CN113608506B - 一种氧化铝运行指标的智能检测装置 - Google Patents

一种氧化铝运行指标的智能检测装置 Download PDF

Info

Publication number
CN113608506B
CN113608506B CN202110680852.XA CN202110680852A CN113608506B CN 113608506 B CN113608506 B CN 113608506B CN 202110680852 A CN202110680852 A CN 202110680852A CN 113608506 B CN113608506 B CN 113608506B
Authority
CN
China
Prior art keywords
value
detection
model
parameter
alumina
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.)
Active
Application number
CN202110680852.XA
Other languages
English (en)
Other versions
CN113608506A (zh
Inventor
柴天佑
贾瑶
赵亮
于力一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN202110680852.XA priority Critical patent/CN113608506B/zh
Publication of CN113608506A publication Critical patent/CN113608506A/zh
Application granted granted Critical
Publication of CN113608506B publication Critical patent/CN113608506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31282—Data acquisition, BDE MDE
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明涉及一种氧化铝运行指标的智能检测装置，包括：数据采集模块用于采集氧化铝生产工况中在线检测仪表的检测数值和生产指标的化验值；数据分析模块用于针对每一氧化铝生产工况，分析该氧化铝生产工况中生产指标在人工化验周期内的在线检测示数与化验值的差值是否大于预设阈值；参数更新模块用于在差值大于阈值时，基于预先建立的智能检测模型和检测数值、化验值，对智能检测模型的参数进行更新；基于更新参数的智能检测模型，重复各模块的功能，直至当前生产工况中生产指标的在线检测示数与化验值的差值小于阈值。本发明的智能检测装置实现了苛性比值及苛性碱浓度高精度的智能检测，解决了现有技术中人工化验滞后大、仪表精度低的技术问题。

Description

一种氧化铝运行指标的智能检测装置
技术领域
本发明涉及工业生产过程控制技术，尤其涉及一种氧化铝运行指标的智能检测装置。
背景技术
氧化铝溶出过程是拜耳法生产氧化铝的主要工艺工程，是一个典型的复杂工业过程。在该工艺过程中，铝土矿中的氧化铝在碱液的作用下溶解进入溶液。溶出完成液的苛性比值合格率是重要的质量指标，溶出完成液的苛性比值反映了溶出过程中矿石的反应情况、碱耗，并且对后续工序产生影响，依据苛性比值调节溶出前矿石和碱液的配比，其对氧化铝溶出过程具有重要意义。此外在氧化铝蒸发过程中，低浓度的混合碱液进入蒸发器蒸发，得到高浓度的碱液。蒸发完成液的苛性碱浓度合格率是重要的质量指标，蒸发完成液的苛性碱浓度反映了蒸发与碱液调配过程中的汽耗，并且对溶出工序产生影响。
然而蒸发过程和溶出过程均存在大时滞、强非线性、原料组分(如铝酸钠、氢氧化钠、碳酸钠、矿浆成分)未知波动、机理复杂难以建立精确模型等特点，目前在大多数采用拜耳法生产氧化铝的企业中，溶出过程的苛性比值或蒸发过程的苛性碱浓度主要依靠人工化验完成，化验滞后大；例如溶出过程矿浆的冲刷和高温高压强腐蚀条件造成了难以在线检测苛性比值、矿浆组分的波动及结疤情况导致现有的苛性比值仪表精度低，无法满足生产需要；在蒸发过程高温强腐蚀条件造成了难以在线检测苛性碱浓度、溶液组分的波动及结疤情况导致现有的苛性碱浓度仪表精度低，需要专业人员定期维护，无法满足生产需要。
为此，如何解决现有技术中人工化验滞后大，且仪表检测精度低的问题成为当前亟需解决的技术问题。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种氧化铝运行指标的智能检测装置，实现了溶出工况中苛性比值或蒸发工况中苛性碱浓度各自高精度的智能检测，解决了现有技术中人工化验滞后大、仪表精度低的技术问题。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种氧化铝运行指标的智能检测装置，包括：
数据采集模块，用于采集氧化铝生产工况中在线检测仪表的检测数值和生产指标的人工化验值；
数据分析模块，用于针对每一氧化铝生产工况，分析该氧化铝生产工况中生产指标在人工化验周期内的在线检测示数与人工化验值的差值是否大于预设阈值；
参数更新模块，用于在所述差值大于阈值时，基于预先建立的智能检测模型和所述检测数值、人工化验值，对所述智能检测模型的参数进行更新；
基于更新参数的智能检测模型，重复数据采集模块、数据分析模块和参数更新模块的功能，直至当前生产工况中生产指标的在线检测示数与人工化验值的差值小于阈值。
可选地，氧化铝生产工况包括：氧化铝溶出工况和氧化铝蒸发工况；
相应地，在氧化铝溶出工况时，所述数据采集模块采集的检测数值包括：电导率、温度、加碱流量的在线检测数据和苛性比值的在线化验数据；所述生产指标为苛性比值；
在氧化铝蒸发工况时，所述数据采集模块采集的检测数值包括：折光率、温度、进料流量的在线检测数据和苛性碱浓度的在线化验数据，所述生产指标为苛性碱浓度。
可选地，还包括：
数据存储模块，用于将检测数值和生产指标的人工化验值实时存储在云存储平台中。
可选地，所述数据分析模块，具体用于
对所述检测数值进行预处理；
具体地，将检测数值中的时序数据在滑动时间窗口内进行一阶惯性滤波；以及将生产指标的化验值和所述滤波后的检测数值进行时序对标处理；
基于对标处理后的检测数值中生产指标的在线检测示数，获取人工化验周期内所有在线检测示数的均值；获取该均值与人工化验值的差值绝对值；
判断差值绝对值是否大于预设阈值。
可选地，参数更新模块具体用于：
基于氧化铝溶出工况的运行指标，建立苛性比值的智能检测模型；
苛性比值智能检测模型表示为：
Figure BDA0003122756100000031
式(1)中，y(k)为补偿后的苛性比值，
Figure BDA0003122756100000032
为线性模型输出，v(k)为误差补偿项；
线性模型
Figure BDA0003122756100000033
为：
Figure BDA0003122756100000034
其中，k为仪表采样时刻，x1(k)为电导率检测信号，x2(k)为温度检测信号，x3(k-l)为加碱流量检测信号，l为流量调节经过溶出过程的滞后时间，a、b、c和d为模型参数，在模型使用时随机给定运行初始值；
选择检测数值中的电导率、温度、加碱流量和生产指标的人工化验值，对智能检测模型的线性模型及误差补偿项进行参数更新。
可选地，针对智能检测模型中的线性模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持智能检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＞δ时，保持智能检测模型中的参数值不变；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对智能检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差，将当前时刻的人工化验值丢弃。
可选地，针对智能检测模型中的线性模型的参数更新，包括：
采用最小二乘法对智能检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure BDA0003122756100000041
Figure BDA0003122756100000042
其中，x1(.)为溶出11级闪蒸出料电导率检测信号，x2(.)为溶出闪蒸出料温度检测信号，x3(.)为加碱流量检测信号，取样时间T-dj(j＝1,2,...,20...,N)，T＝nk(n＝1,2,3,...)；
参数向量θ：
Figure BDA0003122756100000051
Figure BDA0003122756100000052
为
Figure BDA0003122756100000053
的转置，
Figure BDA0003122756100000054
为
Figure BDA0003122756100000055
的逆，
Figure BDA0003122756100000056
Figure BDA0003122756100000057
基于方程式(3)和方程式(4)，获取更新后的参数a、b、c、d。
可选地，针对智能检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值；
Figure BDA0003122756100000058
获取对应取样的N个时刻中智能检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure BDA00031227561000000510
的输出进行补偿，dj为特定的取样时刻，d1为前一取样时刻，dN为前N取样时刻。
可选地，参数更新模块具体用于：
基于氧化铝蒸发工况的运行指标，建立苛性碱浓度的浓度检测模型；所述浓度检测模型用于实现蒸发工况中苛性碱浓度的在线检测，所述浓度检测模型中各待调整参数具有随机设定的初始值；
浓度检测模型表示为：
Figure BDA0003122756100000059
其中，y(k)为补偿后的苛性碱浓度，
Figure BDA0003122756100000061
为线性模型输出，v(k)为误差补偿项；
k为折光率、温度、蒸发进料流量/原液流量对应的仪表的采样时刻，x1(k)为折光率测量信号，x2(k)为温度测量信号，x3(k-l)为蒸发进料流量仪表的流量测量信号，l为流量调节经过蒸发与碱液调配过程的滞后时间；a、b、c和d为模型参数，具有初始值；
选择检测数值中的折光率、温度、进料流量和生产指标的人工化验值，对浓度检测模型的线性模型及误差补偿项进行参数更新。
可选地，针对浓度检测模型中的线性模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持浓度检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＜δ时，保持浓度检测模型中的参数值不变；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对浓度检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差，将当前时刻的人工化验值丢弃；
以及，采用最小二乘法对浓度检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure BDA0003122756100000062
Figure BDA0003122756100000071
其中，x1(.)为蒸发出料折光率测量信号，x2(.)为蒸发出料温度测量信号，x3(.)为蒸发进料流量测量信号，其取样时间T-dj(j＝1,2,...,10……N)，N为取样时刻对应的总取样次数，T＝nk(n＝1,2,3,...)；
参数向量θ：
Figure BDA0003122756100000072
Figure BDA0003122756100000073
为
Figure BDA0003122756100000074
的转置，
Figure BDA0003122756100000075
为
Figure BDA0003122756100000076
的逆，
Figure BDA0003122756100000077
Figure BDA0003122756100000078
基于方程式(A2)和方程式(A3)，获取更新后的参数a、b、c、d；
相应地，针对浓度检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值；
Figure BDA0003122756100000079
获取对应取样的N个时刻中浓度检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure BDA00031227561000000710
的输出进行补偿，dj为特定的取样时刻，d1为前一取样时刻，dN为前N取样时刻。
(三)有益效果
本发明实施例的智能检测装置可应用于氧化铝的两种生产工况中即氧化铝蒸发工况和氧化铝溶出工况，在氧化铝溶出工况中，实现了苛性比值的智能检测，在氧化铝蒸发工况中，实现了苛性碱浓度的智能检测，且每一工况中其智能检测精度高，能够实现在线实时的纠正机制以保证生产指标在线检测精度，解决了化验滞后大、仪表精度低的问题。
特别地，采用线性模型与补偿模型的智能检测模型/浓度检测模型，实现模型中参数更新，进而获取精度更准的在线智能检测的苛性比值/苛性碱浓度。
本发明利用工业现场端-边-云硬件平台和软件平台，采用Python语言开发了各生产工况中生产指标的智能检测算法工业应用软件，实现了各生产工况中生产指标的高精度测量，满足实际氧化铝生产工况中生产指标的智能检测的生产需要。
附图说明
图1为本发明一实施例提供的氧化铝运行指标的智能检测装置的结构示意图；
图2A为本发明提供的氧化铝溶出工况苛性比值智能检测的架构图；
图2B为本发明提供的氧化铝蒸发工况苛性碱浓度智能检测的架构图；
图3为本发明提出的氧化铝运行指标的智能检测的工业应用硬件架构图；
图4和图5均为现有和本发明中苛性比值的在线检测示数与化验值的对比示意图；
图6和图7均为现有和本发明中苛性碱浓度的在线检测示数与化验值的对比示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
现有的氧化铝蒸发过程存在成分(铝酸钠、氢氧化钠、碳酸钠等)复杂，混合成分的比例未知且随生产变化，难以建立精确的数学模型，氧化铝蒸发过程溶液的矿物析出和高温强腐蚀条件，因此苛性碱浓度难以在线检测，现有的在线检测仪表内部参数无法实时根据化验情况自动更新，运行一段时期后无法准确反映工业过程指标的变化情况，目前仍然依赖于化验室的化验值。氧化铝生产中蒸发过程是一个典型的复杂工业过程，其中，苛性碱浓度为该生产过程的重要指标，采用国外苛性碱浓度仪表价格昂贵，维护难度大，由于生产波动大、来料复杂(铝酸钠、氢氧化钠、碳酸钠等混合组分)、仪表表面矿物析出造成测量精度低，难以满足生产要求，目前仍然采用人工取样化验的方法获得，但人工化验取样时间间隔大，取样后化验用时长，不能获得实时的苛性碱浓度。现有技术中通过蒸汽对蒸发器内的溶液进行加热，使水分进行蒸发，得到一定浓度的苛性碱溶液，指标为苛性碱浓度(NK)的合格率。然而，由于工况条件频繁变化，蒸发液的成分复杂，且不固定，苛性碱浓度波动大，只能通过人工化验方式确定苛性碱的浓度。
基于现有技术中的复杂工况，本发明提供的智能检测装置，能够实现氧化铝蒸发工况中调配出料苛性碱浓度的实时检测以调整苛性碱浓度在指定范围内。
针对现有氧化铝企业的氧化铝溶出工况，其工况复杂条件频繁变化，溶出液的成分复杂，且不固定，苛性比值波动大，只能通过化验得到。采用本发明实施例提供的智能检测装置，较好的实现了氧化铝溶出过程出料苛性比值的智能检测，下面结合附图对本发明实施例的方案进行详细描述。
实施例一
如图1所示，图1示出了本发明一实施例一共的氧化铝运行指标的智能检测装置的结构示意图，本实施例的智能检测装置可包括：数据采集模块11、数据分析模块12和参数更新模块13；
数据采集模块11用于采集氧化铝生产工况中在线检测仪表的检测数值和生产指标的人工化验值。
在本实施例中，氧化铝生产工况包括：氧化铝溶出工况和氧化铝蒸发工况；相应地，在氧化铝溶出工况时，所述数据采集模块11采集的检测数值包括：电导率、温度、加碱流量的在线检测数据和苛性比值的在线化验数据；所述生产指标为苛性比值；
在氧化铝蒸发工况时，所述数据采集模块11采集的检测数值包括：折光率、温度、进料流量的在线检测数据和苛性碱浓度的在线化验数据，所述生产指标为苛性碱浓度。
数据分析模块12用于针对每一氧化铝生产工况，分析该氧化铝生产工况中生产指标在人工化验周期内的在线检测示数与人工化验值的差值是否大于预设阈值。
在实际应用中，数据分析模块12可先对所述检测数值进行预处理；例如，将检测数值中的时序数据在滑动时间窗口内进行一阶惯性滤波；以及将生产指标的人工化验值和所述滤波后的检测数值进行时序对标处理；基于对标处理后的检测数值中的在线化验数据，获取人工化验周期内所有在线化验数据的均值；获取该均值与人工化验值的差值绝对值；进而判断差值绝对值是否大于预设阈值。
参数更新模块13用于在所述差值大于阈值时，基于预先建立的智能检测模型和所述检测数值、人工化验值，对所述智能检测模型的参数进行更新；
基于更新参数的智能检测模型，重复数据采集模块11、数据分析模块12和参数更新模块13的功能，直至当前生产工况中生产指标的在线检测示数与人工化验值的差值小于阈值。
本实施例的智能检测装置，实现了氧化铝溶出工况中苛性比值的智能检测或者实现了氧化铝蒸发工况中苛性碱浓度的智能检测，且任一工况中智能检测精度高，能够实现在线实时的纠正机制以保证苛性比值的在线检测精度，解决了化验滞后大、仪表精度低的问题。
结合图4和图5所示的结果比对图，苛性比值的智能检测装置成功应用于氧化铝溶出工况。工业应用结果表明，采用本发明的苛性比值智能检测值具有较高的精度。
结合图6和图7所示的结果比对图，苛性碱浓度的智能检测装置成功应用于氧化铝蒸发工况。工业应用结果表明，采用本发明的苛性碱浓度智能检测值具有较高的精度。
在实际应用中，为了实现数据的实时保存和后续数据的调取，本实施例的智能检测装置还可包括图中未示出的数据存储模块，该数据存储模块主要用于将检测数值和生产指标的化验值实时存储在云存储平台如工业云服务器中，如图3中所示的工业云服务器中的数据库MES和数据库DCS，在实际生产中，各数据根据属性或存储映射关系，存储到对应的数据中，本实施例不对其限定，根据实际需要进行选择。
结合图2A、图2B和图3对本发明的应用于氧化铝溶出工况的智能检测装置进行说明。图2A中示出的线性模型可为对应苛性比值的智能检测模型中的线性部分，线性模型参数辨识模块可属于图1中的参数更新模块中的子模块，参数更新判断模块可属于图1中的数据分析模块的子模块，辨识数据存储模块可为单独设立的用于存储在工业云服务器中数据的模块；图2A中的时间尺度对标模块和数据处理模块均属于数据分析模块的子模块，其实现的功能均属于数据分析模块的功能，本实施例中只是对实现功能的模块划分不同，并不代表其他含义。在其他实施例中，图2A和图2B中的误差数据存储模块还可用于记录历史化验值与对应化验值取样时刻线性模型输出值的差值，用于误差补偿模型计算误差补偿值。辨识数据存储模块还用于记录历史化验值与对应化验值取样时刻电导率/折光率、温度、流量仪表值，用于计算线性模型参数。时间尺度对标模块可用于找到化验值与对应化验值取样时刻电导率/折光率、温度、流量仪表值，将其时间对应起来。滤波模块可用于对线性模型输出值与误差补偿值的和进行滤波，减轻更新线性模型参数时输出的波动情况等。
另外，在实际应用中，还可设置误差数据存储模块，用于存储整个运算过程中的误差数据。
上述图2A对应的是氧化铝溶出工况，图2B对应的是氧化铝蒸发工况。
本实施例中的智能检测装置可位于边缘工业服务器中，相应地，在线检测示数的在线数据可包括：蒸发工况的进料流量信息、蒸发工况中苛性碱浓度的人工化验值、所检测处料液的折光率和温度；蒸发进料流量通过管道的流量计实时测量；苛性碱浓度的化验值通过取样、化验室化验录入；所检测处料液的折光率和温度通过管道安装的折光率和温度仪表进行测量。另外，在线检测示数的在线数据还可包括：溶出工况的加碱流量信息、电导率、温度、苛性比值的在线检测数值等。电导率和温度均可通过管道安装的各自的仪表进行测量。
可理解的是，本实施例中的智能检测装置可位于边缘服务器或者工业控制系统。本实施例中的工业应用硬件平台，包括DCS控制器、边缘工业服务器、工业云服务器、各种工业传感器以及通讯设备等。实现工业现场的数据上“云”，将过程数据、化验数据以及各种生产报表存储到工业云平台即工业云服务器，实现数据的集中管理；将智能检测相关数据存储到边缘服务器即边缘工业服务器中，利用边缘工业服务器强大的算力进行实时运算。工业云平台与控制系统的DCS控制器通讯，读取过程数据；边缘工业服务器与工业云平台进行通讯，读取过程数据和化验数据等；同时边缘工业服务器中开发工业应用软件，与DCS控制器进行通讯，实现回路数据的读取与实时指标的写入。
工业传感器(如蒸发工况的折光率、温度、进料流量等、溶出工况的电导率、温度、加碱流量等)与DCS控制器通过硬线(即物理通讯线)通讯；工业云平台通过交换机实现与DCS控制器之间的通讯；边缘工业服务器与工业云服务器处于同一个局域网中，通过TCP/IP协议实现数据的互相传输，用于获得化验室化验结果。
本实施例中的工业应用软件平台，软件平台包括软件前端人机交互和后台功能实现两部分。前端人机交互界面采用组态软件Foxdraw开发，后台软件算法以及数据通讯采用Python语言开发。软件平台与控制系统通讯，进行关键数据的读取与实时指标的写入。
前端人机交互界面主要功能包括指标实时显示、历史趋势查询等；后台软件功能主要包括系统通讯、数据采集与存储、运行指标智能检测等。
上述氧化铝蒸发工况的折光率(折射率)是指光线在空气中进行的速度与在供试品中进行速度的比值。在蒸发过程中的溶液主要是氢氧化钠与铝酸钠的混合物，其中含有少量的碳酸钠，现场仪表测量整体的折光率。折光率测量选用了基于全反射临界角原理的在线仪表，光源以不同入射角通过棱镜进入被测介质，测量反射光的强度变化情况(明暗交界处)，根据菲涅耳定律即可获得被测溶液的折光率。
实施例二
针对氧化铝溶出工况进行详细说明，由于氧化铝溶出工况苛性比值成分复杂且变化，检测过程苛性比值与对应的数据关系会随时间发生变化，在现场其他检测氧化铝溶出过程苛性比值的仪表一般用几个星期就不好用了，误差大了很多，需要进行校正，为此，本实施例中实时检测的参数更新智能检测模型，进而采用智能检测模型能够更快速的获取苛性比值的在线检测示数，及时调整氧化铝溶出过程，保证苛性比值的合格率。也就是说，能够较高精度实时检测出苛性比值，便于氧化铝溶出过程料液流量的实时调整。
基于上述图1所示的实施例，以下对参数更新模块的具体处理过程进行详细说明，本实施例的参数更新模块具体用于：基于氧化铝溶出过程的运行指标，建立苛性比值的智能检测模型；
苛性比值智能检测模型表示为：
Figure BDA0003122756100000141
式(1)中，y(k)为补偿后的苛性比值，
Figure BDA0003122756100000142
为线性模型，v(k)为误差补偿项；
线性模型
Figure BDA0003122756100000143
为：
Figure BDA0003122756100000144
其中，k为仪表采样时刻，x1(k)为电导率检测信号，x2(k)为温度检测信号，x3(k-l)为加碱流量检测信号，l为流量调节经过溶出过程的滞后时间，a、b、c和d为模型参数，在模型使用时随机给定运行初始值。
另外，参数更新模块还用于：选择检测数值中的电导率、温度、流量和化验值，对智能检测模型的线性模型及误差补偿项进行参数更新。
本实施例中的参数更新可包括：针对智能检测模型中的线性模型的参数更新和针对智能检测模型中的误差补偿模型的参数更新。
针对智能检测模型中的线性模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持智能检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＞δ时，保持智能检测模型中的参数值不变；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对智能检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差，将当前时刻的人工化验值丢弃。
针对智能检测模型中的线性模型的参数更新，包括：
采用最小二乘法对智能检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure BDA0003122756100000151
Figure BDA0003122756100000152
其中，x1(.)为溶出11级闪蒸出料电导率检测信号，x2(.)为溶出闪蒸出料温度检测信号，x3(.)为加碱流量检测信号，取样时间T-dj(j＝1,2,...,20...,N)，T＝nk(n＝1,2,3,...)；
参数向量θ：
Figure BDA0003122756100000161
Figure BDA0003122756100000162
为
Figure BDA0003122756100000163
的转置，
Figure BDA0003122756100000164
为
Figure BDA0003122756100000165
的逆，
Figure BDA0003122756100000166
Figure BDA0003122756100000167
参数向量θ：可以通过求解优化问题得到，
Figure BDA0003122756100000168
Figure BDA0003122756100000169
为
Figure BDA00031227561000001610
的2范数，argminθ为后面表达式取最小值对应的θ。
基于方程式(3)和方程式(4)，获取更新后的参数a、b、c、d。
特别地，针对智能检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值；也就是说，计算对应取样的几个时刻智能检测模型误差的平均值，通过加入该值减小检测的误差。
采用保持器，存在v(k)＝v(T)，保持器是在未出新化验的时间内保持数值不变，因为化验周期(几小时)和采样周期(秒级、分钟级)不一样，在后续氧化铝其他工况中说明。
Figure BDA00031227561000001611
获取对应取样的N个时刻中智能检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure BDA00031227561000001612
的输出进行补偿，dj为特定的取样时刻，d1为前一取样时刻，dN为前N取样时刻。
本实施例中，采用线性模型与误差补偿，通过仪表与化验数据根据误差及化验情况对检测的智能检测模型进行参数更新，进而基于更新的智能检测模型可以更好的获取更精确的苛性比值的在线检测示数，由此，可以实现更精准的对氧化铝溶出过程的在线实时调整和设计优化。
本实施例中的苛性比值智能检测装置在应用中苛性比值的在线检测的示数具有较高的精度。在图4和图5中，通过引入评价指标对检测效果及仪表效果进行对比：
均方误差(MSE)：在对应化验时刻的智能检测值(或仪表值)与化验值之差平方的期望值。
上升趋势准确率(TPR)：在对应化验时刻的智能检测值(或仪表值)上升趋势与化验值上升趋势相同的个数占化验值上升个数的百分比。
下降趋势准确率(TNR)在对应化验时刻的智能检测值(或仪表值)下降趋势与化验值下降趋势相同的个数占化验值下降个数的百分比。
回归决定系数(R2)在对应化验时刻的智能检测值(或仪表值)回归平方与化验总离差平方和之比。
由图5可以看出，通过2021年3月6日至12日的实际运行情况，仪表MSE为0.00093，智能检测值为0.00051，误差减小；仪表TPR为55％，智能检测值为61％，检测上升精度提高；仪表TNR为47％，智能检测值为67％，检测下降精度提高；仪表R2为16％，智能检测值为56％；与现有苛性比值仪表的MSE相比，采用本发明智能检测装置可以比仪表精度提高45％。
实施例三
针对氧化铝蒸发工况，由于氧化铝蒸发过程碱液成分复杂且变化，检测过程苛性碱浓度与对应的数据关系会随时间发生变化，在现场其他检测氧化铝蒸发过程苛性碱浓度的仪表一般用几个星期就不好用了，误差大了很多，需要进行校正，为此，本实施例中实时检测的参数更新浓度检测模型，进而采用浓度检测模型能够更快速的获取苛性碱浓度的示数，及时调整氧化铝蒸发工况，保证苛性碱浓度的合格率。也就是说，能够较高精度实时检测出苛性碱浓度值，便于氧化铝蒸发过程料液流量的实时调整。
图1中的参数更新模块可具体用于基于氧化铝蒸发工况的运行指标，建立苛性碱浓度的浓度检测模型，所述浓度检测模型用于实现蒸发苛性碱浓度的在线检测，所述浓度检测模型中各待调整参数具有随机设定的初始值。
其中，苛性碱浓度检测模型表示为：
Figure BDA0003122756100000181
式M1中，y(k)为补偿后的苛性碱浓度，
Figure BDA0003122756100000182
为线性模型输出，v(k)为误差补偿项；
k为折光率、温度、蒸发进料流量/原液流量对应的仪表的采样时刻，x1(k)为折光率测量信号，x2(k)为温度测量信号，x3(k-l)为蒸发进料流量仪表的流量测量信号，l为流量调节经过蒸发与碱液调配过程的滞后时间；a、b、c和d为模型参数，具有初始值即随机设定的初始值。
在实际应用中，数据分析模块用于预处理之后的对标的苛性碱浓度的在线检测示数是否满足目标值的上下限范围，若不满足，则基于多次取样苛性碱浓度的人工化验值，实时调整浓度检测模型的参数。
若在线检测示数与人工化验值的误差较大，则实时调整浓度检测模型的参数。
首先，针对浓度检测模型(公式(M1))中的线性输出模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持浓度检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＜δ时，保持浓度检测模型中的参数值不变，即认为该次化验值不一定准确，此化验值暂时不进行模型参数更新。
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对浓度检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差即不准确，将当前时刻的人工化验值丢弃。
具体地，针对浓度检测模型中的线性输出模型的参数值更新，包括：
采用最小二乘法对浓度检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure BDA0003122756100000191
Figure BDA0003122756100000192
其中，x1(.)为蒸发出料折光率测量信号，x2(.)为蒸发出料温度测量信号，x3(.)为蒸发进料流量测量信号，其取样时间T-dj(j＝1,2,...,10……N)，N为取样时刻对应的总取样次数，T＝nk(n＝1,2,3,...)；
根据最小二乘计算得到参数向量θ：
Figure BDA0003122756100000201
式中
Figure BDA0003122756100000202
为
Figure BDA0003122756100000203
的转置，
Figure BDA0003122756100000204
为
Figure BDA0003122756100000205
的逆，
Figure BDA0003122756100000206
Figure BDA0003122756100000207
基于公式(M2)和公式(M3)，获取更新后的参数a、b、c、d。
针对浓度检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值v(k)；也就是说，计算对应取样的几个时刻浓度检测模型误差的平均值，通过加入该值减小检测的误差。
采用保持器，存在v(k)＝v(T)，保持器是在未出新化验的时间内保持数值不变，因为化验周期(几小时)和采样周期(秒级、分钟级)不一样，在后续其他工况中调整时使用。
Figure BDA0003122756100000208
获取对应取样的N个时刻中浓度检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure BDA0003122756100000209
的输出进行补偿，dj为特定的取样时刻，实际现场取样时间存在一定的不确定性，d1为前一取样时刻，dN为前N取样时刻。
本实施例中，采用线性模型与补偿模型，通过仪表与化验数据根据误差及化验情况对检测的模型进行参数更新。
需要说明的是，实施例二的智能检测模型和实施例三中的浓度检测模型对应的公式是基本一致的，只是应用于不同的氧化铝工况，其对应参数存在少许的不同，根据实际的工况进行选择和定义，其均在本实施例的范围内。
本实施例中的智能检测装置可应用于氧化铝蒸发工况，如图6和7所示，本发明实施例的智能检测装置可提高苛性碱浓度在线检测的精度，通过实际运行情况，仪表MSE为125.7，智能检测为16.8，误差减小；仪表TPR为53％，智能检测为66％，智能检测上升精度提高；仪表TNR为44％，智能检测为64％；仪表R2为50％，智能检测为82％；与现有苛性碱浓度仪表的MSE相比，采用本发明检测技术可以比仪表精度提高86％。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (7)

1.一种氧化铝运行指标的智能检测装置，其特征在于，包括：
数据采集模块，用于采集氧化铝生产工况中在线检测仪表的检测数值和生产指标的人工化验值；
数据分析模块，用于针对每一氧化铝生产工况，分析该氧化铝生产工况中生产指标在人工化验周期内的在线检测示数与人工化验值的差值是否大于预设阈值；
参数更新模块，用于在所述差值大于阈值时，基于预先建立的智能检测模型和所述检测数值、人工化验值，对所述智能检测模型的参数进行更新；
基于更新参数的智能检测模型，重复数据采集模块、数据分析模块和参数更新模块的功能，直至当前生产工况中生产指标的在线检测示数与人工化验值的差值小于阈值；
氧化铝生产工况包括：氧化铝溶出工况和氧化铝蒸发工况；
相应地，在氧化铝溶出工况时，所述数据采集模块采集的检测数值包括：电导率、温度、加碱流量的在线检测数据和苛性比值的在线化验数据；所述生产指标为苛性比值；
在氧化铝蒸发工况时，所述数据采集模块采集的检测数值包括：折光率、温度、进料流量的在线检测数据和苛性碱浓度的在线化验数据，所述生产指标为苛性碱浓度；
参数更新模块具体用于：
基于氧化铝溶出工况的运行指标，建立苛性比值的智能检测模型；
苛性比值智能检测模型表示为：
Figure FDA0003693930520000011
式(1)中，y(k)为补偿后的苛性比值，
Figure FDA0003693930520000012
为线性模型输出，v(k)为误差补偿项；
线性模型
Figure FDA0003693930520000021
为：
Figure FDA0003693930520000022
其中，k为仪表采样时刻，x1(k)为电导率检测信号，x2(k)为温度检测信号，x3(k-l)为加碱流量检测信号，l为流量调节经过溶出过程的滞后时间，a、b、c和d为模型参数，在模型使用时随机给定运行初始值；
选择检测数值中的电导率、温度、加碱流量和生产指标的人工化验值，对智能检测模型的线性模型及误差补偿项进行参数更新；
针对智能检测模型中的线性模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持智能检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＞δ时，保持智能检测模型中的参数值不变；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对智能检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差，将当前时刻的人工化验值丢弃。
2.根据权利要求1所述的智能检测装置，其特征在于，还包括：
数据存储模块，用于将检测数值和生产指标的人工化验值实时存储在云存储平台中。
3.根据权利要求1所述的智能检测装置，其特征在于，所述数据分析模块，具体用于
对所述检测数值进行预处理；
具体地，将检测数值中的时序数据在滑动时间窗口内进行一阶惯性滤波；以及将生产指标的化验值和所述滤波后的检测数值进行时序对标处理；
基于对标处理后的检测数值中生产指标的在线检测示数，获取人工化验周期内所有在线检测示数的均值；获取该均值与人工化验值的差值绝对值；
判断差值绝对值是否大于预设阈值。
4.根据权利要求1所述的智能检测装置，其特征在于，
针对智能检测模型中的线性模型的参数更新，包括：
采用最小二乘法对智能检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure FDA0003693930520000031
Figure FDA0003693930520000032
其中，x1(.)为溶出11级闪蒸出料电导率检测信号，x2(.)为溶出闪蒸出料温度检测信号，x3(.)为加碱流量检测信号，取样时间T-dj(j＝1,2,...,20...,N)，T＝nk(n＝1,2,3,...)；
参数向量θ：
Figure FDA0003693930520000033
Figure FDA0003693930520000034
为
Figure FDA0003693930520000035
的转置，
Figure FDA0003693930520000036
为
Figure FDA0003693930520000037
的逆，
Figure FDA0003693930520000038
Figure FDA0003693930520000041
基于方程式(3)和方程式(4)，获取更新后的参数a、b、c、d。
5.根据权利要求4所述的智能检测装置，其特征在于，
针对智能检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值；
Figure FDA0003693930520000042
获取对应取样的N个时刻中智能检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure FDA0003693930520000043
的输出进行补偿，dj为特定的取样时刻，d1为前一取样时刻，dN为前N取样时刻。
6.根据权利要求1所述的智能检测装置，其特征在于，参数更新模块具体用于：
基于氧化铝蒸发工况的运行指标，建立苛性碱浓度的浓度检测模型；所述浓度检测模型用于实现蒸发工况中苛性碱浓度的在线检测，所述浓度检测模型中各待调整参数具有随机设定的初始值；
浓度检测模型表示为：
Figure FDA0003693930520000044
其中，y(k)为补偿后的苛性碱浓度，
Figure FDA0003693930520000045
为线性模型输出，v(k)为误差补偿项；
k为折光率、温度、蒸发进料流量/原液流量对应的仪表的采样时刻，x1(k)为折光率测量信号，x2(k)为温度测量信号，x3(k-l)为蒸发进料流量仪表的流量测量信号，l为流量调节经过蒸发与碱液调配过程的滞后时间；a、b、c和d为模型参数，具有初始值；
选择检测数值中的折光率、温度、进料流量和生产指标的人工化验值，对浓度检测模型的线性模型及误差补偿项进行参数更新。
7.根据权利要求6所述的智能检测装置，其特征在于，
针对浓度检测模型中的线性模型的参数更新，包括：
当前时刻的人工化验值与上一时刻人工化验值的差超出某一限度δ时；保持浓度检测模型中的参数值不变；
当前时刻的人工化验值ya(T)与上一时刻的人工化验值ya(T-d1)满足|ya(T)-ya(T-d1)|＞δ时，保持浓度检测模型中的参数值不变；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的人工化验值ya(T)满足|ya(T+d0)-ya(T)|＜δ2，则基于当前时刻的下一时刻的人工化验值和当前时刻的人工化验值，采用最小二乘法对浓度检测模型中的参数值进行更新；
若当前时刻的下一时刻的人工化验值ya(T+d0)与当前时刻的上一时刻ya(T-d1)的人工化验值满足|ya(T+d0)-ya(T-d1)|＜δ3，则确认当前时刻的人工化验值ya(T)存在误差，将当前时刻的人工化验值丢弃；
以及，采用最小二乘法对浓度检测模型中的参数值进行更新，
使用最小二乘算法构建数据向量方程式和参数向量方程式，如下：
数据向量
Figure FDA0003693930520000051
Figure FDA0003693930520000052
其中，x1(.)为蒸发出料折光率测量信号，x2(.)为蒸发出料温度测量信号，x3(.)为蒸发进料流量测量信号，其取样时间T-dj(j＝1,2,...,10……N)，N为取样时刻对应的总取样次数，T＝nk(n＝1,2,3,...)；
参数向量θ：
Figure FDA0003693930520000061
Figure FDA0003693930520000062
为
Figure FDA0003693930520000063
的转置，
Figure FDA0003693930520000064
为
Figure FDA0003693930520000065
的逆，
Figure FDA0003693930520000066
Figure FDA0003693930520000067
基于方程式(A2)和方程式(A3)，获取更新后的参数a、b、c、d；
相应地，针对浓度检测模型中的误差补偿项的误差补偿，包括：
误差补偿：采用前对应取样的N个时刻模型误差的平均值；
Figure FDA0003693930520000068
获取对应取样的N个时刻中浓度检测模型的误差的平均值；
采用前N次化验时刻对应误差的平均值对线性模型
Figure FDA0003693930520000069
的输出进行补偿，dj为特定的取样时刻，d1为前一取样时刻，dN为前N取样时刻。
CN202110680852.XA 2021-06-18 2021-06-18 一种氧化铝运行指标的智能检测装置 Active CN113608506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110680852.XA CN113608506B (zh) 2021-06-18 2021-06-18 一种氧化铝运行指标的智能检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110680852.XA CN113608506B (zh) 2021-06-18 2021-06-18 一种氧化铝运行指标的智能检测装置

Publications (2)

Publication Number Publication Date
CN113608506A CN113608506A (zh) 2021-11-05
CN113608506B true CN113608506B (zh) 2022-10-25

Family

ID=78336591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110680852.XA Active CN113608506B (zh) 2021-06-18 2021-06-18 一种氧化铝运行指标的智能检测装置

Country Status (1)

Country Link
CN (1) CN113608506B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114660245B (zh) * 2022-05-19 2022-08-09 湖南维益智信智能科技有限公司 在线分析仪表自检测控制方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1546982A (zh) * 2003-12-08 2004-11-17 中国铝业股份有限公司 一种氧化铝生产过程中苛性比值与溶出率在线检测方法
CN110794093A (zh) * 2019-11-11 2020-02-14 东北大学 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法
CN110866659A (zh) * 2019-12-09 2020-03-06 东北大学 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB743553A (en) * 1953-06-24 1956-01-18 Kaiser Aluminium Chem Corp Improvements in or relating to processes for the production of alumina from aluminous ores
EP0839118A4 (en) * 1995-07-11 1998-12-09 Comalco Alu HIGH YIELD PRECIPITATION PROCESS
KR101970807B1 (ko) * 2012-08-20 2019-04-19 사빅 글로벌 테크놀러지스 비.브이. 근적외선 분광법 및 케모메트릭스를 이용한 공정 스크러버 내의 부식제의 실시간 온라인 결정
CN110378799B (zh) * 2019-07-16 2022-07-12 东北大学 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1546982A (zh) * 2003-12-08 2004-11-17 中国铝业股份有限公司 一种氧化铝生产过程中苛性比值与溶出率在线检测方法
CN110794093A (zh) * 2019-11-11 2020-02-14 东北大学 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法
CN110866659A (zh) * 2019-12-09 2020-03-06 东北大学 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Soft-sensor for alkaline solution concentration of evaporation process;Yonggang Wang;《2008 7th World Congress on Intelligent Control and Automation》;20080627;全文 *
基于智能集成模型的苛性比值与溶出率软测量及应用研究;李勇刚;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》;20061115;正文第18-120页 *
李勇刚.基于智能集成模型的苛性比值与溶出率软测量及应用研究.《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》.2006, *

Also Published As

Publication number Publication date
CN113608506A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN101949746B (zh) 一种视觉温度计的自动检定方法及温度计自动检定仪
US11893472B2 (en) Accuracy compensation method for discharge caustic alkali concentration measuring device in evaporation process
Henderson Exploring between site differences in water quality trends: a functional data analysis approach
CN113608506B (zh) 一种氧化铝运行指标的智能检测装置
Herwig et al. On‐line stoichiometry and identification of metabolic state under dynamic process conditions
CN103954334A (zh) 一种全自动摄像式水表检定系统及其工作方法
CN108319664A (zh) 一种大坝及工程安全监测数据粗差识别方法及系统
CN117272216B (zh) 一种自动流量监测站和人工水尺观测站的数据分析方法
CN101603921B (zh) 一种折射率色散特性的检测系统及其检测方法
CN109612607B (zh) 一种温度传感器反应速度测试方法
CN113158558B (zh) 一种高速铁路路基连续压实分析方法、装置及分析仪
Privezentsev et al. Analysis of the microhardness of metals using digital metallographic images
CN110954536B (zh) 一种飞灰含碳量在线测量装置及方法
CN116697883A (zh) 一种关于磷灰石裂变径迹定年分析方法
CN109614758A (zh) 具有空间相关性的圆形形状误差的监控方法
CN109933031A (zh) 一种根据化验数据自动校正软测量仪表的系统及方法
Wang et al. Retracted: One-Variable Linear Regression Mathematical Model of Color Reading and Material Concentration Identification
CN101592644B (zh) 油田水中钡离子的测定方法
CN107121713A (zh) 一种烟囱雨或石膏雨沉降量的自动测量装置及其标定方法
CN115494194B (zh) 一种强酸/强碱溶液的酸碱度自动检测方法
CN109920490B (zh) 一种氧化铝生产蒸发过程鲁棒动态数据校正方法及其系统
CN109726474A (zh) 一种在线校正的丙烯聚合生产过程多尺度预报系统
Guojun et al. Designation of automatic pointer meter calibration system based on machine vision
CN113627322A (zh) 一种用于剔除异常点的方法、系统及电子设备
CN115773701A (zh) 一种螺旋测微器校准系统及其校准方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant