施工机械碳排放智能监测与管控策略.pdfVIP

检测技术及管理与标准石材

SHICAI

施工机械碳排放智能监测与管控策略

李昌隆

（中电建建筑集团有限公司，北京 100000）

摘要：本文提出一种基于物联网和人工智能技术的施工机械碳排放智能监测与管控系统，以提高监测

精度和管控效果。该系统通过传感器网络实时采集施工机械的工况数据，利用改进的长短期记忆神经

网络(LSTM)模型对碳排放进行预测，并结合多目标优化算法实现碳排放的智能管控。

关键词：施工机械；碳排放；智能监测；物联网；人工智能

1施工机械碳排放智能监测系统设计表1多源传感器数据采集（部分）

1.1系统整体架构传感器类型测量参数采样频率/Hz

本研究设计的施工机械碳排放智能监测与管控系燃料流量计燃料消耗率10

统采用三层架构：感知层、边缘层和云端层。感知层环境温度传感器环境温度0.1

环境湿度传感器环境湿度0.1

由部署在施工机械上的多源传感器组成，负责实时采

风速传感器环境风速0.1

集机械运行状态和环境参数。边缘层由嵌入式计算设

压力传感器发动机油压10

备构成，执行数据预处理和初步分析任务。云端层包

括高性能服务器集群，承担数据存储、深度学习模型1.3边缘计算与数据预处理

训练和碳排放预测等计算密集型任务。系统采用轻量边缘计算层部署在现场的边缘服务器上，负责数

级物联网协议MQTT实现层间通信，保证数据传输的据预处理和初步分析。数据预处理首先进行异常值检

实时性和可靠性。为应对施工现场复杂环境，系统集测，采用局部异常因子（LOF）算法识别并剔除异常

成了网格自组织网络技术，确保数据传输的稳定性。数据。缺失值填补使用基于时间序列特性的多重插补

系统还引入区块链技术，构建分布式账本，保证碳排法。数据同步采用时间戳对齐技术，确保不同传感器

放数据的真实性和不可篡改性，为碳交易和监管提供数据的时间一致性。特征提取方面，使用小波变换对

可信基础。振动信号进行时频分析，提取发动机工况特征；采用

1.2多源传感器数据采集主成分分析（PCA）降低数据维度，提取主要影响因

本系统在施工机械上部署多种传感器，全面采集素。边缘层还执行轻量级机器学习模型，如决策树算

影响碳排放的关键参数，见表1。燃料消耗传感器采法，进行实时异常检测和初步的碳排放估算。通过边

用高精度科里奥利质量流量计，实时监测燃料流量。缘计算，大幅减少了传输至云端的数据量，提高了系

发动机工况监测采用振动传感器和温度传感器，捕捉统响应速度，同时为后续的深度学习模型提供了高质

发动机运行状态。排放气体监测使用电化学传感器和量的输入数据。

红外吸收传感器，测量CO、CO、NOx等气体浓度。22基于改进LSTM的碳排放预测模型

机械位置和运动状态通过GNSS接收机和IMU惯性测2.1LSTM模型原理与改进

[1]本研究采用长短期记忆（LSTM）神经网络作为碳

量单元获取。环境参数监测包括温度、湿度、风速

传感器。为提高数据采集可靠性，系统采用冗余设计排放预测的基础模型，并针对施工机械碳排放特性进