CN114935527B - 一种基于油井天然气开采的传感器智能清洁方法及系统 - Google Patents
一种基于油井天然气开采的传感器智能清洁方法及系统 Download PDFInfo
- Publication number
- CN114935527B CN114935527B CN202210880756.4A CN202210880756A CN114935527B CN 114935527 B CN114935527 B CN 114935527B CN 202210880756 A CN202210880756 A CN 202210880756A CN 114935527 B CN114935527 B CN 114935527B
- Authority
- CN
- China
- Prior art keywords
- cleaning
- information
- hydrogen sulfide
- adhesion
- historical
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 260
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 178
- 239000003345 natural gas Substances 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000003129 oil well Substances 0.000 title claims abstract description 28
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims abstract description 186
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims abstract description 186
- 238000004458 analytical method Methods 0.000 claims abstract description 167
- 238000004506 ultrasonic cleaning Methods 0.000 claims abstract description 93
- 239000000126 substance Substances 0.000 claims abstract description 50
- 239000007789 gas Substances 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000007664 blowing Methods 0.000 claims abstract description 10
- 238000010926 purge Methods 0.000 claims description 48
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 239000003153 chemical reaction reagent Substances 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000006477 desulfuration reaction Methods 0.000 claims description 8
- 230000023556 desulfurization Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 17
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 229910001873 dinitrogen Inorganic materials 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000013043 chemical agent Substances 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000000274 adsorptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 description 1
- 229910001861 calcium hydroxide Inorganic materials 0.000 description 1
- 239000000920 calcium hydroxide Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N11/00—Investigating flow properties of materials, e.g. viscosity, plasticity; Analysing materials by determining flow properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/04—Cleaning involving contact with liquid
- B08B3/08—Cleaning involving contact with liquid the liquid having chemical or dissolving effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/04—Cleaning involving contact with liquid
- B08B3/10—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration
- B08B3/12—Cleaning involving contact with liquid with additional treatment of the liquid or of the object being cleaned, e.g. by heat, by electricity or by vibration by sonic or ultrasonic vibrations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B5/00—Cleaning by methods involving the use of air flow or gas flow
- B08B5/02—Cleaning by the force of jets, e.g. blowing-out cavities
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Abstract
