全光双共振与深度网络气体特征解耦检测方法及系统
本发明涉及气体光谱检测与深度学习,尤其涉及全光双共振与深度网络气体特征解耦检测方法及系统。
背景技术:
1、光声光谱(photoacoustic spectroscopy,pas)技术是一种基于光声效应的超高灵敏度痕量气体检测技术。当目标气体吸收调制后的激光能量时,会产生周期性的热膨胀,进而激发出声波信号。本项目采用了先进的“全光双共振增强型”光声池与光纤声波传感器,但在极其恶劣的实地工况下,外界声学振动和电磁杂讯会不可避免地耦合进系统。
2、最相近的现有实现方案:(1)纯硬件隔振与声学滤波:通过增加厚重的隔音材料、减震垫,以及设计特殊的声学共振腔形状(如差分光声池)来抵消共模环境噪声。(2)锁相放大与数字滤波(常规软件滤波):采集探测器电信号后,通过硬件或软件锁相放大器提取与激光调制频率同频及倍频(2f)的谐波信号,或使用卡尔曼滤波、小波去噪等传统信号处理手段。
3、纯硬件隔振增加了设备的体积、重量和成本,且无法消除低频重型机械震动耦合进光纤传感器的干扰。传统的锁相放大和数字滤波方法属于“线性滤波”。当工业现场的非平稳机械振动频率恰好与光声信号的共振频率(或其谐波)重合时,传统滤波器会将其误认为有效信号而放大,导致信噪比急剧下降。
技术实现思路
1、本发明通过提供一种全光双共振与深度网络气体特征解耦检测方法及系统,解决了现有技术中非平稳噪声与气体特征频率重叠导致信噪比低、基线漂移严重的问题,实现了极低信噪比下的气体特征精准提取与稳定浓度反演。
2、第一方面,本发明提供了一种全光双共振与深度网络气体特征解耦检测方法,包括:
3、同步采集主路光声信号和至少一路与环境振动相关的辅助物理参量信号,对两路信号进行时域对齐后分别转换至时频域,得到主路光声时频图和辅助振动时频图;
4、基于实时环境参数,根据目标气体的光谱吸收物理模型,动态生成表征纯净气体信号理论形态的物理先验引导矩阵;
5、将所述主路光声时频图、辅助振动时频图和所述物理先验引导矩阵输入至预训练的深度神经网络,得到纯净气体特征,并根据所述纯净气体特征反演计算目标气体浓度;
6、其中,所述深度神经网络包括:多模态特征拼接层、共享编码器、气体特征解码分支和交叉注意力层;
7、所述多模态特征拼接层用于将所述主路光声时频图和所述辅助振动时频图在通道维度上拼接,形成双通道输入张量;
8、所述共享编码器用于对所述双通道输入张量进行编码,输出混合特征图;所述气体特征解码分支用于对所述混合特征图进行解码重构,输出气体特征分量;
9、所述交叉注意力层用于以所述物理先验引导矩阵作为引导,对所述气体特征分量进行注意力加权增强,滤除非气体成分,输出纯净气体特征。
10、第二方面,本发明提供了一种全光双共振与深度网络气体特征解耦检测系统,包括:
11、预处理阶段,用于同步采集主路光声信号和至少一路与环境振动相关的辅助物理参量信号,对两路信号进行时域对齐后分别转换至时频域,得到主路光声时频图和辅助振动时频图;
12、先验阶段,基于实时环境参数,根据目标气体的光谱吸收物理模型,动态生成表征纯净气体信号理论形态的物理先验引导矩阵;
13、网络处理阶段,用于将所述主路光声时频图、辅助振动时频图和所述物理先验引导矩阵输入至预训练的深度神经网络,得到纯净气体特征,并根据所述纯净气体特征反演计算目标气体浓度;
14、其中,所述深度神经网络包括:多模态特征拼接层、共享编码器、气体特征解码分支和交叉注意力层;
15、所述多模态特征拼接层用于将所述主路光声时频图和所述辅助振动时频图在通道维度上拼接,形成双通道输入张量;
16、所述共享编码器用于对所述双通道输入张量进行编码,输出混合特征图;所述气体特征解码分支用于对所述混合特征图进行解码重构,输出气体特征分量;
17、所述交叉注意力层用于以所述物理先验引导矩阵作为引导,对所述气体特征分量进行注意力加权增强,滤除非气体成分,输出纯净气体特征。
18、本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
19、本发明通过同步采集主路光声信号与环境振动信号并进行时域对齐,补偿了机械振动在物理传导中的时间延迟,使后续网络能够准确学习气体信号与噪声的时空关联,避免了传统方法因相位失配导致的特征错位,为在强非平稳干扰下提取微弱气体信号奠定基础;利用实时温压参数和高分辨率透射分子吸收数据库(high-resolution transmissionmolecular absorption database,hitran)数据库动态生成理论吸收线型,使物理先验矩阵随现场环境自适应变化,解决了传统固定模板无法适应温度、压力剧烈波动的问题,为深度网络提供了导航模板,大幅提升了模型在复杂工况下的泛化能力和抗漂移性;在通道维度上拼接含噪光声信号与振动参考信号,与传统简单相减或滤波相比,保留了相位和幅度的高维信息,为后续解耦提供了更丰富的判别特征;采用多层残差空洞卷积结构,通过逐级增大的膨胀率扩大感受野,同时保持高分辨率特征图,有效提取气体吸收峰与非平稳噪声的宽频带、长时序依赖特征,克服了传统cnn感受野不足或普通卷积丢失低频振动细节的缺陷;通过级联的转置卷积层逐步恢复时频分辨率,专门重构气体吸收特征,与噪声分支形成独立子空间,配合正交损失迫使气体特征与噪声特征在隐空间相互正交,从根本上避免了频率混叠,实现了极低信噪比下的气体信号保真提取;以物理先验作为查询项对气体特征进行注意力筛选,网络仅增强与理论吸收线型高度相似的激活区域,彻底抹除突发振动、电磁干扰等非平稳噪声引起的伪峰;结合逆短时傅里叶变换还原时域波形并提取峰值,采用预先标定的线性反演公式计算浓度,避免了传统方法因基线漂移导致的虚报警报,在连续监测中浓度读数稳定锁定在真值附近,重复性和长期稳定性显著优于传统锁相放大技术。
1.一种全光双共振与深度网络气体特征解耦检测方法,其特征在于,包括:
2.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述同步采集主路光声信号和至少一路与环境振动相关的辅助物理参量信号,对两路信号进行时域对齐后分别转换至时频域,得到主路光声时频图和辅助振动时频图,包括:
3.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述基于实时环境参数,根据目标气体的光谱吸收物理模型,动态生成表征纯净气体信号理论形态的物理先验引导矩阵,包括:
4.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述共享编码器,包括:依次级联的第一残差空洞卷积块、第二残差空洞卷积块、第三残差空洞卷积块和第四残差空洞卷积块;沿级联方向,各残差空洞卷积块中空洞卷积层的膨胀率逐级增大;
5.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述气体特征解码分支,包括:依次级联的第一转置卷积层、第二转置卷积层、第三转置卷积层和第四转置卷积层;
6.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述以所述物理先验引导矩阵作为引导,对所述气体特征分量进行注意力加权增强,滤除非气体成分,输出纯净气体特征,包括:
7.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述深度神经网络的训练过程,包括:
8.根据权利要求1所述的全光双共振与深度网络气体特征解耦检测方法,其特征在于,所述根据所述纯净气体特征反演计算目标气体浓度,包括:
9.一种全光双共振与深度网络气体特征解耦检测系统,其特征在于,包括:
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