CN117018834A - 工业烟气脱硫洗涤系统及其方法 - Google Patents
工业烟气脱硫洗涤系统及其方法 Download PDFInfo
- Publication number
- CN117018834A CN117018834A CN202311192533.XA CN202311192533A CN117018834A CN 117018834 A CN117018834 A CN 117018834A CN 202311192533 A CN202311192533 A CN 202311192533A CN 117018834 A CN117018834 A CN 117018834A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- time sequence
- industrial flue
- desulfurization
- comprehensive
- 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 210
- 239000003546 flue gas Substances 0.000 title claims abstract description 210
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 126
- 230000023556 desulfurization Effects 0.000 title claims abstract description 124
- 238000005406 washing Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 184
- 239000013598 vector Substances 0.000 claims description 141
- 239000000779 smoke Substances 0.000 claims description 36
- 238000005201 scrubbing Methods 0.000 claims description 34
- 239000003513 alkali Substances 0.000 claims description 26
- 230000003247 decreasing effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000265 homogenisation Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 239000012670 alkaline solution Substances 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 235000019738 Limestone Nutrition 0.000 description 4
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 4
- 239000006028 limestone Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 235000011114 ammonium hydroxide Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003472 neutralizing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-M bisulphate group Chemical class S([O-])(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-M 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- 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
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
- B01D53/502—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound characterised by a specific solution or suspension
-
- 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
- B01D53/30—Controlling by gas-analysis apparatus
-
- 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
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
- B01D53/78—Liquid phase processes with gas-liquid contact
-
- 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
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/80—Semi-solid phase processes, i.e. by using slurries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/40—Alkaline earth metal or magnesium compounds
- B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/60—Inorganic bases or salts
- B01D2251/606—Carbonates
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Treating Waste Gases (AREA)
Abstract
公开了一种工业烟气脱硫洗涤系统及其方法。其首先通过管道将船舶工业烟气传输至脱硫洗涤塔,然后,在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。这样,可以实现对工业烟气的脱硫作业。
Description
技术领域
本公开涉及烟气脱硫领域,且更为具体地,涉及一种工业烟气脱硫洗涤系统及其方法。
背景技术
工业烟气脱硫洗涤是一种常用的减少二氧化硫(SO2)排放的方法。传统的工业烟气脱硫洗涤方案通常采用湿法脱硫技术来进行,具体来说,使用碱性溶液(如石灰石浆液或氨水溶液)来吸收和中和烟气中的SO2以将其转化为硫酸盐或硫酸氢盐。
然而,传统的工业烟气脱硫洗涤方案中,通常使用固定的参数设置来确定碱液的投加量,但这种方法无法实时地适应烟气流量和二氧化硫浓度的变化,导致碱液的投加量可能过多或过少,影响脱硫效果的稳定性和经济性。并且,由于固定参数设置的限制,当烟气流量和SO2浓度波动较大时,传统方案可能无法有效地吸收和中和SO2,导致排放的二氧化硫浓度超标;同时还可能出现过量的碱液使用情况,这不仅增加了能耗,还产生了大量的废液,对环境造成负面影响。
因此,期望一种的工业烟气脱硫洗涤方案。
发明内容
有鉴于此,本公开提出了一种工业烟气脱硫洗涤系统及其方法,可以在进行工业烟气脱硫洗涤的过程中,通过传感器采集脱硫过程中工业烟气流量值和二氧化硫浓度值,并在后端引入脱硫参数数据的处理和分析算法来进行所述工业烟气流量值和所述二氧化硫浓度值的时序关联分析,以此实现自动对烟气脱硫过程的实时监测、分析和调节,从而基于实际的烟气流量和二氧化硫浓度值的时序协同变化趋势来自适应地调整碱性溶液的投加量,以提高脱硫效果的稳定性和经济性。
根据本公开的一方面,提供了一种工业烟气脱硫洗涤方法,其包括:
通过管道将船舶工业烟气传输至脱硫洗涤塔;以及
在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
根据本公开的另一方面,提供了一种工业烟气脱硫洗涤系统,其包括:
工业烟气传输模块,用于通过管道将船舶工业烟气传输至脱硫洗涤塔;以及
脱硫洗涤模块,用于在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
根据本公开的实施例,其首先通过管道将船舶工业烟气传输至脱硫洗涤塔,然后,在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。这样,可以实现对工业烟气的脱硫作业。
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工业烟气脱硫洗涤方法的流程图。
图2示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S120的流程图。
图3示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S120的架构示意图。
图4示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S123的流程图。
图5示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S1233的流程图。
图6示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S124的流程图。
图7示出根据本公开的实施例的工业烟气脱硫洗涤系统的框图。
图8示出根据本公开的实施例的工业烟气脱硫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。
应可以理解,工业烟气脱硫洗涤是一种通过使用湿法脱硫技术,将工业烟气中的二氧化硫(SO2)去除的过程。在该过程中,工业烟气被传输到脱硫洗涤塔中,通过与碱性溶液接触,二氧化硫会与溶液中的碱性成分发生化学反应,形成可溶于水的硫酸盐或亚硫酸盐,从而实现对二氧化硫的去除。经过脱硫洗涤处理后,产生的工业烟气中的二氧化硫浓度得到降低,达到环境排放标准要求,这种方法可以有效减少工业烟气对环境和人体健康的影响。但由于固定参数设置的限制,当烟气流量和SO2浓度波动较大时,传统方案可能无法有效地吸收和中和SO2,导致排放的二氧化硫浓度超标;同时还可能出现过量的碱液使用情况,这不仅增加了能耗,还产生了大量的废液,对环境造成负面影响。
针对上述技术问题,本公开的技术构思为在进行工业烟气脱硫洗涤的过程中,通过传感器采集脱硫过程中工业烟气流量值和二氧化硫浓度值,并在后端引入脱硫参数数据的处理和分析算法来进行所述工业烟气流量值和所述二氧化硫浓度值的时序关联分析,以此实现自动对烟气脱硫过程的实时监测、分析和调节,从而基于实际的烟气流量和SO2浓度值的时序协同变化趋势来自适应地调整碱性溶液的投加量,以提高脱硫效果的稳定性和经济性。
图1示出根据本公开的实施例的工业烟气脱硫洗涤方法的流程图。如图1所示,根据本公开实施例的工业烟气脱硫洗涤方法,包括步骤:S110,通过管道将船舶工业烟气传输至脱硫洗涤塔;以及,S120,在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
值得一提的是,脱硫洗涤塔是用于进行工业烟气脱硫洗涤的设备,它通常是一个高大的塔状结构,内部设置有喷淋系统和填料层,用于与工业烟气进行接触和反应。脱硫洗涤塔的主要作用是实现工业烟气中二氧化硫(SO2)的去除。工业烟气经过塔内的喷淋系统,与塔内的碱性溶液(如石灰石浆液)进行接触,形成气液两相的反应体系。在接触过程中,二氧化硫与碱性溶液中的碱性成分发生化学反应,生成可溶于水的硫酸盐或亚硫酸盐,从而将二氧化硫从烟气中去除。
值得一提的是,湿法脱硫技术是一种常用的工业烟气脱硫方法,用于去除工业烟气中的二氧化硫。该技术基于湿润环境下的化学反应原理,通过将工业烟气与碱性溶液接触,使二氧化硫与碱性溶液中的碱性成分发生反应,从而将二氧化硫转化为可溶于水的硫酸盐或亚硫酸盐,实现去除。在湿法脱硫技术中,常用的碱性溶液包括石灰石浆液(石灰石与水的混合物)和氨水溶液。工业烟气经过脱硫洗涤塔时,通过喷淋系统将碱性溶液喷洒到烟气中,形成气液两相接触。在接触过程中,二氧化硫与碱性溶液中的碱性成分发生化学反应,生成水溶性的硫酸盐或亚硫酸盐,从而将二氧化硫从烟气中去除。
图2示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S120的流程图。图3示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S120的架构示意图。如图2和图3所示,根据本公开实施例的工业烟气脱硫洗涤方法,在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气,包括步骤:S121,在所述管道内设置流量计和浓度传感器;S122,获取由所述管道内设置流量计和所述浓度传感器采集的预定时间段内多个预定时间点的工业烟气流量值和二氧化硫浓度值;S123,对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征;以及,S124,基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小。
具体地,在本公开的技术方案中,首先,获取预定时间段内多个预定时间点的工业烟气流量值和二氧化硫浓度值。接着,考虑到由于所述工业烟气流量值和所述二氧化硫浓度值不仅都在时间维度上都具有着时序的动态变化规律性,而且所述工业烟气流量值和所述二氧化硫浓度值之间还具有着时序的协同关联特性,共同对于碱性溶液的投加量控制产生作用。因此,在本公开的技术方案中,需要对于所述工业烟气流量值和所述二氧化硫浓度值的时序协同关联变化特征信息进行有效地捕捉刻画。具体地,首先,将所述多个预定时间点的工业烟气流量值和二氧化硫浓度值分别按照时间维度排列为工业烟气流量时序输入向量和二氧化硫浓度时序输入向量,以此来分别整合所述工业烟气流量值和所述二氧化硫浓度值在时间维度上的时序分布信息。
然后,计算所述工业烟气流量时序输入向量和所述二氧化硫浓度时序输入向量之间的按位置点乘以得到流量-浓度协同时序输入向量,以此来建立所述工业烟气流量值和所述二氧化硫浓度值之间在时间维度上的时序关联关系,从而有利于后续对所述工业烟气流量值和所述二氧化硫浓度值的时序协同分析以及对当前时间点下的碱液投加速度的自适应控制。
进一步地,还考虑到由于所述工业烟气流量值和所述二氧化硫浓度值都在时间维度上具有着时序的动态变化规律,也就是说,所述工业烟气流量值和所述二氧化硫浓度值在时序上的不同时间点之间具有着时序关联特性。因而,所述工业烟气流量值和所述二氧化硫浓度值之间的时序协同信息也同样在时间维度上存在着时序关联关系。因此,在本公开的技术方案中,将所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量分别通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述工业烟气流量值、所述二氧化硫浓度值以及这两者之间的时序协同信息在时间维度上的时序关联特征分布信息,从而得到工业烟气流量时序特征向量、二氧化硫浓度时序特征向量和流量-浓度协同时序特征向量。
应可以理解,所述工业烟气流量时序特征向量表示所述工业烟气流量值的时序变化特征信息,所述二氧化硫浓度时序特征向量表示所述二氧化硫浓度值的时序变化特征信息,而所述流量-浓度协同时序特征向量则表示了所述工业烟气流量和所述二氧化硫浓度之间的时序协同关联特征信息。因此,在得到所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量后,为了能够提高对于碱液投加控制的精准度,需要进一步融合所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量以得到待处理烟气综合时序特征向量。
相应地,如图4所示,对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征,包括:S1231,将所述多个预定时间点的工业烟气流量值和二氧化硫浓度值分别按照时间维度排列为工业烟气流量时序输入向量和二氧化硫浓度时序输入向量;S1232,对所述工业烟气流量时序输入向量和二氧化硫浓度时序输入向量进行关联编码以得到流量-浓度协同时序输入向量;以及,S1233,对所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量进行时序关联特征提取以得到待处理烟气综合时序特征向量作为所述待处理烟气综合时序特征。
更具体地,在步骤S1232中,对所述工业烟气流量时序输入向量和二氧化硫浓度时序输入向量进行关联编码以得到流量-浓度协同时序输入向量,包括:计算所述工业烟气流量时序输入向量和所述二氧化硫浓度时序输入向量之间的按位置点乘以得到所述流量-浓度协同时序输入向量。
更具体地,在步骤S1233中,如图5所示,对所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量进行时序关联特征提取以得到待处理烟气综合时序特征向量作为所述待处理烟气综合时序特征,包括:S12331,将所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量分别通过基于一维卷积层的时序特征提取器以得到工业烟气流量时序特征向量、二氧化硫浓度时序特征向量和流量-浓度协同时序特征向量;以及,S12332,融合所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量以得到所述待处理烟气综合时序特征向量。
应可以理解,一维卷积层是深度学习中常用的一种神经网络层,用于处理序列数据,它可以有效地提取时序数据中的特征,并在不同时间步之间共享参数,从而捕捉到数据的局部模式和全局关联。在本公开中,一维卷积层被用于时序关联特征提取。具体来说,在步骤S12331中,工业烟气流量时序输入向量、二氧化硫浓度时序输入向量和流量-浓度协同时序输入向量通过基于一维卷积层的时序特征提取器进行处理,分别得到工业烟气流量时序特征向量、二氧化硫浓度时序特征向量和流量-浓度协同时序特征向量。一维卷积层通过滑动一个小的窗口(卷积核)在输入序列上进行卷积操作,提取局部特征。这些局部特征的组合可以捕捉到序列中的不同模式和规律。通过使用多个卷积核,可以得到不同大小的特征图,进一步增强模型对不同尺度的特征的感知能力。在工业烟气脱硫洗涤技术中,一维卷积层的应用可以帮助提取工业烟气流量、二氧化硫浓度和流量-浓度协同变化的时序特征,为后续的融合提供有用的信息。通过这种方式,可以更好地理解和分析烟气脱硫洗涤过程中的时序变化,从而提高脱硫效果的稳定性和经济性。
进一步地,将所述待处理烟气综合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当前时间点的碱液投加速度应增大或应减小。也就是说,以所述工业烟气流量值的时序变化特征信息、所述二氧化硫浓度的时序变化特征信息和所述工业烟气流量值和所述二氧化硫浓度间的时序协同关联特征信息的融合特征来综合进行分类,以此来基于实际烟气流量和SO2浓度值的变化趋势来自适应地调整碱性溶液的投加量,以提高脱硫效果的稳定性和经济性。
相应地,在步骤S124中,基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小,包括:将所述待处理烟气综合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当前时间点的碱液投加速度应增大或应减小。
也就是,在本公开的技术方案中,所述分类器的标签包括当前时间点的碱液投加速度应增大(第一标签),以及,当前时间点的碱液投加速度应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述待处理烟气综合时序特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的碱液投加速度应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,当前时间点的碱液投加速度应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的碱液投加速度应增大或应减小”的语言文本意义。
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。
特别地,在本申请的技术方案中,所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量分别表达工业烟气流量值、二氧化硫浓度值及其时序分布协同值在时序方向下的一维局部关联特征,由此,考虑到流量和浓度在物理度量上的差异,以及单参数以及参数协同值在时序分布上的差异,在融合所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量得到所述待处理烟气综合时序特征向量,并对所述待处理烟气综合时序特征向量进行分类时,会基于整体时序分布上的局部时序分布尺度进行尺度启发式的类概率映射,同时,考虑到所述待处理烟气综合时序特征向量包含了混合参数时序空间特征表示,这会导致所述分类器的训练效率降低。基于此,本申请在将所述待处理烟气综合时序特征向量通过分类器进行分类时,对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活。
相应地,在一种可能的实现方式中,图6示出根据本公开的实施例的工业烟气脱硫洗涤方法的子步骤S124的流程图。如图6所示,将所述待处理烟气综合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当前时间点的碱液投加速度应增大或应减小,包括:S1241,对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到优化待处理烟气综合时序特征向量;S1242,使用所述分类器的全连接层对所述优化待处理烟气综合时序特征向量进行全连接编码以得到全连接优化待处理烟气综合时序特征向量;S1243,将所述全连接优化待处理烟气综合时序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。
相应地,在一种可能的实现方式中,对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到优化待处理烟气综合时序特征向量,包括:以如下优化公式对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到所述优化待处理烟气综合时序特征向量;
其中,所述优化公式为:
其中,V是所述待处理烟气综合时序特征向量,vi是所述待处理烟气综合时序特征向量V的第i个特征值,‖V‖2表示所述待处理烟气综合时序特征向量的二范数,log是以2为底的对数,且α是权重超参数,vi′是所述优化待处理烟气综合时序特征向量的第i个特征值。
这里,考虑到所述待处理烟气综合时序特征向量V的特征分布在高维特征空间到分类回归空间时的特征分布映射,在基于混合参数时序空间特征的不同的特征分布级别上会呈现不同的映射模式,导致需要提升基于尺度启发式的映射策略的映射效率,因而,基于特征向量范数的秩表达语义信息均一化来结合尺度启发进行特征匹配,可以将相似特征秩表达以类似方式激活,并降低差异较大的特征秩表达之间的相关性,从而解决所述待处理烟气综合时序特征向量V的特征分布在不同空间秩表达下的概率表达映射效率低下的问题,提升所述待处理烟气综合时序特征向量通过分类器进行分类时的训练效率。这样,能够基于实际的烟气流量和SO2浓度的时序关联变化趋势来自动调整碱性溶液的投加量,从而实现更高效、更稳定的脱硫效果。
值得一提的是,全连接层是深度学习中常用的一种神经网络层,用于将前一层的所有神经元与当前层的所有神经元进行连接,每个神经元在全连接层中与上一层的所有神经元都有连接关系,这样可以实现全局的信息传递和特征组合。在所描述的实现方式中,全连接层被用于对待处理烟气综合时序特征向量进行全连接编码。具体来说,在分类器中,全连接层将待处理烟气综合时序特征向量作为输入,并将其与一组可学习的权重参数进行矩阵相乘和偏置相加的操作。这个过程可以看作是对输入特征进行线性变换和映射。全连接层的作用是将输入特征进行高维度的非线性变换,从而捕捉到输入特征之间的复杂关系和抽象表示。通过引入非线性激活函数(如ReLU、Sigmoid等),全连接层可以学习到更复杂的特征表示,提高模型的表达能力。在上述实施方式中,全连接层的输出被用作编码分类特征向量,即对待处理烟气综合时序特征向量进行编码表示。这个编码表示可以包含更高级别的特征信息,用于后续的分类任务。在分类器中,编码分类特征向量经过Softmax分类函数,将其映射到一个概率分布上,表示不同分类的概率。这样可以得到分类结果,用于表示当前时间点的碱液投加速度应增大或应减小。换言之,全连接层在该实现方式中起到了对待处理烟气综合时序特征向量进行编码和特征映射的作用,为后续的分类任务提供了更高级别的特征表示。
综上,基于本公开实施例的工业烟气脱硫洗涤方法,其可以在进行工业烟气脱硫洗涤的过程中,通过传感器采集脱硫过程中工业烟气流量值和二氧化硫浓度值,并在后端引入脱硫参数数据的处理和分析算法来进行所述工业烟气流量值和所述二氧化硫浓度值的时序关联分析,以此实现自动对烟气脱硫过程的实时监测、分析和调节,从而基于实际的烟气流量和二氧化硫浓度值的时序协同变化趋势来自适应地调整碱性溶液的投加量,以提高脱硫效果的稳定性和经济性。
图7示出根据本公开的实施例的工业烟气脱硫洗涤系统100的框图。如图7所示,根据本公开实施例的工业烟气脱硫洗涤系统100,包括:工业烟气传输模块110,用于通过管道将船舶工业烟气传输至脱硫洗涤塔;以及,脱硫洗涤模块120,用于在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
在一种可能的实现方式中,所述脱硫洗涤模块120,包括:传感器设置单元,用于在所述管道内设置流量计和浓度传感器;数据采集单元,用于获取由所述管道内设置流量计和所述浓度传感器采集的预定时间段内多个预定时间点的工业烟气流量值和二氧化硫浓度值;时序关联特征分析单元,用于对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征;以及,碱液投加速度控制单元,用于基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小。
这里,本领域技术人员可以理解,上述工业烟气脱硫洗涤系统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的工业烟气脱硫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工业烟气脱硫洗涤系统100可以实现在各种无线终端中,例如具有工业烟气脱硫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工业烟气脱硫洗涤系统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,该工业烟气脱硫洗涤系统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,该工业烟气脱硫洗涤系统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,该工业烟气脱硫洗涤系统100与该无线终端也可以是分立的设备,并且该工业烟气脱硫洗涤系统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工业烟气脱硫洗涤方法的应用场景图。如图8所示,在该应用场景中,首先,获取由所述管道内设置流量计(例如,图8中所示意的N1)和所述浓度传感器(例如,图8中所示意的N2)采集的预定时间段内多个预定时间点的工业烟气流量值(例如,图8中所示意的D1)和二氧化硫浓度值(例如,图8中所示意的D2),然后,将所述多个预定时间点的工业烟气流量值和二氧化硫浓度值输入至部署有工业烟气脱硫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工业烟气脱硫洗涤算法对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行处理以得到用于表示当前时间点的碱液投加速度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 (10)
1.一种工业烟气脱硫洗涤方法,其特征在于,包括:
通过管道将船舶工业烟气传输至脱硫洗涤塔;以及
在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
2.根据权利要求1所述的工业烟气脱硫洗涤方法,其特征在于,在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气,包括:
在所述管道内设置流量计和浓度传感器;
获取由所述管道内设置流量计和所述浓度传感器采集的预定时间段内多个预定时间点的工业烟气流量值和二氧化硫浓度值;
对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征;以及
基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小。
3.根据权利要求2所述的工业烟气脱硫洗涤方法,其特征在于,对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征,包括:
将所述多个预定时间点的工业烟气流量值和二氧化硫浓度值分别按照时间维度排列为工业烟气流量时序输入向量和二氧化硫浓度时序输入向量;
对所述工业烟气流量时序输入向量和二氧化硫浓度时序输入向量进行关联编码以得到流量-浓度协同时序输入向量;以及
对所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量进行时序关联特征提取以得到待处理烟气综合时序特征向量作为所述待处理烟气综合时序特征。
4.根据权利要求3所述的工业烟气脱硫洗涤方法,其特征在于,对所述工业烟气流量时序输入向量和二氧化硫浓度时序输入向量进行关联编码以得到流量-浓度协同时序输入向量,包括:
计算所述工业烟气流量时序输入向量和所述二氧化硫浓度时序输入向量之间的按位置点乘以得到所述流量-浓度协同时序输入向量。
5.根据权利要求4所述的工业烟气脱硫洗涤方法,其特征在于,对所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量进行时序关联特征提取以得到待处理烟气综合时序特征向量作为所述待处理烟气综合时序特征,包括:
将所述工业烟气流量时序输入向量、所述二氧化硫浓度时序输入向量和所述流量-浓度协同时序输入向量分别通过基于一维卷积层的时序特征提取器以得到工业烟气流量时序特征向量、二氧化硫浓度时序特征向量和流量-浓度协同时序特征向量;
融合所述工业烟气流量时序特征向量、所述二氧化硫浓度时序特征向量和所述流量-浓度协同时序特征向量以得到所述待处理烟气综合时序特征向量。
6.根据权利要求5所述的工业烟气脱硫洗涤方法,其特征在于,基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小,包括:
将所述待处理烟气综合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当前时间点的碱液投加速度应增大或应减小。
7.根据权利要求6所述的工业烟气脱硫洗涤方法,其特征在于,将所述待处理烟气综合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当前时间点的碱液投加速度应增大或应减小,包括:
对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到优化待处理烟气综合时序特征向量;
使用所述分类器的全连接层对所述优化待处理烟气综合时序特征向量进行全连接编码以得到全连接优化待处理烟气综合时序特征向量;
将所述全连接优化待处理烟气综合时序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。
8.根据权利要求7所述的工业烟气脱硫洗涤方法,其特征在于,对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到优化待处理烟气综合时序特征向量,包括:以如下优化公式对所述待处理烟气综合时序特征向量进行特征秩表达的语义信息均一化激活以得到所述优化待处理烟气综合时序特征向量;
其中,所述优化公式为:
其中,V是所述待处理烟气综合时序特征向量,vi是所述待处理烟气综合时序特征向量V的第i个特征值,‖V‖2表示所述待处理烟气综合时序特征向量的二范数,log是以2为底的对数,且α是权重超参数,vi′是所述优化待处理烟气综合时序特征向量的第i个特征值。
9.一种工业烟气脱硫洗涤系统,其特征在于,包括:
工业烟气传输模块,用于通过管道将船舶工业烟气传输至脱硫洗涤塔;以及
脱硫洗涤模块,用于在所述脱硫洗涤塔中,使用湿法脱硫技术对所述船舶工业烟气进行脱硫洗涤处理以得到脱硫后工业烟气。
10.根据权利要求9所述的工业烟气脱硫洗涤系统,其特征在于,所述脱硫洗涤模块,包括:
传感器设置单元,用于在所述管道内设置流量计和浓度传感器;
数据采集单元,用于获取由所述管道内设置流量计和所述浓度传感器采集的预定时间段内多个预定时间点的工业烟气流量值和二氧化硫浓度值;
时序关联特征分析单元,用于对所述多个预定时间点的工业烟气流量值和二氧化硫浓度值进行时序关联特征分析以得到待处理烟气综合时序特征;以及
碱液投加速度控制单元,用于基于所述待处理烟气综合时序特征,确定当前时间点的碱液投加速度应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192533.XA CN117018834A (zh) | 2023-09-14 | 2023-09-14 | 工业烟气脱硫洗涤系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192533.XA CN117018834A (zh) | 2023-09-14 | 2023-09-14 | 工业烟气脱硫洗涤系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117018834A true CN117018834A (zh) | 2023-11-10 |
Family
ID=88602579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311192533.XA Pending CN117018834A (zh) | 2023-09-14 | 2023-09-14 | 工业烟气脱硫洗涤系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117018834A (zh) |
-
2023
- 2023-09-14 CN CN202311192533.XA patent/CN117018834A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135231B (zh) | 动物面部识别方法、装置、计算机设备和存储介质 | |
US8990133B1 (en) | Apparatus and methods for state-dependent learning in spiking neuron networks | |
Lin et al. | Effective recognition of control chart patterns in autocorrelated data using a support vector machine based approach | |
CN110926782A (zh) | 断路器故障类型判断方法、装置、电子设备及存储介质 | |
CN116392930B (zh) | 船舶尾气脱硫工艺及其系统 | |
Karmaker et al. | A boosting approach to remove class label noise | |
Tian et al. | Dynamic software reliability prediction: an approach based on support vector machines | |
CN114169394A (zh) | 一种多尺度自适应图学习的多变量时间序列预测方法 | |
CN114385272B (zh) | 面向海洋任务的在线自适应计算卸载方法及系统 | |
Ferdinandi et al. | A novel smart system for contaminants detection and recognition in water | |
Skatchkovsky et al. | End-to-end learning of neuromorphic wireless systems for low-power edge artificial intelligence | |
Shan et al. | Global asymptotic stability and stabilization of neural networks with general noise | |
Gondal et al. | Function contrastive learning of transferable meta-representations | |
CN116603390B (zh) | 船舶尾气洗涤系统及其方法 | |
Otsuka et al. | Free-energy-based reinforcement learning in a partially observable environment. | |
CN117018834A (zh) | 工业烟气脱硫洗涤系统及其方法 | |
Loni et al. | Learning activation functions for sparse neural networks | |
Zhang et al. | Weighted data normalization based on eigenvalues for artificial neural network classification | |
Kumar et al. | Expanding motor skills using relay networks | |
US20230394304A1 (en) | Method and Apparatus for Neural Network Based on Energy-Based Latent Variable Models | |
CN117193179A (zh) | 烟气脱硫过程监控管理系统及其方法 | |
Liu | Computational awareness for learning neural network ensembles | |
Jin et al. | Effect of de-noising by wavelet filtering and data augmentation by borderline SMOTE on the classification of imbalanced datasets of pig behavior | |
Nimi et al. | Factionformer: Context-driven collaborative vision transformer models for edge intelligence | |
Jankowski | Data regularization |
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 |