基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统

摘要

本发明实施例公开的基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统，涉及节能环保技术领域。包括：获得粉尘运动静电感应及温度、湿度和内外气压差数据；通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；对获得的所有数据做归一化预处理，得到训练样本数据和测试样本数据；将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度。

权利要求

1.一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法，其特征在于，包括步骤：S10、利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；

S20、通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；

S30、对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；

S40、将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；

以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。

2.根据权利要求1所述的预测方法，其特征在于，在步骤S10中，所述利用静电感应测量方法获得粉尘运动静电感应数据包括：在管道内上游安装第一静电传感器，在管道内下游安装第二静电传感器；其中，第一静电传感器与第二静电传感器结构相同，且在管道内位置上彼此相邻；

获取第一静电传感器输出的第一静电感应信号，以及获取第二静电传感器输出的第二静电感应信号；

在步骤S20中，所述通过互相关法计算固体颗粒传输速度包括：根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间；

根据所述延迟时间计算确定出所述固体颗粒的流速。

3.根据权利要求2所述的预测方法，其特征在于，在步骤S20中，所述根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间，包括：根据所述第一静电感应信号与第二静电感应信号，基于第一公式计算得到第一静电感应信号与第二静电感应信号的相关系数，所述相关系数表征所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为：所述x(n)为上游第一静电传感器输出的第一静电感应信号，y

(n+k)为下游第二静电传感器延迟k个时间单位的第二静电感应信号，N为上游第一静电传感器输出的第一静电感应信号的个数，K为预设的延时数据个数，k和n为变量，且为正整数，满足0≤k≤K‑1，0≤n≤N‑K，Rxy(k)表示相关系数；

根据第二公式，调节k的值使k由小到大变化，确定出相关系数Rxy(k)最大时对应的k值，并标记为k0；所述第二公式为根据所述k0和数据采集间隔时间计算得到所述固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间。

4.根据权利要求3所述的预测方法，其特征在于，在步骤S20中，所述根据所述延迟时间计算确定出所述固体颗粒的流速包括：基于所述延时时间和第一静电传感器与第二静电传感器之间的距离，根据第三公式计算得到所述固体颗粒的流速；所述第三公式为 L为第一静电传感器与第二静电传感器之间的距离，k0T为颗粒经过相邻传感之间的延迟时间，T为所述数据采集间隔时间。

5.根据权利要求1或2所述的预测方法，其特征在于，在所述S40中，将所述训练样本数据输入卷积神经网络进行训练包括：利用所述线性卷积模块对所述训练样本数据进行一维卷积，其中，卷积核大小为常数；

在所述线性卷积模块输出激活前，加上所述偏置常数向量；

对所述线性卷积模块的输出施加激活函数，并输出至池化层；

在池化层采用最大池化函数进行池化，池化窗口大小为常数；

利用所述防过拟合正则化模块，设置20％～50％权重冻结，防止网络过拟合；

通过损失函数约束，优化网络训练参数，得到所述浓度预测模型。

6.根据权利要求5所述方法，其特征在于，所述通过损失函数约束，优化网络训练参数，包括：采用均方误差根损失函数，优化网络训练参数；其中，所述均方误差根损失函数为：其中，n为第一静电传感器和第二静电传感器样本数据的数

量，yi为对照固体颗粒浓度值， 表示固体浓度预测值。

7.根据权利要求1所述的预测方法，其特征在于，在步骤S30中，对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理包括：采用如下最大最小归一化函数

消除不同参数的量纲影响，得到归一化数据；其中，F(x)为x归一化后的值，位于区间[0，1]；xmin为序列最小值；xmax为序列最大值。

8.根据权利要求4所述的预测方法，其特征在于，在S20中，所述根据输入物料质量和流速计算得到对照固体颗粒浓度数据包括：根据所述流速与管道横截面积相乘得到单位时间内通过管道的固体颗粒体积；

根据所述物料质量与所述固体颗粒体积，基于第四公式计算得到所述对照固体颗粒浓度数据；其中，所述第四公式为：Ps为近似瞬时固体颗粒浓度，m为单位时间内通过横截面的固体颗粒质量，Ap为管道横截面积，v为固体颗粒的流速。

9.根据权利要求2所述的预测方法，其特征在于，所述第一静电传感器与第二静电传感器的安装间距为5‑20cm，所述第一静电传感器与第二静电传感器采用环形电极，其外径102

～30mm，内径5～15mm，电极表面积大于50cm ，所述第一静电传感器与第二静电传感器通过信号采集卡与信号处理器连接，用于实时测量和监测气固流动过程中的静电感应信号。

10.一种基于数据驱动的粉尘气固流固体颗粒浓度预测系统，其特征在于，包括：数据获取单元，用于通过利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；

第一计算单元，用于通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；

数据处理单元，用于对获得的温度数据、湿度数据和内外气压差数据，以及获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；

数据训练单元，用于将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块；

以及，浓度预测单元，用于将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图。

说明书

基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统

技术领域

[0001] 本发明属于节能环保技术领域，具体涉及一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统。

背景技术

[0002] 固体颗粒浓度是描述气固两相流流动特性的重要参数之一。准确可靠地在线预测固体颗粒浓度，可以大大提高生产效率，降低能耗，帮助企业优化工业生产过程，实现降本增效。

[0003] 以火电厂为例，管道中的煤粉浓度对锅炉燃烧状况有重要影响。煤粉浓度的变化直接影响管道中风粉分布的均匀性和煤粉在锅炉中的稳定燃烧。在管道内输送适当浓度的煤粉，可以实现煤粉高效燃烧，提高能源利用率，减少飞灰和温室气体排放。因此，锅炉燃烧系统输粉管内的煤粉固体颗粒浓度是气力输送过程中的一个重要参数。合理的浓度可以有效提高煤粉利用效率，降低污染物排放。

[0004] 虽然不同气力输送系统输送的颗粒物不同，但颗粒物浓度测量技术原理相近。已有研究提出许多测量方法，如衰减法、散射法、共振法、电学法、层析成像法、静电法和微波法等。这些方法各有优缺点，适用条件不同。现有传感器有声学传感器、光学传感器、数字图像传感器、电容传感器、静电传感器、微波传感器和放射传感器等。但由于气固流动动态复杂，各传感器测量原理难以准确测量浓度。

[0005] 许多因素影响测量数据有效性。气力输送管道内固体颗粒速度和浓度受气体速度、流体浓度、管道方位及颗粒特性影响。而颗粒密度、粒径和形状也影响颗粒流动特性。因此，在线准确测量固体颗粒浓度具有挑战，预测更为棘手。提供一种可靠方法在线测量和预测粉尘等固体颗粒物浓度显得尤为重要。

发明内容

[0006] 有鉴于此，本发明实施例旨在提供基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统，便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度。

[0007] 为达到上述发明目的，本发明采用如下技术方案：

[0008] 一种基于数据驱动的粉尘气固流固体颗粒浓度预测方法，其特征在于，包括以下步骤：

[0009] S10、利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；

[0010] S20、通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；

[0011] S30、对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；

[0012] S40、将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；

[0013] 以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块。

[0014] 可选地，在步骤S10中，所述利用静电感应测量方法获得粉尘运动静电感应数据包括：在管道内上游安装第一静电传感器，在管道内下游安装第二静电传感器；其中，第一静电传感器与第二静电传感器结构相同，且在管道内位置上彼此相邻；

[0015] 获取第一静电传感器输出的第一静电感应信号，以及获取第二静电传感器输出的第二静电感应信号；

[0016] 在步骤S20中，所述通过互相关法计算固体颗粒传输速度包括：根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间；

[0017] 根据所述延迟时间计算确定出所述固体颗粒的流速。

[0018] 可选地，在步骤S20中，所述根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间，包括：根据所述第一静电感应信号与第二静电感应信号，基于第一公式计算得到第一静电感应信号与第二静电感应信号的相关系数，所述相关系数表征所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为： 所述
x(n)为上游第一静电传感器输出的第一静电感应信号，y(n+k)为下游第二静电传感器延迟k个时间单位的第二静电感应信号，N为上游第一静电传感器输出的第一静电感应信号的个数，K为预设的延时数据个数，k和n为变量，且为正整数，满足0≤k≤K‑1，0≤n≤N‑K，Rxy(k)表示相关系数；

[0019] 根据第二公式，调节k的值使k由小到大变化，确定出相关系数Rxy(k)最大时对应的k值，并标记为k0；所述第二公式为

[0020] 根据所述k0和数据采集间隔时间计算得到所述固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间。

[0021] 可选地，在步骤S20中，所述根据所述延迟时间计算确定出所述固体颗粒的流速包括：基于所述延时时间和第一静电传感器与第二静电传感器之间的距离，根据第三公式计算得到所述固体颗粒的流速；所述第三公式为 L为第一静电传感器与第二静电传感器之间的距离，k0T为颗粒经过相邻传感之间的延迟时间，T为所述数据采集间隔时间。

[0022] 可选地，在所述S40中，将所述训练样本数据输入卷积神经网络进行训练包括：利用所述线性卷积模块对所述训练样本数据进行一维卷积，其中，卷积核大小为常数；

[0023] 在所述线性卷积模块输出激活前，加上所述偏置常数向量；

[0024] 对所述线性卷积模块的输出施加激活函数，并输出至池化层；

[0025] 在池化层采用最大池化函数进行池化，池化窗口大小为常数；

[0026] 利用所述防过拟合正则化模块，设置20％权重冻结，防止网络过拟合；

[0027] 通过损失函数约束，优化网络训练参数，得到所述浓度预测模型。

[0028] 可选地，所述通过损失函数约束，优化网络训练参数，包括：采用均方误差根损失函数，优化网络训练参数；其中，所述均方误差根损失函数为：

[0029] 其中，n为第一静电传感器和第二静电传感器样本数据的数量，yi为对照固体颗粒浓度值， 表示固体浓度预测值。

[0030] 可选地，在步骤S30中，对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理包括：

[0031] 采用如下最大最小归一化函数

[0032] 消除所述不同参数的量纲影响，得到归一化数据；其中，F(x)为x归一化后的值，位于区间[0，1]；xmin为序列最小值；xmax为序列最大值。

[0033] 可选地，在S20中，所述根据输入物料质量和流速计算得到对照固体颗粒浓度数据包括：

[0034] 根据所述流速与管道横截面积相乘得到单位时间内通过管道的固体颗粒体积；

[0035] 根据所述物料质量与所述固体颗粒体积，基于第四公式计算得到所述对照固体颗粒浓度数据；其中，所述第四公式为：

[0036] Ps为近似瞬时固体颗粒浓度，m为单位时间内通过横截面的固体颗粒质量，Ap为管道横截面积，v为固体颗粒的流速。

[0037] 可选地，所述第一静电传感器与第二静电传感器的安装间距为5‑20cm，所述第一静电传感器与第二静电传感器采用环形电极，其外径10～30mm，内径5～15mm，电极表面积2
大于50cm ，所述第一静电传感器与第二静电传感器通过信号采集卡与信号处理器连接，用于实时测量和监测气固流动过程中的静电感应信号。

[0038] 第二方面，本发明还实施例提供一种基于数据驱动的粉尘气固流固体颗粒浓度预测系统，其特征在于，包括：数据获取单元，用于通过利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；

[0039] 第一计算单元，用于通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；

[0040] 数据处理单元，用于对获得的温度数据、湿度数据和内外气压差数据，以及获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；

[0041] 数据训练单元，用于将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块；

[0042] 以及，浓度预测单元，用于将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图。

[0043] 本发明实施例提供的基于数据驱动的粉尘气固流固体颗粒浓度预测方法及系统，通过基于生产环境数据与深度学习的卷积神经网络进行训练，构建浓度预测模型，具有较强的适应性和泛化能力，便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度，实现了对粉尘等气固流固体颗粒浓度的在线监测与变化态势跟踪。

附图说明

[0044] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

[0045] 图1是本发明基于数据驱动的粉尘气固流固体颗粒浓度预测方法一实施例流程图。

[0046] 图2是本发明一实施例基于数据驱动的粉尘气固流固体颗粒浓度预测系统在生产环境中的管道上的布设结构示意图。

[0047] 图3是本发明中浓度预测卷积神经网络一实施例结构示意图；

[0048] 图3a是图3卷积神经网络中全连接层的具体示意图；

[0049] 图3b是图3中卷积神经网络中Dropout层的一实施例具体结构示意图；

[0050] 图4是本发明一实施例中卷积神经网络在训练过程中的平均绝对误差曲线图；

[0051] 图5是本发明一实施例中卷积神经网络在训练过程中的损失函数曲线图；

[0052] 图6是本发明一实施例中训练得到的预测模型的预测效果对比曲线图；

[0053] 图7是本发明基于数据驱动的粉尘气固流固体颗粒浓度预测系统一实施例结构示意框图。

[0054] 需要说明的是，图6中为了清楚地表达出对比效果，在图中采用了彩色线条区分，若都采用黑色线条，不容易直观清楚地表达。

具体实施方式

[0055] 下面结合附图对本发明实施例进行详细描述。

[0056] 应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0057] 图1是本发明基于数据驱动的粉尘气固流固体颗粒浓度预测方法一实施例流程图；图2是本发明各个传感器在生产环境中的管道上的一实施例布设结构示意图；图3是本发明中浓度预测卷积神经网络一实施例结构示意图。参看图1至图3所示，本发明实施例提供的基于数据驱动的粉尘气固流固体颗粒浓度预测方法S，包括步骤：

[0058] S10、利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据。

[0059] 其中，气固流固体颗粒浓度，本文中也简称固体颗粒浓度。

[0060] 在一些实施例中，如图2所示，在步骤S10中，所述利用静电感应测量方法获得粉尘运动静电感应数据包括：在管道内上游安装第一静电传感器1，在管道内下游安装第二静电传感器2；其中，第一静电传感器1与第二静电传感器2结构相同，且在管道内位置上彼此相邻；获取第一静电传感器1输出的第一静电感应信号，以及获取第二静电传感器2输出的第二静电感应信号。

[0061] 其中，在安装上述静电传感器时，两个相邻的第一静电传感器和第二静电传感器的距离为L，此距离不宜过大，该距离的设置，应保证通过管道的气固流相似为佳。

[0062] 具体的，可以选择两块电容板作为静电感应传感器，并在其输出端设置放大电路，经过放大电路连接至数据采集卡，用于将电容变化转化为电压信号。

[0063] 其中，第一静电传感器1与第二静电传感器2应设置于气固流传输的通道上，例如图2中的管道内壁上，以确保粉尘等气固流稳定流过上述静电传感器测量区域。

[0064] 在一些实施例中，所述第一静电传感器1与第二静电传感器2的安装间距为5‑20cm，所述第一静电传感器1与第二静电传感器2采用环形电极，其外径10～30mm，内径5～
2
15mm，电极表面积大于50cm ，所述第一静电传感器1与第二静电传感器2通过信号采集卡与信号处理器连接，用于实时测量和监测气固流动过程中的静电感应信号。

[0065] 所述静电感应信号例如可以包括：静电感应特性参数，如静电电荷量等。

[0066] 同时，在管道内设置温度传感器、湿度传感器、气压传感器等，以获得温度、湿度、管道内外气压差数据。在一些实施例中，采集的所述工作环境温度范围为‑40‑100℃，相对湿度范围为0‑95％，管道压力范围为0.05‑1.6MPa。

[0067] 本实施例中，通过采集实际生产环境数据，用于训练预测模型，由于实际生产环境数据是在真实复杂环境下采集的，包含了各种噪声和干扰因素的影响，使用这些数据训练的模型可以更好地适应实际场景，预测结果会更加准确可靠。

[0068] S20、通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据。

[0069] 本实施例中，互相关法的关键在于气固流通过较短距离时的静电感应值十分相似。因此，通过计算短距离相似静电值采集间隔时间，从而可以得到气固流通过短距离L的平均速度。

[0070] 具体的，在步骤S20中，所述通过互相关法计算固体颗粒传输速度包括：根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间；根据所述延迟时间计算确定出所述固体颗粒的流速。

[0071] 在一些实施例中，在S20中，所述根据输入物料质量和流速计算得到对照固体颗粒浓度数据包括：S21、根据所述流速与管道横截面积相乘得到单位时间内通过管道的固体颗粒体积；S22、根据所述物料质量与所述固体颗粒体积，基于第四公式计算得到所述对照固体颗粒浓度数据；其中，所述第四公式为：

[0072] Ps为近似瞬时固体颗粒浓度，m为单位时间内通过横截面的固体颗粒质量，Ap为管道横截面积，v为固体颗粒的流速。

[0073] 在一些实施例中，在步骤S20中，所述根据所述第一静电感应信号与第二静电感应信号之间的互相关性确定固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间，包括：根据所述第一静电感应信号与第二静电感应信号，基于第一公式计算得到第一静电感应信号与第二静电感应信号的相关系数，所述相关系数表征所述第一静电感应信号与第二静电感应信号之间的互相关性，所述第一公式为：所述x(n)为上游第一静电传感器输出的第一静电
感应信号，y(n+k)为下游第二静电传感器延迟k个时间单位的第二静电感应信号，N为上游第一静电传感器输出的第一静电感应信号的个数，K为预设的延时数据个数，k和n为变量，且为正整数，满足0≤k≤K‑1，0≤n≤N‑K，Rxy(k)表示相关系数；

[0074] 根据第二公式，调节k的值使k由小到大变化，确定出相关系数Rxy(k)最大时对应的k值，并标记为k0；所述第二公式为

[0075] 根据所述k0和数据采集间隔时间计算得到所述固体颗粒经过第一静电传感器与第二静电传感器之间的延迟时间。

[0076] 在另一些实施例中，在步骤S20中，所述根据所述延迟时间计算确定出所述固体颗粒的流速包括：

[0077] 基于所述延时时间和第一静电传感器与第二静电传感器之间的距离，根据第三公式计算得到所述固体颗粒的流速；所述第三公式为 L为第一静电传感器与第二静电传感器之间的距离，k0T为颗粒经过相邻传感之间的延迟时间，T为所述数据采集间隔时间。

[0078] 本实施例中，通过基于双静电传感器和时间延迟计算确定出固体颗粒的流速(准确说应该是近似于固体颗粒，实质上应该是气固流)，具有结构简单、精度高、广泛适用等，在工业过程中的粉尘流速监测和控制领域有着广阔的应用前景。

[0079] S30、对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据。

[0080] 可以理解的是，由于各传感器采集的原始数据量纲单位不一致，不具备统一尺度分析的条件，因此，需要对获得的温度、湿度、内外气压差、静电感应值、固体颗粒浓度等数据做归一化预处理，这样可以方便进一步分析。

[0081] 在一些实施例中，在步骤S30中，对步骤S10中获得的温度数据、湿度数据和内外气压差数据，以及S20中获得的对照固体颗粒浓度数据做归一化预处理包括：采用如下最大最小归一化函数

[0082] 消除所述不同参数的量纲影响，得到归一化数据；其中，F(x)为x归一化后的值，位于区间[0，1]；xmin为序列最小值；xmax为序列最大值。

[0083] 在将前述步骤得到的所有数据进行归一化处理后，一部分作为训练样本数据，用于训练预测模型；一部分作为验证样本数据，用于模型选择和超参数调优；另外留取一部分作为测试样本数据，用于测试评估训练得到的预测模型的预测准确性。

[0084] S40、将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；

[0085] 以及，将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块，

[0086] 优选地，所述线性卷积模块包括多层。

[0087] 可以理解的是，卷积操作一次只覆盖输入的局部区域，通过将所述线性卷积模块设置为多层，这样，通过堆叠多个卷积层,整个网络的感受野会逐渐扩大，可以接收更加全局的信息，有利于对整体输入进行判断，提高浓度预测模型的预测准确度。

[0088] 可以理解的是，卷积神经网络预测是根据固体颗粒浓度训练值与温度、湿度、气压、静电值输入数据之间的对照关系，请参看图3所示，通过损失约束函数不断优化调整训练特征提取参数从而达到学习的目，当得到了满足损失要求的参数后，训练得到的网络模型，会自动根据输入数据对气固流固体颗粒浓度进行浓度预测分析，实现了气固流固体颗粒浓度的准确预测。

[0089] 示例性地，如图3a所示，xi为经过归一化的输入数据，包括温度、湿度、气压差、静电感应信号(也称为静电感应值)A、静电感应信号B，经过多层卷积计算最后得到输出输出数据y,即为要预测的气固流固体颗粒浓度值。具体卷积公式为：

[0090] y＝∑…∑σ(Wi×X+bi)

[0091] 式1‑6为神经网络卷积过程，X＝(x1,x2,x3,x4,x5)为归一化后的输入数据向量，Wi为需要训练学习的参数矩阵，bi为偏置向量，σ(·)为非线性激活函数，本发明采用ReLu激活函数，其可以改善梯度消失问题，具体公式为：

[0092] σ(x)＝max(0,x)

[0093] 由于过度依赖过多参数，过拟合在卷积神经网络学习过程中经常出现。Dropout方法是一种常见有效的正则化技术，如图3b所示，本发明实施例中的卷积神经网络中通过采用Dropout防过拟合正则化模块，根据一定概率让一些参数失效(冻结)，暂时从当前神经网络中丢弃，因此不会太依赖某些局部特征数据，使模型泛化能力更强。

[0094] 在一些实施例中，可以主要通过控制全连接层的模型复杂度，从而降低模型训练的过拟合。

[0095] 在一些实施例中，在所述S40中，将所述训练样本数据输入卷积神经网络进行训练包括：S41、利用所述线性卷积模块对所述训练样本数据进行一维卷积，其中，所述线性卷积模块包括多个卷积层，例如为3～5个，卷积核大小为常数，优选为3。

[0096] S42、在所述线性卷积模块输出激活前，加上所述偏置常数向量；

[0097] S43、对所述线性卷积模块的输出施加激活函数，并输出至池化层；

[0098] S44、在池化层采用最大池化函数进行池化，池化窗口大小为常数；

[0099] S45、利用所述防过拟合正则化模块，设置20％～50％权重冻结，防止网络过拟合；

[0100] S46、通过损失函数约束，优化网络训练参数，得到所述浓度预测模型。

[0101] 本实施例中，通过设置多个卷积层，可以自动学习输入训练样本数据的特征,提取高级特征表达,进而通过激活函数和最大池化增加了模型的非线性度和鲁棒性，并进一步使用权重冻结，可以减轻网络过拟合问题，提高训练得到的预测模型的泛化能力，最后，通过优化损失函数可以找到模型的最优参数，这比随机初始化的参数更加符合训练数据的特性，有利于提高得到的浓度预测模型的预测效果。

[0102] 为了在一些实施例中，在步骤S46中，所述通过损失函数约束，优化网络训练参数，包括：采用均方误差根损失函数，优化网络训练参数；其中，所述均方误差根损失函数为：

[0103] 其中，n为第一静电传感器和第二静电传感器样本数据的数量，yi为对照固体颗粒浓度值， 表示固体浓度预测值。

[0104] 本实施例中，通过采用上述均方误差根损失函数优化网络参数，可以帮助模型找到最优参数，提高训练得到浓度预测模型的预测精度。

[0105] 一般地，卷积神经网络的效果及优化目标都是通过损失函数来完成的，其可以体现出目前预测数据与真实数据所存在的差距大小。损失值越小，表明该神经网络性能就越好。在卷积过程中，不断利用反向传播机制对神经网络参数取值进行不断调整，进而使损失值缩小，以达到训练学习参数之目的。

[0106] 本实施例中，使用均方误差(Mean Square Error，MSE)作为该神经网络模型的损失函数对卷积神经网络进行参数优化训练，可以获得更稳定、泛化能力更强的预测模型。此外，MSE能够对数据产生变化的程度进行评价，如果MSE值越小，那么所构建的预测神经网络模型对于数据的描述精确度越好。

[0107] 为了判断上述优化训练得到的模型的预测精度和性能是否达到气固流颗粒浓度测量工程应用要求，在一些实施例中，在得到浓度预测模型之后，采用平均绝对误差(MeanAbsolute Error,MAE)和均方根误差(Relative Mean Square Error，RMSE)两种评价指标对模型进行评价。具体，根据如下平均绝对误差和均方根误差函数进行模型评价：

[0108] 和

[0109] 式中：n为数据的数量；yi为浓度真实值； 为真实值的平均值； 表示浓度预测值。

[0110] 本实施例中，通过采用上述模型评价方案，可以判断训练得到的模型是否达到工程使用要求，以及是否还需要进一步优化和改进，以保证后续工程应用中模型的预测精确度。

[0111] 例如，通过上述函数得到MAE为0.0123，REMS为0.001的结果。其中，MAE可以衡量模型预测值和真实值之间的平均误差，RMSE考虑数据集的标准差，可以衡量模型的相对误差；通过将两种指标结合使用可以全面反映模型的预测性能。并确定出其是否能够用于工程应用中，以提供较为准确的气固流固体颗粒浓度预测结果。在一些实施例中，请参看图4所示，MAE曲线中的每个点表示模型在对应训练步骤完成后的MAE值。MAE值越小，表示模型的预测精度越高，离真实值越近。本实施例中，从图中可以看出，根据本发明实施例提供的浓度预测模型的训练方案，MAE曲线整体下降，并最终收敛到比较稳定的较小值，表明模型的性能在不断提高，最终达到比较优化的状态。

[0112] 在模型训练过程中，一般会将MAE曲线与训练Loss(损失函数)曲线一起使用，从两个方面评价模型训练效果。请参看图5所示，Loss值在下降，表明模型参数在不断逼近最优。

[0113] 结合图4和图5所示，根据本发明实施例提供的卷积神经网络训练模型过程中，Loss曲线和MAE曲线同步下降，这说明模型参数的优化直接带动了预测精度的提高，该模型训练比较理想。

[0114] 如图6所示，为了进一步测试模型预测性能，将测试样本数据输入上述训练的得到的浓度预测模型中，输出得到固体颗粒浓度值和动态变化曲线图，通过与对照固体颗粒浓度值(真实值)相比较，从图中可以看出，几乎没有差异，证明本发明实施例中基于实际生产环境数据训练得到的浓度预测模型的预测准确度较高。

[0115] 由此，本发明实施例提供的基于数据驱动的粉尘气固流固体颗粒浓度预测方法，通过基于生产环境数据与深度学习的卷积神经网络进行训练，构建浓度预测模型，具有较强的适应性和泛化能力，并经过评价和验证，可以较好地应用于粉尘等气固流固体颗粒浓度测量工程中，便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度，实现了对粉尘等气固流固体颗粒浓度的在线监测与变化态势跟踪。

[0116] 请参看图7所示，在一些实施例中，基于前述气固流固体颗粒浓度预测方法的技术构思，本发明还实施例提供一种基于数据驱动的粉尘气固流固体颗粒浓度预测系统200，包括：数据获取单元210，用于通过利用静电感应测量方法获得粉尘运动静电感应数据，以及，通过温度传感器、湿度传感器、气压传感器对应获得管道内温度数据、湿度数据和内外气压差数据；

[0117] 第一计算单元220，用于通过互相关法计算固体颗粒的流速，根据输入物料质量和流速计算得到对照固体颗粒浓度数据；

[0118] 数据处理单元230，用于对获得的温度数据、湿度数据和内外气压差数据，以及获得的对照固体颗粒浓度数据做归一化预处理，得到训练样本数据和测试样本数据；

[0119] 数据训练单元240，用于将所述训练样本数据输入卷积神经网络进行训练，得到浓度预测模型；其中，所述卷积神经网络含有线性卷积模块、偏置常数向量、非线性激活函数、池化层和防过拟合正则化模块；

[0120] 以及，浓度预测单元260，用于将所述测试样本数据输入所述浓度预测模型，输出得到固体颗粒浓度值和动态变化曲线图。

[0121] 本实施例的系统可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果与前述方法实施例类似，此处不再多赘述，可相互参看。

[0122] 另外，可以理解的是，图7所示的系统，还可以用于执行前述方法实施例中的其它实施例，在清楚简洁的前提下，就不再赘述其余实施例，可以相互参看。

[0123] 本发明实施例提供的基于数据驱动的粉尘气固流固体颗粒浓度预测系统，通过上述各个程序功能模块相互配合，协同作用，基于生产环境数据与深度学习的卷积神经网络进行训练，构建浓度预测模型，具有较强的适应性和泛化能力，便于快速准确地预测出粉尘等气固两相物中固体颗粒物浓度，实现了对粉尘等气固流固体颗粒浓度的在线监测与变化态势跟踪。

[0124] 综上公开可知，本发明实施例提供的粉尘气固流固体颗粒浓度预测方法及系统，采用实际生产环境数据驱动学习训练，得到浓度预测模型，避免了物理预测模型不能适应气固流随环境和设备动态变化所导致的预测误差不稳定问题，提高预测结果的准确性。

[0125] 进一步地，在实现上述发明目的的过程中，采用互相关法解决了训练对照数据的缺失问题，可以改善实时快速动态预测的效果。

[0126] 更进一步地，通过采用本发明实施例提供的方案，可以得到较高的预测精度，从而为煤炭粉尘燃烧、石料研磨粉尘、面粉加工粉尘控制等粉尘加工企业安全生产、提高效率及降低粉尘排放等方面提供数据支持，奠定了企业实现数字化生产基础，有利于提高生产质量和效率。

[0127] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

[0128] 本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0129] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read‑Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

[0130] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。