本發(fā)明涉及一種氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法。

背景技術(shù)：

當(dāng)前的技術(shù)存在的氣體傳感器(SO₂、NO₂、CO、O₃、VOC、NH₃、HCHO、H₂S)和顆粒物傳感器(PM_2.5、PM₁₀)在長時間使用過程中受溫度、濕度、其他氣體或因素交叉干擾和傳感器元件老化等引起檢測結(jié)果漂移和檢測限下降。

由于氣體傳感器和顆粒物傳感器易受到溫度、濕度和其他氣體直接或間接導(dǎo)致檢測結(jié)果發(fā)生嚴(yán)重的漂移，致使檢測數(shù)據(jù)無效，此時傳感器需要進(jìn)行有效的校準(zhǔn)。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明提供一種提高了傳感器穩(wěn)定性和檢測結(jié)果有效性的氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法。

本發(fā)明氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，包括：

建立傳感器校準(zhǔn)模型；

試驗艙為校準(zhǔn)模型提供校準(zhǔn)數(shù)據(jù)，通過試驗艙提供的標(biāo)準(zhǔn)校準(zhǔn)數(shù)據(jù)確定校準(zhǔn)模型中的不同傳感器的影響因子的線性、非線性參數(shù)具體數(shù)值大?。?/p>

校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，通過建立較深層數(shù)的人工神經(jīng)網(wǎng)絡(luò)或智能基因算法模型，使傳感器能夠自動從試驗艙交叉實驗參數(shù)數(shù)據(jù)中提取并得到該傳感器的溫度、濕度、干擾氣體或因素和時間老化的線性/非線性含有不同參數(shù)的交叉相應(yīng)曲線，可映射任意復(fù)雜的非線性校準(zhǔn)模型，具有很強(qiáng)的魯棒性和適應(yīng)性。

進(jìn)一步地，所述的建立傳感器校準(zhǔn)模型具體包括：根據(jù)傳感器檢測原理、大氣環(huán)境化學(xué)知識，初步確定影響氣體傳感器和顆粒物傳感器的檢測精度的因素，通過實時測量獲得的傳感器檢測參數(shù)和其影響因素的時間序列，輸入人工神經(jīng)網(wǎng)絡(luò)或智能基因算法，獲得各個影響因素的線性或非線性因子數(shù)值，即建立了校準(zhǔn)模型。

進(jìn)一步地，所述的校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，具體步驟包括：獲取各個傳感器檢測參數(shù)的影響因素的實時檢測序列，將檢測參數(shù)和其影響因素的實時監(jiān)測結(jié)果，進(jìn)行數(shù)據(jù)對齊、數(shù)據(jù)誤差分析、污染源事件分析，去除無效數(shù)據(jù)，然后將其輸入通過人工智能大數(shù)據(jù)算法平臺，即可進(jìn)行校準(zhǔn)模型中未知因素的計算。

進(jìn)一步地，根據(jù)不同的試驗艙實驗數(shù)據(jù)，形成的校準(zhǔn)模型分為標(biāo)物校準(zhǔn)、組網(wǎng)校準(zhǔn)、自適應(yīng)校準(zhǔn)和傳遞校準(zhǔn)；

獲取傳感器和傳感器影響因素的實時檢測序列的方式，是通過試驗艙獲取的，根據(jù)實驗艙不同的氣體或顆粒物的實驗數(shù)據(jù)，選擇不同的校準(zhǔn)模型，

如果在試驗艙中獲取各個影響因素是單一標(biāo)準(zhǔn)氣體，此時采用的算法是線性算法，校準(zhǔn)模型中是一對一的關(guān)系，即為標(biāo)物校準(zhǔn)；

如果獲取各個影響因素是交叉標(biāo)準(zhǔn)氣體，即幾個影響因素的隨機(jī)排列組合，此時采用的算法是非線性算法，校準(zhǔn)模型是多對多的交叉關(guān)系，即為組網(wǎng)校準(zhǔn)；

如果在實驗艙中引入其他未知的影響因素，此時采多對多閉環(huán)反饋是神經(jīng)網(wǎng)絡(luò)算法，通過反復(fù)迭代，自適應(yīng)計算各個影響因子的大小，即為自適用校準(zhǔn)；

如果獲取的傳感器和各個影響因素的實時序列是通過便攜式標(biāo)準(zhǔn)儀器、移動監(jiān)測車或者其他標(biāo)準(zhǔn)監(jiān)測設(shè)備，自動判斷此類數(shù)據(jù)，針對不同參數(shù)啟動不同算法，此即為傳遞校準(zhǔn)。

有益效果

本發(fā)明氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法與現(xiàn)有技術(shù)具備如下有益效果：

根據(jù)不同的試驗艙實驗數(shù)據(jù)，形成的校準(zhǔn)模型可分為標(biāo)物校準(zhǔn)、組網(wǎng)校準(zhǔn)、自適應(yīng)校準(zhǔn)和傳遞校準(zhǔn)，校準(zhǔn)模型體現(xiàn)了使微型站盡量脫離人類的經(jīng)驗指導(dǎo)(標(biāo)物校準(zhǔn)模型)，自動在海量標(biāo)物和溫/濕度氣象環(huán)境數(shù)據(jù)中挖掘不同參數(shù)的響應(yīng)曲線(即組網(wǎng)校準(zhǔn))，進(jìn)而形成通用人工智能基于端對端的線性深度強(qiáng)化學(xué)習(xí)模型(即傳遞校準(zhǔn))，利用云校準(zhǔn)平臺的互聯(lián)化、數(shù)據(jù)化和智能化自動幫助微型站能在不同的污染源區(qū)域中生成一套校準(zhǔn)模型框架(即自適應(yīng)校準(zhǔn))，從而校準(zhǔn)模型能夠勝任不同的檢測環(huán)境。

附圖說明

圖1是本發(fā)明的校準(zhǔn)模型示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述。

搭建了傳感器試驗艙，獲取到對傳感器有影響的參數(shù)的交叉實驗數(shù)據(jù)，將大量的不同參數(shù)的實驗室數(shù)據(jù)輸入建立的校準(zhǔn)模型，得到不同傳感器的線性、非線性校準(zhǔn)參數(shù)。校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，通過建立較深層數(shù)的人工神經(jīng)網(wǎng)絡(luò)或智能基因算法模型，使傳感器能夠自動從試驗艙交叉實驗參數(shù)數(shù)據(jù)中提取并得到該傳感器的溫度、濕度、干擾氣體或因素和時間老化的線性/非線性含有不同參數(shù)的交叉相應(yīng)曲線，可映射任意復(fù)雜的非線性校準(zhǔn)模型，具有很強(qiáng)的魯棒性和適應(yīng)性。校準(zhǔn)模型示意圖如圖1所示。

本實施例氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，包括：

建立傳感器校準(zhǔn)模型；

試驗艙為校準(zhǔn)模型提供校準(zhǔn)數(shù)據(jù)，通過試驗艙提供的標(biāo)準(zhǔn)校準(zhǔn)數(shù)據(jù)可以確定校準(zhǔn)模型中的不同傳感器的影響因子的線性、非線性參數(shù)具體數(shù)值大小。

校準(zhǔn)模型可以理解為一個黑盒子，黑盒子里面的線性、非線性因子具體數(shù)值，是通過試驗艙提供的標(biāo)準(zhǔn)數(shù)據(jù)確定的，確定了影響因子的大小，校準(zhǔn)模型即為確定，此校準(zhǔn)模型即可用于以后儀器的實時運行。校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，通過建立較深層數(shù)的人工神經(jīng)網(wǎng)絡(luò)或智能基因算法模型，使傳感器能夠自動從試驗艙交叉實驗參數(shù)數(shù)據(jù)中提取并得到該傳感器的溫度、濕度、干擾氣體或因素和時間老化的線性/非線性含有不同參數(shù)的交叉相應(yīng)曲線，可映射任意復(fù)雜的非線性校準(zhǔn)模型，具有很強(qiáng)的魯棒性和適應(yīng)性。

