[发明专利]一种涂装车间环境质量预测方法及预测模型建立方法

权利要求书

1.一种涂装车间环境质量预测模型建立方法，其特征在于，包括以下步骤：

步骤1、参数选取，选取挥发性有机物浓度为涂装车间环境质量表征参数，选取涂装工艺参数和环境参数为自变量；

步骤2、监测点位的选取，根据涂装车间的现场布局，在涂装间内安装N台防爆集成监控点位，进行长时间涂装间环境跟踪监测，记录涂装工艺参数和环境参数，每组涂装工艺参数和一个监测点位的环境参数构成一个样本；

步骤3、整理数据，根据每个防爆集成监测点位的分布，检查数据是否存在异常针对异常数据进行剔除或补充；

步骤4、将处理过的数据进行自变量筛选，剔除相关性小的自变量，最终得到K个自变量用于建立预测模型；

步骤5、根据筛选的自变量，建立多元线性回归-神经网络组合模型，具体如下：

步骤5.1、建立用于初次预测的多元线性回归模型如下：

f(x)＝b+ω₁X₁+ω₂X₂+…+ω_mX_m+ε公式一

其中：b是常量；f(x)表示挥发性有机物浓度；X_m表示第m个自变量，m取值为1-K的正整数；ω_m表示第m个自变量的偏回归系数，ε为常数项；

步骤5.2、构建复合样本，利用多元线性回归模型对每个样本数据进行拟合，得到拟合值，将拟合值和相应样本一起作为输入，以预测的挥发性有机物浓度作为输出重新构建复合样本；

步骤5.3、建立神经网络模型，神经网络模型包括输入层、中间层和输出层，各层神经元仅与相邻神经元之间互相全连接；确定输入层神经元个数M、中间层层数P、每层神经元个数、输出层神经元个数Q、激活函数、优化器函数以及学习率；通过复合样本不断对神经网络模型学习优化，得到多元线性回归-神经网络组合模型。

2.根据权利要求1所述涂装车间环境质量预测模型建立方法，其特征在于：步骤1中，所述涂装工艺参数包括油漆种类、喷涂时间及喷涂距离，所述环境参数包括颗粒物浓度、环境温度、环境湿度、空气流速及气压。

3.根据权利要求1所述涂装车间环境质量预测模型建立方法，其特征在于：步骤2中，防爆集成监测点位的数量N为2～8个。

4.根据权利要求1所述涂装车间环境质量预测模型建立方法，其特征在于：涂装所用涂料为溶剂型涂料。

5.根据权利要求1所述涂装车间环境质量预测模型建立方法，其特征在于：步骤3中，整理数据后将数据进行归一化处理使用。

6.根据权利要求1所述涂装车间环境质量预测模型建立方法，其特征在于：步骤5.3中的神经网络模型在中间层的逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响，影响公式如下：

每一层的每个神经元接收上一层所有神经元传输的信息，上一层中第i个神经元传输的输入信息x₁对应一个输入权值β_i，其大小表示传输信号的强度；上一层中每个神经元的输入信号加权求和之后作为本层某个神经元的总输入值，同时总输入值与该神经元中的阈值θ进行比较，只有当这个总和超过了θ时，才会将总输入值作为传输信息传递给一层。

7.根据权利要求6所述涂装车间环境质量预测模型建立方法，其特征在于：步骤5.3中，输入层神经元个数M为3～6，中间层层数为层P为1～2，输出层神经元个数Q为1～3。

8.根据权利要求6所述涂装车间环境质量预测模型建立方法，其特征在于：步骤5.3中，激活函数为Sigmoid、Tanh、ReLU、LeakRelu等中的一种，损失函数为均方误差损失函数、交叉熵误差损失函数以及指数损失函数等中的一种，优化器函数有GradientDescent、Adadelta、Momentum以及Adam等中的一种，学习率范围为0.001～0.1之间。

9.一种涂装车间环境质量预测方法，采用权利要求1-8任意一项方法建立的多元线性回归-神经网络组合模型，其特征在于，包括以下步骤：

采集涂装车间的涂装工艺参数和环境参数中所需的K个自变量，每组涂装工艺参数和一个监测点位的环境参数构成一个样本；

检查数据是否存在异常针对异常数据进行剔除或补充；

将处理过的数据输入到多元线性回归-神经网络组合模型，输出结果即为表征涂装车间环境质量的挥发性有机物浓度。