气体传感器、颗粒物传感器的新校准方法与流程

文档序号:11131737阅读:2623来源:国知局
气体传感器、颗粒物传感器的新校准方法与制造工艺

本发明涉及一种气体传感器、颗粒物传感器的新校准方法。



背景技术:

当前的技术存在的气体传感器(SO2、NO2、CO、O3、VOC、NH3、HCHO、H2S)和颗粒物传感器(PM2.5、PM10)在长时间使用过程中受温度、湿度、其他气体或因素交叉干扰和传感器元件老化等引起检测结果漂移和检测限下降。

由于气体传感器和颗粒物传感器易受到温度、湿度和其他气体直接或间接导致检测结果发生严重的漂移,致使检测数据无效,此时传感器需要进行有效的校准。



技术实现要素:

针对上述问题,本发明提供一种提高了传感器稳定性和检测结果有效性的气体传感器、颗粒物传感器的新校准方法。

本发明气体传感器、颗粒物传感器的新校准方法,包括:

建立传感器校准模型;

试验舱为校准模型提供校准数据,通过试验舱提供的标准校准数据确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小;

校准模型针对不同参数采用通用人工智能大数据算法平台,通过建立较深层数的人工神经网络或智能基因算法模型,使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线,可映射任意复杂的非线性校准模型,具有很强的鲁棒性和适应性。

进一步地,所述的建立传感器校准模型具体包括:根据传感器检测原理、大气环境化学知识,初步确定影响气体传感器和颗粒物传感器的检测精度的因素,通过实时测量获得的传感器检测参数和其影响因素的时间序列,输入人工神经网络或智能基因算法,获得各个影响因素的线性或非线性因子数值,即建立了校准模型。

进一步地,所述的校准模型针对不同参数采用通用人工智能大数据算法平台,具体步骤包括:获取各个传感器检测参数的影响因素的实时检测序列,将检测参数和其影响因素的实时监测结果,进行数据对齐、数据误差分析、污染源事件分析,去除无效数据,然后将其输入通过人工智能大数据算法平台,即可进行校准模型中未知因素的计算。

进一步地,根据不同的试验舱实验数据,形成的校准模型分为标物校准、组网校准、自适应校准和传递校准;

获取传感器和传感器影响因素的实时检测序列的方式,是通过试验舱获取的,根据实验舱不同的气体或颗粒物的实验数据,选择不同的校准模型,

如果在试验舱中获取各个影响因素是单一标准气体,此时采用的算法是线性算法,校准模型中是一对一的关系,即为标物校准;

如果获取各个影响因素是交叉标准气体,即几个影响因素的随机排列组合,此时采用的算法是非线性算法,校准模型是多对多的交叉关系,即为组网校准;

如果在实验舱中引入其他未知的影响因素,此时采多对多闭环反馈是神经网络算法,通过反复迭代,自适应计算各个影响因子的大小,即为自适用校准;

如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备,自动判断此类数据,针对不同参数启动不同算法,此即为传递校准。

有益效果

本发明气体传感器、颗粒物传感器的新校准方法与现有技术具备如下有益效果:

根据不同的试验舱实验数据,形成的校准模型可分为标物校准、组网校准、自适应校准和传递校准,校准模型体现了使微型站尽量脱离人类的经验指导(标物校准模型),自动在海量标物和温/湿度气象环境数据中挖掘不同参数的响应曲线(即组网校准),进而形成通用人工智能基于端对端的线性深度强化学习模型(即传递校准),利用云校准平台的互联化、数据化和智能化自动帮助微型站能在不同的污染源区域中生成一套校准模型框架(即自适应校准),从而校准模型能够胜任不同的检测环境。

附图说明

图1是本发明的校准模型示意图。

具体实施方式

下面结合附图对本发明做进一步的描述。

搭建了传感器试验舱,获取到对传感器有影响的参数的交叉实验数据,将大量的不同参数的实验室数据输入建立的校准模型,得到不同传感器的线性、非线性校准参数。校准模型针对不同参数采用通用人工智能大数据算法平台,通过建立较深层数的人工神经网络或智能基因算法模型,使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线,可映射任意复杂的非线性校准模型,具有很强的鲁棒性和适应性。校准模型示意图如图1所示。

本实施例气体传感器、颗粒物传感器的新校准方法,包括:

建立传感器校准模型;

试验舱为校准模型提供校准数据,通过试验舱提供的标准校准数据可以确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小。

校准模型可以理解为一个黑盒子,黑盒子里面的线性、非线性因子具体数值,是通过试验舱提供的标准数据确定的,确定了影响因子的大小,校准模型即为确定,此校准模型即可用于以后仪器的实时运行。校准模型针对不同参数采用通用人工智能大数据算法平台,通过建立较深层数的人工神经网络或智能基因算法模型,使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线,可映射任意复杂的非线性校准模型,具有很强的鲁棒性和适应性。

所述的建立传感器校准模型具体包括:根据传感器检测原理、大气环境化学知识,初步确定影响气体传感器和颗粒物传感器的检测精度的因素,通过实时测量获得的传感器检测参数和其影响因素的时间序列,输入人工神经网络或智能基因算法,获得各个影响因素的线性或非线性因子数值,即建立了校准模型。

所述的校准模型针对不同参数采用通用人工智能大数据算法平台,具体步骤包括:获取各个传感器检测参数的影响因素的实时检测序列,将检测参数和其影响因素的实时监测结果,进行数据对齐、数据误差分析、污染源事件分析,去除无效数据,然后将其输入通过人工智能大数据算法平台,即可进行校准模型中未知因素的计算。

根据不同的试验舱实验数据,形成的校准模型可分为标物校准、组网校准、自适应校准和传递校准,校准模型体现了使微型站尽量脱离人类的经验指导(标物校准模型),自动在海量标物和温/湿度气象环境数据中挖掘不同参数的响应曲线(即组网校准),进而形成通用人工智能基于端对端的线性深度强化学习模型(即传递校准),利用云校准平台的互联化、数据化和智能化自动帮助微型站能在不同的污染源区域中生成一套校准模型框架(即自适应校准),从而校准模型能够胜任不同的检测环境。

获取传感器和传感器影响因素的实时检测序列的方式,是通过试验舱获取的,实验舱的优点是可以控制传感器影响因素的个数,实时创造各种影响因素的组合方式,能够进行正交交叉实验,根据不同的实验舱实验数据,即实验数据的不同,如果在试验舱中获取各个影响因素是单一标准气体,此时平台算法是线性算法,校准模型中是一对一的关系,即为标物校准;如果获取各个影响因素是交叉标准气体,即几个影响因素的随机排列组合,此时平台算法是非线性算法,校准模型是多对多的交叉关系,即为组网校准;如果在实验舱中引入其他未知的影响因素,此时采多对多闭环反馈是神经网络算法,通过反复迭代,自适应计算各个影响因子的大小,即为自适用校准;如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备,平台自动判断此类数据,针对不同参数启动不同算法,此即为传递校准。

对本发明应当理解的是,以上所述的实施例,对本发明的目的、技术方案和有益效果进行了进一步详细的说明,以上仅为本发明的实施例而已,并不用于限定本发明,凡是在本发明的精神原则之内,所作出的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内,本发明的保护范围应该以权利要求所界定的保护范围为准。

当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1