CN116603390B - 船舶尾气洗涤系统及其方法 - Google Patents

Abstract

公开了一种船舶尾气洗涤系统及其方法。其首先获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值，接着，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵，最后，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。其利用深度学习和人工智能技术来实现对于船舶尾气洗涤装置中第二碱液循环系统的碱液流速的智能化控制，进而实现船舶尾气洗涤装置中的第一碱液循环系统和第二碱液循环系统的碱液流速协同，以优化船舶尾气的梯级洗涤效果并提高碱液利用率。

Description

船舶尾气洗涤系统及其方法

技术领域

本公开涉及船舶尾气洗涤领域，且更为具体地，涉及一种船舶尾气洗涤系统及其方法。

背景技术

在现有技术中，船舶尾气洗涤塔在不允许使用海水洗涤的海域，通常主洗涤段的第一洗涤液喷嘴和副洗涤段的第二洗涤液喷嘴都是从同一储液器中抽取碱性相同的碱液，没有发挥主、副洗涤段的梯级洗涤的作用。

针对于上述问题，专利CN107812447A提出了一种船舶尾气洗涤装置，该装置通过巧妙的设计，能够实现对船舶尾气进行梯级洗涤。

但在实际进行船舶尾气的洗涤过程中，对于第一碱液循环系统和第二碱液循环系统的碱液流速缺乏精准的控制，碱液的利用率有限。因此，期待一种优化的船舶尾气洗涤方案。

发明内容

有鉴于此，本公开提出了一种船舶尾气洗涤系统及其方法，其利用深度学习和人工智能技术来实现对于船舶尾气洗涤装置中第二碱液循环系统的碱液流速的智能化控制，进而实现船舶尾气洗涤装置中的第一碱液循环系统和第二碱液循环系统的碱液流速协同，以优化船舶尾气的梯级洗涤效果并提高碱液利用率。

根据本公开的一方面，提供了一种船舶尾气洗涤方法，其包括：

获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；

基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及

基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。

根据本公开的另一方面，提供了一种船舶尾气洗涤系统，其包括：

流速值获取模块，用于获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；

特征矩阵提取模块，用于基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及

流速值控制模块，用于基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。

根据本公开的实施例，其首先获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值，接着，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵，最后，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。其利用深度学习和人工智能技术来实现对于船舶尾气洗涤装置中第二碱液循环系统的碱液流速的智能化控制，进而实现船舶尾气洗涤装置中的第一碱液循环系统和第二碱液循环系统的碱液流速协同，以优化船舶尾气的梯级洗涤效果并提高碱液利用率。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开的实施例的船舶尾气洗涤方法的流程图。

图2示出根据本公开的实施例的船舶尾气洗涤方法的架构示意图。

图3示出根据本公开的实施例的船舶尾气洗涤方法的子步骤S120的流程图。

图4示出根据本公开的实施例的船舶尾气洗涤方法的子步骤S123的流程图。

图5示出根据本公开的实施例的船舶尾气洗涤方法的子步骤S1231的流程图。

图6示出根据本公开的实施例的船舶尾气洗涤方法的子步骤S130的流程图。

图7示出根据本公开的实施例的船舶尾气洗涤系统的框图。

图8示出根据本公开的实施例的船舶尾气洗涤方法的应用场景图。

具体实施方式

下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。

如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

针对上述技术问题，本申请的技术构思为利用深度学习和人工智能技术来实现对于船舶尾气洗涤装置中第二碱液循环系统的碱液流速的智能化控制，进而实现船舶尾气洗涤装置中的第一碱液循环系统和第二碱液循环系统的碱液流速协同，以优化船舶尾气的梯级洗涤效果并提高碱液利用率。

图1示出根据本公开的实施例的船舶尾气洗涤方法的流程图。图2示出根据本公开的实施例的船舶尾气洗涤方法的架构示意图。如图1和图2所示，根据本公开实施例的船舶尾气洗涤方法，包括步骤：S110，获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；S120，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及，S130，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。

更具体地，在步骤S110中，获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值。这里，通过获取多个预定时间点的第一流速值和第二流速值可以动态地反映碱液的流动情况和变化趋势。在本申请的实施例中，在碱液循环系统当中的恰当位置处安装流速计，以利用流速计来采集多个预定时间点的第一流速值和第二流速值。应可以理解，流速计是一种用于测量流体流动速度的仪器或设备，其通常通过测量单位时间内通过流体的体积或质量来确定流速。流速计可以采用不同的原理和技术，包括机械式、电子式、超声波式等，在船舶尾气洗涤方法中，流速计用于测量第一碱液循环系统和第二碱液循环系统中碱液的流速，以获取多个预定时间点的第一流速值和第二流速值，从而反映碱液的流动情况和变化趋势。通过流速计的测量数据，可以确定碱液的流速控制策略，以实现有效的尾气洗涤过程。

更具体地，在步骤S120中，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵。相应地，在一种可能的实现方式中，如图3所示，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵，包括：S121，对所述多个预定时间点的第一流速值和第二流速值进行数据预处理以得到第一碱液流速时序输入向量和第二碱液流速时序输入向量；S122，对所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量进行时序特征提取以得到第一碱液流速时序特征向量和第二碱液流速时序特征向量；以及，S123，从所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量中提取所述交互转移特征矩阵。

应可以理解，深度卷积神经网络（Deep Convolutional Neural Network，DCNN）是一种特殊的神经网络结构，主要用于处理具有网格结构数据的任务，例如图像和语音识别。深度卷积神经网络模型通过多层卷积层和池化层来提取输入数据的特征，并通过全连接层进行分类或回归。卷积层用于检测输入数据中的局部特征，池化层用于减小特征图的空间尺寸，从而减少模型的参数量。通过多个卷积层和池化层的堆叠，深度卷积神经网络可以提取更高级别的抽象特征。深度卷积神经网络模型可以应用于提取交互转移特征矩阵，通过对预定时间点的第一流速值和第二流速值进行数据预处理，将其转换为时序输入向量，然后，通过时序特征提取，将时序输入向量转换为时序特征向量，最后，从第一碱液流速时序特征向量和第二碱液流速时序特征向量中提取交互转移特征矩阵，这些特征矩阵可以用于进一步的分析和处理。

接着，将所述多个预定时间点的第一流速值和第二流速值分别按照时间维度排列为第一碱液流速时序输入向量和第二碱液流速时序输入向量。也就是，将第一流速值和第二流速值的时序离散数据分别构造为结构化的所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量。与此同时，按照时间维度排列的操作可以将数据中的时间关系保留，使得后续模型能够更轻易地捕捉到流速值随时间的波动模式和变化趋势，从而理解流速值中的动态行为和周期性或趋势性的变化。相应地，在一种可能的实现方式中，对所述多个预定时间点的第一流速值和第二流速值进行数据预处理以得到第一碱液流速时序输入向量和第二碱液流速时序输入向量，包括：将所述多个预定时间点的第一流速值和第二流速值分别按照时间维度排列为所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量。

按照时间维度排列为第一碱液流速时序输入向量和第二碱液流速时序输入向量可以保留时间关系，通过按照时间维度排列数据，可以保留数据中的时间关系，这意味着后续的模型可以更好地理解流速值随时间的波动模式和变化趋势，从而捕捉到流速值中的动态行为和周期性或趋势性的变化；可以提供结构化输入，将离散的时序数据构造为结构化的时序输入向量，可以使数据更易于处理和分析，结构化的输入可以更好地适应各种机器学习和深度学习模型的输入要求，并且便于进行特征工程和模型训练；方便数据处理和分析，按照时间维度排列数据后，可以更方便地对数据进行处理和分析，例如，可以使用时间序列分析方法来探索数据中的周期性、趋势性和季节性等特征，进一步深入理解数据的变化规律；还可以支持预测和预测建模，按照时间维度排列的时序输入向量可以用于建立预测模型，例如时间序列预测模型，这样，可以基于历史数据来预测未来的流速值，从而支持决策和规划。换言之，按照时间维度排列为第一碱液流速时序输入向量和第二碱液流速时序输入向量有助于保留时间关系、提供结构化输入、方便数据处理和分析，以及支持预测和预测建模。这些好处可以提高对流速数据的理解和利用，并为后续的模型训练和分析提供更好的基础。在一个具体示例中，要进行向量排列，可以按照以下步骤进行：1.创建一个空的第一碱液流速时序输入向量和第二碱液流速时序输入向量；2.将多个预定时间点的第一流速值按照时间顺序依次添加到第一碱液流速时序输入向量中；3.将多个预定时间点的第二流速值按照时间顺序依次添加到第二碱液流速时序输入向量中。

进一步地，考虑到第一碱液流速时序输入向量和第二碱液流速时序输入向量中包含了一些重要的时序特征，例如，碱液流速在一天内可能会有规律性的波动。因此，在本申请的技术方案中，期待利用一维卷积神经网络模型来构造流速时序关联特征提取器，以提取第一碱液流速时序输入向量和第二碱液流速时序输入向量中的时序隐含关联模式特征信息。具体地，将所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量分别通过基于一维卷积神经网络模型的流速时序关联特征提取器以得到第一碱液流速时序特征向量和第二碱液流速时序特征向量。也就是，通过使用一维卷积神经网络模型，可以从时序数据中提取重要的时序特征，并将其转化为更高级的特征表示，以供后续的分析。这样可以更好地理解和利用流速时序数据，从而优化船舶尾气洗涤装置的性能和效果。相应地，在一种可能的实现方式中，对所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量进行时序特征提取以得到第一碱液流速时序特征向量和第二碱液流速时序特征向量，包括：将所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量分别通过基于一维卷积神经网络模型的流速时序关联特征提取器以得到所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量。

应可以理解，一维卷积神经网络（1D Convolutional Neural Network，1D CNN）是卷积神经网络的一种变体，主要用于处理序列数据，例如时间序列数据或文本数据。与传统的卷积神经网络不同，一维卷积神经网络使用一维卷积核对输入数据进行卷积操作，以提取序列数据中的局部特征。通过滑动窗口的方式，卷积核在序列数据上进行滑动，并计算每个窗口内的卷积操作。这样可以捕捉到序列数据中的局部模式和特征。一维卷积神经网络通常由多个卷积层、激活函数、池化层和全连接层组成。卷积层用于提取序列数据的局部特征，激活函数引入非线性特性，池化层用于减小特征图的尺寸，全连接层用于分类或回归任务。通过基于一维卷积神经网络模型的流速时序关联特征提取器，可以对第一碱液流速时序输入向量和第二碱液流速时序输入向量进行时序特征提取。这意味着卷积核将在时序数据上进行滑动，并提取局部特征。这些特征将被用作第一碱液流速时序特征向量和第二碱液流速时序特征向量，以进一步分析和处理船舶尾气洗涤数据。

进一步地，为了捕捉交互特征向量在第二碱液流速时序特征向量上的转移模式，在本申请的技术方案中，计算所述交互特征向量相对于所述第二碱液流速时序特征向量的转移矩阵作为交互转移特征矩阵，以挖掘交互关系的动态变化特征。也就是说，通过转移矩阵的方式来衡量第一碱液流速和第二碱液流速之间的交互关系在不同时间点上对第二碱液流速的动态影响，即反映了交互特征向量随着时间的推移如何影响第二碱液流速。相应地，在一种可能的实现方式中，如图4所示，从所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量中提取所述交互转移特征矩阵，包括：S1231，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到交互特征向量；以及，S1232，计算所述交互特征向量相对于所述第二碱液流速时序特征向量的转移矩阵作为所述交互转移特征矩阵。

由于在船舶尾气洗涤装置中，第一碱液流速和第二碱液流速之间存在一定的关联和协同关系。例如，第一碱液循环系统和第二碱液循环系统中的碱液流速之间存在相互影响的关系；又比如，第一碱液循环系统和第二碱液循环系统中的碱液流速之间的波动存在同步或存在相位差。在本申请的技术方案中，期待捕捉两者之间的关联与交互关系来更确切地描述第一碱液流速和第二碱液流速之间的协同关系。具体地，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到交互特征向量。其中，级联函数可以使网络具有一定逻辑推理能力，挖掘特征与特征间的关联信息和交互关系。这样，将第一碱液流速时序特征向量和第二碱液流速时序特征向量进行组合交融，可以获得一个更综合的特征表示，以更好地反映流速之间的协同状态。相应地，在一种可能的实现方式中，如图5所示，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到交互特征向量，包括：S12311，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到初始交互特征向量；S12312，对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到校正特征向量；S12313，对所述校正特征向量进行线性插值以得到调整后校正特征向量，其中，所述调整后校正特征向量和所述交互特征向量具有相同的长度；以及，S12314，将所述调整后校正特征向量和所述交互特征向量进行点乘加权以得到所述交互特征向量。

相应地，在一种可能的实现方式中，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到初始交互特征向量，包括：以如下级联公式进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到所述初始交互特征向量；其中，所述级联公式为：

其中，表示所述第一碱液流速时序特征向量，/>表示所述第二碱液流速时序特征向量，/>表示级联函数，/>表示所述初始交互特征向量。

在本申请的技术方案中，所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量分别表达所述第一流速值和所述第二流速值的流速时序局部关联特征，因此，由于源数据在时序分布上的差异，所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量的局部时序关联特征分布也会存在时序方向上的不完全对齐。

这样，在使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到所述交互特征向量时，所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量的各自的不对齐的局部时序关联特征分布在经由级联函数进行点卷积和激活操作时，会在模型的前向传播时产生信息损失，影响所述交互特征向量的表达效果。基于此，本申请的申请人对所述第一碱液流速时序特征向量，例如记为和所述第二碱液流速时序特征向量，例如记为/>进行前向传播信息保留融合，以得到校正特征向量/>。

相应地，在一种可能的实现方式中，对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到校正特征向量，包括：以如下融合公式对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到所述校正特征向量；其中，所述融合公式为：

其中，和/>分别表示将特征向量左移/>位和右移/>位，/>为取整函数，/>表示所述第一碱液流速时序特征向量，/>表示所述第二碱液流速时序特征向量，/>是所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量的所有特征值的均值，/>表示特征向量的一范数，/>是所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的距离，且/>表示以2为底的对数函数，/>和/>分别表示向量加法和向量减法。

这里，针对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量在网络模型中的前向传播过程中，由于卷积和激活操作产生的在向量尺度上的浮点分布误差和信息损失，通过从均一化信息角度来引入向量的逐位位移操作，来平衡和标准化前向传播过程中的量化误差和信息损失，并通过在融合之前重塑特征参数的分布来引入分布多样性，由此以扩大信息熵的方式进行信息保留（retention）。这样，再通过对所述校正特征向量/>进行线性插值以转换到与所述交互特征向量相同的长度后，对所述交互特征向量进行点乘加权，就可以减少所述交互特征向量的信息损失，从而提升所述交互特征向量及基于所述交互特征向量得到的所述交互转移特征矩阵的表达效果，改进所述交互转移特征矩阵通过分类器得到的分类结果的准确性。

值得一提的是，线性插值是一种常用的插值方法，用于在给定的数据点之间估计未知点的值，其基于线性关系，在已知的两个数据点之间进行插值计算。具体而言，线性插值假设两个已知数据点之间的变化是线性的，并根据这个线性关系来估计中间点的值。该方法利用已知数据点的坐标和对应的函数值，通过计算两个数据点之间的斜率，来确定未知点在两个已知点之间的位置。线性插值的计算公式如下：y=y1+(x-x1)*((y2-y1)/ (x2-x1))。其中，(x1,y1)和(x2,y2)是已知数据点的坐标，(x,y)是待估计的未知点的坐标，y表示未知点的估计值。

进一步地，在步骤S130中，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。相应地，在一种可能的实现方式中，如图6所示，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略，包括：S131，将所述交互转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的第二碱液循环系统中的碱液的流速值应增大或应减小；以及，S132，基于所述分类结果，确定所述第二碱液循环系统中的碱液的流速值的控制策略。其中，分类器可以通过学习已知的数据样本和其对应的分类标签（训练阶段），对未知数据进行分类预测（推断阶段）。其中，分类标签有两类，即“当前时间点的第二碱液循环系统中的碱液的流速值应增大”和“当前时间点的第二碱液循环系统中的碱液的流速值应减小”。也就是，当训练完成后，将所述交互转移特征矩阵输入到分类器中，分类器会根据学习到的模式和规律，判断当前时间点的第二碱液流速值应该是增大还是减小。在实际应用中，所述分类结果可以作为确定控制策略的重要依据。通过这样的方式来实现对于第二碱液循环系统中的碱液的流速值的智能化控制，以优化船舶尾气洗涤装置的洗涤效果和碱液利用率。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一种可能的实现方式中，将所述交互转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的第二碱液循环系统中的碱液的流速值应增大或应减小，包括：将所述交互转移特征矩阵按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。

进一步地，在S132步骤中，基于所述分类结果，确定所述第二碱液循环系统中的碱液的流速值的控制策略。其中，碱液的主要作用包括：中和酸性气体，船舶尾气中含有一定量的酸性气体，例如二氧化硫（SO2）和氮氧化物（NOx），碱液可以与这些酸性气体发生化学反应，中和其酸性，使其转化为相对较为无害的盐类或水；去除颗粒物，船舶尾气中还含有一定量的颗粒物，如颗粒状的烟尘和颗粒物悬浮物，碱液可以通过湿润和吸附的作用，将这些颗粒物捕捉并沉淀下来，从而净化尾气；降低尾气温度，船舶尾气在进入洗涤装置之前通常具有较高的温度，碱液通过与尾气的热交换作用，吸收部分热量，降低尾气温度，以保护后续处理设备免受高温的影响。换言之，碱液在船舶尾气洗涤中起到中和酸性气体、去除颗粒物和降低尾气温度的关键作用，能够有效净化船舶尾气，降低对环境的污染。

综上，基于本公开实施例的船舶尾气洗涤方法，其利用深度学习和人工智能技术来实现对于船舶尾气洗涤装置中第二碱液循环系统的碱液流速的智能化控制，进而实现船舶尾气洗涤装置中的第一碱液循环系统和第二碱液循环系统的碱液流速协同，以优化船舶尾气的梯级洗涤效果并提高碱液利用率。

图7示出根据本公开的实施例的船舶尾气洗涤系统100的框图。如图7所示，根据本公开实施例的船舶尾气洗涤系统100，包括：流速值获取模块110，用于获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；特征矩阵提取模块120，用于基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及，流速值控制模块130，用于基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。

这里，本领域技术人员可以理解，上述船舶尾气洗涤系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的船舶尾气洗涤方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本公开实施例的船舶尾气洗涤系统100可以实现在各种无线终端中，例如具有船舶尾气洗涤算法的服务器等。在一种可能的实现方式中，根据本公开实施例的船舶尾气洗涤系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该船舶尾气洗涤系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该船舶尾气洗涤系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该船舶尾气洗涤系统100与该无线终端也可以是分立的设备，并且该船舶尾气洗涤系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图8示出根据本公开的实施例的船舶尾气洗涤方法的应用场景图。如图8所示，在该应用场景中，首先，获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值（例如，图8中所示意的D1）和第二流速值（例如，图8中所示意的D2），然后，将所述多个预定时间点的第一流速值和第二流速值输入至部署有船舶尾气洗涤算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述船舶尾气洗涤算法对所述多个预定时间点的第一流速值和第二流速值进行处理以得到用于表示当前时间点的第二碱液循环系统中的碱液的流速值应增大或应减小的分类结果。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (3)

1.一种船舶尾气洗涤方法，其特征在于，包括：

获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；

基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及

基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略；

其中，基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵，包括：

将所述多个预定时间点的第一流速值和第二流速值分别按照时间维度排列为所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量；

对所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量进行时序特征提取以得到第一碱液流速时序特征向量和第二碱液流速时序特征向量；以及

从所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量中提取所述交互转移特征矩阵；

其中，对所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量进行时序特征提取以得到第一碱液流速时序特征向量和第二碱液流速时序特征向量，包括：

将所述第一碱液流速时序输入向量和所述第二碱液流速时序输入向量分别通过基于一维卷积神经网络模型的流速时序关联特征提取器以得到所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量；

其中，从所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量中提取所述交互转移特征矩阵，包括：

使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到交互特征向量；以及

计算所述交互特征向量相对于所述第二碱液流速时序特征向量的转移矩阵作为所述交互转移特征矩阵；

其中，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到交互特征向量，包括：

使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到初始交互特征向量；

对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到校正特征向量；

对所述校正特征向量进行线性插值以得到调整后校正特征向量，其中，所述调整后校正特征向量和所述交互特征向量具有相同的长度；以及

将所述调整后校正特征向量和所述交互特征向量进行点乘加权以得到所述交互特征向量；

对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到校正特征向量，包括：

以如下融合公式对所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量进行前向传播信息保留融合以得到所述校正特征向量；

其中，所述融合公式为：

V'=α×logV1≪s⊕β×logV2≫s

s=round[logv×V1⊖V21d(V1,V2)]

其中，≪s和≫s分别表示将特征向量左移s位和右移s位，round为取整函数，V1表示所述第一碱液流速时序特征向量，V2表示所述第二碱液流速时序特征向量，v是所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量的所有特征值的均值，∙1表示特征向量的一范数，d(V1,V2)是所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的距离，且log表示以2为底的对数函数，⊕和⊖分别表示向量加法和向量减法；

其中，基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略，包括：

将所述交互转移特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的第二碱液循环系统中的碱液的流速值应增大或应减小；以及

基于所述分类结果，确定所述第二碱液循环系统中的碱液的流速值的控制策略。

2.根据权利要求1所述的船舶尾气洗涤方法，其特征在于，使用级联函数来进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到初始交互特征向量，包括：

以如下级联公式进行所述第一碱液流速时序特征向量和所述第二碱液流速时序特征向量之间的特征交互以得到所述初始交互特征向量；

其中，所述级联公式为：

Vc=Concat[V1，V2]

其中，V1表示所述第一碱液流速时序特征向量，V2表示所述第二碱液流速时序特征向量，Concat[·]表示级联函数，Vc表示所述初始交互特征向量。

3.一种船舶尾气洗涤系统，其特征在于，使用如权利要求1所述的船舶尾气洗涤方法，所述船舶尾气洗涤系统包括：

流速值获取模块，用于获取第一碱液循环系统和第二碱液循环系统中的碱液在预定时间段内多个预定时间点的第一流速值和第二流速值；

特征矩阵提取模块，用于基于深度卷积神经网络模型，从所述多个预定时间点的第一流速值和第二流速值提取交互转移特征矩阵；以及

流速值控制模块，用于基于所述交互转移特征矩阵，确定所述第二碱液循环系统中的碱液的流速值的控制策略。