工业园区空气检测设备的关键技术研究和原型实现
发布时间：2021-03-21 02:26
工业园区空气检测主要是通过一系列由敏感膜材料组成的化学气体传感器阵列来采集气体数据,再经过电子电路将复杂的时间序列信号传输到人工智能算法的软件系统中,基于手工设计的特征选择方法如随机森林（RF）,主成分分析（PCA）,经由一些机器学习算法如支持向量机（SVM）,对特征进行训练,最后使用训练后的模型来识别未知气体的类别和浓度。传统气体检测设备的敏感膜材料因气体分子吸附而震动产生一种复杂的时间序列信号,在识别过程中,敏感膜材料的退化、外界的环境因素、气体的种类和浓度都会影响信号的产生,导致传感器漂移现象严重;而特征提取方法上也有人为的主观因素影响无法做到精确和全面;同时也发现使用不同的算法直接关系到气体检测结果的准确率。本文从传感器改造、特征提取和气体检测算法这三个关键层面进行技术研究,对传统工业气体检测系统提出了改进方案。方案中设计使用红外光学气体检测传感器阵列设备,是基于不同气体对红外波段的电磁波特征吸收原理制成的一种物理式分析仪器,针对不同种类的工业气体,只需要更换光学滤光片组件模块和调整程序参数即可。使用红外光学气体检测传感器阵列设备,可以提高收集气体样本数据的原始表征;其次引入深...
【文章来源】：上海应用技术大学上海市
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与意义
1.1.1 课题背景
1.1.2 意义和目的
1.2 工业气体检测设备研究现状和趋势
1.3 研究的主要内容和论文结构
1.3.1 本研究的核心内容
1.3.2 论文结构
1.4 文章出现的简称符号
第2章 传统工业气体检测设备关键技术
2.1 引言
2.2 电子鼻
2.3 特征提取与选择
2.3.1 手工设计特征
2.3.2 离散小波变换
2.3.3 主成分分析（PCA）
2.4 基于工业气体检测分类算法
2.4.1 支持向量机
2.4.2 最邻近结点算法
2.5 本章小结
第3章 红外光学气体检测设备设计
3.1 引言
3.1.1 红外气体检测概念
3.1.2 红外气体检测原理
3.1.3 红外气体检测模型
3.2 红外气体检测设备设计
3.2.1 红外气体检测程序设计
3.2.2 红外气体检测传感器设计
3.2.3 设备软件设计
3.3 采集数据原始表征对比
3.3.1 气敏传感器阵列采集数据
3.3.2 红外传感器阵列采集数据
3.4 本章小结
第4章 基于深度学习的工业气体检测
4.1 深度学习的理论基础
4.2 深度学习模型的原理
4.2.1 DBN深度信念网络
4.2.2 CNN卷积神经网络
4.2.3 RNN递归神经网络
4.2.4 CNN和 RNN的比较
4.3 数据预处理过程
4.4 自动完成提取特征变量
4.5 深度学习工业气体检测设计
4.6 实验设计
4.7 本章小结
第5章 工业气体检测设备传感器漂移补偿研究
5.1 实验数据
5.2 方案和结果
5.3 调参优化
5.4 在实际应用中的优势
5.5 本章小结
第6章 结论与展望
6.1 论文结论
6.2 论文在以下方面有所改进和优化
6.3 论文展望
参考文献
致谢
攻读学位期间发表的学术论文
【参考文献】：
期刊论文
[1]借鉴洛杉矶烟雾治理经验 探讨我国绿色治霾路径[J]. 姬学斌. 科技展望. 2017(06)
[2]层次分析法的改进及其在环境空气质量评价中的应用[J]. 杨帆,杨士林. 环境工程. 2016(S1)
[3]基于模糊数学法的京津冀地区空气质量评价[J]. 刘明婷,朱家明. 黑河学院学报. 2016(03)
[4]一种SVM多分类算法[J]. 孙少乙,黄志波. 微型机与应用. 2016(08)
[5]欧美发达国家大气污染控制经验[J]. 薛志钢,郝吉明,陈复,柴发合. 杭州(周刊). 2016(05)
[6]环境空气质量指数计算方法与分级方案比较[J]. 潘本锋,李莉娜. 中国环境监测. 2016(01)
[7]基于SVM多类分类器的字符识别[J]. 李雪花,许姜涤宇,于安军,杜宇人. 信息技术. 2016(01)
[8]近十几年上海空气质量变化动态及主要污染指标间的相关性分析[J]. 王寿兵,汪远安,马小雪. 复旦学报(自然科学版). 2015(02)
[9]基于逐步回归的空气质量影响因素分析——以呼和浩特市区为例[J]. 姜新华,刘霞,薛河儒,张存厚. 内蒙古农业大学学报(自然科学版). 2015(02)
[10]KNN数据挖掘算法在北京地区霾等级预报中的应用[J]. 熊亚军,廖晓农,李梓铭,张小玲,孙兆彬,赵秀娟,赵普生,马小会,蒲维维. 气象. 2015(01)
博士论文
[1]北京大气污染物时空变化规律及评价预测模型研究[D]. 刘杰.北京科技大学 2015
硕士论文
[1]基于机器学习的城市环境空气质量评价研究[D]. 赵楠.上海应用技术大学 2017
[2]基于深度学习的工业气体识别研究[D]. 李金宵.上海应用技术大学 2017
[3]基于层次分析法的地下水超采区划分及压采效果评价[D]. 赵敏.太原理工大学 2016
[4]基于多元统计和智能算法的上海市空气质量指数评价分析[D]. 周家师.兰州大学 2016
[5]有毒有害气体传感器阵列检测及数据融合研究[D]. 王婷.哈尔滨理工大学 2015
[6]基于机器学习的P2P网络流分类研究[D]. 丁里.江南大学 2015
[7]空气质量监测系统中多分类器的集成技术研究[D]. 党丽君.重庆大学 2014
[8]基于深度学习的气体识别研究[D]. 胡晓楠.电子科技大学 2014
[9]石家庄市“十一五”期间环境空气质量变化趋势分析及预测研究[D]. 张良.河北科技大学 2013
本文编号：3092137
【文章来源】：上海应用技术大学上海市
【文章页数】：57 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 研究背景与意义
1.1.1 课题背景
1.1.2 意义和目的
1.2 工业气体检测设备研究现状和趋势
1.3 研究的主要内容和论文结构
1.3.1 本研究的核心内容
1.3.2 论文结构
1.4 文章出现的简称符号
第2章 传统工业气体检测设备关键技术
2.1 引言
2.2 电子鼻
2.3 特征提取与选择
2.3.1 手工设计特征
2.3.2 离散小波变换
2.3.3 主成分分析（PCA）
2.4 基于工业气体检测分类算法
2.4.1 支持向量机
2.4.2 最邻近结点算法
2.5 本章小结
第3章 红外光学气体检测设备设计
3.1 引言
3.1.1 红外气体检测概念
3.1.2 红外气体检测原理
3.1.3 红外气体检测模型
3.2 红外气体检测设备设计
3.2.1 红外气体检测程序设计
3.2.2 红外气体检测传感器设计
3.2.3 设备软件设计
3.3 采集数据原始表征对比
3.3.1 气敏传感器阵列采集数据
3.3.2 红外传感器阵列采集数据
3.4 本章小结
第4章 基于深度学习的工业气体检测
4.1 深度学习的理论基础
4.2 深度学习模型的原理
4.2.1 DBN深度信念网络
4.2.2 CNN卷积神经网络
4.2.3 RNN递归神经网络
4.2.4 CNN和 RNN的比较
4.3 数据预处理过程
4.4 自动完成提取特征变量
4.5 深度学习工业气体检测设计
4.6 实验设计
4.7 本章小结
第5章 工业气体检测设备传感器漂移补偿研究
5.1 实验数据
5.2 方案和结果
5.3 调参优化
5.4 在实际应用中的优势
5.5 本章小结
第6章 结论与展望
6.1 论文结论
6.2 论文在以下方面有所改进和优化
6.3 论文展望
参考文献
致谢
攻读学位期间发表的学术论文
【参考文献】：
期刊论文
[1]借鉴洛杉矶烟雾治理经验 探讨我国绿色治霾路径[J]. 姬学斌. 科技展望. 2017(06)
[2]层次分析法的改进及其在环境空气质量评价中的应用[J]. 杨帆,杨士林. 环境工程. 2016(S1)
[3]基于模糊数学法的京津冀地区空气质量评价[J]. 刘明婷,朱家明. 黑河学院学报. 2016(03)
[4]一种SVM多分类算法[J]. 孙少乙,黄志波. 微型机与应用. 2016(08)
[5]欧美发达国家大气污染控制经验[J]. 薛志钢,郝吉明,陈复,柴发合. 杭州(周刊). 2016(05)
[6]环境空气质量指数计算方法与分级方案比较[J]. 潘本锋,李莉娜. 中国环境监测. 2016(01)
[7]基于SVM多类分类器的字符识别[J]. 李雪花,许姜涤宇,于安军,杜宇人. 信息技术. 2016(01)
[8]近十几年上海空气质量变化动态及主要污染指标间的相关性分析[J]. 王寿兵,汪远安,马小雪. 复旦学报(自然科学版). 2015(02)
[9]基于逐步回归的空气质量影响因素分析——以呼和浩特市区为例[J]. 姜新华,刘霞,薛河儒,张存厚. 内蒙古农业大学学报(自然科学版). 2015(02)
[10]KNN数据挖掘算法在北京地区霾等级预报中的应用[J]. 熊亚军,廖晓农,李梓铭,张小玲,孙兆彬,赵秀娟,赵普生,马小会,蒲维维. 气象. 2015(01)
博士论文
[1]北京大气污染物时空变化规律及评价预测模型研究[D]. 刘杰.北京科技大学 2015
硕士论文
[1]基于机器学习的城市环境空气质量评价研究[D]. 赵楠.上海应用技术大学 2017
[2]基于深度学习的工业气体识别研究[D]. 李金宵.上海应用技术大学 2017
[3]基于层次分析法的地下水超采区划分及压采效果评价[D]. 赵敏.太原理工大学 2016
[4]基于多元统计和智能算法的上海市空气质量指数评价分析[D]. 周家师.兰州大学 2016
[5]有毒有害气体传感器阵列检测及数据融合研究[D]. 王婷.哈尔滨理工大学 2015
[6]基于机器学习的P2P网络流分类研究[D]. 丁里.江南大学 2015
[7]空气质量监测系统中多分类器的集成技术研究[D]. 党丽君.重庆大学 2014
[8]基于深度学习的气体识别研究[D]. 胡晓楠.电子科技大学 2014
[9]石家庄市“十一五”期间环境空气质量变化趋势分析及预测研究[D]. 张良.河北科技大学 2013
本文编号：3092137
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3092137.html
