储气装置的供气控制方法、装置、设备及存储介质

技术领域

本发明涉及供气控制领域，尤其涉及一种储气装置的供气控制方法、装置、设备及存储介质。

背景技术

在工业和实验室中，通过储气装置的供气控制，进而控制反应设备中各反应气体的浓度是关键的工程要求。传统上，这通常通过定期采样并进行离线分析来实现。然而，这种方法不仅繁琐而且不能提供实时的反应气体浓度信息，限制了对反应过程的及时调整和监控，使得储气装置的供气进程不够准确。

发明内容

本发明的主要目的在于解决现有的储气装置的供气进程不够准确的技术问题。

本发明第一方面提供了一种储气装置的供气控制方法，所述储气装置应用于一反应设备，所述反应设备中内置由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；

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。

可选的，在本发明第一方面的第一种实现方式中，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。

可选的，在本发明第一方面的第二种实现方式中，所述卷积神经网络为一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和第一输出层；

所述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包括：

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中的输入层接收对应的反应气体的光谱参数；

通过所述卷积层对所述光谱参数进行卷积计算，得到对应的特征图；

通过所述激活层对所述特征图进行非线性变换，并通过所述池化层降低所述特征图的特征维度，得到处理后的特征图；

将所述处理后的特征图展开成一维向量，通过所述全连接层对所述一维向量进行特征整合，得到光谱特征，并通过所述第一输出层输出所述光谱特征。

可选的，在本发明第一方面的第三种实现方式中，所述多模态神经网络子模型包括输入层、注意力机制层、特征融合层、分类层和第二输出层；

所述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包括：

通过所述多模态神经网络子模型中的输入层对所述压力参数进行数据预处理以及数据特征提取，得到压力特征；

通过所述注意力机制层分别计算所述压力特征和所述时间序列信息的注意力权重向量；

通过所述特征融合层根据所述权重向量对所述压力特征和所述时间序列信息的进行加权融合，得到融合特征向量；

通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度。

可选的，在本发明第一方面的第四种实现方式中，所述通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度包括：

通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；

通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；

通过所述分类层中的全连接层将所述非线性变换结果映射至对应的反应气体的浓度上得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度。

可选的，在本发明第一方面的第五种实现方式中，所述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包括：

根据预设的闭环控制算法确定所述供气参数的实时设定值，并确定所述实时设定值和所述反应数据之间的反应偏差值；

获取所述目标气体的供气时间，并根据所述供气时间和所述反应偏差值计算所述目标气体进行反应的反应修正值；

根据所述反应修正值确定所述储气装置的控制信号。

可选的，在本发明第一方面的第六种实现方式中，所述反应修正值包括比例偏差值、积分偏差值和微分偏差值；

所述获取所述目标气体的供气时间，并根据所述供气时间和所述反应偏差值计算所述目标气体进行反应的反应修正值包括：

获取所述目标气体的供气时间，并根据所述反应偏差值和预设的比例增益因子计算比例偏差值；

根据所述目标气体的供气时间对所述反应偏差值进行累加，得到积分偏差值；

计算所述反应偏差值的变化率，并根据所述变化率与预设的微分增益因子计算微分偏差值。

本发明第二方面提供了一种储气装置的供气控制装置，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，所述储气装置的供气控制装置包括：

初始控制模块，用于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；

数据采集模块，用于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；

模型输入模块，用于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；

光谱特征提取模块，用于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；

时序提取模块，用于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；

浓度计算模块，用于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；

控制参数计算模块，用于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；

实时调整模块，用于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。

本发明第三方面提供了一种储气装置的供气控制装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述储气装置的供气控制设备执行上述的储气装置的供气控制方法的步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的储气装置的供气控制方法的步骤。

上述储气装置的供气控制方法、装置、设备及存储介质，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。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

图1为本发明实施例中储气装置的供气控制方法的第一个实施例示意图；

图2为本发明实施例中储气装置的供气控制装置的一个实施例示意图；

图3为本发明实施例中储气装置的供气控制设备的一个实施例示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种储气装置的供气控制方法进行详细介绍。如图1所示，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，本方法包括如下步骤：

