一种基于亚氧化钛电极的电催化氧化模块的制作方法

本技术涉及智能控制，且更为具体地，涉及一种基于亚氧化钛电极的电催化氧化模块。

背景技术：

1、有机废水电催化氧化法是在外加电场的作用下，一部分有机污染物直接在阳极失去电子而被氧化；一部分有机污染物被阳极反应生成的具有强氧化作用的中间产物（如·oh等自由基）氧化，从而达到去除有机物的目的。

2、在电催化氧化中，常常由于阳极板材质问题及设备结构问题，造成电催化氧化效率不高，有机物去除慢。

3、因此，期待一种优化的电催化氧化模块。

4、

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于亚氧化钛电极的电催化氧化模块。其先将多个预定时间点的第一流速值和所述多个预定时间点的第二流速值分别排列为第一流速输入向量和第二流速输入向量后计算两者之间的流速全时序关联矩阵，接着，将所述流速全时序关联矩阵通过卷积神经网络模型得到的流速全时序关联特征矩阵通过空间注意力模块以得到增强流速全时序关联特征矩阵，然后，将所述第一流速输入向量通过多尺度邻域特征提取模块得到的第一流速特征向量作为查询特征向量与所述增强流速全时序关联特征矩阵进行矩阵相乘以得到分类特征向量，最后，对所述分类特征向量进行特征分布的结构模糊校正后通过分类器以得到分类结果。这样，可以提高反应效率和反应充分度。

2、根据本技术的一个方面，提供了一种基于亚氧化钛电极的电催化氧化模块，其包括：

3、流速监控模块，用于获取预定时间段内多个预定时间点的第一过水通道内的流体的第一流速值和所述多个预定时间点的第二过水通道内的流体的第二流速值；

4、流速结构化模块，用于将所述多个预定时间点的第一过水通道内的流体的第一流速值和所述多个预定时间点的第二过水通道内的流体的第二流速值分别按照时间维度排列为第一流速输入向量和第二流速输入向量；

5、全时序关联模块，用于计算所述第一流速输入向量和所述第二流速输入向量之间的流速全时序关联矩阵；

6、流速时序关联特征提取模块，用于将所述流速全时序关联矩阵通过作为特征提取器的卷积神经网络模型以得到流速全时序关联特征矩阵；

7、空间增强模块，用于将所述流速全时序关联特征矩阵通过空间注意力模块以得到增强流速全时序关联特征矩阵；

8、多尺度特征提取模块，用于将所述第一流速输入向量通过多尺度邻域特征提取模块以得到第一流速特征向量；

9、查询映射模块，用于以所述第一流速特征向量作为查询特征向量与所述增强流速全时序关联特征矩阵进行矩阵相乘以得到分类特征向量；

10、结构模糊优化模块，用于对所述分类特征向量进行特征分布的结构模糊校正以得到所述优化分类特征向量；以及

11、控制结果生成模块，用于将所述优化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当前时间点的第一流速值应增大或应减小。

12、在上述的基于亚氧化钛电极的电催化氧化模块中，所述全时序关联模块，进一步用于：以如下公式计算所述第一流速输入向量和所述第二流速输入向量之间的流速全时序关联矩阵；

13、其中，所述公式为：

14、

15、其中表示所述第一流速输入向量，表示所述第一流速输入向量的转移向量，表示所述第二流速输入向量，表示所述流速全时序关联矩阵，表示向量相乘。

16、在上述的基于亚氧化钛电极的电催化氧化模块中，所述流速时序关联特征提取模块，进一步用于：

17、使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述流速全时序关联特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述流速全时序关联矩阵。

18、在上述的基于亚氧化钛电极的电催化氧化模块中，所述空间增强模块，进一步用于：

19、使用所述空间注意力模块的卷积编码部分对所述流速全时序关联特征矩阵进行深度卷积编码以得到流速全时序关联卷积特征矩阵；

20、将所述流速全时序关联卷积特征矩阵输入所述并行权重分配模块的空间注意力模块的空间注意力部分以得到空间注意力矩阵；

21、将所述空间注意力矩阵通过softmax激活函数以得到空间注意力特征矩阵；以及

22、计算所述空间注意力特征矩阵和所述流速全时序关联卷积特征矩阵的按位置点乘以得到所述增强流速全时序关联特征矩阵。

23、在上述的基于亚氧化钛电极的电催化氧化模块中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。

24、在上述的基于亚氧化钛电极的电催化氧化模块中，所述多尺度特征提取模块，包括：

25、第一尺度特征提取单元，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公式对所述第一流速输入向量进行一维卷积编码以得到所述第一尺度流速特征向量；

26、其中，所述公式为：

27、

28、其中，为第一一维卷积核在方向上的宽度、为第一一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第一一维卷积核的尺寸，表示所述第一流速输入向量；

29、第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述第一流速输入向量进行一维卷积编码以得到所述第二尺度流速特征向量；

30、其中，所述公式为：

31、

32、其中，为第二一维卷积核在方向上的宽度、为第二一维卷积核参数向量、为与卷积核函数运算的局部向量矩阵，为第二一维卷积核的尺寸，表示所述第一流速输入向量；以及

33、多尺度融合单元，用于使用所述多尺度邻域特征提取模块的多尺度融合层对所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联以得到所述第一流速特征向量。

34、在上述的基于亚氧化钛电极的电催化氧化模块中，所述结构模糊优化模块，进一步用于：

35、以如下公式对所述分类特征向量进行特征分布的结构模糊校正以得到所述优化分类特征向量；

36、其中，所述公式为：

37、

38、其中，表示所述分类特征向量，所述分类特征向量是列向量形式，表示所述优化分类特征向量，表示所述分类特征向量的二范数的平方，表示所述分类特征向量的各特征值按大小次序排列的有序向量，表示所述分类特征向量的转移向量，表示按位置点乘，表示向量相乘。

39、在上述的基于亚氧化钛电极的电催化氧化模块中，所述控制结果生成模块，进一步包括：

40、全连接编码单元，用于使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及

41、分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

42、与现有技术相比，本技术提供的一种基于亚氧化钛电极的电催化氧化模块，其先将多个预定时间点的第一流速值和所述多个预定时间点的第二流速值分别排列为第一流速输入向量和第二流速输入向量后计算两者之间的流速全时序关联矩阵，接着，将所述流速全时序关联矩阵通过卷积神经网络模型得到的流速全时序关联特征矩阵通过空间注意力模块以得到增强流速全时序关联特征矩阵，然后，将所述第一流速输入向量通过多尺度邻域特征提取模块得到的第一流速特征向量作为查询特征向量与所述增强流速全时序关联特征矩阵进行矩阵相乘以得到分类特征向量，最后，对所述分类特征向量进行特征分布的结构模糊校正后通过分类器以得到分类结果。这样，可以提高反应效率和反应充分度。

43、