一种基于实时监测和大数据学习技术的自动化智能风机管理系统及方法
技术领域
本发明属于污染物排放技术领域，具体涉及基于一种基于实时监测和大数据学习技术的自动化智能风机管理系统及方法。
背景技术
随着中国道路交通的发展，大量隧道被建设并投入使用。由于隧道内部属于半密闭空间，因此车辆在隧道通行过程中排放的硫化物、氮氧化物、细颗粒物等污染物会聚集在隧道内部。为了将这些污染排放到隧道外部，隧道内通常会设置大型风机。之前的风机单纯的被分散布置在隧道的各个位置，但是这些风机无法根据隧道内污染物浓度改变自己的开关与功率，导致风机长时间开启，不但对风机本身使用寿命造成影响，同时也会增加能源消耗。近期某些隧道内安装了污染物浓度传感器，这些传感器可以实施监控隧道内污染物浓度，并将这些信息传递到集控室，之后由人工控制风机的功率，但是这种由人工控制的方式会增加由人工失误造成事故的风险，同时增加人力成本。
发明内容
基于以上问题，本发明提出了一种基于实时监测技术和机器学习技术的智能隧道风机管理系统。
本发明的技术方案：
一种基于实时监测和大数据学习技术的自动化智能风机管理系统，包括污染物检测模块、模数(A/D)转换模块、经验模块、机器学习模块、单片机、数模(D/A)转换模块和执行模块；
所述的污染物检测模块包括用于检测汽车尾气污染物主要成分的一氧化碳(CO)传感器、氮氧化物(NOx)传感器和细颗粒物(PM2.5)传感器；所述污染物检测模块与模数(A/D)转换模块输入端相连；
所述的A/D转换模块用于将污染物检测模块监测到的污染物浓度由模拟量转换成数字量；所述A/D转换模块输出端分别与经验模块输入端和机器学习模块输入端相连；
所述的经验模块基于已有的隧道内污染物浓度与风机功率的实测数据，将污染物浓度进行分级，不同级别污染物浓度对应不同大小的风机功率，确保该浓度下的风机运行状态维持隧道内污染物浓度保持在合理的标准下；
所述的机器学习模块基于BP神经网络和大数据手段，将污染物检测模块测得的污染物浓度在时间历程中的变化进行统计，得到污染物浓度随时间变化的规律，对浓度变化进行预测，进而指导机构动作；机器学习模块由用户选装；
所述的单片机根据内置控制程序将经验模块和机器学习模块的分级结果和预测结果进行处理，得到控制风机功率大小的信号；所述单片机输入端分别与经验模块输出端和机器学习模块输出端；
所述的D/A转换模块将单片机的执行结果由数字量转换成模拟量，D/A转换模块的输入端与单片机输出端相连。
一种基于实时监测技术和大数据学习技术的自动化智能风机管理系统的工作过程如下：
步骤1：由污染物检测模块对隧道内的各项污染物(CO、NOX、PM2.5等)进行检测；
步骤2：A/D转换模块将上述实测值由模拟量转换成数字量，传输到经验模块和机器学习模块；
步骤3：经验模块对污染物浓度进行判断，将污染物浓度分级，运用分段函数将不同浓度级别对应不同的风机功率，之后将判断结果输出到单片机；
在某些特殊的隧道内，或当污染物浓度对应下的风机功率并不能将污染物排放至允许的标准范围内时，在经济允许情况下，可以借助机器学习模块，机器学习模块基于BP神经网络、大数据手段，总结污染物浓度随时间历程的变化规律，对隧道内的污染物浓度变化进行预测，将预测结果输出到单片机；
步骤4：单片机将经验模块和机器学习模块的分级结果和预测结果进行处理，得到控制风机功率大小的信号，进而传递到D/A转换模块；
步骤5：D/A转换模块将单片机输出的数字量转换成模拟量，传输到执行模块；
步骤6：执行模块根据单片机发出的指令做出相应的动作：根据经验模块对当前浓度的分级和机器学习模块对未来浓度的预测，执行模块会调整隧道内风机的功率，使隧道内的污染物浓度控制在对人体无害的浓度范围内。
与现有技术相比，本发明的有益效果：一种基于实时监测技术和机器学习技术的智能隧道风机管理系统可以使隧道内的风机系统实现自动化变频，系统可以根据隧道内污染物实时浓度调整风机功率，同时根据隧道内污染物浓度随时间历程的变化规律在车流量较大时提前提高风机功率。该系统可以实现完全自动化，减少由人为操作失误造成的隧道排风不畅的可能性，降低人力成本；根据车流量实时调整风机功率，减少能源浪费；根据车流量规律提前调整风机功率，提高隧道通行的舒适性和安全性。
附图说明
图1是一种基于实时监测和大数据学习技术的自动化智能风机管理系统。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
图1是一种基于实时监测技术和大数据学习技术的自动化智能风机管理系统结构示意图，如图1所示，该系统结构中包括污染物检测模块、模数(A/D)转换模块、经验模块、机器学习模块、单片机、数模(D/A)转换模块、执行模块。
其中，污染物检测模块包括一氧化碳(CO)传感器、氮氧化物(NOx)传感器和细颗粒物(PM2.5)传感器，在隧道内的不同位置均布有监测点，每个监测点均包含有上述传感器，监测点用于收集监测区域内各种污染物的浓度信息；之后浓度信息传递到模数(A/D)转换模块中并转为数字信息，进一步传递到经验模块和机器学习模块；经验模块基于已有的隧道内污染物浓度与风机功率的实测数据，将污染物浓度进行分级，不同级别污染物浓度对应不同大小的风机功率，确保该浓度下的风机运行状态可以维持隧道内污染物浓度保持在合理的标准下，保证污染物正常排放的情况下风机运行成本最低，这些分级信息将被传递到单片机；机器学习模块将利用BP神经网络、大数据学习等方法总结各检测区域内的污染物随时间历程的变化规律，对于日常通勤高峰期、节假日时期等车流量较大的时间段，该模块将控制隧道内各区域的风机提前进行运转，确保风机在车流量高峰期前就进入理想的工作状态，保证隧道内污染物浓度保持在不会危害隧道内人员健康的范围内，该模块的预测信息同样被传递到单片机，该模块相对于经验模块更加精确且能不断自我完善浓度变化数据，但是该模块的硬件成本较高，因此价格更贵，所以该模块可以由用户选装；单片机将经验模块和机器学习模块的分级结果和预测结果进行处理，得到控制风机功率大小的信号，进而传递到D/A转换模块；之后数模(D/A)转换模块会将数字信息转化为模拟信息，进一步传递到各区域的风机，从而达到控制效果。
以上所述仅为本发明的较佳具体实施方式，并不用以限制本发明的保护范围，任何熟悉本技术领域的技术人员通过简单修改或等效替换等均在本发明的保护范围内。
