【技术实现步骤摘要】
本专利技术涉及燃煤烟气氮氧化物(nox)浓度预测领域，特别是涉及一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法。
技术介绍
1、在煤炭燃烧的过程中，会排放氮氧化物(nox)，氮氧化物(nox)的排放对大气环境和人类健康构成严重威胁，包括酸雨的形成、臭氧层的破坏以及呼吸道疾病的发生。燃煤烟气污染物治理刻不容缓，因此对燃煤烟气污染物氮氧化物(nox)的检测是非常重要的。传统燃煤烟气检测方法有色谱分析法、化学发光法、质谱分析法等，但都有不足之处。色谱分析法：分离能力受限、仪器成本高、样品处理复杂。化学发光法：干扰物质多、稳定性差。质谱分析法：仪器成本高，、样品前处理复杂、需要专业人员操作，对操作人员的技术要求较高。
2、光声光谱技术是一种结合了光学和声学原理的先进分析技术。通它利用一束强度可调制的单色光照射到密封于光声池中的样品上，样品吸收光能并以释放热能的方式退激。这种释放的热能使得样品和周围介质按照光的调制频率产生周期性加热，从而导致介质产生周期性压力波动。这种压力波动可以通过灵敏的微音器或压电陶瓷传声器检测，并通过放大得到光声信号。
3、结合深度学习1d-cnn可以自动从原始数据中提取有用的特征，无需人为进行特征工程。这一特点使得深度学习能够处理复杂、高维的数据，并提高了分析的精度；通过构建多层神经网络，深度学习能够捕捉数据中的非线性关系，从而具有强大的数据拟合能力。这使得深度学习模型在预测任务中表现出色。因此，提出了光声光谱结合深度学习的方法来检测燃煤烟气污染物氮氧化物(nox)的浓度，构建
技术实现思路
1、基于上述背景，本专利技术提供一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法。解决现有燃煤烟气氮氧化物浓度预测方法存在的不足，精准地预测燃煤烟气氮氧化物的浓度。
2、本专利技术提供了一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法，包括以下步骤：
3、s1、燃煤烟气光声光谱数据获取；
4、s2、燃煤烟气光声光谱数据预处理；
5、s3、燃煤烟气光声光谱数据的样本划分；
6、s4、构建基于光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测模型；
7、s5、对模型进行实际测试。
8、进一步的，s1中，利用光声光谱技术获取燃煤烟气的光声光谱数据，得到燃煤烟气的光声光谱数据集。
9、进一步的，s2中，对数据进行统一的sg平滑预处理，具体如下：
10、s21：一个长度为n的信号序列xi(i＝0,1,2,...,n-1)，通过sg平滑滤波来获得平滑的输出序列
11、s22：对于每个数据点，取出其左右两边的邻域数据点，使用多项式对取出的数据点处对数据进行局部多项式拟合，具体来说，对于第i个数据点，使用长度为2d+1的窗口，在该窗口内进行k次多项式拟合，其中d是窗口的一半宽度，k是多项式的阶数；
12、s23：sg平滑滤波的递推公式为：
13、
14、其中，是第i个输出数据点，cj是滤波器的系数，xi+j是位于窗口内的2d+1个数据点；
15、s24：滤波器的系数cj通过求解以下正规方程组得到：
16、ataab＝atx
17、其中，a是一个n×(2d+1)的矩阵，每一行是一个窗口内的数据点，x是一个长度为n的列向量，包含原始信号序列，b是一个长度为2m+1的列向量，包含滤波器的系数；
18、s25：解出s24中正规方程组可以得到滤波器的系数cj，进而计算出平滑后的输出序列
19、进一步的，s3中，将预处理后的数据划分为训练集、验证集和测试集。
20、进一步的，s4中，定义模型结构，一维卷积神经网络主要包含输入层、标准层、两个一维卷积单元、flatten层、全连接层和输出层，建立了基于光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测模型，利用训练集和验证集对模型进行训练，得出测试模型，其模型结构简图如图2所示，具体说明如下：
21、s41、标准层使用pytorch中的批量标准化层batchnorm1d，其输出尺寸与输入一致；
22、s42、一维卷积单元1使用pytorch中的两个卷积层和池化层构成，其结构如图3所示，具体说明如下：
23、s421、卷积层分别使用pytorch中1d卷积层conv1d，两个卷积层分别使用16个3×l大小的卷积核和64个3×l大小的卷积核，卷积核的尺寸都为3，激活函数使用leaky relu；
24、s422、池化层使用pytorch中的1d最大池化maxpooling1d，池化尺寸为3；
25、s43、一维卷积单元2使用pytorch中的三个卷积层和池化层构成，其结构如图4所示，具体说明如下：
26、s431、卷积层分别使用pytorch中1d卷积层conv1d，三个卷积层都使用64个3×l大小的卷积核，卷积核的尺寸都为3，激活函数使用leaky relu；
27、s432、池化层使用pytorch中的1d最大池化maxpooling1d，池化尺寸为3；
28、s44、flatten层将多维张量展平成一维张量；
29、s45、全连接层使用pytorch中的dense对输入进行展平、点乘操作。
30、进一步的，s4中，采用已建立模型对步骤s3中的训练集和验证集进行训练和验证，得到测试模型，具体方法为：
31、将训练集和测试集作为模型的输入，通过批量标准化层进行归一化操作，再通过一维卷积层单元1进行特征提取；
32、通过一维卷积层单元2进一步提取光谱数据的高维特征；
33、flatten层将提取的高维数据平铺展平，全连接层对提取的特征加权，再连接一个输出节点，得到预测值。
34、进一步的，s4中，在模型训练过程中需要进行参数调优，得到最佳的参数，具体方法为：
35、s46、优化器使用adam优化器，具体步骤如下：
36、s461、初始化
37、初始时，adam初始化两个向量m和v，两个向量的形状与模型参数θ相同；初始化一个时间步计数器t，初始值为零，跟踪算法完成的迭代次数；
38、初始值通常设置如下：
39、初始一阶矩向量：m0＝0
40、初始二阶矩向量：v0＝0
41、时间步：t＝0
42、其中，向量m用于存储梯度的移动平均值，v跟踪梯度平方的移动平均值；
43、s462、计算梯度
44、对于每个迭代步骤t，adam计算梯度gt，具体如下：
45、gt＝▽θft(θt-1)
46、其中，gt表示迭代步骤t的梯度；▽θ表示参数θ的梯度；ft(θt-1)是被优化的目标函数本文档来自技高网...
【技术保护点】
1.一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤S1中，利用光声光谱技术对多个燃煤烟气样本进行光声光谱的光谱数据采集，然后得到各个样本燃煤烟气的光声光谱数据。
3.根据权利要求1所述的一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤S2中，对数据进行统一的SG平滑处理，具体说明如下：
4.根据权利要求1所述的一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤S3中，采用随机抽样法将预处理后的燃煤烟气氮氧化物的光声光谱数据按照训练集70％、验证集20％和测试集10％的比例划分。
5.根据权利要求1所述的一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤S4中，模型结构主要包含输入层、标准层、一维卷积单元1、一维卷积单元2、Flatten层、全连接层和输出层，优化器使用adam优化器，采用RMSE、M
6.根据权利要求1所述的一种光声光谱联合1D-CNN的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤S5中，利用测试集来测试模型预测的效果，向测试模型输入测试集，得到测试结果；根据测试结果，验证模型预测效果。
...【技术特征摘要】
1.一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤s1中，利用光声光谱技术对多个燃煤烟气样本进行光声光谱的光谱数据采集，然后得到各个样本燃煤烟气的光声光谱数据。
3.根据权利要求1所述的一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤s2中，对数据进行统一的sg平滑处理，具体说明如下：
4.根据权利要求1所述的一种光声光谱联合1d-cnn的燃煤烟气氮氧化物浓度预测方法，其特征在于，所述步骤s3中，采用随机抽样法将预处理后...
【专利技术属性】
技术研发人员：周孟然，方智成，胡锋，闻悦，陈正伟，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。