基于深度学习的污泥热解可燃气燃烧状况调控方法技术

本发明专利技术属于污泥热解气化技术领域，公开了一种基于深度学习的污泥热解可燃气燃烧状况调控方法，包括以下步骤：采集污泥热解可燃气的燃烧特征数据和燃烧效果数据；进行梯度分级和分类标注，形成含标注信息的数据集；以含标注信息的数据集为输入变量，建立全连接层神经网络模型；以交叉熵函数作为损失函数，采用自适应矩估计法对可燃气燃烧状况评估训练过程进行优化，采用稀疏分类精度评价可燃气燃烧状况评估训练效果；将训练好的全连接层神经网络模型及输出参数加载到热风炉燃烧控制程序中，通过实时读取热风炉的燃烧特征数据对燃烧状况进行判断和调控。本发明专利技术通过建立深度学习模型，实现污泥热解可燃气燃烧效果的自动化调控。控。控。

【技术实现步骤摘要】
基于深度学习的污泥热解可燃气燃烧状况调控方法


[0001]本专利技术属于污泥热解气化
，涉及一种基于深度学习的污泥热解可燃气燃烧状况调控方法。

技术介绍

[0002]污泥是污水处理过程中产生的固体沉淀物质，所含的污染物一般均有较高的热值，但由于大量水分的存在，使得这部分热值无法利用。污泥热解气化技术是一种在无臭、无污染的前提下使污泥大规模的减量化、稳定化、无害化、资源化成为现实的技术。热解气化技术的热效率高，在高温贫氧下，有机物被热解为一氧化碳、氢气、烃类等可燃气体。由于污泥热解反应过程复杂，产生的可燃气体组分难以有效控制，因此污泥热解可燃气燃烧过程控制难度大。
[0003]为了实现污泥热解可燃气燃烧较好的控制效果，首先需要对燃烧状况进行有效的判断与评估。由于污泥热解可燃气的成分复杂性，目前没有适用的烟气检在线测装置，故需要通过污泥气化炉负荷、热风炉温度、引风机风量、助燃空气风量、出口氧含量等一系列指标的综合分析来判断燃烧状况的好坏，这需要经验非常丰富且技术水平较高的操作人员才能完成，增加了人力成本与自动化控制的难度。
[0004]近年来随着人工智能技术的发展，深度学习技术日趋成熟，在数据分析、机器视觉、自然语言识别领域均有不俗的表现，其核心就是使机器自主学习人类已掌握的经验，基于此，如果可以使用深度学习的方法，将操作人员通过长时间生产过程中的经验赋予控制设备，使其能够代替人对污泥热解可燃气燃烧状况进行判断，将大大提高操作的自动化程度。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的污泥热解可燃气燃烧状况调控方法，将人工判断污泥热解可燃气燃烧状况转变为自动判断，实现污泥热解可燃气燃烧效果的自动化调控。
[0006]为实现上述目的，本专利技术采用以下技术方案：本专利技术提供一种基于深度学习的污泥热解可燃气燃烧状况调控方法，包括以下步骤：采集污泥热解可燃气在热风炉的燃烧特征数据；依据燃烧特征数据判断燃烧状况的梯度分级，依据梯度分级再对燃烧特征数据进行分类标注，形成含标注信息的数据集，并划分训练集和测试集；以含标注信息的数据集为输入变量，建立全连接层神经网络模型进行可燃气燃烧状况评估训练；以交叉熵函数作为损失函数，采用自适应矩估计法对可燃气燃烧状况评估训练过程进行优化，采用稀疏分类精度评价可燃气燃烧状况评估训练效果，当损失函数小于0.1、
稀疏分类精度大于0.95时，评估训练完成；将训练好的全连接层神经网络模型及输出参数加载到热风炉燃烧控制程序中，通过实时读取热风炉的燃烧特征数据对燃烧状况进行判断和调控。
[0007]在一个技术方案中，所述梯度分级分为极好、较好、一般、差、较差和很差。
[0008]在一个技术方案中，所述燃烧特征数据包括可燃气流量、助燃空气压力和助燃风机频率，所述燃烧效果数据包括热风炉炉膛温度、助燃空气流量和引风机频率。
[0009]相比现有技术，本专利技术的有益效果在于：本专利技术通过建立深度学习模型，建立起一套自动判断污泥热解可燃气燃烧情况的参数标准，将人工判断污泥热解可燃气燃烧状况转变为自动判断，实现污泥热解可燃气燃烧效果的自动化调控，降低了技术人员的操作难度，提高了设备操作的自动化程度。
附图说明
[0010]图1为本专利技术实施例中损失函数的收敛情况。
[0011]图2为本专利技术实施例中稀疏分类精度的收敛情况。
具体实施方式
[0012]以下实施例用于说明本专利技术，但不用来限定本专利技术的保护范围。若未特别指明，实施例中所用技术手段为本领域技术人员所熟知的常规手段。下述实施例中的试验方法，如无特别说明，均为常规方法。
[0013]实施例一(1)采集污泥热解可燃气在热风炉的燃烧特征数据。
[0014]在本实施例中热风炉的燃烧控制采用PLC系统，Modbus TCP协议及工业以太网读取PLC系统2022年1月5日至2022年7月5日的运行数据，如可燃气流量、助燃空气压力、助燃风机频率、热风炉炉膛温度、助燃空气流量和引风机频率等燃烧特征数据，记录为csv数据文件，共获取燃烧特征数据共计60000条。
[0015](2)依据燃烧特征数据判断燃烧状况的梯度分级，依据梯度分级再对燃烧特征数据进行分类标注，形成含标注信息的数据集，并划分训练集和测试集。
[0016]本项工作需要具有实操经验的技术人员辅助完成，技术人员根据燃烧特征数据对燃烧燃烧状况进行综合评判，并将燃烧状况分为极好、较好、一般、差、较差和很差等6个梯度等级，再根据6个梯度等级对燃烧特征数据进行分类标注，将标注后的数据集转化为字符串流，以提高读取效率，方便模型训练；将48000条燃烧特征数据作为训练集，12000条燃烧特征数据作为测试集。
[0017](3)以含标注信息的数据集为输入变量，建立全连接层神经网络模型进行可燃气燃烧状况评估训练。
[0018]由于燃烧特征数据数据只包含一个维度且不存在序列信息，数据特征已通过人工标记，故采用全连接层作为神经网络的基本组成单元，全连接层中的每个神经元与其前一层的所有神经元进行连接。
[0019]根据训练集数据的规模，初步确定整个神经网络的参数量，适当控制模型的深度以改善模型输出效果，浅层网络的宽度较小以降低训练难度，深层网络宽度逐步增大，以提
高模型的复杂度与精度，综合多次训练结果对模型结构进行调整。每层神经网络均使用非线性函数进行激活，从而使模型具有拟合非线性函数的能力。
[0020]根据燃烧特征数据数量，本实施例全连接层神经网络中包括13个全连接层，可训练参数11910个，各层分配如下：第1层为6节点、包含参数42个；第2层为6节点、包含参数42个；第3层为6节点、包含参数42个；第4层为6节点、包含参数42个；第5层为12节点、包含参数84个；第6层为12节点、包含参数156个；第7层为24节点、包含参数312个；第8层为24节点、包含参数600个；第9层为36节点、包含参数900个；第10层为36节点、包含参数1332个；第11层为72节点、包含参数2664个；第12层为72节点、包含参数5256个；第13层为6节点、包含参数438个。
[0021](4)以交叉熵函数作为损失函数，采用自适应矩估计法对可燃气燃烧状况评估训练过程进行优化，采用稀疏分类精度评价可燃气燃烧状况评估训练效果，当损失函数小于0.1、稀疏分类精度大于0.95时，评估训练完成。
[0022]本实施例中损失函数L如下：其中：c为数据集标注的类别编号，c＝1,2,3,4,5,6；y
ic
为模型的输出对应c类型的符号函数值(0或者1)，如果样本i的真实类别等于c，则取1，否则取0；p
ic
为样本i属于类别c的预测概率。
[0023]设定迭代次数、学习率、训练批大小等超参数，通过对模型参数的优化，使损失函数不断减小，模型准确度不断提升；使用稀疏分类准确度对训练效果进行评价，即用模型的预测值与真实值做比较，如果预测的结果中概率最大的分类与真本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的污泥热解可燃气燃烧状况调控方法，其特征在于，包括以下步骤：采集污泥热解可燃气在热风炉的燃烧特征数据；依据燃烧特征数据判断燃烧状况的梯度分级，依据梯度分级再对燃烧特征数据进行分类标注，形成含标注信息的数据集，并划分训练集和测试集；以含标注信息的数据集为输入变量，建立全连接层神经网络模型进行可燃气燃烧状况评估训练；以交叉熵函数作为损失函数，采用自适应矩估计法对可燃气燃烧状况评估训练过程进行优化，采用稀疏分类精度评价可燃气燃烧状况评估训练效果，当损失函数小于0.1、稀疏分...

【专利技术属性】
技术研发人员：白禹启，白浩，李明峰，张凯，文炯，董海涛，周洋，王秀珍，王阳，李志勇，刘震华，
申请(专利权)人：郑州市格沃环保开发有限公司，
类型：发明
国别省市：