CN113517039A - 基于VOCs组分识别生产装置的方法及系统 - Google Patents
基于VOCs组分识别生产装置的方法及系统 Download PDFInfo
- Publication number
- CN113517039A CN113517039A CN202010283841.3A CN202010283841A CN113517039A CN 113517039 A CN113517039 A CN 113517039A CN 202010283841 A CN202010283841 A CN 202010283841A CN 113517039 A CN113517039 A CN 113517039A
- Authority
- CN
- China
- Prior art keywords
- vocs
- component
- production
- sampling
- devices
- 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
- 239000012855 volatile organic compound Substances 0.000 title claims abstract description 288
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000005070 sampling Methods 0.000 claims abstract description 127
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 39
- 239000000203 mixture Substances 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000004939 coking Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000001833 catalytic reforming Methods 0.000 claims description 6
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 5
- 150000001336 alkenes Chemical class 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 238000004523 catalytic cracking Methods 0.000 claims description 5
- 238000009903 catalytic hydrogenation reaction Methods 0.000 claims description 5
- 238000012824 chemical production Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000010865 sewage Substances 0.000 claims description 5
- 239000004215 Carbon black (E152) Substances 0.000 claims description 4
- 150000001555 benzenes Chemical class 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 150000008280 chlorinated hydrocarbons Chemical class 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000005984 hydrogenation reaction Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 125000003118 aryl group Chemical group 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- -1 processing processes Substances 0.000 description 3
- FYGHSUNMUKGBRK-UHFFFAOYSA-N 1,2,3-trimethylbenzene Chemical compound CC1=CC=CC(C)=C1C FYGHSUNMUKGBRK-UHFFFAOYSA-N 0.000 description 2
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 2
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000002407 reforming Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- HYFLWBNQFMXCPA-UHFFFAOYSA-N 1-ethyl-2-methylbenzene Chemical compound CCC1=CC=CC=C1C HYFLWBNQFMXCPA-UHFFFAOYSA-N 0.000 description 1
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 150000001345 alkine derivatives Chemical class 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明提供一种基于VOCs组分识别生产装置的方法及系统，属于VOCs监测和识别技术领域。所述方法包括：将生产区域内不同生产装置划分为多个工艺段，并在每个工艺段布置多个VOCs组分采样设备；通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据。本发明用于挥发性有机物监测和不同生产装置挥发性有机物的识别。
Description
技术领域
本发明涉及VOCs监测和识别技术领域，具体地涉及一种识别生产装置VOCs组分的方法、一种识别生产装置VOCs组分的系统、一种利用VOCs组分识别生产装置的方法、一种利用VOCs组分识别生产装置的系统、一种电子设备和一种计算机可读存储介质。
背景技术
挥发性有机物(Volatile Organic Compounds，VOCs)具有光化学活性，是形成PM2.5和臭氧污染的重要前体物质，该重要前体物质会对大气环境和人类健康造成严重影响，也日益受到人们的关注。国家连续出台了多项政策文件，明确要求加强挥发性有机物在线监测工作，确定重点污染源VOCs排放成分谱，识别重点地区VOCs控制的重点污染物和重点行业。VOCs污染源识别是进行VOCs治理的重要内容之一。
传统的大气恶臭污染溯源系统及应用方案，侧重针对恶臭气体的识别，以指纹物质的气味活度值来建立指纹图谱，利用图谱间相似性进行溯源的方法，仅涉及对恶臭气体的溯源，且并未根据污染物浓度进行溯源。传统的大气污染物精准溯源识别方案，提出了大气污染源溯源的系统，并未提供污染源溯源效果的研究。传统的主成分分析的空气主要污染物的评定方案，介绍了利用主成分分析方法对空气中的主要污染物如PM2.5、PM10、CO、SO2等主要污染物来评价空气质量，主要侧重于城市环境空气的评定，这些污染指标不能适用于炼化企业VOCs的评价和污染源的识别。
发明内容
本发明的目的是提供一种基于VOCs组分识别生产装置的方法及系统，解决由于石化企业生产装置的VOCs组分过于相近而导致的难以区分识别VOCs组分，以及解决石化企业不同位置区域上VOCs组分过于相近而导致的难以区分识别不同位置区域上生产装置等技术问题。
为了实现上述目的，本发明实施例提供一种识别生产装置VOCs组分的方法，该方法包括：
S1)将生产区域内不同生产装置划分为多个工艺段，并在每个工艺段布置多个VOCs组分采样设备；
S2)通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据。
具体的，步骤S1)中将生产区域内不同生产装置划分为多个工艺段，具体为：
按照生产区域内不同生产装置的生产原料、加工工艺和产品要求，将所述不同生产装置中每个生产装置划分为多个工艺段，其中，所述生产区域内不同生产装置包括常减压装置、催化裂化装置、催化重整装置、催化加氢装置、延迟焦化装置、污水处理厂区装置、化工生产区装置和储罐区装置。
具体的，步骤S1)中布置多个VOCs组分采样设备，具体为：
布置多个VOCs组分采样设备于每个工艺段中靠近烃组分集中的部分区域内，其中，
每个VOCs组分采样设备包括一个或多个空气采样罐，所述多个VOCs组分采样设备中作为平行样的VOCs组分采样设备的数量占所述多个VOCs组分采样设备的数量的10％。
具体的，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
配置每个VOCs组分采样设备的采样条件，其中，所述采样条件包括：环境风速小于等于预设风速阈值，采样流量为预设流量，采样高度为固定高度和采样时间为固定时间。
具体的，该方法中的VOCs组分采样设备选为容积3.2L的苏玛罐和与所述苏玛罐匹配的被动罐采样器，其中，所述采样条件，具体为：
环境风速小于0.5m/s，采样流量为50ml/min，采样高度为1.5m和采样时间为1小时。
具体的，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
确定目标VOCs类别，利用所述多个VOCs组分采样设备进行采样，获得所述生产区域的VOCs组分样本；
根据所述目标VOCs类别，对所述生产区域的VOCs组分样本进行分析，获得每个VOCs组分样本的浓度值，该浓度值可以通过分析仪器获得，能用于后续芳烃比计算；
其中，选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作。
具体的，步骤S2)中的目标VOCs类别，包括：
烷烃类、烯烃类、苯系物类，氯代烃类和含氧化合物类。
具体的，步骤S2)在利用所述多个VOCs组分采样设备进行采样之前，还包括：
使用氮气多次清洗每个VOCs组分采样设备，并抽取清洗后的VOCs组分采样设备内气体，直至所述清洗后的VOCs组分采样设备为固定负压，获得具有所述固定负压的多个VOCs组分采样设备。
具体的，步骤S2)中选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作，包括：
在分析之前，确定与所述目标VOCs类别对应的混合标准VOCs，并获取所述混合标准VOCs的理论浓度，利用所述混合标准VOCs进行校准，获得所述混合标准VOCs的实际校准浓度，结合预设浓度偏差百分比范围和所述理论浓度，确定用于分析过程的校正曲线是否有效，能用于分析仪器校正；
在分析之前，还采用与所述混合标准VOCs对应的多个浓度梯度建立关于所述多个浓度梯度的标准曲线，结合预设相对标准偏差范围和预设相关性分数范围，确定关于所述多个浓度梯度的标准曲线是否有效，能用于分析仪器校正。
具体的，步骤S2)中的预设浓度偏差百分比范围为：
所述混合标准VOCs的实际校准浓度中80％以上的实际校准浓度与理论浓度偏差小于10％。
具体的，步骤S2)中的预设相对标准偏差范围选为1％至10％，以及预设相关性分数范围选为0.991至1.000。
具体的，步骤S2)中计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，包括：
计算所述VOCs组分样本的组分间芳烃比；
根据多个VOCs组分样本的组分间芳烃比的变化情况，剔除部分的组分间芳烃比；
计算与剔除后剩余的组分间芳烃比对应的统计值，确定与大于预设相关系数的统计值对应的组分间芳烃比，获得过滤后的组分间芳烃比，其中，与所述过滤后的组分间芳烃比对应的VOCs组分样本中组分含量大于预设组分含量阈值。
具体的，步骤S2)中对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，包括：
使用主成分分析方法对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分主成分统计数据和在所述生产区域内与每个生产装置所在位置区域对应的VOCs组分主成分分布图。
具体的，步骤S2)中使用主成分分析方法对过滤后的组分相对量进行统计，包括：
构建关于过滤后的组分相对量和所述不同生产装置的矩阵，通过标准化操作处理所述矩阵中向量，获得标准化参数矩阵；
通过非线性迭代偏最小二乘算法进行关于所述标准化参数矩阵的主成分分析，结合预设收敛条件，判断迭代计算是否完成；
在迭代计算完成后，统计获得与所述不同生产装置对应的主成分得分数据。
本发明实施例提供一种识别生产装置VOCs组分的系统，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，其中，
所述多个VOCs组分采样设备被配置在根据生产区域内不同生产装置所在位置区域所划分的多个工艺段中。
本发明实施例提供一种利用VOCs组分识别生产装置的方法，该方法包括：
S1)通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
S2)计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据；
S3)根据前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中VOCs组分分布数据对应的位置区域处的生产装置。
本发明实施例提供一种利用VOCs组分识别生产装置的系统，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
所述计算模块被配置为用于计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据；
所述计算模块被配置为用于根据前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中每个VOCs组分分布数据对应的位置区域处的生产装置。
再一方面，本发明实施例提供一种电子设备，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的方法。
又一方面，本发明实施例提供一种计算机可读存储介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行前述的方法。
本发明基于石化炼厂典型生产装置的VOCs组成，选取合适的特征比值参数，利用非线性迭代偏最小二乘算法(NIPALS)进行主成分分析，从而对不同生产装置产生的VOCs进行分类识别，以及实现了根据VOCs组分分布数据识别生产装置，计算速度快，分类更准确、更直观。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1为本发明实施例的主要步骤示意图；
图2为本发明实施例的化合物缩写对照示意图；
图3为本发明实施例的标准化后特征比值参数矩阵中示例性部分矩阵示意图；
图4为本发明实施例的标准化后特征比值参数矩阵中示例性部分矩阵示意图；
图5为本发明实施例的化工区、重整装置、蜡油加氢装置和焦化装置VOCs组分的主成分得分示意图；
图6为本发明实施例的化工区装置中芳烃特征比值参数的分布示意图；
图7为本发明实施例的重整装置中芳烃特征比值参数的分布示意图；
图8为本发明实施例的蜡油加氢装置中芳烃特征比值参数的分布示意图；
图9为本发明实施例的基于特征芳烃比值对化工区、重整装置区、蜡油加氢装置、焦化装置VOCs组分主成分分析结果示意图；
图10为本发明实施例的基于所有芳烃比值对化工区、重整装置区、蜡油加氢装置、焦化装置VOCs组分主成分分析结果示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
实施例1
如图1，本发明实施例提供了识别生产装置VOCs组分的方法，该方法包括：
S1)将生产区域内不同生产装置划分为多个工艺段，并在每个工艺段布置多个VOCs组分采样设备；
S2)通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据。
组分相对量可以选为组分间特征比值，例如组分间芳烃比；分布数据可以包括统计数据(如柱状图)和对应VOCs组分采样设备的采样点位置的分布图。
具体的，步骤S1)中将生产区域内不同生产装置划分为多个工艺段，具体为：
按照生产区域内不同生产装置的生产原料、加工工艺和产品要求(产品的组分浓度比例等)，将所述不同生产装置中每个生产装置划分为多个工艺段，其中，所述生产区域内不同生产装置包括常减压装置、催化裂化装置、催化重整装置、催化加氢装置、延迟焦化装置、污水处理厂区装置、化工生产区装置和储罐区装置。
生产原料为生产装置的原料区域工艺特征，加工工艺为生产装置的加工区域工艺特征，产品要求为生产装置的产品区域工艺特征，因此可以至少分为三个工艺段，每个工艺段根据具体生产装置还可以进一步划分不同的区段，每个区段中分别设置至少一个VOCs采样设备。
具体的，步骤S1)中布置多个VOCs组分采样设备，具体为：
布置多个VOCs组分采样设备于每个工艺段中靠近烃组分集中的部分区域内，其中，
每个VOCs组分采样设备包括一个或多个空气采样罐，所述多个VOCs组分采样设备中作为平行样的VOCs组分采样设备的数量占所述多个VOCs组分采样设备的数量的10％；
在一些具体实施中，除了设置平行样之外，还可以利用同一个采样点位置的VOCs组分采样设备执行多次采样过程，例如在不同时间范围、不同工况下采集同一采样点位置的VOCs组分样本，以获得多个VOCs组分样本。
具体的，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
配置每个VOCs组分采样设备的采样条件，其中，所述采样条件包括：环境风速小于等于预设风速阈值，采样流量为预设流量，采样高度为固定高度和采样时间为固定时间；
炼厂(生产区域)常见装置有常减压装置、催化裂化、催化重整、催化加氢、延迟焦化、污水处理厂、化工生产、储罐区等，不同的生产装置分为多个工艺段，根据不同生产装置按照生产原料、加工工艺、产品要求等进行划分；按工艺段设定多个采样点(一个采样点是一个或多个VOCs组分采样设备的分布位置)，采样点的选取时尽可能选在烃组分分布较集中的工艺区，设定在法兰、泵、阀门等可能发生VOCs泄漏的部件处，样品采集时在风速较低(＜0.5m/s)的情况下进行，减少各装置间的扩散传输的影响。采样使用3.2L苏玛罐(ENTECH公司)配套被动罐采样器(ENTECH CS100E)，采样流量50ml/min，采样高度为1.5m，采集时间1小时；前述内容可以称为工艺分析及取样点的选取。
具体的，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
确定目标VOCs类别，利用所述多个VOCs组分采样设备进行采样，获得所述生产区域的VOCs组分样本；
根据所述目标VOCs类别，对所述生产区域的VOCs组分样本进行分析，获得每个VOCs组分样本的浓度值，该浓度值可以通过分析仪器获得，能用于后续比值计算；
其中，选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作。
具体的，步骤S2)中的目标VOCs类别，包括：
烷烃类、烯烃类、苯系物类，氯代烃类和含氧化合物类。
具体的，步骤S2)在利用所述多个VOCs组分采样设备进行采样之前，还包括：
使用氮气多次清洗每个VOCs组分采样设备，并抽取清洗后的VOCs组分采样设备内气体，直至所述清洗后的VOCs组分采样设备为固定负压，获得具有所述固定负压的多个VOCs组分采样设备。
具体的，步骤S2)中选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作，包括：
在分析之前，确定与所述目标VOCs类别对应的混合标准VOCs，并获取所述混合标准VOCs的理论浓度，利用所述混合标准VOCs进行校准，获得所述混合标准VOCs的实际校准浓度，结合预设浓度偏差百分比范围和所述理论浓度，确定用于分析过程的校正曲线是否有效，能用于分析仪器校正；
在分析之前，还采用与所述混合标准VOCs对应的多个浓度梯度建立关于所述多个浓度梯度的标准曲线，结合预设相对标准偏差范围和预设相关性分数范围，确定关于所述多个浓度梯度的标准曲线是否有效，能用于分析仪器校正。
采用U.S EPA推荐的TO14、TO15方法，预浓缩-GC-MS(分析仪器)联用，进行全谱分析，不同浓度梯度的标准曲线校准，实现精确计量；
主要分析PAMS+TO15中的C2-C14范围内107种挥发性有机物，覆盖烷烃、烯烃、苯系物、氯代烃、含氧化合物等多类物质；
质控手段(样本质量控制操作)：采样前，使用清罐仪以高纯氮气清洗苏玛罐3次，并抽至负压6.5Pa，并每批次抽取1个苏码罐进行空白检测；每日使用TO15和PAMS混合标准气体进行单点质控，80％以上物质实际校准浓度与理论浓度偏差小于10％，认为校正曲线有效，超过则重新进行多点校正；平行样占采样总数的10％；
采用6个浓度梯度混合标样建立标准曲线，每个浓度梯度进样5次，同时进4×10-9的内标，各目标物的相对标准偏差为1％～10％，标准曲线的相关性在0.991～1.000之间；此处步骤可以称为在样本分析之前的仪器校准。
具体的，步骤S2)中计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，包括：
计算所述VOCs组分样本的组分间芳烃比；
根据多个VOCs组分样本的组分间芳烃比的变化情况，剔除部分的组分间芳烃比；
计算与剔除后剩余的组分间芳烃比对应的统计值，确定与大于预设相关系数的统计值对应的组分间芳烃比，获得过滤后的组分间芳烃比，其中，与所述过滤后的组分间芳烃比对应的VOCs组分样本中组分含量大于预设组分含量阈值(根据样本的量纲和精度进行选择)。
具体的，步骤S2)中对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，包括：
使用主成分分析方法对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分主成分统计数据和在所述生产区域内与每个生产装置所在位置区域对应的VOCs组分主成分分布图；
具体的，步骤S2)中使用主成分分析方法对过滤后的组分相对量进行统计，包括：
构建关于过滤后的组分相对量和所述不同生产装置的矩阵，通过标准化操作处理所述矩阵中向量，获得标准化参数矩阵；
通过非线性迭代偏最小二乘算法进行关于所述标准化参数矩阵的主成分分析，结合预设收敛条件，判断迭代计算是否完成；
在迭代计算完成后，统计获得与所述不同生产装置对应的主成分得分数据；
针对多个装置的多个采样点，利用MATLAB编程计算不同装置VOCs的组分间芳烃比，由于个别比值稳定性较差(多次采样后的比值变化剧烈)，难以实现定性解析，因此选取多个芳烃比作为解析参数，经标准化处理，获得统计值和统计值的相关系数，选取相关系数大和组分含量较高的多个芳烃比，基于所选的芳烃比，利用主成分分析方法对不同装置的VOCs组成进行统计分析，获得不同点位VCOs组成在三维空间上的分布图，从而实现对不同装置的分类识别；前述的内容可以称为计算与识别。
实施例2
基于实施例1，特征化合物比值法是基于不同化学组分的比值在不同的排放源中有明显差异，来定性识别污染源类的一种方法。比值法已在源类识别方面得到成功应用，比值可以作为表征源类的参数，芳烃组分之间的比值是油指纹鉴别中非常重要的鉴别指标。因此可利用比值法进行分类识别。
主成分分析法：是统计学上常用来降维的一种方法。在统计数据时，数量繁多的变量会增加计算的复杂性，增加了问题分析的难度。多个变量之间可能存在一定的相关性，在计算时会发生信息的重叠。利用主成分分析方法能将原来的多个具有相关性的变量通过线性变换重新组合成一组新的互相无关的几个综合变量。例如，当选择第一个线性组合F1能反映原始多个变量的信息，F1能得到最大解释方差，此时F1为第一主成分。如果F1作为第一主成分，不足以代表原有变量的信息，则继续选择F2作为第二个线性组合，而F1和F2是两个无关变量，则F2为第二主成分，以此类推，形成多个主成分，这种统计方法即为主成分分析，重新组合生成的这些综合变量即为主成分。
使用NIPALS迭代算法的主成分分析的主要步骤如下：
若有P个样本，每个样本有N个参数，形成矩阵X如下：
式①中，xpn表示样本p参数n的实测值，p小于等于P，n小于等于N。
(1)取X中任一列(通常用第一列)矢量x作为第一个得分向量t的起始值：t＝x；
(2)因t与X间应存在线性关系，计算得载荷向量pT：
pT＝tTX/tTt ②
(3)将pT进行归一化，得到单位长度向量
(4)再根据单位长度向量
与X间应存在线性关系，回归可得新的得分向量tnew：
(5)比较新的tnew与旧的t，看是否满足收敛条件，若满足收敛条件，继续步骤(6)，否则跳回步骤(2)，收敛条件例如tnew和t的差的绝对值小于等于一个极小数ε，ε取值可以根据具体样本的精度和参量的量纲进行选择；
(6)若已完成计算所需要的主成分，则停止计算；否则计算残差阵E：
E＝X-tpT ⑤
(7)用E代替X，返回步骤(1)，求下一个主成分。
式①是构建关于过滤后的组分相对量和所述不同生产装置的矩阵，式②至⑤是通过非线性迭代偏最小二乘算法进行关于所述标准化参数矩阵的主成分分析中的迭代计算过程；从NIPALS迭代算法可以看到，后一个载荷与得分是应用前面回归拟合后留下的残差去计算的，它所反映的是前一个主成分所未能解释和代表的原始变量矩阵的剩余信息，其信息量较前一个载荷与得分要少。相对于根据协方差矩阵(或相关矩阵)特征分解求主成分的算法，NIPALS算法可不必求全部得分与载荷，可减少主成分分解过程的工作量，适合大型数据矩阵的PCA。本发明方法适用于炼化企业主要生产装置的分类识别。实例中收集的各VOCs样品均采用U.S EPA推荐的TO14、TO15方法，预浓缩-GC-MS联用，进行全谱分析，不同浓度梯度的标准曲线校准，实现精确计量。标准曲线的相关性在0.991～1.000之间。
实施例3
基于实施例2，建立石化炼厂主要装置VOCs成分谱数据库，提取芳烃组分特征比值。炼厂常见装置有常减压装置、催化裂化、催化重整、催化加氢、延迟焦化、污水处理厂、化工生产、储罐区等，不同的生产装置分为多个工艺段，根据不同生产装置按照生产原料、加工工艺、产品要求等进行划分。
尽可能多的收集不同装置的VOCs样品，利用GC-MS分析仪器获得VOCs样品的组成，共包含烷烃、烯烃、炔烃、芳烃、氯代烃、含氧有机物、硫化物等107种化合物。按照数据处理原则，删除含量在检出限以下的样品，共收集化工区、焦化区、催化重整、蜡油加氢四个装置区，各10个样品，包含了四个装置不同生产工艺段的范围。
利用MATLAB编程计算不同装置VOCs的组分间芳烃比(或称组分间的芳烃比，或称样本组分间的芳烃组分比)，提取组成含量较高(如大于预设组分含量阈值)，相关性较大的芳烃组分比(如大于预设相关系数)。优选苯、甲苯、乙苯、二甲苯、三甲苯、乙基甲苯、萘之间的比值。不同装置中芳烃特征比值参数的分布情况如图6-8，其中，每组Bm列向量(共17个列向量)包括与化工区装置、重整装置或蜡油加氢装置对应的10个特征比值参数，m为1，2...，10，例如图6，对于B1列向量，从左至右，依次对应化工1至化工10的特征比值参数，图7和图8也按此对应方式；主要芳烃比见图2。
实施例4
对不同装置VOCs组分进行前述的生产区域分类和工艺分类。
(1)对实施例3获得的芳烃比的原始数据进行标准化处理，目的是消除不同数量级对结果的影响。标准化后结果见图3和图4，标准化公式(标准化操作处理过程所用公式)：
其中，
为样本标准化后的统计值，
(下角标为j)为均值，
Var(xj)为方差，
其中，j＝1，2，...，p。
(1)经NIPALS迭代算法处理后，获得不同生产装置各样品的主成分得分见图5。
(2)利用获得主成分得分在三维空间上作图，如图9，1轴、2轴和3轴为不同维度的主成分得分轴(T1、T2和T3)，三角形“△”表示重整装置的主成分，加号“+”表示蜡油加氢装置的主成分，小圆圈“○”表示焦化装置的主成分，星号“*”表示化工区装置的主成分。从图中可以看出，相同装置来源的样品聚集到一起，不同装置的样品之间存在明显分界线。
实施例4的对比例
利用不同装置VOCs样品的所有组分的芳烃组分比值(芳烃比)进行主成分分析。.
(1)对实施例3获得的40个VOCs样品的所有芳烃组分比值进行标准化处理，目的是消除不同数量级对结果的影响。标准化公式：
其中，
为样本标准化后的统计值，
为均值，
Var(xj)为方差，
其中，j＝1，2，...，p。
(2)经NIPALS迭代算法处理后，获得不同生产装置各样品的主成分得分。
(3)利用获得主成分得分在三维空间上作图，如图10，1轴、2轴和3轴为不同维度的主成分得分轴(T1、T2和T3)，三角形“△”表示重整装置的主成分，加号“+”表示蜡油加氢装置的主成分，小圆圈“○”表示焦化装置的主成分，星号“*”表示化工区装置的主成分，椭圆线圈表示可区分性和可识别性。从图中可以看出，相同装置来源的样品分布较分散，而焦化装置、蜡油加氢装置未能完全分开。
实施例5
本发明实施例提供识别生产装置VOCs组分的系统，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，其中，
所述多个VOCs组分采样设备被配置在根据生产区域内不同生产装置所在位置区域所划分的多个工艺段中。
该系统还可以包括：显示模块，被配置为用于呈现所述VOCs组分分布数据。
实施例6
基于实施例1至5，本发明实施例提供了利用VOCs组分识别生产装置的方法，该方法包括：
S1)通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
具体的，在一些具体实施中，所述多个VOCs组分采样设备被配置在根据生产区域内不同生产装置所在位置区域所划分的多个工艺段中，例如用于区分同一位置区域上是否存在不同生产装置；
S2)计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据，其中，计算过程、过滤过程和统计过程，可以按照实施例1的方式执行；
S3)根据前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中VOCs组分分布数据对应的位置区域处的生产装置；
可以根据前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据，建立关于具有对应关系的主要生产装置和VOCs组分主成分的关系数据库，便于快速调用和查询；
对于识别位置区域处的生产装置，可以是区分同一位置区域是否存在不同生产装置，也可以是区分不同位置区域是否存在同一生产装置；
对于查询和识别过程，可以根据所述关系数据库，查看数据间(所述目标VOCs组分分布数据中VOCs组分主成分分数和前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据中VOCs组分主成分分数)的相似性或分布接近程度(分数数值大小、分数数值间相对大小和分数数值分布情况等方面的接近程度)，判断出所述目标VOCs组分分布数据中VOCs组分主成分所对应的生产装置。
实施例7
基于实施例1至6，本发明实施例提供了利用VOCs组分识别生产装置的系统，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
所述计算模块被配置为用于计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据；
所述计算模块被配置为用于根据前述识别生产装置VOCs组分的方法所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中每个VOCs组分分布数据对应的位置区域处的生产装置。
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例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，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。
Claims (19)
1.一种识别生产装置VOCs组分的方法，其特征在于，该方法包括：
S1)将生产区域内不同生产装置划分为多个工艺段，并在每个工艺段布置多个VOCs组分采样设备；
S2)通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据。
2.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S1)中将生产区域内不同生产装置划分为多个工艺段，具体为：
按照生产区域内不同生产装置的生产原料、加工工艺和产品要求，将所述不同生产装置中每个生产装置划分为多个工艺段，其中，所述生产区域内不同生产装置包括常减压装置、催化裂化装置、催化重整装置、催化加氢装置、延迟焦化装置、污水处理厂区装置、化工生产区装置和储罐区装置。
3.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S1)中布置多个VOCs组分采样设备，具体为：
布置多个VOCs组分采样设备于每个工艺段中靠近烃组分集中的部分区域内，其中，
每个VOCs组分采样设备包括一个或多个空气采样罐，所述多个VOCs组分采样设备中作为平行样的VOCs组分采样设备的数量占所述多个VOCs组分采样设备的数量的10％。
4.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
配置每个VOCs组分采样设备的采样条件，其中，所述采样条件包括：环境风速小于等于预设风速阈值，采样流量为预设流量，采样高度为固定高度和采样时间为固定时间。
5.根据权利要求4所述的识别生产装置VOCs组分的方法，其特征在于，该方法中的VOCs组分采样设备选为容积3.2L的苏玛罐和与所述苏玛罐匹配的被动罐采样器，其中，所述采样条件，具体为：
环境风速小于0.5m/s，采样流量为50ml/min，采样高度为1.5m和采样时间为1小时。
6.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中通过所述多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，包括：
确定目标VOCs类别，利用所述多个VOCs组分采样设备进行采样，获得所述生产区域的VOCs组分样本；
根据所述目标VOCs类别，对所述生产区域的VOCs组分样本进行分析，获得每个VOCs组分样本的浓度值；
其中，选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作。
7.根据权利要求6所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中的目标VOCs类别，包括：
烷烃类、烯烃类、苯系物类，氯代烃类和含氧化合物类。
8.根据权利要求6或7所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)在利用所述多个VOCs组分采样设备进行采样之前，还包括：
使用氮气多次清洗每个VOCs组分采样设备，并抽取清洗后的VOCs组分采样设备内气体，直至所述清洗后的VOCs组分采样设备为固定负压，获得具有所述固定负压的多个VOCs组分采样设备。
9.根据权利要求6或7所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中选择地结合与所述目标VOCs类别对应的部分浓度梯度标准曲线，执行样本质量控制操作，包括：
在分析之前，确定与所述目标VOCs类别对应的混合标准VOCs，并获取所述混合标准VOCs的理论浓度，利用所述混合标准VOCs进行校准，获得所述混合标准VOCs的实际校准浓度，结合预设浓度偏差百分比范围和所述理论浓度，确定用于分析过程的校正曲线是否有效；
在分析之前，还采用与所述混合标准VOCs对应的多个浓度梯度建立关于所述多个浓度梯度的标准曲线，结合预设相对标准偏差范围和预设相关性分数范围，确定关于所述多个浓度梯度的标准曲线是否有效。
10.根据权利要求9所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中的预设浓度偏差百分比范围为：
所述混合标准VOCs的实际校准浓度中80％以上的实际校准浓度与理论浓度偏差小于10％。
11.根据权利要求9所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中的预设相对标准偏差范围选为1％至10％，以及预设相关性分数范围选为0.991至1.000。
12.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，包括：
计算所述VOCs组分样本的组分间芳烃比；
根据多个VOCs组分样本的组分间芳烃比的变化情况，剔除部分的组分间芳烃比；
计算与剔除后剩余的组分间芳烃比对应的统计值，确定与大于预设相关系数的统计值对应的组分间芳烃比，获得过滤后的组分间芳烃比，其中，与所述过滤后的组分间芳烃比对应的VOCs组分样本中组分含量大于预设组分含量阈值。
13.根据权利要求1所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，包括：
使用主成分分析方法对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分主成分统计数据和在所述生产区域内与每个生产装置所在位置区域对应的VOCs组分主成分分布图。
14.根据权利要求13所述的识别生产装置VOCs组分的方法，其特征在于，步骤S2)中使用主成分分析方法对过滤后的组分相对量进行统计，包括：
构建关于过滤后的组分相对量和所述不同生产装置的矩阵，通过标准化操作处理所述矩阵中向量，获得标准化参数矩阵；
通过非线性迭代偏最小二乘算法进行关于所述标准化参数矩阵的主成分分析，结合预设收敛条件，判断迭代计算是否完成；
在迭代计算完成后，统计获得与所述不同生产装置对应的主成分得分数据。
15.一种利用VOCs组分识别生产装置的方法，其特征在于，该方法包括：
S1)通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
S2)计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据；
S3)根据权利要求1至14中任意一项所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中VOCs组分分布数据对应的位置区域处的生产装置。
16.一种识别生产装置VOCs组分的系统，其特征在于，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得所述生产区域的VOCs组分样本，计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得与所述不同生产装置中每个生产装置对应的VOCs组分分布数据，其中，
所述多个VOCs组分采样设备被配置在根据生产区域内不同生产装置所在位置区域所划分的多个工艺段中。
17.一种利用VOCs组分识别生产装置的系统，其特征在于，该系统包括：
计算模块，被配置为用于通过多个VOCs组分采样设备，获得目标生产区域的VOCs组分样本，其中，所述多个VOCs组分采样设备被配置在所述目标生产区域内不同位置区域；
所述计算模块被配置为用于计算所述VOCs组分样本的组分相对量，并过滤部分的组分相对量，再对过滤后的组分相对量进行统计，获得所述不同位置区域内目标VOCs组分分布数据；
所述计算模块被配置为用于根据权利要求1至14中任意一项所获得的VOCs组分分布数据，查询并识别与所述目标VOCs组分分布数据中每个VOCs组分分布数据对应的位置区域处的生产装置。
18.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至15中任意一项权利要求所述的方法。
19.一种计算机可读存储介质，存储有计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行权利要求1至15中任意一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283841.3A CN113517039A (zh) | 2020-04-10 | 2020-04-10 | 基于VOCs组分识别生产装置的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010283841.3A CN113517039A (zh) | 2020-04-10 | 2020-04-10 | 基于VOCs组分识别生产装置的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113517039A true CN113517039A (zh) | 2021-10-19 |
Family
ID=78060721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010283841.3A Pending CN113517039A (zh) | 2020-04-10 | 2020-04-10 | 基于VOCs组分识别生产装置的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113517039A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5435169A (en) * | 1993-06-14 | 1995-07-25 | New Jersey Institute Of Technology | Continuous monitoring of organic pollutants |
| US20100024533A1 (en) * | 2007-03-22 | 2010-02-04 | Shinshu University | Sensor |
| CN104950037A (zh) * | 2015-06-15 | 2015-09-30 | 广州禾信分析仪器有限公司 | 一种针对挥发性有机物的在线污染源识别监测方法及系统 |
| CN105136992A (zh) * | 2015-09-15 | 2015-12-09 | 顾金华 | VOCs浓度在线监测装置及其VOCs浓度在线监测方法 |
| CN106018702A (zh) * | 2016-06-29 | 2016-10-12 | 中国汽车工业工程有限公司 | 一种用于汽车生产线的在线VOCs智能监测预警系统 |
| CN205656178U (zh) * | 2016-02-26 | 2016-10-19 | 清华大学 | 针对工业烟气挥发性有机化合污染物的连续排放监测系统 |
| CN107132315A (zh) * | 2017-05-12 | 2017-09-05 | 盐城工学院 | 信号识别方法、装置及挥发性有机物检测设备 |
| CN107290462A (zh) * | 2017-07-31 | 2017-10-24 | 江苏省环境监测中心 | 一种无组织排放挥发性有机物的检测方法 |
| CN207065594U (zh) * | 2017-07-28 | 2018-03-02 | 北京化工大学 | 一种VOCs催化氧化的系统 |
-
2020
- 2020-04-10 CN CN202010283841.3A patent/CN113517039A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5435169A (en) * | 1993-06-14 | 1995-07-25 | New Jersey Institute Of Technology | Continuous monitoring of organic pollutants |
| US20100024533A1 (en) * | 2007-03-22 | 2010-02-04 | Shinshu University | Sensor |
| CN104950037A (zh) * | 2015-06-15 | 2015-09-30 | 广州禾信分析仪器有限公司 | 一种针对挥发性有机物的在线污染源识别监测方法及系统 |
| CN105136992A (zh) * | 2015-09-15 | 2015-12-09 | 顾金华 | VOCs浓度在线监测装置及其VOCs浓度在线监测方法 |
| CN205656178U (zh) * | 2016-02-26 | 2016-10-19 | 清华大学 | 针对工业烟气挥发性有机化合污染物的连续排放监测系统 |
| CN106018702A (zh) * | 2016-06-29 | 2016-10-12 | 中国汽车工业工程有限公司 | 一种用于汽车生产线的在线VOCs智能监测预警系统 |
| CN107132315A (zh) * | 2017-05-12 | 2017-09-05 | 盐城工学院 | 信号识别方法、装置及挥发性有机物检测设备 |
| CN207065594U (zh) * | 2017-07-28 | 2018-03-02 | 北京化工大学 | 一种VOCs催化氧化的系统 |
| CN107290462A (zh) * | 2017-07-31 | 2017-10-24 | 江苏省环境监测中心 | 一种无组织排放挥发性有机物的检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 景盛翱;王红丽;朱海林;杨强;卢滨;夏阳;余传冠;陶士康;李莉;楼晟荣;黄成;唐伟;井宝莉;: "典型工业源VOCs治理现状及排放组成特征", 环境科学, no. 07, 24 January 2018 (2018-01-24) * |
| 翟增秀;孟洁;王亘;翟友存;曹阳;邹克华;: "有机溶剂使用企业挥发性恶臭有机物排放特征及特征物质识别", 环境科学, no. 08, 13 March 2018 (2018-03-13) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763977A (zh) * | 2024-02-22 | 2024-03-26 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
| CN117763977B (zh) * | 2024-02-22 | 2024-05-10 | 江苏嘉通能源有限公司 | 一种基于主成分分析的涤纶长丝生产故障预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fanin et al. | Consistent effects of biodiversity loss on multifunctionality across contrasting ecosystems | |
| US20100070441A1 (en) | Method, apparatus, and program for generating prediction model based on multiple regression analysis | |
| CN113724800A (zh) | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 | |
| CN112034801B (zh) | 挥发性有机污染物总量排污系数计算方法、系统及终端 | |
| CN113517039A (zh) | 基于VOCs组分识别生产装置的方法及系统 | |
| CN113155939A (zh) | 一种挥发性有机物在线来源解析方法、系统、设备及介质 | |
| CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
| CN117309831A (zh) | 一种基于三维荧光lpp-svm的河道有机物的污染的溯源方法 | |
| Bhushan et al. | Chemometrics applications in biotech processes: assessing process comparability | |
| CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
| CN1727877A (zh) | 由近红外光谱测定汽油性质数据的方法 | |
| CN113782112B (zh) | 一种石油馏分组成模型确定方法及装置 | |
| CN111521641A (zh) | 一种白兰地原酒不同蒸馏方式的识别方法 | |
| CN113033950B (zh) | 基于多个排放源项的石油化工行业挥发性有机物源成分谱的建立方法 | |
| CN116297936A (zh) | 一种污染物的溯源方法、系统、装置及介质 | |
| CN112711911B (zh) | 基于污染源谱库的应用于边界观测的快速污染溯源方法 | |
| CN108133312B (zh) | 一种含氢气体系统的敏捷核算方法 | |
| CN114113466A (zh) | 建立生产装置挥发性有机物的指纹图谱的方法和装置 | |
| Kim et al. | Evaluating the feasibility of air environment management system for VOCs through ‘VOCs specification’of petroleum refining industry | |
| Fisk et al. | Litter chemistry and masses for the MELNHE NxP fertilization experiment | |
| Souza Veloso et al. | Application of the exponential distribution to improve environmental quality in a company in the south of Rio de Janeiro State. | |
| CN114021365B (zh) | 一种混合原油切割模拟方法 | |
| TWI762067B (zh) | 汽油供應源鑑識方法 | |
| US20230288384A1 (en) | Method for determining small molecule components of a complex mixture, and associated apparatus and computer program product | |
| Suokas | An overall knowledge-based methodology for hazard identification: Results from the TOMHID-project |
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 |