建筑工地噪音扬尘监测及数据分析系统设计与实现

发布时间：2020-08-18 19:57

【摘要】：中国城镇化建设的快速发展带来了国内建筑行业的迅猛发展,但是在城市的建设过程中也伴随着大量污染物的产生,这给居民生活环境和城市自然环境带来一定影响。研究表明建筑施工产生的扬尘是城市大气颗粒污染物的重要来源,产生的噪音是城市噪音污染的主要来源。因此对噪音和扬尘进行监测和管理能够有效防治扬尘污染和噪音污染,从而间接地保护城市环境。同时利用数据挖掘技术挖掘和分析历史数据,从中得到的有效信息对施工监管工作也有一定的指导意义。基于此背景,本文整理分析了现阶段噪音扬尘监管过程中存在的问题,确定了系统的功能模块,系统的主要功能有:区域管理功能,其作用是在业务层面对监管区域进行纵向划分,保证不同区域间业务的相互独立性;项目管理功能,是管理市政项目详细信息的功能模块;设备管理功能,是管理和配置硬件监测设备的功能模块;任务管理功能,其目的是针对长期超标的监测项目自动或手动生成处理任务以实现对监测项目的异地监管;GIS全局地图及视频监控功能,基于GIS地理信息服务和网络视频监控设备实现了对监测项目的统计分析功能和视频监控功能,运用可视化技术直观地把监测数据展示给监管人员以协助监管人员开展工作。本系统采用当前业界流行的J2EE架构作为整体方案的技术框架;系统性能优化方案采用了Nginx服务配合Tomcat集群实现负载均衡,提升了系统的并发能力;系统应用了Redis缓存集群服务,对一致性较弱但查询频繁的数据进行缓存,且Redis集群也避免了单点故障问题的发生;系统采用了MySQL集群方案,应用了keepalived故障自动解除服务,从而避免数据异常丢失和单点故障问题,提升了系统可用性。同时本课题研究了基于常见空气污染物的人工神经网络模型对PM_(10)浓度的预测。这部分的主要工作有以下六个方面:1.研究常见的空气污染物浓度预测模型,选择合适的模型作为本次研究的预测模型;2.获取和整理空气质量历史数据和系统内的历史数据;3.原始数据预处理,包括数据缺失处理、数据归一化等;4.确定模型的输入因子和输出结果;5.设计并训练基于常见空气污染物的BP神经网络;6.对模型的重要参数进行调整优化使模型达到较优的预测精度。最后通过实验分析证明,本预测模型具备一定预测能力。截至目前本系统在西安某政府部门稳定运行时间已达两年,实现了对建筑施工过程中产生的扬尘和噪音进行自动监测的功能,满足了部门监管需求,提高了部门监管效率。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X830;TP311.52
【图文】：

对比图,实际值,预测值,对比图

第五章基于 BP 神经网络的扬尘浓度预测研究51图5.4 实际值与预测值对比图5.6 本章小结本章首先确定了所使用的预测算法模型，然后通过对数据集的预处理得到符合模型输入输出的训练样本集，再建立了基于空气污染物的神经网络预测模型，并对模型的相关参数进行调整得到最佳的网络模型，最后对模型的预测结果进行了分析，结果表明基于空气污染物的神经网络预测模型的预测结果一定程度上可以反应出实际PM10浓度。

数据可视化,扬尘浓度,项目监测

7.3.1 数据可视化及统计分析模块数据可视化及统计分析模块主要实现了项目监测值曲线图、项目状态饼状图和项目状态排名列表等可视化图表。如图7.1所示，此图是系统统计管理页面的运行截图，图中上方的折线图表示监测点采集值的走势，其中紫色线代表本项目监测点的监测值，绿色线表示国家监测标准值，从图中可以看出两条线间较为吻合，表明施工现场扬尘浓度正常；图中的左下侧的饼状图中的图例有 4 中颜色，分别表示正常、轻度超标、重度超标和异常四种项目状态的项目数量占比。图中右下方的表格主要记录了监测项目扬尘浓度重度超标、轻度超标、正常和异常的项目监测点的具体信息，包括是时间、项目名、扬尘浓度、国测点浓度和超标情况等。图7.1 数据可视化运行截图

界面图,全局,地图,界面

10浓度均值未超标，红色点标记说明此项目监测到的扬尘浓度存在超标现象。图7.2 全局地图界面如图 7.3 所示，此图是项目视频实时监控画面，在系统中只要点击项目详情页面某项目的摄像头图标，会弹出此视频监控窗体，并自动播放监控画面。图7.3 施工工地实时监控画面

【相似文献】