CN119470812A 一种甲烷排放实时监测系统及方法 （甘肃农业大学）

号本发明提供了一种甲烷排放实时监测系统制多点采样器对每一监测点按照预设的循环顺温度数据和湿度数据以及风速测量仪采集的风速数据通过卡尔曼滤波算法融合以校正甲烷浓2据以及风速测量仪采集的风速数据通过卡尔曼滤波算法融合以校正所述述甲烷传感器提供的甲烷浓度数据，并传输给与所述无线传输电路无线连接的终端设备；6.一种甲烷排放实时监测方法，由权利要求1_5中任一项所述的甲烷排放实时监测系获取多个监测点的按照预设的循环顺序采集的甲烷浓度数据、多基于所述第k时刻的预测状态值和预测协方差矩阵通过更新模型确定所述第k时刻的根据所述第k时刻的预测状态值和预测协方差矩阵以及所述第k时刻的更新值和更新3的最佳值；BX-1是控制矩阵；ut-1为控制输入；pxik-1是当前时刻k的预测协方差矩阵；9.根据权利要求7所述的甲烷排放实时监测方法，预测状态值和预测协方差矩阵通过更新模型确定所述第k时刻的更新值和更新协方差矩阵根据甲烷传感器、温湿度传感器和风速测量仪的精确度和分辨率确根据所述测量向量、所述测量噪声向量和所述状态向量确定测量方基于所述测量矩阵、所述测量噪声协方差矩阵以及第K时刻的预测协方差矩阵确定卡4烷排放量进行了研究。Denninger等使用中红外光谱对奶牛个体甲烷排放量的准确性做出5数据和湿度数据以及风速测量仪采集的风速数据通过卡尔曼滤波算法融合以校正所述甲[0014]基于所述第k时刻的预测状态值和预测协方差矩阵通过更新模型确定所述第k时[0015]根据所述第k时刻的预测状态值和预测协方差矩阵以及所述第k时刻的更新值和pik-1是当前时刻k的预测协方差矩6[0025]在一实施例中，在基于所述第k时刻的预测状态值和预测协方差矩阵通过更新模[0029]基于所述测量矩阵、所述测量噪声协方差矩阵以及第K时刻的预测协方差矩阵确[0030]基于所述卡尔曼增益、第K时刻的甲烷浓度数据和所述预测状态值确定所述更新通过卡尔曼滤波算法融合温湿度传感器采集的温度数据和湿度数据以及风速测量仪采集7的温度数据和湿度数据以及风速测量仪采集的风速数据通过卡尔曼滤波算法融合以校正滤波算法融合温湿度传感器采集的温度数据和湿度数据以及风速测量仪采集的风速数据，[0050]如图2所示，根据红外光谱理论，当一束光强为Io的红外光照射于某吸收介质表8[0051]I=I,子生产的AHT25型传感器。AHT25型传感器采用的是IIC协议，IIC即集成电路总线，是[0060]终端节点和协调器的主芯片选用TI公司的CC2530射频芯片，该芯片拥有Cortex_9中，速度和精度是系统效率的重要因素，因此，边缘计算控制器的微控制器选择[0070]甲烷传感器的采集电路使用LM393比较器对甲烷传感器的输出信号进行放大和处舍的多点实时监测。数据协调器在初始化完成后选择合适的网络参数建立数据传输网络，[0073]基于上述甲烷排放实时监测系统，本实施例还提供了一种甲烷排放实时监测方[0076]步骤S300：基于所述第k时刻的预测状态值和预测协方差矩阵通过更新模型确定据和风速数据作为目标数据。将每个类型传感器的数据模型纳入卡尔曼滤波框架进行处[0085]在一实施例中，在基于所述第k时刻的预测状态值和预测协方差矩阵通过更新模[0089]基于所述测量矩阵、所述测量噪声协方差矩阵以及第K时刻的预测协方差矩阵确[0090]基于所述卡尔曼增益、第K时刻的甲烷浓度数据和所述预测状态值确定所述更新度降低可以建立如下简单的关系：[0097]根据多点采样器对期望的采样效率可进行确定对应的控制输入ukt-1和对应