CN116870654B - 工业废气处理系统及其方法 - Google Patents

工业废气处理系统及其方法 Download PDF

Info

Publication number
CN116870654B
CN116870654B CN202310843378.7A CN202310843378A CN116870654B CN 116870654 B CN116870654 B CN 116870654B CN 202310843378 A CN202310843378 A CN 202310843378A CN 116870654 B CN116870654 B CN 116870654B
Authority
CN
China
Prior art keywords
exhaust gas
training
feature
vector
flow velocity
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.)
Active
Application number
CN202310843378.7A
Other languages
English (en)
Other versions
CN116870654A (zh
Inventor
张超
徐斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Yuanjin Automation Technology Co ltd
Original Assignee
Guangdong Yuanjin Automation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Yuanjin Automation Technology Co ltd filed Critical Guangdong Yuanjin Automation Technology Co ltd
Priority to CN202310843378.7A priority Critical patent/CN116870654B/zh
Publication of CN116870654A publication Critical patent/CN116870654A/zh
Application granted granted Critical
Publication of CN116870654B publication Critical patent/CN116870654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/02—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/02—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography
    • B01D53/04—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography with stationary adsorbents
    • B01D53/0454—Controlling adsorption
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Treating Waste Gases (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种工业废气处理系统及其方法，其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取，再通过计算它们之间的关联性以得到分类特征矩阵，接着使用分类器来得出废气流速的调控结果。这样，实现了废气流速的自适应调节，可以有效提高废气吸附的效率。

Description

工业废气处理系统及其方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种工业废气处理系统及其方法。
背景技术
工业废气是指各种工业生产所排放出的空气污染物，如二氧化碳、二氧化硫、氮氧化物等，这些废气对环境和人类健康造成了严重危害，因此，需要对这些废气进行有效的处理和控制。
在现在的工业废气处理工艺中，工业废气先通过热交换器进行冷却，再通过除尘装置进行除尘，接着通过脱硫脱氮装置进行处理，然后进行气液分离操作，最后将工业废气通过吸附装置进行残余废气吸附处理以完成净化处理进行排放。在有些工业废气处理工艺中，废气通入的流速是固定的，流速不变可能会导致废气与吸附剂之间的接触面积和时间较短，使得吸附效果低下，废气处理效率低。
因此，期待一种优化的工业废气处理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种工业废气处理系统及其方法，其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取，再通过计算它们之间的关联性以得到分类特征矩阵，接着使用分类器来得出废气流速的调控结果。这样，实现了废气流速的自适应调节，可以有效提高废气吸附的效率。
根据本申请的一个方面，提供了一种工业废气处理系统，其包括：
数据获取模块，用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；
废气浓度特征提取模块，用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；
废气流速特征提取模块，用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；
关联编码模块，用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及
调控结果生成模块，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。
在上述工业废气处理系统中，所述废气浓度特征提取模块，包括：第一尺度废气浓度特征提取单元，用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气浓度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度废气浓度特征提取单元，用于将所述废气浓度输入向量通过所述所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气浓度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度废气浓度级联单元，用于将所述第一尺度废气浓度特征向量和所述第二尺度废气浓度特征向量进行级联以得到所述废气浓度特征向量。
在上述工业废气处理系统中，所述第一尺度废气浓度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第一尺度废气浓度特征向量；其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述废气浓度输入向量，Cov1(X)为所述第一尺度废气浓度特征向量。
在上述工业废气处理系统中，所述第二尺度废气浓度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第二尺度废气浓度特征向量；其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述废气浓度输入向量，Cov 2(X)为所述第二尺度废气浓度特征向量。
在上述工业废气处理系统中，所述废气流速特征提取模块，包括：第一尺度废气流速特征提取单元，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度废气流速特征提取单元，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度废气流速级联单元，用于将所述第一尺度废气流速特征向量和所述第二尺度废气流速特征向量进行级联以得到所述废气流速特征向量。
在上述工业废气处理系统中，还包括：用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值；训练废气浓度特征提取单元，用于将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量；训练废气流速特征提取单元，用于将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量；训练关联编码单元，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵；分类损失函数计算单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；鲁棒性比较约束损失函数计算单元，用于计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值；以及，模型训练单元，用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
在上述工业废气处理系统中，所述鲁棒性比较约束损失函数计算单元，包括：高斯归一化处理子单元，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量；数据强化子单元，用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；矩阵展开子单元，用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及，鲁棒性比较约束损失函数值生成子单元，用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
在上述工业废气处理系统中，所述高斯归一化处理子单元，用于：以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量；其中，所述高斯归一化处理公式为：
V′1i＝(V1i-μ1)/σ1
V′2i＝(V2i-μ2)/σ2
其中，V′1i表示所述归一化第一特征向量的第i个位置的特征值，V1i表示所述训练废气浓度特征向量的第i个位置的特征值，μ1表示所述训练废气浓度特征向量的均值，σ1表示所述训练废气浓度特征向量的标准差，V′2i表示所述归一化第二特征向量的第i个位置的特征值，V2i表示所述训练废气流速特征向量的第i个位置的特征值，μ2表示所述训练废气流速特征向量的均值，σ2表示所述训练废气流速特征向量的标准差。
在上述工业废气处理系统中，所述鲁棒性比较约束损失函数值生成子单元，用于：以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；其中，所述公式为：
Loss＝||V3-V4||2
其中，Loss表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，||·||表示计算两个向量之间的欧式距离。
根据本申请的另一方面，提供了一种工业废气处理方法，其包括：
获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；
将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；
将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；
对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。
与现有技术相比，本申请提供的工业废气处理系统及其方法，其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取，再通过计算它们之间的关联性以得到分类特征矩阵，接着使用分类器来得出废气流速的调控结果。这样，实现了废气流速的自适应调节，可以有效提高废气吸附的效率
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的工业废气处理系统的系统框图。
图2为根据本申请实施例的工业废气处理系统的架构图。
图3为根据本申请实施例的工业废气处理系统中废气浓度特征提取模块的框图。
图4为根据本申请实施例的工业废气处理系统中废气流速特征提取模块框图。
图5为根据本申请实施例的工业废气处理系统中训练模块框图。
图6为根据本申请实施例的工业废气处理系统中鲁棒性比较约束损失函数计算单元框图。
图7为根据本申请实施例的工业废气处理方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，现有的工业废气处理工艺中，存在废气通入流速是固定的情况，废气流速不变可能会导致废气与吸附剂之间的接触面积和时间较短，这可能会极大影响吸附效率，导致废气处理效率低下。因此，期待一种优化的工业废气处理方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为工业废气处理提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值。应可以理解，废气的流速和废气的浓度是影响废气处理效果的两个重要因素，对废气浓度和废气流速进行监测和分析，可以得到废气的变化规律和趋势，更好地进行废气处理和调控。
接着，将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。应可以理解，将排放口废气浓度值按照时间维度排列可以得到一个废气浓度输入向量，它是一个时间序列数据，通过对这个时间序列数据分析可以了解到废气排放的趋势和规律，将所述废气浓度输入向量输入第一多尺度领域特征提取模块可以有效地提取废气浓度的特征信息。具体来说，废气浓度输入向量包含了大量的废气浓度信息，但这些信息可能存在冗余、噪声和不必要的信息，通过多尺度领域特征提取算法，对废气浓度输入向量进行滤波、降噪、特征提取等操作，从而得到废气浓度特征向量。
同时，将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量。同样地，将废气流速值按照时间维度排列可以得到一个废气流速输入向量，它也是一个时间序列数据，接着将这个时间序列数据输入第二多尺度领域特征提取模块，它可以对废气流速输入向量中的数据进行处理并将其转换为特征向量，废气流速特征向量包含了废气流速的重要信息，可以很好地反映废气在废气处理中的传输速度变化情况。
然后，对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。废气浓度和废气流速作为工业废气处理的两个重要指标，反映了废气在处理中的转化和传输情况，对所述废气浓度特征向量和所述废气流速特征向量进行关联编码可以将这两个指标的特征集合起来，得到更为全面的废气特征描述，并可以得到表示废气浓度和废气流速之间关系的分类特征矩阵，将所述分类特征矩阵通过分类器可以获得通入废气流速的调控结果，这样，可以实现废气流速的自适应调节，提高废气吸附的效率，增强废气净化的效果。
特别地，在本申请的技术方案中，由于所述废气浓度特征向量是通过对预定时间段内多个预定时间点的训练废气流速值进行编码以得到的，而所述废气流速特征向量是通过对所述多个预定时间点的训练废气流速值进行编码得到的，预定时间段内多个预定时间点的废气流速值和排放口废气浓度值属于不同源的数据，也就是不同模态的数据，如果在训练的过程能够聚焦于提取不同模态数据中的同类别特征且自适应地忽略噪声和细节，无疑是能够提高模型在处理不同模态数据时的一致性和稳定性，从而提高分类精准度。
基于此，在本申请的技术方案中，计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值，包括：对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量；基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值。
具体地，在本申请的技术方案中，以如下公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到以得到归一化第一特征向量和归一化第二特征向量；其中，所述公式为：
V′1i＝(V1i-μ1)/σ1
V′2i＝(V2i-μ2)/σ2
其中，V′1i表示所述归一化第一特征向量的第i个位置的特征值，V1i表示所述训练废气浓度特征向量的第i个位置的特征值，μ1表示所述训练废气浓度特征向量的均值，σ1表示所述训练废气浓度特征向量的标准差，V′2i表示所述归一化第二特征向量的第i个位置的特征值，V2i表示所述训练废气流速特征向量的第i个位置的特征值，μ2表示所述训练废气流速特征向量的均值，σ2表示所述训练废气流速特征向量的标准差。
具体地，在本申请的技术方案中，以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的鲁棒性比较约束损失函数值；其中，所述公式为：
Loss＝||V3-V4||2
其中，Loss表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，||·||表示计算两个向量之间的欧式距离。
在本申请的技术方案中，除了分类损失函数值之外，进一步计算所述训练废气浓度特征向量和所述训练废气流速特征向量之间的鲁棒性比较约束损失函数值，并联合所述分类损失函数值以及所述鲁棒性比较约束损失函数值来构造联合损失函数值，并通过BP算法来更新神经网络模型和分类器的权重参数。这样，在所述废气浓度特征向量和所述废气流速特征向量的特征提取过程中，能够聚焦于提取所述废气浓度特征向量和所述废气流速特征向量中同类别特征且自适应地忽略噪声和细节，以不仅优化不同模态数据的同源特征提取且能够利用不同模态特征表达在类概率欧式空间内的度量值来相互束约，以使得所述废气浓度特征向量和所述废气流速特征向量在高维特征空间中具有更强的数据流形边界约束性和数据流形流形形态分布一致性，通过这样的方式，提高分类精准度。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的工业废气处理系统的系统框图。如图1所示，在工业废气处理系统100中，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；废气浓度特征提取模块120，用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；废气流速特征提取模块130，用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；关联编码模块140，用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及，调控结果生成模块150，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。
图2为根据本申请实施例的工业废气处理系统的架构图。如图2所示，在该架构中，首先，获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值。接着，将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。然后，将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。紧接着，对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。最后，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。
在工业废气处理系统100中，所述数据获取模块110，用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值。应可以理解，废气的流速和废气的浓度是影响废气处理效果的两个重要因素，对废气浓度和废气流速进行监测和分析，可以得到废气的变化规律和趋势，更好地进行废气处理和调控。具体地，所述废气流速值可以通过流量计获得，所述排放口废气浓度值可以通过气体分析仪读取数据获得。
在工业废气处理系统100中，所述废气浓度特征提取模块120，用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量。应可以理解，将排放口废气浓度值按照时间维度排列可以得到一个废气浓度输入向量，它是一个时间序列数据，通过对这个时间序列数据分析可以了解到废气排放的趋势和规律，将所述废气浓度输入向量输入第一多尺度领域特征提取模块可以有效地提取废气浓度的特征信息。这里的第一多尺度邻域特征提取模块主要包括三个部分：多尺度分解、领域特征提取和特征向量合并。多尺度分解是将废气浓度分解成不同尺度的子信号，以便在不同尺度上进行特征提取，这样可以更好地捕捉废气浓度信号的局部和全局特征；领域特征提取是在每个尺度上对废气浓度信号的领域进行特征提取，这里的领域主要指的是时间上的领域，常用的特征提取方法包括小波变换、傅里叶变换、时频分析等；特征向量合并是将不同尺度上提取的特征向量进行合并，得到最终的废气浓度特征向量，常用的合并方法包括平均法、加权平均法等。第一多尺度领域特征提取模块的主要作用就是将废气浓度信号转换成特征向量，以便后续处理。
图3为根据本申请实施例的工业废气处理系统中废气浓度特征提取模块的框图。如图3所示，所述废气浓度特征提取模块120，包括：第一尺度废气浓度特征提取单元121，用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气浓度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度废气浓度特征提取单元122，用于将所述废气浓度输入向量通过所述所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气浓度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度废气浓度级联单元123，用于将所述第一尺度废气浓度特征向量和所述第二尺度废气浓度特征向量进行级联以得到所述废气浓度特征向量。
更具体地，在工业废气处理系统100中，所述第一尺度废气浓度特征提取单元121，进一步用于：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第一尺度废气浓度特征向量；其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述废气浓度输入向量，Cov1(X)为所述第一尺度废气浓度特征向量。
更具体地，在工业废气处理系统100中，所述第二尺度废气浓度特征提取单元122，进一步用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第二尺度废气浓度特征向量；其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述废气浓度输入向量，Cov 2(X)为所述第二尺度废气浓度特征向量。
在工业废气处理系统100中，所述废气流速特征提取模块130，用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量。同样地，将废气流速值按照时间维度排列可以得到一个废气流速输入向量，它也是一个时间序列数据，接着将这个时间序列数据输入第二多尺度领域特征提取模块，它可以对废气流速输入向量中的数据进行处理并将其转换为特征向量，废气流速特征向量包含了废气流速的重要信息，可以很好地反映废气在废气处理中的传输速度变化情况。
图4为根据本申请实施例的工业废气处理系统中废气流速特征提取模块框图。如图4所示，所述废气流速特征提取模块130，包括：第一尺度废气流速特征提取单元131，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二尺度废气流速特征提取单元132，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度废气流速级联单元133，用于将所述第一尺度废气流速特征向量和所述第二尺度废气流速特征向量进行级联以得到所述废气流速特征向量。
在工业废气处理系统100中，所述关联编码模块140，用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵。也就是，对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵，以此来建立所述废气浓度特征与所述废气流速特征之间的关联性特征分布信息。
在工业废气处理系统100中，所述调控结果生成模块150，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。所述分类矩阵表示废气浓度和废气流速之间关系，将所述分类特征矩阵通过分类器可以获得通入废气流速的调控结果，这样，可以实现废气流速的自适应调节，提高废气吸附的效率，增强废气净化的效果。
在工业废气处理系统100中，还包括：用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练模块200。
图5为根据本申请实施例的工业废气处理系统中训练模块框图。如图5所示，所述训练模块200，包括：训练数据获取单元210，用于获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值；训练废气浓度特征提取单元220，用于将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量；训练废气流速特征提取单元230，用于将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量；训练关联编码单元240，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵；分类损失函数计算单元250，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；鲁棒性比较约束损失函数计算单元260，用于计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值；以及，模型训练单元270，用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
特别地，在本申请的技术方案中，由于所述废气浓度特征向量是通过对预定时间段内多个预定时间点的训练废气流速值进行编码以得到的，而所述废气流速特征向量是通过对所述多个预定时间点的训练废气流速值进行编码得到的，预定时间段内多个预定时间点的废气流速值和排放口废气浓度值属于不同源的数据，也就是不同模态的数据，如果在训练的过程能够聚焦于提取不同模态数据中的同类别特征且自适应地忽略噪声和细节，无疑是能够提高模型在处理不同模态数据时的一致性和稳定性，从而提高分类精准度。
图6为根据本申请实施例的工业废气处理系统中鲁棒性比较约束损失函数计算单元框图。如图6所示，所述鲁棒性比较约束损失函数计算单元260，包括：高斯归一化处理子单元261，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量；数据强化子单元262，用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；矩阵展开子单元263，用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及，鲁棒性比较约束损失函数值生成子单元264，用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
具体地，在工业废气处理系统100中，所述高斯归一化处理子单元261，用于：以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量；其中，所述高斯归一化处理公式为：
V′1i＝(V1i-μ1)/σ1
V′2i＝(V2i-μ2)/σ2
其中，V′1i表示所述归一化第一特征向量的第i个位置的特征值，V1i表示所述训练废气浓度特征向量的第i个位置的特征值，μ1表示所述训练废气浓度特征向量的均值，σ1表示所述训练废气浓度特征向量的标准差，V′2i表示所述归一化第二特征向量的第i个位置的特征值，V2i表示所述训练废气流速特征向量的第i个位置的特征值，μ2表示所述训练废气流速特征向量的均值，σ2表示所述训练废气流速特征向量的标准差。
具体地，在工业废气处理系统100中，所述鲁棒性比较约束损失函数值生成子单元264，用于：以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；其中，所述公式为：
Loss＝||V3-V4||2
其中，Loss表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，||·||表示计算两个向量之间的欧式距离。
在本申请的技术方案中，除了分类损失函数值之外，进一步计算所述训练废气浓度特征向量和所述训练废气流速特征向量之间的鲁棒性比较约束损失函数值，并联合所述分类损失函数值以及所述鲁棒性比较约束损失函数值来构造联合损失函数值，并通过BP算法来更新神经网络模型和分类器的权重参数。这样，在所述废气浓度特征向量和所述废气流速特征向量的特征提取过程中，能够聚焦于提取所述废气浓度特征向量和所述废气流速特征向量中同类别特征且自适应地忽略噪声和细节，以不仅优化不同模态数据的同源特征提取且能够利用不同模态特征表达在类概率欧式空间内的度量值来相互束约，以使得所述废气浓度特征向量和所述废气流速特征向量在高维特征空间中具有更强的数据流形边界约束性和数据流形流形形态分布一致性，通过这样的方式，提高分类精准度。
综上所述，基于本申请实施例的工业废气处理系统100被阐明，其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取，再通过计算它们之间的关联性以得到分类特征矩阵，接着使用分类器来得出废气流速的调控结果。这样，实现了废气流速的自适应调节，可以有效提高废气吸附的效率。
示例性方法
图7为根据本申请实施例的工业废气处理方法的流程图。如图7所示，在工业废气处理方法中，包括：S110，获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；S120，将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；S130，将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；S140，对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及，S150，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小。
在一个示例中，在上述工业废气处理方法中，在上述工业废气处理系统中，还包括：用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练阶段；其中，所述训练阶段，包括：获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值；将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量；将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量；对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值；以及，以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练。
在一个示例中，在上述工业废气处理方法中，所述计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值，包括：对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量；基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及，计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值。
在一个示例中，在上述工业废气处理方法中，所述对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量，包括：以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量；其中，所述高斯归一化处理公式为：
V′1i＝(V1i-μ1)/σ1
V′2i＝(V2i-μ2)/σ2
其中，V′1i表示所述归一化第一特征向量的第i个位置的特征值，V1i表示所述训练废气浓度特征向量的第i个位置的特征值，μ1表示所述训练废气浓度特征向量的均值，σ1表示所述训练废气浓度特征向量的标准差，V′2i表示所述归一化第二特征向量的第i个位置的特征值，V2i表示所述训练废气流速特征向量的第i个位置的特征值，μ2表示所述训练废气流速特征向量的均值，σ2表示所述训练废气流速特征向量的标准差。
在一个示例中，在上述工业废气处理方法中，所述计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值，包括：以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；其中，所述公式为：
Loss＝||V3-V4||2
其中，Loss表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，||·||表示计算两个向量之间的欧式距离。
综上所述，基于本申请实施例的工业废气处理方法被阐明，其首先通过多尺度领域特征提取模块对废气浓度和废气流速进行特征提取，再通过计算它们之间的关联性以得到分类特征矩阵，接着使用分类器来得出废气流速的调控结果。这样，实现了废气流速的自适应调节，可以有效提高废气吸附的效率。

Claims (7)

1.一种工业废气处理系统，其特征在于，包括：
数据获取模块，用于获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；
废气浓度特征提取模块，用于将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；
废气流速特征提取模块，用于将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；
关联编码模块，用于对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及
调控结果生成模块，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小；
其中，所述工业废气处理系统，还包括：用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据获取单元，用于获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值；
训练废气浓度特征提取单元，用于将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量；
训练废气流速特征提取单元，用于将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量；
训练关联编码单元，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵；
分类损失函数计算单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
鲁棒性比较约束损失函数计算单元，用于计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值；以及
模型训练单元，用于以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练；
其中，所述鲁棒性比较约束损失函数计算单元，包括：
高斯归一化处理子单元，用于对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量；
数据强化子单元，用于基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；
矩阵展开子单元，用于将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及
鲁棒性比较约束损失函数值生成子单元，用于计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；
其中，所述鲁棒性比较约束损失函数值生成子单元，用于：以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；
其中，所述公式为：
其中，/>表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，/>表示计算两个向量之间的欧式距离。
2.根据权利要求1所述的工业废气处理系统，其特征在于，所述废气浓度特征提取模块，包括：
第一尺度废气浓度特征提取单元，用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气浓度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度废气浓度特征提取单元，用于将所述废气浓度输入向量通过所述第一多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气浓度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度废气浓度级联单元，用于将所述第一尺度废气浓度特征向量和所述第二尺度废气浓度特征向量进行级联以得到所述废气浓度特征向量。
3.根据权利要求2所述的工业废气处理系统，其特征在于，所述第一尺度废气浓度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第一尺度废气浓度特征向量；
其中，所述第一卷积公式为：
其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、/>为与第一卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述废气浓度输入向量，/>为所述第一尺度废气浓度特征向量。
4.根据权利要求3所述的工业废气处理系统，其特征在于，所述第二尺度废气浓度特征提取单元，进一步用于：使用所述第一多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述废气浓度输入向量进行卷积编码以得到所述第二尺度废气浓度特征向量；
其中，所述第二卷积公式为：
其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与第二卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述废气浓度输入向量，/>为所述第二尺度废气浓度特征向量。
5.根据权利要求4所述的工业废气处理系统，其特征在于，所述废气流速特征提取模块，包括：
第一尺度废气流速特征提取单元，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第一卷积层以得到第一尺度废气流速特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;
第二尺度废气流速特征提取单元，用于将所述废气流速输入向量通过所述第二多尺度邻域特征提取模块的第二卷积层以得到第二尺度废气流速特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
多尺度废气流速级联单元，用于将所述第一尺度废气流速特征向量和所述第二尺度废气流速特征向量进行级联以得到所述废气流速特征向量。
6.根据权利要求5所述的工业废气处理系统，其特征在于，所述高斯归一化处理子单元，用于：以如下高斯归一化处理公式对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到所述归一化第一特征向量和所述归一化第二特征向量；
其中，所述高斯归一化处理公式为：
其中，/>表示所述归一化第一特征向量的第/>个位置的特征值，/>表示所述训练废气浓度特征向量的第/>个位置的特征值，/>表示所述训练废气浓度特征向量的均值，/>表示所述训练废气浓度特征向量的标准差，
表示所述归一化第二特征向量的第/>个位置的特征值，/>表示所述训练废气流速特征向量的第/>个位置的特征值，/>表示所述训练废气流速特征向量的均值，/>表示所述训练废气流速特征向量的标准差。
7.一种工业废气处理方法，其特征在于，包括：
获取预定时间段内多个预定时间点的废气流速值以及排放口废气浓度值；
将所述多个预定时间点的排放口废气浓度值按照时间维度排列为废气浓度输入向量后通过第一多尺度邻域特征提取模块以得到废气浓度特征向量；
将所述多个预定时间点的废气流速值按照时间维度排列为废气流速输入向量后通过第二多尺度邻域特征提取模块以得到废气流速特征向量；
对所述废气浓度特征向量和所述废气流速特征向量进行关联编码以得到分类特征矩阵；以及
将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用来表示通入废气的流速值应增大或是减小；
其中，所述工业废气处理方法，还包括：用于对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练的训练阶段；其中，所述训练阶段，包括：获取预定时间段内多个预定时间点的训练废气流速值以及训练排放口废气浓度值；将所述多个预定时间点的训练排放口废气浓度值按照时间维度排列为训练废气浓度输入向量后通过所述第一多尺度邻域特征提取模块以得到训练废气浓度特征向量；将所述多个预定时间点的训练废气流速值按照时间维度排列为训练废气流速输入向量后通过所述第二多尺度邻域特征提取模块以得到训练废气流速特征向量；对所述训练废气浓度特征向量和所述训练废气流速特征向量进行关联编码以得到训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值；以及，以所述分类损失函数值和所述鲁棒性比较约束损失函数值的加权和作为损失函数值对所述第一多尺度邻域特征提取模块、所述第二多尺度邻域特征提取模块和所述分类器进行训练；
其中，所述计算所述训练废气浓度特征向量和所述训练废气流速特征向量的鲁棒性比较约束损失函数值，包括：对所述训练废气浓度特征向量和所述训练废气流速特征向量进行高斯归一化处理以得到归一化第一特征向量和归一化第二特征向量；基于高斯密度图对所述归一化第一特征向量和所述归一化第二特征向量进行基于高斯先验分布的数据表达强化以得到数据强化第一特征矩阵和数据强化第二特征矩阵；将所述数据强化第一特征矩阵和所述数据强化第二特征矩阵展开为数据强化第一特征向量和数据强化第二特征向量；以及，计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；
其中，计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值，包括：以如下公式计算所述数据强化第一特征向量和所述数据强化第二特征向量之间的所述鲁棒性比较约束损失函数值；
其中，所述公式为：
其中，/>表示所述鲁棒性比较约束损失函数值，V3表示所述数据强化第一特征向量，V4表示所述数据强化第二特征向量，/>表示计算两个向量之间的欧式距离。
CN202310843378.7A 2023-07-10 2023-07-10 工业废气处理系统及其方法 Active CN116870654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310843378.7A CN116870654B (zh) 2023-07-10 2023-07-10 工业废气处理系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310843378.7A CN116870654B (zh) 2023-07-10 2023-07-10 工业废气处理系统及其方法

Publications (2)

Publication Number Publication Date
CN116870654A CN116870654A (zh) 2023-10-13
CN116870654B true CN116870654B (zh) 2024-06-07

Family

ID=88263812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310843378.7A Active CN116870654B (zh) 2023-07-10 2023-07-10 工业废气处理系统及其方法

Country Status (1)

Country Link
CN (1) CN116870654B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948575A (zh) * 2019-12-11 2021-06-11 京东数字科技控股有限公司 文本数据处理方法、装置和计算机可读存储介质
CN114548246A (zh) * 2022-02-11 2022-05-27 杭州吾好科技有限公司 智能设备的控制方法、系统和电子设备
CN115586757A (zh) * 2022-11-09 2023-01-10 广东金柳信息科技有限公司 机械设备的智能控制系统及其方法
CN115624847A (zh) * 2022-12-16 2023-01-20 河北省建筑材料工业设计研究院有限公司 水泥窑自适应精准脱硝控制系统
CN116392930A (zh) * 2023-04-24 2023-07-07 浙江浙能迈领环境科技有限公司 船舶尾气脱硫工艺及其系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8758480B2 (en) * 2011-09-09 2014-06-24 Torosoleil, Llc Dynamic and continuous control for pressure swing adsorption

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112948575A (zh) * 2019-12-11 2021-06-11 京东数字科技控股有限公司 文本数据处理方法、装置和计算机可读存储介质
CN114548246A (zh) * 2022-02-11 2022-05-27 杭州吾好科技有限公司 智能设备的控制方法、系统和电子设备
CN115586757A (zh) * 2022-11-09 2023-01-10 广东金柳信息科技有限公司 机械设备的智能控制系统及其方法
CN115624847A (zh) * 2022-12-16 2023-01-20 河北省建筑材料工业设计研究院有限公司 水泥窑自适应精准脱硝控制系统
CN116392930A (zh) * 2023-04-24 2023-07-07 浙江浙能迈领环境科技有限公司 船舶尾气脱硫工艺及其系统

Also Published As

Publication number Publication date
CN116870654A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
US20040190760A1 (en) Face detection method and apparatus
CN116832588B (zh) 酸再生烟气净化装置及其方法
CN116392930B (zh) 船舶尾气脱硫工艺及其系统
CN116736703A (zh) 污水处理的智能监测系统及其方法
CN116135797A (zh) 污水处理智能控制系统
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
CN116146309A (zh) 船舶尾气处理系统及其方法
CN116467649A (zh) 一种基于eemd排列熵和ga-svm的透平膨胀机故障诊断方法及装置
CN116577464A (zh) 用于大气污染的智能监测系统及其方法
CN112733750A (zh) 基于动态水流图像的污水处理检测的神经网络的训练方法
CN117735481B (zh) 电子级三氟化氯纯化方法
CN116870654B (zh) 工业废气处理系统及其方法
CN118005195A (zh) 一种河道生态环境修复系统及方法
Wei et al. A new classification method for human gene splice site prediction
CN113869398A (zh) 一种不平衡文本分类方法、装置、设备及存储介质
CN117138669A (zh) 全自动干粉试剂复溶系统
CN117011782A (zh) 工业园区环境监测方法及其系统
CN116603390A (zh) 船舶尾气洗涤系统及其方法
CN116467485A (zh) 一种视频图像检索构建系统及其方法
CN115953506A (zh) 基于图像生成模型的工业零件缺陷图像生成方法及系统
CN111354019B (zh) 一种基于神经网络的视觉跟踪失效检测系统及其训练方法
CN117018858B (zh) 工业废气净化设备及其控制方法
CN116385732B (zh) 一种基于改进Sparse R-CNN的目标检测方法
CN118536049B (zh) 基于多模态异常内容理解的内容主体发现方法
CN116106457B (zh) 空气采样检测一体化装置

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
TA01 Transfer of patent application right

Effective date of registration: 20240519

Address after: Room 1101, Building 3, No. 29 Baobai Road, Dongkeng Town, Dongguan City, Guangdong Province, 523000

Applicant after: Guangdong Yuanjin Automation Technology Co.,Ltd.

Country or region after: China

Address before: 239000 room 701, incubator building, No. 1, science and Innovation Industrial Park, No. 1500, Hongwu East Road, Wuyi Town, Nanqiao District, Chuzhou City, Anhui Province

Applicant before: Chuzhou Xi'an Environmental Protection Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant