一种用于六氟丁二烯制备的智能化有毒有害气体报警系统的制作方法

1.本发明涉及气体智能监测的领域，且更为具体地，涉及一种用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法。


背景技术：

2.在全球电子气体市场上，含氟电子气体约占30％，主要用作蚀刻剂和清洗剂等。当前广泛使用的全氟烷烃类(pfcs)化合物虽然不破坏臭氧层，但在《京都议定书》中被认定为较强的温室气体。随着人们对环境要求的不断提高，传统含氟电子气体的使用将会受到极大的限制。因此需要寻找新型的环保型含氟电子气体。
3.六氟丁二烯凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一，它是制备多种含氟聚合物材料的单体，还是一种绿色环保的高效干蚀刻气体，近年来已引起国内外学者的高度关注。
4.但是，六氟丁二烯是一种易燃、有毒、无色、无味的气体，其与空气混合后，浓度达到7%时，有立即燃烧和爆炸的危险。并且，被吸入体内后，对人体会产生危害，可能导致呼吸系统刺激、咳嗽、昏眩、麻醉、心律不齐和负面的肾脏影响。
5.因此，在六氟丁二烯的制备过程中，期待对制备场所内的有毒有害气体进行监测以确保制备场所内的人员安全。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
7.根据本技术的一个方面，提供了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其包括：气体监测数据采集模块，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本气体数据编码模块，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特
征值为零；拓扑矩阵编码模块，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及报警结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
8.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述单样本气体数据编码模块，包括：输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中 是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
9.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述多样本气体数据关联编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
10.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述拓扑矩阵编码模块，进一步用于：所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
11.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述拓扑特征校正模块，包括：指数运算单元，用于计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；倒数运算单元，用于计算所述拓扑特征矩阵中各个位置的特征值的倒数；约束值计算单元，用于以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，结构化理解单元，用于计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
12.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述融合模块，进一步用于：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：其中表示所述分类特征矩阵，表示所述所述测量数据关联特征矩阵，表示所述校正后拓扑特征矩阵，表示矩阵相乘。
13.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统中，所述报警结果生成模块，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
14.根据本技术的另一方面，一种用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法，其包括：获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
15.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量，包括：将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
16.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵，包括：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
17.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
18.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵，包括：计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；计算所述拓扑特征矩阵中各个位置的特征值的倒数；以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
19.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，包括：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：其中表示所述分类特征矩阵，表示所述所述测量数据关联特征矩阵，表示所述校正后拓扑特征矩阵，表示矩阵相乘。
20.在上述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法中，将所述分类特征矩阵通过分类器以得到分类结果，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权
重矩阵，至表示各层全连接层的偏置矩阵。
21.与现有技术相比，本技术提供的用于六氟丁二烯制备的智能化有毒有害气体报警系统及其报警方法，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
附图说明
22.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
23.图1为根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的应用场景图。
24.图2为根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的框图。
25.图3为根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统中拓扑特征校正模块的框图。
26.图4为根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的流程图。
27.图5为根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的架构示意图。
具体实施方式
28.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
29.场景概述：如前所述，在全球电子气体市场上，含氟电子气体约占30％，主要用作蚀刻剂和清洗剂等。当前广泛使用的全氟烷烃类(pfcs)化合物虽然不破坏臭氧层，但在《京都议定书》中被认定为较强的温室气体。随着人们对环境要求的不断提高，传统含氟电子气体的使用将会受到极大的限制。因此需要寻找新型的环保型含氟电子气体。
30.六氟丁二烯凭借其各方面的优异性能成为传统含氟电子气体的最佳替代品之一，它是制备多种含氟聚合物材料的单体，还是一种绿色环保的高效干蚀刻气体，近年来已引起国内外学者的高度关注。
31.但是，六氟丁二烯是一种易燃、有毒、无色、无味的气体，其与空气混合后，浓度达到7%时，有立即燃烧和爆炸的危险。并且，被吸入体内后，对人体会产生危害，可能导致呼吸系统刺激、咳嗽、昏眩、麻醉、心律不齐和负面的肾脏影响。
32.因此，在六氟丁二烯的制备过程中，期待对制备场所内的有毒有害气体进行监测
以确保制备场所内的人员安全。
33.相应地，本技术发明人发现在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便单个传感器自身不存在故障，依赖单个传感器的数据作为监测依据是不合理的。
34.基于此，在本技术的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
35.进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
36.由于考虑到这种扩散规律也与空间的特征分布有关，因此，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。
37.这样，将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，以获得用于表示是否产生报警提示的分类结果。但是，在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题。
38.基于此，在进行特征融合之前，首先对所述拓扑特征矩阵进行类条件边界约束：
其中是所述拓扑特征矩阵的每个位置的特征值。
39.这里，该所述类条件边界约束通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束，以避免特征值集合由于集合的分布外特性而导致在分类目标域内的决策区域的过度碎片化，以获得稳健的条件化的类边界，从而通过提升所述拓扑特征矩阵本身的类条件边界内的收敛性来提高分类特征矩阵在分类目标上的约束性，进而提高分类的效果。
40.基于此，本技术提出了一种用于六氟丁二烯制备的智能化有毒有害气体报警系统，其包括：气体监测数据采集模块，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；单样本气体数据编码模块，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑矩阵编码模块，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，报警结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
41.图1图示了根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于六氟丁二烯的制备场所（例如，如图1中所示意的h）内的多个有毒有害气体监测仪（例如，如图1中所示意的t1-tn）的预定拓扑样式来获取拓扑矩阵，并且通过以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值。然后，将获得的所述多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值以及所述多个有毒有害气体监测仪的拓扑矩阵输入至部署有用于六氟丁二烯制备的智能化有毒有害气体报警算法的服务器中（例如，如图1中所示意的服务器s），其中，所述服务器能够以用于六氟丁二烯制备的智能化有毒有害气体报警算法对所述多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值以及所述多个有毒有害气体监测仪的拓扑矩阵进行处理，以生成用于表示是否产生报警提示的分类结果。
42.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
43.示例性系统：图2图示了根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的框图。如图2所示，根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 200，包括：气体监测数据采集模块 210，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的
气体浓度值；单样本气体数据编码模块 220，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；多样本气体数据关联编码模块 230，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；传感器拓扑矩阵构造单元 240，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；拓扑矩阵编码模块 250，用于将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；拓扑特征校正模块 260，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；融合模块 270，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，报警结果生成模块 280，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
44.具体地，在本技术实施例中，所述气体监测数据采集模块 210和所述单样本气体数据编码模块 220，用于获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值，并将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。如前所述，应可以理解，在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于所述有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用所述单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便所述单个传感器自身不存在故障，依赖所述单个传感器的数据作为监测依据是不合理的。
45.因此，在本技术的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
46.更具体地，在本技术实施例中，所述单样本气体数据编码模块，包括：输入向量构造单元，用于将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值按照时
间维度排列为对应于各个所述有毒有害气体监测仪的一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：，其中是所述输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。
47.具体地，在本技术实施例中，所述多样本气体数据关联编码模块 230，用于将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵。也就是，在本技术的技术方案中，进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
48.更具体地，在本技术实施例中，所述多样本气体数据关联编码模块，进一步用于：所述第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述测量数据关联特征矩阵，所述第一卷积神经网络的第一层的输入为所述二维特征矩阵。
49.具体地，在本技术实施例中，所述传感器拓扑矩阵构造单元 240和所述拓扑矩阵编码模块 250，用于获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零，并将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵。应可以理解，考虑到由于这种扩散规律也与空间的特征分布有关，因此，在本技术的技术方案中，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
50.具体地，在本技术实施例中，所述拓扑特征校正模块 260，用于对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵。应可以理解，在本技术的技术方案中，这样，再将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，考虑到在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题，因此，在进行特征融合之前，需要对所述拓扑特征矩阵进行类条件边界约束。
51.更具体地，在本技术实施例中，所述拓扑特征校正模块，包括：首先，计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值。接着，计算所述拓扑特征矩阵中各个位置的特征值的倒数。然后，以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值。最后，计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。相应地，在一个具体示例中，对所述拓扑特征矩阵进行类条件边界约束的公式为：其中是所述拓扑特征矩阵的每个位置的特征值。应可以理解，该所述类条件边界约束通过对特征值及其所属的类条件进行基于规则的结构化理解，来进行特征的边界约束，以避免特征值集合由于集合的分布外特性而导致在分类目标域内的决策区域的过度碎片化，以获得稳健的条件化的类边界，从而通过提升所述拓扑特征矩阵本身的类条件边界内的收敛性来提高分类特征矩阵在分类目标上的约束性，进而提高分类的效果。
[0052] 图3图示了根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统中拓扑特征校正模块的框图。如图3所示，所述拓扑特征校正模块 260，包括：指数运算单元 261，用于计算以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值；倒数运算单元 262，用于计算所述拓扑特征矩阵中各个位置的特征值的倒数；约束值计算单元 263，用于以所述拓扑特征矩阵中各个位置的特征值为幂的自然指数函数值减去所述拓扑特征矩阵中该位置的特征值的倒数再减一以得到所述拓扑特征矩阵中各个位置的特征值对应的约束值；以及，结构化理解单元 264，用于计算所述拓扑特征矩阵中各个位置的特征值对应的约束值的绝对值的对数函数值以得到所述校正后拓扑特征矩阵。
[0053]
具体地，在本技术实施例中，所述融合模块 270和所述报警结果生成模块 280，用于将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。也就是，在本技术的技术方案中，在获得所述校正后拓扑特征矩阵后，进一步将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘，以
将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，从而得到分类特征矩阵来进行分类，以得到用于表示是否产生报警提示的分类结果。相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0054]
更具体地，在本技术实施例中，所述融合模块，进一步用于：以如下公式将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到所述分类特征矩阵；其中，所述公式为：其中表示所述分类特征矩阵，表示所述所述测量数据关联特征矩阵，表示所述校正后拓扑特征矩阵，表示矩阵相乘。
[0055] 综上，基于本技术实施例的所述用于六氟丁二烯制备的智能化有毒有害气体报警系统 200被阐明，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
[0056]
如上所述，根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 200可以实现在各种终端设备中，例如用于六氟丁二烯制备的智能化有毒有害气体报警算法的服务器等。在一个示例中，根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于六氟丁二烯制备的智能化有毒有害气体报警系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于六氟丁二烯制备的智能化有毒有害气体报警系统 200同样可以是该终端设备的众多硬件模块之一。
[0057]
替换地，在另一示例中，该用于六氟丁二烯制备的智能化有毒有害气体报警系统 200与该终端设备也可以是分立的设备，并且该用于六氟丁二烯制备的智能化有毒有害气体报警系统 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0058]
示例性方法：图4图示了用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的流程图。如图4所示，根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法，包括步骤：s110，获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值；s120，将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量；s130，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩
阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵；s140，获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零；s150，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵；s160，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵；s170，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵；以及，s180，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。
[0059]
图5图示了根据本技术实施例的用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的架构示意图。如图5所示，在所述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法的网络架构中，首先，将获得的各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值（例如，如图5中所示意的p1）通过包含一维卷积层的时序编码器（例如，如图5中所示意的e）以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量（例如，如图5中所示意的vf1）；接着，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵（例如，如图5中所示意的mf1）后通过作为过滤器的第一卷积神经网络（例如，如图5中所示意的cnn1）以得到测量数据关联特征矩阵（例如，如图5中所示意的mf2）；然后，将获得的所述拓扑矩阵（例如，如图5中所示意的p2）通过作为过滤器的第二卷积神经网络（例如，如图5中所示意的cnn2）以得到拓扑特征矩阵（例如，如图5中所示意的m1）；接着，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵（例如，如图5中所示意的m2）；然后，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵（例如，如图5中所示意的mf）；以及，最后，将所述分类特征矩阵通过分类器（例如，如图5中所示意的分类器）以得到分类结果，所述分类结果用于表示是否产生报警提示。
[0060]
更具体地，在步骤s110和s120中，获取由以预定拓扑样式部署于六氟丁二烯的制备场所内的多个有毒有害气体监测仪采集的多个预定时间点的气体浓度值，并将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。应可以理解，在利用气体传感器进行有毒有害气体（主要是六氟丁二烯气体）监测时，由于所述有毒有害气体在待监测场所内各个位置的分布是不均匀的，因此，如果采用一个单独的气体传感器进行气体监测，其可能监测到的气体浓度值未超过安全阈值，但场所内其他位置的气体浓度有可能已超过预定阈值。其次，单个传感器也有可能因故障而测量产生误差，因此，采用所述单个气体传感器来进行气体浓度监测存在安全隐患。并且，任何气体传感器都有自身系统误差，因此，即便所述单个传感器自身不存在故障，依赖所述单个传感器的数据作为监测依据是不合理的。
[0061]
因此，在本技术的技术方案中，通过以预定的拓扑样式来在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪，以采集多个预定时间点的气体浓度值。应可以理解，考虑到所述六氟丁二烯的制备场所内有毒有害气体监测仪的部署空间区域是连通的，这样会
使得所述气体浓度值具有动态性的变化规律，也就是，各个所述有毒有害气体监测仪部署点的气体浓度会根据时间的变化发生扩散，例如会从浓度较高的地区扩散至浓度较低的地区。因此为了更为充分地提取这种动态性的隐含变化规律，进一步将各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值通过包含一维卷积层的时序编码器中进行处理，以得到对应于各个所述有毒有害气体监测仪的测量数据时序特征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出各个部署点的所述气体浓度值在时序维度上的关联特征和通过全连接编码提取各个部署点的所述气体浓度值的高维隐含特征。
[0062]
更具体地，在步骤s130中，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵后通过作为过滤器的第一卷积神经网络以得到测量数据关联特征矩阵。也就是，在本技术的技术方案中，进一步地，将所述对应于各个所述有毒有害气体监测仪的测量数据时序特征向量排列为二维特征矩阵，以整合各个所述有毒有害气体监测仪部署点的气体浓度值的动态变化特征信息，再将这种变化特征通过作为过滤器的第一卷积神经网络中进行处理，以提取出各个所述有毒有害气体监测仪采集的多个预定时间点的气体浓度值的全局性的动态特征表示，以得到测量数据关联特征矩阵。
[0063]
更具体地，在步骤s140和步骤s150中，获取所述多个有毒有害气体监测仪的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零，并将所述拓扑矩阵通过作为过滤器的第二卷积神经网络以得到拓扑特征矩阵。应可以理解，考虑到由于这种扩散规律也与空间的特征分布有关，因此，在本技术的技术方案中，根据预定的拓扑样式来获取所述多个有毒有害气体监测仪的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的特征值为相应两个有毒有害气体监测仪之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为零。然后，将所述拓扑矩阵通过作为过滤器的第二卷积神经网络中进行拓扑特征的深层挖掘，以得到拓扑特征矩阵。相应地，在一个具体示例中，所述第二卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的均值池化处理和激活处理以由所述第二卷积神经网络的最后一层生成所述拓扑特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述拓扑矩阵。
[0064]
更具体地，在步骤s160中，对所述拓扑特征矩阵进行特征分布校正以得到校正后拓扑特征矩阵。应可以理解，在本技术的技术方案中，这样，再将所述测量数据关联特征矩阵与所述拓扑特征矩阵进行矩阵相乘，以将所述拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，进而融合这两者的特征信息来进行分类，就可以获得用于表示是否产生报警提示的分类结果。但是，考虑到在将所述拓扑特征矩阵乘以所述测量数据关联特征矩阵以进行特征融合时，由于所述拓扑特征矩阵表达传感器位置的拓扑特征，而不包含测量数据的数值特征，这就导致所获得的所述分类特征矩阵在针对测量数据的时序数值关联特征的分类目标上存在约束性弱的问题，从而可能存在分类效果不佳的问题，因此，在进行特征融合之前，需要对所述拓扑特征矩阵进行类条件边界约束。
[0065]
更具体地，在步骤s170和步骤s180中，将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中以得到分类特征矩阵，并将所述分类特征矩阵通
过分类器以得到分类结果，所述分类结果用于表示是否产生报警提示。也就是，在本技术的技术方案中，在获得所述校正后拓扑特征矩阵后，进一步将所述测量数据关联特征矩阵与所述校正后拓扑特征矩阵进行矩阵相乘，以将所述校正后拓扑特征矩阵的高维拓扑信息映射到所述测量数据关联特征矩阵的高维特征空间中，从而得到分类特征矩阵来进行分类，以得到用于表示是否产生报警提示的分类结果。
[0066]
相应地，在一个具体示例中，所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：，其中表示将所述分类特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
[0067]
综上，基于本技术实施例的所述用于六氟丁二烯制备的智能化有毒有害气体报警系统的报警方法被阐明，其通过在六氟丁二烯的制备场所内部署多个有毒有害气体监测仪来采集在多个时间点下的多个位置的气体浓度值，并使用深度神经网络模型来对多个所述气体浓度值进行隐含的动态关联特征提取，同时，还使用拓扑特征来进行特征的空间域映射，以在分类时兼顾到更多的特征信息，进而提高分类的效果。这样，可以对制备场所内的有毒有害气体进行准确地监测以确保制备场所内的人员安全。
[0068]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0069]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0070]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0071]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0072]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。