船舶尾气脱硫工艺及其系统的制作方法

本技术涉及智能控制领域，且更为具体地，涉及一种船舶尾气脱硫工艺及其系统。

背景技术：

1、当前，脱硫技术所采用的主要工艺有石膏烟气脱硫法、旋转喷雾干燥脱硫法和海水脱硫法等。其中海水脱硫法是近几十年发展起来一种较为成熟的脱硫技术，该方法一般采用吸收塔过程，充分利用天然海水的酸碱缓冲能力和强中和酸性气体的能力来有效脱除烟气中so2。海水脱硫工艺流程简单、高效环保、可靠性和经济性较高，对生态环境的污染较小，被认为是较理想的船舶尾气处理方法之一。但同时还存在设备占用空间大、处理高硫燃料燃烧排放的尾气时效果不佳等缺点。

2、膜接触器技术是近年来发展起来的新的脱硫脱碳技术，是不通过两相的直接接触而实现相间传质的膜过程。在此过程中，微孔膜仅充当两相间的一个界面，将船舶尾气相和吸收剂海水液相分开。气相中的so2可穿过膜接触界面进入吸收剂相从而被带走，达到脱硫目的。与传统吸收塔过程相比，膜接触器法具有许多突出优点，如大幅度提高比表面积、改善吸收效果、减少设备高度和体积、减少操作成本等。此外，膜接触法具有更加灵活的操作性，不依赖于气液相流速，性能稳定，且不存在起泡、夹带以及液泛等弊端，在船舶尾气脱硫净化领域具有明显的优势和良好的应用前景。

3、但是，在实际使用膜接触器技术来进行船舶尾气脱硫的过程中发现，由于船舶柴油燃料燃烧通常不完全，会含有的固体小颗粒和油滴，不可避免的对膜孔造成污染，影响so2扩散和传质。并且，吸收so2后海水排放前需将亚硫酸盐氧化为硫酸盐，常规的曝气法效率低、处理时间长，影响整个系统的实用性。

4、因此，期望一种优化的船舶尾气脱硫系统。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种船舶尾气脱硫工艺及其系统，其通过深度学习的人工智能技术，挖掘出船舶尾气气压值和所述海水液压值的压差时序动态变化特征信息，以及所述船舶尾气流速值和所述海水流速值之间的时序变化关联特征信息，以此基于所述船舶尾气和所述海水的流速时序关联特征来进行压差时序变化特征的增强，从而优化压差时序变化特征的表达，以提高海水侧液相压力与船舶尾气侧气相压力之间的压差控制精准度，优化船舶尾气的脱硫效果和效率。

2、根据本技术的一个方面，提供了一种船舶尾气脱硫系统，其包括：

3、船舶尾气和海水采集模块，用于采集含硫船舶尾气和海水；

4、含硫船舶尾气预处理模块，用于对所述含硫船舶尾气进行预处理以得到除尘除油后的尾气；

5、海水预处理模块，用于对所述海水进行预处理以得到预处理后的海水；

6、膜接触器脱硫模块，用于将所述除尘除油后的尾气和所述预处理后的海水通入膜接触器中进行船舶尾气脱硫，以得到吸收二氧化硫后的海水；

7、海水后处理模块，用于对所述吸收二氧化硫后的海水进行氧化处理以得到氧化后的硫酸盐。

8、在上述船舶尾气脱硫系统中，所述膜接触器脱硫模块，包括：数据采集单元，用于获取预定时间段内多个预定时间点的船舶尾气的气压值和流速值，以及，所述多个预定时间点的海水的液压值和流速值；数据时序排列单元，用于将所述多个预定时间点的船舶尾气的气压值和流速值，以及，所述多个预定时间点的海水的液压值和流速值分别按照时间维度排列为气体气压值时序输入向量、气体流速值时序输入向量、海水压力值时序时序向量和海水流速值时序输入向量；压力时序变化特征提取单元，用于将所述气体气压值时序输入向量和所述海水压力值时序输入向量分别通过多尺度邻域特征提取模块以得到气相压力时序特征向量和液相压力时序特征向量；压差计算单元，用于计算所述气相压力时序特征向量和所述液相压力时序特征向量之间的压差特征向量；流速关联编码单元，用于对所述气体流速值时序输入向量和所述海水流速值时序输入向量进行关联编码以得到气-液流速协同矩阵；流速时序变化特征提取单元，用于将所述气-液流速协同矩阵通过作为过滤器的卷积神经网络模型以得到气-液流速协同特征向量；响应性关联单元，用于计算所述气-液流速协同特征向量相对于所述压差特征向量的响应性估计以得到分类特征矩阵；以及，压差控制单元，用于将所述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海水侧液相压力与船舶尾气侧气相压力之间的压差应增大或应减小。

9、在上述船舶尾气脱硫系统中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

10、在上述船舶尾气脱硫系统中，所述压力时序变化特征提取单元，包括：第一邻域尺度特征提取子单元，用于将所述气体气压值时序输入向量和所述海水压力值时序输入向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到所述第一邻域尺度气相压力时序特征向量和所述第一邻域尺度液相压力时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二邻域尺度特征提取子单元，用于将所述气体气压值时序输入向量和所述海水压力值时序输入向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到所述第二邻域尺度气相压力时序特征向量和所述第二邻域尺度液相压力时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联子单元，用于将所述第一邻域尺度气相压力时序特征向量和所述第一邻域尺度液相压力时序特征向量分别与所述第二邻域尺度气相压力时序特征向量和所述第二邻域尺度液相压力时序特征向量进行级联以得到所述气相压力时序特征向量和所述液相压力时序特征向量。其中，所述第一邻域尺度特征提取子单元，用于：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述气体气压值时序输入向量和所述海水压力值时序输入向量分别进行一维卷积编码以得到第一邻域尺度气相压力时序特征向量和所述第一邻域尺度液相压力时序特征向量；其中，所述公式为：

11、

12、其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一一维卷积核的尺寸， x表示所述气体气压值时序输入向量和所述海水压力值时序输入向量，表示对所述气体气压值时序输入向量和所述海水压力值时序输入向量分别进行一维卷积编码；所述第二邻域尺度特征提取子单元，用于：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述气体气压值时序输入向量和所述海水压力值时序输入向量分别进行一维卷积编码以得到所述第二邻域尺度气相压力时序特征向量和所述第二邻域尺度液相压力时序特征向量；其中，所述公式为：

13、

14、其中，b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二一维卷积核的尺寸， x表示所述气体气压值时序输入向量和所述海水压力值时序输入向量，表示对所述气体气压值时序输入向量和所述海水压力值时序输入向量分别进行一维卷积编码。

15、在上述船舶尾气脱硫系统中，所述流速时序变化特征提取单元，用于：使用所述作为过滤器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：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络的最后一层的输出为所述气-液流速协同特征向量，所述作为过滤器的卷积神经网络的第一层的输入为所述气-液流速协同矩阵。

16、在上述船舶尾气脱硫系统中，所述响应性关联单元，用于：以如下公式计算所述气-液流速协同特征向量相对于所述压差特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：，其中表示所述气-液流速协同特征向量，表示所述压差特征向量，表示所述分类特征矩阵。

17、在上述船舶尾气脱硫系统中，还包括用于对所述多尺度邻域特征提取模块、所述作为过滤器的卷积神经网络模型和所述分类器进行训练的训练单元。

18、在上述船舶尾气脱硫系统中，所述训练单元，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的船舶尾气的训练气压值和训练流速值，所述多个预定时间点的海水的训练液压值和训练流速值，以及，所述海水侧液相压力与所述船舶尾气侧气相压力之间的压差应增大或应减小的真实值；训练数据时序排列单元，用于将所述多个预定时间点的船舶尾气的训练气压值和训练流速值，以及，所述多个预定时间点的海水的训练液压值和训练流速值分别按照时间维度排列为训练气体气压值时序输入向量、训练气体流速值时序输入向量、训练海水压力值时序时序向量和训练海水流速值时序输入向量；训练压力时序变化特征提取单元，用于将所述训练气体气压值时序输入向量和所述训练海水压力值时序时序向量分别通过所述多尺度邻域特征提取模块以得到训练气相压力时序特征向量和训练液相压力时序特征向量；训练压差计算单元，用于计算所述训练气相压力时序特征向量和所述训练液相压力时序特征向量之间的训练压差特征向量；训练流速关联编码单元，用于对所述训练气体流速值时序输入向量和所述训练海水流速值时序输入向量进行关联编码以得到训练气-液流速协同矩阵；训练流速时序变化特征提取单元，用于将所述训练气-液流速协同矩阵通过所述作为过滤器的卷积神经网络模型以得到训练气-液流速协同特征向量；训练响应性关联单元，用于计算所述训练气-液流速协同特征向量相对于所述训练所述压差特征向量的响应性估计以得到训练分类特征矩阵；特征优化单元，用于对所述训练分类特征矩阵进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化训练分类特征矩阵；以及，分类损失单元，用于将所述优化训练分类特征矩阵通过所述分类器以得到分类损失函数值；模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向船舶来对所述多尺度邻域特征提取模块、所述作为过滤器的卷积神经网络模型和所述分类器进行训练。

19、在上述船舶尾气脱硫系统中，所述特征优化单元，用于：以如下优化公式对所述训练分类特征矩阵进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化训练分类特征矩阵；其中，所述优化公式为：

20、

21、

22、

23、其中，为所述训练分类特征矩阵，表示单层卷积操作，、和分别表示特征矩阵的逐位置相加、相减和相乘，且和为偏置特征矩阵，为所述优化多尺度关联特征图。

24、根据本技术的另一方面，提供了一种船舶尾气脱硫工艺，其包括：

25、采集含硫船舶尾气和海水；

26、对所述含硫船舶尾气进行预处理以得到除尘除油后的尾气；

27、对所述海水进行预处理以得到预处理后的海水；

28、将所述除尘除油后的尾气和所述预处理后的海水通入膜接触器中进行船舶尾气脱硫，以得到吸收二氧化硫后的海水；

29、对所述吸收二氧化硫后的海水进行氧化处理以得到氧化后的硫酸盐。

30、根据本技术的再一方面，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船舶尾气脱硫工艺。

31、根据本技术的又一方面，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船舶尾气脱硫工艺。

32、与现有技术相比，本技术提供的一种船舶尾气脱硫工艺及其系统，其通过深度学习的人工智能技术，挖掘出船舶尾气气压值和所述海水液压值的压差时序动态变化特征信息，以及所述船舶尾气流速值和所述海水流速值之间的时序变化关联特征信息，以此基于所述船舶尾气和所述海水的流速时序关联特征来进行压差时序变化特征的增强，从而优化压差时序变化特征的表达，以提高海水侧液相压力与船舶尾气侧气相压力之间的压差控制精准度，优化船舶尾气的脱硫效果和效率。