101、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；

在本发明的一个实施例中，确定储气装置存储的目标气体，通常会根据反应设备的需求以及生产工艺要求来确定。一些常见的目标气体包括氢气、氧气、氮气、甲烷、乙烯等。例如，在化工生产中，若需要进行氢气还原反应，则储气装置会存储氢气作为目标气体。根据目标气体的不同，可以选择相应的气体浓度检测模型，以确保储气装置内气体浓度符合要求。在控制储气装置进行供气时，首先需要设定预设的初始控制参数，如供气时间、供气速率等。具体的控制方法则可以根据储气装置的类型和实际情况而定。例如，对于容积式储气装置，可以通过调节进气阀门的开度和关闭时间，来控制气体的供应量；对于压力式储气装置，则可以通过控制压缩机的启停来控制气体的供应压力和流量等。

进一步的，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。

具体的，由于混合反应气体中各个反应气体之间发生的某种化学反应可能会对模型的稳定性产生一定影响。同时也为了提高模型预测的准确性，在不同初始子模型进行训练的过程中，建立链接关系，从而将单输出回归模型转变为多输出回归模型，从数学迭代角度降低其混合气体可能发生的反应所造成的影响。在进行首轮迭代预测第一反应气体的浓度时，将其余的反应气体视为第二反应气体，将第二反应气体的初始子模型预测得到的当前反应气体浓度作为新特征加入至第一反应气体的初始子模型中进行训练预测，对应第二反应气体则同理，进行迭代运算以此类推，之后的每轮迭代都使用上一轮其余反应气体的迭代输出作为新一轮的特征，由于不同反应气体之间可能会相互影响，因此使用一个反应气体的检测结果作为另一个反应气体的输入特征，可以更好地利用多个反应气体之间的关联信息，提高模型的表达能力，此外由于不同反应气体之间的光谱响应不同，因此仅使用单个反应气体的信息可能会导致模型在某些情况下不够准确。通过使用多个反应气体之间的关联信息，可以弥补单反应气体模型不精确的问题，提高模型的稳定性和鲁棒性。最后训练得到的所有检测子模型将作为对应的混合反应气体的浓度检测模型。

102、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，反应设备中各反应气体的光谱参数以及反应设备的压力参数；

在本发明的一个实施例中，光谱传感器可用于获取供气过程中反应设备中各反应气体的光谱参数。它基于物质对不同波长的光的吸收、发射或散射特性，利用光学原理来检测物质的成分和浓度。在供气过程中，光谱传感器会发出一束光，通常是可见光或红外光。发出的光通过反应设备中的气体时，会与气体发生相互作用。不同气体对不同波长的光具有不同的吸收、发射或散射特性。传感器会接收经过反应设备中气体作用后的光信号。通过对接收到的光信号进行分析，可以确定各反应气体的光谱参数，如吸收峰的强度、波长等。根据这些参数，可以推断反应气体的成分及浓度。压力传感器则用于获取反应设备的压力参数。它基于压力对传感器产生的电信号的影响，通过测量这一电信号来确定压力的大小。在供气之前，可以将压力传感器安装在反应设备适当的位置，通常是在设备的气体进出口处。当气体供应到反应设备中时，压力传感器会感应到压力的变化。传感器会将感应到的压力变化转换为相应的电信号。通过测量电信号的大小和变化，可以确定反应设备中的压力参数，如系统压力、气体流量等。

103、将各反应气体的光谱参数以及压力参数输入气体浓度检测模型中，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；

在本发明的一个实施例中，在气体浓度检测模型中，使用了多模态神经网络子模型和各反应气体对应的检测子模型。其中，各检测子模型由卷积神经网络（ConvolutionalNeural Network, CNN）和双向长短期记忆网络（Bidirectional Long Short-Term MemoryNetwork, BiLSTM）构成。每个反应气体都有一个对应的检测子模型，用于单独处理该气体的浓度检测。该子模型主要包括卷积神经网络和双向长短期记忆网络。其中，卷积神经网络（CNN）主要负责从输入的光谱参数中提取空间特征。卷积层通过滑动窗口的方式，提取不同尺寸的局部特征，然后通过池化层进行下采样，以减少特征维度和参数数量。双向长短期记忆网络（BiLSTM）主要负责处理时间序列特征，即压力参数。双向LSTM通过同时考虑过去和未来的上下文信息，能够更好地捕捉时间依赖关系。它可以有效地处理序列数据，并提取关键的时序特征。最后通过多模态神经网络子模型结合时序特征和压力参数的压力特征进行综合检测，就能够得到准确的各反应气体的浓度，进行控制供气进程。

104、将各反应气体的光谱参数输入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；

在本发明的一个实施例中，所述卷积神经网络为一维卷积神经网络，所述一维卷积神经网络包括输入层、卷积层、激活层、池化层、全连接层和第一输出层；

所述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包括：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中的输入层接收对应的反应气体的光谱参数；通过所述卷积层对所述光谱参数进行卷积计算，得到对应的特征图；通过所述激活层对所述特征图进行非线性变换，并通过所述池化层降低所述特征图的特征维度，得到处理后的特征图；将所述处理后的特征图展开成一维向量，通过所述全连接层对所述一维向量进行特征整合，得到光谱特征，并通过所述第一输出层输出所述光谱特征。

具体的，在输入层中， 接收对应的反应气体的光谱参数作为输入。在卷积层中，对输入的光谱参数进行卷积计算。卷积操作通过滑动窗口的方式，提取不同位置的局部特征，然后将每个窗口内的特征与对应的卷积核进行逐元素相乘并求和，得到对应的卷积结果。卷积层可以使用多个卷积核来提取不同的特征。在激活层中，对卷积层的输出进行非线性变换。常用的激活函数有ReLU（Rectified Linear Unit）等，通过将负值设为零来激活正值，增强网络的非线性拟合能力。池化层会降低特征图的尺寸和维度。池化操作可以通过最大池化或平均池化来实现，它对输入特征图的每个区域提取最显著的特征，从而减少参数数量，并保留重要的特征信息。全连接层会对池化层的输出进行特征整合。全连接层将池化层输出的特征图展开成一维向量，并通过连接每个神经元与上一层的所有神经元，实现全连接操作。全连接层可以学习到更高级的特征表示。最后第一输出层：输出光谱特征。第一输出层接收全连接层的输出，并输出对应的光谱特征，该特征可以用于后续的浓度预测或分类任务。

105、将光谱特征输入检测子模型的双向长短期记忆网络中，通过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；

在本发明的一个实施例中，将光谱特征输入检测子模型的双向长短期记忆（BiLSTM）网络中，通过BiLSTM网络可以提取对应的光谱参数的时间序列信息。BiLSTM是一种递归神经网络结构，它在传统的LSTM（长短期记忆）网络的基础上进一步扩展，具有前向和后向两个方向的循环连接。这种双向连接使得网络可以同时考虑到过去和未来的上下文信息，从而更好地捕捉时间序列中的依赖关系。具体来说，将光谱特征作为输入序列，BiLSTM网络对每个时刻的输入进行处理。在前向传播过程中，网络通过遍历输入序列的每个时刻，并使用当前时刻的输入与前一个时刻的隐藏状态进行计算，以此来捕捉到过去的上下文信息。在后向传播过程中，网络从序列的最后一个时刻开始，通过遍历输入序列的反向顺序，并使用当前时刻的输入与后一个时刻的隐藏状态进行计算，以此来捕捉到未来的上下文信息。通过前向和后向传播过程，BiLSTM网络能够综合考虑到整个光谱特征序列的上下文信息，并将其编码成一个新的表示向量。这个表示向量包含了对应光谱参数的时间序列信息，并可以用于后续的模型预测或分类任务。

106、通过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压力参数计算各反应气体的气体浓度；

在本发明的一个实施例中，所述多模态神经网络子模型包括输入层、注意力机制层、特征融合层、分类层和第二输出层；所述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包括：通过所述多模态神经网络子模型中的输入层对所述压力参数进行数据预处理以及数据特征提取，得到压力特征；通过所述注意力机制层分别计算所述压力特征和所述时间序列信息的注意力权重向量；通过所述特征融合层根据所述权重向量对所述压力特征和所述时间序列信息的进行加权融合，得到融合特征向量；通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度。

具体的，在输入层中，首先对压力参数进行数据预处理，包括数据清洗、归一化等操作。然后，使用卷积神经网络（CNN）或全连接神经网络（FCN）等方法对压力参数进行特征提取，得到压力特征。在注意力机制层中，分别计算压力特征和时间序列信息的注意力权重向量。其具体计算方式为，在压力特征和时间序列信息之间建立注意力机制，通过计算它们之间的相关性来计算权重向量。具体地，可以使用多头自注意力机制（Multi-Head Self-Attention）或其他注意力机制方法。在特征融合层中，根据注意力权重向量对压力特征和时间序列信息进行加权融合，得到融合特征向量。具体地，可以使用加权平均等方法。在分类层中，将融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度。具体地，可以使用全连接层、支持向量机等方法。最后通过第二输出层输出对应的反应气体的气体浓度。

进一步的，所述通过所述分类层将所述融合特征向量映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度包括：通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；通过所述分类层中的全连接层将所述非线性变换结果映射至对应的反应气体的浓度上得到对应的反应气体的气体浓度，并通过所述第二输出层输出对应的反应气体的气体浓度。

具体的，具体的，首先，将融合特征向量进行线性变换映射至高维特征空间。这一过程可以通过矩阵乘法实现，即将融合特征向量和权重矩阵相乘得到线性变换结果。接着，对线性变换结果进行非线性变换，可以使用预设的激活函数，例如ReLU、sigmoid、tanh等对线性变换结果进行处理得到非线性变换结果。这一过程可以通过矩阵元素逐个进行非线性变换实现。最后，通过全连接层将非线性变换结果映射至对应的反应气体的浓度上，得到对应的反应气体的气体浓度。与线性变换类似，这一过程也可以通过矩阵乘法实现，即将非线性变换结果和权重矩阵相乘得到对应的反应气体的浓度。注意，全连接层需要根据具体问题设置正确的神经元数量和权重初始化方法等超参数。最后，在第二输出层中将对应的反应气体的气体浓度输出。第二输出层可以使用softmax函数、线性函数等实现。

107、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；

在本发明的一个实施例中，所述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包括：根据预设的闭环控制算法确定所述供气参数的实时设定值，并确定所述实时设定值和所述反应数据之间的反应偏差值；获取所述目标气体的供气时间，并根据所述供气时间和所述反应偏差值计算所述目标气体进行反应的反应修正值；根据所述反应修正值确定所述储气装置的控制信号。

具体的， 首先，通过预设的闭环控制算法确定供气参数的实时设定值。这一过程可以根据目标反应的需求和当前系统状态等因素来进行优化调整。接着，根据实时设定值和反应数据之间的反应偏差值，确定反应偏差值。反应偏差值可以通过比较实时设定值和反应数据的差异来计算得到。在确定反应偏差值后，获取目标气体的供气时间。然后，根据供气时间和反应偏差值，计算目标气体进行反应的反应修正值。具体地，可以使用PID（Proportional-Integral-Derivative）控制算法等方法计算反应修正值。最后，在计算出反应修正值后，根据反应修正值确定储气装置的控制信号，例如开关和调节气体流量等。具体地，可以根据目标气体的需求和系统状态等因素来确定控制信号。

进一步的， 所述反应修正值包括比例偏差值、积分偏差值和微分偏差值；所述获取所述目标气体的供气时间，并根据所述供气时间和所述反应偏差值计算所述目标气体进行反应的反应修正值包括：获取所述目标气体的供气时间，并根据所述反应偏差值和预设的比例增益因子计算比例偏差值；根据所述目标气体的供气时间对所述反应偏差值进行累加，得到积分偏差值；计算所述反应偏差值的变化率，并根据所述变化率与预设的微分增益因子计算微分偏差值。

具体的，可以使用比例-积分-微分（PID）控制算法作为闭环控制算法，该控制算法通过计算三种控制方式的修正值，包括比例控制、积分控制和微分控制，分别对应比例偏差值、积分偏差值和微分偏差值，其中，比例控制根据反应数据与设定值之间的差异进行调节。具体来说，根据实时采集的反应数据计算反应偏差，然后将该偏差与预先设定的比例增益因子相乘得到比例修正值，即控制信号。积分控制用于消除持续存在的静态误差。它对反应偏差进行累积，并将累积的误差与预先设定的积分增益因子相乘得到积分修正值，该修正值随时间的增加而变化。微分控制用于预测反应趋势并抑制过度调节。它通过计算反应偏差的变化率，并将变化率与预先设定的微分增益因子相乘得到微分修正值。综合上述三个控制方式，PID控制算法可以通过以下方式计算控制信号：

控制信号 = 比例修正值 + 积分修正值 + 微分修正值

在实际应用中，需要调整比例、积分和微分增益因子来平衡系统响应的灵敏度、稳定性和抗干扰能力。通过实时地计算反应数据并应用PID控制算法，可以使液路设备中的泵和阀门根据反应状态进行动态调整，并迭代地优化混合和反应过程。

108、根据实时控制参数实时调整储气装置对反应设备的供气过程。

在本发明的一个实施例中，接着，根据实时控制参数判断反应状态，例如反应是否达到理想状态、是否存在异常情况等。这一步骤可以结合预设的反应模型和经验知识等进行判断。在判断反应状态后，如果发现反应状态不理想或存在异常情况，需要通过调整储气装置对反应设备的供气过程来纠正。具体地，可以根据实时控制参数和反应模型等信息，调整储气装置的供气时间、气体流量和压力等参数，以达到理想的反应状态。在调整供气过程后，需要实时监测反应状态的变化，以及根据反馈信息对供气过程进行实时调整。这一步骤可以通过传感器等设备进行实时监测，将监测结果传输至控制系统，并根据反馈信息对储气装置的供气参数进行调整，以实现更为精准和稳定的控制效果。

在本实施例中，通过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。

上面对本发明实施例中储气装置的供气控制方法进行了描述，下面对本发明实施例中储气装置的供气控制装置进行描述，所述储气装置应用于一反应设备，所述反应设备中内置由光谱传感器和压力传感器，请参阅图2，本发明实施例中储气装置的供气控制装置一个实施例包括：

初始控制模块201，用于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；

数据采集模块202，用于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；

模型输入模块203，用于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；

光谱特征提取模块204，用于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；

时序提取模块205，用于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；

浓度计算模块206，用于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；

控制参数计算模块207，用于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；

实时调整模块208，用于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。

本发明实施例中，所述储气装置的供气控制装置运行上述储气装置的供气控制方法，所述储气装置的供气控制装置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。

上面图2从模块化功能实体的角度对本发明实施例中的中储气装置的供气控制装置进行详细描述，下面从硬件处理的角度对本发明实施例中储气装置的供气控制设备进行详细描述。

图3是本发明实施例提供的一种储气装置的供气控制设备的结构示意图，该储气装置的供气控制设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）310（例如，一个或一个以上处理器）和存储器320，一个或一个以上存储应用程序333或数据332的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对储气装置的供气控制设备300中的一系列指令操作。更进一步地，处理器310可以设置为与存储介质330通信，在储气装置的供气控制设备300上执行存储介质330中的一系列指令操作，以实现上述储气装置的供气控制方法的步骤。

储气装置的供气控制设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统331，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图3示出的储气装置的供气控制设备结构并不构成对本发明提供的储气装置的供气控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述储气装置的供气控制方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。