本发明专利技术公开了一种基于时空图神经网络的猪舍外废气监测方法、系统及装置，包括：废气处理装置实时监测废气浓度并根据主控系统指令实施动态废气处理；多尺度时空图神经网络模型废气预测模型基于历史废气浓度数据和传感器数据，预测废气浓度变化趋势，为废气处理装置提供智能调度依据；废气智能处理系统进一步整合废气处理装置与废气预测模型，基于废气多级监控数据和模型预测结果自动制定并执行最优废气处理方案。本发明专利技术构建多尺度时空图网络模型对废气预测处理，软硬件协同工作实现对废气的精准监测、智能管理和高效决策，提升猪舍外排废气处理的智能化程度，提高环境质量，助力节能环保。
【技术实现步骤摘要】
本专利技术涉及大数据智能分析领域和废气处理工艺，更具体的，涉及一种基于时空图神经网络的猪舍外废气监测方法、系统及装置。
技术介绍
1、楼房养猪是在养殖用地有限的背景下，向空间要发展、向楼房要效益的设施畜牧业创新举措，在节约土地、智能化养殖、立体式生物安全防控、集中式废弃物处理等方面发挥重要作用，近几年，楼房养猪已蓬勃发展，但存在废气体量大、成分复杂、粉尘含量大等问题，这些废气若未经处理直接排放，将对周边环境造成污染，影响周边居民的生活质量，甚至对生态系统造成长期的不良影响。
2、近年来，伴随着人工智能技术的快速发展，养殖废气处理领域正发生巨大变化。借助新一代信息技术，可通过传感器和智能监控设备实时监测楼房猪场舍外的废气浓度和成分，并根据监测结果进行自动分析处理，如调整喷雾除臭系统的运行参数等，以确保废气得到及时处理。这类方法虽能智能处理废气，但往往局限于实时的监测数据，且只关注废气浓度的实时变化，没有分析其潜在规律和趋势，缺乏对废气的预警和预测能力。
3、时空序列分析方法是一种强大的数据分析技术，它结合时间和空间两个维度，通过分析不同时间点和空间位置的数据，构建时空变化模型以捕捉数据在时间上的演变和空间上的分布特征，进而揭示数据在时间和空间上的变化规律和趋势。该技术不仅在气候预测、交通管制和社交网络等领域显示出广泛应用潜力，还特别适用于提高养猪废气排放预测的准确性和及时性。因此，在养猪室外废气处理中如何将其与废气处理装置有效融合以实现废气处理系统的精准监测、智能管理和智能决策是是亟需解决的问题。
<
br/>技术实现思路
1、为了解决上述技术问题，本专利技术提出了一种基于时空图神经网络的猪舍外废气监测方法、系统及装置，目的是实现对废气的精准监测、智能管理和智能决策。
2、本专利技术第一方面提供了一种基于时空图神经网络的猪舍外废气监测方法，包括：
3、利用废气一级监测模块对经过水帘过滤后的猪舍外排废气进行实时监控，采集废气浓度数据及水帘过滤的运行参数；
4、将所述废气浓度数据导入废气预测模块，基于多尺度时空图网络模型对采集的废气浓度数据进行学习，预测废气浓度变化趋势，获取废气浓度预测结果；
5、将所述废气浓度预测结果反馈至一级监测模块，对所述运行参数进行动态调整，废气一级过滤模块基于调整后运行参数调用水帘过滤自适应处理废气；
6、使用废气二级监测模块对自适应处理后的废气进行持续监测，利用废气多级监测数据及废气浓度预测结果判断是否满足预设排放标准，基于判断结果进行废气的监测排放。
7、本方案中，利用检测传感器采集废气浓度数据，构建废气浓度数据表达式：，其中，分别为时刻的氨气浓度数据及硫化氢浓度数据；
8、通过数据感知获取水帘过滤设备的运行参数，构建运行参数表达式：，其中，分别为时刻的水帘喷淋数据及酸性成分数据。
9、本方案中，基于预训练的transformer编码器构建多尺度时空图网络模型，所述多尺度时空图网络模型包括时间序列特征学习模块、多尺度空间构造模块和预测模块，具体为：
10、构造预训练的transformer编码器，根据收集的废气处理的历史数据进行预训练，将历史数据时间序列，为时刻的历史数据值，经过归一化和分块处理得到patch片段时序序列，为第个patch片段；
11、将所述patch片段时序序列输入到预训练的transformer编码器，进行位置编码，获取嵌入矩阵，基于所述嵌入矩阵添加位置编码捕捉输入序列的顺序信息，将位置编码与嵌入向量相加得到向量序列；
12、将所述向量序列导入transformer编码器模块的多头注意力中，将所有单个注意力头的输出拼接，利用线性变换得到多头注意力输出，将多头注意力的输出与原始嵌入向量相加，并进行归一化操作生成；
13、将输入到前馈神经网络，获取所述前馈神经网络的输出结果与相加并进行归一化，得到最终的输出序列向量，利用迭代循环训练进行模型参数的优化，获取transformer编码器的预训练模型。
14、本方案中，所述时间序列特征学习模块负责特征提取、选择和学习，捕捉时间序列之间的关系，具体为：
15、获取废气浓度数据作为模型输入数据，将废气浓度数据经由最小归一化处理和patch化处理，废气浓度数据序列的patch片段输入到transformer编码器的预训练模型，转换为嵌入矩阵；
16、将嵌入矩阵输入到transformer编码器的预训练模型，进而构造出废气浓度数据序列的patch片段中元素的序列向量，为第个patch片段元素的序列向量。
17、本方案中，所述多尺度空间矩阵构造模块基于时间序列特征学习模块处理后的序列向量与对应的时间信息，构造时空图的节点的边关系，具体为：
