一种基于卷积神经网络的ppb级污染物监测预警方法及系统与流程

本发明涉及环境监测，具体来说，尤其涉及一种基于卷积神经网络的ppb级污染物监测预警方法及系统。

背景技术：

1、越来越精密的半导体制程工艺和同步的高良率目标，不仅仅对晶圆加工设备和运行参数需要精益求精，对洁净室中可能存在的气态分子污染物（amc）的监测和管控需求也越来越高。根据文献报道和相关研究，为最大程度减少amc对工艺良率的影响，洁净室内的重点amc浓度需要控制在ppb的级别。

2、针对相关技术中的问题，需要提出有效的解决方案。

技术实现思路

1、为了克服以上问题，本发明旨在提出一种基于卷积神经网络的ppb级污染物监测预警方法及系统，目的在于解决传统的风险管理系统可能在风险识别和预测的精度上存在不足，无法有效处理高维度和大规模的数据，导致无法准确识别和预测潜在的风险，且可能无法实时收集和处理监测设备数据，无法将风险状态与地理位置信息精确关联，导致风险管理缺乏实时性和空间准确性的问题。

2、为此，本发明采用的具体技术方案如下：

3、根据本发明的一个方面，提供了一种基于卷积神经网络的ppb级污染物监测预警方法，该工业环境监测预警方法包括以下步骤：

4、s1、获取洁净室内各个区域风险源的地理位置信息数据，并为洁净室的各个区域赋予区域id；

5、s2、在每个区域中布置监测设备，并为监测设备赋予设备id；

6、s3、获取预警区域的地理位置信息数据，构建统计模型，并利用历史数据和统计分析法分析统计模型中各个区域的风险类型；

7、s4、根据设备id获取监测设备监测的实时环境监测数据，并输入到卷积神经网络模型中进行风险识别；

8、s5、将识别的风险状态与对应的区域id关联，并利用预测模型预测未来一周内各个区域风险等级和类型，为每个区域设定危险警报阈值；

9、s6、根据区域id对比各个区域的风险数据与设定的危险警报阈值，当风险数据超出危险警报阈值时，将对应区域的地理位置信息和风险类型记录到警报触发点集群中；

10、s7、若预测的风险扩散路径与预警区域的地理位置信息出现重叠，则利用区域id确定启动警报程序的具体区域，并启动对应预警区域的警报程序；

11、s8、解析警报程序的危害等级，并针对危害等级在预警区域制定警报应急方案，同时向预警区域发送警报通知。

12、可选地，获取预警区域的地理位置信息数据，构建统计模型，并利用历史数据和统计分析法分析统计模型中各个区域的风险类型包括以下步骤：

13、s31、获取预警区域的地理位置信息数据；

14、s32、对地理位置信息数据进行预处理，并提取风险类型预测的特征数据；

15、s33、根据特征数据构建统计模型，并使用历史数据训练统计模型；

16、s34、利用训练后的统计模型及统计分析法对各个区域的风险类型进行分析；

17、s35、解释分析结果，并获取风险类型在各个区域的分布信息；

18、s36、根据各个区域中分布信息的结果，得到各个区域的风险类型。

19、可选地，根据设备id获取监测设备监测的实时环境监测数据，并输入到卷积神经网络模型中进行风险识别包括以下步骤：

20、s41、收集洁净室内各监测设备的设备id信息，建立设备id和监测数据的对应关系；

21、s42、通过设备id，从监测设备采集实时的环境监测数据；

22、s43、使用洁净室内环境参数监测软件，并输入洁净室位置；

23、s44、根据监测设备的数据得到样本数据，并对样本数据进行预处理；

24、s45、构建卷积神经网络模型的架构，架构包含卷积层、池化层，并在架构的池化层中加入dropout层；

25、s46、使用预处理后的监测样本数据训练卷积神经网络模型，采用交叉熵损失函数进行优化卷积神经网络模型；

26、s47、在验证集上评估模型的性能，监控验证集误差，当误差不再下降后停止训练；

27、s48、采用集成技术训练多个卷积神经网络模型，合并得到集成后的卷积神经网络模型；

28、s49、使用集成后的卷积神经网络模型对新输入的监测数据进行风险识别，输出识别结果。

29、可选地，构建卷积神经网络模型的架构，架构包含卷积层、池化层，并在架构的池化层中加入dropout层包括以下步骤：

30、s451、确定卷积层和池化层的数量；

