买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳高发气体股份有限公司

摘要：本发明提供了一种储气装置的供气控制方法、装置、设备及存储介质，其中，该方法包括：确定储气装置存储的目标气体，根据目标气体确定气体浓度检测模型，并控制储气装置根据预设的初始控制参数对反应设备进行供气；分别通过光谱传感器和压力传感器获取储气装置供气过程中，各反应气体的光谱参数以及反应设备的压力参数，并输入气体浓度检测模型中计算各反应气体的气体浓度；根据各反应气体的气体浓度计算目标气体的供气参数，并根据供气参数计算储气装置的实时控制参数实时调整供气过程。本方法通过使用传感器获取反应设备中各反应气体的光谱参数和压力参数，结合多模态神经网络子模型和检测子模型，更准确地检测和计算反应气体的浓度。

主权项：1.一种储气装置的供气控制方法，其特征在于，所述储气装置应用于一反应设备，所述反应设备中内置有光谱传感器和压力传感器，所述储气装置的供气控制方法包括：确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气；分别通过所述光谱传感器和所述压力传感器获取所述储气装置供气过程中，所述反应设备中各反应气体的光谱参数以及所述反应设备的压力参数；将各反应气体的光谱参数以及所述压力参数输入所述气体浓度检测模型中，所述气体浓度检测模型包括多模态神经网络子模型以及各反应气体对应的检测子模型，各检测子模型由卷积神经网络和双向长短期记忆网络构成；将各反应气体的光谱参数输入所述气体浓度检测模型对应的各检测子模型中，通过对应的检测子模型中的卷积神经网络获取对应的反应气体光谱参数的光谱特征；将所述光谱特征输入所述检测子模型的双向长短期记忆网络中，通过所述双向长短期记忆网络提取对应的光谱参数的时间序列信息；通过所述多模态神经网络子模型根据各反应气体的时间序列信息和所述压力参数计算各反应气体的气体浓度；根据所述各反应气体的气体浓度计算所述目标气体的供气参数，并根据所述供气参数计算所述储气装置的实时控制参数；根据所述实时控制参数实时调整所述储气装置对反应设备的供气过程；在所述确定所述储气装置存储的目标气体，根据所述目标气体确定气体浓度检测模型，并控制所述储气装置根据预设的初始控制参数对所述反应设备进行供气之前，还包括：获取所述各反应气体的训练数据，其中，所述各反应气体包括第一反应气体和第二反应气体，所述训练数据包括所述第一反应气体和第二反应气体在各实际气体浓度下的历史光谱参数以及对应的历史压力参数；初始化所述第一反应气体和第二反应气体的第一特征表示和第二特征表示；将各训练数据和对应的第一特征表示或将各训练数据和对应的第二特征表示输入至对应的反应气体的初始子模型中，通过所述初始子模型对输入的训练数据和第一特征表示或输入的训练数据和第二特征表示进行浓度检测，分别得到所述第一反应气体和第二反应气体对应的时间序列信息；将所述第一反应气体和第二反应气体对应的时间序列信息分别和所述历史压力参数输入预设的初始多模态神经网络模型中，得到所述第一反应气体和所述第二反应气体的当前检测浓度；根据所述第一反应气体和所述第二反应气体的当前检测浓度和所述实际气体浓度分别计算预设的损失函数，分别得到所述第一反应气体和所述第二反应气体的损失函数值；判断所述第一反应气体和或所述第二反应气体的损失函数值是否大于预设损失阈值；若所述第一反应气体的损失函数值大于预设损失阈值，则根据所述损失函数值更新对应的检测子模型和所述初始多模态神经网络模型的模型参数，将所述第二反应气体的当前检测浓度作为第一特征表示，并返回至分别将各训练数据和对应的第一特征表示或第二特征表示输入至对应的反应气体的初始子模型中的步骤，直至所述第一反应气体的损失函数值不大于预设损失阈值；若所述第二反应气体的损失函数值大于预设损失阈值，则根据所述损失函数值更新对应的检测子模型和所述初始多模态神经网络模型的模型参数，将所述第一反应气体的当前检测浓度作为第二特征表示，并返回至分别将各训练数据和对应的第一特征表示或第二特征表示输入至对应的反应气体的初始子模型中的步骤，直至所述第二反应气体的损失函数值不大于预设损失阈值；当所述第一反应气体和或所述第二反应气体的损失函数值不大于预设损失阈值，将对应的初始子模型作为检测子模型，并将所述初始多模态神经网络模型作为多模态神经网络子模型；根据所述第一反应气体和所述第二反应气体的检测子模型和所述多模态神经网络子模型，组成所述各反应气体的气体浓度检测模型。

全文数据：

权利要求：

百度查询： 深圳高发气体股份有限公司 储气装置的供气控制方法、装置、设备及存储介质