CN110738357A - 煤炭堆场起尘量预测方法、装置、系统和存储介质 - Google Patents
煤炭堆场起尘量预测方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN110738357A CN110738357A CN201910894006.0A CN201910894006A CN110738357A CN 110738357 A CN110738357 A CN 110738357A CN 201910894006 A CN201910894006 A CN 201910894006A CN 110738357 A CN110738357 A CN 110738357A
- Authority
- CN
- China
- Prior art keywords
- dust
- data
- amount
- historical
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000428 dust Substances 0.000 title claims abstract description 133
- 239000003245 coal Substances 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 116
- 238000012360 testing method Methods 0.000 claims description 62
- 238000012544 monitoring process Methods 0.000 claims description 48
- 238000003062 neural network model Methods 0.000 claims description 48
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010410 dusting Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 239000010410 layer Substances 0.000 claims 6
- 239000002344 surface layer Substances 0.000 claims 1
- 230000000630 rising effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 4
- 239000002352 surface water Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种煤炭堆场起尘量预测方法、装置、系统和存储介质。其中,煤炭堆场起尘量预测方法通过将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量。预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成。历史数据包括历史环境数据、历史煤剁参数和历史起尘量。根据预测起尘量生成控制指令,并将控制指令传输给洒水系统。控制指令用于指示洒水系统以相应的洒水量进行洒水。本申请不需要人工方式判断煤炭堆场环境和起尘情况以控制洒水量输出,可以消除人工判断起尘量的滞后性,大大节约了人力、提高洒水效率,实现污染事前防治,减少扬尘污染。
Description
技术领域
本申请涉及环境监测技术领域,特别是涉及一种煤炭堆场起尘量预测方法、装置、系统和存储介质。
背景技术
目前,煤炭堆场多为露天安置,受气象影响煤炭堆垛容易发生大量起尘,造成大面积的煤尘污染,严重污染煤炭堆场周围的大气和生态环境。传统技术是以人工的方式对煤炭堆场进行巡视和检查,根据煤种、煤炭堆垛实际起尘情况和现场环境进行判断,进而依据起尘量进行洒水,以实现抑尘。
在实现过程中,发明人发现传统技术中至少存在如下问题:通过人工判断煤炭堆场起尘量,存在滞后性,容易造成环境污染和煤尘扩散,使得抑尘治理效率低,抑尘效果差。
发明内容
基于此,有必要针对人工判断煤炭堆场起尘量存在滞后性的问题,提供一种煤炭堆场起尘量预测方法、装置、系统和存储介质。
在其中一个实施例中,提供了一种煤炭堆场起尘量预测方法,包括:
将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成;历史数据包括历史环境数据、历史煤剁参数和历史起尘量。
根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。
在其中一个实施例中,预设的起尘量预测模型通过如下步骤获得:
获取历史数据,并对历史数据进行预处理,得到历史监测数据。
根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型。
在其中一个实施例中,根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型的步骤包括:
将历史监测数据划分为训练集和测试集。
依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数、输出层神经元个数。
通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
在其中一个实施例中,通过训练集对神经网络模型进行训练,得到训练后的模型的步骤包括:
基于训练集和损失函数,对神经网络模型进行训练,并在损失函数的结果小于损失阈值时,完成训练,得到训练后的模型。
损失函数为基于真实值和第一预测值的函数;其中,真实值为训练集中当前时刻的真实起尘量;第一预测值为神经网络模型根据训练集中、上一时刻的数据预测得到的当前时刻的训练起尘量。
在其中一个实施例中,通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型的步骤包括:
通过测试集对训练后的模型进行模型准确率测试,并判断得到的准确率是否超过门限值;若是,则将训练后的模型确定为预设的起尘量预测模型;若否,则降低损失阈值,并通过训练集再次进行训练。
在其中一个实施例中,对历史数据进行预处理,得到历史监测数据的步骤包括:
根据数据类别,从历史数据中筛选出异常数据,并删除异常数据对应的历史数据,以完成数据清洗。
按照时间对清洗后的数据进行匹配,得到历史监测数据。
在其中一个实施例中,环境数据包括风速、大气湿度和大气温度中的至少一种;煤剁参数包括煤剁表层含水率和/或煤种。
历史数据包括周期性采集得到的多条历史环境数据;历史数据还包括周期性采集得到的多条历史煤垛参数;历史数据还包括周期性采集得到的多条历史起尘量。
在其中一个实施例中,输入层神经元个数为5,隐含层层级数为3,输出层神经元个数为1;激励函数为Sigmoid函数。
在其中一个实施例中,提供了一种煤炭堆场起尘量预测装置,包括:
起尘量获取模块,用于将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成;历史数据包括历史环境数据、历史煤剁参数和历史起尘量。
洒水控制模块,根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。
在其中一个实施例中,提供了一种煤炭堆场起尘量预测系统,包括:
处理设备,用于实现如上述的煤炭堆场起尘量预测方法。
洒水系统,用于接收处理设备传输的控制指令,根据控制指令进行洒水。
在其中一个实施例中,提供一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的煤炭堆场起尘量预测方法。
上述技术方案中的一个技术方案具有如下优点和有益效果:
本申请实施例中煤炭堆场起尘量预测方法,将获取到的实时环境数据、实时煤剁参数输入到预设的起尘量预测模型以获得对应的预测起尘量,基于预测起尘量传输控制指令至洒水系统,控制指令用于控制洒水系统输出的洒水量,以进行有效抑尘,不需要通过现场操作员检测、判断煤炭堆场环境状况和煤垛起尘情况以控制洒水量,解决人工判断煤炭堆场起尘量存在滞后性的问题,及时进行洒水操作,有效避免扬尘污染,大大节约了人力成本。
附图说明
通过附图中所示的本申请的优选实施例的更具体说明,本申请的上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分,且并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
图1为一个实施例中煤炭堆场起尘量预测方法的第一示意性流程图;
图2为一个实施例中煤炭堆场起尘量预测方法的第二示意性流程图;
图3为一个实施例中煤炭堆场起尘量预测方法的第三示意性流程图;
图4为一个实施例中神经网络模型的结构示意图;
图5为一个实施例中煤炭堆场起尘量预测装置的结构示意图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的首选实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“和/或”、“包括”和“具有”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例可运用于煤炭堆场;煤炭堆场多为露天放置,受气象影响煤炭堆垛容易发生大面积起尘,造成环境污染。传统技术中通过人工检查和判断现场环境状况和煤剁起尘情况,进而洒水进行抑尘,这种人工判断煤炭堆场起尘量的方式,存在滞后性,容易造成环境污染和煤尘扩散。为此,本申请提供一种煤炭堆场起尘量预测方法,该方法将实时的环境数据和实时煤剁数据输入预设的预测模型中,得到对应的预测起尘量,解决人工判断煤炭堆场起尘量存在滞后性的问题,根据预测起尘量控制洒水量具有较高的准确率,同时能够有效提高抑尘操作效率,减少扬尘污染。
如图1所示,在一个实施例中,提供了一种煤炭堆场起尘量预测方法,包括:
步骤S210,将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成;历史数据包括历史环境数据、历史煤剁参数和历史起尘量。