31、s452、根据卷积层的数量添加卷积层，开始添加卷积层，并为每个卷积层配置预设的卷积核数量、大小和步长；

32、s453、为每个卷积层后面添加池化层，降低特征维度并减少计算开销；

33、s454、在每个池化层后添加dropout层，在训练阶段，使用最大池化dropout法，计算每个神经元的保留概率；

34、s455、在卷积层、池化层和dropout层后添加全连接层，并将特征映射到目标类别；

35、s456、选择评估指标，将评估指标输入卷积神经网络模型；

36、s457、在训练阶段，对每个池化区域，使用最大池化dropout方法，选择最大值作为区域的代表；

37、s458、在测试阶段，对每个池化区域，计算卷积神经网络模型的平均池化值，并将平均池化值作为当前区域的代表，调整卷积神经网络模型的参数。

38、可选地，计算卷积神经网络模型的平均池化值的公式为：

39、；

40、式中，为平均池化值；

41、为池化区域的高度；

42、为池化区域的宽度；

43、为池化区域中数组中第行第列的元。

44、可选地，将识别的风险状态与对应的区域id关联，并利用预测模型预测未来一周内各个区域风险等级和类型，为每个区域设定危险警报阈值包括以下步骤：

45、s51、获取神经网络模型输出的识别结果，将识别的风险状态与监测设备的设备id关联；

46、s52、根据设备id和设备位置的对应关系，将风险状态与对应的区域id关联起来；

47、s53、使用预测模型，将监测数据和风险状态输入预测模型中，预测未来一周内各个区域的风险等级和类型；

48、s54、根据洁净室中各个区域的特性和各个区域的风险类型，为每个区域设定危险警报阈值。

49、可选地，使用预测模型，将监测数据和风险状态输入预测模型中，预测未来一周内各个区域的风险等级和类型包括以下步骤：

50、s531、收集历史的监测数据以及对应的风险状态；

51、s532、构建随机森林模型，并设定随机森林模型的参数；

52、s533、使用训练集数据构建多棵决策树，在节点分裂时引入随机特征；

53、s534、每棵决策树根据随机特征对训练集进行分类，得到分类结果；

54、s535、对新输入的监测数据，在每棵决策树上进行预测，得到每棵决策树的分类结果；

55、s536、汇总各决策树的预测结果，通过投票法得到随机森林的最终预测结果；

56、s537、根据最终预测结果，确定未来一周内各区域的风险等级和风险类型，输出风险预测结果，并在地图上进行标注，实现风险管理。

57、可选地，使用训练集数据构建多棵决策树，在节点分裂时引入随机特征包括以下步骤：

58、s5331、确定要在随机森林中构建的决策树的数量，为随机森林模型设置其他相关参数；

59、s5332、对原始训练数据集使用bootstrap抽样方法，生成新的训练数据集；

60、s5333、构建每棵决策树，对决策树的节点，根据设置的参数随机选择特征；

61、s5334、根据选择的特征，确定最佳的分裂点并分裂数据；

62、s5335、若达到预定的停止条件，标记当前节点为叶节点；

63、s5336、若未达到停止条件，继续为当前节点的子节点执行s5333-s5334的步骤，完成决策树的构建。

64、可选地，解析警报程序的危害等级，并针对危害等级在预警区域制定警报应急方案，同时向预警区域发送警报通知包括以下步骤：

65、s81、接收并解析警报程序，确定警报的类型和危害等级；

66、s82、根据解析的警报类型和危害等级，设定预警区域；

67、s83、针对预警区域和危害等级，制定警报应急方案；

68、s84、将警报应急方案进行存储，并进行备份保护；

69、s85、向预警区域内的单位发送警报通知，在警报通知中，明确标注预警的类型、危害等级、预警区域和遵循的警报应急方案；

70、s86、按照预定的流程，对警报应急方案的执行情况进行实时监控。

71、根据本发明的另一个方面，还提供了一种基于卷积神经网络的ppb级污染物监测预警系统，该系统包括：风险源位置信息模块、监测设备部署模块、风险类型分析模块、风险识别模块、风险预测模块、警报触发模块、警报触发路径与预警区域对比模块及警报解析模块；

72、风险源位置信息模块，用于获取洁净室内的风险源的地理位置信息数据，为洁净室的各个区域生成区域id；

73、监测设备部署模块，用于在洁净室的各个区域设置监测设备，并为各个监测设备生成设备id；

74、风险类型分析模块，用于获取预警区域的地理位置信息数据，构建统计模型，并利用历史数据和统计分析法分析统计模型中各个区域的风险类型；

75、风险识别模块，用于根据设备id获取监测设备监测的实时环境监测数据，并输入到卷积神经网络模型中进行风险识别；

76、风险预测模块，用于将识别的风险状态与对应的区域id关联，并利用预测模型预测未来一周内各个区域风险等级和类型，为每个区域设定危险警报阈值；

77、警报触发模块，用于根据区域id对比各个区域的风险数据与设定的危险警报阈值，当风险数据超出危险警报阈值时，将对应区域的地理位置信息和风险类型记录到警报触发点集群中；

78、警报触发路径与预警区域对比模块，用于若预测的风险扩散路径与预警区域的地理位置信息出现重叠，则利用区域id确定启动警报程序的具体区域，并启动对应预警区域的警报程序；

79、警报解析模块，用于解析警报程序的危害等级，并针对危害等级在预警区域制定警报应急方案，同时向预警区域发送警报通知。

80、相较于现有技术，本技术具有以下有益效果：

81、1、本发明通过获取预警区域的地理位置信息数据，构建统计模型，并利用历史数据和统计分析法分析统计模型中各个区域的风险类型，深入地获取区域的风险状况，并为未来的风险管理提供更准确的数据支持。

82、2、本发明实时、准确地收集并处理洁净室的监测设备数据，通过构建和训练卷积神经网络模型，能够有效地识别出风险的关键特征，同时采用集成技术进一步提高模型的鲁棒性和稳定性，能够对洁净室的风险水平进行实时评估，为风险管理和应急响应提供准确、及时的数据支持，大大提升了洁净室的安全水平。

83、3、本发明采用随机森林算法，由多棵决策树构成，它通过对各个决策树的预测结果进行投票，从而得出最终的预测，可以有效地处理高维度和大规模的数据，增强模型的泛化能力，并且能够提供特征重要性评估，获取对风险预测影响最大的因素，此外还将识别的风险状态与地理位置关联，使得风险预测具有空间上的精确性，更加符合实际情况，使得洁净室可以得到未来一周内各个区域的风险等级和类型的精确预测，从而提前采取必要的预防措施，避免或者降低可能发生的风险，极大提升了洁净室的安全性和运营效。

84、4、本发明通过对比各个区域的风险数据与设定的危险警报阈值，识别出风险等级超出接受范围的区域，实现了风险的实时监控与预警，可以在风险发生前进行预防，避免或者降低可能发生的风险，提升洁净室的安全性，解析警报程序的危害等级，并针对危害等级在预警区域制定警报应急方案，同时向预警区域发送警报通知，考虑警报的类型和危害等级，实现了警报应急方案的个性化制定，提升了应急处理的效率和效果，同时，通过发送警报通知，可以让预警区域内的单位及时获取警报信息，提升应急准备的时效性。

85、5、本发明在ppb级污染物的监测预警方面表现卓越，采用高灵敏度的监测技术，能够及时准确地检测出环境中微量污染物的存在，为风险管理和应急响应提供了关键的数据支持，大大提高了预警的及时性和准确性。