CN117250183B - 气体成分分析方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种气体成分分析方法、装置、设备及存储介质，用于提高气体成分分析的准确率并实现智能的气体加工方案优化。方法包括：获取初始气体加工方案并采集多个气体样品；进行激光拉曼光谱气体检测，得到激光拉曼光谱数据；进行气体组分分析，得到多个气体组分并进行体积分数计算，得到体积分数数据；进行曲线拟合，得到体积分数变化曲线并进行曲线特征分析，得到体积分数变化特征集合；对初始加工工序顺序、初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到目标变化特征矩阵；将目标变化特征矩阵输入气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案。

Description

气体成分分析方法、装置、设备及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种气体成分分析方法、装置、设备及存储介质。

背景技术

在工业生产中，对气体成分进行准确的分析对于优化工艺参数、提高生产效率至关重要。这种方法通过分析气体组分的变化特征，结合先进的光谱分析技术，可以为工业生产提供更为精细的监测和控制手段。

传统的气体分析方法存在着设备庞大、分析周期长、对样品量要求大等缺陷，容易导致气体成分分析的准确率低。

发明内容

本发明提供了一种气体成分分析方法、装置、设备及存储介质，用于提高气体成分分析的准确率并实现智能的气体加工方案优化。

本发明第一方面提供了一种气体成分分析方法，所述气体成分分析方法包括：

获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合；

分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案。

结合第一方面，在本发明第一方面的第一种实现方式中，所述获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合，包括：

获取多个加工工序节点，并对所述多个加工工序节点进行加工工序顺序初始化，生成初始加工工序顺序；

分别对所述多个加工工序节点进行加工参数初始化，得到对应的初始加工参数集合；

根据所述初始加工工序顺序以及所述初始加工参数集合生成对应的初始气体加工方案；

基于所述初始气体加工方案进行气体加工，并基于预设的时间周期采集对应的多个气体样品。

结合第一方面，在本发明第一方面的第二种实现方式中，所述分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据，包括：

根据所述多个气体样品获取对应的激光器检测参数，并根据所述激光器检测参数对激光器进行检测参数配置，所述激光器检测参数包括激光功率、激光波长及光谱范围；

通过所述激光器和拉曼光谱仪，分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的第一拉曼光谱数据；

对每个气体样品的第一拉曼光谱数据进行数据噪声去除，得到每个气体样品的第二拉曼光谱数据；

对每个气体样品的第二拉曼光谱数据进行基线校正，得到每个气体样品的激光拉曼光谱数据。

结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据，包括：

对所述激光拉曼光谱数据进行光谱峰值提取，得到每个气体样品的多个特征峰值；

获取气体标准库，所述气体标准库包括每个气体分子的典型光谱特征，以及已知浓度下的标准光谱数据；

对每个气体样品的多个特征峰值以及所述气体标准库进行光谱特征进行匹配，得到每个特征峰值的光谱特征匹配结果；

根据每个特征峰值的光谱特征匹配结果确定每个气体样品的多个气体组分；

根据每个特征峰值的光谱特征匹配结果构建每个气体组分的拉曼特征峰高曲线，并根据每个气体组分的拉曼特征峰高曲线生成每个气体组分与体积分数的定量回归曲线；

根据所述定量回归曲线对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据。

结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合，包括：

对所述多个气体样品中同一气体组分的体积分数数据进行整合，并获取所述体积分数数据的时间戳数据；

根据所述时间戳数据对所述同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线；

分别对每个气体组分的体积分数变化曲线进行曲线特征提取，得到每个体积分数变化曲线的多个候选曲线特征点；

对所述多个候选曲线特征点进行标准偏差计算，得到目标标准偏差，并根据所述目标标准偏差对所述多个候选曲线特征点进行曲线特征点筛选，得到每个气体组分的多个目标曲线特征点；

根据所述多个目标曲线特征点生成每个气体组分的体积分数变化特征集合。

结合第一方面，在本发明第一方面的第五种实现方式中，所述对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵，包括：

对所述初始加工工序顺序中的多个加工工序节点进行节点编码，得到多个工序节点编码；

对所述初始加工参数集合进行参数标准化处理，得到多个标准加工参数，并将所述多个工序节点编码与所述多个标准加工参数进行一一对应处理，同时，对所述多个工序节点编码与所述多个标准加工参数进行矩阵转换，得到初始变化特征矩阵；

对每个气体组分的体积分数变化特征集合进行特征归一化处理，得到每个气体组分的多个归一化变化特征；

分别对每个气体组分的多个归一化变化特征与所述初始变化特征矩阵进行矩阵映射，得到每个气体组分的目标变化特征矩阵。

结合第一方面，在本发明第一方面的第六种实现方式中，所述将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案，包括：

将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型，所述气体加工方案优化模型包括多个弱分类器、第一门限循环网络、第二门限循环网络以及目标优化网络；

通过所述多个弱分类器分别接收每个气体组分的目标变化特征矩阵，并通过每个弱分类器中的双向长短时记忆网络进行时序变化特征提取，得到每个弱分类器的时序变化特征矩阵；

对每个弱分类器的时序变化特征矩阵进行特征整合，得到目标融合特征矩阵，并通过所述第一门限循环网络对所述目标融合特征矩阵进行气体加工参数优化预测，得到预测加工参数集合，以及通过所述第二门限循环网络对所述目标融合特征矩阵进行加工工序优化分析，得到预测加工工序顺序；

通过所述目标优化网络中的鲸鱼优化算法，根据所述预测加工参数集合和所述预测加工工序顺序进行气体加工方案最优化分析，得到目标气体加工方案。

本发明第二方面提供了一种气体成分分析装置，所述气体成分分析装置包括：

获取模块，用于获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合；

检测模块，用于分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

分析模块，用于对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

拟合模块，用于对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

映射模块，用于对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

优化模块，用于将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案。

本发明第三方面提供了一种气体成分分析设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述气体成分分析设备执行上述的气体成分分析方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的气体成分分析方法。

本发明提供的技术方案中，获取初始气体加工方案并采集多个气体样品；进行激光拉曼光谱气体检测，得到激光拉曼光谱数据；进行气体组分分析，得到多个气体组分并进行体积分数计算，得到体积分数数据；进行曲线拟合，得到体积分数变化曲线并进行曲线特征分析，得到体积分数变化特征集合；对初始加工工序顺序、初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到目标变化特征矩阵；将目标变化特征矩阵输入气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案，本发明通过激光拉曼光谱气体检测技术，实现对多个气体样品的高效分析，得到准确的气体组分体积分数数据。通过对同一气体组分体积分数变化曲线的曲线特征分析，能够提高对气体组分变化的准确性和敏感性。利用矩阵映射技术将初始加工工序顺序、参数集合和气体组分的特征点综合成目标变化特征矩阵，实现多层次信息的综合分析。预置的气体加工方案优化模型包括多个弱分类器、循环网络和目标优化网络，通过多层次的分析和优化，提高了气体加工方案的精度和稳定性。引入时序变化特征提取，通过双向长短时记忆网络等技术，充分利用时序信息提高了对气体组分变化的理解。通过目标融合特征矩阵，将多个弱分类器的时序变化特征有机融合，提高了气体加工方案的整体优化效果。目标优化网络中采用鲸鱼优化算法，具有较强的全局搜索和优化能力，有助于应对复杂多变的气体加工环境，提高了系统的鲁棒性。通过将多个气体组分的目标变化特征矩阵输入到模型中，实现了对整个气体加工方案的全面分析和优化，进而提高了气体成分分析的准确率，并实现了智能的气体加工方案优化。

附图说明

图1为本发明实施例中气体成分分析方法的一个实施例示意图；

图2为本发明实施例中激光拉曼光谱气体检测的流程图；

图3为本发明实施例中气体组分分析和体积分数计算的流程图；

图4为本发明实施例中曲线特征分析的流程图；

图5为本发明实施例中气体成分分析装置的一个实施例示意图；

图6为本发明实施例中气体成分分析设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种气体成分分析方法、装置、设备及存储介质，用于提高气体成分分析的准确率并实现智能的气体加工方案优化。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中气体成分分析方法的一个实施例包括：

S101、获取初始气体加工方案，并基于预设的时间周期采集初始气体加工方案对应的多个气体样品，初始气体加工方案包括初始加工工序顺序和初始加工参数集合；

可以理解的是，本发明的执行主体可以为气体成分分析装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，获取多个加工工序节点，这些节点代表了气体处理的各个环节。对于气体成分分析，这些环节包括气体采集、压缩、冷却等。对这些加工工序节点进行加工工序顺序初始化，以确定初始的工序执行顺序。这确保了气体处理按照特定的计划进行，以确保一致性和可控性。例如，对于分析工业过程中产生的气体，初始的加工工序节点包括气体采集、粗筛、精筛和压缩。初始化后的工序执行顺序是：气体采集→粗筛→精筛→压缩。分别对这些多个加工工序节点进行加工参数初始化。这包括设置各个工序节点的加工参数，如温度、压力、流速等等。每个工序节点的参数都会影响气体处理的结果。这些参数的初始化是为了确保每个节点按照特定的标准进行操作，以实现一致性和可控性。例如，对于气体采集工序节点，需要初始化采集温度和采集流速。而对于压缩工序节点，需要初始化压缩比和压缩温度等参数。根据初始加工工序顺序和初始化的加工参数集合，生成对应的初始气体加工方案。这个方案是一个详细的计划，规定了每个工序节点的操作步骤和参数设置。这确保了气体的处理过程是受控的和可预测的。例如，基于上述初始化的数据，生成的初始气体加工方案包括具体的采集温度、采集流速、粗筛参数、精筛参数、压缩比和压缩温度等参数设置，以确保气体按照特定的顺序和参数进行加工。根据初始气体加工方案进行气体加工，并在预设的时间周期内采集对应的多个气体样品。这些样品代表了在不同时间点根据初始方案的指导下采集的气体样本。这确保了样品的一致性和可比性。例如，按照初始气体加工方案，可以开始采集、粗筛、精筛和压缩气体，并在每个处理步骤后采集相应的气体样品。

S102、分别对多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

具体的，根据多个气体样品的特性获取对应的激光器检测参数。这些参数包括激光功率、激光波长以及光谱范围。不同气体样品需要不同的激光器检测参数，以确保有效的激光拉曼光谱检测。例如，考虑分析不同气体样品，其中一种气体对特定激光波长更敏感，而另一种气体需要不同的激光功率水平。因此，通过根据每种气体样品的特性获得相应的激光器检测参数，服务器能够针对性地配置激光器，以适应不同样品的需求。使用激光器和拉曼光谱仪，对多个气体样品进行激光拉曼光谱气体检测，获取每个气体样品的第一拉曼光谱数据。这些数据包含了气体样品中分子的振动光谱信息，但通常包含有噪声和基线漂移。例如，如果分析气体样品中的甲烷和氮气，服务器会将激光器配置为适应这两种气体，并进行拉曼光谱检测，以获取第一拉曼光谱数据。需要对每个气体样品的第一拉曳光谱数据进行数据噪声去除。这是一个关键的数据处理步骤，旨在消除从仪器或环境中引入的噪声，以获得更准确的数据。例如，通过使用数字滤波技术或统计方法，服务器识别和去除激光拉曼光谱数据中的噪声信号，确保数据质量。进行基线校正，有助于纠正存在的基线漂移，以确保所得的激光拉曼光谱数据是准确且可靠的。

S103、对激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

需要说明的是，对从激光拉曼光谱数据中提取出的光谱峰值进行分析，这有助于确定气体样品的多个特征峰值。这些峰值对应于光谱中的特定波长范围，它们是分析气体组分的关键特征。例如，假设服务器正在分析一气体样品，光谱数据显示多个峰值，每个峰值对应于不同的分子振动。通过光谱峰值提取，服务器确定了这些特征峰值。获取一个气体标准库，这个库包含了各种气体分子的典型光谱特征以及已知浓度下的标准光谱数据。这个标准库用于与样品中的特征峰值进行比对，以确定每个特征峰值所对应的气体分子。例如，气体标准库中包括氧气、二氧化碳、甲烷等气体的光谱特征和标准光谱数据。将每个气体样品的多个特征峰值与气体标准库进行光谱特征匹配，确定特征峰值所对应的气体分子。匹配过程涉及比对特征峰值的波长、强度等光谱特征。假设服务器的样品中存在特定的特征峰值，与气体标准库中氧气的特征峰值高度匹配，这就表明样品中含有氧气。根据光谱特征匹配结果确定每个气体样品的多个气体组分。服务器确定样品中不同气体分子的存在与浓度。例如，如果匹配结果显示样品中存在氧气和二氧化碳的特征峰值，服务器确定这两种气体的存在。进一步，可以根据光谱特征匹配结果构建每个气体组分的拉曼特征峰高曲线，这是为了定量分析不同气体组分的体积分数。这一步骤有助于建立特定气体分子的定量关系。使用生成的定量回归曲线，对多个气体组分进行体积分数计算。这将提供每个气体组分的体积分数数据，用于了解气体样品的成分

S104、对多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

具体的，对多个气体样品中的同一气体组分的体积分数数据进行整合，并获取时间戳数据，以建立时间和体积分数之间的关联。使用时间戳数据对同一气体组分的体积分数数据进行曲线拟合。曲线拟合可以采用适当的数学模型，以描述数据的趋势和变化。进行曲线特征提取，这包括从每个气体组分的体积分数变化曲线中提取有意义的特征。这些特征可以包括曲线的斜率、极值点、谷值点、面积等，用于描述曲线的性质。然后，从曲线特征提取的结果中获得多个候选曲线特征点，这些点代表曲线的不同特性。候选曲线特征点将用于后续的分析。进行标准偏差计算，以评估每个气体组分的多个候选曲线特征点之间的变化程度。标准偏差是一种度量数据分散度的统计指标，用于确定哪些特征点在各个样品中的变化较小，更具可靠性。根据标准偏差的计算结果，对多个候选曲线特征点进行筛选，以获得每个气体组分的多个目标曲线特征点。这些目标特征点在不同样品中的变化较小，因此更适合用于描述该气体组分的体积分数变化特征。例如，假设分析多个气体样品中的氧气浓度变化。整合样品数据，获取时间戳信息，然后拟合氧气浓度变化曲线。从曲线中提取特征，如曲线的斜率和峰值。然后，计算标准偏差以评估这些特征的稳定性，筛选出最可靠的特征点，用于描述氧气浓度的变化特征。

S105、对初始加工工序顺序、初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

具体的，对初始加工工序顺序中的多个加工工序节点进行节点编码。目的是将工序节点进行数字编码，以便进行后续处理。这些编码可以帮助标识和跟踪不同的工序节点。对初始加工参数集合进行参数标准化处理。参数标准化通常包括均值中心化和标准差缩放，以确保参数具有相似的尺度。标准化处理有助于消除不同参数之间的尺度差异，以确保它们对分析的影响是一致的。将工序节点编码与标准化参数一一对应处理。将每个工序节点编码与相应的标准化参数相关联，以创建一个与工序顺序和参数相关的数据集。同时，对这些数据进行矩阵转换，以获得初始变化特征矩阵。这个矩阵将包括工序节点编码和标准化参数，反映了初始加工工序顺序和参数的特征。对每个气体组分的体积分数变化特征集合进行特征归一化处理。这通常涉及将每个气体组分的特征值进行缩放，以确保它们具有相似的尺度，不会因数值范围的差异而引入偏差。对每个气体组分的多个归一化变化特征与初始变化特征矩阵进行矩阵映射。这一映射将使用工序节点编码和标准化参数的信息，将气体组分的变化特征与加工工序和参数相关联，生成每个气体组分的目标变化特征矩阵。例如，假设分析工业过程中的气体成分，包括氮气和氧气。对工序顺序进行编码，例如将采样、压缩和冷却编码为1、2和3。然后，对采样温度、采样压力、压缩比等参数进行标准化处理，确保它们在相似的尺度上。将编码和参数相关联，形成初始变化特征矩阵。然后，对氮气和氧气的体积分数变化进行特征归一化处理，以确保它们具有相似的尺度。将这些特征与初始变化特征矩阵进行矩阵映射，获得氮气和氧气的目标变化特征矩阵。

S106、将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案。

具体的，对每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型。这个模型包括多个组件，如弱分类器、第一门限循环网络、第二门限循环网络以及目标优化网络。这些组件协同工作，以优化气体加工方案，确保每个气体组分的体积分数在满足要求的情况下被处理。其中，多个弱分类器起到关键作用，它们各自接收每个气体组分的目标变化特征矩阵。每个弱分类器内部包含双向长短时记忆网络，用于进行时序变化特征提取。这有助于捕获气体组分的动态变化，使模型能够更好地理解气体成分的波动和趋势。对每个弱分类器的时序变化特征矩阵进行特征整合，以得到目标融合特征矩阵。这个矩阵将包括不同气体组分的综合特征，为进一步的优化提供基础。通过第一门限循环网络，可以对目标融合特征矩阵进行气体加工参数优化预测。这一步骤有助于确定适当的处理参数，以满足气体成分的要求。预测的加工参数集合将用于进一步的分析。通过第二门限循环网络，可以对目标融合特征矩阵进行加工工序优化分析。这一步骤有助于确定最佳的加工工序顺序，以确保不同气体组分按照最有效的方式进行处理。通过目标优化网络中的鲸鱼优化算法，可以综合考虑预测的加工参数集合和加工工序优化结果，进行气体加工方案最优化分析。这个过程的目标是确定最终的目标气体加工方案，以满足各个气体组分的要求。例如，考虑分析和处理气体混合物，包括氧气和氮气。每个气体组分的目标变化特征矩阵被输入气体加工方案优化模型。该模型使用弱分类器提取时序变化特征，通过第一门限循环网络进行参数优化预测，然后通过第二门限循环网络进行工序优化分析。鲸鱼优化算法综合考虑参数和工序优化结果，确定了最佳的气体加工方案，以确保氧气和氮气的体积分数在满足工业标准的情况下被处理。

本发明实施例中，通过激光拉曼光谱气体检测技术，实现对多个气体样品的高效分析，得到准确的气体组分体积分数数据。通过对同一气体组分体积分数变化曲线的曲线特征分析，能够提高对气体组分变化的准确性和敏感性。利用矩阵映射技术将初始加工工序顺序、参数集合和气体组分的特征点综合成目标变化特征矩阵，实现多层次信息的综合分析。预置的气体加工方案优化模型包括多个弱分类器、循环网络和目标优化网络，通过多层次的分析和优化，提高了气体加工方案的精度和稳定性。引入时序变化特征提取，通过双向长短时记忆网络等技术，充分利用时序信息提高了对气体组分变化的理解。通过目标融合特征矩阵，将多个弱分类器的时序变化特征有机融合，提高了气体加工方案的整体优化效果。目标优化网络中采用鲸鱼优化算法，具有较强的全局搜索和优化能力，有助于应对复杂多变的气体加工环境，提高了系统的鲁棒性。通过将多个气体组分的目标变化特征矩阵输入到模型中，实现了对整个气体加工方案的全面分析和优化，进而提高了气体成分分析的准确率，并实现了智能的气体加工方案优化。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）获取多个加工工序节点，并对多个加工工序节点进行加工工序顺序初始化，生成初始加工工序顺序；

（2）分别对多个加工工序节点进行加工参数初始化，得到对应的初始加工参数集合；

（3）根据初始加工工序顺序以及初始加工参数集合生成对应的初始气体加工方案；

（4）基于初始气体加工方案进行气体加工，并基于预设的时间周期采集对应的多个气体样品。

具体的，获取多个加工工序节点，这些节点代表了气体加工的不同阶段或步骤。这些节点可以包括气体采集、压缩、分离等操作。为了更好地管理这些节点，需要进行加工工序顺序的初始化。这个初始化过程将确定这些节点的处理顺序，以确保气体在不同阶段得到正确的处理。例如，可以规定气体采集作为第一个步骤，接着是压缩和分离。分别对多个加工工序节点进行加工参数初始化。这涉及到为每个节点设置适当的处理参数，如温度、压力、流速等。这些参数将直接影响气体的处理方式和结果。例如，对于气体采集节点，需要确定采集温度和采集流速的初始值。而在压缩节点，初始加工参数集合包括压缩比和压缩温度。根据初始加工工序顺序以及初始加工参数集合，接下来生成对应的初始气体加工方案。这个方案将详细规定气体的处理方式，包括每个节点的操作顺序和相应的处理参数。例如，初始气体加工方案将确保气体首先被采集，然后通过适当的压缩和温度控制进行处理。基于初始气体加工方案进行气体加工，并基于预设的时间周期采集对应的多个气体样品。根据方案的规定，对气体进行采样和处理，以获取样品以供后续的分析。例如，根据初始气体加工方案，可以在不同时间点采集气体样品，然后将这些样品用于进一步的气体成分分析。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、根据多个气体样品获取对应的激光器检测参数，并根据激光器检测参数对激光器进行检测参数配置，激光器检测参数包括激光功率、激光波长及光谱范围；

S202、通过激光器和拉曼光谱仪，分别对多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的第一拉曼光谱数据；

S203、对每个气体样品的第一拉曼光谱数据进行数据噪声去除，得到每个气体样品的第二拉曼光谱数据；

S204、对每个气体样品的第二拉曼光谱数据进行基线校正，得到每个气体样品的激光拉曼光谱数据。

具体的，根据多个气体样品获取对应的激光器检测参数，这些参数包括激光功率、激光波长以及光谱范围。这一步骤确保了激光器的配置适用于特定的气体成分，并且能够提供准确的拉曼光谱数据。激光器的功率、波长和光谱范围将根据不同气体成分和实验条件而变化。通过激光器和拉曼光谱仪，对多个气体样品进行激光拉曼光谱气体检测，以获得每个气体样品的第一拉曼光谱数据。这一步骤涉及将激光束照射到气体样品上，然后收集散射的拉曼光谱信号。每个气体成分都具有独特的拉曼光谱特征，使得可以通过这些特征来确定气体成分。对每个气体样品的第一拉曼光谱数据进行数据噪声去除。在实验过程中，会出现各种干扰或噪声，如背景光、仪器噪声等。数据噪声去除是为了清晰地分辨出气体拉曼光谱信号并提高数据质量。这通常需要使用信噪比增强技术和滤波方法。对每个气体样品的第一拉曼光谱数据进行基线校正。基线通常是光谱中的背景信号，不包含与气体成分相关的信息。基线校正的目的是去除基线对光谱数据的影响，从而获得纯粹的气体拉曼光谱信号。这一步骤通常涉及数学模型和算法，以准确估算和去除基线信号。通过上述步骤，得到了每个气体样品的激光拉曼光谱数据，这些数据反映了样品中的气体成分。这些数据可以用于进一步的分析，例如气体成分定量、质量控制或环境监测。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、对激光拉曼光谱数据进行光谱峰值提取，得到每个气体样品的多个特征峰值；

S302、获取气体标准库，气体标准库包括每个气体分子的典型光谱特征，以及已知浓度下的标准光谱数据；

S303、对每个气体样品的多个特征峰值以及气体标准库进行光谱特征进行匹配，得到每个特征峰值的光谱特征匹配结果；

S304、根据每个特征峰值的光谱特征匹配结果确定每个气体样品的多个气体组分；

S305、根据每个特征峰值的光谱特征匹配结果构建每个气体组分的拉曼特征峰高曲线，并根据每个气体组分的拉曼特征峰高曲线生成每个气体组分与体积分数的定量回归曲线；

S306、根据定量回归曲线对多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据。

具体的，对激光拉曼光谱数据进行光谱峰值提取，以获取每个气体样品的多个特征峰值。这些特征峰值是光谱中出现的波峰，通常与特定的气体分子振动模式相关。通过光谱峰值提取，服务器识别出激光拉曼光谱中的主要特征。例如，假设服务器对一气体样品进行了拉曼光谱检测，提取的光谱峰值包括气体分子的振动模式，如拉曼峰位于光谱图上。获取气体标准库，其中包括每个气体分子的典型光谱特征，以及已知浓度下的标准光谱数据。气体标准库是一个关键组成部分，用于将实测的光谱数据与已知气体的特征进行比对和匹配。例如，气体标准库包括氧气、氮气、甲烷等各种气体的标准光谱特征和浓度数据。对每个气体样品的多个特征峰值以及气体标准库进行光谱特征匹配。将实测的光谱峰值与标准库中的特征进行比对，以确定样品中存在的气体成分。例如，如果实测的光谱峰值与氧气的标准光谱特征匹配，那么可以确定样品中存在氧气。根据每个特征峰值的光谱特征匹配结果，确定每个气体样品的多个气体组分。例如，根据匹配结果，服务器确定样品中包括氧气、氮气和甲烷。根据每个特征峰值的光谱特征匹配结果，构建每个气体组分的拉曼特征峰高曲线。这个曲线表示光谱峰随浓度的变化关系。然后，根据这些曲线生成每个气体组分与体积分数的定量回归曲线。例如，如果服务器确定样品中包括氧气，服务器将构建氧气的拉曼特征峰高曲线，并生成氧气浓度与峰高之间的定量关系。根据定量回归曲线对多个气体组分进行体积分数计算，以得到每个气体组分的体积分数数据。这一步骤将允许服务器量化样品中不同气体成分的浓度。例如，通过定量回归曲线，服务器计算出氧气、氮气和甲烷的体积分数。

在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：

S401、对多个气体样品中同一气体组分的体积分数数据进行整合，并获取体积分数数据的时间戳数据；

S402、根据时间戳数据对同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线；

S403、分别对每个气体组分的体积分数变化曲线进行曲线特征提取，得到每个体积分数变化曲线的多个候选曲线特征点；

S404、对多个候选曲线特征点进行标准偏差计算，得到目标标准偏差，并根据目标标准偏差对多个候选曲线特征点进行曲线特征点筛选，得到每个气体组分的多个目标曲线特征点；

S405、根据多个目标曲线特征点生成每个气体组分的体积分数变化特征集合。

具体的，对多个气体样品中同一气体组分的体积分数数据进行整合。将来自不同样品的相同气体组分数据合并，以便进一步的分析。同时，获取这些数据的时间戳，以了解每个数据点的采集时间。例如，服务器在多个时间点采集了不同气体样品的氧气体积分数数据，并记录了每个数据点的时间戳。根据时间戳数据对同一气体组分的体积分数数据进行曲线拟合。目的是创建每个气体组分的体积分数变化曲线，以揭示其浓度随时间的变化趋势。例如，服务器使用数学模型对氧气体积分数数据进行拟合，从而获得氧气浓度随时间的曲线。然后，分别对每个气体组分的体积分数变化曲线进行曲线特征提取。这一过程涉及识别曲线中的关键特征点，如上升、下降或稳定阶段的位置和幅度。这些特征点反映了气体浓度的关键变化。例如，服务器鉴别氧气体积分数曲线中的峰值、谷值或变化率，以找到关键特征点。对多个候选曲线特征点进行标准偏差计算。标准偏差是一种用来衡量数据点间离散度的指标。这一步骤的目的是识别在多个样品中具有相似变化趋势的特征点。例如，服务器计算不同样品中特征点的标准偏差，以找出哪些特征点的位置和幅度在各个样品中变化不大。根据目标标准偏差对多个候选曲线特征点进行曲线特征点筛选，以得到每个气体组分的多个目标曲线特征点。这些目标特征点将最好地表示气体组分的变化趋势。例如，如果目标标准偏差指示特定特征点在多个样品中变化不大，那么该特征点将被选定为目标特征点，以描述气体组分的体积分数变化。服务器获得每个气体组分的体积分数变化特征集合，这些特征集合反映了不同样品中气体组分的关键变化趋势。有助于监测气体浓度的时间演变以及了解不同样品之间的变化差异。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）对初始加工工序顺序中的多个加工工序节点进行节点编码，得到多个工序节点编码；

（2）对初始加工参数集合进行参数标准化处理，得到多个标准加工参数，并将多个工序节点编码与多个标准加工参数进行一一对应处理，同时，对多个工序节点编码与多个标准加工参数进行矩阵转换，得到初始变化特征矩阵；

（3）对每个气体组分的体积分数变化特征集合进行特征归一化处理，得到每个气体组分的多个归一化变化特征；

（4）分别对每个气体组分的多个归一化变化特征与初始变化特征矩阵进行矩阵映射，得到每个气体组分的目标变化特征矩阵。

具体的，对初始加工工序顺序中的多个加工工序节点进行节点编码。目的是将不同的工序节点映射为数字编码，以便后续的处理和分析。例如，假设加工工序包括采集、压缩和分离，可以将它们分别编码为1、2和3，以表示它们在工序顺序中的位置。同时，对初始加工参数集合进行参数标准化处理。标准化通常包括将参数值进行均值中心化和标准差缩放，以确保它们具有相似的尺度。这将有助于减小不同参数之间的数量级差异，使它们更容易进行比较和处理。例如，如果加工参数包括温度（摄氏度）和压力（帕斯卡），标准化可以将它们转化为均值为0，标准差为1的无单位值，使它们具有相似的尺度。将多个工序节点编码与多个标准加工参数进行一一对应处理。这一步骤将工序节点和参数相关联，以建立它们之间的关系。例如，如果编码为1的工序节点对应温度参数，编码为2的工序节点对应压力参数，那么服务器建立了工序节点和参数之间的对应关系。同时，对多个工序节点编码与多个标准加工参数进行矩阵转换，以得到初始变化特征矩阵。这个矩阵将包括工序节点编码和标准化参数，反映了初始加工工序顺序和参数的特征。例如，通过将工序节点编码和标准化参数构建矩阵，服务器获得一个矩阵，其中每一行代表一个样本，每一列代表一个特征，从而表示不同样本的工序节点和参数。对每个气体组分的体积分数变化特征集合进行特征归一化处理。特征归一化通常包括将不同特征的值缩放到相似的尺度范围内，以确保它们不会因数值范围的差异而引入偏差。例如，对于气体组分的体积分数变化特征，服务器将它们进行归一化，使其值在0到1的范围内，以减小特征之间的数量级差异。分别对每个气体组分的多个归一化变化特征与初始变化特征矩阵进行矩阵映射。这一映射将利用工序节点编码和标准化参数来建立气体组分的目标变化特征矩阵，该矩阵将包括与每个气体组分相关的特征。例如，如果服务器正在分析气体A、B和C的体积分数变化特征，矩阵映射将生成目标变化特征矩阵，其中每行代表一个样本，每列代表一个特征，与气体A、B和C的体积分数变化相关。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型，气体加工方案优化模型包括多个弱分类器、第一门限循环网络、第二门限循环网络以及目标优化网络；

（2）通过多个弱分类器分别接收每个气体组分的目标变化特征矩阵，并通过每个弱分类器中的双向长短时记忆网络进行时序变化特征提取，得到每个弱分类器的时序变化特征矩阵；

（3）对每个弱分类器的时序变化特征矩阵进行特征整合，得到目标融合特征矩阵，并通过第一门限循环网络对目标融合特征矩阵进行气体加工参数优化预测，得到预测加工参数集合，以及通过第二门限循环网络对目标融合特征矩阵进行加工工序优化分析，得到预测加工工序顺序；

（4）通过目标优化网络中的鲸鱼优化算法，根据预测加工参数集合和预测加工工序顺序进行气体加工方案最优化分析，得到目标气体加工方案。

具体的，将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型。气体加工方案优化模型包括多个组件，如多个弱分类器、第一门限循环网络、第二门限循环网络和目标优化网络。这些组件协同工作，以实现气体加工方案的优化。多个弱分类器是模型的关键组成部分，用于分别处理每个气体组分的目标变化特征矩阵。每个弱分类器包含一个双向长短时记忆网络（LSTM），用于提取时序变化特征。例如，如果服务器分析的气体组分包括氮气、氧气和二氧化碳，服务器将有三个弱分类器，每个用于处理对应气体组分的目标变化特征矩阵。通过LSTM，这些弱分类器能够捕获时序变化中的关键特征。对每个弱分类器的时序变化特征矩阵进行特征整合。将每个气体组分的时序变化特征合并为一个目标融合特征矩阵，以便进行进一步的加工参数优化和工序优化。第一门限循环网络是用于预测气体加工参数的关键组件。它接收目标融合特征矩阵，并通过深度学习技术进行参数优化预测。这将生成一个预测的加工参数集合，其中包含了每个气体组分的最佳加工参数。例如，如果服务器的目标是优化氧气的处理参数，第一门限循环网络将根据目标融合特征矩阵生成最佳的氧气处理参数，如温度、压力等。第二门限循环网络则用于加工工序的优化。它接收目标融合特征矩阵，并分析加工工序的顺序，以提供最佳的工序优化分析。这将生成一个预测的加工工序顺序。例如，如果服务器确定对氮气、氧气和二氧化碳的加工顺序，第二门限循环网络将提供最佳的工序排列方式，以最大程度地提高气体加工效率。通过目标优化网络中的鲸鱼优化算法，根据预测的加工参数集合和预测的加工工序顺序进行气体加工方案的最优化分析。这一步骤将结合气体组分的处理参数和工序顺序，以生成最佳的气体加工方案。

上面对本发明实施例中气体成分分析方法进行了描述，下面对本发明实施例中气体成分分析装置进行描述，请参阅图5，本发明实施例中气体成分分析装置一个实施例包括：

获取模块501，用于获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合；

检测模块502，用于分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

分析模块503，用于对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

拟合模块504，用于对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

映射模块505，用于对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

优化模块506，用于将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案。

通过上述各个组成部分的协同合作，通过激光拉曼光谱气体检测技术，实现对多个气体样品的高效分析，得到准确的气体组分体积分数数据。通过对同一气体组分体积分数变化曲线的曲线特征分析，能够提高对气体组分变化的准确性和敏感性。利用矩阵映射技术将初始加工工序顺序、参数集合和气体组分的特征点综合成目标变化特征矩阵，实现多层次信息的综合分析。预置的气体加工方案优化模型包括多个弱分类器、循环网络和目标优化网络，通过多层次的分析和优化，提高了气体加工方案的精度和稳定性。引入时序变化特征提取，通过双向长短时记忆网络等技术，充分利用时序信息提高了对气体组分变化的理解。通过目标融合特征矩阵，将多个弱分类器的时序变化特征有机融合，提高了气体加工方案的整体优化效果。目标优化网络中采用鲸鱼优化算法，具有较强的全局搜索和优化能力，有助于应对复杂多变的气体加工环境，提高了系统的鲁棒性。通过将多个气体组分的目标变化特征矩阵输入到模型中，实现了对整个气体加工方案的全面分析和优化，进而提高了气体成分分析的准确率，并实现了智能的气体加工方案优化。

上面图5从模块化功能实体的角度对本发明实施例中的气体成分分析装置进行详细描述，下面从硬件处理的角度对本发明实施例中气体成分分析设备进行详细描述。

图6是本发明实施例提供的一种气体成分分析设备的结构示意图，该气体成分分析设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对气体成分分析设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在气体成分分析设备600上执行存储介质630中的一系列指令操作。

气体成分分析设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的气体成分分析设备结构并不构成对气体成分分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种气体成分分析设备，所述气体成分分析设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述气体成分分析方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述气体成分分析方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种气体成分分析方法，其特征在于，所述气体成分分析方法包括：

获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合；具体包括：获取多个加工工序节点，并对所述多个加工工序节点进行加工工序顺序初始化，生成初始加工工序顺序；分别对所述多个加工工序节点进行加工参数初始化，得到对应的初始加工参数集合；根据所述初始加工工序顺序以及所述初始加工参数集合生成对应的初始气体加工方案；基于所述初始气体加工方案进行气体加工，并基于预设的时间周期采集对应的多个气体样品；

分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；具体包括：对所述初始加工工序顺序中的多个加工工序节点进行节点编码，得到多个工序节点编码；对所述初始加工参数集合进行参数标准化处理，得到多个标准加工参数，并将所述多个工序节点编码与所述多个标准加工参数进行一一对应处理，同时，对所述多个工序节点编码与所述多个标准加工参数进行矩阵转换，得到初始变化特征矩阵；对每个气体组分的体积分数变化特征集合进行特征归一化处理，得到每个气体组分的多个归一化变化特征；分别对每个气体组分的多个归一化变化特征与所述初始变化特征矩阵进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案；具体包括：将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型，所述气体加工方案优化模型包括多个弱分类器、第一门限循环网络、第二门限循环网络以及目标优化网络；通过所述多个弱分类器分别接收每个气体组分的目标变化特征矩阵，并通过每个弱分类器中的双向长短时记忆网络进行时序变化特征提取，得到每个弱分类器的时序变化特征矩阵；对每个弱分类器的时序变化特征矩阵进行特征整合，得到目标融合特征矩阵，并通过所述第一门限循环网络对所述目标融合特征矩阵进行气体加工参数优化预测，得到预测加工参数集合，以及通过所述第二门限循环网络对所述目标融合特征矩阵进行加工工序优化分析，得到预测加工工序顺序；通过所述目标优化网络中的鲸鱼优化算法，根据所述预测加工参数集合和所述预测加工工序顺序进行气体加工方案最优化分析，得到目标气体加工方案。

2.根据权利要求1所述的气体成分分析方法，其特征在于，所述分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据，包括：

根据所述多个气体样品获取对应的激光器检测参数，并根据所述激光器检测参数对激光器进行检测参数配置，所述激光器检测参数包括激光功率、激光波长及光谱范围；

通过所述激光器和拉曼光谱仪，分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的第一拉曼光谱数据；

对每个气体样品的第一拉曼光谱数据进行数据噪声去除，得到每个气体样品的第二拉曼光谱数据；

对每个气体样品的第二拉曼光谱数据进行基线校正，得到每个气体样品的激光拉曼光谱数据。

3.根据权利要求1所述的气体成分分析方法，其特征在于，所述对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据，包括：

对所述激光拉曼光谱数据进行光谱峰值提取，得到每个气体样品的多个特征峰值；

获取气体标准库，所述气体标准库包括每个气体分子的典型光谱特征，以及已知浓度下的标准光谱数据；

对每个气体样品的多个特征峰值以及所述气体标准库进行光谱特征进行匹配，得到每个特征峰值的光谱特征匹配结果；

根据每个特征峰值的光谱特征匹配结果确定每个气体样品的多个气体组分；

根据每个特征峰值的光谱特征匹配结果构建每个气体组分的拉曼特征峰高曲线，并根据每个气体组分的拉曼特征峰高曲线生成每个气体组分与体积分数的定量回归曲线；

根据所述定量回归曲线对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据。

4.根据权利要求1所述的气体成分分析方法，其特征在于，所述对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合，包括：

对所述多个气体样品中同一气体组分的体积分数数据进行整合，并获取所述体积分数数据的时间戳数据；

根据所述时间戳数据对所述同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线；

分别对每个气体组分的体积分数变化曲线进行曲线特征提取，得到每个体积分数变化曲线的多个候选曲线特征点；

对所述多个候选曲线特征点进行标准偏差计算，得到目标标准偏差，并根据所述目标标准偏差对所述多个候选曲线特征点进行曲线特征点筛选，得到每个气体组分的多个目标曲线特征点；

根据所述多个目标曲线特征点生成每个气体组分的体积分数变化特征集合。

5.一种气体成分分析装置，其特征在于，所述气体成分分析装置包括：

获取模块，用于获取初始气体加工方案，并基于预设的时间周期采集所述初始气体加工方案对应的多个气体样品，所述初始气体加工方案包括初始加工工序顺序和初始加工参数集合；具体包括：获取多个加工工序节点，并对所述多个加工工序节点进行加工工序顺序初始化，生成初始加工工序顺序；分别对所述多个加工工序节点进行加工参数初始化，得到对应的初始加工参数集合；根据所述初始加工工序顺序以及所述初始加工参数集合生成对应的初始气体加工方案；基于所述初始气体加工方案进行气体加工，并基于预设的时间周期采集对应的多个气体样品；

检测模块，用于分别对所述多个气体样品进行激光拉曼光谱气体检测，得到每个气体样品的激光拉曼光谱数据；

分析模块，用于对所述激光拉曼光谱数据进行气体组分分析，得到每个气体样品的多个气体组分，并对所述多个气体组分进行体积分数计算，得到每个气体组分的体积分数数据；

拟合模块，用于对所述多个气体样品中同一气体组分的体积分数数据进行曲线拟合，得到每个气体组分的体积分数变化曲线，并对每个气体组分的体积分数变化曲线进行曲线特征分析，得到每个气体组分的体积分数变化特征集合；

映射模块，用于对所述初始加工工序顺序、所述初始加工参数集合以及每个气体组分的体积分数变化特征集合进行矩阵映射，得到每个气体组分的目标变化特征矩阵；具体包括：对所述初始加工工序顺序中的多个加工工序节点进行节点编码，得到多个工序节点编码；对所述初始加工参数集合进行参数标准化处理，得到多个标准加工参数，并将所述多个工序节点编码与所述多个标准加工参数进行一一对应处理，同时，对所述多个工序节点编码与所述多个标准加工参数进行矩阵转换，得到初始变化特征矩阵；对每个气体组分的体积分数变化特征集合进行特征归一化处理，得到每个气体组分的多个归一化变化特征；分别对每个气体组分的多个归一化变化特征与所述初始变化特征矩阵进行矩阵映射，得到每个气体组分的目标变化特征矩阵；

优化模块，用于将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型进行气体加工方案优化分析，得到目标气体加工方案；具体包括：将每个气体组分的目标变化特征矩阵输入预置的气体加工方案优化模型，所述气体加工方案优化模型包括多个弱分类器、第一门限循环网络、第二门限循环网络以及目标优化网络；通过所述多个弱分类器分别接收每个气体组分的目标变化特征矩阵，并通过每个弱分类器中的双向长短时记忆网络进行时序变化特征提取，得到每个弱分类器的时序变化特征矩阵；对每个弱分类器的时序变化特征矩阵进行特征整合，得到目标融合特征矩阵，并通过所述第一门限循环网络对所述目标融合特征矩阵进行气体加工参数优化预测，得到预测加工参数集合，以及通过所述第二门限循环网络对所述目标融合特征矩阵进行加工工序优化分析，得到预测加工工序顺序；通过所述目标优化网络中的鲸鱼优化算法，根据所述预测加工参数集合和所述预测加工工序顺序进行气体加工方案最优化分析，得到目标气体加工方案。

6.一种气体成分分析设备，其特征在于，所述气体成分分析设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述气体成分分析设备执行如权利要求1-4中任一项所述的气体成分分析方法。

7.一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1-4中任一项所述的气体成分分析方法。