一种好氧堆肥监测系统及结果预测方法技术方案

本发明专利技术公开了一种好氧堆肥监测结果预测方法，包括，获取进程参数数据；测量结果指标数据；对数据进行预处理工作；建立LSTM模型并进行模型训练和预测；验证预测序列与原始结果质量序列的预测精确度；检验LSTM模型预测序列和实际序列的拟合程度，根据结果质量数据预测值，对堆肥腐熟趋势进行分析并判定最佳的调控时间点；采用各传感器对堆肥仓中的温度、湿度和氧浓度以及渗滤液箱中的pH和电导率进行监测，转化监测介质，实现对堆肥指标的有效监测，并通过触控屏显示，可供用户实时观测反应器内堆体情况，历史数据可供下载训练预测模型，从而便于确定调控时刻与调控手段。

【技术实现步骤摘要】
一种好氧堆肥监测系统及结果预测方法
本专利技术涉及固体废弃物资源化利用
，尤其涉及一种好氧堆肥监测系统和结果预测方法。
技术介绍
工农业生产和日常生活常常面临着废弃物无法有效处置或处理起来需要耗费大量的人力和财力的问题，农业种植业生产大量秸秆、城市垃圾的有机物、食品和饮料加工中的边角余料等就是其中较为常见的有机废弃物。目前我国处理上述有机废弃物的方式主要有焚烧、填埋、好氧堆肥、厌氧消化，由于处理不当仍会造成对环境的二次污染。堆肥化技术是使有机废弃物达到稳定化和无害化的一种经济而有效的手段；目前的生产工艺中料堆体内部仅温度可能实现自动化测量，大量进程参数因缺少相应介质传感器无法实现在线监测，测量多采用机械式人工检测装置，不能实时有效监测堆肥各项指标参数变化过程，无法保证堆肥质量，堆肥得不到完全腐熟，施用于农田后会抑制种子发芽、引起作物烧苗以及恶臭等农业和环境问题；此外，目前对堆肥腐熟程度的预测多基于经验判断，对结果质量判断存在较大偏差，产品质量不一。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有可冷却高紫外老化试验箱存在的不能实时有效监测堆肥各项指标参数变化过程，无法保证堆肥质量，堆肥得不到完全腐熟的问题，提出了本专利技术。因此，本专利技术目的是提供一种好氧堆肥监测系统和结果预测方法。为解决上述技术问题，本专利技术提供如下技术方案：一种好氧堆肥监测结果预测方法，包括，获取进程参数数据；测量结果指标数据；对数据进行预处理工作；建立LSTM模型并进行模型训练和预测；验证预测序列与原始结果质量序列的预测精确度；检验LSTM模型预测序列和实际序列的拟合程度，根据结果质量数据预测值，对堆肥腐熟趋势进行分析并判定最佳的调控时间点。作为本专利技术所述好氧堆肥监测结果预测方法的一种优选方案，其中：获取进程参数数据包括，利用好氧堆肥反应器监测系统获取进程参数数据，具体包括物料温度、反应器内氧浓度含量、渗滤液pH、渗滤液电导率、物料含水率(重量转换)。作为本专利技术所述好氧堆肥监测结果预测方法的一种优选方案，其中：测量结果指标数据包括，从反应器取料口取料测量结果指标数据，具体包括种子发芽指数(GI)。作为本专利技术所述好氧堆肥监测系统和结果预测方法的一种优选方案，其中：对数据进行预处理工作包括，对进程参数数据和种子发芽指数(GI)进行格式调整和标准化等预处理工作。作为本专利技术所述好氧堆肥监测结果预测方法的一种优选方案，其中：建立LSTM模型并进行模型训练和预测；S1:通过遗忘门，上一时刻的输出值ht-1与当前时刻的输入值xt通过由σ()表示的sigmoid激活函数计算。式中Wf是对应于ht-1与xt的权重矩阵，bf为偏置量，计算结果为ft。输出结果为0～1之间的数字，以确定需要保留的信息量，“1”表示“完全保留这个”，“0”表示“完全遗忘这个”；ft＝σ(wf·[ht-1，xτ]+bf)S2：由输入门决定需要在神经元细胞中保存的信息；此时，sigmoid激活函数更新神经元信息为it，tanh激活函数生成新的候选状态为～Ct，W和b分别为相应的权重矩阵和偏置量；it＝σ(wi·[ht-1，xt]+bi)S3：更新旧的神经元状态Ct-1到新的神经元状态Ct，给旧的状态乘以一个ft,遗忘掉之前决定要遗忘的信息，然后增加it×～Ct；S4：最后经过输出门的滤波器，决定多少细胞状态需要被过滤。首先使用sigmoid激活函数得到一个[0,1]区间取值的ot，接着将ot与细胞状态Ct通过tanh激活函数处理后的数值相乘，即是本层的输出ht。ot＝σ(wo·[ht-1·xt]+bo)ht＝ot×tanh(Ct)作为本专利技术所述好氧堆肥监测结果预测方法一种优选方案，其中：验证预测序列与原始结果质量序列的预测精确度包括，用均方根误差和平均绝对百分比误差函数，验证堆肥结果质量预测序列与原始结果质量序列的预测精确度。作为本专利技术所述好氧堆肥监测结果预测方法一种优选方案，其中：检验LSTM模型预测序列和实际序列的拟合程度，根据结果质量数据预测值，对堆肥腐熟趋势进行分析并判定最佳的调控时间点包括，当堆肥结果预测显示堆体为未腐熟状态下，即GI低于90％，若此时堆体温度下降或氧气浓度降低则堆肥将失败，选择在此时保持高温促进物料腐熟，可有效确保物料腐熟。一种好氧堆肥监测系统，包括承载单元和实时检测系统，其中，承载单元，包括堆肥仓体和设置于所述堆肥仓体顶部的曝气口和进料箱；以及，实时检测系统，包括设置于所述堆肥仓体内壁顶部的氧含量探头和气压探头。作为本专利技术所述好氧堆肥监测系统的一种优选方案，其中：所述堆肥仓体内壁顶部贯穿设置有喷淋管，且所述堆肥仓体底部设置有渗滤液收集箱和出料口，所述堆肥仓体一侧设置有排液管，所述渗滤液收集箱和排液管连通。作为本专利技术所述好氧堆肥监测系统的一种优选方案，其中：所述实时检测系统还包括设置于所述渗滤液收集箱内的PH探头和电导率探头、位于所述堆肥仓体底部的称重器，所述称重器一侧设置有PLC控制柜，所述氧含量探头、气压探头、PH探头和电导率探头均与PLC控制柜电连接，所述PLC控制柜电连接有显示屏。本专利技术的有益效果：采用各传感器对堆肥仓中的温度、湿度和氧浓度以及渗滤液箱中的pH和电导率进行监测，转化监测介质，实现对堆肥指标的有效监测，并通过触控屏显示，可供用户实时观测反应器内堆体情况，历史数据可供下载训练预测模型，从而便于确定调控时刻与调控手段；堆肥进程数据具有时间序列的特点，循环神经网络是一类对序列数据处理的神经网络，它利用反馈神经元使输出数据不仅与当前时间输入数据有关，而且受上一时间输出数据影响，通过数据训练更新神经网络参数，达到较高预测能力；而在本申请上述实施例利用上述特点，根据获取到的堆肥进程数据的历史数据训练长短期记忆神经网络预测模型，从而实现基于长短期记忆神经网络对气体浓度进行预测，较好的预测井下气体浓度，为后期针对性处理及人员工作提供依据。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本专利技术可冷却高紫外老化试验箱的整体结构示意图。图2为本专利技术可冷却高紫外老化试验箱所述的结果预测方法流程示意图。图3为本专利技术可冷却高紫外老化试验箱所述的预测模型建立和训练过程示意图。图4为本专利技术可冷却高紫外老化试验箱所述的为LSTM计算步骤示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合本文档来自技高网...

【技术保护点】
1.一种好氧堆肥监测结果预测方法，其特征在于：包括，/n获取进程参数数据；/n测量结果指标数据；/n对数据进行预处理工作；/n建立LSTM模型并进行模型训练和预测；/n验证预测序列与原始结果质量序列的预测精确度；/n检验LSTM模型预测序列和实际序列的拟合程度，根据结果质量数据预测值，对堆肥腐熟趋势进行分析并判定最佳的调控时间点。/n

【技术特征摘要】
1.一种好氧堆肥监测结果预测方法，其特征在于：包括，
获取进程参数数据；
测量结果指标数据；
对数据进行预处理工作；
建立LSTM模型并进行模型训练和预测；
验证预测序列与原始结果质量序列的预测精确度；
检验LSTM模型预测序列和实际序列的拟合程度，根据结果质量数据预测值，对堆肥腐熟趋势进行分析并判定最佳的调控时间点。


2.如权利要求1所述的好氧堆肥监测结果预测方法，其特征在于：获取进程参数数据包括，利用好氧堆肥反应器监测系统获取进程参数数据，具体包括物料温度、反应器内氧浓度含量、渗滤液pH、渗滤液电导率、物料含水率(重量转换)。


3.如权利要求2所述的好氧堆肥监测结果预测方法，其特征在于：测量结果指标数据包括，从反应器取料口取料测量结果指标数据，具体包括种子发芽指数(GI)。





4.如权利要求3所述的好氧堆肥监测结果预测方法，其特征在于：对数据进行预处理工作包括，对进程参数数据和种子发芽指数(GI)进行格式调整和标准化等预处理工作。


5.如权利要求4所述的好氧堆肥监测结果预测方法，其特征在于：建立LSTM模型并进行模型训练和预测；
S1:通过遗忘门，上一时刻的输出值ht-1与当前时刻的输入值xt通过由σ()表示的sigmoid激活函数计算。式中Wf是对应于ht-1与xt的权重矩阵，bf为偏置量，计算结果为ft。输出结果为0～1之间的数字，以确定需要保留的信息量，“1”表示“完全保留这个”，“0”表示“完全遗忘这个”；
ft＝σ(wf·[ht-1，xτ]+bf)
S2：由输入门决定需要在神经元细胞中保存的信息；此时，sigmoid激活函数更新神经元信息为it，tanh激活函数生成新的候选状态为～Ct，W和b分别为相应的权重矩阵和偏置量；
it＝σ(wi·[ht-1，xt]+bi)



S3：更新旧的神经元状态Ct-1到新的神经元状态Ct，给旧的状态乘以一个ft,遗忘掉之前决定要遗忘的信息，然后增加it×～Ct；



S4：最后经过输出门的滤波器，决定多少细胞状态需要被过滤。首先使用sigmoid激活函数得...

【专利技术属性】
技术研发人员：张景新，万昕，何义亮，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31