一种基于自适应学习的水体β放射性监测方法及装置与流程

本技术实施例涉及核辐射监测领域，特别涉及一种基于自适应学习的水体β放射性监测方法及装置。

背景技术：

1、随着核能技术的持续进步与广泛应用，水体放射性污染监测在环境保护与公共健康领域的重要性日益凸显。在当前的水体β放射性监测实践中，传统方法仍面临一系列技术瓶颈与实际挑战：首先，由于β射线本身穿透能力较弱，在水体介质中传播时能量衰减迅速，导致常规探测手段效率普遍偏低，难以实现低活度水平的有效识别；其次，环境本底辐射受多种因素影响存在较大波动，容易对测量信号形成干扰，从而引入显著的系统误差，影响数据的可靠性；此外，现有监测方法多基于固定参数设置，难以根据水体条件的动态变化进行自适应调整，限制了其在不同水文环境下的适用性与测量准确性。与此同时，传统监测设备结构复杂、维护成本较高，且需要频繁进行人工校准与参数优化，不仅增加了运维负担，也影响了监测系统的长期稳定性与自动化水平。

2、因此，为应对复杂多变的水体环境并满足日益严格的监管要求，目前迫切需要发展一种新型的水体β放射性监测方法。

技术实现思路

1、本技术的目的旨在至少能解决上述的技术缺陷之一。

2、一方面，本技术实施例提供了一种基于自适应学习的水体β放射性监测方法，该方法包括：

3、获取水体β放射性监测系统当前的环境参数数据、时间数据以及实时采集的β放射性原始信号，β放射性原始信号包括原始脉冲计数和能谱数据；

4、将环境参数数据和当前时间数据输入至预先训练好的时间序列预测模型，得到预测本底计数率，并根据预测本底计数率对原始脉冲计数进行补偿，得到净β放射性信号；

5、将环境参数数据、净β放射性信号和能谱数据输入至预先训练好的异常检测模型，得到异常监测结果，异常监测结果包括异常分数和异常级别；

6、将环境参数数据、净β放射性信和异常监测结果输入至预先训练的策略决策模型得到控制指令，并基于控制指令对水体β放射性监测系统进行调整。

7、可选的，环境参数数据包括水体温度，水体流速和水体浊度，根据预测本底计数率对原始脉冲计数进行补偿，得到净β放射性信号，包括：

8、将原始脉冲计数与预测本底计数率进行作差处理，并将得到的差值作为净β放射性信号。

9、可选的，β放射性原始信号是基于塑料闪烁体探测器采集得到的，该方法还包括：

10、将环境参数数据输入至预先训练好的回归模型，得到环境参数数据对应的探测器预测值，探测器预测值包括探测器预测阈值和探测器预测增益；

11、获取预设的最佳探测器阈值和探测器增益阈值，并根据探测器预测值、最佳探测器阈值和探测器增益阈值，确定对塑料闪烁体探测器的调整方式。

12、可选的，根据探测器预测值、最佳探测器阈值和探测器增益阈值，确定对塑料闪烁体探测器的调整方式，包括：

13、根据探测器预测阈值和最佳探测器阈值之间的关系确定探测器阈值调整指令，并根据探测器阈值调整指令对塑料闪烁体探测器的电压阈值进行调整；

14、根据探测器预测增益和探测器增益阈值之间的关系确定探测器增益调整指令，并根据探测器增益调整指令对塑料闪烁体探测器中的光电倍增管的供电电压进行调整。

15、可选的，将环境参数数据、净β放射性信号和能谱数据输入至预先训练好的异常检测模型，得到异常监测结果，包括：

16、根据环境参数数据、净β放射性信号和能谱数据对异常检测模型进行更新，得到更新后的异常检测模型；

17、将环境参数数据、净β放射性信号和能谱数据输入至更新后的异常检测模型，以使更新后的异常检测模型根据环境参数数据、净β放射性信号和能谱数据，得到异常分数，以及根据异常分数与预设分数阈值确定异常级别。

18、可选的，根据环境参数数据、净β放射性信号和能谱数据对异常检测模型进行更新，得到更新后的异常检测模型，包括：

19、对环境参数数据、净β放射性信号和能谱数据进行特征提取，得到当前数据特征向量，并根据当前数据特征向量基于指数加权移动平均方法对异常检测模型的均值向量、协方差矩阵和权重矩阵进行更新。

20、可选的，异常检测模型为基于时变加权马氏距离的异常检测器，异常分数是基于加权马氏距离公式计算得到，预设分数阈值是根据历史异常分数的分布确定的。

21、可选的，策略决策模型包括特征提取层、策略网络层和动作输出层，将环境参数数据、净β放射性信和异常监测结果输入至预先训练的策略决策模型得到控制指令，包括：

22、基于特征提取层对环境参数数据、净β放射性信和异常监测结果进行特征提取，得到状态特征向量，并将状态特征向量输入至策略网络层；

23、基于策略网络层对状态特征向量进行动作匹配，并基于动作输出层输出得到控制指令，控制指令包括采样率调整、测量时间调整和清洗指令中的至少一种。

24、可选的，策略决策模型还包括价值网络层，得到状态特征向量之后，还包括：

25、将状态特征向量输入至价值网络层，得到价值结果，并根据价值结果对策略决策模型的内部参数进行调整。

26、另一方面，本技术实施例提供了一种基于自适应学习的水体β放射性监测装置，包括：

27、数据获取模型，用于获取水体β放射性监测系统当前的环境参数数据、时间数据以及实时采集的β放射性原始信号，β放射性原始信号包括原始脉冲计数和能谱数据；

28、信号补偿模块，用于将环境参数数据和当前时间数据输入至预先训练好的时间序列预测模型，得到预测本底计数率，并根据预测本底计数率对原始脉冲计数进行补偿，得到净β放射性信号；

29、结果预测模块，用于将环境参数数据、净β放射性信号和能谱数据输入至预先训练好的异常检测模型，得到异常监测结果，异常监测结果包括异常分数和异常级别；

30、指令确定模块，用于将环境参数数据、净β放射性信和异常监测结果输入至预先训练的策略决策模型得到控制指令，并基于控制指令对水体β放射性监测系统进行调整。

31、再一方面，本技术实施例提供了一种电子设备，包括处理器和存储器：

32、存储器被配置用于存储机器可读指令，指令在由处理器执行时，使得处理器执行一种基于自适应学习的水体β放射性监测方法中的任一项方法。

33、本技术实施例提供的技术方案带来的有益效果至少包括:

34、在本技术中可以基于获取到的环境参数数据得到预测本底计数率，并根据预测本底计数率对原始脉冲计数进行补偿，得到净β放射性信，即通过动态本底补偿的方式有效剥离环境本底噪声和干扰，精准捕捉微弱的β放射性信号，极大降低了监测下限，实现了对水体低活度放射性的有效监测。

35、此外，还可以将环境参数数据、净β放射性信号和能谱数据输入至异常检测模型得到异常监测结果，并基于环境参数数据、净β放射性信和异常监测结果得到控制指令后对水体β放射性监测系统进行调整。此时水体β放射性监测系统能够有效区分由环境干扰引起的假信号和真实的放射性异常，降低了漏报风险，并且不再依赖固定的、预设的参数，能通过自适应学习调整至最佳工作状态，保证在不同应用场景下所得到的监测结果的可靠性。