CN114399080A - 一种丙烯酸酯生产设备的智能控制方法及系统 - Google Patents

一种丙烯酸酯生产设备的智能控制方法及系统 Download PDF

Info

Publication number
CN114399080A
CN114399080A CN202111523741.4A CN202111523741A CN114399080A CN 114399080 A CN114399080 A CN 114399080A CN 202111523741 A CN202111523741 A CN 202111523741A CN 114399080 A CN114399080 A CN 114399080A
Authority
CN
China
Prior art keywords
data
chemical
data set
information
chemical equipment
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
Application number
CN202111523741.4A
Other languages
English (en)
Inventor
崔耀森
俞卫祥
蒋浩
王军
吕学杰
杨卫东
帅昌辉
许莎婕
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.)
Satellite Chemical Co ltd
Original Assignee
Satellite Chemical Co ltd
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 Satellite Chemical Co ltd filed Critical Satellite Chemical Co ltd
Priority to CN202111523741.4A priority Critical patent/CN114399080A/zh
Publication of CN114399080A publication Critical patent/CN114399080A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种丙烯酸酯生产设备的智能控制方法及系统，方法包括：获得化工设备的属性参数信息对化工设备进行分类，获得第一分类结果；根据第一分类结果中不同类别的化工设备，确定数据采集类型；根据数据采集类型，采集第一化工数据集和人工预判数据集；通过第一化工数据集和人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；将化工设备的实时化工数据输入化工设备控制预测模型，获得第一预测结果；根据第一预测结果，对化工设备进行控制。

