用于硝酸的制备的智能化有毒有害气体报警系统

技术领域

本申请涉及智能预警领域，且更为具体地，涉及一种用于硝酸的制备的智能化有毒有害气体报警系统。

背景技术

硝酸是一种重要的基础化工原料，广泛应用于化工行业、医药行业、染料工业、塑料工业、国防工业、冶金工业等诸多领域。硝酸生产原理是将氨在以铂为主体的网状铂合金催化剂下与空气接触氧化生成一氧化氮，然后将一氧化氮进一步氧化成二氧化氮，最后用水吸收二氧化氮制成硝酸。

在硝酸制备过程中会产生有害气体，例如，氧化氮气体或者二氧化氮气体。因此，在硝酸制备过程中，需要对有毒有害气体进行检测。目前常通过气体传感器来进行气体探测，但是，气体探测器需要有足够的灵敏度才能检测到低浓度的有害气体。然而，过于灵敏的探测器可能会受到环境因素的干扰（如温度、湿度等）而产生误报警情况。

因此，期待一种优化的用于硝酸的制备的智能化有毒有害气体报警方案。

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硝酸的制备的智能化有毒有害气体报警系统，其通过采用基于深度学习的神经网络模型挖掘出硝酸制备过程中气体检测结果数据的时序变化与温度和湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。

根据本申请的一个方面，提供了一种用于硝酸的制备的智能化有毒有害气体报警系统，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湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；关联编码模块，用于将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；温湿度关联特征提取模块，用于将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；气体检测时序特征提取模块，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；特征融合模块，用于融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量；以及预警模块，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是否产生报警提示。

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述关联编码模块，用于：以如下关联编码公式对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；其中，所述公式为：

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述温湿度关联特征提取模块，用于：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，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，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述气体检测时序特征提取模块，包括：第一邻域尺度特征提取单元，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度气体检测时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度气体检测时序特征向量，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，多尺度级联单元，用于将所述第一邻域尺度气体检测时序特征向量和所述第二邻域尺度气体检测时序特征向量进行级联以得到所述气体检测时序特征向量。其中，所述第一邻域尺度特征提取单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述由多个预定时间点的气体检测结果数据按照时间维度排列的输入向量进行一维卷积编码以得到第一邻域尺度气体检测时序特征向量；其中，所述公式为：

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述特征融合模块，包括：初始特征融合单元，用于将所述温湿度关联特征矩阵和所述气体检测时序特征向量与进行矩阵相乘得到初始分类特征向量；转移响应关联单元，用于计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；特征优化单元，用于基于所述转移响应特征矩阵对于所述温湿度关联特征矩阵进行卷积式字典对照响应学习以得到优化温湿度关联特征矩阵；以及，优化融合单元，用于融合所述优化温湿度关联特征矩阵和所述气体检测时序特征向量以得到所述分类特征向量。

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述转移响应关联单元，用于：以如下公式计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；其中，所述公式为：

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述特征优化单元，用于：基于所述转移响应特征矩阵以如下优化公式对于所述温湿度关联特征矩阵进行卷积式字典对照响应学习以得到所述优化温湿度关联特征矩阵；其中，所述公式为：

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述优化融合单元，用于：以如下公式融合所述优化温湿度关联特征矩阵和所述气体检测时序特征向量以得到所述分类特征向量；其中，所述公式为：

在上述用于硝酸的制备的智能化有毒有害气体报警系统中，所述预警模块，用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：

根据本申请的另一方面，提供了一种用于硝酸的制备的智能化有毒有害气体报警方法，其包括：获取预定时间段内多个预定时间点的湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量；以及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是否产生报警提示。

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硝酸的制备的智能化有毒有害气体报警方法。

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硝酸的制备的智能化有毒有害气体报警方法。

与现有技术相比，本申请提供的一种用于硝酸的制备的智能化有毒有害气体报警系统，其通过采用基于深度学习的神经网络模型挖掘出硝酸制备过程中气体检测结果数据的时序变化与温度和湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。

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为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的应用场景图；图2为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的框图；图3为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的系统架构图；图4为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中卷积神经网络编码的流程图；