具体而言,环境数据包括某时刻的风速、风向、大气湿度、大气温度、气压和降雨量等数据;煤垛参数包括煤种、煤垛表层含水率、粉尘浓度等数据。该环境数据、煤垛参数为在某个统计周期内统计得到,为了提高起尘量的预测精度,统计周期不宜设置过长,该统计周期可为15分钟、30分钟、1小时等。示例性地,设置统计周期为30分钟。具体地,本申请实施例中可通过设置于煤炭堆场周边的多个检测传感器获取、人工采集或检测电路获取等方式周期性获取数据,此处不做具体限定。
其中,预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成。历史数据包括历史环境数据、历史煤剁参数和历史起尘量。具体地,通过构建支持向量机回归模型、神经网络模型和/或决策树模型,经历史数据训练上述模型得到预设的起尘量预测模型。
具体地,将获取到的实时环境数据和实时煤垛参数输入到预设的起尘量预测模型中,该起尘量预测模型可根据实时环境数据和实时煤垛参数,输出对应的预测起尘量。
步骤S220,根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。
具体而言,根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。示例性地,控制指令包括预测起尘量与对应的洒水量,将控制指令传输给洒水系统,实现对控制洒水系统洒水量的控制。示例性地,控制指令包括预测起尘量,将控制指令传输给洒水系统,洒水系统依据控制指令中的预测起尘量生成相应的洒水量以控制出水孔径数、相应的出水量。本申请提供的煤炭堆场起尘量预测方法可由服务器、笔记本电脑或平板电脑等计算机设备来实现。
本实施例中,通过获取实时环境数据和实时煤剁数据输入起尘量预测模型以预测未来的起尘量,根据起尘量控制洒水系统进行洒水,可以消除人工判断起尘量的滞后性,大大节约了人力成本,及时进行洒水操作,有效避免扬尘污染。
在一个实施例中,如图2所示,预设的起尘量预测模型通过如下步骤获得:
步骤S110,获取历史数据,并对历史数据进行预处理,得到历史监测数据。
具体地,将获取到的历史数据通过数据清洗、归一化、去噪处理或补缺等预处理后得到历史监测数据,以较少因历史数据存在冗余、缺失、消息利用率低等问题的影响。当存在信息冗余时,可通过夹角余弦算法、欧式距离或切比雪夫距离等算法,判断冗余数据并进行删除;当存在缺失值时,可使用平均值或出现概率较高的值对缺失值进行补充。
步骤S120,根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型。
进一步地,将历史监测数据输入神经网络模型进行训练,直到模型收敛、模型精确度达到预设要求后得到预设的起尘量预测模型。其中,历史监测数据包括历史环境数据、历史煤剁数据和历史起尘量。预设的起尘量预测模型,充分考虑到了煤炭堆场多个类别的数据,避免使用单一因素训练起尘量预测模型导致误差较大的问题,使得输出的预测起尘量较为准确。同时使用预处理后的数据,能够提高模型训练速度以及准确率,得到的起尘量预测模型具有较好的鲁棒性、数据处理效率快和预测精确度高的优点。
在一个实施例中,如图3所示,根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型的步骤包括:
步骤S122,将历史监测数据划分为训练集和测试集。
具体而言,将历史监测数据划分为训练集和测试集,训练集是学习样本数据集,通过训练集构建多因素的匹配条件对神经网络进行训练,即神经网络的学习过程;测试集,用于测试学习后的模型的预测能力,测试结果反映了训练后的模型的准确率。进一步地,可将历史监测数据按照一定比例划分为训练集和测试集,该比例可以是根据历史经验获取的比例。示例性地,划分80%的历史监测数据为训练集,20%的历史监测数据为测试集。示例性地,可对历史监测数据进行随机抽取的方式划分测试集与训练集。
步骤S124,依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数和输出层神经元个数。
具体而言,神经网络(Neural Network)是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。其中,神经网络参数包括输入层神经元个数、隐含层层级数、输出层神经元个数。可选地,隐含层层级数可以为1、3、5等,根据所需处理数据的规模以及模型的收敛程度决定,此处不做具体地限制。可选地,激励函数可为Sigmoid函数、tanh函数、ReLU函数、ELU(Exponential Linear Units)函数等。
步骤S126,通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
具体而言,测试集对训练后的模型进行测试,以验证模型训练过程是否准确,通过测试结果反应了训练后的模型的准确性,若该结果符合要求,则得到预设的起尘量预测模型。
在一个实施例中,通过训练集对神经网络模型进行训练,得到训练后的模型的步骤包括:
基于训练集和损失函数,对神经网络模型进行训练,并在损失函数的结果小于损失阈值时,完成训练,得到训练后的模型。
其中,损失函数用于表示采集到的当前时刻的起尘量和基于神经网络模型预测到当前时刻的起尘量的差异程度。可选地,损失函数可以为均方误差(Mean Squared Error)、交叉熵损失函数和Focal Loss函数等。通过训练集和损失函数对神经网络模型进行训练,在损失函数的结果小于损失阈值时,完成对神经网络的训练,得到训练后的模型。
损失函数为基于真实值和第一预测值的函数;其中,真实值为训练集中当前时刻的真实起尘量;第一预测值为神经网络模型根据训练集中、上一时刻的数据预测得到的当前时刻的训练起尘量。
示例性地,损失函数Loss的表达式为:
其中,yi为i时刻采集到的起尘量,为由第i-1时刻历史监测数据得到的对应的i时刻的第一预测值,i=1,2,3…n。
示例性地,损失函数为均方误差为(MSE),均方误差的定义公式为:
在一个实施例中,通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型的步骤包括:
通过测试集对训练后的模型进行模型准确率测试,并判断得到的准确率是否超过门限值;若是,则将训练后的模型确定为预设的起尘量预测模型;若否,则降低损失阈值,并通过训练集再次进行训练。
其中,准确率可用于评估训练后的模型的精确度,准确率表示对于给定的测试集中,预测正确的样本数量与总测试集的样本数量之比,用公式可以表示为:准确率=预测正确的样本数量/总测试集的样本数量。可以理解,模型预测结果与获取到的对应时刻的起尘量一致时,或两者之间的差值不超过预设偏差值时,认定为预测正确。
其中,通过设置门限值以满足对不同预测模型的精度要求。一般性地,设置门限值为95%及以上。当得到的准确率超过门限值时,认定训练后的模型的精度达到要求,将训练后的模型确定为预设的起尘量预测模型。否则,相应的降低损失阈值,通过训练集再次进行训练。示例性地,若得到的准确率未超过门限值,则降低损失阈值,通过训练集样本数据重新对神经网络模型进行训练,直到损失函数的结果小于损失阈值,且重新训练后的模型的准确率超过门限值。示例性地,若得到的准确率未超过门限值,则降低损失阈值,通过训练集样本数据,再次对原训练后的模型进行训练,直到损失函数的结果小于降低后的损失阈值,且再次训练后的模型的准确率超过门限值。
在一个实施例中,对历史数据进行预处理,得到历史监测数据的步骤包括:
根据数据类别,从历史数据中筛选出异常数据,并删除异常数据对应的历史数据,以完成数据清洗。
根据历史监测数据中某一类别的数据,筛选出异常数据,相应的删除异常对应的历史数据实现数据清洗,提高数据的有效性、模型训练效率。可选地,数据类别包括环境数据、煤垛参数、起尘量。
示例性地,数据清洗可基于以下公式实现:
其中,Dm=(Dt-1+Dt+1)/2
上述公式中,Dt为待处理的当前时刻的数据,wt为当前时刻的数据对应的权重系数;a为数据过滤门限值,数据过滤门限值取值范围为0-1,一般情况下a取0.5;Dm为相近时刻的均值,即与前一时刻数据与后一时刻数据的均值。
具体地,将当前时刻的数据Dt与相近时刻的均值Dm的差值的绝对值与门限数据a*Dm进行比较。若上述差值的绝对值大于门限数据则认定该数据为异常数据,过滤该数据并删除对应的历史数据,否则保留该数据。其中,数据过滤通过将当前数据与对应的权重系数相乘实现。通过数据清洗可以有效过滤历史数据中缺失、异常、重复的数值。
按照时间对清洗后的数据进行匹配,得到历史监测数据。
进一步地,由于采集到的历史数据中各类别数据往往具有不同的量纲和量纲单位,这样会影响到后续的模型训练的结果。为了消除各历史数据之间的量纲影响,需要对数据进行标准化处理,以提高各历史数据之间的可比性。同时对清洗后的数据,可对过去一段时间内基于不同采集时间量纲的历史数据,进行采集时间单位归一化处理并筛选,得到历史监测数据。
本申请实施例通过对历史数据进行数据清洗、按照时间匹配等预处理,使得历史监测数据更加便于运算,提高模型的运算效率,同时能保证训练后的预测模型的可靠性。
在一个实施例中,环境数据包括风速、大气湿度和大气温度中的至少一种;煤剁参数包括煤剁表层含水率和/或煤种。
历史数据包括周期性采集得到的多条历史环境数据;历史数据还包括周期性采集得到的多条历史煤垛参数;历史数据还包括周期性采集得到的多条历史起尘量。
具体地,历史数据包括过去一段时间内在固定采样周期采集到的多条数据,每条数据包括对应时刻的历史环境数据、历史煤垛参数和起尘量。其中,历史环境数据包括风速、大气湿度和大气温度中的至少一种;历史煤剁参数包括煤剁表层含水率和/或煤种。
本申请实施例基于上述多种因素进行模型训练预测,避免了使用单一因素对起尘量预测误差较大的问题。
在一个实施例中,输入层神经元个数为5,隐含层层级数为3,输出层神经元个数为1;激励函数为Sigmoid函数。
具体地,通过输入层神经元个数为5,隐含层层级数为3,输出层神经元个数为1搭建的神经网络模型,如图4所示。
其中,激励函数为Sigmoid函数,Sigmoid函数是一个在生物学中常见的S型函数,也称为S型生长曲线。Sigmoid函数常被用作神经网络的激活函数,将变量映射到0-1之间,该函数的表达式如下:
示例性地,将t时刻的风速、大气湿度、大气温度、煤种、煤垛表层含水率数据与t+Δt时刻的起尘量作为一条训练数据,总计得到多条历史数据,把数据总数的80%作为模型训练集,剩余20%作为测试集。Δt为所有输入参数监测时间间隔的最大值,其中表层含水率的监测时间间隔是20分钟,20分钟为所有输入参数的监测时间间隔的最大值,故Δt=20分钟。通过训练集训练输入层神经元个数为5,隐含层层级数为3,输出层神经元个数为1搭建的神经网络模型,得到训练后的模型。
应该理解的是,虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图5所示,提供了一种煤炭堆场起尘量预测装置,包括:
起尘量获取模块,用于将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成;历史数据包括历史环境数据、历史煤剁参数和历史起尘量。
洒水控制模块,根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。
在一个实施例中,煤炭堆场起尘量预测装置还包括:
预处理模块,用于获取历史数据,并对历史数据进行预处理,得到历史监测数据。
模型训练模块,用于根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型。
在一个实施例中,模型训练模块包括:
数据划分单元,用于将历史监测数据划分为训练集和测试集。
神经网络模型训练单元,用于依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数和输出层神经元个数。
通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
在一个实施例,煤炭堆场起尘量预测装置还包括:
数据清洗模块,用于根据数据类别,从历史数据中筛选出异常数据,并删除异常数据对应的历史数据,以完成数据清洗。
数据匹配模块,用于按照时间对清洗后的数据进行匹配,得到历史监测数据。
关于煤炭堆场起尘量预测装置的具体限定可以参见上文中对于煤炭堆场起尘量预测方法的限定,在此不再赘述。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。上述煤炭堆场起尘量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种煤炭堆场起尘量预测系统,包括:
处理设备,用于实现如上述的煤炭堆场起尘量预测方法。
洒水系统,用于接收处理设备传输的控制指令,根据控制指令进行洒水。
具体地,处理设备根据预测起尘量生成控制指令,将控制指令传输给洒水系统。若预测起尘量小于预设起尘量,处理设备则根据预测起尘量生成控制指令,控制指令用于控制洒水系统根据预测起尘量与洒水量之间的映射关系表进行洒水;若预测起尘量大于或等于预设起尘量,处理设备根据预测起尘量生成控制指令,控制指令用于控制洒水系统以固定值进行洒水。而固定值由煤炭堆场的煤剁的洒水承受力决定。
在一个实施例中,处理设备执行将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中的步骤之前,还实现以下步骤:
获取历史数据,并对历史数据进行预处理,得到历史监测数据。
用于根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型。
在一个实施例中,处理设备执行根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型的步骤,还实现以下步骤:
将历史监测数据划分为训练集和测试集。
依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数和输出层神经元个数。
通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
在一个实施例中,处理设备执行根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型的步骤,还实现以下步骤:
将历史监测数据划分为训练集和测试集。
依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数和输出层神经元个数。
通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
在一个实施例中,处理设备执行通过训练集对神经网络模型进行训练,得到训练后的模型的步骤,还实现以下步骤:
基于训练集和损失函数,对神经网络模型进行训练,并在损失函数的结果小于损失阈值时,完成训练,得到训练后的模型。
损失函数为基于真实值和第一预测值的函数;其中,真实值为训练集中当前时刻的真实起尘量;第一预测值为神经网络模型根据训练集中、上一时刻的数据预测得到的当前时刻的训练起尘量。
在一个实施例中,处理设备执行通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型的步骤,还实现以下步骤:
