详情

原文传递大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法

专利名称：	大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法
摘要：	本发明涉及大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法，恶臭大数据包括：恶臭标准样品和污染现场的气敏传感器阵列在线检测数据、实验室嗅辨数据、色/质谱等常规仪器离线检测数据，以及居民投诉数据；本发明将多种恶臭污染物浓度估计与预测问题先看成多个气敏传感器响应一一预测问题，再看成多种浓度值一一预测问题；机器学习模型由模块化卷积神经网络层和模块化深度神经网络层级联组成；卷积神经网络层在线学习气敏传感器阵列近期时间序列响应，并据此预测即将发生的响应；深度神经网络层离线学习恶臭大数据，负责预测多种恶臭污染物浓度。本发明的分析方法可实现多个监测点多种恶臭污染物浓度控制指标值的循环在线估计与预测。
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	华东理工大学
发明人：	高大启;宋佳敏;王泽建;赵黎明;张小勤;金志超;李建华
专利状态：	有效
发布日期：	2019-01-01T00:00:00+0800
申请号：	CN201810471708.3
公开号：	CN108896706A
分类号：	G01N33/00(2006.01)I;G06N3/04(2006.01)I;H04W4/38(2018.01)I;G08C17/02(2006.01)I;G;H;G01;G06;H04;G08;G01N;G06N;H04W;G08C;G01N33;G06N3;H04W4;G08C17;G01N33/00;G06N3/04;H04W4/38;G08C17/02
申请人地址：	200237 上海市徐汇区梅陇路130号
主权项：	1.一种大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法，其特征是，恶臭气体多点集中式在线监测与分析系统包括恶臭电子鼻仪器I、气体采样探头II、外置真空泵III、环境空气净化装置IV、洁净空气V、气体管道、电子温湿度计VI、中央控制室VII以及多个固定/移动终端VIII，实现恶臭污染区域10个监测点的长期在线监测和多种恶臭污染物浓度控制指标值的在线估计与预测；所述的恶臭电子鼻仪器I包括气敏传感器阵列及其恒温工作室I(a)、多点集中式恶臭气体自动进样系统I(b)、计算机控制与数据分析系统I(c)三大组成部分；气敏传感器阵列I‑1由16个气敏元件构成，形成气敏传感器阵列环形工作腔，处于55±0.1℃的恒温室内；多点集中式恶臭气体自动进样系统I(b)对单个监测点恶臭气体采样周期为T0＝180‑300秒钟，默认值T0＝240秒钟，气敏传感器阵列I‑1因此对该监测点产生一个16维响应向量；计算机控制与数据分析系统I(c)依据这一响应向量，用机器学习级联模型对该监测点的臭气嗅感浓度、GB14554指定的氨NH3、硫化氢H2S、二硫化碳CS2、三甲胺C3H9N、甲硫醇CH4S、甲硫醚C2H6S、二甲二硫醚C2H6S2、苯乙烯C8H8等8种化合物，GB/T18883指定的二氧化硫SO2与总挥发性有机化合物TVOC共10+1项恶臭污染物浓度控制指标值进行实时分析和预测，并将监测数据和预测结果通过无线Internet网远程传送到中央控制室和指定的固定/移动终端；恶臭电子鼻仪器I用机器学习级联模型预测未来t+1、t+2和t+3时刻臭气嗅感浓度和多种恶臭污染物浓度控制指标值；机器学习级联模型第一级—卷积神经网络(Convolutional neural network,CNN)层负责预测t+1、t+2和t+3时刻气敏传感器阵列I‑1对一个监测点恶臭气体的响应，依据的是当前时刻t和近期已发生的气敏传感器阵列I‑1响应时间序列；机器学习级联模型第二级—深度神经网络(Deep neural network,CNN)层进一步预测t+1、t+2和t+3时刻臭气嗅感浓度和多种恶臭污染物浓度控制指标值，依据的是长期积累的恶臭气体大数据和级联模型第一级—卷积神经网络层的预测值；恶臭电子鼻仪器I对恶臭污染区域10个监测点的长期在线监测和多种恶臭污染物浓度控制指标值的在线预测，包括以下步骤：(1)开机：仪器预热30分钟；单击屏幕菜单的“空气净化器开”选项，空气净化器IV开始对恶臭电子鼻仪器I所处的室内空气净化，长期持续工作直至操作人员单击“空气净化器关”选项为止；在内置微型真空泵I‑14的抽吸作用下，净化环境空气以6 500mL/min的流量依次流经二位二通电磁阀I‑5、气敏传感器阵列环形工作腔I‑1、二位二通电磁阀I‑10，然后被排出到室外；气敏传感器阵列环形工作腔I‑1内的温度从室温达到恒定的55±0.1℃；单击屏幕菜单的“外置真空泵开”选项；外置真空泵III以250‑280L/min的抽气速率和100‑120mbar的极限真空度，通过内径φ10mm不锈钢管道在1min内将直线距离达2.5km的某个监测点恶臭气体抽吸到恶臭电子鼻仪器I内，依次流过对应的二位二通电磁阀、真空压力表I‑7和气体缓冲室I‑8，然后直接排出到室外；外置真空泵III持续抽吸恶臭气体，直到操作人员单击屏幕菜单的“外置真空泵关”选项为止；修改屏幕菜单的恶臭气体“单采样周期T0”设置，默认值T0＝40min；10个监测点恶臭气体循环采样周期为T＝10T0；(2)恶臭气体循环采样周期开始：点击屏幕菜单的“开始检测”按钮，恶臭电子鼻仪器I依次对10个监测点进行循环监测，计算机控制与数据分析系统I(c)在指定文件夹自动生成10个文本文件，以存储气敏传感器阵列I‑1对10个监测点恶臭气体的响应数据；(3)监测点k(＝1,2,…,10)恶臭气体单采样周期开始；以T0＝4min为例：(3.1)气敏传感器阵列初步恢复：单周期T0第0‑155秒，在内置微型真空泵I‑14的抽吸作用下，净化环境空气以6 500mL/min的流量依次流经二位二通电磁阀I‑5、气敏传感器阵列环形工作腔I‑1、二位二通电磁阀I‑10，然后被排出到室外；在6 500mL/min净化环境空气的作用下，气敏传感器阵列环型工作腔I‑1内积聚的热量被带走，粘附在气敏传感器敏感膜表面和管道内壁的恶臭气体分子被初步冲走，气敏传感器阵列I‑1初步恢复到基准状态，历时155秒；外置真空泵III持续抽吸；10个二位二通电磁阀I‑6‑1～I‑6‑10只有I‑6‑k导通，其余9个断开，外置真空泵III持续抽吸；(3.2)洁净空气精确标定：在单周期T0第156‑185秒，二位二通电磁阀I‑13导通，二位二通电磁阀I‑5、I‑8和I‑10断开，二位二通电磁阀I‑6‑1～I‑6‑10保持步骤(3.1)的状态；在内置微型真空泵I‑14的抽吸作用下，洁净空气以1000ml/min的流量依次流经二位二通电磁阀I‑13、气体管道、气敏传感器阵列环形工作腔I‑1、节流阀I‑11、流量计I‑12、微型真空泵I‑14，然后被排出到室外；洁净空气使气敏传感器阵列I‑1精确恢复到基准状态；历时30秒；外置真空泵III持续抽吸；(3.3)平衡：在单周期T0第186‑190秒，二位二通电磁阀I‑5、I‑8、I‑10、I‑13断开，二位二通电磁阀I‑6‑1～I‑6‑10保持步骤(3.1)的状态；气敏传感器阵列环形工作腔I‑1内无气体流动；自单周期T0第186秒即平衡状态开始之刻起，计算机控制与数据分析系统I(c)开始记录气敏传感器阵列I‑1实时响应数据，并存储在指定的临时文本文件“temp.txt”里；历时5秒；外置真空泵III持续抽吸；(3.4)监测点k恶臭气体顶空采样：在单周期T0第190‑220秒，二位二通电磁阀I‑8导通，3个二位二通电磁阀I‑5、I‑13和I‑10断开，二位二通电磁阀I‑6‑1～I‑6‑10保持步骤(3.1)的状态；在内置微型真空泵I‑14抽吸作用下，气体缓冲室I‑8内的恶臭气体以流量1 000ml/min依次流过气敏传感器阵列环形工作腔I‑1、节流阀I‑11、流量计I‑12、内置微型真空泵I‑14，最后排出到室外；气敏传感器阵列I‑1因此产生的敏感响应继续记录在临时文件“temp”里，历时30秒；外置真空泵III持续抽吸；(3.5)气敏传感器阵列冲洗：在单周期T0第221‑230秒，二位二通电磁阀I‑5，二位二通电磁阀I‑8、I‑10和I‑13断开，在微型真空泵I‑14抽吸作用下，流量6 500ml/min的净化环境空气以依次流经二位二通电磁阀I‑5、气敏传感器阵列环形工作腔I‑1、二位二通电磁阀I‑10，然后被排出到室外；与此同时，二位二通电磁阀I‑6‑k+1导通，10个二位二通电磁阀I‑6‑1～I‑6‑10的其余9个断开，二位二通电磁阀k断开，外置真空泵III转而抽吸监测点k+1的恶臭气体；由于净化环境空气的作用，气敏传感器阵列环型工作腔内积聚的热量被带走，粘附在气敏传感器敏感膜表面和管道内壁的恶臭气体分子被初步冲走，气敏传感器阵列I‑1逐步恢复到基准状态；历时20秒；其中：(a)在单周期T0第221‑230秒，气敏传感器阵列响应数据继续记录在临时文件“temp”里，历时10秒；至第230秒末，计算机控制与数据分析系统I(c)停止记录气敏传感器阵列响应数据；(b)在单周期T0第231‑240秒，计算机控制与数据分析系统I(c)与此进行以下三项操作：(b1)特征提取：自第231秒之刻起，并从时长45秒的临时文件“temp”里提取各个气敏传感器的最大和最小稳态响应值，以最大响应值与最小响应值之差作为各个气敏传感器当前时刻t对监测点k恶臭气体的响应特征分量xi(t)(i＝1,2,…,16)，并记录在对应的数据文件里；(b2)气敏传感器阵列响应预测：机器学习级联模型第一级—163个卷积神经网络依据当前时刻t以前[t‑18,t]、[t‑19,t‑1]和[t‑20,t‑2]时间段内已发生的气敏传感器阵列时间序列响应向量，实现在线自学习，并据此预测未来T0、2T0和3T0时刻气敏传感器阵列I‑1的响应；(b3)恶臭气体浓度控制指标值预测：机器学习级联模型第二级—10+1个深度神经网络依据级联模型第一级的163个卷积神经网络预测的气敏传感器阵列响应值，进一步预测监测点k的10+1项恶臭污染物浓度控制指标值，通过显示器显示出来，并将监测和预测结果通过Internet网络传送到中央控制室VII和多个固定/移动终端VIII；(3.6)监测点k恶臭气体单采样周期结束：k←k+1，回到步骤(3.1)，监测点k+1恶臭气体单采样周期开始；(4)重复步骤(3.1)～(3.6)，恶臭电子鼻仪器I实现对10个监测点恶臭气体的循环在线监测、识别和10+1项恶臭污染物控制指标值的预测。
所属类别：	发明专利