一种基于智能特征识别的电化学实验数据分析方法及系统
本发明属于电化学数据处理,具体涉及一种基于智能特征识别的电化学实验数据分析方法及系统。
背景技术:
1、电化学分析技术由于具有灵敏度高、响应速度快、设备结构简单以及成本较低等优点,已广泛应用于环境监测、生物传感、食品安全检测以及医学诊断等领域。在实际应用中,电化学实验通常通过电化学工作站采集电极在不同电位条件下的电流响应信号,并生成对应的电化学曲线数据,包括循环伏安曲线(cv)、差分脉冲伏安曲线(dpv)以及线性扫描伏安曲线(lsv)等。这些电化学曲线中通常包含与待测物浓度相关的重要信息,例如氧化还原峰电位位置、峰电流强度以及曲线形状特征等。通过对这些特征参数进行分析,可以实现对目标物质的定性识别和定量检测。
2、与本发明相关的现有技术包括:采用包络熵目标选择vmd参数的信号分解方法、采用图神经网络或图注意力网络处理时序异常的方法、采用连续小波变换解析重叠伏安峰的方法,以及在电化学过程参数优化中利用安全约束贝叶斯优化的方法。上述技术分别改善信号分解、异常识别、峰位解析或参数搜索,但尚需解决如下协同问题:双电层基线与法拉第响应局部重叠时的物理一致重构,不同持续时间隐蔽异常的统一表征,稀有异常增强样本的电化学可行性,以及异常诊断结果对后续峰提取和设备调参的安全门控。
3、在电化学数据预处理方面,savitzky-golay滤波和多项式拟合能够完成常规平滑与基线校正;在扫描速度较高、界面状态变化或法拉第峰与双电层充电基线频带重叠时,固定窗口平滑可能同时削弱窄峰,而纯数据驱动vmd又可能将低频法拉第分量与基线模态混分。因此,需要把双电层充电机理作为低频候选模态的约束,而不是以固定频率阈值直接删除低频分量。
4、双电层充电电流可表示为,其中为随电位和界面状态变化的等效双电层电容;该电流作为低频候选模态的物理先验,不替代法拉第电流。
5、在特征提取方面,一阶或二阶导数寻峰算法能够快速定位常规氧化还原峰;然而,在复杂混合体系形成重叠肩峰或不对称极化峰时,整数阶求导容易放大高频噪声。常阶连续小波变换虽可利用多尺度信息,但其分析阶次不随局部电位梯度变化,仍可能出现脊线漂移、相邻峰合并或峰位偏移。
6、在实验状态监测方面,固定电流阈值法主要依据电流幅值是否越限,适于识别明显故障,但对气泡脱附、气泡吸附或覆盖以及轻微接触不良形成的低幅度时序扰动容易漏报。单尺度可见图与gat能够引入拓扑特征,但单一窗口难以同时覆盖毫秒级瞬态、持续性局部波动和长程衰落。
7、在实验参数优化方面,人工试错、静态脚本或不带安全域的单层强化学习难以兼顾全局搜索效率、连续微调能力和硬件边界约束;当异常样本较少或单次实验成本较高时,直接在全参数空间探索还可能产生较多无效动作。因此,需要在参数搜索前限定风险可控的可行域,并对每个下发动作进行安全校验。
8、因此,需要一种把电化学机理约束的电流重构、多时间尺度异常诊断、重叠峰定位和受安全域约束的实验参数调节连接为同一数据闭环的方法,并明确各算法模块的输入、输出、门控条件和反馈对象。
技术实现思路
1、本发明要解决的技术问题是:在电化学基线、随机噪声和不同持续时间实验异常共同存在的条件下,如何保留法拉第响应,区分正常状态与三类隐蔽异常,可靠定位重叠峰,并在异常风险和工作站硬件边界受控的条件下调节下一周期扫描参数。
2、为实现上述目的,本发明采用如下技术方案。
3、第一方面,本发明提出了一种基于智能特征识别的电化学实验数据分析方法,构建多尺度事件可见图集合,包括用于描述微气泡脱附瞬态扰动的短窗事件可见图、用于描述微气泡吸附或覆盖持续扰动的中窗事件可见图,以及用于描述探针或电极接触不良长程衰落的长窗事件可见图;通过跨尺度一致性约束对各尺度下同一采样节点的嵌入表示进行自监督预训练。所述方法引入异常样本增强,将graph mixup修改为电化学守恒约束graphmixup;对混合后的节点特征和边权矩阵执行可行性投影,使增强样本满足电流连续性、边权非负性、异常严重度随异常图混合比例增加而非减小的单调性以及电位扫描程序一致性;其中,电位扫描程序一致性是指每一单向扫描段内保持单调,并在预设换向点按程序改变方向;所述方法能够实现参数自适应调节,将单层sac调参修改为bo-sac安全调参框架;外层贝叶斯优化根据历史实验轨迹、联合奖励和异常风险确定安全参数域,内层sac智能体仅在所述安全参数域内输出扫描速率、采样间隔和电位窗口的连续调节动作。
4、具体而言,本发明所述一种基于智能特征识别的电化学实验数据分析方法,包括以下步骤:
5、s1、按照同一硬件时钟同步采集程序化电位扫描过程中的时间、电位和电流,形成多维同步采样序列;
6、s2、以所述采样序列中的电流响应信号为原始输入,在模态数和vmd带宽惩罚因子的候选域内,以包络熵为目标选择参数;由初始vmd结果确定低频基线候选模态,将该模态与双电层充电电流之间的偏差加入pi-vmd目标函数,并交替更新模态、中心频率和基线候选模态;依据样本熵、中心频率和物理相关性分流噪声、基线和有效模态,叠加有效模态得到重构法拉第电流,同时提取有效模态的样本熵作为有效模态熵;
7、s3、将所述重构法拉第电流分别映射为短窗、中窗和长窗事件可见图,以节点拓扑特征和非负连续边权训练e-gat;先执行跨尺度一致性自监督预训练,再利用经电化学可行性投影的graph mixup样本进行监督微调,输出正常类别概率以及气泡脱附、气泡吸附或覆盖和接触不良三类跨尺度融合异常类别概率;根据三类异常类别概率非负加权得到的融合异常概率执行门控,异常时进入步骤s5并重新采集,正常时进入步骤s4;
8、s4、根据重构法拉第电流相对于电位的无量纲局部梯度确定分数阶阶次,由变阶响应零交叉点确定候选区,并在候选区内通过连续小波模极大值脊线确定峰电位和峰电流;
9、s5、由步骤s2所得有效模态熵、步骤s3所得三类跨尺度融合异常类别概率、经独立二值峰特征有效性掩码编码的峰信噪比和峰形不对称度、所述掩码以及归一化扫描速率偏差组成固定维状态向量,作为bo-sac安全调参框架的输入;峰特征有效时写入归一化值并将掩码置为1,峰特征无效时将对应维度置为归一化空间中的中性值0并将掩码置为0;联合奖励依据所述掩码分段计算。所述bo-sac安全调参框架包含外层贝叶斯优化和内层sac,其中内层sac为强化学习智能体;外层贝叶斯优化构建满足风险后验上界和硬件约束的安全参数域,内层sac在该域内输出连续扫描参数,经投影或保守回退后反馈至电化学工作站。
10、第二方面,本发明提供一种实现上述方法的电化学实验数据分析系统,所述系统包括:
11、同步采集模块,用于按照同一硬件时钟采集时间、电位和电流并形成多维同步采样序列;
12、pi-vmd重构模块,用于选择分解参数、迭代确定低频基线候选模态并依据双电层充电先验重构法拉第电流;
13、多尺度异常门控模块,用于构建短窗、中窗和长窗事件可见图,利用经训练的多头注意力图卷积网络输出四分类概率,并根据融合异常概率在峰提取支路与安全调参支路之间进行路由;
14、变阶分数阶-cwt峰提取模块,用于根据重构电流的归一化电位梯度确定分数阶阶次,并根据零交叉候选区内的连续小波模极大值脊线输出峰电位和峰电流;
15、bo-sac安全调参模块,用于根据固定维状态向量构建安全参数域、限制sac连续动作并将经安全校验的扫描参数反馈至电化学工作站。
16、作为优选,所述pi-vmd重构模块用于在候选域内以包络熵最小为目标选择模态数和带宽惩罚因子,交替更新模态、中心频率和基线候选模态索引,并依据样本熵、中心频率和物理先验偏差分流噪声、基线与有效模态;
17、所述多尺度异常门控模块中的多头注意力图卷积网络经跨尺度一致性自监督预训练及电化学守恒约束图增强监督微调;
18、所述bo-sac安全调参模块中的联合奖励依据峰特征有效性掩码分段计算,且外层贝叶斯优化以异常风险后验上界和硬件约束共同限定安全参数域。
19、第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现上述方法。
20、第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法。
21、与现有技术相比,本发明的有益效果如下:
22、(1)pi-vmd仅对经中心频率和样本熵迭代确认的低频基线候选模态施加双电层充电先验,能够减少把低频法拉第分量作为基线删除的风险;参数、基线索引和模态在同一迭代过程中更新,避免先验模态索引与分解结果之间的循环定义。
23、(2)短窗、中窗和长窗分别覆盖气泡脱附、气泡吸附或覆盖和接触不良的典型持续时间;跨尺度一致性预训练提取同一事件在不同窗口下的共同表示,电化学可行性投影限制增强样本的电流、电位、边权和标签顺序。
24、(3)分数阶阶次由无量纲电位梯度驱动,使平缓区和重叠峰区采用不同的局部锐化强度;变阶响应先给出候选区,连续小波脊线再完成跨尺度确认,从而降低在全区间直接寻峰时的伪峰干扰。
25、(4)本发明电化学物理约束重构、多尺度异常图门控和安全调参反馈之间存在明确的输入输出耦合关系,而非仅通过单向数据流顺序执行,具体而言,步骤s3的融合异常概率不仅用于门控决策,还作为步骤s5状态向量的风险输入分量;步骤s4的独立二值有效性掩码直接决定步骤s5联合奖励的函数形式,掩码为1时计入峰信噪比奖励项,掩码为0时剔除该项,使步骤s3的门控决策通过掩码改变强化学习的优化目标;步骤s5输出的扫描参数反馈至步骤s1后,改变下一采集周期的信号频带分布,进而影响步骤s2中物理先验与模态分量的匹配关系,上述技术特征使重构、门控和调参在目标函数结构和跨周期状态两个层面形成耦合。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com