所述的建立傳感器校準(zhǔn)模型具體包括：根據(jù)傳感器檢測原理、大氣環(huán)境化學(xué)知識，初步確定影響氣體傳感器和顆粒物傳感器的檢測精度的因素，通過實時測量獲得的傳感器檢測參數(shù)和其影響因素的時間序列，輸入人工神經(jīng)網(wǎng)絡(luò)或智能基因算法，獲得各個影響因素的線性或非線性因子數(shù)值，即建立了校準(zhǔn)模型。

所述的校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，具體步驟包括：獲取各個傳感器檢測參數(shù)的影響因素的實時檢測序列，將檢測參數(shù)和其影響因素的實時監(jiān)測結(jié)果，進(jìn)行數(shù)據(jù)對齊、數(shù)據(jù)誤差分析、污染源事件分析，去除無效數(shù)據(jù)，然后將其輸入通過人工智能大數(shù)據(jù)算法平臺，即可進(jìn)行校準(zhǔn)模型中未知因素的計算。

根據(jù)不同的試驗艙實驗數(shù)據(jù)，形成的校準(zhǔn)模型可分為標(biāo)物校準(zhǔn)、組網(wǎng)校準(zhǔn)、自適應(yīng)校準(zhǔn)和傳遞校準(zhǔn)，校準(zhǔn)模型體現(xiàn)了使微型站盡量脫離人類的經(jīng)驗指導(dǎo)(標(biāo)物校準(zhǔn)模型)，自動在海量標(biāo)物和溫/濕度氣象環(huán)境數(shù)據(jù)中挖掘不同參數(shù)的響應(yīng)曲線(即組網(wǎng)校準(zhǔn))，進(jìn)而形成通用人工智能基于端對端的線性深度強(qiáng)化學(xué)習(xí)模型(即傳遞校準(zhǔn))，利用云校準(zhǔn)平臺的互聯(lián)化、數(shù)據(jù)化和智能化自動幫助微型站能在不同的污染源區(qū)域中生成一套校準(zhǔn)模型框架(即自適應(yīng)校準(zhǔn))，從而校準(zhǔn)模型能夠勝任不同的檢測環(huán)境。

獲取傳感器和傳感器影響因素的實時檢測序列的方式，是通過試驗艙獲取的，實驗艙的優(yōu)點是可以控制傳感器影響因素的個數(shù)，實時創(chuàng)造各種影響因素的組合方式，能夠進(jìn)行正交交叉實驗，根據(jù)不同的實驗艙實驗數(shù)據(jù)，即實驗數(shù)據(jù)的不同，如果在試驗艙中獲取各個影響因素是單一標(biāo)準(zhǔn)氣體，此時平臺算法是線性算法，校準(zhǔn)模型中是一對一的關(guān)系，即為標(biāo)物校準(zhǔn)；如果獲取各個影響因素是交叉標(biāo)準(zhǔn)氣體，即幾個影響因素的隨機(jī)排列組合，此時平臺算法是非線性算法，校準(zhǔn)模型是多對多的交叉關(guān)系，即為組網(wǎng)校準(zhǔn)；如果在實驗艙中引入其他未知的影響因素，此時采多對多閉環(huán)反饋是神經(jīng)網(wǎng)絡(luò)算法，通過反復(fù)迭代，自適應(yīng)計算各個影響因子的大小，即為自適用校準(zhǔn)；如果獲取的傳感器和各個影響因素的實時序列是通過便攜式標(biāo)準(zhǔn)儀器、移動監(jiān)測車或者其他標(biāo)準(zhǔn)監(jiān)測設(shè)備，平臺自動判斷此類數(shù)據(jù)，針對不同參數(shù)啟動不同算法，此即為傳遞校準(zhǔn)。

對本發(fā)明應(yīng)當(dāng)理解的是，以上所述的實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)的說明，以上僅為本發(fā)明的實施例而已，并不用于限定本發(fā)明，凡是在本發(fā)明的精神原則之內(nèi)，所作出的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求所界定的保護(hù)范圍為準(zhǔn)。