具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
工业废气中的污染物对环境造成严重的污染,如二氧化硫、氮氧化物、颗粒物等,这些污染物会导致大气污染、酸雨、温室效应等环境问题,对人类健康和生态系统造成危害。工业废气中的有害气体和颗粒物会对周围居民的健康产生负面影响,长期暴露于工业废气污染环境中,人们易患呼吸系统疾病、心血管疾病等健康问题。各国家和地区都有相应的环境法规和排放标准,对工业废气的排放进行限制和监管,企业需要符合这些法规和标准,否则将面临罚款、停产等法律和经济风险。环保已成为企业可持续发展的重要组成部分,对于企业的形象和声誉具有重要影响,积极采取工业废气处理措施,表明企业对环境保护的责任感和可持续发展的承诺,有利于树立良好的企业形象。
因此,对于钢铁冶炼过程中产生的废气,进行有效的处理和减排是必要的,可以采用各种技术手段,如烟气净化设备、脱硫装置、脱硝装置等,以减少污染物的排放,保护环境和人类健康。
在本发明的一个实施例中,图1为本发明实施例中提供的一种钢铁冶炼废气环保处理方法的流程图。图2为本发明实施例中提供的一种钢铁冶炼废气环保处理方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的钢铁冶炼废气环保处理方法100,包括:110,获取润湿海绵在预定时间段内多个预定时间点的重量值;120,对所述多个预定时间点的重量值进行综合分析以得到多阶次重量时序特征向量;以及,130,基于所述多阶次重量时序特征向量,确定是否更换润湿海绵。
在所述步骤110中,确保选择合适的称重设备或传感器,并确保其准确度和稳定性。需要在预定时间点对润湿海绵进行称重,并记录相应的重量值。通过获取润湿海绵在不同时间点的重量值,可以得到吸附物质的累积量,并用于后续的分析和判断。
在所述步骤120中,对获取的重量值进行合理的数据处理和分析,例如平均值、标准差、趋势分析等,可以使用统计方法、机器学习算法等进行综合分析。通过得到多阶次重量时序特征向量,可以更全面地了解润湿海绵的重量变化趋势,包括重量增长速度、饱和状态等信息,为后续的判断提供依据。
在所述步骤130中,根据多阶次重量时序特征向量的分析结果,设定一个合适的阈值或规则,来判断是否需要更换润湿海绵。可以考虑重量增长速度的变化、重量趋势的平稳性等因素。通过基于多阶次重量时序特征向量的判断,可以准确地确定润湿海绵更换的时机,确保废气的有效净化和过滤。及时更换润湿海绵可以提高废气治理效率,降低环境污染。
上述步骤,结合了润湿海绵重量变化的特性,通过获取重量值、综合分析和判断是否更换海绵,可以实现对废气治理过程中润湿海绵更换时机的准确判断,可以提高废气治理的效率和效果,达到环保处理的目标。
具体地,在所述步骤110中,获取润湿海绵在预定时间段内多个预定时间点的重量值。针对上述技术问题,本申请的技术构思为基于润湿海绵在吸附过程中的重量变化来准确判断润湿海绵更换时机,以及时更换润湿海绵,确保废气的有效净化和过滤,提高废气治理效率。
具体来说,润湿海绵在吸附废气过程中,其重量会随着吸附物质的增加而增加,并逐渐饱和。当吸附到达一定程度时,润湿海绵的重量的变化会逐渐缓慢。也就是说,如果润湿海绵的重量变化速度较快,则说明当前润湿海绵的吸附能力仍然较好。相反,如果重量的变化速度较慢或接近于零,说明润湿海绵的吸附能力已经衰减。在本申请的技术构思中,期待利用这一特性,即润湿海绵的重量变化速度可以反映其吸附能力的状态,来进行湿润海绵更换时机的精准判断。
具体地,在本申请的技术方案中,首先获取润湿海绵在预定时间段内多个预定时间点的重量值。通常情况下,随着润湿海绵使用时间的增加,其重量会逐渐增加,当润湿海绵吸附的废气物质达到一定饱和程度时,重量的增加速度会减缓,甚至停止增加,这时就需要更换润湿海绵,以保证废气的有效净化和过滤。
通过获取润湿海绵在预定时间段内多个预定时间点的重量值,可以观察到重量的变化趋势。如果重量值在一段时间内持续增加,并且增加速度逐渐减缓或停止增加,那么可以判断润湿海绵已经达到了饱和状态,需要进行更换。
需要注意的是,润湿海绵的重量变化受到多种因素的影响,如废气浓度、废气流量、润湿海绵的吸附性能等。因此,还需要综合考虑这些因素,以确定更换润湿海绵的时机,可以通过对重量值进行综合分析,结合其他相关指标和阈值,建立更完善的判断机制。
具体地,在所述步骤120中,对所述多个预定时间点的重量值进行综合分析以得到多阶次重量时序特征向量。图3为本发明实施例中提供的一种钢铁冶炼废气环保处理方法中步骤120的子步骤的流程图,如图3所示,对所述多个预定时间点的重量值进行综合分析以得到多阶次重量时序特征向量,包括:121,将所述多个预定时间点的重量值进行数据结构化处理以得到重量时序输入向量和重量变化时序输入向量;122,对所述重量时序输入向量和所述重量变化时序输入向量分别进行时序分析以得到一阶重量时序特征向量和二阶重量时序特征向量;以及,123,融合所述一阶重量时序特征向量和所述二阶重量时序特征向量以得到所述多阶次重量时序特征向量。
应可以理解,将多个预定时间点的重量值进行数据结构化处理,可以将其转化为重量时序输入向量和重量变化时序输入向量,重量时序输入向量是按时间顺序排列的重量值序列,用于表示润湿海绵的重量变化趋势;重量变化时序输入向量是按时间顺序排列的重量变化值序列,用于表示润湿海绵的重量变化速度。
对重量时序输入向量和重量变化时序输入向量进行时序分析,可以提取一阶重量时序特征向量和二阶重量时序特征向量。一阶重量时序特征向量包括平均值、方差、最大值、最小值等统计特征,用于描述润湿海绵的整体重量趋势。二阶重量时序特征向量包括自相关系数、滑动平均等特征,用于描述润湿海绵重量变化的动态性质。
将一阶重量时序特征向量和二阶重量时序特征向量进行融合,可以得到多阶次重量时序特征向量,多阶次重量时序特征向量综合考虑了润湿海绵重量的整体趋势和动态性质,更全面地反映了润湿海绵的状态变化。
通过综合分析得到的多阶次重量时序特征向量可以用于判断是否需要更换润湿海绵。根据预先设定的阈值或模型,可以根据特征向量的数值来确定润湿海绵是否达到更换的条件,这样,可以提高废气治理效率,确保废气的有效净化和过滤。
对于所述步骤121中,包括:将所述多个预定时间点的重量值按照时间维度排列为所述重量时序输入向量;以及,计算所述重量时序输入向量中每相邻两个预定时间点的重量值之间的差值以得到所述重量变化时序输入向量。
并将所述多个预定时间点的重量值进行数据结构化处理以得到重量时序输入向量和重量变化时序输入向量。也就是,通过数据结构化处理,以将重量值的时序离散数据转化为结构化的、便于后续模型作为输入的向量表示。
在本申请的一个具体示例中,将所述多个预定时间点的重量值进行数据结构化处理以得到重量时序输入向量和重量变化时序输入向量的具体过程,包括:先将所述多个预定时间点的重量值按照时间维度排列为所述重量时序输入向量;再计算所述重量时序输入向量中每相邻两个预定时间点的重量值之间的差值以得到所述重量变化时序输入向量。
在本申请的一个实施例中,首先,根据需要监测润湿海绵的重量变化情况,确定多个预定时间点。这些时间点可以根据实际需求进行设置,可以是固定的时间间隔,也可以根据工艺过程的特点进行灵活调整。然后,在每个预定时间点,通过称重设备或传感器获取润湿海绵的重量值,确保测量准确性和稳定性。接着,将获取到的重量值按照时间顺序排列,形成重量时序输入向量,重量时序输入向量的长度取决于选择的预定时间点数量。
通过以上步骤,可以将多个预定时间点的重量值按照时间维度排列为重量时序输入向量,是一种有效的方式来表示重量的变化趋势。通过这种方式,可以清晰地观察到重量随时间的变化情况。
另外,计算重量时序输入向量中每相邻两个预定时间点的重量值之间的差值,可以得到重量变化时序输入向量。重量变化时序输入向量能够更加直观地反映重量的变化速度和趋势,通过分析重量变化时序输入向量,可以更准确地判断润湿海绵是否需要更换。
综合使用重量时序输入向量和重量变化时序输入向量,可以提供更全面的信息来判断润湿海绵的状态,以更准确地确定更换润湿海绵的时机,提高废气治理效率,确保废气的有效净化和过滤。
对于所述步骤122中,包括:将所述重量时序输入向量通过基于一维卷积神经网络模型的第一时序特征提取器以得到所述一阶重量时序特征向量;以及,将所述重量变化时序输入向量通过基于一维卷积神经网络模型的第二时序特征提取器以得到所述二阶重量时序特征向量。
值得一提的是,所述重量变化时序输入向量通过差值操作,可以从中反映重量的变化信息,以更敏锐地感知润湿海绵重量的变化情况。也就是说,在本申请的技术方案中,考虑到所述重量时序输入向量作为绝对量数据,可能受到其他因素的干扰,例如杂质的积聚等。通过计算重量差值,可以减少这些干扰因素的影响,使得数据更加稳定,且有较好的可归纳性和一致性。
当然,相对量数据也存在一些限制,例如,相对量数据只反映了变化的幅度从而丢失绝对重量信息,忽略润湿海绵本身的实际吸附容量信息等。因此,在本申请的技术方案中,期待对所述重量时序输入向量和所述重量变化时序输入向量分别进行时序分析以得到一阶重量时序特征向量和二阶重量时序特征向量。
在本申请的一个具体示例中,对所述重量时序输入向量和所述重量变化时序输入向量分别进行时序分析以得到一阶重量时序特征向量和二阶重量时序特征向量的编码过程,包括:先将所述重量时序输入向量通过基于一维卷积神经网络模型的第一时序特征提取器以得到一阶重量时序特征向量;接着,将所述重量变化时序输入向量通过基于一维卷积神经网络模型的第二时序特征提取器以得到二阶重量时序特征向量。
应可以理解,一维卷积神经网络模型(1D-CNN)是一种用于处理序列数据的神经网络模型,与传统的二维卷积神经网络不同,1D-CNN在输入数据上执行一维卷积操作,可以有效地提取序列数据中的特征。
1D-CNN模型通常由以下几个主要组件组成:输入层,接受序列数据作为输入;卷积层,使用卷积操作在输入数据上提取特征,卷积层包括多个卷积核,每个卷积核在输入数据上滑动并计算卷积操作,生成特征图;激活函数,在卷积层之后,通常会应用激活函数,如ReLU(修正线性单元),以引入非线性特征;池化层,池化层用于减小特征图的尺寸,同时保留最重要的特征,池化操作包括最大池化和平均池化;全连接层,将池化层输出的特征图展平,并通过全连接层连接到输出层,全连接层可以学习到更高级别的特征表示;输出层,根据具体任务的需求,输出层可以是分类层、回归层或其他类型的层。
通过使用基于一维卷积神经网络模型的第一时序特征提取器来提取重量时序输入向量的特征,可以获得一阶重量时序特征向量。一维卷积神经网络模型能够有效地提取时序数据中的关键特征,一阶重量时序特征向量对原始的重量时序输入向量进行了信息的压缩和提炼,减少了数据的维度。
通过使用基于一维卷积神经网络模型的第二时序特征提取器来提取重量变化时序输入向量的特征,可以获得二阶重量时序特征向量。重量变化时序输入向量反映了重量的变化速度和趋势,通过使用一维卷积神经网络模型,可以更好地捕捉到这些变化趋势,从而提取出更具代表性的特征。二阶重量时序特征向量能够提供更丰富的信息,包括重量变化的加速度、曲率等。
对于所述步骤123中,进一步地,融合所述一阶重量时序特征向量和所述二阶重量时序特征向量以得到多阶次重量时序特征向量。这样,使得所述多阶次重量时序特征向量的特征表示更为丰富。
在本申请的一个实施例中,采用拼接的方式融合所述一阶重量时序特征向量和所述二阶重量时序特征向量以得到多阶次重量时序特征向量。将所述一阶重量时序特征向量和所述二阶重量时序特征向量按照特征维度进行拼接,例如,如果所述一阶重量时序特征向量的维度是N,二阶重量时序特征向量的维度是M,那么拼接后的多阶次重量时序特征向量的维度将是N+M。这种方式简单直接,将不同阶次的特征信息直接连接在一起,但可能会导致特征维度过高。
在本申请的另一个实施例中,采用叠加的方式融合所述一阶重量时序特征向量和所述二阶重量时序特征向量以得到多阶次重量时序特征向量。将所述一阶重量时序特征向量和所述二阶重量时序特征向量按照特征维度进行叠加。例如,如果一阶重量时序特征向量的维度是N,二阶重量时序特征向量的维度是M,那么叠加后的多阶次重量时序特征向量的维度将是N×M。这种方式将不同阶次的特征信息进行叠加,可以保持特征维度相对较低,但可能会导致特征之间的关系不明显。
通过融合所述一阶重量时序特征向量和所述二阶重量时序特征向量,可以提供更全面的特征信息,使模型能够更好地适应不同的重量变化模式和环境条件,这有助于提高模型的泛化能力,使其在实际应用中更加稳健和可靠。也就是,融合所述一阶重量时序特征向量和所述二阶重量时序特征向量可以提供更全面、更丰富的特征表示,更好地建模时序关系,以及提高模型的泛化能力。这将有助于改进钢铁冶炼废气环保处理中的废气治理效率,确保废气的有效净化和过滤。具体地,在所述步骤130中,基于所述多阶次重量时序特征向量,确定是否更换润湿海绵。图4为本发明实施例中提供的一种钢铁冶炼废气环保处理方法中步骤130的子步骤的流程图,如图4所示,基于所述多阶次重量时序特征向量,确定是否更换润湿海绵,包括:131,对所述多阶次重量时序特征向量进行信息增益以得到优化多阶次重量时序特征向量;以及,132,基于所述优化多阶次重量时序特征向量,确定是否更换润湿海绵。
其中,对多阶次重量时序特征向量进行信息增益分析可以确定哪些特征对于判断是否更换润湿海绵最为关键,通过计算每个特征的信息增益,可以评估其对于分类任务的贡献程度。信息增益高的特征表示其在判断更换润湿海绵时具有更大的决策能力。
基于优化的多阶次重量时序特征向量,可以使用机器学习算法或者其他决策模型来进行更换润湿海绵的判断,这通过学习历史数据中的模式和规律,预测当前时刻是否需要更换润湿海绵。通过合理选择模型和训练数据,可以提高判断准确性,从而确保及时更换润湿海绵,提高废气治理效率。
通过上述步骤可以实现,提高特征选择的准确性,通过信息增益分析,可以确定最具有决策能力的特征,从而提高模型的准确性和泛化能力。增强模型的判断能力,通过使用优化的多阶次重量时序特征向量,可以提供更丰富的特征表示,更好地建模时序关系,从而增强模型对于更换润湿海绵的判断能力。提高废气治理效率,准确判断是否更换润湿海绵可以避免过早或过晚更换,从而提高废气治理的效率,确保废气的有效净化和过滤。其中,所述步骤131中,对所述多阶次重量时序特征向量进行信息增益以得到优化多阶次重量时序特征向量,包括:对所述一阶重量时序特征向量和所述二阶重量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;以及,以所述校正特征向量对所述多阶次重量时序特征向量进行点乘加权以得到所述优化多阶次重量时序特征向量。
在本申请的技术方案中,所述一阶重量时序特征向量和所述二阶重量时序特征向量分别表达重量绝对值和重量变化值在局部时序关联特征,因此,由于源数据在时序方向下的数据性质的差异,其在局部时序关联特征表达上也会存在较为显著的差异,导致所述一阶重量时序特征向量和所述二阶重量时序特征向量的时序关联特征分布存在不对齐。
这样,在融合所述一阶重量时序特征向量和所述二阶重量时序特征向量得到所述多阶次重量时序特征向量,并将所述多阶次重量时序特征向量通过分类器进行分类回归时,所述一阶重量时序特征向量和所述二阶重量时序特征向量的各自不对齐的时序关联特征分布在模型的前向传播时会产生信息损失,影响所述多阶次重量时序特征向量的分类结果的准确性。
基于此,本申请的申请人对所述一阶重量时序特征向量,例如记为和所述二阶重量时序特征向量,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,其中/>表示为:以如下优化公式对所述一阶重量时序特征向量和所述二阶重量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;其中,所述优化公式为:其中,/>是所述一阶重量时序特征向量,是所述二阶重量时序特征向量,/>和/>分别表示将特征向量左移/>位和右移位,/>为取整函数,/>是所述一阶重量时序特征向量和所述二阶重量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,/>是所述一阶重量时序特征向量和所述二阶重量时序特征向量之间的距离,且/>为以2为底的对数函数,/>表示按位置减法,/>表示按位置加法,/>和/>为加权超参数,/>是所述校正特征向量。
这里,针对所述一阶重量时序特征向量和所述二阶重量时序特征向量/>在网络模型中的前向传播过程中,由于融合和回归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,通过对所述校正特征向量/>对所述多阶次重量时序特征向量进行点乘加权,就可以减少所述多阶次重量时序特征向量的信息损失,从而提升其通过分类器得到的分类结果的准确性。
在所述步骤132中,所述优化多阶次重量时序特征向量,确定是否更换润湿海绵,包括:将所述优化多阶次重量时序特征向量通过分类器以得到分类结果,所述分类结果用于表示是否更换润湿海绵。继而,将所述多阶次重量时序特征向量通过分类器以得到分类结果,所述分类结果用于表示是否更换润湿海绵。
通过机器学习分类器,可以实现对是否更换润湿海绵的自动化决策,分类器可以根据历史数据中的模式和规律,预测当前时刻是否需要更换润湿海绵,从而减少人工干预和决策的主观性。机器学习分类器可以通过学习大量的历史数据,发现隐藏在数据中的模式和规律,通过利用这些模式和规律,分类器可以做出更准确的决策,从而提高是否更换润湿海绵的判断准确性。通过将优化的多阶次重量时序特征向量输入到分类器中,可以实现实时的判断和响应,分类器可以快速地对当前时刻的特征进行分析和判断,从而及时决策是否更换润湿海绵,确保废气治理的及时性和效率性。随着时间的推移,分类器可以不断地从新的数据中学习和优化,提高其判断能力和准确性,通过不断更新和优化分类器,可以适应不同的环境和条件变化,从而提高是否更换润湿海绵的决策效果。
将优化的多阶次重量时序特征向量通过分类器以得到分类结果,可以带来自动化决策、提高准确性、实时响应和持续优化等益处,从而提高是否更换润湿海绵的判断效果。
应可以理解,分类器是机器学习中的一种算法,用于将输入数据分为不同的类别或标签,分类器的目标是通过学习输入数据的模式和特征,构建一个模型,以便能够对新的输入数据进行准确的分类。分类器算法包括:决策树(Decision Tree),基于树结构的分类器,通过对特征进行逐步划分,最终将输入数据分到不同的类别。支持向量机(SupportVector Machine,SVM),通过在特征空间中构建一个最优的超平面,将不同类别的数据分隔开。朴素贝叶斯(Naive Bayes),基于贝叶斯定理和特征条件独立性假设,计算输入数据属于每个类别的概率,并选择概率最大的类别作为分类结果。K近邻算法(K-NearestNeighbors,KNN),根据输入数据的邻近样本的类别,通过投票或距离加权来确定输入数据的类别。随机森林(Random Forest),通过构建多个决策树,并通过投票来确定最终的分类结果。
综上,基于本发明实施例的钢铁冶炼废气环保处理方法100被阐明,其可以基于润湿海绵在吸附过程中的重量变化来准确判断润湿海绵更换时机,以及时更换润湿海绵,确保废气的有效净化和过滤,提高废气治理效率。
图5为本发明实施例中提供的一种钢铁冶炼废气环保处理系统的框图。如图5所示,所述钢铁冶炼废气环保处理系统,包括:重量值获取模块210,用于获取润湿海绵在预定时间段内多个预定时间点的重量值;综合分析模块220,用于对所述多个预定时间点的重量值进行综合分析以得到多阶次重量时序特征向量;以及,是否更换润湿海绵确定模块230,用于基于所述多阶次重量时序特征向量,确定是否更换润湿海绵。
具体地,在所述钢铁冶炼废气环保处理系统中,所述综合分析模块,包括:数据结构化处理单元,用于将所述多个预定时间点的重量值进行数据结构化处理以得到重量时序输入向量和重量变化时序输入向量;时序分析单元,用于对所述重量时序输入向量和所述重量变化时序输入向量分别进行时序分析以得到一阶重量时序特征向量和二阶重量时序特征向量;以及,融合单元,用于融合所述一阶重量时序特征向量和所述二阶重量时序特征向量以得到所述多阶次重量时序特征向量。
本领域技术人员可以理解,上述钢铁冶炼废气环保处理系统中的各个步骤的具体操作已经在上面参考图1到图4的钢铁冶炼废气环保处理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,根据本发明实施例的钢铁冶炼废气环保处理系统100可以实现在各种终端设备中,例如用于钢铁冶炼废气环保处理的服务器等。在一个示例中,根据本发明实施例的钢铁冶炼废气环保处理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该钢铁冶炼废气环保处理系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该钢铁冶炼废气环保处理系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该钢铁冶炼废气环保处理系统100与该终端设备也可以是分立的设备,并且该钢铁冶炼废气环保处理系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图6为本发明实施例中提供的一种钢铁冶炼废气环保处理方法的应用场景图。如图6所示,在该应用场景中,首先,获取润湿海绵在预定时间段内多个预定时间点的重量值(例如,如图6中所示意的C);然后,将获取的重量值输入至部署有钢铁冶炼废气环保处理算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于钢铁冶炼废气环保处理算法对所述重量值进行处理,以确定是否更换润湿海绵。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。