图5为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中气体检测时序特征提取模块的框图；图6为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中特征融合模块的框图；图7为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警方法的流程图；

图8为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。

申请概述：如前背景技术所言，在硝酸制备过程中会产生有害气体，例如，氧化氮气体或者二氧化氮气体。因此，在硝酸制备过程中，需要对有毒有害气体进行检测。目前常通过气体传感器来进行气体探测，但是，气体探测器需要有足够的灵敏度才能检测到低浓度的有害气体。然而，过于灵敏的探测器可能会受到环境因素的干扰（如温度、湿度等）而产生误报警情况。因此，期待一种优化的用于硝酸的制备的智能化有毒有害气体报警方案。

相应地，考虑到在实际的硝酸制备过程中，为了能够对于有毒有害气体进行准确地检测，需要在使用气体探测器来检测有害气体时，也关注到周围环境因素的变化情况，例如温度和湿度的变化情况。但是，考虑到由于温度的时序变化和湿度的时序变化之间在时间维度上有着时序的协同关联关系，而气体检测结果数据在时间维度上的变化信息也与温度和湿度的时序协同关联信息有着关联关系。因此，在实际进行有害气体检测时，难点在于如何挖掘出所述气体检测结果数据的时序变化与所述温度和所述湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。

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气体检测结果数据的时序变化与所述温度和所述湿度的时序协同关联变化之间的关联性特征分布信息提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述气体检测结果数据的时序变化与所述温度和所述湿度的时序协同关联变化之间的关联性特征分布信息。

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湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据。接着，考虑到由于所述温度值和所述湿度值不仅都在时间维度上有着动态性的变化规律，而且所述温度值和所述湿度值之间还对于有害气体检测有着时序的协同关联特征信息。因此，进一步将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量以整合所述湿度值和所述温度值在时间维度上的时序信息后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵。具体地，将所述温度输入向量和所述湿度输入向量进行向量相乘以此来得到所述温湿度关联矩阵，以进行所述温度值的时序变化信息和所述湿度值的时序变化信息的关联编码。

然后，就可以使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述湿度值和所述温度值的时序协同变化特征提取，但是，考虑到由于所述湿度值和所述温度值具有相当程度的关联，共同影响着对于有害气体的检测。因此，为了能够充分地提取出所述湿度值和所述温度值的时序协同关联特征来进行有害气体的精准检测，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述温湿度关联矩阵进行特征挖掘，以提取出深层的更为充分的所述湿度值和所述温度值的时序协同关联隐含特征信息，从而得到温湿度关联特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。

进一步地，对于所述气体检测结果数据来说，考虑到其在时间维度上有着动态性的变化特征信息，并且，所述气体检测结果数据还在时序上有着波动性和不确定，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模型特征。因此，在本申请的技术方案中，为了能够进行所述气体检测结果数据的时序动态变化特征的充分精准表达，以此来提高对于有害气体检测的精准度，进一步将所述多个预定时间点的气体检测结果数据按照时间维度排列为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，以提取出所述气体检测结果数据在不同时间跨度下的多尺度邻域关联特征，从而得到气体检测时序特征向量。

接着，再融合所述温湿度关联特征矩阵和所述气体检测时序特征向量，以此来融合所述气体检测结果数据的时序多尺度动态变化特征与所述温度和所述湿度的时序协同动态关联特征，以此来得到具有所述气体检测结果的时序变化特征和所述温度与湿度的时序协同变化特征的关联性特征分布信息，从而得到分类特征向量。然后，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示是否产生报警提示的分类结果。也就是，基于所述气体的检测结果信息与所述温度和所述湿度的时序协同关联信息来综合进行硝酸制备过程的有毒有害气体检测，从而保证硝酸制备过程的安全性。

特别地，在本申请的技术方案中，这里，在融合所述温湿度关联特征矩阵和所述气体检测时序特征向量得到所述分类特征向量时，所述分类特征向量可以被看作为相对于所述气体检测时序特征向量在温湿度关联特征域下的转移响应向量。因此，如果能够对所述温湿度关联特征矩阵的特征表示基于转移响应进行进一步约束，则可以提升所述温湿度关联特征矩阵的特征表达效果，从而提升所述分类特征向量的分类结果的准确性。

基于此，本申请的申请人首先计算所述分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵，例如记为

也就是，基于所述转移响应特征矩阵

基于此，本申请提出了一种用于硝酸的制备的智能化有毒有害气体报警系统，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湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；关联编码模块，用于将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；温湿度关联特征提取模块，用于将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；气体检测时序特征提取模块，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；特征融合模块，用于融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量；以及，预警模块，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是否产生报警提示。

图1为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的应用场景图。如图1所示，在该应用场景中。通过湿度传感器（例如，如图1中所示意的V1）获取预定时间段内多个预定时间点的湿度值，通过温度传感器（例如，如图1中所示意的V2）获取预定时间段内多个预定时间点的温度值，以及，获取所述多个预定时间点的气体检测结果数据。接着，将上述信息输入至部署有用于硝酸的制备的智能化有毒有害气体报警算法的服务器（例如，图1中的S）中，其中，所述服务器能够以所述用于硝酸的制备的智能化有毒有害气体报警算法对上述输入的信息进行处理，以生成用于表示是否产生报警提示的分类结果。

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。

示例性系统：图2为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的框图。如图2所示，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统300，包括：数据采集模块310；关联编码模块320；温湿度关联特征提取模块330；气体检测时序特征提取模块340；特征融合模块350；以及，预警模块360。

其中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；所述关联编码模块320，用于将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；所述温湿度关联特征提取模块330，用于将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；所述气体检测时序特征提取模块340，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；所述特征融合模块350，用于融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量；以及，所述预警模块360，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是否产生报警提示。

图3为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统的系统架构图。如图3所示，在该网络架构中，首先通过所述数据采集模块310获取预定时间段内多个预定时间点的湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；接着，所述关联编码模块320将所述数据采集模块310获取的多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；所述温湿度关联特征提取模块330将所述关联编码模块320得到的温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；然后，所述气体检测时序特征提取模块340将所述数据采集模块310获取的多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；所述特征融合模块350融合所述温湿度关联特征提取模块330得到的温湿度关联特征矩阵和所述气体检测时序特征提取模块340得到的气体检测时序特征向量以得到分类特征向量；进而，所述预警模块360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是否产生报警提示。

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述数据采集模块310，用于获取预定时间段内多个预定时间点的湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据。应可以理解，在实际进行硝酸的制备过程中，会产生有害气体，为了能够对于有害气体进行准确的预测，考虑到在制备过程中由于温度的时序变化和湿度的时序变化在时间维度上有着时序的协同关系，而气体检测结果数据在时间维度上的变化信息也与温度和湿度的时序协同关系有着关联关系，因此，在本申请的技术方案中，可通过神经网络模型来挖掘出硝酸制备过程中气体检测结果数据的时序变化与温度和湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。在本申请的一个具体示例中，首先，可通过温度传感器和湿度传感器来获取预定时间段内多个预定时间点的湿度值和温度值，以及，获取所述多个预定时间点的气体检测结果数据。

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述关联编码模块320，用于将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵。考虑到由于所述温度值和所述湿度值不仅都在时间维度上有着动态性的变化规律，而且所述温度值和所述湿度值之间还对于有害气体检测有着时序的协同关联特征信息。因此，进一步将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量以整合所述湿度值和所述温度值在时间维度上的时序信息后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵。具体地，将所述温度输入向量和所述湿度输入向量进行向量相乘以此来得到所述温湿度关联矩阵，以进行所述温度值的时序变化信息和所述湿度值的时序变化信息的关联编码。在本申请的一个具体示例中，以如下关联编码公式对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；其中，所述公式为：

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述温湿度关联特征提取模块330，用于将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵。考虑到由于所述湿度值和所述温度值具有相当程度的关联，共同影响着对于有害气体的检测。因此，为了能够充分地提取出所述湿度值和所述温度值的时序协同关联特征来进行有害气体的精准检测，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的卷积神经网络模型来对于所述温湿度关联矩阵进行特征挖掘，以提取出深层的更为充分的所述湿度值和所述温度值的时序协同关联隐含特征信息，从而得到温湿度关联特征矩阵。特别地，这里，所述卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。在一个示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。

图4为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中卷积神经网络编码的流程图。如图4所示，在所述卷积神经网络的编码过程中，包括：S210，使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，S220，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述气体检测时序特征提取模块340，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量。考虑到所述气体检测结果数据在时间维度上有着动态性的变化特征信息，并且，所述气体检测结果数据还在时序上有着波动性和不确定，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模型特征。因此，在本申请的技术方案中，为了能够进行所述气体检测结果数据的时序动态变化特征的充分精准表达，以此来提高对于有害气体检测的精准度，进一步将所述多个预定时间点的气体检测结果数据按照时间维度排列为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，以提取出所述气体检测结果数据在不同时间跨度下的多尺度邻域关联特征，从而得到气体检测时序特征向量。特别的，其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，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，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

图5为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中气体检测时序特征提取模块的框图。如图5所示，所述气体检测时序特征提取模块340，包括：第一邻域尺度特征提取单元341，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度气体检测时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取单元342，用于将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度气体检测时序特征向量，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，多尺度级联单元343，用于将所述第一邻域尺度气体检测时序特征向量和所述第二邻域尺度气体检测时序特征向量进行级联以得到所述气体检测时序特征向量。其中，所述第一邻域尺度特征提取单元341，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述由多个预定时间点的气体检测结果数据按照时间维度排列的输入向量进行一维卷积编码以得到第一邻域尺度气体检测时序特征向量；其中，所述公式为：

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述特征融合模块350，用于融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量。也就是，在本申请的技术方案中，在得到所述温湿度关联特征矩阵和所述气体检测时序特征向量之后，进一步将两者进行特征融合，以此来融合所述气体检测结果数据的时序多尺度动态变化特征与所述温度和所述湿度的时序协同动态关联特征，以此来得到具有所述气体检测结果的时序变化特征和所述温度与湿度的时序协同变化特征的关联性特征分布信息，特别地，在本申请的技术方案中，这里，在融合所述温湿度关联特征矩阵和所述气体检测时序特征向量得到所述分类特征向量时，所述分类特征向量可以被看作为相对于所述气体检测时序特征向量在温湿度关联特征域下的转移响应向量。因此，如果能够对所述温湿度关联特征矩阵的特征表示基于转移响应进行进一步约束，则可以提升所述温湿度关联特征矩阵的特征表达效果，从而提升所述分类特征向量的分类结果的准确性。基于此，本申请的申请人首先计算所述分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵，例如记为

图6为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统中特征融合模块的框图。如图6所示，所述特征融合模块350，包括：初始特征融合单元351，用于将所述温湿度关联特征矩阵和所述气体检测时序特征向量与进行矩阵相乘得到初始分类特征向量；转移响应关联单元352，用于计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；特征优化单元353，用于基于所述转移响应特征矩阵对于所述温湿度关联特征矩阵进行卷积式字典对照响应学习以得到优化温湿度关联特征矩阵；以及，优化融合单元354，用于融合所述优化温湿度关联特征矩阵和所述气体检测时序特征向量以得到所述分类特征向量。其中，所述转移响应关联单元352，用于：以如下公式计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；其中，所述公式为：

具体地，在所述用于硝酸的制备的智能化有毒有害气体报警系统300的运行过程中，所述预警模块360，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是否产生报警提示。也就是，将所述分类特征向量通过分类器以得到用于表示是否产生报警提示的分类结果，也就是，基于所述气体的检测结果信息与所述温度和所述湿度的时序协同关联信息来综合进行硝酸制备过程的有毒有害气体检测，从而保证硝酸制备过程的安全性。具体地，使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：

综上，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出硝酸制备过程中气体检测结果数据的时序变化与温度和湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。

如上所述，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警系统300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，该用于硝酸的制备的智能化有毒有害气体报警系统300可以是该终端设备的操作系统中的一个软件模块，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，该用于硝酸的制备的智能化有毒有害气体报警系统300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，该用于硝酸的制备的智能化有毒有害气体报警系统300与该终端设备也可以是分立的设备，并且该用于硝酸的制备的智能化有毒有害气体报警系统300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为根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警方法的流程图。如图7所示，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警方法，包括步骤：S110，获取预定时间段内多个预定时间点的湿度值和温度值，以及，所述多个预定时间点的气体检测结果数据；S120，将所述多个预定时间点的湿度值和温度值分别按照时间维度排列为温度输入向量和湿度输入向量后，对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；S130，将所述温湿度关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到温湿度关联特征矩阵；S140，将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后通过多尺度邻域特征提取模块以得到气体检测时序特征向量；S150，融合所述温湿度关联特征矩阵和所述气体检测时序特征向量以得到分类特征向量；以及，S160，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是否产生报警提示。

在一个示例中，在上述用于硝酸的制备的智能化有毒有害气体报警方法中，所述步骤S120，包括：以如下关联编码公式对所述温度输入向量和所述湿度输入向量进行关联编码以得到温湿度关联矩阵；其中，所述公式为：

在一个示例中，在上述用于硝酸的制备的智能化有毒有害气体报警方法中，所述步骤S130，包括：使用所述卷积神经网络模型的第一层对输入数据进行基于第一卷积核的卷积处理、池化处理和非线性激活处理以得到第一激活特征图；以及，使用所述卷积神经网络模型的第二层对所述第一激活特征图进行基于第二卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一卷积核与所述第二卷积核互为转置。

在一个示例中，在上述用于硝酸的制备的智能化有毒有害气体报警方法中，所述步骤S140，包括：将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度气体检测时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度气体检测时序特征向量，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，将所述第一邻域尺度气体检测时序特征向量和所述第二邻域尺度气体检测时序特征向量进行级联以得到所述气体检测时序特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，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，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。更具体地，将所述多个预定时间点的气体检测结果数据按照时间维度排列为输入向量后输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度气体检测时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述由多个预定时间点的气体检测结果数据按照时间维度排列的输入向量进行一维卷积编码以得到第一邻域尺度气体检测时序特征向量；其中，所述公式为：

在一个示例中，在上述用于硝酸的制备的智能化有毒有害气体报警方法中，所述步骤S150，包括：将所述温湿度关联特征矩阵和所述气体检测时序特征向量与进行矩阵相乘得到初始分类特征向量；计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；基于所述转移响应特征矩阵对于所述温湿度关联特征矩阵进行卷积式字典对照响应学习以得到优化温湿度关联特征矩阵；以及，融合所述优化温湿度关联特征矩阵和所述气体检测时序特征向量以得到所述分类特征向量。其中，计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵，包括：以如下公式计算所述初始分类特征向量相对于所述气体检测时序特征向量的转移矩阵以得到转移响应特征矩阵；其中，所述公式为：

在一个示例中，在上述用于硝酸的制备的智能化有毒有害气体报警方法中，所述步骤S160，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得分类结果，其中，所述公式为：

综上，根据本申请实施例的用于硝酸的制备的智能化有毒有害气体报警方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出硝酸制备过程中气体检测结果数据的时序变化与温度和湿度的时序协同关联变化之间的关联性特征分布信息，以基于温度和湿度的时序变化情况与气体检测结果的情况来综合进行有害气体的泄漏预警，以保证硝酸制备过程的安全性。

示例性电子设备：下面，参考图8来描述根据本申请实施例的电子设备。

图8图示了根据本申请实施例的电子设备的框图。

如图8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硝酸的制备的智能化有毒有害气体报警系统中的功能以及/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气体检测时序特征向量等各种内容。

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，这些组件通过总线系统和/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。

当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

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“示例性系统”部分中描述的根据本申请各种实施例的用于硝酸的制备的智能化有毒有害气体报警方法中的功能中的步骤。

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“示例性系统”部分中描述的根据本申请各种实施例的用于硝酸的制备的智能化有毒有害气体报警方法中的功能中的步骤。

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、或半导体的系统、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、系统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、系统。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。