一种气体传感器阵列自适应前融合检测方法技术

本发明专利技术公开了一种气体传感器阵列自适应前融合检测方法，属于传感器智能检测技术领域，包括：数据集准备及预处理；基于深度学习和MASK算子的神经网络模型的构建；基于深度学习和MASK算子的神经网络模型的训练；采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。本发明专利技术将阵列传感器和干扰气体传感器完整的纳入计算，输入数据为从各传感器采集到的原始数据，经算法融合分析后得到的输出数据为气体浓度值和各传感器件的工作状态，实现真正意义上的端到端信息提取；该算法的成功构建，有助于推进气体传感系统通用性算法框架的构建和自动化的算法优化。架的构建和自动化的算法优化。架的构建和自动化的算法优化。

【技术实现步骤摘要】
一种气体传感器阵列自适应前融合检测方法


[0001]本专利技术属于传感器智能检测
，具体涉及一种气体传感器阵列自适应前融合检测方法。

技术介绍

[0002]在已注入某一定量气体密封场景下，使用气体传感器检测环境中的气体浓度；气敏传感器基本上都存在预热步骤，气体传感器的气敏单元与气体通过充分化学或者物理反应，产生自身性质变化，通过不同的气敏元件特性设计检测电路，最终将物理或者化学信号转变为电信号。从以上反应特性可得出，气体传感器的测量周期缓慢，并且精度保障存在很大困难。
[0003]在传统的气体传感器测量方式是利用下位机收集气体传感器电路发出的电信号的幅值，将幅值时间序列中的平稳值或者峰值设置为当前环境气体浓度值。如图1所示，在碳纳米管气体传感器测量SOF2和SO2F2气体浓度引起的电导幅值变化幅度值可以看出，整个反应过程存在峰值不规则变化现象。该次实验过程持续85h，传统收集时序幅值峰值的做法只能通过无限延长实验周期的方式减少误差，该过程存在耗时、实验结果偏差等问题。
[0004]另外，对于阵列传感器选择性实验中，干扰气体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气体传感器阵列自适应前融合检测方法，其特征在于，具体包括如下步骤：步骤一：数据集准备及预处理；收集在干扰气体下，待测气体经过同型号阵列传感器检测的已有标准校正数据；将干扰气体浓度、环境参数和待测气体标准浓度组成数据集，并对数据集进行预处理，所述预处理包括清理、去噪及标准化，经预处理后得到带有时间维度的气体浓度序列数据集；步骤二：基于深度学习和MASK算子的神经网络模型的构建；数据处理模块中，对数据集采用MASK算子运算实现数据增强，并使用十次十折交叉验证切分数据集；序列处理模块中，调节序列神经网络模型中编码器和解码器模块超参数，参考均方误差、平均绝对误差指标使用网格搜索等优化函数评估出最优的超参数组合，以估算出各个传感器序列对应的气体浓度值、环境参数值；其中，所述气体浓度值包括干扰气体浓度值；融合处理模块中，采用卷积神经网络自动的从序列处理后的数据中提取特征，从而实现对传感器的检测和诊断；步骤三：基于深度学习和MASK算子的神经网络模型的训练；步骤四：采用上述训练好的神经网络模型检测出实际浓度值与阵列传感器件状态。2.如权利要求1所述的一种气体传感器阵列自适应前融合检测方法，其特征在于，步骤一中，数据包括阵列传感器检测的浓度及时间值的序列、干扰气体检测的浓度及时间值的序列值和环境参数的时序值，将上述时间序列值转换为用于Transformer模型的格式，从而进行模型训练任务，具体包括如下内容：A1、将时间序列离散化：将连续的时间序列数据离散化成固定为10min时间间隔的数据；A 2、序列标准化：对离散化后的时间序列进行均值归一化处理，使其具有相似的统计特征；A3、构建输入序列：将均值归一化后的时间序列数据转化为输入序列，即将一段固定时间长度的数据作为一个序列输入到Transformer神经网络模型中；A4、批量化和填充：对于输入序列长度不足的情况，进行填充操作来保证输入序列长度的一致性。3.如权利要求1所述的一种气体传感器阵列自适应前融合检测方法，其特征在于，步骤二中，数据处理模块中，MASK算子运算可扩充数据集，增加样本数量；具体地，根据传感器阵列形式设计MASK算子，采用生成的MASK算子掩膜对步骤一中预处理得到后的序列数据进行遮盖，得到一系列被遮盖的新样本序列数据；最后，将生成的新样本序列数据作为的数据集，用于模型训练和评估。4.如权利要求1所述的一种气体传感器阵列自适应前融合检测方法，其特征在于，步骤二中，采用十次十折交叉验证方法，对数据集进行切分并进行模型训练和评估，具体步骤如下：B1、将原始数据集分为10个互不重叠的子集；B2、对于每个子集，依次将该子集作为测试集，其余9个子集作为训练集，进行模型训练和评估；B3、重复步骤B2共10次，直到每个子集都被用作为一次测试集；B4、对于每次划分，记录模型在测试集上的性能指标；
B5、将所有10次的测试集性能指标求平均值，得到模型的最终性能指标。5.如权利要求1所述的一种气体传感器阵列自适应前融合检测方法，其特征在于，步骤二中，所述序列处理模块中，采用Transformer神经网络的Encoder
‑
Decoder模型及嵌入层对数据进行时序处理；其中，所述嵌入层用于将传感器采集到的数据转换为神经网络可以处理的向量形式；所述Encoder模块用于将输入序列转换为一组隐藏表示；所述Decoder模块用于根据Encoder模块提供的隐藏表示和之前生成的输出，生成当前时间步的输出；所述嵌入层由位置编码器及输入嵌入组成，位置编码器用于为每个时间点的输入数据添加位置信息，以便于模型学习时间序列的顺序；输入嵌入用于将每个时间点的输入数据转换为固定维度的向量表示，以便于后续的注意力机制、编码器和解码器进行处理；所述Encoder模块包括：多头注意力机制Multi
‑
Head Attention，用于对输入序列进行加权汇聚，以便Encoder模块能够更好地利用输入序列的信息；前馈神经网络Position
‑
wise Feed
‑
Forward Network:用于对上述多头注...

【专利技术属性】
技术研发人员：卢革宇，岳文强，胡小龙，马忠嘉，郭帅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：