一种涂装车间环境质量预测方法及预测模型建立方法与流程

1.本发明属于环境监测技术领域，涉及一种涂装车间环境质量判断技术，具体涉及一种涂装车间环境质量预测方法及预测模型建立方法。


背景技术：

2.涂装车间内产生的污染是整个工业建造过程中产生污染最为严重的阶段之一，具有污染普遍性和排放多样性等特征。其中最主要的是大气污染物，如挥发性有机物(vocs)。挥发性有机物可以在多方面对人体健康造成危害，例如某些具有刺激性气味的vocs可使人头痛、恶心，部分vocs，例如甲苯、苯等具有致癌性，会对人体健康造成严重的威胁。vocs不仅在多方面危害人体健康，也对大气环境造成了严重的负面影响。工业涂装会产生过喷漆雾，并且涂装产生的vocs是形成颗粒物的重要前置污染物，是导致颗粒物形成的来源之一。vocs和大气中的氮氧化合物在光的作用下发生化学反应生成光化学氧化剂，生成具有氧化性的光化学烟雾，例如臭氧、过氧硝基酰等物质，同时vocs也能够参与形成二次溶胶，增加雾霾天气出现的机率。
3.在涂装过程中，vocs的排放主要源于各种涂漆与干燥固化工序，此外涂料的运输、存储、调配过程中也会有少量vocs无组织逸散。以喷涂为例，在喷涂过程中附着在工件表面的涂料挥发出vocs气体，同时喷涂时形成的过喷漆雾中也会挥发出vocs气体。在干燥固化过程中，工件上涂料中的溶剂都会以vocs气体的形式挥发到空气中。例如，以一艘30万吨超大型油轮为例如果压载舱使用72％高固体分底漆，全船压载舱通用底漆理论用量约为16.7万升，产生的vocs为43吨。因此需要对涂装过程中的挥发性有机物(vocs)进行监控预测，对相关涂装企业的安全运行以及操作人员的身心健康具有重要意义。
4.现有技术中，vocs浓度现场监测方法还不太成熟，一方面，在实验室阶段运用的比较成熟的方法是气相色谱分析法，虽然该项技术在检测vocs的成分和浓度方面准确率非常高，但操作过程复杂、耗时长，等得到检测结果时，已经过去较长时间，无法进行实时监测，且对操作人员的专业水平要求较高，因此不能实现涂装车间内vocs浓度的实时精确监测。另一方面，气相色谱仪比较贵，而涂装车间内不同监测点实际能够监测到的vocs浓度差异较大，不能反应整体涂装车间内vocs水平，也就是说难以有效评估对生产人员的影响。再者，涂装车间的vocs浓度主要受两个大因素影响，一个是涂装速度，另一个是通风速度；一般来说最优控制水平是根据涂装车间内vocs浓度水平来控制通风速度，设计出通风量自适应控制系统，这样既不浪费能源，又能控制涂装车间在安全生产；然而涂装车间内综合vocs浓度实时监测成为设计自适应通风系统的技术瓶颈。
5.因此利用气相色谱法在其他工作条件保持正常的前提下检测不同环境下车间内固定采样点的vocs浓度，分析其中的规律后建立vocs浓度随环境变化的预测模型显得极为重要。
6.专利cn103884780a公开了家具油漆车间voc浓度的建模和预测方法，在家具油漆涂饰车间，根据油漆车间涂饰工序布置特点设置若干个浓度采样点，获得车间内voc浓度较
高的测试点；在选取的浓度较高的测试点用塔尺设置多个高度采样，获得该点同一时刻不同高度的voc浓度；获取采样时间内的采样温度、湿度、气压、喷漆量四个参数；根据温度、湿度、气压、喷漆量对voc浓度影响建立voc浓度高度预测模型。voc浓度高度预测模型具体方式为利用spss数据处理软件的逐步回归，排除相关性不大的因子，建立多元线性方程，利用已知测量数据求解多元线性方程的参数，得到voc浓度高度预测模型；在求解过程中，因为因变量和自变量之间表面上并不存在明显的线性关系，因此将公式两边取自然对数，然后进行线性回归，无论是否变换，实际上该技术中仅考虑因变量和自变量之间的线性关系；虽然该模型在一定程度上能够预测，但实际上因为仅考虑线性关系，使得模型预测精度比较差。


技术实现要素：

7.本发明的目的在于提供一种涂装车间环境质量预测方法及预测模型建立方法，根据获得的大量涂装车间环境监测数据的基础上，通过多元线性回归分析方法，研究了涂装车间内挥发性有机物(vocs)与喷漆时间、喷涂距离、空气流速之间的关系，尝试建立环境质量预测模型，保证相关涂装企业的安全低耗运行以及操作人员的身心健康。
8.本发明为实现上述目的所采用的技术方案如下：
9.一方面，本发明提供一种涂装车间环境质量预测模型建立方法，包括以下步骤：
10.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；
11.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；
12.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；
13.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；
14.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：
15.步骤5.1、建立用于初次预测的多元线性回归模型如下：
16.f(x)＝b+ω1x1+ω2x2+
…
+ωmxm+ε公式一
17.其中：b是常量；f(x)表示挥发性有机物浓度；xm表示第m个自变量，m取值为1-k的正整数；ωm表示第m个自变量的偏回归系数，ε为常数项；
18.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；
19.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。
20.作为优选技术方案，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。
21.作为优选技术方案，步骤2中，防爆集成监测点位的数量n为2～8个。
22.作为优选技术方案，涂装所用涂料为溶剂型涂料。
23.作为优选技术方案，步骤3中，整理数据后将数据进行归一化处理使用。
24.作为优选技术方案，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：
[0025][0026]
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βi，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。
[0027]
作为优选技术方案，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。
[0028]
作为优选技术方案，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。
[0029]
另一方面，本发明提供一种涂装车间环境质量预测方法，采用上述任意一项方法建立的多元线性回归-神经网络组合模型，包括以下步骤：
[0030]
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；
[0031]
检查数据是否存在异常针对异常数据进行剔除或补充；
[0032]
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。
[0033]
本发明的有益效果：
[0034]
(1)本发明在多个集成监测点监测数据的基础上，建立了针对溶剂型油漆的挥发性有机物(vocs)浓度与喷漆时间、喷涂距离、和空气流速组合分析模型。拟合模型精度高，能够较好的反映喷漆时间、喷涂距离和空气流速对挥发性有机物(vocs)的影响，为涂装车间污染物监测排放提供一定的依据。
[0035]
(2)利用本发明的预测模型可以满足安全生产管理需求，提高涂装车间管理者对于事故的反应能力与处理能力，并且可以将预测模型与车间控制系统相结合，在污染物即将超标的时候，智能控制车间除尘排风装置与有机气体净化装置，及时控制车间内污染物水平，保障车间操作人员在高危害环境工作下身心健康。
附图说明
[0036]
图1为多元线性回归-神经网络组合模型原理图。
[0037]
图2为多元线性回归-神经网络组合模型构建流程。
[0038]
图3为喷漆时间对vocs浓度的影响。
[0039]
图4为喷漆距离vocs浓度的影响。
[0040]
图5为空气流速对vocs浓度的影响。
[0041]
图6为水平距离喷口1m处甲苯传感器测得vocs浓度的分布图。
[0042]
图7为水平距离喷口1m处二甲苯传感器测得vocs浓度的分布图。
具体实施方式
[0043]
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
[0044]
如图2所示，本发明提供一种涂装车间环境质量预测模型建立方法，具体步骤如下：
[0045]
s1、参数选取，选取挥发性有机物浓度(vocs)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；
[0046]
s2、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；所述涂装工艺参数至少包括油漆种类、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。
[0047]
本发明选取涂装工艺房两个集成监测点为测试对象，防爆集成监控设备测试所用传感器如表1所示。
[0048]
表1测试选用传感器
[0049][0050]
s3、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，并将数据进行归一化处理；
[0051]
s4、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(k＝3)个自变量用于建立预测模型；具体如下：
[0052]
第一步：对挥发性有机物(vocs)浓度随喷漆时间、喷涂距离以及空气流速分别做散点图观察分布趋势，如图2-图5所示；
[0053]
第二步：通过逐步回归方法筛选模型变量，选取挥发性有机物浓度为因变量，喷漆时间、喷涂距离以及空气流速等为自变量，结果如下表所示；
[0054]
表2分析模型变量表
[0055]
[0056][0057]
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：
[0058]
步骤5.1、建立用于初次预测的多元线性回归模型如下：
[0059]
f(x)＝b+ω1x1+ω2x2+
…
+ωmxm+ε
ꢀꢀꢀꢀ
公式一
[0060]
其中：b是常量，当x1，x2，
…
xm均为0时，这个常量表示f(x)的值，称为截距；f(x)表示挥发性有机物浓度；xm表示第m个自变量，m取值为1-k的正整数；ωm表示第m个自变量的偏回归系数，ω
t
＝(ω1，ω2，
…
ωm)为偏回归系数矩阵；ε为常数项，是去除所有自变量对模型影响后产生的随机误差，又被称为残差；
[0061]
对拟合后的多元线性回归模型进行相关系数检验以及t检验，如表3、表4所示：
[0062]
表3相关系数检验
[0063]
rr2sig岭回归系数0.7640.7820.0000.1
[0064]
表4t检验
[0065]
模型非标准化系数标准化系数t显著意义常量398.212-6.9720.00喷漆时间17.386-0.6492.9810.00喷涂距离-19.733-0.5574.8510.00空气流速-32.142-0.285-9.2150.00
[0066]
第五步：根据上述检验，可得到一下模型：
[0067]
f(x)＝17.386x
1-19.733x
2-32.142x3+189.75
[0068]
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；本实施例中，输入样本为多元线性回归模型拟合值、喷漆时间、喷涂距离以及空气流速；
[0069]
步骤5.3、建立神经网络模型，如图1所示，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。
[0070]
本实施例中，bp神经网络作为神经网络模型，选取多元线性回归模型拟合值、喷漆时间、喷涂距离以及空气流速作为组合模型输入层神经元，输出层神经元为挥发性有机物浓度，隐藏层神经元个数为9个，中间层层数为1；选取组合模型激活函数为sigmoid，损失函数为均方误差损失函数，优化器函数为adamoptimizer函数，学习率为0.01。
[0071]
对多元线性回归-神经网络组合模型进行对比分析，如表5所示：
[0072]
表5结果分析
[0073]
序号实际值模拟值相对误差工况1247.3220.819.91％工况282.987.165.14％工况3114.2123.418.07％
[0074]
多元线性回归模型可解释性好，计算复杂度低，但是模型拟合效果相对较弱，非线性神经网络模型拟合性强，但是模型容易产生过拟合，计算复杂程度高。本发明综合线性与非线性模型，将多元线性回归模型拟合结果以及自变量同时作为神经网络模型的输入层神经元，按照神经网络模型构建步骤进行拟合，得到多元线性回归-神经网络组合模型，达到最佳拟合结果。
[0075]
得到多元线性回归-神经网络组合模型后即可进行涂装车间环境质量预测，具体方法如下：
[0076]
在涂装间内设置n个监测点位，每个监测点位安装一台防爆集成监控设备，用于监测环境参数，当然，对于上述实施例建立的多元线性回归-神经网络组合模型来说，环境参数只有空气流速，因此防爆集成监控设备至少需要安装风向风速传感器，至于其他传感器可以根据需要判断是否需要安装；至少记录喷涂时间和喷涂距离两个涂装工艺参数；将空气流速、喷涂时间和喷涂距离一起组成数据采集样本，每个监控定位为一个数据样本，每间隔一段时间完成一次数据采集；
[0077]
对于n个监测点位采集的数据进行检查，对异常数据进行剔除或补充，得到n个样本；
[0078]
将处理过的n个样本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，取平均值，即为当前涂装车间挥发性有机物浓度的平均水平。
[0079]
基于上述预测方法设计的算法封装在控制器内配合防爆集成监控设备，即构成涂装车间环境质量预测系统，可以成套生产，进行市场化出售。
[0080]
本发明运用多元线性回归方法，在多个集成监测点监测数据的基础上。建立了针对溶剂型油漆的挥发性有机物(vocs)浓度与喷漆时间、喷涂距离、和空气流速回归分析模型。拟合模型精度高，公式清晰简洁，能够较好的反映喷漆时间、喷涂距离和空气流速对挥发性有机物(vocs)的影响，为涂装车间污染物监测排放提供一定的依据。
[0081]
利用本发明的预测模型可以满足安全生产管理需求，提高涂装车间管理者对于事故的反应能力与处理能力，并且可以将预测模型与车间控制系统相结合，在污染物即将超标的时候，智能控制车间除尘排风装置与有机气体净化装置，及时控制车间内污染物水平，保障车间操作人员在高危害环境工作下身心健康。
[0082]
以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

技术特征：
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
m
x
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。

技术总结
本发明公开了一种涂装车间环境质量预测方法及预测模型建立方法，本发明选取挥发性有机物浓度为涂装车间环境质量参考指标，选取挥发性有机物浓度为因变量，喷漆时间、喷涂距离、空气流速为自变量，建立涂装车间环境质量的多元线性回归模型，建立神经网络模型，将多元回归模型的拟合值与自变量一起作为神经网络模型的输入，构建多元线性回归-神经网络组合模型，根据涂装工况，利用组合模型对预测车间内空气质量，当涂装车间内挥发性有机物浓度达到一定的阈值，即需要进行报警以及强制通风。本发明通过涂装车间环境质量预测模型能够准确快速计算车间内挥发性有机物浓度，从而及时调整通风量，保护施工人员，节约能耗。节约能耗。节约能耗。


技术研发人员：贾丹 马利欣 段海涛 韩立新 詹胜鹏 杨田 章武林 金义杰
受保护的技术使用者：武汉材料保护研究所有限公司
技术研发日：2023.04.04
技术公布日：2023/8/24