CN114593920B - 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 - Google Patents
燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114593920B CN114593920B CN202011391956.0A CN202011391956A CN114593920B CN 114593920 B CN114593920 B CN 114593920B CN 202011391956 A CN202011391956 A CN 202011391956A CN 114593920 B CN114593920 B CN 114593920B
- Authority
- CN
- China
- Prior art keywords
- oxygen content
- internal combustion
- energy station
- combined
- combustion engine
- 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
Links
- 239000007789 gas Substances 0.000 title claims abstract description 291
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 185
- 239000001301 oxygen Substances 0.000 title claims abstract description 185
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 185
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 122
- 239000000779 smoke Substances 0.000 claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
- G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种燃气内燃机的排烟含氧量测量方法、装置、计算机可读存储介质及电子设备，方法包括：获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；根据所述燃气内燃机标识，确定目标联合能源站；根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量。通过本发明的技术方案，无需安装传感器，联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
Description
技术领域
本发明涉及能源技术领域，尤其涉及燃气内燃机的排烟含氧量测量方法、装置及可读存储介质。
背景技术
排烟含氧量是指燃料燃烧之后排出的烟气中的含量，它是燃气内燃机燃烧的一个重要指标，其值的大小与燃气内燃机结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。在燃气内燃机的实际运行过程中，为了让燃料可以充分燃烧，实际供给的空气量比理论上的空气供给量要大的多。这多供给的空气量，我们通常称它为过量空气量。过量空气系数就是实际供给空气量与理论供给空气量的比值。排烟含氧量过低，即过量空气系数越小，会导致供给燃气内燃机燃烧的氧气量不足，燃料不能充分燃烧，热损失增加；排烟含氧量过高，即过量空气系数越大，会使燃气内燃机的热效率降低，不但影响燃烧，同时容易造成环境污染物排放超标，也增加了排烟的耗电量。因此，将燃气内燃机的排烟含氧量控制在合理的范围内，对于节约能源、维护燃气内燃机经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气内燃机的排烟含氧量是衡量燃气内燃机是否安全、经济、环保运行的重要标志之一。
目前，工业中一般使用氧化锆传感器来测量排烟含氧量。
但是，传感器容易受到环境因素的影响，导致测量出的排烟含氧量的误差较大。
发明内容
本发明提供了一种燃气内燃机的排烟含氧量测量方法、装置、计算机可读存储介质及电子设备，无需安装传感器，联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
第一方面，本发明提供了一种燃气内燃机的排烟含氧量测量方法，包括：
获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；
根据所述燃气内燃机标识，确定目标联合能源站；
根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；
根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量。
第二方面，本发明提供了一种燃气内燃机的排烟含氧量测量装置，包括：
获取模块，用于获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；
选择模块，用于根据所述燃气内燃机标识，确定目标联合能源站；
构建模块，用于根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；
预测模块，用于根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量。
第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种燃气内燃机的排烟含氧量测量方法、装置、计算机可读存储介质及电子设备，该方法通过获取待监测能源站的排烟含氧量测量模型请求，排烟含氧量测量模型请求携带燃气内燃机标识，然后，根据燃气内燃机标识，确定目标联合能源站；根据各个目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，燃气内燃机运行数据包括历史排烟含氧量；根据联合排烟含氧量测量模型，预测待监测能源站内的燃气内燃机的排烟含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量排烟含氧量，能够实时监测排烟含氧量，便于维护，降低测量误差，同时联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种燃气内燃机的排烟含氧量测量方法的流程示意图；
图2为本发明一实施例提供的另一种燃气内燃机的排烟含氧量测量方法的结构示意图；
图3为本发明一实施例提供的一种燃气内燃机的排烟含氧量测量装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图；
图5为本发明一实施例提供的场景应用图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例提供的一种方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气内燃机的排烟含氧量测量方法，包括如下各个步骤：
步骤101、获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识。
具体地，包含待监测能源站的客户端通过API接口发送待监测能源站的排烟含氧量测量模型请求。燃气内燃机标识用于标识待监测能源站内的燃气内燃机，可以包括燃气内燃机所属待监测能源站、燃气内燃机数量，燃气内燃机的信号，工作环境，额定功率，额定效率，生产商等描述信息，具体需要结合实际需求确定燃气内燃机标识。这里，待监测能源站中的若干个燃气内燃机的型号相同或者若干个燃气内燃机相似。
在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型。待监测能源站对应的客户端通过API接口发送排烟含氧量测量模型请求，联合学习物联网平台获取该排烟含氧量测量模型请求。
具体地，能源站一般被配置为向指定区域例如与能源站相邻的区域提供能源，能源系统可以包括多个能源站，并通过该多个能源站向多个区域供能，能源站中的多个燃气内燃机是相似的，也可以是相同型号的。本申请实施例中，每个能源站作为一个物联网中的一个节点，设置有一个客户端，如果能源站的数据用于联合学习，则该能源站对应的客户端被称之为联合学习客户端。其中，联合学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在本申请实施例中，在联合学习机制下，各参与方(目标联合能源站各自对应的联合学习客户端)把加密后的数据模型贡献给联盟(联合学习物联网平台)，联合训练一个联合学习模型。
步骤102、根据所述燃气内燃机标识，确定目标联合能源站。
本实施例中，基于燃机内燃机标识包含的信息，确定出若干个目标联合能源站，目标联合能源站中的燃气内燃机和待监测能源站中的燃气内燃机相似，确保目标联合能源站相对于待监测能源站的参考价值。
在实际应用中，联合学习物联网平台获取待监测能源站的排烟含氧量测量模型请求之后，根据燃气内燃机标识，确定目标联合能源站。
在一些可能的实现方式，基于待监测能源站内的燃气内燃机的描述信息，确定目标联合能源站，目标联合能源站中的燃气内燃机和待监测能源站内的燃气内燃机是相似的。具体地，可通过如下实现方式确定目标联合能源站：
根据所述燃气内燃机标识，获取所述待监测能源站内的燃气内燃机的描述信息以及候选联合能源站内的候选燃气内燃机的描述信息；
针对每个所述候选联合能源站，根据所述待监测能源站内的燃气内燃机的描述信息和所述候选联合能源站内的候选燃气内燃机的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度；
根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站。
获取燃气内燃机标识携带的待监测能源站内的燃气内燃机的描述信息，然后，获取能够参与联合学习的多个候选联合能源站内的候选燃气内燃机的描述信息，计算燃气内燃机的描述信息和候选燃气内燃机的描述信息之间的相似度，以确定候选联合能源站和待监测能源站之间的相似度，根据候选联合能源站和待监测能源站之间的相似度，确定目标联合能源站。其中，描述信息包括多个参数以及每个参数的参数值。上述多个参数包括但不限于额定容量、额定效率、工作方式、型号(指示了燃气内燃机的性能、规格和大小)、品牌以及工作地点，具体需要结合实际情况确定。可以理解的，燃气内燃机的描述信息和候选燃气内燃机的描述信息的相似度越高，候选燃气内燃机的参考价值越高，从而确保后续预测出的目标联合能源站的准确性。优选地，燃气内燃机和候选燃气内燃机的型号应该相同。
作为一种可能的情况，当候选联合能源站和待监测能源站之间的相似度不小于预设阈值时，将候选联合能源站确定为目标联合能源站。具体可以通过对燃气内燃机和候选燃气内燃机之间的描述信息进行相似度比较，以确定候选联合能源站和待监测能源站之间的相似度。在一个例子中，基于燃气内燃机和候选燃气内燃机的描述信息中每个参数的参数值，确定燃气内燃机和候选燃气内燃机的描述信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为候选联合能源站和待监测能源站之间的相似度。在实际应用中，还可以以燃气内燃机的描述信息为模型输入，目标联合能源站为模型输出，训练一个分类模型，将候选燃气内燃机的描述信息输入到训练好的分类模型，从而确定其对应的候选联合能源站是否为目标联合能源站。
在一些可能的实现方式，基于联合学习邀请，确定目标联合能源站，满足用户需求。具体地，可通过如下实现方式确定目标联合能源站：
根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站；
向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；
将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
这里，将相似度不小于预设阈值的候选联合能源站确定为参考联合能源站，向各个参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请，如果联合学习客户端反馈回来邀请通过，则将其对应的参考联合能源站确定为目标联合能源站。
步骤103、根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量。
在实际应用中，根据各个目标联合能源站各自对应的联合学习客户端内的燃气内燃机运行数据与上述联合学习物联网平台进行联合学习，构建联合排烟含氧量测量模型。
具体地，燃气内燃机运行数据包括开关机状态、燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量以及历史排烟含氧量(标签)。应当理解的，燃气内燃机运行数据是经过数据预处理后的数据，这里，数据预处理包括但不限于异常值去除、缺失值填充、归一化处理以及延迟处理。其中，归一化处理指的是将数据统一映射到[0,1]区间上。延迟处理指的是，将数据的时间点前移延迟时间，从而降低设备开机的影响，其中，延迟时间指的是设备开机启动的时间。
在一些可能的实现方式中，步骤103包括：
获取待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端；
获取各个所述联合学习客户端各自的局部排烟含氧量测量模型，所述局部排烟含氧量测量模型基于所述联合学习客户端内的燃气内燃机运行数据以及所述待训练模型进行联合学习得到；
根据各个所述联合学习客户端各自的局部排烟含氧量测量模型，构建联合排烟含氧量测量模型。
在实际应用中，在进行联合学习过程中，需要确定待训练模型，并将待训练模型发送给各个目标联合能源站各自对应的联合学习客户端，使得联合学习客户端能够利用外部上传的燃气内燃机运行数据对待训练模型进行模型训练，得到模型参数并上传到联合学习物联网平台，接收联合学习物联网平台下发的聚合后的模型参数进行模型迭代，在训练终止后，联合学习客户端得到局部排烟含氧量测量模型，联合学习物联网平台聚合各联合学习客户端最后上传的局部排烟含氧量测量模型的模型参数，构建联合排烟含氧量测量模型。
具体地，待训练模型可以是现有技术中已开发的和未开发的模型，可使用的已有模型的示例包括但不限于反向传播(BP)神经网络、支持向量机(SVM)以及XGBoost模型(XGBoost是一种提升树模型，将许多树模型集成在一起，形成一个很强的分类器)等，具体需要结合实际情况确定。应当理解的，各个联合学习客户端的待训练模型相同。
作为一种可能的情况，基于模型标识确定待训练模型，具体地，通过获取所述排烟含氧量测量模型请求携带的模型标识，将所述模型标识对应的模型确定为待训练模型。
作为另一种可能的情况，基于业务需求确定待训练模型，具体地，通过获取所述排烟含氧量测量模型请求携带的业务需求，将所述业务需求对应的模型为待训练模型。应当理解的，可以设置不同的业务需求各自对应的模型，比如，业务需求是故障预测，则可选择模型精度较高的分类模型，比如，XGBoost模型；业务需求是变量预测，则可选择模型精度中等的回归模型，比如，支持向量机。
步骤104、根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量。
应当理解的，得到的联合排烟含氧量测量模型综合考虑了其他燃气内燃机的运行数据，从而具有相对较高的准确性，实现了模型迁移。
在一些可行的实现方式中，调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合排烟含氧量测量模型，通过下载的所述联合排烟含氧量测量模型预测所述燃气内燃机的排烟含氧量。
在实际应用中，将燃气内燃机的实时运行数据上传到对应的客户端，客户端将该实时数据代入下载的联合排烟含氧量测量模型中，预测燃气内燃机的排烟含氧量。
进一步的，还包括：
将所述联合排烟含氧量测量模型加入模型数据库中；
当再次接收到所述排烟含氧量测量模型请求时，调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端。
在实际应用中，将联合排烟含氧量测量模型存储到联合学习物联网平台上的模型数据库中，若后续需要再次调用该联合排烟含氧量测量模型，则直接将联合排烟含氧量测量模型发送到待监测能源站对应的客户端，无需进行模型训练，以快速获取模型。
应当理解的，待监测能源站中的燃气内燃机可能有多个，多个燃气内燃机使用同一联合排烟含氧量测量模型进行排烟含氧量预测。对于待监测能源站而言，待监测能源站内的燃气内燃机的差异一般较小，因此，直接采用相同的联合排烟含氧量测量模型进行不同燃气内燃机的排烟含氧量预测，在确保预测精度的前提下，能够降低计算量，提高计算效率。
在实际应用中，上传预测出的待监测能源站内的燃气内燃机的排烟含氧量到联合学习物联网平台。
通过以上技术方案可知，本实施例存在的有益效果是：通过模型请求，发起联合学习，确定出与燃气能源机相似的目标联合能源站，基于目标联合能源站对应的燃气内燃机数据进行联合学习，得到联合排烟含氧量测量模型，联合排烟含氧量测量模型综合了目标联合能源站中的真实的燃气内燃机运行数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述燃气内燃机的排烟含氧量测量方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。当然应该认为，在其他有关的场景下，本实施例所述方法亦同样适用。
本实施例所结合的具体场景为：如图5所示，假设有3个能源站(能源站中的若干个燃气内燃机相似)以及一个联合学习物联网平台T，3个能源站分别为联合能源站A、联合能源站B以及待监测能源站C，联合学习物联网平台T和联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc进行交互，其中，联合能源站A和B有较丰富的数据，可利用自身燃气内燃机运行数据训练局部排烟含氧量测量模型，也就是联合学习模型的贡献方；待监测能源站C中的燃气内燃机没有排烟含氧量测点；联合学习客户端Ac存储联合能源站A中的燃气内燃机A1、A2、A3的运行数据，联合学习客户端Bc存储联合能源站B中的燃气内燃机B1、B2、B3的运行数据，监测客户端Cs存储待监测能源站C中的燃气内燃机C1、C2、C3的运行数据；联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc分别部署在本地运维服务器As、Bs、Cs，这里，本地运维服务器指的是用于燃气内燃机运行维护的服务器。本实施例所述方法的目的在于，结合联合学习客户端内的燃气内燃机运行数据，构建联合排烟含氧量测量模型用于待监测能源站的燃气内燃机的排烟含氧量预测。
本实施例中所述方法包括以下步骤：
步骤201、获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识。
待监测能源站C通过本地运维服务器Cs上部署的监测客户端Cc和API接口向联合学习物联网平台T发起燃气内燃机的排烟含氧量测量模型的需求申请，即排烟含氧量测量模型请求。
步骤202、根据所述燃气内燃机标识，获取所述待监测能源站内的燃气内燃机的描述信息以及候选联合能源站内的候选燃气内燃机的描述信息。
联合学习物联网平台T解析燃气内燃机标识得到待监测能源站C内的燃气内燃机的描述信息，描述信息为燃气内燃机C1的型号，这里，燃气内燃机C1、C2、C3的型号相同，并获取联合能源站A中的燃气内燃机A1的型号，燃气内燃机A1、A2、A3的型号相同，以及联合能源站B中的燃气内燃机B1的型号，燃气内燃机B1、B2、B3的型号相同。
步骤203、针对每个所述候选联合能源站，根据所述待监测能源站内的燃气内燃机的描述信息和所述候选联合能源站内的候选燃气内燃机的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度。
联合能源站A中的燃气内燃机A1的型号与燃气内燃机C1的型号相同，待监测能源站C和联合能源站A之间的相似度为1，联合能源站B中的燃气内燃机B1的型号与燃气内燃机C1的型号相同，待监测能源站C和联合能源站B之间的相似度为1。
步骤204、根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站。
将联合能源站A和联合能源站B分别确定为参考联合能源站。
步骤205、向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
联合学习物联网平台T向联合学习客户端Ac和联合学习客户端Bc发送联合学习邀请，若联合学习客户端Ac和联合学习客户端Bc返回的是同意，则将联合能源站A和联合能源站B分别确定为目标联合能源站。
步骤206、获取所述排烟含氧量测量模型请求携带的模型标识，将所述模型标识对应的模型确定为待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端。
联合学习物联网平台T向联合学习客户端Ac和联合学习客户端Bc发送待训练模型。
步骤207、获取各个所述联合学习客户端各自的局部排烟含氧量测量模型，根据各个所述联合学习客户端各自的局部排烟含氧量测量模型，构建联合排烟含氧量测量模型。
联合学习客户端Ac基于燃气内燃机A1、A2、A3的运行数据对待训练模型进行模型训练，并通过API接口上传模型参数到联合学习物联网平台T，联合学习客户端Bc基于燃气内燃机B1、B2、B3的运行数据对待训练模型进行模型训练，并上传模型参数到联合学习物联网平台T，联合学习物联网平台T下发聚合后的模型参数至联合学习客户端Ac和联合学习客户端Bc进行模型迭代，联合学习客户端Ac和联合学习客户端Bc各自得到局部排烟含氧量测量模型，联合学习物联网平台T对联合学习客户端Ac和联合学习客户端Bc得到的局部排烟含氧量测量模型进行融合，得到联合排烟含氧量测量模型。
步骤208、调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合排烟含氧量测量模型，通过下载的所述联合排烟含氧量测量模型预测所述燃气内燃机的排烟含氧量。
联合学习物联网平台T将联合排烟含氧量测量模型下发到监测客户端Cc，监测客户端Cc下载该联合排烟含氧量测量模型，利用该模型预测燃气内燃机C1、C2、C3的排烟含氧量。
通过以上技术方案可知，本实施例存在的有益效果是：通过模型请求，发起联合学习，确定出和燃气内燃机相似的目标联合能源站，基于目标联合能源站对应的燃气内燃机数据进行联合学习，融合局部排烟含氧量测量模型得到联合排烟含氧量测量模型，联合排烟含氧量测量模型综合了目标联合能源站中的真实的燃气内燃机运行数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种燃气内燃机的排烟含氧量测量装置，包括：
获取模块301，用于获取待监测能源站的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；
选择模块302，用于根据所述燃气内燃机标识，确定目标联合能源站；
构建模块303，用于根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；
预测模块304，用于根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量。
本发明一个实施例中，所述选择模块302，包括：信息获取单元、相似性确定单元及待监测能源站确定单元；其中，
所述信息获取单元，用于根据所述燃气内燃机标识，获取所述待监测能源站内的燃气内燃机的描述信息以及候选联合能源站内的候选燃气内燃机的描述信息；
所述相似性确定单元，用于针对每个所述候选联合能源站，根据所述待监测能源站内的燃气内燃机的描述信息和所述候选联合能源站内的候选燃气内燃机的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度；
所述待监测能源站确定单元，用于根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站。
本发明一个实施例中，所述待监测能源站确定单元，包括：选择子单元、发送子单元以及能源站确定子单元；其中，
所述选择子单元，用于根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站；
所述发送子单元，用于向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；
所述能源站确定子单元，用于将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
本发明一个实施例中，所述构建模块303，包括：发送单元、训练单元以及构建单元；其中，
所述发送单元，用于获取待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端；
所述训练单元，用于获取各个所述联合学习客户端各自的局部排烟含氧量测量模型，所述局部排烟含氧量测量模型基于所述联合学习客户端内的燃气内燃机运行数据以及所述待训练模型进行联合学习得到；
所述构建单元，用于根据各个所述联合学习客户端各自的局部排烟含氧量测量模型，构建联合排烟含氧量测量模型。
本发明一个实施例中，所述发送单元，用于获取所述排烟含氧量测量模型请求携带的模型标识，将所述模型标识对应的模型确定为待训练模型。
本发明一个实施例中，所述发送单元，用于获取所述排烟含氧量测量模型请求携带的业务需求，将所述业务需求对应的模型为待训练模型。
本发明一个实施例中，所述排烟含氧量测量模型请求是所述待监测能源站对应的客户端发送的；
所述预测模块304，用于调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合排烟含氧量测量模型，通过下载的所述联合排烟含氧量测量模型预测所述燃气内燃机的排烟含氧量。
本发明一个实施例中，还包括：存储模块以及调用模型；
所述存储模块，用于将所述联合排烟含氧量测量模型加入模型数据库中；
所述调用模块，用于当再次接收到所述排烟含氧量测量模型请求时，调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种燃气内燃机的排烟含氧量测量装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种燃气内燃机的排烟含氧量测量方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种燃气内燃机的排烟含氧量测量装置所对应计算机程序。
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，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种燃气内燃机的排烟含氧量测量方法，其特征在于，包括：
获取待监测能源站对应的客户端发送的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；
根据所述燃气内燃机标识，确定目标联合能源站；
根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；
根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量，具体包括：
调用所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合排烟含氧量测量模型，通过将所述燃气内燃机的实时运行数据代入下载的所述联合排烟含氧量测量模型预测所述燃气内燃机的排烟含氧量。
2.根据权利要求1所述的方法，其特征在于，所述根据所述燃气内燃机标识，确定目标联合能源站，包括：
根据所述燃气内燃机标识，获取所述待监测能源站内的燃气内燃机的描述信息以及候选联合能源站内的候选燃气内燃机的描述信息；
针对每个所述候选联合能源站，根据所述待监测能源站内的燃气内燃机的描述信息和所述候选联合能源站内的候选燃气内燃机的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度；
根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站。
3.根据权利要求2所述的方法，其特征在于，所述根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站，包括：
根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站；
向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；
将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
4.根据权利要求1所述的方法，其特征在于，所述根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，包括：
获取待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端；
获取各个所述联合学习客户端各自的局部排烟含氧量测量模型，所述局部排烟含氧量测量模型基于所述联合学习客户端内的燃气内燃机运行数据以及所述待训练模型进行联合学习得到；
根据各个所述联合学习客户端各自的局部排烟含氧量测量模型，构建联合排烟含氧量测量模型。
5.根据权利要求4所述的方法，其特征在于，所述获取待训练模型，包括：
获取所述排烟含氧量测量模型请求携带的模型标识，将所述模型标识对应的模型确定为待训练模型；
或者，
获取所述排烟含氧量测量模型请求携带的业务需求，将所述业务需求对应的模型为待训练模型。
6.根据权利要求1所述的方法，其特征在于，还包括：
将所述联合排烟含氧量测量模型加入模型数据库中；
当再次接收到所述排烟含氧量测量模型请求时，调用所述模型数据库中的所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端。
7.一种燃气内燃机的排烟含氧量测量装置，其特征在于，包括：
获取模块，用于获取待监测能源站对应的客户端发送的排烟含氧量测量模型请求，所述排烟含氧量测量模型请求携带燃气内燃机标识；
选择模块，用于根据所述燃气内燃机标识，确定目标联合能源站；
构建模块，用于根据各个所述目标联合能源站各自对应的燃气内燃机运行数据，构建联合排烟含氧量测量模型，所述燃气内燃机运行数据包括历史排烟含氧量；
预测模块，用于根据所述联合排烟含氧量测量模型，预测所述待监测能源站内的燃气内燃机的排烟含氧量，具体包括：调用所述联合排烟含氧量测量模型，并将所述联合排烟含氧量测量模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合排烟含氧量测量模型，通过将所述燃气内燃机的实时运行数据代入下载的所述联合排烟含氧量测量模型预测所述燃气内燃机的排烟含氧量。
8.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391956.0A CN114593920B (zh) | 2020-12-02 | 2020-12-02 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391956.0A CN114593920B (zh) | 2020-12-02 | 2020-12-02 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114593920A CN114593920A (zh) | 2022-06-07 |
| CN114593920B true CN114593920B (zh) | 2024-01-12 |
Family
ID=81802989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011391956.0A Active CN114593920B (zh) | 2020-12-02 | 2020-12-02 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114593920B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120054854A (ko) * | 2010-11-22 | 2012-05-31 | 현대자동차주식회사 | 배기가스 후처리 방법 |
| CN105867132A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
| DE102016207185A1 (de) * | 2015-05-06 | 2016-11-10 | GM Global Technology Operations LLC | Verfahren und Anordnung zum Ermitteln des NOx-Gehalts in einem Abgaszustrom eines Verbrennungsmotors |
| CN106596861A (zh) * | 2016-12-22 | 2017-04-26 | 湖南工程学院 | 一种海上发电主机烟气量的测量和计算方法 |
| CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8244505B2 (en) * | 2009-11-05 | 2012-08-14 | General Electric Company | Predicting NOx emissions |
| KR102245794B1 (ko) * | 2019-04-03 | 2021-04-28 | 두산중공업 주식회사 | 보일러 연소 모델 자동 생성 장치 및 방법 |
-
2020
- 2020-12-02 CN CN202011391956.0A patent/CN114593920B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120054854A (ko) * | 2010-11-22 | 2012-05-31 | 현대자동차주식회사 | 배기가스 후처리 방법 |
| DE102016207185A1 (de) * | 2015-05-06 | 2016-11-10 | GM Global Technology Operations LLC | Verfahren und Anordnung zum Ermitteln des NOx-Gehalts in einem Abgaszustrom eines Verbrennungsmotors |
| CN105867132A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
| CN106596861A (zh) * | 2016-12-22 | 2017-04-26 | 湖南工程学院 | 一种海上发电主机烟气量的测量和计算方法 |
| CN108595757A (zh) * | 2018-03-21 | 2018-09-28 | 新智数字科技有限公司 | 能源设备建模、能源站调度方法、装置以及设备 |
Non-Patent Citations (2)
| Title |
|---|
| Artificial neural networks model for predicting oxygen content in flue gas of power plant;Zhenhao Tang;《2017 29th Chinese Control And Decision Conference》;第1379-1382页 * |
| 基于改进PSO-SVM的燃煤电厂烟气含氧量软测量;苏涛 等;《西安科技大学学报》;第40卷(第2期);第342-348页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114593920A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111262759B (zh) | 一种物联网平台测试方法、装置、设备和存储介质 | |
| CN108632365B (zh) | 服务资源调整方法、相关装置和设备 | |
| CN110287332B (zh) | 云环境下仿真模型选择方法与装置 | |
| WO2022062502A1 (zh) | 预测方法、装置、可读介质及电子设备 | |
| CN112883631B (zh) | 燃气轮机的排烟含氧量预测方法及装置 | |
| CN108595757A (zh) | 能源设备建模、能源站调度方法、装置以及设备 | |
| CN115187847A (zh) | 一种基于云边端架构的图像联合推理识别系统及方法 | |
| CN104615486A (zh) | 用于搜索推广平台的多任务调度和执行方法、装置和系统 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN113703363A (zh) | 智能边缘计算网关在电力调度云的即插即用方法 | |
| CN114593920B (zh) | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 | |
| CN112560939B (zh) | 模型验证方法、装置及计算机设备 | |
| CN114819237B (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114577481B (zh) | 燃气内燃机的污染指标监测方法及装置 | |
| CN114764587A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| CN112733454B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| CN114298361A (zh) | 一种设备状态信息的预测方法及装置 | |
| CN112733453B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| CN114580257A (zh) | 燃气内燃机的烟气含氧量测量方法、装置及可读存储介质 | |
| CN114764649A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114254792A (zh) | 一种烟气含氧量预测方法及装置 | |
| CN111311150B (zh) | 配送任务分组方法、平台、电子设备及存储介质 | |
| CN114764093B (zh) | 燃气锅炉烟气一氧化碳含量监测方法及装置 | |
| CN114819238A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114429235A (zh) | 一种设备故障预测方法、装置、可读介质及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231129 Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing District, Beijing, China (Hebei) Pilot Free Trade Zone, Daxing Airport Area Applicant after: Xinao Xinzhi Technology Co.,Ltd. Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |