CN114544868A - 一种消除干扰气体影响的气体检测方法与系统 - Google Patents
一种消除干扰气体影响的气体检测方法与系统 Download PDFInfo
- Publication number
- CN114544868A CN114544868A CN202210063783.2A CN202210063783A CN114544868A CN 114544868 A CN114544868 A CN 114544868A CN 202210063783 A CN202210063783 A CN 202210063783A CN 114544868 A CN114544868 A CN 114544868A
- Authority
- CN
- China
- Prior art keywords
- gas
- interference
- module
- standard
- sensor array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 239000007789 gas Substances 0.000 claims description 403
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 16
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 150000001299 aldehydes Chemical class 0.000 claims description 6
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 6
- 150000002576 ketones Chemical class 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- NNPPMTNAJDCUHE-UHFFFAOYSA-N isobutane Chemical compound CC(C)C NNPPMTNAJDCUHE-UHFFFAOYSA-N 0.000 description 28
- 239000001282 iso-butane Substances 0.000 description 14
- 238000013461 design Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 150000001298 alcohols Chemical class 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
Abstract
本发明涉及一种消除干扰气体影响的气体检测方法与系统，方法为：利用所述传感器阵列获取训练集D，对其进行预处理，然后利用其训练卷积神经网络，构建预测模型，利用传感器阵列获取测试集P，对测试集P进行预处理后输入到预测模型中，由预测模型输出Co后，利用公式根据Co得到待测气体的浓度C；检测系统包括气体输送模块、传感器阵列模块、数据存储模块、主控制器和人机交互模块，或包括气体输送模块、传感器阵列模块、通讯模块和运算设备。本发明的方法有效消除干扰气体影响精准检测醇类气体、酮类气体、醛类气体或烷类气体的功能，本发明的系统简单、成本低廉，能够满足实时、连续、批量检测的应用需求。
Description
技术领域
本发明属于气体检测领域，具体涉及一种可以消除干扰气体影响的气体检测方法与系统。
背景技术
在生产生活等诸多领域，譬如：医疗、环境、食品安全、工业生产等领域，经常需要对醇类气体、酮类气体、醛类气体和烷类气体等进行准确的检测与识别。传统的气体检测方法有光谱法、色谱法、质谱法等，这些方法具有很高的检测精度，但是检测方法复杂，成本高、并且需要专业的技术人员来操作，因此，不适合实时、连续、批量检测的应用场景。
半导体式气体传感器具有灵敏度高、体积小、成本低廉、响应时间和恢复时间短等优点，操作方便、能够满足实时、连续、批量检测的应用需求，但存在选择性差、受环境影响大等缺点。这致使半导体气敏传感器多用于单一气体的测量，当被检测气体中含有干扰气体时，为保障测量精度，仍然需要采样传统的计量方法。
针对半导体气体传感器，目前大量的研究工作主要集中在敏感材料的选择与制备领域，虽然目前开发的敏感材料已经获得了对醇类、酮类、醛类和烷类等气体较好的敏感性，但是依然存在对其它气体的交叉敏感度，当检测环境中含有干扰气体时，譬如有机溶剂、芳香性气味、烟雾等气体成分时，则无法准确的测定被检场景中目标气体的含量。
因此，开发一种基于半导体气体传感器的能够消除干扰气体影响的气体检测方法和系统，对于降低检测成本，提高检测时效，具有重要的意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种消除干扰气体影响的气体检测方法与系统。
为达上述目的，本发明的技术方案如下：
一种消除干扰气体影响的气体检测方法，利用传感器阵列获取测试集P，
Py,z为传感器阵列中第y颗传感器第z次采样采集到的待测气体的响应值，y∈[1,n]，z∈[1,t]，n为传感器阵列中传感器的总颗数，t为每颗传感器的采样总次数，对测试集P进行预处理后输入到预测模型中，由预测模型输出Co后，利用公式根据Co得到待测气体的浓度C；
待测气体为一种干扰气体、一种目标气体和一种环境气体(一般为空气)按一定比例混合而成的气体，其中，干扰气体的含量为0或不为0；目标气体为醇类气体、酮类气体、醛类气体或烷类气体；待测气体的浓度C为待测气体中目标气体的体积占待测气体总体积的百分比；
传感器阵列中的传感器为不同型号的对所述目标气体和干扰气体具有敏感性，对所述环境气体不具有敏感性的气体传感器；
预测模型的构建过程为：
首先利用所述传感器阵列获取训练集D，D＝[D1,D2...,Di]，
