基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统技术方案

本发明专利技术实施例公开的基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统，涉及节能环保技术领域。包括：获得粉尘运动静电感应及温度、湿度和内外气压差数据；通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；对获得的所有数据做归一化预处理，得到训练样本数据和测试样本数据；将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度。物浓度。物浓度。

【技术实现步骤摘要】
基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统


[0001]本专利技术属于节能环保
，具体涉及一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统。

技术介绍

[0002]固体颗粒浓度是描述气固两相流流动特性的重要参数之一。准确可靠地在线预测固体颗粒浓度，可以大大提高生产效率，降低能耗，帮助企业优化工业生产过程，实现降本增效。
[0003]以火电厂为例，管道中的煤粉浓度对锅炉燃烧状况有重要影响。煤粉浓度的变化直接影响管道中风粉分布的均匀性和煤粉在锅炉中的稳定燃烧。在管道内输送适当浓度的煤粉，可以实现煤粉高效燃烧，提高能源利用率，减少飞灰和温室气体排放。因此，锅炉燃烧系统输粉管内的煤粉固体颗粒浓度是气力输送过程中的一个重要参数。合理的浓度可以有效提高煤粉利用效率，降低污染物排放。
[0004]虽然不同气力输送系统输送的颗粒物不同，但颗粒物浓度测量技术原理相近。已有研究提出许多测量方法，如衰减法、散射法、共振法、电学法、层析成像法、静电法和微波法等。这些方法各有优缺点，适用条件不同。现有传感器有声学传感器、光学传感器、数字图像传感器、电容传感器、静电传感器、微波传感器和放射传感器等。但由于气固流动动态复杂，各传感器测量原理难以准确测量浓度。
[0005]许多因素影响测量数据有效性。气力输送管道内固体颗粒速度和浓度受气体速度、流体浓度、管道方位及颗粒特性影响。而颗粒密度、粒径和形状也影响颗粒流动特性。因此，在线准确测量固体颗粒浓度具有挑战，预测更为棘手。提供一种可靠方法在线测量和预测粉尘等固体颗粒物浓度显得尤为重要。

技术实现思路

[0006]有鉴于此，本专利技术实施例旨在提供基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统，便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度。
[0007]为达到上述专利技术目的，本专利技术采用如下技术方案：
[0008]一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法，其特征在于，包括以下步骤：
[0009]S10、利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；
[0010]S20、通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；
[0011]S30、对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；
[0012]S40、将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；
[0013]以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。
[0014]可选地，在步骤S10中，所述利用静电感应测量方法获得粉尘运动静电感应数据包括：在管道内上游安装第一静电传感器，在管道内下游安装第二静电传感器；其中，第一静电传感器与第二静电传感器结构相同，且在管道内位置上彼此相邻；
[0015]获取第一静电传感器输出的第一静电感应信号，以及获取第二静电传感器输出的第二静电感应信号；
[0016]在步骤S20中，所述通过互相关法计算固体颗粒传输速度包括：根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间；
[0017]根据所述延迟时间计算确定出所述固体颗粒的流速。
[0018]可选地，在步骤S20中，所述根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间，包括：根据所述第一静电感应信号与第二静电感应信号，基于第一公式计算得到第一静电感应信号与第二静电感应信号的相关系数，所述相关系数表征所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为：所述x(n)为上游第一静电传感器输出的第一静电感应信号，y(n+k)为下游第二静电传感器延迟k个时间单位的第二静电感应信号，N为上游第一静电传感器输出的第一静电感应信号的个数，K为预设的延时数据个数，k和n为变量，且为正整数，满足0≤k≤K
‑
1，0≤n≤N
‑
K，R
xy
(k)表示相关系数；
[0019]根据第二公式，调节k的值使k由小到大变化，确定出相关系数R
xy
(k)最大时对应的k值，并标记为k0；所述第二公式为
[0020]根据所述k0和数据采集间隔时间计算得到所述固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间。
[0021]可选地，在步骤S20中，所述根据所述延迟时间计算确定出所述固体颗粒的流速包括：基于所述延时时间和第一静电传感器与第二静电传感器之间的距离，根据第三公式计算得到所述固体颗粒的流速；所述第三公式为L为第一静电传感器与第二静电传感器之间的距离，k0T为颗粒经过相邻传感之间的延迟时间，T为所述数据采集间隔时间。
[0022]可选地，在所述S40中，将所述训练样本数据输入卷积神经网络进行训练包括：利用所述线性卷积模块对所述训练样本数据进行一维卷积，其中，卷积核大小为常数；
[0023]在所述线性卷积模块输出激活前，加上所述偏置常数向量；
[0024]对所述线性卷积模块的输出施加激活函数，并输出至池化层；
[0025]在池化层采用最大池化函数进行池化，池化窗口大小为常数；
[0026]利用所述防过拟合正则化模块，设置20％权重冻结，防止网络过拟合；
[0027]通过损失函数约束，优化网络训练参数，得到所述浓度预测模型。
[0028]可选地，所述通过损失函数约束，优化网络训练参数，包括：采用均方误差根损失函数，优化网络训练参数；其中，所述均方误差根损失函数为：
[0029]其中，n为第一静电传感器和第二静电传感器样本数据的数量，y
i
为对照固体颗粒浓度值，表示固体浓度预测值。
[0030]可选地，在步骤S30中，对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理包括：
[0031]采用如下最大最小归一化函数
[0032]消除所述不同参数的量纲影响，得到归一化数据；其中，F(x)为x归一化后的值，位于区间[0，1]；x
min
为序列最小值；x
max
为序列最大值。
[0033]可选地，在S20中，所述根据输入物料质量和流速计算得到对照固体颗粒浓度数据包括：
[0034]根据所述流速与管道横截面积相乘得到单位时间内通过管道的固体颗粒体积；
[0035]根据所述物料质量与所述固体颗粒体积，基于第四公式计算得到所述对照固体颗粒浓度数据；其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法，其特征在于，包括步骤：S10、利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；S20、通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；S30、对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；S40、将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。2.根据权利要求1所述的预测方法，其特征在于，在步骤S10中，所述利用静电感应测量方法获得粉尘运动静电感应数据包括：在管道内上游安装第一静电传感器，在管道内下游安装第二静电传感器；其中，第一静电传感器与第二静电传感器结构相同，且在管道内位置上彼此相邻；获取第一静电传感器输出的第一静电感应信号，以及获取第二静电传感器输出的第二静电感应信号；在步骤S20中，所述通过互相关法计算固体颗粒传输速度包括：根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间；根据所述延迟时间计算确定出所述固体颗粒的流速。3.根据权利要求2所述的预测方法，其特征在于，在步骤S20中，所述根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间，包括：根据所述第一静电感应信号与第二静电感应信号，基于第一公式计算得到第一静电感应信号与第二静电感应信号的相关系数，所述相关系数表征所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为：所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为：所述x(n)为上游第一静电传感器输出的第一静电感应信号，y(n+k)为下游第二静电传感器延迟k个时间单位的第二静电感应信号，N为上游第一静电传感器输出的第一静电感应信号的个数，K为预设的延时数据个数，k和n为变量，且为正整数，满足0≤k≤K
‑
1，0≤n≤N
‑
K，P
xy
(k)表示相关系数；根据第二公式，调节k的值使k由小到大变化，确定出相关系数R
xy
(k)最大时对应的k值，并标记为k0；所述第二公式为根据所述k0和数据采集间隔时间计算得到所述固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间。4.根据权利要求3所述的预测方法，其特征在于，在步骤S20中，所述根据所述延迟时间计算确定出所述固体颗粒的流速包括：基于所述延时时间和第一静电传感器与第二静电传感器之间的距离，根据第三公式计
算得到所述固体颗粒的流速；所述第三公式为L为第一静电传感器与第二静电传感器之间的距离，k0T为颗粒经过相邻传感之间的延迟时间，T为所述数据采集间隔时间。5.根据权利要求1或2所述的预测...

【专利技术属性】
技术研发人员：刘斌，师新哲，苗佳琪，马潇潇，郭壮，王珊，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：