CN109902264A - 一种基于物料平衡的数据同步校正方法 - Google Patents
一种基于物料平衡的数据同步校正方法 Download PDFInfo
- Publication number
- CN109902264A CN109902264A CN201910102893.3A CN201910102893A CN109902264A CN 109902264 A CN109902264 A CN 109902264A CN 201910102893 A CN201910102893 A CN 201910102893A CN 109902264 A CN109902264 A CN 109902264A
- Authority
- CN
- China
- Prior art keywords
- measurement
- mobile message
- material balance
- appreciable error
- balance
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据校正领域,尤其涉及一种基于物料平衡的数据同步校正方法,包括以下步骤:S1:基于与测量相关的显著误差以及物料移动信息缺失,采用支持向量回归方法建立模型;S2:采用VC维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系;S3:通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正。通过使用本发明,能够同步检测并校正物料平衡问题中与测量相关的显著误差以及物料移动信息的缺失。
Description
技术领域
本发明涉及数据校正领域,尤其涉及一种基于物料平衡的数据同步校正方法。
背景技术
在任何一个现代化的炼化工厂中,生产计划、生产调度以及绩效分析等活动 是制造运行管理的关键,这些活动又依赖于来自生产统计的物料平衡数据,该物 料平衡数据基本的数据源是生产过程中的测量数据。但是,由于炼化工厂中生产 工艺路线复杂,过程数据繁多,很难基于过程测量数据直接获得能够反映全厂真 实生产状况的全厂级生产统计数据。对于一个操作单元(生产装置),和其相连的 所有管线流量可以被测量,那么应用一个质量平衡原理,进料流量的和减去出料 流量的和应该等于零符合质量守恒,同时,过程测量数据不可避免地受到来自测 量和处理过程中的误差的干扰。这种干扰使得过程测量数据偏离真实值,不能满 足物料平衡和能量平衡或者其他的过程约束。通常来说,这种对于过程测量数据 的干扰有两种——随机误差和显著误差。
随机误差不能够被完全去除并始终存在于测量之中,并且不能够被确定地预 测,概率分布是唯一可用来刻画随机误差的方法。除了在一些偶然的尖峰处之外, 随机误差的幅值通常都很小。
显著误差则是由非随机事件引起的,并且可被分为两类,即与测量相关的显 著误差,例如测量仪表故障;以及与过程相关的显著误差,例如过程泄漏,在物 料平衡过程中也可表现为移动信息缺失。显著误差的非随机特性揭示出,在任意 一个给定时刻,显著误差具有确定的幅值和正负,但是它的幅值和正负都是未知 的。较之随机误差,显著误差发生的概率更小,但是,显著误差的幅值更大。
既然在物料平衡中,过程测量数据的误差可能导致物料平衡结果的偏差,那 么最小化随机误差和显著误差的影响就显得尤为重要。数据校正(Data Rectification,DR)是一种通过减少过程测量数据中的随机误差的影响、减小以 至去除过程测量数据中显著误差的影响来提高过程数据的准确性的技术,该技术 与其它滤波技术的最大不同就是直接地采用过程模型约束(例如物料平衡)来对 过程测量数据进行最优的调整,使得调整之后的数据能够满足这些模型约束。数 据校正技术的特点决定了该技术能够很好的适用于物料平衡问题。
因此,基于生产工艺流程及生产过程测量数据进行数据校正而获得全厂物料 平衡数据已成为炼化企业制造运行管理的关键。并且,全厂物料平衡也是数据校 正技术在实际工业应用中最成功也最广泛的领域,许多大型自动化软件及系统供 应商都有相应的产品,例如Honeywell的BusinessFlex软件套件、Aspen的Aspen One软件套件和Supcon的ESP-SupPlant Production软件套件等。
例如:发明名称:一种炼油厂多层次物料平衡数据校正方法,专利号:200710071291.3的专利,该专利公开了:首先采用进厂、出厂、库存计量数据进 行进销存平衡的数据校正,然后利用第一步计算所得的结果作为约束对生产装置 和油品移动层的数据进行校正,从而得到准确的符合全厂物料平衡的数据。但是该 数据校正方法都没有考虑到由于物料移动信息缺失所引起的显著物料的校正,都 只是利用装置的产率或者测量仪表精度,没有利用更多的生产工艺关键约束条件。 因此通过该数据校正方法得到的校正结果不准确,从而影响其物料平衡结果。
发明内容
为解决上述问题,本发明提出一种基于物料平衡的数据同步校正方法,能够 同时校正物料平衡模型中与测量相关的显著误差以及物料移动信息缺失。
一种基于物料平衡的数据同步校正方法,包括以下步骤:
S1:基于与测量相关的显著误差以及物料移动信息缺失,采用支持向量回归 方法建立模型;
S2:采用VC维来表示与测量相关的显著误差以及物料移动信息缺失的数量 关系;
S3:通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著 误差以及物料移动信息缺失的检测与校正。
优选地,所述基于与测量相关的显著误差以及物料移动信息缺失,采用支持 向量回归方法建立模型包括:
基于与测量相关的显著误差以及物料移动信息缺失,建立模型:
其中,xM为过程数据测量值向量,x为过程数据真实值向量,ε为过程测量 随机误差向量,u为物料平衡中的未测量变量向量,d为常数向量,A表示对应 于的物料平衡关联矩阵,B表示对应于u的物料平衡关联矩阵,C表示对应于d的 物料平衡关联矩阵,上角标T表示转置,μMi表示第i个变量的测量值中可能存在 与测量相关的显著误差的偏差值,μLj表示第j个物料平衡单元中可能存在物料移 动信息缺失的值,mi和lj为0-1二元变量,mi表示第i个变量的测量值中是否存 在显著误差,lj表示第j个物料平衡单元中是否存在物料移动信息缺失。
优选地,所述采用VC维来表示与测量相关的显著误差以及物料移动信息缺 失的数量关系包括:
根据建立的模型的VC维自由参数的个数,表示为:
其中,p表示测量过程变量的个数,q表示物料平衡单元的个数。
优选地,所述通过最小化结构风险采用混合整数线性规划方法进行与测量相 关的显著误差以及物料移动信息缺失的检测与校正包括:
根据公式(2),得到最小化的结构风险为:
其中,a为一预先给定的常数,用来平衡拟合误差采用ε不敏感函数 作为的衡量指标,得到同步校正测量显著误差及物料移动信息缺失的物料平 衡方法的形式为:
Ax+Bu+Cd=LμL
h(x)=0
g(x)≤0
-Uimi≤μMi≤Uimi
-ULjlj≤μLj≤ULjlj
0≤xi≤xi
mi,lj∈{0,1}
(4)
其中,
μL=[μL1,μL2,…μLj,…μLq]T (6)
σi表示第i个测量变量的测量数据误差的标准差,为松弛变量,表示 了第i个过程量真实值的上限,Ui表示第i个显著误差绝对值的上限,ULj表示第j个物料移动信息缺失对值的上限,h(·)表示物料平衡中的对测量量的关键性能 指标的等式约束,g(·)表示物料平衡中的对测量量的关键性能指标的不等式约束;
采用混合整数线性规划对公式(4)进行求解,并对与测量相关的显著误差 以及物料移动信息缺失进行校正。
优选地,所述采用混合整数线性规划对公式(4)进行求解包括:
在实施物料平衡时,找出测量量对于测量网络中生产单元和存储单元的平衡 关系形成A、B、C平衡矩阵;
根据生产工艺要求,找到每个过程量真实值的上限每个显著误差绝对值 的上限Ui以及每个物料移动信息缺失对值的上限ULj;
根据生产工艺要求,找到物料平衡中的对测量量的关键性能指标的等式约束 h(·)和不等式约束g(·);
将测量的仪表精度作为测量量的标准差σi;
将A、B、C平衡矩阵、每个过程量真实值的上限每个显著误差绝对值 的上限Ui、每个物料移动信息缺失对值的上限ULj、物料平衡中的对测量量的关 键性能指标的等式约束h(·)和不等式约束g(·)以及测量量的标准差σi代入公式(4) 进行混合整数线性规划求解。
通过使用本发明,可以实现以下效果:
1.能够同步检测并校正物料平衡问题中与测量相关的显著误差以及物料移动 信息的缺失;
2.基于支持向量回归的方法建立线性的优化模型,便于工程实施;
3.采用混合整数线性规划对物料平衡问题进行求解,适用于全厂大规模的物 料平衡求解;
4.能够考虑实际企业物料平衡过程中的关键指标约束,所得的物料平衡结果 更能满足企业的实际需求。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的整体流程示意图;
图2是本发明的实施例一的结构示意图;
图3是本发明的实施例二的结构示意图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这 些实施例。
本发明的基本思想是基于支持向量回归方法,采用VC维来表示与测量相关 的显著误差以及物料移动信息缺失,采用混合整数线性规划方法,通过最小化结 构风险进行与测量相关的显著误差以及物料移动信息缺失的检测与校正,实现物 料平衡。该方法支持生产运行中关键性能指标的约束,使得物料平衡结果更能满 足企业实际需求。
如图1所示,本实施例提供一种基于物料平衡的数据同步校正方法,包括以 下步骤:
S1:基于与测量相关的显著误差以及物料移动信息缺失,采用支持向量回归 方法建立模型;
具体的,基于与测量相关的显著误差以及物料移动信息缺失,建立模型:
其中,xM为过程数据测量值向量,x为过程数据真实值向量,ε为过程测量 随机误差向量,u为物料平衡中的未测量变量向量,d为常数向量,A表示对应 于的物料平衡关联矩阵,B表示对应于u的物料平衡关联矩阵,C表示对应于d的 物料平衡关联矩阵,上角标T表示转置,μMi表示第i个变量的测量值中可能存在 与测量相关的显著误差的偏差值,μLj表示第j个物料平衡单元中可能存在物料移 动信息缺失的值,mi和lj为0-1二元变量,mi表示第i个变量的测量值中是否存 在显著误差,lj表示第j个物料平衡单元中是否存在物料移动信息缺失。
mi和lj定义为:
S2:采用VC维来表示与测量相关的显著误差以及物料移动信息缺失的数量 关系;
对于多次采样的数据校正问题,在一个采样时域中获得采样个数为H的测量 数据集那么数据协调和显著误差校正问题可视为 基于该测量数据集XM对系统真实值X=[X1,X2,..Xj,…XH]以及模型中的参数进行 估计。假设系统真实值和测量值一样获得,那么数据协调和显著误差校正问题要 做的工作就剩下估计公式(1)中的参数,这样就变成一个回归问题,该问题基 于数据集:
来估计公式(1)和(2),实际上系统真实值不可能事先获得,但是可以根据系 统模型及系统要满足的其它一些条件来获得真实值的约束。
根据统计学习理论可知,由公式(1)、(2)定义的模型的VC维为自由参数的个 数,表示为:
其中,p表示测量过程变量的个数,q表示物料平衡单元的个数。
S3:通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著 误差以及物料移动信息缺失的检测与校正。
对于物料平衡,根据统计学习理论需要最小化的结构风险为:
其中,a为一预先给定的常数,用来平衡拟合误差(或称经验风险)采用ε不敏感函数作为的衡量指标,可以得到同步校正测量显著误差及物料 移动信息缺失的物料平衡方法的形式为:
Ax+Bu+Cd=LμL
h(x)=0
g(x)≤0
-Uimi≤μMi≤Uimi
-ULjlj≤μLj≤ULjlj
0≤xi≤xi
mi,lj∈{0,1}
(5)
其中,
μL=[μL1,μL2,…μLj,…μLq]T (7)
其中,xM为过程数据测量值向量,x为过程数据真实值向量,u为物料平衡中 的未测量变量向量,d为常数向量主要是在测量网络中表示不可以调整的测量量, 比如出厂结算量、高精度的罐库存变化量等;A、B和C分别表示对应于x、u和 d的物料平衡关联矩阵;μMi表示第i个变量的测量值中可能存在与测量相关的显 著误差的偏差值,μLj表示第j个物料平衡单元中可能存在物料移动信息缺失的值,mi和lj都是0-1二元变量,其分别表示第i个变量的测量值中是否存在显著误差和 第j个物料平衡单元中是否存在物料移动信息缺失。
σi表示第i个测量变量的测量数据误差的标准差,为松弛变量,表示 了第i个过程量真实值的上限,Ui表示第i个显著误差绝对值的上限,ULj表示第 j个物料移动信息缺失对值的上限,h(·)表示物料平衡中的对测量量的关键性能 指标的等式约束,g(·)表示物料平衡中的对测量量的关键性能指标的不等式约束。
从公式(5)的形式可以看出这个是一个混合整数线性规划进行求解问题。在实 施物料平衡时,找出测量量对于测量网络中生产单元和存储单元的平衡关系形成 A、B、C平衡矩阵;根据生产工艺要求,找到每个过程量真实值的上限每 个显著误差绝对值的上限Ui以及每个物料移动信息缺失对值的上限ULj;根据生 产工艺要求,找到物料平衡中的对测量量的关键性能指标的等式约束h(·)和不等 式约束g(·);将测量的仪表精度作为测量量的标准差σi;将A、B、C平衡矩阵、 每个过程量真实值的上限每个显著误差绝对值的上限Ui、每个物料移动信 息缺失对值的上限ULj、物料平衡中的对测量量的关键性能指标的等式约束h(·) 和不等式约束g(·)以及测量量的标准差σi代入公式(4)进行检测与实际真实值 估计。同时与测量相关的显著误差以及物料移动信息缺失进行检测与估计。避免 了奇异矩阵求逆的问题,更加适用于大规模全厂物料平衡的求解。同时,该方法 可以考虑物料平衡问题中更多的约束问题,例如某些关键性能指标的约束,使得 所得物料平衡结果更能符合企业的需要。
实例一
过程的泄露也可以视为一种物料移动信息的缺失,在物料平衡过程中会引起 严重的物料不平衡。该实例采用一个循环系统作为研究对象,其为一个线性系统, 该系统也被其他许多学者用来研究数据协调问题,特别是用来研究过程泄漏。该 系统的结构如图2所示,有七个流量a、b、c、d、e、f、g和四个装置节点单元 1、2、3、4,其流量的真实值为[5,15,15,5,10,5,5](m3/h),测量的标准差(SD) 全部为2.5%真实值,仿真中所有的数据采用十次测量的平均值,采用蒙特卡洛 方法基于100次仿真数据得到仿真结果。
在本实例中采用该系统进行研究的目的在于揭示本发明方法对于显著误差 的检测效能。采用统计检验第一类错误的平均值(AVTI)和整体效能(OP)以 及完美检测效能(OPF)作为衡量指标,分别定义如下
首先对系统中只有测量偏差而没有过程泄漏的情况进行了仿真研究,并将基 于赤池信息准则(AIC)的混合整数非线性规划(MINLP)方法以及基于AIC的 混合整数线性规划方法的结果进行对比,结果如表1所示。
表1中给出了三种方法在只有两个测量偏差无泄漏情况下的比较结果。在仿 真中采用了固定的偏差,其偏差值分别为7倍和4倍相对应流量测量数据误差的 标准差。
表1
从表1中可以看出,SV回归方法实现了完美的显著误差检测,在每一个仿 真情况下都能够正确的检测出所有的测量偏差,但是基于AIC的MINLP方法表 现得比较差,特别是对于第二个和第四个流率中含有显著误差的情况。与基于 AIC的MINLP相类似的结果也表现在MILP方法中,因为其采用的惩罚系数也 较小。同时,求解MINLP问题容易导致局部最优解,而本发明方法,总是能够 找到全局最优解。
针对过程中存在一个测量显著误差,一个过程泄露的情况,也进行了研究, 其效果和对比结果如表2所示。
表2
aL表示了在节点 的泄漏;B表示在测量 处的显著误差
从表2中可以看出,当测量偏差和过程泄漏同时存在时,本发明方法仍然表 现出了很好的性能,几乎在所有情况下都实现了完美的显著误差检测,明显优于 基于AIC的MINLP方法。
从实例一的研究与对比结果中可以看出,本发明方法对于与测量相关的显著 误差以及与物料平衡模型相关的泄漏的检测有较强的性能。针对检测的结果进行 进一步地校正也具有较强的性能。
实例二
石化是一个典型的流程工业,石化产品在生产过程中从一个加工装置流向另 一个加工装置,整个工厂内的物料移动形成了一个复杂的物料平衡网络。在本实 例中,采用了某炼油厂中的部分实际加工流程,形成一个物料平衡网络,以说明 本发明方法在物料平衡中同步校正测量显著误差及物料移动信息缺失的实施方 式。
通过将实际生产过程中的物料管网以及装置和储罐进行归并和简化,可以得 到一个简化的物料平衡网络,如图3所示。该物料平衡网络中包括4个处理装置 (R1至R4)、9个进出厂节点(IN1至IN3、S1至S6)、12个储罐(T0至T11)和28 个物料流(F1至F28)。相关的模型数据如表3所示。
表3
a测量相关的显著误差;
b物料移动信息缺失;.
单位:吨
根据炼油厂的实际生产情况,炼油厂的进出厂计量和储罐计量量十分精准, 并且通常作为生产计量的基准。所以,在本实例中,进出厂和储罐的计量量作为 常量,对装置的物料流进行物料平衡。
为了说明本发明方法对于物料平衡中与测量相关的显著误差以及物料移动 信息缺失的检测与校正,本实例中引入了两个测量相关的显著误差(F4与F16)和 一个物料移动信息缺失(F25),该缺失的物料移动路径由图2中的虚线所示。
采用本发明方法得到的物料平衡结果如表4所示,其中作为对比,给出了不 具备同步校正测量显著误差与物料移动信息缺失的基于AIC的MILP方法的物料 平衡结果。
表4
a测量相关的显著误差;
b物料移动信息缺失。
从表4的结果中可以看出,一个物料移动信息缺失(F25)本发明能够检测 和估计出实际值,而其他方法没有法对缺失信息进行检测和估计,所以本发明方 法能够在实现物料平衡的同时对物料平衡中的测量显著误差以及物料移动信息 缺失进行检测和校正,具有良好的效果,较之不具备物料移动信息缺失检测和校 正的物料平衡方法更具有通用性。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的 修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权 利要求书所定义的范围。
Claims (5)
1.一种基于物料平衡的数据同步校正方法,其特征在于,包括以下步骤:
S1:基于与测量相关的显著误差以及物料移动信息缺失,采用支持向量回归方法建立模型;
S2:采用VC维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系;
S3:通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正。
2.根据权利要求1所述的基于物料平衡的数据同步校正方法,其特征在于,所述基于与测量相关的显著误差以及物料移动信息缺失,采用支持向量回归方法建立模型包括:
基于与测量相关的显著误差以及物料移动信息缺失,建立模型:
其中,xM为过程数据测量值向量,x为过程数据真实值向量,ε为过程测量随机误差向量,u为物料平衡中的未测量变量向量,d为常数向量,A表示对应于的物料平衡关联矩阵,B表示对应于u的物料平衡关联矩阵,C表示对应于d的物料平衡关联矩阵,上角标T表示转置,μMi表示第i个变量的测量值中可能存在与测量相关的显著误差的偏差值,μLj表示第j个物料平衡单元中可能存在物料移动信息缺失的值,mi和lj为0-1二元变量,mi表示第i个变量的测量值中是否存在显著误差,lj表示第j个物料平衡单元中是否存在物料移动信息缺失。
3.根据权利要求2所述的基于物料平衡的数据同步校正方法,其特征在于,所述采用VC维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系包括:
根据建立的模型的VC维自由参数的个数,表示为:
其中,p表示测量过程变量的个数,q表示物料平衡单元的个数。
4.根据权利要求3所述的基于物料平衡的数据同步校正方法,其特征在于,所述通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正包括:
根据公式(2),得到最小化的结构风险为:
其中,a为一预先给定的常数,用来平衡拟合误差采用ε不敏感函数作为的衡量指标,得到同步校正测量显著误差及物料移动信息缺失的物料平衡方法的形式为:
其中,
μL=[μL1,μL2,…μLj,…μLq]T (6)
σi表示第i个测量变量的测量数据误差的标准差,为松弛变量,表示了第i个过程量真实值的上限,Ui表示第i个显著误差绝对值的上限,ULj表示第j个物料移动信息缺失对值的上限,h(·)表示物料平衡中的对测量量的关键性能指标的等式约束,g(·)表示物料平衡中的对测量量的关键性能指标的不等式约束;
采用混合整数线性规划对公式(4)进行求解,并对与测量相关的显著误差以及物料移动信息缺失进行检测与校正。
5.根据权利要求4所述的基于物料平衡的数据同步校正方法,其特征在于,所述采用混合整数线性规划对公式(4)进行求解包括:
在实施物料平衡时,找出测量量对于测量网络中生产单元和存储单元的平衡关系形成A、B、C平衡矩阵;
根据生产工艺要求,找到每个过程量真实值的上限每个显著误差绝对值的上限Ui以及每个物料移动信息缺失对值的上限ULj;
根据生产工艺要求,找到物料平衡中的对测量量的关键性能指标的等式约束h(·)和不等式约束g(·);
将测量的仪表精度作为测量量的标准差σi;
将A、B、C平衡矩阵、每个过程量真实值的上限每个显著误差绝对值的上限Ui、每个物料移动信息缺失对值的上限ULj、物料平衡中的对测量量的关键性能指标的等式约束h(·)和不等式约束g(·)以及测量量的标准差σi代入公式(4)进行混合整数线性规划求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102893.3A CN109902264B (zh) | 2019-02-01 | 2019-02-01 | 一种基于物料平衡的数据同步校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102893.3A CN109902264B (zh) | 2019-02-01 | 2019-02-01 | 一种基于物料平衡的数据同步校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109902264A true CN109902264A (zh) | 2019-06-18 |
CN109902264B CN109902264B (zh) | 2023-04-07 |
Family
ID=66944705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102893.3A Active CN109902264B (zh) | 2019-02-01 | 2019-02-01 | 一种基于物料平衡的数据同步校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109902264B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210131A (zh) * | 2019-12-30 | 2020-05-29 | 浙江中控技术股份有限公司 | 面向流程工业的物料统计平衡方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004594A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于双线性模型的化工过程数据校正方法 |
CN101131584A (zh) * | 2007-09-13 | 2008-02-27 | 浙江大学 | 炼油厂多层次物料平衡数据校正方法 |
WO2016114736A1 (en) * | 2015-01-14 | 2016-07-21 | Türkiye Petrol Rafinerisi | A real-time data verification and data reconciliation system for petroleum refineries |
-
2019
- 2019-02-01 CN CN201910102893.3A patent/CN109902264B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004594A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于双线性模型的化工过程数据校正方法 |
CN101131584A (zh) * | 2007-09-13 | 2008-02-27 | 浙江大学 | 炼油厂多层次物料平衡数据校正方法 |
WO2016114736A1 (en) * | 2015-01-14 | 2016-07-21 | Türkiye Petrol Rafinerisi | A real-time data verification and data reconciliation system for petroleum refineries |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210131A (zh) * | 2019-12-30 | 2020-05-29 | 浙江中控技术股份有限公司 | 面向流程工业的物料统计平衡方法 |
CN111210131B (zh) * | 2019-12-30 | 2023-08-18 | 浙江中控技术股份有限公司 | 面向流程工业的物料统计平衡方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109902264B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Whittington | Some basic properties of accounting ratios | |
Yildirim et al. | Military expenditure and employment in Turkey | |
Mao et al. | Fuzzy real option evaluation of real estate project based on risk analysis | |
US20100324873A1 (en) | Method and system for estimating three phase fluid flow for individual wells | |
CN116630122B (zh) | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 | |
CN110489785A (zh) | 一种大气污染物在线源解析方法及系统 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN107506552A (zh) | 基于灵敏度测试的可靠性分析方法及系统 | |
CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
CN101008936A (zh) | 一种校正测量数据显著误差与随机误差的方法 | |
CN109902264A (zh) | 一种基于物料平衡的数据同步校正方法 | |
Ma et al. | A real-time method to detect the leakage location in urban water distribution networks | |
CN103900666A (zh) | 膜式燃气表长期运行的计量精度控制方法 | |
Chew et al. | Daily model calibration with water loss estimation and localization using continuous monitoring data in water distribution networks | |
CN108537457A (zh) | 电力建设施工质量监测、预警及控制系统的工作方法 | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 | |
CN106250993A (zh) | 一种基于舰船维修剖面的测量设备计量周期调整方法 | |
CN102662832A (zh) | 一种生产过程数据校正软件的评测方法 | |
CN101131584B (zh) | 炼油厂多层次物料平衡数据校正方法 | |
CN111768282B (zh) | 数据分析方法、装置、设备及存储介质 | |
Ansari et al. | HistoRIA: A new tool for simulation input analysis | |
CN107862476A (zh) | 一种基于数据分析的计量用表需求计算方法 | |
CN114154686A (zh) | 一种基于集成学习的大坝变形预测方法 | |
Sun et al. | Gross error detection and data reconciliation using historical data | |
CN109993386A (zh) | 化工生产单位的物料平衡校正方法、装置和介质 |
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 |