无水氟化氢的取样系统及其方法与流程

本技术涉及无水氟化氢的取样，且更为具体地，涉及一种无水氟化氢的取样系统及其方法。

背景技术：

1、无水氟化氢(hf)作为各种氟类制冷剂、氟化盐、有机氟的基本原料，其应用范围涵盖了空调制冷、航空航天、汽车、化工、医药等行业。在电解法制备三氟化氮气体的应用中，无水氟化氢作为其中的原料占据了非常重要的地位。为了对无水氟化氢的来料质量进行严格有效的检测，无水氟化氢的取样操作必不可少。但是，无水氟化氢作为一种化学活性高，腐蚀性刺激性极强的化学品具有很高的危险性，为了安全无污染地完成取样操作，有必要对无水氟化氢的取样设计一套装置来消除取样过程中的危险。

2、针对上述问题，中国专利cn113624567a揭露了一种无水氟化氢取样方法及其装置，其通过将定量瓶的无水氟化氢流入取样瓶，调整管路阀门，使取样管路连通酸雾吸收塔，并在此过程中，使用氮气将残留在取样管线内的氟化氢吹扫到取样瓶中，从而实现对于无水氟化氢的取样。但是，在上述取样过程中，安全隐患在于发生泄漏，因此，在利用上述取样系统进行无水氢氟酸的取样时，需要对取样系统进行泄漏检测以及时预警。

3、因此，期望一种优化的无水氟化氢的取样系统。

技术实现思路

1、本技术提供一种无水氟化氢的取样系统及其方法，能够准确地对于无水氟化氢在取样过程中是否发生泄露进行预警，以此来保证无水氟化氢的取样安全性。

2、第一方面，提供了一种无水氟化氢的取样系统，所述系统包括：压力数据采集模块，用于获取由压力传感器采集的预定时间段内多个预定时间点的管线的内部压力值；内部压力变化模块，用于将所述多个预定时间点的管线的内部压力值按照时间维度排列为管线内部压力输入向量后，计算所述管线内部压力输入向量中每相邻两个位置的内部压力值之间的差值以得到管线内部压力变化输入向量；压力时序关联模块，用于将所述管线内部压力变化输入向量通过一维卷积神经网络模型以得到管线内部压力时序特征向量；高斯强化模块，用于对所述管线内部压力时序特征向量进行基于高斯密度图的特征表达强化以得到分类特征矩阵；优化模块，用于对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及泄露预警模块，用于将所述优化分类特征矩阵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泄露预警提示。

3、结合第一方面，在第一方面的一种实现方式中，所述压力时序关联模块，用于：使用所述一维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；对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述一维卷积神经网络模型的第一层的输入为所述管线内部压力变化输入向量，所述一维卷积神经网络模型的最后一层的输出为所述管线内部压力时序特征向量。

4、结合第一方面，在第一方面的一种实现方式中，所述高斯强化模块，包括：高斯密度图构造单元，用于以如下高斯公式来构造所述管线内部压力时序特征向量的高斯密度图；其中，所述高斯公式为：，其中是所述管线内部压力时序特征向量，而是所述管线内部压力时序特征向量中相应两个位置的特征值之间的方差，表示所述协同高斯密度图的变量，表示高斯概率密度函数；高斯离散单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述分类特征矩阵。

5、结合第一方面，在第一方面的一种实现方式中，所述优化模块，用于：以如下优化公式对所述分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化分类特征矩阵；其中，所述优化公式为：其中是所述分类特征矩阵，和是所述分类特征矩阵进行本征分解后得到的 个本征值，为所述个本征值沿对角线排列所得到的本征单位化矩阵，且与都为对角矩阵，为所述本征单位化矩阵与所述分类特征矩阵之间的距离，表示矩阵乘法，表示矩阵加法，表示按位置点乘，为所述优化分类特征矩阵。

6、结合第一方面，在第一方面的一种实现方式中，所述泄露预警模块，用于：使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以得到所述分类结果；其中，所述分类公式为：，其中，到为权重矩阵，到为偏置向量，为所述优化分类特征矩阵，表示将所述优化分类特征矩阵投影为向量，表示归一化指数函数。

7、第二方面，提供了一种无水氟化氢的取样方法，所述方法包括：获取由压力传感器采集的预定时间段内多个预定时间点的管线的内部压力值；将所述多个预定时间点的管线的内部压力值按照时间维度排列为管线内部压力输入向量后，计算所述管线内部压力输入向量中每相邻两个位置的内部压力值之间的差值以得到管线内部压力变化输入向量；将所述管线内部压力变化输入向量通过一维卷积神经网络模型以得到管线内部压力时序特征向量；对所述管线内部压力时序特征向量进行基于高斯密度图的特征表达强化以得到分类特征矩阵；对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵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泄露预警提示。

8、结合第二方面，在第二方面的一种实现方式中，将所述管线内部压力变化输入向量通过一维卷积神经网络模型以得到管线内部压力时序特征向量，包括：使用所述一维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；对所述输入数据进行基于一维卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述一维卷积神经网络模型的第一层的输入为所述管线内部压力变化输入向量，所述一维卷积神经网络模型的最后一层的输出为所述管线内部压力时序特征向量。

9、结合第二方面，在第二方面的一种实现方式中，对所述管线内部压力时序特征向量进行基于高斯密度图的特征表达强化以得到分类特征矩阵，包括：以如下高斯公式来构造所述管线内部压力时序特征向量的高斯密度图；其中，所述高斯公式为：，其中是所述管线内部压力时序特征向量，而是所述管线内部压力时序特征向量中相应两个位置的特征值之间的方差，表示所述协同高斯密度图的变量，表示高斯概率密度函数；高斯离散单元，用于对所述高斯密度图中各个位置的高斯分布进行高斯离散化处理以得到所述分类特征矩阵。

10、结合第二方面，在第二方面的一种实现方式中，对所述分类特征矩阵进行特征分布优化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化分类特征矩阵；其中，所述优化公式为：其中是所述分类特征矩阵，和是所述分类特征矩阵进行本征分解后得到的 个本征值，为所述个本征值沿对角线排列所得到的本征单位化矩阵，且与都为对角矩阵，为所述本征单位化矩阵与所述分类特征矩阵之间的距离，表示矩阵乘法，表示矩阵加法，表示按位置点乘，为所述优化分类特征矩阵。

11、结合第二方面，在第二方面的一种实现方式中，将所述优化分类特征矩阵通过分类器以得到分类结果，包括：使用所述分类器以如下分类公式对所述优化分类特征矩阵进行处理以得到所述分类结果；其中，所述分类公式为：，其中，到为权重矩阵，到为偏置向量，为所述优化分类特征矩阵，表示将所述优化分类特征矩阵投影为向量，表示归一化指数函数。

12、本技术提供的一种无水氟化氢的取样系统及其方法能够准确地对于无水氟化氢在取样过程中是否发生泄露进行预警，以此来保证无水氟化氢的取样安全性。