CN109063412A - 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 - Google Patents
用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 Download PDFInfo
- Publication number
- CN109063412A CN109063412A CN201810984653.6A CN201810984653A CN109063412A CN 109063412 A CN109063412 A CN 109063412A CN 201810984653 A CN201810984653 A CN 201810984653A CN 109063412 A CN109063412 A CN 109063412A
- Authority
- CN
- China
- Prior art keywords
- data
- acetylene
- plasma
- obtains
- coal pyrolysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法,该系统包括:数据采集模块,实时采集等离子体裂解煤制乙炔反应过程的多源生产数据;多源数据存储模块,存储和管理所述多源生产数据;多源数据融合模块,分别提取所述多源生产数据的关键特征,获得带有时间戳的结构化数据,并对结构化数据进行融合;状态评估模块,根据多源生产数据的融合结果得到等离子体裂解煤制乙炔反应状态的评估等级。本发明的系统有效地利用了等离子反应过程的多源生产数据,采用特征级融合方法对多源生产数据进行融合,对等离子反应过程的运行状态等级进行评估。
Description
技术领域
本发明涉及等离子体裂解煤制乙炔生产监控领域,尤其涉及一种用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法。
背景技术
乙炔,分子式为C2H2,在室温下是一种无色、极易燃的气体。乙炔在化工生产中占据着重要位置,主要用于金属的焊接和切割、有机合成、原子吸收光谱、标准气、校正气和照明等。由乙炔可生产一系列的化学产品,其衍生物在塑料、合成纤维、合成橡胶、医药、农药、染料、香蕉、涂料、溶剂、胶粘剂、表面活性剂以及有机导体和半导体等许多工业部门有广泛用途。
我国的乙炔生产主要依靠传统的电石水解法(湿法碳化钙法),电石由焦炭和石灰制成,通过水解生成乙炔,同时产生大量废水和电石渣。这种工艺流程长、能耗高、环境污染严重。
等离子体是大量带电粒子组成的非凝聚系统,是物质的第四态,其基本组成为:带负电粒子(如电子)、带正电粒子(如离子)和中性粒子。热等离子体可以起到高温热源和化学活性粒子源的双重作用,因为等离子态的各种物质微粒具有极强的化学活性,所以可以在无催化剂存在的条件下加速反应进程,并提供吸热过程所需的能量,因此可以高效率、低能耗地实现烃类的裂解。
现在乙炔主要是由石油裂解烯烃得来,而石油现在已日益枯竭,由石油裂解制乙炔也不是长远之计。煤在世界范围都有广泛的分布,而且其总蕴藏量要比石油多,并且煤与乙炔的碳氢比很接近,故以煤为原料直接生产乙炔应该是最合理的工艺路线。
等离子体热解煤制乙炔是利用等离子体具有能量高度集中、高热焓、高化学活性的特点,将等离子体技术与煤转化相结合,它克服了传统工艺的许多缺点,具有流程短、洁净转化的优点,是煤直接转化的一条有效途径。
等离子体裂解煤制乙炔的原理是利用等离子体炬产生的平均温度达5000℃的氢等离子体使煤粉和氢气进行化学反应,产生含乙炔的混合气体,经过分离和提浓,即可得到高质量乙炔。使用该方法乙炔产率可达到29~31%,最高达59.9%。
但由于等离子体裂解煤制乙炔还是一种正在发展的生产方案,业界目前对其的研究还停留在工程化阶段。目前,通过分析等离子反应过程的生产运行数据来得到运行状态指标,并进一步指导实际生产的研究还较少。
目前,对多源数据融合的状态评估方法大多基于单模态数据,其多基于不同类型的传感器数据,而在工业过程生产监控中,单凭传感器数据并不能完全反映生产运行状态,并且,在实际工业生产过程中,很多信息来源的数据目前还不能得到充分的运用,其富含的信息可以进一步来指导实际的生产工作。
发明内容
本发明提供了一种用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统和方法,其有效地利用了等离子反应过程的多源生产数据,采用特征级融合方法对多源生产数据进行融合,对等离子反应过程的运行状态等级进行评估。
为实现上述目的,本发明提供了如下技术方案:
一种用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,包括:
数据采集模块,实时采集等离子体裂解煤制乙炔反应过程的多源生产数据;
多源数据存储模块,存储和管理所述多源生产数据;
多源数据融合模块,分别提取所述多源生产数据的关键特征,获得带有时间戳的结构化数据,并对结构化数据进行融合;
状态评估模块,根据多源生产数据的融合结果得到等离子体裂解煤制乙炔反应状态的评估等级。
所述的数据采集模块包括:
DCS装置,通过多传感器实时采集反应过程的DCS数据;
拍摄装置,拍摄等离子反应器内的温度光谱视频和焦层图,获得图片/视频数据;
生产日志,记录有反应过程的计划调度指令和生产操作记录,获得文字数据;
离线化验分析装置,定时分析等离子反应器出口气中的乙炔浓度,获得化验分析数据。
DCS数据主要包括实时流量、压力、温度等数据;图片/视频数据包括等离子反应器内的结焦图片和温度光谱视频,分为属性数据和特征数据,属性数据包括时间、地点、类型、拍摄对象等,特征数据包括颜色特征、纹理特征、形状特征、空间关系特征等;文字数据包括关于等离子体反应过程的计划调度指令和生产操作记录;离线化验分析装置获得定时出口气中的乙炔浓度。上述四类数据均带有时间戳。
所述的多源数据存储模块包括:
实时测量数据库,存储和管理所述的DCS数据;
图片数据库,存储和管理等离子反应器内的焦层图数据;
视频数据库,存储和管理等离子反应器内的温度光谱视频数据;
文字数据库,存储和管理所述的文字数据;
化验分析数据库,存储和管理所述的化验分析数据。
所述的多源数据融合模块分别提取所述多源生产数据的关键特征,并对多源生产数据进行融合。所述的多源数据融合模块包括:
DCS数据特征提取子模块,根据等离子体裂解煤制乙炔的反应运行机理,从所述的DCS数据中提取部分关键数据;
图片/视频数据特征提取子模块,通过比较算法获得焦层厚度和实时等离子反应器内的温度;
文字数据特征提取子模块,从文字数据中提取计划调度指令中的日期时间、励磁电流、电弧功率和煤的相关性质数据,提取生产操作记录中的日期时间、清焦、开停车、阀门号、开度和故障状态信号;
化验分析数据特征提取子模块,从化验分析数据中提取出口气中的乙炔浓度和对应的取样时间;
特征融合子模块,通过时间戳对各个特征提取子模块获得的特征数据进行匹配,获得完整的结构化数据。
根据获得的完整的结构化数据,构建训练集和验证集;采用带模型复杂度惩罚项的多元线性回归模型进行过程建模,并采用训练集对过程模型进行训练。
利用该过程模型,可以根据实时DCS数据、图片/视频数据和文字数据,获得实时的等离子反应器出口气中乙炔浓度,DCS数据中包含实时的等离子反应器出口气温度和压力。
状态评估模块根据实时出口气乙炔浓度、出口气温度及压力三个指标对等离子体裂解煤制乙炔反应状态进行评估。
所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统具有信息显示模块,对所述状态评估模块获得的评估结果进行实时可视化显示。
本发明还提供了一种基于上述系统的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,包括以下步骤:
(1)实时采集等离子体裂解煤制乙炔反应过程的多源生产数据,并进行存储;
(2)分别提取所述多源生产数据的关键特征,获得带有时间戳的结构化数据,并对结构化数据进行融合;
(3)根据多源生产数据的融合结果得到等离子体裂解煤制乙炔反应状态的评估等级。
所述的多源生产数据包括实时DCS数据、等离子反应器内的温度光谱视频和焦层图、反应过程的计划调度指令和生产操作记录、等离子反应器出口气的化验分析数据。
上述四类数据均带有时间戳。
步骤(2)包括:
(2-1)根据等离子体裂解煤制乙炔的反应运行机理,从所述的DCS数据中提取部分关键数据,获得带有时间戳的特征集合X1;
(2-2)通过比较算法,从温度光谱视频和焦层图中获得反应器内的焦层厚度和实时温度,获得带有时间戳的特征集合X2;
(2-3)从计划调度指令中提取日期时间、励磁电流、电弧功率和煤的相关性质数据,从生产操作记录中提取日期时间、清焦、开停车、阀门号、开度和故障状态信号,获得带有时间戳的特征集合X3;
(2-4)从化验分析数据中提取出口气中的乙炔浓度和对应的取样时间,获得带有时间戳的特征Y;
(2-5)通过时间戳对各个特征提取子模块获得的特征数据进行匹配,获得完整的结构化数据。
步骤(3)包括:
(3-1)根据所述的完整的结构化数据,构建训练集;采用带模型复杂度惩罚项的多元线性回归模型进行过程建模,并采用训练集对过程模型进行训练;
(3-2)实时获取多源生产数据并分别提取关键特征,利用所述的过程模型,获得对应时间的等离子反应器出口气中的乙炔浓度;
(3-3)根据出口气乙炔浓度、温度及压力三个指标对等离子体裂解煤制乙炔反应状态进行评估。
步骤(3-1)包括:
(I)根据所述的完整的结构化数据,构建训练集;
(II)对结构化数据中的各个特征X进行变换,变换方式为:
Xnew=[X,X2,X3,sqrt(X),log(X)]
其中,X2为X的平方;X3为X的立方;sqrt(X)为X的平方根;log(X)为X的对数;
(III)以Xnew为自变量,以出口气中的乙炔浓度Y为变量,构建带模型复杂度惩罚项的多元线性回归模型;
所述多元线性回归模型的优化目标损失函数为:
-Myj≤βj≤Myj,j=1,...,k
yj∈{0,1},j=1,...,k
其中,FM(r)为模型训练的损失函数,其由两部分组成:为多元线性回归的最小二乘损失,Xi为训练样本的输入,zi为训练样本的标签,即乙炔浓度;C(r)为模型复杂度的惩罚项,r为模型的基数,即所选的回归量;yi为二元变量,其小于等于模型回归量r,且β满足二元变量与大M的共同约束;
(IV)通过训练集进行训练,使得FM取到最小值,获得多元线性回归模型中各自变量的系数。
步骤(3-3)包括:
(i)将乙炔浓度、温度及压力的值域范围进行分段,分别将乙炔浓度、温度及压力模糊成若干种定性指标;
(ii)结合专家知识库,用“IF-ELSE”形式的规则,将乙炔浓度、温度及压力的若干种定性指标进行结合,得出等离子体裂解煤制乙炔反应状态的评估等级标准;
(iii)根据实时的乙炔浓度、温度及压力,对照所述的评估等级标准,得出当前反应状态的评估等级。
所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法还包括:对获得的评估结果进行实时可视化显示。
与现有技术相比,本发明的有益效果为:
(1)本发明综合利用了煤制乙炔反应过程中的多模态信息,包括现场测量信息、图片/视频信息、文字信息和离线化验分析数据,更能充分表达出等离子反应过程的运行状态;
(2)本发明建立的等离子反应的过程模型,可实时得到反应器出口气的乙炔浓度,方便现场人员实时调整,并指导生产;
(3)本发明综合了温度、压力、浓度评价指标,可实时给出等离子反应过程的运行状态等级,并可视化呈现给操作人员。
附图说明
图1为等离子反应器内结焦图片的特征提取流程图;
图2为文字数据的特征提取流程图;
图3为特征融合子模块的工作流程图;
图4为等离子反应过程模型的误差测试图;
图5为等离子反应过程模型中的因变量系数;
图6为信息显示模块显示的状态评估结果雷达图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,包括:
数据采集模块,采集等离子体裂解煤制乙炔反应过程的生产数据,并存储至多源数据存储模块;
多源数据存储模块,实现所述生产数据的存储和管理;
多源数据融合模块,对数据采集模块采集的多源数据进行融合;
状态评估模块,根据多源数据的融合结果得到等离子体裂解煤制乙炔反应状态评估等级;
信息显示模块,对等离子体裂解煤制乙炔反应状态评估结果进行实时可视化显示。
数据采集模块包括DCS装置、拍摄装置、日志以及离线化验分析装置。
用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,包括以下步骤:
(1)通过DCS装置、拍摄装置、气相色谱仪和调度日志等途径采集到多数据源信息,包括等离子反应过程的实时DCS数据、焦层厚度图/温度光谱视频、文字记录信息和离线化验分析数据;
将上述采集的多源数据存储在多数据源存储模块中,多数据源存储模块包括实时数据库、图片/视频数据库、文字数据库以及化验分析记录数据库;
(2)对于每种数据库信息,通过特征提取子模块分别完成各模态数据的特征提取,得到带时间属性的输出特征,并通过时间属性进行数据匹配。接着,采用带模型复杂度惩罚项的多元线性回归来对多源数据进行融合,得到出口气乙炔浓度的反应模型;
(3)评估状态指标为实时出口气压力、实时出口气温度和模型输出的实时出口气乙炔浓度,采用分段模糊化和“IF-ELSE”形式的规则将压力、温度、浓度三种指标结合并得到等离子反应过程的状态评估等级;
(4)每个运行时间点的状态评估等级以雷达图的方式进行呈现,历史上的状态评估等级将会以报表的形式进行呈现。
DCS装置采集的DCS数据主要包括流量、压力、温度等数据,如表1所示。
表1为DCS装置实时测量数据点
结合等离子体裂解煤制乙炔的工艺机理,从原DCS数据测量点中提取出反应过程输入的关键特征数据X1,如表2所示。
表2为从DCS数据中提取的特征
拍摄装置采集的为图片/视频数据,图片/视频数据包括监控拍摄的等离子体反应器数据,包括结焦图片、温度光谱视频监控,分为属性数据和特征数据,属性数据包括时间、地点、类型、拍摄对象等,特征数据包括颜色特征、纹理特征、形状特征、空间关系特征等。
可根据图像识别算法提取出图片/视频数据的关键特征。
采用图像识别算法,从结焦图片提取并输出的特征是时间数据和焦层厚度数据。首先选取没有焦层的图片作为基准图像,通过比较算法将两张图像进行比较,得到灰度图的统计量,并转换为特征值,再输出焦层厚度特征,算法流程如图1所示。
从温度光谱视频监控中,可直接输出的特征是等离子反应器内温度数据和时间数据。温度光谱视频数据本身记录了连续时间序列的温度信息,将其结构化后输出得到反应器内的温度特征。最后,从图片/视频数据提取的特征X2如表3所示。
表3为从图片/视频数据中提取的特征
文字数据包括关于等离子体反应过程的计划调度指令和生产操作记录,通过分词和词袋模型的建立,完成文字信息的关键特征提取。
分词使用jieba分词,并建立词袋模型,即建立煤制乙炔等离子反应器运行状况的关键特征语料库,将非结构化数据进行结构化,包括计划调度指令中的日期时间、励磁电流、电弧功率、煤的相关性质数据、生产操作记录中的日期时间、清焦、开停车、阀门号和开度、故障状态信号等,接着结合语料库提取出关键特征,算法流程如图2所示。从文字数据中提取的结构化特征X3如表4。
表4为从文字数据中提取的结构化特征
离线化验分析数据为通过气相色谱仪对样本中乙炔浓度的检测值,其包含有不同时间、不同取样位置的样本中乙炔浓度数据,从中提取出的特征为带有时间特征的反应器出口合成气乙炔浓度,为等离子反应过程模型的输出Y。
结合DCS数据特征X1、图片/视频数据特征X2、文字数据特征X3以及离线化验分析数据特征Y,得到了完整的结构化数据,如表5所示。
表5完整的结构化数据表
如图3所示,采用特征级融合的方法对表5中的结构化数据进行融合,建立等离子体反应过程模型。
特征级融合方法采用带模型复杂度惩罚项的多元线性回归来进行融合。首先,为了消除不同量纲之间造成的差异,需要对数据进行预处理,即对数据进行归一化处理,这种处理是对原始数据的线性变换,使结果落到[0,1]区间内,转换函数如下:
x=(x-min)/(max-min)
其中,max为量程的最大值;min为量程的最小值。
由上述特征X1、X2、X3组成特征向量X,出口合成气乙炔浓度Y为训练标签。
由统计性指标生成原输入变量X的平方特征、立方特征、平方根特征、对数特征。变换方式如下:
Xnew=[X,X2,X3,sqrt(X),log(X)]。
接下来建立Xnew和出口合成气乙炔浓度Y的带模型复杂度惩罚项的多元线性回归模型,模型复杂度表征为选取特征的个数。
该模型的其模型优化目标损失函数(即模型的最小二乘损失和模型复杂度的惩罚项)如下:
-Myj≤βj≤Myj,j=1,...,k
yj∈{0,1},j=1,...,k
其中,FM(r)为模型训练的损失函数,其有两部分组成:为多元线性回归的最小二乘损失,Xi为训练样本的输入,zi为训练样本的标签,即乙炔浓度;C(r)为模型复杂度的惩罚项,r为模型的基数,即所选的回归量;yi为二元变量,其小于等于模型回归量r,且β满足二元变量与大M的共同约束。
该模型综合考虑了模型的复杂性和模型的拟合能力,具有良好的可解释性和准确性。
通过已有样本训练集的训练,使FM取到最小值,建立出口合成气乙炔浓度与多源输入数据的反应过程模型,即可实时计算出乙炔浓度。
评估状态指标为实时出口气压力、实时出口气温度和实时出口气乙炔浓度,分别记为P、T和C,通过模糊数学的方式将这三种指标进行融合。具体为:将压力、温度和浓度的值域范围进行分段,分别模糊化成三种定性指标,如表6所示;并结合专家知识库,用“IF-ELSE”形式的规则,将压力、温度和浓度各自的三种定性指标进行结合,得出等离子反应过程的状态评估等级,如表7所示。
表6等离子反应过程影响指标的模糊化
表7等离子反应过程评估等级
信息显示模块将每个运行时间点的状态评估等级以雷达图的方式进行呈现,历史状态评估等级以报表的形式进行呈现。
以某煤制乙炔工厂的等离子反应过程为例,说明本发明的具体实施方法。
DCS系统将等离子反应过程的多传感器数据进行实时采集并输入到数据库中,包含了温度、压力、流量等性质的数据,存储在实时测量数据库中;工厂中的拍摄装置定时拍摄等离子反应器的焦层图,并存储在图片数据库中;温度光谱拍摄装置拍摄了等离子反应器运行时反应器内温度光谱视频,存储在视频数据库中;调度人员及操作人员将调度指令及运行时的操作过程记录在文档中,形成了文字数据库;分析人员定时取样反应器的出口气,并通过气相色谱仪对出口气的乙炔浓度进行检测,得到化验分析记录的数据库。
在多源数据融合模块中,对这些多模态数据分别进行特征提取。
实时测量信息特征提取子模块:DCS的数据采集点共有28个,其中,并不是所有的数据都作为特征融合模块的输入,结合煤制乙炔反应的运行机理,从中挑选出8个数据采集点作为实时测量数据的输入特征。
图片/视频特征提取子模块:图片数据为拍摄的焦层厚度图,通过图1的算法流程图得到了焦层厚度,得到的图片特征数据;视频数据为温度光谱视频,其本身记录了时间和反应器内的温度。
文字特征提取子模块:通过图2的算法流程图从文字数据库中得到了计划调度指令中的日期时间、励磁电流、电弧功率、煤的相关性质数据、生产操作记录中的日期时间、清焦、开停车、阀门号和开度、故障状态信号等。
化验分析特征提取子模块:根据上述步骤得到了每次取样点的乙炔浓度数据和取样时间。
特征融合子模块:将以上四类数据均转化为带有时间戳的结构化数据,通过时间特征相同来进行匹配,即得到了多源数据的完整输入特征。那么通过该数据集可以构建出关于出口气乙炔浓度的反应过程模型。采用带模型复杂度惩罚项的多元线性回归模型进行过程建模,为了验证该算法的准确性,将数据集的70%作为训练集来过程建模,剩下的30%作为测试集来验证建立出的模型的泛化能力,另外在划分数据集的时候,保证了训练集和测试集的数据分布一样,增强模型的可靠能力。图4为建立的模型在测试集上的误差。
得到的过程模型如下:
Y=0.52f1 3+0.41f2 3+0.36CH+0.35W+0.28I+0.17Open+0.14Clean+0.1Q+0.05T-0.07d-0.12S2-0.15h2-0.26T1-0.49J3
以上过程模型中,fl 3为输送煤粉氢气流量的三次方;f2 3为反应器淬冷水流量的三次方;CH为煤粉的C/H比;W为电弧功率;I为励磁电流;Open为输送氢气阀门开度;Clean为清焦比例;Q为单位煤粉发热量;T为反应器温度;d为焦层厚度;S2为旋转给料阀RV0201转速的平方;h2为焦层厚度的平方;Tl为备超纯水进E0201温度;J3为结焦性能量化值的三次方。
每个特征的重要性(及系数)如图5所示。
利用该过程模型,可以根据实时多源数据实时给出反应器出口的乙炔浓度,结合实时测量信息的出口气温度和出口气压力,便可以通过这三个指标对等离子反应过程进行综合的状态评估。
以2017年8月27日19:58:30为例,此时出口气温度为84.25℃,模糊化后为T1,出口气压力为0.005513Mpa,模糊化后为P2,通过乙炔浓度的过程模型实时计算得到乙炔浓度为42.5%,模糊化后为C3,则根据表7的规则,此时等离子反应器过程的状态为优,其雷达图表示为图6所示。
给出当天运行时,每隔30s的等离子反应状态等级,如表8。
表8某煤制乙炔等离子反应过程实时状态评估等级
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,其特征在于,包括:
数据采集模块,实时采集等离子体裂解煤制乙炔反应过程的多源生产数据;
多源数据存储模块,存储和管理所述多源生产数据;
多源数据融合模块,分别提取所述多源生产数据的关键特征,获得带有时间戳的结构化数据,并对结构化数据进行融合;
状态评估模块,根据多源生产数据的融合结果得到等离子体裂解煤制乙炔反应状态的评估等级。
2.根据权利要求1所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,其特征在于,所述的数据采集模块包括:
DCS装置,通过多传感器实时采集反应过程的DCS数据;
拍摄装置,拍摄等离子反应器内的温度光谱视频和焦层图,获得图片/视频数据;
生产日志,记录有反应过程的计划调度指令和生产操作记录,获得文字数据;
离线化验分析装置,定时分析等离子反应器出口气中的乙炔浓度,获得化验分析数据。
3.根据权利要求2所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,其特征在于,所述的多源数据融合模块包括:
DCS数据特征提取子模块,根据等离子体裂解煤制乙炔的反应运行机理,从所述的DCS数据中提取部分关键数据;
图片/视频数据特征提取子模块,通过比较算法获得焦层厚度和实时等离子反应器内的温度;
文字数据特征提取子模块,从文字数据中提取计划调度指令中的日期时间、励磁电流、电弧功率和煤的相关性质数据,提取生产操作记录中的日期时间、清焦、开停车、阀门号、开度和故障状态信号;
化验分析数据特征提取子模块,从化验分析数据中提取出口气中的乙炔浓度和对应的取样时间;
特征融合子模块,通过时间戳对各个特征提取子模块获得的特征数据进行匹配,获得完整的结构化数据。
4.根据权利要求1所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统,其特征在于,具有信息显示模块,对所述状态评估模块获得的评估结果进行实时可视化显示。
5.一种基于权利要求1~4任一项所述的多源数据融合系统的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,包括以下步骤:
(1)实时采集等离子体裂解煤制乙炔反应过程的多源生产数据,并进行存储;
(2)分别提取所述多源生产数据的关键特征,获得带有时间戳的结构化数据,并对结构化数据进行融合;
(3)根据多源生产数据的融合结果得到等离子体裂解煤制乙炔反应状态的评估等级。
6.根据权利要求5所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,所述的多源生产数据包括实时DCS数据、等离子反应器内的温度光谱视频和焦层图、反应过程的计划调度指令和生产操作记录、等离子反应器出口气的化验分析数据。
7.根据权利要求6所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,步骤(2)包括:
(2-1)根据等离子体裂解煤制乙炔的反应运行机理,从所述的DCS数据中提取部分关键数据,获得带有时间戳的特征集合X1;
(2-2)通过比较算法,从温度光谱视频和焦层图中获得反应器内的焦层厚度和实时温度,获得带有时间戳的特征集合X2;
(2-3)从计划调度指令中提取日期时间、励磁电流、电弧功率和煤的相关性质数据,从生产操作记录中提取日期时间、清焦、开停车、阀门号、开度和故障状态信号,获得带有时间戳的特征集合X3;
(2-4)从化验分析数据中提取出口气中的乙炔浓度和对应的取样时间,获得带有时间戳的特征Y;
(2-5)通过时间戳对各个特征提取子模块获得的特征数据进行匹配,获得完整的结构化数据。
8.根据权利要求7所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,步骤(3)包括:
(3-1)根据所述的完整的结构化数据,构建训练集;采用带模型复杂度惩罚项的多元线性回归模型进行过程建模,并采用训练集对过程模型进行训练;
(3-2)实时获取多源生产数据并分别提取关键特征,利用所述的过程模型,获得对应时间的等离子反应器出口气中的乙炔浓度;
(3-3)根据出口气乙炔浓度、温度及压力三个指标对等离子体裂解煤制乙炔反应状态进行评估。
9.根据权利要求8所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,步骤(3-3)包括:
(i)将乙炔浓度、温度及压力的值域范围进行分段,分别将乙炔浓度、温度及压力模糊成若干种定性指标;
(ii)结合专家知识库,用“IF-ELSE”形式的规则,将乙炔浓度、温度及压力的若干种定性指标进行结合,得出等离子体裂解煤制乙炔反应状态的评估等级标准;
(iii)根据实时的乙炔浓度、温度及压力,对照所述的评估等级标准,得出当前反应状态的评估等级。
10.根据权利要求5所述的用于等离子体裂解煤制乙炔反应状态评估的多源数据融合方法,其特征在于,还包括:对获得的评估结果进行实时可视化显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810984653.6A CN109063412B (zh) | 2018-08-27 | 2018-08-27 | 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810984653.6A CN109063412B (zh) | 2018-08-27 | 2018-08-27 | 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109063412A true CN109063412A (zh) | 2018-12-21 |
CN109063412B CN109063412B (zh) | 2020-08-11 |
Family
ID=64757299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810984653.6A Active CN109063412B (zh) | 2018-08-27 | 2018-08-27 | 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063412B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456756A (zh) * | 2019-03-25 | 2019-11-15 | 中南大学 | 一种适用于连续生产过程全局运行状况在线评估的方法 |
CN112032722A (zh) * | 2019-10-10 | 2020-12-04 | 北京航空航天大学 | 一种基于物联网的卧式智能等离子体医疗废弃物裂解测控系统 |
CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4588850A (en) * | 1983-08-26 | 1986-05-13 | Huels Aktiengesellschaft | Process for the production of acetylene and synthesis or reduction gas from coal in an electric arc process |
CN1693892A (zh) * | 2005-04-13 | 2005-11-09 | 华东理工大学 | 乙炔加氢反应器一段出口乙炔浓度的在线软测量方法 |
CN102081070A (zh) * | 2011-02-16 | 2011-06-01 | 西安交通大学 | 碳纳米管薄膜三电极乙炔传感器及其浓度测量方法 |
CN102156443A (zh) * | 2011-03-17 | 2011-08-17 | 浙江大学 | 一种等离子体裂解煤工艺过程的三维可视化数据监控方法 |
CN102998013A (zh) * | 2012-11-27 | 2013-03-27 | 清华大学 | 一种乙烯裂解炉出口裂解混合产物真实温度的软测量方法 |
CN107515595A (zh) * | 2017-07-18 | 2017-12-26 | 浙江大学 | 一种具有数据分析功能的煤制乙炔生产信息智能看板 |
US20180237704A1 (en) * | 2012-02-21 | 2018-08-23 | Battelle Memorial Institute | Heavy Fossil Hydrocarbon Conversion and Upgrading Using Radio-Frequency or Microwave Energy |
-
2018
- 2018-08-27 CN CN201810984653.6A patent/CN109063412B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4588850A (en) * | 1983-08-26 | 1986-05-13 | Huels Aktiengesellschaft | Process for the production of acetylene and synthesis or reduction gas from coal in an electric arc process |
CN1693892A (zh) * | 2005-04-13 | 2005-11-09 | 华东理工大学 | 乙炔加氢反应器一段出口乙炔浓度的在线软测量方法 |
CN102081070A (zh) * | 2011-02-16 | 2011-06-01 | 西安交通大学 | 碳纳米管薄膜三电极乙炔传感器及其浓度测量方法 |
CN102156443A (zh) * | 2011-03-17 | 2011-08-17 | 浙江大学 | 一种等离子体裂解煤工艺过程的三维可视化数据监控方法 |
US20180237704A1 (en) * | 2012-02-21 | 2018-08-23 | Battelle Memorial Institute | Heavy Fossil Hydrocarbon Conversion and Upgrading Using Radio-Frequency or Microwave Energy |
CN102998013A (zh) * | 2012-11-27 | 2013-03-27 | 清华大学 | 一种乙烯裂解炉出口裂解混合产物真实温度的软测量方法 |
CN107515595A (zh) * | 2017-07-18 | 2017-12-26 | 浙江大学 | 一种具有数据分析功能的煤制乙炔生产信息智能看板 |
Non-Patent Citations (4)
Title |
---|
CHANGNING WU 等: ""Thermodynamic analysis of coal pyrolysis to acetylene in hydrogen plasma reactor"", 《FUEL PROCESSING TECHNOLOGY》 * |
MORTEN HUNDT 等: ""Real-time monitoring of nucleation-growth cycle of carbon nanoparticles in acetylene plasmas"", 《JOURNAL OF APPLIED PHYSICS》 * |
周泽伟 等: ""等离子体裂解煤工艺过程的三维仿真与可视化监控系统"", 《化工学报》 * |
宋帮勇 等: ""SC-1型石脑油裂解炉全周期操作优化研究"", 《石化技术与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456756A (zh) * | 2019-03-25 | 2019-11-15 | 中南大学 | 一种适用于连续生产过程全局运行状况在线评估的方法 |
CN112032722A (zh) * | 2019-10-10 | 2020-12-04 | 北京航空航天大学 | 一种基于物联网的卧式智能等离子体医疗废弃物裂解测控系统 |
CN112032722B (zh) * | 2019-10-10 | 2021-11-02 | 北京航空航天大学 | 一种基于物联网的卧式智能等离子体医疗废弃物裂解测控系统 |
CN113344909A (zh) * | 2021-07-01 | 2021-09-03 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
CN113344909B (zh) * | 2021-07-01 | 2023-12-08 | 中国石油大学(北京) | 一种火电锅炉透火焰高温滤镜结焦识别显示方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109063412B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063412A (zh) | 用于等离子体裂解煤制乙炔反应状态评估的多源数据融合系统及方法 | |
CN104062953B (zh) | 金湿法冶金过程运行状态在线评价方法 | |
CN101630376A (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN102034214A (zh) | 一种富营养化湖泊的健康评价方法 | |
CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN104793606A (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
CN104914850A (zh) | 基于切换线性动态系统模型的工业过程故障诊断方法 | |
CN105425777B (zh) | 一种基于主动学习的化工过程故障监控方法 | |
CN110991472A (zh) | 一种高速列车牵引系统微小故障诊断方法 | |
CN107515595B (zh) | 一种具有数据分析功能的煤制乙炔生产信息智能看板 | |
CN114266297A (zh) | 火电装备语义知识库、构建方法及零样本故障诊断方法 | |
CN116519872A (zh) | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 | |
Abdullahi et al. | Towards IR4. 0 implementation in e-manufacturing: artificial intelligence application in steel plate fault detection | |
CN108171002B (zh) | 一种基于半监督混合模型的聚丙烯熔融指数预测方法 | |
Lu et al. | Operating performance assessment based on semi-supervised cluster generative adversarial networks for gold flotation process | |
Hechifa et al. | Improved intelligent methods for power transformer fault diagnosis based on tree ensemble learning and multiple feature vector analysis | |
CN102759602B (zh) | 高密度聚乙烯串级聚合反应过程故障预测方法 | |
CN112183459A (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
WO2024108641A1 (zh) | 一种基于低碳用能优化协同的区域碳排放智慧测量系统 | |
CN113537405A (zh) | 一种采用人工智能技术的蓝藻图像分类识别工具 | |
CN114595753A (zh) | 面向数据稀缺场景的综合供能服务站油气回收系统故障检测方法 | |
Monroy et al. | Diagnosis of undesired scenarios in hydrogen production by photo-fermentation | |
CN109726474B (zh) | 一种在线校正的丙烯聚合生产过程多尺度预报系统 | |
Seddini et al. | Computer Vision Techniques for Intelligent Detection and Classification of Waste Sorting | |
CN117055509B (zh) | 一种基于人工智能对短流程钢铁工艺参数预测的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |