一种基于CNN-LSTM的粒子异常监测系统及监测方法技术方案

本发明专利技术公开了一种基于CNN‑LSTM的粒子异常监测系统及监测方法，包括数据采集、目标检测、数据处理、模型构建、异常预测和数据存储模块。系统利用传感器采集洁净室温湿度、压差等环境参数，采用YoloV11检测人员进出信息；经数据融合与归一化预处理后输入CNN‑LSTM神经网络，自动识别异常原因并预测粒子浓度趋势；实现粒子异常实时精准监测和智能预警，降低运维成本，提高洁净室管理效率。

【技术实现步骤摘要】

本专利技术涉及洁净室环境监测领域，尤其涉及一种基于cnn-lstm的粒子异常监测系统及监测方法。

技术介绍

1、随着电子工业、航空航天、医疗健康、生物制药等行业对生产环境洁净度要求的不断提高，洁净室作为控制和维持微粒浓度在特定等级标准内的关键设施，其监测与维护已成为行业质量管理的重要环节。洁净室内的温度、湿度、压差等环境参数，以及人员进出、设备运行状态等因素，均可直接或间接地影响室内粒子浓度的动态变化。维持洁净室长期稳定达标，不仅关系到产品质量和实验安全，也决定了运行成本与能耗控制。

2、当前，洁净室粒子浓度异常的诊断主要依赖人工巡检或经验阈值报警。操作人员通过定时采样或目测判断，耗费大量人力、物力，且检测精度与经验水平密切相关，难以实现对突发异常的快速响应与准确定位。为提高监测效率与智能化水平，国内外已提出若干在线监测和自动控制方案，但各自仍存在不同程度的局限：

3、专利公开号cn202256115u公开的“洁净室尘埃粒子在线监控系统”中，方案采用多个光电采样的尘埃粒子计数传感器，并通过光电池供电、无线接入的方式实现数据上传。该系本文档来自技高网...

【技术保护点】

1.一种基于CNN-LSTM的粒子异常监测系统，其特征在于：包括以下模块：

2.根据权利要求1所述的一种基于CNN-LSTM的粒子异常监测系统，其特征在于：数据处理模块具体包括以下步骤：

3.根据权利要求1所述的一种基于CNN-LSTM的粒子异常监测系统，其特征在于：模型构建模块中特征提取层进一步包括使用ReLU激活函数对提取到的特征进行非线性变换，其公式为：

4.根据权利要求1所述的一种基于CNN-LSTM的粒子异常监测系统，其特征在于：模型构建模块中CNN-LSTM神经网络模型具体包括自输入端到输出端依次连接的第一卷积层、第一激活层、第一池化层、第...

【技术特征摘要】

1.一种基于cnn-lstm的粒子异常监测系统，其特征在于：包括以下模块：

2.根据权利要求1所述的一种基于cnn-lstm的粒子异常监测系统，其特征在于：数据处理模块具体包括以下步骤：

3.根据权利要求1所述的一种基于cnn-lstm的粒子异常监测系统，其特征在于：模型构建模块中特征提取层进一步包括使用relu激活函数对提取到的特征进行非线性变换，其公式为：

4.根据权利要求1所述的一种基于cnn-lstm的粒子异常监测系统，其特征在于：模型构建模块中cnn-lstm神经网络模型具体包括自输入端到输出端依次连接的第一卷积层、第一激活层、第一池化层、第二卷积层、第二激活层、第二池化层、lstm层和全连接层。

5.根据权利要求4所述的一种基于cnn-lstm的粒子异常监测系统，其特征在于：所述第一卷积层的卷...

【专利技术属性】
技术研发人员：孟祥亚，刘金龙，刘心宇，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：