删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

VOCs在线监测设备数据识别能力的评估方法及应用

本站小编 Free考研考试/2021-12-31
张涛1,2,3,,
王新明1,,,
周炎3,
裴成磊1,2,4,
陈多宏3,
区宇波3,
陈春贻3
1.中国科学院广州地球化学研究所，有机地球化学国家重点实验室，广州 510640
2.中国科学院大学，北京 100049
3.广东省环境监测中心，国家环境保护区域空气质量监测重点实验室，广州 510308
4.广州市环境监测中心站，广州 510006
作者简介: 张涛(1984—)，男，博士研究生。研究方向：大气化学与地气交换。E-mail：15920314996@139.com.
通讯作者: 王新明,wangxm@gig.ac.cn ;

中图分类号: X85


Evaluation method and application of data recognition capability of VOCs online monitoring equipment

ZHANG Tao1,2,3,,
WANG Xinming1,,,
ZHOU Yan3,
PEI Chenglei1,2,4,
CHEN Duohong3,
OU Yubo3,
CHEN Chunyi3
1.State Key Laboratory of Organic Geochemistry, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China
2.University of Chinese Academy of Sciences, Beijing 100049, China
3.State Environmental Protection Key Laboratory of Regional Air Quality Monitoring, Guangdong Environmental Monitoring Center, Guangzhou 510308, China
4.Guangzhou Environmental Monitoring Center, Guangzhou 510006, China
Corresponding author: WANG Xinming,wangxm@gig.ac.cn ;

CLC number: X85

-->

摘要
HTML全文
图(3)表(3)
参考文献(15)
相关文章
施引文献
资源附件(0)
访问统计

摘要:为评估VOCs在线监测设备原始监测数据的准确性，建立了一种VOCs在线监测设备数据识别能力的评估方法。结果表明：8种VOCs在线监测设备在数据识别方面的表现存在一定的差异，原始数据与人工审核数据的平均相对偏差为?100%~56 652%；相较于高碳物种，低碳物种的原始数据与人工审核数据平均相对偏差更大；根据应用案例分析提出“数据识别指数”，对不同VOCs在线监测设备的数据识别能力进行定量区分。该方法可为今后VOCs在线监测设备评估工作提供一种全新的考核指标，还可以科学评判其他在线监测设备的快速分析应用能力。
关键词: 挥发性有机物/
在线监测/
评估方法/
数据识别能力/
指数

Abstract:In order to evaluate the accuracy of the original data of VOCs online monitoring equipments, an evaluation method for data recognition capability of VOCs online monitoring equipments was established. The results showed that there were some differences in the performance of the eight VOCs online monitoring equipments in data recognition capability, and the average relative deviation between original data and manual audit data ranged from ?100% to 56 652%. Compared with high-carbon species, a greater mean relative deviation between the original data and the manual audit data occurred for low-carbon species. According to the application case analysis, the data recognition index (DRI) proposed in this study could quantitatively distinguish the data recognition capability of different VOCs online monitoring equipments. This method not only provided a new assessment index for the evaluation of VOCs online monitoring equipments in the future, but also could make a scientific evaluation for the rapid analysis and application capability of other online monitoring equipments.
Key words:volatile organic compounds/
online monitoring/
evaluation method/
data recognition capability/
index.

加载中

图1实验地点
Figure1.Experimental location


下载: 全尺寸图片幻灯片


图2网络拓扑图
Figure2.Network topology


下载: 全尺寸图片幻灯片


图38种VOCs在线监测设备原始数据与人工审核数据的平均相对偏差
Figure3.Average relative deviation between raw data and manual audit data of 8 VOCs online monitoring devices


下载: 全尺寸图片幻灯片

表1采集指标
Table1.Gathering indicators
序号名称序号名称序号名称
1乙烯202-甲基戊烷39间/对二甲苯
2乙炔213-甲基戊烷40乙苯
3乙烷221-己烯41正壬烷
4丙烯23正己烷42苯乙烯
5丙烷242,4-二甲基戊烷43邻二甲苯
6异丁烷25甲基环戊烷44异丙苯
7正丁烯26苯45正丙苯
8正丁烷27环己烷461-乙基-2-甲基苯
9顺-2-丁烯282-甲基己烷471-乙基-3-甲基苯
10反-2-丁烯292,3-二甲基戊烷481,3,5-三甲苯
11异戊烷303-甲基己烷49对乙基甲苯
121-戊烯312,2,4-三甲基戊烷50癸烷
13正戊烷32正庚烷511,2,4-三甲苯
14反-2-戊烯33甲基环己烷521,2,3-三甲苯
152-甲基-1,3-丁二烯342,3,4-三甲基戊烷531,3-二乙基苯
16顺-2-戊烯352-甲基庚烷54对二乙苯
172,2-二甲基丁烷36甲苯55十一烷
18环戊烷373-甲基庚烷56十二烷
192,3-二甲基丁烷38正辛烷

序号名称序号名称序号名称
1乙烯202-甲基戊烷39间/对二甲苯
2乙炔213-甲基戊烷40乙苯
3乙烷221-己烯41正壬烷
4丙烯23正己烷42苯乙烯
5丙烷242,4-二甲基戊烷43邻二甲苯
6异丁烷25甲基环戊烷44异丙苯
7正丁烯26苯45正丙苯
8正丁烷27环己烷461-乙基-2-甲基苯
9顺-2-丁烯282-甲基己烷471-乙基-3-甲基苯
10反-2-丁烯292,3-二甲基戊烷481,3,5-三甲苯
11异戊烷303-甲基己烷49对乙基甲苯
121-戊烯312,2,4-三甲基戊烷50癸烷
13正戊烷32正庚烷511,2,4-三甲苯
14反-2-戊烯33甲基环己烷521,2,3-三甲苯
152-甲基-1,3-丁二烯342,3,4-三甲基戊烷531,3-二乙基苯
16顺-2-戊烯352-甲基庚烷54对二乙苯
172,2-二甲基丁烷36甲苯55十一烷
18环戊烷373-甲基庚烷56十二烷
192,3-二甲基丁烷38正辛烷

下载: 导出CSV
表2实验期间有效数据组统计表
Table2.Statistical table of valid data group during the experiment
设备开始日期开始时刻结束日期结束时刻有效数据组
数量/组		平均相对
偏差/%
A2019-06-0102:002019-07-1023:00848?100~1 799
B2019-06-0101:002019-07-1022:00810?42~11 539
C2019-06-0519:002019-07-1023:00781?98~24 078
D2019-06-0503:002019-07-1023:00702?100~1 627
E2019-06-1016:002019-07-1023:007010~3 443
F2019-06-0215:002019-07-1023:00793?60~16 057
G2019-06-0600:002019-07-1023:00661?50~1 814
H2019-06-1015:002019-07-1023:00606?100~56 652

设备开始日期开始时刻结束日期结束时刻有效数据组
数量/组		平均相对
偏差/%
A2019-06-0102:002019-07-1023:00848?100~1 799
B2019-06-0101:002019-07-1022:00810?42~11 539
C2019-06-0519:002019-07-1023:00781?98~24 078
D2019-06-0503:002019-07-1023:00702?100~1 627
E2019-06-1016:002019-07-1023:007010~3 443
F2019-06-0215:002019-07-1023:00793?60~16 057
G2019-06-0600:002019-07-1023:00661?50~1 814
H2019-06-1015:002019-07-1023:00606?100~56 652

下载: 导出CSV
表3每台设备可识别的物种数量和DRI
Table3.Number of species identified by each device and DRI of each device
评价物种设备S80%/种S60%/种S40%/种S20%/种S0/种DRI
56种VOCs
(C2~C12)		A14348270.49
B00211430.25
C261152120.73
D06812300.36
E00215390.27
F5210030.95
G3096470.78
H0001550.20
低碳VOCs
(C2~C5)		A2000150.29
B0024110.29
C1122020.84
D054350.51
E0001160.21
F1310030.85
G522350.59
H0000170.20
高碳VOCs
(C6~C12)		A12348120.57
B0007320.24
C15932100.69
D0149250.30
E00214230.29
F3900001.00
G2574120.87
H0001380.21
　　注：S80%指有效数据获取率在80%以上可识别的物种数量；S60%指有效数据获取率为60%~80%可识别的物种数量；S40%指有效数据获取率为40%~60%可识别的物种数量；S20%指有效数据获取率为20%~40%可识别的物种数量；S0指有效数据获取率在20%以下可识别的物种数量。

评价物种设备S80%/种S60%/种S40%/种S20%/种S0/种DRI
56种VOCs
(C2~C12)		A14348270.49
B00211430.25
C261152120.73
D06812300.36
E00215390.27
F5210030.95
G3096470.78
H0001550.20
低碳VOCs
(C2~C5)		A2000150.29
B0024110.29
C1122020.84
D054350.51
E0001160.21
F1310030.85
G522350.59
H0000170.20
高碳VOCs
(C6~C12)		A12348120.57
B0007320.24
C15932100.69
D0149250.30
E00214230.29
F3900001.00
G2574120.87
H0001380.21
　　注：S80%指有效数据获取率在80%以上可识别的物种数量；S60%指有效数据获取率为60%~80%可识别的物种数量；S40%指有效数据获取率为40%~60%可识别的物种数量；S20%指有效数据获取率为20%~40%可识别的物种数量；S0指有效数据获取率在20%以下可识别的物种数量。

下载: 导出CSV

[1] 唐孝炎, 张远航, 邵敏. 大气环境化学[M]. 北京: 高等教育出版社, 2006.
[2] WANG T, XUE L K, BRIMBLECOMBE P, et al. Ozone pollution in China: A review of concentrations, meteorological influences, chemical precursors, and effects[J]. Science of the Total Environment, 2016, 575: 1582-1596.
[3] Guangdong Provincial Environmental Monitoring Centre, Environmental Protection Department-Hong Kong SARG, Environmental Protection Bureau-Macao SARG, et al. Guangdong-Hong Kong-Macao Pearl River Delta regional air quality monitoring network: A report of monitoring Results in 2017[EB/OL]. [2019-12-20]. http://gdee.gd.gov.cn/protect/P0201806/P020180620/P020180620631772750308.pdf.
[4] WANG T, WEI X L, DING A J, et al. Increasing surface ozone concentrations in the background atmosphere of Southern China, 1994-2007[J]. Atmospheric Chemistry and Physics, 2009, 9(2): 6217-6227.
[5] 师耀龙, 柴文轩, 李成, 等. 美国光化学污染监测的经验与启示[J]. 中国环境监测, 2017, 33(5): 49-56.
[6] 韦方洋, 丁银, 黄欢, 等. 空气中挥发性有机物在线监测技术研究进展[J]. 中国资源综合利用, 2019, 37(2): 108-110.
[7] 刘兴隆, 曾立民, 陆思华, 等. 大气中挥发性有机物在线监测系统[J]. 环境科学学报, 2009, 29(12): 2471-2477. doi: 10.3321/j.issn:0253-2468.2009.12.002
[8] U. S. Environmental Protection Agency. Gas chromatograph (GC) evaluation study field deployment evaluation report[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/targetlist.pdf.
[9] U. S. Environmental Protection Agency. Gas chromatograph (GC) evaluation study laboratory evaluation phase report[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/labevalreport.pdf.
[10] U. S. Environmental Protection Agency. Review of EPA’s photochemical assessment monitoring stations (PAMS) network re-engineering project[EB/OL]. [2019-12-20]. https://www3.epa.gov/ttnamti1/files/ambient/pams/casacunsignedfinal.pdf.
[11] 上海市环境监测中心, 清洁空气创新中心, 深圳市环境科学研究院. 大气VOCs在线监测系统评估工作指南[EB/OL]. [2019-12-20]. http://www.cleanairchina.org/file/loadFile/186.html.
[12] 生态环境部. 环境空气挥发性有机物气相色谱连续监测系统技术及检测方法: HJ 1010-2018[S]. 北京: 中国环境科学出版社, 2018.
[13] 杨印蹼, 范军, 黄涛宏. GC-FID/MS中心切割法全在线监测环境空气中108种污染物[J]. 环境化学, 2018, 37(8): 1876-1879.
[14] FORTIN T J, HOWARD B J, PARRISH D D, et al. Temporal changes in U. S. benzene emissions inferred from atmospheric measurements[J]. Environmental Science & Technology, 2005, 39(6): 1403-1408.
[15] WEI W, CHENG S Y, LI G H, et al. Characteristics of volatile organic compounds (VOCs) emitted from a petroleum refinery in Beijing, China[J]. Atmospheric Environment, 2014, 89: 358-366. doi: 10.1016/j.atmosenv.2014.01.038



加载中


Turn off MathJax -->
WeChat 点击查看大图



图( 3)表( 3)
计量

文章访问数:862
HTML全文浏览数:862
PDF下载数:36
施引文献:0
出版历程

收稿日期:2020-03-04
录用日期:2020-06-24
网络出版日期:2021-01-13
-->刊出日期:2021-01-10



-->








VOCs在线监测设备数据识别能力的评估方法及应用

张涛1,2,3,,
王新明1,,,
周炎3,
裴成磊1,2,4,
陈多宏3,
区宇波3,
陈春贻3
通讯作者: 王新明,wangxm@gig.ac.cn ;
作者简介: 张涛(1984—)，男，博士研究生。研究方向：大气化学与地气交换。E-mail：15920314996@139.com 1.中国科学院广州地球化学研究所，有机地球化学国家重点实验室，广州 510640
2.中国科学院大学，北京 100049
3.广东省环境监测中心，国家环境保护区域空气质量监测重点实验室，广州 510308
4.广州市环境监测中心站，广州 510006
收稿日期: 2020-03-04
录用日期: 2020-06-24
网络出版日期: 2021-01-13
关键词: 挥发性有机物/
在线监测/
评估方法/
数据识别能力/
指数
摘要:为评估VOCs在线监测设备原始监测数据的准确性，建立了一种VOCs在线监测设备数据识别能力的评估方法。结果表明：8种VOCs在线监测设备在数据识别方面的表现存在一定的差异，原始数据与人工审核数据的平均相对偏差为?100%~56 652%；相较于高碳物种，低碳物种的原始数据与人工审核数据平均相对偏差更大；根据应用案例分析提出“数据识别指数”，对不同VOCs在线监测设备的数据识别能力进行定量区分。该方法可为今后VOCs在线监测设备评估工作提供一种全新的考核指标，还可以科学评判其他在线监测设备的快速分析应用能力。

English Abstract






全文HTML

--> --> --> 挥发性有机物(volatile organic compounds，VOCs)是大气对流层中非常重要的痕量组分，以多种重要角色参与大气化学反应过程，是一些区域环境问题、尤其是光化学污染的关键前体物与驱动者。因此，VOCs亦是大气复合污染的重要成因之一，对臭氧污染起到至关重要的影响[1]。近几年，我国臭氧污染问题日渐突出[2-4]，对VOCs的监测工作也越来越重视。有****指出，中国应尽快建立国家层面的光化学监测网络，完善光化学监测的技术体系与质量管理体系，为重点地区光化学污染防治工作提供监测数据支持[5]。2018年，生态环境部在包括京津冀及周边、长三角、珠三角、成渝、关中地区、辽宁中南部、武汉及周边城市的部分地区开展环境空气VOCs监测工作。监测方式包括手工监测与自动监测，直辖市、省会城市及计划单列市必须开展VOCs在线监测。2019年，生态环境部进一步扩大监测范围，并鼓励有能力的城市开展在线监测。至此，VOCs在线监测已经成为环境空气中VOCs监测的重要手段。
随着国家和地方对VOCs在线监测的重视程度不断提高，市面上涌现出众多VOCs在线监测设备。国外VOCs在线监测设备品牌有Chromatotec、Synspec、Perkin Elmer、Baseline、Markers、Agilent、Thermo等；国内品牌有武汉天虹、广州禾信、北京博赛德、杭州谱育、上海磐合、河北先河、北京鹏宇昌亚等；设备用到的检测方法包括GC-FID、GC-FID/MS及GC-PID/FID等[6-7]。国内外多个监测机构对种类繁多的VOCs在线监测设备开展了一系列比对评估实验：美国环境保护署(United States Environmental Protection Agency，USEPA)针对VOCs在线监测设备开展了实验室测试与现场测试相结合的比对实验，较全面地分析了参比设备的各项性能指标[8-10]；上海市环境监测中心则初步确定评价指标权重方法，并提出了系统建设、设备运行技术、设备维护方法和人员培训等相关要求[11]；中国环境监测总站于2018年发布了《环境空气挥发性有机物气相色谱连续监测系统技术及检测方法》(HJ 1010-2018)用以规范VOCs在线监测设备的性能和质量[12]。
由于VOCs属于痕量组分，且物种复杂[13]，其监测数据受预浓缩和检测方法等因素的影响，所以市面上绝大多数设备都需要在原始图谱上进行人工审核(重积分)，才能获得准确浓度结果。然而，对人工审核工作的依赖，极大降低了在线监测数据产生的效率，导致VOCs在线监测的原始数据很难直接快速分析应用，难以支撑日新月异的精细化环境管理工作。USEPA[8-10]和上海市境监测中心[11]等近年来针对大气VOCs在线监测设备的评估工作也未对输出的原始数据质量进行考量。为快速、准确获得VOCs在线监测设备的原始数据，本研究基于8台VOCs在线监测设备的比对实验，分析比较VOCs原始监测数据与经过重积分的人工审核数据，提出VOCs在线监测设备数据识别能力的评估方法，并明确了“数据识别指数(data recognition index，DRI)”计算方法。该方法为今后VOCs在线监测设备，甚至其他大型复杂在线监测设备的评估工作提供了一种全新的考核指标，也可对其他在线监测设备的快速分析及应用能力进行科学评判。

1. 研究方法

1.1. 实验地点与时间

实验地点在广州市环境监测中心站二楼(113.4055°E，23.0518°N)，海拔高6 m，位于广州市番禺区大学城，实验地点见图1。该区域属于大学城综合发展区，周边无明显污染源。


实验时间为2019年6月1日—7月10日。

1.2. 研究设备

选择市面上常见的8种VOCs在线监测设备开展研究：天虹TH-300B、博赛德BCT-7800A、禾信AC-GCMS 1000、磐合CIA+GCMS、鹏宇昌亚ZF-PKU-VOC1007、谱育EXPEC 2000、Thermo 5800 GM、先河XHVOC 6000。这些设备的检测方法均为GC-FID/MS。由于本研究目的为确定VOCs在线监测设备数据识别能力评估方法，为维护品牌利益，下文中仅用字母A~H代表以上设备，排名不分先后。
为确保研究期间仪器输出数据的稳定性及连贯性，8台VOCs在线监测设备的定期校准和维护、维修工作均由各厂家技术人员负责。

1.3. 网络部署

由于研究点位网络为单位内部网络，不能通过外部网络进行远程访问。为将各仪器设备接入外网，提前用4G无线路由器的方式，将设备接入外网。为实现对所有在线监测设备原始数据的采集，本研究通过双网卡组网，以文件共享方式进行采集。其网络拓扑图详见图2，具体操作步骤如下。


1)给各台VOCs在线监测设备加装一个USB无线网卡，并且现场安装一台无线路由器，将所有拟联网设备接入此无线网络。同时，将数据采集系统也接入此网络，从而组成一个内部局域网。
2)将每台仪器设备产出的文件设置为共享状态，默认只分配读取权限，可保证每台设备文件数据的安全。
3)数据采集系统可通过访问每台设备的主机名，查看每台设备共享出来的文件，从而进行数据的采集，然后再通过4G路由器连接的网络，将数据报送到联网平台。
这种安装方式具有以下优点：部署简单，无需另行布线；局域网文件共享方式，不消耗带宽，不会对原来的网络传输造成影响；不改变原设备工控机的系统环境，不会对仪器的软件造成影响；各网络相互独立，出现故障时不会相互影响。

1.4. 数据收集

原始数据的采集由数据采集软件通过共享文件的方式获取，其采集指标主要包括USEPA光化学污染监控网络(photochemical assessment monitoring station，PAMS)原56种VOCs监测结果等[14-15]，采集指标见表1，数据采集单位为nL·L?1，保留小数点后3位。





2. 结果与讨论

2.1. 原始数据与人工审核数据的相对偏差

研究期间共收集8台设备原始监测数据与人工审核数据相匹配的有效数据组5 902组(见表2)。由于设备联网时间有前有后，所以有效数据组的数量也有所不同。将获取的每个物种每个原始监测数据与人工审核数据进行比较，求二者的相对标准偏差，即可得到每个物种每次监测的相对偏差。根据每个物种每次监测的相对偏差，可求出此台设备该物种原始监测数据与人工审核数据的平均相对偏差。再将每台设备的所有物种进行归类，则可得到该设备原始监测数据与人工审核数据的平均相对偏差。




根据图3数据，8种VOCs在线监测设备表现存在一定的差异，原始数据与人工审核数据的平均相对偏差为?100%~56 652%(1-戊烯，设备H)。其中，平均相对偏差为?100%，则说明该设备并未能从原始数据图谱直接析出该物种，导致该物种的原始监测数据一直为0。相较于高碳物种，低碳物种的原始数据与人工审核数据平均相对偏差更大。然而，这种方法只能大致说明不同设备之间的表现有所差异，并不能用来定量评估每台设备在数据识别能力方面的优劣性。为科学评估VOCs在线监测设备的数据识别能力，有效提高原始监测数据的分析应用效率，建立一种定量区分VOCs在线监测设备数据识别能力的评估方法显得尤为重要。



2.2. VOCs在线监测设备数据识别能力评估方法的建立

针对以上问题，提出一种具有可操作性的VOCs在线监测设备数据识别能力的评估方法。
1)为评判不同VOCs在线监测设备的数据识别能力，首先将某一时刻的原始监测数据与人工审核数据进行比较，计算相对偏差，详见式(1)。
式中：i为VOCs某一物种；j为某一VOCs在线监测设备；xi,j为j设备i物种的原始监测数据；yi,j为j设备i物种的人工审核数据；${\sigma _{i,j}} $为某一时刻j设备i物种原始监测数据与人工审核数据的相对偏差。
2)假定|${\sigma _{i,j}} $|≤某一特定值(如初始设定为10%，即原始监测数据与人工审核数据的相对偏差在±10%以内，该指标可根据实际需要进行自定义调整)，则认为该时刻这一物种的原始监测数据满足分析应用要求。由于VOCs在线监测设备是连续运行的，根据以上内容，即可获得观测期间不同物种在相对偏差范围内的有效原始数据个数。根据式(2)得出连续运行时段内j设备i物种的有效数据获取率${\varUpsilon _{i,j}}$。
式中：${\varUpsilon _{i,j}}$为j设备i物种的有效数据获取率，ni,j是指j设备i物种的相对偏差在某一设定范围的有效原始数据个数；Ni,j为应有数据个数(扣除停电等不可抗力所造成的无效数据个数)。
3)将连续运行时段内某物种有效数据获取率按a、b、c···进行分类，可计算得出该设备连续运行时段内在不同有效数据获取率的可识别物种数量Sj，详见式(3)。
式中：a、b、c等分别为拟定的有效数据获取率区间范围，如90%、80%、70%等，该区间范围可根据实际需要进行自定义调整；Sa,j为连续运行期间j设备在无人为干预的情况下有效获取率达到a的物种数量；Sb,j、Sc,j则为j设备在不同有效数据获取率区间可识别的物种数量；Sj为该总的可识别物种数量。
4)随后通过式(4)计算该设备的DRI值。
式中：ADRI为数据识别指数；a为小于1的数字；b为小于a的数字，以此类推。
根据DRI的大小，即可对不同设备原始监测数据的识别能力进行评判。DRI越接近1，则表明该台设备的原始监测结果越接近人工审核结果，其监测结果的准确性越好，更能支撑后续的快速分析应用，其分析结果也更真实；DRI越小，则表示此台设备的原始监测结果越需要人工进行干预，原始监测数据越难以快速分析应用。

2.3. 应用案例分析

以本次VOCs在线监测设备比对结果为例，假定原始监测数据与人工审核数据的相对偏差阈值为10%(|σi,j|≤10%)，即认定该时刻这一物种原始监测数据满足分析应用要求。为了区分VOCs在线监测设备对56种VOCs(C2~C12)、低碳VOCs(C2~C5)和高碳VOCs(C6~C12)物种的数据识别能力，根据实验获得的有效原始监测数据量和式(2)可分别计算得出56种VOCs(C2~C12)、低碳VOCs(C2~C5)和高碳VOCs(C6~C12)物种的有效数据获取率${\varUpsilon _{i,j}}$。然后，再根据有效数据获取率分别按80%以上、60%~80%、40%~60%、20%~40%、20%以下等5个区间进行分类，确定不同级别可识别的物种数量。最后，根据式(4)计算得出每台VOCs在线监测设备对不同评价物种的DRI(见表3)。




由表3可知，针对56种VOCs(C2~C12)，A设备原始监测数据与人工审核数据相对偏差在±10%以内，有效数据获取率达到80%以上可识别的物种数为14种，有效数据获取率为60%~80%的物种数为3种，有效数据获取率为40%~60%的物种数为4种，有效数据获取率为20%~40%的物种数为8种，有效数据获取率在20%以下的物种数为27种，A设备的DRI为0.49。根据指数的大小，可以很明显的发现设备F的DRI最高，其原始监测结果最接近人工审核数据，可快速分析应用。各设备的数据识别能力由高到低依次为F、G、C、A、D、E、B和H，这也证明了本方法可对各台VOCs在线监测设备的数据识别能力进行定量区分。
表3中数据还表明，对高碳VOCs物种的数据识别能力最强的前3名设备分别是F、G和C，与56种VOCs(C2~C12)物种的表现相同；而对低碳VOCs(C2~C5)物种的数据识别能力最强的前3名则分别是设备F、C和G，这表明C设备低碳VOCs(C2~C5)物种的原始数据比G设备更加可靠，相反G设备高碳VOCs(C6~C12)物种的原始数据比C设备更加可靠。另外，设备A、E、F、G和H对高碳VOCs(C6~C12)物种的DRI大于低碳VOCs(C2~C5)物种的DRI，而设备B、C和D则恰恰相反。这说明不同VOCs在线监测设备对低碳VOCs(C2~C5)、高碳VOCs(C6~C12)物种的数据识别能力也有所区别。
在相同实验条件下，各台VOCs在线监测设备的DRI不同，反映出这些设备在数据识别能力方面的表现有所差异。这种差异的产生除与设备本身的预浓缩和检测方法不同有关，还与设备的日常运行维护情况、分析单元搭载的数采软件自动积分配置情况等有紧密联系。因此，在实际应用中，应注意这些因素对VOCs在线监测设备原始数据质量的影响，以提升设备的快速应用分析能力。
综上所述，本研究提出的DRI可定量反映VOCs在线监测设备的数据识别能力，特别是对本地排放量较大、臭氧生成潜势较高的VOCs物种的数据识别能力表征，会更有意义。同样，DRI对于大气颗粒物水溶性离子监测设备、重金属监测设备、有机碳/元素碳分析仪等其他在线监测设备也具有参考价值。

3. 结论
1) 8种VOCs在线监测设备在数据识别能力方面的表现存在一定的差异。原始数据与人工审核数据的平均相对偏差为?100%~56 652%。相较于高碳物种，低碳物种的原始监测数据与人工审核数据平均相对偏差更大。
2)为区分不同VOCs在线监测设备原始数据的准确性，评估每台设备的数据识别能力，本研究提出了DRI的计算方法。该指数的计算过程简单，结果显而易见，便于后期应用开发。
3)根据应用案例分析可知，DRI可对VOCs在线监测设备的数据识别能力进行定量区分。该评估方法不仅为VOCs在线监测设备的评估工作提供了一种全新的考核指标，而且对其他在线监测设备也具有一定的参考价值。

参考文献 (15)
相关话题/数据 网络 实验 工作 大气

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.