基于神经网络的袋式除尘器破袋智能检测方法技术

本发明专利技术为一种基于神经网络的袋式除尘器破袋智能检测方法，包括步骤一：按照时间顺序获取袋式除尘器正常工作的工况数据，对工况数据进行归一化处理；将归一化处理后的数据划分为多个样本数据，将所有的样本数据按照顺序划分为训练集和测试集；步骤二：构建检测模型，检测模型为卷积神经网络、长短期记忆网络和跳跃长短期记忆网络的结合；步骤三：对步骤二得到的检测模型进行训练；步骤四：对步骤三得到的训练后的检测模型进行测试，得到最终的检测模型；步骤五：利用最终的检测模型进行压差预测。该方法根据袋式除尘器当前时刻的工况数据，对下一时刻的压差值进行实时预测，对压差阈值进行自适应调整，避免破袋误判。避免破袋误判。避免破袋误判。

【技术实现步骤摘要】
基于神经网络的袋式除尘器破袋智能检测方法


[0001]本专利技术涉及袋式除尘器智能检测
，特别涉及一种基于神经网络的袋式除尘器破袋智能检测方法。

技术介绍

[0002]袋式除尘器具有过滤颗粒粒径范围广、过滤效率高等优点，因此在工业生产中备受青睐。滤袋作为袋式除尘器的核心部件，承担着过滤废气中颗粒物的作用。袋式除尘器工作过程中，滤袋完好的情况下，滤袋内外的压差会随着过滤粉尘量的增加逐渐升高，直至达到该工况下的饱和状态。如果滤袋发生破损，滤袋内外的压差则由于气流的贯通而减小，因此通常采用压差检测法来判断滤袋破损。
[0003]传统压差检测法是预先设定一个固定的压差阈值，若测量的压差值小于压差阈值，则判断出现滤袋破损。由于袋式除尘器工作场景多、工作状况复杂，影响滤袋压差的因素较多，导致滤袋压差变化范围较大，当工况发生变化时，即使滤袋未发生破损，压差值也有可能超出压差阈值，因此传统压差检测法采用固定压差阈值的方式容易造成误判。

技术实现思路

[0004]针对现有技术的不足，本专利技术拟解决的技术问题是，提供一种基于神经网络的袋式除尘器破袋智能检测方法。
[0005]本专利技术解决所述技术问题采用的技术方案是：
[0006]一种基于神经网络的袋式除尘器破袋智能检测方法，其特征在于，该方法包括以下步骤：
[0007]步骤一：按照时间顺序获取袋式除尘器正常工作过程中的工况数据，工况数据包括滤袋压差、过滤风速、入口粉尘浓度、大气压力、环境温度与环境湿度这六种数据；
[0008]对每种数据进行归一化处理；将归一化处理后的数据划分为多个样本数据，每个样本数据包含多条数据，每条数据包含6种数据；将所有的样本数据按照顺序划分为训练集和测试集；
[0009]步骤二：构建检测模型；将样本数据输入到卷积神经网络中进行下采样，将卷积神经网络的输出分别作为长短期记忆网络和跳跃长短期记忆网络的输入，利用长短期记忆网络和跳跃长短期记忆网络进行特征提取，最后将长短期记忆网络的输出和跳跃长短期记忆网络的输出经过一个全连接层处理得到输出结果，完成检测模型的构建；检测模型的输出为下一时刻的压差值；
[0010]步骤三：对步骤二得到的检测模型进行训练；
[0011]步骤四：对步骤三得到的训练后的检测模型进行测试，得到最终的检测模型；
[0012]步骤五：利用最终的检测模型进行压差预测，得到模型输出值；将模型输出值进行反归一化处理得到压差预测值，将压差预测值与下一时刻的实际压差值进行比较；若实际压差值位于压差预测值的
±
1％范围内，则表明滤袋状态正常，否则滤袋破损；
[0013]通过上述步骤完成袋式除尘器破袋智能检测。
[0014]步骤一划分样本数据的具体过程为：在数据处理软件中设定窗口值大小为r，将前r条数据划分为第一个样本数据，之后窗口后移一条数据，将第2～r+1条数据划分为第二个样本数据，以此类推，将所有数据划分为若干样本数据，每个样本数据包含r条数据，每条数据包含6个变量。
[0015]所述步骤二中卷积神经网络包含多个卷积核，所有卷积核依次进行卷积操作；长短期记忆网络包含一个循环单元；跳跃长短期记忆网络一个循环单元，第t
‑
p个时刻的循环单元与第t个时刻的循环单元连接，第t
‑
p+1个时刻的循环单元与第t+1个时刻的循环单元连接，p为相连的两个循环单元之间间隔的时刻个数。
[0016]所述长短期记忆网络和跳跃长短期记忆网络隐藏层包含64个神经元。
[0017]窗口值大小为8，p取4时，检测模型的预测效果最优。
[0018]所述卷积神经网络包含10个大小为6
×
6的卷积核，卷积神经网络的输入为8
×
6的向量。
[0019]与现有技术相比，本专利技术有益效果在于：
[0020]1、与传统压差检测法相比，本专利技术提出的方法根据袋式除尘器当前时刻的工况数据，对下一时刻的压差值进行实时预测，相当于根据工况对每个时刻的压差阈值进行自适应调整，可以克服袋式除尘器在复杂工况场景中对滤袋破损检测带来的影响，检测准确度高，避免破袋的误判，可以保证袋式除尘器稳定运行，灵活度更高。
[0021]2、本专利技术的检测模型是卷积神经网络、长短期记忆网络和跳跃长短期记忆网络的结合，能够对工序数据中的多元时间序列的长期和短期时序特征进行有效学习，并将时序特征转化为神经网络内部的隐式表达，提高了压差预测精度。
[0022]3、长短期记忆网络能够对时序上相邻的较少几条数据间的关联特征进行挖掘，并转化为网络内部隐含的权值，但是无法有效挖掘时序上间隔较大的数据间的关联特征；而袋式除尘器的压差预测是通过采集数量与窗口值大小相同的多个连续时序数据，预测紧邻的下一时序的压差，采集的时序数据存在周期性特征，而长短期记忆网络无法充分挖掘周期性特征，因此本专利技术提出一种跳跃长短期记忆网络可以对周期性特征进行有效挖掘，弥补长短期记忆网络在压差序列处理中的不足，提高了模型的预测精度。
[0023]4、本专利技术的检测模型能够在不同型号的袋式除尘器间迁移使用，方便快捷，适用性强。
附图说明
[0024]图1是本专利技术的整体流程图；
[0025]图2是本专利技术构建检测模型的过程图；
[0026]图3是本专利技术的长短期记忆网络和跳跃长短期记忆网络的结构示意图；
[0027]图4是利用本专利技术的检测模型进行压差预测的结果对比图。
具体实施方式
[0028]以下结合附图和实施例对本专利技术的技术方案进行详细说明，并不用于限制本专利技术的保护范围。
[0029]本专利技术为一种基于神经网络的袋式除尘器破袋智能检测方法(简称方法，参见图1
‑
4)，包括以下步骤：
[0030]步骤一：按照时间顺序获取袋式除尘器正常工作过程中的工况数据，工况数据包括滤袋压差、过滤风速、入口粉尘浓度、大气压力、环境温度与环境湿度这六种数据；
[0031]对每种数据进行归一化处理；将归一化处理后的数据划分为多个样本数据，每个样本数据包含多条数据，每条数据包含6种数据；将所有的样本数据按照顺序划分为训练集和测试集；
[0032]步骤二：构建检测模型；将样本数据输入到卷积神经网络中进行下采样，将卷积神经网络的输出分别作为长短期记忆网络和跳跃长短期记忆网络的输入，利用长短期记忆网络和跳跃长短期记忆网络进行特征提取，最后将长短期记忆网络的输出和跳跃长短期记忆网络的输出经过一个全连接层得到输出结果，完成检测模型的构建；检测模型的输出为下一时刻的压差值；
[0033]步骤三：对步骤二得到的检测模型进行训练；
[0034]步骤四：对步骤三得到的训练后的检测模型进行测试，得到最终的检测模型；
[0035]步骤五：利用最终的检测模型进行压差预测，得到模型输出值；将模型输出值进行反归一化处理得到压差预测值，将压差预测值与下一时刻的实际压差值进行比较；若实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的袋式除尘器破袋智能检测方法，其特征在于，该方法包括以下步骤：步骤一：按照时间序列获取袋式除尘器正常工作过程中的工况数据，工况数据包括滤袋压差、过滤风速、入口粉尘浓度、大气压力、环境温度与环境湿度这六种数据；对每种数据进行归一化处理；将归一化处理后的数据划分为多个样本数据，每个样本数据包含多条数据，每条数据包含6种数据；将所有的样本数据按照顺序划分为训练集和测试集；步骤二：构建检测模型；将样本数据输入到卷积神经网络中进行下采样，将卷积神经网络的输出分别作为长短期记忆网络和跳跃长短期记忆网络的输入，利用长短期记忆网络和跳跃长短期记忆网络进行特征提取，最后将长短期记忆网络的输出和跳跃长短期记忆网络的输出经过一个全连接层得到输出结果，完成检测模型的构建；检测模型的输出为下一时刻的压差值；步骤三：对步骤二得到的检测模型进行训练；步骤四：对步骤三得到的训练后的检测模型进行测试，得到最终的检测模型；步骤五：利用最终的检测模型进行压差预测，得到模型输出值；将模型输出值进行反归一化处理得到压差预测值，将压差预测值与下一时刻的实际压差值进行比较；若实际压差值位于压差预测值的
±
1％范围内，则表明滤袋状态正常，否则滤袋破损；通过上述步骤完成袋式除尘器破袋智能检测。2.根据权利要求1所述的基于神经网络的袋式除尘器破袋智能检测方法，其特征在于，步骤一划分样本数据的具...

【专利技术属性】
技术研发人员：周颖，王凯，张磊，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：