本发明涉及数据处理，具体涉及一种氧气检测装置及检测方法。
背景技术：
1、在实际中，氧气浓度的监测在各种场景下都是至关重要的，特别是在需要确保人员安全、对环境进行监测的情况下。例如，在一些工业生产环境下，一些工艺过程可能消耗氧气，进而需要对氧气浓度进行监测；在封闭空间，如管道和地下室等，由于空间受限，氧气浓度可能会受多种因素影响，故需要对其进行监测；在一些环境保护和生态学研究中，氧气浓度的监测对于评估水体、大气或土壤的质量等是必要的。
2、现有方法常通过对氧气浓度进行预测分析，进而使得提前预测氧气浓度的变化情况，起到提前报警处理的目的。其中，利用差分整合移动平均自回归模型（autoregressiveintegrated moving average,arima）对氧气浓度进行预测分析时，为了使得原始数据平稳性增加，通常会对原始数据进行一阶或者多阶差分处理。但是在差分处理过程中，不同的差分阶数可能会对原始数据的特征产生影响，当差分阶数过小时，使得原始数据的平稳性不足，当差分阶数过大时，可能会导致原始数据特征丢失，或者增加数据噪声。因此，利用现有方法对氧气浓度进行预测分析时，差分阶数选择的较不合理导致了预测结果较不准确，进而使得氧气检测结果较不准确。
技术实现思路
1、为了解决现有方法氧气检测结果较不准确的技术问题，本发明的目的在于提供一种氧气检测装置及检测方法，所采用的技术方案具体如下：
2、第一方面，本发明提供了一种氧气检测方法，包括以下步骤：
3、采集设定数量个不同时间段内每个时刻的氧气浓度数据和气体压力数据，分别构成氧气浓度数据序列和气体压力数据序列；
4、根据每两个相邻的时间段内氧气浓度数据的数据均衡情况与数据波动情况之间的相关程度，得到氧气浓度数据序列的数据平稳程度；
5、根据所述数据平稳程度判断是否对氧气浓度数据序列进行差分处理；若是，则分别对氧气浓度数据序列和气体压力数据序列进行差分处理获取不同差分阶数下的差分浓度数据和差分压力数据；
6、根据每个差分阶数下每个时间段内差分浓度数据的变化情况和对应相同时间段内每个差分压力数据的变化情况之间的差异、以及相邻两个时间段内差分浓度数据的变化差异情况和差分压力数据的变化差异情况，得到每个差分阶数下的特征保留程度；
7、根据数据平稳程度和特征保留程度对不同差分阶数进行筛选确定最优差分阶数，利用最优差分阶数下的差分浓度数据对氧气浓度进行预测；
8、根据预测结果获得氧气检测结果。
9、优选地，所述根据每个差分阶数下每个时间段内差分浓度数据的变化情况和对应相同时间段内每个差分压力数据的变化情况之间的差异、以及相邻两个时间段内差分浓度数据的变化差异情况和差分压力数据的变化差异情况，得到每个差分阶数下的特征保留程度，具体包括：
10、对于任意一个差分阶数，获取该差分阶数下每个差分浓度数据的斜率以及每个差分压力数据的斜率；
11、根据差分阶数下每个时间段内差分浓度数据的斜率与对应时间段内差分压力数据的斜率之间的差异、每个时间段与其相邻时间段的差分浓度数据的斜率之间的差异、以及每个时间段与其相邻时间段的差分压力数据的斜率之间的差异，得到差分阶数下的特征保留程度。
12、优选地，所述差分阶数下的特征保留程度的计算公式具体为：
13、；
14、其中，表示第r个差分阶数下的特征保留程度，表示时间段的总数量，表示第r个差分阶数下第i个时间段内所有差分浓度数据的斜率的均值，表示第r个差分阶数下第i个时间段内所有差分压力数据的斜率的均值，表示第r个差分阶数下第i+1个时间段内所有差分浓度数据的斜率的均值，表示第r个差分阶数下第i个时间段内所有差分压力数据的斜率的均值，exp( )表示以自然常数e为底的指数函数，norm( )表示线性归一化函数。
15、优选地，所述根据每两个相邻的时间段内氧气浓度数据的数据均衡情况与数据波动情况之间的相关程度，得到氧气浓度数据序列的数据平稳程度，具体包括：
16、对于任意两个相邻的时间段，根据每个时间段内所有氧气浓度数据的均值和两个相邻的时间段所有氧气浓度数据的均值之间的差异情况、以及每个时间段内所有氧气浓度数据的方差得到所述任意两个相邻的时间段之间的关联系数；对所有每两个相邻的时间段之间的关联系数的均值进行归一化处理，得到氧气浓度数据序列的数据平稳程度。
17、优选地，所述数据平稳程度的计算公式具体为：
18、；
19、其中，表示氧气浓度数据序列的数据平稳程度，表示时间段的总数量，表示第k个时间段内所有氧气浓度数据的均值，表示第k+1个时间段内所有氧气浓度数据的均值，表示第k个时间段和第k+1个时间段内所有氧气浓度数据的均值，表示第k个时间段内所有氧气浓度数据的方差，表示第k+1个时间段内所有氧气浓度数据的方差，为第k个时间段和第k+1个时间段之间的关联系数，norm( )表示线性归一化函数。
20、优选地，所述根据所述数据平稳程度判断是否对氧气浓度数据序列进行差分处理，具体包括：
21、当所述数据平稳程度大于或等于预设的判断阈值时，不对氧气浓度数据序列进行差分处理；当所述数据平稳程度小于预设的判断阈值时，对氧气浓度数据序列就能写差分处理；所述判断阈值的取值大于0小于1。
22、优选地，所述根据数据平稳程度和特征保留程度对不同差分阶数进行筛选确定最优差分阶数，具体包括：
23、计算每个差分阶数下的差分浓度数据的数据平稳程度；
24、将所有差分阶数下的差分浓度数据的数据平稳程度大于或等于所述判断阈值，且特征保留程度大于或等于预设的保留阈值对应的差分阶数的最小值，作为最优差分阶数。
25、优选地，所述方法还包括：
26、若不对氧气浓度数据序列进行差分处理，则根据氧气浓度数据序列对氧气浓度进行预测；根据预测结果获得氧气检测结果。
27、优选地，所述利用最优差分阶数下的差分浓度数据对氧气浓度进行预测具体为：
28、利用最优差分阶数下的差分浓度数据，使用差分整合移动平均自回归模型，对氧气浓度进行预测。
29、第二方面，本发明提供了一种氧气检测装置，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种氧气检测方法的步骤。
30、本发明实施例至少具有如下有益效果：
31、本发明首先采集氧气浓度数据和气体压力数据，考虑了两者之间存在的关联关系，为后续进行数据变化趋势的分析提供了数据基础。然后，对每两个相邻的时间段内氧气浓度数据的数据均衡情况与数据波动情况之间的相关程度进行分析，得到氧气浓度数据序列的数据平稳程度，数据平稳程度从相邻的时间段内氧气浓度数据的变化趋势方面反映了氧气浓度数据的平稳性大小。为了使得进行预测分析的数据更具平稳性，通过该数据平稳程度可以判断氧气浓度数据序列是否满足平稳性要求，是否需要对氧气浓度数据做进一部分的平稳化处理，也即是差分处理。进一步的，若需要进行差分处理，则分别对每个差分阶数下的差分浓度数据和差分压力数据的变化情况进行分析，得到每个差分阶数下的特征保留程度，其表征了氧气浓度数据在对应差分阶数下经过差分处理后的差分浓度数据保留原始变化趋势特征的程度的大小情况。最后，结合数据平稳程度和特征保留程度筛选确定最优差分阶数，能够使得最优差分阶数下的差分浓度数据既满足平稳性要求，又能最大限度保留数据变化特征，实现了差分阶数的自适应获取操作，进一步使得最终预测结果更加的准确，也能够获得更加准确的氧气检测结果。
1.一种氧气检测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种氧气检测方法，其特征在于，所述根据每个差分阶数下每个时间段内差分浓度数据的变化情况和对应相同时间段内每个差分压力数据的变化情况之间的差异、以及相邻两个时间段内差分浓度数据的变化差异情况和差分压力数据的变化差异情况，得到每个差分阶数下的特征保留程度，具体包括：
3.根据权利要求2所述的一种氧气检测方法，其特征在于，所述差分阶数下的特征保留程度的计算公式具体为：
4.根据权利要求1所述的一种氧气检测方法，其特征在于，所述根据每两个相邻的时间段内氧气浓度数据的数据均衡情况与数据波动情况之间的相关程度，得到氧气浓度数据序列的数据平稳程度，具体包括：
5.根据权利要求4所述的一种氧气检测方法，其特征在于，所述数据平稳程度的计算公式具体为：
6.根据权利要求4所述的一种氧气检测方法，其特征在于，所述根据所述数据平稳程度判断是否对氧气浓度数据序列进行差分处理，具体包括：
7.根据权利要求6所述的一种氧气检测方法，其特征在于，所述根据数据平稳程度和特征保留程度对不同差分阶数进行筛选确定最优差分阶数，具体包括：
8.根据权利要求1所述的一种氧气检测方法，其特征在于，所述方法还包括：
9.根据权利要求1所述的一种氧气检测方法，其特征在于，所述利用最优差分阶数下的差分浓度数据对氧气浓度进行预测具体为：
10.一种氧气检测装置，包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的一种氧气检测方法的步骤。
