CN115754107A - 用于六氟磷酸锂制备的自动化采样分析***及其方法 - Google Patents
用于六氟磷酸锂制备的自动化采样分析***及其方法 Download PDFInfo
- Publication number
- CN115754107A CN115754107A CN202211391469.3A CN202211391469A CN115754107A CN 115754107 A CN115754107 A CN 115754107A CN 202211391469 A CN202211391469 A CN 202211391469A CN 115754107 A CN115754107 A CN 115754107A
- Authority
- CN
- China
- Prior art keywords
- feature map
- gas
- map
- attention
- noise
- 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
- -1 lithium hexafluorophosphate Chemical compound 0.000 title claims abstract description 100
- 238000005070 sampling Methods 0.000 title claims abstract description 69
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 35
- 238000004817 gas chromatography Methods 0.000 claims description 82
- 238000010586 diagram Methods 0.000 claims description 80
- 230000009467 reduction Effects 0.000 claims description 66
- 230000007246 mechanism Effects 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 27
- DOWSIZCUVYUKEK-UHFFFAOYSA-N O=P.F.F.F Chemical compound O=P.F.F.F DOWSIZCUVYUKEK-UHFFFAOYSA-N 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000011800 void material Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 161
- 238000001514 detection method Methods 0.000 description 31
- FFUQCRZBKUBHQT-UHFFFAOYSA-N phosphoryl fluoride Chemical compound FP(F)(F)=O FFUQCRZBKUBHQT-UHFFFAOYSA-N 0.000 description 22
- 239000003792 electrolyte Substances 0.000 description 21
- XHXFXVLFKHQFAL-UHFFFAOYSA-N phosphoryl trichloride Chemical compound ClP(Cl)(Cl)=O XHXFXVLFKHQFAL-UHFFFAOYSA-N 0.000 description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 229910001416 lithium ion Inorganic materials 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000007792 addition Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 229910003002 lithium salt Inorganic materials 0.000 description 6
- 159000000002 lithium salts Chemical class 0.000 description 6
- 238000012284 sample analysis method Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005235 decoking Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- MHCFAGZWMAWTNR-UHFFFAOYSA-M lithium perchlorate Chemical compound [Li+].[O-]Cl(=O)(=O)=O MHCFAGZWMAWTNR-UHFFFAOYSA-M 0.000 description 2
- 229910001486 lithium perchlorate Inorganic materials 0.000 description 2
- 229910001496 lithium tetrafluoroborate Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003960 organic solvent Substances 0.000 description 2
- 229910001392 phosphorus oxide Inorganic materials 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- VSAISIQCTGDGPU-UHFFFAOYSA-N tetraphosphorus hexaoxide Chemical compound O1P(O2)OP3OP1OP2O3 VSAISIQCTGDGPU-UHFFFAOYSA-N 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- LGPPATCNSOSOQH-UHFFFAOYSA-N 1,1,2,3,4,4-hexafluorobuta-1,3-diene Chemical compound FC(F)=C(F)C(F)=C(F)F LGPPATCNSOSOQH-UHFFFAOYSA-N 0.000 description 1
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910000040 hydrogen fluoride Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01B—NON-METALLIC ELEMENTS; COMPOUNDS THEREOF; METALLOIDS OR COMPOUNDS THEREOF NOT COVERED BY SUBCLASS C01C
- C01B25/00—Phosphorus; Compounds thereof
- C01B25/16—Oxyacids of phosphorus; Salts thereof
- C01B25/26—Phosphates
- C01B25/455—Phosphates containing halogen
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
- G01N30/86—Signal analysis
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Inorganic Chemistry (AREA)
- Materials Engineering (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Sampling And Sample Adjustment (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请涉及六氟磷酸锂的采样分析领域,其具体地公开了一种用于六氟磷酸锂制备的自动化采样分析***及其方法,其采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度,通过这样的方式,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
Description
技术领域
本申请涉及六氟磷酸锂的采样分析领域,且更为具体地,涉及一种用于六氟磷酸锂制备的自动化采样分析***及其方法。
背景技术
锂离子电池具有能量密度高、比功率大、循环性能好、无记忆效应、无污染等特点,目前已广泛应用于电子数码产品中,同时也是未来电动汽车能源的理想选择。
电池电解液由有机溶剂和锂盐电解质组成,目前常用的锂盐电解质有高氯酸锂、六氟磷酸锂、四氟硼酸锂等,其中六氟磷酸锂具有良好的导电性和电化学稳定性,是目前应用范围最广的锂盐电解质。
由于六氟磷酸锂的质量直接影响到电解液的品质以及应用于锂离子电池中的电池性能,因此,六氟磷酸锂品质的监测对于电解液十分关键。然而,现有的质检方案大多数都是将制备后的六氟磷酸锂进行实验分析来与标准参考质量下的反应结果进行比对,以此来确定制备后的六氟磷酸锂质量。这样不仅会浪费大量的原材料和资源,而且在实验过程中会存在较多的变量因素,难以控制反应的结果,进而对于六氟磷酸锂质检的准确度难以保证。
因此,期待一种优化的用于六氟磷酸锂制备的自动化采样分析***。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于六氟磷酸锂制备的自动化采样分析***及其方法,采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
根据本申请的一个方面,提供了一种用于六氟磷酸锂制备的自动化采样分析***,其包括:抽样气体数据采集模块,用于获取抽样气体的气相色谱图;降噪模块,用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;色谱特征提取模块,用于将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;编码补偿模块,用于对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;特征分布增强模块,用于将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及分析结果生成模块,用于将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
根据本申请的另一方面,提供了一种用于六氟磷酸锂制备的自动化采样分析方法,其包括:获取抽样气体的气相色谱图;将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于六氟磷酸锂制备的自动化采样分析方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于六氟磷酸锂制备的自动化采样分析方法。
与现有技术相比,本申请提供的一种用于六氟磷酸锂制备的自动化采样分析***及其方法,采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***及其方法的应用场景图。
图2图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***的框图示意图。
图3图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***中降噪模块的框图。
图4图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***中特征增强模块的框图。
图5图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***中空间注意力单元的框图。
图6图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***中通道注意力单元的框图。
图7图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***的流程图。
图8图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***的***架构的示意图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:如上所述,电池电解液由有机溶剂和锂盐电解质组成,目前常用的锂盐电解质有高氯酸锂、六氟磷酸锂、四氟硼酸锂等,其中六氟磷酸锂具有良好的导电性和电化学稳定性,是目前应用范围最广的锂盐电解质。
由于六氟磷酸锂的质量直接影响到电解液的品质以及应用于锂离子电池中的电池性能,因此,六氟磷酸锂品质的监测对于电解液十分关键。然而,现有的质检方案大多数都是将制备后的六氟磷酸锂进行实验分析来与标准参考质量下的反应结果进行比对,以此来确定制备后的六氟磷酸锂质量。这样不仅会浪费大量的原材料和资源,而且在实验过程中会存在较多的变量因素,难以控制反应的结果,进而对于六氟磷酸锂质检的准确度难以保证。因此,期待一种优化的用于六氟磷酸锂制备的自动化采样分析***。
针对上述技术问题,本申请通过将六氟磷酸锂溶液样品存储于密封的容器中,并使密封容器中预留五分之一到三分之一的体积以容纳挥发性气体,放置一段时间后,对容器内六氟磷酸锂溶液上方的挥发性气体进行抽样,再采用气相色谱仪对于抽样气体成份中的三氟氧化磷进行定量分析,以三氟氧化磷含量来判定六氟磷酸锂溶液的品质。因此,为了能够保证制备后的六氟磷酸锂的质检准确度,需要对于三氟氧化磷含量进行准确地检测。
目前,深度学***。
近年来,深度学习以及神经网络的发展为三氟氧化磷含量的智能检测提供了新的解决思路和方案。
具体地,在本申请的技术方案中,采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
具体地,在本申请的技术方案中,首先,获取抽样气体的气相色谱图,并将所述气相色谱图通过基于自动编解码器的降噪模块中进行降噪处理以得到降噪后气相色谱图。应可以理解,考虑到在实际的气相色谱仪对于抽样气体的气相色谱图进行采集的过程中,会由于空气中的环境气体因素以及自身产生的其他气体因素的影响导致对于气相色谱图中三氟氧化磷含量的确定准确性较低,进而影响六氟磷酸锂的品质检测。因此,在本申请的技术方案中,需要进一步使用自动编解码器的降噪模块对于所述气相色谱图进行降噪处理以得到降噪后气相色谱图。
然后,考虑到所述三氟氧化磷对于所述抽样气体来说是小尺寸的,因此所述三氟氧化磷在所述气相色谱图中也属于小尺度特征,因此,在本申请的技术方案中,选择将所述降噪后气相色谱图通过混合卷积层中进行处理,以提取出所述降噪后气相色谱图的多尺度隐含关联特征,从而得到降噪后气相色谱特征图。也就是,在本申请的一个具体示例中,在所述混合卷积层(mixed convolution layer,MCL)中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入特征图进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将 4 个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。
进一步地,考虑到所述三氟氧化磷属于小尺寸对象(即,其在整个抽样气体的气相色谱图中所占比例较小),其次,所述抽样气体具有各种气体类型,这会对所述三氟氧化磷的目标检测造成干扰。因此,在本申请的技术方案中,进一步对所述降噪后气相色谱特征图进行特征数据增强以得到增强气相色谱特征图。
具体地,将所述降噪后气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图。应可以理解,网络经过一系列卷积之后,会得到部分特征信息,但不会自动区分高低频间的详细信息与各个类别特征间的差异性,网络选择性地使用特征的能力有限,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,引入通道注意力机制和空间注意力机制,并通过引入残差结构,将其与提出的双注意力网络相结合来构造残差双注意力模型,此模型将空间注意力和通道注意力并行组合,使得所述气相色谱图中的不同类型的有效信息被大量捕捉到,可有效增强特征辨别学习能力,在网络训练过程中,任务处理***更专注于找到输入数据中显著的与当前输出相关的有用信息,从而提高输出的质量,且渐增的注意力模块将带来持续的性能提升。应可以理解,所述残差双注意力机制模块通过使用空间注意力和通道注意力并行的组合,使得所述降噪后气相色谱特征图中不同类型的有效信息被大量捕捉到,可有效增强特征辨别学习能力,进而提高对于所述抽样气体中三氟氧化磷的含量值检测。
然后,再将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。也就是,将所述增强气相色谱特征图作为所述解码特征图来进行解码回归,以得到用于表示所述抽样气体中三氟氧化磷的含量值的解码值。这样,能够对于所述抽样气体中的三氟氧化磷的含量进行准确检测,进而提高对于制备六氟磷酸锂的质检准确度。
特别地,在本申请的技术方案中,所述混合卷积层通过具有不同扩张率的各个分支从所述降噪后气相色谱图得到多个分支特征图,再通过点加的方式融合各个分支特征图来最终得到降噪后气相色谱特征图。这里,本申请的申请人考虑到由于所述混合卷积层的各个分支具有各自的扩张率,因此所述多个分支特征图通过点加的方式进行的融合将符合自然状态下的高斯分布,即各点加的特征值之间具有平均关联度从而具有平均融合效果的局部具有最高的概率密度,而具有相对高和相对低的关联度从而具有相对高和相对低的融合效果的局部具有较低的概率密度。由此,所获得的所述降噪后气相色谱特征图可能存在各个特征值之间在全局关联关系上的聚类效果不良的情况,而残差双注意力机制模块的空间注意力机制和通道注意力机制又会通过强化对局部分布的注意力权值来进一步降低全局关联关系上的聚类效果,这就导致所述解码特征图中影响解码结果的关键全局特征分布的表示性差,影响所述解码特征图的解码准确性。
基于此,对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化,表示为:
这里,所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述降噪后气相色谱特征图的特征聚类效果,优化了所述降噪后气相色谱特征图进一步通过所述残差双注意力机制模块所得到的解码特征图的解码准确性。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
基于此,本申请提供了一种用于六氟磷酸锂制备的自动化采样分析***,其包括:抽样气体数据采集模块,用于获取抽样气体的气相色谱图;降噪模块,用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;色谱特征提取模块,用于将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;编码补偿模块,用于对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;特征分布增强模块,用于将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及,分析结果生成模块,用于将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
图1图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***及其方法的应用场景图。如图1所示,在该应用场景中,将六氟磷酸锂溶液样品(例如,图1中所示意的L)存储于密封容器(例如,图1中所示意的A,应可以理解,密封容器中预留五分之一到三分之一的体积以容纳挥发性气体)中,放置一段时间后,使用采气管(例如,如图1中所示意的G)对容器内六氟磷酸锂溶液上方的挥发性气体进行抽样,再使用气相色谱仪(例如,如图1中所示意的T)采集抽样气体(例如,如图1中所示意的P)的气相色谱图。然后,将采集的所述气相色谱图输入至部署有用于六氟磷酸锂制备的自动化采样分析算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述用于六氟磷酸锂制备的自动化采样分析算法对所述气相色谱图进行处理以生成用于表示所述抽样气体中三氟氧化磷的含量值的分析结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***:图2图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析***的框图示意图。如图2所示,根据本申请实施例的所述用于六氟磷酸锂制备的自动化采样分析***100,包括:抽样气体数据采集模块110,用于获取抽样气体的气相色谱图;降噪模块120,用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;色谱特征提取模块130,用于将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;编码补偿模块140,用于对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;特征分布增强模块150,用于将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及,分析结果生成模块160,用于将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
在本申请实施例中,所述抽样气体数据采集模块110,用于获取抽样气体的气相色谱图。如上所述,由于六氟磷酸锂的质量直接影响到电解液的品质以及应用于锂离子电池中的电池性能,因此,六氟磷酸锂品质的监测对于电解液十分关键。然而,现有的质检方案大多数都是将制备后的六氟磷酸锂进行实验分析来与标准参考质量下的反应结果进行比对,以此来确定制备后的六氟磷酸锂质量。这样不仅会浪费大量的原材料和资源,而且在实验过程中会存在较多的变量因素,难以控制反应的结果,进而对于六氟磷酸锂质检的准确度难以保证。同时,考虑到六氟磷酸锂溶液中存在水时,会产生挥发性的杂质三氟氧化磷,通过对六氟磷酸锂溶液挥发气体中的三氟氧化磷含量检测,就能反向推测出六氟磷酸锂溶液生成过程中杂质水分的介入程度,从而可以对六氟磷酸锂进行质检。
因此,本申请通过将六氟磷酸锂溶液样品存储于密封的容器中,并使密封容器中预留五分之一到三分之一的体积以容纳挥发性气体,放置一段时间后,使用采气管对容器内六氟磷酸锂溶液上方的挥发性气体进行抽样,再使用气相色谱仪对于抽样气体成份中的三氟氧化磷进行定量分析,以三氟氧化磷含量来判定六氟磷酸锂溶液的品质。因此,为了能够保证制备后的六氟磷酸锂的质检准确度,需要对于三氟氧化磷含量进行准确地检测。同时,考虑到由于色谱图是指被分离组分的检测信号随时间分布的图象,因此,从气相色谱图可以得出三氟氧化磷的含量,但是因为在抽样气体中还存在其他的气体,如氟化氢,因此,很难通过气相色谱图得到精准的三氟氧化磷的含量。
基于此,在本申请的技术方案中,采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
在本申请实施例中,所述降噪模块120,用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图。应可以理解,考虑到在实际的气相色谱仪对于抽样气体的气相色谱图进行采集的过程中,会由于空气中的环境气体因素以及自身产生的其他气体因素的影响导致对于气相色谱图中三氟氧化磷含量的确定准确性较低,进而影响六氟磷酸锂的品质检测。因此,在本申请的技术方案中,需要进一步使用自动编解码器的降噪模块对于所述气相色谱图进行降噪处理以得到降噪后气相色谱图。
在本申请一个具体的实施例中,所述降噪模块120,包括:气相色谱图编码单元121,用于将所述气相色谱图输入所述降噪模块的编码器,其中,所述编码器使用卷积层对所述气相色谱图进行显式空间编码以得到气相色谱特征图;气相色谱特征解码单元122,用于将所述气相色谱特征图输入所述信号降噪模块的解码器,其中,所述解码器使用反卷积层对所述气相色谱特征图进行反卷积处理以得到所述降噪后气相色谱图。
更为具体的,在本申请的一个实施例中,所述气相色谱特征解码单元,包括:图像方法单元,用于根据所述编码器的卷积核的步长对所述气相色谱特征图进行补零以得到补零特征图;以及,转置卷积单元,用于使用与所述编码器的卷积核互为转置的转置卷积核对所述补零特征图进行卷积处理以生成所述降噪后气相色谱图,其中,所述降噪后气相色谱图与所述气相色谱图尺寸相同。
在本申请实施例中,所述色谱特征提取模块130,用于将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图。应可以理解,考虑传统的卷积神经网络使用单一卷积核虽然能提取到局部特征,但无法无法兼顾大尺度的周期特征与小尺度的时序特征,因此,在本申请的技术方案中,选择将所述降噪后气相色谱图通过混合卷积层中进行处理,以提取出所述降噪后气相色谱图的多尺度隐含关联特征,从而得到降噪后气相色谱特征图。
在本申请一个具体的实施例中,所述色谱特征提取模块130,进一步用于:使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行:使用具有第一尺寸的第一卷积核对所述降噪后气相色谱图进行卷积编码以得到第一尺度特征图;使用具有第一空洞率的第二卷积核对所述降噪后气相色谱图进行卷积编码以得到第二尺度特征图;使用具有第二空洞率的第三卷积核对所述降噪后气相色谱图进行卷积编码以得到第三尺度特征图;使用具有第三空洞率的第四卷积核对所述降噪后气相色谱图进行卷积编码以得到第四尺度特征图,其中,所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸,且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率;将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图;对所述聚合特征图进行池化处理以生成池化特征图;以及,对所述池化特征图进行激活处理以生成激活特征图;其中,所述包含多个混合卷积层的卷积神经网络模型的最后一层的输出为所述降噪后气相色谱特征图。
在本申请的一个具体示例中,在所述混合卷积层(mixed convolution layer,MCL)中,此模块的设计包括并联的四个分支,由一个卷积核大小为3×3的普通卷积层以及三个卷积核大小为3×3的空洞卷积层构成,分别对输入特征图进行操作,将空洞卷积三个分支的扩张率分别设置为2、3、4,通过不同扩张率的设置可获得不同感受域的图像信息,即可得到不同尺度的特征图,在扩大感受野的同时,又避免了下采样损失信息,接着将4个分支特征图进行融合,使得采样更为密集,既拥有了高层特征,也没有增加额外的参数量。
在本申请实施例中,所述编码补偿模块140,用于对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图。应可以理解,在本申请的技术方案中,所述混合卷积层通过具有不同扩张率的各个分支从所述降噪后气相色谱图得到多个分支特征图,再通过点加的方式融合各个分支特征图来最终得到降噪后气相色谱特征图。这里,本申请的申请人考虑到由于所述混合卷积层的各个分支具有各自的扩张率,因此所述多个分支特征图通过点加的方式进行的融合将符合自然状态下的高斯分布,即各点加的特征值之间具有平均关联度从而具有平均融合效果的局部具有最高的概率密度,而具有相对高和相对低的关联度从而具有相对高和相对低的融合效果的局部具有较低的概率密度。由此,所获得的所述降噪后气相色谱特征图可能存在各个特征值之间在全局关联关系上的聚类效果不良的情况,而残差双注意力机制模块的空间注意力机制和通道注意力机制又会通过强化对局部分布的注意力权值来进一步降低全局关联关系上的聚类效果,这就导致所述解码特征图中影响解码结果的关键全局特征分布的表示性差,影响所述解码特征图的解码准确性。基于此,对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化。
在本申请一个具体的实施例中,所述编码补偿模块140,进一步用于:以如下公式对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到所述优化降噪气相色谱特征图;其中,所述公式为:
这里,所述特征聚类的去聚焦模糊优化通过将用于估计聚类度量值的聚焦堆栈表示进行基于统计信息的特征聚类索引,来补偿遵循高斯点分布的高频分布特征相对于整体特征分布的均一化表示的依赖相似度,从而避免由于该依赖相似度低而引起整体特征分布的聚焦模糊,这样,就提升了所述降噪后气相色谱特征图的特征聚类效果,优化了所述降噪后气相色谱特征图进一步通过所述残差双注意力机制模块所得到的解码特征图的解码准确性。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
在本申请实施例中,所述特征分布增强模块150,用于将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图。应可以理解,考虑到所述三氟氧化磷属于小尺寸对象(即,其在整个抽样气体的气相色谱图中所占比例较小),其次,所述抽样气体具有各种气体类型,这会对所述三氟氧化磷的目标检测造成干扰。因此,在本申请的技术方案中,进一步对所述优化降噪气相色谱特征图进行特征数据增强以得到增强气相色谱特征图。
具体地,将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图。应可以理解,网络经过一系列卷积之后,会得到部分特征信息,但不会自动区分高低频间的详细信息与各个类别特征间的差异性,网络选择性地使用特征的能力有限,鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,在本申请的技术方案中,引入通道注意力机制和空间注意力机制,并通过引入残差结构,将其与提出的双注意力网络相结合来构造残差双注意力模型,此模型将空间注意力和通道注意力并行组合,使得所述气相色谱图中的不同类型的有效信息被大量捕捉到,可有效增强特征辨别学习能力,在网络训练过程中,任务处理***更专注于找到输入数据中显著的与当前输出相关的有用信息,从而提高输出的质量,且渐增的注意力模块将带来持续的性能提升。应可以理解,所述残差双注意力机制模块通过使用空间注意力和通道注意力并行的组合,使得所述降噪后气相色谱特征图中不同类型的有效信息被大量捕捉到,可有效增强特征辨别学习能力,进而提高对于所述抽样气体中三氟氧化磷的含量值检测。
在本申请一个具体的实施例中,所述特征分布增强模块150,包括:空间注意力单元151,用于将所述优化降噪气相色谱特征图输入所述残差双注意力机制模块的空间注意力模块以得到空间注意力图;通道注意力单元152,用于将所述优化降噪气相色谱特征图输入所述残差双注意力机制模块的通道注意力模块以得到通道注意力图;注意力融合单元153,用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图;激活单元154,用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图;注意力施加单元155,用于计算所述融合注意力特征图和所述优化降噪气相色谱特征图的按位置点乘以得到加权特征图;以及,残差融合单元156,用于融合所述加权特征图和所述优化降噪气相色谱特征图以得到所述增强气相色谱特征图。
在本申请一个具体的实施例中,所述空间注意力单元151,包括:卷积编码子单元1511,用于使用所述残差双注意力机制模块的空间注意力模块的卷积层对所述深度增强气相色谱特征图进行卷积编码以得到卷积特征图;概率化子单元1512,用于将所述空间注意力图通过Softmax函数以得到空间注意力得分图;以及,空间注意力施加子单元1513,用于将所述空间注意力得分图与所述深度增强气相色谱特征图进行按位置点乘以得到空间注意力图。
在本申请一个具体的实施例中,所述通道注意力单元152,包括:全局均值池化子单元1521,用于对所述深度增强气相色谱特征图进行沿通道维度的全局均值池化以得到通道特征向量;归一化子单元1522,用于将所述通道特征向量通过Softmax函数以得到归一化通道特征向量;以及,通道注意力施加子单元1523,用于以所述归一化通道特征向量中各个位置的特征值作为权重对所述深度增强气相色谱特征图的沿通道维度的特征矩阵进行加权以得到通道注意力图。
在本申请实施例中,所述分析结果生成模块160,用于将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。也就是,将所述增强气相色谱特征图作为所述解码特征图导入进行解码回归,以获得用于表示所述抽样气体中三氟氧化磷的含量值的解码值,这样,能够对于所述抽样气体中的三氟氧化磷的含量进行准确检测,进而提高对于制备六氟磷酸锂的质检准确度。
在本申请一个具体的实施例中,所述分析结果生成模块,进一步用于:使用所述解码器以如下公式对所述解码特征图进行解码回归以得到所述解码值,其中,所述公式为,其中,是解码特征图,是解码值,是权重矩阵,表示矩阵乘法。
综上,基于本申请实施例的所述用于六氟磷酸锂制备的自动化采样分析***,采用基于深度学习的人工智能检测算法来提取出降噪后的抽样气体气相色谱图中不同尺寸大小的多尺度隐含特征分布信息,并利用注意力机制来进一步加强对于气相色谱图中的小尺度三氟氧化磷含量检测而滤除无用的干扰特征的影响,以提高三氟氧化磷含量检测的精准度。这样,能够对于三氟氧化磷含量进行智能准确地检测,进而提高对于制备后的六氟磷酸锂的质检准确度,以提高电解液的品质和应用于锂离子电池中的电池性能。
如上所述,根据本申请实施例的所述用于六氟磷酸锂制备的自动化采样分析***100可以实现在各种终端设备中,例如部署有六氟丁二烯的质检算法的服务器等。在一个示例中,用于六氟磷酸锂制备的自动化采样分析***100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,该用于六氟磷酸锂制备的自动化采样分析***100可以是该终端设备的操作***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,该用于六氟磷酸锂制备的自动化采样分析***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该用于六氟磷酸锂制备的自动化采样分析***100与该终端设备也可以是分立的设备,并且用于六氟磷酸锂制备的自动化采样分析***100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。
示例性方法:图7图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析方法的流程图。如图7所示,根据本申请实施例的所述用于六氟磷酸锂制备的自动化采样分析方法,包括:S110,获取抽样气体的气相色谱图;S120,将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;S130,将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;S140,对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;S150,将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及,S160,将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
图8图示了根据本申请实施例的用于六氟磷酸锂制备的自动化采样分析方法的***架构的示意图。如图8所示,在本申请实施例的所述用于六氟磷酸锂制备的自动化采样分析方法的***架构中,首先,获取抽样气体的气相色谱图,并将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图。然后,将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图,并对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图。接着,将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图。最后,将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
这里,本领域技术人员可以理解,上述用于六氟磷酸锂制备的自动化采样分析方法中的各个步骤的具体操作已经在上面参考图1到图6的用于六氟磷酸锂制备的自动化采样分析***的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备:下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于六氟磷酸锂制备的自动化采样分析以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如抽样气体的气相色谱图等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于六氟磷酸锂制备的自动化采样分析方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于六氟磷酸锂制备的自动化采样分析方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请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申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***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、***。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。
还需要指出的是,在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此,本申请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。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请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。
Claims (10)
1.一种用于六氟磷酸锂制备的自动化采样分析***,其特征在于,包括:抽样气体数据采集模块,用于获取抽样气体的气相色谱图;降噪模块,用于将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;色谱特征提取模块,用于将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;编码补偿模块,用于对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;特征分布增强模块,用于将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及分析结果生成模块,用于将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
2.根据权利要求1所述的用于六氟磷酸锂制备的自动化采样分析***,其特征在于,所述降噪模块,包括:气相色谱图编码单元,用于将所述气相色谱图输入所述降噪模块的编码器,其中,所述编码器使用卷积层对所述气相色谱图进行显式空间编码以得到气相色谱特征图;以及气相色谱特征解码单元,用于将所述气相色谱特征图输入所述信号降噪模块的解码器,其中,所述解码器使用反卷积层对所述气相色谱特征图进行反卷积处理以得到所述降噪后气相色谱图。
3.根据权利要求2所述的用于六氟磷酸锂制备的自动化采样分析***,其特征在于,所述色谱特征提取模块,进一步用于使用所述卷积神经网络模型的各个混合卷积层在层的正向传递中分别对输入数据进行:使用具有第一尺寸的第一卷积核对所述降噪后气相色谱图进行卷积编码以得到第一尺度特征图;使用具有第一空洞率的第二卷积核对所述降噪后气相色谱图进行卷积编码以得到第二尺度特征图;使用具有第二空洞率的第三卷积核对所述降噪后气相色谱图进行卷积编码以得到第三尺度特征图;使用具有第三空洞率的第四卷积核对所述降噪后气相色谱图进行卷积编码以得到第四尺度特征图,其中,所述第一卷积核、所述第二卷积核、所述第三卷积核和所述第四卷积核具有相同的尺寸,且所述第二卷积核、所述第三卷积核和所述第四卷积核具有不同的空洞率;将所述第一尺度特征图、所述第二尺度特征图、所述第三尺度特征图和所述第四尺度特征图进行沿通道维度的聚合以得到聚合特征图;对所述聚合特征图进行池化处理以生成池化特征图;以及对所述池化特征图进行激活处理以生成激活特征图;其中,所述包含多个混合卷积层的卷积神经网络模型的最后一层的输出为所述降噪后气相色谱特征图。
5.根据权利要求4所述的用于六氟磷酸锂制备的自动化采样分析***,其特征在于,所述特征分布增强模块,包括:空间注意力单元,用于将所述优化降噪气相色谱特征图输入所述残差双注意力机制模块的空间注意力模块以得到空间注意力图;通道注意力单元,用于将所述优化降噪气相色谱特征图输入所述残差双注意力机制模块的通道注意力模块以得到通道注意力图;注意力融合单元,用于融合所述空间注意力图和所述通道注意力图以得到融合注意力图;激活单元,用于将所述融合注意力图输入Sigmoid激活函数进行激活以得到融合注意力特征图;注意力施加单元,用于计算所述融合注意力特征图和所述优化降噪气相色谱特征图的按位置点乘以得到加权特征图;以及残差融合单元,用于融合所述加权特征图和所述优化降噪气相色谱特征图以得到所述增强气相色谱特征图。
6.根据权利要求5所述的用于六氟磷酸锂制备的自动化采样分析***,其特征在于,所述空间注意力单元,包括:卷积编码子单元,用于使用所述残差双注意力机制模块的空间注意力模块的卷积层对所述深度增强气相色谱特征图进行卷积编码以得到卷积特征图;概率化子单元,用于将所述空间注意力图通过Softmax函数以得到空间注意力得分图;以及空间注意力施加子单元,用于将所述空间注意力得分图与所述深度增强气相色谱特征图进行按位置点乘以得到空间注意力图。
7.根据权利要求6所述的用于六氟磷酸锂制备的自动化采样分析***,其特征在于,所述通道注意力单元,包括:全局均值池化子单元,用于对所述深度增强气相色谱特征图进行沿通道维度的全局均值池化以得到通道特征向量;归一化子单元,用于将所述通道特征向量通过Softmax函数以得到归一化通道特征向量;以及通道注意力施加子单元,用于以所述归一化通道特征向量中各个位置的特征值作为权重对所述深度增强气相色谱特征图的沿通道维度的特征矩阵进行加权以得到通道注意力图。
9.一种用于六氟磷酸锂制备的自动化采样分析方法,其特征在于,包括:获取抽样气体的气相色谱图;将所述气相色谱图通过基于自动编解码器的降噪模块以得到降噪后气相色谱图;将所述降噪后气相色谱图通过包含多个混合卷积层的卷积神经网络模型以得到降噪后气相色谱特征图;对所述降噪后气相色谱特征图进行特征聚类的去聚焦模糊优化以得到优化降噪气相色谱特征图;将所述优化降噪气相色谱特征图通过残差双注意力机制模块以得到增强气相色谱特征图作为解码特征图;以及将所述解码特征图通过解码器以得到解码值,所述解码值用于表示所述抽样气体中三氟氧化磷的含量值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391469.3A CN115754107B (zh) | 2022-11-08 | 2022-11-08 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
PCT/CN2023/086450 WO2024098653A1 (zh) | 2022-11-08 | 2023-04-06 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211391469.3A CN115754107B (zh) | 2022-11-08 | 2022-11-08 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115754107A true CN115754107A (zh) | 2023-03-07 |
CN115754107B CN115754107B (zh) | 2023-06-23 |
Family
ID=85367948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211391469.3A Active CN115754107B (zh) | 2022-11-08 | 2022-11-08 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115754107B (zh) |
WO (1) | WO2024098653A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115950993A (zh) * | 2023-03-15 | 2023-04-11 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
WO2024098653A1 (zh) * | 2022-11-08 | 2024-05-16 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000075856A1 (en) * | 1999-06-07 | 2000-12-14 | Metrologic Instruments, Inc. | Unitary package identification and dimensioning system employing ladar-based scanning methods |
CN103235049A (zh) * | 2013-03-29 | 2013-08-07 | 东莞市杉杉电池材料有限公司 | 一种六氟磷酸锂溶液的检测方法 |
CN107330475A (zh) * | 2017-07-19 | 2017-11-07 | 北京化工大学 | 一种新型无模型贝叶斯分类预测模型软测量方法 |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
WO2021113977A1 (en) * | 2019-12-13 | 2021-06-17 | Etrace Medical Diagnostics Inc. | Anomaly detection and diagnosis in chromatography applications |
CN113158980A (zh) * | 2021-05-17 | 2021-07-23 | 四川农业大学 | 一种基于高光谱图像和深度学习的茶叶分类方法 |
CN113433206A (zh) * | 2021-05-10 | 2021-09-24 | 上海交通大学 | 一种基于深度学习技术提高质谱谱图分组稳定性的方法 |
CN113516626A (zh) * | 2021-05-07 | 2021-10-19 | 中国海洋大学 | 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法 |
CN113588847A (zh) * | 2021-09-26 | 2021-11-02 | 萱闱(北京)生物科技有限公司 | 一种生物代谢组学数据处理方法、分析方法及装置和应用 |
CN113705526A (zh) * | 2021-09-07 | 2021-11-26 | 安徽大学 | 一种高光谱遥感影像分类方法 |
CN113902903A (zh) * | 2021-09-30 | 2022-01-07 | 北京工业大学 | 一种基于下采样的双注意力多尺度融合方法 |
CN114065820A (zh) * | 2021-11-29 | 2022-02-18 | 北京唐智科技发展有限公司 | 一种多维数据故障决策方法、装置及存储介质 |
CN114184710A (zh) * | 2021-12-24 | 2022-03-15 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池电解液中六氟磷酸锂含量的检测方法 |
CN114841319A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨工程大学 | 一种基于多尺度自适应卷积核的多光谱图像变化检测方法 |
CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测***及监测方法 |
CN115063329A (zh) * | 2022-06-10 | 2022-09-16 | 中国人民解放军国防科技大学 | 低光照环境下的可见光和红外图像融合增强方法及*** |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007059117A2 (en) * | 2005-11-10 | 2007-05-24 | Rosetta Inpharmatics Llc | Discover biological features using composite images |
JP6931586B2 (ja) * | 2017-10-06 | 2021-09-08 | 日本電子株式会社 | 質量分析データ処理装置及び質量分析データ処理方法 |
KR102380684B1 (ko) * | 2021-11-09 | 2022-04-01 | 주식회사 셀키 | Ai 기반으로 질량 스펙트럼에 따른 당펩타이드 분석을 통해 암 특이적 바이오마커를 결정하는 방법 및 장치 |
CN114913156B (zh) * | 2022-05-17 | 2023-01-24 | 国网安徽省电力有限公司铜陵供电公司 | 变压器故障诊断***及其诊断方法 |
CN115100456B (zh) * | 2022-05-27 | 2023-02-03 | 福建天甫电子材料有限公司 | 用于电子级双氧水制备的智能化有毒有害气体报警*** |
CN115754107B (zh) * | 2022-11-08 | 2023-06-23 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
-
2022
- 2022-11-08 CN CN202211391469.3A patent/CN115754107B/zh active Active
-
2023
- 2023-04-06 WO PCT/CN2023/086450 patent/WO2024098653A1/zh unknown
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000075856A1 (en) * | 1999-06-07 | 2000-12-14 | Metrologic Instruments, Inc. | Unitary package identification and dimensioning system employing ladar-based scanning methods |
CN103235049A (zh) * | 2013-03-29 | 2013-08-07 | 东莞市杉杉电池材料有限公司 | 一种六氟磷酸锂溶液的检测方法 |
CN107646089A (zh) * | 2015-03-06 | 2018-01-30 | 英国质谱公司 | 光谱分析 |
CN107330475A (zh) * | 2017-07-19 | 2017-11-07 | 北京化工大学 | 一种新型无模型贝叶斯分类预测模型软测量方法 |
WO2021113977A1 (en) * | 2019-12-13 | 2021-06-17 | Etrace Medical Diagnostics Inc. | Anomaly detection and diagnosis in chromatography applications |
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
CN113516626A (zh) * | 2021-05-07 | 2021-10-19 | 中国海洋大学 | 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法 |
CN113433206A (zh) * | 2021-05-10 | 2021-09-24 | 上海交通大学 | 一种基于深度学习技术提高质谱谱图分组稳定性的方法 |
CN113158980A (zh) * | 2021-05-17 | 2021-07-23 | 四川农业大学 | 一种基于高光谱图像和深度学习的茶叶分类方法 |
CN113705526A (zh) * | 2021-09-07 | 2021-11-26 | 安徽大学 | 一种高光谱遥感影像分类方法 |
CN113588847A (zh) * | 2021-09-26 | 2021-11-02 | 萱闱(北京)生物科技有限公司 | 一种生物代谢组学数据处理方法、分析方法及装置和应用 |
CN113902903A (zh) * | 2021-09-30 | 2022-01-07 | 北京工业大学 | 一种基于下采样的双注意力多尺度融合方法 |
CN114065820A (zh) * | 2021-11-29 | 2022-02-18 | 北京唐智科技发展有限公司 | 一种多维数据故障决策方法、装置及存储介质 |
CN114184710A (zh) * | 2021-12-24 | 2022-03-15 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池电解液中六氟磷酸锂含量的检测方法 |
CN114841319A (zh) * | 2022-04-29 | 2022-08-02 | 哈尔滨工程大学 | 一种基于多尺度自适应卷积核的多光谱图像变化检测方法 |
CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测***及监测方法 |
CN115063329A (zh) * | 2022-06-10 | 2022-09-16 | 中国人民解放军国防科技大学 | 低光照环境下的可见光和红外图像融合增强方法及*** |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制***及其控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098653A1 (zh) * | 2022-11-08 | 2024-05-16 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的自动化采样分析***及其方法 |
CN115950993A (zh) * | 2023-03-15 | 2023-04-11 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
CN115950993B (zh) * | 2023-03-15 | 2023-07-25 | 福建德尔科技股份有限公司 | 氟氮混合气中氟含量的测试方法 |
CN116106457A (zh) * | 2023-04-13 | 2023-05-12 | 天津海河标测技术检测有限公司 | 空气采样检测一体化装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115754107B (zh) | 2023-06-23 |
WO2024098653A1 (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析***及其方法 | |
Li et al. | Towards binary-valued gates for robust lstm training | |
CN112381137B (zh) | 新能源电力***可靠性评估方法、装置、设备及存储介质 | |
US11144817B2 (en) | Device and method for determining convolutional neural network model for database | |
Zhang et al. | VAA: Visual aligning attention model for remote sensing image captioning | |
CN110334209B (zh) | 文本分类方法、装置、介质及电子设备 | |
Shen et al. | Vehicle detection in aerial images based on lightweight deep convolutional network and generative adversarial network | |
CN115564766B (zh) | 水轮机蜗壳座环的制备方法及其*** | |
CN112200664A (zh) | 基于ernie模型和dcnn模型的还款预测方法 | |
CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN116416248A (zh) | 基于荧光显微镜的智能分析***及其方法 | |
CN114896408A (zh) | 一种材料知识图谱的构建方法、材料知识图谱及应用 | |
CN114610488A (zh) | 基于负载均衡的数据采集方法、***和电子设备 | |
CN115932140A (zh) | 一种电子级六氟丁二烯的质检***及其方法 | |
CN117132591A (zh) | 一种基于多模态信息的电池数据处理方法和*** | |
CN116467485B (zh) | 一种视频图像检索构建***及其方法 | |
CN116578707A (zh) | 一种专利层级分类方法、装置、电子设备及存储介质 | |
CN116796749A (zh) | 医学命名实体识别鲁棒性增强方法及*** | |
CN115143128B (zh) | 小型潜水电泵的故障诊断方法及其*** | |
CN113095319B (zh) | 基于全卷积角点修正网络的多向场景文字检测方法及装置 | |
CN117250521B (zh) | 充电桩电池容量监测***及方法 | |
Chen et al. | Multiview feature co‐factorization based dictionary selection for video summarization | |
CN117371824B (zh) | 一种基于光伏数据的异常检测方法及装置 | |
CN117934019B (zh) | 一种基于深度学习的铜精矿样品溯源方法及*** | |
CN116662366B (zh) | 一种基于语义识别的文件搜索方法 |
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 |