本发明专利技术公开了一种气体传感器气体浓度智能化软测量的方法，包括步骤如下：气体传感器通过与被测气体发生反应并产生与气体浓度成正比的电信号，将该类电信号通过信号转换程序转换成数字信号AD值；数字信号AD值采集程序读取气体传感器与气体发生反应后15s内的数字信号AD值，将其输入至数字信号处理程序中；对数字信号AD值进行特征提取，将提取后的特征输入至深度学习模型中，最终提前输出真实的气体浓度值。本发明专利技术利用数字信号AD值的特征信息与深度学习方法和智能化软测量方法，填补了气体传感器气体浓度智能化软测量方法的空缺。感器气体浓度智能化软测量方法的空缺。感器气体浓度智能化软测量方法的空缺。
【技术实现步骤摘要】
一种基于深度学习的气体传感器气体浓度智能化软测量方法
[0001]本专利技术属于智能化软测量
，具体涉及一种基于深度学习的气体传感器气体浓度智能化软测量方法。
技术介绍
[0002]在实际工业系统中，存在许多与生产过程密切相关的主导变量，由于成本或技术等原因，无法通过传感器直接对其进行实时测量，使得实时控制和过程优化变得十分困难。软测量(Soft sensor)致力于解决上述问题，通过将易于采集且和主导变量具有较强相关性的过程变量作为输入，将主导变量作为输出，建立相应的模型，从而实现对主导变量的实时预测。
[0003]经过近三十年中的发展，软测量逐渐成为主流的工业过程中主导变量的测量方法。软测量将生产过程知识有机结合，运用计算机技术，通过软件(Software)实现与硬件传感器(Sensor)类似的功能。该策略可以克服主导变量难以实时采集、采集成本较高等工业难题，因此软测量的运用具有广泛的现实意义和巨大的实际价值。
[0004]面对日益复杂的工业系统，采用传统建模方法的软测量(如机理模型驱动的软测量)难以匹配其数据高维度、变量关系非线性、过程时变性和动态性等复杂特性。然而，随着计算资源的迅速增加和与之配套的深度学习、深度学习等理论的日趋成熟，采用数据驱动的软测量已经成为工业过程中较好的选择，并得到了广泛的运用。事实上，将机理模型驱动和数据驱动两类软测量优点相结合的混合模型驱动的软测量，在某些工业过程中可以取得更好的效果。因此，如何让深度学习、深度学习技术赋能混合模型驱动的软测量成为了目前关注的热点。
[0005]气体传感器通过让气体分子在电极处发生氧化还原反应，将有关气体浓度的信息转换成电信号(表现为电流信号)，根据电信号的强弱获得与气体在环境中存在情况有关信息。
[0006]通常情况下，气体传感器需要气体稳定通入一段时间(约5min)才能收敛稳定。这种较长的等待时间对于使用气体传感器进行气体监测的工业过程来说是不利的。
技术实现思路
[0007]针对于上述现有技术的不足，本专利技术的目的在于提供一种基于深度学习的气体传感器气体浓度智能化软测量方法。
[0008]为达到上述目的，本专利技术采用的技术方案如下：
[0009]本专利技术的一种基于深度学习的气体传感器气体浓度智能化软测量方法，包括步骤如下：
[0010](1)气体传感器通过与被测气体发生反应并产生与气体浓度成正比的电信号，将该类电信号通过信号转换程序转换成数字信号AD值；
[0011](2)数字信号AD值采集程序读取气体传感器与气体发生反应后15s内的数字信号
AD值，将其输入至数字信号处理程序中；
[0012](3)对数字信号AD值进行特征提取，将提取后的特征输入至异常判断模块中，并进行异常情况判断：
[0013](3.1)如不存在异常，则将提取后的特征输入至深度学习模型中，最终提前输出真实的气体浓度值；
[0014](3.2)如存在异常，则将提取后的特征输入至实时浓度转换程序中，输出实时的气体浓度值。
[0015]优选地，所述步骤(3)中对数字信号AD值进行特征提取具体包括：根据一段时间范围内气体传感器的数字信号AD值的波动范围确定的气体传感器的标值零点，计算公式如下：
[0016][0017]其中StableValue是气体传感器的标值零点，maxValue是该时间范围内气体传感器数字信号AD值的最大值，minValue是该时间范围内气体传感器数字信号AD值的最小值。
[0018]优选地，所述步骤(3)中对数字信号AD值进行特征提取并输入至异常判断模块具体还包括：对数据信号AD值按每个0.5s时间间隔进行分类存储，将存储后的数据信号AD值集合输入至异常判断模块中。
[0019]优选地，所述步骤(3)中对数字信号AD值进行异常情况判断具体包括：
[0020]1.如果输入至异常判断模块的数字信号AD值集合中前10个数据点存在数字信号AD值大于2000或前10个数据点内相邻的数据点差值达到300以上，即认为处于气体传感器的异常情况中的极化状态。判断公式如下：
[0021][0022]其中AD[i]是输入至异常判断模块中的数字信号AD值集合的第i个数据点，i的范围为0～10。
[0023]2.如果输入至异常判断模块的数字信号AD值集合中相邻数据点的数字信号AD值出现递减情况，即认为处于气体传感器的异常情况中的气体消失状态。判断公式如下：
[0024][0025]其中AD[i]是输入至异常判断模块中的数字信号AD值集合的第i个数据点，i的范围为0～n，其中n为集合的长度。
[0026]优选地，所述步骤(3.1)中不存在异常，则将提取后的特征输入至深度学习模型中，最终提前输出真实的气体浓度值具体包括：采用的深度学习模型为BP神经网络模型。
[0027]优选地，所述步骤(3.2)中存在异常，则将提取后的特征输入至实时浓度转换程序中，输出实时的气体浓度值具体包括：将提取后的实时特征数字信号AD值通过AD值与浓度的转换公式进行转换后实时输出。转换计算公式如下：
[0028][0029]其中AD
now
是提取后的实时特征数字信号AD值，AD
max
是传感器的AD值量程最大值，AD
min
是传感器的AD值量程最小值。
[0030]本专利技术的有益效果：
[0031]本专利技术利用数字信号AD值的特征信息与深度学习方法和智能化软测量方法，填补了气体传感器气体浓度智能化软测量方法的空缺。
附图说明
[0032]图1为基于深度学习的气体传感器气体浓度智能化软测量方法框架的原理示意图。
具体实施方式
[0033]为了便于本领域技术人员的理解，下面结合实例与附图对本专利技术作进一步的说明，实施方式提及的内容并非对本专利技术的限定。
[0034]参照图1所示，本专利技术提供一种基于深度学习的气体传感器气体浓度智能化软测量方法，包括步骤如下：
[0035](1)气体传感器通过与被测气体发生反应并产生与气体浓度成正比的电信号，将该类电信号通过信号转换程序转换成数字信号AD值；
[0036](2)数字信号AD值采集程序读取气体传感器与气体发生反应后15s内的数字信号AD值，将其输入至数字信号处理程序中；
[0037](3)对数字信号AD值进行特征提取，将提取后的特征输入至异常判断模块中，并进行异常情况判断：
[0038](3.1)如不存在异常，则将提取后的特征输入至深度学习模型中，最终提前输出真实的气体浓度值；
[0039](3.2)如存在异常，则将提取后的特征输入至实时浓度转换程序中，输出实时的气体浓度值。
[0040]所述步骤(3)中对数字信号AD值进行特征提取具体包括：根据一段时间范围内气体传感器的数字信号AD值的波动范围确定的气体传感器的标值零点，计算公式如下：
[0041][004本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的气体传感器气体浓度智能化软测量方法，其特征在于，包括步骤如下：(1)气体传感器通过与被测气体发生反应并产生与气体浓度成正比的电信号，将该类电信号通过信号转换程序转换成数字信号AD值；(2)数字信号AD值采集程序读取气体传感器与气体发生反应后15s内的数字信号AD值，将其输入至数字信号处理程序中；(3)对数字信号AD值进行特征提取，将提取后的特征输入至异常判断模块中，并进行异常情况判断：(3.1)如不存在异常，则将提取后的特征输入至深度学习模型中，最终提前输出真实的气体浓度值；(3.2)如存在异常，则将提取后的特征输入至实时浓度转换程序中，输出实时的气体浓度值。2.根据权利要求1所述的基于深度学习的气体传感器气体浓度智能化软测量方法，其特征在于，所述步骤(3)中对数字信号AD值进行特征提取具体包括：根据一段时间范围内气体传感器的数字信号AD值的波动范围确定气体传感器的标值零点，计算公式如下：其中StableValue是气体传感器的标值零点，maxValue是该时间范围内气体传感器数字信号AD值的最大值，minValue是该时间范围内气体传感器数字信号AD值的最小值。3.根据权利要求1所述的基于深度学习的气体传感器气体浓度智能化软测量方法，其特征在于，所述步骤(3)中对数字信号AD值进行特征提取并输入至异常判断模块具体还包括：对数字信号AD值按每个0.5s时间间隔进行分类存储，将存储后的数字信号AD值集合输入至异常判断模块中。4.根据权利要求1所述的基于深度学习的气体传感器气体浓度智能化软测量方法，其特征在于，所述步骤(...
【专利技术属性】
技术研发人员：周宇，周海嘉，杨畅，吴皓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。