Dx,y,z为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，i为标准气体的总个数；i个标准气体为所述一种干扰气体、所述一种目标气体和所述一种环境气体按不同比例混合而成的气体；i个标准气体中，干扰气体的体积占干扰气体与目标气体总体积的百分比不同；
然后对训练集D进行所述预处理；
最后利用预处理后的训练集D训练卷积神经网络，训练的终止条件如下：
式中，Rx为第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的真实值，R′x为卷积神经网络输出的第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
所述公式如下：
C＝Cm×(1-Cof(Co))；
式中，Cm是通过提取S1传感器在待测气体中稳态时的响应值，根据S1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比；
S1传感器为传感器阵列中对目标气体敏感度最高的一颗传感器；
Cof(Co)是通过将Co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,Tw)进行非线性数据拟合得到的，
Mw为S1传感器在标准气体I中稳态时的响应变化率，标准气体I是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，M′w为S1传感器在标准气体II中稳态时的响应变化率，标准气体II为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体I相同的标准气体(即标准气体II相当于是将标准气体I中的干扰气体替换成环境气体得到的)；
本发明的核心思想是：
先配置标准气体，给模型提供训练数据，训练的目标是让模型的输出值尽可能地逼近实际试验值(即实际的干扰气体的体积占干扰气体与目标气体总体积的百分比)，模型训练好之后，当输入待测气体数据后，模型会输出一个数值，但该数值不一定正好等于实际值(会是一个比较接近的值)，因为干扰气体和目标气体都会引起气体传感器的响应，因此，当含有干扰气体时，传感器的响应变化一部分是由目标气体引起的，另一部分是由干扰气体引起的，模型输出值的含义是待测气体中含有的干扰气体的百分比(不是实际的浓度值)，通过这个百分比数值，可以区分出有多少程度的响应变化是干扰气体造成的，又因为干扰气体影响的程度在不同百分比下是不一样的，因此，我们通过试验数据拟合出一个干扰系数曲线，然后根据这个干扰系数可以计算出目标气体的浓度。
作为优选的技术方案：
如上所述的一种消除干扰气体影响的气体检测方法，i个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比为等差数列并包含0％和100％，非等差数列同样适用于本发明，相对而言等差数列更优。
如上所述的一种消除干扰气体影响的气体检测方法，所述对测试集P进行预处理的步骤如下：
(a)对测试集P进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集P′，
L满足P′的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(b)处理数据集P′得到数据集P″，
所述对训练集D进行预处理的步骤如下：
(i)对训练集D进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集D′，D′＝[D′1,D′2,...,D′i]，
L满足D′x的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(ii)处理数据集D′得到数据集D″，D″＝[D″ 1,D″ 2,...,D″ i]，
如上所述的一种消除干扰气体影响的气体检测方法，所述卷积神经网络包含1个输入层、p个卷积层、p个池化层、k个全连接层和1个输出层，并且每个卷积层后对应一个池化层；“卷积神经网络”是一种数据运算处理的数学方法，目前被广泛应用到众多的领域，但不同的领域需要根据实际应用场景进行具体的结构设计，譬如层数的设计、每层节点的设计以及其中所用函数、迭代运算的设计等等，这些设计一般的是根据试验数据来逐步优化的。
如上所述的一种消除干扰气体影响的气体检测方法，卷积神经网络的训练步骤如下：
(1)将数据集D″作为卷积神经网络的输入，并对其进行卷积运算得到特征数据集，其中，所述卷积层的卷积核设置为[-h,0,h]，h∈Z，Z为整数集合，步长设置为1；
(2)采用平均法池化方式对特征数据集进行池化，设置池化尺寸为1×m，m≥2，得到池化后数据集D″′，D″′＝[D″′1,D″′2,...,D″′i]，
(3)循环执行步骤(1)～(2)p次后(因为本发明设计的神经网络结构中包含p个卷积层和p个池化层，所以需要循环p次)，将得到的数据集按行展开后输入到k个全连接层的第一层，其中，全连接层中间层的节点数小于等于(t-2L)/m×n×i，全连接层采用的激活函数为
(4)输出层输出第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
(5)对全连接层进行迭代运算，直到达到终止条件，保存最后一次迭代运算时的网络参数，得到预测模型。
本发明还提供一种采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、数据存储模块、主控制器和人机交互模块；
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并发送至主控制器；
主控制器用于对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C(说明：模型训练好后是可以保存下来的，当检测待测气体时可以直接利用，不需要每次检测之前都训练)；
数据存储模块用于存储测试集P、训练集D和预测模型；
