CN116186612A - 六氟化硫回收利用管理*** - Google Patents

Abstract

本发明公开了一种六氟化硫回收利用管理***。其首先将多个预定时间点的温度值和压力值分别排列后归一化处理以得到归一化温度输入向量和归一化压力输入向量，接着，将基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量得到的温度‑压力融合输入矩阵通过卷积神经网络模型以得到温度‑压力融合特征矩阵，然后，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量，最后，将融合所述温度‑压力融合特征矩阵和所述流速时序特征向量得到的分类特征向量通过分类器以得到分类结果。这样，可以通过分类结果，管理当前时间点的温度值和压力值。

Description

六氟化硫回收利用管理***

技术领域

本申请涉及智能控制领域，且更为具体地，涉及一种六氟化硫回收利用管理***。

背景技术

六氟化硫（SF₆）气体以其优异的绝缘和灭弧性能，在电力***中获得了广泛的应用。纯净的SF₆气体是一种无色无味无毒和不易燃烧的气体，但含有分解物的SF₆，可对人的身体、鼻子、嘴巴以及呼吸***产生伤害，同时SF₆和其分解物中的HF对地球的大气层产生很强的破坏作用。电力行业的六氟化硫的排放也面临同样的污染问题，近年来，随着国内电力市场全封闭组合电器的大量应用，电压等级的不断攀升，绝缘间距增大，气体的充注压力不断的提高，使气体充注量成倍增加，六氟化硫气体的减少排放、循环再利用成为降低环境污染的关键环节。

目前，常常通过吸附法来回收六氟化硫气体。在利用吸附法来回收SF₆气体的方案中，在吸附、解吸和再生过程中，需要精确控制温度、压力和流速等参数，因为这些参数的变化会直接影响吸附剂对SF₆气体的吸附和释放效率。

在吸附过程中，如果温度和压力过高或过低，可能导致吸附剂对SF₆气体的亲和力不足，从而减少回收效率。同时，如果流速过大，可能使SF₆气体无法充分接触到吸附剂表面，也会影响回收效果。在解吸和再生过程中，如果温度不够高或压力不够低，就可能无法使吸附剂完全释放吸附的SF₆气体，从而减少回收量。另外，在再生过程中，如果温度过高或压力过低，会导致吸附剂失去活性或被破坏，进而影响吸附剂的寿命和再利用效率。

因此，期望一种优化的六氟化硫回收利用管理***。

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六氟化硫回收利用管理***。其首先将多个预定时间点的温度值和压力值分别排列后归一化处理以得到归一化温度输入向量和归一化压力输入向量，接着，将基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量得到的温度-压力融合输入矩阵通过卷积神经网络模型以得到温度-压力融合特征矩阵，然后，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量，最后，将融合所述温度-压力融合特征矩阵和所述流速时序特征向量得到的分类特征向量通过分类器以得到分类结果。这样，可以通过分类结果，管理当前时间点的温度值和压力值。

根据本申请的一个方面，提供了一种六氟化硫回收利用管理***，其包括：数据采集模块，用于获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值；归一化模块，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量；输入数据融合模块，用于基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵；数据参数关联模块，用于将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵；流速时序变化特征提取模块，用于将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量；特征融合模块，用于融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量；以及参数控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。

在上述的六氟化硫回收利用管理***中，所述输入数据融合模块，用于：使用高斯密度图以如下高斯密度公式来融合所述归一化温度输入向量和所述归一化压力输入向量以得到所述融合高斯密度图；其中，所述高斯密度公式为：

，其中， />

表示所述归一化温度输入向量和所述归一化压力输入向量之间的按位置均值向量，且/>

的每个位置的值表示所述归一化温度输入向量和所述归一化压力输入向量中各个位置的特征值之间的标准差，/>

表示所述融合高斯密度图的变量，/>

表示高斯概率密度函数；以及对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述温度-压力融合输入矩阵。

在上述的六氟化硫回收利用管理***中，所述数据参数关联模块，用于：使用所述包含块结构的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述包含块结构的卷积神经网络模型的最后一层输出所述温度-压力融合特征矩阵，其中，所述包含块结构的卷积神经网络模型的第一层的输入为所述温度-压力融合输入矩阵。

在上述的六氟化硫回收利用管理***中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在上述的六氟化硫回收利用管理***中，所述流速时序变化特征提取模块，包括：第一尺度流速特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度流速特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速时序特征向量。

在上述的六氟化硫回收利用管理***中，所述特征融合模块，用于：以如下融合公式融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到所述分类特征向量；其中，所述融合公式为：

，其中，/>

表示所述分类特征向量， />

表示所述温度-压力融合特征矩阵，/>

表示所述流速时序特征向量，/>

表示矩阵相乘。

在上述的六氟化硫回收利用管理***中，还包括对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块。

在上述的六氟化硫回收利用管理***中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值，以及所述当前时间点的温度值应增大或应减小且所述当前时间点的压力值应增大或应减小的真实值；训练归一化单元，用于将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，分别对所述训练温度输入向量和训练压力输入向量进行归一化处理以得到训练归一化温度输入向量和训练归一化压力输入向量；训练输入数据融合单元，用于基于高斯密度图来融合所述训练归一化温度输入向量和所述训练归一化压力输入向量以得到训练温度-压力融合输入矩阵；训练数据参数关联单元，用于将所述训练温度-压力融合输入矩阵通过所述包含块结构的卷积神经网络模型以得到训练温度-压力融合特征矩阵；训练流速时序变化特征提取单元，用于将所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值按照时间维度排列为训练流速输入向量后通过所述多尺度邻域特征提取模块以得到训练流速时序特征向量；训练特征融合单元，用于融合所述训练温度-压力融合特征矩阵和所述训练流速时序特征向量以得到训练分类特征向量；优化单元，用于对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量；分类损失单元，用于将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。

在上述的六氟化硫回收利用管理***中，所述优化单元，用于：以如下优化公式对所述训练分类特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练分类特征向量；其中，所述优化公式为：

，其中，/>

表示所述训练分类特征向量的各个位置的特征值，/>

和/>

分别是所述训练分类特征向量的各个位置的特征值集合的均值和标准差， />

表示以2为底的对数函数，/>

表示反正弦函数值，/>

表示反余弦函数值，/>

表示所述优化训练分类特征向量的各个位置的特征值。

在上述的六氟化硫回收利用管理***中，所述分类损失单元，用于：所述分类器以如下分类结果生成公式对所述优化训练分类特征向量进行处理以得到分类结果，所述分类结果生成公式为：

，其中，/>

到/>

为权重矩阵，

到/>

为偏置向量，/>

为所述优化训练分类特征向量；以及计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。

与现有技术相比，本申请提供的六氟化硫回收利用管理***，其首先将多个预定时间点的温度值和压力值分别排列后归一化处理以得到归一化温度输入向量和归一化压力输入向量，接着，将基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量得到的温度-压力融合输入矩阵通过卷积神经网络模型以得到温度-压力融合特征矩阵，然后，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量，最后，将融合所述温度-压力融合特征矩阵和所述流速时序特征向量得到的分类特征向量通过分类器以得到分类结果。这样，可以通过分类结果，管理当前时间点的温度值和压力值。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的六氟化硫回收利用管理***的应用场景图。

图2为根据本申请实施例的六氟化硫回收利用管理***的框图示意图。

图3为根据本申请实施例的六氟化硫回收利用管理***中的所述流速时序变化特征提取模块的框图示意图。

图4为根据本申请实施例的六氟化硫回收利用管理***中的所述训练模块的框图示意图。

图5为根据本申请实施例的六氟化硫回收利用管理方法的流程图。

图6为根据本申请实施例的六氟化硫回收利用管理方法的***架构的示意图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述***和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

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。

利用吸附法来回收SF₆气体的技术方案通常包括以下步骤：选择具有高亲和力和选择性的吸附剂，如活性炭、分子筛等，并将其装置于吸附器中；将含有SF₆气体的混合气体通过吸附器，使吸附剂吸附其中的SF₆分子。此时，其他气体组分被吸附剂所排斥，不被固定在吸附剂上；通过调整温度或压力等条件，使吸附剂释放出吸附的SF₆气体，并收集回收；将已吸附的吸附剂进行再生处理，使其回复到初始状态，以便下一轮循环使用。需要注意的是，吸附剂的选择和装置的设计、操作参数的控制等因素都会影响回收效率和质量，因此需要进行实验优化和工艺改进。

如上所述，在吸附过程中，如果温度和压力过高或过低，可能导致吸附剂对SF₆气体的亲和力不足，从而减少回收效率。同时，如果流速过大，可能使SF₆气体无法充分接触到吸附剂表面，也会影响回收效果。在解吸和再生过程中，如果温度不够高或压力不够低，就可能无法使吸附剂完全释放吸附的SF₆气体，从而减少回收量。另外，在再生过程中，如果温度过高或压力过低，会导致吸附剂失去活性或被破坏，进而影响吸附剂的寿命和再利用效率。因此，期望一种优化的六氟化硫回收利用管理***。

相应地，考虑到在实际通过化学吸附法来回收SF₆气体的方案中，需要自适应地调整温度和压力，以使得其能够与气体流速相适配，从而优化SF₆气体的吸附回收效率和效果。但是，考虑到由于所述温度值和所述压力值不仅都在时间维度上有着时序的动态变化规律，而且所述温度值和所述压力值之间还具有着时序协同动态关联特征信息。并且所述温度值和所述压力值的时序协同关联特征与含有SF₆气体的混合气体的通入流速值的时序变化特征之间也具有着关联关系。因此，在此过程中，难点在于如何挖掘所述温度值和所述压力值的时序协同动态关联特征与所述含有SF₆气体的混合气体的通入流速值的时序动态变化特征间的关联性特征分布信息，以此来基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述温度值和所述压力值的时序协同动态关联特征与所述含有SF₆气体的混合气体的通入流速值的时序动态变化特征间的关联性特征分布信息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，首先，获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值。接着，考虑到由于所述温度值和所述压力值在时间维度上有着时序的动态协同关联特征信息，但是，由于所述温度值和所述压力值两者之间属于不同量纲的数据，在后续数据特征融合时会产生聚合偏差，使得融合数据特征的收敛性较差，因此，为消除数据指标之间的量纲和取值范围差异的影响，需要对输入数据进行归一化处理。具体地，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量。

然后，考虑到所述温度值和所述压力值的时序分布数据都各自对应着一个数据分布流形，而这些数据分布流形由于本身的不规则形状和散布位置，如果仅通过将所述温度值和所述压力值的时序分布数据级联来表示两者的融合数据分布表示，将相当于简单地将这些数据分布流形按原位置和形状来进行叠加，使得新获得的数据分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。因此，在本申请的技术方案中，基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵。

进一步地，还考虑到由于所述温度-压力融合输入矩阵中关于温度值和压力值的时序分布信息之间的关联性关系在不同的时间跨度下具有着不同的关联特征表达。因此，为了能够充分地挖掘出所述温度-压力融合输入矩阵中关于所述温度值和所述压力值的时序关联特征信息，在本申请的技术方案中，进一步将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型中进行处理，以提取出所述温度-压力融合输入矩阵在不同块结构下的关于所述温度值和压力值的时序协同关联特征信息，从而得到温度-压力融合特征矩阵。

然后，对于所述多个预定时间点的含有SF₆气体的混合气体的通入流速值来说，所述通入流速值在时间维度上具有着动态性的变化规律，并且其在所述预定时间段内的不同时间周期跨度下具有着不同的变化特征信息。因此，在本申请的技术方案中，进一步将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述通入流速值在不同时间跨度下的动态多尺度邻域关联特征，从而得到流速时序特征向量。

接着，进一步再融合所述温度-压力融合特征矩阵和所述流速时序特征向量，以此来融合所述温度和压力的时序动态多尺度协同关联特征信息与所述含有SF₆气体的混合气体的通入流速的时序多尺度动态关联特征信息，从而得到具有所述温度和压力的时序关联特征与所述气体通入流速的时序变化特征的关联性特征分布信息的分类特征向量。

进一步地，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的温度值/压力值应增大(第一标签)，以及，当前时间点的温度值/压力值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的温度值/压力值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，温度值/压力值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的温度值/压力值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的温度值/压力值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的温度值/压力值增大或减小，以此来基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

特别地，在本申请的技术方案中，在融合所述温度-压力融合特征矩阵和所述流速时序特征向量得到所述分类特征向量的情况下，所述分类特征向量融合了所述温度-压力融合特征矩阵表达的温度-压力的概率密度关联特征分布和所述流速时序特征向量表达的时序多尺度邻域关联特征分布，考虑到温度-压力的概率密度二维关联与流速的一维数值时序关联之间的差异，其特征分布之间的分布错位会较为明显，这样，所述分类特征向量的整体特征分布内会存在由于分布错位引起的分布间隙（distribution gap），从而使得所述分类特征向量的整体特征分布的连续性差，影响模型训练时的训练效果。

基于此，本申请的申请人对所述分类特征向量，例如记为

进行耿贝尔（Gumbel）正态周期性重参数化，以获得优化后的分类特征向量/>

，具体表示为：

，/>

和/>

分别是特征值集合/>

的均值和标准差，且/>

。

这里，所述耿贝尔正态周期性重参数化通过将分类特征向量

的各个位置的特征值/>

转换为其概率分布的角特征表达，来基于耿贝尔（Gumbel）分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的分类特征向量/>

在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述分类特征向量的特征分布的连续性差对训练效果，例如训练速度和收敛结果准确度的影响。这样，能够基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

图1为根据本申请实施例的六氟化硫回收利用管理***的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的温度值和压力值（例如，图1中所示意的D2），以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值（例如，图1中所示意的D1），然后，将所述预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值输入至部署有六氟化硫回收利用管理算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述六氟化硫回收利用管理算法对所述预定时间段内多个预定时间点的温度值和压力值以及所述多个预定时间点的含有SF₆气体的混合气体的通入流速值进行处理以得到用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小的分类结果。其中，图1中所示意的C为吸附器，图1中所示意的N为所述吸附器中的吸附剂。

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。

图2为根据本申请实施例的六氟化硫回收利用管理***的框图示意图。如图2所示，根据本申请实施例的六氟化硫回收利用管理***100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值；归一化模块120，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量；输入数据融合模块130，用于基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵；数据参数关联模块140，用于将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵；流速时序变化特征提取模块150，用于将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量；特征融合模块160，用于融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量；以及，参数控制模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。

更具体地，在本申请实施例中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值。在实际通过化学吸附法来回收SF₆气体的方案中，需要自适应地调整温度和压力，以使得其能够与气体流速相适配，从而优化SF₆气体的吸附回收效率和效果。但是，考虑到由于所述温度值和所述压力值不仅都在时间维度上有着时序的动态变化规律，而且所述温度值和所述压力值之间还具有着时序协同动态关联特征信息。并且所述温度值和所述压力值的时序协同关联特征与含有SF₆气体的混合气体的通入流速值的时序变化特征之间也具有着关联关系。因此，在本申请中，通过挖掘所述温度值和所述压力值的时序协同动态关联特征与所述含有SF₆气体的混合气体的通入流速值的时序动态变化特征间的关联性特征分布信息，以此来基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

更具体地，在本申请实施例中，所述归一化模块120，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量。由于所述温度值和所述压力值在时间维度上有着时序的动态协同关联特征信息，但是，由于所述温度值和所述压力值两者之间属于不同量纲的数据，在后续数据特征融合时会产生聚合偏差，使得融合数据特征的收敛性较差，因此，为消除数据指标之间的量纲和取值范围差异的影响，需要对输入数据进行归一化处理。

更具体地，在本申请实施例中，所述输入数据融合模块130，用于基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵。考虑到所述温度值和所述压力值的时序分布数据都各自对应着一个数据分布流形，而这些数据分布流形由于本身的不规则形状和散布位置，如果仅通过将所述温度值和所述压力值的时序分布数据级联来表示两者的融合数据分布表示，将相当于简单地将这些数据分布流形按原位置和形状来进行叠加，使得新获得的数据分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。

应可以理解，作为神经网络模型的学习目标，高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布，也就是，以特征分布作为先验分布，来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布，从而在更高维度上更准确地描述特征分布。

相应地，在一个具体示例中，所述输入数据融合模块130，用于：使用高斯密度图以如下高斯密度公式来融合所述归一化温度输入向量和所述归一化压力输入向量以得到所述融合高斯密度图；其中，所述高斯密度公式为：

，其中， />

表示所述归一化温度输入向量和所述归一化压力输入向量之间的按位置均值向量，且/>

的每个位置的值表示所述归一化温度输入向量和所述归一化压力输入向量中各个位置的特征值之间的标准差，

表示所述融合高斯密度图的变量，/>

表示高斯概率密度函数；以及对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述温度-压力融合输入矩阵。

更具体地，在本申请实施例中，所述数据参数关联模块140，用于将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵。由于所述温度-压力融合输入矩阵中关于温度值和压力值的时序分布信息之间的关联性关系在不同的时间跨度下具有着不同的关联特征表达。因此，为了能够充分地挖掘出所述温度-压力融合输入矩阵中关于所述温度值和所述压力值的时序关联特征信息，在本申请的技术方案中，进一步将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型中进行处理，以提取出所述温度-压力融合输入矩阵在不同块结构下的关于所述温度值和压力值的时序协同关联特征信息，从而得到温度-压力融合特征矩阵。

相应地，在一个具体示例中，所述数据参数关联模块140，用于：使用所述包含块结构的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述包含块结构的卷积神经网络模型的最后一层输出所述温度-压力融合特征矩阵，其中，所述包含块结构的卷积神经网络模型的第一层的输入为所述温度-压力融合输入矩阵。

应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。

更具体地，在本申请实施例中，所述流速时序变化特征提取模块150，用于将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量。对于所述多个预定时间点的含有SF₆气体的混合气体的通入流速值来说，所述通入流速值在时间维度上具有着动态性的变化规律，并且其在所述预定时间段内的不同时间周期跨度下具有着不同的变化特征信息。因此，在本申请的技术方案中，进一步将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述通入流速值在不同时间跨度下的动态多尺度邻域关联特征，从而得到流速时序特征向量。

相应地，在一个具体示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

相应地，在一个具体示例中，如图3所示，所述流速时序变化特征提取模块150，包括：第一尺度流速特征提取单元151，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度流速特征提取单元152，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度融合单元153，用于使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速时序特征向量。

更具体地，在本申请实施例中，所述特征融合模块160，用于融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量。以此来融合所述温度和压力的时序动态多尺度协同关联特征信息与所述含有SF₆气体的混合气体的通入流速的时序多尺度动态关联特征信息，从而得到具有所述温度和压力的时序关联特征与所述气体通入流速的时序变化特征的关联性特征分布信息的分类特征向量。

相应地，在一个具体示例中，所述特征融合模块160，用于：以如下融合公式融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到所述分类特征向量；其中，所述融合公式为：

，其中，/>

表示所述分类特征向量， />

表示所述温度-压力融合特征矩阵，/>

表示所述流速时序特征向量，/>

表示矩阵相乘。

更具体地，在本申请实施例中，所述参数控制模块170，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的温度值/压力值应增大(第一标签)，以及，当前时间点的温度值/压力值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述当前时间点的温度值/压力值应增大或应减小的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的温度值/压力值增大或减小，以此来基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，所述六氟化硫回收利用管理***还包括对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块。

相应地，在一个具体示例中，如图4所示，所述训练模块200，包括：训练数据采集单元210，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值，以及所述当前时间点的温度值应增大或应减小且所述当前时间点的压力值应增大或应减小的真实值；训练归一化单元220，用于将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，分别对所述训练温度输入向量和训练压力输入向量进行归一化处理以得到训练归一化温度输入向量和训练归一化压力输入向量；训练输入数据融合单元230，用于基于高斯密度图来融合所述训练归一化温度输入向量和所述训练归一化压力输入向量以得到训练温度-压力融合输入矩阵；训练数据参数关联单元240，用于将所述训练温度-压力融合输入矩阵通过所述包含块结构的卷积神经网络模型以得到训练温度-压力融合特征矩阵；训练流速时序变化特征提取单元250，用于将所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值按照时间维度排列为训练流速输入向量后通过所述多尺度邻域特征提取模块以得到训练流速时序特征向量；训练特征融合单元260，用于融合所述训练温度-压力融合特征矩阵和所述训练流速时序特征向量以得到训练分类特征向量；优化单元270，用于对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量；分类损失单元280，用于将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元290，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。

特别地，在本申请的技术方案中，在融合所述训练温度-压力融合特征矩阵和所述训练流速时序特征向量得到所述训练分类特征向量的情况下，所述训练分类特征向量融合了所述训练温度-压力融合特征矩阵表达的温度-压力的概率密度关联特征分布和所述训练流速时序特征向量表达的时序多尺度邻域关联特征分布，考虑到温度-压力的概率密度二维关联与流速的一维数值时序关联之间的差异，其特征分布之间的分布错位会较为明显，这样，所述训练分类特征向量的整体特征分布内会存在由于分布错位引起的分布间隙（distribution gap），从而使得所述训练分类特征向量的整体特征分布的连续性差，影响模型训练时的训练效果。基于此，本申请的申请人对所述训练分类特征向量进行耿贝尔（Gumbel）正态周期性重参数化，以获得优化后的训练分类特征向量。

相应地，在一个具体示例中，所述优化单元270，用于：以如下优化公式对所述训练分类特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练分类特征向量；其中，所述优化公式为：

，其中，/>

表示所述训练分类特征向量的各个位置的特征值，/>

和/>

分别是所述训练分类特征向量的各个位置的特征值集合的均值和标准差， />

表示以2为底的对数函数，/>

表示反正弦函数值，

表示反余弦函数值，/>

表示所述优化训练分类特征向量的各个位置的特征值。

这里，所述耿贝尔正态周期性重参数化通过将训练分类特征向量的各个位置的特征值转换为其概率分布的角特征表达，来基于耿贝尔（Gumbel）分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的训练分类特征向量在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述训练分类特征向量的特征分布的连续性差对训练效果，例如训练速度和收敛结果准确度的影响。这样，能够基于实际情况来对于温度值和压力值进行实时准确地控制，以优化SF₆气体的吸附回收效率和效果。

相应地，在一个具体示例中，所述分类损失单元280，用于：所述分类器以如下分类结果生成公式对所述优化训练分类特征向量进行处理以得到分类结果，所述分类结果生成公式为：

，其中，/>

到/>

为权重矩阵，/>

到/>

为偏置向量，/>

为所述优化训练分类特征向量；以及，计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。

综上，基于本申请实施例的六氟化硫回收利用管理***100被阐明，其首先将多个预定时间点的温度值和压力值分别排列后归一化处理以得到归一化温度输入向量和归一化压力输入向量，接着，将基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量得到的温度-压力融合输入矩阵通过卷积神经网络模型以得到温度-压力融合特征矩阵，然后，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量，最后，将融合所述温度-压力融合特征矩阵和所述流速时序特征向量得到的分类特征向量通过分类器以得到分类结果。这样，可以通过分类结果，管理当前时间点的温度值和压力值。

如上所述，根据本申请实施例的基于本申请实施例的六氟化硫回收利用管理***100可以实现在各种终端设备中，例如具有基于本申请实施例的六氟化硫回收利用管理算法的服务器等。在一个示例中，基于本申请实施例的六氟化硫回收利用管理***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，该基于本申请实施例的六氟化硫回收利用管理***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，该基于本申请实施例的六氟化硫回收利用管理***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，该基于本申请实施例的六氟化硫回收利用管理***100与该终端设备也可以是分立的设备，并且该六氟化硫回收利用管理***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。

图5为根据本申请实施例的六氟化硫回收利用管理方法的流程图。如图5所示，根据本申请实施例的六氟化硫回收利用管理方法，其包括：S110，获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值；S120，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量；S130，基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵；S140，将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵；S150，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量；S160，融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量；以及，S170，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。

图6为根据本申请实施例的六氟化硫回收利用管理方法的***架构的示意图。如图6所示，在所述六氟化硫回收利用管理方法的***架构中，首先，获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值；接着，将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量；然后，基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵；接着，将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵；然后，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量；接着，融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵，包括：使用高斯密度图以如下高斯密度公式来融合所述归一化温度输入向量和所述归一化压力输入向量以得到所述融合高斯密度图；其中，所述高斯密度公式为：

，其中，

表示所述归一化温度输入向量和所述归一化压力输入向量之间的按位置均值向量，且

的每个位置的值表示所述归一化温度输入向量和所述归一化压力输入向量中各个位置的特征值之间的标准差，/>

表示所述融合高斯密度图的变量，/>

表示高斯概率密度函数；以及，对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述温度-压力融合输入矩阵。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵，包括：使用所述包含块结构的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述包含块结构的卷积神经网络模型的最后一层输出所述温度-压力融合特征矩阵，其中，所述包含块结构的卷积神经网络模型的第一层的输入为所述温度-压力融合输入矩阵。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；使用所述多尺度邻域特征提取模块的第二卷积层对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速时序特征向量。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量，包括：以如下融合公式融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到所述分类特征向量；其中，所述融合公式为：

，其中，/>

表示所述分类特征向量， />

表示所述温度-压力融合特征矩阵，/>

表示所述流速时序特征向量，/>

表示矩阵相乘。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，还包括对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练步骤。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值，以及所述当前时间点的温度值应增大或应减小且所述当前时间点的压力值应增大或应减小的真实值；将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，分别对所述训练温度输入向量和训练压力输入向量进行归一化处理以得到训练归一化温度输入向量和训练归一化压力输入向量；基于高斯密度图来融合所述训练归一化温度输入向量和所述训练归一化压力输入向量以得到训练温度-压力融合输入矩阵；将所述训练温度-压力融合输入矩阵通过所述包含块结构的卷积神经网络模型以得到训练温度-压力融合特征矩阵；将所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值按照时间维度排列为训练流速输入向量后通过所述多尺度邻域特征提取模块以得到训练流速时序特征向量；融合所述训练温度-压力融合特征矩阵和所述训练流速时序特征向量以得到训练分类特征向量；对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量；将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量，包括：以如下优化公式对所述训练分类特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练分类特征向量；其中，所述优化公式为：

，其中，/>

表示所述训练分类特征向量的各个位置的特征值，/>

和/>

分别是所述训练分类特征向量的各个位置的特征值集合的均值和标准差， />

表示以2为底的对数函数，/>

表示反正弦函数值，

表示反余弦函数值，/>

表示所述优化训练分类特征向量的各个位置的特征值。

在一个具体示例中，在上述六氟化硫回收利用管理方法中，将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值，包括：所述分类器以如下分类结果生成公式对所述优化训练分类特征向量进行处理以得到分类结果，所述分类结果生成公式为：

，其中，/>

到/>

为权重矩阵，/>

到/>

为偏置向量，/>

为所述优化训练分类特征向量；以及，计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。

这里，本领域技术人员可以理解，上述六氟化硫回收利用管理方法中的各个步骤的具体操作已经在上面参考图1到图4的六氟化硫回收利用管理***100的描述中得到了详细介绍，并因此，将省略其重复描述。

根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。

技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。

所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现***的计算机环境，或与提供目标检测所需要的信息相关的类似功能的***。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种六氟化硫回收利用管理***，其特征在于，包括：数据采集模块，用于获取预定时间段内多个预定时间点的温度值和压力值，以及，所述多个预定时间点的含有SF₆气体的混合气体的通入流速值；归一化模块，用于将所述多个预定时间点的温度值和压力值分别按照时间维度排列为温度输入向量和压力输入向量后，分别对所述温度输入向量和压力输入向量进行归一化处理以得到归一化温度输入向量和归一化压力输入向量；输入数据融合模块，用于基于高斯密度图来融合所述归一化温度输入向量和所述归一化压力输入向量以得到温度-压力融合输入矩阵；数据参数关联模块，用于将所述温度-压力融合输入矩阵通过包含块结构的卷积神经网络模型以得到温度-压力融合特征矩阵；流速时序变化特征提取模块，用于将所述多个预定时间点的含有SF₆气体的混合气体的通入流速值按照时间维度排列为流速输入向量后通过多尺度邻域特征提取模块以得到流速时序特征向量；特征融合模块，用于融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到分类特征向量；以及参数控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或应减小，且当前时间点的压力值应增大或应减小。

2.根据权利要求1所述的六氟化硫回收利用管理***，其特征在于，所述输入数据融合模块，用于：使用高斯密度图以如下高斯密度公式来融合所述归一化温度输入向量和所述归一化压力输入向量以得到所述融合高斯密度图；其中，所述高斯密度公式为：

，其中， />

表示所述归一化温度输入向量和所述归一化压力输入向量之间的按位置均值向量，且/>

的每个位置的值表示所述归一化温度输入向量和所述归一化压力输入向量中各个位置的特征值之间的标准差，/>

表示所述融合高斯密度图的变量，/>

表示高斯概率密度函数；以及对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述温度-压力融合输入矩阵。

3.根据权利要求2所述的六氟化硫回收利用管理***，其特征在于，所述数据参数关联模块，用于：使用所述包含块结构的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述包含块结构的卷积神经网络模型的最后一层输出所述温度-压力融合特征矩阵，其中，所述包含块结构的卷积神经网络模型的第一层的输入为所述温度-压力融合输入矩阵。

4.根据权利要求3所述的六氟化硫回收利用管理***，其特征在于，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。

5.根据权利要求4所述的六氟化硫回收利用管理***，其特征在于，所述流速时序变化特征提取模块，包括：第一尺度流速特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层对所述流速输入向量进行一维卷积编码以得到第一尺度流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度流速特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层对所述流速输入向量进行一维卷积编码以得到第二尺度流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述流速时序特征向量。

6.根据权利要求5所述的六氟化硫回收利用管理***，其特征在于，所述特征融合模块，用于：以如下融合公式融合所述温度-压力融合特征矩阵和所述流速时序特征向量以得到所述分类特征向量；其中，所述融合公式为：

，其中，/>

表示所述分类特征向量， />

表示所述温度-压力融合特征矩阵，/>

表示所述流速时序特征向量，/>

表示矩阵相乘。

7.根据权利要求6所述的六氟化硫回收利用管理***，其特征在于，还包括对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块。

8.根据权利要求7所述的六氟化硫回收利用管理***，其特征在于，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的训练温度值和训练压力值，所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值，以及所述当前时间点的温度值应增大或应减小且所述当前时间点的压力值应增大或应减小的真实值；训练归一化单元，用于将所述多个预定时间点的训练温度值和训练压力值分别按照时间维度排列为训练温度输入向量和训练压力输入向量后，分别对所述训练温度输入向量和训练压力输入向量进行归一化处理以得到训练归一化温度输入向量和训练归一化压力输入向量；训练输入数据融合单元，用于基于高斯密度图来融合所述训练归一化温度输入向量和所述训练归一化压力输入向量以得到训练温度-压力融合输入矩阵；训练数据参数关联单元，用于将所述训练温度-压力融合输入矩阵通过所述包含块结构的卷积神经网络模型以得到训练温度-压力融合特征矩阵；训练流速时序变化特征提取单元，用于将所述多个预定时间点的含有SF₆气体的混合气体的训练通入流速值按照时间维度排列为训练流速输入向量后通过所述多尺度邻域特征提取模块以得到训练流速时序特征向量；训练特征融合单元，用于融合所述训练温度-压力融合特征矩阵和所述训练流速时序特征向量以得到训练分类特征向量；优化单元，用于对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量；分类损失单元，用于将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述包含块结构的卷积神经网络模型、所述多尺度邻域特征提取模块和所述分类器进行训练。

9.根据权利要求8所述的六氟化硫回收利用管理***，其特征在于，所述优化单元，用于：以如下优化公式对所述训练分类特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练分类特征向量；其中，所述优化公式为：

，其中，/>

表示所述训练分类特征向量的各个位置的特征值，/>

和/>

分别是所述训练分类特征向量的各个位置的特征值集合的均值和标准差， />

表示以2为底的对数函数，

表示反正弦函数值，/>

表示反余弦函数值，/>

表示所述优化训练分类特征向量的各个位置的特征值。

10.根据权利要求9所述的六氟化硫回收利用管理***，其特征在于，所述分类损失单元，用于：所述分类器以如下分类结果生成公式对所述优化训练分类特征向量进行处理以得到分类结果，所述分类结果生成公式为：

，其中，

到/>

为权重矩阵，/>

到/>

为偏置向量，/>

为所述优化训练分类特征向量；以及计算所述分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。/>

Images