使用基于异质气体传感器阵列的Time2Vec编码CNN-变压器-LSTM模型在干扰下持续监测硫六化物特征气体

科学领域:

• 电气工程 电气工程
• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 气体绝缘开关装置 (GIS) 系统依赖硫化 (SF6) 进行绝缘.
• 在部分放电 (PD) 下的SF6分解会产生危险气体,如H2S,SO2,CO和H2.
• 由于传感器的交叉敏感性,检测这些混合气体具有挑战性.

研究的目的:

• 设计一种异质气体传感器阵列,用于检测SF6分解产品.
• 开发一种新的深度学习框架,用于准确识别和量化这些气体.
• 评估阵列中的单个传感器的性能和贡献.

主要方法:

• 将金属氧化物半导体 (MOS),电化学和Pd-Au合金传感器集成到一个异质阵列中.
• 开发一个Time2Vec编码的CNN-Transformer-LSTM深度学习模型用于气体混合物分析.
• 使用数据增强技术,特别是高斯随机噪声注入,以增强模型概括性.
• 与经典机器学习模型 (SVM,RF,KNN,MLP) 的比较分析.

主要成果:

• 拟议的模型实现了97.0%的分类准确性和97.3%的F1分数.
• 度估计得出的平均R2为97.6%.
• Pd-Au合金气传感器表现出高的H2选择性,这对于减轻交叉敏感性至关重要.

结论:

• 不同质的传感器阵列和深度学习框架有效监测SF6分解产品.
• 高斯式噪声注入显著改善了模型性能.
• 该系统显示了在GIS应用程序中进行在线监控的巨大潜力,提高了安全性和运营完整性.