【技术实现步骤摘要】
一种基于深度学习transformer神经网络的传感器气体浓度检测方法
[0001]本专利技术属于传感器智能检测
,具体涉及一种基于深度学习transformer神经网络的传感器气体浓度检测方法。
技术介绍
[0002]在已注入某一定量气体的密封场景下,使用气体传感器检测环境中的气体浓度;气体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]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]在传统测量方案上提出基于时序导数等数学特征测量幅值峰值方法,该方法是根据幅值
‑
时序曲线分析一阶导数值估计实际气体浓度值。改变原有的幅值峰值估计方式,采用测量速度值进一步估计实际值。该方法一定程度上缩减实验周期,但丢弃时序曲线的完整性,对一类时序加速度值连续变化曲线无法做到准确估计。另外,在动态测量过程中,气体类浓度极易受到历史浓度状态的 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习transformer神经网络的传感器气体浓度检测方法,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;采集气体传感器的数据,并对数据进行预处理,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;步骤二:Transformer神经网络模型的构建;切分数据集,带入训练集于嵌入层embedding,调节模型中编码器Encoder和解码器Decoder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,并使用最佳MSE、MAE表征模型性能;步骤三:Transformer神经网络模型的训练;步骤四:用上述训练好的Transformer神经网络模型估算出实际环境参数值与气体浓度值。2.如权利要求1所述的一种基于深度学习transformer神经网络的传感器气体浓度检测方法,其特征在于,步骤一中,数据包括气体的浓度及时间值的序列值,将传感器中包括浓度和时间的序列值转换为用于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所述的一种基于深度学习transformer神经网络的传感器气体浓度检测方法,其特征在于,步骤二中,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。4.如权利要求3所述的一种基于深度学习transformer神经网络的传感器气体浓度检测方法,其特征在于,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。5.如权利要求3所述的一种基于深度学习transformer神经网络的传感器气体浓度检测方法,其特征在于,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:用于对上述多头注意力机制的
输出进行加权汇聚,以便生成一组隐藏表示。6.如权利要求3所述的一种基于深度学习transformer神经网络的传感器气体...
【专利技术属性】
技术研发人员:胡小龙,岳文强,卢革宇,马忠嘉,郭帅,
申请(专利权)人:吉林大学,
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。