本發(fā)明涉及固體處置，特別是一種基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著城鎮(zhèn)化的飛速發(fā)展，城市生活垃圾的產(chǎn)量逐年攀升。根據(jù)最新統(tǒng)計(jì)數(shù)據(jù)，2024年全球城市生活垃圾總產(chǎn)量預(yù)計(jì)達(dá)到27億噸，中國(guó)17億噸。城市生活垃圾是指城市居民日常生活活動(dòng)中產(chǎn)生的固體廢棄物。其主要成分包括食物殘?jiān)?、紙張、塑料、織物等，具有有機(jī)物含量高、成分復(fù)雜多樣的特點(diǎn)。在堆放過程中，生活垃圾易發(fā)生腐爛、發(fā)酵，產(chǎn)生惡臭氣體、滲濾液等，可能造成土壤、地下水和大氣的嚴(yán)重污染，對(duì)周圍的環(huán)境質(zhì)量和居民的生活產(chǎn)生不利影響。生活垃圾焚燒是一種城市固體廢棄物處理的重要手段，能夠有效減少垃圾量，并回收利用焚燒過程中產(chǎn)生的熱能。生活垃圾焚燒爐內(nèi)部溫度的準(zhǔn)確預(yù)測(cè)對(duì)于控制焚燒過程、提高能源利用效率和確保焚燒安全至關(guān)重要。

2、傳統(tǒng)的生活垃圾焚燒爐內(nèi)溫度預(yù)測(cè)方法通?；谖锢砟Ｐ?，需要大量的工藝參數(shù)和環(huán)境條件數(shù)據(jù)作為輸入，模型復(fù)雜度高，預(yù)測(cè)精度有待進(jìn)一步提高。近年來，機(jī)器學(xué)習(xí)技術(shù)在工業(yè)過程建模和預(yù)測(cè)中展現(xiàn)出了良好的性能，其中bp神經(jīng)網(wǎng)絡(luò)憑借其強(qiáng)大的非線性建模能力和良好的泛化能力，成為生活垃圾焚燒爐內(nèi)溫度預(yù)測(cè)的一個(gè)有效選擇。但單一的bp神經(jīng)網(wǎng)絡(luò)模型在處理不同工況下的溫度預(yù)測(cè)任務(wù)時(shí)可能存在性能下降的問題，且所需樣本數(shù)較多。

技術(shù)實(shí)現(xiàn)思路

1、鑒于現(xiàn)有技術(shù)存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明所要解決的問題在于單一的bp神經(jīng)網(wǎng)絡(luò)模型在處理不同工況下的溫度預(yù)測(cè)任務(wù)時(shí)可能存在性能下降的問題，且所需樣本數(shù)較多。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法，其包括，獲取數(shù)值模擬的焚燒爐溫度數(shù)據(jù)，建立預(yù)訓(xùn)練數(shù)據(jù)集，采集實(shí)際焚燒爐運(yùn)行數(shù)據(jù)，建立目標(biāo)數(shù)據(jù)集；

5、基于預(yù)訓(xùn)練數(shù)據(jù)集構(gòu)建bp神經(jīng)網(wǎng)絡(luò)模型，使用預(yù)訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，保存預(yù)訓(xùn)練模型的權(quán)重參數(shù)；

6、凍結(jié)預(yù)訓(xùn)練模型除最后一層隱藏層外的所有層，在凍結(jié)層之后添加新的隱藏層，使用目標(biāo)數(shù)據(jù)集對(duì)新添加的層進(jìn)行微調(diào)訓(xùn)練；

7、改變隱藏層數(shù)量和超參數(shù)配置，重復(fù)遷移學(xué)習(xí)過程，選擇預(yù)測(cè)效果最好的模型，所述預(yù)測(cè)效果最好的模型選擇損失函數(shù)最小；

8、使用優(yōu)化后的遷移學(xué)習(xí)模型；預(yù)測(cè)不同工況下焚燒爐內(nèi)不同位置的溫度。

9、作為本發(fā)明所述基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述獲取數(shù)值模擬的焚燒爐溫度數(shù)據(jù)，建立預(yù)訓(xùn)練數(shù)據(jù)集包括，

10、獲取不同工況情況下數(shù)值求解的下生活垃圾和爐內(nèi)不同位置溫度數(shù)據(jù)，建立用于bp神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練的數(shù)據(jù)集；

11、現(xiàn)場(chǎng)采集焚燒爐廠家實(shí)際運(yùn)行中不同工況下生活垃圾和爐內(nèi)不同位置的溫度數(shù)據(jù)，建立用于遷移學(xué)習(xí)微調(diào)的目標(biāo)數(shù)據(jù)集；

12、對(duì)數(shù)據(jù)集進(jìn)行仿真預(yù)訓(xùn)練，獲得bp神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重，保存用于后續(xù)的遷移學(xué)習(xí)；

13、凍結(jié)預(yù)訓(xùn)練模型中除了最后一層外其他所有層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及權(quán)重，獲得遷移學(xué)習(xí)初始bp神經(jīng)網(wǎng)絡(luò)權(quán)重；

14、基于目標(biāo)數(shù)據(jù)集，遷移凍結(jié)預(yù)訓(xùn)練模型保存的拓?fù)浣Y(jié)構(gòu)以及權(quán)重?cái)?shù)據(jù)，對(duì)bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行微調(diào)；

15、重復(fù)遷移學(xué)習(xí)過程，找到對(duì)目標(biāo)數(shù)據(jù)集預(yù)測(cè)效果最好的即損失函數(shù)最小的一組神經(jīng)網(wǎng)絡(luò)；

16、基于遷移學(xué)習(xí)的bp神經(jīng)網(wǎng)絡(luò)最優(yōu)預(yù)測(cè)模型，并用于不同工況情況下焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)。

17、作為本發(fā)明所述對(duì)不同工況情況下焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述獲取不同工況情況下數(shù)值求解的下生活垃圾和爐內(nèi)不同位置溫度數(shù)據(jù)包括獲得的不同工況情況下生活垃圾在焚燒爐內(nèi)熱解氣化后的數(shù)據(jù)進(jìn)行預(yù)處理，作為bp神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練的數(shù)據(jù)集，具體包括如下步驟：

18、選取不同工況參數(shù)下，不同生活垃圾水分、揮發(fā)分、固定炭、灰渣、垃圾粒徑、一次風(fēng)、循環(huán)風(fēng)、二次風(fēng)、負(fù)荷等影響溫度變化的因素作為輸入變量，并對(duì)所有因素進(jìn)行歸一化；

19、基于平均影響值算法，對(duì)所有影響因素進(jìn)行降維處理；

20、將bp神經(jīng)網(wǎng)絡(luò)的輸入表示為：

21、x(i)＝[x(1),x(2),...,x(i),x(n)],i∈[1,n]

22、x(i)＝[x1(i),x2(i),...,xm(i)],i∈[1,n]

23、其中，x(i)表示在不同工況條件i下的影響因素序列；x(i)為由m個(gè)不同因素組成的向量；不同工況情況下用于預(yù)測(cè)的爐內(nèi)不同位置溫度如下所示：

24、y(i)＝[y(1),y(2),...,y(i),...,y(n)],i∈[1,n]

25、其中，y(i)表示在不同工況條件i下的爐內(nèi)不同位置溫度序列，即對(duì)于n個(gè)不同的工況條件，每個(gè)工況i都有一個(gè)由爐內(nèi)不同位置溫度組成的輸出向量y(i)；

26、對(duì)不同工況條件i，將x(i)中的特征變量進(jìn)行規(guī)范化處理，將每個(gè)工況下的輸入特征x(i)都映射到[0,1]區(qū)間內(nèi)，消除量綱差異，提高模型訓(xùn)練的穩(wěn)定性和收斂性；

27、用于訓(xùn)練的數(shù)據(jù)集構(gòu)造如下所示：

28、a＝{x(i)，y(i)}＝{(x(1),y(1))，(x(2),y(2))，(x(i),y(i))，…，(x(n),y(n))}

29、其中，(x(i),y(i))表示第i個(gè)工況條件下的規(guī)范化數(shù)據(jù)對(duì)；

30、基于不同工況情況，將數(shù)據(jù)集a進(jìn)一步劃分為預(yù)訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集。

31、作為本發(fā)明所述基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述現(xiàn)場(chǎng)采集某焚燒爐廠家實(shí)際運(yùn)行中不同工況下生活垃圾和爐內(nèi)不同位置的溫度數(shù)據(jù)，包括重復(fù)如下步驟：

32、選取不同工況參數(shù)下，不同生活垃圾水分、揮發(fā)分、固定炭、灰渣、垃圾粒徑、一次風(fēng)、循環(huán)風(fēng)、二次風(fēng)、負(fù)荷的影響溫度變化的因素作為輸入變量，并對(duì)所有因素進(jìn)行歸一化；

33、基于平均影響值算法，對(duì)所有影響因素進(jìn)行降維處理；

34、將bp神經(jīng)網(wǎng)絡(luò)的輸入表示為：

35、x(i)＝[x(1),x(2),...,x(i),x(n)],i∈[1,n]

36、x(i)＝[x1(i),x2(i),...,xm(i)],i∈[1,n]

37、其中，x(i)表示在不同工況條件i下的影響因素序列；x(i)為由m個(gè)不同因素組成的向量；

38、不同工況情況下用于預(yù)測(cè)的爐內(nèi)不同位置溫度如下所示：

39、y(i)＝[y(1),y(2),...,y(i),...,y(n)],i∈[1,n]

40、其中，y(i)表示在不同工況條件i下的爐內(nèi)不同位置溫度序列，即對(duì)于n個(gè)不同的工況條件，每個(gè)工況i都有一個(gè)由爐內(nèi)不同位置溫度組成的輸出向量y(i)；

41、對(duì)不同工況條件i，將x(i)中的特征變量進(jìn)行規(guī)范化處理，將每個(gè)工況下的輸入特征x(i)都映射到[0,1]區(qū)間內(nèi)，消除量綱差異，提高模型訓(xùn)練的穩(wěn)定性和收斂性；

42、用于訓(xùn)練的數(shù)據(jù)集構(gòu)造如下所示：

43、a＝{x(i)，y(i)}＝{(x(1),y(1))，(x(2),y(2))，(x(i),y(i))，…，(x(n),y(n))}

44、其中，(x(i),y(i))表示第i個(gè)工況條件下的規(guī)范化數(shù)據(jù)對(duì)；

45、基于不同工況情況，將數(shù)據(jù)集a進(jìn)一步劃分為預(yù)訓(xùn)練數(shù)據(jù)集和預(yù)測(cè)數(shù)據(jù)集。

46、作為本發(fā)明所述對(duì)不同工況情況下焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述對(duì)數(shù)據(jù)集進(jìn)行仿真預(yù)訓(xùn)練，獲得bp神經(jīng)網(wǎng)絡(luò)的初始化權(quán)重，保存用于后續(xù)的遷移學(xué)習(xí)，其初始化訓(xùn)練采用如下步驟：

47、根據(jù)bp神經(jīng)網(wǎng)絡(luò)架構(gòu)對(duì)超參數(shù)配置hyperparameter進(jìn)行優(yōu)化，設(shè)定j次超參數(shù)配置實(shí)驗(yàn)，每個(gè)實(shí)驗(yàn)對(duì)應(yīng)一組不同的超參數(shù)配置，記作hyperparameterk；其中k表示第k個(gè)實(shí)驗(yàn)，取值范圍為k∈[1,j]；

48、將預(yù)訓(xùn)練的數(shù)據(jù)集設(shè)置成8:2的比例，隨機(jī)劃分成訓(xùn)練集和測(cè)試集，并分別帶入bp神經(jīng)網(wǎng)絡(luò)進(jìn)行向前傳播計(jì)算；

49、bp神經(jīng)網(wǎng)絡(luò)采用了編碼器－解碼器的架構(gòu)設(shè)計(jì)，編碼器和解碼器分別由若干個(gè)變換器塊堆疊而成，預(yù)訓(xùn)練時(shí)先將訓(xùn)練集的x(i)通過編碼器部分進(jìn)行位置編碼，然后輸入變壓器神經(jīng)網(wǎng)絡(luò)的編碼器塊進(jìn)行特征編碼，最終得到編碼器的輸出數(shù)據(jù)；

50、預(yù)訓(xùn)練時(shí)，同時(shí)將y(i)進(jìn)行位置編碼后，輸入解碼器；解碼器網(wǎng)絡(luò)的第一個(gè)變換器解碼器塊會(huì)對(duì)輸入的位置編碼后的目標(biāo)輸出數(shù)據(jù)y(i)進(jìn)行掩碼處理，并將其與編碼器輸出的數(shù)據(jù)同時(shí)代入后續(xù)解碼器塊進(jìn)行訓(xùn)練；經(jīng)過掩碼處理的解碼器輸入，會(huì)與編碼器網(wǎng)絡(luò)輸出的特征表示進(jìn)行交互融合，利用跨注意力機(jī)制生成目標(biāo)輸出序列進(jìn)行訓(xùn)練；

51、訓(xùn)練完成，保存最終預(yù)訓(xùn)練完成的bp神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)配置ptk，其中，k表示第k個(gè)權(quán)重參數(shù)配置；

52、所述凍結(jié)預(yù)訓(xùn)練模型中除了最后一層外其他所有層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)以及權(quán)重，獲得遷移學(xué)習(xí)初始bp神經(jīng)網(wǎng)絡(luò)權(quán)重，使其權(quán)重參數(shù)在訓(xùn)練中不發(fā)生改變，獲得遷移學(xué)習(xí)后的bp神經(jīng)網(wǎng)絡(luò)。

53、作為本發(fā)明所述對(duì)不同工況情況下焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述基于目標(biāo)數(shù)據(jù)集，遷移凍結(jié)預(yù)訓(xùn)練模型保存的拓?fù)浣Y(jié)構(gòu)以及權(quán)重?cái)?shù)據(jù)，對(duì)bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行微調(diào)，其微調(diào)具體步驟如下：

54、將現(xiàn)場(chǎng)采集的目標(biāo)數(shù)據(jù)集設(shè)置成8:2的比例，隨機(jī)劃分成訓(xùn)練集和測(cè)試集；

55、將目標(biāo)訓(xùn)練集和測(cè)試集依據(jù)初始化訓(xùn)練方式輸入訓(xùn)練，微調(diào)式僅對(duì)遷移學(xué)習(xí)架構(gòu)中的超參數(shù)配置進(jìn)行訓(xùn)練及修改，同時(shí)，保存微調(diào)后的遷移學(xué)習(xí)后的bp神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)配置，記作ptk′；

56、選取均方根誤差、平均絕對(duì)百分比誤差、絕對(duì)百分比誤差和決定系數(shù)這四個(gè)評(píng)價(jià)指標(biāo)對(duì)遷移學(xué)習(xí)后的bp神經(jīng)網(wǎng)絡(luò)模型性能進(jìn)行評(píng)估，定義如下：

57、

58、其中，rmse表示均方根誤差、mape表示平均絕對(duì)百分比誤差、ape表示絕對(duì)百分比誤差和r2表示決定系數(shù)；n表示共有n個(gè)預(yù)測(cè)樣本，y(i)和分別表示在n個(gè)不同的工況條件下，第i個(gè)樣本的實(shí)際值與模型的預(yù)測(cè)值；整理rmse、mape、ape和r2保存到誤差集ci，可以表示為：

59、ci＝(rmsei、mapei、ape、r2)

60、其中，rmse表示均方根誤差、mape表示平均絕對(duì)百分比誤差、ape表示絕對(duì)百分比誤差和r2表示決定系數(shù)。

61、作為本發(fā)明所述對(duì)不同工況情況下焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法的一種優(yōu)選方案，其中：所述重復(fù)遷移學(xué)習(xí)過程，找到對(duì)目標(biāo)數(shù)據(jù)集預(yù)測(cè)效果最好的即損失函數(shù)最小的一組神經(jīng)網(wǎng)絡(luò)其具體步驟如下：

62、改變超參數(shù)配置，記作超參數(shù)配置hyperparameteri，其中i∈[2,j]；

63、重復(fù)bp神經(jīng)網(wǎng)絡(luò)采用了編碼器－解碼器的架構(gòu)設(shè)計(jì)－微調(diào)具體步驟，依次得到權(quán)重參數(shù)配置ptk，微調(diào)后的權(quán)重參數(shù)配置ptk′，誤差集dk；

64、重復(fù)遷移學(xué)習(xí)過程進(jìn)行二次重復(fù)，直到超參數(shù)配置調(diào)試實(shí)驗(yàn)次數(shù)達(dá)到j(luò)次，找出j次實(shí)驗(yàn)中誤差最小的一組記作dbest，相應(yīng)的微調(diào)對(duì)應(yīng)的參數(shù)權(quán)重記作ptbest′，超參數(shù)配置記為hyperparameterbest，即得模型預(yù)測(cè)效果最好的超參數(shù)配置；

65、基于不進(jìn)行遷移學(xué)習(xí)的bp神經(jīng)網(wǎng)絡(luò)，與遷移學(xué)習(xí)后的bp神經(jīng)網(wǎng)絡(luò)效果對(duì)比，將兩種算法得到的預(yù)測(cè)值與誤差集進(jìn)行對(duì)比分析，最終得到基于bp神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)最優(yōu)預(yù)測(cè)模型作為不同工況情況下生活垃圾焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法。

66、第二方面，本發(fā)明實(shí)施例提供了基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)系統(tǒng)，其包括，獲取模塊，獲取數(shù)值模擬的焚燒爐溫度數(shù)據(jù)，建立預(yù)訓(xùn)練數(shù)據(jù)集，采集實(shí)際焚燒爐運(yùn)行數(shù)據(jù)，建立目標(biāo)數(shù)據(jù)集；

67、預(yù)訓(xùn)練模塊，基于預(yù)訓(xùn)練數(shù)據(jù)集構(gòu)建bp神經(jīng)網(wǎng)絡(luò)模型，使用預(yù)訓(xùn)練數(shù)據(jù)集訓(xùn)練模型，保存預(yù)訓(xùn)練模型的權(quán)重參數(shù)；

68、凍結(jié)模塊，凍結(jié)預(yù)訓(xùn)練模型除最后一層隱藏層外的所有層，在凍結(jié)層之后添加新的隱藏層，使用目標(biāo)數(shù)據(jù)集對(duì)新添加的層進(jìn)行微調(diào)訓(xùn)練；

69、迭代模塊，改變隱藏層數(shù)量和超參數(shù)配置，重復(fù)遷移學(xué)習(xí)過程，選擇預(yù)測(cè)效果最好的模型，所述預(yù)測(cè)效果最好的模型選擇損失函數(shù)最?。?/p>

70、預(yù)測(cè)模塊，使用優(yōu)化后的遷移學(xué)習(xí)模型；預(yù)測(cè)不同工況下焚燒爐內(nèi)不同位置的溫度。

71、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法的步驟。

72、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于遷移學(xué)習(xí)的焚燒爐內(nèi)溫度的智能預(yù)測(cè)方法的步驟。

73、本發(fā)明有益效果為：本方案通過基于bp神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)對(duì)不同工況情況下生活垃圾焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)方法，該方法利用遷移學(xué)習(xí)思路，充分利用現(xiàn)有的焚燒工況數(shù)據(jù)訓(xùn)練出通用的bp神經(jīng)網(wǎng)絡(luò)模型，針對(duì)新的工況情況只需要進(jìn)行有限的微調(diào)訓(xùn)練，就可以快速適應(yīng)不同工況環(huán)境下的溫度預(yù)測(cè)需求。該方法的核心是從大規(guī)模/低成本的源域中提取基礎(chǔ)知識(shí)，并將其應(yīng)用于小規(guī)模/高成本的目標(biāo)域。從而大大提高了樣本不足導(dǎo)致的任務(wù)預(yù)測(cè)精度不夠的難題。

74、二、本發(fā)明通過引入不同工況條件下的生活垃圾焚燒爐運(yùn)行參數(shù)和爐內(nèi)不同溫度構(gòu)建模擬數(shù)據(jù)預(yù)訓(xùn)練集和用于微調(diào)的現(xiàn)場(chǎng)采集數(shù)據(jù)目標(biāo)集，引入基于bp神經(jīng)網(wǎng)絡(luò)架構(gòu)，利用其出色的非線性擬合能力訓(xùn)練得到超參數(shù)配置；通過改變超參數(shù)配置，尋找訓(xùn)練效果最佳的一組超參數(shù)配置；結(jié)合遷移學(xué)習(xí)方法，將目標(biāo)數(shù)據(jù)集代入遷移學(xué)習(xí)后的bp神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，可以充分利用歷史數(shù)據(jù)蘊(yùn)含的溫度分布規(guī)律；基于微調(diào)后的遷移學(xué)習(xí)bp神經(jīng)網(wǎng)絡(luò)對(duì)焚燒爐內(nèi)不同位置的溫度進(jìn)行預(yù)測(cè)；采用對(duì)照組對(duì)不同工況條件下的爐內(nèi)不同位置的溫度進(jìn)行預(yù)測(cè)，并基于rmse、mape、ape和r2這四項(xiàng)指標(biāo)對(duì)模型預(yù)測(cè)效果進(jìn)行評(píng)估，從定量角度證明基于遷移學(xué)習(xí)及bp神經(jīng)網(wǎng)絡(luò)架構(gòu)在本任務(wù)中為最優(yōu)模型，以用于不同工況條件下的爐內(nèi)不同位置的溫度預(yù)測(cè)，有效提高了對(duì)焚燒爐內(nèi)不同位置溫度的預(yù)測(cè)精度。

75、三、本發(fā)明采用基于bp神經(jīng)網(wǎng)絡(luò)架構(gòu)的遷移學(xué)習(xí)模型，無需從頭開始訓(xùn)練復(fù)雜的bp神經(jīng)網(wǎng)絡(luò)模型；在已有模型的基礎(chǔ)上進(jìn)行有限的微調(diào)，大幅提高了建模的效率；通過可視化分析隱藏層的特征提取過程，可以一定程度上增加模型的可解釋性；可以更加容易地應(yīng)對(duì)焚燒爐內(nèi)溫度的未知波動(dòng)，有利于工程應(yīng)用中的分析診斷。