CN112766518A - 基于联合学习的蒸发器维护方法、装置和终端设备 - Google Patents
基于联合学习的蒸发器维护方法、装置和终端设备 Download PDFInfo
- Publication number
- CN112766518A CN112766518A CN202110044849.9A CN202110044849A CN112766518A CN 112766518 A CN112766518 A CN 112766518A CN 202110044849 A CN202110044849 A CN 202110044849A CN 112766518 A CN112766518 A CN 112766518A
- Authority
- CN
- China
- Prior art keywords
- evaporator
- joint learning
- global model
- analysis
- joint
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 239000007788 liquid Substances 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 21
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000006641 stabilisation Effects 0.000 claims description 4
- 238000011105 stabilization Methods 0.000 claims description 4
- 150000002500 ions Chemical class 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- VTYYLEPIZMXCLO-UHFFFAOYSA-L calcium carbonate Substances [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 13
- 239000000243 solution Substances 0.000 description 12
- 229910000019 calcium carbonate Inorganic materials 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 229910001424 calcium ion Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000015203 fruit juice Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003987 organophosphate pesticide Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 235000011121 sodium hydroxide Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000006200 vaporizer Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明适用于能源设备维护技术领域，提供了基于联合学习的蒸发器维护方法、装置和终端设备，该方法包括：获取蒸发器完成液的历史浓度的分析报告；根据多种完成液分析方法，分别确定分析报告中各种离子浓度对应的蒸发器状态的标记，得到与完成液分析方法相同数量的样本数据集合；在联合学习架构下，将各个样本数据集合加入联合学习，根据联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；利用全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。本发明通过完成液的分析来对蒸发器进行预测性维护，在联合学习架构下将多种完成液分析方法得到的分析结果进行融合，以得到更精确的预测结果。以提高蒸发器的维护效率。
Description
技术领域
本发明属于能源设备维护技术领域，尤其涉及一种基于联合学习的蒸发器维护方法、装置和终端设备。
背景技术
蒸发器就是用加热的方法，将原料液中含有不挥发性溶质的溶液加热至沸腾状况，使部分溶剂汽化并被移除，从而提高溶剂中溶质浓度。在化学工业、食品工业、制药等工业中，蒸发操作被广泛应用。例如：电解烧碱液的浓缩，食糖水溶液的浓缩及各种果汁的浓缩，有机磷农药苯溶液的浓缩脱苯，中药生产中酒精浸出液的蒸发，海水淡化等。
生产的过程中，目前现场是通过事后判断，确定蒸发器是否因为结垢等因素造成能源浪费，能源耗量显著增加后才开始按照预定的方案，安排对蒸发器的关键部位进行清洗等维护。这样事后维护时，现状已经造成蒸发器换热效率降低，能源浪费已经既成事实，并且对生产经营造成一定的损伤，因此在此环节拥有一定比例的节能优化空间。
发明内容
有鉴于此，本发明实施例提供了一种基于联合学习的蒸发器维护方法、装置和终端设备，以解决蒸发器现有维护工作效率不高的问题。
本发明实施例的第一方面，提供了一种基于联合学习的蒸发器维护方法，其包括：获取蒸发器完成液的历史浓度的分析报告；根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
在一些可选实施例中，还包括：获取根据全局模型的预测结果对蒸发器进行维护的反馈结果；根据所述反馈结果更新所述样本数据集合或全局模型。
在一些可选实施例中，所述在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型，包括：在联合学习架构下，将各个所述样本数据集合作为联合学习的参与方，从联合方下载最新的全局模型；各个参与方在本地利用自身拥有的所述样本数据集合对所述全局模型进行训练，将训练后的全局模型的梯度数据上传至联合方，所述联合方聚合各个参与方的梯度数据更新所述全局模型；接收联合方返回更新后的全局模型；各个参与方各自更新返回的所述全局模型。
在一些可选实施例中，所述联合方中的全局模型包括聚类算法模型。
在一些可选实施例中，所述聚类算法模型包括kmeans算法模型。
在一些可选实施例中，所述完成液分析方法包括：结垢指数、饱和指数、稳定指数、饱和指数和饱和指数中的任一种或多种的组合。
在一些可选实施例中，所述蒸发器状态包括：结垢、腐蚀或稳定中任一种状态。
本发明实施例的第二方面，提供了一种基于联合学习的蒸发器维护装置，其包括：历史分析数据获取模块，用于获取蒸发器完成液的历史浓度的分析报告；历史分析数据标记模块，用于根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；联合学习模型建立模块，用于在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；蒸发器预测维护模块，用于利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述方法的步骤。
本发明实施例的第四方面，提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明通过完成液的分析来对蒸发器进行预测性维护，将多种完成液分析方法综合起来，利用联合学习和人工智能算法来对不同完成液分析方法得到的结果进行归类，将数量最多的结果作为最后的预测结果，以得到更精确的预测结果。进而利用该预测结果对蒸发器进行维护，以此来提高对蒸发器维护的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是实施例一提供的基于联合学习的蒸发器维护方法的实现流程；
图2是不同温度时离子强度μ与修正系数K关系图；
图3是实施例二提供的基于联合学习的蒸发器维护装置的结构示意图；
图4是本实施例三提供的可以应用本发明基于联合学习的蒸发器维护方法和装置的终端设备示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1为实施例一提供的基于联合学习的蒸发器维护方法的实现流程。
其中，如图1所示，该基于联合学习的蒸发器维护方法，具体包括以下步骤S01-S04。
S01，获取蒸发器完成液的历史浓度的分析报告。
具体的，所述分析报告包括对完成液中各种离子的浓度分析结果。
S02，根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合。
其中，所述蒸发器状态包括结垢、腐蚀或稳定中任一种状态。具体的，所述完成液分析方法就是用于确定完成液报告中各离子浓度对应的结垢/腐蚀/稳定状态。需要说明的是，所述完成液分析方法皆是现有分析方法。
例如，所述完成液分析方法可以包括但不限于以下任一种或多种方法：
1、Stiffs&Davis饱和指数。
Stiffs&Davis饱和指数主要应用在CaCO3的结垢预测趋势。其公式为：
SI＝pH-K-pCa-pAIK，
具体的，判断依据为：
当SI＞0时，有结垢趋势；
当SI＝0时，临界状态；
当SI＜0时，无结垢趋势。
其中，SI表示饱和指数，pH表示水样pH值；pCa表示Ca离子浓度的负对数，pAIK表示总碱度的负对数，K表示修正系数，由不同温度时离子强度μ与修正系数K关系图可查得，如图2所示。
2、Oddo-Tomson饱和指数。
该方法主要用于计算预测硫酸盐垢。公式为：
Is＝lg{[Me][An]/Kc(T，P，Si)}，
其中，Is为饱和指数；[Me]为阳离子浓度；[An]为阴离子浓度；T为温度，℃；P为压力，MPa；Si为离子强度，mol/L；Kc为溶度积。
具体的，判断标准：
(1)Is＝0时，表示溶液与固体垢相平衡；
(2)Is＞0时，表示过饱和状态或有形成垢的条件；
(3)Is＜0时，表示欠饱和状态或不能形成垢。
3、Ryznar稳定指数。
预测模型如下：
其中，SAI为稳定指数；pH为系统中水的pH值；pHs为系统中碳酸钙达到饱和时的pH值；
为
离子浓度；
为
离子浓度；
为Ca2+离子浓度；K为常数，系含盐量，溶液组成和水温的函数。
具体的，判断标准：
SAI＞6，无结垢趋势，腐蚀严重；
SAI＜6，有结垢趋势；
SAI＜5，结垢严重。
需要说明的是，本分析方法可半定量的表示水结垢或腐蚀情况。当SAI＝2～7时，可按以下公式估算CaCO3沉淀量：
4、Langlier饱和指数。
该指数为描述碳酸钙固体与二氧化碳溶液之间的平衡关系表达式，即水样实测的pH值减去饱和pH值(pHs)的差值：
Is(饱和指数)＝pH-pHs，
其中，pH为循环水实测值，pHs为循环水中碳酸钙达到平衡时的值，可通过下式计算：
pHs＝9.7+A+B-C-D，
其中，A为总溶解固体系数；B为温度系数；C为钙硬度系数；D为总碱度系数。
具体的，判断标准：
当Is＜0，表明水中碳酸钙处于未饱和状态，仍能继续溶解，水具有产生腐蚀的趋势；
当Is＞0，表明碳酸钙处于过饱和状态，水具有产生碳酸钙沉淀的趋势；
当Is＝0，表明水质处于稳定状态，既不结垢，也无产生腐蚀的趋势。
5、Puckorious结垢指数。
Puckorious认为水的总碱度比水实际pH更能反映水的腐蚀h额结垢倾向，经过对几百个循环水系统的研究后，提出了结垢指数概念，如下式：
PSI＝2pHs-pHeg，
其中：pHeq＝1.465*lg[总碱度]+4.54。
具体的，判断标准如表1：
| Puckorious结垢指数 | 循环水倾向 |
| ＞6 | 腐蚀 |
| ＝6 | 稳定 |
| ＜6 | 结垢 |
表1。
综上各分析方法来说，通过上述分析方法来对完成液的分析报告进行分析，从而根据分析的结果来对报告中各种离子的浓度数据进行标注，进而得到样本数据集合。其中，针对同一分析报告，每种分析方法都可以得到一组对应的分析结果数据。也就是说，在一种分析方法下，可以得到一个样本数据集合，那么在多种分析方法下便可以得到多个样本数据集合。
示例性的，所述样本数据集合中的样本数据的格式可以为：在X离子浓度为Y时，最终设备表现为结垢/腐蚀/稳定。
S03，在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型。
紧接上一步骤可知，在每一种分析方法下可以得到一个对应的样本数据集合，根据联合学习架构，可以将每种分析方法得到的样本数据集合作为一个数据节点，参与到联合学习中来共同训练得到一个全局模型。其中，所述全局模型可以是利用机器学习算法进行训练得到的模型。
在一个示例中，以上步骤S30，可以包括以下步骤：
S301，在联合学习架构下，将各个所述样本数据集合作为联合学习的参与方，从联合方下载最新的全局模型；
S302，各个参与方在本地利用自身拥有的所述样本数据集合对所述全局模型进行训练，将训练后的全局模型的梯度数据上传至联合方，所述联合方聚合各个参与方的梯度数据更新所述全局模型；
S303，接收联合方返回更新后的全局模型；
S304，各个参与方各自更新返回的所述全局模型。
其中，在联合学习架构下，所述联合方包括服务器。具体的，从联合方下载的全局模型包括机器学习算法，例如，所述全局模型可以包括聚类算法模型。
具体的，实际应用中可以采用不同的聚类算法模型来进行联合学习。示例性的，所述聚类算法模型可以为kmeans算法模型。
例如，在联合学习架构下，以kmeans算法模型进行联合学习为例。假设得到待测液中离子浓度为三种聚落，分别代表三种蒸发器状态：结垢/腐蚀/稳定。其中，使用kmeans算法模型可将这些值归到已知的类别中，具体过程如下。
1、首先确定一个k值，即我们希望将数据集经过聚类得到k个集合。
2、从数据集中随机选择k个数据点作为质心。
3、对数据集中每一个点，计算其与每一个质心的距离，例如，欧式距离等，离哪个质心近，就划分到那个质心所属的集合。
4、把所有数据归好集合后，一共有k个集合；然后重新计算每个集合的质心。
5、如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛)，我们可以认为聚类已经达到期望的结果，算法终止。
6、如果新质心和原质心距离变化很大，需要迭代以上3-5的过程。
具体的，如果用数据表达式表示，假设簇划分为(c1，c2，...，ck)，则我们的目标时最小化平方误差E：
其中，μi是簇Ci的均值向量，有时也成为质心：
通过上述机器学习算法，相当于对各个完成液分析方法得到的结果进行聚类，将相同结果最多的作为最终的目标结果。
S04，利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
具体的，全局模型输出的结果就是针对蒸发器完成液的分报告的预测结果，根据该预测结果可以确定蒸发器为结垢、腐蚀或稳定中的其中一种状态，由此对蒸发器进行维护。
在实际中，在根据全局模型的预测结果对蒸发器进行维护后，可以得到实际与预测结果差异的反馈结果，利用该反馈结果可以对全局模型的参数进行修正。
在一个示例中，所述步骤S04之后，还可以包括：
步骤S05，获取根据全局模型的预测结果对蒸发器进行维护的反馈结果；
步骤S06，根据所述反馈结果更新所述样本数据集合或全局模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
在同一发明构思下，见图3，为本实施例二提供的基于联合学习的蒸发器维护装置的结构示意图。如图3所示，所述基于联合学习的蒸发器维护装置300，包括：历史分析数据获取模块301，用于获取蒸发器完成液的历史浓度的分析报告；历史分析数据标记模块302，用于根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；联合学习模型建立模块303，用于在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；蒸发器预测维护模块304，用于利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
由于本实施与上述方法属于同一发明构思，二者具有相同的特定技术特征，因此所述基于联合学习的蒸发器维护装置有关的技术内容可以参考上述实施例一，这里不做赘述。
实施例三
见图4，为本实施例三提供的可以应用本发明基于联合学习的蒸发器维护方法和装置的终端设备示意图，如图4所示，该终端设备400包括：处理器401、存储器402以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403。所述处理器401执行所述计算机程序403时实现上述基于联合学习的蒸发器维护方法实施例中的步骤，例如图1所示的步骤S01至S04。或者，所述处理器401执行所述计算机程序403时实现上述基于联合学习的蒸发器维护装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述终端设备400中的执行过程。例如，所述计算机程序403可以被分割成历史分析数据获取模块301，历史分析数据标记模块302，联合学习模型建立模块303，蒸发器预测维护模块304。
所述终端设备400可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备400可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是终端设备400的示例，并不构成对终端设备400的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备400还可以包括输入输出设备、网络接入设备、总线等。
所称处理器401可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器402可以是所述终端设备400的内部存储单元，例如终端设备400的硬盘或内存。所述存储器402也可以是所述终端设备400的外部存储设备，例如所述终端设备400上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器402还可以既包括所述终端设备400的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述终端设备400所需的其它程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述蒸发器维护方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例蒸发器维护方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个蒸发器维护方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于联合学习的蒸发器维护方法，其特征在于，包括：
获取蒸发器完成液的历史浓度的分析报告；
根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；
在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；
利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
2.根据权利要求1所述的基于联合学习的蒸发器维护方法，其特征在于，还包括：
获取根据全局模型的预测结果对蒸发器进行维护的反馈结果；
根据所述反馈结果更新所述样本数据集合或全局模型。
3.根据权利要求1所述的基于联合学习的蒸发器维护方法，其特征在于，所述在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型，包括：
在联合学习架构下，将各个所述样本数据集合作为联合学习的参与方，从联合方下载最新的全局模型；
各个参与方在本地利用自身拥有的所述样本数据集合对所述全局模型进行训练，将训练后的全局模型的梯度数据上传至联合方，所述联合方聚合各个参与方的梯度数据更新所述全局模型；
接收联合方返回更新后的全局模型；
各个参与方各自更新返回的所述全局模型。
4.根据权利要求3所述的基于联合学习的蒸发器维护方法，其特征在于，所述联合方中的全局模型包括聚类算法模型。
5.根据权利要求4所述的基于联合学习的蒸发器维护方法，其特征在于，所述聚类算法模型包括kmeans算法模型。
6.根据权利要求1-5任一项所述的基于联合学习的蒸发器维护方法，其特征在于，所述完成液分析方法包括：结垢指数、饱和指数、稳定指数、饱和指数和饱和指数中的任一种或多种的组合。
7.根据权利要求6所述的基于联合学习的蒸发器维护方法，其特征在于，所述蒸发器状态包括：结垢、腐蚀或稳定中任一种状态。
8.一种基于联合学习的蒸发器维护装置，其特征在于，包括：
历史分析数据获取模块，用于获取蒸发器完成液的历史浓度的分析报告；
历史分析数据标记模块，用于根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；
联合学习模型建立模块，用于在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；
蒸发器预测维护模块，用于利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044849.9A CN112766518A (zh) | 2021-01-13 | 2021-01-13 | 基于联合学习的蒸发器维护方法、装置和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044849.9A CN112766518A (zh) | 2021-01-13 | 2021-01-13 | 基于联合学习的蒸发器维护方法、装置和终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766518A true CN112766518A (zh) | 2021-05-07 |
Family
ID=75700281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110044849.9A Pending CN112766518A (zh) | 2021-01-13 | 2021-01-13 | 基于联合学习的蒸发器维护方法、装置和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766518A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN112181971A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 |
| US20220052925A1 (en) * | 2018-12-07 | 2022-02-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting Network Communication Performance using Federated Learning |
-
2021
- 2021-01-13 CN CN202110044849.9A patent/CN112766518A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220052925A1 (en) * | 2018-12-07 | 2022-02-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting Network Communication Performance using Federated Learning |
| CN111678696A (zh) * | 2020-06-17 | 2020-09-18 | 南昌航空大学 | 基于联邦学习的机械智能故障诊断方法 |
| CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
| CN112181971A (zh) * | 2020-10-27 | 2021-01-05 | 华侨大学 | 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| MAHARSHI DHADA, AMIT KUMAR JAIN, AJITH KUMAR PARLIKAD: "Empirical Convergence Analysis of Federated Averaging for Failure rognosis", 《IFAC-PAPERSONLINE》, 18 December 2020 (2020-12-18), pages 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018098721A1 (zh) | 一种环境数据监控方法和系统 | |
| JP6941083B2 (ja) | 水処理方法および水処理システム | |
| CN107437069B (zh) | 基于轮廓的猪只饮水行为识别方法 | |
| CN111427265A (zh) | 基于迁移学习的重金属废水处理过程异常工况智能化监测方法、装置及存储介质 | |
| Holly et al. | Evaluation of hyperparameter-optimization approaches in an industrial federated learning system | |
| CN112766518A (zh) | 基于联合学习的蒸发器维护方法、装置和终端设备 | |
| CN115611393A (zh) | 一种多端协同的多水厂混凝剂投放方法和系统 | |
| CN111833970A (zh) | 一种水泥熟料质量表征参数预测模型构建方法及其应用 | |
| CN116484287B (zh) | 基于误差修正的土壤水分预测方法、系统、终端及介质 | |
| CN117113264A (zh) | 一种实时在线的污水厂溶解氧仪表异常检测的方法 | |
| CN113155784A (zh) | 水体透明度检测方法、终端设备及存储介质 | |
| CN116102100B (zh) | 一种基于物联网设备的水质修复反馈控制方法及系统 | |
| CN116777861A (zh) | 一种激光雕刻机打标质量检测方法及系统 | |
| CN110956178A (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
| JP7145375B2 (ja) | 推定装置、予測装置、制御装置、推定システム、予測システム、制御システム、推定プログラム、予測プログラム、制御プログラム、推定方法、予測方法及び制御方法 | |
| CN109598283A (zh) | 一种基于半监督极限学习机的铝电解过热度识别方法 | |
| CN112508320B (zh) | 一种批生产的自动过程阶段划分工作流 | |
| CN111539477A (zh) | 水质监测管理方法、装置、服务器及可读存储介质 | |
| CN110441468A (zh) | 一种氨碱法生产氯化钙过程中氯化钙溶液含钙量的测定方法 | |
| CN114819198A (zh) | 基于联合学习框架的蒸发器维护方法、装置和终端设备 | |
| CN114964379B (zh) | 一种溶出液苛性比值检测方法和装置 | |
| CN112465881B (zh) | 一种改进的鲁棒性点配准方法及系统 | |
| CN114240946B (zh) | 一种定位器异常检测方法、系统、存储介质及计算设备 | |
| Heikkinen et al. | SOM-based modelling for an activated sludge treatment process | |
| CN113673574B (zh) | 一种用于出水变量预测的软测量方法、装置及介质 |
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 |