本發(fā)明涉及工業(yè)過程監(jiān)測與深度學(xué)習(xí)，具體涉及一種基于靜電感應(yīng)與深度學(xué)習(xí)的工業(yè)過程顆粒物在線監(jiān)測與異常預(yù)警方法。
背景技術(shù)：
1、隨著工業(yè)生產(chǎn)的快速發(fā)展，燃煤鍋爐、水泥窯爐、冶金燒結(jié)等過程排放的顆粒物已成為大氣污染的重要來源，對生態(tài)環(huán)境與人體健康造成嚴(yán)重威脅。傳統(tǒng)的工業(yè)顆粒物監(jiān)測方法主要包括離線重量法、β射線法與光學(xué)散射法，這些方法在實(shí)際應(yīng)用中存在明顯的局限性。具體而言，離線重量法雖為標(biāo)準(zhǔn)方法，但采樣與分析周期長，無法滿足實(shí)時(shí)監(jiān)測需求；β射線法雖能實(shí)現(xiàn)連續(xù)監(jiān)測，但設(shè)備成本高、維護(hù)復(fù)雜，且對低濃度顆粒物靈敏度不足；光學(xué)散射法易受環(huán)境濕度、顆粒物顏色與折射率影響，在高濕、高濃度工況下測量誤差顯著增大。
2、現(xiàn)有靜電感應(yīng)監(jiān)測方法利用顆粒物荷電后通過傳感器產(chǎn)生的感應(yīng)電流實(shí)現(xiàn)濃度檢測，具有結(jié)構(gòu)簡單、響應(yīng)速度快、不受光學(xué)特性影響等優(yōu)勢，但單一靜電感應(yīng)信號易受環(huán)境溫濕度、顆粒物粒徑分布不均等因素干擾，且難以同時(shí)實(shí)現(xiàn)濃度監(jiān)測與粒徑分布反演。此外，傳統(tǒng)的靜電感應(yīng)信號處理方法多基于簡單的特征統(tǒng)計(jì)與線性回歸，對復(fù)雜工況下的非線性特征提取能力不足，導(dǎo)致監(jiān)測精度與魯棒性受限，且缺乏有效的異常預(yù)警機(jī)制，無法及時(shí)識別工業(yè)過程中的顆粒物排放異常。
3、傳統(tǒng)工業(yè)顆粒物監(jiān)測方法存在實(shí)時(shí)性差、環(huán)境抗干擾能力弱、單一參數(shù)監(jiān)測局限性大、異常預(yù)警缺失的問題，容易造成監(jiān)測數(shù)據(jù)滯后、排放超標(biāo)未及時(shí)發(fā)現(xiàn)，進(jìn)而影響環(huán)境監(jiān)管與工業(yè)過程優(yōu)化。行業(yè)亟需一種能夠融合靜電感應(yīng)多特征信息、具備環(huán)境自適應(yīng)能力、可實(shí)現(xiàn)濃度監(jiān)測與粒徑分布反演一體化，并結(jié)合異常檢測算法的智能監(jiān)測方法，以提高工業(yè)過程顆粒物排放監(jiān)測的實(shí)時(shí)性、準(zhǔn)確性與可靠性。
4、因此，發(fā)展一種基于靜電感應(yīng)與深度學(xué)習(xí)的工業(yè)過程顆粒物在線監(jiān)測與異常預(yù)警方法，結(jié)合深度學(xué)習(xí)算法的非線性特征提取能力與數(shù)據(jù)融合技術(shù)，不僅能實(shí)現(xiàn)顆粒物濃度與粒徑分布的高精度實(shí)時(shí)監(jiān)測，還能及時(shí)識別排放異常，為環(huán)境監(jiān)管與工業(yè)過程優(yōu)化提供技術(shù)支撐，保障大氣環(huán)境質(zhì)量與工業(yè)生產(chǎn)的綠色可持續(xù)發(fā)展。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明的目的在于：提供一種基于靜電感應(yīng)與深度學(xué)習(xí)的工業(yè)過程顆粒物在線監(jiān)測與異常預(yù)警方法，以解決現(xiàn)有技術(shù)中傳統(tǒng)工業(yè)顆粒物監(jiān)測方法存在實(shí)時(shí)性差、環(huán)境抗干擾能力弱、單一參數(shù)監(jiān)測局限性大、異常預(yù)警缺失的技術(shù)問題。
2、本發(fā)明提供了一種基于靜電感應(yīng)與深度學(xué)習(xí)的工業(yè)過程顆粒物在線監(jiān)測與異常預(yù)警方法，包括以下步驟：
3、通過多模態(tài)感知系統(tǒng)，同步采集工業(yè)過程中的顆粒物的靜電感應(yīng)電流信號、溫濕度數(shù)據(jù)，所述多模態(tài)感知系統(tǒng)包括靜電感應(yīng)傳感器陣列、溫濕度傳感器；
4、對所述顆粒物的靜電感應(yīng)電流信號進(jìn)行降噪處理，得到降噪信號，根據(jù)溫濕度數(shù)據(jù)對所述降噪信號進(jìn)行溫濕度補(bǔ)償處理，得到預(yù)處理信號；
5、提取所述預(yù)處理信號的時(shí)域特征、頻域特征和時(shí)頻域特征；
6、將提取的所述時(shí)頻域特征形成的時(shí)頻圖像，輸入至經(jīng)訓(xùn)練完成的深度學(xué)習(xí)模型中，并由該深度學(xué)習(xí)模型同步輸出顆粒物濃度監(jiān)測結(jié)果和粒徑分布反演結(jié)果；
7、采集正常工況下的時(shí)域特征、頻域特征和時(shí)頻域特征處理得到預(yù)警閾值，對實(shí)時(shí)獲取的時(shí)域特征、頻域特征和時(shí)頻域特征進(jìn)行處理計(jì)算實(shí)時(shí)異常得分，并將所述實(shí)時(shí)異常得分與預(yù)警閾值進(jìn)行比對，以識別顆粒物排放的異常狀態(tài)并觸發(fā)預(yù)警。
8、進(jìn)一步地，所述深度學(xué)習(xí)模型為卷積神經(jīng)網(wǎng)絡(luò)結(jié)合雙向長短期記憶網(wǎng)絡(luò)cnn-bi-lstm模型；所述cnn-bi-lstm模型的結(jié)構(gòu)由輸入層、卷積層、池化層、bi-lstm層、全連接層和輸出層依次連接組成。
9、進(jìn)一步地，在訓(xùn)練所述cnn-bi-lstm模型時(shí)，采用的損失函數(shù)為顆粒物濃度預(yù)測的均方誤差損失與粒徑分布反演的kl散度損失的加權(quán)和，并采用adam優(yōu)化器最小化損失函數(shù)，學(xué)習(xí)率初始值為0.001，每50個(gè)訓(xùn)練周期衰減為原來的0.5，批量大小為32，訓(xùn)練過程中啟用早停機(jī)制以防止過擬合。
10、進(jìn)一步地，所述降噪處理采用改進(jìn)的小波閾值降噪方法，具體為通過小波分解對所述顆粒物的靜電感應(yīng)電流信號進(jìn)行多尺度分析，并對高頻噪聲系數(shù)進(jìn)行自適應(yīng)閾值處理，所述改進(jìn)的小波閾值降噪方法采用的閾值函數(shù)為：
11、；
12、其中，為閾值處理后的小波系數(shù)，記作降噪信號，j為尺度參數(shù)，對應(yīng)小波變換中的頻率粗糙程度，為平移參數(shù)，對應(yīng)同一尺度下的空間/時(shí)間位移；為原始小波系數(shù)，為自適應(yīng)閾值，為調(diào)節(jié)因子，取值范圍0.5-1.5，為符號函數(shù)。
13、進(jìn)一步地，所述溫濕度補(bǔ)償處理通過徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，具體為：所述徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)以所采集的溫濕度數(shù)據(jù)為輸入，以輸出作用于所述降噪信號的補(bǔ)償系數(shù)。
14、進(jìn)一步地，所述預(yù)警閾值基于孤立森林算法計(jì)算得到；所述預(yù)警閾值為：；
15、其中，為正常工況下異常得分的均值，為異常得分的標(biāo)準(zhǔn)差，為預(yù)警系數(shù)，取值范圍為2-3，當(dāng)實(shí)時(shí)異常得分超過時(shí)觸發(fā)預(yù)警。
16、進(jìn)一步地，所述靜電感應(yīng)傳感器陣列包括多個(gè)在空間上分布的靜電感應(yīng)傳感器；所述多個(gè)靜電感應(yīng)傳感器沿顆粒物流動(dòng)方向以預(yù)設(shè)間隔布置，和/或在垂直于顆粒物流動(dòng)方向的橫截面上布置于不同徑向位置，以使得位于不同空間位置的傳感器對同一顆粒物產(chǎn)生具有可區(qū)分性的靜電感應(yīng)信號，所述可區(qū)分性包括信號強(qiáng)度差異或時(shí)間相位差異；
17、所述提取所述預(yù)處理信號的時(shí)頻域特征，還包括：根據(jù)多個(gè)所述靜電感應(yīng)傳感器對同一顆粒物的空間響應(yīng)差異，獲取用于表征顆粒物粒徑分布的空間差異特征向量；所述深度學(xué)習(xí)模型進(jìn)一步以所述空間差異特征向量作為輸入，來輸出所述粒徑分布反演結(jié)果。
18、進(jìn)一步地，所述具有可區(qū)分性的靜電感應(yīng)信號通過靜電感應(yīng)電流和靜電感應(yīng)傳感器陣列電流響應(yīng)向量確定，其中靜電感應(yīng)電流，用于確定單個(gè)靜電感應(yīng)傳感器的電流；
19、其中，為顆粒物總荷電量，為單位體積內(nèi)顆粒物數(shù)量，為單顆粒平均荷電量，為顆粒物運(yùn)動(dòng)速度，為傳感器有效感應(yīng)面積；
20、其中靜電感應(yīng)傳感器陣列電流響應(yīng)向量為：
21、；
22、所述靜電感應(yīng)傳感器陣列電流響應(yīng)向量用于將不同靜電感應(yīng)傳感器的電流強(qiáng)度組合為電流響應(yīng)向量，以表征傳感器間的空間響應(yīng)差異；
23、其中，為第個(gè)傳感器對第個(gè)顆粒物的感應(yīng)系數(shù)，為第個(gè)顆粒物的荷電量，為傳感器數(shù)量，為顆粒物數(shù)量。
24、進(jìn)一步地，提取所述時(shí)域特征時(shí)包括以下特征：
25、電流均值；
26、其中，為第個(gè)采樣點(diǎn)的電流值，為采樣點(diǎn)數(shù)；
27、電流峰值；
28、均方根值；
29、提取所述頻域特征時(shí)包括以下特征：
30、主頻率；
31、其中，為信號的功率譜密度；
32、功率譜熵；
33、其中，為第個(gè)頻率點(diǎn)的功率譜歸一化值，為頻率點(diǎn)數(shù)量；
34、提取所述時(shí)頻域特征時(shí)包括以下特征：
35、；
36、其中，為第個(gè)頻段的能量，為總能量，j為分解層數(shù)，為小波包能量熵。
37、進(jìn)一步地，所述深度學(xué)習(xí)模型同步輸出的顆粒物濃度監(jiān)測結(jié)果和粒徑分布的反演結(jié)果是根據(jù)顆粒物荷電量與粒徑的關(guān)聯(lián)公式計(jì)算得到的，所述關(guān)聯(lián)公式為：；
38、其中，為粒徑的顆粒物荷電量，為真空介電常數(shù)，為顆粒物相對介電常數(shù)，為電場強(qiáng)度。
39、本發(fā)明的有益效果如下：
40、1.突破了傳統(tǒng)單一傳感器監(jiān)測的局限性，顯著提升復(fù)雜工況下的監(jiān)測魯棒性：
41、傳統(tǒng)靜電感應(yīng)監(jiān)測方法多依賴單一傳感器，其信號易受環(huán)境溫濕度、顆粒物粒徑分布不均等因素的強(qiáng)烈干擾，導(dǎo)致監(jiān)測精度和穩(wěn)定性難以保證。本發(fā)明采用靜電感應(yīng)傳感器陣列結(jié)合溫濕度補(bǔ)償?shù)亩嗄B(tài)感知機(jī)制，從空間感知和環(huán)境補(bǔ)償兩個(gè)維度形成交叉驗(yàn)證，有效解決了上述問題。
42、一方面，靜電感應(yīng)傳感器陣列通過沿顆粒物流動(dòng)方向以預(yù)設(shè)間隔布置的多個(gè)傳感器，以及在同一截面上不同徑向位置布置的傳感器，獲取同一顆粒物在不同空間位置產(chǎn)生的具有可區(qū)分性的感應(yīng)信號。這種空間布置使得不同粒徑的顆粒物因其荷電量差異和運(yùn)動(dòng)特性差異在陣列各傳感器上產(chǎn)生信號強(qiáng)度和相位上的區(qū)分性響應(yīng)，從而為粒徑分布反演提供了豐富的多維空間信息，突破了單一傳感器僅能感知總量而無法區(qū)分粒徑的技術(shù)瓶頸。
43、另一方面，針對環(huán)境溫濕度對靜電感應(yīng)信號的強(qiáng)干擾問題——特別是高濕工況（相對濕度>70%）下顆粒物荷電效率降低30%-60%，傳感器表面易形成水膜導(dǎo)致信號漂移——本發(fā)明建立了基于徑向基函數(shù)（rbf）神經(jīng)網(wǎng)絡(luò)的溫濕度補(bǔ)償模型。該模型以實(shí)時(shí)溫濕度數(shù)據(jù)為輸入，輸出作用于降噪信號的動(dòng)態(tài)補(bǔ)償系數(shù)，能夠自適應(yīng)地消除環(huán)境因素對信號的干擾。實(shí)施例驗(yàn)證表明，在相對濕度25%-85%的寬幅變化范圍內(nèi)，經(jīng)補(bǔ)償后的信號基線漂移控制在±3%以內(nèi)，顯著增強(qiáng)了預(yù)處理信號的環(huán)境魯棒性。
44、2.創(chuàng)新性地引入cnn-bi-lstm深度學(xué)習(xí)模型，實(shí)現(xiàn)顆粒物濃度與粒徑分布的高精度同步監(jiān)測：
45、傳統(tǒng)靜電感應(yīng)信號處理方法多基于簡單的特征統(tǒng)計(jì)與線性回歸，對于顆粒物濃度與多維度靜電特征之間復(fù)雜的非線性映射關(guān)系，以及粒徑分布與信號頻譜特征之間的深層次關(guān)聯(lián)，其提取和建模能力嚴(yán)重不足。本發(fā)明提出的改進(jìn)cnn-bi-lstm深度學(xué)習(xí)模型，有機(jī)結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（cnn）的局部特征提取能力和雙向長短期記憶網(wǎng)絡(luò)（bi-lstm）的時(shí)序依賴捕捉能力，徹底解決了這一技術(shù)難題。
46、具體而言，卷積層通過可學(xué)習(xí)的卷積核，對靜電感應(yīng)信號的時(shí)頻特征圖以及由傳感器陣列空間響應(yīng)差異形成的空間差異特征向量進(jìn)行局部特征提取，自動(dòng)挖掘與顆粒物粒徑和濃度相關(guān)的潛在特征模式。bi-lstm層在此基礎(chǔ)上，充分利用工業(yè)過程中顆粒物排放狀態(tài)在一段時(shí)間內(nèi)具有時(shí)序連續(xù)性的特點(diǎn)，通過前向和后向兩個(gè)方向的隱藏狀態(tài)更新，捕捉特征序列中長期和短期的依賴關(guān)系，進(jìn)一步提升了模型對動(dòng)態(tài)變化工況的適應(yīng)能力。
47、在模型訓(xùn)練時(shí)，本發(fā)明采用了創(chuàng)新性的聯(lián)合損失函數(shù)，將濃度預(yù)測的均方誤差損失與粒徑分布反演的kl散度損失進(jìn)行加權(quán)組合（權(quán)重分別取0.6和0.4），通過多任務(wù)聯(lián)合優(yōu)化，使模型在學(xué)習(xí)過程中能夠共享底層特征表示，相互促進(jìn)各任務(wù)的學(xué)習(xí)效果。經(jīng)測試，本方法濃度監(jiān)測平均相對誤差小于4.2%，粒徑分布反演精度較傳統(tǒng)單傳感器線性反演方法提升31.1%以上，真正實(shí)現(xiàn)了濃度與粒徑分布的高精度同步在線監(jiān)測，填補(bǔ)了現(xiàn)有技術(shù)在該方面的空白。
48、3.嵌入改進(jìn)小波閾值降噪方法，有效抑制工業(yè)現(xiàn)場噪聲干擾：
49、工業(yè)現(xiàn)場存在大量電磁干擾和機(jī)械振動(dòng)噪聲，直接使用原始靜電感應(yīng)信號進(jìn)行分析將嚴(yán)重降低監(jiān)測精度。本發(fā)明針對靜電感應(yīng)信號中顆粒物脈沖特征明顯、噪聲主要集中在高頻的特點(diǎn)，設(shè)計(jì)了改進(jìn)的小波閾值降噪方法。該方法采用自適應(yīng)閾值策略，閾值λ由噪聲標(biāo)準(zhǔn)差估計(jì)和信號長度共同決定，能夠根據(jù)各層系數(shù)的實(shí)際噪聲水平動(dòng)態(tài)調(diào)整。同時(shí)，所設(shè)計(jì)的非線性閾值函數(shù)在硬閾值和軟閾值之間實(shí)現(xiàn)了平滑過渡，既保留了主要顆粒物脈沖特征的幅值，又避免了重構(gòu)信號中的振鈴和偽吉布斯現(xiàn)象。實(shí)施例中通過調(diào)節(jié)因子a=1.0的設(shè)置，有效濾除了高頻電磁干擾，同時(shí)完好保留了由顆粒物通過傳感器引起的關(guān)鍵脈沖信號，為后續(xù)特征提取和模型輸入提供了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。
50、4.基于孤立森林算法建立多層次異常預(yù)警機(jī)制，預(yù)警準(zhǔn)確率高、響應(yīng)速度快：
51、傳統(tǒng)工業(yè)過程顆粒物監(jiān)測普遍缺乏有效的異常預(yù)警機(jī)制，排放異常往往難以被及時(shí)識別，導(dǎo)致環(huán)境污染事件發(fā)生。本發(fā)明基于孤立森林（isolationforest）算法，建立了獨(dú)立于深度學(xué)習(xí)模型的異常檢測與預(yù)警體系。孤立森林算法利用異常樣本“少且不同”的特點(diǎn)，通過隨機(jī)選擇特征和分割值構(gòu)建多個(gè)孤立樹，能夠快速將異常點(diǎn)在高維特征空間中孤立出來，無需事先標(biāo)注異常樣本，特別適合工業(yè)現(xiàn)場異常數(shù)據(jù)稀缺的實(shí)際場景。
52、在此基礎(chǔ)上，本發(fā)明進(jìn)一步建立了科學(xué)的三級預(yù)警閾值體系：通過統(tǒng)計(jì)正常工況下異常得分的分布特征，以均值和標(biāo)準(zhǔn)差為基礎(chǔ)，分別取2.0倍、2.5倍和3.0倍標(biāo)準(zhǔn)差作為一級黃色提示、二級橙色告警、三級紅色報(bào)警的閾值。該分級預(yù)警機(jī)制既能靈敏地識別不同程度的異常，又能有效控制誤報(bào)率。實(shí)施例中遠(yuǎn)程連續(xù)72小時(shí)測試結(jié)果表明，異常預(yù)警準(zhǔn)確率達(dá)到95.5%，誤報(bào)率低于4%，預(yù)警響應(yīng)延遲時(shí)間平均僅為8.2秒，完全滿足工業(yè)應(yīng)用對實(shí)時(shí)性與準(zhǔn)確性的嚴(yán)格要求。
53、5.形成“感知-處理-監(jiān)測-預(yù)警”一體化技術(shù)閉環(huán)，推動(dòng)工業(yè)過程顆粒物排放智能管控：
54、本發(fā)明的另一突出優(yōu)勢在于，將多模態(tài)感知、信號預(yù)處理、特征提取、深度學(xué)習(xí)監(jiān)測和異常預(yù)警高度集成為一個(gè)完整的技術(shù)閉環(huán)。通過嵌入式采集系統(tǒng)實(shí)現(xiàn)了靜電感應(yīng)電流10khz的高速同步采集與溫濕度數(shù)據(jù)1hz的實(shí)時(shí)讀取，經(jīng)預(yù)處理和特征提取后，cnn-bi-lstm模型在線進(jìn)行濃度和粒徑的同步反演，孤立森林模型并行進(jìn)行異常狀態(tài)判別。當(dāng)檢測到異常時(shí)，系統(tǒng)自動(dòng)觸發(fā)預(yù)警，并完成本地?cái)?shù)據(jù)存儲與云端上傳，為環(huán)保監(jiān)管和工業(yè)過程優(yōu)化提供了實(shí)時(shí)、完整、可追溯的數(shù)據(jù)支撐。
55、綜上所述，本發(fā)明通過多傳感器空間陣列設(shè)計(jì)、環(huán)境自適應(yīng)補(bǔ)償、深度學(xué)習(xí)多任務(wù)建模、改進(jìn)信號降噪和智能異常檢測等多項(xiàng)技術(shù)手段的協(xié)同創(chuàng)新，系統(tǒng)性地解決了傳統(tǒng)工業(yè)顆粒物監(jiān)測方法實(shí)時(shí)性差、環(huán)境抗干擾能力弱、難以同步實(shí)現(xiàn)濃度監(jiān)測與粒徑分布反演、缺乏有效異常預(yù)警機(jī)制等一系列技術(shù)難題，顯著提升了復(fù)雜工況下顆粒物排放監(jiān)測的準(zhǔn)確性、魯棒性和智能化水平，為工業(yè)過程顆粒物排放管控與綠色生產(chǎn)優(yōu)化提供了核心技術(shù)支撐。