六氟丁二烯储放场所的气体监测系统及其监测方法技术方案

本申请涉及气体智能监测的领域，其具体地公开了一种六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。进行准确地监测。进行准确地监测。

【技术实现步骤摘要】
六氟丁二烯储放场所的气体监测系统及其监测方法


[0001]本申请涉及气体智能监测的领域，且更为具体地，涉及一种六氟丁二烯储放场所的气体监测系统及其监测方法。

技术介绍

[0002]在全球电子气体市场上，含氟电子气体约占30％，主要用作蚀刻剂和清洗剂等。当前广泛使用的全氟烷烃类(PFCs)化合物虽然不破坏臭氧层，但在《京都议定书》中被认定为较强的温室气体。随着人们对环境要求的不断提高，传统含氟电子气体的使用将会受到极大的限制。因此需要寻找新型的环保型含氟电子气体。
[0003]六氟丁二烯凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一，它是制备多种含氟聚合物材料的单体，还是一种绿色环保的高效干蚀刻气体，近年来已引起国内外学者的高度关注。
[0004]但是，六氟丁二烯是一种易燃、有毒、无色、无味的气体，其与空气混合后，浓度达到7%时，有立即燃烧和爆炸的危险。并且，被吸入体内后，对人体会产生危害，可能导致呼吸系统刺激、咳嗽、昏眩、麻醉、心律不齐和负面的肾脏影响。
[0005]因此，在六氟丁二烯的相关场所中，例如，六氟丁二烯的存储场所，期待对存储场所内的六氟丁二烯气体浓度进行监测以确保制备场所内的人员安全。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融合这两者特征的基础上，引入了基于自注意力的数据密集损失函数来对于深度神经网络模型架构进行训练，以通过所述局部关联特征和所述全局关联特征对于不同数据密集对象的自适应依赖来提升所述测量数据局部关联特征矩阵和所述测量数据全局关联特征矩阵对于分类目标函数的参数自适应变化性，从而提高融合后的分类特征矩阵的分类准确性。这样，能够对存储场所内的六氟丁二烯气体浓度进行准确地监测。
[0007]根据本申请的一个方面，提供了一种六氟丁二烯储放场所的气体监测系统，其包括：训练模块，包括：训练数据获取单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本时序数据编码单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本数据局部关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；多样本数据全局关联单元，用于所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过非局部神
经网络以得到测量数据全局关联特征矩阵；第一损失函数值计算单元，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；第二损失函数值计算单元，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及推断模块，包括：实时数据采集单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；实时数据单样本编码单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；实时数据多样本局部关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；实时数据多样本全局关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；多尺度融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
[0008]根据本申请的另一个方面，提供了一种六氟丁二烯储放场所的气体监测系统的监测方法，其包括：训练阶段，包括：获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过非局部神经网络以得到测量数据全局关联特征矩阵；计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵； 将所述分类特征矩阵通过分类器以得到分类损失函数值；以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及推断阶段，包括：获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；将所述对应于各个所述有毒有害气体监测仪的测量
数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
[0009]与现有技术相比，本申请提供的六氟丁二烯储放场所的气体监测系统及其监测方法，其通过基于深度学习的卷积神经网络模型来分别从局部关联特征和全局关联特征方面对于多个预定时间点的气体浓度值进行深层挖掘，并且在融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种六氟丁二烯储放场所的气体监测系统，其特征在于，包括：训练模块，包括：训练数据获取单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本时序数据编码单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本数据局部关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；多样本数据全局关联单元，用于所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过非局部神经网络以得到测量数据全局关联特征矩阵；第一损失函数值计算单元，用于计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的基于自注意力的数据密集损失函数值；融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵； 第二损失函数值计算单元，用于将所述分类特征矩阵通过分类器以得到分类损失函数值；训练单元，用于以所述分类损失函数值和所述基于自注意力的数据密集损失函数值的加权和作为损失函数值来对所述时序编码器、所述第一卷积神经网络和所述非局部神经网络进行训练；以及推断模块，包括：实时数据采集单元，用于获取由以预定拓扑样式部署于六氟丁二烯储放场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；实时数据单样本编码单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值分别通过经所述训练模块训练完成的所述包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；实时数据多样本局部关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述作为过滤器的第一卷积神经网络以得到测量数据局部关联特征矩阵；实时数据多样本全局关联单元，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过经所述训练模块训练完成的所述非局部神经网络以得到测量数据全局关联特征矩阵；多尺度融合单元，用于融合所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵以得到分类特征矩阵；以及监测结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。2.根据权利要求1所述的六氟丁二烯储放场所的气体监测系统，其中，所述单样本时序数据编码单元，包括：输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的气体浓度输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述气体浓度输入向量进行全连接编码以提取出所述气体浓度输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述气体浓度输入向量进行一维卷积编码以提取出所述气体浓度输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。3.根据权利要求2所述的六氟丁二烯储放场所的气体监测系统，其中，所述多样本数据局部关联单元，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据局部关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。4.根据权利要求3所述的六氟丁二烯储放场所的气体监测系统，其中，所述多样本数据全局关联单元，进一步用于：将所述二维特征矩阵通过所述非局部神经网络的第一点卷积层以得到第一特征图；将所述二维特征矩阵通过所述非局部神经网络的第二点卷积层以得到第二特征图；将所述二维特征矩阵通过所述非局部神经网络的第三点卷积层以得到第二特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似定度量值以得到全局感知特征矩阵；计算所述全局感知特征矩阵和所述二维特征矩阵的按位置加权和以得到所述测量数据全局关联特征矩阵。5.根据权利要求4所述的六氟丁二烯储放场所的气体监测系统，其中，所述第一损失函数值计算单元，进一步用于：以如下公式计算所述测量数据全局关联特征矩阵和所述测量数据局部关联特征矩阵之间的所述基于自注意力的数...

【专利技术属性】
技术研发人员：胡进军，马桂香，张鸿铨，周文平，张奎，
申请(专利权)人：福建省杭氟电子材料有限公司，
类型：发明
国别省市：