船舶尾气脱硫工艺及其系统的制作方法 专利技术说明

物理化学装置的制造及其应用技术1.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：2.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。3.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。4.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。5.因此，期望一种优化的船舶尾气脱硫系统。技术实现要素：6.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。7.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：船舶尾气和海水采集模块，用于采集含硫船舶尾气和海水；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；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；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；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：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：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。11.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。12.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。13.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。14.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。15.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：征矩阵；其中，所述优化公式为：征矩阵；其中，所述优化公式为：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。16.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：采集含硫船舶尾气和海水；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；对所述海水进行预处理以得到预处理后的海水；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；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。17.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。18.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。19.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。附图说明20.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。21.图1为根据本技术实施例的船舶尾气脱硫系统的场景示意图；图2为根据本技术实施例的船舶尾气脱硫系统的框图；图3为根据本技术实施例的船舶尾气脱硫系统中膜接触器脱硫模块的框图；图4为根据本技术实施例的船舶尾气脱硫系统中训练单元的框图；图5为根据本技术实施例的船舶尾气脱硫系统中推断单元的系统架构图；图6为根据本技术实施例的船舶尾气脱硫系统中训练单元的系统架构图；图7为根据本技术实施例的船舶尾气脱硫系统中压力时序变化特征提取单元的框图；图8为根据本技术实施例的船舶尾气脱硫系统中卷积神经网络编码的流程图；图9为根据本技术实施例的船舶尾气脱硫工艺的流程图；图10为根据本技术实施例的电子设备的框图。具体实施方式22.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。23.场景概述如上所述，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。因此，期望一种优化的船舶尾气脱硫系统。24.具体地，在本技术的技术方案中，提出了一种船舶尾气脱硫系统，其包括：采集含硫船舶尾气和海水。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。应可以理解，在实际采集含硫船舶尾气的过程中，含硫船舶尾气中会存在固体颗粒和燃烧未完全的液态油滴，这会造成后续膜接触器中疏水微孔膜的污染和堵塞，因此，需进行尾气的预处理。对所述海水进行预处理以得到预处理后的海水。应可以理解，海水中会存在有悬浮物，在进行船舶尾气脱硫前需要对于海水中的悬浮物进行滤除。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。特别地，这里，所述膜接触器为装填有聚四氟乙烯中空纤维疏水微孔膜的膜接触器，可提供非常大的体积比表面积和气液传质效率。对所述吸收二氧化硫后的海水进行氧化处理，以将亚硫酸盐氧化成硫酸盐，避免对环境造成污染。25.相应地，考虑到在实际使用膜接触器技术来进行船舶尾气脱硫的过程中，在所述膜接触器脱硫模块中，保证船舶尾气脱硫效率和效果的关键在于对于海水侧液相压力与船舶尾气侧气相压力之间的压差控制。并且，还考虑到虽然海水侧液相压力与船舶尾气侧气相压力之间的压差与船舶尾气的气压值和海水的液压值之间的差值时序变化特征有关，但是压差的时序变化情况较为微弱，易受到环境噪声的干扰，因此，若能够以这两者的流速值时序变化关联特征信息来进行压差的时序变化特征优化，显然能够增强对于压差的控制精度。在此过程中，难点在于如何挖掘所述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。26.近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述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提供了新的解决思路和方案。27.具体地，在本技术的技术方案中，首先，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。接着，考虑到由于所述船舶尾气的气压值和流速值以及所述海水的液压值和流速值在时间维度上都具有着各自的动态性变化规律，因此，为了能够对于这些数据的时序动态变化特征信息进行充分提取，在本技术的技术方案中，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，以此来分别整合所述船舶尾气的气压值和流速值以及所述海水的液压值和流速值在时序上的分布信息。28.然后，考虑到由于所述船舶尾气的气压值和所述海水的液压值在时间维度上具有着波动性和不确定性，导致其在时序上的不同时间周期跨度下具有着不同的动态变化特征。因此，在本技术的技术方案中，将所述气体气压值时序输入向量和所述海水压力值时序时序向量分别通过多尺度邻域特征提取模块中进行特征提取，以分别提取出所述船舶尾气的气压值和所述海水的液压值在不同之间跨度下的动态多尺度邻域关联特征，从而得到气相压力时序特征向量和液相压力时序特征向量。接着，再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，即所述船舶尾气的气压值和所述海水的液压值在时间维度上的压差时序变化特征。29.进一步地，对于所述船舶尾气的流速值和所述海水的流速值来说，考虑到这两者之间在时间维度上具有着协同的隐含关联关系，共同对于船舶尾气脱硫产生影响。因此，为了能够基于所述船舶尾气的流速值和所述海水的流速值的时序协同关联特征来优化压差时序变化特征的表达，以此来提高船舶尾气脱硫的效率和效果，在本技术的技术方案中，进一步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，以此来建立所述船舶尾气的流速值和所述海水的流速值在时序上的关联关系。接着，进一步使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述气-液流速协同矩阵的特征挖掘，以提取出所述船舶尾气的流速值和所述海水的流速值在时间维度上的时序协同动态关联特征信息，从而得到气-液流速协同特征向量。30.然后，计算所述气-液流速协同特征向量相对于所述所述压差特征向量的响应性估计，以此来表示所述船舶尾气气压值和所述海水液压值的压差时序动态多尺度关联特征与所述船舶尾气流速值和所述海水流速值的时序协同关联特征之间的关联性特征分布信息，也就是说，以所述船舶尾气流速值和所述海水流速值的时序协同关联特征来进行所述船舶尾气气压值和所述海水液压值的压差时序动态关联特征的特征增强，以进行所述压差的时序变化特征的优化表达，从而得到分类特征矩阵。31.进一步地，再将所述分类特征矩阵通过分类器中进行分类处理，以得到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的分类结果。也就是，在本技术的技术方案中，所述分类器的标签包括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(第一标签)，以及，海水侧液相压力与船舶尾气侧气相压力之间的压差应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“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”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，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的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“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”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述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的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的海水侧液相压力与船舶尾气侧气相压力之间的压差，以优化船舶尾气的脱硫效果和效率。32.特别地，在本技术的技术方案中，这里，在计算所述气-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得到所述分类特征矩阵时，考虑到所述气-液流速协同特征向量表达气体流速值和海水流速值的跨时域关联编码值的卷积神经网络模型的通道维度关联特征，而所述压差特征向量表达气相压力值和液相压力值的逐位置多尺度时序邻域关联特征差值，其对应于特征的不同分布维度，因此使用所述分类特征矩阵进行交叉维度的特征响应性表达能够充分表示不同维度分布之间的响应性。但另一方面，考虑到各自维度下的特征分布并非完全正交关系，因此所述分类特征矩阵不可避免地会存在冗余特征，从而影响所述分类特征矩阵通过分类器的分类效率，即降低了模型的训练速度。33.因此，本技术的申请人在训练过程中对所述分类特征矩阵，例如记为进行基于低廉瓶颈机制堆叠的特征冗余优化，以得到优化后的分类特征矩阵，例如记为，具体表示为：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，例如初始可以设置为所述分类特征矩阵的全局均值特征矩阵或者单位特征矩阵，其中初始的偏置特征矩阵和不同。34.这里，所述基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张，并通过以均一值偏置堆叠通道来匹配残差路径，从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息，以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达，从而优化所述分类特征矩阵的冗余特征表达，提升所述分类特征矩阵通过分类器的分类效率，即提升模型的训练速度。这样，能够实时准确地基于船舶尾气和海水的流速变化情况来进行海水侧液相压力与传播尾气侧气相压力之间压差的自适应控制，以优化船舶尾气的脱硫效果和效率。35.基于此，本技术提出了一种船舶尾气脱硫系统，其包括：船舶尾气和海水采集模块，用于采集含硫船舶尾气和海水；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；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；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；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。36.图1为根据本技术实施例的船舶尾气脱硫系统的应用场景图。如图1所示，在该应用场景中，通过气压传感器（例如，如图1中所示意的v1）获取预定时间段内多个预定时间点的船舶尾气的气压值，再通过流速传感器（例如，如图1中所示意的v2）获取预定时间段内多个预定时间点的船舶尾气的流速值，以及，通过流速传感器（例如，如图1中所示意的v4）获取所述多个预定时间点的海水的流速值，再由液压传感器（例如，如图1中所示意的v3）获取所述多个预定时间点的海水的液压值。继而，将经过预处理后的尾气和经过预处理后的海水通入膜接触器（例如，如图1中所示意的k）中进行船舶尾气脱硫。接着，将上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输入至部署有用于船舶尾气脱硫算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述船舶尾气脱硫算法对上述输入的数据进行处理，以生成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的分类结果。37.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。38.示例性系统图2为根据本技术实施例的船舶尾气脱硫系统的框图。如图2所示，根据本技术实施例的船舶尾气脱硫系统300，包括：船舶尾气和海水采集模块310含硫船舶尾气预处理模块320；海水预处理模块330；膜接触器脱硫模块340；海水后处理模块350。39.其中，所述船舶尾气和海水采集模块310，用于采集含硫船舶尾气和海水；所述含硫船舶尾气预处理模块320，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；所述海水预处理模块330，用于对所述海水进行预处理以得到预处理后的海水；所述膜接触器脱硫模块340，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；所述海水后处理模块350，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。40.具体地，在所述船舶尾气脱硫系统300的运行过程中，所述船舶尾气和海水采集模块310，用于采集含硫船舶尾气和海水。应可以理解，在本技术的技术方案中，使用膜接触器技术来完成对船舶尾气的脱硫，其通过气相和液相非直接接触而实现相间传质的膜过程。特别地，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。因此，首先，需采集采集含硫船舶尾气和海水。41.具体地，在所述船舶尾气脱硫系统300的运行过程中，所述含硫船舶尾气预处理模块320和所述海水预处理模块330，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，以及，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。应可以理解，一方面，在实际采集含硫船舶尾气的过程中，含硫船舶尾气中会存在固体颗粒和燃烧未完全的液态油滴，这会造成后续膜接触器中疏水微孔膜的污染和堵塞，因此，需进行尾气的预处理。另一方面，海水中会存在有悬浮物，在进行船舶尾气脱硫前需要对于海水中的悬浮物进行滤除，因此，也需对海水进行预处理。42.具体地，在所述船舶尾气脱硫系统300的运行过程中，所述膜接触器脱硫模块340和所述海水后处理模块350，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，进而，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。也就是，在得到所述除尘除油后的尾气和所述预处理后的海水后，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。特别地，这里，所述膜接触器为装填有聚四氟乙烯中空纤维疏水微孔膜的膜接触器，可提供非常大的体积比表面积和气液传质效率。对所述吸收二氧化硫后的海水进行氧化处理，以将亚硫酸盐氧化成硫酸盐，避免对环境造成污染。43.图3为根据本技术实施例的船舶尾气脱硫系统中膜接触器脱硫模块的框图。如图3所示，所述膜接触器脱硫模块340，包括：数据采集单元341，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342，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343，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344，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345，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346，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347，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348，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。44.图5为根据本技术实施例的船舶尾气脱硫系统中推断单元的系统架构图。如图5所示，在所述船舶尾气脱硫系统300的系统架构中，在推断过程中，首先通过所述数据采集单元341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；接着，所述数据时序排列单元342将所述数据采集单元341获取的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；所述压力时序变化特征提取单元343将所述数据时序排列单元342得到的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；所述压差计算单元344计算所述压力时序变化特征提取单元343得到的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；然后，所述流速关联编码单元345对所述数据时序排列单元342得到的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；所述流速时序变化特征提取单元346将所述流速关联编码单元345得到的气-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；所述响应性关联单元347计算所述流速时序变化特征提取单元346得到的气-液流速协同特征向量相对于所述压差计算单元344计算所得的压差特征向量的响应性估计以得到分类特征矩阵；进而，所述压差控制单元348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。45.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述数据采集单元341，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。考虑到在实际使用膜接触器技术来进行船舶尾气脱硫的过程中，在所述膜接触器脱硫模块中，保证船舶尾气脱硫效率和效果的关键在于对于海水侧液相压力与船舶尾气侧气相压力之间的压差控制。并且，还考虑到虽然海水侧液相压力与船舶尾气侧气相压力之间的压差与船舶尾气的气压值和海水的液压值之间的差值时序变化特征有关，但是压差的时序变化情况较为微弱，易受到环境噪声的干扰，因此，若能够以这两者的流速值时序变化关联特征信息来进行压差的时序变化特征优化，显然能够增强对于压差的控制精度。因此，在本技术的一个具体示例中，首先，可通过气压传感器来获取预定时间段内多个预定时间点的船舶尾气的气压值，再通过流速传感器来获取预定时间段内多个预定时间点的船舶尾气的流速值，以及，通过流速传感器来获取所述多个预定时间点的海水的流速值，再由液压传感器来获取所述多个预定时间点的海水的液压值。46.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述数据时序排列单元342，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。考虑到由于所述船舶尾气的气压值和流速值以及所述海水的液压值和流速值在时间维度上都具有着各自的动态性变化规律，因此，为了能够对于这些数据的时序动态变化特征信息进行充分提取，在本技术的技术方案中，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，以此来分别整合所述船舶尾气的气压值和流速值以及所述海水的液压值和流速值在时序上的分布信息。47.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述压力时序变化特征提取单元343和所述压差计算单元344，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，以及，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。考虑到由于所述船舶尾气的气压值和所述海水的液压值在时间维度上具有着波动性和不确定性，导致其在时序上的不同时间周期跨度下具有着不同的动态变化特征。因此，在本技术的技术方案中，将所述气体气压值时序输入向量和所述海水压力值时序时序向量分别通过多尺度邻域特征提取模块中进行特征提取，以分别提取出所述船舶尾气的气压值和所述海水的液压值在不同之间跨度下的动态多尺度邻域关联特征，从而得到气相压力时序特征向量和液相压力时序特征向量。其中，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。接着，再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，即所述船舶尾气的气压值和所述海水的液压值在时间维度上的压差时序变化特征。48.图7为根据本技术实施例的船舶尾气脱硫系统中压力时序变化特征提取单元的框图。如图7所示，所述压力时序变化特征提取单元343，包括：第一邻域尺度特征提取子单元3431，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3432，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3433，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3431，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：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；以及，所述第二邻域尺度特征提取子单元3432，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：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。49.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述流速关联编码单元345，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。考虑到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之间在时间维度上具有着协同的隐含关联关系，因此，在本技术的技术方案中，进一步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，以此来建立所述船舶尾气的流速值和所述海水的流速值在时序上的关联关系。更具体地，在本技术的一个具体示例中，以如下公式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；其中，所述公式为：，其中表示所述气体流速值时序输入向量，表示所述气体流速值时序输入向量的转置向量，表示所述海水流速值时序输入向量，表示所述气-液流速协同矩阵，表示向量相乘。50.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述流速时序变化特征提取单元346，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。也就是，使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述气-液流速协同矩阵的特征挖掘，以提取出所述船舶尾气的流速值和所述海水的流速值在时间维度上的时序协同动态关联特征信息，从而得到气-液流速协同特征向量。在一个具体示例中，所述卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述卷积神经网络的编码过程中，所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。51.图8为根据本技术实施例的船舶尾气脱硫系统中卷积神经网络编码的流程图。如图8所示，在所述卷积神经网络的编码过程中，包括：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：s310，对输入数据进行卷积处理以得到卷积特征图；s320，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，s330，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。52.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述响应性关联单元347，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。也就是，在得到所述气-液流速协同特征向量和所述压差特征向量后，进一步计算所述气-液流速协同特征向量相对于所述所述压差特征向量的响应性估计，以此来表示所述船舶尾气气压值和所述海水液压值的压差时序动态多尺度关联特征与所述船舶尾气流速值和所述海水流速值的时序协同关联特征之间的关联性特征分布信息，也就是说，以所述船舶尾气流速值和所述海水流速值的时序协同关联特征来进行所述船舶尾气气压值和所述海水液压值的压差时序动态关联特征的特征增强，以进行所述压差的时序变化特征的优化表达，从而得到分类特征矩阵。在本技术的一个具体示例中，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。53.更具体地，在所述船舶尾气脱硫系统300的运行过程中，所述压差控制单元348，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。在本技术的一个技术方案中，将所述分类特征矩阵通过分类器以得到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的分类结果，具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的softmax层。其中，在所述分类器的分类处理中，首先将所述分类特征矩阵投影为向量，例如，在一个具体的示例中，将所述分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的softmax层，即，使用所述softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本技术的技术方案中，所述分类器的标签包括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(第一标签)，以及，海水侧液相压力与船舶尾气侧气相压力之间的压差应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“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”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，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的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“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”的语言文本意义。应可以理解，在本技术的技术方案中，所述分类器的分类标签为所述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的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来自适应地调整所述当前时间点的海水侧液相压力与船舶尾气侧气相压力之间的压差，以优化船舶尾气的脱硫效果和效率。54.应可以理解，在利用上述神经网络模型进行推断之前，需要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。也就是说，在本技术的船舶尾气脱硫系统中，还包括训练模块，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。深度神经网络的训练大多采用反向传播算法，反向传播算法利用链式法则通过后面一层传来的误差来对当前层参数进行更新，这在网络很深的时候会遭遇梯度消失的问题，或者更广义地称为不稳定梯度问题。55.图4为根据本技术实施例的船舶尾气脱硫系统中训练单元的框图。如图4所示，根据本技术实施例的船舶尾气脱硫系统300，还包括训练单元400，所述训练单元包括：训练数据采集单元410；训练数据时序排列单元420；训练压力时序变化特征提取单元430；训练压差计算单元440；训练流速关联编码单元450；训练流速时序变化特征提取单元460；训练响应性关联单元470；特征优化单元480；以及，分类损失单元490；模型训练单元500。56.其中，所述训练数据采集单元410，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；所述训练数据时序排列单元420，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；所述训练压力时序变化特征提取单元430，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；所述训练压差计算单元440，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；所述训练流速关联编码单元450，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；所述训练流速时序变化特征提取单元460，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；所述训练响应性关联单元470，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；所述特征优化单元480，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，所述分类损失单元490，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；所述模型训练单元500，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。57.图6为根据本技术实施例的船舶尾气脱硫系统中训练单元的系统架构图。如图6所示，在所述船舶尾气脱硫系统300的系统架构中，在训练模块400中，首先通过所述训练数据采集单元410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；接着，所述训练数据时序排列单元420将所述训练数据采集单元410获取的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；所述训练压力时序变化特征提取单元430将所述训练数据时序排列单元420得到的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；所述训练压差计算单元440计算所述训练压力时序变化特征提取单元430得到的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；然后，所述训练流速关联编码单元450对所述训练数据时序排列单元420得到的得到的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；所述训练流速时序变化特征提取单元460将所述训练流速关联编码单元450得到的训练气-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；所述训练响应性关联单元470计算所述训练流速时序变化特征提取单元460得到的训练气-液流速协同特征向量相对于所述训练压差计算单元440计算所得的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；所述特征优化单元480对所述训练响应性关联单元470计算所得的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；所述分类损失单元490将所述特征优化单元480得到的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；所述模型训练单元500基于所述分类损失单元490得到的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。58.特别地，在本技术的技术方案中，这里，在计算所述气-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得到所述分类特征矩阵时，考虑到所述气-液流速协同特征向量表达气体流速值和海水流速值的跨时域关联编码值的卷积神经网络模型的通道维度关联特征，而所述压差特征向量表达气相压力值和液相压力值的逐位置多尺度时序邻域关联特征差值，其对应于特征的不同分布维度，因此使用所述分类特征矩阵进行交叉维度的特征响应性表达能够充分表示不同维度分布之间的响应性。但另一方面，考虑到各自维度下的特征分布并非完全正交关系，因此所述分类特征矩阵不可避免地会存在冗余特征，从而影响所述分类特征矩阵通过分类器的分类效率，即降低了模型的训练速度。因此，本技术的申请人在训练过程中对所述分类特征矩阵，例如记为进行基于低廉瓶颈机制堆叠的特征冗余优化，以得到优化后的分类特征矩阵，例如记为，具体表示为：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。这里，所述基于低廉瓶颈机制堆叠的特征冗余优化可以使用两个低廉变换特征的乘加式堆叠的低廉瓶颈机制来进行特征扩张，并通过以均一值偏置堆叠通道来匹配残差路径，从而通过类似于基本残差模块的具有低廉成本的低廉操作变换来在冗余性特征中揭露出内在本质特征之下的隐分布信息，以通过简单而有效的卷积操作架构来获得特征的更内在本质的表达，从而优化所述分类特征矩阵的冗余特征表达，提升所述分类特征矩阵通过分类器的分类效率，即提升模型的训练速度。这样，能够实时准确地基于船舶尾气和海水的流速变化情况来进行海水侧液相压力与传播尾气侧气相压力之间压差的自适应控制，以优化船舶尾气的脱硫效果和效率。59.综上，根据本技术实施例的船舶尾气脱硫系统300被阐明，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。60.如上所述，根据本技术实施例的船舶尾气脱硫系统可以实现在各种终端设备中。在一个示例中，根据本技术实施例的船舶尾气脱硫系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该船舶尾气脱硫系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该船舶尾气脱硫系统300同样可以是该终端设备的众多硬件模块之一。61.替换地，在另一示例中，该船舶尾气脱硫系统300与该终端设备也可以是分立的设备，并且该船舶尾气脱硫系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。62.示例性方法图9为根据本技术实施例的船舶尾气脱硫工艺的流程图。如图9所示，根据本技术实施例的船舶尾气脱硫工艺，包括步骤：s110，采集含硫船舶尾气和海水；s120，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；s130，对所述海水进行预处理以得到预处理后的海水；s140，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；s150，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。63.在一个示例中，在上述船舶尾气脱硫工艺中，所述步骤s140，包括：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；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；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；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；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；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；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，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。其中，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，包括：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；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，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；以及，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，包括：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；更具体地，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，包括：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。64.综上，根据本技术实施例的船舶尾气脱硫工艺被阐明，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。65.示例性电子设备下面，参考图10来描述根据本技术实施例的电子设备。66.图10图示了根据本技术实施例的电子设备的框图。67.如图10所示，电子设备10包括一个或多个处理器11和存储器12。68.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。69.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的船舶尾气脱硫系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如气-液流速协同矩阵等各种内容。70.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。71.该输入装置13可以包括例如键盘、鼠标等等。72.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。73.当然，为了简化，图10中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。74.示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，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本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的船舶尾气脱硫工艺中的功能中的步骤。75.所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。76.此外，本技术的实施例还可以是计算机可读存储介质，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本说明书上述“示例性系统”部分中描述的根据本技术各种实施例的船舶尾气脱硫工艺中的功能中的步骤。77.所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。78.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。79.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。80.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。81.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。82.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!