一种基于CNN-LSTM的氢气浓度快速预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115985406A(43)申请公布日2023.04.18(21)申请号202211628182.8G06N3/0442(2023.01)(22)申请日2022.12.17G06N3/0464(2023.01)G06N3/084(2023.01)(71)申请人宁波磁性材料应用技术创新中心有限公司地址315201浙江省宁波市镇海区庄市街道光明路189号(72)发明人董梦云满其奎李润伟伊晓辉门贺陈淑文胡海青(74)专利代理机构宁波元为知识产权代理事务所(特殊普通合伙)33291专利代理师杨万明吴栋杰(51)Int.Cl.G16C20/20(2019.01)G16C20/70(2019.01)G06N3/045(2023.01)权利要求书2页说明书10页附图11页(54)发明名称一种基于CNN-LSTM的氢气浓度快速预测方法(57)摘要本发明公开了一种基于CNN‑LSTM的氢气浓度快速预测方法。该方法构建神经网路模型，利用传感器检测环境中的氢气浓度、温度与湿度，将测得的数据进行滤波、归一化后作为模型的输入，测得的氢气饱和浓度与设定的真实氢气浓度作为模型的输出，然后利用测得的数据对模型进行重复训练，得到预测模型，并且利用测得的数据对预测模型进行评估、调整优化。利用该预测模型能够在氢气扩散初期预测环境中的氢气浓度，实现氢气浓度的快速预测，大幅度缩短检测时间，有利于预先掌握氢气的饱和浓度。另外，本发明将环境的温度与湿度作为输入和测得的氢气浓度一起输入神经网络，减少了环境温湿度对测量结果的影响。CN115985406ACN115985406A权利要求书1/2页1.一种基于CNN‑LSTM的氢气浓度快速预测方法，其特征在于，包括如下步骤：(1)气体测试环境中设置氢气传感器Sensor1与氢气传感器Sensor2用于测试氢气浓度，温度传感器用于测试环境温度，湿度传感器用于测试环境湿度，获取各个传感器测得的数据；设定测试环境的氢气浓度；(2)将每个传感器测得的数据进行滤波处理；(3)将步骤(2)处理后的数据进行归一化处理；Sensor1在检测初始阶段的数据进行归一化后作为步骤(4)中模型的输入input_1；Sensor2在检测初始阶段的数据进行归一化后作为步骤(4)中模型的输入input_2；温度传感器数据和湿度传感器在检测初始阶段的数据分别进行归一化后作为步骤(4)中模型的输入input_3；Sensor1在检测饱和状态下的数据进行归一化后作为步骤(4)中模型的输出output1；Sensor2在检测饱和状态下的数据进行归一化后作为步骤(4)中模型的输出output2；设定的测试环境的氢气浓度作为步骤(4)中模型的输出output3；(4)构建神经网络模型，依次包括输入层、卷积层、LSTM层、全连接层与输出层，即输入层连接卷积层的输入，卷积层的输出作为LSTM层的输入，LSTM的输出作为全连接层的输入，全连接层的输出连接到输出层；输入层包括输入input_1、input_2、input_3；输出层包括输出output1、output2、output3；(5)利用步骤(3)中的数据对步骤(4)中的神经网络模型进行重复训练，得到预测模型；(6)将步骤(3)中的数据输入至预测模型，得到氢气浓度的预测值，设定的测试环境的氢气浓度作为真实值，计算真实值与预测值之间的预测误差用于评估模型。2.根据权利要求1所述的氢气浓度快速预测方法，其特征在于，所述步骤(2)中，将每个传感器采集到的数据进行切割、对齐、异常值剔除，然后进行滤波处理；作为优选，所述步骤(2)中，利用滑动平均滤波算法对传感器数据进行滤波处理，滑动平均滤波算法公式如下：其中，vt是滤波前的传感器数据，是滤波后的传感器数据，m是滑动窗口的尺度。3.根据权利要求1所述的氢气浓度快速预测方法，其特征在于，所述步骤(3)中，归一化处理公式如下：其中是滤波后的传感器数据，是滤波后的传感器数据中的最小值，是滤波后的传感器数据中的最大值，xt是经过归一化后的传感器数据。4.根据权利要求1所述的氢气浓度快速预测方法，其特征在于，所述步骤(3)中，2CN115985406A权利要求书2/2页Sensor1和Sensor2在检测初始阶段的数据进行归一化后，再进行微分和积分，微分公式如下：dt＝xt+1‑xt积分公式如下：其中，xt是归一化后的Sensor1数据和Sensor2数据，dt是微分后的Sensor1数据和Sensor2数据，st是积分后的Sensor1数据和Sensor2数据；Sensor1数据经微分和积分后作为步骤(4)中模型的输入input_4；Sensor2数据经微分和积分后作为步骤(4)中模型的输入input_5；所述步骤(4)中的