本發明涉及通風換氣檢測,更具體地,涉及一種基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法。
背景技術:
1、室內通風換氣效率是室內環境健康的重要影響因素,室內通風換氣效率評價主要利用建筑或衛生行業標準制定的指標如通風換氣次數或新風量來評價,通風換氣次數和新風量兩個指標是通過換算關系獲得,傳統的方法主要是依靠示蹤氣體法檢測實驗計算通風換氣次數,再通過通風換氣次數結合室內空間容積和核定人數計算新風量。
2、國標gb/t18204.18-2000公共衛生室內新風量測定方法規定的示蹤氣體法有很高的科學性和準確性,能夠很好地反映室內空間的真實通風換氣效果。但該方法在實際使用和操作過程中有諸多難點,故在公共衛生日常檢查工作中難以得到推廣,舉例如下:
3、1.示蹤氣體檢測實驗的注入和混勻階段要求特別的環境設置如門窗關閉或新風系統的進氣/排氣口全部關閉,在實際的公共場所檢測過程中實際很難操作,并且帶來很大的人為干擾。
4、2.實際測試過程中,大空間的公共場所目前常用的方法不僅需要大量的示蹤氣體,成本較高,且很難在短時間內(比如5分鐘內)釋放足夠的示蹤氣體并在全空間內混勻。而且如果注入及/混勻的時間過長,注入和泄漏就同時發生,不僅造成示蹤氣體的浪費,而且直接影響檢測準確率甚至測試無效。
5、3.通風換氣測量實驗所使用的設備通常造價較高,體積較大,不便于攜帶。
6、4.通風換氣測量實驗所得到的數據僅是理想且固定變量下的通風換氣次數,并不具備實時性,且會因為人為因素等影響與實際情況有一定出入。
7、綜上所述,示蹤氣體檢測實驗方法具備較好的科學性和精度,但檢測實驗耗時長,人力和物力成本高,無法作為常態化檢測手段大面積覆蓋各類室內場所檢測。且由于檢測實驗法局限于某些特定的工況組合(如門窗/新風設備等狀態),檢測結果只是反映場所特定工況的靜態評價,該靜態評價和實際工況可能有很大的出入,無法準確反映現實使用過程中空間實際的通風換氣效率。
8、因此,傳統的通風換氣次數和新風量評價只是利用非常有限的實驗檢測數據,無法反映空間在長期使用過程中連續的通風換氣效率變化過程、趨勢以及對突發異常情況的監測。
技術實現思路
1、本發明提供一種基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,解決傳統示蹤氣體實驗法存在的技術問題。
2、為解決上述技術問題,本發明的技術方案如下:
3、本發明提供一種基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,包括以下步驟:
4、收集不同空間結構、不同工況和不同實驗條件下的隨時間變化的示蹤氣體濃度數據;
5、根據每次實驗的所述示蹤氣體濃度數據,計算通風換氣次數;
6、將所述通風換氣次數與所述示蹤氣體濃度數據融合,構建具備時間序列和空間序列的數據集;
7、根據所述數據集,訓練預設的機器學習模型,得到預測模型;
8、獲取室內空氣在線監測數據,所述室內空氣在線監測數據包括示蹤氣體濃度;
9、對所述室內空氣在線監測數據在預設周期內計算該周期內的濃度變化可用窗口;
10、將所述濃度變化可用窗口內的所述室內空氣在線監測數據輸入所述預測模型,得到通風換氣次數。
11、在上述技術手段中,改變傳統實驗法計算通風換氣次數,直接采用室內空氣質量在線監測的數據結合機器學習模型計算通風換氣次數,基于空間實際發生的氣體濃度變化的片段數據就能夠獲得高準確性的通風換氣效率評價。
12、進一步的,所述收集不同空間結構、不同工況和不同實驗條件下的隨時間變化的示蹤氣體濃度數據,包括:
13、采用示蹤氣體通風換氣實驗檢測法,不同空間結構、不同工況和不同實驗條件下設置多個檢測設備用于獲取示蹤氣體濃度數據,所述示蹤氣體濃度數據包括每個時刻的時間戳和該時刻各個檢測設備獲取的示蹤氣體濃度。
14、進一步的,根據所述示蹤氣體濃度數據,計算通風換氣次數,包括:
15、
16、式中,表示通風換氣次數,表示示蹤氣體的本底值,表示測量開始時的示蹤氣體濃度,表示測量時間為t時的示蹤氣體濃度,表示測量時間。
17、進一步的,將所述通風換氣次數與所述示蹤氣體濃度數據融合,構建具備時間序列和空間序列的數據集,包括:
18、將每個時刻計算得到的通風換氣次數與所述示蹤氣體濃度關聯融合后,形成包括時間戳、不同場所、不同工況、不同實驗條件示蹤氣體濃度和通風換氣次數記錄的數據集。
19、進一步的,對所述室內空氣在線監測數據在預設周期內計算該周期內的濃度變化可用窗口,當某一時段連續室內空氣在線監測數據滿足以下條件時,則該時段視為初步濃度變化可用窗口:
20、
21、式中,表示某一時段連續室內空氣在線監測數據中第個采樣點數據,表示采樣數量,表示濃度下降閾值,表示某一時段連續室內空氣在線監測數據最大的采樣點數據,表示某一時段連續室內空氣在線監測數據最小的采樣點數據;
22、取所有所述初步濃度變化可用窗口中最大的作為濃度變化可用窗口。
23、進一步的,將所述濃度變化可用窗口內的所述室內空氣在線監測數據輸入所述預測模型,得到通風換氣次數后,還包括以下步驟:
24、根據預測模型得到的通風換氣次數,計算當前場所的示蹤氣體濃度下降全過程變化:
25、
26、式中,為預測的t時刻的示蹤氣體濃度,為所述濃度變化可用窗口內最后一個示蹤氣體濃度,當與的差值低于預設閾值時,視為換氣完成。
27、進一步的,將預測的t時刻的示蹤氣體濃度與實際的下降過程中t時刻的示蹤氣體濃度比較,得到誤差數據,根據誤差數據迭代所述預測模型。
28、進一步的,將所述濃度變化可用窗口內的所述室內空氣在線監測數據輸入所述預測模型,得到通風換氣次數后,還包括以下步驟:
29、將所述室內空氣在線監測數據和對應的通風換氣次數進行可視化展示。
30、進一步的,利用所述預測模型對室內空間通風換氣次數進行長期預測,利用arima模型對長期預測的通風換氣次數進行建模,獲得通風換氣次數周期性變化和對未來通風換氣次數的估測。
31、進一步的,所述機器學習模型包括回歸模型。
32、與現有技術相比,本發明技術方案的有益效果是:
33、本發明利用實驗室模擬條件就能夠構建訓練通風換氣計算模型的數據集,在完成模型訓練后,就能夠結合在線監測設備的數據計算不同場所的通風換氣次數,無需再通過示蹤氣體法實驗,極大提高了對場所通風換氣次數檢測的能力,能夠實現低成本大范圍的通風換氣效率評價,同時,該模型結合在線監測的氣體濃度數據,還能夠預測濃度變化的趨勢,實現提前預測預警的目的。
1.一種基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,包括以下步驟:
2.根據權利要求1所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,所述收集不同空間結構、不同工況和不同實驗條件下的隨時間變化的示蹤氣體濃度數據,包括:
3.根據權利要求2所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,根據所述每次實驗的示蹤氣體濃度數據,計算通風換氣次數,包括:
4.根據權利要求3所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,將所述通風換氣次數與所述示蹤氣體濃度數據融合,構建具備時間序列和空間序列的數據集,包括:
5.根據權利要求4所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,對所述室內空氣在線監測數據在預設周期內計算該周期內的濃度變化可用窗口,當某一時段連續室內空氣在線監測數據滿足以下條件時,則該時段視為初步濃度變化可用窗口:
6.根據權利要求5所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,將所述濃度變化可用窗口內的所述室內空氣在線監測數據輸入所述預測模型,得到通風換氣次數后,還包括以下步驟:
7.根據權利要求6所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,將預測的t時刻的示蹤氣體濃度與實際的下降過程中t時刻的示蹤氣體濃度比較,得到誤差數據,根據誤差數據迭代所述預測模型。
8.根據權利要求5所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,將所述濃度變化可用窗口內的所述室內空氣在線監測數據輸入所述預測模型,得到通風換氣次數后,還包括以下步驟:
9.根據權利要求8所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,利用所述預測模型對室內空間通風換氣次數進行長期預測,利用arima模型對長期預測的通風換氣次數進行建模,獲得通風換氣次數周期性變化和對未來通風換氣次數的估測。
10.根據權利要求1至9任一項所述的基于預訓練的機器學習模型和室內空氣在線監測數據實現室內空間通風換氣次數計算的方法,其特征在于,所述機器學習模型包括回歸模型。