[发明专利]一种基于卷积神经网络算法的隧道空气质量监测方法

说明书

本发明公开了一种基于卷积神经网络算法的隧道空气质量监测方法，包括步骤：步骤一、在隧道内布设多个空气质量监测节点；步骤二、隧道空气质量相关数据实时采集及传输；步骤三、数据分析处理，得到隧道空气质量状况。本发明采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便，同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备，工作可靠性高，实用性强，使用效果好，便于推广使用。

技术领域

本发明属于空气质量控制技术领域，具体涉及一种基于卷积神经网络算法的隧道空气质量监测方法。

背景技术

在交通建设中，隧道建设将是必不可少的工程项目。以隧道为主的地下工程在开挖过程中由于对土体的扰动，土体会释放出各种对人员对装备不利的气体及产生大量扬尘，如瓦斯、粉尘等。由于这些气体无色无味且释放过程中不易被察觉以及粉尘难以沉降的特点，对其进行专门的监测是十分困难的。而这些有害气体、瓦斯、粉尘等对人体的危害极大，严重的，可能造成中毒死亡。

为了解决以上问题，根据市场调查，我们发现一些隧道中开始进行空气质量监测，但是，监测手段多局限于现场采用仪器设备进行单一污染源，粉尘或瓦斯的监测，功能单一，空气质量监测效果差。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于卷积神经网络算法的隧道空气质量监测方法，其采用了空气质量预测卷积神经网络模型进行隧道空气质量状况的预测，方法步骤简单，实现方便，同时采用了硫化物传感器、瓦斯浓度传感器和粉尘传感器对隧道内的空气质量进行监测，能够同时对硫化物、瓦斯和粉尘的浓度进行监测，功能完备，工作可靠性高，实用性强，使用效果好，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种基于卷积神经网络算法的隧道空气质量监测方法，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和复位电路，所述微处理器模块的输入端接有硫化物传感器、瓦斯浓度传感器和粉尘传感器；

步骤二、隧道空气质量相关数据实时采集及传输：每个空气质量监测节点中，硫化物传感器对隧道内的硫化物浓度进行实时检测并将检测到的信号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并将检测到的信号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并将检测到的信号输出给微处理器模块；

步骤三、数据分析处理，得到隧道空气质量状况：微处理器模块将硫化物浓度、瓦斯浓度、粉尘浓度数据输入预先构建并存储在其中的空气质量预测卷积神经网络模型中，得到空气质量预测卷积神经网络模型的输出，所述空气质量预测卷积神经网络模型的输出为隧道空气质量状况；

所述空气质量预测卷积神经网络模型的构建过程为：

步骤301、训练样本获取：将硫化物浓度、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状况构成训练样本；

步骤302、空气质量预测卷积神经网络构建：将所述空气质量预测卷积神经网络构建为包含输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的卷积神经网络；

输入层:用于输入硫化物浓度、瓦斯浓度和粉尘浓度；

卷积层C1：对输入的硫化物浓度、瓦斯浓度和粉尘浓度卷积，卷积核取11*11，步长取4；

池化层S2：对卷积层C1卷积后的数据进行降维处理；

卷积层C3：对池化层S2降维后的数据卷积；

池化层S4：对卷积层C3卷积后的数据进行降维处理；