[发明专利]基于深度学习与气体光声效应的光声光谱识别方法与装置

说明书

本发明涉及一种基于深度学习与气体光声效应的光声光谱识别方法与装置，其方法包括：利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱；提取所述混合光声声谱的时域特征、频域特征、时频域特征；利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中；将所述多维向量、气体的浓度分别作为样本和标签，构建样本数据集；利用样本数据集训练时域卷积神经网络，得到训练好的时域卷积神经网络；将待识别的混合光声声谱输入到时域卷积神经网络中，识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。本发明通过结合光声效应和深度学习模型，提高混合气体的识别准确率和泛化能力。

技术领域

本发明属于气体测量与深度学习领域，具体涉及基于深度学习与气体光声效应的光声光谱识别方法与装置。

背景技术

气体光声光谱技术作为一种新型的检测技术，其主要是通过检测气体分子对激光光子能量的吸收，来对气体的浓度进行定量分析，也是属于一种测量吸收的气体分析方法。与直接测量光辐射能量的检测方法相比较，该技术增加了将热能转变为声音信号的环节，在气体含量在线监测过程中应用光声光谱检测技术，因为该技术具有较高的检测灵敏度，较低的样气需求量，从而能够极大减少油气分离的时间，缩短测量的周期。光声光谱同时具有光谱和声谱的特性，将两者进行结合，在一定程度上可以提高识别精度。

由于气体吸收光能之后，激发出的光谱谱峰通常不止一个，通常会采用光源隔离或对光源的频率进行分别控制，这样便提高了识别设备的复杂性、成本和识别时间，降低了设备的稳定性。传统的方法是将混合气体分别通入到不同的特征频率的光声池中来识别单一气体，还未出现用一个光声池来识别混合变压器油中的混合气体。

发明内容

为降低混合气体光声光谱的识别设备的复杂性、成本和识别时间，提高识别准确率和稳定性，本发明的第一方面提供了一种基于深度学习与气体光声效应的光声光谱识别方法，包括如下步骤：利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱；提取所述混合光声声谱的时域特征、频域特征、时频域特征；所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量；所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数；所述时频域特征包括投影特征、直方图方差特征；利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中；将所述多维向量、气体的浓度分别作为样本和标签，构建样本数据集；利用样本数据集训练时域卷积神经网络，直至所述时域卷积神经网络的误差低于阈值且趋于稳定，得到训练好的时域卷积神经网络；将待识别的混合光声声谱输入到时域卷积神经网络中，识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。

在本发明的一些实施例中，所述利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱包括如下步骤：获取多张气体的光声信号频谱图；对每张频谱图依次进行分帧、加窗，对每一帧经过分帧、加窗后的频谱图做短时傅里叶变换，得到每一帧的变换图像；将所述每一帧的变换图像按时域维度融合，得到每张频谱图的混合光声声谱。

在本发明的一些实施例中，所述利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中包括如下步骤：

利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维，得到第一特征向量、第二特征向量、第三特征向量；

将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。

在本发明的一些实施例中，所述时域卷积神经网络包括输入层和多个残差模块层，每个残差模块层包括dropout层、ReLU激活层。优选的，所述每个残差模块层还包括正则权重层。

在本发明的一些实施例中，所述气体至少包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。