连接,所述通信模块的输出端与中央处理模块的输入端连接,所述中央处理模块的输出端与报警模块的输入端和云端装置的输入端连接,所述存储模块的输出端与云端装置的输入端连接。
在具体实施例中,一种大气污染源智能检测***和方法,包括:数据采集模块、通信模块、中央处理模块、存储模块、报警模块和云终端模块。所述数据采集模块采用ME4-SO2二氧化硫传感器和激光PM2.5传感器采集大气中的二氧化硫和PM2.5的含量,实现对大气中这两种污染源的精准识别。采集完成的数据信息经由通信模块采用ZIGBEE无线传输网络传送给中央处理模块,并直接传送给存储模块进行存储,实现对大气污染源的长期监测和分析。所诉中央处理模块采用精细对比算法实现大气成分中二氧化硫气体和PM2.5的数据含量异常检测,并将检测结果传递给报警模块进行下一步处理。所属报警模块接收到的结果显示二氧化硫和PM2.5含量达到危险值时采取声光报警方式提醒工作人员发布大气污染严重信息,并提醒人们出行注意防护。
该***和方法可以通过检测大气中二氧化硫和PM2.5的存在及浓度达到对整个大气污染源的检测,及时将大气质量信息反馈给工作人员做出相应决策,提醒居民进行防护,提高人民的健康水平。此外该***和方法具有完善的检测***、能实现对大气污染源的高精度检测且智能化程度高。
在上述实施例中,所述传感装置通过二氧化硫传感器和颗粒物传感器检测大气环境中的二氧化硫和PM2.5,并将大气环境中的二氧化硫和PM2.5转换成便于传递的模拟信号并输出,所述传感装置采用ME4-SO2二氧化硫传感器检测空气中的二氧化硫,所述ME4-SO2二氧化硫传感器为定电位电解型二氧化硫传感器,二氧化硫和氧气在工作电极发生氧化还原反应并释放电荷形成电流,通过测试电流大小来判断二氧化硫浓度的高低。所述颗粒物传感器采用激光PM2.5传感器检测大气中PM2.5的浓度,所述激光PM2.5传感器根据光的散射原理工作,并采用激光LED灯作为发光元件发出细光柱红光,采用光敏元件把经由颗粒物散射后的散射光的光信号转换成电信号,从而检测出大气中PM2.5的浓度。
在具体实施例中,ME4-SO2二氧化硫传感器的工作原理是待测气体通过传感器内部的电化学反应单元,与电极上的电解液接触并产生电化学反应。在反应过程中,气体中的SO2分子与电极上的电解液中的离子发生化学反应,产生电流信号,该信号与SO2浓度成正比。传感器内部的电路将电流信号转化为电压信号,再通过微处理器进行处理,最终输出SO2浓度值。传感器内部的电化学反应单元由电极和电解液组成。电极通常由金属或半导体材料制成,电解液则是一种能够与待测气体发生反应的液体。在SO2分子与电解液中的离子发生反应时,电极上的电子会被转移,产生电流信号,最终转化为SO2浓度值。
在上述实施例中,所述信号调理电路针对传感器输出的类型进行信号调理以便检测***后续处理和显示,所述信号调理电路采用前置放大器提高微弱输出信号的放大率,所述信号调理电路采用抗干扰电路抵抗信号传送过程中所受到其他信号的干扰,所述信号调理电路的工作方法为:
(1)信号放大,所述信号调理模块采用放大器对信号的幅值进行放大以便适宜采样,对微弱信号进行放大的目的是将信号电压范围调理到与ADC的量程范围相适应并且提高信噪比;
(2)信号滤波,所述信号调理模块通过内置低通、高通和带通滤波器来滤除掉无用的噪声和不需要的频率成分,避免后续测量误差;
(3)隔离,所述信号调理模块在不适宜直接通过电连接方式传递信号时采取隔离来确保***的安全性,并保证从数据采集模块采集到的数据不受电位和输入模式的影响,有效降低测量误差;
(4)校准,所述信号调理模块采用校准电路对传感器输出的信号进行校准以保证准确性和可靠性。
在具体实施例中,信号调理电路对整个大气污染源智能检测***的作用巨大,信号调理电路可以通过驱动传感器使传感器正常工作,并通过数字信号处理技术将传感器输出的信号转换为数字信号进行处理,这个作用对数据采集模块的正常运行十分重要。还可以通过控制放大器的增益来改变信号的幅度从而使信号更符合后续处理要求,提高信号的抗干扰能力,增加***对大气污染源检测的精确性。信号调理电路通过对传感器输出的信号进行隔离以保护***的安全性和数据的完整性,可以在高压、高电流的特殊环境下将传感器输出的信号与电流隔离以保证***的稳定性和可靠性。信号调理电路还可以通过内置的滤波器对信号进行滤波,根据信号频率的不同选择性的通过或阻塞特定频率的信号,去除噪声信号以提高信号的质量和精度,并可以通过扩展通道数的方式,实现对多个传感器的同时采集和处理,从而满足各种应用的需求。
在上述实施例中,所述通信模块采用ZIGBEE无线传输网络实现所述数据采集模块和所述中央处理模块之间数据的双向安全交换,所述ZIGBEE无线传输网络采用HCS08协议实现无连接传输和高速传输,并以数据报的方式进行传输且形成了端口到端口的数据传输,所述通信模块采用CC2430芯片控制数据信息传输,所述CC2430芯片采用6线串行的接口进行协议通信连接,并采用QPSK调制器对所接收到的数据信息进行调制。
在具体实施例中,ZIGBEE无线传输网络是一个由可多到65000个无线传输模块组成的一个无线传输网络平台,每一个ZIGBEE网络传输模块类似移动网络的一个基站,在整个网络范围内,它们之间可以进行相互通信,每个网络节点间的距离可以从标准的75米到扩展后的几百米甚至几公里,整个ZIGBEE网络还可以与现有的其他各种网络连接,且ZIGBEE无线传输网络正是为了自动化控制数据传输而建立,与大气污染源智能检测***有较高的适配性。在大气污染源检测***中运用ZIGBEE网络可有效提升数据传输速率,对比结果如表1所示:
表1速度对比统计表
总之,采用ZIGBEE无线传输网络可以大幅提高数据传输速率,且每一个ZIGBEE网络节FFD还可以在自己信号覆盖的范围内和多个不承担网络信息中转任务的孤立的子节点RFD无线连接,每个ZIGBEE网络节点可以支持多达31个传感器和受控设备,为日后大气污染源智能检测***可以精准识别更多类型的污染气体提供强有力的支撑。
在上述实施例中,所述精细对比算法包括以下工作步骤:
步骤1、获取大气中二氧化硫和PM2.5的数据信息,通过数据采集模块得到作为污染源的二氧化硫和PM2.5颗粒物的浓度;
步骤2、进行预定值训练,采用预定值训练ai模型按照需求对其自定义,采用数据采集模块采集到的数据作为训练数据来构建预定值训练ai模型并将模型的输入数据输送给所述预定值训练ai模型,采用训练好的预定值训练ai模型进行所述大气污染源预定值训练;
步骤3、采用CL算法作为精细对比算法,将数据采集模块采集到的数据与步骤2得到的预定值进行对比,先定义样本的正例和负例,再根据公式(1)构建loss损失公式,公式(1)如下:
步骤4、设置阈值,当超过阈值时,所述告警模块接收到对比结果后采取声光报警方式提醒工作人员,所述二氧化硫的阈值为0.6mg/m3,所述pm2.5的阈值为20mg/m3。
在具体实施例中,公式(1)中的τ是温度参数,S(zi,zj)是相似性度量。所述中央处理模块采用PLC的数据比较指令对数据采集模块采集到的数据进行对比,所述数据比较指令用于实现比较运算,并根据运算结果来判断后续处理,数值比较指令的语法格式为:CMPa,b,其中a和b是两个要进行比较的数值,如CMPINO,50,表示将输入点INO的值与数值50进行比较,数值比较指令将比较结果存储在指令的运算结果寄存器中并根据比较结果来判断后续的处理,对于两个不同的输入值a和b,数值比较指令可以返回以下三种结果之一:(1)a==b,这种情况下,数值比较指令的运算结果寄存器将被设置为“1”,表示相等;(2)a<b,这种情况下,数值比较指令的运算结果寄存器将被设置为“0”,表示小于;(3)a>b,这种情况下,数值比较指令的运算结果寄存器将被设置为“O”,表示大于。
在上述实施例中,所述中央处理模块采用温度补偿算法监控和调节传感器的输出信号以保证所述传感装置具有清晰的浓度曲线,所述中央处理模块采用温度补偿算法保证所述采集模块的工作性能在大气污染源检测***受温度影响变化时保持不变,所述工作性能指采集的准确度和浓度计算时间,从而实现物体温度变化补偿,所述温度补偿算法在传感器采集数据时对其灵敏度进行补偿,首先不考虑温度的影响,在某一固定的温度下用多项式函数(2)表示传感器的输入输出:
x指传感器的输出,y是指传感器所测量的物理量的真实值,ai可以根据采集到的数据利用最小二乘拟合的方式计算出来,且N的取值不宜过大,一般取为4以下,数据点则越多越好,考虑到温度的影响,不同温度下,公式(2)中的ai会发生变化,此时不同温度之间的关系可用公式(3)来逼近:
采用最小二乘法的一般计算步骤来构建齐次线性方程组,求出i次最小二乘解bji,接下来进行温度修正,多项式函数也可通过一个小变形来减少乘法的次数,具体表示为公式(4),
利用上述公式可实现传感器工作过程中的温度修正,增加整个大气污染源检测***的精准性。
在具体实施例中,温度补偿算法可以全面考虑传感器在不同温度下的表现并在这些温度下进行校准纠正,使传感器可在不同温度下测量结果更加准确可靠,对比结果如表2所示:
补偿后的精度 | 未补偿的精度 | |
A组 | 98.1% | 79.3% |
B组 | 89.7% | 77.4% |
C组 | 95.1% | 81.6% |
D组 | 90.6% | 86.1% |
E组 | 94.0% | 76.9% |
F组 | 88.6% | 77.5% |
由表2可以看出,采取温度补偿算法有效地提高了大气污染源检测***地精度,并可以通过对电路的温度变化进行补偿有效提高电路的稳定性,在整个大气污染源智能检测***中温度补偿技术占据重要地位,应充分利用温度补偿技术为智能检测***做出更多贡献。
在上述实施例中,所述存储模块采用ROM进行不易失且高可靠性的存储,信息永久保存,实现对大气污染源检测***数据的永久储存和分析。
在具体实施例中,ROM的电路结构主要由地址译码器、存储矩阵和输出缓冲器组成,地址译码器根据地址信号总线选中相应的存储单元。假设译码器有n条地址输入线,则可以寻址2的n次方个存储器单元,则存储矩阵由2的n次方个存储器单元组成,每个存储单元为k位。输出缓冲器具有三态功能,受控制信号控制,当控制信号有效时,才将存储单元的数据输出到数据总线上,否则数据总线呈现高阻状态。ROM具有结构简单的优点,并具有非易失性,可靠度较高,应用在大气污染源智能检测***中可实现对大气污染源检测***数据的永久储存和分析。
在上述实施例中,所述云终端模块包括显示屏、嵌入式处理器和通信接口,所述嵌入式处理器通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,所述云终端模块采用显示屏与操作人员实现交互,并采用通信接口于接收从存储模块得到的测量值数据,帮助工作人员实现更加个性化和定制化的生产流程和管理方式。
在具体实施例中,云终端模块是基于云计算模式应用的终端设备,集使用、管理、备份等功能为一体,在大气污染源智能检测***中的云终端模块与中央处理模块和存储模块连接,可将存储模块储存的大气污染源气体相关数据进行整体扫描、分级分类和整理识别,且该***配备的的显示屏可实现操作人员直观、便捷地控制整个***,且不占过多空间,节省整个大气污染源智能检测设备的空间占有面积。
在上述实施例中,一种大气污染源智能检测方法,应用于上述技术方案所述的一种大气污染源智能检测***,所述方法包括步骤:
步骤一、通过数据采集模块中的传感装置收集大气污染源的原始信号,并采用信号调理电路对所收集的原始数据进行放大、检波、隔离和校准,最后通过数据采集模块中的微处理器将采集到的信号转化并传递给信号处理模块和存储模块;
步骤二、通过通信模块将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块,实现联机检测的方便化和设备使用环境的多样化;
步骤三、通过中央处理模块实现采集大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
步骤四、通过存储模块对采集到的数据进行存储和分析,所述存储模块采用ROM(只读存储器)对采集到的数据进行存储和分析,实现对大气污染源的长期监测和分析;
步骤五、通过报警模块接收中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,报警模块迅速采用声光报警模式提醒工作人员发布大气污染严重信息,提醒人们出行注意防护;
步骤六、通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,云终端模块采用显示屏与操作人员实现交互,并采用通信接口于接收从存储模块得到的测量值数据。
在具体实施例中,大气污染源是生活中存在的有害气体,给人们生命健康带来重大威胁。本文介绍一种大气污染源智能检测***及方法来检测空气中给大气质量带来污染的二氧化硫和PM2.5,为后续有关领域的研究人员对其进行治理提供了重大意义。
***硬件组成:ME4-SO2二氧化硫传感器、激光PM2.5传感器、ROM和显示屏等。
检测原理:利用数据采集装置收集大气气体样本,内置的ME4-SO2二氧化硫传感器和激光PM2.5传感器与大气气体中的二氧化硫和PM2.5发生反应并将采集到的数据以无线传输的方式实时传送给中央处理模块,存储模块也接收到数据采集模块传送的数据将其保存以实现对大气污染源的长期监测和分析,中央处理模块对接收到的数据进行成分含量数据异常检测并将检测结果传递给报警模块,报警模块通过对检测结果的对比作出反应,当检测结果达到危险值时采用声光报警模式提醒工作人员及时发布大气污染严重信息。
检测流程:
获得大气污染源气体成分及浓度:使用ME4-SO2二氧化硫传感器和激光PM2.5传感器得到二氧化硫和PM2.5的浓度。
信号调理:对传感器输出的不同类型的信号进行调理以便检测***后续处理和显示。
数据传输:采用ZIGBEE无线传输网络实现所述数据采集模块和所述中央处理模块之间数据的双向安全、高速率交换。
判断检测结果:根据检测结果来判断二氧化硫和PM2.5的含量是否合格。如果达到危险值,采取声光报警模式提醒工作人员。
以上是一种大气污染源智能检测方法。该方法能够对大气中污染气体进行快速检测和准确识别,提高环境检测效率,为后续环境治理方面的研究提供参考。
所述ai算法规则为:
通过使用PAM聚类算法模型实现大气污染源数据信息的分类,其中所述PAM聚类算法模型包括数据融合模块、属性设置模块、决策树模块、预测模型和概率计算模块,其中所述数据融合模块用于融合不同种类的大气污染数据信息,属性设置模块用于设置不同类型的分类信息;决策树模块用于将不同类型数据信息通过不同根节点和子节点进行分类计算;预测模型用于预测大气污染源数据信息的数据信息;概率计算模块用于将异常数据信息输出;其中所述PAM聚类算法模型的工作方法为:
步骤一、通过数据融合模块将不同类型的大气污染源数据信息进行融合;
步骤二、通过决策树模块将不同的中心数据聚类数据信息进行分类和信息评估,其中评估公式(5)所示:
在公式(5)中,yi m为第m次随机抽取PAM聚类过程之后得到的第i个不属于中心数据;zi m为所属分类的数据中心;Vm为衡量PAM聚类方案质量的标准;m表示中心数据总个数,c表示聚类种类;
步骤三、通过预测模型对大气污染源数据信息进行预测,其中预测函数f(s)为:
公式(6)中,fβ(s)为输入变量s的分类类别为1时的概率值,h(βTS)是预测函数输出信息的另一种表达式;为预测函数表达式中的可控变量,β表示输入变量为s时大气污染预测种类,S表示预测时应用数据集合输入变量;
步骤四、通过概率计算模块对不同输出的数据信息进行误差概率计算,其中异常概率计算函数如(7)所示:
Q(y|s;β)=fβ(s)y(1-fβ(s))1-y (7)
在公式(7)中,Q(y|s;β)为预测时应用数据集合输入变量s的分类类别为0的概率值,fβ(s)y表示的分类类别为1时的概率,(1-fβ(s))1-y为剩余情况下概率所占大小。
为了使本发明的实施过程更为清晰,下面通过具体实施例进一步对本发明的实施例进一步说明。通过实施如表3所示。
表3实施例示意表
通过上述实施例,本发明通过选择不同参数作为训练参数,以提高数据信息计算能力,通过将不同参数进行训练,采用本发明的实施例能够提高大气污染智能检测能力。
在进一步的实施例中,数据融合模块、属性设置模块、决策树模块、预测模型和概率计算模块在工作过程中,可以采用PLC控制器进行控制,以实现不同模块的自动化控制,这些模块在具体工作过程中,可以与不同的硬件参数配合使用,比如通过设计硬件结构等。在具体实施例中,数据融合模块采用信息融合的方式实现数据融合,比如通过参数信息融合、数据属性融合等,属性设置模块将分类模型划分不同的数据属性,以提高数据信息分类能力和信息处理能力。
决策树模块在具体实施例中,通过设置不同的分类节点和分类属性,通过层层生成不同的根节点或子节点,将大气污染检测到的数据信息通过决策树模块逐级输出的不同的数据信息节点,通过预测模型对数据信息进行预测,以提高数据信息预测能力,比如故障信息预警或者故障数据信息输出等,概率计算模块通过对计算出的大气污染源数据信息进行异常概率计算以提高数据信息计算能力。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和***的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (10)
1.一种大气污染源智能检测***,其特征在于:所述***包括:
数据采集模块,用于收集大气污染源中二氧化硫和PM2.5颗粒物的浓度数据,所述数据采集模块包括传感装置、信号调理电路和微处理器,所述信号调理电路用于对所述传感装置输出的信号进行放大、滤波、隔离和校准,所述微处理器用于将模拟信号转化为数字信号;
通信模块,用于将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块;
中央处理模块,用于实现对大气中污染成分的精细检测,所述中央处理模块采用精细对比算法实现大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
存储模块,用于对采集到的数据进行存储,实现对大气污染源的长期监测和分析;
报警模块,用于接收所述中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,所述报警模块采用声光报警方式提醒工作人员发布大气污染严重信息,提醒人们出行注意防护;
云终端模块,用于实现数据采集、数据处理和报警功能的一体化操作,实时查看设备的运行状态;
其中,所述数据采集模块的输出端与通信模块和存储模块的输入端连接,所述通信模块的输出端与中央处理模块的输入端连接,所述中央处理模块的输出端与报警模块的输入端和云端装置的输入端连接,所述存储模块的输出端与云端装置的输入端连接。
2.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述传感装置通过二氧化硫传感器和颗粒物传感器检测大气环境中的二氧化硫和PM2.5,并将大气环境中的二氧化硫和PM2.5转换成模拟信号并输出,所述传感装置采用ME4-SO2二氧化硫传感器检测空气中的二氧化硫,所述ME4-SO2二氧化硫传感器为定电位电解型二氧化硫传感器,二氧化硫和氧气在工作电极发生氧化还原反应并释放电荷形成电流,通过测试电流大小来判断二氧化硫浓度,所述颗粒物传感器采用激光PM2.5传感器检测大气中PM2.5的浓度,所述激光PM2.5传感器根据光的散射原理工作,并采用激光LED灯作为发光元件发出细光柱红光,采用光敏元件把经由颗粒物散射后的散射光的光信号转换成电信号,从而检测出大气中PM2.5的浓度。
3.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述信号调理电路针对传感器输出的类型进行信号调理以便检测***后续处理和显示,所述信号调理电路采用前置放大器提高微弱输出信号的放大率,所述信号调理电路采用抗干扰电路抵抗信号传送过程中所受到其他信号的干扰,所述信号调理电路的工作方法为:
(1)信号放大,所述信号调理模块采用放大器对信号的幅值进行放大以便适宜采样,对微弱信号进行放大的目的是将信号电压范围调理到与ADC的量程范围相适应;
(2)信号滤波,所述信号调理模块通过内置低通、高通和带通滤波器来滤除掉无用的噪声和不需要的频率成分;
(3)隔离,所述信号调理模块在不适宜直接通过电连接方式传递信号时采取隔离来确保***的安全性,并保证从数据采集模块采集到的数据不受电位和输入模式的影响;
(4)校准,所述信号调理模块采用校准电路对传感器输出的信号进行校准。
4.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述通信模块采用ZIGBEE无线传输网络实现所述数据采集模块和所述中央处理模块之间数据的双向安全交换,所述ZIGBEE无线传输网络采用HCS08协议实现无连接传输和高速传输,并以数据报的方式进行传输且形成了端口到端口的数据传输,所述通信模块采用CC2430芯片控制数据信息传输,所述CC2430芯片采用6线串行的接口进行协议通信连接,并采用QPSK调制器对所接收到的数据信息进行调制。
5.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述精细对比算法包括以下工作步骤:
步骤1、获取大气中二氧化硫和PM2.5的数据信息,通过数据采集模块得到作为污染源的二氧化硫和PM2.5颗粒物的浓度;
步骤2、进行预定值训练,采用预定值训练ai模型按照需求对其自定义,采用数据采集模块采集到的数据作为训练数据来构建预定值训练ai模型并将模型的输入数据输送给所述预定值训练ai模型,采用训练好的预定值训练ai模型进行所述大气污染源预定值训练;
步骤3、采用CL算法作为精细对比算法,将数据采集模块采集到的数据与步骤2得到的预定值进行对比,先定义样本的正例和负例,再根据公式(1)构建loss损失公式,公式(1)如下;
步骤4、设置阈值,当超过阈值时,所述告警模块接收到对比结果后采取声光报警方式提醒工作人员,所述二氧化硫的阈值为0.6mg/m3,所述pm2.5的阈值为20mg/m3。
6.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述中央处理模块采用温度补偿原理监控和调节传感器的输出信号以保证所述传感装置具有清晰的浓度曲线,所述中央处理模块采用温度补偿算法保证所述采集模块的工作性能在大气污染源检测***受温度影响变化时保持不变,所述工作性能指采集的准确度和浓度计算时间,从而实现物体温度变化补偿,不考虑温度的影响下,在固定温度下用多项式函数(2)表示传感器的输入输出:
x指传感器的输出,y是指传感器所测量的物理量的真实值,ai可以根据采集到的数据利用最小二乘拟合的方式计算出来,且N的取值为4以下,考虑到温度的影响,不同温度下,公式(2)中的ai会发生变化,此时不同温度之间的关系可用公式(3)来逼近:
采用最小二乘法的一般计算步骤来构建齐次线性方程组,求出i次最小二乘解bji,接下来进行温度修正,多项式函数通过变形来减少乘法的次数,具体表示为公式(4);
利用上述公式实现传感器工作过程中的温度修正,增加整个大气污染源检测***的精准性。
7.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述存储模块采用ROM进行不易失且高可靠性的存储。
8.根据权利要求1所述的一种大气污染源智能检测***,其特征在于:所述云终端模块包括显示屏、嵌入式处理器和通信接口,所述嵌入式处理器通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,所述云终端模块采用显示屏与操作人员实现交互,并采用通信接口于接收从存储模块得到的测量值数据。
9.一种大气污染源智能检测方法,其特征在于,应用于权利要求1-7中任意一项权利要求所述的一种大气污染源智能检测***,所述方法包括步骤:
步骤一、通过数据采集模块中的传感装置收集大气污染源的原始信号,并采用信号调理电路对所收集的原始数据进行放大、检波、隔离和校准,最后通过数据采集模块中的微处理器将采集到的信号转化并传递给信号处理模块和存储模块;
步骤二、通过通信模块将所述数据采集模块采集到的数据以无线传输的方式实时传送给中央处理模块,实现联机检测的方便化和设备使用环境的多样化;
步骤三、通过中央处理模块实现采集大气成分含量数据异常检测,并将检测结果传递给报警模块进行下一步处理;
步骤四、通过存储模块对采集到的数据进行存储和分析,所述存储模块采用ROM对采集到的数据进行存储和分析,实现对大气污染源的长期监测和分析;
步骤五、通过报警模块接收中央处理模块的比较结果并作出下一步反应,当显示结果达到危险值时,报警模块迅速采用声光报警方式提醒工作人员发布大气污染严重信息;
步骤六、通过预设的ai算法规则和自定义敏感数据识别规则对数据库进行整体扫描、分级分类和整理识别,云终端模块采用显示屏与操作人员实现交互,采用通信接口于将测量值及时传送给其他执行器从而构成闭环控制***。
10.根据权利要求9所述的一种大气污染源智能检测***,其特征在于:所述ai算法规则为:
通过使用PAM聚类算法模型实现大气污染源数据信息的分类,其中所述PAM聚类算法模型包括数据融合模块、属性设置模块、决策树模块、预测模型和概率计算模块,其中所述数据融合模块用于融合不同种类的大气污染数据信息,属性设置模块用于设置不同类型的分类信息;决策树模块用于将不同类型数据信息通过不同根节点和子节点进行分类计算;预测模型用于预测大气污染源数据信息的数据信息;概率计算模块用于将异常数据信息输出;其中所述PAM聚类算法模型的工作方法为:
步骤一、通过数据融合模块将不同类型的大气污染源数据信息进行融合;
步骤二、通过决策树模块将不同的中心数据聚类数据信息进行分类和信息评估,其中评估公式(5)所示:
式(5)中,yi m为第m次随机抽取PAM聚类过程之后得到的第i个不属于中心数据;zi m为所属分类的数据中心;Vm为衡量PAM聚类方案质量的标准;m表示中心数据总个数,c表示聚类种类;
步骤三、通过预测模型对大气污染源数据信息进行预测,其中预测函数f(s)为:
公式(6)中,fβ(s)为输入变量s的分类类别为1时的概率值,h(βTS)是预测函数输出信息的另一种表达式;为预测函数表达式中的可控变量,β表示输入变量为s时大气污染预测种类,S表示预测时应用数据集合输入变量;
步骤四、通过概率计算模块对不同输出的数据信息进行误差概率计算,其中异常概率计算函数如(7)所示:
Q(y|s;β)=fβ(s)y(1-fβ(s))1-y (7)
在公式(7)中,Q(y|s;β)为预测时应用数据集合输入变量s的分类类别为0的概率值,fβ(s)y表示的分类类别为1时的概率,(1-fβ(s))1-y为剩余情况下概率所占大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035610.0A CN117169315A (zh) | 2023-08-16 | 2023-08-16 | 一种大气污染源智能检测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311035610.0A CN117169315A (zh) | 2023-08-16 | 2023-08-16 | 一种大气污染源智能检测***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117169315A true CN117169315A (zh) | 2023-12-05 |
Family
ID=88946061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311035610.0A Pending CN117169315A (zh) | 2023-08-16 | 2023-08-16 | 一种大气污染源智能检测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
-
2023
- 2023-08-16 CN CN202311035610.0A patent/CN117169315A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444232B (zh) | 一种多通道智能化污染气体监测装置与扩散溯源方法 | |
CN205374363U (zh) | 一种智能有毒气体传感器模块 | |
US11131639B2 (en) | Analyzer, analysis system, analysis method and program | |
CN117169315A (zh) | 一种大气污染源智能检测***和方法 | |
CN113783272B (zh) | 一种基于超级电容监控管理***的安全控制方法 | |
US20090048781A1 (en) | Method and device for environmental monitoring | |
CN107607450A (zh) | 一种大气质量监测方法及相关设备 | |
CN109030566B (zh) | 一种实验室气体泄漏诊断装置及方法 | |
CN116499938B (zh) | 一种职业工作场所气溶胶悬浮物智能监测方法 | |
CN115238807B (zh) | 一种基于人工智能的amc侦测方法 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、***及计算机可读存储介质 | |
KR20210082664A (ko) | 배기가스 모니터링 장치 | |
CN113687609A (zh) | 应用于异常环境下的物联网智能监测***及监测方法 | |
CN103364530A (zh) | 远程气体监测***及方法 | |
Mathur et al. | High resolution air pollution mapping using wireless sensor nodes | |
CN107132315A (zh) | 信号识别方法、装置及挥发性有机物检测设备 | |
CN116709062B (zh) | 一种具有检测功能的用电信息采集设备 | |
CN115754149B (zh) | 一种废气治理工艺的监测方法、装置和设备 | |
CN108802150A (zh) | 一种基于四电极***的新型气态污染物浓度传感器 | |
CN108627202B (zh) | 工业烟气智能监测装置 | |
CN111932837A (zh) | 一种基于5g网络的烟气远程实时监测*** | |
CN107449875B (zh) | 一种有机废物处理设施恶臭气体检测设备 | |
CN113804595B (zh) | 一种多参数空气质量监测*** | |
Postolache et al. | Sensor network for environment monitoring: Water quality case study | |
CN209372744U (zh) | 一种多通道智能化污染气体监测装置 |
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 |