18、根据序列向量定义节点，每个节点对应一个序列向量的编码表示，对于每个patch片段，构建一个图，其中为为节点集合，为边集合；
19、对于每个图，应用图注意力网络层计算注意力系数并更新节点特征，基于更新后的节点特征构建单尺度时空图，通过多尺度融合将多个图注意力网络层融合得到多尺度时空图。
20、本方案中，所述预测模块将多尺度时空图数据经过transformer编码器的预训练模型进行多尺度时空序列建模，并经由线性全连接层进行废气预测，具体为：
21、将获取的多尺度时空图输入到transformer编码器的预训练模型，经位置编码、自注意力、多头注意力、前馈神经网络、残差连接和归一化处理，获取深层次的特征表示；
22、将所述深层次的特征表示输入到全连接层中进行废气值预测，得到废气浓度预测结果，全连接层的计算公式为：，为权重系数，为偏置。
23、本方案中，利用废气多级监测数据及废气浓度预测结果判断当前废气浓度是否满足预设排放标准，若不符合预设排放标准，则启用备用处理装置，通过备用处理装置进行进一步净化处理，并利用废气尾端监控保持持续监测，在符合预设排放标准时排出处理后的废气；
24、若当前废气浓度符合预设排放标准，将其输入到废气尾端监控模块进行最后检测，符合标准后排出。
25、本专利技术第二方面提供了一种基于时空图神经网络的猪舍外废气监测系统，该系统包括：废气一级监控模块、废气预测模块、废气一级过滤模块、废气二级监控模块、备用处理装置模块和废气尾端监控模块；
26、所述废气一级监控模块负责废气浓度数据采集和调控水帘过滤装置的运行参数；
27、所述废气预测模块根据废气处理装置收集的历史数据，基于多尺度时空图网络模型预测废气浓度变化，并根据预测结果调度废气处理装置自适应处理废气；
28、所述废气一级过滤模块根据废气一级监控模块输出的参数，调用水帘过滤装置过滤废气；
29、所述废气二级监控模块检测一级过滤模块处理后的废气浓度；
30、所述备用处理装置模块在当前废气浓度不符本文档来自技高网
...
【技术保护点】
1.一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，利用检测传感器采集废气浓度数据，构建废气浓度数据表达式：，其中，分别为时刻的氨气浓度数据及硫化氢浓度数据；
3.根据权利要求1所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，基于预训练的Transformer编码器构建多尺度时空图网络模型，所述多尺度时空图网络模型包括时间序列特征学习模块、多尺度空间构造模块和预测模块，具体为：
4.根据权利要求3所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，所述时间序列特征学习模块负责特征提取、选择和学习，捕捉时间序列之间的关系，具体为：
5.根据权利要求3所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，所述多尺度空间矩阵构造模块基于时间序列特征学习模块处理后的序列向量与对应的时间信息，构造时空图的节点的边关系，具体为：
6.根据权利要求3所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，所述预测模块将多尺度时空图数据经过Transformer编码器的预训练模型进行多尺度时空序列建模，并经由线性全连接层进行废气预测，具体为：
7.根据权利要求1所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，还包括：
8.一种基于时空图神经网络的猪舍外废气监测系统，其特征在于，该系统包括：废气一级监控模块、废气预测模块、废气一级过滤模块、废气二级监控模块、备用处理装置模块和废气尾端监控模块；
9.一种猪舍外废气监测装置，应用于如权利要求1-7任一项所述的基于时空图神经网络的猪舍外废气监测方法，其特征在于，包括预过滤模块、过滤模块和备用过滤模块；
...
【技术特征摘要】
1.一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，利用检测传感器采集废气浓度数据，构建废气浓度数据表达式：，其中，分别为时刻的氨气浓度数据及硫化氢浓度数据；
3.根据权利要求1所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，基于预训练的transformer编码器构建多尺度时空图网络模型，所述多尺度时空图网络模型包括时间序列特征学习模块、多尺度空间构造模块和预测模块，具体为：
4.根据权利要求3所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，所述时间序列特征学习模块负责特征提取、选择和学习，捕捉时间序列之间的关系，具体为：
5.根据权利要求3所述的一种基于时空图神经网络的猪舍外废气监测方法，其特征在于，所述多尺度...
【专利技术属性】
技术研发人员：高月芳，叶双福，肖冬冬，黄镇伟，王燕，张玲娜，刘向东，蒋海华，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。