本发明实施例涉及火化设备领域，更具体地，涉及一种火化设备风机系统控制方法及系统。
背景技术：
：火化机的生产是从50年代末60年代初仿造捷式火化机开始的，此后，在捷式火化机的基础上，农机齿轮厂研制出chl-2型火化机，逐步推广使用。这种火化机燃烧无控制，烟尘排放污染严重；燃烧空间过大，燃油量消耗较大；全部手工操作，工人体力消耗较大。20世纪90年代后，火化技术研究、设备制造进入了蓬勃发展时期。燃烧技术、污染处理技术、计算机技术、自动化控制技术等在火化设备上得到广泛应用。进入21世纪之后，随着自动控制技术的日渐成熟，并且在工业控制上得到的全面的应用，火化设备的自动控制技术却相对落后，火化设备的自动化、智能化控制亟待提高。现有技术中，对火化设备的风机系统通常采用人工基于经验进行控制的方式。例如，在风机系统中的引风控制系统中，主要是在引风机满负荷运转的条件下，通过人工调节排烟口闸板的开度大小来控制引风量，但这种控制方式一方面由于机械结构的频繁动作会引起设备磨损老旧程度加快，另一方面由于引风机始终处于满负荷运转状态会导致不必要的电能浪费。因此，现有技术中的人工控制方式不仅需要大量的人力，且人工基于经验控制不能准确控制风机系统，从而不能对电能、燃料进行有效利用，造成了资源的浪费；在人工控制的过程中，焚烧的环境也会对工人身体健康造成损害。技术实现要素：为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的火化设备风机系统控制方法及系统。根据本发明实施例的第一方面，提供一种火化设备风机系统的控制方法，该方法包括：将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的；根据炉膛参数对火化设备的风机系统进行控制。根据本发明实施例第二方面，提供了一种火化设备风机系统的控制系统，该系统包括：预测模块，用于将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的；控制模块，用于根据炉膛参数对火化设备的风机系统进行控制。根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的火化设备风机系统的控制方法。根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的火化设备风机系统的控制方法。本发明实施例提供的火化设备风机系统的控制方法及系统，通过将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；并根据炉膛参数对火化设备的风机系统进行控制。一方面通过神经网络进行建模能够表示焚烧过程中风机系统参数及炉膛参数之间复杂的变化趋势，另一方面能够基于炉膛参数对风机系统进行自动化准确控制，相比于人工基于经验控制的方式节约资源和人力，并减少了环境对工人身体的伤害。附图说明图1为本发明实施例提供的火化设备风机系统的控制方法的流程示意图；图2为本发明实施例提供的焚化炉的结构示意图；图3为本发明实施例提供的隐含层结点数为5时压力-时间图；图4为本发明实施例提供的隐含层结点数为5时训练误差-步数图；图5为本发明实施例提供的隐含层结点数为10时压力-时间图；图6为本发明实施例提供的隐含层结点数为10时训练误差-步数图；图7为本发明实施例提供的隐含层结点数为15时压力-时间图；图8为本发明实施例提供的隐含层结点数为15时训练误差-步数图；图9为本发明实施例提供的隐含层结点数为20时压力-时间图；图10为本发明实施例提供的隐含层结点数为20时训练误差-步数图；图11为本发明实施例提供的隐含层结点数为25时压力-时间图；图12为本发明实施例提供的隐含层结点数为25时训练误差-步数图；图13为本发明实施例提供的隐含层结点数为30时压力-时间图；图14为本发明实施例提供的隐含层结点数为30时训练误差-步数图；图15为本发明实施例提供的异步电机在不同频率下的转矩-转速曲线与鼓风机负载线；图16为本发明实施例提供的风机转速与频率关系图；图17为本发明实施例提供的温度随鼓风风量变化图；图18为本发明实施例提供的压力随鼓风风量变化图；图19为本发明实施例提供的氧含量随鼓风风量变化图；图20为本发明实施例提供的异步电机在不同频率下的转矩-转速曲线与引风机负载线；图21为本发明实施例提供的风机转速与频率关系图；图22为本发明实施例提供的温度随引风风量变化图；图23为本发明实施例提供的压力随引风风量变化图；图24为本发明实施例提供的含氧量随引风风量变化图；图25为本发明实施例提供的温度随时间变化图；图26为本发明实施例提供的压力随时间变化图；图27为本发明实施例提供的含氧量随时间变化图；图28为本发明实施例的火化设备风机系统的控制系统的结构示意图；图29为本发明实施例提供的电子设备的实体结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。目前能源紧缺与环境污染是困扰人类的两大世界性的难题。随着经济的快速发展和人们环境保护意识的增强，解决这两方面的问题也开始提上日程。规划提出了“节能减排”这一概念已经过了将近十年的实际，而目前节能减排形势依然很严峻。这些都对火化机也提出了新的要求：减少环境污染、提高资源利用率、实现自动控制。目前火化机存在的环境污染问题、炉型优化问题、自动控制问题等将是今后重点的研究方向。相应的研究成果却没有能在现有设备上进行应用，人工控制依然为主要的控制手段，这不仅会浪费人力且火化过程中对电能、燃料无法有效利用，造成资源的白白流失，在火化过程中还会产生以二噁英为代表的有害气体，因此这些问题仍需要进一步研究，力求将火化控制实现自动化以节约资源、人力并减少对环境与工人身体的伤害。针对现有技术中存在的上述问题，本发明实施例提供一种火化设备风机系统的控制方法，可利用该方法对火化设备中的风机系统进行调控或控制。参见图1，该方法包括：101、将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的。其中，参见图2，对火化设备的焚烧过程进行说明：火化设备主要包括鼓风机系统、引风机系统、炉膛、燃油系统、尾气处理系统等部分。本发明实施例中的风机系统包括上述鼓风机系统和引风机系统。其中，鼓风机系统主要包括变频器、异步电机、风机和通风管道等。鼓风机的作用是将助燃风鼓入炉膛内，为燃烧提供氧气。将设置的工作频率输入给变频器，变频器为异步电机提供工作所需的电压，控制异步电机在不同频率下工作。异步电机带动鼓风机工作，向炉膛内鼓入助燃风。通过改变输入频率就能改变异步电机的转速，进而改变鼓风风量的大小。鼓风机工作的目的就是为燃烧提供氧气，所以鼓风量的大小会影响炉膛内含氧量这一点毋庸置疑；含氧量改变后影响了燃烧的剧烈程度，温度会随之改变；而且鼓入的助燃风与炉内温度有一定差异，与炉膛内空气混合后温度也会发生变化；而向近似封闭的炉膛内鼓入空气会使内部的压力增大。综上，鼓风风量变化对炉膛温度、压力、含氧量都有一定影响。其中，引风机系统主要包括变频器、异步电机、风机和通风管道等。引风机的作用是将排放的尾气从炉膛抽出，并维持炉膛微负压工作。与鼓风系统类似，通过改变输入频率就能改变引风风量的大小。引风机从炉膛内抽出空气会使炉膛压力减小；抽出空气的同时也会带出大量的热，使炉膛内温度降低。具体地，预先通过理论分析，可以得到焚烧过程中焚烧炉内各参数的大致变化趋势。但是，焚烧过程本身较为复杂，受各方面因素的影响，导致各参数之间耦合性较强，难以得出准确的关系式。对于这种对象，可以使用神经网络进行炉膛部分的建模。与风机的传递函数结合，即可得到鼓风机、引风机的参数与炉膛各参数之间的关系。其中，整个焚烧过程可以大概分为如下三个阶段：第一阶段是遗体包裹物和随葬物的快速燃烧阶段。这一阶段需要8-10分钟。在这一阶段里，由于随葬品大多易燃，且与氧气接触面积较大，所以燃烧较为剧烈，温度上升较快；随葬品燃烧殆尽时，燃烧过程逐渐平缓，温度逐渐下降。所以主燃室温度的变化表现为快速爬升至一定高度后又回落，氧含量由于剧烈燃烧而处在一个较低的水平。第二阶段是遗体主要部分燃烧阶段。这一阶段持续20分钟左右。在这一阶段里，可燃物充足，主燃室温度不断上升并达到整个焚烧过程的最大值，燃烧逐渐变平稳，氧含量也逐渐升高。第三阶段是遗体难燃部分的燃尽和确保骨灰质量的燃烧阶段。在这一阶段里，遗体的有机物已经燃烧殆尽，剩下一些难以燃烧的部分和无机物，主要依靠燃料来进行燃烧，故难以维持之前的高温，温度逐渐下降，最终趋于稳定；这一阶段燃烧消耗的氧气较少，所以含氧量逐渐升高到接近空气含氧量的水平。而在整个燃烧过程中，如果鼓风机、引风机的工作频率不改变，炉膛压力只会随着温度变化，呈现与温度正相关的关系。基于上述焚烧的三个阶段可知，在不同的焚烧阶段的焚烧情况是不一样的。因此，本发明实施例将时间参数也作为一个模型的输入变量，从而在不同焚烧阶段存在不同的燃烧情况下对风机系统进行相应的区别控制。充分考虑了焚烧阶段的不同对焚烧情况的影响。在步骤101中，可预先获得风机系统参数及对应的时间参数，该时间参数即为采集获得风机系统参数的时刻。将风机系统参数及时间参数均作为输入参数输入至参数预测模型中，参数预测模型可输出炉膛参数。炉膛参数即反映该时间参数下炉膛内的焚烧情况。102、根据炉膛参数对火化设备的风机系统进行控制。具体地，在步骤101中获得炉膛参数后，由于炉膛参数反映焚烧炉内的当前的焚烧情况，因此可基于焚烧情况以及需要的或最优的焚烧情况对风机系统进行控制，使火化设备更好的进行燃烧。其中，最优的焚烧情况可以为焚烧过程中产生有害气体最少的情况或使用资源最少的情况等。本发明实施例提供的火化设备风机系统的控制方法，通过将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；并根据炉膛参数对火化设备的风机系统进行控制。一方面通过神经网络进行建模能够表示焚烧过程中风机系统参数及炉膛参数之间复杂的变化趋势，另一方面能够基于炉膛参数对风机系统进行自动化准确控制，相比于人工基于经验控制的方式节约资源和人力，并减少了环境对工人身体的伤害。基于上述实施例的内容，作为一种可选实施例，可通过以下方式对参数预测模型进行训练：在步骤101之前，可预先构建神经网络模型，并采集训练集数据。其中，训练集数据包括样本时间参数、样本风机系统参数及对应的样本炉膛参数。训练集数据包括多组数据，每组数据包括样本时间参数及在样本时间参数对应的时刻采集到的样本风机系统参数及样本炉膛参数。样本风机系统参数表示作为样本的风机系统的在样本时间参数对应的时刻时的运行情况，样本炉膛参数表示作为样本的炉膛在样本时间参数对应的时刻时的焚烧情况。本发明实施例对风机系统参数及炉膛参数的具体类型不作限定，例如风机系统参数可以为鼓风量、引风量，而炉膛参数可以为温度、压力和含氧量。之后可将样本时间参数和样本风机系统参数作为输入参数、将样本炉膛参数作为输出参数对神经网络模型进行模型训练，获得训练完成的参数预测模型。基于上述实施例的内容，作为一种可选实施例，风机系统参数包括鼓风风量和引风风量，炉膛参数包括温度、压力及含氧量；具体地，根据对需求的分析，可选择时间、鼓风机频率、引风机频率、鼓风机风量、引风机风量、炉膛的温度、压力和含氧量作为主要参数。由于风机系统内的各部分之间关系较为明确。根据电机学的知识以及异步电机、风机等的额定参数，可以拟合得到从输入频率到风量之间的传递函数。相应地，将火化设备的风机系统参数及对应的时间参数输入至参数预测模型之前，还包括：步骤1、采集样本风机系统参数、样本时间参数及样本炉膛参数；其中，样本风机系统参数包括样本鼓风风量和样本引风风量，样本炉膛参数包括样本温度、样本压力及样本含氧量。具体地，可通过如下方式进行采集：在作为样本的殡仪馆中，采用温度传感器和压力传感器测量炉膛温度和压力(即样本温度和样本压力)。在鼓风管道和引风管道内安装风量传感器，测量鼓风和引风的风量(即样本鼓风量和样本引风量)。从焚烧炉操作面板可以直接读出鼓风机和引风机的工作频率。由于炉膛内含氧量分布不均匀等原因，可选择在引风机尾端用传感器测量含氧量(即样本含氧量)。每一分钟测量一次数据，一次完整焚烧过程记为一组，总共采集了20组数据。其中随机选择16组数据用作建立模型，剩余4组数据用作验证。应当说明的是，上述具体的组数仅为一个具体实例，本发明实施例的保护范围不限于此。在采集完成后，可进一步进行数据筛选，即：将明显偏离参数变化趋势的点视为错误数据，将错误数据删去可以保证对模型的辨识效果较好。将略微偏离趋势的点视为干扰数据，即在焚烧过程中受到外界环境扰动影响的数据，保留这些数据使模型的泛化性较强。步骤2、对样本风机系统参数、样本时间参数及样本炉膛参数进行归一化处理，以将样本风机系统参数、样本时间参数及样本炉膛参数的值调整至设定范围内。具体地，由于使用神经网络进行模型辨识需要将输入输出数据输入神经网络进行训练，而这些数据的单位不同，数据的大小差别很大(如温度可达1000摄氏度而压力在-5到-30pa之间)，这样会导致神经网络对某些参数的反应过于敏感而对某些参数不敏感。因此，需要将数据进行归一化，将数据调整到[-1,1]或者[0,1]之间。对测得的数据进行统计，发现焚烧时间分布在1～40分钟、鼓风风量分布在2320～3850m3/h、引风风量分布在3040～4380m3/h、温度分布在750～1000℃、压力分布在-30～-5、含氧量分布在16％～20％。在归一化过程中，具体可采用如下公式将这些数据进行归一化处理：y＝(x-x_min)/(x_max-x_min)基于上述公式可将各项数据的值调整到[0,1]之间。步骤3、基于样本时间参数和样本风机系统参数及对应的样本炉膛参数对神经网络模型进行训练，获得训练完成的参数预测模型。基于上述实施例的内容，作为一种可选实施例，神经网络模型包含有多层隐含层，隐含层包含有多个结点；相应地，基于样本时间参数和样本风机系统参数及对应的样本炉膛参数对神经网络模型进行训练之前，还包括：将神经网络模型的隐含层结点数设置为20，学习速率设置为η＝0.1，训练函数设置为trainbr。其中，bp(backpropagation反向传播)网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。bp算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。bp神经网络建模时需要考虑以下几个参数：1)、隐含层层数；理论上三层网络如果有足够的隐藏节点，就可以以任意精度逼近任何函数。而一般来讲，隐含层越多，精度可以达到越高，但网络的泛化能力也随之下降。所以，选择三层(即含有一层隐含层)的bp神经网络进行建模。2)、隐含层结点数；隐含层节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。隐含层节点数太少时，网络每次学习时间相对较短，网络从样本中获取信息的能力较差，不足以概括和体现样本规律，从而识别新样本困难，容错性差；隐含层节点数太多时，网络的学习时间加长，且学习过程中，有可能把样本中非规律性的内容如噪声等也学会记住，从而出现所谓“过拟合”问题，反而降低了泛化能力。隐含层结点数取决于训练样本书以及样本中蕴含规律的复杂程度。目前，确定隐含层结点数的常用方法是试凑法，用同一个样本集对不同隐层结点数的网络进行训练，选择误差最小时对应的值。参见图3至图14不难看出，在结点数到20之前，随着结点数的增加，误差逐渐减小，仿真结果与实验数据的吻合度逐渐提高；但结点数超过20之后，误差减小不明显，基本稳定在1e-5的数量级上，仿真结果与实验数据基本吻合，而学习时间随结点数增加逐渐变长。因此，本发明实施例中将神经网络隐层结点数设置为20。3)、学习速率：不同的学习速率η对训练结果有着不同的影响，当学习速率选得过小时，存在网络收敛速度慢，训练时间长，模型辨识精度低的问题，而当学习速率过大后，神经网络会出现误差震荡，所以最终经过测试，模型的学习速率选取为η＝0.1。4)训练函数，参见表1，对几个常用的训练函数traingdm、traingbr、trainlm和trainrp进行对比：表1训练函数对比表训练函数训练时间(s)训练误差trainlm18.03e-5trainbr97.44e-5traingdm240.01trainrp10.001基于上述表1可以看出trainbr训练的结果误差最小，由于是离线学习，所以训练时间稍长影响并不大。而且因为算法的原因，trainbr比trainlm的泛化能力更强，能在更广的范围内体现模型的内在规律。最终选择trainbr作为训练函数。最终，在上述步骤3中，将神经网络的各层权值、阈值提取出来，可以得到模型的传递函数：y＝f(x)＝u(g(x·w1+b1)·w2+b2)其中，行向量x＝[x1,x2,x3]为模型的输入，其中x1是时间，x2是鼓风风量，x3是引风风量。行向量y＝[y1,y2,y3]为模型的输出，其中y1是温度，y2是压力，y3是含氧量。w1为输入层到隐含层的权值矩阵，b1为隐含层阈值列向量，w2为隐含层到输出层的权值矩阵，b2为输出层阈值列向量，函数g为sigmoid函数(y＝1/(1+e^(-x)))，函数u为线性函数y＝x。基于上述实施例的内容，作为一种可选实施例，获得训练完成的参数预测模型之后，还包括：步骤1’、进行控制变量仿真，在仿真中依次保持时间参数、鼓风风量及引风风量中的任意两个参数不变，改变另一个参数，获取改变的参数分别对温度、压力及含氧量的影响，获得影响结果。具体地，进行控制变量仿真。依次令时间、鼓风风量、引风风量这三个自变量中的两个保持不变，只改变一个自变量，观察自变量变化对炉膛的温度、压力、含氧量随的影响。将结果与理论分析进行比对，验证模型的正确性。其中，影响结果包括两方面：鼓风机系统的影响结果和引风机的影响结果。其中，针对鼓风机系统：风机频率的变化对炉膛的影响从本质上来说是风机鼓风的风量对炉膛的影响，所以获得这之间的关系就显得至关重要。以下以鼓风机为例进行分析。频率信号输入到电机，异步电机的转速与频率有n＝60f(1-s)/p的关系，所以输入频率改变会引起电机转速的改变。而风机的负载转矩不是一个常数，而是与转速的平方成正比。所以绘制电机在不同频率下的转速-转矩曲线，与风机的负载曲线的交点即为工作点，将这些工作点对应的频率和转速进行多项式拟合，即可得到频率与转速之间的关系。图15中，下弯的曲线为异步电机在不同频率下的转速-转矩曲线，上弯的曲线为鼓风机负载曲线。它们的交点即为不同频率下异步电机的工作点。将交点对应的频率和转速绘成图16。可以看出转速-频率的关系与理论上的一次关系相符，拟合可得二者关系方程：n＝57.95f+37.99风机的转速与风量是线性关系，风机额定转速为2900r/min，额定风量3800m3/h。所以风量与转速的关系为：q＝1.31n最终，风量与频率的关系为：q＝75.93f+49.77通过这个关系，可以将鼓风机的频率转化为风量，使模型不局限于当前使用的鼓风机系统，即使更换了鼓风机型号，只需保持风量的一致，该模型依然有效。为了观察在固定时间，固定引风风量的情况下，鼓风风量对炉膛参数的影响，选取在时间t＝20min，引风机满负荷工作这一状态下，鼓风机频率从30hz调整到50hz，温度、压力、含氧量变化情况如图17至19所示。基于上述实施例的内容，作为一种可选实施例，影响结果包括鼓风系统的影响结果；鼓风系统的影响结果包括：参见图17，炉膛温度随鼓风机风量增大而增大，近似为一次关系。鼓风风量与温度的影响关系为，t＝0.0085*q+925.3945式中，t为温度，q为鼓风风量。参见图18，压力与鼓风风量近似呈线性关系，拟合可得：鼓风风量与压力的影响关系为，p＝0.0042q-31.1335式中，p为压力，q为鼓风风量。参见图19，含氧量随鼓风频率的增加而增加，呈正相关关系，但增加的速度逐渐减小，趋势逐渐变缓。这说明在一定范围内，炉膛含氧量对于燃烧而言不充足，所以当鼓风增大时，含氧量增大的幅度较大，而当氧气逐渐充足之后，鼓风对含氧量的影响逐渐减小。对曲线进行多项式拟合可得：鼓风风量与含氧量的影响关系为，o＝-5.0036*10-7q2+0.0042q+9.5103式中，o为含氧量，q为鼓风风量。综上，鼓风机系统同时影响了炉膛的温度、压力和含氧量，其中温度和压力与鼓风风量呈线性关系，而含氧量与鼓风风量呈二次关系。其中，针对引风机系统：风机频率的变化对炉膛的影响从本质上来说是风机引风的风量对炉膛的影响，所以获得这之间的关系就显得至关重要。以下以引风机为例进行分析。频率信号输入到电机，异步电机的转速与频率有n＝(60f(1-s))/p的关系，所以输入频率改变会引起电机转速的改变。而风机的负载转矩不是一个常数，而是与转速的平方成正比。所以绘制电机在不同频率下的转速-转矩曲线，与风机的负载曲线的交点即为工作点，将这些工作点对应的频率和转速进行多项式拟合，即可得到频率与转速之间的关系，即如图20。图20中，下弯的曲线为异步电机在不同频率下的转速-转矩曲线，上弯的曲线为引风机负载曲线。它们的交点即为不同频率下异步电机的工作点。将交点对应的频率和转速绘成图21。可以看出转速-频率的关系与理论上的一次关系相符，拟合可得二者关系方程：n＝57.95f+37.99风机的转速与风量是线性关系，风机额定转速为2900r/min，额定风量7334m3/h。所以风量与转速的关系为：q＝2.53n最终，风量与频率的关系为：q＝132.83f+387.5通过这个关系，可以将鼓风机、引风机的频率转化为风量，使模型不局限于当前使用的鼓风机、引风机系统，即使更换了鼓风机、引风机型号，只需保持风量的一致，该模型依然有效。在时间t＝20min，鼓风机频率为40hz工作时，引风机频率从20hz调整到30hz，温度、压力、含氧量变化情况如图22至24所示。基于上述实施例的内容，作为一种可选实施例，影响结果包括引风系统的影响结果；引风系统的影响结果包括：参见图22，温度随引风风量增大而减小，呈明显线性关系，拟合获得引风风量与温度的影响关系为，t＝-0.0069q+988.4241式中，t为温度，q为引风风量。参见图23，压力p与引风风量q之间有明显的线性关系，拟合可得引风风量与压力的影响关系为，p＝-0.0067q+14.5076式中，p为压力，q为引风风量。并且，对其他时间点进行仿真，发现关系式中斜率几乎不变而截距有所变化，说明在不同的时间，压力对引风风量的变化率是不变的。参见图24，引风风量与含氧量的影响关系为，o＝-5.0036*10-7q2+0.0042q+9.5103式中，o为含氧量，q为引风风量。因此，含氧量随引风风量增大在极小范围内波动，可以认为该波动是扰动或噪声含氧量不随引风风量的变化而变化。所以，引风机系统主要影响炉膛的温度与压力。步骤2’、基于影响结果对参数预测模型的预测效果进行验证。具体地，基于上述影响结果，在鼓风机频率为50hz，引风机频率为30hz运转时，炉膛温度、压力、含氧量的变化如图25。由图25可以看出，在0-7分钟内，温度快速上升然后开始回落；从第8分钟开始温度又开始快速上升，随后温度上升的速度逐渐减小，最终达到最高温度；从第22分钟开始，温度逐渐减小，最终趋于稳定。这趋势与理论分析中燃烧过程所分的三个阶段基本一致。由图26可以看出，整个过程中，压力与温度的变化趋势基本一致，与理论分析相符。如图27所示，含氧量在0-6分钟内维持在17％以下；随后逐渐上升，进而稳定在17.6％附近；在20分钟以后，含氧量逐渐上升并最终维持在19.2％。因此，图中所示趋势与理论分析中的三阶段相符：第一阶段燃烧剧烈，耗氧量大，含氧量维持在较低位置；第二阶段燃烧平稳，耗氧量中等，含氧量维持在一个比之前高的位置；第三阶段，剩余部分较难燃烧，消耗氧气较少，最终仅依靠燃料燃烧，所以含氧量也逐渐增大，最终稳定在一个比空气中含氧量低的值。由于上述拟合关系式(即影响结果)与理论一致，因此可以通过上述影响结果对参数预测模型的预测效果进行验证。若验证不通过则可继续采集训练集数据进行训练，若验证通过，则可将该模型投入实际应用。基于上述实施例的内容，作为一种可选实施例，根据炉膛参数对火化设备的风机系统进行控制，包括：根据炉膛参数及火化设备所处的焚烧阶段对风机系统进行控制；其中，在第一阶段的易燃物燃烧殆尽时向炉膛内添加燃料，以使燃烧正常进行；在第二阶段中增大鼓风机频率；在第三阶段适当减小引风机功率。具体地，三个阶段的变化特点如下：第一阶段：温度上升快，先上升后回落。压力变化趋势与温度相同。含氧量处于较低水平。第二阶段：温度上升较快，逐渐上升到全过程的最大值。压力变化趋势与温度相同。含氧量有所上升，处于中等水平。第三阶段：温度逐渐下降，最终趋于稳定。压力变化趋势与温度相同。含氧量逐渐上升，最终接近空气含氧量。引风机系统影响炉膛的温度和压力。在同一时刻，鼓风机频率不变的情况下，随着引风风量增大，温度呈现负相关关系；压力下降，呈负线性关系，压力变化较大；含氧量几乎没有变化。所以引风机系统主要控制炉膛的压力和温度变化。鼓风机系统影响炉膛的温度、压力和含氧量。在同一时刻，引风风量不变的情况下，随着鼓风风量增大，温度和压力线性增大；含氧量随鼓风风量增大先增加后趋于稳定。所以鼓风机系统主要控制炉膛的温度和含氧量变化。第一阶段燃烧由于易燃物较多，燃烧较为剧烈，一般不加燃料，但当易燃物燃烧殆尽时，温度会开始明显下降，这时需要及时的打开油枪，向炉膛添加燃料，保证燃烧的正常进行。第一阶段燃烧剧烈，适当的增大鼓风机频率可以为燃烧提供充足的氧气，使燃烧更充分。第三阶段燃烧较为平缓，在保证压力的前提下，适当的减小引风机功率，避免引风量过大带走过多热量，从而缩短燃烧时间，提高工作效率。鼓风机和引风机系统在没有控制器的情况下是两个开环系统，容易引起炉膛内燃烧过程的不稳定，应配置控制器和相应的控制算法，使整个系统形成闭环，增强系统的稳定性。基于上述实施例的内容，本发明实施例提供了一种火化设备风机系统的控制系统，该火化设备风机系统的控制系统用于执行上述方法实施例中的火化设备风机系统的控制方法。参见图28，该系统包括：预测模块201，用于将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的；控制模块202，用于根据炉膛参数对火化设备的风机系统进行控制。具体地，预测模块201可预先获得风机系统参数及对应的时间参数，将风机系统参数及时间参数均作为输入参数输入至参数预测模型中，参数预测模型可输出炉膛参数。炉膛参数即反映该时间参数下炉膛内的焚烧情况。控制模块202可基于焚烧情况以及需要的或最优的焚烧情况对风机系统进行控制，使火化设备更好的进行燃烧。其中，最优的焚烧情况可以为焚烧过程中产生有害气体最少的情况或使用资源最少的情况等。本发明实施例提供的火化设备风机系统的控制系统，通过将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；并根据炉膛参数对火化设备的风机系统进行控制。一方面通过神经网络进行建模能够表示焚烧过程中风机系统参数及炉膛参数之间复杂的变化趋势，另一方面能够基于炉膛参数对风机系统进行自动化准确控制，相比于人工基于经验控制的方式节约资源和人力，并减少了环境对工人身体的伤害。本发明实施例提供了一种电子设备，如图29所示，该设备包括：处理器(processor)301、通信接口(communicationsinterface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303上并可在处理器301上运行的计算机程序，以执行上述各实施例提供的火化设备风机系统的控制方法，例如包括：将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的；根据炉膛参数对火化设备的风机系统进行控制。此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的火化设备风机系统的控制方法，例如包括：将火化设备的风机系统参数及对应的时间参数输入至参数预测模型，获得参数预测模型输出的炉膛参数；其中，参数预测模型是基于样本时间参数和样本风机系统参数及对应的样本炉膛参数训练获得的；根据炉膛参数对火化设备的风机系统进行控制。以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。当前第1页12