【技术实现步骤摘要】
本专利技术涉及供气控制领域，尤其涉及一种储气装置的供气控制方法、装置、设备及存储介质。
技术介绍
1、在工业和实验室中，通过储气装置的供气控制，进而控制反应设备中各反应气体的浓度是关键的工程要求。传统上，这通常通过定期采样并进行离线分析来实现。然而，这种方法不仅繁琐而且不能提供实时的反应气体浓度信息，限制了对反应过程的及时调整和监控，使得储气装置的供气进程不够准确。
技术实现思路
1、本专利技术的主要目的在于解决现有的储气装置的供气进程不够准确的技术问题。
2、本专利技术第一方面提供了一种储气装置的供气控制方法，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，所述储气装置的供气控制方法包括：
3、确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气；
4、分别通过所述光谱传感器和所述压力传感器获取所述储气装置供气过程中，所述反应设备中各反应气体的光谱参数以及所述反应设备的压力参数；
5、各反应气体的光谱参数以及所述压力参数输入所述气体浓度检测模型中，所述气体浓度检测模型包括多模态神经网络子模型以及各反应气体对应的检测子模型，各检测子模型由卷积神经网络和双向长短期记忆网络构成；
6、将各反应气体的光谱参数输入所述气体浓度检测模型对应的各检测子模型中，通过对应的检测子模型中的卷积神经网络获取对应的反应气体光谱参数的光谱特征
7、将所述光谱特征输入所述检测子模型的双向长短期记忆网络中，通过所述双向长短期记忆网络提取对应的光谱参数的时间序列信息；
8、通过所述多模态神经网络子模型根据各反应气体的时间序列信息和所述压力参数计算各反应气体的气体浓度；
9、根据所述各反应气体的气体浓度计算所述目标气体的供气参数，并根据所述供气参数计算所述储气装置的实时控制参数；
10、根据所述实时控制参数实时调整所述储气装置对反应设备的供气过程。
11、可选的，在本专利技术第一方面的第一种实现方式中，在所述确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气之前，还包括：
12、获取所述各反应气体的训练数据，其中，所述各反应气体包括第一反应气体和第二反应气体，所述训练数据包括所述第一反应气体和第二反应气体在各实际气体浓度下的历史光谱参数以及对应的历史压力参数；
13、初始化所述第一反应气体和第二反应气体的第一特征表示和第二特征表示；
14、将各训练数据和对应的第一特征表示或将各训练数据和对应的第二特征表示输入至对应的反应气体的初始子模型中，通过所述初始子模型对输入的训练数据和第一特征表示或输入的训练数据和第二特征表示进行浓度检测，分别得到所述第一反应气体和第二反应气体对应的时间序列信息；
15、将所述第一反应气体和第二反应气体对应的时间序列信息分别和所述历史压力参数输入预设的初始多模态神经网络模型中，得到所述第一反应气体和所述第二反应气体的当前检测浓度；
16、根据所述第一反应气体和所述第二反应气体的当前检测浓度和所述实际气体浓度分别计算预设的损失函数，分别得到所述第一反应气体和所述第二反应气体的损失函数值；
17、判断所述第一反应气体和/或所述第二反应气体的损失函数值是否大于预设损失阈值；
18、若所述第一反应气体的损失函数值大于预设损失阈值，则根据所述损失函数值更新对应的检测子模型和所述初始多模态神经网络模型的模型参数，将所述第二反应气体的当前检测浓度作为第一特征表示，并返回至分别将各训练数据和对应的第一特征表示/或第二特征表示输入至对应的反应气体的初始子模型中的步骤，直至所述第一反应气体的损失函数值不大于预设损失阈值；
19、若所述第二反应气体的损失函数值大于预设损失阈值，则根据所述损失函数值更新对应的检测子模型和所述初始多模态神经网络模型的模型参数，将所述第一反应气体的当前检测浓度作为第二特征表示，并返回至分别将各训练数据和对应的第一特征表示/或第二特征表示输入至对应的反应气体的初始子模型中的步骤，直至所述第二反应气体的损失函数值不大于预设损失阈值；
20、当所述第一反应气体和/或所述第二反应气体的损失函数值不大于预设损失阈值，将对应的初始子模型作为检测子模型，并将所述初始多模态神经网络模型作为多模态神经网络子模型；
21、根据所述第一反应气体和所述第二反应气体的检测子模型和所述多模态神经网络子模型，组成所述各反应气体的气体浓度检测模型。
22、可选的，在本专利技术第一方面的第二种实现方式中，所述卷积神经网络为一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和第一输出层；
23、所述将各反应气体的光谱参数输入所述气体浓度检测模型对应的各检测子模型中，通过对应的检测子模型中的卷积神经网络获取对应的反应气体光谱参数的光谱特征包括：
24、将各反应气体的光谱参数输入所述气体浓度检测模型对应的各检测子模型中，通过对应的检测子模型中的卷积神经网络中的输入层接收对应的反应气体的光谱参数；
25、通过所述卷积层对所述光谱参数进行卷积计算，得到对应的特征图；
26、通过所述激活层对所述特征图进行非线性变换，并通过所述池化层降低所述特征图的特征维度，得到处理后的特征图；
27、将所述处理后的特征图展开成一维向量，通过所述全连接层对所述一维向量进行特征整合，得到光谱特征，并通过所述第一输出层输出所述光谱特征。
28、可选的，在本专利技术第一方面的第三种实现方式中，所述多模态神经网络子模型包括输入层、注意力机制层、特征融合层、分类层和第二输出层；
29、所述通过所述多模态神经网络子模型根据各反应气体的时间序列信息和所述压力参数计算各反应气体的气体浓度包括：
30、通过所述多模态神经网络子模型中的输入层对所述压力参数进行数据预处理以及数据特征提取，得到压力特征；
31、通过所述注意力机制层分别计算所述压力特征和所述时间序列信息的注意力权重向量；
32、通过所述特征融合层根据所述权重向量对所述压力特征和所述时间序列信息的进行加权融合，得到融合特征向量；
33、通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度。
34、可选的，在本专利技术第一方面的第四种实现方式中，所述通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度包括：
35、通过所述分类层将所述融合特征向量线性变换映射至高维特征空间本文档来自技高网...
【技术保护点】
1.一种储气装置的供气控制方法，其特征在于，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，所述储气装置的供气控制方法包括：
2.根据权利要求1所述的储气装置的供气控制方法，其特征在于，在所述确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气之前，还包括：
3.根据权利要求1所述的储气装置的供气控制方法，其特征在于，所述卷积神经网络为一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和第一输出层；
4.根据权利要求1所述的储气装置的供气控制方法，其特征在于，所述多模态神经网络子模型包括输入层、注意力机制层、特征融合层、分类层和第二输出层；
5.根据权利要求4所述的储气装置的供气控制方法，其特征在于，所述通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度包括：
6.根据权利要求1所述的储气装置的供
7.根据权利要求5所述的储气装置的供气控制方法，其特征在于，所述反应修正值包括比例偏差值、积分偏差值和微分偏差值；
8.一种储气装置的供气控制装置，其特征在于，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，所述储气装置的供气控制装置包括：
9.一种储气装置的供气控制设备，其特征在于，所述储气装置的供气控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述储气装置的供气控制方法的步骤。
...【技术特征摘要】
1.一种储气装置的供气控制方法，其特征在于，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，所述储气装置的供气控制方法包括：
2.根据权利要求1所述的储气装置的供气控制方法，其特征在于，在所述确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气之前，还包括：
3.根据权利要求1所述的储气装置的供气控制方法，其特征在于，所述卷积神经网络为一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和第一输出层；
4.根据权利要求1所述的储气装置的供气控制方法，其特征在于，所述多模态神经网络子模型包括输入层、注意力机制层、特征融合层、分类层和第二输出层；
5.根据权利要求4所述的储气装置的供气控制方法，其特征在于，所述通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的...
【专利技术属性】
技术研发人员：彭亮，苏清峰，
申请(专利权)人：深圳高发气体股份有限公司，
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。