一种基于物联网的室内空气含菌量检测分析方法及系统与流程

1.本发明涉及含菌量监测技术领域，具体涉及一种基于物联网的室内空气含菌量检测分析方法及系统。


背景技术：

2.目前检测空气含菌量指标主要通过采集、培养、计数的方式进行，无法达到实时性、连续性的要求。现阶段传感器可以实时、精确的检测出空气中不同尺寸的颗粒物的数量，已知空气中的细菌、病毒、霉菌等都是以生物气溶胶的形式存在，传感器检测出的颗粒物包含生物气溶胶颗粒。目前，检测空气中生物气溶胶数量有通过荧光标定传感器的方式，但该种设备体积庞大，无法用于教室、医院等场景下。
3.现有技术cn201910499344.4公开了一种基于物联网的室内空气含菌量实时检测与分析方法、系统，包括：生成生物气溶胶检测浓度曲线；生成颗粒物浓度曲线；统计该设定时间范围内的环境参数；结合生物气溶胶浓度检测曲线和颗粒物浓度曲线，计算得到当前环境下的实时生物气溶胶浓度；结合房间类型，计算得到当前环境下的室内空气实时含菌量。本发明能够实现当前环境下的含菌量的实时检测，引导消毒、杀菌设备的启动，以及辅助室内环境应急处置的决策，另外，结合门禁子系统、拍摄子系统、环境检测子系统，对室内含菌量的变化趋势进行预估，实现提前预警，使指令更加精准，有效降低能耗，对高危环境及时预警，减少群体性卫生事件的发生，同时做到过程可跟踪，结果可追溯。
4.虽然上述现有技术能够实现对室内空气含菌量的实时监测，但是仍然存在一定的缺陷，比如：室内空气含菌量较大时，需要对室内含菌量表征数据进行更为密切的监测，以更好的掌握含菌量激增的影响因素，而在室内空气含菌量较小时，说明室内无导致含菌量激增的影响因素，则无需过于密切的监测，因此上述技术对于含菌量的多少进行无差别式监测，在含菌量较小时只会造成监测资源的浪费，而在含菌量较大时可能会造成对重要数据的遗漏，最终导致含菌量分析精度的降低，分析结果不可靠。


技术实现要素：

5.本发明的目的在于提供一种基于物联网的室内空气含菌量检测分析方法及系统，以解决现有技术中对于含菌量的多少进行无差别式监测，在含菌量较小时只会造成监测资源的浪费，而在含菌量较大时可能会造成对重要数据的遗漏，最终导致含菌量分析精度的降低，分析结果不可靠的技术问题。
6.为解决上述技术问题，本发明具体提供下述技术方案：
7.一种基于物联网的室内空气含菌量检测分析方法，包括以下步骤：
8.步骤s1、利用均匀遍布在室内空间中菌株检测装置实时采集得到的室内空气含菌量表征数据作为预测样本，并基于所述预测样本预测未来时刻的空气含菌量表征数据以掌握室内空气含菌量表征数据的发展趋势；
9.步骤s2、基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集
频率进行自适应调整，以使得菌株检测装置在未来时刻对室内空气含菌量表征数据进行分频段监测实现对菌株检测装置中采集线程的采集频率进行合理配置来匹配室内空气含菌量水平对有效/无效数据的采集需求，其中，所述自适应调整为控制菌株检测装置对空气含菌量水平高的室内进行高频率的空气含菌量表征数据采集，以及对空气含菌量水平低的室内进行低频率的空气含菌量表征数据采集以分别去除无效数据的冗余性和保留有效数据的多样性；
10.步骤s3、基于所述未来时刻的室内空气含菌量的采集频率对未来时刻的室内空气含菌量表征数据进行阶段性采集，循环执行步骤s1和步骤s2，实现对室内空气的全时段分频监测。
11.作为本发明的一种优选方案，所述实时采集室内空气含菌量表征数据作为预测样本，包括：
12.设定初始采集频率f0，所述初始采集频率表征为单位时间内的采集室内空气含菌量表征数据的个数；
13.基于初始采集频率f0对室内空气含菌量进行采集得到一组具有时序属性的空气含菌量表征数据所述时序属性是表征为空气含菌量表征数据的采集时刻，其中，表征为第i个采集时刻采集到的空气含菌量表征数据，ti表征为第i个采集时刻，i为计量常数，无实质含义，n为采集时刻的总数目；
14.将一组具有时序属性的空气含菌量表征数据依时序属性链接为一组预测样本
15.作为本发明的一种优选方案，所述基于所述预测样本预测未来时刻的空气含菌量表征数据，包括：
16.将一组预测样本输入至lstm神经网络预测得到在未来时刻处的空气含菌量表征数据其中，表征为未来时刻的空气含菌量表征数据，t
n 1
表征为未来时刻。
17.作为本发明的一种优选方案，所述基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集频率进行自适应调整，包括：
18.设定判定空气含菌量等级的含菌量阈值，并将未来时刻处的空气含菌量表征数据与含菌量阈值比较，其中，
19.当空气含菌量表征数据大于等于含菌量阈值，则预测在未来时刻t
n 1
处的空气含菌量高，对未来时刻t
n 1
处的空气含菌量的采集频率在初始采集频率f0的基础上进行自适应调整；
20.当空气含菌量表征数据小于含菌量阈值，则预测在未来时刻处的空气含菌量低，对未来时刻t
n 1
处的空气含菌量的采集频率在初始采集频率f0的基础上进行自适应调整。
21.作为本发明的一种优选方案，所述对未来时刻t
n 1
处的空气含菌量的采集频率在
初始采集频率f0的基础上进行自适应调整，包括：
22.当在未来时刻t
n 1
处的空气含菌量高，则将未来时刻t
n 1
处的空气含菌量的采集频率自适应调整为
23.当在未来时刻t
n 1
处的空气含菌量低，则将未来时刻t
n 1
处的空气含菌量的采集频率自适应调整为其中，a表征为常数系数。
24.作为本发明的一种优选方案，所述基于所述未来时刻的室内空气含菌量的采集频率对未来时刻的室内空气含菌量表征数据进行阶段性采集，包括：
25.步骤一、以未来时刻t
kn 1
为采集起点，未来时刻t
kn n
为采集终点，将未来时刻段[t
kn 1
,t
kn n
]设定为第k个监测阶段，以及将所述采集频率作为第k个监测阶段采集空气含菌量表征数据的频率，在第k个监测阶段内按采集频率进行室内空气含菌量采集得到一组空气含菌量表征数据并返回步骤s1预测得到第k 1个监测阶段的采集起点的空气含菌量表征数据
[0026]
步骤二、基于第k 1个监测阶段的采集起点的空气含菌量表征数据执行步骤s2得到第k 1个监测阶段的采集频率并在第k 1个监测阶段内基于第k 1个监测阶段的采集频率进行室内空气含菌量采集得到一组空气含菌量表征数据
[0027]
循环执行步骤一和步骤二，实现对室内空气含菌量进行连续的阶段性监测以完成全时段监测，k∈n

,k为计量常数，无实质含义，n

表征为正整数。
[0028]
作为本发明的一种优选方案，在将室内空气含菌量表征数据作为预测样本时，需要将一组具有时序属性的空气含菌量表征数据进行归一化处理，以消除数据间的量纲差异。
[0029]
作为本发明的一种优选方案，本发明提供了一种根据所述的基于物联网的室内空气含菌量检测分析方法的分析系统，包括：
[0030]
数据采集单元，用于实时采集室内空气含菌量表征数据作为预测样本，并基于所述预测样本预测未来时刻的空气含菌量表征数据；
[0031]
频率调整单元，用于基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集频率进行自适应调整，以使得菌株检测装置在未来时刻对室内空气含菌量表征数据进行分频段监测实现对菌株检测装置中采集线程的采集频率进行合理配置来匹配室内空气含菌量水平对有效/无效数据的采集需求，其中，所述自适应调整为控制菌株检测装置对空气含菌量水平高的室内进行高频率的空气含菌量表征数据采集，以及对空气含菌量水平低的室内进行低频率的空气含菌量表征数据采集以分别去除无效数据的冗余性和保留有效数据的多样性；
[0032]
监测应用单元，用于基于所述未来时刻的室内空气含菌量的采集频率对未来时刻
的室内空气含菌量表征数据进行阶段性采集，循环执行步骤s1和步骤s2，实现对室内空气的全时段分频监测。
[0033]
作为本发明的一种优选方案，所述数据采集单元、频率调整单元、监测应用单元中均集成有网络通信模块，并基于网络通信模块进行数据交互；
[0034]
所述数据采集单元包括菌株检测装置和数据处理cpu，所述菌株检测装置用于实时采集室内空气含菌量表征数据，所述数据处理cpu用于接收菌株检测装置反馈的室内空气含菌量表征数据，并将室内空气含菌量表征数据作为预测样本，以及基于所述预测样本预测未来时刻的空气含菌量表征数据所述预测样本预测未来时刻的空气含菌量表征数据。
[0035]
作为本发明的一种优选方案，监测应用单元还集成有预警单元，所述预警单元用于在所述室内空气含菌量表征数据高于含菌量阈值时进行预警。
[0036]
本发明与现有技术相比较具有如下有益效果：
[0037]
本发明通过lstm神经网络对室内含菌量表征数据进行预测得到未来时刻的室内含菌量表征数据，实现了对室内含菌量数据变化趋势的提前掌握，并根据室内含菌量表征数据在未来时刻的预测结果提前规划室内含菌量表征数据的采集频率，将采集频率自适应调整来适应含菌量变化，实现对含菌量的不同进行分频段实时监测，提高室内含菌量的分析精度。
附图说明
[0038]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
[0039]
图1为本发明实施例提供的室内空气含菌量检测分析方法流程图；
[0040]
图2为本发明实施例提供的分析系统结构框图。
[0041]
图中的标号分别表示如下：
[0042]
1-数据采集单元；2-频率调整单元；3-监测应用单元。
具体实施方式
[0043]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0044]
如图1所示，本发明提供了一种基于物联网的室内空气含菌量检测分析方法，包括以下步骤：
[0045]
在室内具有使含菌量激增的元素时，导致室内空气含菌量增至较大时，需要对室内含菌量表征数据进行更为密切的监测，以更好的掌握含菌量激增的影响因素，而在室内空气含菌量较小时，说明室内无导致含菌量激增的影响因素，则无需过于密切的监测，因此上述技术对于含菌量的多少进行无差别式监测，在含菌量较小时只会造成监测资源(本实施例中的菌株检测装置的采集线程)的浪费，而在含菌量较大时可能会造成对重要数据的
遗漏，最终导致含菌量分析精度的降低，分析结果不可靠，因此本发明提供了一种，实现对未来时刻的含菌量表征数据预估，并根据预估结果提前规划出采集频率，以适应含菌量的变化。
[0046]
步骤s1、利用均匀遍布在室内空间中菌株检测装置实时采集得到的室内空气含菌量表征数据作为预测样本，并基于所述预测样本预测未来时刻的空气含菌量表征数据以掌握室内空气含菌量表征数据的发展趋势；
[0047]
所述实时采集室内空气含菌量表征数据作为预测样本，包括：
[0048]
设定初始采集频率f0，所述初始采集频率表征为单位时间内的采集室内空气含菌量表征数据的个数；
[0049]
基于初始采集频率f0对室内空气含菌量进行采集得到一组具有时序属性的空气含菌量表征数据所述时序属性是表征为空气含菌量表征数据的采集时刻，其中，表征为第i个采集时刻采集到的空气含菌量表征数据，ti表征为第i个采集时刻，i为计量常数，无实质含义，n为采集时刻的总数目；
[0050]
将一组具有时序属性的空气含菌量表征数据依时序属性链接为一组预测样本
[0051]
初始采集频率f0可由使用者根据使用场景进行自行设定。
[0052]
所述基于所述预测样本预测未来时刻的空气含菌量表征数据，包括：
[0053]
将一组预测样本输入至lstm神经网络预测得到在未来时刻处的空气含菌量表征数据其中，表征为未来时刻的空气含菌量表征数据，t
n 1
表征为未来时刻。
[0054]
本实施例提供了一种空气含菌量表征数据的预测实例，假设采集频率为2次/小时，采集起始时刻为00:00:00，t1＝00:00:00，t2＝00:30:00，t3＝01:00:00，t4＝01:30:00，t5＝02:00:00，t6＝02:30:00，采集终止时刻为02:30:00，一共为6个采集时刻，采集到的一组具有时序属性的空气含菌量表征数据分别为将输入lstm神经网络中得到未来时刻03:00:00的空气含菌量表征数据
[0055]
步骤s2、基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集频率进行自适应调整，以使得菌株检测装置在未来时刻对室内空气含菌量表征数据进行分频段监测实现对菌株检测装置中采集线程的采集频率进行合理配置来匹配室内空气含菌量水平对有效/无效数据的采集需求，其中，所述自适应调整为控制菌株检测装置对空气含菌量水平高的室内进行高频率的空气含菌量表征数据采集，以及对空气含菌量水平低的室内进行低频率的空气含菌量表征数据采集以分别去除无效数据的冗余性和保留有效数据的多样性；
[0056]
所述基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集频率进行自适应调整，包括：
[0057]
设定判定空气含菌量等级的含菌量阈值，并将未来时刻处的空气含菌量表征数据与含菌量阈值比较，其中，
[0058]
当空气含菌量表征数据大于等于含菌量阈值，则预测在未来时刻t
n 1
处的空气含菌量高，对未来时刻t
n 1
处的空气含菌量的采集频率在初始采集频率f0的基础上进行自适应调整；
[0059]
当空气含菌量表征数据小于含菌量阈值，则预测在未来时刻处的空气含菌量低，对未来时刻t
n 1
处的空气含菌量的采集频率在初始采集频率f0的基础上进行自适应调整。
[0060]
所述对未来时刻t
n 1
处的空气含菌量的采集频率在初始采集频率f0的基础上进行自适应调整，包括：
[0061]
当在未来时刻t
n 1
处的空气含菌量高，则将未来时刻t
n 1
处的空气含菌量的采集频率自适应调整为
[0062]
当在未来时刻t
n 1
处的空气含菌量低，则将未来时刻t
n 1
处的空气含菌量的采集频率自适应调整为其中，a表征为常数系数。
[0063]
使随空气含菌量表征数据的增加而增加的递增函数，在空气含菌量表征数据增加时说明室内存在使含菌量增加的因素，从而需要对该因素进行详细分析得出因素的使含菌量变化的特征，而对该因素进行详细分析的前提是尽量多的掌握数据量，即尽量多的采集在空气含菌量表征数据呈增加趋势时的数据以掌握空气含菌量表征数据呈增加趋势时的数据量，因此此时需要将采集频率进行提高，能够很好的拟合处采集频率和空气含菌量表征数据正比例关系；
[0064]
在空气含菌量表征数据减少时说明产生室内含菌量的因素在减少，从而对室内的含菌量表征数据不具备分析出室内含菌量产生的主要因素的变化调整，此时尽量多的采集在空气含菌量表征数据呈减少趋势时的数据以掌握空气含菌量表征数据呈减少趋势时的数据量是没有必要的，数据量太多也不会增加分析精度反而会增加计算冗余性，而且对于数据采集设备也会造成数据通道资源的占用，因此此时需要将采集频率进行降低，因此利用进行采样频率的自适应调整，实现对空气含菌量高的室内进行高频率的空气含菌量表征数据采集，以及对空气含菌量低的室内进行低频率的空气含菌量表征数据采集，具有合理性。
[0065]
本实施例提供一种自适应调整采集频率的实例，将时刻03:00:00的空气含菌量表征数据与含菌量阈值进行比较，假设大于等于含菌量阈值，在时刻03:00:00处将采集频率调整为则并在03:00:00的后续6个时刻t
6 1
,t
6 2
,t
6 3
,t
6 4
,t
6 5
,
t
6 6
,即t7,t8,t9,t
10
,t
11
,t
12
,,依次类推，从而在t7,t8,t9,t
10
,t
11
,t
12
采集得到
[0066]
步骤s3、基于所述未来时刻的室内空气含菌量的采集频率对未来时刻的室内空气含菌量表征数据进行阶段性采集，循环执行步骤s1和步骤s2，实现对室内空气的全时段分频监测。
[0067]
所述基于所述未来时刻的室内空气含菌量的采集频率对未来时刻的室内空气含菌量表征数据进行阶段性采集，包括：
[0068]
步骤一、以未来时刻t
kn 1
为采集起点，未来时刻t
kn n
为采集终点，将未来时刻段[t
kn 1
,t
kn n
]设定为第k个监测阶段，以及将所述采集频率作为第k个监测阶段采集空气含菌量表征数据的频率，在第k个监测阶段内按采集频率进行室内空气含菌量采集得到一组空气含菌量表征数据并返回步骤s1预测得到第k 1个监测阶段的采集起点的空气含菌量表征数据
[0069]
步骤二、基于第k 1个监测阶段的采集起点的空气含菌量表征数据执行步骤s2得到第k 1个监测阶段的采集频率并在第k 1个监测阶段内基于第k 1个监测阶段的采集频率进行室内空气含菌量采集得到一组空气含菌量表征数据
[0070]
循环执行步骤一和步骤二，实现对室内空气含菌量进行连续的阶段性监测以完成全时段监测，k∈n

,k为计量常数，无实质含义，n

表征为正整数。
[0071]
本实施例提供了一种全时段监测实例，采集频率和时间段内相邻的时刻差呈倒数关系，比如t1～t6的采样频率为2次/小时，则t
2-t1＝00:30:00，在完成时间段t1～t6(00:00:00～02:30:00)内的数据采集得到预测出t7(03:00:00)的数据基于得到时刻t7后采样频率对时间段t7～t
12
进行数据采集得到预测得到出t
13
的数据基于得到时刻t
13
后采样频率对时间段t
13
～t
18
进行数据采集得到依次类推，实现对室内进行全时段监测。
[0072]
在将室内空气含菌量表征数据作为预测样本时，需要将一组具有时序属性的空气含菌量表征数据进行归一化处理，以消除数据间的量纲差异。
[0073]
如图2所示，基于上述物联网的室内空气含菌量检测分析方法，本发明提供了一种分析系统，包括：
[0074]
数据采集单元1，用于实时采集室内空气含菌量表征数据作为预测样本，并基于所述预测样本预测未来时刻的空气含菌量表征数据；
[0075]
频率调整单元2，用于基于未来时刻空气含菌量表征数据对未来时刻的室内空气含菌量的采集频率进行自适应调整，以使得菌株检测装置在未来时刻对室内空气含菌量表征数据进行分频段监测实现对菌株检测装置中采集线程的采集频率进行合理配置来匹配室内空气含菌量水平对有效/无效数据的采集需求，其中，所述自适应调整为控制菌株检测装置对空气含菌量水平高的室内进行高频率的空气含菌量表征数据采集，以及对空气含菌量水平低的室内进行低频率的空气含菌量表征数据采集以分别去除无效数据的冗余性和保留有效数据的多样性；
[0076]
监测应用单元3，用于基于所述未来时刻的室内空气含菌量的采集频率对未来时刻的室内空气含菌量表征数据进行阶段性采集，循环执行步骤s1和步骤s2，实现对室内空气的全时段分频监测。
[0077]
所述数据采集单元、频率调整单元、监测应用单元中均集成有网络通信模块，并基于网络通信模块进行数据交互；
[0078]
所述数据采集单元包括菌株检测装置和数据处理cpu，所述菌株检测装置用于实时采集室内空气含菌量表征数据，所述数据处理cpu用于接收菌株检测装置反馈的室内空气含菌量表征数据，并将室内空气含菌量表征数据作为预测样本，以及基于所述预测样本预测未来时刻的空气含菌量表征数据所述预测样本预测未来时刻的空气含菌量表征数据。
[0079]
监测应用单元还集成有预警单元，所述预警单元用于在所述室内空气含菌量表征数据高于含菌量阈值时进行预警。
[0080]
本发明通过lstm神经网络对室内含菌量表征数据进行预测得到未来时刻的室内含菌量表征数据，实现了对室内含菌量数据变化趋势的提前掌握，并根据室内含菌量表征数据在未来时刻的预测结果提前规划室内含菌量表征数据的采集频率，将采集频率自适应调整来适应含菌量变化，实现对含菌量的不同进行分频段实时监测，提高室内含菌量的分析精度。
[0081]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。