基于机器学习的光触媒甲醛去除评估方法与流程

本发明涉及计算机数据处理、信息组织与机器学习分析，具体为基于机器学习的光触媒甲醛去除评估方法。

背景技术：

1、在光触媒甲醛去除性能评价中，现有技术通常采用封闭试验空间或规定试验条件，在设定初始甲醛浓度后启动光照，按照固定采样周期记录甲醛浓度变化，并以初始浓度与某一终止时刻浓度之间的差值、去除率、单位时间平均下降量或拟合得到的表观反应速率作为评价依据。部分方案会将整段浓度序列输入回归模型、分类模型或时序预测模型，根据历史样本中甲醛浓度、试验时长以及照射过程之间的统计关系输出性能等级。此类处理通常将一次试验视为单一连续过程，对全部采样点采用统一时间坐标和统一特征尺度，模型学习目标集中于终点值或全程平均变化趋势，较少区分吸附占主导、光催化逐渐启动、持续降解以及后程趋稳或衰减等阶段在时间位置和变化形态上的差异。

2、为利用甲醛浓度曲线中的过程信息，已有数据处理方案还会提取下降斜率、局部变化率、曲线弯曲程度、稳定区间长度等时序特征，并通过滑动时间窗口、拐点检测、聚类或序列分段方式划分浓度变化区间，再将各区间特征输入机器学习模型形成综合评分。由于多数分段方式仍以固定窗口长度、局部突变位置或者统一时间比例作为主要依据，不同试验中的分段结果往往依赖采样起点和反应速度；当某一光触媒激活较早而另一光触媒激活较晚时，相同时间窗口可能对应不同反应状态。现有方案通常继续按照时间先后直接拼接区间特征，缺少对各区间所代表反应状态的统一标识，也缺少对前一阶段末端状态与后一阶段初始状态之间连续关系的联合约束，因而同类状态在不同试验中的特征位置并不稳定。

3、固定时间坐标下的整体评价难以正确区分不同反应阶段发生时刻和持续长度的差异，导致机器学习模型容易把阶段位置偏移学习为光触媒性能差异。同样的终点去除率可能来自前期快速下降后趋于停滞，也可能来自前期变化较缓而后续持续降解；若仅比较终点值、平均下降量或未经语义对齐的局部特征，两类轨迹会被压缩为相近的评价结果。尤其在激活时刻、持续降解区间和后程变化位置发生偏移时，模型无法稳定对应相同反应状态，前后阶段之间是否形成连续去除过程也无法进入统一判断，使评价结果受到采样时间位置影响，并在不同试验之间形成由时间错位引起的特征对应偏差，难以真实表征光触媒从启动到持续作用再到后程变化的完整甲醛去除能力。

技术实现思路

1、本发明的目的在于提供基于机器学习的光触媒甲醛去除评估方法，可以解决上述背景技术中的问题。

2、为实现上述目的，本发明采取的技术方案为：

3、基于机器学习的光触媒甲醛去除评估方法，包括：获取光触媒甲醛去除试验的甲醛浓度时序数据、初始浓度、照射起始时刻及试验持续时间，建立按统一时间基准关联的试验记录；

4、基于所述甲醛浓度时序数据构建表征下降速率、趋势持续性、局部曲率及后程回升状态的轨迹特征序列；

5、利用机器学习状态分解模型按照预设反应阶段顺序确定所述轨迹特征序列中的阶段边界，并依据阶段类型对不同试验记录进行语义对齐；

6、提取各阶段的持续长度、浓度下降形态、阶段转换变化及后程稳定状态形成阶段状态序列；

7、基于相邻阶段状态之间的顺序依赖关系进行跨阶段耦合计算，输出光触媒甲醛去除评估结果。

8、优选的，所述轨迹特征序列的构建包括：对相邻采样时刻的甲醛浓度变化进行分段差分编码，获得局部下降速率序列；

9、在连续时间窗口内计算所述局部下降速率序列的符号保持关系与变化方向一致性，形成趋势持续性编码；

10、依据相邻窗口内下降速率变化的二阶关系生成局部曲率编码；

11、将试验后段出现的连续减缓、平台及反向增长片段编码为后程回升状态，并将所述局部下降速率序列、所述趋势持续性编码、所述局部曲率编码与所述后程回升状态按时间顺序组合为所述轨迹特征序列。

12、优选的，所述阶段边界的确定包括：将所述轨迹特征序列输入具有有序状态约束的机器学习状态分解模型，限定候选状态按照吸附主导状态、催化激活状态、持续降解状态以及后程稳定或衰减状态的顺序转移；

13、对相邻候选状态之间的轨迹特征分布差异进行联合计算，获得边界置信度；

14、在满足状态顺序约束且所述边界置信度连续成立的位置确定所述阶段边界，并利用各阶段内部轨迹特征的一致性对边界位置进行回溯修正，形成具有阶段标签的反应轨迹。

15、优选的，所述跨阶段耦合计算包括：按照阶段标签分别形成吸附状态向量、激活状态向量、持续降解状态向量及后程状态向量；

16、构建有向阶段关联图，并仅建立符合反应阶段先后关系的相邻状态连接；

17、对每一连接计算前一阶段末端状态与后一阶段初始状态之间的状态继承量，并将所述状态继承量与后一阶段内部的趋势持续性共同编码为阶段转移表示；

18、按照所述阶段转移表示的时序顺序生成联合轨迹表示，并基于所述联合轨迹表示完成甲醛去除评估。

19、优选的，所述连续时间窗口按照轨迹变化自适应划分，包括：以所述局部下降速率序列的稳定区间作为初始窗口，当相邻采样点的下降方向保持一致时扩展当前窗口，当下降速率变化方向发生持续反转时终止当前窗口并建立下一窗口；

20、对相邻窗口之间的采样跨度差异进行归一化，形成与窗口长度无关的趋势持续性编码；

21、对于跨越照射起始时刻的窗口，将所述照射起始时刻作为强制分割位置，并分别保留分割前后的局部下降速率统计量，使照射前后轨迹特征在同一试验记录中保持独立索引。

22、优选的，所述边界位置的回溯修正包括：以初始阶段边界为中心建立前后候选区间，分别计算候选区间内轨迹特征与当前阶段标签对应特征分布之间的匹配度；

23、当边界两侧存在连续采样点与相邻阶段的匹配度发生交叉变化时，将交叉位置作为候选修正点；

24、对所述候选修正点前后的阶段内特征离散度进行比较，并选择能够同时降低相邻两阶段内部离散度的位置替换初始阶段边界；

25、对连续两个阶段边界执行顺序校验，保持各阶段持续区间非重叠且符合所述有序状态约束。

26、优选的，所述状态继承量的计算包括：从前一阶段的末端轨迹片段提取末端下降方向、末端变化幅度及末端趋势持续性，从后一阶段的初始轨迹片段提取初始下降方向、初始变化幅度及初始趋势持续性；

27、按照两个阶段在有向阶段关联图中的连接关系建立成对状态记录；

28、对所述成对状态记录进行方向一致性、幅度延续性及趋势连续性联合编码，得到连接级继承向量；

29、将所述连接级继承向量与后一阶段内部轨迹特征共同输入所述阶段转移表示生成过程。

30、优选的，所述联合轨迹表示的生成包括：对各阶段状态向量建立阶段级索引，并对各阶段转移表示建立连接级索引；

31、按照吸附主导状态至后程状态的顺序交替排列阶段级索引和所述连接级索引，构成阶段—转移交织序列；

32、对所述阶段—转移交织序列执行带顺序掩码的机器学习编码，使当前位置仅关联当前阶段及其之前的阶段状态和阶段转移表示；

33、将最后一个有效阶段位置的编码结果与全部连接级索引对应编码进行聚合，形成用于甲醛去除评估的联合轨迹表示。

34、优选的，建立所述阶段边界与自适应时间窗口的协同修正关系，包括：在完成所述初始阶段边界确定后，检查每一阶段边界是否落入连续时间窗口内部；

35、对于落入窗口内部的阶段边界，将边界两侧轨迹特征重新划分为两个候选窗口，并分别生成归一化趋势持续性编码；

36、将候选窗口编码返回边界位置回溯修正过程，比较分割前后的阶段内特征离散度；

37、当重新划分满足所述有序状态约束时，同步更新窗口边界、阶段边界及对应轨迹特征索引。

38、优选的，建立跨阶段耦合结果的层级一致性约束，包括：根据更新后的阶段边界重新生成各连接级继承向量，并按照阶段—转移交织序列获得新的联合轨迹表示；

39、分别从所述联合轨迹表示中提取阶段级编码和连接级编码，对相邻阶段级编码之间的变化方向与对应连接级继承向量中的方向一致性进行匹配；

40、对于匹配关系不成立的位置，仅回溯至对应阶段边界及其相邻自适应时间窗口执行局部重分解，并保持其他阶段标签、阶段级索引及连接级索引不变；

41、利用重分解后的所述阶段—转移交织序列完成最终甲醛去除评估。

42、与现有技术相比，本发明的有益效果在于：

43、1.将甲醛浓度时序数据转换为包含下降速率、趋势持续性、局部曲率及后程回升状态的轨迹特征序列，并利用具有反应阶段顺序约束的机器学习状态分解过程确定阶段边界，使不同试验记录从绝对时间对齐转变为吸附主导、催化激活、持续降解以及后程稳定或衰减状态之间的语义对齐。由此，同一反应状态即使出现在不同采样时刻，也能够被映射到对应阶段进行比较，阶段发生时间的前后移动不再直接转化为性能差异。进一步利用阶段内特征一致性回溯修正边界，并将自适应时间窗口与阶段边界协同更新，可减少局部波动造成的错误切分，使机器学习输入保持与实际浓度变化状态一致，降低由激活时刻差异、持续区间长度差异以及后程变化位置偏移引起的评价偏差。

44、2.在阶段语义对齐基础上，分别形成各阶段状态向量，并建立符合反应先后关系的有向阶段关联，将前一阶段末端的下降方向、变化幅度和趋势持续性与后一阶段初始状态联合编码为连接级继承向量，再与阶段内部轨迹特征共同生成阶段转移表示。通过阶段级索引与连接级索引交替形成阶段转移交织序列，并按照时间顺序进行机器学习编码，评价输入同时保留各阶段自身状态和相邻阶段之间的连续变化关系。对于前期快速下降但后续无法维持的轨迹，后续阶段的趋势减弱、平台或回升信息能够与前期状态共同进入评估；对于前期下降较缓而后续保持持续降解的轨迹，阶段继承关系能够保留连续作用信息，避免仅凭局部快速下降或单一终点浓度形成相近评分，并使最终评价同时反映激活、持续降解和后程保持状态。