一种用于危险废物贮存仓库环境风险监测系统的制作方法

本发明涉及危险废物贮存，尤其涉及一种用于危险废物贮存仓库环境风险监测系统。

背景技术：

1、危险废物是指列入国家危险废物名录或者根据国家规定的危险废物鉴别标准和鉴别方法认定的具有危险特性(包括腐蚀性、毒性、易燃性、反应性和感染性)的固体废物。近年来随着城市化和工业化进程的加快，危险废物的产生量保持高位增长。且危险废物种类繁多，成分复杂，整体呈现产生强度大、处置利用能力不足、污染事故频发的态势，对生态环境和人体健康带来巨大威胁，危险废物的贮存存在潜在风险，特别是事故发生之后，巨大公私财产损失与重大人身安全隐患，引发了公众对危险废物违规贮存的担忧。

2、由于危险废物的贮存存在潜在风险，目前的环境风险监测和防控手段是采用监控和采集器进行监控和数据采集，但是在危险废物贮存环节，难以量化环境风险，同时，缺乏基于数据分析和风险评估模型来准确评估潜在风险并设定风险等级，综上所述，为了应对这些问题，强化危险废物贮存过程的环境风险防控，本专利申请应运而生。

技术实现思路

1、为解决背景技术中存在的技术问题，本发明提出一种用于危险废物贮存仓库环境风险监测系统。

2、本发明提出的一种用于危险废物贮存仓库环境风险监测系统，包括：传感器模块、数据传输模块、数据处理与存储模块、风险评估模型模块和预警通知与应急响应模块，传感器模块与数据传输模块连接，数据传输模块与数据处理与存储模块连接，数据处理与存储模块与风险评估模型模块连接，风险评估模型模块和预警通知与应急响应模块连接；

3、传感器模块，用于对危险废物贮存仓库的环境风险进行实时监测，实时采集危险废物贮存仓库内的温度、湿度和气体浓度，在采集完成的瞬间，便会将数据发送至数据传输网关；确保数据的及时性和完整性，为后续的处理和分析提供坚实的数据基础

4、数据传输模块，数据传输网关在接收到传感器模块采集到的数据后，会立即展开初步处理和加密操作，处理和加密完成后，数据传输网关借助 lora 或 nb-iot 网络的通信方式，通过 lora 或 nb-iot 网络将数据传输至云服务器；选用 lora 或 nb-iot 无线传输技术，确保传感器采集的数据能够稳定、实时地传输到数据处理中心，配置数据传输网关，对传输的数据进行初步处理和加密，提高数据传输的安全性和可靠性

5、数据处理与存储模块，当云服务器成功接收到来自数据传输网关的数据后，随即启动大数据处理技术，利用大数据处理技术对数据进行清洗、分析和存储，清洗过程中剔除异常数据和重复数据，以确保数据的准确性和有效性，分析过程中计算各项参数的均值、方差等统计指标，并将处理后的数据存储至分布式数据库中；为后续的风险评估和决策制定提供强大的数据支持

6、构建基于云计算的大数据处理平台，能够处理海量的实时监测数据，采用分布式存储架构，确保数据的高可用性和持久性，数据存储时间不少于 5 年

7、风险评估模型模块，风险评估模型会按照预定的时间间隔，定期读取存储在分布式数据库中的监测数据，通过运用风险评估算法和模型，运用机器学习算法中的决策树或神经网络算法，建立风险评估模型，对这些数据进行全面的分析和评估，进行风险评估和等级划分，评估结果实时更新并存储在分布式数据库中；以便随时查询和调用，为及时采取相应的风险控制措施提供准确的依据。

8、预警通知与应急响应模块，当风险评估结果达到预警阈值时，预警通知模块立即启动，向相关人员发送预警信息，通知内容包括风险等级、可能的危害和建议采取的措施，同时，将预警信息记录在系统日志中，以便后续查询和分析，相关人员收到预警通知后，制定详细的应急响应方案，包括人员疏散路线、应急物资调配、救援措施，按照应急响应方案采取相应的措施，如启动通风设备、疏散人员、组织救援等。应急响应过程中的各项操作和处理结果及时反馈至系统，以便对后续的风险评估和应急响应方案进行优化和改进。

9、优选地，传感器模块包括：

10、温度传感器，监测仓库内不同区域的温度，精度为±0.5℃，测量范围为-40℃至125℃；

11、湿度传感器，测量仓库内的相对湿度，精度为±3%rh，测量范围为 0%rh 至 100%rh；

12、气体浓度传感器，测量仓库内的气体浓度，测量范围：0 - 1000 ppm（百万分之一），其精度在 0 - 200 ppm 范围内，精度为测量值的 ±5 ppm，其精度在 201 - 1000ppm 范围内，精度为测量值的 ±3% 。

13、优选地，数据处理与存储模块中：

14、设定：

15、云服务器接收到的原始数据集 d；

16、处理后存储在分布式数据库中的数据集 d' ，以及各项统计指标；

17、数据清洗中：

18、对于数据集 d 中的每个特征列 f：

19、计算该列的均值 μ(f) 和标准差 σ(f) ；

20、剔除满足条件 |x - μ(f)| > 3σ(f) 的数据点 x ，得到清洗后的数据集 d1；

21、从数据集 d1 中剔除重复的数据行，得到数据集 d2；

22、数据分析中：

23、对于数据集 d2 中的每个特征列 f；

24、计算均值：mean(f) = σx / n ，其中 x 是列中的数据值，n 是数据点的数量；

25、计算方差：variance(f) = σ(x - mean(f))² / n ；

26、数据存储中：

27、将处理后的数据 d2 以及计算得到的均值和方差存储至分布式数据库。

28、通过以上算法，实现对危险废物贮存仓库数据的清洗、分析和存储。

29、优选地，风险评估模型模块中，设定：

30、云服务器接收到的原始数据集 d；

31、处理后存储在分布式数据库中的数据集 d' ，以及各项统计指标；

32、数据清洗中：

33、对于数据集 d 中的每个特征列 f：

34、计算该列的均值 μ(f) 和标准差 σ(f) ；

35、剔除满足条件 |x - μ(f)| > 3σ(f) 的数据点 x ，得到清洗后的数据集 d1；

36、从数据集 d1 中剔除重复的数据行，得到数据集 d2；

37、数据分析中：

38、对于数据集 d2 中的每个特征列 f；

39、计算均值：mean(f) = σx / n ，其中 x 是列中的数据值，n 是数据点的数量；

40、计算方差：variance(f) = σ(x - mean(f))² / n ；

41、数据存储中：

42、将处理后的数据 d2 以及计算得到的均值和方差存储至分布式数据库。

43、优选地，风险评估模型模块中，设定：

44、历史监测数据，包括温度t、湿度、各种气体浓度c1，c2，...，cn，以及对应的风险等级标签r，分为低、中、高、极高；

45、数据预处理：

46、对输入的历史监测数据进行标准化处理，使得不同特征的量纲统一：

47、对于温度 t，转换为标准值 t' = (t - μ_t) / σ_t ，其中 μ_t 是温度的均值，σ_t 是温度的标准差；

48、对湿度和气体浓度进行相同处理；

49、特征组合与构建：

50、构建新的特征，气体浓度的组合、温度和湿度的交互项；

51、模型训练：

52、使用决策树时：

53、从根节点开始，计算每个特征的信息增益或基尼系数，选择信息增益最大或基尼系数最小的特征作为分裂特征，确定分裂点，将数据集分为子集，对每个子集重复上述步骤，直到满足停止条件；停止条件可设定为达到预定的树深度或子集中样本数量过少；

54、使用神经网络时：

55、初始化神经网络的权重和偏置：

56、前向传播：

57、计算每个神经元的输出值；

58、反向传播：

59、根据预测值和实际值的误差，调整权重和偏置；

60、重复前向传播和反向传播，直到模型收敛或达到预定的训练轮数；

61、模型评估：

62、使用验证集数据输入训练好的模型，得到预测的风险等级 r_pred ,计算准确率、召回率、f1 值；

63、风险等级划分:

64、根据模型的输出值，设定阈值来划分风险等级：

65、若输出值 < 阈值 1 ，则风险等级为低；

66、若阈值 1 <= 输出值 < 阈值 2 ，则风险等级为中；

67、若阈值 2 <= 输出值 < 阈值 3 ，则风险等级为高；

68、若输出值 >= 阈值 3 ，则风险等级为极高。

69、优选地，以下是计算准确率、召回率和 f1 值的方程式算法：

70、设定：

71、真正例tp（true positive）：实际为正例，预测也为正例的样本数；

72、真反例tn（true negative）：实际为反例，预测也为反例的样本数；

73、假正例fp（false positive）：实际为反例，预测为正例的样本数；

74、假反例fn（false negative）：实际为正例，预测为反例的样本数；

75、准确率的计算公式为：

76、accuracy = (tp + tn) / (tp + tn + fp + fn)

77、召回率的计算公式为：

78、recall = tp / (tp + fn)

79、f1 值的计算公式为：

80、f1 = 2 * (precision * recall) / (precision + recall)

81、其中，precision（精确率） = tp / (tp + fp)。

82、优选地，以下是使用决策树进行模型训练的具体方程式算法：

83、设定：

84、设数据集为，包含特征，和风险等级标签 ；

85、计算特征的信息增益或基尼系数：

86、对于特征，计算其信息增益 或基尼系数，

87、信息增益：

88、，

89、其中，，

90、是类别 在数据集中的比例，是特征 取值为的数据子集；

91、基尼系数：

92、，

93、选择分裂特征和分裂点：

94、选择信息增益最大或基尼系数最小的特征作为分裂特征，记为；

95、确定分裂点 ，将数据集分为两个子集和；

96、；

97、；

98、递归构建子树：

99、对子集和分别重复步骤计算特征的信息增益或基尼系数和选择分裂特征和分裂点，直到满足停止条件，停止条件为到预定的树深度或子集中样本数量过少；

100、重复以上步骤，直至构建出完整的决策树模型。

101、优选地，以下是使用神经网络进行模型训练的具体方程式算法：

102、设定：

103、随机初始化神经网络的权重和偏置；

104、前向传播：

105、对于输入层神经元，输入值为标准化和组合构建后的特征值；

106、对于隐藏层神经元，其输入为，输出为，其中为sigmoid函数：；

107、对于输出层神经元，其输入为，输出为预测值；

108、计算误差：

109、误差，其中 为实际的风险等级标签，为预测的风险等级值；

110、反向传播：

111、计算输出层的误差梯度：

112、计算隐藏层的误差梯度：

113、更新权重：，，其中 为学习率；

114、更新偏置：，；

115、重复步骤 前向传播、计算误差行业反向传播，直到模型收敛，误差小于预定值，或达到预定的训练轮数。

116、优选地，预警通知与应急响应模块，当风险评估结果达到预警阈值时，通过短信、邮件、app 推送等多种方式向相关人员发送预警通知，通知内容包括风险等级、可能的危害和建议采取的措施，制定详细的应急响应方案，包括人员疏散路线、应急物资调配、救援措施，按照应急响应方案采取相应的措施，如启动通风设备、疏散人员、组织救援。

117、本发明中，所提出的用于危险废物贮存仓库环境风险监测系统，具有如下有益的技术效果：

118、1.通过实时监测危险废物贮存仓库的温度、湿度和气体浓度的关键参数，能够及时发现潜在的环境风险，预防可能发生的环境污染和安全事故，利用大数据和云计算技术进行数据处理和存储，剔除异常和重复数据，计算均值、方差等统计指标，确保数据的质量和及时性，为准确的风险评估提供可靠基础，运用决策树或神经网络等机器学习算法建立风险评估模型，能够综合多因素进行全面、精确的风险评估，并划分不同的风险等级，使风险状况更加清晰明确。

119、2.当风险达到预警阈值时，能通过多渠道迅速向相关人员发送预警通知，同时制定应急响应方案，有助于及时采取措施，降低损失，保障人员和环境安全，本专利申请有助于强化危险废物贮存过程的环境风险防控，满足政府和企业的迫切需求，减轻公众对危险废物违规贮存的担忧，能够确保危险废物贮存仓库的安全稳定运行，降低事故发生的概率，保护公私财产和人身安全。

120、3.有助于合理分配资源用于防范和应对不同等级的风险，提高资源利用效率，有效减少危险废物对环境的潜在危害，符合可持续发展的要求，推动社会的绿色发展。

121、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。