CN116519555A - 一种稀释法烟气监测系统 - Google Patents
一种稀释法烟气监测系统 Download PDFInfo
- Publication number
- CN116519555A CN116519555A CN202310483766.9A CN202310483766A CN116519555A CN 116519555 A CN116519555 A CN 116519555A CN 202310483766 A CN202310483766 A CN 202310483766A CN 116519555 A CN116519555 A CN 116519555A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- value
- data
- neural network
- dilution ratio
- 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 98
- 239000003546 flue gas Substances 0.000 title claims abstract description 98
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000003113 dilution method Methods 0.000 title claims abstract description 18
- 239000000523 sample Substances 0.000 claims abstract description 90
- 238000010790 dilution Methods 0.000 claims abstract description 69
- 239000012895 dilution Substances 0.000 claims abstract description 69
- 238000012937 correction Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 11
- 231100000719 pollutant Toxicity 0.000 claims abstract description 11
- 239000013618 particulate matter Substances 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000000779 smoke Substances 0.000 claims description 75
- 239000007789 gas Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000007664 blowing Methods 0.000 claims description 5
- 239000010935 stainless steel Substances 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910001069 Ti alloy Inorganic materials 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 229910001256 stainless steel alloy Inorganic materials 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 10
- 239000000428 dust Substances 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000790 scattering method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- -1 moisture Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Biology (AREA)
- Dispersion Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种稀释法烟气监测系统,用于废气污染源排放过程中的连续监测,包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元,所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备,所述数据采集与处理单元还包括分析模块和执行模块,分析模块用于获取烟气压力变化值,通过构建以烟气压力变化值为输入,以探头稀释比修正数值为输出的BP神经网络预测模型,并通过模型预测探头稀释比修正数值,执行模块与分析模块通信连接,用于获取预测的探头稀释比修正数值,并将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正。
Description
技术领域
本发明涉及烟气监测领域,特别涉及一种稀释法烟气监测系统。
背景技术
烟气CEMS在线监测系统主要是对企业环保烟囱进行实时监测,并将监测数据以数字字符串的形式发送到省环控中心.以便对企业生产排放情况进行了解和监管监测系统从环保烟囱采集有关烟气温度、湿度、SO2、NOx、含量、动静压、流量等一系列相关数据企业以及运营商对检测系统的维护起着至关重要的作用。对整个系统的硬件、软件不熟悉,会导致上传数据的错误与偏离,以及维护周期长所致的不上传等.直接影响到省厅对企业的监管,以致发生处罚等严重后果。
目前,较为普遍使用的测量方法有两种:一是直抽法,即利用抽气泵把经过预处理,除去水分,烟尘等杂质的烟气。吸入到分析仪进行PPM含量测量;二是稀释法,利用压缩空气,通过文丘里管把烟气按一定的比例稀释后。形成负压系统,直接进入分析仪,进行分析测量,预处理过程较为简单,烟气浓度低.便于日常维护。
当采用稀释法进行测量时,需要使用到稀释探头,目前,稀释探头多采用不锈钢材料制作而成,在其内部内置一个石英材料制成的临界小孔和不锈钢材料的真空发生器。通过真空发生器的气体流量为1~10L/min,通过临界小孔的样气流量为50~500mL/min。为了使喷嘴小孔得到临界流量,文丘里管喉部的绝对压力与烟道静压的比值应小于或等于0.53,此时,气体通过临界小孔的流速被限制在声速范围内,因此,气体流过临界小孔的流速也是一个恒定值。由此原理可以计算出样本气体的稀释比,其中,稀释比的计算公式为:R=(Q1+Q2)/Q2,式中,Q1为稀释气流量,L/min;Q2为样气流量,mL/min。
由于稀释探头对烟气压力变化非常敏感。烟气压力的变化会影响样气进入临界喷嘴的流速Q,从而影响稀释比。为了克服压力变化引起的稀释比改变,需要配置高精度的流量和压力表及报警系统,在压力发生变化时采取必要的修正措施,如真空压力表数值由原来的75kPa变为72kPa时,便需要对探头稀释比进行修正。目前采用的具体的修正方法是在系统中通入零气,调节仪器零点,以中浓度标准气对分析仪进行校准,将稳定后的分析仪器显示值存入仪器内。经修正后的稀释比的计算公式为:R=a/b,式中,R为稀释比;a为标准气体浓度;b为存入分析仪器内显示值数据,将修正后的稀释比输入到计算机内即可,例如:原稀释比R为100,标气浓度a为150ppm,原存入分析仪器内显示值数据b为1.5,修正后存入分析仪器内的显示值数据为1.3,此时,修正后的稀释比R=150/1.3≈115。
现有技术中,对探头稀释比修正的整个过程还需要人工采集基础变化数据,再对分析仪器内的显示值数据进行修改操作,施工效率低,出错率高,容错性低。为此,我们提出一种稀释法烟气监测系统。
发明内容
本发明提出的一种稀释法烟气监测系统,基于大数据技术,通过采用人工智能机器学习算法,挖掘真空压力表变化量与修正数值之间的关系,从而实现对探头稀释比的自动修正,可以降低人工劳动强度,提高施工效率,降低系统运行的报错率,从而提升烟气监测的准确性,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种稀释法烟气监测系统,用于废气污染源排放过程中的连续监测,包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元,所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备,其中,数据采集与传输设备分别与分析仪器、颗粒物监测单元、气态污染物监测单元、烟气参数监测单元均通信连接,所述数据采集与处理单元还包括分析模块和执行模块,分析模块用于获取烟气压力变化值,通过构建以烟气压力变化值为输入,以探头稀释比修正数值为输出的BP神经网络预测模型,并通过模型预测探头稀释比修正数值;
执行模块与分析模块通信连接,用于获取预测的探头稀释比修正数值,并将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正。
进一步的,为了丰富烟气压力参数数据的获取手段,提高烟气压力参数数据的准确性,烟气压力参数数据获取方法包括通过烟气参数监测单元测量直接获取,还包括通过机器学习算法挖掘获取。
进一步的,通过机器学习算法挖掘获取烟气压力参数数据是通过采用大数据演变分析技术分析随烟气压力随时间变化的规律来预测其发展趋势。
进一步的,BP神经网络预测模型的构建步骤包括:
步骤1,数据预处理:将获取的烟气压力变化值数据归一化处理,获取标准化数据集合,采用最大最小值归一化方法,将数据转化到[0,1]区间内;公式为:
其中,x为原始数据,x'为归一化后的数据,min和max分别为原始数据中的最小值和最大值;
步骤2,设计BP神经网络的结构:BP神经网络的结构包括输入层、隐藏层和输出层;输入层的节点数等于输入数据的维度,输出层的节点数等于输出数据的维度,隐藏层的节点数需要根据实际情况进行调整;公式为:
其中,f(x)为sigmoid函数或ReLU函数;
步骤3,将获取的标准化数据集合分割为训练集和测试集,其中,训练集占比为70%~80%,测试集占比为20%~30%;
步骤4,使用训练集数据对BP神经网络进行训练,设置训练的最大时期、目标误差、学习率;训练过程中,采用反向传播算法进行权值更新,以最小化误差函数;误差函数为:
其中,y_k为训练集的标签值,\hat{y_k}为BP神经网络的预测值;
步骤5,模型的验证:使用测试集对训练完成的神经网络进行测试,计算预测误差和准确率;预测误差采用均方误差(MSE)或者平均绝对误差(MAE)进行计算;公式为:
其中,yi为测试集的标签值,为BP神经网络的预测值;
步骤6,模型的优化:根据验证过程中的结果,调整神经网络的结构、学习率、权值优化算法,重新进行训练和验证至模型的预测误差和准确率小于设定阈值。
进一步的,训练集的输入数据为通过烟气参数监测单元测量直接获取的烟气压力参数数据,训练集的输出数据为与直接获取的烟气压力参数数据所对应的探头稀释比修正数值:
其中,与直接获取的烟气压力参数数据所对应的探头稀释比修正数值确定步骤包括:
①设定烟气压力变化量安全阈值,并获取系统正常运行状态下的烟气压力标准值;
②读取烟气压力的实时值,计算烟气压力的实时值与烟气压力标准值之间的差值;
③判定烟气压力的实时值与烟气压力标准值之间的差值是否在烟气压力变化量安全阈值范围内;
④当烟气压力的实时值与烟气压力标准值之间的差值在烟气压力变化量安全阈值范围外时,通过采用向系统中通入零气的修正方法,调节仪器零点,以中浓度标准气对分析仪进行校准,并通过公式计算探头稀释比修正数值,计算公式为:b=a/R,式中,R为稀释比;a为标准气体浓度;b为探头稀释比修正数值。
进一步的,为了实现对排放烟气的全面监测,烟气参数监测单元还用于采集样本气体的其他烟气参数数据,包括烟气流量、烟气温度、烟气湿度、烟气氧含量。
进一步的,为了改善系统运行的稳定性,减少设备的故障率和返修频次,样品采集与传输装置具备过滤颗粒物、加热、保温和反吹净化的功能,通过上述功能能够实现系统的自洁净,延长设备的使用周期,加热温度不小于120℃,且至少比烟气露点温度高10℃。
进一步的,为了提高设备运行的稳定性,样品采集装置的材质应选用耐高温、防腐蚀、不吸附、不与气态污染物发生反应的材料,样品采集装置的材质优选为不锈钢或钛合金。
进一步的,为了便于对系统进行校准,样品采集装置至少有两根样品传输管,分别用于样品气体的采集传输以及标准气体的全系统校准。
进一步的,为了延长分析仪器的使用寿命,降低其运行过程中的故障率,预处理设备包括样品过滤设备、除湿冷凝设备,除湿设备的运行温度为4±2℃。
与现有技术相比,本发明具有如下有益效果:
1)本发明提出的一种稀释法烟气监测系统,基于大数据技术,挖掘真空压力表变化量与修正数值之间的关系,通过采用人工智能机器学习算法构建BP神经网络预测模型,预测探头稀释比修正数值,并设置执行模块与分析模块通信连接,用于获取预测的探头稀释比修正数值,将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正从而实现对探头稀释比的自动修正,可以降低人工劳动强度,提高施工效率,降低系统运行的报错率,从而提升烟气监测的准确性。
附图说明
图1为本发明一种稀释法烟气监测系统的整体结构框图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸。
以下提供一种具体实施例
该实施例所采用的方案为:一种稀释法烟气监测系统,用于废气污染源排放过程中的连续监测,包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元,所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备,其中,数据采集与传输设备分别与分析仪器、颗粒物监测单元、气态污染物监测单元、烟气参数监测单元均通信连接,所述数据采集与处理单元还包括分析模块和执行模块,分析模块用于获取烟气压力变化值,通过构建以烟气压力变化值为输入,以探头稀释比修正数值为输出的BP神经网络预测模型,并通过模型预测探头稀释比修正数值,执行模块与分析模块通信连接,用于获取预测的探头稀释比修正数值,并将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正。
在本实施例中,分析模块的步骤包括:
步骤S1,烟气压力变化值采集:使用烟气参数监测单元中的传感器采集烟气压力变化值,并将其传输给数据采集与处理单元;
步骤S2,数据预处理:对采集到的烟气压力变化值进行滤波、去噪和校准预处理操作;
步骤S3,BP神经网络预测模型的构建:将预处理后的烟气压力变化值作为BP神经网络的输入数据,将探头稀释比修正数值作为输出数据,通过训练得到一个稳定的预测模型;其中,BP神经网络模型的构建过程如下:
假设输入层有m个神经元,隐含层有n个神经元,输出层有k个神经元,输入向量为X,输出向量为Y,第i个隐含层神经元的输出为h(i),第j个输出层神经元的输出为y(j);
输入层到隐含层的计算公式为:
h(i)=f(sum(w(j,i)*X(j))+b(i));
其中,w(j,i)表示输入层第j个神经元到隐含层第i个神经元的连接权重,b(i)表示隐含层第i个神经元的偏置,f为sigmoid函数或ReLU函数;
隐含层到输出层的计算公式为:
y(j)=g(sum(w(i,j)*h(i))+b(j));
其中,w(i,j)表示隐含层第i个神经元到输出层第j个神经元的连接权重,b(j)表示输出层第j个神经元的偏置,g为激活函数;
BP神经网络的训练过程包括前向传播和反向传播两个阶段,前向传播时,将输入向量X输入到网络中,得到输出向量Y;反向传播时,计算输出误差,并利用误差反向传播更新连接权重和偏置,使网络的输出误差最小化;其中,BP神经网络的误差公式为:
E=1/2*sum((y(j)-Y(j))^2);
其中,Y(j)为训练集中第j个样本的期望输出,y(j)为网络的实际输出;BP神经网络的权重和偏置更新公式为:
w(i,j)(t+1)=w(i,j)(t)-η*δ(j)*h(i)b(j)(t+1)=b(j)(t)-η*δ(j);
w(j,i)(t+1)=w(j,i)(t)-η*δ(j)*X(i)b(i)(t+1)=b(i)(t)-η*δ(j);
其中,η为学习率,δ(j)为第j个神经元的误差项;
步骤S4,模型预测:使用训练好的BP神经网络模型对新的烟气压力变化值进行预测,得到探头稀释比修正数值;
步骤S5,执行模块处理:将预测出的探头稀释比修正数值传输给执行模块,进行相应的修正操作。
在本实施例中,该系统的具体实施步骤为:
1)设定系统正常运行状态下的烟气压力变化量安全阈值,并获取系统正常运行状态下的烟气压力标准值;
2)通过分析模块构建BP神经网络预测模型,并通过模型预测探头稀释比修正数值;
3)通过烟气参数监测单元获取烟气压力的实时值,当烟气压力的实时值与烟气压力标准值之间的差值在烟气压力变化量安全阈值范围外时,分析模块将预测探头稀释比修正数值发送至执行模块;
4)执行模块将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正,
5)探头稀释比的自动修正完成后,通过样品采集与传输装置采集烟气样本,并对其进行稀释后,传送至预处理设备中,经过预处理设备对烟气样本进行处理后输送至分析仪器中进行分析,并获取修正后的气态污染物数据;
6)分别通过颗粒物监测单元、烟气参数监测单元对烟气排放过程中的颗粒物浓度和烟气参数进行监测,获取各单元的监测结果数据;
7)将获取的气态污染物数据和各单元的监测结果数据通过数据采集与传输设备传送至相关部门。
在本实施例中,对于颗粒物浓度参数的获取,可以采用测尘仪,颗粒物CEMS按取样方式可分为直读式、直接抽取式和稀释抽取式,按分析原理可分为光学法、电学法和放射性法。颗粒物CEMS浓度监测方法中光学技术应用最为广泛,在用的颗粒物CEMS的原理主要基于光学技术。光学法分为透射法和散射法两类,散射法又分为前散射法和后散射法两类。透射式测尘仪宜用于测量烟气中浓度较高的烟尘浓度,散射式测尘仪宜用于测量烟气中浓度较低的烟尘浓度。如果烟气中含有小液滴,透过的光束无法区分液滴和烟尘颗粒物,会导致结果偏高。
对于湿度较大甚至是结露的环境,适合使用直接抽取采样法。抽取式采样法需要配备一个射流泵,从烟道直接抽取原烟气进行测量,不改变烟气的性质。使用配备高精度温度控制的高功率加热器对湿烟气进行恒定温度加热,避免因湿烟气冷凝引起测量误差。
在本实施例中,对于烟气参数的获取,可以采用一体化热电阻温度变送器测量温度,采用压力变送器测量压力,采用氧化锆或电化学原理测量氧含量,采用电容式原理测量湿度。可采用压差法、热传感法和超声波法测量流量。
常用的方法是利用皮托管流量计采用压差法测量烟气流量。对于烟气排放量大且稳定、烟气流速在10~15m/s的工况,适合采用皮托管流量计。皮托管流量计主要是由皮托管和差压变送器组成。皮托管有两个测压孔,一个孔对准气体流动方向,测量的是总压,另一个孔与流动方向垂直,测量的是静压。差压变送器测量的是它们的差,即动压,流速与动压的平方根成正比。皮托管流量计量程上半部的测量精度较高,但是量程下半部的测量精度较低,也就是说流量低时,测量精度较差。
在本实施例中,当流速相对稳定且高于5m/s时,皮托管流量计的测量精度尚好,流速低于3m/s时,精度明显降低。因此,皮托管流量计不适用于5m/s以下的低流速场合。测量量程不宜设置太大,正常情况下流量宜位于仪表量程的50%~70%。由于烟气中含有粉尘,粉尘一旦附着在总压孔上,风速系数会发生变化,测量误差明显加大。为了解决这个问题,皮托管式烟气流量测量系统配置了反吹管路和电磁阀,定时进行反吹来清除污染物,以保证皮托管流速系数不变。
在本实施例中,为了丰富烟气压力参数数据的获取手段,提高烟气压力参数数据的准确性,烟气压力参数数据获取方法包括通过烟气参数监测单元测量直接获取,还包括通过机器学习算法挖掘获取。
在本实施例中,通过机器学习算法挖掘获取烟气压力参数数据是通过采用大数据演变分析技术分析随烟气压力随时间变化的规律来预测其发展趋势。
在本实施例中,我们提供一种BP神经网络预测模型的构建方法,该方法的构建步骤包括:
步骤1,数据预处理:将获取的烟气压力变化值数据归一化处理,获取标准化数据集合,采用最大最小值归一化方法,将数据转化到[0,1]区间内;公式为:
其中,x为原始数据,x'为归一化后的数据,min和max分别为原始数据中的最小值和最大值;
步骤2,设计BP神经网络的结构:BP神经网络的结构包括输入层、隐藏层和输出层;输入层的节点数等于输入数据的维度,输出层的节点数等于输出数据的维度,隐藏层的节点数需要根据实际情况进行调整;公式为:
其中,f(x)为sigmoid函数或ReLU函数;
步骤3,将获取的标准化数据集合分割为训练集和测试集,其中,训练集占比为70%~80%,测试集占比为20%~30%;
步骤4,使用训练集数据对BP神经网络进行训练,设置训练的最大时期、目标误差、学习率;训练过程中,采用反向传播算法进行权值更新,以最小化误差函数;误差函数为:
其中,y_k为训练集的标签值,\hat{y_k}为BP神经网络的预测值;
步骤5,模型的验证:使用测试集对训练完成的神经网络进行测试,计算预测误差和准确率;预测误差采用均方误差(MSE)或者平均绝对误差(MAE)进行计算;公式为:
其中,yi为测试集的标签值,为BP神经网络的预测值;
步骤6,模型的优化:根据验证过程中的结果,调整神经网络的结构、学习率、权值优化算法,重新进行训练和验证至模型的预测误差和准确率小于设定阈值。
在本实施例中,在模型的优化过程中,主要包括调整学习率、调整权值优化算法、调整神经网络的结构:具体过程为:
调整学习率:学习率的大小对模型的收敛速度和精度都有很大的影响,需要进行适当的调整。如果学习率过小,模型收敛速度会变慢;如果学习率过大,会导致模型无法收敛。本实施例通过试错法和经验来确定最优的学习率;调整公式为:
l=l*d^(ep/de);其中,l为初始学习率,d为学习率衰减因子,ep为当前迭代次数,de为学习率衰减步数。
(2)调整权值优化算法:权值优化算法直接影响神经网络的收敛速度和稳定性;本实施例通过Adam算法优化。
(3)调整神经网络的结构:通过增加或减少神经网络的层数和每层神经元的数量来优化模型。
进一步的,训练集的输入数据为通过烟气参数监测单元测量直接获取的烟气压力参数数据,训练集的输出数据为与直接获取的烟气压力参数数据所对应的探头稀释比修正数值:
进一步的,在本专利的实施中,我们提供一种获取与直接获取的烟气压力参数数据所对应的探头稀释比修正数值的方法,该方法的具体步骤包括:
①设定烟气压力变化量安全阈值,并获取系统正常运行状态下的烟气压力标准值;
②读取烟气压力的实时值,计算烟气压力的实时值与烟气压力标准值之间的差值;
③判定烟气压力的实时值与烟气压力标准值之间的差值是否在烟气压力变化量安全阈值范围内;
④当烟气压力的实时值与烟气压力标准值之间的差值在烟气压力变化量安全阈值范围外时,通过采用向系统中通入零气的修正方法,调节仪器零点,以中浓度标准气对分析仪进行校准,并通过公式计算探头稀释比修正数值,计算公式为:b=a/R,式中,R为稀释比;a为标准气体浓度;b为探头稀释比修正数值。
在本实施例中,为了实现对排放烟气的全面监测,烟气参数监测单元还用于采集样本气体的其他烟气参数数据,包括烟气流量、烟气温度、烟气湿度、烟气氧含量。
在本实施例中,为了改善系统运行的稳定性,减少设备的故障率和返修频次,样品采集与传输装置具备过滤颗粒物、加热、保温和反吹净化的功能,通过上述功能能够实现系统的自洁净,延长设备的使用周期,加热温度不小于120℃,且至少比烟气露点温度高10℃。
在本实施例中,为了提高设备运行的稳定性,样品采集装置的材质应选用耐高温、防腐蚀、不吸附、不与气态污染物发生反应的材料,样品采集装置的材质优选为不锈钢或钛合金。为了便于对系统进行校准,样品采集装置至少有两根样品传输管,分别用于样品气体的采集传输以及标准气体的全系统校准。
在本实施例中,为了延长分析仪器的使用寿命,降低其运行过程中的故障率,预处理设备包括样品过滤设备、除湿冷凝设备,除湿设备的运行温度为4±2℃。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种稀释法烟气监测系统,用于废气污染源排放过程中的连续监测,包括颗粒物监测单元、气态污染物监测单元、烟气参数监测单元及数据采集与处理单元,所述数据采集与处理单元包括样品采集与传输装置、预处理设备、分析仪器、数据采集与传输设备及辅助设备,其中,数据采集与传输设备分别与分析仪器、颗粒物监测单元、气态污染物监测单元、烟气参数监测单元均通信连接,其特征在于:所述数据采集与处理单元还包括分析模块和执行模块,分析模块用于获取烟气压力变化值,通过构建以烟气压力变化值为输入,以探头稀释比修正数值为输出的BP神经网络预测模型,并通过模型预测探头稀释比修正数值;执行模块与分析模块通信连接,用于获取预测出的探头稀释比修正数值,并将探头稀释比修正数值输入分析仪器中,实现对探头稀释比的自动修正。
2.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:烟气压力变化值的分析模块具体步骤包括:
步骤S1,烟气压力变化值采集:使用烟气参数监测单元中的传感器采集烟气压力变化值,并将其传输给数据采集与处理单元;
步骤S2,数据预处理:对采集到的烟气压力变化值进行滤波、去噪和校准预处理操作;
步骤S3,BP神经网络预测模型的构建:将预处理后的烟气压力变化值作为BP神经网络的输入数据,将探头稀释比修正数值作为输出数据,通过训练得到一个稳定的预测模型;
步骤S4,模型预测:使用训练好的BP神经网络模型对新的烟气压力变化值进行预测,得到探头稀释比修正数值;
步骤S5,执行模块处理:将预测出的探头稀释比修正数值传输给执行模块,进行相应的修正操作。
3.根据权利要求2所述的一种稀释法烟气监测系统,其特征在于:在步骤S3中,BP神经网络模型的构建过程如下:
假设输入层有m个神经元,隐含层有n个神经元,输出层有k个神经元,输入向量为X,输出向量为Y,第i个隐含层神经元的输出为h(i),第j个输出层神经元的输出为y(j);
输入层到隐含层的计算公式为:
h(i)=f(sum(w(j,i)*X(j))+b(i));
其中,w(j,i)表示输入层第j个神经元到隐含层第i个神经元的连接权重,b(i)表示隐含层第i个神经元的偏置,f为sigmoid函数或ReLU函数;
隐含层到输出层的计算公式为:
y(j)=g(sum(w(i,j)*h(i))+b(j))
其中,w(i,j)表示隐含层第i个神经元到输出层第j个神经元的连接权重,b(j)表示输出层第j个神经元的偏置,g为激活函数;
BP神经网络的训练过程包括前向传播和反向传播两个阶段,前向传播时,将输入向量X输入到网络中,得到输出向量Y;反向传播时,计算输出误差,并利用误差反向传播更新连接权重和偏置,使网络的输出误差最小化;其中,BP神经网络的误差公式为:
E=1/2*sum((y(j)-Y(j))^2);
其中,Y(j)为训练集中第j个样本的期望输出,y(j)为网络的实际输出;BP神经网络的权重和偏置更新公式为:
w(i,j)(t+1)=w(i,j)(t)-η*δ(j)*h(i)b(j)(t+1)=b(j)(t)-η*δ(j);
w(j,i)(t+1)=w(j,i)(t)-η*δ(j)*X(i)b(i)(t+1)=b(i)(t)-η*δ(j);
其中,η为学习率,δ(j)为第j个神经元的误差项。
4.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:BP神经网络预测模型的构建步骤包括:
步骤1,数据预处理:将获取的烟气压力变化值数据归一化处理,获取标准化数据集合,采用最大最小值归一化方法,将数据转化到[0,1]区间内;公式为:
其中,x为原始数据,x'为归一化后的数据,min和max分别为原始数据中的最小值和最大值;
步骤2,设计BP神经网络的结构:BP神经网络的结构包括输入层、隐藏层和输出层;输入层的节点数等于输入数据的维度,输出层的节点数等于输出数据的维度,隐藏层的节点数需要根据实际情况进行调整;公式为:
其中,f(x)为sigmoid函数或ReLU函数;
步骤3,将获取的标准化数据集合分割为训练集和测试集,其中,训练集占比为70%~80%,测试集占比为20%~30%;
步骤4,使用训练集数据对BP神经网络进行训练,设置训练的最大时期、目标误差、学习率;训练过程中,采用反向传播算法进行权值更新,以最小化误差函数;误差函数为:
其中,y_k为训练集的标签值,\hat{y_k}为BP神经网络的预测值;
步骤5,模型的验证:使用测试集对训练完成的神经网络进行测试,计算预测误差和准确率;预测误差采用均方误差(MSE)或者平均绝对误差(MAE)进行计算;公式为:
其中,yi为测试集的标签值,为BP神经网络的预测值;
步骤6,模型的优化:根据验证过程中的结果,调整神经网络的结构、学习率、权值优化算法,重新进行训练和验证至模型的预测误差和准确率小于设定阈值。
5.根据权利要求4所述的一种稀释法烟气监测系统,其特征在于:训练集的输入数据为通过烟气参数监测单元测量直接获取的烟气压力参数数据,训练集的输出数据为与直接获取的烟气压力参数数据所对应的探头稀释比修正数值:其中,与直接获取的烟气压力参数数据所对应的探头稀释比修正数值确定步骤包括:
①设定烟气压力变化量安全阈值,并获取系统正常运行状态下的烟气压力标准值;
②读取烟气压力的实时值,计算烟气压力的实时值与烟气压力标准值之间的差值;
③判定烟气压力的实时值与烟气压力标准值之间的差值是否在烟气压力变化量安全阈值范围内;
④当烟气压力的实时值与烟气压力标准值之间的差值在烟气压力变化量安全阈值范围外时,通过采用向系统中通入零气的修正方法,调节仪器零点,以中浓度标准气对分析仪进行校准,并通过公式计算探头稀释比修正数值,计算公式为:b=a/R,式中,R为稀释比;a为标准气体浓度;b为探头稀释比修正数值。
6.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:烟气参数监测单元还用于采集样本气体的其他烟气参数数据,包括烟气流量、烟气温度、烟气湿度、烟气氧含量。
7.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:样品采集与传输装置具备过滤颗粒物、加热、保温和反吹净化的功能,加热温度不小于120℃,且至少比烟气露点温度高10℃。
8.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:样品采集装置的材质为不锈钢或钛合金。
9.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:样品采集装置至少有两根样品传输管,分别用于样品气体的采集传输以及标准气体的全系统校准。
10.根据权利要求1所述的一种稀释法烟气监测系统,其特征在于:预处理设备包括样品过滤设备、除湿冷凝设备,除湿设备的运行温度为442℃。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483766.9A CN116519555A (zh) | 2023-04-25 | 2023-04-25 | 一种稀释法烟气监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483766.9A CN116519555A (zh) | 2023-04-25 | 2023-04-25 | 一种稀释法烟气监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116519555A true CN116519555A (zh) | 2023-08-01 |
Family
ID=87402518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483766.9A Pending CN116519555A (zh) | 2023-04-25 | 2023-04-25 | 一种稀释法烟气监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116519555A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075567A (zh) * | 2023-10-16 | 2023-11-17 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
CN117906376A (zh) * | 2024-03-18 | 2024-04-19 | 泰安中联水泥有限公司 | 一种回转窑碳排放量监测方法及系统 |
-
2023
- 2023-04-25 CN CN202310483766.9A patent/CN116519555A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117075567A (zh) * | 2023-10-16 | 2023-11-17 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
CN117075567B (zh) * | 2023-10-16 | 2024-01-30 | 昆山千友工业环保设备有限公司 | 一种应用于工业废气排放的监管方法及系统 |
CN117906376A (zh) * | 2024-03-18 | 2024-04-19 | 泰安中联水泥有限公司 | 一种回转窑碳排放量监测方法及系统 |
CN117906376B (zh) * | 2024-03-18 | 2024-05-24 | 泰安中联水泥有限公司 | 一种回转窑碳排放量监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116519555A (zh) | 一种稀释法烟气监测系统 | |
CN108956876B (zh) | 一种烟气在线连续监测系统的测量时延修正方法 | |
CN201335967Y (zh) | 一种工业烟尘、烟气排放在线监测系统 | |
CN103033399B (zh) | 一种pm2.5颗粒物监测仪用大气多参数变送器及其使用方法 | |
US6701255B2 (en) | Emission monitoring system and method | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
WO2022095534A1 (zh) | 一种预测火电厂氨逃逸的方法 | |
CN108762238B (zh) | 一种基于dcd的湿法冶金浸出过程故障诊断方法 | |
CN114935374A (zh) | 一种油井天然气流量计量过程的控制方法及系统 | |
CN111289697B (zh) | Cems运行状态监控与数据作假识别方法及系统 | |
CN117493818B (zh) | 基于动态遥感技术的国土测绘方法、系统及存储介质 | |
WO2022052319A1 (zh) | 气体检测系统及检测方法 | |
CN109030304A (zh) | 一种烟气超低排放微尘检测系统及检测方法 | |
CN102778445A (zh) | 一种标态干基智能分析仪和检测方法 | |
CN117630283A (zh) | 燃煤发电企业在线碳排放监测方法与系统 | |
AU2020100700A4 (en) | A Correction Method for Gas Sensor Based on Machine Learning | |
CN106370554A (zh) | 一种烟草含水率检测及在线水分仪监测方法 | |
CN108775921A (zh) | 工业烟气在线连续监测装置 | |
WO2024179001A1 (zh) | 一种火电厂在线化学仪表动态校验方法 | |
JPH06117600A (ja) | ガス、蒸気等の漏洩地点および漏洩量推定システム | |
CN108627202B (zh) | 工业烟气智能监测装置 | |
CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
CN113804595B (zh) | 一种多参数空气质量监测系统 | |
CN112595640B (zh) | 一种粉尘浓度均匀性检测装置及其检测方法 |
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 |