CN113256151A - 氢气质量检测方法及应用其的系统和计算机存储介质 - Google Patents
氢气质量检测方法及应用其的系统和计算机存储介质 Download PDFInfo
- Publication number
- CN113256151A CN113256151A CN202110657829.9A CN202110657829A CN113256151A CN 113256151 A CN113256151 A CN 113256151A CN 202110657829 A CN202110657829 A CN 202110657829A CN 113256151 A CN113256151 A CN 113256151A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- data
- quality
- block chain
- detection
- 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
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 203
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 199
- 239000001257 hydrogen Substances 0.000 title claims abstract description 199
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000011112 process operation Methods 0.000 claims abstract description 58
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000013480 data collection Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000002360 preparation method Methods 0.000 claims description 12
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 150000002431 hydrogen Chemical class 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- BDAGIHXWWSANSR-UHFFFAOYSA-N methanoic acid Natural products OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 claims description 6
- 238000013024 troubleshooting Methods 0.000 claims description 6
- OSWFIVFLDKOXQC-UHFFFAOYSA-N 4-(3-methoxyphenyl)aniline Chemical compound COC1=CC=CC(C=2C=CC(N)=CC=2)=C1 OSWFIVFLDKOXQC-UHFFFAOYSA-N 0.000 claims description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 3
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 235000019253 formic acid Nutrition 0.000 claims description 3
- 238000002309 gasification Methods 0.000 claims description 3
- 229910000041 hydrogen chloride Inorganic materials 0.000 claims description 3
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 claims description 3
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000013618 particulate matter Substances 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000009825 accumulation Methods 0.000 abstract description 3
- 239000000446 fuel Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/005—H2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Educational Administration (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
Abstract
本发明涉及氢气质量检测领域，特别是氢气质量检测方法及应用其的系统和计算机存储介质。所述氢气质量检测方法包括大数据训练阶段和溯因检测阶段；所述氢气质量检测方法基于大数据和区块链网络技术，区块链网络技术保证了氢气质量数据的真实不可更改性，大数据算法可以通过大量数据训练，在得到氢气质量数据后可以更加精准的预测出可能影响氢气质量的工业环节甚至工艺操作；进而实现提高氢气质量检测的精准度和效率的目的；所述氢气检测系统将氢气质量数据收集和氢气质量检测分析两部分分体式设计，既保证了工业环节中检测设备的结构简单可靠，又保证了检测数据的有效收集，为质量大数据的积累创造基础条件。
Description
技术领域
本发明涉及氢气质量检测领域，特别是氢气质量检测方法及应用其的系统和计算机存储介质。
背景技术
随着氢能燃料电池技术的不断突破，氢能燃料电池车辆既具有传统燃油车辆的续能里程长、加注时间短的特点，又具有零碳排放优点，已逐渐成为氢能应用的一大领域。氢气作为氢能燃料电池的燃料，其质量的优劣会对氢能源燃料电池的性能和寿命产生重大影响。
氢能源燃料电池车辆使用的氢气一般会经过制备生产、运输、卸载储存和加注等环节；而这些环节都可能会对氢气的质量造成影响，因此为了保证氢能源燃料电池车辆的使用安全和高效，氢气质量检测显得尤为重要。
现有的氢气质量检测主要集中于生产制备和加注环节，生产制备环节的氢气检测主要是保证出厂氢气的质量；加注环节氢气检测主要是为了保证氢气加注安全；现有的检测一方面是检测内容单一且检测结果不够精准，另一方面无法通过检测结果逆向追溯各个环境可能影响氢气质量的因素，使得氢气检测在工业应用中的无法实现更大技术效果和经济效益。
发明内容
针对上述缺陷，本发明的目的在于提出一种氢气质量检测方法，所述氢气质量检测方法可以保证氢气质量数据的真实性，且能根据氢气质量数据快速精准的追溯出可能影响氢气质量的工业环节甚至工艺操作。
本发明的另一目的在于提出应用所述氢气质量检测方法的氢气检测系统和计算机存储介质。
为达此目的，本发明采用以下技术方案：
氢气质量检测方法，其包括如下内容：
大数据训练阶段：a1.在工业环节中设置工艺操作样例，检测得到对应工业环节的氢气质量样本；a2.利用大量的工艺操作样例与对应氢气质量样本，逆向进行大数据训练，得到通过氢气质量样本追溯推断出对应单个或多个可能影响氢气质量的工艺操作的追溯训练模型；a3.将训练期间的工艺操作样例和氢气质量样本对应关联并存储在数据存储中心形成溯源样本库；将追溯训练模型配设至分析检测分析模块中。
溯因检测阶段：b.利用区块链网络技术构建数据收集网络；c.利用数据收集网络收集各工业环节中氢气质量数据并存储在数据存储中心；d.检测分析模块从数据存储中心中提取氢气质量数据，先将氢气质量数据与溯源样本库进行匹配，匹配分析追溯出对应的目标工艺操作；若匹配失败再将氢气质量数据导入追溯训练模型中，推断出对应的目标工艺操作；所述检测分析模块将目标工艺操作信息反馈给各工业环节；e.根据目标工艺操作对应的工业环节，对该工业环节进行氢气质量复检，最终确认出影响氢气质量的因素。
更优的，所述a1步骤中，工业环节包括：氢气生产制备、氢气运输、氢气卸载储存和氢气加注。
更优的，所述b步骤中，利用区块链网络技术构建数据收集网络时，包括如下内容：b1.建立区块链主链以及与区块链主链进行数据连接的若干条区块链侧链，各区块链主链和区块链侧链都包含若干个区块单元；b2.区块链侧链根据工业环节种类和数量划分，各区块链侧链分别对各个工业环节的氢气流入时和氢气流出时的质量检测数据信息进行采集和处理，并按照预设的周期R向区块链主链上报数据处理信息；b3.区块链主链获取来自各区块链侧链的数据资料信息，并对全部区块链侧链的数据资料信息进行处理和储存至数据存储中心；b4.区块链主链对对应区块侧链的数据信息进行处理，并同步传输新的区块信息到对应的区块链侧链中，用于建立该区块链侧链的下一个周期的新的区块单元；b5.各区块链侧链同步区块链主链的数据信息，并进行处理和验证，更新整个区块链主链和区块链侧链的分布式数据存储。
更优的，所述b2步骤中，当工业环节中氢气生产制备存在多个不同的供应商时，所述检测分析模块可根据目标工艺操作中各供应商出现概率情况，对供应商的氢气产品进行质量评估排名。
更优的，所述c步骤中数据收集网络收集各个工业环节的氢气质量数据，及所述d步骤中检测分析模块将目标工艺操作信息反馈给各工业环节的操作，都是通过区块链中区块链主链和区块链侧链之间信息传递方式实现的。
更优的，所述大数据训练阶段中，会根据影响氢气质量数据的种类及检测次数，将对应的工艺操作从数量多到少划分工艺操作的排查等级，且该排查等级会随着训练样本变化而更新；所述e步骤中，当目标工艺操作数量多于一个时，先根据目标工艺操作的排查等级从高到低依次完成复检。
更优的，所述氢气质量数据的种类分为氢气浓度、颗粒物浓度、硫化氢浓度、一氧化碳浓度、二氧化碳浓度、甲酸浓度、甲醛浓度、甲烷浓度、氯化氢浓度、氨气浓度和水的浓度中的一种或多种。
更优的，所述工艺操作的内容包括：设备信息、维修记录、氢气来源、制氢方法、氢气化手段和运输方式。
氢气检测系统，其包括：数据收集系统，其利用区块链网络技术配设有数据收集网络，用于收集各工业环节中氢气质量数据并传输检测分析结果；数据存储中心，用于形成溯源样本库，及收集的氢气质量数据；检测分析模块，用于从数据存储中心中提取氢气质量数据，利用追溯训练模型分析比对得出目标工艺操作；氢气检测设备，其用于检测各个工业环节中氢气质量得出氢气质量数据；5G通讯模块，用于将所述氢气检测设备与数据收集系统通讯联接；以及用于将所述数据收集系统与数据存储中心和检测分析模块通讯联接。
计算机存储介质，其存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的氢气质量检测方法。
本发明的实施例的有益效果：
所述氢气质量检测方法基于大数据和区块链网络技术，区块链网络技术保证了氢气质量数据的真实不可更改性，大数据算法可以通过大量数据训练，在得到氢气质量数据后可以更加精准的预测出可能影响氢气质量的工业环节甚至工艺操作；进而实现提高氢气质量检测的精准度和效率的目的；此外大数据技术应用对数据进行分析，包括对客户生产系统设备状态、杂质来源以及工艺流程等进行分析，从而实现为客户提供氢气质量预警、成本压缩、工艺改进等增值服务。
所述氢气检测系统将氢气质量数据收集和氢气质量检测分析两部份分体式设计，一方面既保证了工业环节中检测设备的结构简单可靠，又保证了检测数据的有效收集，为质量大数据的积累创造基础条件；另一方面，将无法篡改的原始数据信息传输到数据存储中心和检测分析模块后，保证了数据类型的原始性和丰富性，为后期数据分析奠定基础。
附图说明
图1是本发明的一个实施例中所述大数据训练阶段的流程示意图；
图2是本发明的一个实施例中所述溯因检测阶段的流程示意图；
图3是本发明的一个实施例中所述氢气检测系统架构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本申请的一个实施例中，如图1和图2所示，氢气质量检测方法，其包括如下内容：
大数据训练阶段：a1.在工业环节中设置工艺操作样例，检测得到对应工业环节的氢气质量样本；a2.利用大量的工艺操作样例与对应氢气质量样本，逆向进行大数据训练，得到通过氢气质量样本追溯推断出对应单个或多个可能影响氢气质量的工艺操作的追溯训练模型；a3.将训练期间的工艺操作样例和氢气质量样本对应关联并存储在数据存储中心形成溯源样本库；将追溯训练模型配设至分析检测分析模块中。
在设置工艺操作样例时，可以根据氢气生产制备方法的种类不同，或者工艺参数变化等来设置氢气生产制备工业环节的样例，可以根据运输车辆、时间、路线和气候等来设置氢气运输工业环节的样例；在上述a1步骤中采样种类越全面越贴近实际工业场景会越有助于提高溯源样本库匹配结果精度，也可以提高追溯训练模型的推断精度。能实现上述大数据训练的现有算法很多，在本实施例中不一一列举，能达到上述技术目的即可；本实施例中大数据训练阶段不是只在准备阶段进行的，其也会嵌入在后续的溯因检测阶段中，在溯因检测阶段检测分析模块会接收到新的氢气质量数据，并经过后续分析推断最终得知影响氢气质量的工艺操作，此时检测分析模块中大数据训练模型会利用这些数据进行大数据训练，进而不断更新完善所述溯源样本库和追溯训练模型的精准度。
溯因检测阶段：b.利用区块链网络技术构建数据收集网络；c.利用数据收集网络收集各工业环节中氢气质量数据并存储在数据存储中心；d.检测分析模块从数据存储中心中提取氢气质量数据，先将氢气质量数据与溯源样本库进行匹配，匹配分析追溯出对应的目标工艺操作；若匹配失败再将氢气质量数据导入追溯训练模型中，推断出对应的目标工艺操作；所述检测分析模块将目标工艺操作信息反馈给各工业环节；e.根据目标工艺操作对应的工业环节，对该工业环节进行氢气质量复检，最终确认出影响氢气质量的因素。
在溯因检测阶段中，检测分析模块是可以通过两种方式来追溯影响氢气质量的目标工艺操作的，一种是利用溯源样本库中有限样本，一种是利用追溯训练模型实时运算推断；前者的优势是可以更快速的得到目标工艺操作的结果，弊端是样本有限，可能碰到匹配不到的情况；后者优势是一定可以得到一个目标工艺操作结果，但是弊端是，该追溯训练模型的推断精度是随着应用逐步提高的，因此在其初始应用时，准确度难以控制；因此本实施例中将这两种方式结合起来，充分利用两种方式的优势，从而可以大大提高所述氢气质量检测方法的精准度和检测效率。
更优的，所述a1步骤中，工业环节包括：氢气生产制备、氢气运输、氢气卸载储存和氢气加注。
让大数据训练阶段中样本种类尽量覆盖了氢气实际应用场景中的所有工业环节，从而可以提高所述氢气质量检测方法的检测效率。
具体的，所述b步骤中，利用区块链网络技术构建数据收集网络时，包括如下内容：b1.建立区块链主链以及与区块链主链进行数据连接的若干条区块链侧链，各区块链主链和区块链侧链都包含若干个区块单元；b2.区块链侧链根据工业环节种类和数量划分，各区块链侧链分别对各个工业环节的氢气流入时和氢气流出时的质量检测数据信息进行采集和处理，并按照预设的周期R向区块链主链上报数据处理信息，具体的，所述周期R的具体时间可以根据检测需要设置，为了保证氢气质量有能提高氢气质量检测效率，当工业环节固定不变的情况下，所述周期R可以自动延长，减少氢气质量检测频率，但只要几个工业环节中有一个出现变动，所有工业环节的周期R重置为设定最小值，以提高检测频率保证氢气质量；b3.区块链主链获取来自各区块链侧链的数据资料信息，并对全部区块链侧链的数据资料信息进行处理和储存至数据存储中心；b4.区块链主链对对应区块侧链的数据信息进行处理，并同步传输新的区块信息到对应的区块链侧链中，用于建立该区块链侧链的下一个周期的新的区块单元；b5.各区块链侧链同步区块链主链的数据信息，并进行处理和验证，更新整个区块链主链和区块链侧链的分布式数据存储。
更优的，所述c步骤中数据收集网络收集各个工业环节的氢气质量数据，及所述d步骤中检测分析模块将目标工艺操作信息反馈给各工业环节的操作，都是通过区块链中区块链主链和区块链侧链之间信息传递方式实现的。
更优的，所述b2步骤中，当工业环节中氢气生产制备存在多个不同的供应商时，所述检测分析模块可根据目标工艺操作中各供应商出现概率情况，对供应商的氢气产品进行质量评估排名。
由于氢能源的应用具有其特殊性，氢气从生产制备至最终加注每个工业环节都可能影响氢气的质量，影响氢气质量甚至导致安全事故发生，所以其所有的工业环节不能随意更改变换，必须要在实际应用中长期评估。市场中氢气生产制备供应商很多，但是由于生产制备氢气的工艺方法不同，导致氢气质量有差异，因此当发现当前氢气供应商生产的氢气质量不达标时，就必须令其整改或更换供应商，完成整改后的氢气应用场景中各个工业环节要重新磨合和调整，这样会大大增加氢气的应用成本；而在氢气日常质量检测中，同时根据氢气质量检测结果对各个供应商的氢气质量进行评估，就可以很清楚各个供应商的产品质量，便于应急调整，使得氢气的工业应用场景中氢气生产制备环节选择更加方便灵活。
更优的，所述大数据训练阶段中，会根据影响氢气质量数据的种类及检测次数，将对应的工艺操作从数量多到少划分工艺操作的排查等级，且该排查等级会随着训练样本变化而更新；所述e步骤中，当目标工艺操作数量多于一个时，先根据目标工艺操作的排查等级从高到低依次完成复检。
对多个目标工艺操作进行等级排序，从出现质量概率高的开始复核，可以提高氢气质量检测的效率。
具体的，所述氢气质量数据的种类分为氢气浓度、颗粒物浓度、硫化氢浓度、一氧化碳浓度、二氧化碳浓度、甲酸浓度、甲醛浓度、甲烷浓度、氯化氢浓度、氨气浓度和水的浓度中的一种或多种。
具体的，所述工艺操作的内容包括：设备信息、维修记录、氢气来源、制氢方法、氢气化手段和运输方式。
本发明的一个实施例中，如图3所示，一种氢气检测系统，其包括：数据收集系统，其利用区块链网络技术配设有数据收集网络，用于收集各工业环节中氢气质量数据并传输检测分析结果；数据存储中心，用于形成溯源样本库，及收集的氢气质量数据；检测分析模块，用于从数据存储中心中提取氢气质量数据，利用追溯训练模型分析比对得出目标工艺操作；氢气检测设备，其用于检测各个工业环节中氢气质量得出氢气质量数据；5G通讯模块，用于将所述氢气检测设备与数据收集系统通讯联接；以及用于将所述数据收集系统与数据存储中心和检测分析模块通讯联接；利用基于5G技术的远程控制技术，实现了质量检测和数据处理的分体式设计理念，保障了测试过程原始数据的获取，为积累质量大数据创造了条件。
计算机存储介质，其存储有计算机可执行指令，所述计算机可执行指令用于执行如上所述的氢气质量检测方法。
根据上述内容，本发明提出一种氢气质量检测方法及应用其的系统和计算机存储介质。所述氢气质量检测方法基于大数据和区块链网络技术，区块链网络技术保证了氢气质量数据的真实不可更改性，大数据算法可以通过大量数据训练，在得到氢气质量数据后可以更加精准的预测出可能影响氢气质量的工业环节甚至工艺操作；进而实现了提高氢气质量检测的精准度和效率的目的；此外大数据技术应用对数据进行分析，包括对客户生产系统设备状态、杂质来源以及工艺流程等进行分析，从而实现为客户提供氢气质量预警、成本压缩、工艺改进等增值服务。
所述氢气检测系统将氢气质量数据收集和氢气质量检测分析两部分分体式设计，一方面既保证了工业环节中检测设备的结构简单可靠，又保证了检测数据的有效收集，为质量大数据的积累创造基础条件；另一方面，将无法篡改的原始数据信息传输到数据存储中心和检测分析模块后，保证了数据类型的原始性和丰富性，为后期数据分析奠定基础。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (10)
1.氢气质量检测方法，其特征在于，包括如下内容：
大数据训练阶段：
a1.在工业环节中设置工艺操作样例，检测得到对应工业环节的氢气质量样本；
a2.利用大量的工艺操作样例与对应氢气质量样本，逆向进行大数据训练，得到通过氢气质量样本追溯推断出对应单个或多个可能影响氢气质量的工艺操作的追溯训练模型；
a3.将训练期间的工艺操作样例和氢气质量样本对应关联并存储在数据存储中心形成溯源样本库；将追溯训练模型配设至检测分析模块中；
溯因检测阶段：
b.利用区块链网络技术构建数据收集网络；
c.利用数据收集网络收集各工业环节中氢气质量数据并存储在数据存储中心；
d.检测分析模块从数据存储中心中提取氢气质量数据，先将氢气质量数据与溯源样本库进行匹配，匹配分析追溯出对应的目标工艺操作；若匹配失败再将氢气质量数据导入追溯训练模型中，推断出对应的目标工艺操作；所述检测分析模块将目标工艺操作信息反馈给各工业环节；
e.根据目标工艺操作对应的工业环节，对该工业环节进行氢气质量复检，最终确认出影响氢气质量的因素。
2.根据权利要求1所述的氢气质量检测方法，其特征在于，所述a1步骤中，工业环节包括：氢气生产制备、氢气运输、氢气卸载储存和氢气加注。
3.根据权利要求2所述的氢气质量检测方法，其特征在于，所述b步骤中，利用区块链网络技术构建数据收集网络时，包括如下内容：
b1.建立区块链主链以及与区块链主链进行数据连接的若干条区块链侧链，各区块链主链和区块链侧链都包含若干个区块单元；
b2.区块链侧链根据工业环节种类和数量划分，各区块链侧链分别对各个工业环节的氢气流入时和氢气流出时的质量检测数据信息进行采集和处理，并按照预设的周期R向区块链主链上报数据处理信息；
b3.区块链主链获取来自各区块链侧链的数据资料信息，并对全部区块链侧链的数据资料信息进行处理和储存至数据存储中心；
b4.区块链主链对对应区块侧链的数据信息进行处理，并同步传输新的区块信息到对应的区块链侧链中，用于建立该区块链侧链的下一个周期的新的区块单元；
b5.各区块链侧链同步区块链主链的数据信息，并进行处理和验证，更新整个区块链主链和区块链侧链的分布式数据存储。
4.根据权利要求3所述的氢气质量检测方法，其特征在于，所述b2步骤中，当工业环节中氢气生产制备存在多个不同的供应商时，所述检测分析模块根据目标工艺操作中各供应商出现概率情况，对供应商的氢气产品进行质量评估排名。
5.根据权利要求3所述的氢气质量检测方法，其特征在于，所述c步骤中数据收集网络收集各个工业环节的氢气质量数据，及所述d步骤中检测分析模块将目标工艺操作信息反馈给各工业环节的操作，都是通过区块链中区块链主链和区块链侧链之间信息传递方式实现的。
6.根据权利要求1所述的氢气质量检测方法，其特征在于，所述大数据训练阶段中，会根据影响氢气质量数据的种类及检测次数，将对应的工艺操作从数量多到少划分工艺操作的排查等级，且该排查等级会随着训练样本变化而更新；所述e步骤中，当目标工艺操作数量多于一个时，先根据目标工艺操作的排查等级从高到低依次完成复检。
7.根据权利要求1所述的氢气质量检测方法，其特征在于，所述氢气质量数据的种类分为氢气浓度、颗粒物浓度、硫化氢浓度、一氧化碳浓度、二氧化碳浓度、甲酸浓度、甲醛浓度、甲烷浓度、氯化氢浓度、氨气浓度和水的浓度中的一种或多种。
8.根据权利要求1所述的氢气质量检测方法，其特征在于，所述工艺操作的内容包括：设备信息、维修记录、氢气来源、制氢方法、氢气化手段和运输方式。
9.氢气检测系统，其特征在于，包括：
数据收集系统，其利用区块链网络技术配设有数据收集网络，用于收集各工业环节中氢气质量数据并传输检测分析结果；
数据存储中心，用于形成溯源样本库，及收集的氢气质量数据；
检测分析模块，用于从数据存储中心中提取氢气质量数据，利用追溯训练模型分析比对得出目标工艺操作；
氢气检测设备，其用于检测各个工业环节中氢气质量得出氢气质量数据；
5G通讯模块，用于将所述氢气检测设备与数据收集系统通讯联接；以及用于将所述数据收集系统与数据存储中心和检测分析模块通讯联接。
10.计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1-8中任意一项所述的氢气质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110657829.9A CN113256151A (zh) | 2021-06-15 | 2021-06-15 | 氢气质量检测方法及应用其的系统和计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110657829.9A CN113256151A (zh) | 2021-06-15 | 2021-06-15 | 氢气质量检测方法及应用其的系统和计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113256151A true CN113256151A (zh) | 2021-08-13 |
Family
ID=77187874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110657829.9A Pending CN113256151A (zh) | 2021-06-15 | 2021-06-15 | 氢气质量检测方法及应用其的系统和计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256151A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850484A (zh) * | 2021-09-10 | 2021-12-28 | 武汉中极氢能源发展有限公司 | 氢气数据的处理方法和装置，以及存储介质和处理器 |
| CN113899866A (zh) * | 2021-12-10 | 2022-01-07 | 佛山绿色发展创新研究院 | 一种基于云服务器的氢气检测系统 |
| CN114517889A (zh) * | 2022-01-25 | 2022-05-20 | 佛山绿色发展创新研究院 | 一种用于实现氢气质量在线检测的控制方法及加氢系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709654A (zh) * | 2016-12-28 | 2017-05-24 | 中南大学 | 一种加氢裂化流程全局运行状况评估与质量追溯方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
| CN107451666A (zh) * | 2017-07-15 | 2017-12-08 | 西安电子科技大学 | 基于大数据分析的断路器装配质量问题追溯系统和方法 |
| CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
| US20180284093A1 (en) * | 2017-03-29 | 2018-10-04 | Innit International S.C.A. | Trusted Food Traceability System and Method and Sensor Network |
| CN109146279A (zh) * | 2018-08-14 | 2019-01-04 | 同济大学 | 基于工艺规则与大数据的全流程产品质量溯源分析方法 |
| CN110855790A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市步云科技有限公司 | 基于区块链及物联网技术应用数据驱动的臭氧检测系统 |
| CN111461746A (zh) * | 2020-03-27 | 2020-07-28 | 中国航天系统科学与工程研究院 | 一种面向装配的质量智能追溯方法 |
| CN112033923A (zh) * | 2020-09-30 | 2020-12-04 | 佛山绿色发展创新研究院 | 一种氢气检测系统及其检测方法 |
| CN112651755A (zh) * | 2020-12-31 | 2021-04-13 | 武汉中极氢能源发展有限公司 | 应用于氢能源行业的氢气质量可追溯系统和方法 |
-
2021
- 2021-06-15 CN CN202110657829.9A patent/CN113256151A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709654A (zh) * | 2016-12-28 | 2017-05-24 | 中南大学 | 一种加氢裂化流程全局运行状况评估与质量追溯方法 |
| CN106841436A (zh) * | 2017-01-18 | 2017-06-13 | 上海市环境监测中心 | 一种工业区大气VOCs自动监测预警溯源系统及其方法 |
| US20180284093A1 (en) * | 2017-03-29 | 2018-10-04 | Innit International S.C.A. | Trusted Food Traceability System and Method and Sensor Network |
| CN107341576A (zh) * | 2017-07-14 | 2017-11-10 | 河北百斛环保科技有限公司 | 一种大数据可视化的空气污染溯源和走向预测方法 |
| CN107451666A (zh) * | 2017-07-15 | 2017-12-08 | 西安电子科技大学 | 基于大数据分析的断路器装配质量问题追溯系统和方法 |
| CN108415393A (zh) * | 2018-04-19 | 2018-08-17 | 中江联合(北京)科技有限公司 | 一种砷化镓产品质量一致性控制方法及系统 |
| CN109146279A (zh) * | 2018-08-14 | 2019-01-04 | 同济大学 | 基于工艺规则与大数据的全流程产品质量溯源分析方法 |
| CN110855790A (zh) * | 2019-11-18 | 2020-02-28 | 深圳市步云科技有限公司 | 基于区块链及物联网技术应用数据驱动的臭氧检测系统 |
| CN111461746A (zh) * | 2020-03-27 | 2020-07-28 | 中国航天系统科学与工程研究院 | 一种面向装配的质量智能追溯方法 |
| CN112033923A (zh) * | 2020-09-30 | 2020-12-04 | 佛山绿色发展创新研究院 | 一种氢气检测系统及其检测方法 |
| CN112651755A (zh) * | 2020-12-31 | 2021-04-13 | 武汉中极氢能源发展有限公司 | 应用于氢能源行业的氢气质量可追溯系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| PENGFEI WANG ET AL.: "Hydrogen-cooled Generator Hydrogen Quality Cloud Monitoring System Based on ARM", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》 * |
| 侍国忠等: "基于改进深度残差网络的河蟹精准溯源系统", 《液晶与显示》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113850484A (zh) * | 2021-09-10 | 2021-12-28 | 武汉中极氢能源发展有限公司 | 氢气数据的处理方法和装置，以及存储介质和处理器 |
| CN113899866A (zh) * | 2021-12-10 | 2022-01-07 | 佛山绿色发展创新研究院 | 一种基于云服务器的氢气检测系统 |
| CN113899866B (zh) * | 2021-12-10 | 2022-03-22 | 佛山绿色发展创新研究院 | 一种基于云服务器的氢气检测系统 |
| CN114517889A (zh) * | 2022-01-25 | 2022-05-20 | 佛山绿色发展创新研究院 | 一种用于实现氢气质量在线检测的控制方法及加氢系统 |
| CN114517889B (zh) * | 2022-01-25 | 2024-01-23 | 佛山绿色发展创新研究院 | 一种用于实现氢气质量在线检测的控制方法及加氢系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113256151A (zh) | 氢气质量检测方法及应用其的系统和计算机存储介质 | |
| CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| CN114389359A (zh) | 一种基于云边协同的集控式继电保护设备智能运维方法 | |
| CN113361663B (zh) | 基于人工智能的电网事件诊断自主学习方法及系统 | |
| CN112508053A (zh) | 基于集成学习框架的智能诊断方法、装置、设备及介质 | |
| CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
| AU2022204116A1 (en) | Verification method for electrical grid measurement data | |
| WO2022237105A1 (zh) | 自动化装配检测生产线在生产中产品质量分析预测方法 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
| CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
| CN115222303B (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
| CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
| CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
| CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和系统 | |
| CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
| CN116415723A (zh) | 一种面向铁路防灾系统的风速预测方法及装置 | |
| CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
| CN116910495B (zh) | 一种汽车下线检测的方法、系统、可读存储介质及汽车 | |
| CN108613820A (zh) | 一种用于gis本体机械缺陷诊断和定位的在线异声监测算法 | |
| CN115310705A (zh) | 瓦斯涌出量的确定方法及其装置、计算机可读存储介质 | |
| CN114235653A (zh) | 基于端云协同的大气颗粒污染物时空预测云平台 | |
| Doboszewski et al. | Data driven detection of railway point machines failures |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |
|
| RJ01 | Rejection of invention patent application after publication |