Description

一种丙烯酸酯生产设备的智能控制方法及系统
技术领域
本发明涉及智能制造相关技术领域，具体涉及一种丙烯酸酯生产设备的智能控制方法及系统。
背景技术
随着智能制造的不断发展，传统工厂中的生产仪器自动化程度越来越高，随之而生的是对工作设备的参数设定和控制成为了人工操作的主要工作之一。
目前的技术是基于人工对设备状态进行分析，进而确定设备之后的参数调整值。
但本申请在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中由于人工参与度较高，导致存在效率较低的技术问题。
发明内容
本申请实施例通过提供了一种丙烯酸酯生产设备的智能控制方法及系统，解决了现有技术中由于人工参与度较高，导致存在效率较低的技术问题。通过基于设备属性信息对设备进行分类，基于不同类别的设备采集实时数据，再根据实时数据人工预判设备状态设为人工预判信息，进而构建模型得到预测设备状态的模型，由模型预测，达到了智能化控制的技术效果。
鉴于上述问题，本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法及系统。
第一方面，本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法，所述方法包括：获得化工设备的属性参数信息；根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；根据所述数据采集类型，采集第一化工数据集和人工预判数据集；通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；根据所述第一预测结果，对所述化工设备进行控制。
另一方面，本申请实施例提供了一种丙烯酸酯生产设备的智能控制系统，所述系统包括：属性采集单元：用于获得化工设备的属性参数信息；设备分类单元：用于根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；数据分类单元：用于根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；数据采集单元：用于根据所述数据采集类型，采集第一化工数据集和人工预判数据集；模型训练单元：用于通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；数据处理单元：用于将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；设备控制单元：用于根据所述第一预测结果，对所述化工设备进行控制。
第三方面，本申请实施例提供了一种丙烯酸酯生产设备的智能控制系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得化工设备的属性参数信息；根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；根据所述数据采集类型，采集第一化工数据集和人工预判数据集；通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；根据所述第一预测结果，对所述化工设备进行控制的技术方案，通过基于设备属性信息对设备进行分类，基于不同类别的设备采集实时数据，再根据实时数据人工预判设备状态设为人工预判信息，进而构建模型得到预测设备状态的模型，由模型预测，达到了智能化控制的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法流程示意图；
图2为本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法中的属性参数分类方法流程示意图；
图3为本申请实施例提供了一种丙烯酸酯生产设备的智能控制系统结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：属性采集单元11，设备分类单元12，数据分类单元13，数据采集单元14，模型训练单元15，数据处理单元16，设备控制单元17，电子设备300，存储器301，处理器302，通信接口 303，总线架构304。
具体实施方式
本申请实施例通过提供了一种丙烯酸酯生产设备的智能控制方法及系统，解决了现有技术中由于人工参与度较高，导致存在效率较低的技术问题。通过基于设备属性信息对设备进行分类，基于不同类别的设备采集实时数据，再根据实时数据人工预判设备状态设为人工预判信息，进而构建模型得到预测设备状态的模型，由模型预测，达到了智能化控制的技术效果。
申请概述
随着智能制造的不断发展，传统工厂中的生产仪器自动化程度越来越高，随之而生的是对工作设备的参数设定和控制成为了人工操作的主要工作之一。目前的技术是基于人工对设备状态进行分析，进而确定设备之后的参数调整值。但现有技术中由于人工参与度较高，导致存在效率较低的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法，所述方法包括：获得化工设备的属性参数信息；根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；根据所述数据采集类型，采集第一化工数据集和人工预判数据集；通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；根据所述第一预测结果，对所述化工设备进行控制。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种丙烯酸酯生产设备的智能控制方法，所述方法包括：
S100：获得化工设备的属性参数信息；
S200：根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；
具体而言，所述化工设备指的是自动化半自动化的石油化工设备，示例性地：包括但不限于：合成反应釜、化工搅拌仪器、化工过滤仪器等。
具体的化工设备以丙烯酸酯的合成举不设限的一例：
第一步采用丙烯两步氧化法生产丙烯酸，首先涉及到的化工设备为进行对丙烯一步氧化生成丙烯醛的设备，称为一段催化剂床层；其次涉及到的是对丙烯醛二步氧化生成丙烯酸的设备，称为二段反应器催化剂床层；最后是丙烯酸后处理涉及到的设备是：处理吸收丙烯酸水溶液(不同生产装置丙烯酸的浓度不同)到的吸收塔和除去二段氧反应未反应的丙烯醛和副产物的提取塔。
第二步是将精制丙烯酸水溶液，生产高分子量且纯度较高的丙烯酸，涉及到的设备依次是，对丙烯酸进行除水处理的共沸装置、对经过共沸装置处理之后得到的粗制丙烯酸进行脱轻-托重处理的组件装置。
第三步是进行酯化反应，生成丙烯酸酯，首先涉及到的化工设备是进行醇和丙烯酸反应的催化剂固定床反应装置；其次涉及到的设备是对酯化的物料进行分馏的丙烯酸分馏装置，分流后将未反应的丙烯酸返回催化剂固定床反应装置进行循环利用；再其次是对分馏后的馏分进行萃取蒸馏的乙醇回收装置，将得到的乙醇返回催化剂固定床反应装置循环利用。
所述化工设备属性参数指的是指的是化工设备基本信息，示例性地：如用于丙烯酸生产的一段催化剂床层和二段催化剂床层型号信息、设备用途信息、设备适用场景信息、设备各项工作参数信息等；所述第一分类结果指的是对属性参数信息进行聚类分析，依据属性参数信息分类结果，将化工设备归属于对应的属性分类中，得到的结果。
通过将化工设备进行聚类，而同一个聚类内的化工设备由于交叉属性参数较多，便于统一控制，提高控制效率。
S300：根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；
具体而言，所述数据采集类型指的是和第一分类结果中不同类别的所述化工设备一一对应的数据类型，示例性地：
生成丙烯酸物料的化工仪器需要采集的数据包括：共沸塔中水蒸气的循环速率、吸收塔处理后的预设丙烯酸浓度信息、一段氧化温度、二段氧化温度、合成时间、反应状态、反应混合物丙烯、氧气和水蒸气之间摩尔比、催化剂床层中的催化剂成分及比例等信息；
合成丙烯酸酯的化工仪器需要采集催化剂固定床反应装置的型号信息、参数设定信息、催化剂成分及比例信息、预设反应温度、反应时间、反应状态、丙烯酸分馏装置中的循环水和冷却水供给速度及供给量。进一步的，生产丙烯酸甲酯、丙烯酸乙酯，丙烯酸辛酯的装置可以为同一类设备，只是反应条件会有不同，且丙烯酸的合成过程基本相同，只是醇的合成过程及后步酯化反应条件具有不同。
不同的化工设备对应于不同的数据采集类型，通过不同的数据采集类型可以对化工设备的生产状态进行表征，为后步化工设备实时控制参数的采集提供了采集标准。
S400：根据所述数据采集类型，采集第一化工数据集和人工预判数据集；
具体而言，基于数据采集类型采集对应化工设备的实时工作数据，记为所述第一化工数据集；所述人工预判数据集指的是化工领域的技术人员或者专业人士基于当前的化工设备及采集到的第一化工数据集，进行分析，对化工设备的工作状态进行预判，预判信息举不设限制的一例：以丙烯酸的合成为例：当专业人员在确定了一段氧化温度、二段氧化温度、丙烯和水蒸气和氧气之间的摩尔比、合成时间、催化剂床层中的催化剂成分及比例之后时，预判最终得到的丙烯酸浓度、丙烯酸纯度、丙烯酸反应效率等信息；丙烯酸酯的预判同理，在此不多加赘述。
通过对第一化工数据集和人工预判数据集进行采集，在传统工业中，专家人员依据人工预判结果对化工设备进行反馈控制，而通过采集预设数据量的第一化工数据集和人工预判数据集可以完成智能化模型的构建，可以脱离专家的预测，也可以做出评估，进而提高了化工设备控制的智能性。
S500：通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；
具体而言，所述前馈神经网络模型指的是常规神经网络模型的一种，前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连，每一层神经的反馈只取决于前一层神经的输出。将多组的所述第一化工数据集和所述人工预判数据集作为训练数据，将第一化工数据集设为输入训练数据集，将人工预判数据集设为输出数据的标识信息，当前馈神经网络模型的输出趋于预设收敛程度，则所述化工设备控制预测模型，构建完成。
示例性地：构建对于丙烯酸酯生成控制的模型，则需要将模型分为多个子模型，第一子模型对应于生产丙烯酸的过程，不同的设备对应于不同的处理层，处于生产流程前列设备对应模型中的处理层优先于生产流程后列设备的处理层，前处理层的输出作为后处理层的输入，例如：生产丙烯酸的设备控制的第一子模型处理层依次为：一段催化剂床层-二段反应器催化剂床层-吸收塔-提取塔，每一个处理层都是各自设备对应的多组第一化工数据集和人工预判数据集训练而得；第二子模型对应于精制丙烯酸水溶液的设备；第三子模型对应于进行酯化反应，生成丙烯酸酯的设备。构建过程都和第一子模型的构建过程同理，于此不多加赘述，将三个子模型合并，依次为：第一子模型 -第二子模型-第三子模型，前一个模型的输出数据作为后一个模型的部分输入数据。
神经网络模型可以对非线性的化工设备的实时多维信息进行处理，基于大数量的训练保障了模型的准确性。
S600：将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；
S700：根据所述第一预测结果，对所述化工设备进行控制。
具体而言，所述第一预测结果指的是当化工设备控制预测模型训练完成之后，将实时采集的化工数据输入化工设备控制预测模型，得到的输出结果，根据第一预测结果可以得到基于当前的实时采集的化工数据，后续化工设备较大概率的预判状态信息，进而可以根据化工设备较大概率的预判状态信息对化工设备进行适应性调整。由于专家预判的成本较高，通过智能化模型解决预测问题，提高了决策效率和降低了成本。
示例性地：如上述构建的对丙烯酸酯生成控制的模型，当一段氧化温度、二段氧化温度、丙烯和水蒸气和氧气之间的摩尔比、合成时间、催化剂床层中的催化剂成分及比例信息输入模型时，根据第一子模型的输出结果就可以确定丙烯酸浓度、丙烯酸纯度、丙烯酸反应效率，进而依据需求对一段催化剂床层-二段反应器催化剂床层-吸收塔 -提取塔中的设备参数及反应条件做出反馈调整，进而完成设备控制的目的，实时保障了反应的稳定进行。
进一步的，如图2所示，基于所述根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果，步骤S200包括：
S210：对所述属性参数信息进行聚类分析，获得所述属性参数信息的聚类结果；
S220：根据所述聚类结果，对每一类别的属性参数进行特征提取，获得与每一类别的属性参数相对应的特征信息；
S230：根据所述特征信息，对所述化工设备进行分类，获得所述第一分类结果。
具体而言，聚类分析指的是基于预设基准对属性参数信息进行聚类的过程；所述属性参数信息的聚类结果指的是依据属性参数信息的相近程度进行聚类的结果。
聚类分析过程举不设限制的一例：先将生产丙烯酸酯的所有化工设备的型号信息、设备用途信息设为一级分类指标，对丙烯酸酯化工设备进行聚类，将相近型号及相近用途的化工设备聚集为一类，示例性地：如生产丙烯酸的设备，一段催化剂床层-二段反应器催化剂床层-吸收塔-提取塔在一级分类指标中为一类；精制丙烯酸的设备，共沸装置-脱轻-托重处理的组件装置在一级分类指标中为一类；生产丙烯酸酯的设备，催化剂固定床反应装置-丙烯酸分馏装置-乙醇回收装置在一级分类指标中为一类；
在将适用场景信息、设备各项工作参数信息等设为二级分类指标，对化工设备在一级分类的基础上再分类，得到适用场景信息、设备各项工作参数相近的聚类结果，示例性地：在一级聚类结果中为一类的：一段催化剂床层-二段反应器催化剂床层-吸收塔-提取塔，在二级分类指标中为一段催化剂床层、二段反应器催化剂床层、提取塔三类；在一级聚类结果中为一类的：催化剂固定床反应装置-丙烯酸分馏装置-乙醇回收装置，在二级分类指标中为催化剂固定床反应装置、丙烯酸分馏装置、乙醇回收装置三类；在一级聚类结果中为一类的：共沸装置-脱轻-托重处理的组件装置，在二级分类指标中为共沸装置、脱轻-托重处理的组件装置两类。
所述特征信息指的是对聚类结果中每一类的属性参数进行特征提取得到的结果，特征信息指的是该类中属性参数和其他类属性参数的不同点，示例性地：一级分类结果中生产丙烯酸的设备、精制丙烯酸的设备、生产丙烯酸酯的设备之间的作用差别；二级分类结果中，一段催化剂床层和二段反应器催化剂床层和提取塔中的反应温度、反应物的区别等信息；进一步的，基于特征信息对化工设备进行分类，得到所述第一分类结果。
通过聚类分析可以将属性参数信息相近的归为一类，相远的归为两类，再依据特征信息得到不同类属性参数的主要差别属性，同类内的属性值差异，进而实现对化工设备的细致分类，当化工设备的分类越细，采集的训练数据就越准确。
进一步的，基于所述根据所述数据采集类型，采集第一化工数据集和人工预判数据集，步骤S400包括：
S410：根据所述数据采集类型，采集所述第一化工数据集，其中，所述第一化工数据集中的数据符合所述数据采集类型；
S420：将所述第一化工数据集作为输入数据，并划分为第一训练数据集和第一测试数据集；
S430：将所述人工预判数据集作为期望输出数据，并划分为第二训练数据集和第二测试数据集。
具体而言，多组的所述第一化工数据集和所述人工预判数据集是一一对应的，当采集足够预设数据量时停止采集，其中，预设数据量是人工预设训练模型的数据量；进一步的，所述第一训练数据集和所述第一测试数据集指的是对第一化工数据集进行划分得到的分别用来训练模型的数据和测试模型准确性的数据；所述第二训练数据集和所述第二测试数据集指的是对人工预判数据集进行划分得到的分别用来训练模型的数据和测试模型准确性的数据。示例性地：将一一对应的多组第一化工数据集和人工预判数据集分别划分为7.5：2.5，则训练数据集占据7.5成，测试数据集占据2.5成。划分完成，即可开始训练。通过对采集数据进行处理，便于后步模型训练。
进一步的，基于所述通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型，步骤S500包括：
S510：将所述第一训练数据集作为输入数据，将所述第二训练数据集作为期望输出数据，通过反向传播算法对所述前馈神经网络模型进行监督学习；
S520：当所述前馈神经网络模型训练至收敛状态时，获得所述化工设备控制预测模型。
具体而言，所述反向传播算法指的是用于神经网络模型训练的常规算法；将第一训练数据集作为输入数据，将第二训练数据集作为期望输出数据的标识信息，对前馈神经网络模型进行监督学习训练，当达到具有准确输出后，适用测试数据集测试模型准确度，当达到预设准确稳定性时，停止训练，得到化工设备控制预测模型，既可以对实时的化工设备信息进行较准确的预判。
进一步的，基于所述根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型，步骤S300包括：
S310：获得所述化工设备的类型信息；
S320：获得所述化工设备的工作对象信息；
S330：将所述工作对象信息和所述类型信息输入数据采集类型预测模型，获得所述数据采集类型。
具体而言，所述化工设备的类型信息指的是遍历第一分类结果得到的化工设备类型，举不设限制的一例：生产丙烯酸的一段催化剂床层、二段反应器催化剂床层、吸收塔、提取塔：型号信息、用途信息、生产产品信息等；所述化工设备的工作对象信息指的是从化工设备的类型信息中提取的生产产品信息以及适用场景信息等，示例性地如：一段催化剂床层的工作对象为：丙烯-氧气-水蒸气、成分比例信息；二段反应器催化剂床层的工作对象为：丙烯醛-氧气-水蒸气、成分比例信息等。
进一步的，所述数据采集类型预测模型指的是基于神经网络模型构建的智能化模型，可以基于工作对象信息和类型信息对需要实时采集的数据类型进行归类。因此通过数据采集类型预测模型输出较准确的数据采集类型。
进一步的，基于所述将所述工作对象信息和所述类型信息输入数据采集类型预测模型，获得所述数据采集类型，步骤S330包括：
S331：构建所述数据采集类型预测模型；
S332：将所述工作对象信息和所述类型信息作为输入信息输入数据采集类型预测模型；
S333：获得所述数据采集类型预测模型的输出信息，所述输出信息包括所述数据采集类型。
具体而言，当数据采集类型预测模型构建完成后，将工作对象信息和类型信息作为输入信息输入数据采集类型预测模型，即可得到数据采集类型。示例性地：若是类型信息为：催化剂固定床反应装置；工作对象为：高纯度丙烯酸、酯化级丙烯酸，则对应的采集数据类型可为：催化剂比例及成分组成、反应温度、高纯度丙烯酸、酯化级丙烯酸含量、反应时长等。通过数据采集类型预测模型减少了数据类型人工标注的压力。
进一步的，基于所述构建所述数据采集类型预测模型，步骤S331 包括：
S3311：采集历史数据，其中，所述历史数据包括历史工作对象信息和历史类型信息；
S3312：通过所述历史数据对神经网络模型进行训练至稳定状态，获得所述数据采集类型预测模型。
具体而言，基于适用该类型化工设备的历史信息，采集历史数据，历史数据中包括多组历史工作对象信息和历史类型信息，并人工标注数据采集类型结果，示例性地：如历史类型：催化剂固定床反应装置；历史工作对象为：高纯度丙烯酸、酯化级丙烯酸，人工标注的数据类型为：催化剂比例及成分组成、反应温度、高纯度丙烯酸、酯化级丙烯酸含量、反应时长；基于多组历史工作对象信息和历史类型信息和人工标注数据采集类型结果对神经网络模型进行训练，当达到收敛时，得到数据采集类型预测模型，即可对数据采集类型进行较准确的预测，即训练模型时需要人工对数据进行标注，而训练完成后则可以由模型直接得到预采集的实时数据类型，提高了工作效率。
综上所述，本申请实施例所提供的一种丙烯酸酯生产设备的智能控制方法及系统具有如下技术效果：
1.本申请实施例通过提供了一种丙烯酸酯生产设备的智能控制方法及系统，解决了现有技术中由于人工参与度较高，导致存在效率较低的技术问题。通过基于设备属性信息对设备进行分类，基于不同类别的设备采集实时数据，再根据实时数据人工预判设备状态设为人工预判信息，进而构建模型得到预测设备状态的模型，由模型预测，达到了智能化控制的技术效果。
实施例二
基于与前述实施例中一种丙烯酸酯生产设备的智能控制方法相同的发明构思，如图3所示，本申请实施例提供了一种丙烯酸酯生产设备的智能控制系统，所述系统包括：
属性采集单元11：用于获得化工设备的属性参数信息；
设备分类单元12：用于根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；
数据分类单元13：用于根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；
数据采集单元14：用于根据所述数据采集类型，采集第一化工数据集和人工预判数据集；
模型训练单元15：用于通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；
数据处理单元16：用于将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；
设备控制单元17：用于根据所述第一预测结果，对所述化工设备进行控制。
进一步的，所述系统还包括：
第一获得单元：用于对所述属性参数信息进行聚类分析，获得所述属性参数信息的聚类结果；
第二获得单元：用于根据所述聚类结果，对每一类别的属性参数进行特征提取，获得与每一类别的属性参数相对应的特征信息；
第三获得单元：用于根据所述特征信息，对所述化工设备进行分类，获得所述第一分类结果。
进一步的，所述系统还包括：
第一采集单元：用于根据所述数据采集类型，采集所述第一化工数据集，其中，所述第一化工数据集中的数据符合所述数据采集类型；
第一处理单元：用于将所述第一化工数据集作为输入数据，并划分为第一训练数据集和第一测试数据集；
第二处理单元：用于将所述人工预判数据集作为期望输出数据，并划分为第二训练数据集和第二测试数据集。
进一步的，所述系统还包括：
第一训练单元：用于将所述第一训练数据集作为输入数据，将所述第二训练数据集作为期望输出数据，通过反向传播算法对所述前馈神经网络模型进行监督学习；
第四获得单元：用于当所述前馈神经网络模型训练至收敛状态时，获得所述化工设备控制预测模型。
进一步的，所述系统还包括：
第五获得单元：用于获得所述化工设备的类型信息；
第六获得单元：用于获得所述化工设备的工作对象信息；
第七获得单元：用于将所述工作对象信息和所述类型信息输入数据采集类型预测模型，获得所述数据采集类型。
进一步的，所述系统还包括：
第一构建单元：用于构建所述数据采集类型预测模型；
第一输入单元：用于将所述工作对象信息和所述类型信息作为输入信息输入数据采集类型预测模型；
第八获得单元：用于获得所述数据采集类型预测模型的输出信息，所述输出信息包括所述数据采集类型。
进一步的，所述系统还包括：
第二采集单元：用于采集历史数据，其中，所述历史数据包括历史工作对象信息和历史类型信息；
第九获得单元：用于通过所述历史数据对神经网络模型进行训练至稳定状态，获得所述数据采集类型预测模型。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备，
基于与前述实施例中一种丙烯酸酯生产设备的智能控制方法相同的发明构思，本申请实施例还提供了一种丙烯酸酯生产设备的智能控制系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN), 无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种丙烯酸酯生产设备的智能控制方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例通过提供了一种丙烯酸酯生产设备的智能控制方法及系统，解决了现有技术中由于人工参与度较高，导致存在效率较低的技术问题。通过基于设备属性信息对设备进行分类，基于不同类别的设备采集实时数据，再根据实时数据人工预判设备状态设为人工预判信息，进而构建模型得到预测设备状态的模型，由模型预测，达到了智能化控制的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD)) 等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于 RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于 ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (9)

1.一种丙烯酸酯生产设备的智能控制方法，其特征在于，所述方法包括：
获得化工设备的属性参数信息；
根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；
根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；
根据所述数据采集类型，采集第一化工数据集和人工预判数据集；
通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；
将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；
根据所述第一预测结果，对所述化工设备进行控制。
2.如权利要求1所述的方法，其特征在于，所述根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果，包括：
对所述属性参数信息进行聚类分析，获得所述属性参数信息的聚类结果；
根据所述聚类结果，对每一类别的属性参数进行特征提取，获得与每一类别的属性参数相对应的特征信息；
根据所述特征信息，对所述化工设备进行分类，获得所述第一分类结果。
3.如权利要求1所述的方法，其特征在于，所述根据所述数据采集类型，采集第一化工数据集和人工预判数据集，包括：
根据所述数据采集类型，采集所述第一化工数据集，其中，所述第一化工数据集中的数据符合所述数据采集类型；
将所述第一化工数据集作为输入数据，并划分为第一训练数据集和第一测试数据集；
将所述人工预判数据集作为期望输出数据，并划分为第二训练数据集和第二测试数据集。
4.如权利要求3所述的方法，其特征在于，所述通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型，包括：
将所述第一训练数据集作为输入数据，将所述第二训练数据集作为期望输出数据，通过反向传播算法对所述前馈神经网络模型进行监督学习；
当所述前馈神经网络模型训练至收敛状态时，获得所述化工设备控制预测模型。
5.如权利要求1所述的方法，其特征在于，所述根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型，包括：
获得所述化工设备的类型信息；
获得所述化工设备的工作对象信息；
将所述工作对象信息和所述类型信息输入数据采集类型预测模型，获得所述数据采集类型。
6.如权利要求5所述的方法，其特征在于，所述将所述工作对象信息和所述类型信息输入数据采集类型预测模型，获得所述数据采集类型，包括：
构建所述数据采集类型预测模型；
将所述工作对象信息和所述类型信息作为输入信息输入数据采集类型预测模型；
获得所述数据采集类型预测模型的输出信息，所述输出信息包括所述数据采集类型。
7.如权利要求6所述的方法，其特征在于，所述构建所述数据采集类型预测模型，包括：
采集历史数据，其中，所述历史数据包括历史工作对象信息和历史类型信息；
通过所述历史数据对神经网络模型进行训练至稳定状态，获得所述数据采集类型预测模型。
8.一种丙烯酸酯生产设备的智能控制系统，其特征在于，所述系统包括：
属性采集单元：用于获得化工设备的属性参数信息；
设备分类单元：用于根据所述属性参数信息对所述化工设备进行分类，获得第一分类结果；
数据分类单元：用于根据所述第一分类结果中不同类别的所述化工设备，确定数据采集类型；
数据采集单元：用于根据所述数据采集类型，采集第一化工数据集和人工预判数据集；
模型训练单元：用于通过所述第一化工数据集和所述人工预判数据集对前馈神经网络模型进行监督学习，构建化工设备控制预测模型；
数据处理单元：用于将所述化工设备的实时化工数据输入所述化工设备控制预测模型，获得第一预测结果；
设备控制单元：用于根据所述第一预测结果，对所述化工设备进行控制。
9.一种丙烯酸酯生产设备的智能控制系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，其特征在于，当所述程序被所述处理器执行时，使系统以执行如1至7任一项所述的方法。
CN202111523741.4A 2021-12-14 2021-12-14 一种丙烯酸酯生产设备的智能控制方法及系统 Pending CN114399080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111523741.4A CN114399080A (zh) 2021-12-14 2021-12-14 一种丙烯酸酯生产设备的智能控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111523741.4A CN114399080A (zh) 2021-12-14 2021-12-14 一种丙烯酸酯生产设备的智能控制方法及系统

Publications (1)

Publication Number Publication Date
CN114399080A true CN114399080A (zh) 2022-04-26

Family

ID=81226212

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111523741.4A Pending CN114399080A (zh) 2021-12-14 2021-12-14 一种丙烯酸酯生产设备的智能控制方法及系统

Country Status (1)

Country Link
CN (1) CN114399080A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237180A (zh) * 2022-09-23 2022-10-25 济南明鑫制药股份有限公司 一种用于甲酯生产中粗品制备的智能控制方法
CN116797053A (zh) * 2023-08-25 2023-09-22 深圳普菲特信息科技股份有限公司 基于神经网络的化工生产数据分析方法、系统和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016828A (zh) * 2020-08-26 2020-12-01 中国特种设备检测研究院 基于流式大数据的工业设备健康管理云平台架构
CN112021626A (zh) * 2020-07-10 2020-12-04 张家口卷烟厂有限责任公司 烟用制丝环节智能化控制系统及方法
CN113325721A (zh) * 2021-08-02 2021-08-31 北京中超伟业信息安全技术股份有限公司 一种工业系统无模型自适应控制方法及系统
CN113486125A (zh) * 2021-06-29 2021-10-08 北京德风新征程科技有限公司 一种工业互联网大数据信息处理终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112021626A (zh) * 2020-07-10 2020-12-04 张家口卷烟厂有限责任公司 烟用制丝环节智能化控制系统及方法
CN112016828A (zh) * 2020-08-26 2020-12-01 中国特种设备检测研究院 基于流式大数据的工业设备健康管理云平台架构
CN113486125A (zh) * 2021-06-29 2021-10-08 北京德风新征程科技有限公司 一种工业互联网大数据信息处理终端
CN113325721A (zh) * 2021-08-02 2021-08-31 北京中超伟业信息安全技术股份有限公司 一种工业系统无模型自适应控制方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237180A (zh) * 2022-09-23 2022-10-25 济南明鑫制药股份有限公司 一种用于甲酯生产中粗品制备的智能控制方法
CN115237180B (zh) * 2022-09-23 2022-12-06 济南明鑫制药股份有限公司 一种用于甲酯生产中粗品制备的智能控制方法
CN116797053A (zh) * 2023-08-25 2023-09-22 深圳普菲特信息科技股份有限公司 基于神经网络的化工生产数据分析方法、系统和介质
CN116797053B (zh) * 2023-08-25 2023-11-10 深圳普菲特信息科技股份有限公司 基于神经网络的化工生产数据分析方法、系统和介质

Similar Documents

Publication Publication Date Title
CN114399080A (zh) 一种丙烯酸酯生产设备的智能控制方法及系统
CN111651220B (zh) 一种基于深度强化学习的Spark参数自动优化方法及系统
JP3637412B2 (ja) 時系列データ学習・予測装置
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测系统
CN110895495A (zh) 人因失误分析方法、系统、计算机设备及存储介质
CN113010783A (zh) 基于多模态心血管疾病信息的医疗推荐方法、系统及介质
CN112130453A (zh) 基于机器学习的提高mcs生产平稳性的控制方法及系统
CN117913808A (zh) 一种分布式光伏发电预测方法及其装置
CN117196257A (zh) 配电网工程辅助结算系统
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
CN114926075B (zh) 基于工时预测的机械零件生产调度方法
CN115600102B (zh) 基于船舶数据的异常点检测方法及装置、电子设备、介质
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN115412591A (zh) 一种云边融合下的视频处理方法及系统
CN114462699A (zh) 一种基于随机森林的光纤生产合格指标预测方法
EP3726317B1 (en) Computer-implemented determination of a quality indicator of a production batch-run of a production process
JP4230890B2 (ja) モデル同定装置，モデル同定プログラム及びモデル同定装置の動作方法
JP2002297236A (ja) 製造実績データベース装置
CN115953724B (zh) 一种用户数据分析以及管理方法、装置、设备及存储介质
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法
CN113051810B (zh) 基于约束网格层次聚类的空分过程pwa模型辨识方法
CN117151314B (zh) 透明质酸钠的生产管理方法及相关装置
CN116523039B (zh) 连铸知识图谱的生成方法及装置、存储介质、终端
CN116934041B (zh) 一种基于物联网协同的工厂任务管理方法及系统
CN118071179B (zh) 一种多因子收猪数量预测方法、设备及存储介质

Legal Events

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