本发明涉及气体泄漏监测领域，更具体地，涉及一种基于深度学习算法的氢气泄漏监测方法。
背景技术：
1、氢能是具有较大发展潜力的清洁能源，具有能量密度大、转化效率高、应用范围广等特点，可实现开发过程co2低排放、利用过程零排放，已是全球多数经济体的重要国家战略。然而，氢气是一种无色无味的易燃气体，当空气中体积浓度超过4.1%，极易引发爆炸，造成重大安全事故和财产损失。因此，对氢气泄漏实现快速监测，对促进氢能产业的持续稳定发展也具有十分重要意义。
2、半导体型气体传感器一种将气体浓度、种类等信息转换成电信号的元器件，利用气体在金属氧化物表面吸附与反应所引起的电阻值变化来实现对气体的检测，是气体成分和浓度实时测量的最有效途径之一，其具有制作工艺简单、成本低、检测对象广、易于集成等特点，非常适用于需要大量布置监测点的氢气泄漏在线监测领域。然而，现有技术中，由于半导体敏感原理的局限性和敏感材料的普敏性，这类传感器一直面临选择性差问题，难以在复杂环境下实现氢气的精准检测。因此，亟待需要开发选择性高、精确度高、成本低的氢气泄漏监测技术，实现复杂气氛中氢气泄漏的快速、精准检测。
技术实现思路
1、1、本发明要解决的技术问题
2、本发明的目的在于提供一种基于深度学习算法的氢气泄漏监测方法以解决现有半导体气体传感器检测氢气时因其选择性差、准确度低而存在应用受限的技术问题。
3、2、技术方案
4、为实现上述目的，本发明提供如下技术方案：
5、一种基于深度学习算法的氢气泄漏监测方法，包括以下步骤：
6、s1、将多个气体传感器组成传感器阵列，构成气体采集模块，获取氢气浓度与输出响应的瞬态变化特征数据，作为氢气训练数据集；
7、s2、利用气体传感器阵列，采集氢气泄漏真实场景中存在的其他干扰气体的信号数据特征，作为干扰气体训练数据集；
8、s3、基于s1中所得的氢气训练数据集及s2中所得的干扰气体训练数据集，设计深度学习算法网络模型，将全部训练数据集预处理，然后导入神经网络，进行识别和回归训练，获得气体浓度；
9、s4、设置阈值，采用阈值算法，滤除掉浓度过低的气体种类，记录剩余的气体的种类以及对应的浓度信息；
10、s5、将深度学习算法网络模型搭载在单片机开发板上，结合信号采集与处理模块、数据传输模块、lcd显示模块，实现氢气泄漏监测。
11、优选地，所述气体传感器为半导体电阻型气体传感器，所述传感器阵列中所使用的气体传感器个数为2～20。
12、优选地，所述半导体电阻型气体传感器所使用的敏感材料为氧化锡或钯催颗粒修饰的氧化锡中的一种或多种。
13、优选地，所述氧化锡敏感材料制备方法为：
14、a1、将四氯化锡、去离子水、无水乙醇、稀盐酸按照0.1～5：10～200：1：0.01～1的重量比进行混合；
15、a2、将混合液于120～220 ℃反应5～48小时；
16、a3、进行固液分离和洗涤，制得氧化锡敏感材料，作为半导体气体传感器气敏材料使用。
17、优选地，所述钯颗粒修饰的氧化锡敏感材料制备方法为：
18、b1、将氧化锡：硝酸钯按照1:0.001～10的重量比分散到去离子水中，搅拌5～72小时；
19、b2、进行固液分离和洗涤；
20、b3、将分离得到的氧化锡材料与硼氢化钠按照重量比为1：0.005～1分散到去离子水中，搅拌5～72小时；
21、b4、进行二次固液分离，得到钯颗粒修饰的氧化锡材料，作为半导体气体传感器气敏材料使用。
22、优选地，所述其他干扰气体包括但不限于甲烷、二氧化氮、一氧化碳、乙醇、丙酮中的一种或多种。
23、优选地，所述深度学习算法网络具体为lstm 和 bottleneck-cbam框架串行结构，其先经过bottleneck-cbam处理，所述bottleneck-cbam包含2个1×1 卷积和1个3×1卷积，输出经过cbam算法处理后与原数据经过3×1的卷积后的输出数据相加，得到bottleneck-cbam输出的数据，该数据进行尺度变化后，经过lstm算法处理，再通过一个线性回归器，最后得到气体的组分和输出浓度信息。
24、优选地，所述识别和回归训练具体包括以下内容：按照70%和30%划分训练集合和测试集合，将训练数据集导入深度学习算法网络进行训练，训练迭代次数为50～500次，学习率为0.001～0.2，batch为50～500，然后再将测试数据集输入神经算法网络，输出结果与实际测试集的气体浓度进行对比。
25、优选地，s4中所述阈值通过将测试数据输入网络后预测的结果与实际测试标签对比得到，每种气体对应一个阈值浓度，阈值的采用方法为：
26、 ti= max( p1, p2,…, pn)
27、式中， i表示第 i类气体， ti表示第 i类气体的阈值； pn表示第 n个该气体标注数据集浓度为0的测试数据输入网络后预测的该气体的浓度。
28、10、根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，s5中所述深度学习算法网络搭载在单片机上的具体方法为：
29、c1、将训练好算法网络模型由.pt文件转化为通用模型文件.onnx；
30、c2、选择 stm32f407zgt6 单片机，使用 stm32cubemx 开启 adc、uart、lcd 功能，同时开启 cubeai 功能，将保存的.onnx 模型导入；
31、c3、生成c语言代码，编写 uart、adc、 lcd，以及算法网络数据输入和输出的代码，再进行编译；
32、c4、将编译好的文件烧写入stm32f407zgt6单片机中。
33、3、有益效果
34、（1）本发明所提出的氢气泄漏监测方法采用半导体气体传感器阵列结构，通过多个气体传感器协同工作，同时对氢气和可能存在的干扰气体进行特征信号采集，结合深度学习算法网络模型，基于半导体气体传感器阵列采集的不同气体信号特征数据，进行学习训练，进而可以实现对复杂环境下氢气泄漏的精准监测，解决了现有技术中利用单一传感器监测氢气泄漏时的准确度低、浓度误差大等问题。
35、（2）本发明提出了一种深度学习算法，其采用lstm和bottleneck-cbam框架串行结构，可以将深度学习算法网络导入和搭载到单片机开发板上，一方面，可以实现算法网络较小的误差指标，与阈值算法结合提供较高的分类准确性，在实际应用中可以在低误判率的情况下进行高准确的氢气泄漏监测；另一方面，可以使设备在网络条件差的区域仍然可以接受气体传感器数据，进行氢气泄漏数据监测。
1.一种基于深度学习算法的氢气泄漏监测方法，其特征在于，包括以下步骤：
2.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述气体传感器为半导体电阻型气体传感器，所述传感器阵列中所使用的气体传感器个数为2～20。
3.根据权利要求书2所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述半导体电阻型气体传感器所使用的敏感材料为氧化锡或钯催颗粒修饰的氧化锡中的一种或多种。
4.根据权利要求书3所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述氧化锡敏感材料制备方法为：
5.根据权利要求书3所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述钯颗粒修饰的氧化锡敏感材料制备方法为：
6.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述其他干扰气体包括但不限于甲烷、二氧化氮、一氧化碳、乙醇、丙酮中的一种或多种。
7.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述深度学习算法网络具体为lstm和bottleneck-cbam框架串行结构，其先经过bottleneck-cbam处理，所述bottleneck-cbam包含2个1×1卷积和1个3×1卷积，输出经过cbam算法处理后与原数据经过3×1的卷积后的输出数据相加，得到bottleneck-cbam输出的数据，该数据进行尺度变化后，经过lstm算法处理，再通过一个线性回归器，最后得到气体的组分和输出浓度信息。
8.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，所述识别和回归训练具体包括以下内容：按照70％和30％划分训练集合和测试集合，将训练数据集导入深度学习算法网络进行训练，训练迭代次数为50～500次，学习率为0.001～0.2，batch为50～500，然后再将测试数据集输入神经算法网络，输出结果与实际测试集的气体浓度进行对比。
9.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，s4中所述阈值通过将测试数据输入网络后预测的结果与实际测试标签对比得到，每种气体对应一个阈值浓度，阈值的采用方法为：
10.根据权利要求书1所述的基于深度学习算法的氢气泄漏监测方法，其特征在于，s5中所述深度学习算法网络搭载在单片机上的具体方法为：
