CN117129584B - 热流体发生器尾气检测系统及其方法 - Google Patents
热流体发生器尾气检测系统及其方法 Download PDFInfo
- Publication number
- CN117129584B CN117129584B CN202310058641.1A CN202310058641A CN117129584B CN 117129584 B CN117129584 B CN 117129584B CN 202310058641 A CN202310058641 A CN 202310058641A CN 117129584 B CN117129584 B CN 117129584B
- Authority
- CN
- China
- Prior art keywords
- gas
- convolution
- gas chromatography
- decoded
- gas chromatograph
- 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.)
- Active
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 91
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000007789 gas Substances 0.000 claims abstract description 385
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 35
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 35
- 239000001301 oxygen Substances 0.000 claims abstract description 35
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 34
- 238000004817 gas chromatography Methods 0.000 claims description 178
- 239000013598 vector Substances 0.000 claims description 145
- 238000010586 diagram Methods 0.000 claims description 98
- 230000009467 reduction Effects 0.000 claims description 42
- 230000007246 mechanism Effects 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004587 chromatography analysis Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 abstract description 7
- 239000000243 solution Substances 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000007792 addition Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 239000012535 impurity Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000006244 Medium Thermal Substances 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- 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
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N2030/022—Column chromatography characterised by the kind of separation mechanism
- G01N2030/025—Gas chromatography
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
公开了一种热流体发生器尾气检测系统及其方法,其将从气相色谱图中读取精准的气体成分数据问题转化为基于所述气相色谱图的图像解码问题。具体地,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。这样,构建一种更为优化的热流体发生器尾气检测方案。
Description
技术领域
本申请涉及气体检测领域,且更为具体地,涉及一种热流体发生器尾气检测系统及其方法。
背景技术
多元介质热流体发生器是基于火箭发动机高压燃烧喷射机理,空气与燃料(天然气、柴油、原油)在高压密闭条件下充分燃烧,生成高温高压烟道气,混水降温后形成多组分、多流态混合流体,即多介质热流体。
通过热降粘、溶解降粘、弹性驱、泡沫驱、重力驱、混相流调剖等综合机理,可大幅度提高原油流动性,提高产出能力,降低含水,显著提高采收率。但技术引进初期,设备燃烧不稳定,参数波动频繁且燃烧不充分(积碳),混相气体中余氧含量超标,造成多介质混相气体对注气管网及井筒设备的严重腐蚀。
一种解决方案是对多元介质热流体发生器提供的多元介质热流体进行气体成分检测,主要是氧气浓度和一氧化碳浓度,从而根据该数据随时调整多元介质热流体发生器的工作参数,确保燃烧充分、系统稳定、腐蚀可控。但是,多元介质热流体发生器提供的多元介质热流体无法直接用于气体成分检测。
因此,期待一种热流体发生器尾气检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种热流体发生器尾气检测系统及其方法,其将从气相色谱图中读取精准的气体成分数据问题转化为基于所述气相色谱图的图像解码问题。具体地,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。这样,构建一种更为优化的热流体发生器尾气检测方案。
相应地,根据本申请的一个方面,提供了一种热流体发生器尾气检测系统,其包括:气相色谱图采集模块,用于获取处理后气体的气相色谱图;图像降噪模块,用于将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;空间卷积模块,用于将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;通道卷积模块,用于将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;融合模块,用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及第一解码模块,用于将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
在上述热流体发生器尾气检测系统中,所述图像降噪模块,包括:图像编码单元,用于将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及,图像特征解码单元,用于将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
在上述热流体发生器尾气检测系统中,所述空间卷积模块,进一步用于:使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后气相色谱图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到第一气相色谱特征图。
在上述热流体发生器尾气检测系统中,所述通道卷积模块,进一步用于:使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在上述热流体发生器尾气检测系统中,所述融合模块,包括:特征图展开单元,用于将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量;希尔伯特空间约束单元,用于对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;以及,特征向量重构单元,用于将所述解码气相色谱特征向量重构为所述解码气相色谱特征图。
在上述热流体发生器尾气检测系统中,所述特征图展开单元,进一步用于:将所述第一气相色谱特征图中各个第一气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第一气相色谱特征向量,将所述第二气相色谱特征图中各个第二气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第二气相色谱特征向量。
在上述热流体发生器尾气检测系统中,所述希尔伯特空间约束单元,进一步用于:以如下公式对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;其中,所述公式为:
,
其中,表示所述第一气相色谱特征向量,/>表示所述第二气相色谱特征向量,表示一维卷积运算,即以卷积算子/>对向量进行一维卷积,/>和/>表示加权超参数,/>表示所述解码气相色谱特征向量,/>表示按位置相加。
在上述热流体发生器尾气检测系统中,还包括一氧化碳监测模块,用于将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。
根据本申请的另一方面,还提供了一种热流体发生器尾气检测方法,其包括:获取处理后气体的气相色谱图;将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
在上述热流体发生器尾气检测方法中,所述将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图,包括:将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及,将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
在上述热流体发生器尾气检测方法中,所述将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图,包括:使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后气相色谱图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到第一气相色谱特征图。
在上述热流体发生器尾气检测方法中,所述将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在上述热流体发生器尾气检测方法中,所述融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图,包括:将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量;对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;以及,将所述解码气相色谱特征向量重构为所述解码气相色谱特征图。
在上述热流体发生器尾气检测方法中,所述将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量,包括:将所述第一气相色谱特征图中各个第一气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第一气相色谱特征向量,将所述第二气相色谱特征图中各个第二气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第二气相色谱特征向量。
在上述热流体发生器尾气检测方法中,所述对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量,包括:以如下公式对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;其中,所述公式为:
,
其中,表示所述第一气相色谱特征向量,/>表示所述第二气相色谱特征向量,表示一维卷积运算,即以卷积算子/>对向量/>进行一维卷积,/>和/>表示加权超参数,/>表示所述解码气相色谱特征向量,/>表示按位置相加。
在上述热流体发生器尾气检测方法中,还包括将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的热流体发生器尾气检测方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的热流体发生器尾气检测方法。
与现有技术相比,本申请提供的热流体发生器尾气检测系统及其方法,其将从气相色谱图中读取精准的气体成分数据问题转化为基于所述气相色谱图的图像解码问题。具体地,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。这样,构建一种更为优化的热流体发生器尾气检测方案。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的热流体发生器尾气检测系统的应用场景图。
图2为根据本申请实施例的热流体发生器尾气检测系统的框图。
图3为根据本申请实施例的热流体发生器尾气检测系统的架构示意图。
图4为根据本申请实施例的热流体发生器尾气检测系统中融合模块的框图。
图5为根据本申请实施例的热流体发生器尾气检测方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述:针对上述问题,中国公开专利(专利号 No.CN 114295791A)揭露了一种解决方案,其通过高压过滤器、高压减压阀、第一节流阀、气水分离器、干燥器以及流量计对多元介质热流体发生器产生的部分热流体进行处理以生成处理后气体,并将所述处理后气体经流量计检测流量并精确控流后通入氧气分析仪和一氧化碳分析仪中被检测,得到准确的氧气含量和一氧化碳含量。
在上述方案的实际实施中发现:氧气分析仪和一氧化碳分析仪对于气体的质量较高,一旦前期气体处理没有到位或者仍具有较多杂质会使得气体成分检测发生偏差。因此,期待一种更为优化的热流体发生器尾气检测方案。
具体地,在本申请的技术方案中,可通过气相色谱图来表示处理后的气体中所蕴含的气体成分,且即便所述处理后的气体的质量不高(即,前期气体处理没有到位或者仍具有较多杂质),这也不会影响所述气相色谱图的图像表示。而采用基于气相色谱图的气体成分检测方案,难点在于如何从气相色谱图中读取精准的气体成分数据。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为从气相色谱图中读取精准的气体成分数据提供了新的解决思路和方案。具体地,在本申请的技术方案中,从气相色谱图中读取精准的气体成分数据可以转化为基于所述气相色谱图的图像解码问题,也就是,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。
具体地,首先获取处理后气体的气相色谱图。具体地,在得到所述处理后气体之后,通过气相色谱仪对所述处理后气体进行气相色谱成像以得到所述气相色谱图。
接着,将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图。考虑到如果所述处理后气体中存在诸多杂质,这虽然不会影响气相色谱图的图像表示,但在所述气相色谱图中会引入诸多噪声,增加图像特征提取的难度。因此,在本申请的技术方案中,将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图。具体地,所述自动编解码器包括图像编码器和图像解码器,其中,所述图像编码器用于对所述气相色谱图进行图像编码以提取所述气相色谱图中的有效图像成分,进而利用所述图像解码器对所述气相色谱图中的有效图像成分进行图像解码以得到所述降噪后气相色谱图。在一个具体的示例中,所述图像编码器为至少一个卷积层,所述图像解码器为至少一个反卷积层,也就是,所述基于自动编解码器的图像降噪模块通过卷积操作和反卷积操作来进行图像编码-解码以实现图像降噪的技术目的。
在进行图像降噪处理后,将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图,同时,将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图。也就是说,在进行图像降噪处理后,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述降噪后气相色谱图进行基于卷积核的图像局部特征提取。并且,考虑到所述气相色谱图中不同空间位置的相似度对于最终解码回归的置信度不同,同时,基于所述卷积核的不同通道的特征也对于最终解码回归的置信度不同,因此,为了提高图像解码精准度,在本申请的技术方案中,将空间注意力机制和通道注意力机制集成于所述卷积神经网络模型以得到所提取的图像特征更具空间可鉴别性和通道可鉴别性。
在得到所述第一气相色谱特征图和所述第二气相色谱特征图后,融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图。所述解码气相色谱特征图为所述处理后气体的气相色谱图的图像特征编码表示。接着,将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值,以及,将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。也就是,使用所述解码器以可学习的神经网络参数对所述解码气相色谱特征图进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。
特别地,在本申请的技术方案中,这里,在融合所述第一气相色谱特征图和所述第二气相色谱特征图得到所述解码气相色谱特征图时,考虑到所述第一气相色谱特征图和所述第二气相色谱特征图是由所述降噪后气相色谱图分别通过具有空间注意力机制和通道注意力机制的卷积神经网络模型得到的,因此其特征分布的收敛方向并不一致,如果将其直接以诸如点加的方式融合,可能存在所述解码气相色谱特征图的整体特征分布的收敛性差的问题,这会导致解码器的拟合效果差。而另一方面,在对所述解码气相色谱特征图进行解码时,如果所述解码气相色谱特征图的各特征值之间的相关度高,则会降低解码准确性。
因此,优选地首先将所述第一气相色谱特征图和所述第二气相色谱特征图展开第一气相色谱特征向量和第二气相色谱特征向量/>,然后进行向量模基的希尔伯特空间约束,表示为:
表示一维卷积运算,即以卷积算子/>对向量进行一维卷积。
这里,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束,可以将融合后的解码气相色谱特征向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了融合后的解码气相色谱特征向量/>的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。然后,再将所述解码气相色谱特征向量/>还原为所述解码气相色谱特征图,就可以提升所述解码气相色谱特征图经由解码器的拟合效果和解码准确性。
基于此,本申请提供了一种热流体发生器尾气检测系统,其包括:气相色谱图采集模块,用于获取处理后气体的气相色谱图;图像降噪模块,用于将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;空间卷积模块,用于将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;通道卷积模块,用于将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;融合模块,用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及,第一解码模块,用于将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
图1为根据本申请实施例的热流体发生器尾气检测系统的应用场景图。如图1所示,在该应用场景中,首先由气相色谱仪(例如,如图1中所示意的C)获取处理后气体(例如,如图1中所示意的G)的气相色谱图,其中,所述处理后气体可以存储于气体存储罐(例如,如图1中所示意的T)中。进而,将所述气相色谱图输入至部署有热流体发生器尾气检测算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述热流体发生器尾气检测算法对所述气相色谱图进行处理,以得到第一解码值和第二解码值,所述第一解码值用于表示氧气浓度值,所述第二解码值用于表示一氧化碳浓度值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2为根据本申请实施例的热流体发生器尾气检测系统的框图。如图2所示,根据本申请实施例的热流体发生器尾气检测系统100,包括:气相色谱图采集模块110,用于获取处理后气体的气相色谱图;图像降噪模块120,用于将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;空间卷积模块130,用于将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;通道卷积模块140,用于将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;融合模块150,用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及,第一解码模块160,用于将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
图3为根据本申请实施例的热流体发生器尾气检测系统的架构示意图。如图3所示,首先,获取处理后气体的气相色谱图;接着,将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;然后,将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图,同时,将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;继而,融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;最后,将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
针对上述背景技术部分所言的问题,中国公开专利(专利号 No.CN 114295791A)揭露了一种解决方案,其通过高压过滤器、高压减压阀、第一节流阀、气水分离器、干燥器以及流量计对多元介质热流体发生器产生的部分热流体进行处理以生成处理后气体,并将所述处理后气体经流量计检测流量并精确控流后通入氧气分析仪和一氧化碳分析仪中被检测,得到准确的氧气含量和一氧化碳含量。
在上述方案的实际实施中发现:氧气分析仪和一氧化碳分析仪对于气体的质量较高,一旦前期气体处理没有到位或者仍具有较多杂质会使得气体成分检测发生偏差。因此,期待一种更为优化的热流体发生器尾气检测方案。
具体地,在本申请的技术方案中,可通过气相色谱图来表示处理后的气体中所蕴含的气体成分,且即便所述处理后的气体的质量不高(即,前期气体处理没有到位或者仍具有较多杂质),这也不会影响所述气相色谱图的图像表示。而采用基于气相色谱图的气体成分检测方案,难点在于如何从气相色谱图中读取精准的气体成分数据。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为从气相色谱图中读取精准的气体成分数据提供了新的解决思路和方案。具体地,在本申请的技术方案中,从气相色谱图中读取精准的气体成分数据可以转化为基于所述气相色谱图的图像解码问题,也就是,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。
在上述热流体发生器尾气检测系统100中,所述气相色谱图采集模块110,用于获取处理后气体的气相色谱图。具体地,在得到所述处理后气体之后,通过气相色谱仪对所述处理后气体进行气相色谱成像以得到所述气相色谱图。其中,所述处理后气体可以存储于气体存储罐中。
在上述热流体发生器尾气检测系统100中,所述图像降噪模块120,用于将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图。考虑到如果所述处理后气体中存在诸多杂质,这虽然不会影响气相色谱图的图像表示,但在所述气相色谱图中会引入诸多噪声,增加图像特征提取的难度。因此,在本申请的技术方案中,将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图。
具体地,所述自动编解码器包括图像编码器和图像解码器,其中,所述图像编码器用于对所述气相色谱图进行图像编码以提取所述气相色谱图中的有效图像成分,进而利用所述图像解码器对所述气相色谱图中的有效图像成分进行图像解码以得到所述降噪后气相色谱图。在一个具体的示例中,所述图像编码器为至少一个卷积层,所述图像解码器为至少一个反卷积层,也就是,所述基于自动编解码器的图像降噪模块通过卷积操作和反卷积操作来进行图像编码-解码以实现图像降噪的技术目的。
具体地,在本申请实施例中,所述图像降噪模块120,包括:图像编码单元,用于将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及,图像特征解码单元,用于将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
在上述热流体发生器尾气检测系统100中,所述空间卷积模块130,用于将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图。也就是,在进行图像降噪处理后,将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图。在本申请的技术方案中,使用在图像特征提取领域具有优异性能表现的卷积神经网络模型对所述降噪后气相色谱图进行基于卷积核的图像局部特征提取。并且,考虑到所述气相色谱图中不同空间位置的相似度对于最终解码回归的置信度不同,因此,为了提高图像解码精准度,将空间注意力机制集成于所述卷积神经网络模型以得到所提取的图像特征更具空间可鉴别性。
具体地,在本申请实施例中,所述空间卷积模块130首先使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后气相色谱图进行深度卷积编码以得到初始卷积特征图;接着,将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;然后,将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;继而,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到第一气相色谱特征图。
在上述热流体发生器尾气检测系统100中,所述通道卷积模块140,用于将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图。也就是,在进行空间卷积的同时,对所述降噪后气相色谱图进行通道卷积操作。考虑到基于卷积核的不同通道的特征也对于最终解码回归的置信度不同,因此,为了提高图像解码精准度,在本申请的技术方案中,将通道注意力机制也集成于所述卷积神经网络模型以得到所提取的图像特征更具通道可鉴别性。
具体地,在本申请实施例中,所述通道卷积模块140,进一步用于:使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在上述热流体发生器尾气检测系统100中,所述融合模块150,用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图。所述解码气相色谱特征图为所述处理后气体的气相色谱图的图像特征编码表示。
图4为根据本申请实施例的热流体发生器尾气检测系统中融合模块的框图。如图4所示,所述融合模块150,包括:特征图展开单元151,用于将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量;希尔伯特空间约束单元152,用于对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;以及,特征向量重构单元153,用于将所述解码气相色谱特征向量重构为所述解码气相色谱特征图。
具体地,在本申请实施例中,将所述第一气相色谱特征图中各个第一气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第一气相色谱特征向量,将所述第二气相色谱特征图中各个第二气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第二气相色谱特征向量。
特别地,在本申请的技术方案中,这里,在融合所述第一气相色谱特征图和所述第二气相色谱特征图得到所述解码气相色谱特征图时,考虑到所述第一气相色谱特征图和所述第二气相色谱特征图是由所述降噪后气相色谱图分别通过具有空间注意力机制和通道注意力机制的卷积神经网络模型得到的,因此其特征分布的收敛方向并不一致,如果将其直接以诸如点加的方式融合,可能存在所述解码气相色谱特征图的整体特征分布的收敛性差的问题,这会导致解码器的拟合效果差。而另一方面,在对所述解码气相色谱特征图进行解码时,如果所述解码气相色谱特征图的各特征值之间的相关度高,则会降低解码准确性。
因此,优选地首先将所述第一气相色谱特征图和所述第二气相色谱特征图展开第一气相色谱特征向量和第二气相色谱特征向量/>,然后进行向量模基的希尔伯特空间约束,表示为:
其中,表示所述第一气相色谱特征向量,/>表示所述第二气相色谱特征向量,表示一维卷积运算,即以卷积算子/>对向量进行一维卷积,/>和/>表示加权超参数,/>表示所述解码气相色谱特征向量,/>表示按位置相加。
这里,通过以定义了向量和模与向量内积的希尔伯特空间内的卷积算子对融合的特征向量进行约束,可以将融合后的解码气相色谱特征向量的特征分布限定在以向量的模为基的希尔伯特空间内的有限闭域中,并提升了融合后的解码气相色谱特征向量/>的特征分布的高维流形的各个基维度之间的正交性,从而在维持特征分布整体的收敛性的同时实现了特征值之间的稀疏相关。
然后,再将所述解码气相色谱特征向量还原为所述解码气相色谱特征图,就可以提升所述解码气相色谱特征图经由解码器的拟合效果和解码准确性。值得一提的是,所述解码气相色谱特征向量的重构方向是按照行向量进而,其中,重构的行向量尺度与展开的行向量(即所述第一气相色谱特征向量和所述第二气相色谱特征向量)的尺度是一致的。
在上述热流体发生器尾气检测系统100中,所述第一解码模块160,用于将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。在本申请的技术方案中,还包括一氧化碳监测模块,用于将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。也就是,使用所述解码器以可学习的神经网络参数对所述解码气相色谱特征图进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。
综上,基于本申请实施例的热流体发生器尾气检测系统100被阐明,其将从气相色谱图中读取精准的气体成分数据问题转化为基于所述气相色谱图的图像解码问题。具体地,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。这样,构建一种更为优化的热流体发生器尾气检测方案。
如上所述,根据本申请实施例的热流体发生器尾气检测系统100可以实现在各种终端设备中,例如用于热流体发生器尾气检测的服务器等。在一个示例中,根据本申请实施例的热流体发生器尾气检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该热流体发生器尾气检测系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该热流体发生器尾气检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该热流体发生器尾气检测系统100与该终端设备也可以是分立的设备,并且该热流体发生器尾气检测系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法:图5为根据本申请实施例的热流体发生器尾气检测方法的流程图。如图5所示,根据本申请实施例的热流体发生器尾气检测方法,包括:S110,获取处理后气体的气相色谱图;S120,将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;S130,将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;S140,将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;S150,融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及,S160,将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
在一个示例中,在上述热流体发生器尾气检测方法中,所述将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图,包括:将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及,将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
在一个示例中,在上述热流体发生器尾气检测方法中,所述将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图,包括:使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后气相色谱图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到第一气相色谱特征图。
在一个示例中,在上述热流体发生器尾气检测方法中,所述将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;对所述卷积特征图进行池化处理以生成池化特征图;对所述池化特征图进行激活处理以生成激活特征图;计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及,以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图。
在一个示例中,在上述热流体发生器尾气检测方法中,所述融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图,包括:将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量;对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;以及,将所述解码气相色谱特征向量重构为所述解码气相色谱特征图。
在一个示例中,在上述热流体发生器尾气检测方法中,所述将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量,包括:将所述第一气相色谱特征图中各个第一气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第一气相色谱特征向量,将所述第二气相色谱特征图中各个第二气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第二气相色谱特征向量。
在一个示例中,在上述热流体发生器尾气检测方法中,所述对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量,包括:以如下公式对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;其中,所述公式为:
其中,表示所述第一气相色谱特征向量,/>表示所述第二气相色谱特征向量,/>表示一维卷积运算,即以卷积算子/>对向量进行一维卷积,/>和/>表示加权超参数,/>表示所述解码气相色谱特征向量,/>表示按位置相加。
在一个示例中,在上述热流体发生器尾气检测方法中,还包括将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。
综上,本申请实施例的热流体发生器尾气检测方法被阐明,其将从气相色谱图中读取精准的气体成分数据问题转化为基于所述气相色谱图的图像解码问题。具体地,从所述气相色谱图中提取用于表示氧气成分的图像特征和用于表示一氧化碳成分的图像特征,并通过解码器进行解码回归以得到用于表示氧气浓度值和一氧化碳浓度值的解码值。这样,构建一种更为优化的热流体发生器尾气检测方案。
示例性电子设备:下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的热流体发生器尾气检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如处理后气体的气相色谱图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括第一解码值、第二解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的热流体发生器尾气检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的热流体发生器尾气检测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (5)
1.一种热流体发生器尾气检测系统,其特征在于,包括:
气相色谱图采集模块,用于获取处理后气体的气相色谱图;
图像降噪模块,用于将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;
空间卷积模块,用于将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;
通道卷积模块,用于将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;
融合模块,用于融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及
第一解码模块,用于将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值;
其中,所述空间卷积模块,用于:
使用所述第一卷积神经网络模型的卷积编码部分对所述降噪后气相色谱图进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到空间注意力图;
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到第一气相色谱特征图;
其中,所述通道卷积模块,用于:
使用所述第二卷积神经网络模型的各层在层的正向传递中对输入数据进行:
对所述输入数据进行基于二维卷积核的卷积处理以生成卷积特征图;
对所述卷积特征图进行池化处理以生成池化特征图;
对所述池化特征图进行激活处理以生成激活特征图;
计算所述激活特征图的沿通道维度的各个特征矩阵的全局均值以获得通道特征向量;
计算所述通道特征向量中各个位置的特征值相对于所述通道特征向量的所有位置的特征值的加权和的比值以获得通道加权特征向量;以及
以所述通道加权特征向量的各个位置的特征值作为权重对所述激活特征图的沿通道维度的特征矩阵进行点乘以获得生成特征图;
其中,所述第二卷积神经网络模型的最后一层输出的所述生成特征图为所述第二气相色谱特征图;
其中,所述融合模块,包括:
特征图展开单元,用于将所述第一气相色谱特征图和所述第二气相色谱特征图进行特征图展开以得到第一气相色谱特征向量和第二气相色谱特征向量;
希尔伯特空间约束单元,用于对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;以及
特征向量重构单元,用于将所述解码气相色谱特征向量重构为所述解码气相色谱特征图;
其中,所述特征图展开单元,用于:
将所述第一气相色谱特征图中各个第一气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第一气相色谱特征向量,将所述第二气相色谱特征图中各个第二气相色谱特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述第二气相色谱特征向量;
其中,所述希尔伯特空间约束单元,用于:
以如下公式对所述第一气相色谱特征向量和所述第二气相色谱特征向量进行向量模基的希尔伯特空间约束以得到解码气相色谱特征向量;
其中,所述公式为:
其中,V1表示所述第一气相色谱特征向量,V2表示所述第二气相色谱特征向量,Cov1D表示一维卷积运算,即以卷积算子(||V1||2,||V2||2,V1V2 T)对向量 进行一维卷积,α和β表示加权超参数,Vc表示所述解码气相色谱特征向量,/>表示按位置相加。
2.根据权利要求1所述的热流体发生器尾气检测系统,其特征在于,所述图像降噪模块,包括:
图像编码单元,用于将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及
图像特征解码单元,用于将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
3.根据权利要求2所述的热流体发生器尾气检测系统,其特征在于,还包括一氧化碳监测模块,用于将所述解码气相色谱特征图通过第二解码器以得到第二解码值,所述第二解码值用于表示一氧化碳浓度值。
4.一种如权利要求1所述的热流体发生器尾气检测系统的热流体发生器尾气检测方法,其特征在于,包括:
获取处理后气体的气相色谱图;
将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图;
将所述降噪后气相色谱图通过使用空间注意力机制的第一卷积神经网络模型以得到第一气相色谱特征图;
将所述降噪后气相色谱图通过使用通道注意力机制的第二卷积神经网络模型以得到第二气相色谱特征图;
融合所述第一气相色谱特征图和所述第二气相色谱特征图以得到解码气相色谱特征图;以及
将所述解码气相色谱特征图通过第一解码器以得到第一解码值,所述第一解码值用于表示氧气浓度值。
5.根据权利要求4所述的热流体发生器尾气检测方法,其特征在于,所述将所述处理后气体的气相色谱图通过基于自动编解码器的图像降噪模块以得到降噪后气相色谱图,包括:
将所述处理后气体的气相色谱图输入所述图像降噪模块的编码器,其中,所述编码器使用卷积层对所述处理后气体的气相色谱图进行显式空间编码以得到图像特征;以及
将所述图像特征输入所述图像降噪模块的解码器,其中,所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后气相色谱图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310058641.1A CN117129584B (zh) | 2023-01-16 | 2023-01-16 | 热流体发生器尾气检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310058641.1A CN117129584B (zh) | 2023-01-16 | 2023-01-16 | 热流体发生器尾气检测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117129584A CN117129584A (zh) | 2023-11-28 |
CN117129584B true CN117129584B (zh) | 2024-02-20 |
Family
ID=88858876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310058641.1A Active CN117129584B (zh) | 2023-01-16 | 2023-01-16 | 热流体发生器尾气检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117129584B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295791A (zh) * | 2022-03-09 | 2022-04-08 | 新疆广陆能源科技股份有限公司 | 热流体发生器尾气检测系统和多元介质热流体发生系统 |
CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测系统及监测方法 |
CN115100456A (zh) * | 2022-05-27 | 2022-09-23 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警系统 |
-
2023
- 2023-01-16 CN CN202310058641.1A patent/CN117129584B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114295791A (zh) * | 2022-03-09 | 2022-04-08 | 新疆广陆能源科技股份有限公司 | 热流体发生器尾气检测系统和多元介质热流体发生系统 |
CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测系统及监测方法 |
CN115100456A (zh) * | 2022-05-27 | 2022-09-23 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117129584A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148103B (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
CN110309516B (zh) | 机器翻译模型的训练方法、装置与电子设备 | |
CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
CN116012837A (zh) | 基于无损探测的食材质量检测系统及其检测方法 | |
CN110619124A (zh) | 一种结合注意力机制与双向lstm的命名实体识别方法及系统 | |
CN116309580A (zh) | 基于磁应力的油气管道腐蚀检测方法 | |
CN115656086B (zh) | 一种电子级氟化氢的产品纯度测定系统及其方法 | |
CN116416248A (zh) | 基于荧光显微镜的智能分析系统及其方法 | |
CN116775473A (zh) | 一种基于编解码框架的核电软件测试用例生成方法 | |
CN117129584B (zh) | 热流体发生器尾气检测系统及其方法 | |
CN116146309A (zh) | 船舶尾气处理系统及其方法 | |
Wang et al. | Incomplete multimodality-diffused emotion recognition | |
CN117007535A (zh) | 湿法提钒的离子交换方法及其系统 | |
Angelilli et al. | Large eddy simulation with flamelet progress variable approach combined with artificial neural network acceleration | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN115932140A (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
CN115902004B (zh) | 一种脱气氢电导率的测量装置及测量方法 | |
CN115631176A (zh) | 艺术设计教学系统及其方法 | |
CN116678258A (zh) | 用于压力容器的冷热交换器及其控制方法 | |
CN115950993B (zh) | 氟氮混合气中氟含量的测试方法 | |
CN115683255A (zh) | 基于数据协整分析的油耗计量系统及其方法 | |
CN115827856A (zh) | 一种基于计算机的军工领域消息的传递方法 | |
CN116106457B (zh) | 空气采样检测一体化装置 | |
CN116821802A (zh) | 多介质混相气体发生系统及其方法 | |
CN117018858B (zh) | 工业废气净化设备及其控制方法 |
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 |