CN111905649A - 一种流化床制粒过程状态监测系统及方法 - Google Patents
一种流化床制粒过程状态监测系统及方法 Download PDFInfo
- Publication number
- CN111905649A CN111905649A CN202010733490.1A CN202010733490A CN111905649A CN 111905649 A CN111905649 A CN 111905649A CN 202010733490 A CN202010733490 A CN 202010733490A CN 111905649 A CN111905649 A CN 111905649A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- fluidized bed
- signal
- data
- program module
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J2/00—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic
- B01J2/16—Processes or devices for granulating materials, e.g. fertilisers in general; Rendering particulate materials free flowing in general, e.g. making them hydrophobic by suspending the powder material in a gas, e.g. in fluidised beds or as a falling curtain
Abstract
本发明公开了一种流化床制粒过程状态监控系统,包括设置在流化床上的分布式声发射信号传感器;与分布式声发射信号传感器一一对应的嵌入式计算节点;主控系统。
Description
技术领域
本发明涉及流化床制粒领域,尤其涉及一种流化床制粒过程状态监测系统及方法。
背景技术
流化床喷雾制粒是将传统的混合、干燥、制粒、包衣在同一设备内一次完成,实现一步制粒的技术,与其他制粒技术相比,它具有工艺简单、操作时间短、劳动强度低等优点,在中药制药行业中,流化床一步制粒技术已广泛应用于中药颗粒的制备。流化床制粒过程中颗粒属性和流化状态是重要的参数,良好的流化状态是保证制粒过程得以进行的前提条件,而对于颗粒属性的检测有助于保证制备颗粒质量的一致性。
声发射检测技术安全环保,检测灵敏,信息丰富,非侵入的信号获取方式能保证流化床制粒过程中的流化状态不被破坏,采用声发射在线监测流化床制粒过程可以满足工业生产上实时在线测量的要求,有利于及时地发现产品品质的变化,便于及时调控,维持产品质量的稳定。
但是目前声发射检测技术应用在流化床制粒过程中,多通道声发射传感器采集的声发射信号数据对传输的带宽与计算机的处理性能提出了要求,传统的由计算机进行集中处理的模式,在工业应用场景中,庞大的数据量为中心数据处理器带来压力,使得声发射信号的处理显示出延迟性,从而在一定程度上延缓在线监控的实时性,不能及时响应异常的状态。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是如何提高对流化床制粒过程监控的实时性。
为实现上述目的,本发明在第一方面提供了一种流化床制粒过程状态监控系统,包括设置在流化床上的分布式声发射信号传感器;与分布式声发射信号传感器一一对应的嵌入式计算节点;主控系统;其中,分布式声发射信号传感器被设置为将采集的声发射信号分别发送至与其一一对应的嵌入式计算节点;嵌入式计算节点包括声信号预处理程序模块、制粒状态监测程序模块和颗粒属性定量预测程序模块;声信号预处理程序模块将接收到的声发射信号通过快速傅里叶变换(FTT)将时域信号转化为频域信号,同时将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱;制粒状态监测程序模块根据预处理后的声发射信号数据对包括正常流化、欠流化、过流化和局部结块状态在内的流化床制粒状态进行识别并将识别数据发送至主控系统,颗粒属性定量预测程序模块根据预处理后的声发射信号数据对包括水分含量、粒度分布、堆密度和空隙率在内的流化床内颗粒属性进行定量预测并将预测数据发送至主控系统;主控系统被设置为接收识别数据和预测数据并对流化床制粒过程进行实时监控。
进一步地,分布式声发射信号传感器包括设置在流化床的分布板、进风口、喷枪、滤袋和流化床床身的声信号传感器。
进一步地,流化床床身的声信号传感器被设置为背景信号传感器。
进一步地,制粒状态监测程序模块被设置为是通过反向传播的神经网络(BP-ANN)采用不同制粒状态下的声发射信号数据进行训练而得的。
进一步地,颗粒属性定量预测程序模块被设置为通过不同颗粒属性的声发射信号数据,结合偏最小二乘回归方法(PLS)而建立的。
本发明在第二方面提供了一种应用上述的流化床制粒过程状态监控系统的流化床制粒过程状态监控方法,包括下列步骤:(1)通过分布式声发射信号传感器将采集的声发射信号分别发送至与其一一对应的嵌入式计算节点;(2)嵌入式计算节点对接收的声发射信号进行预处理:由声信号预处理程序模块将接收到的声发射信号通过快速傅里叶变换(FTT)将时域信号转化为频域信号,同时将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱;由制粒状态监测程序模块根据预处理后的声发射信号数据对包括正常流化、欠流化、过流化和局部结块状态在内的流化床制粒状态进行识别并将识别数据发送至主控系统,由颗粒属性定量预测程序模块根据预处理后的声发射信号数据对包括水分含量、粒度分布、堆密度和空隙率在内的流化床内颗粒属性进行定量预测并将预测数据发送至主控系统;(3)主控系统接收识别数据和预测数据并对流化床制粒过程进行实时监控。
进一步地,分布式声发射信号传感器包括设置在流化床的分布板、进风口、喷枪、滤袋和流化床床身的声信号传感器。
进一步地,流化床床身的声信号传感器被设置为背景信号传感器。
进一步地,制粒状态监测程序模块被设置为是通过反向传播的神经网络(BP-ANN)采用不同制粒状态下的声发射信号数据进行训练而得的。
进一步地,颗粒属性定量预测程序模块被设置为通过不同颗粒属性的声发射信号数据,结合偏最小二乘回归方法(PLS)而建立的。
本发明采用边缘计算结合声发射技术的流化床制粒过程颗粒属性和流化状态检测的系统和方,采用带有边缘计算能力的嵌入式技术,每个节点可以独立处理该通道的声发射信号数据,对原始声发射数据进行预处理、特征提取、预测和状态诊断,然后将该节点的决策信息上传至电脑主机或云端,采用这种分布式处理,可以降低数据传输和处理的压力,及时对异常状态进行诊断和相应的处理
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例中的流化床制粒过程状态监控系统示意图;
图2是本发明的一个较佳实施例中的嵌入式计算节点的BP-ANN流化状态监测模型;
图3是本发明的一个较佳实施例中的嵌入式计算节点的PLS颗粒属性定量预测模型;
图4是本发明的一个较佳实施例中的流化床中药颗粒制备过程声发射监控方法的流程图;
图5是本发明的一个较佳实施例中的流化床中药颗粒制备过程声发射监控系统的示意图;
图6是本发明的一个较佳实施例中的声信号的不同采集时长的频谱图;
图7是本发明的一个较佳实施例中的声信号的原始平均频谱图;
图8是本发明的一个较佳实施例中的声信号的分段平均频谱;
图9是本发明的一个较佳实施例中的对齐处理前的过程数据图;
图10是本发明的一个较佳实施例中的对齐处理后的过程数据图;
图11是本发明的一个较佳实施例中的声信号的不同采集时长的频谱图;;
图12是本发明的一个较佳实施例中的声信号的原始平均频谱图;;
图13是本发明的一个较佳实施例中的声信号的分段平均频谱;
图14是本发明的一个较佳实施例中的各批次含水量、D50、堆密度变化趋势;
图15是本发明的一个较佳实施例中的50-400kHz的频谱图;
图16是本发明的一个较佳实施例中的200-400kHz的频谱图;
图17是本发明的一个较佳实施例中的各指标预测值与参考值相关图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
实施例1
结合图1~3
本发明为解决其技术问题所采用的技术方案是:一种流化床制粒过程颗粒属性和流化状态检测系统由声发射传感器、嵌入式处理节点、包含声发射信号处理系统的云计算主计算机组成。将边缘计算运用于流化床制粒过程监控中,边缘计算能够对数据进行实时处理和分析。将声发射数据的计算任务放到网络边缘进行处理分析,不仅加强了数据传输性能,还能实时进行处理,也分担了一部分云主机的计算任务。
图1为本发明的一个较佳实施例中的流化床制粒过程状态监控系统。如图1中所示,流化空气1自流化床3的底部流入,使物料2进行流化,配合喷雾4进行制粒。分布式声发射信号传感器布置于流化床3的不同位置,包括设置于流化床滤袋处的声发射信号传感器5、设置于进风口处的声发射信号传感器6、设置于喷枪处的声发射信号传感器7、设置于分布板处的声发射信号传感器9以及设置于流化床床身处用作背景信号的声发射信号传感器8。这些分布式声发射信号传感器分布于流化床主要功能区域,可以对流化床制粒室的喷液区、干燥区进行监测,接收声信号并将其转换为电信号,信号强度可以通过放大器放大后再由声发射信号分析仪转化为数字信号,最后通过配套的采集软件记录声发射信号数据,并将声发射信号10分别传送至与各个声发射信号传感器一一对应的嵌入式计算节点11。
嵌入式计算节点11由嵌入式计算机构成,该嵌入式计算机具有边缘计算的功能,部署有信号预处理模块、基于神经网络(ANN)的制粒状态监测模型以及颗粒质量属性的偏最小二乘回归(PLS)定量模型。数据预处理模块将原始声波信号的时域信号通过快速傅里叶变换(FTT)转化为频域信号,为了降低频谱噪声,同时减少变量个数,提高运算速度,可以将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱。基于神经网络(ANN)的制粒状态监测模型采用不同制粒状态下的声发射数据进行训练,主要包括正常流化状态、欠流化、过流化、局部结块等异常的流化制粒状态下采集的声发射信号作为训练数据,并建立这些异常状态的分类训练模型。通过收集不同质量属性(如不同水分含量、不同粒度分布、不同堆密度)流化颗粒的流化声发射信号,结合PLS方法建立颗粒属性的定量预测模型,具体步骤包括傅里叶频谱变换、频谱预处理、PLS建模。反向传播的神经网络(BP-ANN)状态监测模型采用不同制粒状态下的声发射数据进行训练,主要包括正常流化状态、欠流化、过流化、局部结块等异常的流化制粒状态下采集的声发射信号作为训练数据,并建立这些异常状态的分类训练模型。通过收集不同质量属性(如不同水分含量、不同粒度分布、不同堆密度)流化颗粒的流化声发射信号,结合PLS方法建立颗粒属性的定量预测模型,具体步骤包括傅里叶频谱变换、频谱预处理、PLS建模。嵌入式计算节点的BP-ANN状态监测模型和PLS定量预测模型流程如图2、图3所示。训练好的BP-ANN分类训练模型、PLS定量模型部署在嵌入式计算节点中。
将建立的边缘计算结合声发射技术的流化床制粒过程状态监测系统及方法应用于流化床制粒过程的监控,嵌入式计算节点将获得到的原始声发射数据进行初步处理,并将得到的信息通过路由器13和网线14上传至主计算机15,主计算机15汇总来自所有通道的数据综合判断和决策流化床的颗粒质量属性和制粒状态,对流化床制粒过程进行在线监控。对于异常状态,通过调节进风风量、喷雾速率、进气温度等参数改善制粒过程,使得制粒过程稳定的进行,减小塌床的几率。所建立的PLS定量模型能实时在线表征颗粒在流化状态中颗粒属性的变化。
实施例2
结合图4~10
本实施例中,采用上述实施例1的方法来实现每一台流化床基于声发射传感器的制粒过程监控。
如图4、5所示,在根据本发明的换一个具体实施例中,16为流化床的滤袋,17为喷枪,18为取样口,19为声发射传感器,20为放大器,21为采集卡,22为计算机系统。在流化床装料室的取样口18高度布置声发射传感器19,同气流分布板的垂直距离为23.5cm。声信号被传感器19接收后转换为电信号,经放大器20放大后由DS5-8B全信息声发射信号分析仪转化为数字信号,最后通过配套的采集卡21和采集软件记录声信号数据。声发射信号的采样频率为3MHz,在流化床制粒过程中固定时间间隔采集声信号,直至制粒结束。
收集不同批次流化床制备中药颗粒过程中的声发射信号,将采集的不同批次的数据按照一定比例划分为校正集和验证集。
鉴于预实验表明不同采集时长的频谱峰型相似,信号采集时长定为2s,如图6所示。
采集流化床制粒过程中的声发射信号,直至制粒结束。建模前将采集到的原始时域信号转化为频域信号,具体方案为将2s的时域信号均分为50段,每段时域信号作快速傅里叶变换(FFT)后得频谱,将50张频谱取平均,得2s声信号的平均频谱图,如图7所示。频谱频率范围50-400kHz,分辨率25Hz,每张频谱包含14001个频率变量。本研究选择变量数为700的分段平均频谱建立模型,如图8所示。声信号处理在MATLAB 2019b(美国MathWorks公司)中完成。
针对流化床制粒过程中所获得的声发射信号存在的包括采样时间间隔不均匀、数据采集时间点存在偏差的问题,采用相关系数校正法对过程数据进行对齐处理,经过预处理前后的频谱图如图9、10所示。在相关系数校正过程中,待对齐光谱向量的端点固定不动,根据松弛参数将光谱向量分成与参照光谱向量相同的段数,从最后一段开始同参照光谱向量进行比较和校正,在松弛参数前向和后向范围内通过拉伸或压缩变换来调节待对齐的数据片段,从而得到相关系数最大的一组数据向量,依此类推,最终得到一组对齐后的重组信号向量,相关系数的计算公式如下:
使用6个正常操作条件下的养胃颗粒流化床制粒过程的声发射信号建立多变量统计过程监控模型。
多变量统计过程监控模型包括主成分控制图、Hotelling's T2控制图和DModX控制图。
其中,主成分得分轨迹能可直观地表征过程发生的变化,用于制粒过程的监控和预测。主成分得分轨迹计算公式为:
Hotelling's T2统计过程监控模型中,Hotelling's T2统计量为主成分空间内样本到原点的马氏距离,可以通过主成分模型内部的主成分向量的波动来反映变量的变化情况,其计算公式为:
式中,K为校正集批次数目,F为置信水平为1-α,自由度为(A,K-A)时F分布的临界值。
DModX统计过程监控模型中,DModX统计量为残差标准偏差,即观测值到模型的绝对距离,反映模型外部数据变化程度的度量,任一批次在k时刻的DModX值计算公式为:
将校正集数据代入式(2)、式(3)、式(5)计算得到相应的监控指标,建立主成分控制模型、Hotelling's T2控制模型和DModX控制模型。
将验证集及过程运行状态的监测数据代入式(4)、式(6)计算得到相应的统计量,监测新批次的流化制粒状态。对于新的被检验批次,如果过程轨迹落于所建立多变量统计过程控制图的控制限以内,则认为批次处于正常状态,反之,则认为批次处于异常状态。
实施例3
结合图11~17
本实施例中,采用上述实施例1的方法来实现每一台流化床基于声发射传感器的制粒过程监控。
如图4所示,在根据本发明的换一个具体实施例中,16为流化床的滤袋,17为喷枪,18为取样口,19为声发射传感器,20为放大器,21为采集卡,22为计算机系统。在流化床装料室的取样口18高度布置声发射传感器19,同气流分布板的垂直距离为23.5cm。声发射传感器19为谐振型,谐振频率150kHz,有效响应范围50-400kHz,放大器的增益为40dB。声信号被传感器19接收后转换为电信号,经放大器20放大后由DS5-8B全信息声发射信号分析仪转化为数字信号,最后通过配套的采集卡21和采集软件记录声信号数据。声发射信号的采样频率为3MHz,在流化床制粒过程中固定时间间隔采集声信号,直至制粒结束。
取养胃颗粒浸膏5.1kg,加入10kg糊精和14kg纯化水,搅拌均匀并加热至60℃作为黏合剂备用。另取6.5kg糊精和3.35kg蔗糖置于流化床内作为底粉进行流化,当辅料加热至一定温度后,以顶喷方式喷入浸膏,依据预定的工艺流程完成制粒工艺。进风开始后每6分钟取样一次,直至制粒过程结束。本实施例采集的所有样品来自10批养胃颗粒的流化床制粒过程,每批采集约27个样品,共269个。前9批浸膏字号为19047,第10批浸膏字号为19080。
鉴于不同采集时长的频谱峰型相似,如图11所示。本实施例选择信号采集时长为2s。在流化床制粒过程中每次取样后采集声信号,直至制粒结束。建模前需将时域信号转化为频域信号,具体方案为将2s的时域信号均分为50段,每段时域信号作快速傅里叶变换(FFT)后得频谱,将50张频谱取平均,得2s声信号的平均频谱图,如图12所示。频谱频率范围50-400kHz,分辨率25Hz,每张频谱包含14001个频率变量。为了降低频谱噪声,同时减少变量个数,提高运算速度,在频域上将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱[9]。本实施例选择变量数为700的分段平均频谱建立模型,如图13所示。声信号处理在MATLAB 2019b(美国MathWorks公司)中完成。
采用浓度梯度法将样本划分为校正集和验证集。观察并选择包含有效信息的声信号频段建模。采用偏最小二乘回归算法建立声信号分段平均频谱与颗粒各个质量指标间的多元校正模型。考察归一化和中心化两种数据标准化方法对模型预测性能的影响,选择最佳的数据标准化方法。采用10折交叉验证法决定最佳的主成分数,以校正误差均方根、决定系数和预测误差均方根、决定系数评价模型的预测性能。数据分析在化学计量学分析软件SIMCA 14.1(瑞典Umetrics公司)中完成。
各批次颗粒样品的分析结果见图15,颗粒含水量、平均粒径D50和堆密度的样本数及范围见表1。由于某些时刻样品或声信号未采集以及部分样品分析结果缺失,各质量指标的样本数不尽相同。
表1各批次样本质量指标分析结果
以批次10为例,制粒过程的声信号频谱如图15、16所示。由图可知,在制粒过程中,50-320kHz频段的声信号强度存在一定波动,可能包含反映颗粒含水量、粒度分布、堆密度等性状变化的有效信号,因此本实施例建模所用的声信号频段选取50-320kHz,对应分段平均频谱的变量1-540。
采用浓度梯度法划分样本,校正集与验证集的样本数之比为3:1,各质量指标的样本划分结果见表2。
表2样本划分结果
建立声信号分段平均频谱同颗粒含水量、平均粒径D50、堆密度的定量校正模型。最佳模型参数及预测性能见表3,图17为验证集样品各质量指标的模型预测值与参考值(实测值)相关图。
表3各指标建模结果
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种流化床制粒过程状态监控系统,其特征在于,包括
设置在流化床上的分布式声发射信号传感器;
与所述的分布式声发射信号传感器一一对应的嵌入式计算节点;
主控系统;
其中,
所述的分布式声发射信号传感器被设置为将采集的声发射信号分别发送至与其一一对应的所述嵌入式计算节点;
所述的嵌入式计算节点包括声信号预处理程序模块、制粒状态监测程序模块和颗粒属性定量预测程序模块;所述的声信号预处理程序模块将接收到的声发射信号通过快速傅里叶变换(FTT)将时域信号转化为频域信号,同时将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱;所述的制粒状态监测程序模块根据预处理后的声发射信号数据对包括正常流化、欠流化、过流化和局部结块状态在内的流化床制粒状态进行识别并将识别数据发送至所述的主控系统,所述的颗粒属性定量预测程序模块根据预处理后的声发射信号数据对包括水分含量、粒度分布、堆密度和空隙率在内的流化床内颗粒属性进行定量预测并将预测数据发送至所述的主控系统;
所述的主控系统被设置为接收所述的识别数据和预测数据并对流化床制粒过程进行实时监控。
2.如权利要求1所述的流化床制粒过程状态监控系统,其中,所述的分布式声发射信号传感器包括设置在流化床的分布板、进风口、喷枪、滤袋和流化床床身的声信号传感器。
3.如权利要求2所述的流化床制粒过程状态监控系统,其中,所述的流化床床身的声信号传感器被设置为背景信号传感器。
4.如权利要求3所述的流化床制粒过程状态监控系统,其中,所述的制粒状态监测程序模块被设置为是通过反向传播的神经网络(BP-ANN)采用不同制粒状态下的声发射信号数据进行训练而得的。
5.如权利要求3所述的流化床制粒过程状态监控系统,其中,所述的颗粒属性定量预测程序模块被设置为通过不同颗粒属性的声发射信号数据,结合偏最小二乘回归方法(PLS)而建立的。
6.一种应用如权利要求1所述的流化床制粒过程状态监控系统的流化床制粒过程状态监控方法,其特征在于,包括下列步骤:
(1)通过所述的分布式声发射信号传感器将采集的声发射信号分别发送至与其一一对应的所述嵌入式计算节点;
(2)所述的嵌入式计算节点对接收的声发射信号进行预处理:由所述的声信号预处理程序模块将接收到的声发射信号通过快速傅里叶变换(FTT)将时域信号转化为频域信号,同时将频谱均分为N段,每段计算平均值,得到包含N个变量的分段平均频谱;由所述的制粒状态监测程序模块根据预处理后的声发射信号数据对包括正常流化、欠流化、过流化和局部结块状态在内的流化床制粒状态进行识别并将识别数据发送至所述的主控系统,由所述的颗粒属性定量预测程序模块根据预处理后的声发射信号数据对包括水分含量、粒度分布、堆密度和空隙率在内的流化床内颗粒属性进行定量预测并将预测数据发送至所述的主控系统;
(3)所述的主控系统接收所述的识别数据和预测数据并对流化床制粒过程进行实时监控。
7.如权利要求6所述的流化床制粒过程状态监控方法,其中,所述的分布式声发射信号传感器包括设置在流化床的分布板、进风口、喷枪、滤袋和流化床床身的声信号传感器。
8.如权利要求7所述的流化床制粒过程状态监控方法,其中,所述的流化床床身的声信号传感器被设置为背景信号传感器。
9.如权利要求8所述的流化床制粒过程状态监控方法,其中,所述的制粒状态监测程序模块被设置为是通过反向传播的神经网络(BP-ANN)采用不同制粒状态下的声发射信号数据进行训练而得的。
10.如权利要求8所述的流化床制粒过程状态监控方法,其中,所述的颗粒属性定量预测程序模块被设置为通过不同颗粒属性的声发射信号数据,结合偏最小二乘回归方法(PLS)而建立的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733490.1A CN111905649B (zh) | 2020-07-27 | 2020-07-27 | 一种流化床制粒过程状态监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010733490.1A CN111905649B (zh) | 2020-07-27 | 2020-07-27 | 一种流化床制粒过程状态监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111905649A true CN111905649A (zh) | 2020-11-10 |
CN111905649B CN111905649B (zh) | 2022-03-15 |
Family
ID=73281425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010733490.1A Active CN111905649B (zh) | 2020-07-27 | 2020-07-27 | 一种流化床制粒过程状态监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111905649B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532727A (zh) * | 2021-05-28 | 2021-10-22 | 中国矿业大学 | 一种空气重介质流化床床层流化质量的多参数监测方法 |
CN113608431A (zh) * | 2021-08-06 | 2021-11-05 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1589463A1 (en) * | 2004-04-21 | 2005-10-26 | Avantium International B.V. | Molecular entity design method |
CN103463834A (zh) * | 2013-09-25 | 2013-12-25 | 浙江师范大学 | 一种约束床吸附分离技术及方法 |
CN106950241A (zh) * | 2017-02-27 | 2017-07-14 | 南昌大学 | 一种预测茶油中其他掺杂油种类及含量的方法 |
CN107367548A (zh) * | 2016-05-12 | 2017-11-21 | 北京化工大学 | 基于声纹特征识别的聚乙烯气相流化床生产过程结块在线监测系统及方法 |
CN109917022A (zh) * | 2018-04-09 | 2019-06-21 | 西北工业大学 | 一种ae网络智能传感器系统 |
US20200206730A1 (en) * | 2015-07-28 | 2020-07-02 | Flodesign Sonics, Inc. | Acoustic Affinity Cell Selection for Multiple Target Receptors |
-
2020
- 2020-07-27 CN CN202010733490.1A patent/CN111905649B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1589463A1 (en) * | 2004-04-21 | 2005-10-26 | Avantium International B.V. | Molecular entity design method |
CN103463834A (zh) * | 2013-09-25 | 2013-12-25 | 浙江师范大学 | 一种约束床吸附分离技术及方法 |
US20200206730A1 (en) * | 2015-07-28 | 2020-07-02 | Flodesign Sonics, Inc. | Acoustic Affinity Cell Selection for Multiple Target Receptors |
CN107367548A (zh) * | 2016-05-12 | 2017-11-21 | 北京化工大学 | 基于声纹特征识别的聚乙烯气相流化床生产过程结块在线监测系统及方法 |
CN106950241A (zh) * | 2017-02-27 | 2017-07-14 | 南昌大学 | 一种预测茶油中其他掺杂油种类及含量的方法 |
CN109917022A (zh) * | 2018-04-09 | 2019-06-21 | 西北工业大学 | 一种ae网络智能传感器系统 |
Non-Patent Citations (4)
Title |
---|
RAVIKANTH KONA ETAL.: "Application of in-line near infrared spectroscopy and multivariatebatch modeling for process monitoring in fluid bed granulation", 《INTERNATIONAL JOURNAL OF PHARMACEUTICS》 * |
SANNI MATERO ET AL.: "The feasibility of using acoustic emissions for monitoring of fluidized bed granulation", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
林伟国 等: "流化床反应器结块故障的声纹特征提取及流化床反应器结块故障的声纹特征提取及流化床反应器结块故障的声纹特征提取及监测技术", 《化工学报》 * |
黄红霞 等: "丹红注射液提取过程轨迹及质量在线监控研究", 《中国中药杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532727A (zh) * | 2021-05-28 | 2021-10-22 | 中国矿业大学 | 一种空气重介质流化床床层流化质量的多参数监测方法 |
CN113608431A (zh) * | 2021-08-06 | 2021-11-05 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
CN113608431B (zh) * | 2021-08-06 | 2024-02-02 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN111905649B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111905649B (zh) | 一种流化床制粒过程状态监测系统及方法 | |
Zhang et al. | Quantitative analysis of routine chemical constituents in tobacco by near-infrared spectroscopy and support vector machine | |
Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
CN108760302A (zh) | 一种风力发电机组轴承的在线监测与故障诊断系统 | |
CN103808688B (zh) | 近红外光谱法快速无损检测成品药物的质量一致性 | |
JP7261427B2 (ja) | 複数粒度並列化されたcnnモデルに基づく筋電信号―トルクのマッチング方法 | |
Ouyang et al. | A novel hyperspectral microscope imaging technology for rapid evaluation of particle size distribution in matcha | |
Jiang et al. | Qualitative and quantitative analysis in solid-state fermentation of protein feed by FT-NIR spectroscopy integrated with multivariate data analysis | |
Jiang et al. | Comparison of wavelength selected methods for improving of prediction performance of PLS model to determine aflatoxin B1 (AFB1) in wheat samples during storage | |
CN111879726B (zh) | 基于加工前后同步近红外分析的烟草热加工强度及波动性在线监测方法 | |
CN102353648A (zh) | 化肥成分检测方法 | |
RU2671152C1 (ru) | Способ обработки сигнала акустической эмиссии | |
Zhang et al. | OM2S2: On-line moisture-sensing system using multifrequency microwave signals optimized by a two-stage frequency selection framework | |
CN111474091A (zh) | 一种淤浆环管反应器内颗粒粒径分布的测量系统 | |
CN113324943A (zh) | 牦牛奶及其掺加奶牛奶的快速鉴别模型 | |
Hansuld et al. | Audible acoustics in high-shear wet granulation: Application of frequency filtering | |
CN111897298A (zh) | 一种流化床中药颗粒制备过程声发射监控方法和系统 | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
CN115031643B (zh) | 流化床包衣过程中包衣膜厚度在线测量方法及系统 | |
Cheng et al. | Recognition of MIR data of semen armeniacae amarum and semen persicae using discrete wavelet transformation and BP-artificial neural network | |
CN111896617A (zh) | 一种流化床中药颗粒制备过程颗粒属性声发射检测方法和系统 | |
Wang et al. | Sorting in-shell walnuts using near infrared spectroscopy for improved drying efficiency and product quality | |
Tegegn et al. | Convolutional neural networks for quantitative prediction of different organic materials using near-infrared spectrum | |
CN107238557A (zh) | 一种利用近红外光谱法快速检测碳酸钙粒径分布的方法 | |
CN117689275B (zh) | 橡胶材料生产配料方法、装置、设备及存储介质 |
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 |