CN117225091A - 布袋除尘器的运行状态监测***及方法 - Google Patents
布袋除尘器的运行状态监测***及方法 Download PDFInfo
- Publication number
- CN117225091A CN117225091A CN202311438949.5A CN202311438949A CN117225091A CN 117225091 A CN117225091 A CN 117225091A CN 202311438949 A CN202311438949 A CN 202311438949A CN 117225091 A CN117225091 A CN 117225091A
- Authority
- CN
- China
- Prior art keywords
- classification
- matrix
- feature
- bag
- dust collector
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 208
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 149
- 239000013598 vector Substances 0.000 claims description 149
- 238000012545 processing Methods 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012716 precipitator Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Landscapes
- Filtering Of Dispersed Particles In Gases (AREA)
Abstract
本申请涉及智能监测领域，其具体地公开了一种布袋除尘器的运行状态监测***及方法，其通过对布袋除尘器的进出口压力差和出口粉尘浓度进行特征提取，将提取到的特征进行关联并通过分类器对其分类，进而来判断所述布袋除尘器的运行状态。这样，可以实现对运行状态的实时监测，当发现运行状态不正常时，及时采取维护和调整措施，以确保所述布袋除尘器的正常运行和高效除尘效果。
Description
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种布袋除尘器的运行状态监测***及方法。
背景技术
布袋除尘器是一种广泛应用于工业生产中的关键除尘设备。在各种制造和加工过程中，粉尘和颗粒物的产生是不可避免的，而这些细小的颗粒物对于工作环境和产品质量可能造成严重影响。为了解决这一问题，布袋除尘器被设计用来高效地去除空气中的粉尘和颗粒物。为了确保布袋除尘器的有效运行和性能，对其进行运行状态监测是至关重要的。
因此，需要一种布袋除尘器的运行状态监测方案。
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布袋除尘器的运行状态监测***及方法，其通过对布袋除尘器的进出口压力差和出口粉尘浓度进行特征提取，将提取到的特征进行关联并通过分类器对其分类，进而来判断所述布袋除尘器的运行状态。这样，可以实现对运行状态的实时监测，当发现运行状态不正常时，及时采取维护和调整措施，以确保所述布袋除尘器的正常运行和高效除尘效果。
根据本申请的一个方面，提供了一种布袋除尘器的运行状态监测***，其包括：
运行数据获取模块，用于获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；
运行数据结构化模块，用于将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；
关联模块，用于将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；
运行状态数据编码模块，用于将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；
运行状态结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
在上述布袋除尘器的运行状态监测***中，所述关联模块，用于：以如下关联编码公式计算所述压力差输入向量和所述出口粉尘浓度输入向量之间的所述运行状态监测参数关联矩阵；其中，所述关联编码公式为：
其中Va表示所述压力差输入向量，表示所述压力差输入向量的转置向量，Vb表示所述出口粉尘浓度输入向量，M表示所述运行状态监测参数关联矩阵，/>表示向量相乘。
在上述布袋除尘器的运行状态监测***中，所述运行状态数据编码模块，用于：所述相邻层使用互为转置的卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的卷积神经网络模型的第一层的输入为所述运行状态监测参数关联矩阵，所述相邻层使用互为转置的卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵。
在上述布袋除尘器的运行状态监测***中，所述优化模块，包括：参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。
在上述布袋除尘器的运行状态监测***中，所述运行状态结果生成模块，包括：展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述布袋除尘器的运行状态正常和用于表示所述布袋除尘器的运行状态不正常；分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
根据本申请的另一方面，提供了一种布袋除尘器的运行状态监测方法，其包括：
获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；
将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；
将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；
将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；
对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
在上述布袋除尘器的运行状态监测方法中，所述将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵，包括：以如下关联编码公式计算所述压力差输入向量和所述出口粉尘浓度输入向量之间的所述运行状态监测参数关联矩阵；其中，所述关联编码公式为：
其中Va表示所述压力差输入向量，表示所述压力差输入向量的转置向量，Vb表示所述出口粉尘浓度输入向量，M表示所述运行状态监测参数关联矩阵，/>表示向量相乘。
在上述布袋除尘器的运行状态监测方法中，所述将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵，包括：所述相邻层使用互为转置的卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的卷积神经网络模型的第一层的输入为所述运行状态监测参数关联矩阵，所述相邻层使用互为转置的卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵。
在上述布袋除尘器的运行状态监测方法中，所述对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵，包括：构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。
在上述布袋除尘器的运行状态监测方法中，所述将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述布袋除尘器的运行状态正常和用于表示所述布袋除尘器的运行状态不正常；将所述概率值中最大者对应的分类标签确定为所述分类结果。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的布袋除尘器的运行状态监测方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的布袋除尘器的运行状态监测方法。
与现有技术相比，本申请提供的布袋除尘器的运行状态监测***及方法，其通过对布袋除尘器的进出口压力差和出口粉尘浓度进行特征提取，将提取到的特征进行关联并通过分类器对其分类，进而来判断所述布袋除尘器的运行状态。这样，可以实现对运行状态的实时监测，当发现运行状态不正常时，及时采取维护和调整措施，以确保所述布袋除尘器的正常运行和高效除尘效果。
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布袋除尘器的运行状态监测***的***框图。
图2为根据本申请实施例的布袋除尘器的运行状态监测***的架构图。
图3为根据本申请实施例的布袋除尘器的运行状态监测***中优化模块的框图。
图4为根据本申请实施例的布袋除尘器的运行状态监测***中运行状态结果生成模块的框图。
图5为根据本申请实施例的布袋除尘器的运行状态监测方法的流程图。
图6为根据本申请实施例的电子设备的框图。
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。
示例性***
图1为根据本申请实施例的布袋除尘器的运行状态监测***的***框图。如图1所示，在布袋除尘器的运行状态监测***100中，包括：运行数据获取模块110，用于获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；运行数据结构化模块120，用于将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；关联模块130，用于将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；运行状态数据编码模块140，用于将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；优化模块150，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；运行状态结果生成模块160，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
图2为根据本申请实施例的布袋除尘器的运行状态监测***的架构图。如图2所示，在该架构中，首先，获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值。接着，将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量。然后，将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵。进而，将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵。接着，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵。最后，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
在布袋除尘器的运行状态监测***100中，所述运行数据获取模块110，用于获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值。
如上述背景技术所言，布袋除尘器是工业生产中常用的关键除尘设备，用于高效去除空气中的粉尘和颗粒物。由于粉尘和颗粒物对工作环境和产品质量可能造成严重影响，因此需要进行除尘相关操作。为了确保布袋除尘器的有效运行和性能，布袋除尘器的运行状态监测至关重要。因此，期待一种布袋除尘器的运行状态监测方案。
近年来，深度学***。深度学习以及神经网络的发展为布袋除尘器的运行状态监测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，获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值。应可以理解，进出口压力差值是布袋除尘器性能的一个重要指标。布袋除尘器的工作原理是通过气流的流动使粉尘颗粒沉积，而压力差是衡量气流通过布袋除尘器阻力大小的指标。如果压力差过大，可能表示布袋除尘器存在堵塞的情况，这会影响除尘器的工作效果。因此，监测进出口压力差值可以提供关于除尘器运行异常的信息。出口粉尘浓度值是评估除尘器除尘效果的指标。出口粉尘浓度值越低，表示除尘器的除尘效果越好。通过监测出口粉尘浓度值，可以了解除尘器的除尘效果是否达到要求，从而帮助判断除尘器是否存在运行异常。布袋除尘器在预定时间段内多个预定时间点的进出口压力差值可以通过安装在布袋除尘器的进口和出口的压力传感器收集数据并作差值运算可得，布袋除尘器在预定时间段内多个预定时间点的出口粉尘浓度值可以通过安装粉尘浓度传感器收集数据获得。
在布袋除尘器的运行状态监测***100中，所述运行数据结构化模块120，用于将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量。布袋除尘器的运行状态通常是随时间变化的，不同时间点的进出口压力差值和出口粉尘浓度值可以反映出不同的运行状态。通过按照时间维度排列这些数据，可以将它们作为时间序列的一部分输入到模型中。时间序列数据的排列方式可以提供有关运行状态随时间变化的模式和趋势的信息。例如，如果布袋除尘器的运行状态正常，那么进出口压力差值可能会在一个相对稳定的范围内波动，而出口粉尘浓度值可能保持在较低的水平。相反，如果布袋除尘器的运行状态异常，那么进出口压力差值和出口粉尘浓度值可能会出现异常的波动或显著的增加。
在布袋除尘器的运行状态监测***100中，所述关联模块130，用于将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵。压力差和出口粉尘浓度是布袋除尘器运行状态监测中两个重要的指标。压力差反映了除尘器内部的气流情况，而出口粉尘浓度则反映了除尘效果。这两个指标之间可能存在一定的关联关系，例如当压力差增大时，出口粉尘浓度可能会增加，表明除尘器的性能下降。通过将压力差输入向量和出口粉尘浓度输入向量进行关联，可以将它们的信息结合起来，形成一个更综合的运行状态监测参数关联矩阵。这个矩阵可以反映不同参数之间的关系和变化趋势，从而提供更全面的运行状态监测结果。
具体地，在布袋除尘器的运行状态监测***100中，所述关联模块130，用于：以如下关联编码公式计算所述压力差输入向量和所述出口粉尘浓度输入向量之间的所述运行状态监测参数关联矩阵；其中，所述关联编码公式为：
其中Va表示所述压力差输入向量，表示所述压力差输入向量的转置向量，Vb表示所述出口粉尘浓度输入向量，M表示所述运行状态监测参数关联矩阵，/>表示向量相乘。
在布袋除尘器的运行状态监测***100中，所述运行状态数据编码模块140，用于将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵。本领域普通技术人员应该知晓，卷积神经网络在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。它通过卷积操作可以有效地提取局部特征，并通过池化操作进行特征的降维和抽象。而卷积核的转置操作可以用于对输入进行上采样，从而实现特征的扩展和细化。在布袋除尘器的运行状态监测中，通过将运行状态监测参数关联矩阵输入到卷积神经网络模型中，可以利用卷积操作对矩阵进行局部特征提取。通过使用互为转置的卷积核，可以在不同层次上对特征进行扩展和细化，从而提取更丰富和具有区分性的特征表示。
具体地，在布袋除尘器的运行状态监测***100中，所述运行状态数据编码模块140，用于：所述相邻层使用互为转置的卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；其中，所述相邻层使用互为转置的卷积核的卷积神经网络模型的第一层的输入为所述运行状态监测参数关联矩阵，所述相邻层使用互为转置的卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵。
在本申请的技术方案中，因为所述分类特征矩阵是通过特定编码方式得到，因此所述分类特征矩阵的数据结构内部存在特定的数据结构和内在规律，也就是，所述分类特征矩阵的参数化特征按照一定规则成有序的结构。因此，如果能够利用所述分类特征矩阵的参数化特征的几何秩序化，则能够优化所述分类特征矩阵的特征表达。
在布袋除尘器的运行状态监测***100中，所述优化模块150，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵。
图3为根据本申请实施例的布袋除尘器的运行状态监测***中优化模块的框图。如图3所示，所述优化模块150，包括：参数化编码向量构造单元151，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；参数化特征提取单元152，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；余弦相似度计算单元153，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；几何拓扑特征提取单元154，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；融合单元155，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。
应可以理解，在本申请的技术方案中，构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值。接着，将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量，也就是，利用全连接编码来捕捉所述分类特征矩阵中各个位置的参数特征的隐含信息。进而，计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵，也就是，以所述像素位置参数化编码特征向量之间的余弦相似度来表示参数化特征的几何秩序特征值。进而，将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵，也就是，以卷积编码来捕捉所述秩序化几何拓扑矩阵中所隐含的秩序化几何拓扑特征。进而融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵，例如，将所述秩序化几何拓扑特征矩阵与所述分类特征矩阵进行矩阵相乘以将所述分类特征矩阵映射到所述秩序化几何拓扑特征矩阵的特征空间中以得到所述优化分类特征矩阵。
这样，对所述分类特征矩阵进行基于参数化特征的几何秩序化以将所述分类特征矩阵按照一定的规则排列为有序的结构，以提高所述分类特征矩阵的表达能力和分类效果。同时，通过基于参数化特征的几何秩序化还可以使得所述分类特征矩阵更加紧凑和有效，有利于提高分类任务的准确率和效率。
在布袋除尘器的运行状态监测***100中，所述运行状态结果生成模块160，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。分类器作为一种机器学习模型，可以根据输入数据进行分析和判断，将其映射到不同的类别上。通过将优化分类特征矩阵输入到训练好的分类器中，可以得到用于表示所述布袋除尘器的运行状态是否正常的分类结果。基于所述分类结果，可以快速了解布袋除尘器的运行状态。这样，可以实时监测布袋除尘器，当发现布袋除尘器运行异常时，及时采取维修和清理措施，以确保布袋除尘器的正常运行和高效工作。
图4为根据本申请实施例的布袋除尘器的运行状态监测***中运行状态结果生成模块的框图。如图4所示，所述运行状态结果生成模块160，包括：展开单元161，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接单元162，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；概率化单元163，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述布袋除尘器的运行状态正常和用于表示所述布袋除尘器的运行状态不正常；分类单元164，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上所述，基于本申请实施例的布袋除尘器的运行状态监测***100被阐明，其通过对布袋除尘器的进出口压力差和出口粉尘浓度进行特征提取，将提取到的特征进行关联并通过分类器对其分类，进而来判断所述布袋除尘器的运行状态。这样，可以实现对运行状态的实时监测，当发现运行状态不正常时，及时采取维护和调整措施，以确保所述布袋除尘器的正常运行和高效除尘效果。
如上所述，根据本申请实施例的布袋除尘器的运行状态监测***100可以实现在各种终端设备中，例如用于布袋除尘器的运行状态监测的服务器等。在一个示例中，根据本申请实施例的布袋除尘器的运行状态监测***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，该布袋除尘器的运行状态监测***100可以是该终端设备的操作***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，该布袋除尘器的运行状态监测***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，该布袋除尘器的运行状态监测***100与该终端设备也可以是分立的设备，并且该布袋除尘器的运行状态监测***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。
示例性方法
图5为根据本申请实施例的布袋除尘器的运行状态监测方法的流程图。如图5所示，在布袋除尘器的运行状态监测方法中，包括：S110，获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；S120，将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；S130，将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；S140，将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；S150，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；S160，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
这里，本领域技术人员可以理解，上述布袋除尘器的运行状态监测方法中的各个步骤的具体操作已经在上面参考图1到图4的布袋除尘器的运行状态监测***的描述中得到了详细介绍，并因此，将省略其重复描述。
综上所述，基于本申请实施例的布袋除尘器的运行状态监测方法被阐明，其通过对布袋除尘器的进出口压力差和出口粉尘浓度进行特征提取，将提取到的特征进行关联并通过分类器对其分类，进而来判断所述布袋除尘器的运行状态。这样，可以实现对运行状态的实时监测，当发现运行状态不正常时，及时采取维护和调整措施，以确保所述布袋除尘器的正常运行和高效除尘效果。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。
图6为根据本申请实施例的电子设备的框图。
如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的布袋除尘器的运行状态监测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断布袋除尘器运行状态是否正常的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的布袋除尘器的运行状态监测方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的布袋除尘器的运行状态监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (10)
1.一种布袋除尘器的运行状态监测***，其特征在于，包括：
运行数据获取模块，用于获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；
运行数据结构化模块，用于将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；
关联模块，用于将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；
运行状态数据编码模块，用于将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；
优化模块，用于对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；
运行状态结果生成模块，用于将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
2.根据权利要求1所述的布袋除尘器的运行状态监测***，其特征在于，所述关联模块，用于：以如下关联编码公式计算所述压力差输入向量和所述出口粉尘浓度输入向量之间的所述运行状态监测参数关联矩阵；
其中，所述关联编码公式为：
其中Va表示所述压力差输入向量，表示所述压力差输入向量的转置向量，Vb表示所述出口粉尘浓度输入向量，M表示所述运行状态监测参数关联矩阵，/>表示向量相乘。
3.根据权利要求2所述的布袋除尘器的运行状态监测***，其特征在于，所述运行状态数据编码模块，用于：所述相邻层使用互为转置的卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；
对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；
其中，所述相邻层使用互为转置的卷积核的卷积神经网络模型的第一层的输入为所述运行状态监测参数关联矩阵，所述相邻层使用互为转置的卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵。
4.根据权利要求3所述的布袋除尘器的运行状态监测***，其特征在于，所述优化模块，包括：
参数化编码向量构造单元，用于构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；
参数化特征提取单元，用于将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；
余弦相似度计算单元，用于计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；
几何拓扑特征提取单元，用于将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；
融合单元，用于融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。
5.根据权利要求4所述的布袋除尘器的运行状态监测***，其特征在于，所述运行状态结果生成模块，包括：
展开单元，用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
全连接单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；
概率化单元，用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述布袋除尘器的运行状态正常和用于表示所述布袋除尘器的运行状态不正常；
分类单元，用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
6.一种布袋除尘器的运行状态监测方法，其特征在于，包括：
获取布袋除尘器在预定时间段内多个预定时间点的进出口压力差值以及出口粉尘浓度值；
将所述多个预定时间点的进出口压力差值以及出口粉尘浓度值分别按照时间维度排列为压力差输入向量和出口粉尘浓度输入向量；
将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵；
将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵；
对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵；
将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常。
7.根据权利要求6所述的布袋除尘器的运行状态监测方法，其特征在于，将所述压力差输入向量和所述出口粉尘浓度输入向量进行关联以得到运行状态监测参数关联矩阵，包括：以如下关联编码公式计算所述压力差输入向量和所述出口粉尘浓度输入向量之间的所述运行状态监测参数关联矩阵；
其中，所述关联编码公式为：
其中Va表示所述压力差输入向量，表示所述压力差输入向量的转置向量，Vb表示所述出口粉尘浓度输入向量，M表示所述运行状态监测参数关联矩阵，/>表示向量相乘。
8.根据权利要求7所述的布袋除尘器的运行状态监测方法，其特征在于，将所述运行状态监测参数关联矩阵通过相邻层使用互为转置的卷积核的卷积神经网络模型以得到分类特征矩阵，包括：所述相邻层使用互为转置的卷积核的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行基于第一二维卷积核的卷积处理、池化处理和非线性处理以得到第一激活特征图；
对所述第一激活特征图进行基于第二二维卷积核的卷积处理、池化处理和非线性激活处理以得到第二激活特征图，其中，所述第一二维卷积核和所述第二二维卷积核互为转置；
其中，所述相邻层使用互为转置的卷积核的卷积神经网络模型的第一层的输入为所述运行状态监测参数关联矩阵，所述相邻层使用互为转置的卷积核的卷积神经网络模型的最后一层的输出为所述分类特征矩阵。
9.根据权利要求8所述的布袋除尘器的运行状态监测方法，其特征在于，对所述分类特征矩阵进行基于参数化特征的几何秩序化以得到优化分类特征矩阵，包括：
构造所述分类特征矩阵中各个位置的参数化编码向量以得到多个像素位置参数化编码向量，其中，所述参数化编码向量包括坐标、沿X轴方向的梯度值、沿Y轴方向的梯度值和特征值；
将所述多个像素位置参数化编码向量通过基于全连接层的参数化特征提取器以得到多个像素位置参数化编码特征向量；
计算所述多个像素位置参数化编码特征向量中任意两个像素位置参数化编码特征向量之间的余弦相似度以得到秩序化几何拓扑矩阵；
将所述秩序化几何拓扑矩阵通过基于卷积层的几何拓扑特征提取器以得到秩序化几何拓扑特征矩阵；
融合所述分类特征矩阵和所述秩序化几何拓扑特征矩阵以得到所述优化分类特征矩阵。
10.根据权利要求9所述的布袋除尘器的运行状态监测方法，其特征在于，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述布袋除尘器的运行状态是否正常，包括：
将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量；
将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述分类特征矩阵归属于各个分类标签的概率值，所述分类标签包括用于表示所述布袋除尘器的运行状态正常和用于表示所述布袋除尘器的运行状态不正常；
将所述概率值中最大者对应的分类标签确定为所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438949.5A CN117225091A (zh) | 2023-10-30 | 2023-10-30 | 布袋除尘器的运行状态监测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311438949.5A CN117225091A (zh) | 2023-10-30 | 2023-10-30 | 布袋除尘器的运行状态监测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117225091A true CN117225091A (zh) | 2023-12-15 |
Family
ID=89092948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311438949.5A Pending CN117225091A (zh) | 2023-10-30 | 2023-10-30 | 布袋除尘器的运行状态监测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117225091A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测***及方法 |
-
2023
- 2023-10-30 CN CN202311438949.5A patent/CN117225091A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117848713A (zh) * | 2024-01-05 | 2024-04-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测***及方法 |
| CN117848713B (zh) * | 2024-01-05 | 2024-07-09 | 湖州槐坎南方水泥有限公司 | 布袋除尘器脉冲阀运行状态监测***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Choi et al. | Graph neural controlled differential equations for traffic forecasting | |
| US10996664B2 (en) | Predictive classification of future operations | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
| CN117225091A (zh) | 布袋除尘器的运行状态监测***及方法 | |
| Afzalan et al. | An automated spectral clustering for multi-scale data | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及*** | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
| CN115731513B (zh) | 基于数字孪生的智慧园区管理*** | |
| CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
| CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其*** | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及*** | |
| CN117269644A (zh) | 电流互感器的线路故障监测***及其方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断***及其方法 | |
| CN116844088A (zh) | 在线除尘器控制***及其方法 | |
| CN117676099B (zh) | 基于物联网的安全预警方法及*** | |
| CN115146676A (zh) | 电路故障检测方法及其*** | |
| Li et al. | NDNet: Spacewise multiscale representation learning via neighbor decoupling for real-time driving scene parsing | |
| CN116247824B (zh) | 电力设备的控制方法及其*** | |
| CN117231590A (zh) | 液压***的故障预测***及其方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及*** | |
| CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
| Zhang et al. | Novel dynamic enhanced robust principal subspace discriminant analysis for high-dimensional process fault diagnosis with industrial applications | |
| CN117168861A (zh) | 污水处理设备的异常监测方法及其*** | |
| CN117274689A (zh) | 用于包装盒缺陷检测的检测方法及其*** | |
| CN111340139A (zh) | 一种图像内容复杂度的判别方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |