基于模式识别和浓度模拟耦合的恶臭异味走航监测方法技术

本发明专利技术提供一种基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，其特征在于，利用模式识别和浓度模拟耦合的方式开展恶臭异味走航监测，通过模式识别对环境中恶臭异味来源进行初步筛选，根据模式识别结果自动选择对应的臭气浓度模拟定量模型，当环境中恶臭气体组分发生变化时通过模式识别判断并重新选择对应的模型

【技术实现步骤摘要】
基于模式识别和浓度模拟耦合的恶臭异味走航监测方法


[0001]本专利技术提供一种基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，属于环境监测

。

技术介绍

[0002]恶臭是指一切刺激嗅觉器官引起人们不愉快感觉及损害生活环境的异味气体
。
恶臭
/
异味污染属于典型扰民污染，既影响居民生活质量和环境舒适度，同时对生理健康也有直接危害
。
近年来，居民投诉十分强烈，日益成为一个严重的社会民生问题
。
[0003]恶臭异味来源广泛
、
组成物质复杂
、
环境浓度低，其排放和扩散具有阵发性
、
瞬时性特点，目前恶臭异味监管通常采用人工现场检查
、
人工采样离线测试的方式，不仅时间和人力成本较高，且难以及时地
、
全面地获取恶臭异味信息，无法快速准确进行污染来源识别和成因诊断，难以满足现有环境管理的需求
。
随着
VOCs
走航监测技术的发展，走航监测已经成为区域大气污染监测
、
排查
、
溯源
、
评价的重要手段
。
[0004]通过感官分析法测定的臭气浓度是目前国内外恶臭监测
、
执法
、
评价最重要的指标，该指标能够全面地反映恶臭气体对人体的感官影响，由于其是一种综合感官指标，标准方法是通过人工嗅辨的方式进行测定
(HJ1262
‑
2022、EN13725:2003、ASTME544
‑
10
等
)
，但该方法无法实现现场
、
连续和在线监测，更无法应用在恶臭异味走航监测工作中
。
[0005]随着传感器技术的发展，恶臭电子鼻
(
也称为恶臭在线监测仪器
)
通过传感器阵列模拟人类嗅觉感官能够对臭气浓度进行模拟，但由于恶臭气体组分复杂，不同恶臭气体电子鼻的传感器响应有较大差异，因此目前国内外电子鼻研究主要在对垃圾
、
污水等特定行业的恶臭气体进行臭气浓度模拟，形成针对行业排放特征的臭气浓度模拟模型
。
因此应用在区域恶臭异味走航监测时，尤其是工业园区
、
产业集群等恶臭来源众多的区域，由于环境中恶臭气体组分会随着时间
、
地点
、
气象条件发生变化，一般的恶臭电子鼻在复杂环境中走航时只能通过基于特定行业排放特征和气体样品建立的模型模拟臭气浓度，监测数据与实际环境中臭气浓度相差较大
。
[0006]一般的恶臭电子鼻主要是通过利用垃圾
、
污水等特定行业的恶臭气体，通过拟合或训练建立臭气浓度模拟定量模型，形成针对行业排放特征的臭气浓度模拟模型，内置在恶臭电子鼻中，通过基于特定行业排放特征和气体样品建立的模型模拟臭气浓度，将响应信号转化为臭气浓度监测值
。
所以当恶臭电子鼻进行走航时，通常通过经验判断选择跟区域内恶臭异味特征相对最为接近的模型进行臭气浓度模拟，利用模拟结果作为监测数据
。
该技术存在以下技术缺点：
[0007](1)
一般的恶臭电子鼻通过基于特定行业排放特征和气体样品建立的模型模拟臭气浓度，而在区域恶臭异味走航监测时，尤其是工业园区
、
产业集群等恶臭来源众多的区域，由于环境中恶臭气体组分会随着时间
、
地点
、
气象条件发生变化，因此用一般恶臭电子鼻进行走航时，经常由于内置的臭气浓度模拟定量模型与恶臭气体组分不匹配，造成监测数据与实际环境中臭气浓度相差较大
。
[0008](2)
模式识别通过提取不同传感器响应信号特征值，利用机器学习或深度学习方法，对不同种类样品或行业进行判别或分类，但由于传感器响应信号不仅与样品的组分有关，也与样品的浓度有关，因此当浓度发生变化时不同传感器响应信号特征也会发生变化，即使同一行业，传感器对不同浓度范围恶臭气体的响应信号也有较大差异
。
一般研究开展模式识别时进行训练的不同种类或行业样品都是在固定的浓度范围内，因此使模式识别建立的分类模型在此固定浓度范围内成功率较高，而对此固定浓度范围外的样品很难保证判别或分类效果
。
恶臭异味走航监测都是在大气环境中，恶臭气体的浓度范围差异较大，经常出现超过该固定浓度范围的恶臭气体，而扩大浓度范围会使模式识别难度成倍增加
、
判别成功率降低，很难满足在恶臭异味走航监测过程中准确对行业进行判别的要求
。

技术实现思路

[0009]针对上述技术问题，本专利技术提供一种基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，达到以下目的：
[0010](1)
本专利技术解决了恶臭走航监测时利用仪器监测臭气浓度准确性低的问题，提高了恶臭异味走航监测的实际效果
。
通过模式识别和浓度模拟耦合的方式，通过模式识别对环境中恶臭异味来源进行初步筛选，根据模式识别的恶臭行业自动选择对应的臭气浓度模拟定量模型，当环境中恶臭气体组分发生变化时通过模式识别判断并重新选择对应的模型，形成半自适应的
、
定性定量耦合的恶臭异味走航监测方法，从而提高恶臭异味走航监测时利用仪器监测臭气浓度的准确性
。
[0011](2)
本专利技术根据恶臭气体与传感器响应关系的特点，建立了分臭气强度进行模式识别训练的方法，提高了利用模式识别方法判别行业的准确性，使其满足在恶臭异味走航监测过程中准确对行业进行判别的要求
。
[0012]具体的技术方案为：
[0013]基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，利用模式识别和浓度模拟耦合的方式开展恶臭异味走航监测，通过模式识别对环境中恶臭异味来源进行初步筛选，根据模式识别的恶臭行业自动选择对应的臭气浓度模拟定量模型，当环境中恶臭气体组分发生变化时通过模式识别判断并重新选择对应的模型
。
[0014]具体包括以下步骤：
[0015]S1
：分行业采集浓度梯度臭气样品，测试样品臭气浓度和臭气强度
。
[0016]分行业采集其典型工艺环节排放的高浓度臭气样品，典型工艺环节包括有组织
、
无组织环节，通过稀释样品建立覆盖臭气强度0‑5级的浓度梯度样品库，其中每一个行业
(
本专利技术中
TC
表示
)
在各臭气强度对应的浓度梯度样品最少为6份，其中三分之二用于定性模型和定量模型的训练，三分之一用于定性模型和定量模型的的验证
。
[0017]样品的臭气浓度和臭气强度均利用嗅辨员进行测量；
[0018]S2
：利用分行业浓度梯度臭气样品对恶臭电子鼻进行测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，其特征在于，利用模式识别和浓度模拟耦合的方式开展恶臭异味走航监测，通过模式识别对环境中恶臭异味来源进行初步筛选，根据模式识别的恶臭行业自动选择对应的臭气浓度模拟定量模型，当环境中恶臭气体组分发生变化时通过模式识别判断并重新选择对应的模型
。2.
根据权利要求1所述的基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，其特征在于，具体包括以下步骤：
S1
：分行业采集浓度梯度臭气样品，测试样品臭气浓度和臭气强度；分行业采集其典型工艺环节排放的高浓度臭气样品，典型工艺环节包括有组织
、
无组织环节，通过稀释样品建立覆盖臭气强度0‑5级的浓度梯度样品库，其中每一个行业在各臭气强度对应的浓度梯度样品最少为6份，其中三分之二用于定性模型和定量模型的训练，三分之一用于定性模型和定量模型的的验证；行业用
TC
表示；样品的臭气浓度和臭气强度均利用嗅辨员进行测量；
S2
