CN117965215B - 一种湿式氧化法脱硫和硫回收的方法和系统 - Google Patents

Abstract

公开了一种湿式氧化法脱硫和硫回收的方法和系统。其首先将含硫化氢的原料气体输入脱硫塔，接着，所述硫单质进入所述脱硫富液以形成第一悬浮液，且所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐，然后，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐，最后，所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。这样，可以实现高效的脱硫过程。

Description

一种湿式氧化法脱硫和硫回收的方法和系统

技术领域

本申请涉及脱硫处理领域，且更为具体地，涉及一种湿式氧化法脱硫和硫回收的方法和系统。

背景技术

硫（Sulfur）是一种非金属元素。天然气中常含有硫化氢，其会导致天然气管道和设备的腐蚀，从而缩短设备的使用寿命，增加维护成本，甚至造成设备失效。此外，硫化氢具有刺激性气味，而且在高浓度下可能会发生爆炸。如果天然气中含有大量硫化氢，一旦泄漏或发生事故，可能会造成火灾、爆炸等严重后果。为了后续工段的应用以及安全的管道输送，减少大气污染，一般需要对天然气进行脱硫处理。

现有技术中，对天然气的脱硫处理通常分为湿法脱硫、干法脱硫和半干法脱硫。其中，湿法脱硫通常使用含有吸收剂的溶液进行脱硫，其脱硫效率较高。但传统的湿法脱硫也存在一些问题，例如高度依赖于人工控制。比如，操作人员需要根据天然气或酸气中硫化氢的浓度和或其他运行参数，调整吸收剂的投加量，以确保有效脱硫。这种人工控制的方式因存在主观性可能导致控制结果的不一致，导致脱硫效果不稳定。因此，期待一种湿法脱硫智能化控制系统及方法。

发明内容

有鉴于此，本申请提出了一种湿式氧化法脱硫和硫回收的方法和系统，其可以实现高效的脱硫过程。

根据本申请的一方面，提供了一种湿式氧化法脱硫和硫回收的方法，其包括：将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；所述硫单质进入所述脱硫富液以形成第一悬浮液，且所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐；以及所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。

在上述的湿式氧化法脱硫和硫回收的方法中，所述脱硫贫液为络合铁水溶液。

在上述的湿式氧化法脱硫和硫回收的方法中，将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液，包括：所述脱硫贫液中的三价铁离子被还原为二价铁离子以得到所述脱硫富液。

在上述的湿式氧化法脱硫和硫回收的方法中，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐，包括：获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令。

在上述的湿式氧化法脱硫和硫回收的方法中，对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量，包括：对所述状态监控视频进行关键帧离散采样以得到状态监控关键帧的序列；将所述状态监控关键帧的序列输入基于卷积神经网络模型的颜色特征提取器以得到悬浮液颜色语义特征向量的序列；以及将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量。

在上述的湿式氧化法脱硫和硫回收的方法中，将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量，包括：以如下自相关注意力公式对所述悬浮液颜色语义特征向量的序列进行处理以得到所述悬浮液颜色语义时序关联特征向量；其中，所述自相关注意力公式为：；其中，为第个注意力打分系数，为第个注意力打分系数，为所述悬浮液颜色语义特征向量的序列中第个悬浮液颜色语义特征向量，为第个悬浮液颜色语义特征向量，为第个权重系数矩阵，为第个权重系数向量，为第个偏置向量，表示双曲正切函数处理，表示以为底的指数函数处理，为第个注意力权重系数，为第个注意力权重系数，为所述悬浮液颜色语义特征向量的序列的长度，表示级联函数，为所述悬浮液颜色语义时序关联特征向量。

在上述的湿式氧化法脱硫和硫回收的方法中，对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量，包括：将所述空气鼓入速率值的时间序列按照时间维度规整为空气鼓入速率时序输入向量；将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量；其中，将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量，包括：以如下一维扩展卷积公式对所述空气鼓入速率时序输入向量进行处理以得到所述空气鼓入速率时序关联特征向量；其中，所述一维扩展卷积公式为：；其中，一维扩展卷积核的尺寸为，为原始卷积核的长度，为扩展率，表示以所述空气鼓入速率时序输入向量中第个位置的特征值为首的长度为的时间窗口，是偏置项，且，是非线性激活函数，是第个局部卷积编码特征向量，为所述空气鼓入速率时序输入向量的维度，是所述空气鼓入速率时序关联特征向量，表示级联。

在上述的湿式氧化法脱硫和硫回收的方法中，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令，包括：计算所述悬浮液颜色语义时序关联特征向量相对于所述空气鼓入速率时序关联特征向量的响应性估计以得到空气鼓入速率-颜色语义变化响应性关联特征矩阵；以及将所述空气鼓入速率-颜色语义变化响应性关联特征矩阵通过基于分类器的鼓入速率控制器以得到所述控制指令，所述控制指令用于表示空气鼓入速率值应增大、应减小或应保持不变。

在上述的湿式氧化法脱硫和硫回收的方法中，还包括训练步骤：对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练；其中，所述训练步骤，包括：获取训练数据，所述训练数据包括由摄像头采集的所述第一悬浮液的预定时间段的训练状态监控视频、由传感器采集的所述预定时间段内的训练空气鼓入速率值的时间序列，以及，空气鼓入速率值应增大、应减小或应保持不变的真实值；对所述训练状态监控视频进行关键帧离散采样以得到训练状态监控关键帧的序列；将所述训练状态监控关键帧的序列输入所述基于卷积神经网络模型的颜色特征提取器以得到训练悬浮液颜色语义特征向量的序列；将所述训练悬浮液颜色语义特征向量的序列输入所述基于自相关注意力网络的颜色时序关联模式特征提取器以得到训练悬浮液颜色语义时序关联特征向量；将所述训练空气鼓入速率值的时间序列按照时间维度规整为训练空气鼓入速率时序输入向量后通过所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到训练空气鼓入速率时序关联特征向量；计算所述训练悬浮液颜色语义时序关联特征向量相对于所述训练空气鼓入速率时序关联特征向量的响应性估计以得到训练空气鼓入速率-颜色语义变化响应性关联特征矩阵；将所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵进行特征矩阵展开以得到训练空气鼓入速率-颜色语义变化响应性关联特征向量；将所述训练空气鼓入速率-颜色语义变化响应性关联特征向量通过所述基于分类器的鼓入速率控制器以得到分类损失函数值；以及以所述分类损失函数值来对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练，其中，在所述训练的每一轮迭代中，对所述训练空气鼓入速率-颜色语义变化响应性关联特征向量进行迭代优化。

根据本申请的另一方面，提供了一种湿式氧化法脱硫和硫回收的系统，其包括：脱硫模块，用于将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；悬浮模块，用于将所述硫单质输入所述脱硫富液以形成第一悬浮液，且将所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；氧化模块，用于在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且将所述脱硫贫液与所述硫单质形成的第二悬浮液输入缓冲罐；以及产品加工模块，用于将所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。

在本申请中，其首先将含硫化氢的原料气体输入脱硫塔，接着，所述硫单质进入所述脱硫富液以形成第一悬浮液，且所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐，然后，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐，最后，所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。这样，可以实现高效的脱硫过程。

其中，所述氧化模块，包括：获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令。

根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。

图1示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的流程图。

图2示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的子步骤S130的流程图。

图3示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的子步骤S133的流程图。

图4示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的子步骤S135的流程图。

图5示出根据本申请的实施例的湿式氧化法脱硫和硫回收的系统的框图。

图6示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的应用场景图。

图7示出根据本申请的实施例的湿式氧化法脱硫和硫回收的工艺流程图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。

硫（Sulfur）是一种非金属元素，化学符号S，原子序数16。通常单质硫是黄色的晶体，又称作硫磺。硫单质的同素异形体有很多种，有斜方硫、单斜硫和弹性硫等。硫元素在自然界中通常以硫化物、硫酸盐或单质的形式存在。硫单质难溶于水，微溶于乙醇，易溶于二硫化碳。

硫的主要用途是用来制造硫的化合物，如硫酸、亚硫酸盐、硫代硫酸盐、硫氰酸盐、二氧化硫、二硫化碳、二氯化二硫、三氯硫磷、磷的硫化物和金属硫化物等。世界上每年用来制造硫酸所消耗的硫，占硫的年消耗总量的80%以上。硫也大量用于生产硫化橡胶。制造黑火药和火柴也需要硫，硫也是生产烟火的主要原料之一，硫还可用于硫化染料和颜料的生产。漂白工业和医药工业也需消耗一部分的硫。

油田的天然气中都含有硫化氢或有机硫，为了后续工段的应用和管道输送，减少大气污染，一般都需要脱除。本方法和系统主要是将含硫化氢的气体中的硫化氢脱除并将其氧化为单质硫并制成硫膏或硫饼，其中一般硫含量67%，水含量27%，粉尘及其他杂质含量为6%，在陶瓷、建材和农田领域有一定利用价值，也可将硫膏进一步制取为精硫磺产品。

本申请提供了一种湿式氧化法脱硫和硫回收的方法，图1示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的流程图。如图2所示，根据本申请实施例的湿式氧化法脱硫和硫回收的方法，包括步骤：S110，将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；S120，所述硫单质进入所述脱硫富液以形成第一悬浮液，且所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；S130，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐；以及，S140，所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。在本申请的一个具体示例中，所述脱硫贫液为络合铁水溶液。

其中，在步骤S130中，在本申请的实际应用场景中，应用风机输送空气中的氧气将所述脱硫富液氧化为脱硫贫液。而在此过程中，合理适当的空气鼓入速率可以确保氧气与脱硫富液进行充分的化学反应，从而有效地将其氧化为脱硫贫液。如果空气鼓入速率过快，可能会导致氧气输送过快，氧气与脱硫富液的接触不够充分，进而导致反应不完全，从而影响整个系统的稳定性和效率。相反，如果空气鼓入速率过慢，则反应时间会延长，脱硫效率降低。因此，精确控制空气鼓入速率对于确保反应的完整性和系统的高效运行至关重要。传统的基于人工控制的方式因存在主观性可能导致控制结果的不一致。因此，期待一种优化的方案。

针对上述技术问题，本申请考虑到在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液时，所述脱硫富液中的二价铁离子被氧化为三价铁离子，而在这个反应过程中，由于三价铁离子和二价铁离子的颜色存在差异，所述第一悬浮液中呈现的现象则是颜色将会产生变化。也就是说，所述第一悬浮液的颜色状态在时间维度上的动态变化信息能够反映所述脱硫富液与氧气的反应进程。

相应地，在步骤S110中，将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液，包括：所述脱硫贫液中的三价铁离子被还原为二价铁离子以得到所述脱硫富液。

针对这一特性，在本申请的技术方案中，期待利用智能化算法和图像处理技术来提取所述第一悬浮液的状态监控视频的颜色关联模式和时序变化特征，并挖掘这种颜色关联模式与空气鼓入速率的动态变化模式之间的响应性关联关系，从而利用两者之间的响应性关联关系来综合刻画所述第一悬浮液的反应进程和实时状态，进而实现对空气鼓入速率值的自适应调整。

基于此，如图2所示，在步骤S130中，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐，包括：S131，获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；S132，获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；S133，对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；S134，对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及，S135，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令。

具体地，在本申请的技术方案中，首先，获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；并获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列。这里，通过摄像头采集所述状态监控视频可以实时监控第一悬浮液的颜色变化，反映脱硫富液与氧气反应的动态过程。通过传感器采集空气鼓入速率的时间序列则可以实时监测空气输送速率的变化，反映氧气的输送速率，了解氧气与脱硫富液反应的前提条件在时间维度上的变化。

考虑到所述状态监控视频通常包含大量连续帧，其中许多帧可能是冗余的，比如前后连续帧之间的变化是微小的，这些微小信息对于判断第一悬浮液的颜色状态来说是微不足道的。在本申请的方案中，对所述状态监控视频进行关键帧离散采样以保留所述状态监控视频中的重要信息，减少不必要的数据量，从而得到状态监控关键帧的序列。这样以后，将所述状态监控关键帧的序列输入基于卷积神经网络模型的颜色特征提取器以得到悬浮液颜色语义特征向量的序列。也就是，利用卷积神经网络在图像处理领域的优异表现，来分别提取各个状态监控关键帧中关于第一悬浮液的隐含颜色状态特征。

接着，将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到悬浮液颜色语义时序关联特征向量。也就是，通过所述基于自相关注意力网络的颜色时序关联模式特征提取器来获取所述悬浮液颜色语义特征向量的序列中的全时域自相关性，捕捉数据中的长期依赖关系和时间动态特征。其中，基于自相关注意力网络的颜色时序关联模式特征提取器的本质是一种权重概率分布机制，即对重要的内容分配更大的权重，对其他内容减少权重。这样的机制更专注于找到输入数据中与当前数据显著相关的有用信息，发觉各个悬浮液颜色语义特征向量之间的自相关性。这里，基于自相关注意力网络的颜色时序关联模式特征提取器能够学习所述悬浮液颜色语义特征向量的序列数据中对于识别悬浮液状态信息最为相关的特征信息，从而更全面地理解所述状态监控视频所表达的悬浮液动态反应状态特征。

相应地，如图3所示，在步骤S133中，对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量，包括：S1331，对所述状态监控视频进行关键帧离散采样以得到状态监控关键帧的序列；S1332，将所述状态监控关键帧的序列输入基于卷积神经网络模型的颜色特征提取器以得到悬浮液颜色语义特征向量的序列；以及，S1333，将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量。

进一步地，在步骤S1333中，将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量，包括：以如下自相关注意力公式对所述悬浮液颜色语义特征向量的序列进行处理以得到所述悬浮液颜色语义时序关联特征向量；其中，所述自相关注意力公式为：；其中，为第个注意力打分系数，为第个注意力打分系数，为所述悬浮液颜色语义特征向量的序列中第个悬浮液颜色语义特征向量，为第个悬浮液颜色语义特征向量，为第个权重系数矩阵，为第个权重系数向量，为第个偏置向量，表示双曲正切函数处理，表示以为底的指数函数处理，为第个注意力权重系数，为第个注意力权重系数，为所述悬浮液颜色语义特征向量的序列的长度，表示级联函数，为所述悬浮液颜色语义时序关联特征向量。

然后，将所述空气鼓入速率值的时间序列按照时间维度规整为空气鼓入速率时序输入向量后通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到空气鼓入速率时序关联特征向量。也就是，利用一维扩展卷积神经网络模型来捕捉和提取所述空间鼓入速率在时间维度上的动态特征分布。

相应地，步骤S134中，对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量，包括：将所述空气鼓入速率值的时间序列按照时间维度规整为空气鼓入速率时序输入向量；将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量；其中，将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量，包括：以如下一维扩展卷积公式对所述空气鼓入速率时序输入向量进行处理以得到所述空气鼓入速率时序关联特征向量；其中，所述一维扩展卷积公式为：；其中，一维扩展卷积核的尺寸为，为原始卷积核的长度，为扩展率，表示以所述空气鼓入速率时序输入向量中第个位置的特征值为首的长度为的时间窗口，是偏置项，且，是非线性激活函数，是第个局部卷积编码特征向量，为所述空气鼓入速率时序输入向量的维度，是所述空气鼓入速率时序关联特征向量，表示级联。

特别地，在本申请的技术方案中，空气鼓入速率的变化会影响氧气与脱硫富液的反应状态，进而引起第一悬浮液的颜色状态变化。也就是说，所述悬浮液颜色语义时序关联特征向量与所述空气鼓入速率时序关联特征向量之间存在响应性关联。为了利用这种响应性关联来对空气鼓入速率值进行精准控制，进一步地计算所述悬浮液颜色语义时序关联特征向量相对于所述空气鼓入速率时序关联特征向量的响应性估计以得到空气鼓入速率-颜色语义变化响应性关联特征矩阵。

在本申请的一个具体示例中，计算所述悬浮液颜色语义时序关联特征向量相对于所述空气鼓入速率时序关联特征向量的响应性估计以得到空气鼓入速率-颜色语义变化响应性关联特征矩阵的具体步骤，包括：首先，分别构造所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量的高斯密度图以得到悬浮液颜色语义高斯密度图和空气鼓入速率高斯密度图，其中，所述悬浮液颜色语义高斯密度图的均值向量为所述悬浮液颜色语义时序关联特征向量，所述空气鼓入速率高斯密度图的均值向量为所述空气鼓入速率时序关联特征向量，所述悬浮液颜色语义高斯密度图的协方差矩阵中各个位置的值为所述悬浮液颜色语义时序关联特征向量中相应两个位置的特征值之间的方差，所述空气鼓入速率高斯密度图的协方差矩阵中各个位置的值为所述空气鼓入速率时序关联特征向量中相应两个位置的特征值之间的方差。这里，构造所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量的高斯密度图的目的是对所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量进行基于后验分布的特征级数据增强以提高特征表示的精准度和后续响应性估计的精准度。接着，计算所述悬浮液颜色语义高斯密度图相对于所述空气鼓入速率高斯密度图的响应性估计以得到响应性高斯密度图。之后，对所述响应性高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述空气鼓入速率-颜色语义变化响应性关联特征矩阵。

继而，将所述空气鼓入速率-颜色语义变化响应性关联特征矩阵通过基于分类器的鼓入速率控制器以得到控制指令，所述控制指令用于表示空气鼓入速率值应增大、应减小或应保持不变。

相应地，如图4所示，在步骤S135中，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令，包括：S1351，计算所述悬浮液颜色语义时序关联特征向量相对于所述空气鼓入速率时序关联特征向量的响应性估计以得到空气鼓入速率-颜色语义变化响应性关联特征矩阵；以及，S1352，将所述空气鼓入速率-颜色语义变化响应性关联特征矩阵通过基于分类器的鼓入速率控制器以得到所述控制指令，所述控制指令用于表示空气鼓入速率值应增大、应减小或应保持不变。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

进一步地，在本申请的技术方案中，所述的湿式氧化法脱硫和硫回收的方法，其还包括训练步骤：对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练。

其中，在一个示例中，所述训练步骤，包括：获取训练数据，所述训练数据包括由摄像头采集的所述第一悬浮液的预定时间段的训练状态监控视频、由传感器采集的所述预定时间段内的训练空气鼓入速率值的时间序列，以及，空气鼓入速率值应增大、应减小或应保持不变的真实值；对所述训练状态监控视频进行关键帧离散采样以得到训练状态监控关键帧的序列；将所述训练状态监控关键帧的序列输入所述基于卷积神经网络模型的颜色特征提取器以得到训练悬浮液颜色语义特征向量的序列；将所述训练悬浮液颜色语义特征向量的序列输入所述基于自相关注意力网络的颜色时序关联模式特征提取器以得到训练悬浮液颜色语义时序关联特征向量；将所述训练空气鼓入速率值的时间序列按照时间维度规整为训练空气鼓入速率时序输入向量后通过所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到训练空气鼓入速率时序关联特征向量；计算所述训练悬浮液颜色语义时序关联特征向量相对于所述训练空气鼓入速率时序关联特征向量的响应性估计以得到训练空气鼓入速率-颜色语义变化响应性关联特征矩阵；将所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵进行特征矩阵展开以得到训练空气鼓入速率-颜色语义变化响应性关联特征向量；将所述训练空气鼓入速率-颜色语义变化响应性关联特征向量通过所述基于分类器的鼓入速率控制器以得到分类损失函数值；以及，以所述分类损失函数值来对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练，其中，在所述训练的每一轮迭代中，对所述训练空气鼓入速率-颜色语义变化响应性关联特征向量进行迭代优化。

在上述技术方案中，所述训练悬浮液颜色语义时序关联特征向量表达所述训练状态监控视频的各个关键帧基于每个关键帧对应的图像语义特征整体空间分布自注意力强化的时序关联图像语义特征，而所述训练空气鼓入速率时序关联特征向量表达所述训练空气鼓入速率值的局部时序关联特征，由此，考虑到所述训练状态监控视频的关键帧和所述训练空气鼓入速率的源数据模态差异以及相应的特征提取维度差异，所述训练悬浮液颜色语义时序关联特征向量和所述训练空气鼓入速率时序关联特征向量也会具有各自特征分布的时序不对应，从而使得在计算所述训练悬浮液颜色语义时序关联特征向量相对于所述训练空气鼓入速率时序关联特征向量的响应性估计时，所述训练悬浮液颜色语义时序关联特征向量与所述训练空气鼓入速率时序关联特征向量的均值特征向量具有与分布时序不对应导致的特征值分布差异性，从而在通过方差矩阵进行展开后，得到的所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵具有更为显著的逐特征值特征分布差异性，即，所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵的基于特征值数值分布的局部分布离散性，从而影响所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵通过分类器的类回归迭代收敛速度。

由此，本申请的申请人在每次所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵展开后得到的训练空气鼓入速率-颜色语义变化响应性关联特征向量通过分类器进行分类回归的迭代时，对所述训练空气鼓入速率-颜色语义变化响应性关联特征向量进行迭代优化。

相应地，在一个示例中，在所述训练的每一轮迭代中，以如下优化公式对所述训练空气鼓入速率-颜色语义变化响应性关联特征向量进行迭代优化以得到优化后训练空气鼓入速率-颜色语义变化响应性关联特征向量；其中，所述优化公式为：；其中，是所述训练空气鼓入速率-颜色语义变化响应性关联特征向量的第个特征值，表示特征值的概率化函数，即将特征值映射到区间的概率化函数，是通过分类器得到的类概率值，是所述训练空气鼓入速率-颜色语义变化响应性关联特征向量的长度，且是权重超参数，表示以为底的指数函数处理，是所述优化后训练空气鼓入速率-颜色语义变化响应性关联特征向量的第个特征值。

这里，通过将伯努利概率似然性分布作为权威元实体来进行所述训练空气鼓入速率-颜色语义变化响应性关联特征向量的特征值基于伯努利概率分布的高层级类决策，并引入相对于特征集合整体的概率密度空间映射分配，从而经由确定所述训练空气鼓入速率-颜色语义变化响应性关联特征向量的特征值相对于类概率映射的关键见解，来实现所述训练空气鼓入速率-颜色语义变化响应性关联特征向量的特征值基于类概率分布的与类收敛的匹配功能正确性，以通过收敛性能优越性来促进样本迭代收敛，提升分类训练速度。

综上，基于本申请实施例的湿式氧化法脱硫和硫回收的方法，其可以实现高效的脱硫过程。

图5示出根据本申请的实施例的湿式氧化法脱硫和硫回收的系统100的框图。如图5所示，根据本申请实施例的湿式氧化法脱硫和硫回收的系统100，包括：脱硫模块110，用于将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；悬浮模块120，用于将所述硫单质输入所述脱硫富液以形成第一悬浮液，且将所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；氧化模块130，用于在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且将所述脱硫贫液与所述硫单质形成的第二悬浮液输入缓冲罐；以及，产品加工模块140，用于将所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔。

在一个示例中，所述氧化模块，包括：获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；对所述空气鼓入速率值的时间序列进行空间鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令。

这里，本领域技术人员可以理解，上述湿式氧化法脱硫和硫回收的系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的湿式氧化法脱硫和硫回收的方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的湿式氧化法脱硫和硫回收的系统100可以实现在各种无线终端中，例如具有湿式氧化法脱硫和硫回收的算法的服务器等。在一种可能的实现方式中，根据本申请实施例的湿式氧化法脱硫和硫回收的系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该湿式氧化法脱硫和硫回收的系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该湿式氧化法脱硫和硫回收的系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该湿式氧化法脱硫和硫回收的系统100与该无线终端也可以是分立的设备，并且该湿式氧化法脱硫和硫回收的系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图6示出根据本申请的实施例的湿式氧化法脱硫和硫回收的方法的应用场景图。如图6所示，在该应用场景中，首先，获取由摄像头采集的第一悬浮液的预定时间段的状态监控视频，以及，由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列（例如，图6中所示意的D），然后，将所述状态监控视频和所述空气鼓入速率值的时间序列输入至部署有湿式氧化法脱硫和硫回收的算法的服务器（例如，图6中所示意的S）中，其中，所述服务器能够使用所述湿式氧化法脱硫和硫回收的算法对所述状态监控视频和所述空气鼓入速率值的时间序列进行处理以得到用于表示空气鼓入速率值应增大、应减小或应保持不变的控制指令。

在本申请的一个实施例中，本申请涉及一种湿式氧化法脱硫和硫回收的方法和系统，特别涉及一种通过脱硫塔、循环泵、富液泵、再生罐、压滤机等组成的湿式氧化法硫回收系统对含硫化氢气体中产生的硫化氢进行氧化回收为单质硫的方法。

本申请的湿式氧化法脱硫和硫回收的系统包括：1-脱硫塔；2-富液泵；3-循环泵；4-再生罐；5-缓冲罐；6-滤液罐；7-滤液泵；8-压滤机；9-风机；10-分离器；以及连接管线和相关附属阀门等。本申请的工艺流程图如图7所示。

本申请的方法是针对含硫化氢气体进行硫化氢的脱除并氧化为单质硫。含硫化氢的气体（如含硫化氢天然气或含硫化氢酸气等）进入脱硫塔底部，与从塔顶喷淋的脱硫贫液逆流接触，含硫化氢的气体脱除硫化氢成为净化产品气去界外。脱硫贫液将含硫化氢气体中的硫化氢氧化为硫单质，自身被还原为脱硫富液，硫单质进入脱硫富液形成悬浮液一起从塔底出来经富液泵输送至再生罐。再生罐通过风机通入空气中的氧气，将富液氧化为贫液，贫液与硫单质形成的悬浮液一起进入缓冲罐。缓冲罐中的悬浮液经滤液泵打入压滤机，将硫单质压滤为硫饼产品，剩下的脱硫贫液回到滤液罐缓冲，再经循环泵循环进入脱硫塔脱硫。

本申请实现了对含硫化氢气体中硫化氢的脱除并氧化为硫单质产品，大大提升了含硫化氢天然气的综合利用，相比传统的克劳斯硫回收装置，投资低，经济效益好，避免了含硫化氢气体直接利用或排放对环境的污染，对保护自然环境具有重要意义。本申请工艺简单，可操作性强。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。

本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。

附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (5)

1.一种湿式氧化法脱硫和硫回收的方法，其特征在于，包括：

将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；

所述硫单质进入所述脱硫富液以形成第一悬浮液，且所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；

在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐；以及

所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔；

其中，在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且所述脱硫贫液与所述硫单质形成的第二悬浮液进入缓冲罐，包括：

获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；

获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；

对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；

对所述空气鼓入速率值的时间序列进行空气鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及

基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令；

其中，对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量，包括：

对所述状态监控视频进行关键帧离散采样以得到状态监控关键帧的序列；

将所述状态监控关键帧的序列输入基于卷积神经网络模型的颜色特征提取器以得到悬浮液颜色语义特征向量的序列；以及

将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量；

其中，将所述悬浮液颜色语义特征向量的序列输入基于自相关注意力网络的颜色时序关联模式特征提取器以得到所述悬浮液颜色语义时序关联特征向量，包括：

以如下自相关注意力公式对所述悬浮液颜色语义特征向量的序列进行处理以得到所述悬浮液颜色语义时序关联特征向量；其中，所述自相关注意力公式为：

，

其中，为第个注意力打分系数，为第个注意力打分系数，为所述悬浮液颜色语义特征向量的序列中第个悬浮液颜色语义特征向量，为第个悬浮液颜色语义特征向量，为第个权重系数矩阵，为第个权重系数向量，为第个偏置向量，表示双曲正切函数处理，表示以e为底的指数函数处理，为第个注意力权重系数，为第个注意力权重系数，为所述悬浮液颜色语义特征向量的序列的长度，表示级联函数，为所述悬浮液颜色语义时序关联特征向量；

其中，对所述空气鼓入速率值的时间序列进行空气鼓入时序特征提取以得到空气鼓入速率时序关联特征向量，包括：

将所述空气鼓入速率值的时间序列按照时间维度规整为空气鼓入速率时序输入向量；

将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量；

其中，将所述空气鼓入速率时序输入向量通过基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到所述空气鼓入速率时序关联特征向量，包括：

以如下一维扩展卷积公式对所述空气鼓入速率时序输入向量进行处理以得到所述空气鼓入速率时序关联特征向量；其中，所述一维扩展卷积公式为：

,

其中，一维扩展卷积核的尺寸为，为原始卷积核的长度，为扩展率，表示以所述空气鼓入速率时序输入向量中第个位置的特征值为首的长度为的时间窗口，是偏置项，且，是非线性激活函数，是第个局部卷积编码特征向量，为所述空气鼓入速率时序输入向量的维度，是所述空气鼓入速率时序关联特征向量，表示级联；

其中，基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令，包括：

计算所述悬浮液颜色语义时序关联特征向量相对于所述空气鼓入速率时序关联特征向量的响应性估计以得到空气鼓入速率-颜色语义变化响应性关联特征矩阵；以及

将所述空气鼓入速率-颜色语义变化响应性关联特征矩阵通过基于分类器的鼓入速率控制器以得到所述控制指令，所述控制指令用于表示空气鼓入速率值增大、减小或保持不变。

2.根据权利要求1所述的湿式氧化法脱硫和硫回收的方法，其特征在于，所述脱硫贫液为络合铁水溶液。

3.根据权利要求2所述的湿式氧化法脱硫和硫回收的方法，其特征在于，将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液，包括：

所述脱硫贫液中的三价铁离子被还原为二价铁离子以得到所述脱硫富液。

4.根据权利要求3所述的湿式氧化法脱硫和硫回收的方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练；

其中，所述训练步骤，包括：

获取训练数据，所述训练数据包括由摄像头采集的所述第一悬浮液的预定时间段的训练状态监控视频、由传感器采集的所述预定时间段内的训练空气鼓入速率值的时间序列，以及，空气鼓入速率值增大、减小或保持不变的真实值；

对所述训练状态监控视频进行关键帧离散采样以得到训练状态监控关键帧的序列；

将所述训练状态监控关键帧的序列输入所述基于卷积神经网络模型的颜色特征提取器以得到训练悬浮液颜色语义特征向量的序列；

将所述训练悬浮液颜色语义特征向量的序列输入所述基于自相关注意力网络的颜色时序关联模式特征提取器以得到训练悬浮液颜色语义时序关联特征向量；

将所述训练空气鼓入速率值的时间序列按照时间维度规整为训练空气鼓入速率时序输入向量后通过所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器以得到训练空气鼓入速率时序关联特征向量；

计算所述训练悬浮液颜色语义时序关联特征向量相对于所述训练空气鼓入速率时序关联特征向量的响应性估计以得到训练空气鼓入速率-颜色语义变化响应性关联特征矩阵；

将所述训练空气鼓入速率-颜色语义变化响应性关联特征矩阵进行特征矩阵展开以得到训练空气鼓入速率-颜色语义变化响应性关联特征向量；

将所述训练空气鼓入速率-颜色语义变化响应性关联特征向量通过所述基于分类器的鼓入速率控制器以得到分类损失函数值；以及

以所述分类损失函数值来对所述基于卷积神经网络模型的颜色特征提取器、所述基于自相关注意力网络的颜色时序关联模式特征提取器、所述基于一维扩展卷积神经网络的空气鼓入速率时序模式特征提取器和所述基于分类器的鼓入速率控制器进行训练，其中，在所述训练的每一轮迭代中，对所述训练空气鼓入速率-颜色语义变化响应性关联特征向量进行迭代优化。

5.一种湿式氧化法脱硫和硫回收的系统，使用如权利要求1所述的湿式氧化法脱硫和硫回收的方法，其特征在于，包括：

脱硫模块，用于将含硫化氢的原料气体输入脱硫塔，其中，所述脱硫塔使用脱硫贫液对所述含硫化氢的原料气体进行脱硫处理以得到净化产品气、硫单质和脱硫富液；

悬浮模块，用于将所述硫单质输入所述脱硫富液以形成第一悬浮液，且将所述第一悬浮液从所述脱硫塔的底部出来后经富液泵输送至再生罐；

氧化模块，用于在所述再生罐内输入氧气以将所述脱硫富液氧化为脱硫贫液，且将所述脱硫贫液与所述硫单质形成的第二悬浮液输入缓冲罐；以及

产品加工模块，用于将所述缓冲罐内的所述第二悬浮液经滤液泵打入压滤机，以通过所述压滤机将所述硫单质加工为硫饼产品且剩下的所述脱硫贫液经循环泵重新进入所述脱硫塔；

其中，所述氧化模块，包括：

获取由摄像头采集的所述第一悬浮液的预定时间段的状态监控视频；

获取由传感器采集的所述预定时间段内的空气鼓入速率值的时间序列；

对所述状态监控视频进行悬浮液颜色状态特征提取以得到悬浮液颜色语义时序关联特征向量；

对所述空气鼓入速率值的时间序列进行空气鼓入时序特征提取以得到空气鼓入速率时序关联特征向量；以及

基于所述悬浮液颜色语义时序关联特征向量和所述空气鼓入速率时序关联特征向量之间的响应性关联信息来确定空气鼓入速率值的控制指令。