【技术实现步骤摘要】
本专利技术涉及人工智能与污染气体监测，尤其涉及一种监测低浓度no与so2的方法。
技术介绍
1、随着工业化和城市化进程的快速发展，大气中污染物浓度显著增加，导致了严重的环境污染问题。在工业废气排放中，二氧化硫(so2)和一氧化氮(no)是最常见的空气污染物，它们对人类健康和环境均有害。二氧化硫除了降低人体的免疫力和刺激肺部外，还能够在水中溶解形成亚硫酸，导致酸雨的形成。而no具有较强的氧化性能，在空气中很容易转化为二氧化氮，是造成酸雨和光化学烟雾的原因。因此，监测工业废气排放的so2和no浓度对于切实改善空气质量具有重要意义；
2、doas技术是一种在线实时测量、灵敏度高、探测限低、响应时间短等优点的大气污染监测方法，已成为大气科学领域的重要研究手段之一。doas技术利用气体分子对紫外光源的不同波段选择性吸收，通过分析入射光强与出射光强的变化来反演气体浓度。so2和no在紫外光谱区域中具有很强的敏感性，因此紫外差分吸收光谱法(uv-doas)是一种可靠的实时监测so2和no浓度的方法。
3、通过对吸收光谱分析，发现so2吸收波段主要为200～230nm、280～320nm、340～390nm。但由于so2在200～230nm的吸收光谱比在280～320nm、340～390nm波段的吸收光谱高十倍不等，且信噪比高。因此，考虑选取波段200～230nm进行监测so2浓度。然而，no的吸收波段主要也是200～230nm。在该波段中，so2和no的吸收光谱会混叠在一起，因此需要从混合气体的差分光学密度中提取出so
4、近年来，神经网络在图像检测、文本翻译、语音识别以及光学领域都得到广泛应用。已有研究将lstm网络用于近红外光谱的预测和分类，取得了优异的效果。
5、为此，设计一种监测低浓度no与so2的方法，用于对上述技术问题提供另一种技术方案。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种监测低浓度no与so2的方法，用于解决上述
技术介绍
中提出的技术问题。
2、为了解决上述的技术问题，本专利技术采用了如下技术方案：
3、一种监测低浓度no与so2的方法，步骤如下：
4、s1：对数据进行采集；
5、s2：构建神经网络模型；
6、s3：对神经网络模型进行训练，并对光谱进行分离；
7、s4：对分离出来的光谱信息质量进行评估。
8、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述s1步骤中，对数据进行采集，步骤如下：
9、将高纯氮、标准浓度的so2和标准浓度的no气体，通过气体混合仪器进行稀释混合，得到不同浓度比值的混合气体；
10、将混合气体通过软管导入气室，稳定5分钟；
11、光源发射氙光灯进入气室，经凹面镜反射后，由分光仪接收并等间隔采集；
12、将光谱数据送入计算机进行处理；
13、选择200～230nm光谱中的172个离散光谱点作为网络的特征输入和输出。
14、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述s2步骤中，构建神经网络模型，步骤如下：
15、通过encode、bi-lstm和decode构建神经网络模型；
16、通过encode对每个光谱点进行特征升维，通过训练学习到多尺度信息，聚合多种不同感受野上的特征来获得性能上的增益，将原始的单个光谱特征变为128个尺度信息；
17、通过由5层bi-lstm叠加而成的bi-lstm部分进行处理；
18、通过decode将bi-lstm部分处理过后的128个尺度信息进行聚合，变为输出的光谱信息。
19、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述神经网络模型的训练使用均方误差作为训练集合中的评价指标，其计算公式如下：
20、
21、其中，m为混合气体的差分光学密度采样点数，h(xi)为第t个采样点的真实值，yi为第t个采样点的预测值。
22、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述s3步骤中，对神经网络模型进行训练，步骤如下：
23、通过计算差分光学密度；
24、将气体分子吸收光谱中不包含待测气体的吸收光强的慢变化部分分离出，得到随波长快速变化的窄带吸收部分；
25、将获得的窄带吸收部分输入神经网络模型中，重构出单一no气体的差分光学密度和单一so2气体的差分光学密度。
26、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述将气体分子吸收光谱中不包含待测气体的吸收光强的慢变化部分分离出，得到随波长快速变化的窄带吸收部分，具体步骤如下：
27、通过3阶多项式拟合的方法将气体分子吸收光谱中不包含待测气体的吸收光强的慢变化部分分离出，得到随波长快速变化的窄带吸收部分，表达式如下：
28、f(x)＝ax3+bx2+cx+d
29、其中,a、b、c和d是拟合的参数。
30、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，所述s4步骤中，对分离出来的光谱信息质量进行评估，步骤如下：
31、以标准高浓度的so2气体获取的差分光谱作为计算so2气体吸收截面的标准；
32、以标准高浓度的no气体获取的差分光谱作为计算no气体吸收截面的标准；
33、计算对应的反演浓度与真实浓度之间的非线性关系；
34、选择多项式拟合校正模型构建反演浓度与标准浓度之间的模型，并对so2及no的非线性影响进行修正。
35、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，no的非线性校正模型表达式如下：
36、
37、so2的非线性修正模型表达式如下：
38、
39、其中，c0表示未非线性矫正前的反演浓度；
40、校准过后使用全尺度误差来进行评估：
41、
42、其中，|δ|是绝对误差的最大值，yf·s是量程。
43、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，对痕量气体监测水平能力的评估指标dl，计算公式如下:
44、
45、其中，ki为置信因子，且ki＝3，δ0表示标准偏差，c表示标准浓度(ppm)，表示测量结果的平均值(ppm)。
46、作为本专利技术提供的所述的一种监测低浓度no与so2的方法的一种优选实施方式，测量结构的质量，表达式如下：
47、
48、其中，a为不确定度，si是测量结果，是测量结果的平均值本文档来自技高网...
【技术保护点】
1.一种监测低浓度NO与SO2的方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种监测低浓度NO与SO2的方法，其特征在于，所述S1步骤中，对数据进行采集，步骤如下：
3.根据权利要求1所述的一种监测低浓度NO与SO2的方法，其特征在于，所述S2步骤中，构建神经网络模型，步骤如下：
4.根据权利要求3所述的一种监测低浓度NO与SO2的方法，其特征在于，所述神经网络模型的训练使用均方误差作为训练集合中的评价指标，其计算公式如下：
5.根据权利要求1所述的一种监测低浓度NO与SO2的方法，其特征在于，所述S3步骤中，对神经网络模型进行训练，步骤如下：
6.根据权利要求5所述的一种监测低浓度NO与SO2的方法，其特征在于，所述将气体分子吸收光谱中不包含待测气体的吸收光强的慢变化部分分离出，得到随波长快速变化的窄带吸收部分，具体步骤如下：
7.根据权利要求5所述的一种监测低浓度NO与SO2的方法，其特征在于，所述S4步骤中，对分离出来的光谱信息质量进行评估，步骤如下：
8.根据权利要求7所述的一种
9.根据权利要求7所述的一种监测低浓度NO与SO2的方法，其特征在于，对痕量气体监测水平能力的评估指标DL，计算公式如下:
10.根据权利要求7所述的一种监测低浓度NO与SO2的方法，其特征在于，测量结构的质量，表达式如下：
...【技术特征摘要】
1.一种监测低浓度no与so2的方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种监测低浓度no与so2的方法，其特征在于，所述s1步骤中，对数据进行采集，步骤如下：
3.根据权利要求1所述的一种监测低浓度no与so2的方法，其特征在于，所述s2步骤中，构建神经网络模型，步骤如下：
4.根据权利要求3所述的一种监测低浓度no与so2的方法，其特征在于，所述神经网络模型的训练使用均方误差作为训练集合中的评价指标，其计算公式如下：
5.根据权利要求1所述的一种监测低浓度no与so2的方法，其特征在于，所述s3步骤中，对神经网络模型进行训练，步骤如下：
6.根据权利要求5所述的一种监测低浓度...
【专利技术属性】
技术研发人员：彭波，唐振，廖宁生，朱秘，姜彬，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。