CN113420061A - 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 - Google Patents
炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 Download PDFInfo
- Publication number
- CN113420061A CN113420061A CN202110647014.2A CN202110647014A CN113420061A CN 113420061 A CN113420061 A CN 113420061A CN 202110647014 A CN202110647014 A CN 202110647014A CN 113420061 A CN113420061 A CN 113420061A
- Authority
- CN
- China
- Prior art keywords
- state
- oil refining
- steady
- chemical production
- production device
- 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
- 238000012824 chemical production Methods 0.000 title claims abstract description 118
- 238000007670 refining Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 40
- 230000008569 process Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- 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
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开一种炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统，涉及生产优化技术领域，能够对炼化生产装置进行准确的稳态工况分析，以辅助生产过程做出可靠的优化调整。该炼化生产装置的稳态工况分析方法包括：获取装置生产时的原始数据集，包括装置在多个时间点所对应的仪表显示数据；根据预设的检测规则对仪表显示数据进行异常数据检测，并对其中的异常数据进行处理得到剔除异常数据后的数据集；将剔除异常数据后的数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态；基于各个稳态下的时间点，根据预设的合并规则合并得到炼化生产装置的稳态工况时间段。
Description
技术领域
本发明涉及生产优化技术领域，尤其涉及一种炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统。
背景技术
流程工业生产决策方式，从以往的依靠经验发展到目前的工艺专家建立机理模型测算，经历了两个阶段的变化。
凭经验决策阶段：缺乏测算工具和模型，计划人员依据统计数据和经验来为生产计划分配物流走向；操作员根据自己的操作经验和操作手册，结合现场的生产情况给出操作参数调整方向，并通过化验分析结果一步步小幅度调整。
工艺专家用机理模型测算指导阶段：通过工况标定，建立和校正机理模型，再由工艺专家根据专业知识提出的优化思路，利用机理模型模拟测算或者设置简单的优化策略进行测算来验证，最后得到生产计划和操作方案用于指导生产。
准确的测量数据和稳态工况判断是准确模拟和优化炼油和化工生产装置的关键。但在现实情况下，生产运行数据不可避免存在错误、缺失、异常等问题，需要经过处理才能进一步使用，且生产运行一直处在波动中，给生产过程的模拟和优化带来了困难。
因此，现有技术中提出了一些数据处理方法。在现有技术中，数据处理由人工判定或根据预设阈值对异常数据进行筛选。但测量点之间可能存在一定的关联关系或依存关系，若违背了这些关系，数据即使不超出预设范围，仍可能属于异常，所以通过简单设置阈值并不能完全剔除异常数据。基于此数据基础上的稳态分析结果也会受到影响，进而影响炼油和化工生产装置建模和优化结果。
发明内容
本发明的目的在于提供一种炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统，能够对炼油和化工生产装置进行准确的稳态工况分析，以辅助对后续的生产过程做出可靠的优化调整。
为了实现上述目的，本发明的第一方面提供一种炼油和化工生产装置的稳态工况分析方法，包括：
获取炼油和化工生产装置生产时的原始数据集，所述原始数据集中包括炼油和化工生产装置在多个时间点所对应的仪表显示数据；
根据预设的检测规则对所述仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理得到正常数据集；
将正常数据集中各个时间点所对应的仪表显示数据统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态工况；
基于各个稳态工况下的时间点，合并得到炼油和化工生产装置的稳态工况时间段。
优选地，根据预设的检测规则对所述仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理后得到数据集的方法包括：
预设的检测规则包括超量程范围检测规则、仪表异常检测规则、超正常范围检测规则、关联关系异常检测规则、违反产能检测规则、违反依赖性检测规则中的一种或多种；
将所选用检测规则制作成数据筛板，利用所述数据筛板对原始数据集中的仪表显示数据进行异常数据检测；
针对检测出的异常数据采用预设方案进行替换处理，所述替换处理的方式包括填充上次正常的仪表显示数据、填充前n次正常值的平均值(n为预设值)、插值、留空、填零中的任一种；
基于原始数据集中的正常数据及替换处理异常数据后的正常数据，汇总得到正常数据集。
优选地，从炼油和化工生产装置的全部仪表中筛选出部分关键仪表对炼油和化工生产装置进行稳态分析。
较佳地，将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态的方法包括：
炼油和化工生产装置中各个关键仪表的稳态阈值可以预设或使用自学习的方法自动获取、更新；
持续读取数据集中每个关键仪表在各个时间点中的仪表显示数据，并计算各个时间点对应的每个关键仪表在一段时间内的相对标准差；
当时间点对应仪表的相对标准差小于对应关键仪表的稳态阈值，则判断该时间点对应的关键仪表处于稳态，否则判断该时间点对应的关键仪表处于非稳态。
进一步地，将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态的方法还包括：
当时间点中每个关键仪表均为稳态则该时间点炼油和化工生产装置状态对应为稳态，否则该时间点对应为非稳态；
将各个时间点的状态按照时序排列后汇总。
优选地，基于各个稳态时间点，合并后得到炼油和化工生产装置的稳态时间段的方法包括以下一种或多种：
将均处于稳态的相邻时间点合并为稳态时间段，将均处于非稳态的相邻时间点合并为非稳态工况时间段；
当两段稳态时间段相邻时，分别计算各稳态时间段中各仪表显示数据的均值m0和m1，并在|m0-m1|≤|m*m0|时，将相邻的两段稳态时间段合并为同一条稳态时间段，所述m为预设的相似度阈值。
非稳态时间段长度小于最低长度阈值时，将上述时间段与前一时间段合并，状态设为前一时间段的状态；
采用无监督的聚类算法K-means对稳态时间段长度大于最高长度阈值的稳态时间段进行聚合拆分。一个稳态时间段为一个稳态工况。
示例性地，超正常范围检测规则中的上限参考值和下限参考值的设定方法包括：
在炼油和化工生产装置正常生产过程中，从原始数据集中筛选出同一仪表对应的仪表显示数据；
采用自学习的方法将筛选出的仪表显示数据进行运算，求得超正常范围检测规则中的上限参考值和下限参考值。
优选地，炼油和化工生产装置中各个关键仪表的筛选及其稳态阈值是通过自学习来获得的。
与现有技术相比，本发明提供的炼油和化工生产装置的稳态工况分析方法具有以下有益效果：
本发明提供的炼油和化工生产装置的稳态工况分析方法中，通过对炼油和化工生产装置的生产过程持续监控，获取到各仪表在各个时间点上对应的显示数据，进而汇总得到炼油和化工生产装置的原始数据集，然后利用预设的检测规则对每个仪表对应的仪表显示数据进行异常检测，并对其中的异常数据进行替换处理得到正常数据集，然后将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态，最终基于各个稳态下的时间点对炼油和化工生产装置的稳态时间段进行稳态分析，进而确定稳态工况，辅助决策者对后续的生产过程做出可靠的优化调整，实现炼油和化工生产装置的效益最大化。
可见，本发明通过对原始数据集中的异常数据进行处理，确保了稳态分析数据的可靠性，而上述稳态时间段中的稳态数据对炼油和化工生产装置的原料、操作条件、产品分布和性质之间的关系调整具有重要意义。
本发明的第二方面提供一种炼油和化工生产装置的优化调试方法，应用于上述技术方案所述的炼油和化工生产装置的稳态工况分析方法，所述炼油和化工生产装置的稳态工况分析方法包括：
基于合并得到的炼油和化工生产装置稳态工况及其中对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
根据AI模型对炼油和化工生产装置操作进行优化计算，根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行状态。
与现有技术相比，本发明提供的炼油和化工生产装置的优化调试方法的有益效果与上述技术方案提供的炼油和化工生产装置的稳态工况分析方法的有益效果相同，在此不做赘述。
本发明的第三方面提供一种炼油和化工生产装置的优化调试系统，应用于上述技术方案所述的炼油和化工生产装置的优化调试方法，所述系统包括：
基于合并得到的炼油和化工生产装置稳态工况时间段及其中对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
根据AI模型对炼油和化工生产装置操作进行优化计算的优化系统；
根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行状态的控制系统。
与现有技术相比，本发明提供的炼油和化工生产装置的优化调试系统的有益效果与上述技术方案提供的炼油和化工生产装置的优化调试方法的有益效果相同，在此不做赘述。
本发明的第四方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述炼油和化工生产装置的优化调试方法的步骤。
与现有技术相比，本发明提供的计算机可读存储介质的有益效果与上述技术方案提供的炼油和化工生产装置的优化调试方法的有益效果相同，在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例中炼油和化工生产装置的稳态工况分析方法的流程示意图；
图2为本发明实施例中炼油和化工生产装置的优化调试方法的流程示意图；
图3为本发明实施例中炼油和化工生产装置的单个仪表状态判断流程示意图；
图4为本发明实施例中炼油和化工生产装置的系统状态判断流程示意图；
图5为本发明实施例中炼油和化工生产装置的系统状态合并流程示意图；
图6为本发明实施例中炼油和化工生产装置的仪表超正常范围检测规则中的上限参考值和下限参考值的自学习流程图；
图7为本发明实施例中炼油和化工生产装置的状态判断关键仪表的稳态阈值的自学习流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
实施例一
请参阅图1-图4，本实施例提供一种炼油和化工生产装置的稳态工况分析方法，包括：
获取炼油和化工生产装置生产时的原始数据集，原始数据集中包括炼油和化工生产装置在多个时间点所对应的仪表显示数据；根据预设的检测规则对仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理得到正常数据集；将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态工况；基于各个稳态工况下的时间点，汇总得到炼油和化工生产装置的稳态工况时间段。
本实施例提供的炼油和化工生产装置的稳态工况分析方法中，通过对炼油和化工生产装置的生产过程持续监控，获取到各仪表在各个时间点上对应的显示数据，进而汇总得到炼油和化工生产装置的原始数据集，然后利用预设的检测规则对每个仪表对应的仪表显示数据进行异常检测，并对其中的异常数据进行替换处理得到数据集，然后将数据集中各个时间点所对应的仪表显示数据与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态，最终将各个稳态下的时间点合并成稳态时间段，进而获得炼油和化工生产装置的稳态工况，辅助决策者对后续的生产过程做出可靠的优化调整，实现炼油和化工生产装置的效益最大化。
可见，本实施例通过对原始数据集中的异常数据进行处理，确保了稳态分析数据的可靠性，而上述稳态工况时间段中的稳态数据对炼油和化工生产装置的原料、操作条件、产品分布和性质之间的关系调整具有重要意义。
上述实施例，根据预设的检测规则对仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理后得到数据集的方法包括：
预设的检测规则包括超量程范围检测规则、仪表异常检测规则、超正常范围检测规则、关联关系异常检测规则、违反产能检测规则、违反依赖性检测规则中的一种或多种；将所选用检测规则制作成数据筛板，利用数据筛板对原始数据集中的仪表显示数据进行异常数据检测；针对检测出的异常数据采用预设方案进行替换处理，替换处理的方式包括填充上次正常的仪表显示数据、填充前n次正常值的平均值(n为预设值)、插值、留空、填零中的任一种；基于原始数据集中的正常数据及替换处理异常数据后获得的正常数据，汇总得到正常数据集。
具体实施时，异常数据通常分为以下三大类：其一为仪表异常，也即数据超过仪表的测量范围，如流量超过流量表最大测量值等；另一种为工况异常，也即对于开停工等异常工况期间产生的数据，该阶段的仪表显示数据与正常生产期间的仪表显示数据具有不同的特征；还有一类是除以上两种情况外其他原因如信号异常、取数位置错误等导致的数据异常。
具体来讲，预设的检测规则包括超量程范围检测规则、仪表异常检测规则、超正常范围检测规则、关联关系异常检测规则、违反产能检测规则、违反依赖性检测规则等。为便于理解，现对上述规则的方案做示例性说明：
1、超量程范围是指获取的仪表显示数据明显超出了仪表的量程范围，此时可认为该仪表显示数据异常，例如，在获取到一组关于炼油和化工生产装置的物料温度、压力和流量等仪表显示数据，首先采用超量程范围规则对应的数据筛板对上述数据进行筛选，其模型如下述公式，在使用该数据筛板之前先要确定对应仪表的测量范围的参数。例如物料温度的测量表读数测量范围是150-500℃，因此上述物料温度的超出测量范围的参数下限为150、上限为500，若某一时间点的温度仪表读数为-100℃时，即可认为该仪表显示数据为异常值。
其中，x表示仪表显示数据，
表示仪表量程上限参考值，
表示仪表量程下限参考值。这些参考值可以由设计图或仪表铭牌等获得。
2、仪表异常：仪表正常工作时，其读数是围绕真实值的一个随机变量。一般情况下该随机变量服从正态分布。如果仪表读数不变或变化非常小，可能预示该仪表状态不正常，其计算公式如下：
其中：σ是指仪表显示数据的相对标准差，
是预设的最小阈值。
其中：x是仪表显示的数据，μ表示一段时间内该仪表的N个显示数据的平均值，N为计算相对标准差的数据点数量，可通过人为指定设置，比如N＝30。
在应用该数据筛板时，需要排除按设计和使用要求，测量值可以长时间不变的仪表(如满量程操作仪表、间歇性操作相关仪表等)。
3、超正常范围，是指在正常生产情况下，温度、压力、流量、产率等物理量一般处于一个操作范围内，称为正常范围。这个范围可以从专家经验、历史数据或者工艺设计图获取。如果实际测量值在这个范围之外，预示该值可能有异常，其判断公式如下：
其中，x表示获取的仪表显示数据。
是预设或自学习获得的数据正常范围下限参考值。
是预设或自学习获得的数据正常范围上限参考值。
具体实施时，通过每个仪表的历史显示数据统计获得各个仪表的正常范围上限参考值和下限参考值。历史仪表显示数据中可能含有异常值，为了减少异常值对统计结果的影响，需要对历史仪表显示数据进行筛选。
请参考图6，仪表超正常范围检测规则中的上限参考值和下限参考值是通过自学习来获取的，现对其过程作示例性说明：
(1)获取各个仪表的原始数据供自学习使用；
(2)去除已知生产过程中出现的异常数据段(如开停工阶段、事故阶段)，并计算各个仪表的统计数据，举例如下：历史最大值max和最小值min、均值μ、各时间点的标准偏差σ；
(3)找出并删除数据中的异常点，举例：明显和相邻值差别较大的值；
(4)确定转变点，方法可以使用各种转变点检测方法，例如决策树、支持向量机、贝叶斯、CUSUM、Kernel法、聚类等。
(5)搜索第一个使得累积密度或累计数据点数达到预设要求的转变点，该转变点即为自学习的正常范围最大值或最小值；
(6)对于自学习的结果，需要作一些自动调整：学习获得的上下限根据预设的系数，扩展上下限，避免上下限太紧；上下限经过扩展后可能会超出原始数据的最值，需要做出相应调整；
(7)对于自学习的结果，经过人工检查，确保范围合理。
4、关联关系异常：在正常生产情况下，整个炼油和化工生产装置的温度、压力、流量等数值通常呈现出从高到低、从低到高或同步逐渐变化等规律。这个关联关系可以从专家经验、历史数据或者工艺设计图获取。如果两个或多个数值不满足它们之间的正常关联关系规律，预示该组数值可能存在问题：
其中，x表示测量获得的仪表显示数据，f(x)表示对测量值x通过关联关系规律计算获得的数值，
表示关联关系规律下限参考值，
表示关联关系规律上限参考值。
5、违反产能是指炼油和化工生产装置在正常生产时，其负荷需要满足一定的区间。高于最大负荷或小于最小负荷，炼油和化工生产装置将不能正常生产运转，严重的会导致事故发生。如果测量值或测量值(仪表显示数据)之和等在设备正常产能之外(例如泵的流量)，预示这些测量值可能有问题，或者该炼油和化工生产装置可能处于非正常状态，其判断公式如下：
其中，xk表示与炼油和化工生产装置产能直接关联的测量值，
表示产能下限值，
表示产能上限值，这些上限和下限值设计值决定。
6、违反依赖性是指炼油和化工生产装置生产时相互关联的两个或多个测量值，之间存在一定的依赖关系。例如在一段管道上安装有流量计和温度计，当流量为0时，相应的温度读数是不可靠的，不应该使用。这些依赖性规则来自专家知识、工艺设计等。
上述实施例是对原始数据集中异常数据的处理过程，待异常数据处理完成之后接下来是根据数据集对炼油和化工生产装置进行稳态工况分析的过程。
上述实施例中，从炼油和化工生产装置的全部仪表中筛选出部分关键仪表对炼油和化工生产装置进行稳态工况分析，此处的关键仪表是指对炼油和化工生产装置稳态评价具有关键参考意义的仪表，关键仪表可通过人为指定设置。
上述实施例中，将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态的方法包括：
预设或自学习炼油和化工生产装置中各个关键仪表的稳态阈值；持续读取数据集中每个关键仪表在各个时间点中的仪表显示数据，并计算各个时间点对应的每个关键仪表在一段时间内的相对标准差；当时间点对应仪表的相对标准差小于对应关键仪表的稳态阈值，则判断该时间点对应的关键仪表处于稳态，否则判断该时间点对应的关键仪表处于非稳态。
上述实施例中，将数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态工况的方法还包括：
当时间点中每个关键仪表均为稳态则该时间点炼油和化工生产装置的状态对应为稳态，否则该时间点对应为非稳态；将各个时间点的状态按照时序排列后汇总。
请参考图7，炼油和化工生产装置中各个关键仪表的筛选和稳态阈值是通过自学习来获取的，现对其过程作示例性说明：
(1)根据工艺流程、专家知识以及经验，人工设置用于判断系统状态的候选关键仪表，并提取这些关键仪表的数据；
(2)计算这些关键仪表的标准偏差；
(3)计算这些关键仪表的σ参考值k％区间：所有小于等于σ的数据个数占总数据量的比例，称为σ参考值k％区间，简称σk％区间，比如σ95％区间含义为，所有数据中，其标准偏差小于等于σ的数据个数占比为95％。k为指定的初始值，一般取50-90；
(4)对各个仪表进行稳态分析，并评估其稳定性，评价指标举例：可使用稳态时间占比；
(5)对系统进行状态分析，计算系统的稳态时长占比；
(6)如果系统稳态时长占比达到预设的要求s0，则认为当前关键仪表选择和参数设置是合适的，输出结果；
(7)否则分情况讨论：1)如果这些关键仪表只剩下一个并且已经达到σk％区间的预设上限，说明无法达到预设的系统稳定性要求，退出；如果这些关键仪表有一个或多个已经达到σk％区间的预设上限，说明这些关键仪表即使放宽到上限也不能使系统的稳定时长百分比达到要求，需要将它们移除，并返回第6步继续，2)如果这些关键仪表都未达到σk％区间的预设上限，说明还有调整空间，此时进行聚类分析，找出波动分散性最大的一组关键仪表，提高它们的σk％区间水平，并返回步骤4继续。
具体实施时，稳态分析是指对仪表、炼油和化工生产装置的运行状态进行分析，根据分析结果为稳定或不稳定做出相应处理，单个仪表的状态分析通过仪表显示数据的读数即可获取，一台炼油和化工生产装置可能含有几十到数千个仪表来监控其运行状态，因此对炼油和化工生产装置进行状态分析，一般需要结合多个仪表的仪表显示数据进行综合分析。
具体来说，首先需对单个仪表的单点状态进行分析，单点状态包括单时间点单规则状态(单仪表级别)和单时间点组合状态(系统级别)，单时间点单规则状态是指对单个仪表在单一时间点的状态进行分析，单时间点组合状态是指对全部关键仪表在单一时间点的状态进行分析。
单个仪表在单一时间点的状态进行分析的方案为，从数据集读取单个关键仪表在每个时间点上的仪表显示数据，并将其与该关键仪表对应的稳态阈值比较，如果某个时间点的仪表显示数据的相对标准差小于稳态阈值，例如稳态阈值设置为两倍的相对标准差，则该关键仪表在对应的时间点上为稳态状态，否则该关键仪表在对应的时间点上为非稳态状态。
全部关键仪表在单一时间点的状态进行分析的方案为，从数据集读取全部个关键仪表在每个时间点上对应的仪表显示数据，并将其某时间点的相对标准差与每个关键仪表稳态阈值一一对应比较，只有全部关键仪表在对应的时间点上为均稳态状态，则认为该时间点为稳态状态。
在得到各个时间点的稳态之后，还需进行稳态时间段的聚合处理，用于反映炼油和化工生产装置在不同时段的工况情况。具体地，基于各个稳态下的时间点，合并后得到炼油和化工生产装置的稳态时间段的方法包括以下一种或多种：
将均处于稳态的相邻时间点合并为稳态时间段，将均处于非稳态的相邻时间点合并为非稳态时间段；
当两段稳态时间段相邻时，分别计算各稳态工况时间段中各仪表显示数据的均值m0和m1，并在|m0-m1|≤|m*m0|时，将相邻的两段稳态工况合并为同一条稳态工况时间段，所述m为预设的相似度阈值。
当非稳态时间段长度小于最低长度阈值时，将上述时间段与前一时间段合并，状态设为前一时间段的状态；
采用无监督的聚类算法K-means对稳态时间段长度大于最高长度阈值的稳态工况时间段进行聚合拆分。
具体实施时，如图5所示，将均处于稳态的相邻时间点合并为稳态时间段，将均处于非稳态的相邻时间点合并为非稳态时间段，这样就可以形成多段稳态时间段以及多段非稳态时间段。考虑到此时的稳态工况时间段仍较分散且时间段偏短，故还需对相邻或相近的两段稳态工况时间段进行合并，合并的方案为分别计算两段稳态工况时间段的均值m0和m1，如果满足
|m0-m1|≤|m*m0|，则将这两段稳态工况合并为同一条稳态工况时间段。如果合并之后非稳态时间段长度仍然小于最低长度阈值，此时可将该段时间段与前一稳态时间段合并；如果合并之后的稳态工况时间段长度大于最高长度阈值，则对超长的稳态工况时间段采用无监督的聚类算法K-means进行聚合拆分。
无监督聚类算法K-means的聚合拆分原理为对于给定的时序数据集，根据样本点与k个连续值中心点之间的距离，将数据集分为k个簇，使得簇内点之间距离尽量小，簇间距离尽量大。
聚类分析的k值对分类结果影响很大。目前按照下式确定k值：
k＝min(n1，n2，……，nn)
其中：L为进行聚类分析的稳态时间段长度，Lmin表示预设的最短稳态分段长度，通常由人为指定，
表示第i个仪表显示数据自小到大排序后，处于95％的点值，
表示第i个仪表显示数据自小到大排序后处于5％的点值，μ为进行聚类分析数据段中全部数据的均值。
K-means算法如下：
1、根据上述计算得出的k值，随机选取k个聚类质心点μ1，μ2，…，μk。
2、计算样本xi和各个质心的距离，公式如下：
dij＝‖xi-μj‖2
其中，dij表示第i个样本与第j个聚类质心点间的距离；xi表示第i个样本数据；μj表示第j个聚类质心点数据。
将样本计入距离最小相应的类别中。
3、对于每一个聚类，根据以下公式重新计算该类的质心：
其中，μj,m表示第j个聚类的质心点第m维数据，nj表示第j个聚类中样本的个数；xi,m表示第i个样本第m维的数据。
重复步骤2和3，直至质心没有变化，获得k个聚类。
实施例二
请参阅图2，本实施例提供一种炼油和化工生产装置的优化调试方法，包括：
基于合并得到的炼油和化工生产装置稳态工况时间段及其中对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
根据AI模型对炼油和化工生产装置操作进行优化计算，根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行工况。
具体实施时，基于生成设备的历史稳态工况训练AI模型，对AI模型进行优化获得最佳生产操作条件，根据上述获得的操作条件调整生产操作，以保证炼油和化工生产装置处于最佳稳定运行状态。
与现有技术相比，本发明实施例提供的炼油和化工生产装置的优化调试方法的有益效果与上述实施例一提供的炼油和化工生产装置的稳态工况分析方法的有益效果相同，在此不做赘述。
实施例三
本实施例提供一种炼油和化工生产装置的优化调试系统，包括：
训练单元，基于合并得到的炼油和化工生产装置稳态工况时间段及其中对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
优化单元，根据AI模型对炼油和化工生产装置操作进行优化计算；
控制单元，根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行状态。
与现有技术相比，本发明实施例提供的炼油和化工生产装置的优化调试系统的有益效果与上述实施例一提供的炼油和化工生产装置的优化调试方法的有益效果相同，在此不做赘述。
实施例四
本实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述炼油和化工生产装置的优化调试方法的步骤。
与现有技术相比，本实施例提供的计算机可读存储介质的有益效果与上述技术方案提供的炼油和化工生产装置的优化调试方法的有益效果相同，在此不做赘述。
本领域普通技术人员可以理解，实现上述发明方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，上述程序可以存储于计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种炼油和化工生产装置的稳态工况分析方法，其特征在于，包括：
获取炼油和化工生产装置生产时的原始数据集，所述原始数据集中包括炼油和化工生产装置在多个时间点所对应的仪表显示数据；
根据预设的检测规则对所述仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理得到正常数据集；
将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态工况；
基于各个稳态工况下的时间点，根据合并规则合并得到炼油和化工生产装置的稳态工况时间段。
2.根据权利要求1所述的方法，其特征在于，根据预设的检测规则对所述仪表显示数据进行异常数据检测，并对其中的异常数据进行替换处理后得到数据集的方法包括：
预设的检测规则包括超量程范围检测规则、仪表异常检测规则、超正常范围检测规则、关联关系异常检测规则、违反产能检测规则、违反依赖性检测规则中的一种或多种；
将所选用检测规则制作成数据筛板，利用所述数据筛板对原始数据集中的仪表显示数据进行异常数据检测；
针对检测出的异常数据采用预设方案进行替换处理，所述替换处理的方式包括填充上次正常的仪表显示数据、填充前n次正常值的平均值、插值、留空、填零中的任一种；
基于原始数据集中的正常数据及替换异常数据后得到的正常数据，汇总得到正常数据集。
3.根据权利要求1所述的方法，其特征在于，从炼油和化工生产装置的全部仪表中筛选出部分关键仪表对炼油和化工生产装置进行稳态工况分析。
4.根据权利要求3所述的方法，其特征在于，将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态的方法包括：
预设或自学习炼油和化工生产装置中各个关键仪表的稳态阈值；
持续读取数据集中每个关键仪表在各个时间点中的仪表显示数据，并计算各个时间点对应的每个关键仪表在一段时间内的相对标准差；
当时间点对应仪表的相对标准差小于对应关键仪表的稳态阈值，则判断该时间点对应的关键仪表处于稳态，否则判断该时间点对应的关键仪表处于非稳态。
5.根据权利要求4所述的方法，其特征在于，将正常数据集中各个时间点所对应的仪表显示数据的统计学特征与稳态条件下预设或自学习获得的阈值比对，判断各个时间点是否处于稳态的方法还包括：
当时间点中每个关键仪表均为稳态则该时间点炼油和化工生产装置的状态对应为稳态，否则该时间点对应为非稳态；
将各个时间点的炼油和化工生产装置状态情况按照时序排列后汇总。
6.根据权利要求5所述的方法，其特征在于，基于各个稳态时间点，合并后得到炼油和化工生产装置的稳态时间段的方法包括以下一种或多种：
将均处于稳态的相邻时间点合并为稳态时间段，将均处于非稳态的相邻时间点合并为非稳态时间段；
当两段稳态时间段相邻时，分别计算各稳态时间段中各仪表显示数据的均值m0和m1，并在|m0-m1|≤|m*m0|时，将相邻的两段稳态合并为同一条稳态时间段，所述m为预设的相似度阈值。
当非稳态时间段长度小于最低长度阈值时，将上述时间段与前一时间段合并，状态设为前一时间段的状态；
采用无监督的聚类算法K-means对稳态时间段长度大于最高长度阈值的稳态时间段进行聚类拆分。
7.根据权利要求2所述的方法，其特征在于，超量程范围检测规则中的上限参考值和下限参考值的设定方法包括：
在炼油和化工生产装置正常生产过程中，从原始数据集中筛选出同一仪表对应的仪表显示数据；
采用自学习的方法将筛选出的仪表数据进行运算，求得超正常范围检测规则中的上限参考值和下限参考值。
8.根据权利要求4所述的方法，其特征在于，炼油和化工生产装置中各个关键仪表的筛选及其稳态阈值是通过自学习来获得的。
9.一种炼油和化工生产装置的优化调试方法，其特征在于，包括：
基于合并得到的炼油和化工生产装置稳态工况时间段及其对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
根据AI模型对炼油和化工生产装置操作进行优化计算，根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行工况。
10.一种炼油和化工生产装置的优化调试系统，其特征在于，包括：
训练单元，基于合并得到的炼油和化工生产装置稳态工况时间段及其中对应的数据集，训练用于辅助炼油和化工生产装置优化调试的AI模型；
优化单元，根据AI模型对炼油和化工生产装置操作进行优化计算；
控制单元，根据优化结果调整炼油和化工生产装置操作，以使炼油和化工生产装置处于最佳稳定运行状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110647014.2A CN113420061B (zh) | 2021-06-10 | 2021-06-10 | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110647014.2A CN113420061B (zh) | 2021-06-10 | 2021-06-10 | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420061A true CN113420061A (zh) | 2021-09-21 |
| CN113420061B CN113420061B (zh) | 2022-09-13 |
Family
ID=77788164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110647014.2A Active CN113420061B (zh) | 2021-06-10 | 2021-06-10 | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420061B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114367547A (zh) * | 2021-12-28 | 2022-04-19 | 北京首钢自动化信息技术有限公司 | 一种轧制数据的统计方法和装置 |
| CN115072970A (zh) * | 2022-06-10 | 2022-09-20 | 华彤光学科技(浙江)有限公司 | 智能玻璃模压机监控系统与方法 |
| CN117250932A (zh) * | 2023-11-20 | 2023-12-19 | 一夫科技股份有限公司 | 一种石膏聚合物复合材料的生产控制方法及系统 |
| CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617568A (zh) * | 2013-12-06 | 2014-03-05 | 国家电网公司 | 稳态电能质量预警机制中的异常数据判定阈值设定方法 |
| CN103699514A (zh) * | 2014-01-14 | 2014-04-02 | 中国能源建设集团广东省电力设计研究院 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
| WO2016114736A1 (en) * | 2015-01-14 | 2016-07-21 | Türkiye Petrol Rafinerisi | A real-time data verification and data reconciliation system for petroleum refineries |
| CN108519760A (zh) * | 2017-11-06 | 2018-09-11 | 红云红河烟草(集团)有限责任公司 | 一种基于变点检测理论的制丝过程稳态识别方法 |
| CN109189754A (zh) * | 2018-08-20 | 2019-01-11 | 中国汽车技术研究中心有限公司 | 一种基于驾驶意图的车辆运动片段切割方法及装置 |
| CN112700085A (zh) * | 2020-12-11 | 2021-04-23 | 华南理工大学 | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 |
-
2021
- 2021-06-10 CN CN202110647014.2A patent/CN113420061B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617568A (zh) * | 2013-12-06 | 2014-03-05 | 国家电网公司 | 稳态电能质量预警机制中的异常数据判定阈值设定方法 |
| CN103699514A (zh) * | 2014-01-14 | 2014-04-02 | 中国能源建设集团广东省电力设计研究院 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
| WO2016114736A1 (en) * | 2015-01-14 | 2016-07-21 | Türkiye Petrol Rafinerisi | A real-time data verification and data reconciliation system for petroleum refineries |
| CN108519760A (zh) * | 2017-11-06 | 2018-09-11 | 红云红河烟草(集团)有限责任公司 | 一种基于变点检测理论的制丝过程稳态识别方法 |
| CN109189754A (zh) * | 2018-08-20 | 2019-01-11 | 中国汽车技术研究中心有限公司 | 一种基于驾驶意图的车辆运动片段切割方法及装置 |
| CN112700085A (zh) * | 2020-12-11 | 2021-04-23 | 华南理工大学 | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 闫军威等: "基于关联规则的复杂系统稳态运行参数优化", 《制冷学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114367547A (zh) * | 2021-12-28 | 2022-04-19 | 北京首钢自动化信息技术有限公司 | 一种轧制数据的统计方法和装置 |
| CN114367547B (zh) * | 2021-12-28 | 2024-02-06 | 北京首钢自动化信息技术有限公司 | 一种轧制数据的统计方法和装置 |
| CN115072970A (zh) * | 2022-06-10 | 2022-09-20 | 华彤光学科技(浙江)有限公司 | 智能玻璃模压机监控系统与方法 |
| CN115072970B (zh) * | 2022-06-10 | 2024-01-30 | 华彤光学科技(浙江)有限公司 | 智能玻璃模压机监控系统与方法 |
| CN117250932A (zh) * | 2023-11-20 | 2023-12-19 | 一夫科技股份有限公司 | 一种石膏聚合物复合材料的生产控制方法及系统 |
| CN117250932B (zh) * | 2023-11-20 | 2024-01-26 | 一夫科技股份有限公司 | 一种石膏聚合物复合材料的生产控制方法及系统 |
| CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420061B (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420061B (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
| US10809153B2 (en) | Detecting apparatus, detection method, and program | |
| US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
| US10152879B2 (en) | Method, apparatus, and system for monitoring manufacturing equipment | |
| CN111610407B (zh) | 基于朴素贝叶斯的电缆老化状态评估方法和装置 | |
| CN104952753A (zh) | 测量抽样方法 | |
| US11640328B2 (en) | Predicting equipment fail mode from process trace | |
| CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
| WO2022038804A1 (ja) | 診断装置及びパラメータ調整方法 | |
| CN106845826B (zh) | 一种基于PCA-Cpk的冷连轧生产线服役质量状态评估方法 | |
| EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
| US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
| KR101984248B1 (ko) | 원자력 발전설비의 기계학습식 예측진단장치 | |
| CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN112434390A (zh) | 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法 | |
| CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
| CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| KR101991296B1 (ko) | 원자력 발전설비의 기계학습식 예측진단장치 | |
| KR101967633B1 (ko) | 원자력 발전설비의 기계학습식 예측진단장치 | |
| KR101983603B1 (ko) | 증강현실을 활용한 원자력 발전설비의 기계학습식 예측진단장치 | |
| CN110517731A (zh) | 基因检测质量监控数据处理方法和系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211201 Address after: 6 / F, block AB, ocean Guanghua international, No. 10, Jintong West Road, Chaoyang District, Beijing 100020 Applicant after: Beijing Yineng Gaoke Technology Co.,Ltd. Applicant after: BEIJING SCIENCO TECHNOLOGY CO.,LTD. Address before: 6 / F, block AB, ocean Guanghua international, No. 10, Jintong West Road, Chaoyang District, Beijing 100020 Applicant before: Beijing Yineng Gaoke Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |