CN118090658A - 气体纯度检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及气体纯度检测技术领域，提供了气体纯度检测方法、装置、设备及存储介质，包括获取气体中的杂质成分的近红外光谱信号，并代入预设的神经网络模型对杂质成分进行识别和分类，得到水分含量参数、油分含量参数以及固体颗粒含量参数，并建立纯度函数，并根据纯度函数，计算出气体的纯度值；根据气体的标准质量参数、体积参数以及纯度值建立气体的密度函数，计算出气体的密度值，并将纯度值与密度值进行综合分析，得到纯度参数；将纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。通过上述方法，有效地改善气体纯度检测过程中，存在着无法快速、准确地检测气体中的杂质成分，导致气体纯度检测的效率低、准确性差的问题。

Description

气体纯度检测方法、装置、设备及存储介质

技术领域

本申请涉及气体纯度检测技术领域，尤其是涉及气体纯度检测方法、装置、设备及存储介质。

背景技术

气体纯度是指气体中所含的目标成分的比例，是衡量气体质量的重要指标，气体纯度检测方法是一种用于测量气体中杂质含量的技术，它对于石油化工、半导体、环境分析和科学研究等领域具有重要的应用价值，气体纯度的高低直接影响到气体的使用效果和安全性，因此，对气体进行纯度检测是必要的。

相关技术手段中，采用分光光度法和气相色谱法，对气体中的杂质成分进行检测；其中，分光光度法是基于物质吸收或发射光的特性来进行定性或定量分析的，主要利用了不同物质对特定波长光的吸收或发射强度不同的原理，通过测量光的吸收或发射强度来确定气体样品中杂质的种类和含量；而气相色谱法是利用气体作为移动相，通过色谱柱对样品中的组分进行分离，然后通过检测器定量分析各组分，根据不同组分在色谱柱上的滞留时间，可以实现对气体样品中杂质的定性和定量分析。

针对上述技术方案，虽然通过分光光度法和气相色谱法，可以实现对气体中的杂质成分进行检测，但分光光度法在检测时，需要对气体进行预处理或样品制备，耗时耗力，且容易引入误差；而气相色谱法在检测时，需要对气体进行柱色谱分离，受到柱温、载气流速、检测器类型等因素的影响；存在着无法快速、准确地检测气体中的杂质成分，导致气体纯度检测的效率低、准确性差的问题。

发明内容

为了改善气体纯度检测过程中，存在着无法快速、准确地检测气体中的杂质成分，导致气体纯度检测的效率低、准确性差的问题，本申请提供气体纯度检测方法、装置、设备及存储介质。

本发明提供了一种气体纯度检测方法，包括以下步骤：获取气体中的杂质成分，利用近红外光谱仪对所述气体进行近红外光谱分析，获取所述气体中的杂质成分的近红外光谱信号，将所述近红外光谱信号代入预设的神经网络模型对所述杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量；根据所述水分、所述油分和所述固体颗粒的种类和数量，利用贝叶斯模型对所述杂质成分进行概率预估，得到水分含量参数、油分含量参数以及固体颗粒含量参数；根据所述水分含量参数、所述油分含量参数以及所述固体颗粒含量参数建立气体的纯度函数，并根据所述纯度函数，计算出所述气体的纯度值；获取所述气体预设的标准质量参数和体积参数，并根据所述标准质量参数、所述体积参数以及所述纯度值建立气体的密度函数，计算出所述气体的密度值，并将所述纯度值与所述密度值进行综合分析，得到纯度参数；将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

作为优选方案，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的节点数为171，且与所述近红外光谱信号的长度相同，所述隐藏层的节点数为64，所述输出层的节点数为3，所述隐藏层的激活函数为双曲正切函数，所述输出层的激活函数为softmax函数；将所述近红外光谱信号转换为一维向量，将所述一维向量作为所述神经网络模型的输入层的输入；其中，所述一维向量的每个元素表示一个波长处的光强度；利用交叉熵损失函数和随机梯度下降算法，优化所述神经网络模型的参数，使所述神经网络模型能够识别和分类不同的杂质成分；根据优化后的所述神经网络模型，对所述近红外光谱信号进行预测，得到一个长度为3的一维向量，每个元素表示一个杂质成分的数量，分别对应水分、油分和固体颗粒。

作为优选方案，所述水分、所述油分和所述固体颗粒的种类和数量服从多项式分布，即；其中/>表示三个随机变量/>的联合概率分布，/>分别表示水分、油分和固体颗粒的数量，/>分别表示水分、油分和固体颗粒的概率，/>表示总的杂质成分的数量；所述水分、所述油分和所述固体颗粒的概率还服从狄利克雷分布，即/>；其中/>表示三个随机变量/>的边缘概率分布，/>分别表示水分、油分和固体颗粒的先验参数，/>表示伽玛函数；利用贝叶斯公式，计算所述水分、所述油分和所述固体颗粒的后验概率，即/>其中，/>表示气体中的水分、油分和固体颗粒的数量的后验概率，表示气体中的水分、油分和固体颗粒的概率量的似然概率，表示气体中的水分、油分和固体颗粒的概率的先验概率；/>表示气体中的水分、油分和固体颗粒的数量的边缘概率；计算所述水分、所述油分和所述固体颗粒的最大后验概率，即/>；/>；/>；其中，/>表示水分的最大后验概率，/>表示油分的最大后验概率，/>表示固体颗粒的最大后验概率；将所述水分、所述油分和所述固体颗粒的最大后验概率，作为所述水分含量参数、油分含量参数以及固体颗粒含量参数。

作为优选方案，所述气体的纯度函数为：；其中，/>为气体的纯度值，/>为水分的影响系数，/>为水分含量参数，/>为油分的影响系数，/>为油分含量参数，/>为固体颗粒的影响系数，/>为固体颗粒含量参数。

作为优选方案，所述气体的密度函数为：；其中，/>为气体的密度值，/>为标准状态下的气体的质量，/>为标准状态下的气体的体积，/>为标准状态下的气体的纯度值，/>为实际状态下的气体的纯度值。

作为优选方案，所述将所述纯度值与所述密度值进行综合分析，得到纯度参数的步骤，包括：根据所述纯度值和所述密度值，利用支持向量机模型对所述气体进行分类，得到所述气体的类别标签；根据所述类别标签，利用决策树模型对所述气体进行评估，得到所述气体的评估分数；根据所述类别标签和所述评估分数，利用模糊逻辑模型对所述气体进行综合分析，得到所述气体的纯度参数。

作为优选方案，所述将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级的步骤，包括：根据所述纯度参数，利用聚类分析模型对所述气体进行分组，得到所述气体的分组标签；其中，所述分组标签包括低纯、高纯以及超高纯；根据所述分组标签，利用分类分析模型对所述气体进行分类；根据所述分组标签和所述分类标签，利用综合评价模型对所述气体进行评价，得到所述气体的评价标签；根据所述评价标签与预设的气体纯度参考参数进行比较，判断出气体的纯度等级。

本申请还公开了一种气体纯度检测装置，包括：检测模块，用于获取气体中的杂质成分，利用近红外光谱仪对所述气体进行近红外光谱分析，获取所述气体中的杂质成分的近红外光谱信号，将所述近红外光谱信号代入预设的神经网络模型对所述杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量；预估模块，用于根据所述水分、所述油分和所述固体颗粒的种类和数量，利用贝叶斯模型对所述杂质成分进行概率预估，得到水分含量参数、油分含量参数以及固体颗粒含量参数；构建模块，用于根据所述水分含量参数、所述油分含量参数以及所述固体颗粒含量参数建立气体的纯度函数，并根据所述纯度函数，计算出所述气体的纯度值；计算模块，用于获取所述气体预设的标准质量参数和体积参数，并根据所述标准质量参数、所述体积参数以及所述纯度值建立气体的密度函数，计算出所述气体的密度值，并将所述纯度值与所述密度值进行综合分析，得到纯度参数；判断模块，用于将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

本申请还公开了一种电子设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的气体纯度检测方法。

本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上述所述的气体纯度检测方法。

与现有技术相比，本申请具有以下有益效果：检测效率快、准确性高。通过利用近红外光谱仪和神经网络模型对气体中的杂质成分进行识别和分类，实现对气体中水分、油分和固体颗粒的快速定性和定量分析；利用贝叶斯模型对气体中的杂质成分进行概率预估，增加气体中杂质含量参数的准确性；再通过纯度函数和密度函数对气体的纯度值和密度值进行计算最后，将纯度参数和纯度参考参数对气体的纯度等级进行判断，实现对气体纯度的检测，改善气体纯度检测过程中，存在着无法快速、准确地检测气体中的杂质成分，导致气体纯度检测的效率低、准确性差的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1是本发明实施例提供的气体纯度检测方法的流程示意图；

图2是本发明实施例提供的气体纯度检测装置的结构示意性框图；

图3是本发明实施例提供的电子设备的结构示意性框图。

附图标记说明：

10、气体纯度检测装置；11、检测模块；12、预估模块；13、构建模块；14、计算模块；15、判断模块；20、电子设备；21、存储器；22、处理器。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

实施例1

如图1所示，本申请实施例提供的气体纯度检测方法包括步骤S100至步骤S500。

步骤S100、获取气体中的杂质成分，利用近红外光谱仪对气体进行近红外光谱分析，获取气体中的杂质成分的近红外光谱信号，将近红外光谱信号代入预设的神经网络模型对杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量。

该步骤中，将待测气体样品通过管道输送到近红外光谱仪的检测室内，近红外光谱仪通过发射和接收近红外光线，对气体样品中的杂质成分进行光谱分析，得到气体样品中的近红外光谱信号，该信号包含了气体样品中的各种杂质成分的光谱特征。然后，将近红外光谱信号输入到预设的神经网络模型中，该模型是通过大量的气体样品的近红外光谱信号和对应的杂质成分的标准数据进行训练得到的，该模型可以对气体样品中的杂质成分进行识别和分类，得到气体样品中的水分、油分和固体颗粒的种类和数量，例如，水分可以分为水蒸气和液态水，油分可以分为液态油和气态油，固体颗粒可以分为金属颗粒、尘埃颗粒等。

步骤S200、根据水分、油分和固体颗粒的种类和数量，利用贝叶斯模型对杂质成分进行概率估计，得到水分含量参数、油分含量参数以及固体颗粒含量参数。

该步骤中，根据气体样品中的水分、油分和固体颗粒的种类和数量，计算出各种杂质成分在气体样品中的相对比例，利用贝叶斯模型对各种杂质成分进行概率估计，该模型是通过大量的气体样品的杂质成分的相对比例和对应的含量参数进行训练得到的，该模型可以根据气体样品中的杂质成分的相对比例，例如，水分占气体样品的10%，油分占气体样品的5%，固体颗粒占气体样品的1%等。然后，计算出气体样品中的水分含量参数、油分含量参数以及固体颗粒含量参数，例如，水分含量参数可以表示为每立方米气体中的水分克数，油分含量参数可以表示为每立方米气体中的油分克数，固体颗粒含量参数可以表示为每立方米气体中的固体颗粒克数等。

步骤S300、根据水分含量参数、油分含量参数以及固体颗粒含量参数建立气体的纯度函数，并根据纯度函数，计算出气体的纯度值。

该步骤中，根据气体样品中的水分含量参数、油分含量参数以及固体颗粒含量参数，建立气体的纯度函数，纯度函数是通过大量的气体样品的含量参数和对应的纯度值进行拟合得到的，纯度函数可以反映出气体样品中的杂质成分对气体的纯度的影响程度。

步骤S400、获取气体预设的标准质量参数和体积参数，并根据标准质量参数、体积参数以及纯度值建立气体的密度函数，计算出气体的密度值，并将纯度值与密度值进行综合分析，得到纯度参数。

该步骤中，获取气体的预设的标准质量参数和体积参数，标准质量参数和体积参数是根据气体的种类和标准条件下的质量和体积进行设定的，例如，氧气的标准质量参数可以表示为每立方米氧气的质量，氧气的体积参数可以表示为每立方米氧气的体积等。然后，根据气体的标准质量参数、体积参数以及纯度值，建立气体的密度函数，该密度函数是通过大量的气体样品的标准参数和纯度值和对应的密度值进行拟合得到的，该密度函数可以反映出气体的标准参数和纯度值对气体的密度的影响程度。

步骤S500、将纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

该步骤中，获取气体的预设的纯度参考参数，该参数是根据气体的种类和应用场景进行设定的，例如，氧气的纯度参考参数可以表示为A、B、C三个等级，其中A等级表示氧气的纯度值大于99.9%，B等级表示氧气的纯度值在99.5%至99.9%之间，C等级表示氧气的纯度值小于99.5%等。然后，将气体的纯度参数与气体的纯度参考参数进行比较，判断气体的纯度等级，例如，如果气体的纯度参数为A等级，且气体的纯度参考参数为A等级，那么判断气体的纯度等级为合格，如果气体的纯度参数为B等级，且气体的纯度参考参数为A等级，那么判断气体的纯度等级为不合格，如果气体的纯度参数为C等级，且气体的纯度参考参数为A等级，那么判断气体的纯度等级为不合格。

本实施例中，通过利用近红外光谱仪，可以直接对气体进行光谱分析，无需对气体进行预处理或样品制备，从而节省了时间和成本，提高了检测的效率和灵敏度，利用神经网络模型，自动地对气体中的杂质成分进行识别和分类，无需人工干预或专业知识，从而降低了误差和偏差，实现对气体中水分、油分和固体颗粒的快速定性和定量分析；再通过利用贝叶斯模型，根据历史数据中的概率分布，对气体中的杂质成分进行概率预估，从而考虑了气体的不确定性和变异性，提高了检测的稳定性和鲁棒性，再通过纯度函数和密度函数对气体的纯度值和密度值进行计算最后，将纯度参数和纯度参考参数对气体的纯度等级进行判断，从而实现对气体纯度的检测，改善气体纯度检测过程中，存在着无法快速、准确地检测气体中的杂质成分，导致气体纯度检测的效率低、准确性差的问题。

实施例2

在步骤S100中，将近红外光谱信号代入预设的神经网络模型对杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量的步骤，包括：神经网络模型包括输入层、隐藏层和输出层，输入层的节点数为171，且与近红外光谱信号的长度相同，隐藏层的节点数为64，输出层的节点数为3，隐藏层的激活函数为双曲正切函数，输出层的激活函数为softmax函数；将近红外光谱信号转换为一维向量，将一维向量作为神经网络模型的输入层的输入；其中，一维向量的每个元素表示一个波长处的光强度；利用交叉熵损失函数和随机梯度下降算法，优化神经网络模型的参数，使神经网络模型能够识别和分类不同的杂质成分；根据优化后的神经网络模型，对近红外光谱信号进行预测，得到一个长度为3的一维向量，每个元素表示一个杂质成分的数量，分别对应水分、油分和固体颗粒。

通过近红外光谱仪可以对气体样品中的杂质成分进行光谱分析，得到气体样品中的近红外光谱信号，该信号包含了气体样品中的各种杂质成分的光谱特征，如水分的光谱特征为波长在1.4微米和1.9微米处的吸收峰，油分的光谱特征为波长在1.7微米处的吸收峰，固体颗粒的光谱特征为波长在2.2微米处的吸收峰等；

神经网络模型可以对气体样品中的近红外光谱信号进行识别和分类，得到气体样品中的水分、油分和固体颗粒的种类和数量，该模型是通过大量的气体样品的近红外光谱信号和对应的杂质成分的标准数据进行训练得到的，该模型可以根据气体样品中的近红外光谱信号的特征，输出一个长度为3的一维向量，每个元素表示一个杂质成分的数量，分别对应水分、油分和固体颗粒。例如，对于一个长度为171的近红外光谱信号，该模型可以输出一个一维向量[10,5,1]，表示该气体样品中的水分的数量为10，油分的数量为5，固体颗粒的数量为1，表示分别占气体样品的10%，5%和1%。

在步骤S200中，利用贝叶斯模型对杂质成分进行概率估计，得到水分含量参数、油分含量参数以及固体颗粒含量参数的步骤，包括：

水分、油分和固体颗粒的种类和数量服从多项式分布，即

；

其中表示三个随机变量/>的联合概率分布，/>分别表示水分、油分和固体颗粒的数量，/>分别表示水分、油分和固体颗粒的概率，/>表示总的杂质成分的数量；

通过多项式分布可以描述气体样品中的杂质成分的数量的概率分布，即在n次试验中，每次试验有三种可能的结果，分别是水分、油分和固体颗粒，每种结果的概率分别是，那么在n次试验中，出现/>次水分，/>次油分，/>次固体颗粒的概率就是。

其中，水分、油分和固体颗粒的概率还服从狄利克雷分布，即

；

其中表示三个随机变量/>的边缘概率分布，/>分别表示水分、油分和固体颗粒的先验参数，/>表示伽玛函数；

利用狄利克雷分布可以描述气体样品中的杂质成分的概率的概率分布，即在一个三角形的区域内，每个点代表一个概率向量，满足/>，那么在该区域内，出现一个概率向量/>的概率就是/>。

利用贝叶斯公式，计算水分、油分和固体颗粒的后验概率，即

其中，表示气体中的水分、油分和固体颗粒的数量的后验概率，/>表示气体中的水分、油分和固体颗粒的概率量的似然概率，表示气体中的水分、油分和固体颗粒的概率的先验概率；/>表示气体中的水分、油分和固体颗粒的数量的边缘概率；计算水分、油分和固体颗粒的最大后验概率，即

；

；

；

其中，表示水分的最大后验概率，/>表示油分的最大后验概率，/>表示固体颗粒的最大后验概率；将水分、油分和固体颗粒的最大后验概率，作为水分含量参数、油分含量参数以及固体颗粒含量参数；

贝叶斯公式可以根据气体样品中的杂质成分的数量的观测数据，更新气体样品中的杂质成分的概率的先验分布，得到气体样品中的杂质成分的概率的后验分布，即根据，计算/>的条件概率/>；

最大后验概率可以从气体样品中的杂质成分的概率的后验分布中，找出最有可能的概率向量，使/>达到最大值的概率向量；

例如，对于一种含有水分、油分和固体颗粒的气体样品，通过本步骤，可以得到水分的概率为0.4，油分的概率为0.2，固体颗粒的概率为0.1，分别作为水分含量参数、油分含量参数以及固体颗粒含量参数。

通过利用贝叶斯模型对气体中的杂质成分进行概率估计，得到气体中的水分、油分和固体颗粒的含量参数，提高气体的利用效率和节约资源。

在步骤S300中，气体的纯度函数为：

；

其中，为气体的纯度值，/>为水分的影响系数，/>为水分含量参数，/>为油分的影响系数，/>为油分含量参数，/>为固体颗粒的影响系数，/>为固体颗粒含量参数。

通过利用气体的纯度函数对气体的纯度值进行计算，得到气体的纯度等级，提高气体的通用性和适应性。其中，气体的纯度函数可以描述气体的纯度值与气体中的杂质成分的含量参数的关系，即气体的纯度值是一个分数，分子为1，分母为1加上气体中的杂质成分的含量参数乘以各自的影响系数，影响系数表示不同的杂质成分对气体的纯度的影响程度，一般来说，水分的影响系数最大，油分的影响系数次之，固体颗粒的影响系数最小；根据气体的纯度值，可以划分气体的纯度等级，一般来说，气体的纯度值越高，气体的纯度等级越高，气体的纯度等级可以分为低纯、高纯和超高纯，具体的划分标准可以根据不同的气体种类和应用场景进行调整。

在步骤S400中，气体的密度函数为：

；

其中，为气体的密度值，/>为标准状态下的气体的质量，/>为标准状态下的气体的体积，/>为标准状态下的气体的纯度值，/>为实际状态下的气体的纯度值。

通过气体的密度函数可以描述气体的密度值与气体的质量、体积和纯度的关系，即气体的密度值是一个比值，分子为气体的质量乘以标准状态下的气体的纯度值，分母为气体的体积乘以实际状态下的气体的纯度值，气体的质量、体积和纯度都会影响气体的密度值，一般来说，气体的质量越大，气体的密度值越大，气体的体积越小，气体的密度值越大，气体的纯度越高，气体的密度值越大；根据气体的密度值，可以划分气体的密度等级，一般来说，气体的密度值越高，气体的密度等级越高，气体的密度等级可以分为低密、中密和高密，具体的划分标准可以根据不同的气体种类和应用场景进行调整，利用气体的密度函数对气体的密度值进行计算，得到气体的密度等级，提高气体的稳定性和可靠性。

同时，在步骤S400中，将纯度值与密度值进行综合分析，得到纯度参数的步骤，包括：根据纯度值和密度值，利用支持向量机模型对气体进行分类，得到气体的类别标签；根据类别标签，利用决策树模型对气体进行评估，得到气体的评估分数；根据类别标签和评估分数，利用模糊逻辑模型对气体进行综合分析，得到气体的纯度参数。

通过支持向量机模型可以对气体的纯度值和密度值进行分类，得到气体的类别标签，支持向量机模型是通过大量的气体样品的纯度值和密度值以及对应的类别标签进行训练得到的，支持向量机模型可以根据气体样品的纯度值和密度值的特征，输出一个类别标签，分别对应低纯低密、低纯中密、低纯高密、高纯低密、高纯中密、高纯高密等六种类别，例如，对于一个纯度值为0.8，密度值为0.6的气体样品，支持向量机模型可以输出一个类别标签为高纯中密。

其中，决策树模型可以对气体的类别标签进行评估，得到气体的评估分数，决策树模型是通过大量的气体样品的类别标签以及对应的评估分数进行训练得到的，决策树模型可以根据气体样品的类别标签的特征，输出一个评估分数，分别对应不同的气体的质量和性能，一般来说，类别标签越高，评估分数越高，例如，对于一个类别标签为高纯中密的气体样品，该模型可以输出一个评估分数为85；

其中，模糊逻辑模型可以对气体的类别标签和评估分数进行综合分析，得到气体的纯度参数，模糊逻辑模型是通过大量的气体样品的类别标签和评估分数以及对应的纯度参数进行训练得到的，模糊逻辑模型可以根据气体样品的类别标签和评估分数的特征，输出一个纯度参数，分别对应气体的综合纯度，一般来说，类别标签和评估分数越高，纯度参数越高，例如，对于一个类别标签为高纯中密，评估分数为85的气体样品，模糊逻辑模型可以输出一个纯度参数为0.85；通过利用支持向量机模型、决策树模型和模糊逻辑模型对气体的纯度值和密度值进行综合分析，得到气体的纯度参数，提高气体的分类、评估和分析的准确性和效率。

在步骤S500中，将纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级的步骤，包括：根据纯度参数，利用聚类分析模型对气体进行分组，得到气体的分组标签；其中，分组标签包括低纯、高纯以及超高纯；根据分组标签，利用分类分析模型对气体进行分类；根据分组标签和分类标签，利用综合评价模型对气体进行评价，得到气体的评价标签；根据评价标签与预设的气体纯度参考参数进行比较，判断出气体的纯度等级。

通过聚类分析模型可以对气体的纯度参数进行分组，得到气体的分组标签，该模型是通过大量的气体样品的纯度参数以及对应的分组标签进行训练得到的，该模型可以根据气体样品的纯度参数的特征，输出一个分组标签，分别对应低纯、高纯以及超高纯，例如，对于一个纯度参数为0.85的气体样品，该模型可以输出一个分组标签为高纯。

分类分析模型可以对气体的分组标签进行分类，得到气体的分类标签，该模型是通过大量的气体样品的分组标签以及对应的分类标签进行训练得到的，该模型可以根据气体样品的分组标签的特征，输出一个分类标签，分别对应差、良、优，例如，对于一个分组标签为高纯的气体样品，该模型可以输出一个分类标签为优。

综合评价模型可以对气体的分组标签和分类标签进行评价，得到气体的评价标签，该模型是通过大量的气体样品的分组标签和分类标签以及对应的评价标签进行训练得到的，该模型可以根据气体样品的分组标签和分类标签的特征，输出一个评价标签，分别对应不合格、合格、优秀，例如，对于一个分组标签为高纯，分类标签为优的气体样品，该模型可以输出一个评价标签为合格。

预设的气体纯度参考参数是根据不同的气体种类和应用场景制定的，用于对气体的纯度等级进行判断，气体的纯度等级可以分为低纯差、低纯良、低纯优、高纯差、高纯良、高纯优、超高纯差、超高纯良、超高纯优等九种等级，具体的划分标准可以根据不同的气体种类和应用场景进行调整，通过利用聚类分析模型、分类分析模型和综合评价模型对气体的纯度参数进行比较，判断气体的纯度等级，提高气体的检测和控制的精确性和效率。

实施例3

如图2所示，本申请还公开了一种气体纯度检测装置10，包括：检测模块11主要用于获取气体中的杂质成分，利用近红外光谱仪对气体进行近红外光谱分析，获取气体中的杂质成分的近红外光谱信号，将近红外光谱信号代入预设的神经网络模型对杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量；预估模块12主要用于根据水分、油分和固体颗粒的种类和数量，利用贝叶斯模型对杂质成分进行概率预估，得到水分含量参数、油分含量参数以及固体颗粒含量参数；构建模块13主要用于根据水分含量参数、油分含量参数以及固体颗粒含量参数建立气体的纯度函数，并根据纯度函数，计算出气体的纯度值；计算模块14主要用于获取气体预设的标准质量参数和体积参数，并根据标准质量参数、体积参数以及纯度值建立气体的密度函数，计算出气体的密度值，并将纯度值与密度值进行综合分析，得到纯度参数；判断模块15主要用于将纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

需要说明的是，所属技术领域的技术人员可以清楚了解到，为了描述的方便和简洁，上述描述的装置和各个模块的具体工作过程，可以参考前述气体纯度检测方法实施例中的对应过程，在此不再赘述。

实施例4

如图3所示，本申请还公开了一种电子设备20，包括存储器21和处理器22，存储器21存储有可在处理器22上运行的计算机程序，处理器22执行计算机程序时实现上述的气体纯度检测方法。

实施例5

本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器22运行时使得处理器22执行如上述的气体纯度检测方法。

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 (10)

1.一种气体纯度检测方法，其特征在于，包括以下步骤：

获取气体中的杂质成分，利用近红外光谱仪对所述气体进行近红外光谱分析，获取所述气体中的杂质成分的近红外光谱信号，将所述近红外光谱信号代入预设的神经网络模型对所述杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量；

根据所述水分、所述油分和所述固体颗粒的种类和数量，利用贝叶斯模型对所述杂质成分进行概率预估，得到水分含量参数、油分含量参数以及固体颗粒含量参数；

根据所述水分含量参数、所述油分含量参数以及所述固体颗粒含量参数建立气体的纯度函数，并根据所述纯度函数，计算出所述气体的纯度值；

获取所述气体预设的标准质量参数和体积参数，并根据所述标准质量参数、所述体积参数以及所述纯度值建立气体的密度函数，计算出所述气体的密度值，并将所述纯度值与所述密度值进行综合分析，得到纯度参数；

将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

2.根据权利要求1所述气体纯度检测方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层；其中，所述输入层的节点数为171，且与所述近红外光谱信号的长度相同，所述隐藏层的节点数为64，所述输出层的节点数为3，所述隐藏层的激活函数为双曲正切函数，所述输出层的激活函数为softmax函数；

将所述近红外光谱信号转换为一维向量，将所述一维向量作为所述神经网络模型的输入层的输入；其中，所述一维向量的每个元素表示一个波长处的光强度；

利用交叉熵损失函数和随机梯度下降算法，优化所述神经网络模型的参数，使所述神经网络模型能够识别和分类不同的杂质成分；

根据优化后的所述神经网络模型，对所述近红外光谱信号进行预测，得到一个长度为3的一维向量，每个元素表示一个杂质成分的数量，分别对应水分、油分和固体颗粒。

3.根据权利要求1所述气体纯度检测方法，其特征在于，所述水分、所述油分和所述固体颗粒的种类和数量服从多项式分布，即：

；

其中，表示三个随机变量/>的联合概率分布，/>分别表示水分、油分和固体颗粒的数量，/>分别表示水分、油分和固体颗粒的概率，/>表示总的杂质成分的数量；

同时，所述水分、所述油分和所述固体颗粒的概率还服从狄利克雷分布，即：

；

其中，表示三个随机变量/>的边缘概率分布，/>分别表示水分、油分和固体颗粒的先验参数，/>表示伽玛函数；

利用贝叶斯公式，计算所述水分、所述油分和所述固体颗粒的后验概率，即：

其中，表示气体中的水分、油分和固体颗粒的数量的后验概率，表示气体中的水分、油分和固体颗粒的概率量的似然概率，表示气体中的水分、油分和固体颗粒的概率的先验概率；/>表示气体中的水分、油分和固体颗粒的数量的边缘概率；

计算所述水分、所述油分和所述固体颗粒的最大后验概率，即：

；

；

；

其中，表示水分的最大后验概率，/>表示油分的最大后验概率，/>表示固体颗粒的最大后验概率；

将所述水分、所述油分和所述固体颗粒的最大后验概率，作为所述水分含量参数、油分含量参数以及固体颗粒含量参数。

4.根据权利要求3所述气体纯度检测方法，其特征在于，所述气体的纯度函数为：

；

其中，为气体的纯度值，/>为水分的影响系数，/>为水分含量参数，/>为油分的影响系数，/>为油分含量参数，/>为固体颗粒的影响系数，/>为固体颗粒含量参数。

5.根据权利要求1所述气体纯度检测方法，其特征在于，所述气体的密度函数为：

；

其中，为气体的密度值，/>为标准状态下的气体的质量，/>为标准状态下的气体的体积，为标准状态下的气体的纯度值，/>为实际状态下的气体的纯度值。

6.根据权利要求1所述气体纯度检测方法，其特征在于，所述将所述纯度值与所述密度值进行综合分析，得到纯度参数的步骤，包括：

根据所述纯度值和所述密度值，利用支持向量机模型对所述气体进行分类，得到所述气体的类别标签；

根据所述类别标签，利用决策树模型对所述气体进行评估，得到所述气体的评估分数；

根据所述类别标签和所述评估分数，利用模糊逻辑模型对所述气体进行综合分析，得到所述气体的纯度参数。

7.根据权利要求1所述气体纯度检测方法，其特征在于，所述将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级的步骤，包括：

根据所述纯度参数，利用聚类分析模型对所述气体进行分组，得到所述气体的分组标签；其中，所述分组标签包括低纯、高纯以及超高纯；

根据所述分组标签，利用分类分析模型对所述气体进行分类；

根据所述分组标签和所述分类标签，利用综合评价模型对所述气体进行评价，得到所述气体的评价标签；

根据所述评价标签与预设的气体纯度参考参数进行比较，判断出气体的纯度等级。

8.一种气体纯度检测装置，其特征在于，包括：

检测模块，用于获取气体中的杂质成分，利用近红外光谱仪对所述气体进行近红外光谱分析，获取所述气体中的杂质成分的近红外光谱信号，将所述近红外光谱信号代入预设的神经网络模型对所述杂质成分进行识别和分类，得到水分、油分和固体颗粒的种类和数量；

预估模块，用于根据所述水分、所述油分和所述固体颗粒的种类和数量，利用贝叶斯模型对所述杂质成分进行概率预估，得到水分含量参数、油分含量参数以及固体颗粒含量参数；

构建模块，用于根据所述水分含量参数、所述油分含量参数以及所述固体颗粒含量参数建立气体的纯度函数，并根据所述纯度函数，计算出所述气体的纯度值；

计算模块，用于获取所述气体预设的标准质量参数和体积参数，并根据所述标准质量参数、所述体积参数以及所述纯度值建立气体的密度函数，计算出所述气体的密度值，并将所述纯度值与所述密度值进行综合分析，得到纯度参数；

判断模块，用于将所述纯度参数与预设的气体纯度参考参数进行比较，判断气体的纯度等级。

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的气体纯度检测方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1-7中任一项所述的气体纯度检测方法。