TWI765430B - 用於環境感測裝置之巡檢機制優化方法及其系統 - Google Patents
用於環境感測裝置之巡檢機制優化方法及其系統 Download PDFInfo
- Publication number
- TWI765430B TWI765430B TW109141220A TW109141220A TWI765430B TW I765430 B TWI765430 B TW I765430B TW 109141220 A TW109141220 A TW 109141220A TW 109141220 A TW109141220 A TW 109141220A TW I765430 B TWI765430 B TW I765430B
- Authority
- TW
- Taiwan
- Prior art keywords
- sensing device
- measurement data
- environmental
- environmental sensing
- index
- Prior art date
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本發明係關於一種用於環境感測裝置之巡檢機制優化方法,其包括:將布設於多個不同地理位置的多個環境感測裝置區分為至少一相關性群組;指定該相關性群組中之一該環境感測裝置為指標感測裝置,該指標感測裝置的所在位置為參考指標測點;定期將該相關性群組中之其他該些環境感測裝置在一特定時間內所測得的量測數據分別與該指標感測裝置所測得的量測數據進行比對,確認兩者的差值是否大於一離群評估指標,若大於該離群評估指標,則判定該環境感測裝置的量測數據異常,進而換算出該環境感測裝置的異常率;以及當該環境感測裝置的異常率≧10%時,計算該環境感測裝置及該指標感測裝置的相關係數,以利進行異常處理。
Description
本發明係關於一種空氣污染源濃度感測器的檢測技術領域,特別是關於一種利用類神經網路進行環境感測裝置之異常偵測的巡檢機制優化方法及其系統。
總懸浮微粒(TSP)、懸浮微粒(PM10)及細懸浮微粒(PM2.5)是我國法定的空氣污染物,其主要來源除了固定管道排放源與交通移動源外,還包括裸露於地面或街道的塵土,其中裸露於地面或街道的塵土所造成的空氣污染現象主要是透過風揚或車行的再懸浮作用,而易於風揚的微粒之粒徑約在200μm以下,相當於總懸浮微粒,對人體健康影響較大者為懸浮微粒(粒徑小於10μm)與細懸浮微粒(粒徑小於2.5μm)。在選定區域類型及場域範圍,布建多個空氣品質感測器(偵測包含溫度、溼度、細懸浮微粒(PM2.5)及揮發性有機物(VOCs)等以作為污染源判斷之依據,該些空氣品質感測器內部存有預設之警報判斷參考值,並將偵測到數據資料統一上傳至環保署感測資料收集中心(IOT平台),一旦感知數據達到警報參考值,即以無線傳輸方式發出警報。
現行的環境感測器布建以及巡檢作業,主要是由維運廠商將待測環境感測器裝配至巡檢比對環境場地,確認感測數據能正確上傳至IOT平台,並對待測環境感測器進行3-5分鐘水霧測試,在IOT平台確認即時的細懸浮微粒(PM2.5)濃度在此期間是否有峰值出現來決定是否通過水霧測試,水霧測試主要是模擬外界環境起霧的狀態,觀察環境感測器與
標準儀器的分析值比對是否受霧珠影響,現場確認通過測試後再將環境感測器拆遷至原先的標準監測站並確認感測數據能正確上傳。然而在巡檢的過程中,當發現出現多個巡檢比對異常值時,常需要逐一去到巡檢現場去了解異常因,導致相當耗費人力以及物力;再者,現行季度人工巡檢大約是3個月定期例行性巡檢,無法進行即時性之調整與修正。
是以,如何改善上述問題並且優化感測器的巡檢機制,申請人有鑑於習知技術中所產生之缺失,經過悉心試驗與研究,並一本鍥而不捨之精神,終構思出本發明以解決習知技藝的缺點。
具體而言,本發明可以提供一種用於環境感測裝置之巡檢機制優化方法,是將環境感測裝置進行分群管理,並透過大數據分析以及類神經網路模型建立異常指標以及各個群組中具代表性的環境感測裝置,不僅可以節省許多人力與物力,也可以將每季定期(至現場)巡檢改為經常性的(在雲端網路透過資料分析)巡檢,反而更能確保環境感測裝置所測得之監測數據的可靠性。
意即,本發明提供了一種用於環境感測裝置之巡檢機制優化方法,其包括:(a)將布設於多個不同地理位置的多個環境感測裝置區分為至少一相關性群組;(b)指定該相關性群組中之一該環境感測裝置為指標感測裝置,該指標感測裝置的所在位置為參考指標測點;(c)定期將該相關性群組中之其他該些環境感測裝置在一特定時間內所測得的量測數據分別與該指標感測裝置所測得的量測數據進行比對,確認兩者的差值是否大於一離群評估指標,若大於該離群評估指標,則判定該環境感測裝置的量測數據異常,進而換算出該環境感測裝置的異常率;以及當該環境感測裝置的
異常率≧10%時,計算該環境感測裝置及該指標感測裝置的相關係數(r),以利進行異常處理。
另外,本發明還可以提供一種用於環境感測裝置之巡檢機制優化系統,其係包含:至少一個相關性群組,該相關性群組包含有多個環境感測裝置,且該些環境感測裝置中之一者為指標感測裝置;雲端伺服器,其係與該些環境感測裝置通訊連接,用以接收並儲存該些環境感測裝置的量測數據,並進行演算分析而生成各該環境感測裝置的異常率:以及遠端監控平台,其係與該雲端伺服器通訊連接,用以接收各該環境感測裝置的異常率,以供至少一用戶確認該些環境感測裝置的運行狀況。
10:環境感測裝置
20:雲端伺服器
30:遠端監控平台
40:相關性群組
T:指標感測器
S10~S50:步驟
V10~V50:步驟
Z10~Z40:步驟
圖1係顯示本發明之巡檢機制優化方法的標準流程示意圖。
圖2係顯示本發明之巡檢優化系統的架構示意圖。
圖3係顯示在步驟S10中之指標感測裝置T的指定方法流程示意圖。
圖4係顯示本發明之類神經網路之架構示意圖。
圖5係顯示在步驟S30中之離群評估指標的建立方法流程示意圖。
圖6係顯示利用類神經網路模型來模擬頭份測站之PM2.5濃度的模擬及實測結果。
圖7係顯示利用類神經網路模型來模擬苗栗測站之PM2.5濃度的模擬及實測結果。
圖8係顯示利用類神經網路模型來模擬三義測站之PM2.5濃度的模擬及實測結果。
為了對本發明的技術特徵、目的和效果有更加清楚的理解,現對照附圖詳細說明本發明的具體實施方式。有關本發明之詳細說明及技術內容,配合圖式說明如下,然而所附圖式僅提供參考與說明用,並非用來對本創作加以限制者;而關於本發明之前述及其他技術內容、特點與功效,在以下配合參考圖式之各實施例的詳細說明中,將可清楚呈現,以下實施例所提到的方向用語,例如:「上」、「下」、「左」、「右」、「前」、「後」等,僅是參考附加圖示的方向。因此,使用的方向用語是用來說明,而並非用來限制本發明;再者,在下列各實施例中,相同或相似的元件將採用相同或相似的元件標號。
在本發明中,「空品監測站」是指本國環保局或環保署所設置的任一個空氣品質監測站,並且是以空品監測站所測得的量測數據作為校正標準值。
請參考圖1所示,其為本發明之用於環境感測裝置之巡檢機制優化方法的步驟流程圖1。該巡檢機制優化方法包括以下步驟S10~S40:
S10:將布設於多個不同地理位置的多個環境感測裝置依照設置位置及/或相關性區分為至少一相關性群組。
S20:指定該相關性群組中之一該環境感測裝置為指標感測裝置,該指標感測裝置的所在位置為參考指標測點。
S30:定期將該相關性群組中之各該環境感測裝置在一特定時間內所測得的量測數據與該指標感測裝置所測得的量測數據進行比對,確認兩者的差值是否大於離群評估指標,若大於該離群評估指標,則判定該環境感測裝置的量測數據異常,並計算異常率。
S40:當該環境感測裝置之量測數據的異常率<10%時,判定環境感測裝置為正常運行。
S50:當該環境感測裝置之量測數據的異常率≧10%時,計算該環境感測裝置及該指標感測裝置的相關係數(r),並據以進行異常處理。
另請同時參閱圖2,其為顯示本發明之巡檢優化系統的系統架構圖。該巡檢系統包含有多個環境感測裝置10、雲端伺服器20、及遠端監控平台30。各個環境感測裝置10每日定時偵測並將量測數據上傳至雲端伺服器20,雲端伺服器20將該些量測數據以類神經網路進行運算分析,並將結果顯示於遠端監控平台30,以供使用者評估處理方式。該遠端監控平台30為習知的電子計算機裝置,例如桌上型電腦、筆記型電腦、平板電腦、或是智慧型手機,在此不加以限制。
該環境感測裝置10包含一檢測模組、用以作為傳輸量測數據的一通訊模組、用以作為地理位置資料確認的一定位模組以及用以作為檢測精度校正的一校正模組;其中檢測模組至少具有能夠檢測多種污染氣體或懸浮微粒的空氣污染源濃度感測器,該空氣污染源濃度感測器可以採樣空氣中汙染源至少包含一氮氧化合物濃度(NOx)、硫氧化物濃度(SOx)、一氧化碳濃度(CO)、二氧化碳濃度(CO2)、臭氧濃度(O3)、揮發性有機物質混合氣體濃度、懸浮微粒(PM10)以及細懸浮微粒濃度(PM2.5)之前述任意一者或兩者以上之組合。以下實施例中之該環境感測裝置所測的量測數據即為表示空氣污染源之濃度,較佳為細懸浮微粒濃度(PM2.5)之濃度。
在步驟S10中,該些環境感測裝置10布設於多個不同的地理位置,在進行巡檢作業時,可以將該些環境感測裝置10區分成多個相關性群組40。分群原則可基於環境感測裝置10所在的地理位置,例如可將分成設置於工業區、科學園區、公私場所、社區、交通道路及夜市等群組,如果區內布建較多環境感測裝置10亦可再進一部分群管理;若是較偏遠的環境感測裝置10也可以設定半徑範圍選擇鄰近的環境感測裝置10進行分群,
例如將特定環境感測裝置10及其半徑20公里範圍以內的其他環境感測裝置10歸類為同一相關性群組40。另外,也可以基於量測數據選擇相關性高的環境感測裝置10進行分群,例如將相關係數大於0.75的環境感測裝置10分成一群。
在步驟S20中,在各個相關性群組40中皆有一個環境感測裝置10被指定為指標感測裝置T。請參閱圖3,其為顯示指標感測裝置T的指定方法,如下步驟V10~V50:
V10:將相關性群組40中的任一環境感測裝置10定義為目標感測裝置,再將其餘該些環境感測裝置定義為周邊感測裝置。
V20:將該些周邊感測裝置所測得的量測數據以及該目標感測裝置所測得的量測數據做為訓練資料,進行演算分析並建立一類神經網路模型。
V30:以該些周邊感測裝置所測得的量測數據做為輸入項,經由該類神經網路模型輸出該目標感測裝置的模擬量測數據。
V40:計算該目標感測裝置的模擬量測數據與實際量測數據的均方誤差。
V50:重複上述步驟V10至V40直至完成該相關性群組40中每一環境感測裝置10的均方誤差計算,其中均方誤差較小的該環境感測裝置10即指定為該相關性群組中的該指標感測裝置T,例如,將均方誤差數值排序落在該相關性群組中後20%以內的環境感測裝置10擇一指定為指標感測裝置T;並且該指標感測裝置T與其他該些環境感測裝置10之間出現相關係數最大值的比例較高,一般為在85%以上,更佳為在95%以上。
請參照圖4,其為顯示本發明所使用之倒傳遞類神經網路架構示意圖,透過類神經網路模型不斷的調整節點間的權重和偏權,使得所
運算的輸出值為目標輸出值,能夠讓類神經網路模型映射出正確的輸入輸出關係模式。
如圖4所示,本發明係使用12層之倒傳遞類神經網路架構,包括1層輸入層、10層隱藏層和及1層輸出層。類神經網路模型中的輸入層和輸出層之節點數是依照輸入參數及輸出參數的維度而定,隱藏層的神經元數目則須以試誤法來決定,而在決定指標感測裝置T的過程中,輸入層之輸入參數為周邊感測裝置的量測參數,所述10層隱藏層各包含80個神經元,所述輸出層之輸出參數為目標感測裝置的模擬量測數據。
經由改變輸入參數並針對輸出參數來進行類神經網路之訓練估測,若類神經網路之訓練樣本夠完整,當輸入任何合理範圍的資料至學習完成之類神經網路時,即能做出適當判斷並產生近似正確的輸出結果。
類神經網路運算時,所處理的輸入值、輸出值均必須縮放至-1至1的範圍內,而轉移函數(transfer function)的作用即為限制、壓縮或處理其非線性關係,實現非線性的加乘運算並輸入到下一個神經元層,本發明選用正切雙彎曲(Tansig)函數作為轉移函數,其為習知技術,擬不再贅述。
在本實施例中,係使用PYTHON語法來撰寫程式碼,並利用Sklearn之模組提供之類神經網路套件來建立倒傳遞類神經網路,並以此進行訓練和模擬驗證,激活函數則採用ReLU函數並使用Adam作為優化函數來進行模型訓練進而產生模擬值,然以模擬值與實測值之均方誤差函數(Mean Squared Error,MSE)作為比較的衡量指標,該均方誤差的公式如下:
由於相關性群組40中之指標感測裝置T具有較低的MSE值,並且與其他環境感測裝置10的相關性較高,因此在定期現場巡檢時,可以針對相關性群組40中之指標感測裝置T進行校正即可,同一相關性群組40
中的環境感測裝置10可透過每日上傳至雲端伺服器30的量測數據進行數據分析,確認是否正常運行。
接著,請參閱圖5,其為顯示在步驟S30中之離群評估指標的建立方法,如下步驟Z10至Z40:
Z10:將鄰近該相關性群組的空品監測站定義為目標監測站,再將鄰近該目標監測站的多個空品監測站定義為周邊監測站。
Z20:將該些周邊監測站所測得的量測數據以及該目標監測站所測得的量測數據做為訓練資料進行演算分析,建立一類神經網路模型。
Z30:以該些周邊監測站所測得的量測數據做為輸入項,經由該類神經網路模型輸出該目標監測站的模擬量測數據。
Z40:將該目標監測站的模擬量測數據與實際量測數據進行誤差比對,所得到的最大誤差值即為該離群評估指標。
在步驟Z10中,一般是將位於該相關性群組半徑20公里以內的空品監測站定義為目標監測站,並將位於該目標監測站半徑20公里以內的多個空品監測站定義為周邊監測站。
再者,用於計算目標監測站的模擬量測數據的類神經網路模型及訓練方式與前述決定指標感測裝置T時所使用的類神經網路模型相同,如圖4所示,差異在於在決定離群評估指標的過程中,輸入層之輸入參數為周邊監測站的量測參數,所述10層隱藏層各包含80個神經元,所述輸出層之輸出參數為目標監測站的模擬量測數據。
在步驟S40及步驟S50中,以離群評估指標確認各個環境感測裝置10在一特定時間內的量測數據是否異常後,能夠換算出各個環境感測裝置10的異常率。
當環境感測裝置10的異常率<10%時,判定該環境感測裝置10為正常運行,不需進行任何處理;而當環境感測裝置10的異常率≧10%
時,必須計算該環境感測裝置10之量測數據及該指標感測裝置T之量測數據的相關係數r,相關係數r的計算公式如下:
當r<0.75時,判定該環境感測裝置10故障,必須進行汰換;當0.75≦r<0.85時,必須前往該環境感測裝置10的設置位置進行確認;當r≧0.85時,必須將該環境感測裝置10移動至空品監測站進行校正。
另外,當該環境感測裝置10的異常率<10%並且完全符合以下三點條件時,判定該環境感測裝置的設置位置為高汙染風險環境:該環境感測裝置之量測數據大於該指標感測裝置之量測數據與標準差的總和;該環境感測裝置之量測數據為該相關性群組中之該些環境感測裝置的最大值;以及該環境感測裝置與該指標感測裝置的相關係數小於0.9。
藉此,能夠將每季定期(至現場)巡檢改為經常性的(在雲端網路透過資料分析)巡檢,並透過網路資料分析,每日在雲端伺服器巡檢,找出各相關係群組中的異常值。當發現出現較多異常值時,再深入了解原因,可以在經由雲端伺服器直接找出原因並處理的,就不需要到現場去;相對的,如果發現環境感測裝置有問題非去現場處理的,就可以立即處理,自然也不必等到人工巡檢後才進行處理。而每季實際到現場巡檢的工作若需進行,也只需針對同一群組中具代表性的指標感測裝置T進行儀器校正。
另外,在本發明之另一實施例中,在步驟S10之前還可以進一步包含有以下步驟V10及V20:
V10:針對該些環境感測裝置的量測數據執行一致性比對測試。
V20:根據該一致性比對測試中的偏離個體進行檢測精度校正。
為了使欲設置的環境感測裝置符合需求規格,在設置前可先進行一致性比對測試,將環境感測裝置所測得的量測數據與空品監測站所測得的標準量測數據比對至少10天,確認是否符合比對標準,比對標準為器差中位數≦30%、變異係數≦0.2;不符合比對標準的環境感測裝置必須再進一步進行檢測精度校正,校正方法並未特別加以限制,只要能夠符合一致性比對測試的比對標準即可。
接著,請參閱圖6,其為顯示利用類神經網路模型來模擬頭份測站之PM2.5濃度的模擬及實測結果。在此實施例中,是以鄰近頭份測站之竹東測站、新竹測站及苗栗測站之PM2.5數據來模擬頭份測站之PM2.5濃度,並以2019年之監測數據為訓練資料,再以2020年之1~3月的監測數據與模擬數據進行比對,若有缺失或以標示之異常值則將該筆資料刪除,因此訓練資料共6,979筆,模擬測試資料共2,076筆。
結果如圖6所示,經計算後可知R2為0.85,實測值與模擬值的最大絕對誤差為20.5μg/m3,故可將20.5μg/m3作為離群評估指標,據以判斷鄰近(以頭份測站為例,距離約為方圓8公里)頭份測站的環境感測裝置是否異常。
再者,請參閱圖7,其為顯示利用類神經網路模型來模擬苗栗測站之PM2.5濃度的模擬及實測結果。在此實施例中,是以鄰近苗栗測站之新竹測站、頭份站及三義測站之PM2.5數據來模擬苗栗測站之PM2.5濃度,並以2019年之監測數據為訓練資料,再以2020年之1~3月的監測數據與模
擬數據進行比對,若有缺失或以標示之異常值則將該筆資料刪除,因此訓練資料共7,526筆,模擬測試資料共2,062筆。
結果如圖7所示,經計算後可知R2為0.80,最大絕對誤差為21.9μg/m3,故可將21.9μg/m3作為離群評估指標,據以判斷鄰近(以苗栗測站為例,距離約為方圓10公里)苗栗測站的環境感測裝置是否異常。
又,請參閱圖8,其為顯示利用類神經網路模型來模擬三義測站之PM2.5濃度的模擬及實測結果。在此實施例中,是以鄰近三義測站之頭份測站、苗栗測站及豐原測站之PM2.5數據來模擬頭份測站之PM2.5濃度,並以2019年之監測數據為訓練資料,再以2020年之1~3月的監測數據與模擬數據進行比對,若有缺失或以標示之異常值則將該筆資料刪除,因此訓練資料共7,537筆,模擬測試資料共2,081筆。
結果如圖8所示,經計算後可知R2為0.75,最大絕對誤差為21.2μg/m3,故可將21.2μg/m3作為離群評估指標,據以判斷鄰近(以三義測站為例,距離約為方圓15公里)三義測站的環境感測裝置是否異常。
接著,以下以設置於頭份測站附近的環境感測裝置來具體說明相關性群組中之指標感測裝置的指定方式。
相關性群組共有12個環境感測裝置(裝置代號如表1所示),並以持續14天所偵測而得之PM2.5濃度資料計算出各個環境感測裝置彼此間的相對係數r,結果如表1所示。
由上表1之結果可知,12個環境感測裝置彼此間的相關係數皆落在0.77~0.99之間,具有高度的相關,彼此間的距離並沒有太遠,符合分群的條件,也代表相關性群組中各個環境感測裝置裝設的位置應該不會過於異常,其中又以環境感測裝置A0172與其他感測器出現相關係數最大值的比例最高。
接著,以累積14天之監測數據為訓練資料,將各個環境感測裝置輪流指定為目標感測裝置,分別建立類神經網路模型,再以2020年之1~3月目標感測裝置對於PM2.5濃度的監測數據與模擬數據進行比對,計算目標感測裝置的模擬量測數據與實際量測數據的均方誤差,其中又以環境感測裝置A0172的均方誤差6.63為最低值,因此可做為該相關性群組中的指標感測裝置。
因此,管理者在進行環境感測裝置的巡檢維護管理時,可以將這些環境感測裝置進行分區管理(如工業區、科學園區、公私場所、社區、交通道路及夜市等),如果區內布建較多環境感測裝置可再進一部分群管理,並透過網路資料分析,每日(在雲端資料庫)巡檢,找出各群集中的異常值,當發現出現較多異常值時,再深入了解原因,可以在雲端數據資料庫直接找出原因並處理的,就不需要到現場去;相對的,如果發現感測器有問題非去現場處理的,就可以立即處理,自然也不必等到人工巡檢後才進
行處理,不僅可以節省許多人力與物力,也可以將每季定期(至現場)巡檢改為經常性的(在雲端網路透過資料分析)巡檢,反而更能確保環境感測裝置所測得之監測數據的可靠性,可減少了各縣市眾多環境感測裝置的人力維護管理,故確實能達成本發明之目的。另外,本發明之巡檢機制優化還可以應用於尋找高污染測點、異常值篩除及離群感測器、各群組AQI計算、做為風險評估工具使用。
上面結合附圖對本發明的實施例進行了描述,但是本發明並不局限於上述的具體實施方式,上述的具體實施方式僅僅是示意性的,而不是限制性的,本領域的普通技術人員在本發明的啟示下,在不脫離本發明宗旨和申請專利範圍所保護的範圍情況下,還可做出很多形式,這些均屬於本發明的保護之內。
S10~S40:流程步驟
Claims (7)
- 一種用於環境感測裝置之巡檢機制優化方法,其包括:(a)將布設於多個不同地理位置的多個環境感測裝置區分為至少一相關性群組;(b)指定該相關性群組中之一該環境感測裝置為指標感測裝置,該指標感測裝置的所在位置為參考指標測點;(c)定期將該相關性群組中之其他該些環境感測裝置在一特定時間內所測得的量測數據分別與該指標感測裝置所測得的量測數據進行比對,確認兩者的差值是否大於一離群評估指標,若大於該離群評估指標,則判定該環境感測裝置的量測數據異常,進而換算出該環境感測裝置的異常率;以及(d)當該環境感測裝置的異常率≧10%時,計算該環境感測裝置及該指標感測裝置的相關係數(r),以利進行異常處理;其中在步驟(b)中,該指標感測裝置的指定方法如下:將該相關性群組中的任一該環境感測裝置定義為目標感測裝置,再將其餘該些環境感測裝置定義為周邊感測裝置;將該些周邊感測裝置所測得的量測數據以及該目標感測裝置所測得的量測數據做為訓練資料,進行演算分析並建立一第一類神經網路模型,該第一類神經網路模型為一具有12層架構之倒傳遞類神經網路,包括1層輸入層、10層隱藏層以及1層輸出層;以該些周邊感測裝置所測得的量測數據做為輸入項,經由該第一類神經網路模型輸出該目標感測裝置的模擬量測數據;計算同一時間點之該目標感測裝置的模擬量測數據與實際量測數據的均方誤差; 重複上述步驟直至完成該相關性群組中每一該環境感測裝置的均方誤差計算,其中均方誤差較小的該環境感測裝置即指定為該相關性群組中的該指標感測裝置;在步驟(c)中,該離群評估指標的建立方法如下:將鄰近該相關性群組的空品監測站定義為目標監測站,再將鄰近該目標監測站的多個空品監測站定義為周邊監測站;將該些周邊監測站所測得的量測數據以及該目標監測站所測得的量測數據做為訓練資料進行演算分析,建立一第二類神經網路模型;該第二類神經網路模型為一具有12層架構之倒傳遞類神經網路,包括1層輸入層、10層隱藏層以及1層輸出層;以該些周邊監測站所測得的量測數據做為輸入項,經由該第二類神經網路模型輸出該目標監測站的模擬量測數據;將同一時間點之該目標監測站的模擬量測數據與實際量測數據進行誤差比對,所得到的最大誤差值即為該離群評估指標;在步驟(d)中:當r<0.75時,判定該環境感測裝置故障,必須進行汰換;當0.75≦r<0.85時,必須前往該環境感測裝置的設置位置進行確認;以及當r≧0.85時,必須重新校正該環境感測裝置。
- 如請求項1所記載之用於環境感測裝置之巡檢機制優化方法,其中該量測數據為空氣汙染源的濃度。
- 如請求項1所記載之用於環境感測裝置之巡檢機制優化方法,當該環境感測裝置的異常率<10%時,判定該環境感測裝置為正常運行。
- 如請求項3所記載之用於環境感測裝置之巡檢機制優化方法,當該環境感測裝置的異常率<10%並且完全符合以下三點條件時,判定該環境感測裝置的設置位置為高汙染風險環境:該環境感測裝置之量測數據大於該指標感測裝置之量測數據與標準差的總和;該環境感測裝置之量測數據為該相關性群組中之該些環境感測裝置的最大值;以及該環境感測裝置與該指標感測裝置的相關係數小於0.9。
- 如請求項1所記載之用於環境感測裝置之巡檢機制優化方法,其中在步驟(a)之前更包含步驟(a1):針對該些環境感測裝置之量測數據執行一致性比對測試,比對標準為器差中位數≦30%、變異係數≦0.2。
- 如請求項1所記載之用於環境感測裝置之巡檢機制優化方法,其中在步驟(a1)中更包含根據該一致性比對測試中的偏離個體進行檢測精度校正。
- 一種用於環境感測裝置之巡檢機制優化系統,其係包含:至少一個相關性群組,該相關性群組包含有多個環境感測裝置,且該些環境感測裝置中之一者為指標感測裝置;雲端伺服器,其係與該些環境感測裝置通訊連接,用以接收並儲存該些環境感測裝置的量測數據,並利用請求項1至6中任一項所述的方法進行演算分析而生成各該環境感測裝置的異常率:以及遠端監控平台,其係與該雲端伺服器通訊連接,用以接收各該環境感測裝置的異常率,以供至少一用戶利用請求項1至6中任一項所述的方法確認該些環境感測裝置的運行狀況;其中 在同一該相關性群組中,該指標感測裝置相較其他該些環境感測裝置具有較高比例的相關係數最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141220A TWI765430B (zh) | 2020-11-24 | 2020-11-24 | 用於環境感測裝置之巡檢機制優化方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109141220A TWI765430B (zh) | 2020-11-24 | 2020-11-24 | 用於環境感測裝置之巡檢機制優化方法及其系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI765430B true TWI765430B (zh) | 2022-05-21 |
TW202221302A TW202221302A (zh) | 2022-06-01 |
Family
ID=82594226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109141220A TWI765430B (zh) | 2020-11-24 | 2020-11-24 | 用於環境感測裝置之巡檢機制優化方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI765430B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644951A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气遥测设备校正方法 |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
TWI702392B (zh) * | 2019-12-20 | 2020-08-21 | 財團法人工業技術研究院 | 氣體感測裝置及氣體濃度感測方法 |
-
2020
- 2020-11-24 TW TW109141220A patent/TWI765430B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644951A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气遥测设备校正方法 |
WO2020027207A1 (ja) * | 2018-08-03 | 2020-02-06 | パナソニックIpマネジメント株式会社 | 異常検出方法、情報処理装置及び異常検出システム |
TWI702392B (zh) * | 2019-12-20 | 2020-08-21 | 財團法人工業技術研究院 | 氣體感測裝置及氣體濃度感測方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202221302A (zh) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miri et al. | Estimate annual and seasonal PM1, PM2. 5 and PM10 concentrations using land use regression model | |
Morawska et al. | Applications of low-cost sensing technologies for air quality monitoring and exposure assessment: How far have they gone? | |
Bravo et al. | Racial isolation and exposure to airborne particulate matter and ozone in understudied US populations: Environmental justice applications of downscaled numerical model output | |
Masiol et al. | Hourly land-use regression models based on low-cost PM monitor data | |
Che et al. | PRAISE-HK: A personalized real-time air quality informatics system for citizen participation in exposure and health risk management | |
Wong et al. | A statistical model for characterizing common air pollutants in air-conditioned offices | |
CN110989041B (zh) | 一种灰霾和沙尘天气的预报方法及预报*** | |
Suleiman et al. | Assessment and prediction of the impact of road transport on ambient concentrations of particulate matter PM10 | |
CN114155129A (zh) | 一种基于工业园区的大气环境溯评方法和*** | |
Menares et al. | Forecasting PM2. 5 levels in Santiago de Chile using deep learning neural networks | |
JP7365415B2 (ja) | 気体センサを較正するための方法 | |
Smith et al. | Use of GIS and ancillary variables to predict volatile organic compound and nitrogen dioxide levels at unmonitored locations | |
Jafarian et al. | Evaluation of PM2. 5 emissions in Tehran by means of remote sensing and regression models | |
CN107063955A (zh) | 空气颗粒物检测仪校准方法及管理*** | |
CN112304831A (zh) | 基于质量守恒的学生行为对教室内pm2.5浓度的计算方法 | |
CN109085100B (zh) | 污染物浓度的确定方法及装置 | |
CN109884049B (zh) | 一种能够检测厨房油烟的有害物质检测装置 | |
Wang et al. | Hyperlocal environmental data with a mobile platform in urban environments | |
TWI765430B (zh) | 用於環境感測裝置之巡檢機制優化方法及其系統 | |
Drajic et al. | Reliable low-cost air quality monitoring using off-the-shelf sensors and statistical calibration | |
McConnell et al. | Predicting residential ozone deficits from nearby traffic | |
Herts et al. | Cloud service ThingSpeak for monitoring the surface layer of the atmosphere polluted by particulate matters | |
TWM609136U (zh) | 用於環境感測裝置之巡檢機制優化系統 | |
CN112259172B (zh) | 一种存在空气污染物化学反应情况的污染源逆向辨识方法 | |
Ahmad et al. | AQI prediction using layer recurrent neural network model: a new approach |