一种用于气体监测设备的气体浓度预测与实时定位方法与流程

1.本发明属于气体监测技术领域，具体涉及一种用于气体监测设备的气体浓度预测与实时定位方法。


背景技术：

2.根据国家的安全生产要求，在一些危化品生产车间、输送隧道等场所必须配备有安全监测设备，安全监测设备包括针对有毒有害气体进行监测的气体监测设备，在危化环境中，实时监测气体浓度对保障安全的生产环境具有积极的作用。为了提高监测的便捷性，目前出现了可移动的智能化气体监测设备，即气体监测设备包括手持式气体监测仪和气体监测设备主体两大部分，手持式气体监测仪和气体监测设备主体可相互分离，手持式气体监测仪可设置多个，每个操作人员可分别携带一个手持式气体监测仪在不同区域进行监测。
3.但是，由于气体浓度数据一般具有时间跨度大、周期性强等特点，目前的气体监测设备无法高效处理时序数据，因此现有的手持式气体监测仪通常仅具有气体浓度检测的功能，无法对气体浓度进行高效准确的预测。目前，常见的时间序列数据处理方法包括采用自回归模型、机器学习法以及深度学习等，基于自回归模型的arima模型只能预测趋势，鲁棒性不高，易受到环境的影响，进而使得预测准确度较低，且该模型无法捕捉非线性关系，无法满足复杂的实际应用需求；机器学习法包括决策树回归、支持向量回归和岭回归等，机器学习法可采集实际数据自动学习更新参数，更适合于运用于非线性数据中，但是机器学习法难以满足单变量时序信息的长期时序依赖；深度学习为采用神经网络，卷积神经网络的变体因果卷积可用于时序信息的建模，之后提出的lstm网络更适用于时序数据的建模，但是随着网络的层数加深，模型会丢失长期的时序信息。
4.此外，目前仍无法对手持式气体监测仪进行精确定位，由于手持式气体监测仪的工作场景通常为室内场景，采用全球卫星导航系统(gnss)的精度不足以满足室内定位精度的要求，而常用的高精度室内定位方法主要包括wifi定位、蓝牙定位等，但是wifi定位虽然成本低且易于部署，但是精度不高，蓝牙定位虽然功耗相较较低，但是精度也不能达到要求。
5.因此，如何实现既能够精确获得手持式气体监测仪的定位地点，又能高效准确预测定位地点的气体浓度，是本领域技术人员亟待解决的问题。


技术实现要素：

6.本发明的目的是提供一种高效准确的用于气体监测设备的气体浓度预测与实时定位方法，用于解决现有技术中存在的问题。
7.为达到上述目的，本发明采用的技术方案是：
8.一种用于气体监测设备的气体浓度预测与实时定位方法，包括如下步骤：
9.s1：通过手持式气体监测仪获取某一位置的定位数据和气体浓度监测数据，包括：
10.(1)手持式气体监测仪获取其在某一位置的定位数据，并将定位数据传送给气体监测设备主体，
11.(2)手持式气体监测仪获取该位置处的随时间变化的气体浓度监测数据，并将气体浓度监测数据传送给气体监测设备主体；
12.s2：通过气体监测设备主体计算位置信息和气体浓度预测数据，包括：
13.(1)气体监测设备主体根据定位数据计算位置信息，
14.(2)气体监测设备主体通过预测网络模型计算气体浓度预测数据；
15.s3：气体监测设备主体根据气体浓度预测数据判断该位置是否存在风险，并向手持式气体监测仪发送预测结果。
16.优选地，在s1(1)中，手持式气体监测仪获取定位数据为：采用tof测距方法多次测量手持式气体监测仪与各个参考基站之间的距离dn，其中：
[0017][0018]
式中：
[0019]dn
为手持式气体监测仪与各个参考基站之间的距离，
[0020]
c为光速，
[0021]
ttot为手持式气体监测仪发出信号的时间与收到反馈信号的时间之差，
[0022]
ttat为参考基站收到信号的时间和发出反馈信号的时间之差。
[0023]
进一步优选地，在s2(1)中，气体监测设备主体计算手持式气体监测仪在该位置处的位置信息的过程为：首先采用中值均值滤波法对多次测量的手持式气体监测仪与各个参考基站之间的距离进行预处理，再采用taylor定位方法进行求解，再采用卡尔曼滤波方法进行滤波处理，最后获得手持式气体监测仪在该位置处的位置信息。
[0024]
更进一步优选地，中值均值滤波法为：采用中值滤波法对多个d1进行滤波，将多个d1按照数值大小进行排序，并剔除其中的最大值和最小值，将剩余的d1采用均值滤波法进行滤波，然后采用中值滤波法对多个d2进行滤波，以此类推，直至对多个dn完成滤波。
[0025]
再进一步优选地，taylor定位方法为：
[0026]
已知各个参考基站的坐标为(xn，yn，zn)，设手持式气体监测仪的真实位置坐标为(x，y，z)，手持式气体监测仪与各个参考基站之间的距离dn，则可得到：
[0027]dn2
＝(x
n-x)2+(y
n-y)2+(z
n-z)2，
[0028]
设估计位置坐标的初始值为(x0，y0，z0)，δx、δy、δz为真实位置坐标和估计位置坐标之间的差值，则有：
[0029][0030]
由taylor级数展开并忽略二阶以上分量可得：
[0031][0032]
式中：
[0033][0034][0035]
求出误差量δx、δy、δz后，并更新坐标值，进行下一次迭代计算，
[0036]
直至|δx|+|δy|+|δz|＜k，其中k为设定值，
[0037]
此时(x0+δx，y0+δy，z0+δz)即为手持式气体监测仪的真实位置坐标。
[0038]
优选地，在s2(2)，气体监测设备主体通过预测网络模型计算得到未来一段时间内该位置的气体浓度预测数据的过程包括：
[0039]
①
将手持式气体监测仪获取的气体浓度监测数据进行时序位置编码，气体浓度监测数据包括n个气体浓度监测值，
[0040]
②
将时序位置编码后的气体浓度监测数据输入autoformer预测网络模型中，autoformer预测网络模型计算得到m个气体浓度预测值。
[0041]
进一步优选地，时序位置编码为：手持式气体监测仪获取的气体浓度监测数据包括n个连续时序气体浓度值，t表示数值在时序中的位置，表示t时刻气体浓度值对应的时序位置向量，d表示位置向量的维度，i表示位置向量的第i维，是生成位置向量的函数，则：
[0042][0043]
其中：
[0044][0045][0046]
进一步优选地，autoformer预测网络模型包括内部的序列分解单元、自相关机制以及对应的编码器、解码器，具体为：
[0047]
(1)深度分解架构，在预测过程中，逐步从隐变量中分离趋势项与周期项，实现渐进式分解，
[0048]
(2)自相关机制，自相关机制包含基于周期的依赖发现和时延信息聚合。
[0049]
进一步优选地，在预测过程中，逐步从隐变量中分离趋势项与周期项，实现渐进式分解，具体为：
[0050]
①
序列分解单元，序列分解单元基于滑动平均思想，平滑时间序列，分离周期项与趋势项：
[0051]
[0052][0053]
式中：为待分解的隐变量，和分别为趋势项和周期项，将上述公式记为
[0054]
②
编码器和解码器，
[0055]
编码器：通过序列分解单元，可分离出周期项和基于这种周期性，设计自相关机制，聚合不同周期的相似子过程：
[0056][0057][0058]
解码器：对趋势项与周期项分别预测，对于周期项，使用自相关机制，基于序列的周期性质来进行依赖挖掘，并聚合具有相似过程的子序列，对于趋势项，使用累积方式，逐步从预测的隐变量中提取趋势信息：
[0059][0060][0061][0062][0063]
优选地，在s3中，气体监测设备主体中设定有阈值n，若气体浓度预测数据大于n，则该位置存在风险，气体监测设备主体向手持式气体监测仪发送报警信号、存在风险的位置的位置信息，否则继续进行下一个位置的定位和气体浓度预测。
[0064]
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
[0065]
本发明通过手持式气体监测仪获取定位数据和气体浓度监测数据并通过气体监测设备主体计算位置信息和气体浓度预测数据，既能够快速获得手持式气体监测仪的定位地点，又能高效预测定位地点的气体浓度，定位精度高，预测结果准确度高，方便工作人员及时了解可能存在风险的地点，能够快速的做出行动，避免发生安全事故，保护生命财产安全。
附图说明
[0066]
附图1为本实施例的气体浓度预测与实时定位方法整体流程图；
[0067]
附图2为气体监测设备的示意图。
[0068]
以上附图中：1、手持式气体监测仪；2、气体监测设备主体；3、参考基站。
具体实施方式
[0069]
下面将结合附图对本发明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。
[0070]
一种气体浓度预测与实时定位方法，其主要应用于气体监测设备上，如图2所示，本实施例给出了一种气体监测设备，但也不限于该气体监测设备，其主要包括手持式气体监测仪1和气体监测设备主体2，手持式气体监测仪1和气体监测设备主体2可相互分离，且
两者之间可相互通信，手持式气体监测仪1可设置多个，多个手持式气体监测仪1可同时使用。手持式气体监测仪1的工作区域内设置有参考基站3，参考基站3至少设置有3个，手持式气体监测仪1和气体监测设备主体2均可与参考基站3进行通信。
[0071]
以下具体介绍进行气体浓度预测与实时定位的步骤，如图1所示，包括：
[0072]
s1：
[0073]
通过手持式气体监测仪1获取某一位置的定位数据和气体浓度监测数据，包括：
[0074]
(1)手持式气体监测仪1获取其在某一位置的定位数据，具体为采用tof测距方法多次测量手持式气体监测仪1与各个参考基站3之间的距离dn，其中：
[0075][0076]
式中：
[0077]dn
为手持式气体监测仪1与各个参考基站3之间的距离，
[0078]
c为光速，
[0079]
ttot为手持式气体监测仪1发出信号的时间与收到反馈信号的时间之差，
[0080]
ttat为参考基站3收到信号的时间和发出反馈信号的时间之差。
[0081]
随后手持式气体监测仪1将定位数据传送给气体监测设备主体2；
[0082]
(2)手持式气体监测仪1获取该位置处的随时间变化的气体浓度监测数据，并将气体浓度监测数据传送给气体监测设备主体2。
[0083]
s2：
[0084]
通过气体监测设备主体2计算位置信息和气体浓度预测数据，包括：
[0085]
(1)气体监测设备主体2根据定位数据计算位置信息，具体而言，首先采用中值均值滤波法对多次测量的手持式气体监测仪1与各个参考基站3之间的距离进行预处理，再采用taylor定位方法进行求解，再采用卡尔曼滤波方法进行滤波处理，最大限度地降低随机干扰带来的误差影响，最后获得手持式气体监测仪1在该位置处的位置信息，其中：
[0086]
①
中值均值滤波法为：采用中值滤波法对多个d1进行滤波，将多个d1按照数值大小进行排序，并剔除其中的最大值和最小值，将剩余的d1采用均值滤波法进行滤波，然后采用中值滤波法对多个d2进行滤波，以此类推，直至对多个dn完成滤波。
[0087]
②
taylor定位方法为：已知各个参考基站3的坐标为(xn，yn，zn)，设手持式气体监测仪的真实位置坐标为(x，y，z)，手持式气体监测仪1与各个参考基站之间的距离dn，则可得到：
[0088]dn2
＝(x
n-x)2+(y
n-y)2+(z
n-z)2，
[0089]
设估计位置坐标的初始值为(x0，y0，z0)，δx、δy、δz为真实位置坐标和估计位置坐标之间的差值，则有：
[0090][0091]
由taylor级数展开并忽略二阶以上分量可得：
[0092][0093]
式中：
[0094][0095][0096]
求出误差量δx、δy、δz后，并更新坐标值，进行下一次迭代计算，
[0097]
直至|δx|+|δy|+|δz|＜k，其中k为设定值，
[0098]
此时(x0+δx，y0+δy，z0+δz)即为手持式气体监测仪1的真实位置坐标。
[0099]
在本实施例中：估计位置坐标的初始值(x0，y0，z0)为距离手持式气体监测仪1最近的参考基站3的坐标。
[0100]
③
卡尔曼滤波方法为：设状态变量n维，k时刻的状态为xk，k时刻的m维测量量为zk，则状态方程为xk＝φ
k-1
x
k-1
+γ
k-1wk-1
，测量方程为zk＝hkxk+vk，其中：φ
k-1
为状态转移矩阵，γ
k-1
为状态噪声系数矩阵，w
k-1
为状态噪声，hk为测量矩阵，vk为测量噪声，一般为零期望白噪声，
[0101]
根据匀加速运动模型有：
[0102][0103][0104]
式中，s(k)为移动目标的一维位置信息，为移动目标的速度，
[0105]
根据卡尔曼滤波原理可得方程组：
[0106][0107]
由于系统采样频率较高，在一个采样周期内可以近似认为移动目标做匀速运动，因此上述公式可改写为：
[0108][0109]
考虑到二维情形下的状态模型包含水平方向和垂直方向的位置和速度，因此可以将状态方程定义为：
[0110][0111]
式中，x(k)和分别为x方向的位置和速度，y(k)和分别为y方向的位置和
速度，
[0112]
系统方程可以表示为：
[0113][0114]
相应的测量误差方程和状态方程分别为：
[0115][0116][0117]
式中，vk和分别为观测量lk和状态预测量的残差向量。
[0118]
(2)气体监测设备主体2通过预测网络模型计算气体浓度预测数据，其过程具体包括：
[0119]
①
将手持式气体监测仪1获取的气体浓度监测数据进行时序位置编码，气体浓度监测数据包括n个气体浓度监测值，时序位置编码具体为：手持式气体监测仪1获取的气体浓度监测数据包括n个连续时序气体浓度值，t表示数值在时序中的位置，表示t时刻气体浓度值对应的时序位置向量，d表示位置向量的维度，i表示位置向量的第i维，是生成位置向量的函数，则：
[0120][0121]
其中：
[0122][0123][0124]
②
将时序位置编码后的气体浓度监测数据输入autoformer预测网络模型中，autoformer预测网络模型计算得到m个气体浓度预测值，其中autoformer预测网络模型包括内部的序列分解单元、自相关机制以及对应的编码器、解码器，具体为：
[0125]
a、深度分解架构
[0126]
在预测过程中，逐步从隐变量中分离趋势项与周期项，实现渐进式分解，具体为：
[0127]
1.序列分解单元：序列分解单元基于滑动平均思想，平滑时间序列，分离周期项与趋势项：
[0128][0129][0130]
式中：为待分解的隐变量，和分别为趋势项和周期项，将上述公式记为：
[0131]
[0132]
2.编码器和解码器：
[0133]
编码器：通过序列分解单元，可分离出周期项和基于这种周期性，设计自相关机制，聚合不同周期的相似子过程：
[0134][0135][0136]
解码器：对趋势项与周期项分别预测，对于周期项，使用自相关机制，基于序列的周期性质来进行依赖挖掘，并聚合具有相似过程的子序列，对于趋势项，使用累积方式，逐步从预测的隐变量中提取趋势信息：
[0137][0138][0139][0140][0141]
b、自相关机制
[0142]
自相关机制包含基于周期的依赖发现和时延信息聚合。
[0143]
s3：气体监测设备主体2根据气体浓度预测数据判断该位置是否存在风险，并向手持式气体监测仪1发送预测结果，具体而言：气体监测设备主体2中设定有阈值n，若气体浓度预测数据大于n，则该位置存在风险，气体监测设备主体2向手持式气体监测仪1发送报警信号、存在风险的位置的位置信息，否则继续进行下一个位置的定位和气体浓度预测。在本实施例中：阈值n取10-5
。
[0144]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。