买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国矿业大学

摘要：本发明公开了一种生产性粉尘多参量分布式监测与智能预测方法，包括以下步骤：1根据生产性粉尘分布特性设计非结构化粉尘监测节点，在作业区域布置分布式粉尘监测网络，监测粉尘浓度、粒度和速度；2运用多元回归分析方法挖掘影响粉尘分布的主控因素；3分析主控因素耦合性，降低主控因素维度；4对粉尘浓度场、速度场、粒度场时空演化特性做出智能预测。本发明对生产场所的粉尘浓度场、粒度场、速度场进行立体化监测，并基于机器学习算法，对生产性粉尘的时空分布做出智能预测，可为工业粉尘智能精准防控提供前沿的感知技术，应用前景广阔。

主权项：1.一种生产性粉尘多参量分布式监测与智能预测方法，其特征在于，该方法包括以下步骤：步骤101、在生产区域内布置粉尘特征监测节点，搭建粉尘监测网络；在生产性粉尘监测节点处放置粉尘多场即浓度、粒度、速度参数传感器，监测并传输粉尘浓度、粒度、速度数据；粉尘监测节点将粉尘浓度、粒度、速度微传感器模块集成于粉尘监测设备内，包括微传感器模块和为装置中各用电模块供电的电源模块；步骤102、基于多元回归分析方法建立粉尘分布与流场参数的统计模型，挖掘影响粉尘分布的主控因素：生产性粉尘影响因素包括生产强度、作业方式、产尘物体理化性质，产尘物体理化性质包括脆性、硬度、工业分析组分，通过多元回归分析方法从大量粉尘产生影响因素中筛选出对粉尘产生影响最大的因素；步骤103、基于主成因分析方法对由粉尘特征数据即浓度、粒度、速度以及粉尘主要控制因素组成的大量数据集进行降维，减小数据的体量，制作出原始数据集，便于数据的传输；步骤104、采用基于长短期记忆网络的生产性粉尘特征参数预测模型，对融合粉尘分布主控因素与历史监测数据，对粉尘浓度、速度、粒度多场参数时空演化特性做出智能预测；步骤105、将由步骤103得到的原始数据集进行预处理：通过步骤102的数据多元回归分析，筛选出样本特征参数，选定生产强度、作业方式、产尘物体理化性质粉尘影响主要因素作为输入层的输入变量即输入特征，粉尘的浓度、粒度、速度作为输出变量即标签，将相应的输入特征与标签组合起来，得到数据集；步骤106、对数据集D＝x1，x2，······，xm进行归一化处理，得到新的数据集将新的数据集按照7：3的比例划分为训练集和测试集；步骤107、构建预测生产性粉尘特征参数的长短期记忆网络模型：所述长短期记忆网络模型将包含输入层、LSTM层L1、Dropout层D1、LSTM层L2、Dropout层D2和输出层；输入层：输入训练集内的粉尘浓度、粒度、速度数据；LSTM层L1：训练来自输入层的粉尘浓度、粒度、速度数据，记忆体设置为80个，设定各时间步输出记忆体；Dropout层D1：随机丢弃部分来自LSTM层L1的记忆体数据，比率设置为0.2；LSTM层L2：训练来自Dropout层D1的数据，记忆体设置为100个，设定仅最后时间步输出记忆体；Dropout层D2：随机丢弃部分来自LSTM层L2的记忆体数据，比率设置为0.2；输出层：设置3个神经元，与Dropout层D2直接连接，输出粉尘的浓度、粒度、速度数据；步骤108、测试经步骤107训练的长短期记忆网络模型，batch_size设置为128，epochs设置为50；步骤109、对预测输出的数据进行反归一化处理，并用预测数据与测试集对应的标签计算出误差。

全文数据：

权利要求：

百度查询： 中国矿业大学 生产性粉尘多参量分布式监测与智能预测方法