：利用分行业浓度梯度臭气样品对恶臭电子鼻进行测试，通过特征提取获取各传感器响应信号与样品臭气浓度和臭气强度的关系；将分行业的浓度梯度臭气样品从低浓度到高浓度依次通入恶臭电子鼻进行测试，根据恶臭电子鼻的响应速度，当恶臭电子鼻响应信号进入稳定阶段后，提取各传感器的响应信号作为特征值其中
n
为传感器编号，
i
为对应的行业，
j
为对应的臭气强度，并记录在传感器响应信号与臭气浓度
、
强度关系表中，其中用三分之二的浓度梯度样品库测试的数据作为训练数据库，用三分之一的浓度梯度样品库测试的数据作为验证数据库；
S3
：利用模式识别方法建立行业分类的定性模型，置入恶臭电子鼻；
S4
：各个行业不同臭气强度下，从模拟定量算法库里选择最合适的算法建立臭气浓度模拟定量模型，并建立与行业对应的定量模型库，置入恶臭电子鼻；
S5
：利用恶臭电子鼻走航，当出现高值时，结合人工现场嗅辨的臭气强度数据，利用定性模型自动识别行业并选择定量模型，实时测定臭气浓度；
S6
：当环境臭气强度发生变化时，重新利用定性模型识别行业并选择定量模型，实时监测臭气浓度；当环境臭气强度发生变化时，嗅辨员将新的臭气强度输入恶臭电子鼻或走航监测平台，重复
S4
的步骤
(4)
利用定性模型识别行业，如果行业发生变化则重新选择定量模型，并继续
S4
的步骤
(5)
自动连续监测大气环境臭气浓度；
S7
：绘制恶臭异味地图，开展走航监测数据分析整理，形成恶臭异味走航监测报告
。3.
根据权利要求2所述的基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，其特征在于，
S2
具体包括以下过程：将分行业的浓度梯度臭气样品从低浓度到高浓度依次通入恶臭电子鼻进行测试，根据恶臭电子鼻的响应速度，当恶臭电子鼻响应信号进入稳定阶段后，提取各传感器的响应信号作为特征值其中
n
为传感器编号，
i
为对应的行业，
j
为对应的臭气强度，并记录在传感器响应信号与臭气浓度
、
强度关系表中，其中用三分之二的浓度梯度样品库测试的数据作为训练数据库，用三分之一的浓度梯度样品库测试的数据作为验证数据库
。4.
根据权利要求2所述的基于模式识别和浓度模拟耦合的恶臭异味走航监测方法，其
特征在于，
S3
具体包括以下过程：利用支持向量机算法
SVM
作为模式识别的算法，使用训练数据库中数据训练行业分类的定性模型，核函数选择高斯核函数，即：其中分别是第
i1
和
i2
个行业在臭气强度
j1
级和
j2
级下的特征向量，
i1
和
i2
可以为同一个行业，
j1
和
j2
必须是不同的臭气强度，
σ
是高斯核函数参数用于控制映射后的距离；特征向量为其中为在臭气强度
j
下的行业
i
，为
S2
步骤获取的第
n
号传感器在行业
i
的臭气强度为
j
的样品的传感器响应信号特征值；对定性模型进行验证，利用验证数据库的数据代入定性模型，比较定性模型识别的行业判别结果是否与实际的行业对应，利用如下公式验证判别成功率，如果判别成功率
≥95...

【专利技术属性】
技术研发人员：王亘，荆博宇，孟洁，肖咸德，李玮，马波，张志扬，宁晓宇，杨伟华，
申请(专利权)人：天津市生态环境科学研究院天津市环境规划院，
类型：发明
国别省市：