基于锗烷提纯系统的温度监测方法及系统技术方案

本申请涉及锗烷提纯系统的温度监测技术领域，涉及一种基于锗烷提纯系统的温度监测方法及系统；本申请通过自相关编码和模式估计，能有效处理时序数据，并通过优化样例属性门限值以及训练标签数据的调整，能更准确地进行模式识别；同时，通过不断优化温度变化模式识别网络，可以提高温度变化模式识别网络的稳定性和预测准确性，由此，可以更精确地识别和预测锗烷提纯系统的温度变化模式

【技术实现步骤摘要】
基于锗烷提纯系统的温度监测方法及系统


[0001]本申请涉及锗烷提纯系统的温度监测
，具体而言，涉及一种基于锗烷提纯系统的温度监测方法及系统
。

技术介绍

[0002]锗烷提纯系统是一种重要的工业生产设备，其运行状态直接影响到产品的质量和生产效率
。
为了实现对锗烷提纯系统的高效控制，需要对其温度变化模式进行准确识别和预测
。
然而，由于锗烷提纯过程中受多种因素影响，温度监测数据呈现出复杂的时序特性，这给温度变化模式的识别和预测带来了较大挑战
。
[0003]传统的方法通常通过统计分析或经验公式等方式对温度变化模式进行估计，但这些方法往往无法准确描述温度数据的动态变化特性，且难以处理大量的时序数据
。
因此，开发一种能够准确识别和预测锗烷提纯系统的温度变化模式，具有重要的实际意义
。

技术实现思路

[0004]为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于锗烷提纯系统的温度监测方法及系统
。
[0005]基于本申请的一个方面，提供了一种基于锗烷提纯系统的温度监测方法，包括：获取本轮轮询的锗烷提纯系统的样例温度监测时序数据序列；基于上一轮轮询优化的温度变化模式识别网络提取所述样例温度监测时序数据序列中样例温度监测时序数据的温度态势矢量，对所述温度态势矢量进行自相关编码生成自相关编码向量，基于所述自相关编码向量进行模式估计生成所述样例温度监测时序数据的温度变化模式估计矩阵；依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵，从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据，基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵，确定本轮轮询的模式估计误差参数，其中，所述样例属性门限值用于表示积极样例时序数据和消极样例时序数据分别对应的门限值；基于所述有效样例时序数据的温度变化模式估计矩阵，对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化，生成本轮轮询优化的对应各个温度变化模式的样例属性门限值；从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据，依据所述样例温度监测时序数据
、
所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量，以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量，确定本轮轮询的编码误差参数；依据所述模式估计误差参数与所述编码误差参数，对上一轮轮询优化的温度变化
模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络
。
[0006]在第一方面的一种可能的实施方式中，所述依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵，从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；获取上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值与消极样例门限值；当所述样例温度监测时序数据的温度变化模式估计矩阵中，对应所述目标温度变化模式的估计置信度不小于所述目标温度变化模式的积极样例门限值时，则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效积极样例时序数据，调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第一标签参数；当所述样例温度监测时序数据的温度变化模式估计矩阵中，对应所述目标温度变化模式的估计置信度不大于所述目标温度变化模式的消极样例门限值时，则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效消极样例时序数据，调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第二标签参数
。
[0007]在第一方面的一种可能的实施方式中，所述基于所述有效样例时序数据的温度变化模式估计矩阵，对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化，生成本轮轮询优化的对应各个温度变化模式的样例属性门限值，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；将上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值，与所述本轮轮询中的所述目标温度变化模式的有效积极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合，生成本轮轮询优化的对应所述目标温度变化模式的积极样例门限值；其中，所述上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值的融合权值大于所述平均置信度的融合权值；将上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值，与所述本轮轮询中的所述目标温度变化模式的有效消极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合，生成本轮轮询优化的对应所述目标温度变化模式的消极样例门限值；其中，所述上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值的融合权值大于所述平均置信度的融合权值
。
[0008]在第一方面的一种可能的实施方式中，所述基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵，确定本轮轮询的模式估计误差参数，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；对于对应所述目标温度变化模式的每个有效样例时序数据，基于调整后的所述有效样例时序数据的训练标签数据与所述有效样例时序数据的温度变化模式估计矩阵中对应所述目标温度变化模式的估计置信度，计算所述目标温度变化模式的估计误差参数；将对应每个温度变化模式的估计误差参数进行相加，生成本轮轮询的模式估计误
差参数
。
[0009]在第一方面的一种可能的实施方式中，所述样例温度监测时序数据序列包括匹配样例时序数据组合，所述匹配样例时序数据组合包括的两个样例温度监测时序数据存在特征相关性；所述从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据，依据所述样例温度监测时序数据
、
所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量，以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量，确定本轮轮询的编码误差参数，包括：对于所述样例温度监测时序数据序列的每个匹配样例时序数据组合，生成与所述匹配样例时序数据组合相应的训练样例集合；所述训练样例集合包括目标样例温度监测时序数据
、
所述目标样例温度监测时序数据的匹配样例时序数据与所述目标样例温度监测时序数据的非匹配样例时序数据；对于每个训练样例集合，基于所述目标样例温度监测时序数据与所述匹配样例时序数据的自相关编码向量的特征距离，所述目标样例温度监测时序数据与所述非匹配样例时序数据的自相关编码向量之间的特征距离，计算第一编码误差参数；基于所述样例温度监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于锗烷提纯系统的温度监测方法，其特征在于，所述方法包括：获取本轮轮询的锗烷提纯系统的样例温度监测时序数据序列；基于上一轮轮询优化的温度变化模式识别网络提取所述样例温度监测时序数据序列中样例温度监测时序数据的温度态势矢量，对所述温度态势矢量进行自相关编码生成自相关编码向量，基于所述自相关编码向量进行模式估计生成所述样例温度监测时序数据的温度变化模式估计矩阵；依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵，从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据，基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵，确定本轮轮询的模式估计误差参数，其中，所述样例属性门限值用于表示积极样例时序数据和消极样例时序数据分别对应的门限值；基于所述有效样例时序数据的温度变化模式估计矩阵，对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化，生成本轮轮询优化的对应各个温度变化模式的样例属性门限值；从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据，依据所述样例温度监测时序数据
、
所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量，以及所述样例温度监测时序数据的自相关编码向量与相应的标注编码向量，确定本轮轮询的编码误差参数；依据所述模式估计误差参数与所述编码误差参数，对上一轮轮询优化的温度变化模式识别网络进行训练生成本轮轮询优化的温度变化模式识别网络
。2.
根据权利要求1所述的基于锗烷提纯系统的温度监测方法，其特征在于，所述依据上一轮轮询优化的对应各个温度变化模式的样例属性门限值与所述样例温度监测时序数据的温度变化模式估计矩阵，从所述样例温度监测时序数据序列中确定对应各个温度变化模式的有效样例时序数据并调整所述有效样例时序数据的训练标签数据，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；获取上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值与消极样例门限值；当所述样例温度监测时序数据的温度变化模式估计矩阵中，对应所述目标温度变化模式的估计置信度不小于所述目标温度变化模式的积极样例门限值时，则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效积极样例时序数据，调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第一标签参数；当所述样例温度监测时序数据的温度变化模式估计矩阵中，对应所述目标温度变化模式的估计置信度不大于所述目标温度变化模式的消极样例门限值时，则确定所述样例温度监测时序数据为所述本轮轮询中的对应所述目标温度变化模式的有效消极样例时序数据，调整所述样例温度监测时序数据对应所述目标温度变化模式的训练标签数据为第二标签参数
。3.
根据权利要求2所述的基于锗烷提纯系统的温度监测方法，其特征在于，所述基于所
述有效样例时序数据的温度变化模式估计矩阵，对上一轮轮询优化的对应各个温度变化模式的样例属性门限值进行优化，生成本轮轮询优化的对应各个温度变化模式的样例属性门限值，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；将上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值，与所述本轮轮询中的所述目标温度变化模式的有效积极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合，生成本轮轮询优化的对应所述目标温度变化模式的积极样例门限值；其中，所述上一轮轮询优化的对应所述目标温度变化模式的积极样例门限值的融合权值大于所述平均置信度的融合权值；将上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值，与所述本轮轮询中的所述目标温度变化模式的有效消极样例时序数据对应所述目标温度变化模式的估计置信度的平均置信度进行融合，生成本轮轮询优化的对应所述目标温度变化模式的消极样例门限值；其中，所述上一轮轮询优化的对应所述目标温度变化模式的消极样例门限值的融合权值大于所述平均置信度的融合权值
。4.
根据权利要求1所述的基于锗烷提纯系统的温度监测方法，其特征在于，所述基于所述有效样例时序数据的训练标签数据与温度变化模式估计矩阵，确定本轮轮询的模式估计误差参数，包括：分别将所述各个温度变化模式中的每个温度变化模式作为目标温度变化模式；对于对应所述目标温度变化模式的每个有效样例时序数据，基于调整后的所述有效样例时序数据的训练标签数据与所述有效样例时序数据的温度变化模式估计矩阵中对应所述目标温度变化模式的估计置信度，计算所述目标温度变化模式的估计误差参数；将对应每个温度变化模式的估计误差参数进行相加，生成本轮轮询的模式估计误差参数
。5.
根据权利要求1所述的基于锗烷提纯系统的温度监测方法，其特征在于，所述样例温度监测时序数据序列包括匹配样例时序数据组合，所述匹配样例时序数据组合包括的两个样例温度监测时序数据存在特征相关性；所述从所述样例温度监测时序数据序列中确定所述样例温度监测时序数据的匹配样例时序数据与非匹配样例时序数据，依据所述样例温度监测时序数据
、
所述匹配样例时序数据与所述非匹配样例时序数据的自相关编码向量，以及所述样例温度监测时序数据的自相关编码向量与相应的...

【专利技术属性】
技术研发人员：郑经纬，陈国富，吴超农，彭王生，吴增艳，黄圣贤，王群坦，吕巧丽，
申请(专利权)人：博纯材料股份有限公司，
类型：发明
国别省市：