人机交互模块与主控制器连接，其包括显示屏和按键，用于实现系统参数的设定、工作状态的切换、信息的输出。
作为优选的技术方案：
如上所述的一种消除干扰气体影响的气体检测系统，还包括通讯模块和电源模块；
通讯模块用于实现主控制器与外界设备(包括但不限于计算机、手机、互联网)的信息交互；
电源模块用于为气体检测系统供电。
本发明还提供一种采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、通讯模块和运算设备；
作为优选的技术方案：
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并经通讯模块发送至运算设备；
运算设备用于存储测试集P和训练集D，对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C(说明：模型训练好后是可以保存下来的，当检测待测气体时可以直接利用，不需要每次检测之前都训练)。
如上所述的一种消除干扰气体影响的气体检测系统，运算设备为计算机或手机。
如上所述的一种消除干扰气体影响的气体检测系统，还包括电源模块；电源模块用于为气体检测系统供电。
有益效果：
与现有技术相比，本发明具有有效消除干扰气体影响精准检测醇类气体、酮类气体、醛类气体或烷类气体的功能，系统简单、成本低廉、能够满足实时、连续、批量检测的应用需求。
附图说明
图1为本发明系统结构框图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种消除干扰气体影响的气体检测方法，具体步骤如下：
(1)预测模型的构建过程为：
首先利用所述传感器阵列获取训练集D，D＝[D1,D2...,Di]，
Dx,y,z为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，i为标准气体的总个数；i个标准气体为所述一种干扰气体、所述一种目标气体和所述一种环境气体按不同比例混合而成的气体；i个标准气体中，干扰气体的体积占干扰气体与目标气体总体积的百分比不同；i个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比为等差数列并包含0％和100％；传感器阵列中的传感器为不同型号的对所述目标气体和干扰气体具有敏感性，对所述环境气体不具有敏感性的气体传感器；
然后对训练集D进行所述预处理，步骤如下；
(i)对训练集D进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集D′，D′＝[D′1,D′2,...,D′i]，
L满足D′x的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(ii)处理数据集D′得到数据集D″，D″＝[D″1,D″2,...,D″i]，
最后利用预处理后的训练集D(即数据集D″)训练卷积神经网络，所述卷积神经网络包含1个输入层、p个卷积层、p个池化层、k个全连接层和1个输出层，并且每个卷积层后对应一个池化层，具体步骤如下：
(I)将数据集D″作为卷积神经网络的输入，并对其进行卷积运算得到特征数据集，其中，所述卷积层的卷积核设置为[-h,0,h]，h∈Z，Z为整数集合，步长设置为1；
(II)采用平均法池化方式对特征数据集进行池化，设置池化尺寸为1×m，m≥2，得到池化后数据集D″′，D″′＝[D″′1,D″′2 ′,...,D″′i]，
(III)循环执行步骤(I)～(II)p次后(因为本发明设计的神经网络结构中包含p个卷积层和p个池化层，所以需要循环p次)，将得到的数据集按行展开后输入到k个全连接层的第一层，其中，全连接层中间层的节点数小于等于(t-2L)/m×n×i，全连接层采用的激活函数为
(IV)输出层输出第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
(V)对全连接层进行迭代运算，直到达到终止条件，保存最后一次迭代运算时的网络参数，得到预测模型；
其中终止条件如下：
式中，Rx为第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的真实值，R′x为卷积神经网络输出的第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
(2)利用传感器阵列获取测试集P，
Py,z为传感器阵列中第y颗传感器第z次采样采集到的待测气体的响应值，y∈[1,n]，z∈[1,t]，待测气体为一种干扰气体、一种目标气体和一种环境气体(一般为空气)按一定比例混合而成的气体，其中，干扰气体的含量为0或不为0；目标气体为醇类气体、酮类气体、醛类气体或烷类气体；待测气体的浓度C为待测气体中目标气体的体积占待测气体总体积的百分比，n为传感器阵列中传感器的总颗数，t为每颗传感器的采样总次数；
(3)对测试集P进行预处理；
(a)对测试集P进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集P′，
L满足P′的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(b)处理数据集P′得到数据集P″，
(4)将数据集P″输入到预测模型中，由预测模型输出Co后，利用公式根据Co得到待测气体的浓度C；
其中，公式为：C＝Cm×(1-Cof(Co))；
式中，Cm是通过提取S1传感器在待测气体中稳态时的响应值，根据S1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比；
S1传感器为传感器阵列中对目标气体敏感度最高的一颗传感器；
Cof(Co)是通过将Co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,Tw)进行非线性数据拟合得到的，
Mw为S1传感器在标准气体I中稳态时的响应变化率，标准气体I是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，M′w为S1传感器在标准气体II中稳态时的响应变化率，标准气体II为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体I相同的标准气体(即标准气体II相当于是将标准气体I中的干扰气体替换成环境气体得到的)。
采用上述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，如图1所示，包括气体输送模块、传感器阵列模块、数据存储模块、主控制器、人机交互模块、通讯模块和电源模块；
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并发送至主控制器；
主控制器用于对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C；
数据存储模块用于存储测试集P、训练集D和预测模型；
人机交互模块与主控制器连接，其包括显示屏和按键，用于实现系统参数的设定、工作状态的切换、信息的输出；
通讯模块用于实现主控制器与外界设备的信息交互；
电源模块用于为气体检测系统供电。
采用如上所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，包括气体输送模块、传感器阵列模块、通讯模块、电源模块和运算设备；
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并经通讯模块发送至运算设备；
运算设备为计算机或手机，用于存储测试集P和训练集D，对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C；
电源模块用于为气体检测系统供电。
现结合具体案例，对本发明的消除干扰气体影响的气体检测方法进行说明。
一种消除干扰气体影响的乙醇气体检测方法，具体步骤如下；
(1)配置10组含有不同浓度百分比异丁烷的乙醇气体(即10个标准气体)，其中含有的异丁烷的体积占异丁烷与乙醇总体积的百分比分别为0％、10％，、20％、30％、40％、50％、60％、70％、80％、90％、100％，将配置好的标准气体依次通入到测试气室，并将传感器阵列(含4颗半导体气敏传感器，型号分别为HGS0008、HGS1001、HGS1004、HGS1005，定义型号为HGS0008的传感器的编号为S1)检测到的信号存入数据集D中；
D＝[D1,D2...,Di]；
其中，Dx,y,z为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1,n]，z∈[1,t]，x∈[1,i]，n＝4，t＝600，i＝10，例如Dx,1,1为传感器阵列中第1颗传感器第1次采样采集到的第x个标准气体的响应值，例如D2为第2个标准气体(即异丁烷的体积占异丁烷与乙醇总体积的百分比为10％的气体)对应的数据集，数据集D2如下表所示：
(2)对步骤(1)获得的数据集D进行小波去噪处理，小波基采用symlet函数，分解层数为L，将处理后的数据存入数据集D′；
D′＝[D′1,D′2,…,D′i]；
其中，L需满足D′x的每行数据无局部极大或极小值，且存在唯一最大或最少值；
以数据集D2为例，经过3层分解(即L＝3)得到的数据集D′2如下表所示：
(3)处理步骤(2)中得到的数据集D′得到数据集D″；
D″＝[D″1,D″2,...,D″i]；
以数据集D′2为例，数据集D″2如下表所示：
(4)利用预处理后的训练集D(即数据集D″)训练卷积神经网络，所述卷积神经网络包含1个输入层、2个卷积层、2个池化层、2个全连接层和1个输出层，并且每个卷积层后对应一个池化层，具体步骤如下：
(4.1)将步骤(3)得到的数据集D″作为卷积神经网络的输入，对输入的数据集进行卷积运算，得到的特征数据集，所述卷积层的卷积核设置为[-1,0,1]，步长设置为1；
(4.2)将步骤(4.1)得到的特征数据集采用平均法池化方式进行池化，设置尺寸为1×3，得到池化后数据集D″′；
D″′＝[D″′1,D″′2,…,D″′i]；
以数据集D″2为例，池化后的数据集D″′2如下表所示：
(4.3)循环执行上述步骤(4.1)和步骤(4.2)2次后，将得到的数据集按行展开后输入到全连接层的第一层，其中全连接层包含2层，全连接层第二层的节点数为4，全连接层采用激活函数为
(4.4)输出层输出第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的预测值；
(4.5)对全连接层进行迭代运算，直到满足如下条件，保存最后一次迭代运算时的网络参数，得到预测模型；
其中,Rx为步骤(4.4)中干扰气体浓度值，R′x为输出层编码结果对应的浓度值；
其中，Rx为第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的真实值，R′x为卷积神经网络输出的第x个标准气体中异丁烷的体积占异丁烷与乙醇总体积的百分比的预测值；
(5)通入含有异丁烷为干扰气体的乙醇气体为验证样本(其中异丁烷的体积占异丁烷与乙醇总体积的百分比为9％，实际乙醇浓度为1000ppm)，其数据集P(即传感器阵列中每颗传感器每次采样采集到的待测气体的响应值的集合)如下表所示：
(6)数据集P经过小波去噪处理后得到的数据集P′如下表所示：
(7)对数据集P′进行处理得到的数据集P″如下表所示：
(8)将数据集P″输入到预测模型中，由预测模型输出Co(10％)后，利用公式根据Co得到待测气体的浓度C；
其中，公式为：C＝Cm×(1-Cof(Co))；
式中，Cm是通过提取S1传感器在待测气体中稳态时的响应值，根据S1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比，其值为1065ppm；
Cof(Co)是通过将Co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w,Tw)进行非线性数据拟合得到的，
Mw为S1传感器在标准气体I中稳态时的响应变化率，标准气体I是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，M′w为S1传感器在标准气体II中稳态时的响应变化率，标准气体II为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体I相同的标准气体(即标准气体II相当于是将标准气体I中的干扰气体替换成环境气体得到的)，
最终计算得到的待测气体的浓度C为993ppm，对比实际的乙醇气体浓度1000ppm，其相对误差仅为0.7％。
由此可得，本发明一种消除干扰气体影响的乙醇气体检测方法与系统，能够实现在干扰气体存在的场景中对乙醇气体的准确检测，具有极高消除干扰气体影响的性能。
Claims (10)
1.一种消除干扰气体影响的气体检测方法，其特征在于，利用传感器阵列获取测试集P，
Py，z为传感器阵列中第y颗传感器第z次采样采集到的待测气体的响应值，y∈[1，n]，z∈[1，t]，n为传感器阵列中传感器的总颗数，t为每颗传感器的采样总次数，对测试集P进行预处理后输入到预测模型中，由预测模型输出Co后，利用公式根据Co得到待测气体的浓度C；
待测气体为一种干扰气体、一种目标气体和一种环境气体按一定比例混合而成的气体，其中，干扰气体的含量为0或不为0；目标气体为醇类气体、酮类气体、醛类气体或烷类气体；待测气体的浓度C为待测气体中目标气体的体积占待测气体总体积的百分比；
传感器阵列中的传感器为不同型号的对所述目标气体和干扰气体具有敏感性，对所述环境气体不具有敏感性的气体传感器；
预测模型的构建过程为：
首先利用所述传感器阵列获取训练集D，D＝[D1，D2…，Di]，
Dx，y，z为传感器阵列中第y颗传感器第z次采样采集到的第x个标准气体的响应值，y∈[1，n]，z∈[1，t]，x∈[1，i]，i为标准气体的总个数；i个标准气体为所述一种干扰气体、所述一种目标气体和所述一种环境气体按不同比例混合而成的气体；i个标准气体中，干扰气体的体积占干扰气体与目标气体总体积的百分比不同；
然后对训练集D进行所述预处理；
最后利用预处理后的训练集D训练卷积神经网络，训练的终止条件如下：
式中，Rx为第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的真实值，R′x为卷积神经网络输出的第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
所述公式如下：
C＝Cm×(1-Cof(Co))；
式中，Cm是通过提取S1传感器在待测气体中稳态时的响应值，根据S1传感器在纯的目标气体中的灵敏度特性转换得到的目标气体的体积占待测气体总体积的百分比；
S1传感器为传感器阵列中对目标气体敏感度最高的一颗传感器；
Cof(Co)是通过将Co作为自变量代入函数f(w)中得到的，函数f(w)是通过对多点(w，Tw)进行非线性数据拟合得到的，
Mw为S1传感器在标准气体I中稳态时的响应变化率，标准气体I是指干扰气体的体积占干扰气体与目标气体总体积的百分比为w的标准气体，M′w为S1传感器在标准气体II中稳态时的响应变化率，标准气体II为不含干扰气体，且目标气体的体积占标准气体总体积的百分比与标准气体I相同的标准气体。
2.根据权利要求1所述的一种消除干扰气体影响的气体检测方法，其特征在于，i个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比为等差数列并包含0％和100％。
3.根据权利要求1所述的一种消除干扰气体影响的气体检测方法，其特征在于，所述对测试集P进行预处理的步骤如下：
(a)对测试集P进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集P′，
L满足P′的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(b)处理数据集P′得到数据集P″，
所述对训练集D进行预处理的步骤如下：
(i)对训练集D进行小波去噪处理，小波基采用symlet函数，分解层数为L，得到数据集D′，D′＝[D′1，D′2，...，D′i]，
L满足D′x的每行数据无局部极大或极小值，且存在唯一最大或最少值；
(ii)处理数据集D′得到数据集D″，D″＝[D″1，D″2，...，D″i]，
4.根据权利要求3所述的一种消除干扰气体影响的气体检测方法，其特征在于，所述卷积神经网络包含1个输入层、p个卷积层、p个池化层、k个全连接层和1个输出层，并且每个卷积层后对应一个池化层。
5.根据权利要求4所述的一种消除干扰气体影响的气体检测方法，其特征在于，卷积神经网络的训练步骤如下：
(1)将数据集D″作为卷积神经网络的输入，并对其进行卷积运算得到特征数据集，其中，所述卷积层的卷积核设置为[-h，0，h]，h∈Z，Z为整数集合，步长设置为1；
(2)采用平均法池化方式对特征数据集进行池化，设置池化尺寸为1×m，m≥2，得到池化后数据集D″′，D″′＝[D″′1，D″′2，...，D″′i]，
(3)循环执行步骤(1)～(2)p次后，将得到的数据集按行展开后输入到k个全连接层的第一层，其中，全连接层中间层的节点数小于等于(t-2L)/m×n×i，全连接层采用的激活函数为
(4)输出层输出第x个标准气体中干扰气体的体积占干扰气体与目标气体总体积的百分比的预测值；
(5)对全连接层进行迭代运算，直到达到终止条件，保存最后一次迭代运算时的网络参数，得到预测模型。
6.采用如权利要求1所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，其特征在于，包括气体输送模块、传感器阵列模块、数据存储模块、主控制器和人机交互模块；
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并发送至主控制器；
主控制器用于对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C；
数据存储模块用于存储测试集P、训练集D和预测模型；
人机交互模块与主控制器连接，其包括显示屏和按键，用于实现系统参数的设定、工作状态的切换、信息的输出。
7.根据权利要求6所述的一种消除干扰气体影响的气体检测系统，其特征在于，还包括通讯模块和电源模块；
通讯模块用于实现主控制器与外界设备的信息交互；
电源模块用于为气体检测系统供电。
8.采用如权利要求1所述的一种消除干扰气体影响的气体检测方法的一种消除干扰气体影响的气体检测系统，其特征在于，包括气体输送模块、传感器阵列模块、通讯模块和运算设备；
气体输送模块用于通过气泵和进气管将待测气体和标准气体通入传感器阵列模块；
传感器阵列模块用于获取测试集P和训练集D，并经通讯模块发送至运算设备；
运算设备用于存储测试集P和训练集D，对测试集P和训练集D进行所述预处理，利用预处理后的训练集D训练卷积神经网络得到预测模型，将预处理后的测试集P输入到预测模型中得到Co后，利用公式根据Co得到待测气体的浓度C。
9.根据权利要求8所述的一种消除干扰气体影响的气体检测系统，其特征在于，运算设备为计算机或手机。
10.根据权利要求8所述的一种消除干扰气体影响的气体检测系统，其特征在于，还包括电源模块；电源模块用于为气体检测系统供电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063783.2A CN114544868B (zh) | 2022-01-20 | 2022-01-20 | 一种消除干扰气体影响的气体检测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210063783.2A CN114544868B (zh) | 2022-01-20 | 2022-01-20 | 一种消除干扰气体影响的气体检测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114544868A true CN114544868A (zh) | 2022-05-27 |
| CN114544868B CN114544868B (zh) | 2024-03-26 |
Family
ID=81670844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210063783.2A Active CN114544868B (zh) | 2022-01-20 | 2022-01-20 | 一种消除干扰气体影响的气体检测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114544868B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114965655A (zh) * | 2022-06-27 | 2022-08-30 | 北京理工大学 | 一种基于气体信号的锂离子电池热失控故障诊断系统 |
| CN118583803A (zh) * | 2024-08-02 | 2024-09-03 | 河南科技学院 | 基于甲醇燃料的燃烧排放物实时检测方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0222972A2 (en) * | 1985-07-15 | 1987-05-27 | Toto Ltd. | A multiple-purpose instantaneous gas water heater |
| CN1479869A (zh) * | 2000-12-11 | 2004-03-03 | ķ����ά | 气体传感器标定系统 |
| US20100121796A1 (en) * | 2008-11-07 | 2010-05-13 | Staines Heather A | System and method for evaluating a gas environment |
| CN102866179A (zh) * | 2012-09-13 | 2013-01-09 | 重庆大学 | 基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法 |
| US20130304395A1 (en) * | 2010-12-23 | 2013-11-14 | Ravendra Naidu | Analyte ion detection method and device |
| CN103472094A (zh) * | 2013-07-24 | 2013-12-25 | 华东理工大学 | 一种嗅觉模拟仪器和特定物质气（嗅）味等级现场分析方法 |
| CN105259212A (zh) * | 2015-10-19 | 2016-01-20 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种用于sf6分解产物检测的交叉干扰消除方法 |
| CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
| US20200340918A1 (en) * | 2019-04-26 | 2020-10-29 | Horiba Stec, Co., Ltd. | Light absorbance analysis apparatus and program record medium for recording programs of light absorbance analysis apparatus |
| CN111948166A (zh) * | 2020-07-13 | 2020-11-17 | 武汉敢为科技有限公司 | 一种烟气中多种气体污染物同时快速定量分析的方法 |
| CN113052057A (zh) * | 2021-03-19 | 2021-06-29 | 北京工业大学 | 一种基于改进卷积神经网络的交通标志识别方法 |
| CN113219130A (zh) * | 2021-04-16 | 2021-08-06 | 中国农业大学 | 一种多参数气体传感器的校准方法及测试平台 |
| KR20210109400A (ko) * | 2020-02-27 | 2021-09-06 | 주식회사 센서위드유 | 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 |
| CN113358817A (zh) * | 2021-04-22 | 2021-09-07 | 上海工程技术大学 | 一种基于气体浓度梯度驱动的气体源定位装置 |
| US20210310986A1 (en) * | 2019-05-29 | 2021-10-07 | Sapiens Environmental Technology Co., Ltd. | Gas detection system with eliminating influence of ambient temperature and humidity changes and the method thereof |
| US20230152287A1 (en) * | 2020-01-23 | 2023-05-18 | East China University Of Science And Technology | Gas-sensitive-gas-chromatographic electronic nose instrument and online analysis method of multiple state parameters of fermentation and malodorous pollutant processes |
-
2022
- 2022-01-20 CN CN202210063783.2A patent/CN114544868B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0222972A2 (en) * | 1985-07-15 | 1987-05-27 | Toto Ltd. | A multiple-purpose instantaneous gas water heater |
| CN1479869A (zh) * | 2000-12-11 | 2004-03-03 | ķ����ά | 气体传感器标定系统 |
| US20100121796A1 (en) * | 2008-11-07 | 2010-05-13 | Staines Heather A | System and method for evaluating a gas environment |
| US20130304395A1 (en) * | 2010-12-23 | 2013-11-14 | Ravendra Naidu | Analyte ion detection method and device |
| CN102866179A (zh) * | 2012-09-13 | 2013-01-09 | 重庆大学 | 基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法 |
| CN103472094A (zh) * | 2013-07-24 | 2013-12-25 | 华东理工大学 | 一种嗅觉模拟仪器和特定物质气（嗅）味等级现场分析方法 |
| CN105259212A (zh) * | 2015-10-19 | 2016-01-20 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种用于sf6分解产物检测的交叉干扰消除方法 |
| CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
| US20200340918A1 (en) * | 2019-04-26 | 2020-10-29 | Horiba Stec, Co., Ltd. | Light absorbance analysis apparatus and program record medium for recording programs of light absorbance analysis apparatus |
| US20210310986A1 (en) * | 2019-05-29 | 2021-10-07 | Sapiens Environmental Technology Co., Ltd. | Gas detection system with eliminating influence of ambient temperature and humidity changes and the method thereof |
| US20230152287A1 (en) * | 2020-01-23 | 2023-05-18 | East China University Of Science And Technology | Gas-sensitive-gas-chromatographic electronic nose instrument and online analysis method of multiple state parameters of fermentation and malodorous pollutant processes |
| KR20210109400A (ko) * | 2020-02-27 | 2021-09-06 | 주식회사 센서위드유 | 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 |
| CN111948166A (zh) * | 2020-07-13 | 2020-11-17 | 武汉敢为科技有限公司 | 一种烟气中多种气体污染物同时快速定量分析的方法 |
| CN113052057A (zh) * | 2021-03-19 | 2021-06-29 | 北京工业大学 | 一种基于改进卷积神经网络的交通标志识别方法 |
| CN113219130A (zh) * | 2021-04-16 | 2021-08-06 | 中国农业大学 | 一种多参数气体传感器的校准方法及测试平台 |
| CN113358817A (zh) * | 2021-04-22 | 2021-09-07 | 上海工程技术大学 | 一种基于气体浓度梯度驱动的气体源定位装置 |
Non-Patent Citations (3)
| Title |
|---|
| LIJING WEN 等: "Quantitative determination of Freon gas using an electronic nose", 《THE ROYAL SOCIETY OF CHEMISTRY》, no. 127, 9 May 2002 (2002-05-09), pages 786 - 791 * |
| 张华;杨莉;: "多参数气体检测设备数据处理研究", 自动化与仪表, no. 10, 15 October 2008 (2008-10-15), pages 24 - 26 * |
| 杨志蒙 等: "基于温度调制的电子鼻技术应用研究", 《农业装备与车辆工程》, vol. 60, no. 12, 31 December 2022 (2022-12-31), pages 82 - 86 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114965655A (zh) * | 2022-06-27 | 2022-08-30 | 北京理工大学 | 一种基于气体信号的锂离子电池热失控故障诊断系统 |
| CN118583803A (zh) * | 2024-08-02 | 2024-09-03 | 河南科技学院 | 基于甲醇燃料的燃烧排放物实时检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114544868B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gamboa et al. | Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines | |
| CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN114544868A (zh) | 一种消除干扰气体影响的气体检测方法与系统 | |
| Zhang et al. | Fault detection and recognition of multivariate process based on feature learning of one-dimensional convolutional neural network and stacked denoised autoencoder | |
| CN108182433A (zh) | 一种表计读数识别方法及系统 | |
| CN113159163A (zh) | 一种基于多元时序数据分析的轻量级无监督异常检测方法 | |
| CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
| CN110689118A (zh) | 一种基于YOLO V3-tiny改进的目标检测方法 | |
| CN115809569B (zh) | 基于耦合竞争失效模型的可靠性评价方法和装置 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN115576293B (zh) | 基于数据监控的压敏胶在线生产分析方法及系统 | |
| CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
| CN117093857B (zh) | 一种智能戒指测试数据快速处理方法 | |
| CN110731777A (zh) | 基于图像识别的左心室测量方法、装置以及计算机设备 | |
| CN117290818A (zh) | 一种多维时间序列预测方法、电子设备及存储介质 | |
| CN117638916A (zh) | 电力系统总量负荷预测方法及系统 | |
| CN102507677B (zh) | 一种基于多重自组织神经网络的电子鼻漂移抑制方法 | |
| CN117113987A (zh) | 一种基于用户行为特征的关键词智能分辨方法及系统 | |
| CN110908365A (zh) | 一种无人机传感器故障诊断方法、系统及可读存储介质 | |
| CN116720149A (zh) | 基于时空相关性多元回归的飞行数据异常检测和恢复方法 | |
| CN114220012A (zh) | 一种基于深度自注意力网络的纺织品棉麻鉴别方法 | |
| CN116486185A (zh) | 油井工况识别方法、装置、设备和存储介质 | |
| CN113804833A (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
| CN105654128A (zh) | 基于核范数正则低秩编码的风机叶片图像故障识别方法 | |
| CN116393188B (zh) | 适用于循环肿瘤细胞捕捉的微流控芯片及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |