气体浓度检测方法、装置、系统及存储介质制造方法及图纸

本发明专利技术公开了一种气体浓度检测方法、装置、系统及存储介质，其中，气体浓度检测方法包括以下步骤：通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果。本发明专利技术公开的气体浓度检测方法可解决现有的气体浓度检测方法输出结果不精准的技术问题。测方法输出结果不精准的技术问题。测方法输出结果不精准的技术问题。

【技术实现步骤摘要】
气体浓度检测方法、装置、系统及存储介质


[0001]本专利技术属于气体检测
，具体涉及一种气体浓度检测方法、装置、系统及存储介质。

技术介绍

[0002]目前，低成本电化学传感器的出现，为空气质量监测提供了经济和便利的方案，在众多的气体检测领域均采用气体传感器作为主要检测输入数据。
[0003]现有技术中通过气体传感器进行的气体检测方法中，由于传感器的选择性比较差，因此会出现对非监测气体也有电压响应的现象，如NO2传感器对SO2气体的输入会有明显的响应，即现有技术中的气体检测方法中存在气体选择性较差，使得输出气体浓度结果不精准的问题。

技术实现思路

[0004]为了克服现有技术的上述缺点，本专利技术的目的在于提供一种气体浓度检测方法、装置、系统及存储介质，旨在解决现有的气体浓度检测方法输出结果不精准的技术问题。
[0005]本专利技术为达到其目的，所采用的技术方案如下：
[0006]一种气体浓度检测方法，包括以下步骤：
[0007]通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
[0008]获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；
[0009]所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
[0010]其中，所述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤，包括：
[0011]获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
[0012]以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
[0013]根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
[0014]利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。
[0015]进一步地，所述利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型的步骤，包括：
[0016]将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓
度值；
[0017]根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；
[0018]若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。
[0019]进一步地，所述目标神经网络模型包括输入层、中间层、线性层以及输出层；
[0020]通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；
[0021]通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层；
[0022]通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；
[0023]通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。
[0024]进一步地，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块；
[0025]所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；
[0026]所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；
[0027]所述Linear+LSTM模块，用于记录所述输入层中所有电压数据输出点的所述电压数据，并生成所述第二特征传输至所述线性层。
[0028]进一步地，所述输入层包括若干个气体传感器，每一所述气体传感器与每一所述LSTM模块一一对应连接，且所有所述气体传感器分别与各个所述LSTM模块连接；
[0029]所述气体传感器，用于检测所述目标气体的浓度，并生成与所述目标气体的浓度相对应的所述第一电压信息。
[0030]进一步地，所述线性层包括若干个Linear模块；
[0031]所述Linear模块与所述中间层全连接；所述Linear模块对所述第一特征和第二特征进行综合处理，生成输出特征并传输至所述输出层。
[0032]进一步地，所述根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度的步骤，包括：
[0033]判断所述预测浓度值与所述已知浓度值之间的比值是否小于预设阈值；
[0034]若所述预测浓度值与所述已知浓度值之间的比值小于预设阈值，则判定所述神经网络模型的训练精度已达到预设精度。
[0035]对应地，本专利技术还提出一种气体浓度检测装置，其特征在于：
[0036]训练模块，用于通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；
[0037]获取模块，用于获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目
标气体的第二电压信息；
[0038]处理模块，用于触发所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；
[0039]其中，所述训练模块包括：
[0040]样本单元，用于获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；
[0041]采样单元，用于以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；
[0042]响应单元，用于根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；
[0043]目标单元，用于利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。
[0044]对应地，本专利技术还提出一种气体浓度检测系统，所述气体浓度检测系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的气体浓度检测程序，所述气体浓度检测程序配置为实现如前述的气体浓度检测方法的步骤。
[0045]对应地，本专利技术还提出一种存储介质，其上存储有气体浓度检测程序，所述气体浓度检测程序被处理器执行时实现如前述的气体浓度检测方法方法的步骤。
[0046]与现有技术相比，本专利技术的有益效果是：
[0047]本专利技术提出的气体浓度检测方法，建立预设的神经网络模型，并对神经网络模型进行训练进行反复迭代训练，得到目标神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气体浓度检测方法，其特征在于，包括以下步骤：通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型；获取预设时间段内待测气体的电压数据，并将所述电压数据作为所述目标神经网络模型的输入；其中，所述电压数据包括目标气体的第一电压信息和非目标气体的第二电压信息；所述目标神经网络模型根据所述预设时间段内的所述电压数据输出所述目标气体的气体浓度结果；其中，所述通过预定的训练方式对预设的神经网络模型进行训练，得到目标神经网络模型的步骤，包括：获取气体样本，其中，所述气体样本包括一种或多种已知浓度的所述目标气体以及一种或多种已知浓度的所述非目标气体；以预设的采样周期记录所述气体样本中各类气体的已知浓度值以及与所述已知浓度值相对应的响应电压值；根据所记录的所述已知浓度值和所述响应电压值，生成训练数据集，其中，所述训练数据集用于表示所述已知浓度值与所述响应电压值之间的一一映射关系；利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型。2.根据权利要求1所述的气体浓度检测方法，其特征在于，所述利用所述训练数据集对所述神经网络模型进行训练，得到所述目标神经网络模型的步骤，包括：将所述训练数据集中的所述响应电压值输入至所述神经网络模型中，输出预测浓度值；根据所述已知浓度值和所述预测浓度值，判断所述神经网络模型的训练精度是否达到预设精度；若所述神经网络模型的训练精度未达到预设精度，则调节所述神经网络模型的连接权值，并反复利用所述训练数据集中的所述响应电压值对所述神经网络模型进行训练，直至所述神经网络模型的训练精度达到预设精度为止，获得训练完成的所述目标神经网络模型。3.根据权利要求1所述的气体浓度检测方法，其特征在于，所述目标神经网络模型包括输入层、中间层、线性层以及输出层；通过所述输入层对所述待测气体进行处理，生成所述电压数据并传输至所述中间层；通过所述中间层对所述电压数据进行处理，输出第一特征和第二特征并传输至所述线性层；通过所述线性层对所述第一特征和所述第二特征进行综合降维处理，生成的输出特征并传输至所述输出层；通过所述输出层对所述输出特征进行处理，生成所述目标气体浓度结果。4.根据权利要求3所述的气体浓度检测方法，其特征在于，所述中间层包括若干个LSTM模块和若干个Linear+LSTM模块；所述LSTM模块与所述输入层单点连接，所述Linear+LSTM模块与所述输入层全连接；所述LSTM模块，用于对应记录所述输入层中相应电压数据输出点的所述电压数据，并生成所述第一特征传输至所述线性层；
所述Linear+LSTM模块，用于...

【专利技术属性】
技术研发人员：张汉辉，
申请(专利权)人：深圳市天得一环境科技有限公司，
类型：发明
国别省市：