CN116629024A - 铸造工艺粉尘排放数据预测方法及系统 - Google Patents
铸造工艺粉尘排放数据预测方法及系统 Download PDFInfo
- Publication number
- CN116629024A CN116629024A CN202310777619.2A CN202310777619A CN116629024A CN 116629024 A CN116629024 A CN 116629024A CN 202310777619 A CN202310777619 A CN 202310777619A CN 116629024 A CN116629024 A CN 116629024A
- Authority
- CN
- China
- Prior art keywords
- dust
- data
- foundry
- emission
- dust emission
- 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 195
- 238000005266 casting Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000005086 pumping Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000028571 Occupational disease Diseases 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及铸造工艺粉尘排放数据预测方法及系统，包括以下步骤：基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。利用铸造车间内除尘设备的参数、铸造工艺流程数据和传感器模组获取的粉尘数据进行建模，得到能够模拟铸造车间产生粉尘的总量和粉尘排放的空间分布的数字孪生模型，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
Description
技术领域
本发明涉及数据处理技术领域，具体为铸造工艺粉尘排放数据预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
铸造是制造业的一种常见工艺，也是一种典型的高污染制造工艺，在铸造车间中，存在制造环境恶劣、作业工人高职业病风险等问题。因此铸造车间配备了大量的除尘设备，用于控制粉尘排放，但除尘设备运行过程需要消耗大量能源，增加了运行成本。
针对上述情况，如果通过分析粉尘排放相关数据，来优化铸造工艺，则可以改善粉尘排放的控制效果，从而降低粉尘对作业工人的危害并减少除尘设备运行期间的能源消耗，但目前对于粉尘的测量结果大多为浓度数据，不能转化为LCA(Life Cycle Assessment生命周期评估)所需的清单数据，并且数据的准确性也难以得到保证。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供铸造工艺粉尘排放数据预测方法及系统，利用铸造车间内除尘设备的参数、铸造工艺流程数据和传感器模组获取的粉尘数据进行建模，得到能够模拟铸造车间产生粉尘的总量和粉尘排放的空间分布的数字孪生模型，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供铸造工艺粉尘排放数据预测方法，包括以下步骤：
基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；
根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
传感器模组包括连接在外壳内的多组粉尘浓度传感器，外壳一端设有气体出口，另一端的气体入口通过气管连接气泵，气管的横截面积不变。
设定的传感器模组布置方式，具体为：在铸造车间顶部设定的工艺场景处布置一组传感器模组，以该工艺场景为圆心，设置两组半径不同的圆，每个圆上间隔120°设置一个监测位置，每个监测位置布置一组传感器模组，两个监测圆上相近的监测位置间隔60°，监测位置所在的高度递增形成螺旋上升式，监测圆的半径根据铸造车间实际大小确定。
粉尘质量浓度转换为排放物的清单数据值，具体为：根据气管的横截面积、排放速度、有效时间和气体质量浓度，得到排放物的清单数据值。
根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布，具体为：
获取排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，构建铸造车间粉尘排放系统的数字孪生模型
根据铸造车间粉尘排放系统的数字孪生模型和车间环境数字孪生模型得到数字孪生体，用于预测铸造车间粉尘的排放量及分布。
数字孪生体包括模拟器和预测器；
模拟器根据传感器模组收集的粉尘排放数据、工艺数据和除尘设备数据，基于空气流动原理和扩散模型，模拟铸造车间产生粉尘工艺、实际产生粉尘的总量和空间分布；
预测器根据空气流动数据、温度数据和扩散原理，结合模拟器的结果，得出铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
模拟器基于多项式回归算法对铸造工艺粉尘排放数据建模，通过对历史数据的分析和拟合，得到能够预测粉尘排放的多项式函数；
模拟器基于神经网络算法对铸造车间粉尘排放数据建模，通过对历史数据的学习和训练，得到能够预测铸造车间粉尘排放清单数据的神经网络模型；
结合多项式函数和神经网络模型，得到预测模型。
本发明的第二个方面提供实现上述方法所需的系统，包括：
数据采集模块，被配置为：基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；
数据预测模块，被配置为：根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，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所述的铸造工艺粉尘排放数据预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的铸造工艺粉尘排放数据预测方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、利用铸造车间内除尘设备的参数、铸造工艺流程数据和传感器模组获取的粉尘数据进行建模，得到能够模拟铸造车间产生粉尘的总量和粉尘排放的空间分布的数字孪生模型，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
2、粉尘数据通过气体流道面积恒定的传感器模组获取，配合呈螺旋上升的传感器布置方式，能够获得更加准确的粉尘排放浓度数据。
3、利用模型模拟实际铸造车间粉尘排放情况，实现对车间粉尘排放清单数据预测准确性的提升，通过建立仿真模型和数据模型实现对铸造车间真实物理场景的监测和预测。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的铸造工艺粉尘排放数据预测流程示意图；
图2是本发明一个或多个实施例提供的泵吸式铸造车间粉尘浓度采集装置结构示意图；
图3是本发明一个或多个实施例提供的泵吸式铸造车间粉尘浓度采集装置空间布置示意图；
图4是本发明一个或多个实施例提供的实现铸造工艺粉尘排放数据预测的模型架构示意图。
图中：2-1气泵，2-2气管，2-3粉尘浓度传感器，3-1传感器模组，3-2落砂工艺工作场景。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，铸造车间内的除尘设备在运行时会消耗大量能源，可以通过分析粉尘排放相关数据，来优化铸造工艺，改善粉尘排放的控制效果，从而降低粉尘对作业工人的危害并减少除尘设备运行期间的能源消耗，但目前对于粉尘的测量结果大多为浓度数据，不能转化为LCA(Life Cycle Assessment生命周期评估)所需的清单数据，并且数据的准确性也难以得到保证。
关于清单数据：单元过程系统中输入、输出的具体物质及其数值，即某过程中的材料、能源等输入值，和废气、废水排放等输出数据。不同的输入输出流各自有对应的流的名称、具体数值和单位。在应用时经常特指具体的数据值。
实施例一：
如图1-图4所示，铸造工艺粉尘排放数据预测方法，包括以下步骤：
步骤1：通过设计泵吸式传感器和传感器的空间布置方式，实现铸造车间粉尘的采集。在采集端得到较为准确的输入数据，为后续的数据预测提供好的数据基础。
如图2所示，泵吸式传感器内部设有多个粉尘浓度传感器(2-3)，通过气泵(2-1)将环境中的气体吸入横截面积固定的气管(2-2)内，并利用气管(2-2)将含有粉尘的气体送入到粉尘浓度传感器(2-3)所在的腔体中，所采集得到的数据为粉尘质量浓度，由于空间的粉尘分布无规律且杂乱无章，因此通过泵吸式的方法将空间的粉尘主动吸入粉尘传感器上，粉尘浓度的采集速度可以通过调节泵吸功率直接控制，同时粉尘在装置内的流速也易得到。整个装置是一个相对密封的环境，只留有进气口和出气口，整个装置内的气体流动通道横截面积恒定。
则基于上述排放速度、粉尘质量浓度和通道横截面积，通过下面公式可计算得到排放物的清单数据值：
式中，S代表排放通道的横截面积，μ代表排放速度，t代表有效时间，Cm表示气体质量浓度。
对于传感器模组的布置，由于铸造车间是一个非常复杂的环境，单一装置采集不能够反映整体车间粉尘排放情况，因此本实施例利用7个同样的采集装置，通过同心圆布点法，如图3所示：
共设置7个传感器模组(3-1)，分别为图3中的编号1-7。在车间顶部布置一个，确定粉尘主要产生工艺，这里以落砂工艺工作场景(3-2)为代表，以该工艺为圆心，在外面设置两个半径不同的圆周，圆周半径分别为3m和5m，每隔120°设置一个监测位置。在每个监测圆周上总共设置3个方位，两个圆周上相近的装置间隔60°，布置高度为螺旋上升式，高度不断递增，同心圆半径根据铸造车间实际大小确定。
步骤2：通过工业物联网技术搭建数据传输和数据处理框架。其包括数据传输、边缘计算框架和数据存储，旨在边缘端进行数据处理，降低带宽压力，提高数据实时性。
数据传输方式采用有线无线结合，传感器与控制板为有线传输，通过子母线进行连接，控制板选用树莓派。采集到的数据通过在边缘端也就是在树莓派上先进行数据预处理，包括数据降噪、清洗、聚合、清单转化。预处理后的数据通过MQTT协议传输到边缘网关，边缘网关可部署在车间的服务器上，在边缘网关将得到的数据通过基于数字孪生技术的数据处理方法在边缘端实现数据处理，得到预测数据。最终将预测数据通过5G传输至云端经行存储，方便用户调用和管理，最终实现在云端进行全局的控制，形成闭环的工业物联网架构。
步骤3：建立数字孪生体，如图4所示：
通过采集铸造车间粉尘排放清单数据、具体铸造工艺流程、除尘设备相关数据、工时工步信息，构建铸造车间粉尘排放系统的数字孪生模型。数字孪生模型将实际物理系统的运行情况、结构和性能特征在计算机上进行数字化建模。
数字孪生模型由铸造车间粉尘排放仿真模型和数据模型组成。仿真模型是数字孪生模型的核心，通过泵吸式传感器采集的粉尘排放清单数据结合车间环境和除尘设备的工作功率，构建粉尘的扩散轨迹和分布，得到粉尘排放模型、通过铸造工艺的工时和工步对应关系，得到工时工步关联模型、通过对具体制造工艺的原理进行解剖，包括工艺场景的面积、工艺所用到的材料、产生粉尘的成分和具体产生粉尘的工步，得到铸造工艺模型；数据模型是数字孪生的关键组成部分，在仿真模型的基础上通过输入数据模拟实际铸造车间粉尘排放情况实现对车间粉尘排放清单数据预测准确性的提升。通过建立仿真模型和数据模型实现对铸造车间真实物理场景的监测和预测。
将铸造车间粉尘排放系统的数字孪生模型和车间环境数字孪生模型结合起来构建数字孪生体，预测整个车间粉尘的排放量及分布。
数字孪生体包括模拟器、预测器和数据采集器。
模拟器是是数字孪生体的核心算法模型，其目的是模拟铸造车间产生粉尘工艺实际产生粉尘的总量和空间分布，尽可能的反应实际情况。模拟器根据传感器收集的粉尘排放数据、工艺数据、除尘器功率等外部数据进行建立，结合空气流动原理和扩散模型等内部数据进行计算。
在具体实现过程中，模拟器采用了多项式回归算法对具体铸造工艺粉尘排放数据进行建模，通过对历史数据的分析和拟合，得到一个能够准确预测粉尘排放的多项式函数。同时，模拟器还采用了神经网络算法对铸造车间整体粉尘排放进行建模，通过对历史数据的学习和训练，得到一个能够准确预测铸造车间整体粉尘排放清单数据的神经网络模型。最后将二者结合起来，通过将回归算法得到的相关数据输入到神经网络模型中进行更新和预测，从而形成一个将铸造工艺粉尘排放和整体车间粉尘排放联系起来的预测模型，提高了预测的准确性和可靠性。
步骤4：预测器的目的是基于模拟器和数据采集器的结果，预测整体车间现在和未来一段时间的粉尘排放量和排放分布。
预测器可以根据空气流动数据、温度数据、扩散原理等外部数据，结合模拟器和数据采集器的结果进行计算，得出整体车间现在和未来一段时间的粉尘排放量和排放分布。预测器主要采用神经网络算法进行建模，通过对历史数据的学习和训练，得到一个能够准确预测铸造车间粉尘排放量的神经网络模型。
在神经网络模型的设计中，考虑到粉尘排放数据的非线性和时变性，采用了具有一定深度和宽度的多层感知器模型，多层感知器(MLP，Multilayer Perceptron)是一种前馈人工神经网络模型，将输入的多个数据集映射到单一输出数据集上，包括输入层、隐藏层和输出层，最终预测出铸造车间粉尘排放清单数据。
输入层接收历史和未来一段时间内的粉尘排放数据、工艺数据和环境气象数据；隐藏层采用ReLU(Rectified Linear Unit)激活函数，具有多个神经元节点，可以进行非线性特征提取和复杂关系建模；输出层采用线性激活函数，输出预测的铸造车间粉尘排放清单数据。
在神经网络模型的训练和优化中，采用了正则化和批量归一化技术，提高模型的预测精度和泛化能力。正则化技术包括L1正则化和L2正则化，可以有效地降低模型的过拟合风险；批量归一化可以加速模型的收敛速度和提高模型的稳定性。
模型训练过程中，采用了随机梯度下降(SGD，Stochastic Gradi ent Descent)算法进行参数优化，同时采用了早停技术，防止模型在训练时过拟合。为了提高模型的预测精度，还采用了交叉验证技术，对模型进行评估和选择最优的超参数组合。
神经网络公式和计算过程如下：
输入层：接收历史和未来一段时间内的车间环境数据和铸造工艺粉尘排放数据。
隐藏层：采用ReLU(Rectified Linear Unit)激活函数，具有多个神经元节点，可以进行非线性特征提取和复杂关系建模。假设隐藏层共有m个神经元，则第j个神经元的输入为：
其中Xi是输入层的第i个特征，Wij是第i个特征到第j个神经元之间的权重，bj是第j个神经元的偏置项。输出为：
aj＝max(0,Zj)
max表示取输入和0中的较大值，即ReLU函数。
输出层：采用线性激活函数，输出预测的车间粉尘排放量。假设输出层只有一个神经元，其输入为：
wj是第j个神经元到输出层之间的权重，b是输出层的偏置项，输出：a＝z。
模型训练和优化：采用随机梯度下降算法(SGD)进行参数优化，其中损失函数采用均方误差(MSE，Mean Squared Error)函数。同时采用L1正则化和L2正则化技术进行正则化处理，以避免过拟合现象的发生。采用批量归一化技术加速模型的收敛速度和提高模型的稳定性。
预测过程：输入待预测的车间环境数据和铸造工艺粉尘排放清单数据，经过神经网络模型计算得到预测的车间粉尘排放清单数据。
综上所述，基于数字孪生的铸造车间粉尘排放清单数据预测方法的神经网络公式和计算过程简单明了，可以为实际应用提供有效的支持和指导。
实施例二：
实现上述方法的系统，包括：
数据采集模块，被配置为：基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；
数据预测模块，被配置为：根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
实施例三：
本实施例提供了一种计算机可读存储介质，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实施例一所述的铸造工艺粉尘排放数据预测方法中的步骤。
实施例四：
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的铸造工艺粉尘排放数据预测方法中的步骤。
以上实施例二至四中涉及的各步骤或模块与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.铸造工艺粉尘排放数据预测方法，其特征在于，包括以下步骤：
基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；
根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
2.如权利要求1所述的铸造工艺粉尘排放数据预测方法，其特征在于，所述传感器模组包括连接在外壳内的多组粉尘浓度传感器，外壳一端设有气体出口，另一端的气体入口通过气管连接气泵，气管的横截面积不变。
3.如权利要求1所述的铸造工艺粉尘排放数据预测方法，其特征在于，设定的传感器模组布置方式，具体为：在铸造车间顶部设定的工艺场景处布置一组传感器模组，以该工艺场景为圆心，设置两组半径不同的圆，每个圆上间隔120°设置一个监测位置，每个监测位置布置一组传感器模组，两个监测圆上相近的监测位置间隔60°，监测位置所在的高度递增形成螺旋上升式，监测圆的半径根据铸造车间实际大小确定。
4.如权利要求1所述的铸造工艺粉尘排放数据预测方法，其特征在于，粉尘质量浓度转换为排放物的清单数据值，具体为：根据气管的横截面积、排放速度、有效时间和气体质量浓度，得到排放物的清单数据值。
5.如权利要求1所述的铸造工艺粉尘排放数据预测方法，其特征在于，根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布，具体为：
获取排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，构建铸造车间粉尘排放系统的数字孪生模型
根据铸造车间粉尘排放系统的数字孪生模型和车间环境数字孪生模型得到数字孪生体，用于预测铸造车间粉尘的排放量及分布。
6.如权利要求5所述的铸造工艺粉尘排放数据预测方法，其特征在于，数字孪生体包括模拟器和预测器；
模拟器根据传感器模组收集的粉尘排放数据、工艺数据和除尘设备数据，基于空气流动原理和扩散模型，模拟铸造车间产生粉尘工艺、实际产生粉尘的总量和空间分布；
预测器根据空气流动数据、温度数据和扩散原理，结合模拟器的结果，得出铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
7.如权利要求6所述的铸造工艺粉尘排放数据预测方法，其特征在于，模拟器基于多项式回归算法对铸造工艺粉尘排放数据建模，通过对历史数据的分析和拟合，得到能够预测粉尘排放的多项式函数；
模拟器基于神经网络算法对铸造车间粉尘排放数据建模，通过对历史数据的学习和训练，得到能够预测铸造车间粉尘排放清单数据的神经网络模型；
结合多项式函数和神经网络模型，得到预测模型。
8.铸造工艺粉尘排放数据预测系统，其特征在于，包括：
数据采集模块，被配置为：基于传感器模组和设定的传感器模组布置方式，获取铸造车间的粉尘质量浓度，转换为排放物的清单数据值并预处理；
数据预测模块，被配置为：根据预处理后的排放物清单数据值、铸造工艺流程、除尘设备数据以及工时工步信息，模拟铸造车间产生粉尘的总量和粉尘排放的空间分布，并预测铸造车间当前时刻和未来时刻的粉尘排放量和粉尘排放的空间分布。
9.一种计算机可读存储介质，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权利要求1-7任一项所述的铸造工艺粉尘排放数据预测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一项所述的铸造工艺粉尘排放数据预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777619.2A CN116629024A (zh) | 2023-06-28 | 2023-06-28 | 铸造工艺粉尘排放数据预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310777619.2A CN116629024A (zh) | 2023-06-28 | 2023-06-28 | 铸造工艺粉尘排放数据预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629024A true CN116629024A (zh) | 2023-08-22 |
Family
ID=87602718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310777619.2A Pending CN116629024A (zh) | 2023-06-28 | 2023-06-28 | 铸造工艺粉尘排放数据预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629024A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117558367A (zh) * | 2024-01-08 | 2024-02-13 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
| CN117705663A (zh) * | 2023-12-14 | 2024-03-15 | 中国矿业大学 | 一种基于边缘计算的采煤工作面粉尘浓度监测系统及方法 |
-
2023
- 2023-06-28 CN CN202310777619.2A patent/CN116629024A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117705663A (zh) * | 2023-12-14 | 2024-03-15 | 中国矿业大学 | 一种基于边缘计算的采煤工作面粉尘浓度监测系统及方法 |
| CN117705663B (zh) * | 2023-12-14 | 2024-06-11 | 中国矿业大学 | 一种基于边缘计算的采煤工作面粉尘浓度监测系统及方法 |
| CN117558367A (zh) * | 2024-01-08 | 2024-02-13 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
| CN117558367B (zh) * | 2024-01-08 | 2024-03-26 | 科扬环境科技有限责任公司 | 一种挥发性有机污染物排放量计算方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629024A (zh) | 铸造工艺粉尘排放数据预测方法及系统 | |
| CN114322199B (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
| CN113769519A (zh) | 一种建筑工地的智能降尘控制方法及系统 | |
| CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
| CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
| CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
| CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
| CN114462309B (zh) | 一种物理仿真模型训练方法、装置、设备和存储介质 | |
| CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
| CN112884243A (zh) | 一种基于深度学习和贝叶斯模型的空气质量分析预测方法 | |
| CN112598170A (zh) | 基于多组件融合时间网络的车辆尾气排放预测方法及系统 | |
| Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
| CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
| CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
| CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
| CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
| CN117170310A (zh) | 一种基于数字孪生的数控机床远程故障诊断方法及系统 | |
| CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
| CN115618735A (zh) | 基于数字孪生的设施结构健康监测方法及相关装置 | |
| CN112581031B (zh) | 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法 | |
| Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
| Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
| CN116700049B (zh) | 基于数据驱动的多能源网络数字孪生实时仿真系统及方法 | |
| OAK et al. | COMPREHENSIVE ANALYSIS OF PREDICTING AIR QUALITY USING NEURAL NETWORK MODELS | |
| CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 |
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 |