本發(fā)明涉及催化燃燒控制，具體涉及一種安全節(jié)能型有機(jī)廢氣凈化系統(tǒng)及控制方法。

背景技術(shù)：

1、在催化燃燒系統(tǒng)處理有機(jī)廢氣的過(guò)程中，對(duì)有機(jī)廢氣進(jìn)行恰當(dāng)加熱是確保高效凈化的關(guān)鍵環(huán)節(jié)。有機(jī)廢氣通常需被加熱至特定溫度，才能在催化劑作用下順利發(fā)生燃燒反應(yīng)，實(shí)現(xiàn)有害成分的分解轉(zhuǎn)化。然而，現(xiàn)有的有機(jī)廢氣加熱技術(shù)面臨著諸多嚴(yán)峻挑戰(zhàn)。

2、現(xiàn)有的加熱系統(tǒng)一般采用傳統(tǒng)加熱控制或者機(jī)理模型進(jìn)行控制；

3、其中傳統(tǒng)加熱系統(tǒng)難以實(shí)時(shí)、精準(zhǔn)地根據(jù)這些動(dòng)態(tài)參數(shù)調(diào)整加熱功率。當(dāng)進(jìn)氣流量增大或進(jìn)氣溫度降低時(shí)，若加熱器功率不足，廢氣無(wú)法被加熱到合適反應(yīng)溫度，導(dǎo)致凈化效率大幅下降；反之，若進(jìn)氣流量減小或進(jìn)氣溫度升高時(shí)，加熱器功率未能及時(shí)下調(diào)，不僅造成能源的極大浪費(fèi)，還可能因局部過(guò)熱引發(fā)安全事故，如設(shè)備損壞、火災(zāi)等。

4、而通過(guò)機(jī)理模型控制加熱功率，難以適應(yīng)復(fù)雜多變的實(shí)際工況。單一依靠固定模型計(jì)算加熱功率，無(wú)法充分考慮這些復(fù)雜因素，致使加熱效果不穩(wěn)定，難以滿足日益嚴(yán)格的環(huán)保和節(jié)能要求。

5、基于此，急需一種安全節(jié)能型有機(jī)廢氣凈化系統(tǒng)及控制方法，能夠解決現(xiàn)有技術(shù)中對(duì)催化燃燒系統(tǒng)所處理的有機(jī)廢氣加熱過(guò)程中的加熱控制精確度低、控制及時(shí)性差的問(wèn)題，從而實(shí)現(xiàn)對(duì)有機(jī)廢氣加熱控制的精準(zhǔn)化和高效化。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種安全節(jié)能型有機(jī)廢氣凈化系統(tǒng)及控制方法，能夠解決現(xiàn)有技術(shù)中對(duì)催化燃燒系統(tǒng)所處理的有機(jī)廢氣加熱過(guò)程中的加熱控制精確度低、控制及時(shí)性差的問(wèn)題，從而實(shí)現(xiàn)對(duì)有機(jī)廢氣加熱控制的精準(zhǔn)化和高效化。

2、為了達(dá)到上述目的，提供了一種安全節(jié)能型有機(jī)廢氣凈化系統(tǒng)，包括服務(wù)端；

3、所述服務(wù)端包括：

4、數(shù)據(jù)獲取模塊，用于實(shí)時(shí)采集催化燃燒系統(tǒng)中所對(duì)應(yīng)的有機(jī)廢氣所對(duì)應(yīng)的當(dāng)前進(jìn)氣流量、當(dāng)前進(jìn)氣溫度；

5、機(jī)理模型計(jì)算模塊，用于根據(jù)采集到的當(dāng)前進(jìn)氣流量，當(dāng)前進(jìn)氣溫度，基于預(yù)設(shè)的加熱基本參數(shù)以及預(yù)先構(gòu)建的加熱機(jī)理模型，輸出當(dāng)前時(shí)刻加熱器所需要的第一加熱功率；

6、控制模塊，用于根據(jù)當(dāng)前時(shí)刻加熱器所需要的第一加熱功率，控制加熱器按照第一加熱功率進(jìn)行工作；

7、ai修正模塊，用于在加熱器按照第一加熱功率進(jìn)行工作的過(guò)程中，獲取此時(shí)所對(duì)應(yīng)的當(dāng)前進(jìn)氣流量，當(dāng)前進(jìn)氣溫度，以及預(yù)設(shè)的加熱基本參數(shù)，基于預(yù)先構(gòu)建的ai功率修正模型，輸出此時(shí)加熱器所對(duì)應(yīng)的第一修正功率；

8、所述控制模塊，還用于根據(jù)第一加熱功率和第一修正功率，確定此時(shí)加熱器所對(duì)應(yīng)的第二加熱功率，并控制加熱器按照第二加熱功率進(jìn)行工作。

9、本方案的技術(shù)原理及效果：在本方案中，首先實(shí)時(shí)監(jiān)測(cè)催化燃燒系統(tǒng)中有機(jī)廢氣的當(dāng)前進(jìn)氣流量和當(dāng)前進(jìn)氣溫度，這些實(shí)時(shí)數(shù)據(jù)是整個(gè)系統(tǒng)進(jìn)行后續(xù)操作的基礎(chǔ)信息來(lái)源。通過(guò)對(duì)進(jìn)氣流量和溫度的持續(xù)采集，能夠準(zhǔn)確把握有機(jī)廢氣的實(shí)時(shí)狀態(tài)參數(shù)。

10、然后依據(jù)采集到的當(dāng)前進(jìn)氣流量和溫度，結(jié)合預(yù)設(shè)的加熱基本參數(shù)(如加熱器的規(guī)格參數(shù)、廢氣的初始物理化學(xué)性質(zhì)等)以及預(yù)先構(gòu)建的加熱機(jī)理模型(該模型可能基于熱傳遞、化學(xué)反應(yīng)動(dòng)力學(xué)等原理，描述了進(jìn)氣流量、溫度與所需加熱功率之間的內(nèi)在關(guān)系)，計(jì)算出當(dāng)前時(shí)刻加熱器所需的第一加熱功率。這一步驟是基于傳統(tǒng)的物理化學(xué)原理和預(yù)先設(shè)定的參數(shù)模型來(lái)初步確定加熱功率。

11、按照機(jī)理模型計(jì)算模塊輸出的第一加熱功率來(lái)控制加熱器工作，使加熱器以該功率對(duì)有機(jī)廢氣進(jìn)行加熱處理，以滿足催化燃燒對(duì)廢氣溫度的基本要求。

12、之后在加熱器按第一加熱功率工作過(guò)程中，再次獲取當(dāng)前的進(jìn)氣流量、溫度以及預(yù)設(shè)的加熱基本參數(shù)。基于預(yù)先構(gòu)建的ai功率修正模型(該模型可能是通過(guò)大量歷史數(shù)據(jù)訓(xùn)練得到的，能夠考慮到實(shí)際運(yùn)行中各種復(fù)雜因素對(duì)加熱功率的影響，如環(huán)境溫度波動(dòng)、設(shè)備老化等難以用傳統(tǒng)機(jī)理模型精確描述的因素)，輸出第一修正功率。這一步驟利用人工智能技術(shù)對(duì)基于傳統(tǒng)機(jī)理模型計(jì)算出的功率進(jìn)行修正，以適應(yīng)實(shí)際運(yùn)行中的復(fù)雜情況。

13、最后綜合第一加熱功率和第一修正功率，確定出更符合實(shí)際需求的第二加熱功率，并控制加熱器按此功率工作。通過(guò)這種方式，實(shí)現(xiàn)了對(duì)加熱器功率的動(dòng)態(tài)、精準(zhǔn)控制，使加熱過(guò)程更能適應(yīng)有機(jī)廢氣的實(shí)時(shí)變化。

14、在本方案中，通過(guò)加熱機(jī)理模型基于對(duì)加熱過(guò)程物理化學(xué)原理的深度剖析，將廢氣流量、溫度與加熱功率間復(fù)雜關(guān)系通過(guò)數(shù)學(xué)模型量化呈現(xiàn)。面對(duì)動(dòng)態(tài)變化的進(jìn)氣流量與溫度，能依據(jù)既定原理給出符合基礎(chǔ)加熱需求的功率值，初步解決傳統(tǒng)系統(tǒng)無(wú)法精準(zhǔn)響應(yīng)廢氣參數(shù)改變，導(dǎo)致加熱功率偏離實(shí)際需求，進(jìn)而凈化效率受影響的問(wèn)題，從基礎(chǔ)層面保障了加熱控制的精確度，實(shí)現(xiàn)對(duì)加熱器的加熱功率的初步控制。

15、在對(duì)加熱器進(jìn)行控制的過(guò)程中，持續(xù)獲取當(dāng)前進(jìn)氣流量、溫度及預(yù)設(shè)基本參數(shù)，通過(guò)預(yù)先構(gòu)建的ai功率修正模型輸出第一修正功率。能夠?qū)崟r(shí)分析實(shí)際運(yùn)行數(shù)據(jù)，捕捉復(fù)雜工況下被傳統(tǒng)機(jī)理模型忽略的細(xì)微因素及非線性關(guān)系。當(dāng)廢氣參數(shù)突變或工況復(fù)雜程度超出機(jī)理模型預(yù)設(shè)范圍時(shí)，能迅速調(diào)整功率修正值，與第一加熱功率結(jié)合得出第二加熱功率。這有效解決了傳統(tǒng)技術(shù)控制及時(shí)性差的問(wèn)題，使加熱功率能根據(jù)廢氣實(shí)時(shí)狀態(tài)動(dòng)態(tài)、及時(shí)優(yōu)化，實(shí)現(xiàn)精準(zhǔn)化和高效化的有機(jī)廢氣加熱控制，也就解決了現(xiàn)有技術(shù)中對(duì)催化燃燒系統(tǒng)所處理的有機(jī)廢氣加熱過(guò)程中的加熱控制精確度低、控制及時(shí)性差的問(wèn)題，從而實(shí)現(xiàn)對(duì)有機(jī)廢氣加熱控制的精準(zhǔn)化和高效化。

16、進(jìn)一步，所述服務(wù)端還包括：

17、歷史數(shù)據(jù)獲取模塊，用于對(duì)催化燃燒系統(tǒng)所對(duì)應(yīng)的有機(jī)廢氣所對(duì)應(yīng)的歷史加熱數(shù)據(jù)進(jìn)行采集，并將采集到的歷史加熱數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集；

18、所述歷史加熱數(shù)據(jù)包括歷史進(jìn)氣流量、歷史進(jìn)氣溫度、歷史加熱基本參數(shù)以及對(duì)應(yīng)的歷史加熱功率；

19、模型構(gòu)建模塊，用于構(gòu)建對(duì)應(yīng)的ai功率修正模型；

20、訓(xùn)練模塊，用于根據(jù)訓(xùn)練集中的歷史進(jìn)氣流量、歷史進(jìn)氣溫度以及歷史加熱基本參數(shù)作為輸入數(shù)據(jù)輸入到構(gòu)建的ai功率修正模型中，輸出對(duì)應(yīng)的訓(xùn)練預(yù)測(cè)功率，基于訓(xùn)練預(yù)測(cè)功率、訓(xùn)練集所對(duì)應(yīng)的歷史加熱功率以及預(yù)設(shè)的模型訓(xùn)練策略，對(duì)ai功率修正模型進(jìn)行訓(xùn)練，并輸出訓(xùn)練完成的ai功率修正模型；

21、驗(yàn)證模塊，用于將驗(yàn)證集中的歷史進(jìn)氣流量、歷史進(jìn)氣溫度以及歷史加熱基本參數(shù)輸入到訓(xùn)練完成的ai功率修正模型中，輸出對(duì)應(yīng)的驗(yàn)證預(yù)測(cè)功率，并根據(jù)驗(yàn)證預(yù)測(cè)功率和驗(yàn)證集中的歷史加熱功率，基于預(yù)設(shè)的模型驗(yàn)證策略，判斷對(duì)應(yīng)的訓(xùn)練完成的ai功率修正模型是否為可行模型，若是，則輸出對(duì)應(yīng)的ai功率修正模型，反之，則重新執(zhí)行訓(xùn)練模塊。

22、有益效果：采集豐富的歷史加熱數(shù)據(jù)，并將其劃分為訓(xùn)練集和驗(yàn)證集，為后續(xù)模型訓(xùn)練和驗(yàn)證提供了充足且科學(xué)的數(shù)據(jù)基礎(chǔ)。利用訓(xùn)練集數(shù)據(jù)對(duì)ai功率修正模型進(jìn)行反復(fù)訓(xùn)練，通過(guò)對(duì)比訓(xùn)練預(yù)測(cè)功率和歷史加熱功率，依據(jù)預(yù)設(shè)模型訓(xùn)練策略不斷優(yōu)化模型參數(shù)。驗(yàn)證模塊則進(jìn)一步使用驗(yàn)證集數(shù)據(jù)檢驗(yàn)訓(xùn)練完成的模型，根據(jù)驗(yàn)證預(yù)測(cè)功率和驗(yàn)證集中歷史加熱功率，按照預(yù)設(shè)模型驗(yàn)證策略判斷模型可行性。這種嚴(yán)謹(jǐn)?shù)挠?xùn)練和驗(yàn)證流程，能夠有效提高ai功率修正模型對(duì)加熱功率預(yù)測(cè)的準(zhǔn)確性，使其能更精準(zhǔn)地對(duì)機(jī)理模型計(jì)算出的加熱功率進(jìn)行修正，從而提升整個(gè)凈化系統(tǒng)的性能。

23、進(jìn)一步，所述預(yù)設(shè)的模型訓(xùn)練策略為：

24、s10、根據(jù)構(gòu)建的ai功率修正模型，確定模型所對(duì)應(yīng)的各個(gè)超參數(shù)以及各個(gè)超參數(shù)各自所對(duì)應(yīng)的取值區(qū)間；

25、s20、根據(jù)各個(gè)超參數(shù)各自所對(duì)應(yīng)的取值區(qū)間，隨機(jī)生產(chǎn)若干個(gè)超參數(shù)組，形成各個(gè)超參數(shù)組所對(duì)應(yīng)的ai功率修正模型；

26、s30、將訓(xùn)練集中的歷史進(jìn)氣流量、歷史進(jìn)氣溫度以及歷史加熱基本參數(shù)作為輸入數(shù)據(jù)，輸入到各個(gè)超參數(shù)組所對(duì)應(yīng)的ai功率修正模型中，輸出各個(gè)超參數(shù)組所對(duì)應(yīng)的訓(xùn)練預(yù)測(cè)功率；

27、s40、根據(jù)各個(gè)超參數(shù)組所對(duì)應(yīng)的訓(xùn)練預(yù)測(cè)功率，以及訓(xùn)練集中歷史進(jìn)氣流量、歷史進(jìn)氣溫度以及歷史加熱基本參數(shù)所對(duì)應(yīng)的歷史加熱功率，基于預(yù)設(shè)的損失值計(jì)算公式，計(jì)算出各個(gè)超參數(shù)組所對(duì)應(yīng)的ai功率修正模型所對(duì)應(yīng)的損失值；

28、所述預(yù)設(shè)的損失值計(jì)算公式為：

29、

30、式中，l為某一超參數(shù)組所對(duì)應(yīng)的損失值，pi為歷史加熱功率，為訓(xùn)練預(yù)測(cè)功率，w1為對(duì)應(yīng)的第i個(gè)樣本所對(duì)應(yīng)的加權(quán)系數(shù)，λ1，λ2為正則化系數(shù)，θj為模型的第j個(gè)參數(shù)，m為模型的參數(shù)數(shù)量，n為樣本總數(shù)量；

31、s50、根據(jù)各個(gè)超參數(shù)組各自所對(duì)應(yīng)的損失值，選取損失值小于或者等于預(yù)設(shè)第一損失閾值的超參數(shù)組，形成對(duì)應(yīng)的第一超參數(shù)組集合；

32、s60、根據(jù)第一超參數(shù)組集合中的各個(gè)超參數(shù)組，給每一個(gè)超參數(shù)組中的各個(gè)超參數(shù)隨機(jī)設(shè)置一個(gè)0到1的隨機(jī)數(shù)，在預(yù)設(shè)變化時(shí)間段內(nèi)，對(duì)各個(gè)隨機(jī)數(shù)按照預(yù)設(shè)變化頻率進(jìn)行改變；判斷當(dāng)前時(shí)刻下所對(duì)應(yīng)的隨機(jī)數(shù)是否大于預(yù)設(shè)隨機(jī)閾值，若否，則該隨機(jī)數(shù)據(jù)所對(duì)應(yīng)的超參數(shù)不進(jìn)行更換；若是，則當(dāng)前時(shí)刻下所對(duì)應(yīng)的隨機(jī)數(shù)所對(duì)應(yīng)的超參數(shù)貼上第一標(biāo)簽，并判斷當(dāng)前時(shí)刻下是否存在相同類(lèi)型的超參數(shù)也被貼上第一標(biāo)簽，若是，則將當(dāng)前時(shí)刻貼上第一變器的相同類(lèi)型的超參數(shù)進(jìn)行隨機(jī)交換，并形成當(dāng)前時(shí)刻所對(duì)應(yīng)的各個(gè)超參數(shù)組，直到達(dá)到預(yù)設(shè)變化時(shí)間后，輸出更新后的第二超參數(shù)組集合，并重新s30，直到達(dá)到預(yù)設(shè)迭代次數(shù)，輸出最終所對(duì)應(yīng)的各個(gè)超參數(shù)組；

33、s70、根據(jù)輸出的最終所對(duì)應(yīng)的超參數(shù)組，隨機(jī)選取一個(gè)超參數(shù)組，輸出該超參數(shù)組所對(duì)應(yīng)的ai功率修正模型作為訓(xùn)練完成的ai功率修正模型。

34、有益效果：步驟s10到s20通過(guò)確定ai功率修正模型超參數(shù)及其取值區(qū)間，并隨機(jī)生成多個(gè)超參數(shù)組，能全面探索超參數(shù)空間。不同超參數(shù)組合會(huì)影響模型的學(xué)習(xí)能力和泛化性能，這種廣泛的探索有助于找到更優(yōu)的超參數(shù)配置，使模型更好地?cái)M合訓(xùn)練數(shù)據(jù)，從而提高對(duì)加熱功率預(yù)測(cè)的準(zhǔn)確性，提升凈化系統(tǒng)性能。

35、步驟s30到s50利用預(yù)設(shè)損失值計(jì)算公式計(jì)算每個(gè)超參數(shù)組對(duì)應(yīng)模型的損失值，并篩選損失值小于等于預(yù)設(shè)第一損失閾值的超參數(shù)組，組成第一超參數(shù)組集合。這一過(guò)程能有效評(píng)估模型對(duì)訓(xùn)練數(shù)據(jù)的擬合程度，保留表現(xiàn)較好的超參數(shù)組。損失值綜合考慮了預(yù)測(cè)功率與歷史加熱功率的誤差、模型參數(shù)的正則化，能防止模型過(guò)擬合，確保模型不僅在訓(xùn)練集上表現(xiàn)良好，在實(shí)際應(yīng)用中也具有較高的精度和可靠性，為凈化系統(tǒng)提供更準(zhǔn)確的功率修正依據(jù)。

36、步驟s60通過(guò)對(duì)第一超參數(shù)組集合中的超參數(shù)進(jìn)行隨機(jī)調(diào)整，為模型提供了跳出局部最優(yōu)的機(jī)會(huì)。在預(yù)設(shè)變化時(shí)間段內(nèi)，按預(yù)設(shè)頻率改變隨機(jī)數(shù)，當(dāng)隨機(jī)數(shù)大于預(yù)設(shè)隨機(jī)閾值時(shí)，對(duì)相應(yīng)超參數(shù)進(jìn)行操作，這就如同在模型的參數(shù)空間中進(jìn)行了一次“隨機(jī)跳躍”。例如，若模型在某一局部最優(yōu)解附近徘徊，通過(guò)改變超參數(shù)的值，模型的訓(xùn)練方向會(huì)發(fā)生改變，可能會(huì)探索到新的、更優(yōu)的參數(shù)區(qū)域，從而提升模型性能。

37、當(dāng)判斷當(dāng)前時(shí)刻下存在相同類(lèi)型的超參數(shù)都被貼上第一標(biāo)簽時(shí)，將這些超參數(shù)進(jìn)行隨機(jī)交換，這一操作能夠挖掘不同超參數(shù)之間的協(xié)同作用。不同超參數(shù)在模型中往往相互影響，通過(guò)隨機(jī)交換相同類(lèi)型的超參數(shù)，可以嘗試不同的參數(shù)組合方式，找到那些能夠相互配合、提升模型性能的超參數(shù)搭配。

38、隨著時(shí)間推移，按照預(yù)設(shè)規(guī)則不斷對(duì)超參數(shù)進(jìn)行調(diào)整，模型能夠持續(xù)學(xué)習(xí)和適應(yīng)不同的訓(xùn)練情況。每一次調(diào)整都是對(duì)模型參數(shù)空間的一次探索，隨著迭代次數(shù)增加，模型逐漸收斂到更優(yōu)的參數(shù)配置。這種持續(xù)優(yōu)化的過(guò)程使得模型能夠更好地適應(yīng)有機(jī)廢氣處理過(guò)程中復(fù)雜多變的工況，如廢氣流量和溫度的不規(guī)則波動(dòng)。使得模型在訓(xùn)練過(guò)程中接觸到更多樣化的超參數(shù)組合，這有助于增強(qiáng)模型的泛化能力。模型不再局限于特定的超參數(shù)設(shè)置，而是學(xué)會(huì)了在不同參數(shù)條件下進(jìn)行學(xué)習(xí)和預(yù)測(cè)。

39、進(jìn)一步，所述s60中預(yù)設(shè)變化時(shí)間段以及變化頻率是基于預(yù)設(shè)的動(dòng)態(tài)變化策略進(jìn)行動(dòng)態(tài)調(diào)整的；

40、所述預(yù)設(shè)的動(dòng)態(tài)變化策略為：

41、當(dāng)本次迭代次數(shù)小于第一迭代閾值時(shí)，采用第一時(shí)間段作為對(duì)應(yīng)的預(yù)設(shè)變化時(shí)間段，且對(duì)應(yīng)的變化頻率為第一頻率；

42、當(dāng)本次迭代次數(shù)大于等于第一迭代閾值且小于第二迭代閾值時(shí)，基于預(yù)設(shè)的時(shí)間段和頻率變化計(jì)算公式，計(jì)算出本次迭代所對(duì)應(yīng)的預(yù)設(shè)變化時(shí)間段以及變化頻率；

43、所述預(yù)設(shè)的時(shí)間段和頻率變化計(jì)算公式為：

44、

45、式中，t(n)為本次迭代所對(duì)應(yīng)的預(yù)設(shè)變化時(shí)間段，n為本次迭代次數(shù)，n1為第一迭代閾值，n2為第二迭代閾值，t1為第一時(shí)間段，f1為第一頻率；

46、當(dāng)本次迭代次數(shù)大于第二迭代閾值時(shí)，采用第二時(shí)間段作為對(duì)應(yīng)的預(yù)設(shè)變化時(shí)間段，且對(duì)應(yīng)的變化頻率為第二頻率；其中第一時(shí)間段大于第二時(shí)間段，第一頻率大于第二頻率。

47、有益效果：在模型訓(xùn)練初期，即本次迭代次數(shù)小于第一迭代閾值時(shí)，采用較長(zhǎng)的第一時(shí)間段和較高的第一頻率。較長(zhǎng)的時(shí)間段為超參數(shù)充分探索參數(shù)空間提供了時(shí)間保障，而較高的頻率能夠讓模型更快地嘗試不同的超參數(shù)組合，從而在訓(xùn)練前期快速尋找潛在的較優(yōu)參數(shù)區(qū)域，加速模型收斂。

48、當(dāng)?shù)螖?shù)處于第一迭代閾值和第二迭代閾值之間時(shí)，通過(guò)預(yù)設(shè)的時(shí)間段和頻率變化計(jì)算公式動(dòng)態(tài)調(diào)整。隨著迭代次數(shù)增加，預(yù)設(shè)變化時(shí)間段逐漸縮短，變化頻率逐漸降低。這是因?yàn)殡S著訓(xùn)練推進(jìn)，模型已經(jīng)初步探索到一些較優(yōu)參數(shù)區(qū)域，此時(shí)需要減少超參數(shù)的劇烈變動(dòng)，更多地聚焦于在已探索區(qū)域內(nèi)進(jìn)行微調(diào)，以實(shí)現(xiàn)模型的精確收斂。

49、當(dāng)?shù)螖?shù)大于第二迭代閾值時(shí)，采用較短的第二時(shí)間段和較低的第二頻率。此時(shí)模型已接近收斂狀態(tài)，較短的時(shí)間段和較低的頻率能夠防止超參數(shù)的過(guò)度調(diào)整破壞已經(jīng)優(yōu)化好的模型結(jié)構(gòu)，確保模型在穩(wěn)定的參數(shù)配置下繼續(xù)微調(diào)，進(jìn)一步提升模型性能。

50、進(jìn)一步，所述預(yù)設(shè)的模型驗(yàn)證策略為：

51、根據(jù)驗(yàn)證預(yù)測(cè)功率和驗(yàn)證集中的歷史加熱功率，基于預(yù)設(shè)的驗(yàn)證誤差值計(jì)算公式，計(jì)算出訓(xùn)練完成的ai功率修正模型所對(duì)應(yīng)的驗(yàn)證誤差值；

52、所述預(yù)設(shè)的驗(yàn)證誤差值計(jì)算公式為：

53、

54、式中，e為訓(xùn)練完成的ai功率修正模型所對(duì)應(yīng)的驗(yàn)證誤差值，k為驗(yàn)證集中所對(duì)應(yīng)的數(shù)據(jù)總量，p1j為驗(yàn)證集中的第j個(gè)歷史加熱功率，為驗(yàn)證集中的第j個(gè)歷史加熱功率所對(duì)應(yīng)的驗(yàn)證預(yù)測(cè)功率，σ為驗(yàn)證集中各個(gè)歷史加熱功率所對(duì)應(yīng)的驗(yàn)證預(yù)測(cè)功率的數(shù)據(jù)標(biāo)準(zhǔn)差，n為模型所對(duì)應(yīng)的模型參數(shù)數(shù)量；α為對(duì)應(yīng)的加權(quán)系數(shù)；

55、判斷對(duì)應(yīng)訓(xùn)練完成的ai功率修正模型所對(duì)應(yīng)的驗(yàn)證誤差值是否小于預(yù)設(shè)誤差閾值，若是，則輸出對(duì)應(yīng)的ai功率修正模型，反之，則重新執(zhí)行訓(xùn)練模塊。

56、有益效果：通過(guò)預(yù)設(shè)的驗(yàn)證誤差值計(jì)算公式全面考量模型預(yù)測(cè)結(jié)果與實(shí)際歷史加熱功率的偏差。公式中的第一項(xiàng)反映了預(yù)測(cè)功率與真實(shí)功率的直接誤差平方均值，直觀體現(xiàn)模型預(yù)測(cè)的準(zhǔn)確性；第二項(xiàng)結(jié)合模型參數(shù)數(shù)量、預(yù)測(cè)功率的數(shù)據(jù)標(biāo)準(zhǔn)差，考慮了模型的復(fù)雜度以及預(yù)測(cè)結(jié)果的離散程度。加權(quán)系數(shù)可靈活調(diào)整這兩部分因素在評(píng)估中的比重，使驗(yàn)證誤差值能精準(zhǔn)反映模型在不同應(yīng)用場(chǎng)景下的性能。

57、本發(fā)明還提供了一種安全節(jié)能型有機(jī)廢氣凈化控制方法，使用上述的一種安全節(jié)能型有機(jī)廢氣凈化系統(tǒng)。