【技術實現步驟摘要】
本專利技術涉及傳感器數據處理，具體涉及一種氨氣傳感器的數據優化和預警方法、系統、設備及介質。
技術介紹
1、高濃度的氨氣會損害畜禽生產場景中的動物和飼養投喂人員的健康，因此，在畜禽生產場景中安裝氨氣傳感器具有必要性。
2、相關技術中，低成本氨氣傳感器由于其成本較低，可以進行大范圍、高密度的部署，形成網格化監測網絡，也可對重點區域實行重點密集部署，因此，低成本氨氣傳感器成為了畜禽生產場景中氨氣檢測的首選。然而，隨著部署后使用時間的推移，低成本氨氣傳感器由于敏感元件的材質問題，難以避免地出現傳感器故障或其他因素造成的數據漂移、異常等質量問題，導致畜禽生產場景的氨氣監測精確度降低，進而無法保障動物和飼養投喂人員的健康，即安全程度也隨即下降。
技術實現思路
1、有鑒于此，本專利技術提供了一種氨氣傳感器的數據優化和預警方法、系統、設備及介質，以解決相關技術中氨氣監測精確度和安全程度下降的技術問題。
2、第一方面，本專利技術提供了一種氨氣傳感器的數據優化和預警方法，所述方法包括：
3、獲取目標氨氣傳感器的歷史測量數據；所述歷史測量數據包括：當前時刻的測量值、以及當前時刻之前的時刻的測量值；
4、對所述歷史測量數據進行預處理；
5、將預處理后的歷史測量數據按照時間窗口進行分段，得到多段歷史測量數據；其中，每段歷史測量數據包括多個測量值；多個測量值對應的時刻連續；
6、對每段歷史測量數據進行優化處理；
7、將優化處
8、根據多段歷史測量數據對應的多個第一預測值集合，確定目標氨氣傳感器的預警結果；
9、目標氨氣傳感器數據預測模型是預先訓練好的神經網絡，目標氨氣傳感器數據預測模型包括：第一門控循環單元網絡、與第一門控循環單元網絡串聯的特征強化網絡；
10、其中，特征強化網絡包括：依次連接的一個dropout層、兩個線性層和一個全連接層。
11、在一種可選的實施方式中，所述對每段歷史測量數據進行優化處理，包括：
12、當多段歷史測量數據中存在目標測量值大于異常閾值，則采用均值代替目標測量值，得到優化后的多段歷史測量數據；所述均值為目標測量值的上一時刻、下一時刻的非零的測量值的平均值；
13、所述異常閾值是基于訓練好的第二門控循環單元網絡確定的。
14、在一種可選的實施方式中，對所述歷史測量數據進行時間對齊、異常值剔除和歸一化操作；
15、所述時間對齊包括：
16、獲取目標氨氣傳感器的采樣時間間隔；
17、根據所述采樣時間間隔，確定歷史測量數據對應的完整采樣時間；
18、根據所述完整采樣時間，判斷歷史測量數據中是否存在目標測量值的缺失；若是，則采用三次樣條插值方法進行補全；
19、所述異常值剔除包括：當歷史測量數據中存在目標測量值突變為0或滿量程，則將目標測量值剔除，并采用均值代替；所述均值為目標測量值的上一時刻、下一時刻的非零的測量值的平均值。
20、在一種可選的實施方式中，所述根據多段歷史測量數據對應的多個第一預測值集合，確定目標氨氣傳感器的預警結果，包括：
21、將每段歷史測量數據對應的第一預測值集合進行拼接，得到連續時刻的預測值合集；連續時刻為起始時刻至當前時刻；
22、當預測值合集中存在第一預測值子集時，根據第一參考值對第一預測值子集進行歷史數據校準；所述第一預測值子集為當前時刻、以及當前時刻之前的時刻對應的預測值；所述第一參考值為當前時刻、以及當前時刻之前的時刻對應的真值；
23、當預測值合集中存在第二預測值子集時，根據第二參考值對第二預測值子集進行未來數據校準；所述第一預測值子集為當前時刻之后的時刻對應的預測值；所述第二參考值為當前時刻之后的時刻對應的真值；
24、當經過歷史數據校準和未來數據校準的預測值合集滿足第一條件時，進行報警；
25、所述第一條件為：設定時長內對應的所有第一預測值均大于氨氣濃度的安全閾值。
26、在一種可選的實施方式中，所述異常閾值的確定過程為：
27、獲取氨氣傳感器的樣本數據集；所述樣本數據集包括：當前時刻的測量值、以及當前時刻之前的時刻的測量值；
28、對樣本數據集進行預處理；
29、將預處理后的樣本數據集按照時間窗口進行分段，得到多個樣本數據子集；
30、將多個樣本數據子集劃分為訓練集和測試集；
31、將訓練集輸入到訓練好的第二門控循環單元網絡，得到多個第二預測值集合；所述第二預測值集合中的每個第二預測值為訓練集中目標樣本數據子集的目標測量值對應的下一時刻的預測值；
32、將測試集輸入到訓練好的第二門控循環單元網絡，得到多個第三預測值集合；所述第三預測值集合中的每個第三預測值為測試集中目標樣本數據子集的目標測量值對應的下一時刻的預測值；
33、對多個第二預測值集合和多個第三預測值集合進行反歸一化和拼接，得到樣本預測值集合；所述樣本預測值集合為樣本數據集中每個測量值對應的下一時刻的預測值；
34、根據樣本數據集和樣本預測值集合，確定差值絕對值集合；所述差值絕對值集合中每個差值絕對值為樣本預測值中目標預測值與對應時刻的測量值之間的差值絕對值；
35、根據所述差值絕對值集合和樣本數據集中測量值的總數，確定差值絕對值集合的均值；
36、根據均值、樣本數據集中測量值的總數和差值絕對值集合，確定樣本數據集對應的異常閾值。
37、在一種可選的實施方式中，所述目標氨氣傳感器數據預測模型采用均方根誤差和形狀與時間失真損失值相結合的方式進行模型評估。
38、第二方面，本專利技術提供了一種氨氣傳感器的數據優化和預測裝置，包括：
39、數據獲取模塊，用于獲取目標氨氣傳感器的歷史測量數據；所述歷史測量數據包括：當前時刻、以及當前時刻之前的時刻的測量值；
40、數據預處理模塊，用于對所述歷史測量數據進行預處理；
41、數據分段模塊，用于將預處理后的歷史測量數據按照時間窗口進行分段，得到多段歷史測量數據；其中，每段歷史測量數據包括多個測量值；多個測量值對應的時刻連續；
42、數據優化模塊，用于對每段歷史測量數據進行優化處理；
43、數據預測模塊，用于將優化處理后的目標段歷史測量數據輸入到目標氨氣傳感器數據預測模型，得到第一預測值集合；所述第一預測值集合中的每個第一預測值為經優化處理后的目標段歷史測量數據中的每個測量值對應的時刻經過時間步長之后的時刻的預測值；
44、數據預警模塊，用于根據多段歷史測量數據對應的多個第一本文檔來自技高網...
【技術保護點】
1.一種氨氣傳感器的數據優化和預警方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述對每段歷史測量數據進行優化處理，包括：
3.根據權利要求2所述的方法，其特征在于，所述對所述歷史測量數據進行預處理，包括：
4.根據權利要求2或3所述的方法，其特征在于，所述根據多段歷史測量數據對應的多個第一預測值集合，確定目標氨氣傳感器的預警結果，包括：
5.根據權利要求2所述的方法，其特征在于，所述異常閾值的確定過程為：
6.根據權利要求4所述的方法，其特征在于，所述目標氨氣傳感器數據預測模型采用均方根誤差和形狀與時間失真損失值相結合的方式進行模型評估。
7.一種氨氣傳感器的數據優化和預警裝置，其特征在于，包括：
8.一種電子設備，其特征在于，包括：
9.一種計算機可讀存儲介質，其特征在于，其上存儲有計算機可讀指令，當所述計算機可讀指令被計算機的處理器執行時，使計算機執行權利要求1-6中任一項所述的方法。
【技術特征摘要】
1.一種氨氣傳感器的數據優化和預警方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述對每段歷史測量數據進行優化處理，包括：
3.根據權利要求2所述的方法，其特征在于，所述對所述歷史測量數據進行預處理，包括：
4.根據權利要求2或3所述的方法，其特征在于，所述根據多段歷史測量數據對應的多個第一預測值集合，確定目標氨氣傳感器的預警結果，包括：
5.根據權利要求2所述的方法，其特征在于，所...
【專利技術屬性】
技術研發人員：王子洋，楊芳梅，劉哲，張靜，
申請(專利權)人：中國科學院自動化研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。