通过测试集对训练后的模型进行模型准确率测试,并判断得到的准确率是否超过门限值;若是,则将训练后的模型确定为预设的起尘量预测模型;若否,则降低损失阈值,并通过训练集再次进行训练。
在一个实施例中,处理设备执行对历史数据进行预处理,得到历史监测数据的步骤,还实现以下步骤:
根据数据类别,从历史数据中筛选出异常数据,并删除异常数据对应的历史数据,以完成数据清洗。
按照时间对清洗后的数据进行匹配,得到历史监测数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;预设的起尘量预测模型为基于煤炭堆场的历史数据训练生成;历史数据包括历史环境数据、历史煤剁参数和历史起尘量。
根据预测起尘量生成控制指令,并将控制指令传输给洒水系统;控制指令用于指示洒水系统以相应的洒水量进行洒水。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史数据,并对历史数据进行预处理,得到历史监测数据。
根据历史监测数据训练神经网络模型,得到预设的起尘量预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将历史监测数据划分为训练集和测试集。
依据神经网络参数和激励函数,搭建神经网络模型,并通过训练集对神经网络模型进行训练,得到训练后的模型;神经网络参数包括输入层神经元个数、隐含层层级数、输出层神经元个数。
通过测试集对训练后的模型进行模型测试,在模型测试的结果符合要求时,将训练后的模型确定为预设的起尘量预测模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于训练集和损失函数,对神经网络模型进行训练,并在损失函数的结果小于损失阈值时,完成训练,得到训练后的模型。
损失函数为基于真实值和第一预测值的函数;其中,真实值为训练集中当前时刻的真实起尘量;第一预测值为神经网络模型根据训练集中、上一时刻的数据预测得到的当前时刻的训练起尘量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
通过测试集对训练后的模型进行模型准确率测试,并判断得到的准确率是否超过门限值;若是,则将训练后的模型确定为预设的起尘量预测模型;若否,则降低损失阈值,并通过训练集再次进行训练。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据数据类别,从历史数据中筛选出异常数据,并删除异常数据对应的历史数据,以完成数据清洗。
按照时间对清洗后的数据进行匹配,得到历史监测数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种煤炭堆场起尘量预测方法,其特征在于,包括:
将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;所述预设的起尘量预测模型为基于所述煤炭堆场的历史数据训练生成;所述历史数据包括历史环境数据、历史煤剁参数和历史起尘量;
根据所述预测起尘量生成控制指令,并将所述控制指令传输给洒水系统;所述控制指令用于指示所述洒水系统以相应的洒水量进行洒水。
2.根据权利要求1所述的煤炭堆场起尘量预测方法,其特征在于,所述预设的起尘量预测模型通过如下步骤获得:
获取所述历史数据,并对所述历史数据进行预处理,得到历史监测数据;
根据所述历史监测数据训练神经网络模型,得到所述预设的起尘量预测模型。
3.根据权利要求2所述的煤炭堆场起尘量预测方法,其特征在于,根据所述历史监测数据训练神经网络模型,得到所述预设的起尘量预测模型的步骤包括:
将所述历史监测数据划分为训练集和测试集;
依据神经网络参数和激励函数,搭建所述神经网络模型,并通过所述训练集对所述神经网络模型进行训练,得到训练后的模型;所述神经网络参数包括输入层神经元个数、隐含层层级数和输出层神经元个数;
通过所述测试集对所述训练后的模型进行模型测试,在所述模型测试的结果符合要求时,将所述训练后的模型确定为所述预设的起尘量预测模型。
4.根据权利要求3所述的煤炭堆场起尘量预测方法,其特征在于,通过所述训练集对所述神经网络模型进行训练,得到训练后的模型的步骤包括:
基于所述训练集和损失函数,对所述神经网络模型进行训练,并在所述损失函数的结果小于损失阈值时,完成所述训练,得到所述训练后的模型;
所述损失函数为基于真实值和第一预测值的函数;其中,所述真实值为所述训练集中当前时刻的真实起尘量;所述第一预测值为所述神经网络模型根据所述训练集中、上一时刻的数据预测得到的当前时刻的训练起尘量。
5.根据权利要求4所述的煤炭堆场起尘量预测方法,其特征在于,通过所述测试集对所述训练后的模型进行模型测试,在所述模型测试的结果符合要求时,将所述训练后的模型确定为所述预设的起尘量预测模型的步骤包括:
通过所述测试集对所述训练后的模型进行模型准确率测试,并判断得到的准确率是否超过门限值;若是,则将所述训练后的模型确定为所述预设的起尘量预测模型;若否,则降低所述损失阈值,并通过所述训练集再次进行训练。
6.根据权利要求2所述的煤炭堆场起尘量预测方法,其特征在于,对所述历史数据进行预处理,得到历史监测数据的步骤包括:
根据数据类别,从所述历史数据中筛选出异常数据,并删除所述异常数据对应的历史数据,以完成数据清洗;
按照时间对清洗后的所述数据进行匹配,得到所述历史监测数据。
7.根据权利要求1所述的煤炭堆场起尘量预测方法,其特征在于,
所述环境数据包括风速、大气湿度和大气温度中的至少一种;所述煤剁参数包括煤剁表层含水率和/或煤种;
所述历史数据包括周期性采集得到的多条所述历史环境数据;所述历史数据还包括周期性采集得到的多条所述历史煤垛参数;所述历史数据还包括周期性采集得到的多条所述历史起尘量。
8.根据权利要求3所述的煤炭堆场起尘量预测方法,其特征在于,所述输入层神经元个数为5,所述隐含层层级数为3,所述输出层神经元个数为1;所述激励函数为Sigmoid函数。
9.一种煤炭堆场起尘量预测装置,其特征在于,包括:
起尘量获取模块,用于将获取到的实时环境数据和实时煤剁参数输入到预设的起尘量预测模型中,获得对应的预测起尘量;所述预设的起尘量预测模型为基于所述煤炭堆场的历史数据训练生成;所述历史数据包括历史环境数据、历史煤剁参数和历史起尘量;
洒水控制模块,根据所述预测起尘量生成控制指令,并将所述控制指令传输给洒水系统;所述控制指令用于指示所述洒水系统以相应的洒水量进行洒水。
10.一种煤炭堆场起尘量预测系统,其特征在于,包括:
处理设备,用于实现如权利要求1至8任一项所述的煤炭堆场起尘量预测方法;
洒水系统,用于接收所述处理设备传输的控制指令,根据所述控制指令进行洒水。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的煤炭堆场起尘量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894006.0A CN110738357A (zh) | 2019-09-20 | 2019-09-20 | 煤炭堆场起尘量预测方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910894006.0A CN110738357A (zh) | 2019-09-20 | 2019-09-20 | 煤炭堆场起尘量预测方法、装置、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738357A true CN110738357A (zh) | 2020-01-31 |
Family
ID=69269388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910894006.0A Pending CN110738357A (zh) | 2019-09-20 | 2019-09-20 | 煤炭堆场起尘量预测方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738357A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366509A (zh) * | 2020-02-26 | 2020-07-03 | 交通运输部天津水运工程科学研究所 | 基于全场监测的散货堆场粉尘精细化控制方法及控制系统 |
CN111414586A (zh) * | 2020-03-31 | 2020-07-14 | 北京派得伟业科技发展有限公司 | 一种环境监测方法及系统 |
CN113406938A (zh) * | 2021-06-29 | 2021-09-17 | 中铁八局集团第一工程有限公司 | 建筑施工的智能化管理方法 |
CN113533622A (zh) * | 2021-07-19 | 2021-10-22 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于神经网络的磨煤机煤质预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4534597A (en) * | 1982-09-22 | 1985-08-13 | Bergwerksverband Gmbh | Mining tool with automatic sprinkler control |
CN102346439A (zh) * | 2011-07-14 | 2012-02-08 | 交通运输部天津水运工程科学研究所 | 煤炭堆场智能洒水决策系统的运行方法 |
CN108845536A (zh) * | 2018-04-20 | 2018-11-20 | 燕山大学 | 一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法 |
-
2019
- 2019-09-20 CN CN201910894006.0A patent/CN110738357A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4534597A (en) * | 1982-09-22 | 1985-08-13 | Bergwerksverband Gmbh | Mining tool with automatic sprinkler control |
CN102346439A (zh) * | 2011-07-14 | 2012-02-08 | 交通运输部天津水运工程科学研究所 | 煤炭堆场智能洒水决策系统的运行方法 |
CN108845536A (zh) * | 2018-04-20 | 2018-11-20 | 燕山大学 | 一种基于视频技术的堆场扬尘实时检测和智能洒水降尘装置及方法 |
Non-Patent Citations (3)
Title |
---|
孙惠斌等 著: "《高品质切削过程的智能感知与预测技术》", 28 February 2019, 西北工业大学出版社 * |
徐天和等 著: "《中华医学统计百科全书 管理与健康统计分册》", 30 April 2013, 中国统计出版社 * |
王皓 等: "基于环境监测的煤炭堆场智能洒水系统研究", 《煤炭工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366509A (zh) * | 2020-02-26 | 2020-07-03 | 交通运输部天津水运工程科学研究所 | 基于全场监测的散货堆场粉尘精细化控制方法及控制系统 |
CN111366509B (zh) * | 2020-02-26 | 2022-09-02 | 交通运输部天津水运工程科学研究所 | 基于全场监测的散货堆场粉尘精细化控制方法及控制系统 |
CN111414586A (zh) * | 2020-03-31 | 2020-07-14 | 北京派得伟业科技发展有限公司 | 一种环境监测方法及系统 |
CN113406938A (zh) * | 2021-06-29 | 2021-09-17 | 中铁八局集团第一工程有限公司 | 建筑施工的智能化管理方法 |
CN113533622A (zh) * | 2021-07-19 | 2021-10-22 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于神经网络的磨煤机煤质预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738357A (zh) | 煤炭堆场起尘量预测方法、装置、系统和存储介质 | |
CN108280552B (zh) | 基于深度学习的电力负荷预测方法和系统、存储介质 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN107694337A (zh) | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 | |
CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
CN110701796B (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
CN112292642B (zh) | 用于控制技术系统的控制装置和用于配置控制装置的方法 | |
CN106251242B (zh) | 一种风电出力区间组合预测方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN112782050A (zh) | 基于长短期记忆神经网络的生物气溶胶浓度预测方法 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
CN110929835A (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN112686442A (zh) | 基于运行多样性空调末端能耗预测方法和系统 | |
CN117056678A (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
CN115592687B (zh) | 一种应用于泳池机器人故障报警及排除系统及方法 | |
Mawada et al. | Climate change impacts on the extreme rainfall for selected sites in North Western England | |
CN111814976A (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
CN111988814A (zh) | 一种采用改进变分自编码器评估链路质量的方法 | |
CN108429771B (zh) | 基于突变理论的软件定义网络安全状态评估方法及装置 | |
CN115983048A (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |