一种基于深度机器学习的VOCs炭罐运行状态预测方法及系统与流程

本发明涉及数据处理，具体为一种基于深度机器学习的vocs炭罐运行状态预测方法及系统。

背景技术：

1、在活性炭吸附工艺中，废气通过活性炭床层时其中的vocs被活性炭吸附截留，净化后的气体达标排放，随着吸附过程的持续进行，活性炭的吸附位点逐渐被vocs分子占据，其吸附容量不断下降，当活性炭接近吸附饱和状态时，需对其进行再生处理，通过热脱附方式将吸附的vocs从活性炭中释放出来，恢复其吸附能力，实现活性炭的循环利用，在活性炭吸附与再生的实际运行过程中，吸附阶段与再生阶段构成一个往复循环，两个阶段相互影响、共同决定整体运行状态。

2、其中，现有技术存在的局限至少包括如下问题，现有技术中活性炭的实际吸附状态受多因素耦合影响，相同运行时长下不同工况对应的饱和度存在差异，时间周期式的推断方式难以准确描述炭罐的真实吸附状态，导致吸附终点判断存在不确定，在此基础上，当进入再生阶段时，缺乏对再生后性能恢复程度的提前感知手段，同时也难以针对不同运行历史、不同衰减状态的炭罐差异性地评估不同再生操作参数下的综合效果，使得再生操作的实际效果难以在操作前得到有效预判，从而影响处理效果的提前判断。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于深度机器学习的vocs炭罐运行状态预测方法及系统，解决了现有技术中吸附状态难以准确表征，再生效果亦缺乏提前预判与差异评估的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度机器学习的vocs炭罐运行状态预测方法，包括以下步骤：获取vocs炭罐的运行状态时序数据，提取vocs炭罐的吸附时序参数集；基于预先建立的活性炭吸附量模型，并结合吸附时序参数集，经多因子吸附状态推演，提取vocs炭罐的修正饱和度与压差变化率；当修正饱和度与压差变化率满足预设的穿透条件时，发出穿透预警信号，并基于运行状态时序数据，构建多组候选时序窗口；将各组候选时序窗口输入预训练的长短期记忆网络，经修正饱和度与压差变化率加权注意力感知，预测各组候选时序窗口对应的再生性能指标集及对应的置信区间；从运行状态时序数据中提取当前工况信息，并输入预训练的大语言模型进行语义推理，预测输出再生动态优化权重集；根据动态优化权重对各组候选时序窗口对应的再生性能指标集进行评价，将置信区间作为风险惩罚项纳入评价，推演vocs炭罐的运行状态预测结果并输出。

3、进一步地，提取vocs炭罐的修正饱和度的具体步骤如下：从吸附时序参数集中提取入口与出口vocs浓度序列、风量序列、温湿度序列及炭罐压差序列；将入口与出口vocs浓度序列、风量序列输入至活性炭吸附量模型中，提取单位时间吸附增量：；

4、其中，为第i个采样时刻的风量，为第i个采样时刻的入口vocs浓度，为第i个采样时刻的出口vocs浓度，为采样时间间隔，为第i个采样时刻对应的单位时间吸附增量；对全部单位时间吸附增量沿时间轴累加，得到累计吸附量：；

5、获取vocs炭罐实际装填的活性炭质量以及单位质量最大吸附容量，并结合累计吸附量进行综合处理，得到基础饱和度：；将温湿度序列及炭罐压差序列分别代入预设的相应函数中，得到温湿度修正因子及压差修正因子，并对基础饱和度进行修正处理，得到vocs炭罐的修正饱和度：。

6、进一步地，当吸附时序参数集缺乏入口vocs浓度时，通过如下步骤提取修正饱和度：获取初始去除效率，并进行时间衰减处理，得到去除效率序列；基于出口vocs浓度序列与去除效率序列，反演估算入口vocs浓度序列；对入口与出口vocs浓度序列、风量序列进行综合处理，得到基础饱和度；基于炭罐压差序列，提取当前时刻的炭罐压差以及压差变化率作为动态修正因子，对基础饱和度进行修正，得到修正饱和度。

7、进一步地，预测各组候选时序窗口对应的再生性能指标集的具体步骤如下：将各组候选时序窗口，输入预训练后的长短期记忆网络，经前向传播分别提取各时间步的隐藏状态；将修正饱和度与压差变化率拼接生成注意力查询向量，并将各时间步的隐藏状态分别作为键向量和值向量，以映射为各时间步的注意力权重；基于修正饱和度对各时间步的注意力权重进行动态重构；以动态重构后的各时间步的注意力权重对相应的值向量进行加权求和，得到加权注意力特征，并输入长短期记忆网络的全连接层，经全连接层映射后输出各候选时序窗口对应的再生性能指标集。

8、进一步地，预测各组候选时序窗口的再生性能指标集对应的置信区间的具体步骤如下：在长短期记忆网络的全连接层之前嵌入丢弃层；对同一候选时序窗口执行多次独立前向传播，每次前向传播中丢弃层随机屏蔽不同神经元，分别输出该候选时序窗口对应的多组预测结果；计算多组预测结果中各指标的均值与标准差，并共同确定再生性能指标集中各指标的置信区间。

9、进一步地，构建包含多个历史时序窗口及对应的真实再生性能指标标签的训练样本集，并将各历史时序窗口划分为历史片段和未来片段；将各历史时序窗口依次输入长短期记忆网络，经前向传播后在网络中的各个分支中输出对应的再生性能指标预测值、出口vocs浓度预测值、吸附增量推算值；以再生性能指标预测值与真实再生性能指标标签之间的均方误差作为数据拟合项；基于未来片段，出口vocs浓度预测值、吸附增量推算值计算质量守恒约束项；基于数据拟合项与质量守恒约束项，构成双目标损失函数，以双目标损失函数最小化为优化目标，通过反向传播更新长短期记忆网络的参数，完成预训练。

10、进一步地，预测输出再生动态优化权重集的具体步骤如下：将当前工况信息中各工况参数的数值及状态转换为自然语言描述文本；以再生性能指标集中的各指标作为优化目标，以当前工况信息中的各参数作为约束条件，将自然语言描述文本输入预训练的大语言模型；

11、通过大语言模型对优化目标与约束条件之间的耦合关系进行语义推理，输出各优化目标的优先级排序结果；将优先级排序结果映射为各优化目标对应的权重系数：；其中，j表示当前优化目标的编号，k表示参与权重计算的全部优化目标编号，为第j个优化目标的优先级排位（表示最高优先级，表示最低优先级），为衰减系数（取值为0.5），为第j个优化目标的权重系数，为k个优化目标对应的优先级排序值。

12、进一步地，输出vocs炭罐的运行状态预测结果的具体步骤如下：

13、对于各组候选时序窗口，以再生动态优化权重集作为评价系数，对相应的再生性能指标集进行综合评价，得到各组候选时序窗口的评价得分；提取置信区间的区间宽度，并确定各组候选时序窗口的风险惩罚值；基于各组候选时序窗口的评价得分与风险惩罚值，得到各组候选时序窗口的综合评价得分；选取综合评价得分最高的候选时序窗口作为vocs炭罐的最优运行状态预测结果并输出。

14、进一步地，当吸附分析集参数集缺乏入口vocs浓度时，在输出修正饱和度之后，还包含如下步骤：实时监测出口vocs浓度值及炭罐压差值，并判断是否触发自校准；响应于自校准的触发，根据炭罐压差及出口vocs浓度值的上升幅度，通过预设的映射关系，获得去除效率；将去除效率与初始去除效率比对，基于比对结果更新时间衰减模型中的衰减系数；以更新后的衰减系数重新计算去除效率估计值，完成饱和度估算结果的自校准。

15、一种基于深度机器学习的vocs炭罐运行状态预测系统，包括：数据采集单元，用于提取vocs炭罐的吸附时序参数集；吸附状态推演单元，用于基于预先建立的活性炭吸附量模型，推演vocs炭罐的修正饱和度与压差变化率；穿透预警单元，用于判断是否满足发出穿透预警信号；候选时序构建单元，用于构建多组候选时序窗口；深度预测单元，用于将各组候选时序窗口输入预训练的长短期记忆网络，经修正饱和度与压差变化率加权注意力感知，预测各组候选时序窗口对应的再生性能指标集及对应的置信区间；权重生成单元，用于提取当前工况信息，并输入预训练的大语言模型进行，预测输出再生动态优化权重集；评价预测单元，用于以再生动态优化权重集对各候选窗口的再生性能指标集进行评价，将置信区间作为风险惩罚项纳入评价，推演vocs炭罐的运行状态预测结果并输出。

16、本发明具有以下有益效果：

17、（1）、该基于深度机器学习的vocs炭罐运行状态预测方法，通过利用入口与出口vocs浓度差值计算单位时间吸附增量并累加得到累计吸附量，通过装填量和最大吸附容量换算为基础饱和度，然后分别引入温湿度修正因子和压差修正因子对基础饱和度进行修正，最终得到反映炭罐真实状态的修正饱和度，从而能够综合考虑不同工况条件下温湿度、压差以及吸附过程变化对炭罐状态的影响，并针对缺失入口浓度监测数据的工况提供入口浓度反演估算方式，通过出口浓度与时间衰减模型推算入口浓度，并结合压差变化率对饱和度估算过程进行修正。

18、（2）、该基于深度机器学习的vocs炭罐运行状态预测方法，通过长短期记忆网络以历史时序数据为基础，通过修正饱和度和压差变化率加权注意力感知对历史信息进行选择性聚焦，使模型在预测再生效果、废气处理效率、能耗水平及活性炭衰减速率时更加关注与当前吸附状态相关的时段，并对同一候选窗口进行多次前向传播以获取多组预测结果，利用均值与标准差确定各项指标的置信区间，且在预训练阶段引入质量守恒约束项与数据拟合项共同构成双目标损失函数，从而使网络预测过程中能够综合利用历史时序信息、当前吸附状态信息以及预测不确定性信息。

19、（3）、该基于深度机器学习的vocs炭罐运行状态预测方法，通过将当前工况参数转换为自然语言描述后输入大语言模型进行语义推理，输出各优化目标的优先级排序，并映射为权重系数，使优化目标的权重能够根据当前工况自动适配，并将置信区间宽度作为风险惩罚项纳入综合评价，从而在运行状态预测时既考虑预测效果又兼顾预测可靠程度，进而实现了不同工况条件下再生状态预测的评价与筛选。

20、（4）、该基于深度机器学习的vocs炭罐运行状态预测系统，通过数据采集单元提取吸附时序参数集，吸附状态推演单元基于活性炭吸附量模型推演修正饱和度与压差变化率，穿透预警单元根据预设条件触发预警信号，候选时序构建单元生成多组候选时序窗口，深度预测单元以长短期记忆网络预测各组窗口对应的再生性能指标集及置信区间，权重生成单元以大语言模型推理输出动态优化权重集，评价预测单元以权重集对各组预测结果进行评价并将置信区间作为风险惩罚项纳入评分，最终推演出最优运行状态预测结果，从而提升了吸附阶段饱和度的精准感知，也覆盖了再生阶段运行效果预测的可靠程度。

21、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。