[发明专利]一种隧道空气质量远程实时在线监测方法

权利要求书

1.一种隧道空气质量远程实时在线监测方法，其特征在于，该方法包括以下步骤：

步骤一、在隧道内布设多个空气质量监测节点，所述空气质量监测节点包括微处理器模块和为装置中各用电模块供电的电源模块，以及与微处理器模块相接的晶振电路、复位电路和用于通过5G网络与远程监控计算机通信的5G通信模块，所述微处理器模块的输入端接有第一A/D转换电路、第二A/D转换电路和第三A/D转换电路，所述第一A/D转换电路的输入端接有第一滤波放大电路，所述第一滤波放大电路的输入端接有空气质量传感器，所述第二A/D转换电路的输入端接有第二滤波放大电路，所述第二滤波放大电路的输入端接有瓦斯浓度传感器，所述第三A/D转换电路的输入端接有第三滤波放大电路，所述第三滤波放大电路的输入端接有粉尘传感器；

步骤二、数据实时采集及传输：每个空气质量监测节点中，空气质量传感器对隧道内的氨气、芳族化合物、硫化物、苯系蒸汽等有害气体的浓度进行实时检测，检测到的信号经第一滤波放大电路进行放大滤波，再经第一A/D转换电路进行A/D转换后输出给微处理器模块；瓦斯浓度传感器对隧道内的瓦斯浓度进行实时检测，检测到的信号经第二滤波放大电路进行放大滤波，再经第二A/D转换电路进行A/D转换后输出给微处理器模块；粉尘传感器对隧道内的粉尘浓度进行实时检测，检测到的信号经第三滤波放大电路进行放大滤波，再经第三A/D转换电路进行A/D转换后输出给微处理器模块；微处理器模块将其接收到的信号通过5G通信模块和5G网络发送给远程监控计算机；

步骤三、数据分析处理，得到隧道空气质量：远程监控计算机将氨气浓度、芳族化合物浓度、硫化物浓度、苯系蒸汽浓度、瓦斯浓度、粉尘浓度数据输入预先构建的空气质量预测神经网络模型中，得到空气质量预测神经网络模型的输出，所述空气质量预测神经网络模型的输出为隧道空气质量等级。

2.按照权利要求1所述的一种隧道空气质量远程实时在线监测方法，其特征在于：步骤三中所述空气质量预测神经网络模型的构建过程为：

步骤301、训练样本获取：将氨气浓度、芳族化合物浓度、硫化物浓度、苯系蒸汽浓度、瓦斯浓度、粉尘浓度的历史检测数据和与这组数据对应的空气质量等级构成训练样本；

步骤302、空气质量预测神经网络模型构建，使空气质量预测神经网络的输入节点对应氨气浓度、芳族化合物浓度、硫化物浓度、苯系蒸汽浓度、瓦斯浓度、粉尘浓度，对应BP神经网络输入层的节点数i＝6；使空气质量预测神经网络的输出节点对应空气质量等级，对应空气质量预测神经网络模型输出层的节点数k＝1；根据公式计算出空气质量预测神经网络模型隐含层的节点数j＝N；

步骤303、空气质量预测神经网络模型训练，其具体过程如下：

步骤3031、参数初始化：设定输入层到隐含层的连接权值w_ji为(-1,1)之间的随机数，隐含层到输出层的连接权值w_kj为(-1,1)之间的随机数，输出层的作用函数的斜率a为[0，1]之间的随机数，输出层的作用函数的偏置参数σ为[0，1]之间的随机数，误差修正的步长因子η为(0，1)之间的随机数，输出层的期望输出为[0，1]之间的随机数；

步骤3032、信息正向传递过程的计算：首先，将训练样本IN_i输入到空气质量预测神经网络模型的输入层，通过输入层到隐含层的连接权值w_ji得到隐含层的输入接着，通过隐含层的作用函数得到隐含层的输出IM_j＝tan(net₁(j))；然后，通过隐含层到输出层的连接权值w_kj得到输出层的输入最后，通过输出层的作用函数f(x)＝1/(1+e^-a(x+σ))得到输出层的输出Y(k)＝f(net₂(k))；

步骤3033、信息反向传递过程的计算：首先，根据公式计算得到样本模型的均方误差E_n；接着，根据公式计算得到总误差e，并判断总误差e是否小于等于0.01，当总误差e大于0.01时，首先，根据公式计算输出层的训练误差d_k，并根据公式计算出隐含层的训练误差d_j；接着，根据公式w_ji＝w_ji+ηd_jIN_i对输入层到隐含层的连接权值w_ji进行误差修正，并根据公式w_kj＝w_kj+ηd_kIM_j对隐含层到输出层的连接权值w_kj进行误差修正；然后，根据公式对输出层的作用函数的斜率a进行误差修正，并根据公式对输出层的作用函数的偏置参数σ进行误差修正；最后返回步骤3032；当总误差e小于等于预设误差阈值时，结束训练；其中，l为迭代次数且为自然数。