本发明提供了一种基于油井天然气开采的传感器智能清洁方法及系统，涉及天然气开采技术领域，该方法包括：进行脱硫天然气的采样，获得样本天然气；采用目标传感器对样本天然气进行硫化氢含量检测，获得硫化氢浓度信息；采集当前环境内的环境信息集合；根据环境信息集合和硫化氢浓度信息，分析获得硫化氢气体的粘附性信息；将粘附性信息输入传感器清洁分析模型，获得清洁方案，采用清洁方案对目标传感器进行清洁，其中，清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数。本发明解决了现有技术中无法较好地清洁传感器上硫化氢气体污染的技术问题，达到了提升传感器清洁效果的技术效果。
Description
技术领域
本发明涉及天然气开采技术领域，具体涉及一种基于油井天然气开采的传感器智能清洁方法及系统。
背景技术
油井天然气开采的过程中会产生伴生气，其内常会包含硫化氢气体，硫化氢是一种有毒并具有腐蚀性的气体，在天然气外输前需要进行脱硫处理，一般脱硫后采用人工取样化验的方式，计量天然气中的硫化氢含量，避免影响天然气传输。
由于硫化氢具有粘附性，在自动取样的过程中会吸附传感器并造成传感器损坏，因此，需要对传感器进行定期清洁，以保证传感器的使用寿命和质量。
现有技术中一般采用化学的方法进行传感器的清洁，无法根据硫化氢气体的浓度和传感器上粘附的情况，进行针对性的清洁，存在着传感器清洁效果较差的技术问题。
发明内容
本申请提供了一种基于油井天然气开采的传感器智能清洁方法及系统，用于针对解决现有技术中无法根据硫化氢气体的浓度分析传感器上污染的情况，进行针对性的清洁，存在的传感器清洁效果较差的技术问题。
鉴于上述问题，本申请提供了一种基于油井天然气开采的传感器智能清洁方法及系统。
本申请的第一个方面，提供了一种基于油井天然气开采的传感器智能清洁方法，所述方法包括：在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；采集当前环境内的多个指标的参数信息，获得环境信息集合；根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；将所述粘附性信息输入传感器清洁分析模型，获得输出结果；根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数。
本申请的第二个方面，提供了一种基于油井天然气开采的传感器智能清洁系统，所述系统包括：天然气采样模块，用于在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；浓度检测模块，用于采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；环境信息采集模块，用于采集当前环境内的多个指标的参数信息，获得环境信息集合；粘附性分析模块，用于根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；清洁方案输出模块，用于将所述粘附性信息输入传感器清洁分析模型，获得输出结果；传感器清洁模块，用于根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数。
本申请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：
本申请通过在天然气脱硫后进行天然气采样，采用传感器检测获得样本天然气中的硫化氢浓度，进一步采集获取当前环境内多个指标的环境信息，分析硫化氢气体在当前环境内的粘附性，将分析获得的粘附性信息输入构建完成的传感器清洁分析模型中，获得包括超声波清洁参数、化学清洁参数和吹扫清洁参数的清洁方案，基于该清洁方案，采用超声波、化学和氮气吹扫的方式对传感器进行清洁。本申请实施例通过传感器采集获取样本天然气内的硫化氢浓度信息，结合环境内的环境信息，基于智能数据处理方法，分析当前环境内硫化氢气体的粘附性信息，能够反映当前环境内硫化氢气体对传感器的污染程度，进一步根据该粘附性信息分析获得清洁方案，且采用超声波、化学和氮气吹扫结合的方式对传感器进行清洁，清洁效果更佳。本申请建立了智能化的油井天然气开采中传感器的清洁方法，基于数据处理和机器学习，分析处理获得适应性的清洁方案，达到了智能化分析获得传感器清洁方案，提升传感器清洁效果的技术效果。
附图说明
图1为本申请提供的一种基于油井天然气开采的传感器智能清洁方法流程示意图；
图2为本申请提供的一种基于油井天然气开采的传感器智能清洁方法中分析获得粘附性信息的流程示意图；
图3为本申请提供的一种基于油井天然气开采的传感器智能清洁方法中构建传感器清洁分析模型的流程示意图；
图4为本申请提供了一种基于油井天然气开采的传感器智能清洁系统结构示意图。
附图标记说明：天然气采样模块11，浓度检测模块12，环境信息采集模块13，粘附性分析模块14，清洁方案输出模块15，传感器清洁模块16。
具体实施方式
本申请通过提供了一种基于油井天然气开采的传感器智能清洁方法及系统，用于针对解决现有技术中无法根据硫化氢气体的浓度分析传感器上污染的情况，进行针对性的清洁，存在的传感器清洁效果较差的技术问题。
实施例一
如图1所示，本申请提供了一种基于油井天然气开采的传感器智能清洁方法，所述方法包括：
S100：在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；
本申请实施例中，在进行油井天然气开采的过程中，伴生气中常会包含硫化氢气体，其具有毒性和腐蚀性，需要对天然气进行脱硫处理，然后对脱硫处理后的天然气进行采样，检测其中硫化氢的浓度。
具体地，对进行脱硫处理后的天然气进行采样，获得样本天然气。
S200：采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；
具体地，采用目标传感器，对该样本天然气进行硫化氢气体浓度的检测，获得样本天然气内的硫化氢浓度信息。
其中，采用现有技术中任意的硫化氢气体浓度检测仪对样本天然气进行硫化氢气体浓度检测，该目标传感器即为该任意的硫化氢气体浓度检测仪内用于检测硫化氢气体浓度的传感器，其与样本天然气直接接触，以检出硫化氢气体的浓度，同时，硫化氢气体或粘附在传感器表面，造成传感器污染和损坏。因此，需要在检测完成后或定期对目标传感器进行清洁。
可选的，可根据天然气脱硫处理的历史经验，选用不同量程的硫化氢气体浓度检测仪进行硫化氢浓度检测。
S300：采集当前环境内的多个指标的参数信息，获得环境信息集合；
具体地，一般而言，硫化氢气体会与样本天然气中的水蒸汽集合，粘附在目标传感器表面，上述的硫化氢浓度信息中，若硫化氢浓度信息越高，则粘附在目标传感器表面的硫化氢气体越多。
以及，当前检测样本天然气内硫化氢浓度的环境信息，也会影响硫化氢气体的粘附性。例如，样本天然气内的湿度越高，则硫化氢气体的粘附性越强。
因此，需要采集获取当前样本天然气以及环境内多个环境信息指标的参数信息，作为分析硫化氢气体粘附性的数据基础。
本申请实施例提供的方法中的步骤S300包括：
S310：采集获取当前环境内的湿度信息；
S320：采集获取当前环境内的温度信息；
S330：采集获取当前环境内的酸碱度信息；
S340：将所述湿度信息、温度信息和酸碱度信息作为所述环境信息集合。
具体地，上述的多个指标包括湿度、温度、酸碱度。采集获取当前环境内的温度信息，采集获取当前环境内的湿度信息，进一步采集获取当前环境内的酸碱度信息，将采集获得的湿度信息、温度信息和酸碱度信息作为上述的环境信息集合，结合样本天然气中的硫化氢浓度信息分析当前硫化氢气体的粘附性。其中，当前环境即为传感器进行样本天然气内硫化氢气体含量检测，并进行传感器的清洁的环境。
其中，该温度信息、湿度信息和酸碱度信息可基于现有技术中的温度计、湿度计以及pH测试仪器测试获得。
S400：根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；
具体地，根据检测获得的该硫化氢浓度信息，结合上述的环境信息集合，分析硫化氢气体的粘附性。
如图2所示，本申请实施例提供的方法中的步骤S400包括：
S410：构建粘附性分析模型；
S420：对所述环境信息集合内所述多个指标的参数信息进行归一化处理，获得归一化环境信息集合；
S430：将所述归一化环境信息集合和所述硫化氢浓度信息输入所述粘附性分析模型中，获得所述粘附性信息。
本申请实施例中，基于机器学习，采用大量数据构建粘附性分析模型，用于准确、智能地分析硫化氢气体的粘附性。粘附性分析模型的输入参数为硫化氢浓度信息和环境信息集合，输出参数为对应环境内硫化氢气体的粘附性信息。
本申请实施例提供的方法中的步骤S410包括：
S411：采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测的硫化氢浓度信息，获得历史硫化氢浓度信息集合；
S412：采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时环境内所述多个指标的参数信息，获得多个历史环境信息集合；
S413：对所述多个历史环境信息集合内所述多个指标的参数信息进行归一化处理，获得多个历史归一化环境信息集合；
S414：采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合；
S415：将所述历史硫化氢浓度信息集合、多个历史归一化环境信息集合和历史硫化氢粘附性信息集合作为构建数据集合，采用所述构建数据集合构建所述构建粘附性分析模型。
具体地，首先，采集获取用于构建粘附性分析模型的数据。
采集获取历史时间中预设时间范围内多次进行脱硫天然气采样，并进行硫化氢浓度检测的硫化氢浓度信息，获得历史硫化氢浓度信息集合，其中，该预设时间范围可为任意时间长度的时间范围，例如一年等。
采集获取历史时间中预设时间范围内进行脱硫天然气采样，并进行硫化氢浓度检测时环境内多个指标的参数信息，即采集获得历史时间中预设时间范围内进行采样天然气硫化氢浓度检测时环境内的湿度信息、温度信息和酸碱度信息，获得历史湿度信息集合、历史温度信息集合和历史酸碱度信息结合，进而获得多个历史环境信息集合。
对多个历史环境信息集合内多个指标的参数信息进行归一化处理，具体地，将多个历史环境信息集合内的多个指标的参数信息的具体数据计算映射至（0,1）的区间内，消除湿度、温度和酸碱度的量纲对不同指标的环境信息的影响，获得多个历史归一化环境信息集合，作为构建模型的构建数据。通过对数据进行归一化处理，能够提升模型构建时的收敛速度。
采集获取历史时间中预设时间范围内进行脱硫天然气采样，并进行硫化氢浓度检测时，硫化氢气体在不同的浓度信息和环境信息下的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合。
其中，硫化氢气体在不同的浓度信息和环境信息下的硫化氢粘附性信息，可基于历史时间中进行样本天然气硫化氢浓度检测时，硫化氢气体在目标传感器表面的粘附程度，以及对目标传感器的腐蚀程度，进行设置。一般而言，硫化氢浓度越大，环境信息中湿度越高、温度越高、酸碱性越靠近碱性，则硫化氢的吸附性越强。如此，设置获得硫化氢气体在不同的浓度信息和环境信息下的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合。可选的，也可基于硫化氢气体粘附腐蚀试验，测得硫化氢气体在不同浓度和环境信息集合下的粘附性信息，获得历史硫化氢粘附性信息集合。
将所述历史硫化氢浓度信息集合、多个历史归一化环境信息集合和历史硫化氢粘附性信息集合作为构建数据集合，采用该构建数据集合构建粘附性分析模型。
本申请实施例提供的方法中的步骤S415包括：
S415-1：对所述构建数据集合按照预设规则进行标识和划分，获得训练数据集合、验证数据集合和测试数据集合；
S415-2：基于BP神经网络，构建所述粘附性分析模型的网络结构；
S415-3：采用所述训练数据集合、验证数据集合和测试数据集合对所述粘附性分析模型进行监督训练、验证和测试，直到所述粘附性分析模型的准确率符合预设要求，获得所述粘附性分析模型。
具体地，基于采集获得的构建数据集合，对其按照预设的划分规则进行划分和标识，其中，通过预设划分规则划分，对划分的结果进行标识，以满足机器学习中模型监督学习的需求，如此，获得训练数据集合、验证数据集合和测试数据集合。示例性地，该预设划分规则为按照6:2:2的比例进行划分。
基于机器学习中的BP神经网络模型，根据该粘附性分析模型的输入参数和输出参数，构建粘附性分析模型内的神经网络结构。该神经网络结果包括通过权值和阈值等连接多个简单单元，在监督学习中基于正向传播和反向传播，可重复训练纠正获得最终的权值和阈值，实现监督学习。
采用该训练数据集合对粘附性分析模型进行监督训练，直到粘附性分析模型的输出结果收敛或达到预设的准确率，然后采用验证数据集合和测试数据集合对粘附性分析模型进行验证和测试，避免模型出现过拟合等情况，若模型的准确率依然满足预设的准确率，则获得构建完成的粘附性分析模型。
基于构建完成的粘附性分析模型，与构建数据集合内对应的，将当前进行样本天然气硫化氢气体浓度检测的环境信息集合内多个指标的参数信息进行归一化处理，归一化处理的方法与步骤S413中相同，将当前的环境信息集合内多个指标的参数信息计算映射至（0,1）区间内，消除不同指标环境信息之间量纲的影响，获得当前归一化环境信息集合。
将该归一化环境信息集合和硫化氢浓度信息作为输入数据，输入构建完成的该粘附性分析模型中，获得输出结果，输出结果中包括根据该归一化环境信息集合和硫化氢浓度信息分析获得的粘附性信息的标识信息，如此，获得上述的粘附性信息。
本申请实施例基于机器学习中的BP神经网络，构建粘附性分析模型，并采集获取多次进行样本天然气硫化氢浓度检测的浓度信息、环境信息集合和对应的粘附性信息，并对环境信息进行归一化处理，提升模型学习的收敛速度，获得能够较为准确分析获得硫化氢气体粘附性的粘附性分析模型，为传感器清洁方案的设置提供准确的数据基础。
S500：将所述粘附性信息输入传感器清洁分析模型，获得输出结果；
基于分析获得的当前硫化氢浓度信息和环境信息集合下的粘附性信息，根据该粘附性信息制定对应的传感器清洁方案，避免出现传感器清洁不充分，导致传感器被硫化氢气体腐蚀的情况。
本申请实施例提供的方法中的步骤S500包括：
S510：获取对所述目标传感器进行清洁的多种清洁方案中多种不同的超声波清洁参数，获得超声波清洁参数集合；
S520：获取对所述目标传感器进行清洁的多种清洁方案中多种不同的化学试剂清洁参数，获得化学清洁参数集合；
S530：获取对所述目标传感器进行清洁的多种清洁方案中多种不同的氮气吹扫清洁参数，获得吹扫清洁参数集合；
S540：根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型；
S550：将所述粘附性信息输入构建完成的所述传感器清洁分析模型，获得所述输出结果。
本申请实施例中，对目标传感器采用超声波、化学试剂和氮气吹扫结合的方式进行清洁，具体在目标传感器内部设置超声波发生器，将目标传感器的至少部分浸入至化学试剂内，基于超声波的震动，提供化学试剂对粘附硫化氢的清洁能力，然后采用氮气吹扫目标传感器的表面，提升清洁效果。示例性地，该化学试剂可为氢氧化钙等。可选的，也可将目标传感器的至少部分浸入至化学试剂内，向化学试剂容器发送超声波，实现超声波清洁。
基于上述的清洁方式，在构建传感器清洁分析模型并进行清洁方案的分析时，需要根据粘附性分别分析获得超声波清洁参数、化学清洁参数和吹扫清洁参数。因此，在构建传感器清洁分析模型的过程中，分别需要采集获得用于分析超声波清洁参数、化学清洁参数和吹扫清洁参数的构建数据。
具体地，获取对目标传感器进行清洁的多种清洁方案中多种不同的超声波清洁参数、化学清洁参数和氮气吹扫清洁参数，即采集获取不同的超声波清洁频率参数、化学试剂浓度参数和氮气吹扫风力参数，获得超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合。其中，不同的超声波清洁参数、化学清洁参数和吹扫清洁参数和组成不同的总的清洁方案，进而能够得到多种不同的清洁方案。
根据获取的超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，结合上述内容中构建粘附性分析模型中的历史硫化氢粘附性信息集合，构建传感器清洁分析模型。具体地，在构建过程中，根据不同的粘附性信息，设置不同的清洁参数，构建该传感器清洁分析模型。
如图3所示，本申请实施例提供的方法中的步骤S540包括：
S541：采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型；
S542：采用所述历史硫化氢粘附性信息集合和化学清洁参数集合，构建化学清洁分析树模型；
S543：采用所述历史硫化氢粘附性信息集合和吹扫清洁参数集合，构建吹扫清洁分析树模型；
S544：合并所述超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，获得所述传感器清洁分析模型。
本申请实施例中，基于决策树的思想，分别采用采集获得的历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建传感器清洁分析模型。
具体地，传感器清洁分析模型包括三个子模型，分别为超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型。
进一步地，采用上述的历史硫化氢粘附性信息集合和超声波清洁参数集合，构建该超声波清洁分析树模型。
采用上述的历史硫化氢粘附性信息集合和化学清洁参数集合，构建该化学清洁分析树模型。
采用上述的历史硫化氢粘附性信息集合和吹扫清洁参数集合，构建该吹扫清洁分析树模型。
下面以构建该超声波清洁分析树模型为例，详细说明子模型的构建过程。
本申请实施例提供的方法中的步骤S541包括：
S541-1：在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的一级分类节点，所述一级分类节点对输入的数据进行二分类并获得二分类结果；
S541-2：再次在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的二级分类节点，所述二级分类节点对所述一级分类节点获得的二分类结果再次进行二分类；
S541-3：继续构建所述超声波清洁分析树模型的多级分类节点，直到分类节点的级数达到预设阈值；
S541-4：对所述多级分类节点获得的多个分类结果设置不同的超声波清洁参数，获得所述超声波清洁分析树模型。
具体地，该超声波清洁分析树模型的输入参数为粘附性信息，输出参数为超声波清洁参数。基于决策树的思想，在历史硫化氢粘附性信息集合中随机选择一硫化氢粘附性信息，构建超声波清洁分析树模型的一级分类节点，该一级分类节点可对输入的粘附性信息数据进行二分类，将大于该一级分类节点内的粘附性信息的数据分为一类，不大于的分为另一类，得到二分类结果。
再次在历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建超声波清洁分析树模型的二级分类节点，二级分类节点对一级分类节点获得的二分类结果再次进行二分类，进一步获得两个二分类结果，即四个分类结果。
如此，继续采用历史硫化氢粘附性信息集合构建超声波清洁分析树模型的多级分类节点，直到分类节点的级数达到预设阈值，该预设阈值可根据历史硫化氢粘附性信息集合和超声波清洁参数集合内的数据进行设置。
具体地，该预设阈值可根据历史硫化氢粘附性信息集合和超声波清洁参数集合内数据的数据量进行设置确定，以使级数达到预设阈值的多级分类节点进行多级二分类后的多个分类结果均可设置不同的超声波清洁参数，且每级分类节点内均设置不同的粘附性信息，进行不同的二分类。
基于构建完成的超声波清洁分析树模型的多级分类节点，多级分类节点可逐级进行多次的二分类，最终得到多个分类结果，根据多个分类结果中不同的硫化氢气体粘附性水平大小，对多个分类结果分别设置不同的超声波清洁参数。一般而言，粘附性水平越大，则超声波清洁参数内的超声波清洁频率参数越大，化学试剂浓度清洁参数越大，氮气吹扫风力越大，如此进行设置，获得超声波清洁分析树模型。
基于相同的方法，继续构建化学清洁分析树模型和吹扫清洁分析树模型，不同的是，化学清洁分析树模型和吹扫清洁分析树模型内多级分类节点最终的分类结果分别设置不同的化学清洁参数和吹扫清洁参数。
基于构建完成的超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，对三个子模型进行合并，具体地，连接三个子模型的输入层和输出层，获得传感器清洁分析模型。如此，向该传感器清洁分析模型输入粘附性信息，即可经过三个子模型内多级分类节点进行多次二分类获得最终的分类结果，进而分析处理获得对应的适合的超声波清洁参数、化学清洁参数和吹扫清洁参数，即可得到对应的清洁方案。
本申请实施例基于采集获取不同的超声波清洁参数、化学试剂清洁参数、氮气吹扫清洁参数，结合历史硫化氢粘附性信息集合，分别构建超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，进而获得传感器清洁分析模型，能够根据粘附性信息自动智能地分析获得对应的超声波清洁参数、化学试剂清洁参数、氮气吹扫清洁参数，作为清洁方案进行清洁，准确率较高，清洁效果较好，能够提升传感器的清洁效果，并降低不必要的过度清洁的清洁成本。
S600：根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数。
基于构建完成的传感器清洁分析模型，将粘附性信息输入该传感器清洁分析模型，获得输出结果，该输出结果中包括清洁方案，清洁方案中包括适应清洁该粘附性信息下被硫化氢气体污染的目标传感器，进行目标传感器的清洁。
综上所述，本申请实施例至少具有如下技术效果：
本申请实施例通过传感器采集获取样本天然气内的硫化氢浓度信息，结合环境内的环境信息，基于智能数据处理方法，分析当前环境内硫化氢气体的粘附性信息，能够反映当前环境内硫化氢气体对传感器的污染程度，进一步根据该粘附性信息分析获得清洁方案，且采用超声波、化学和氮气吹扫结合的方式对传感器进行清洁，清洁效果更佳。本申请建立了智能化的油井天然气开采中传感器的清洁方法，基于数据处理和机器学习，分析处理获得适应性的清洁方案，达到了智能化分析获得传感器清洁方案，提升传感器清洁效果的技术效果。
实施例二
基于与前述实施例中一种基于油井天然气开采的传感器智能清洁方法相同的发明构思，如图4所示，本申请提供了一种基于油井天然气开采的传感器智能清洁系统，其中，所述系统包括：
天然气采样模块11，用于在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；
浓度检测模块12，用于采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；
环境信息采集模块13，用于采集当前环境内的多个指标的参数信息，获得环境信息集合；
粘附性分析模块14，用于根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；
清洁方案输出模块15，用于将所述粘附性信息输入传感器清洁分析模型，获得输出结果；
传感器清洁模块16，用于根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数。
进一步地，所述环境信息采集模块13还用于：
采集获取当前环境内的湿度信息；
采集获取当前环境内的温度信息；
采集获取当前环境内的酸碱度信息；
将所述湿度信息、温度信息和酸碱度信息作为所述环境信息集合。
进一步地，所述粘附性分析模块14还用于：
构建粘附性分析模型；
对所述环境信息集合内所述多个指标的参数信息进行归一化处理，获得归一化环境信息集合；
将所述归一化环境信息集合和所述硫化氢浓度信息输入所述粘附性分析模型中，获得所述粘附性信息。
其中，构建粘附性分析模型，包括：
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测的硫化氢浓度信息，获得历史硫化氢浓度信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时环境内所述多个指标的参数信息，获得多个历史环境信息集合；
对所述多个历史环境信息集合内所述多个指标的参数信息进行归一化处理，获得多个历史归一化环境信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合；
将所述历史硫化氢浓度信息集合、多个历史归一化环境信息集合和历史硫化氢粘附性信息集合作为构建数据集合，采用所述构建数据集合构建所述构建粘附性分析模型。
其中，采用所述构建数据集合构建所述构建粘附性分析模型，包括：
对所述构建数据集合按照预设规则进行标识和划分，获得训练数据集合、验证数据集合和测试数据集合；
基于BP神经网络，构建所述粘附性分析模型的网络结构；
采用所述训练数据集合、验证数据集合和测试数据集合对所述粘附性分析模型进行监督训练、验证和测试，直到所述粘附性分析模型的准确率符合预设要求，获得所述粘附性分析模型。
进一步地，所述清洁方案输出模块15还用于：
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的超声波清洁参数，获得超声波清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的化学试剂清洁参数，获得化学清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的氮气吹扫清洁参数，获得吹扫清洁参数集合；
根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型；
将所述粘附性信息输入构建完成的所述传感器清洁分析模型，获得所述输出结果。
其中，根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型，包括：
采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和化学清洁参数集合，构建化学清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和吹扫清洁参数集合，构建吹扫清洁分析树模型；
合并所述超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，获得所述传感器清洁分析模型。
其中，采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型，包括：
在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的一级分类节点，所述一级分类节点对输入的数据进行二分类并获得二分类结果；
再次在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的二级分类节点，所述二级分类节点对所述一级分类节点获得的二分类结果再次进行二分类；
继续构建所述超声波清洁分析树模型的多级分类节点，直到分类节点的级数达到预设阈值；
对所述多级分类节点获得的多个分类结果设置不同的超声波清洁参数，获得所述超声波清洁分析树模型。
本说明书和附图仅仅是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 (4)
1.一种基于油井天然气开采的传感器智能清洁方法，其特征在于，其中，所述方法包括：
在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；
采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；
采集当前环境内的多个指标的参数信息，获得环境信息集合，其中，所述多个指标包括温度、湿度和酸碱度；
根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；
将所述粘附性信息输入传感器清洁分析模型，获得输出结果；
根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数；
其中，所述根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，包括：
构建粘附性分析模型，所述构建粘附性分析模型包括：
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测的硫化氢浓度信息，获得历史硫化氢浓度信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时环境内所述多个指标的参数信息，获得多个历史环境信息集合；
对所述多个历史环境信息集合内所述多个指标的参数信息进行归一化处理，获得多个历史归一化环境信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合；
将所述历史硫化氢浓度信息集合、多个历史归一化环境信息集合和历史硫化氢粘附性信息集合作为构建数据集合，采用所述构建数据集合构建所述粘附性分析模型；
对所述环境信息集合内所述多个指标的参数信息进行归一化处理，获得归一化环境信息集合；
将所述归一化环境信息集合和所述硫化氢浓度信息输入所述粘附性分析模型中，获得所述粘附性信息；
其中，将所述粘附性信息输入传感器清洁分析模型，获得输出结果，包括：
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的超声波清洁参数，获得超声波清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的化学试剂清洁参数，获得化学清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的氮气吹扫清洁参数，获得吹扫清洁参数集合；
根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型；
将所述粘附性信息输入构建完成的所述传感器清洁分析模型，获得所述输出结果；
其中，所述根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型，包括：
采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和化学清洁参数集合，构建化学清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和吹扫清洁参数集合，构建吹扫清洁分析树模型；
合并所述超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，获得所述传感器清洁分析模型；
其中，所述采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型，包括：
在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的一级分类节点，所述一级分类节点对输入的数据进行二分类并获得二分类结果；
再次在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的二级分类节点，所述二级分类节点对所述一级分类节点获得的二分类结果再次进行二分类；
继续构建所述超声波清洁分析树模型的多级分类节点，直到分类节点的级数达到预设阈值；
对所述多级分类节点获得的多个分类结果设置不同的超声波清洁参数，获得所述超声波清洁分析树模型；
其中，所述化学清洁分析树模型和所述吹扫清洁分析树模型的构建方法与所述超声波清洁分析树模型的构建方法相同。
2.根据权利要求1所述的方法，其特征在于，所述采集当前环境内的多个指标的参数信息，包括：
采集获取当前环境内的湿度信息；
采集获取当前环境内的温度信息；
采集获取当前环境内的酸碱度信息；
将所述湿度信息、温度信息和酸碱度信息作为所述环境信息集合。
3.根据权利要求1所述的方法，其特征在于，采用所述构建数据集合构建所述粘附性分析模型，包括：
对所述构建数据集合按照预设规则进行标识和划分，获得训练数据集合、验证数据集合和测试数据集合；
基于BP神经网络，构建所述粘附性分析模型的网络结构；
采用所述训练数据集合、验证数据集合和测试数据集合对所述粘附性分析模型进行监督训练、验证和测试，直到所述粘附性分析模型的准确率符合预设要求，获得所述粘附性分析模型。
4.一种基于油井天然气开采的传感器智能清洁系统，其特征在于，所述系统包括：
天然气采样模块，用于在油井天然气开采并进行脱硫处理后，进行脱硫天然气的采样，获得样本天然气；
浓度检测模块，用于采用目标传感器对所述样本天然气进行硫化氢含量检测，获得所述样本天然气内的硫化氢浓度信息；
环境信息采集模块，用于采集当前环境内的多个指标的参数信息，获得环境信息集合，其中，所述多个指标包括温度、湿度和酸碱度；
粘附性分析模块，用于根据所述环境信息集合和所述硫化氢浓度信息，分析硫化氢气体的粘附性，获得粘附性信息；
清洁方案输出模块，用于将所述粘附性信息输入传感器清洁分析模型，获得输出结果；
传感器清洁模块，用于根据所述输出结果，获得清洁方案，采用所述清洁方案对所述目标传感器进行清洁，其中，所述清洁方案包括超声波清洁参数、化学清洁参数和吹扫清洁参数；
其中，所述粘附性分析模块还用于：
构建粘附性分析模型，所述构建粘附性分析模型，包括：
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测的硫化氢浓度信息，获得历史硫化氢浓度信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时环境内所述多个指标的参数信息，获得多个历史环境信息集合；
对所述多个历史环境信息集合内所述多个指标的参数信息进行归一化处理，获得多个历史归一化环境信息集合；
采集获取历史时间中预设时间范围内进行采样硫化氢浓度检测时的硫化氢粘附性信息，获得历史硫化氢粘附性信息集合；
将所述历史硫化氢浓度信息集合、多个历史归一化环境信息集合和历史硫化氢粘附性信息集合作为构建数据集合，采用所述构建数据集合构建所述粘附性分析模型；
对所述环境信息集合内所述多个指标的参数信息进行归一化处理，获得归一化环境信息集合；
将所述归一化环境信息集合和所述硫化氢浓度信息输入所述粘附性分析模型中，获得所述粘附性信息；
其中，所述清洁方案输出模块还用于：
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的超声波清洁参数，获得超声波清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的化学试剂清洁参数，获得化学清洁参数集合；
获取对所述目标传感器进行清洁的多种清洁方案中多种不同的氮气吹扫清洁参数，获得吹扫清洁参数集合；
根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型；
将所述粘附性信息输入构建完成的所述传感器清洁分析模型，获得所述输出结果；
其中，根据所述历史硫化氢粘附性信息集合、超声波清洁参数集合、化学清洁参数集合和吹扫清洁参数集合，构建所述传感器清洁分析模型，包括：
采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和化学清洁参数集合，构建化学清洁分析树模型；
采用所述历史硫化氢粘附性信息集合和吹扫清洁参数集合，构建吹扫清洁分析树模型；
合并所述超声波清洁分析树模型、化学清洁分析树模型和吹扫清洁分析树模型，获得所述传感器清洁分析模型；
其中，所述采用所述历史硫化氢粘附性信息集合和超声波清洁参数集合，构建超声波清洁分析树模型，包括：
在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的一级分类节点，所述一级分类节点对输入的数据进行二分类并获得二分类结果；
再次在所述历史硫化氢粘附性信息集合中随机选择一粘附性信息，构建所述超声波清洁分析树模型的二级分类节点，所述二级分类节点对所述一级分类节点获得的二分类结果再次进行二分类；
继续构建所述超声波清洁分析树模型的多级分类节点，直到分类节点的级数达到预设阈值；
对所述多级分类节点获得的多个分类结果设置不同的超声波清洁参数，获得所述超声波清洁分析树模型；
其中，所述化学清洁分析树模型和所述吹扫清洁分析树模型的构建方法与所述超声波清洁分析树模型的构建方法相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210880756.4A CN114935527B (zh) | 2022-07-26 | 2022-07-26 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210880756.4A CN114935527B (zh) | 2022-07-26 | 2022-07-26 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114935527A CN114935527A (zh) | 2022-08-23 |
| CN114935527B true CN114935527B (zh) | 2022-10-18 |
Family
ID=82867877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210880756.4A Active CN114935527B (zh) | 2022-07-26 | 2022-07-26 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114935527B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115782820B (zh) * | 2023-02-06 | 2023-05-09 | 苏州智华汽车电子有限公司 | 一种基于超声波的车载摄像头除脏污方法及装置 |
| CN117556785B (zh) * | 2024-01-11 | 2024-04-30 | 集海科技(深圳)有限公司 | 智能服务机器人的芯片算法、芯片、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6158447A (en) * | 1997-09-09 | 2000-12-12 | Tokyo Electron Limited | Cleaning method and cleaning equipment |
| CN105170545A (zh) * | 2015-07-16 | 2015-12-23 | 江苏大学 | 一种用于ph值检测的传感器探头清洗方法与装置 |
| CN108836208A (zh) * | 2018-05-31 | 2018-11-20 | 上海理工大学 | 一种杯子清洁装置 |
| CN108926307A (zh) * | 2018-05-31 | 2018-12-04 | 上海理工大学 | 一种碗具清洁装置 |
| RU2676071C1 (ru) * | 2018-05-17 | 2018-12-25 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Кубанский государственный технологический университет" (ФГБОУ ВО "КубГТУ") | Устройство для очистки внутренних поверхностей |
| CN208810768U (zh) * | 2018-05-09 | 2019-05-03 | 青岛瑞安建设工程有限公司 | 一种新型建筑工地化学容器清洗装置 |
| CN110820644A (zh) * | 2018-08-09 | 2020-02-21 | 阿尔弗雷德·卡赫欧洲两合公司 | 智能清洁系统及智能清洁方法 |
| CN112770945A (zh) * | 2018-09-28 | 2021-05-07 | 法雷奥系统公司 | 用于清洁机动车辆的多个传感器的清洁系统 |
| CN114038513A (zh) * | 2021-11-05 | 2022-02-11 | 国网河北能源技术服务有限公司 | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 |
| CN114101157A (zh) * | 2020-08-28 | 2022-03-01 | 广西创兴玻璃科技有限公司 | 一种low-E玻璃的清洗方法 |
| CN114599767A (zh) * | 2019-08-26 | 2022-06-07 | 安加拉环球有限公司 | 认知清洁方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113898334B (zh) * | 2021-10-14 | 2023-09-05 | 辽宁弘毅科技有限公司 | 一种抽油机井多功能综合测试仪参数智能分析方法及系统 |
| CN114487284B (zh) * | 2021-12-31 | 2023-09-08 | 武汉怡特环保科技有限公司 | 一种测量空气中重金属浓度的方法及系统 |
-
2022
- 2022-07-26 CN CN202210880756.4A patent/CN114935527B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6158447A (en) * | 1997-09-09 | 2000-12-12 | Tokyo Electron Limited | Cleaning method and cleaning equipment |
| CN105170545A (zh) * | 2015-07-16 | 2015-12-23 | 江苏大学 | 一种用于ph值检测的传感器探头清洗方法与装置 |
| CN208810768U (zh) * | 2018-05-09 | 2019-05-03 | 青岛瑞安建设工程有限公司 | 一种新型建筑工地化学容器清洗装置 |
| RU2676071C1 (ru) * | 2018-05-17 | 2018-12-25 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Кубанский государственный технологический университет" (ФГБОУ ВО "КубГТУ") | Устройство для очистки внутренних поверхностей |
| CN108836208A (zh) * | 2018-05-31 | 2018-11-20 | 上海理工大学 | 一种杯子清洁装置 |
| CN108926307A (zh) * | 2018-05-31 | 2018-12-04 | 上海理工大学 | 一种碗具清洁装置 |
| CN110820644A (zh) * | 2018-08-09 | 2020-02-21 | 阿尔弗雷德·卡赫欧洲两合公司 | 智能清洁系统及智能清洁方法 |
| CN112770945A (zh) * | 2018-09-28 | 2021-05-07 | 法雷奥系统公司 | 用于清洁机动车辆的多个传感器的清洁系统 |
| CN114599767A (zh) * | 2019-08-26 | 2022-06-07 | 安加拉环球有限公司 | 认知清洁方法 |
| CN114101157A (zh) * | 2020-08-28 | 2022-03-01 | 广西创兴玻璃科技有限公司 | 一种low-E玻璃的清洗方法 |
| CN114038513A (zh) * | 2021-11-05 | 2022-02-11 | 国网河北能源技术服务有限公司 | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 |
Non-Patent Citations (2)
| Title |
|---|
| Microcantilever-Based Sensors: Effect of Morphology, Adhesion, and Cleanliness of the Sensing Surface on Surface Stress;Vincent Tabard-Cossa et.al;《Anal. Chem.》;20071231;第8136-8143页 * |
| ORCA 声纳界面仪在盐井选煤厂中的应用;付银香;《选 煤 技 术》;20171031(第 5 期);第42-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114935527A (zh) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114935527B (zh) | 一种基于油井天然气开采的传感器智能清洁方法及系统 | |
| CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
| CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
| CN115577018B (zh) | 一种水质监测数据的智能处理方法及系统 | |
| CN111506598B (zh) | 基于小样本自学习故障迁移的故障判别方法、系统、装置 | |
| CN109002888B (zh) | 一种赤潮预警方法 | |
| CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
| CN116128260B (zh) | 基于数据样本的重点企业环境分析方法 | |
| CN116340723B (zh) | 基于大数据的乡村水污染快速溯源方法及系统 | |
| CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
| CN114839343B (zh) | 一种便携式水质监测巡检仪装置及使用方法 | |
| CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN116589078B (zh) | 基于数据融合的污水处理智能控制方法及系统 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
| CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
| CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
| CN115659195B (zh) | 一种大气污染在线识别方法 | |
| CN111007220B (zh) | 一种生猪养殖污水水质敏捷监测的方法 | |
| CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
| CN115169504A (zh) | 一种煤气精脱硫工艺中的设备异常识别方法 | |
| US20220155252A1 (en) | Method of predictive monitoring of a variable of a medium and of a measurement accuracy of a measurement device measuring this variable |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240320 Address after: 834000 Yongxin Road, Sanping Town, Baijiantan District, Karamay City, Xinjiang Uygur Autonomous Region Patentee after: KARAMAY FUCHENG NATURAL GAS CO.,LTD. Country or region after: Zhong Guo Patentee after: Karamay Fucheng Oil and Gas Research Institute Co.,Ltd. Address before: 834000 Yongxin Road, Sanping Town, Baijiantan District, Karamay City, Xinjiang Uygur Autonomous Region Patentee before: KARAMAY FUCHENG NATURAL GAS CO.,LTD. Country or region before: Zhong Guo |