CN112580740A - 臭氧浓度测量方法、装置、电子设备及存储介质 - Google Patents
臭氧浓度测量方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112580740A CN112580740A CN202011583164.3A CN202011583164A CN112580740A CN 112580740 A CN112580740 A CN 112580740A CN 202011583164 A CN202011583164 A CN 202011583164A CN 112580740 A CN112580740 A CN 112580740A
- Authority
- CN
- China
- Prior art keywords
- ozone
- ozone generator
- concentration
- neural network
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 17
- 239000001301 oxygen Substances 0.000 claims description 17
- 229910052760 oxygen Inorganic materials 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 12
- 230000007786 learning performance Effects 0.000 claims description 11
- 238000000691 measurement method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 5
- 239000005977 Ethylene Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- NLKNQRATVPKPDG-UHFFFAOYSA-M potassium iodide Chemical compound [K+].[I-] NLKNQRATVPKPDG-UHFFFAOYSA-M 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003899 bactericide agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种臭氧浓度测量方法、装置、电子设备及存储介质,其中的测量方法包括:获取臭氧发生器在给定工况下的工作参数;依据工作参数,基于预先训练的人工神经网络模型,确定在给定工况下由臭氧发生器所生成臭氧的浓度;其中,人工神经网络模型包括:输入层、中间层和输出层;给定工况下的工作参数用于为输入层提供输入信息,输出层的输出信息用于表征臭氧发生器所生成臭氧的浓度;中间层依据训练样本经过训练确定。本发明突破了硬件本身的费用、所涉及的使用寿命和维护等问题,降低了臭氧浓度测试的所需的成本。
Description
技术领域
本发明涉及臭氧浓度测量技术领域,尤其涉及一种臭氧浓度测量方法、装置、电子设备及存储介质。
背景技术
臭氧是一种绿色环保型的强氧化剂和杀菌剂,得益于其优良的化学特性而在污水处理、自来水消毒、食品加工等领域得到广泛的应用。臭氧分子易分解,需要现场生产使用。目前制备臭氧的方法有多种,有电化学法、紫外线照射法等,在工业应用上,主要使用介质阻挡放电法(DBD)生产臭氧。臭氧技术的研究不仅在当下、在未来都具有十分重要的意义。
DBD型臭氧发生器得到广泛使用以来,其实际生产效率与其理论计算值还存在较大差距,并且目前国内制造的臭氧发生器主要存在单机产量低同时耗能高的问题,这也成为众多学者研究的热点。
从众多学者的研究内容上看,并没有研究出一个对臭氧发生过程的精确模型,而以介质阻挡放电法生产臭氧的过程复杂,难以使用数学准确的描述,在生产过程中,臭氧浓度、产量以及生产效率受到很多因素的影响,只有获取精确的***输入输出关系才能更好地对***进行控制。研究旨在综合各个影响因子获取***的输入输出模型,从而更好地控制臭氧的生产。
目前对于臭氧浓度的检测最常见的就是乙烯化学发光法和紫外线辐射吸收法两种方法。
乙烯化学发光法的原理是利用臭氧同气相乙烯反应产生甲醛和氧,生成的甲醛分子开始处在激发态,它们的失活伴有光子发射。由于发光强度与臭氧的浓度成正比,因此可用光电倍增管检测。但是,乙烯化学发光法不能保证臭氧浓度的绝对测量值,必须对照通用的标准方法(例如碘化钾滴定法)予以标定,还须配用乙烯气瓶,由于乙烯是易燃气体,因此存在一定的危险。而且化学反应是需要时间的,因此我们不能够实时的进行数据监测与更新。并且需要消耗,因此使用寿命有限。
紫外辐射吸收法是利用臭氧具有吸收短波紫外区(200-300nm)的波段紫外光,并且在波长为253.7nm处具有最大吸收值的特性来测量臭氧浓度,并且具有测量精度高、稳定性好、能够连续检测、受其他氧化剂干扰小等优点,是当前用的最多的臭氧浓度在线检测方法。紫外线辐射吸收方法尽管测量精度高且能够连续监测,但使用成本高,也存在着使用寿命有限的问题,材质一旦消耗完就无法再起测量的作用了。
总之,当前的臭氧浓度检测方法无论能否在线检测,都会存在成本高且使用寿命有限的问题。
发明内容
本发明提供一种臭氧浓度测量方法、装置、电子设备及存储介质,实现降低臭氧浓度检测成本的目的。
本发明提供了一种臭氧浓度测量方法,用于测量臭氧发生器所生成氧气的浓度,该方法包括如下步骤:获取臭氧发生器在给定工况下的工作参数;依据所述工作参数,基于预先训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;其中,所述预先训练的人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
根据本发明提供的臭氧浓度测量方法,所述工作参数依据与所述臭氧发生器输出功率相关联的参数选取。
根据本发明提供的臭氧浓度测量方法,所述工作参数包括以下参数之一或组合:
臭氧发生器供电电源的工作频率、臭氧发生器放电室的温度、臭氧发生器供电电源的峰值电压、臭氧发生器中氧气的压力、臭氧发生器中氧气的流量,以及,臭氧发生器供电电源的电流强度。
根据本发明提供的臭氧浓度测量方法,所述训练样本通过如下步骤获取:采集臭氧发生器在给定工况下的工作参数;采用臭氧浓度仪,测量所述臭氧发生器在每一给定工况下所产生臭氧的浓度;将每一给定工况下的所述工作参数与在该工况下测量获得的臭氧浓度关联,作为一个训练样本。
根据本发明提供的臭氧浓度测量方法,所述中间层通过如下步骤训练确定:将所述训练样本划分为训练集、验证集和测试集;基于所述训练集,确定所述人工神经网络模型中包括权重和偏置的模型参数;基于所述验证集,调整所述人工神经网络模型中所述中间层的网络层数;基于所述测试集,评估所述人工神经网络模型的学习性能。
根据本发明提供的臭氧浓度测量方法,所述基于所述测试集,评估所述人工神经网络模型的学习性能后,还包括:在所述学习性能低于给定阈值时,重新执行所述确定所述人工神经网络模型中包括权重和偏置的模型参数、和/或,调整所述人工神经网络模型中所述中间层的网络层数的步骤。
根据本发明提供的臭氧浓度测量方法,所述训练样本中,所述训练集、所述验证集和所述测试集的按预先设定的分配比例进行分配。
本发明还提供了一种臭氧浓度测量装置,用于测量臭氧发生器所生成氧气的浓度,该装置包括:工作参数获取模块和臭氧浓度确定模块。其中,工作参数获取模块用于获取臭氧发生器在给定工况下的工作参数;臭氧浓度确定模块用于依据所述工作参数,基于预先完成训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;其中,所述人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
本发明还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述的臭氧发生器臭氧浓度测量方法的步骤。
本发明还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的臭氧发生器臭氧浓度测量方法的步骤。
本发明基于人工神经网络模型对臭氧发生器生成的臭氧进行浓度测量,由于该测量是基于软件的,因此,突破了臭氧浓度仪硬件本身的费用、所涉及的使用寿命和维护等问题,降低了臭氧浓度测量所需的成本。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的臭氧浓度测量方法的流程示意图;
图2是本发明提供的臭氧浓度测量方法中,预先完成训练的人工神经网络模型的逻辑结构示意图;
图3是本发明臭氧浓度测量方法中,对人工神经网络模型进行训练的原理示意图;
图4为本发明臭氧浓度测量方法中,获取测试样本的流程示意图;
图5为本发明臭氧浓度测量方法中,基于训练样本对人工神经网络的模型行训练的步骤流程示意图;
图6为本发明提供的臭氧浓度测量装置的结构示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图5描述本发明的臭氧浓度测量方法。
参照图1,图1是本发明提供的臭氧浓度测量方法的流程示意图,用于测量臭氧发生器所生成臭氧的浓度,包括如下步骤:
步骤110,获取臭氧发生器在给定工况下的工作参数;
步骤120,依据工作参数,基于预先完成训练的人工神经网络模型,确定在给定工况下由臭氧发生器所生成臭氧的浓度。
其中,预先训练的人工神经网络模型包括:输入层、中间层和输出层;给定工况下的工作参数用于为输入层提供输入信息,输出层的输出信息用于表征臭氧发生器所生成臭氧的浓度;中间层依据训练样本经过训练确定。
本实施例基于人工神经网络模型对臭氧发生器生成的臭氧进行浓度检测,由于该检测是基于软件的,因此,突破了臭氧浓度仪硬件本身的费用、所涉及的使用寿命和维护等问题,降低了臭氧浓度测量所需的成本。
下面,对上述步骤做进一步地说明。
步骤110,获取臭氧发生器在给定工况下的工作参数。
臭氧发生器基于高压电离压缩空气或纯氧的方式产生高浓度的臭氧。其工作参数依据与臭氧发生器输出功率相关联的参数选取。
之所以这样选取工作参数的理由是,臭氧发生器的工作参数与其功率相关,而臭氧发生器的功率又与产生的臭氧的浓度相关,因此,可以通过决定臭氧发生器的功率的工作参数来间接预测产生臭氧的浓度。
臭氧发生器的输出功率与臭氧发生器的各个参数存在以下关系:
式中:
f为电源工作频率,
Um是供电电压峰值,
Uz为放电电压,
Cd是放电室等效的介质电容,与电极材料、放电室材质等因素相关
Cg是放电室等效的气隙电容,主要受到氧气流量、压力、温度、介质材料、介质间隙等因素的影响。
故,在具体实施时,可以从上一公式中的涉及的参数,以及,公式中的涉及的参数的决定因素中选择相关参数作为工作参数。例如,在一个实施例中,工作参数可以选择以下参数之一或组合:
A、臭氧发生器供电电源的工作频率;
B、臭氧发生器放电室的温度;
C、臭氧发生器供电电源的峰值电压;
D、臭氧发生器中氧气的压力;
E、臭氧发生器中氧气的流量。
F、臭氧发生器供电电源的电流强度
需要说明的是,作为人工神经网络模型的输入层的输入信息,上述参数可以同时选择,也可以有选择地选取。本发明对此不作限定,通常,有效的工作参数越多,预测的臭氧浓度可能越准确。
步骤120,依据工作参数,基于预先完成训练的人工神经网络模型,确定在给定工况下由臭氧发生器所生成臭氧的浓度。
参照图2,图2示出了预先训练的人工神经网络模型的示意图。
预先训练的人工神经网络模型包括:输入层、中间层和输出层。给定工况下的工作参数用于为输入层提供输入信息,输出层的输出信息用于表征臭氧发生器所生成臭氧的浓度;中间层依据训练样本经过训练确定。
其中,输入层接受的工作参数为:臭氧发生器供电电源的电流强度、臭氧发生器中氧气的流量、臭氧发生器中氧气的压力、臭氧发生器放电室的温度和臭氧发生器供电电源的工作频率。
下面说明如何对人工神经网络进行训练,以获得上述能够对臭氧浓度进行预测的人工神经网络模型。
参照图3,图3为本发明臭氧浓度测量方法中,对人工神经网络模型进行训练的原理示意图。
在某一工况下,监测臭氧发生器的工作参数,包括臭氧发生器供电电源的电流强度、臭氧发生器中氧气的流量、臭氧发生器中氧气的压力、臭氧发生器放电室的温度和臭氧发生器供电电源的工作频率,并将获得的工作参数输入至人工神经网络模型中。经过人工神经网络模型的运行,输出当前工况下的臭氧浓度。
另一方面,臭氧浓度仪也同时对生成的臭氧的浓度进行检测。
通过臭氧浓度仪的获得的检测结果,对人工神经网络模型进行调整,该调整可以包括参数调整,也可以包括层数调整等。然后,改变臭氧发生器的工况,用改进的人工神经网络模型对生成的臭氧浓度继续进行预测,并将预测的结果与臭氧浓度仪测得的结果进行比较,再次矫正人工神经网络模型的参数或者结构。以此类推,通过这种方式不断地对人工神经网络模型进行优化,直至基于人工神经网络模型对氧气浓度判断的准确率达到某个设定的阈值,则停止优化,确定当前获得的人工神经网络模型为预先完成训练的人工神经网络模型。
在一个实施例中,也可以通过如图4所示的步骤流程图获得训练样本,包括:
步骤410,采集臭氧发生器在给定工况下的工作参数;
步骤420,采用臭氧浓度仪,测量所述臭氧发生器在每一给定工况下所产生臭氧的浓度;
步骤430,将每一给定工况下的所述工作参数与在该工况下测量获得的臭氧浓度关联,作为一个训练样本。
按照上述方法,可以生成多个训练样本。
参照图5,图5为本发明臭氧浓度测量方法中,基于训练样本对人工神经网络的模型,尤其是中间层进行训练的步骤流程图,包括:
步骤510,将所述训练样本划分为训练集、验证集和测试集。
具体实施时,训练样本中,训练集、验证集和测试集按预先设定的分配比例进行分配,可以为,6:2:2,例如,例如对于某小规模样本集,共有10000个样本,则训练集分为6000个样本,验证集为2000样本,测试集为2000样本。
步骤520,基于所述训练集,确定所述人工神经网络模型中包括权重和偏置的模型参数;
步骤530,基于所述验证集,调整所述人工神经网络模型中所述中间层的网络层数;
人工神经网络模型在网络结构确定的情况下,有两部分影响模型最终的性能,一是普通参数,比如权重w和偏置b,另一个是超参数,例如学习率,网络层数。通过上述步骤520和步骤530,不断改善人工神经网络的性能。
步骤540,基于所述测试集,评估所述人工神经网络模型的学习性能。
步骤550,判断评估获得的学习性能是否超过给定阈值?若否,则执行步骤560,若是,则执行步骤570。
步骤560,返回执行步骤520和/或步骤530。
步骤570,结束人工神经网络的模型训练。
在具体实施时,人工神经网络模型可以选择已知的各种模型,例如,FCN、SegNet、Unet、3D-Unet、Mask-RCNN、ENet、CRFasRNN、PSPNet、ParseNet、RefineNet、ReSeg、LSTM-CF、DeepMask、DeepLabV1、DeepLabV2、DeepLabV3等,本发明对此不作限定。
综上所述,可以看出,本发明引入人工神经网络,选择影响臭氧发生器生成臭氧的典型因素作为输入层中各个神经元的输入信息,将臭氧浓度作为人工神经网络的输出神经元,用臭氧浓度仪测量出臭氧浓度作为标签。根据输入输出建立映射模型,把臭氧发生器看成一个“黑箱”。通过***的输入输出数据,最终训练出一个能够预测臭氧产生浓度的网络模型。之后这个网络模型就能够直接用于在线测量臭氧的浓度了。这种方法的优势有以下几点:
1)采用人工神经网络模型,依据***输入输出数据训练出神经网络模型,使得***能够预测出输出的臭氧浓度。
2)训练好的人工神经网络模型可以直接替代硬件形式的臭氧浓度仪的使用,节省成本。
参照图6,本发明还提供了一种臭氧浓度测量装置,用于测量臭氧发生器所生成臭氧的浓度,该装置包括:
工作参数获取模62,用于获取臭氧发生器在给定工况下的工作参数;
臭氧浓度确定模块64,用于依据工作参数,基于预先完成训练的人工神经网络模型,确定在给定工况下由臭氧发生器所生成臭氧的浓度。
其中,人工神经网络模型包括:输入层、中间层和输出层;给定工况下的工作参数用于为输入层提供输入信息,输出层的输出信息用于表征臭氧发生器所生成臭氧的浓度;中间层依据训练样本经过训练确定。
本实施例基于人工神经网络模型对臭氧发生器生成的臭氧进行浓度检测,由于该检测是基于软件的,因此,突破了臭氧浓度仪硬件本身的费用、所涉及的使用寿命和维护等问题,降低了臭氧浓度测量所需的成本。
在一个实施例中,工作参数依据与臭氧发生器输出功率相关联的参数选取。可以包括以下参数之一或组合:
臭氧发生器供电电源的工作频率、臭氧发生器放电室的温度、臭氧发生器供电电源的峰值电压、臭氧发生器中氧气的压力、臭氧发生器中氧气的流量和臭氧发生器供电电源的电流强度。
在一个优选的实施例中,训练样本通过如下步骤获取:采集臭氧发生器在给定工况下的工作参数;采用臭氧浓度仪,测量臭氧发生器在每一给定工况下所产生臭氧的浓度;将每一给定工况下的工作参数与在该工况下测量获得的臭氧浓度关联,作为一个训练样本。
并且,中间层可以通过如下步骤训练确定:将训练样本划分为训练集、验证集和测试集;基于训练集,确定人工神经网络模型中包括权重和偏置的模型参数;基于验证集,调整人工神经网络模型中中间层的网络层数;基于测试集,评估人工神经网络模型的学习性能。
训练样本中,训练集、验证集和测试集的按预先设定的分配比例进行分配。
优选地,基于测试集,评估人工神经网络模型的学习性能后,还包括:在学习性能低于给定阈值时,重新执行确定人工神经网络模型中包括权重和偏置的模型参数、和/或,调整人工神经网络模型中中间层的网络层数的步骤。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行前述臭氧浓度测量方法,包括:
获取臭氧发生器在给定工况下的工作参数;依据所述工作参数,基于预先完成训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;其中,所述人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的以执行前述臭氧浓度测量方法,包括:
获取臭氧发生器在给定工况下的工作参数;依据所述工作参数,基于预先完成训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;其中,所述人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行前述臭氧浓度测量方法,包括:
获取臭氧发生器在给定工况下的工作参数;依据所述工作参数,基于预先完成训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;其中,所述人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种臭氧浓度测量方法,用于测量臭氧发生器所生成臭氧的浓度,其特征在于,该方法包括如下步骤:
获取臭氧发生器在给定工况下的工作参数;
依据所述工作参数,基于预先训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;
其中,所述预先训练的人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的所述工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
2.根据权利要求1所述的臭氧浓度测量方法,其特征在于,所述工作参数依据与所述臭氧发生器输出功率相关联的参数选取。
3.根据权利要求2所述的臭氧浓度测量方法,其特征在于,所述工作参数包括以下参数之一或组合:
臭氧发生器供电电源的工作频率;
臭氧发生器放电室的温度;
臭氧发生器供电电源的峰值电压;
臭氧发生器中氧气的压力;
臭氧发生器中氧气的流量;
臭氧发生器供电电源的电流强度。
4.根据权利要求1至3中任一项所述的臭氧浓度测量方法,其特征在于,所述训练样本通过如下步骤获取:
采集臭氧发生器在给定工况下的工作参数;
采用臭氧浓度仪,测量所述臭氧发生器在每一给定工况下所产生臭氧的浓度;
将每一给定工况下的所述工作参数与在该工况下测量获得的臭氧浓度关联,作为一个训练样本。
5.根据权利要求4所述的臭氧浓度测量方法,其特征在于,所述中间层通过如下步骤训练确定:
将所述训练样本划分为训练集、验证集和测试集;
基于所述训练集,确定所述人工神经网络模型中包括权重和偏置的模型参数;
基于所述验证集,调整所述人工神经网络模型中所述中间层的网络层数;
基于所述测试集,评估所述人工神经网络模型的学习性能。
6.根据权利要求5所述的臭氧浓度测量方法,其特征在于,所述基于所述测试集,评估所述人工神经网络模型的学习性能后,还包括:
在所述学习性能低于给定阈值时,重新执行所述确定所述人工神经网络模型中包括权重和偏置的模型参数、和/或,调整所述人工神经网络模型中所述中间层的网络层数的步骤。
7.根据权利要求6所述的臭氧浓度测量方法,其特征在于,
所述训练样本中,所述训练集、所述验证集和所述测试集的按预先设定的分配比例进行分配。
8.一种臭氧浓度测量装置,用于测量臭氧发生器所生成臭氧的浓度,其特征在于,该装置包括:
工作参数获取模块,用于获取臭氧发生器在给定工况下的工作参数;
臭氧浓度确定模块,用于依据所述工作参数,基于预先完成训练的人工神经网络模型,确定在所述给定工况下由所述臭氧发生器所生成臭氧的浓度;
其中,所述人工神经网络模型包括:输入层、中间层和输出层;所述给定工况下的工作参数用于为所述输入层提供输入信息,所述输出层的输出信息用于表征所述臭氧发生器所生成臭氧的浓度;所述中间层依据训练样本经过训练确定。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的臭氧发生器臭氧浓度测量方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的臭氧发生器臭氧浓度测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583164.3A CN112580740B (zh) | 2020-12-28 | 2020-12-28 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011583164.3A CN112580740B (zh) | 2020-12-28 | 2020-12-28 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580740A true CN112580740A (zh) | 2021-03-30 |
CN112580740B CN112580740B (zh) | 2024-03-01 |
Family
ID=75140428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011583164.3A Active CN112580740B (zh) | 2020-12-28 | 2020-12-28 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580740B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及*** |
WO2023228126A1 (en) * | 2022-05-25 | 2023-11-30 | Ho Keung Tse | Sterilizing substance concentration info apparatus and method |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100952852B1 (ko) * | 2009-06-29 | 2010-04-13 | 한국수자원공사 | 다지점 용존오존 측정에 의한 오존농도 제어장치 및 그 방법 |
CN102269980A (zh) * | 2010-06-07 | 2011-12-07 | 西安费斯达自动化工程有限公司 | 臭氧发生器人机交互健康管理方法 |
US20130092084A1 (en) * | 2011-10-12 | 2013-04-18 | Intermolecular, Inc. | Systems and Methods for Measuring, Monitoring and Controlling Ozone Concentration |
US20130091926A1 (en) * | 2011-10-12 | 2013-04-18 | Intermolecular, Inc. | Systems and Methods for Measuring, Monitoring and Controlling Ozone Concentration |
CN205528209U (zh) * | 2016-01-26 | 2016-08-31 | 临沂高新区鲁润净水设备有限公司 | 一种基于模糊神经网络的臭氧净水机智能控制*** |
CN108017125A (zh) * | 2016-10-29 | 2018-05-11 | 哈尔滨皓威伟业科技发展有限公司 | 一种臭氧净水机智能控制*** |
CN108073073A (zh) * | 2016-11-10 | 2018-05-25 | 哈尔滨皓威伟业科技发展有限公司 | 一种臭氧净水机的***设计方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和*** |
CN108238671A (zh) * | 2016-12-23 | 2018-07-03 | 哈尔滨皓威伟业科技发展有限公司 | 一种智能化臭氧净水机设计方法 |
CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及*** |
CN109858136A (zh) * | 2019-01-26 | 2019-06-07 | 新奥数能科技有限公司 | 一种燃气锅炉效率的确定方法和装置 |
CN110826749A (zh) * | 2018-08-07 | 2020-02-21 | 中国农业大学 | 基于snn的溶解氧含量预测方法、电子设备及*** |
CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
-
2020
- 2020-12-28 CN CN202011583164.3A patent/CN112580740B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100952852B1 (ko) * | 2009-06-29 | 2010-04-13 | 한국수자원공사 | 다지점 용존오존 측정에 의한 오존농도 제어장치 및 그 방법 |
CN102269980A (zh) * | 2010-06-07 | 2011-12-07 | 西安费斯达自动化工程有限公司 | 臭氧发生器人机交互健康管理方法 |
US20130092084A1 (en) * | 2011-10-12 | 2013-04-18 | Intermolecular, Inc. | Systems and Methods for Measuring, Monitoring and Controlling Ozone Concentration |
US20130091926A1 (en) * | 2011-10-12 | 2013-04-18 | Intermolecular, Inc. | Systems and Methods for Measuring, Monitoring and Controlling Ozone Concentration |
CN205528209U (zh) * | 2016-01-26 | 2016-08-31 | 临沂高新区鲁润净水设备有限公司 | 一种基于模糊神经网络的臭氧净水机智能控制*** |
CN108017125A (zh) * | 2016-10-29 | 2018-05-11 | 哈尔滨皓威伟业科技发展有限公司 | 一种臭氧净水机智能控制*** |
CN108073073A (zh) * | 2016-11-10 | 2018-05-25 | 哈尔滨皓威伟业科技发展有限公司 | 一种臭氧净水机的***设计方法 |
CN108238671A (zh) * | 2016-12-23 | 2018-07-03 | 哈尔滨皓威伟业科技发展有限公司 | 一种智能化臭氧净水机设计方法 |
CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和*** |
CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及*** |
CN110826749A (zh) * | 2018-08-07 | 2020-02-21 | 中国农业大学 | 基于snn的溶解氧含量预测方法、电子设备及*** |
CN109858136A (zh) * | 2019-01-26 | 2019-06-07 | 新奥数能科技有限公司 | 一种燃气锅炉效率的确定方法和装置 |
CN111126603A (zh) * | 2019-12-25 | 2020-05-08 | 江苏远望仪器集团有限公司 | 基于神经网络模型的设备故障预测方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及*** |
CN113791650B (zh) * | 2021-08-16 | 2023-12-22 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及*** |
WO2023228126A1 (en) * | 2022-05-25 | 2023-11-30 | Ho Keung Tse | Sterilizing substance concentration info apparatus and method |
Also Published As
Publication number | Publication date |
---|---|
CN112580740B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580740B (zh) | 臭氧浓度测量方法、装置、电子设备及存储介质 | |
CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN104764869B (zh) | 一种基于多维特征量的变压器气体故障诊断和报警方法 | |
CN107657287A (zh) | 一种变压器油酸值多频超声波测试回归预测方法 | |
Torregrossa et al. | A novel methodology based on LCA+ DEA to detect eco-efficiency shifts in wastewater treatment plants | |
Sharma et al. | Review of artificial intelligence techniques application to dissolved gas analysis on power transformer | |
CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
CN109919178A (zh) | 基于特征量优选和小波核函数lssvm的故障预测方法 | |
Zhang et al. | Plant-scale biogas production prediction based on multiple hybrid machine learning technique | |
Cao et al. | A rapid determination method for chemical oxygen demand in aquaculture wastewater using the ultraviolet absorbance spectrum and chemometrics | |
Wolf et al. | Predicting organic acid concentration from UV/vis spectrometry measurements–a comparison of machine learning techniques | |
Meiying et al. | Time-series gas prediction model using LS-SVR within a Bayesian framework | |
CN107664690B (zh) | 一种预测变压器油中溶解气体浓度的方法 | |
CN105092493B (zh) | 一种基于水样类型识别的水体cod光学测量方法 | |
Yu et al. | Multi-component spectral detection based on neural network in water quality inspection | |
Wang et al. | Machine learning with explainable artificial intelligence vision for characterization of solution conductivity using optical emission spectroscopy of plasma in aqueous solution | |
CN104063609A (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
CN104569756B (zh) | 基于电子鼻传感器的开关柜局放在线监测*** | |
CN206074431U (zh) | 一种基于消除交叉影响的光声光谱原理变压器在线监测*** | |
CN105241823A (zh) | 基于稀疏表示的火电厂烟气光谱定量分析方法 | |
Deng et al. | Research on fault diagnosis of flexible material R2R manufacturing system based on quality control chart and SoV | |
Hu et al. | Selection of characteristic wavelengths using SMA for laser induced fluorescence spectroscopy of power transformer oil | |
CN101540270A (zh) | 监控制程的***和方法 | |
Ding et al. | Determination of soil source using laser induced breakdown spectroscopy combined with feature selection | |
Mukerji et al. | Chaotic map models of soot fluctuations in turbulent diffusion flames |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |