CN110343541A - 一种裂解炉管智能结焦监测边云协同平台及其工作方法 - Google Patents
一种裂解炉管智能结焦监测边云协同平台及其工作方法 Download PDFInfo
- Publication number
- CN110343541A CN110343541A CN201910526431.4A CN201910526431A CN110343541A CN 110343541 A CN110343541 A CN 110343541A CN 201910526431 A CN201910526431 A CN 201910526431A CN 110343541 A CN110343541 A CN 110343541A
- Authority
- CN
- China
- Prior art keywords
- data
- pipe
- boiler tube
- cracking furnace
- temperature
- 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
- 238000005336 cracking Methods 0.000 title claims abstract description 68
- 238000004939 coking Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000000197 pyrolysis Methods 0.000 claims abstract description 26
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims abstract description 21
- 239000005977 Ethylene Substances 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000006872 improvement Effects 0.000 claims abstract description 7
- 239000000203 mixture Substances 0.000 claims abstract description 6
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 238000009529 body temperature measurement Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 23
- 238000005259 measurement Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000004615 ingredient Substances 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005255 carburizing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G9/00—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
- C10G9/14—Thermal non-catalytic cracking, in the absence of hydrogen, of hydrocarbon oils in pipes or coils with or without auxiliary means, e.g. digesters, soaking drums, expansion means
- C10G9/18—Apparatus
- C10G9/20—Tube furnaces
- C10G9/206—Tube furnaces controlling or regulating the tube furnaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Thermal Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及裂解炉智能监测技术领域,提供一种裂解炉管智能结焦监测边云协同平台及其工作方法。包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置;所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。与现有技术相比,本发明的云端层可进行大数据的储存与分析,并提出优化改进意见,并将意见反馈至边缘层。所述工作方法可进行高精度的重管识别,并快速而准确的检测出离群点。
Description
技术领域
本发明涉及裂解炉智能监测技术领域,更具体地,涉及一种裂解炉管智能结焦监测边云协同平台及其工作方法。
背景技术
乙烯工业作为石油化工产业的核心,世界上已将乙烯产量作为衡量一个国家石油化工发展水平的重要标志之一。裂解炉是乙烯工业的核心设备,裂解炉炉管又是其关键部件。由于裂解炉炉管长期处于高温火焰的烟气中,在生产中不可避免出现炉管内部结焦而造成的炉管局部过热等现象,导致炉管渗碳、开裂、堵漏、漏管、减薄等形式的失效。在裂解炉炉管失效的各种形式中,大多与温度有直接关系,因此乙烯生产企业极为重视炉炉管外表面温度的监测。
现有技术中,裂解炉炉管外表面温度测温方式主要为:使用智能测温装置对裂解炉炉管外表面温度监测,实现裂解炉炉管外表面温度的非接触式自动测量。但是,智能测温仪之间没有数据传输,只是进行单独的储存或处理。获取数据时,只能从每个智能测温仪单独获取。在实际生产过程中,设备数量较多,裂解炉炉管在高温、高压,燃烧嘴喷射火焰带动的强烈气流和振动环境下,情况较为复杂,通常需要对设备的运行状态进行监控,以便于及时发现设备及数据的异常情况。而现有的监测方式一般为工作人员在线进行系统监测,成本高,结构复杂,不易维护。
智能测温装置对裂解炉炉管外表面温度监测的过程中,还会发现炉管会经常存在互相遮挡、严重重叠的现象,这种现象也被称作为重管。重管现象的存在,会导致在区分和计算每根裂解炉炉管外表面温度的过程中存在一定的难度。
同时,在测量得到的数据集中,往往会出现明显偏离其他数据、不服从数据一般行为或模式的数据,这些数据称为离群点。离群点的出现有可能是由于数据噪声,或于数据源出现了特殊了异常行为和状态而造成的。但是目前离群点检测方法大都只能用于单变量的数值型离群点检测,而不适用于高维空间多变量数据的情形,还有些方法必须要计算每个样本点之间的距离,使得检测性能较差,效率低。
发明内容
本发明旨在克服上述现有技术的至少一种不足,提供一种裂解炉管智能结焦监测边云协同平台,该平台可在云端层进行大数据的储存与分析,并提出优化改进意见,并将意见反馈至边缘层。
本发明采取的技术方案是,提供一种裂解炉管智能结焦监测边云协同平台,包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置;所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个;所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
在上述技术方案中,边云协同平台,包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;可进行大范围、深层次的裂解炉数据采集,以及异构数据的协议转换与边缘处理,并实现数据向云端平台的集成。所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置;所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个。
在上述技术方案中,所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置;
所述云端层以企业私有云为基础设施,结合虚拟化资源管理和云作业调度,实现乙烯工业大数据的存储与智能分析,所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置;所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
边缘层和云端层以协同的方式实现裂解炉管生命周期全过程优化,该边云协同能力主要包括数据协同和智能协同。
数据协同:边缘节点采集乙烯裂解炉运行参数,按照规则和数据模型对数据进行初步处理与分析,将处理后的数据上传给云端,本协同平台中从边缘层上传到云平台的数据包括课题组自主开发的智能测温设备获取的裂解炉管外表面温度,以及石化企业安装的乙烯DCS/数采系统获取到的裂解炉管出口温度、文丘里压力和横跨段压力等;云端持续接收边缘节点的数据,基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析,包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。
智能协同:边缘节点一方面为云端裂解炉智能结焦预测模型训练提供数据输入,一方面负责边缘推理执行,即执行基于CNN的裂解炉重管检测算法,实现裂解炉中每根炉管外表面温度的精确测量(本协同平台中,边缘节点即非接触式智能测温仪,其通过部署AI芯片以实现高效的智能协同);云端通过大数据分析抽象提炼相关的关键运行参数模型,包括基于高斯混合模型的离群点检测、CNN网络参数的持续优化训练和压缩移植,并对现场设备给出优化调整建议,保证设备正常运行并提升生产效率。
进一步地,所述炉管重管识别装置包括智能测温仪、pc端、云服务器,所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器;所述内部集成红外测温模块和激光测距模块获得的数据,通过嵌入式处理器处理以后发送至pc端和/或云服务器。
智能测温仪内部集成红外测温模块用于测温,激光测距模块用于测距,所述内部集成红外测温模块和激光测距模块获得的数据,经嵌入式处理器处理后发送至pc端和/或云服务器。
进一步地,提供一种裂解炉管智能结焦监测边云协同平台的工作方法,包括以下步骤:
S1:边缘层采集数据并进行初步处理与分析;
S2:云端层接收数据并开展大数据统计分析;
S3:云端层对边缘层提出优化改进意见。
边缘层包括裂解炉管外表面智能测温装置和乙烯DCS/数采系统,可进行大范围、深层次的裂解炉数据采集,以及异构数据的协议转换与边缘处理,并实现数据向云端平台的集成。云端层持续接收边缘节点的数据,基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析,包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。云端层对现场设备给出优化调整建议,保证设备正常运行并提升生产效率。
进一步地,所述步骤S1中包括炉管重管识别方法:
S111:数据的采集;
S112:基于DCNN的炉管重管识别模型构建;
S113:基于DCNN的炉管重管识别模型重构;
S114:炉管外表面温度的计量;
S115:上传至云服务器。
进一步地,所述步骤S1中包括异常数据检测方法,所述异常数据为离群点:
S121:通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集
S122:利用高斯混合模型对所述目标数据集进行训练;
S123:根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联;
S124:利用预设的标准差计算方式对所述成分点进行筛选;
S125:根据筛选结果在所述样例点中获取所述离群点。
进一步地,S111:数据的采集:内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据;
S112:基于DCNN的炉管重管识别模型构建:智能测温仪采集到的原始一维数据传输给PC端,PC端将采集的原始一维数据变换为二维直方图;在二维直方图中对炉管距离数据进行特征提取,获得炉管的重管和非重管的距离特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S113:基于DCNN的炉管重管识别模型重构:将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S114:炉管外表面温度的计量:智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据,提取原始一维数据中的炉管距离数据,并返回炉管距离数据在原始一维数据中的起始位置坐标,再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管,返回每根炉管的识别类型标签,根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量;
S115:上传至云服务器:智能测温仪将计算得到的炉管外表面温度上传到云服务器。
在上述技术方案中,优选为采用以Cortex-M7为内核的STM32F767VET6作为智能测温仪的嵌入式处理器,在嵌入式处理器上部署神经网络的优化软件内核为CMSIS-NN,其中CMSIS-NN内核库中包含了DCNN网络实现所需的深度卷积、池化、激活和全连接等功能函数,使得我们在嵌入式处理器中重构DCNN重管识别模型成为可能。
本发明首先利用重管和非重管的距离特征差异,训练生成DCNN重管识别模型,其次针对嵌入式处理器的特性,将DCNN重管识别模型移植到智能测温仪内部的嵌入式处理器,然后,再由DCNN重管识别模型结合智能测温仪内部的数据处理算法和温度值计量方法,计算得到重管和非重管的温度。本发明训练生成的DCNN重管识别模型能高精准度判别重管和非重管,提高裂解炉炉管外表面温度测量的准确性,实现了智能测温仪的边缘计算功能。
进一步地,步骤S112中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管外表面和炉膛内壁的温度数据,再去除二维直方图中炉膛内壁的距离数据后,去除炉管距离数据中与炉管特征相关度低的无效阈值数据,提取得到炉管的重管和非重管的距离特征图。
进一步地,所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
初始化所述高斯混合模型的第一参数{(αi,μi,Σi)|1≤i≤k};
对所述样例点进行计算生成所述成分点的后验概率;其中,PM为Zj的后验概率,Zj的后验概率为所述样例点Xj由第i个所述成分点生成的后验概率。
进一步地,所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
利用第二公式计算出所述高斯混合模型的第二参数;
将所述第一参数转化为所述第二参数;
基于所述第二参数,根据所述第一公式计算生成所述成分点的后验概率;
根据所述后验概率并利用所述第二公式重新计算所述第二参数。
进一步地,所述步骤S123中根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联包括:
将所述目标数据集中的每个所述样例点关联到相应的所述成分点上;
计算所述成分点的参数据均值和/或方差。
所述步骤S124中,所述的利用预设的标准差计算方式对所述的成分点进行筛选包括:利用三倍标准差方式对所述参数均值与方差进行差值计算,并生成相应的差值范围;根据所述差值范围对所述成分点进行筛选,确定落入所述差值范围以外的所述成分点为所述离群点。
与现有技术相比,本发明的有益效果为:1.边缘层可进行大范围、深层次的裂解炉数据采集,以及异构数据的协议转换与边缘处理,并实现数据向云端平台的集成;云端层实现大数据的储存与智能分析,并提供多项增值服务。云端层同时对现场设备给出优化调整建议,保证设备正常运行并提升生产效率。
2.所提供的重管识别方法,能高精准度判别裂解炉炉管重管和非重管,提高裂解炉炉管外表面温度测量的准确性,实现智能测温仪的边缘计算功能。
3.所提供的异常数据检测的方法,能够利用高斯混合模型快速收敛的优点,快速而准确的检测出离群点。
综上所述,本发明边云协同平台的云端层可进行大数据的储存与分析,并提出优化改进意见,并将意见反馈至边缘层。边云协同平台的工作方法可进行高精度的重管识别,并快速而准确的检测出离群点。
附图说明
图1为本发明裂解炉管智能结焦监测边云协同平台架构图。
图2为本发明裂解炉管智能结焦监测边云协同平台协同能力框架图。
具体实施方式
本发明附图仅用于示例性说明,不能理解为对本发明的限制。为了更好说明以下实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
实施例
如图1和图2所示,本实施例一种裂解炉管智能结焦监测边云协同平台,包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置;所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个;所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置;所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
如图2边云协同平台协同能力框架图所示,边云协同平台,包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;可进行大范围、深层次的裂解炉数据采集,以及异构数据的协议转换与边缘处理,并实现数据向云端平台的集成。所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置;所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个。
