一种用于气体监测设备的气体浓度预测与实时定位方法技术

本发明专利技术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，包括如下步骤：通过手持式气体监测仪获取某一位置的定位数据和随时间变化的气体浓度监测数据，并将定位数据和气体浓度监测数据传送给气体监测设备主体；气体监测设备主体根据定位数据计算位置信息，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；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。本发明专利技术的方法既能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，能够快速做出行动，避免发生安全事故，保护生命财产安全。保护生命财产安全。保护生命财产安全。

【技术实现步骤摘要】
一种用于气体监测设备的气体浓度预测与实时定位方法


[0001]本专利技术属于气体监测
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]本专利技术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。
[0007]为达到上述目的，本专利技术采用的技术方案是：
[0008]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：
[0009]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：
[0010](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，
[0011](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；
[0012]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：
[0013](1)气体监测设备主体根据定位数据计算位置信息，
[0014](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；
[0015]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。
[0016]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d
n
，其中：
[0017][0018]式中：
[0019]d
n
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d
n
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(x
n
，y
n
，z
n
)，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d
n
，则可得到：
[0027]d
n2
＝(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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：包括如下步骤：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：(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，(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；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：(1)气体监测设备主体根据定位数据计算位置信息，(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；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。2.根据权利要求1所述的用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：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d
n
，其中：式中：d
n
为手持式气体监测仪与各个参考基站之间的距离，C为光速，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，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。3.根据权利要求2所述的用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：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。4.根据权利要求3所述的用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：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d
n
完成滤波。5.根据权利要求4所述的用于气体监测设备的气体浓度预测与实时定位方法，其特征在于：Taylor定位方法为：已知各个参考基站的坐标为(x
n
，y
n
，z
n
)，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d
n
，则可得到：d
n2
＝(x
n
‑
x)2+(y
n
‑
y)2+(z
n
‑
z)2，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：
...

【专利技术属性】
技术研发人员：邓若愚，胡尚薇，
申请(专利权)人：同济人工智能研究院苏州有限公司，
类型：发明
国别省市：