(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111441712.3 (22)申请日 2021.11.30 (71)申请人 中国矿业大 学 地址 221116 江苏省徐州市铜山区大 学路1 号中国矿业大 学南湖校区 (72)发明人 王和堂　刘焱　程思思　何军　 章琦　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 15/06(2006.01) G01N 15/02(2006.01) G01P 5/00(2006.01) (54)发明名称 生产性粉尘多参量分布式监测与智能预测 方法 (57)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。 权利要求书2页 说明书4页 附图1页 CN 114117924 A 2022.03.01 CN 114117924 A 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(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(脆性、 硬度、 工业分析组分)等， 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(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。 2.根据权利要求1所述的基于长短期记忆网络的生产性粉尘特征参数预测模型， 其特 征在于， 该 方法包括以下步骤： 步骤201、 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、 产尘物体理化性质等粉尘影响主要因 素作为输入层的输入变量(输入特征)， 粉尘 的浓度、 粒度、 速度作为输出变量(标签)， 将相 应的输入特 征与标签组合 起来， 得到数据集； 步骤202、 对数据 集D＝(x(1),x(2),……， x(m))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203、 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、 速度等相关数据； LSTM层L1： 训练来自输入层的粉尘浓度、 粒度、 速度 等相关数据， 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的相关数据， 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 等相关 数据； 步骤204、 测试经步骤203训练的长短期记忆网络模型， batch_size设置为128， epochs 设置为50；权　利　要　求　书 1/2 页 2 CN 114117924 A 2步骤205、 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 。 3.根据权利要求2所述的基于长短期记忆网络的生产性粉尘特征参数预测模型， 其特 征在于， 所述LSTM层中， 输入 特征至记忆体的激活函数设置为tanh函数， 记忆体至输出特征 的激活函数设置为softmax函数。 4.根据权利要求2所述的基于长短期记忆网络的生产性粉尘特征参数预测模型， 其特 征在于， 所述 误差用预测数据与所对应的实际监测数据之间的均方差来表示。权　利　要　求　书 2/2 页 3 CN 114117924 A 3