所述云端层以企业私有云为基础设施,结合虚拟化资源管理和云作业调度,实现乙烯工业大数据的存储与智能分析,所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置;所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
边缘层和云端层以协同的方式实现裂解炉管生命周期全过程优化,该边云协同能力与内涵主要包括数据协同和智能协同。
数据协同:边缘节点采集乙烯裂解炉运行参数,按照规则和数据模型对数据进行初步处理与分析,将处理后的数据上传给云端,本协同平台中从边缘层上传到云平台的数据包括课题组自主开发的智能测温设备获取的裂解炉管外表面温度,以及石化企业安装的乙烯DCS/数采系统获取到的裂解炉管出口温度、文丘里压力和横跨段压力等;云端持续接收边缘节点的数据,基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析,包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。
智能协同:边缘节点一方面为云端裂解炉智能结焦预测模型训练提供数据输入,一方面负责边缘推理执行,即执行基于CNN的裂解炉重管检测算法,实现裂解炉中每根炉管外表面温度的精确测量(本协同平台中,边缘节点即非接触式智能测温仪,其通过部署AI芯片以实现高效的智能协同);云端通过大数据分析抽象提炼相关的关键运行参数模型,包括基于高斯混合模型的离群点检测、CNN网络参数的持续优化训练和压缩移植,并对现场设备给出优化调整建议,保证设备正常运行并提升生产效率。
所述炉管重管识别装置包括智能测温仪、pc端、云服务器,所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器;所述内部集成红外测温模块和激光测距模块获得的数据,通过嵌入式处理器处理以后发送至pc端和/或云服务器。智能测温仪内部集成红外测温模块用于测温,激光测距模块用于测距,所述内部集成红外测温模块和激光测距模块获得的数据,经嵌入式处理器处理后发送至pc端和/或云服务器。
本实施例裂解炉管智能结焦监测边云协同平台的工作方法S1:边缘层采集数据并进行初步处理与分析;S2:云端层接收数据并开展大数据统计分析;S3:云端层对边缘层提出优化改进意见。
边缘层包括裂解炉管外表面智能测温装置和乙烯DCS/数采系统,可进行大范围、深层次的裂解炉数据采集,以及异构数据的协议转换与边缘处理,并实现数据向云端平台的集成。云端层持续接收边缘节点的数据,基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析,包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。云端层对现场设备给出优化调整建议,保证设备正常运行并提升生产效率。
所述步骤S1中包括炉管重管识别方法:
S111:数据的采集;
S112:基于DCNN的炉管重管识别模型构建;
S113:基于DCNN的炉管重管识别模型重构;
S114:炉管外表面温度的计量;
S115:上传至云服务器。
所述步骤S1中包括异常数据检测方法,所述异常数据为离群点:
S121:通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集
S122:利用高斯混合模型对所述目标数据集进行训练;
S123:根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联;
S124:利用预设的标准差计算方式对所述成分点进行筛选;
S125:根据筛选结果在所述样例点中获取所述离群点。
S111:数据的采集:内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据;
S112:基于DCNN的炉管重管识别模型构建:智能测温仪采集到的原始一维数据传输给PC端,PC端将采集的原始一维数据变换为二维直方图;在二维直方图中对炉管距离数据进行特征提取,获得炉管的重管和非重管的距离特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S113:基于DCNN的炉管重管识别模型重构:将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S114:炉管外表面温度的计量:智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据,提取原始一维数据中的炉管距离数据,并返回炉管距离数据在原始一维数据中的起始位置坐标,再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管,返回每根炉管的识别类型标签,根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量;
S115:上传至云服务器:智能测温仪将计算得到的炉管外表面温度上传到云服务器。
优选为采用以Cortex-M7为内核的STM32F767VET6作为智能测温仪的嵌入式处理器,在嵌入式处理器上部署神经网络的优化软件内核为CMSIS-NN,其中CMSIS-NN内核库中包含了DCNN网络实现所需的深度卷积、池化、激活和全连接等功能函数,使得我们在嵌入式处理器中重构DCNN重管识别模型成为可能。
本实施例首先利用重管和非重管的距离特征差异,训练生成DCNN重管识别模型,其次针对嵌入式处理器的特性,将DCNN重管识别模型移植到智能测温仪内部的嵌入式处理器,然后,再由DCNN重管识别模型结合智能测温仪内部的数据处理算法和温度值计量方法,计算得到重管和非重管的温度。本实施例训练生成的DCNN重管识别模型能高精准度判别重管和非重管,提高裂解炉炉管外表面温度测量的准确性,实现了智能测温仪的边缘计算功能。
步骤S112中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管外表面和炉膛内壁的温度数据,再去除二维直方图中炉膛内壁的距离数据后,去除炉管距离数据中与炉管特征相关度低的无效阈值数据,提取得到炉管的重管和非重管的距离特征图。
所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
初始化所述高斯混合模型的第一参数{(αi,μi,Σi)|1≤i≤k};
对所述样例点进行计算生成所述成分点的后验概率;其中,PM为Zj的后验概率,Zj的后验概率为所述样例点Xj由第i个所述成分点生成的后验概率。
所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
利用第二公式计算出所述高斯混合模型的第二参数;
将所述第一参数转化为所述第二参数;
基于所述第二参数,根据所述第一公式计算生成所述成分点的后验概率;
根据所述后验概率并利用所述第二公式重新计算所述第二参数。
所述步骤S123中根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联包括:
将所述目标数据集中的每个所述样例点关联到相应的所述成分点上;
计算所述成分点的参数据均值和/或方差。
所述步骤S124中,所述的利用预设的标准差计算方式对所述的成分点进行筛选包括:利用三倍标准差方式对所述参数均值与方差进行差值计算,并生成相应的差值范围;根据所述差值范围对所述成分点进行筛选,确定落入所述差值范围以外的所述成分点为所述离群点。
显然,本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例,而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种裂解炉管智能结焦监测边云协同平台,包括边缘层和云端层,所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置;所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置;所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个;其特征在于,所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
2.根据权利要求1所述的一种裂解炉管智能结焦监测边云协同平台,其特征在于,所述炉管重管识别装置包括智能测温仪、pc端、云服务器,所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器;所述内部集成红外测温模块和激光测距模块获得的数据,通过嵌入式处理器处理以后发送至pc端和/或云服务器。
3.根据权利要求1所述的一种裂解炉管智能结焦监测边云协同平台,其特征在于,所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置。
4.根据权利要求1或2所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,包括以下步骤:
S1:边缘层采集数据并进行初步处理与分析;
S2:云端层接收数据并开展大数据统计分析;
S3:云端层对边缘层提出优化改进意见。
5.根据权利要求4所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,所述步骤S1中包括炉管重管识别方法:
S111:数据的采集;
S112:基于DCNN的炉管重管识别模型构建;
S113:基于DCNN的炉管重管识别模型重构;
S114:炉管外表面温度的计量;
S115:上传至云服务器。
6.根据权利要求4所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,所述步骤S1中包括异常数据检测方法,所述异常数据为离群点:
S121:通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集
S122:利用高斯混合模型对所述目标数据集进行训练;
S123:根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联;
S124:利用预设的标准差计算方式对所述成分点进行筛选;
S125:根据筛选结果在所述样例点中获取所述离群点。
7.根据权利要求5所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,
S111:数据的采集:内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据;
S112:基于DCNN的炉管重管识别模型构建:智能测温仪采集到的原始一维数据传输给PC端,PC端将采集的原始一维数据变换为二维直方图;在二维直方图中对炉管距离数据进行特征提取,获得炉管的重管和非重管的距离特征图,以构成DCNN网络模型训练的数据集;再将数据集输入PC端的DCNN网络模型进行训练,以在PC端构建DCNN重管识别模型;
S113:基于DCNN的炉管重管识别模型重构:将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器,以对DCNN重管识别模型在嵌入式处理器内进行重构;
S114:炉管外表面温度的计量:智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据,提取原始一维数据中的炉管距离数据,并返回炉管距离数据在原始一维数据中的起始位置坐标,再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管,返回每根炉管的识别类型标签,根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标,对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量;
S115:上传至云服务器:智能测温仪将计算得到的炉管外表面温度上传到云服务器。
8.根据权利要求7所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,步骤S112中,在二维直方图中对炉管距离数据进行特征提取的过程中,先去除二维直方图中炉管外表面和炉膛内壁的温度数据,再去除二维直方图中炉膛内壁的距离数据后,去除炉管距离数据中与炉管特征相关度低的无效阈值数据,提取得到炉管的重管和非重管的距离特征图。
9.根据权利要求6所述的一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
初始化所述高斯混合模型的第一参数{(αi,μi,Σi)|1≤i≤k};
利用第一公式:
对所述样例点进行计算生成所述成分点的后验概率;其中,PM为Zj的后验概率,Zj的后验概率为所述样例点Xj由第i个所述成分点生成的后验概率。
10.根据权利要求6所述一种裂解炉管智能结焦监测边云协同平台的工作方法,其特征在于,所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括:
利用第二公式计算出所述高斯混合模型的第二参数;
将所述第一参数转化为所述第二参数;
基于所述第二参数,根据所述第一公式计算生成所述成分点的后验概率;
根据所述后验概率并利用所述第二公式重新计算所述第二参数;
所述步骤S123中根据训练结果,将所述训练数据中的样例点与所述高斯混合模型的成分点相关联包括:
将所述目标数据集中的每个所述样例点关联到相应的所述成分点上;
计算所述成分点的参数据均值和/或方差。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526431.4A CN110343541B (zh) | 2019-06-18 | 2019-06-18 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
PCT/CN2020/092649 WO2020253484A1 (zh) | 2019-06-18 | 2020-05-27 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
US17/244,559 US11415469B2 (en) | 2019-06-18 | 2021-04-29 | Edge-cloud collaboration platform for intelligent coking monitoring of cracking furnace tubes and working method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910526431.4A CN110343541B (zh) | 2019-06-18 | 2019-06-18 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110343541A true CN110343541A (zh) | 2019-10-18 |
CN110343541B CN110343541B (zh) | 2021-08-06 |
Family
ID=68182252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910526431.4A Active CN110343541B (zh) | 2019-06-18 | 2019-06-18 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11415469B2 (zh) |
CN (1) | CN110343541B (zh) |
WO (1) | WO2020253484A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110730245A (zh) * | 2019-10-22 | 2020-01-24 | 青岛农业大学 | 基于神经网络的边缘计算系统和方法 |
WO2020253484A1 (zh) * | 2019-06-18 | 2020-12-24 | 广东石油化工学院 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
CN113253037A (zh) * | 2021-06-22 | 2021-08-13 | 北京赛博联物科技有限公司 | 基于电流波纹的边云协同设备状态监测方法及系统、介质 |
CN113655764A (zh) * | 2021-08-16 | 2021-11-16 | 珠海格力电器股份有限公司 | 云边协同控制系统及控制方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173711A (zh) * | 2023-08-18 | 2023-12-05 | 安徽工程大学产业创新技术研究有限公司 | 一种汽车轮胎参数识别检测方法及服务平台 |
CN116894469B (zh) * | 2023-09-11 | 2023-12-15 | 西南林业大学 | 端边云计算环境中的dnn协同推理加速方法、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369540A (zh) * | 2002-03-12 | 2002-09-18 | 扬子石油化工股份有限公司 | 裂解炉在线清焦过程的自动控制方法 |
CN205228645U (zh) * | 2015-10-19 | 2016-05-11 | 中国石油化工股份有限公司 | 一种乙烯裂解炉炉管壁温实时监测装置 |
CN107367331A (zh) * | 2017-07-26 | 2017-11-21 | 广东石油化工学院 | 一种乙烯裂解炉炉管温度的连续测量装置 |
CN206990111U (zh) * | 2017-07-26 | 2018-02-09 | 广东石油化工学院 | 一种基于摆动导杆的乙烯裂解炉炉管壁温测量装置 |
CN108106753A (zh) * | 2017-12-13 | 2018-06-01 | 广东石油化工学院 | 一种关于裂解炉炉管外壁测温初始位置和角度优化方法 |
CN108681656A (zh) * | 2018-04-27 | 2018-10-19 | 上海卓然工程技术股份有限公司 | 一种基于乙烯裂解炉运行数据的过程分析方法 |
CN108803534A (zh) * | 2018-07-23 | 2018-11-13 | 合肥金星机电科技发展有限公司 | 乙烯裂解炉烧焦过程监测系统 |
US20190093186A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN109858707A (zh) * | 2019-01-30 | 2019-06-07 | 广东石油化工学院 | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8300880B2 (en) * | 2009-06-05 | 2012-10-30 | Ali Esmaili | System and method for temperature data acquisition |
CN102053595A (zh) * | 2009-10-30 | 2011-05-11 | 中国石油化工股份有限公司 | 一种乙烯装置中控制裂解炉裂解深度的方法 |
CN103207949B (zh) * | 2013-04-10 | 2016-09-07 | 华东理工大学 | 乙烯裂解炉tle出口温度和运行周期预测方法 |
CN104374478B (zh) * | 2014-11-20 | 2018-08-03 | 广东石油化工学院 | 裂解炉炉管外壁与炉膛内壁的温度甄别方法及测量装置 |
US11215574B2 (en) * | 2016-05-09 | 2022-01-04 | Haldor Topsøe A/S | Monitoring of heated tubes |
CN107894710B (zh) * | 2017-10-13 | 2020-04-24 | 杭州电子科技大学 | 一种裂解反应炉温度的主成分分析建模方法 |
CN108072448B (zh) * | 2017-12-13 | 2019-07-16 | 广东石油化工学院 | 一种关于裂解炉炉管外壁温度计量的数据处理方法 |
CN108958195A (zh) * | 2018-07-23 | 2018-12-07 | 合肥金星机电科技发展有限公司 | 乙烯裂解炉烧焦过程控制方法 |
CN110197199B (zh) * | 2019-04-17 | 2020-07-28 | 广东石油化工学院 | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 |
CN110222814B (zh) * | 2019-04-25 | 2022-11-25 | 广东石油化工学院 | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 |
CN110343541B (zh) * | 2019-06-18 | 2021-08-06 | 广东石油化工学院 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
-
2019
- 2019-06-18 CN CN201910526431.4A patent/CN110343541B/zh active Active
-
2020
- 2020-05-27 WO PCT/CN2020/092649 patent/WO2020253484A1/zh active Application Filing
-
2021
- 2021-04-29 US US17/244,559 patent/US11415469B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369540A (zh) * | 2002-03-12 | 2002-09-18 | 扬子石油化工股份有限公司 | 裂解炉在线清焦过程的自动控制方法 |
CN205228645U (zh) * | 2015-10-19 | 2016-05-11 | 中国石油化工股份有限公司 | 一种乙烯裂解炉炉管壁温实时监测装置 |
CN107367331A (zh) * | 2017-07-26 | 2017-11-21 | 广东石油化工学院 | 一种乙烯裂解炉炉管温度的连续测量装置 |
CN206990111U (zh) * | 2017-07-26 | 2018-02-09 | 广东石油化工学院 | 一种基于摆动导杆的乙烯裂解炉炉管壁温测量装置 |
US20190093186A1 (en) * | 2017-09-27 | 2019-03-28 | International Business Machines Corporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
CN108106753A (zh) * | 2017-12-13 | 2018-06-01 | 广东石油化工学院 | 一种关于裂解炉炉管外壁测温初始位置和角度优化方法 |
CN108681656A (zh) * | 2018-04-27 | 2018-10-19 | 上海卓然工程技术股份有限公司 | 一种基于乙烯裂解炉运行数据的过程分析方法 |
CN108803534A (zh) * | 2018-07-23 | 2018-11-13 | 合肥金星机电科技发展有限公司 | 乙烯裂解炉烧焦过程监测系统 |
CN109858707A (zh) * | 2019-01-30 | 2019-06-07 | 广东石油化工学院 | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253484A1 (zh) * | 2019-06-18 | 2020-12-24 | 广东石油化工学院 | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 |
US11415469B2 (en) | 2019-06-18 | 2022-08-16 | Guangdong University Of Petrochemical Technology | Edge-cloud collaboration platform for intelligent coking monitoring of cracking furnace tubes and working method thereof |
CN110730245A (zh) * | 2019-10-22 | 2020-01-24 | 青岛农业大学 | 基于神经网络的边缘计算系统和方法 |
CN113253037A (zh) * | 2021-06-22 | 2021-08-13 | 北京赛博联物科技有限公司 | 基于电流波纹的边云协同设备状态监测方法及系统、介质 |
CN113253037B (zh) * | 2021-06-22 | 2021-10-08 | 北京赛博联物科技有限公司 | 基于电流波纹的边云协同设备状态监测方法及系统、介质 |
CN113655764A (zh) * | 2021-08-16 | 2021-11-16 | 珠海格力电器股份有限公司 | 云边协同控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110343541B (zh) | 2021-08-06 |
WO2020253484A1 (zh) | 2020-12-24 |
US11415469B2 (en) | 2022-08-16 |
US20210247246A1 (en) | 2021-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110343541A (zh) | 一种裂解炉管智能结焦监测边云协同平台及其工作方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN109902153A (zh) | 基于自然语言处理和案例推理的设备故障诊断方法及系统 | |
CN102637019A (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
WO2023024433A1 (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN114450646B (zh) | 用于使用深度学习来检测风力涡轮操作异常的系统和方法 | |
Zhao et al. | A method for measuring tube metal temperature of ethylene cracking furnace tubes based on machine learning and neural network | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN109359662A (zh) | 一种面向百万千瓦超超临界机组非平稳特性的基于因果分析的多层贝叶斯网络故障诊断方法 | |
CN110009126A (zh) | 基于pls模型与pca贡献度融合的在线报警分析方法 | |
He et al. | Intelligent Fault Analysis With AIOps Technology | |
Chukkapalli et al. | Cyber-physical system security surveillance using knowledge graph based digital twins-a smart farming usecase | |
CN109858707A (zh) | 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 | |
Khan et al. | An explainable regression framework for predicting remaining useful life of machines | |
Hong et al. | Application of Data-Driven technology in nuclear Engineering: prediction, classification and design optimization | |
CN110222814A (zh) | 基于嵌入式dcnn的乙烯裂解炉炉管重管识别方法 | |
Zhang et al. | THz Wave Detection of Gap Defects Based on a Convolutional Neural Network Improved by a Residual Shrinkage Network | |
Dai et al. | Data driven methods | |
CN110197199A (zh) | 嵌入式dcnn和边缘计算的裂解炉重管温度识别方法 | |
CN117251006A (zh) | 一种基于智能温度监测的cbct设备安全控制方法及系统 | |
CN117035663A (zh) | 基于大数据的智慧绿化苗木根系发育跟踪系统 | |
CN110095204A (zh) | 一种乙烯裂解炉管温度诊断系统 | |
Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
US11080613B1 (en) | Process monitoring based on large-scale combination of time series data | |
Jiang et al. | Application of prognostic and health management in avionics system |
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 |