[go: up one dir, main page]

CN111596006A - 一种大气在线监测仪的校准方法及监测仪 - Google Patents

一种大气在线监测仪的校准方法及监测仪 Download PDF

Info

Publication number
CN111596006A
CN111596006A CN202010355441.9A CN202010355441A CN111596006A CN 111596006 A CN111596006 A CN 111596006A CN 202010355441 A CN202010355441 A CN 202010355441A CN 111596006 A CN111596006 A CN 111596006A
Authority
CN
China
Prior art keywords
monitor
data
sensor
output
calibration
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
Application number
CN202010355441.9A
Other languages
English (en)
Inventor
敖小强
李永帅
刘建坡
李妍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing SDL Technology Co Ltd
Original Assignee
Beijing SDL Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing SDL Technology Co Ltd filed Critical Beijing SDL Technology Co Ltd
Priority to CN202010355441.9A priority Critical patent/CN111596006A/zh
Publication of CN111596006A publication Critical patent/CN111596006A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01N33/0006—Calibrating gas analysers
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本申请涉及一种大气在线监测仪的校准方法，包括：在预设时间段内，利用标准监测仪和待校准监测仪同时监测目标环境的气体，分别得到传感器原始数据，所述传感器原始数据包括所述传感器输出信号和所述标准监测仪的标准监测输出；利用所述传感器原始数据训练RNN‑LSTM神经网络，以得到所述待校准监测仪的校准模型。

Description

一种大气在线监测仪的校准方法及监测仪
技术领域
本申请属于大气监测领域，特别涉及一种大气在线监测仪的校准方法及监测仪。
背景技术
目前大气在线监测仪中一般使用多个传感器，并输出多个信号。由于传感器的非线性，信号响应动态过程传递函数复杂。随着传感器数量的增加，校正参数太多。本申请的发明人发现：利用传统方法进行校准，人工工作量大难度高，已经难以适应复杂系统的校准工作。
本申请的发明人发现，现在利用神经网络校准测量仪器的方法只有静态的映射关系没有信号动态响应过程预测部分。利用该方法校对后的仪器输出数据动态响应过程不够准确，动态过程中的误差较大。
发明内容
本申请旨在提供一种大气在线监测仪的校准方法及检测仪。
本申请的一个实施例提供了一种大气在线监测仪的校准方法，包括：在预设时间段内，利用标准监测仪和待校准监测仪同时监测目标环境的气体，分别得到传感器原始数据，所述传感器原始数据包括所述传感器输出信号和所述标准监测仪的标准监测输出；利用所述传感器原始数据训练RNN-LSTM神经网络，以得到所述待校准监测仪的校准模型。
本申请的另一实施例提供了一种大气在线监测仪，包括：传感器阵列，感测目标环境的气体输出传感器原始数据；大气监测模块，基于校准模型对所述原始数据进行数据处理以输出校准值，其中所述校准模型为RNN-LSTM神经网络模型。
利用上述方法和监测仪，通过在校对过程中引入RNN-LSTM网络可以现在神经网络校准测量仪器，没有信号动态响应过程预测部分。利用上述方法和监测仪，可以通过时间序列数据关系映射出动态数学模型中微分方程中的导数量，仪器输出数据动态响应过程更加准确，减小了动态过程中的误差(实现扣除微分方程中的导数量)。
附图说明
图1示出了本申请的一个实施例大气在线监测仪的校准方法。
图2示出了利用图1所示方法校准监测仪时的装置连接示意图。
图3示出了本申请的另一实施例大气在线监测仪的组成示意图。
图4示出了本申请的另一实施例，大气监测仪的校准装置。
图5示出根据一示例性实施例的一种电子设备的框图。
具体实施方式
以下是通过特定的具体实施例来说明本发明所公开有关“一种大气在线监测仪的校准方法及监测仪”的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。
本申请旨在提供一种大气在线监测仪的校准方法及检测仪。
本申请的一个实施例提供了一种大气在线监测仪的校准方法，包括：在预设时间段内，利用标准监测仪和待校准监测仪同时监测目标环境的气体，分别得到传感器原始数据，所述传感器原始数据包括所述传感器输出信号和所述标准监测仪的标准监测输出；利用所述传感器原始数据训练RNN-LSTM神经网络，以得到所述待校准监测仪的校准模型。
本申请的另一实施例提供了一种大气在线监测仪，包括：传感器阵列，感测目标环境的气体输出传感器原始数据；大气监测模块，基于校准模型对所述原始数据进行数据处理以输出校准值，其中所述校准模型为RNN-LSTM神经网络模型。
利用上述方法和监测仪，通过在校对过程中引入RNN-LSTM网络可以现在神经网络校准测量仪器，没有信号动态响应过程预测部分。利用上述方法和监测仪，可以通过时间序列数据关系映射出动态数学模型中微分方程中的导数量，仪器输出数据动态响应过程更加准确，减小了动态过程中的误差(实现扣除微分方程中的导数量)。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，本申请的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
图1示出了本申请的一个实施例大气在线监测仪的校准方法。
如图1所示，方法1000可以包括：S110和S120。
其中，在S110中可以在预设时间段内，利用标准监测仪和待校准监测仪同时监测目标环境的气体。并可以得到该预设时间段内的传感器原始数据，其中传感器原始数据包括传感器输出信号。在S110中，还可以得到标准监测仪的标准监测输出。其中，该标准监测输出可以包括目标环境中气体所包含的，至少一种预设成分的浓度。
可选地，待校准监测仪可以包括多个传感器。可选地，上述多个传感器可以输出多个信号。可选地该多个信号可以包括多个动态信号。可选地该多个动态信号可以包括至少一个动态非线性信号。
可选地，该目标环境可以为预设模拟环境。可选地，可以将待校准监测仪和标准监测仪同时放入大气模拟装置中，并可以根据预设工艺文件制定的顺序，在该大气模拟装置中通入预设污染气体。可以自动记录标准监测仪的输出数据和待校准监测仪传感器阵列输出的传感器原始数据。
如图1所示，在S120中可以利用上述传感器原始数据训练RNN-LSTM神经网络，以得到待校准监测仪的校准模型。其中该校准模型可以用来根据前述多个传感器的原始输出计算目标环境的气体的监测输出。可选地，该目标环境可以是真实环境。该校准模型可以是线性模型、非线性模型也可以动态模型、还可以是多输入/多输出的模型。进一步地，该模型可以是多输入/多输出的非线性动态模型。
RNN-LSTM神经网络使通过模仿生物神经网络的行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂度，通过调整内部大量节点之间相互连接的关系，从而达到信息处理的目的。
人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入/输出数据，分析两者的内在关系和规律，最终通过这些规律形成一个复杂的非线性系统函数，这种学习分析过程被称作“训练”。神经元的每一个输入连接都有突触连接强度，用一个连接权值来表示，即将产生的信号通过连接强度放大，每一个输入量都对应有一个相关联的权重。处理单元将经过权重的输入量化，然后相加求得加权值之和，计算出输出量，这个输出量是权重和的函数，一般称此函数为传递函数。
RNN-LSTM循环人工神经网络：RNN不同于前馈神经网络的是，RNN可以利用它内部的记忆来处理任意时序的输入序列。LSTM是RNN的一个变种，含有遗忘门、输入门、输出门。
在传统RNN中，训练算法为BPTT(Back-propagation Through Time，通过时间反向传播)。但是，当时间段比较长时，BPTT导致RNN网络需要回传的残差会呈指数级下降，导致网络权重更新缓慢，无法体现出RNN的长期记忆的效果，因此需要一个存储单元来存储记忆。
因此，又提出一种RNN的改进模型：长短期记忆模型(Long-short Term Memory，简称LSTM)。这种特殊的RNN网络模型以解决RNN模型梯度弥散的问题。LSTM具有“三重门”：输入门i，输出门o，遗忘门f，使用Sigmoid函数将取值范围限制到(0,1)之内。使用三个门可以控制不同时刻信息流动方向，通过控制遗忘门和输入门，选择合适的信息进入中央的细胞，将无关信息拒之门外；通过控制输出门，选择最合适的时刻输出细胞处理后的信息。
除了LSTM之外，根据本发明一些实施例，还可以选择GRU、双向RNN或SRU作为用于剩余时长预测的时序神经网络模型。
在S120中，利用前述预设时间段内的传感器原始数据和标准监测仪的输出，并利用含有历史信息记忆功能、反馈功能的循环人工神经网络，利用机器学习算法自动适配参数。
可选地，在S120之后还可以包括：把训练好的校准模型传送到待校准监测仪内。可选地，待测监测仪内可以包括存储器(未示出)和处理器(未示出)。其中存储器可以用于存储上述校准模型，处理器可用于执行上述校准模型。当上述模型被执行时，该处理器可以利用来自传感器的原始信号计算出目标环境的气体监测数据，并输出该数据。可选地，该监测数据可以包括目标环境中的至少一种预设成分的浓度。
图2示出了利用图1所示方法校准监测仪时的装置连接示意图。
如图2所示，在方法1000中涉及待校准监测仪11、标准监仪13和校准装置12。
可选地，待校准监测仪11(被校准仪器)可以包含传感器阵列111。可选地，传感器阵列111可以包括多个种类多个类型的多个传感器。可选地，传感器阵列111可以用于感知目标环境中气体的多个技术指标，并输出多个传感器的多个传感器原始信号。标准监仪13(标准仪器)可以用于输出标准监测输出(标准仪器输出)。
校准装置12可以分别与待校准监测仪11和标准监仪13连接。可选地，校准装置12可以与待校准监测仪11和标准监仪13中的至少一个电连接，也可以与待校准监测仪11和标准监仪13中的至少一个耦合连接。可选地，校准装置12可以与待校准监测仪11和标准监仪13至少一个通信连接。可选地，校准装置12可以接收来自待校准监测仪11的传感器原始信号和来自标准监仪13的标准监测输出。可选地，校准装置12还可以向待校准监测仪11传输校准好的校准模型。
可选地，校准装置12可以包括标准监测输出接收模块(未示出)，用于接收来自标准监仪13的标准监测输出。校准装置12还可以包括传感器原始信号接收模块(未示出)，用于接收来自待校准监测仪11输出的传感器原始信号。可选地，校准装置12还可以包括RNN-LSTM循环人工神经网络模型训练模块(未示出)，分别与标准监测输出接收模块和传感器原始信号接收模块连接。可选地，RNN-LSTM循环人工神经网络模型训练模块可以用于利用传感器原始信号和标准监测输出训练RNN-LSTM循环人工神经网络模型。可选地，RNN-LSTM循环人工神经网络模型训练模块可以包括用于模型训练的处理器(未示出)，和用于存储训练程序及训练数据的存储器(未示出)。其中该处理器可以是可并行工作的多个处理器组成的处理器阵列。可选地，校准装置12还可以包括模型传输模块(未示出)，用于把训练好的校准模型传输到待校准监测仪11。
图3示出了本申请的另一实施例大气在线监测仪的组成示意图。
如图3所示，监测仪2000可以包括传感器阵列21和大气监测模块22。
其中，传感器阵列21可以包括用于大气质量监测的多个传感器。可选地，传感器阵列21可以用于感知目标环境中的气体，并采集监测目标环境气体所需的多个技术数据。并可以把采集到传感器原始数据输出到大气监测模块22。可选地，该目标环境可以是真实环境。
可选地，传感器原始数据可以是预设时间段内的多个传感器的多组输出。可选地，该多个传感器输出的数据中存在多组动态数据。可选地，该多组动态数据中存在多组动态非线性数据。
大气监测模块22可以利用训练好的校准模型处理前述传感器原始数据，并计算得到目标环境内气体监测数据，以及可以输出该监测数据，其中所述校准模型为RNN-LSTM神经网络模型。可选地，监测数据可以包括目标环境内所包含的至少一种预设成分的浓度。
可选地，大气监测模块22可以包括存储器(未示出)和大气监测处理器(未示出)。该存储器可以用于存储校准模型，该大气监测处理器可以执行该校准模型。当该校准模型被执行时，大气监测处理器可以利用校准模型处理传感器原始数据，并得到目标环境的气体监测数据。
可选地，监测仪2000还可以包括，校准模块(未示出)与图2中的校准装置对接。在校准状态下，该校准模块可以用于输出来自传感器阵列21的传感器原始数据，以及可以用于接收来自前述校准装置训练好的校准模型。可选地，校准模块还可以把接收到的校准模型传输给大气监测模块22。
图4示出了本申请的另一实施例，大气监测仪的校准装置。
如图4所示装置3000可以包括传感器原始数据接收单元31、标准监测数据接收单元32和模型训练单元33。
其中，传感器原始数据接收单元31可以用于接收来自待校准监测仪35的传感器原始数据。可选的，传感器原始数据可以是待校准监测仪35内的传感器阵列(未示出)中的至少一个传感器(未示出)在感知目标环境内气体时，把预设至少一物理量转换成的量化数据。
可选地，传感器原始数据可以是多个传感器输出的多个动态数据。可选地传感器原始数据可以是多个传感器输出的多个动态非线性数据。可选地，原始数据可以是在预设时间段内至少一个传感器输出的至少一个动态非线性数据。
可选地，该目标环境可以为预设模拟环境。可选地，可以将待校准监测仪35和标准监测仪同时放入大气模拟装置中，并可以根据预设工艺文件制定的顺序，在该大气模拟装置中通入预设污染气体。可以自动记录标准监测仪36的输出数据和待校准监测仪35传感器阵列输出的传感器原始数据。
可选地，传感器原始数据接收单元31可以与待校准监测仪35通信连接，并可以通过通信手段获取待校准监测仪35的传感器原始数据。可选地，传感器原始数据接收单元31可以与待校准监测仪35有线连接或者无线连接。可选地，传感器原始数据接收单元31可以与待校准监测仪35通过公共网络连接或者专有网络连接。可选地，传感器原始数据接收单元31也可以通过存储介质接收传感器原始数据。该存储介质可以包括待测监测仪内的外部可以访问存储器、连接于原始数据接收单元31和待校准监测仪35之间的中间电子设备的存储器、以及可以包括可移动存储介质。可选地，原始数据接收单元31和待校准监测仪35也可以不连接，而通过可移动存储介质传输传感器原始数据。可选地，传感器原始数据接收单元31可以实时地获取待校准监测仪35的传感器原始数据。也可以获取存储于预设存储介质中，过去预设时间段内感知目标环境内气体所产生的待校准仪器的传感器原始数据。该过去预设时间段与下文提到标准监测数据在时间上匹配。传感器原始数据接收单元31获取传感器原始数据的方式也可以不以此为限。
标准监测数据接收单元32可以用于接收来自标准监测仪36输出的大气监测数据。该大气监测数据可以是大气中至少一种预设成分的浓度。可选地，该至少一种预设成分可以是至少一种污染物。可选地，该预设成分可以是气体成分、雾状液体成分或者是悬浮颗粒物。
可选地，标准监测数据接收单元32和标准监测仪36的连接方式可以与传感器原始数据接收单元31可以和待校准监测仪35的连接方式相同，在此不做赘述。标准监测数据接收单元32获取标准监测数据的方式也可以与传感器原始数据接收单元31获取传感器原始数据的方式相似，在此不做赘述。
可选地，模型训练单元33可以利用前述传感器原始数据和前述标准监测数据训练RNN-LSTM神经网络模型，并把该模型作为校准模型。可选地，模型训练单元可以包括模型训练处理器331和存储器332。
其中存储器332可以用于存储前述传感器原始数据、前述标准监测数据和模型训练程序、以及模型训练过程产生的数据。可选地，存储器332可以包括单口存储器、双口存储器和多口存储器中的至少一种。可选地，存储器可以包括动态储存器、静态存储器以及非易失性存储器中的至少一种。
模型训练处理器331可以执行存储器332中存储的模型训练程序，并利用传感器原始数据和标准监测数据训练RNN-LSTM神经网络模型。其中该RNN-LSTM神经网络模型可以作为校准模型存入图3所示的监测仪中。该监测仪可以利用该校准模型，处理监测仪内的传感器阵列产生的传感器原始数据，并计算得到目标环境的大气监测数据。该目标环境可以是真实环境，该大气监测数据可以预设成分的浓度。
可选地，模型训练处理器331可以是用于模型训练的专用处理器。可选地，模型训练处理器331可以是多个处理器组成的处理器阵列。可选地，该多个处理器之间可以通过存储器332相互交换数据。可选地，该多个传感器可以通过流水线方式配合工作。可选地，该多个传感器可以分成多组，组内传感器流水线配合工作，组间传感器并行工作。
可选地，装置3000还可以包括模型传输单元34。模型传输单元34可以用于把由模型训练单元33训练好的模型传输给待校准监测仪35。可选地，模型传输单元34可以与待校准监测仪35连接。可以选的模型传输单元34和待校准监测仪35的连接可以与传感器原始数据接收单元31可以和待校准监测仪35的连接方式相同，在此不做赘述。
图5示出根据一示例性实施例的一种电子设备的框图。
下面参照图5来描述根据本申请的这种实施方式的电子设备200。图5显示的电子设备200仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，电子设备200以通用计算设备的形式表现。电子设备200的组件可以包括但不限于：至少一个处理单元210、至少一个存储单元220、连接不同系统组件(包括存储单元220和处理单元210)的总线230、显示单元240等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元210执行，使得所述处理单元210执行本说明书描述的根据本申请各种示例性实施方式的方法。例如，所述处理单元210可以执行如图图1所示的方法。
所述存储单元220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)2201和/或高速缓存存储单元2202，还可以进一步包括只读存储单元(ROM)2203。
所述存储单元220还可以包括具有一组(至少一个)程序模块2205的程序/实用工具2204，这样的程序模块2205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
利用上述方法和监测仪，通过在校对过程中引入RNN-LSTM网络可以现在神经网络校准测量仪器，没有信号动态响应过程预测部分。利用上述方法和监测仪，可以通过时间序列数据关系映射出动态数学模型中微分方程中的导数量，仪器输出数据动态响应过程更加准确，减小了动态过程中的误差(实现扣除微分方程中的导数量)。
本领域技术人员可以理解，本申请的技术方案可实施为系统、方法或计算机程序产品。因此，本申请可表现为完全硬件的实施例、完全软件的实施例(包括固件、常驻软件、微码等)或将软件和硬件相结合的实施例的形式，它们一般可被称为“电路”、“模块”或“系统”。此外，本申请可表现为计算机程序产品的形式，所述计算机程序产品嵌入到任何有形的表达介质中，所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。
参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本申请。可以理解的是，可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器，以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。
这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中，以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。
计算机程序指令还可加载到计算机或其它可编程数据处理装置上，以引起在计算机上或其它可编程装置上执行一连串的操作步骤，以产生计算机实现的过程，从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。
附图中的流程图和框图示出根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个框可表示一个模块、区段或代码的一部分，其包括一个或多个用于实现特定逻辑功能的可执行指令。还应注意，在一些可替代性实施中，框中标注的功能可以不按照附图中标注的顺序发生。例如，根据所涉及的功能性，连续示出的两个框实际上可大致同时地执行，或者这些框有时以相反的顺序执行。还可注意到，可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明仅用于帮助理解本申请的方法及其核心思想。同时，本领域技术人员依据本申请的思想，基于本申请的具体实施方式及应用范围上做出的改变或变形之处，都属于本申请保护的范围。综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种大气在线监测仪的校准方法，包括：
在预设时间段内，利用标准监测仪和待校准监测仪同时监测目标环境的气体，分别得到传感器原始数据，所述传感器原始数据包括所述传感器输出信号和所述标准监测仪的标准监测输出；
利用所述传感器原始数据训练RNN-LSTM神经网络，以得到所述待校准监测仪的校准模型。
2.根据权利要求1所述的方法，其中，所述目标环境为预设模拟环境。
3.根据权利要求1所述的方法，其中，待校准监测仪包括多个传感器。
4.根据权利要求3所述的方法，其中，所述多个传感器输出多个信号。
5.根据权利要求4所述的方法，其中，所述多个信号包括多个动态信号。
6.根据权利要求5所述的方法，其中，所述多个信号包括多个动态非线性信号。
7.根据权利要求1所述的方法，其中，所述目标环境为真实环境。
8.一种大气在线监测仪，包括：
传感器阵列，感测目标环境的气体输出传感器原始数据；
大气监测模块，基于校准模型对所述原始数据进行数据处理以输出校准值，其中所述校准模型为RNN-LSTM神经网络模型，
所述大气监测模块包括大气监测处理器，执行所述校准模型。
9.根据权利要求1所述的监测仪，其中，所述传感器原始数据为动态数据。
10.根据权利要求9所述的监测仪，所述动态数据为动态非线性数据。
CN202010355441.9A 2020-04-29 2020-04-29 一种大气在线监测仪的校准方法及监测仪 Pending CN111596006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010355441.9A CN111596006A (zh) 2020-04-29 2020-04-29 一种大气在线监测仪的校准方法及监测仪

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010355441.9A CN111596006A (zh) 2020-04-29 2020-04-29 一种大气在线监测仪的校准方法及监测仪

Publications (1)

Publication Number Publication Date
CN111596006A true CN111596006A (zh) 2020-08-28

Family

ID=72187776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010355441.9A Pending CN111596006A (zh) 2020-04-29 2020-04-29 一种大气在线监测仪的校准方法及监测仪

Country Status (1)

Country Link
CN (1) CN111596006A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660231A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 气体浓度预测方法、系统、机器可读存储介质及处理器
CN114881168A (zh) * 2022-05-25 2022-08-09 北京市生态环境监测中心 光离子化检测仪校准方法、系统、电子设备以及存储介质
CN115970118A (zh) * 2022-12-22 2023-04-18 宁波市计量测试研究院(宁波新材料检验检测中心) 呼吸湿化治疗仪校准装置
CN119510709A (zh) * 2024-11-01 2025-02-25 中国科学院自动化研究所 一种基于编码机制的土壤多参数传感器时序数据校准方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181898A (zh) * 2015-09-07 2015-12-23 李岩 基于大密度部署传感器的大气污染监控及管理方法及系统
CN105334299A (zh) * 2015-12-15 2016-02-17 北京雪迪龙科技股份有限公司 一种标准气发生系统及标准气动态监测方法
CN106405007A (zh) * 2016-08-30 2017-02-15 河北先河环保科技股份有限公司 气体传感器、颗粒物传感器的新校准方法
US20170357029A1 (en) * 2016-06-14 2017-12-14 The Climate Corporation Supervised neural network to predict unlabeled rain rates
CN107966534A (zh) * 2017-12-25 2018-04-27 河北先河环保科技股份有限公司 具有传感器检测元件的有毒有害气体网络监测仪及监测数据处理方法
CN109631973A (zh) * 2018-11-30 2019-04-16 苏州数言信息技术有限公司 一种传感器的自动校准方法和系统
CN109946424A (zh) * 2019-03-08 2019-06-28 杭州麦乐克科技股份有限公司 基于人工蜂群和神经网络的气体标定分类方法及系统
CN110321955A (zh) * 2019-07-03 2019-10-11 北京市城市管理研究院（北京市环境卫生监测中心） 一种恶臭气体监测方法
WO2019218395A1 (zh) * 2018-05-17 2019-11-21 华东理工大学 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法
CN110554145A (zh) * 2019-09-03 2019-12-10 北京雪迪龙科技股份有限公司 远程检测及校准烟气自动监控系统的装置和方法
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN110793932A (zh) * 2019-11-18 2020-02-14 国网重庆市电力公司电力科学研究院 Cf4气体浓度检测方法、装置、设备及准确度验证系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181898A (zh) * 2015-09-07 2015-12-23 李岩 基于大密度部署传感器的大气污染监控及管理方法及系统
CN105334299A (zh) * 2015-12-15 2016-02-17 北京雪迪龙科技股份有限公司 一种标准气发生系统及标准气动态监测方法
US20170357029A1 (en) * 2016-06-14 2017-12-14 The Climate Corporation Supervised neural network to predict unlabeled rain rates
CN106405007A (zh) * 2016-08-30 2017-02-15 河北先河环保科技股份有限公司 气体传感器、颗粒物传感器的新校准方法
CN107966534A (zh) * 2017-12-25 2018-04-27 河北先河环保科技股份有限公司 具有传感器检测元件的有毒有害气体网络监测仪及监测数据处理方法
WO2019218395A1 (zh) * 2018-05-17 2019-11-21 华东理工大学 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法
CN109631973A (zh) * 2018-11-30 2019-04-16 苏州数言信息技术有限公司 一种传感器的自动校准方法和系统
CN109946424A (zh) * 2019-03-08 2019-06-28 杭州麦乐克科技股份有限公司 基于人工蜂群和神经网络的气体标定分类方法及系统
CN110321955A (zh) * 2019-07-03 2019-10-11 北京市城市管理研究院（北京市环境卫生监测中心） 一种恶臭气体监测方法
CN110554145A (zh) * 2019-09-03 2019-12-10 北京雪迪龙科技股份有限公司 远程检测及校准烟气自动监控系统的装置和方法
CN110673229A (zh) * 2019-10-23 2020-01-10 新亚优华科技有限公司 一种基于热点网格技术的大气污染物扩散轨迹追踪方法
CN110793932A (zh) * 2019-11-18 2020-02-14 国网重庆市电力公司电力科学研究院 Cf4气体浓度检测方法、装置、设备及准确度验证系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
祁柏林 等: "基于Cotraining-LSTM空气质量校准算法", 《计算机系统应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660231A (zh) * 2020-12-22 2022-06-24 中国石油化工股份有限公司 气体浓度预测方法、系统、机器可读存储介质及处理器
CN114660231B (zh) * 2020-12-22 2023-11-24 中国石油化工股份有限公司 气体浓度预测方法、系统、机器可读存储介质及处理器
CN114881168A (zh) * 2022-05-25 2022-08-09 北京市生态环境监测中心 光离子化检测仪校准方法、系统、电子设备以及存储介质
CN115970118A (zh) * 2022-12-22 2023-04-18 宁波市计量测试研究院(宁波新材料检验检测中心) 呼吸湿化治疗仪校准装置
CN115970118B (zh) * 2022-12-22 2023-08-04 宁波市计量测试研究院(宁波新材料检验检测中心) 呼吸湿化治疗仪校准装置
CN119510709A (zh) * 2024-11-01 2025-02-25 中国科学院自动化研究所 一种基于编码机制的土壤多参数传感器时序数据校准方法

Similar Documents

Publication Publication Date Title
CN111596006A (zh) 一种大气在线监测仪的校准方法及监测仪
CN102096373B (zh) 基于增量改进bp神经网络的微波干燥pid控制方法
Chang et al. Flexible Clockwork Recurrent Neural Network for multirate industrial soft sensor
CN112488235A (zh) 一种基于深度学习的电梯时序数据的异常诊断方法
CN111209620A (zh) 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法
CN116089870A (zh) 基于元学习的小样本条件下工业设备故障预测方法及装置
CN102636245A (zh) 一种物料的称重测量方法、装置及称重测量系统
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN113064220A (zh) 基于非线性自回归神经网络的能见度测量系统及测量方法
CN109724692A (zh) 一种光照度传感器校正方法、系统、存储介质、计算设备
Kumar et al. Parametric studies of a simple direct expansion solar assisted heat pump using ANN and GA
Lei et al. Intelligent modelling to predict heat transfer coefficient of vacuum glass insulation based on thinking evolutionary neural network
CN101916394A (zh) 一种基于知识融合的在线软测量方法
Abudu et al. Modeling of daily pan evaporation using partial least squares regression
CN111598215A (zh) 一种基于神经网络的温度补偿方法和系统
CN105550457A (zh) 动态演化模型校正方法及系统
CN116502526A (zh) 基于改进pso-grnn神经网络称重传感器故障诊断方法
CN120562303A (zh) 镀膜传感器的检测预测方法
Zhang et al. ANN-based data fusion for lumber moisture content sensors
CN115758561A (zh) 一种飞机飞行模拟参数数据的生成方法
Zong et al. Embedded software fault prediction based on back propagation neural network
CN113988311A (zh) 质量变量的预测方法、装置、终端及存储介质
CN113779724A (zh) 一种充填包装机故障智能预测方法及其系统
CN1996192A (zh) 基于仿生智能的工业软测量仪表及软测量方法
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200828