CN115950666B - 一种淀粉葡萄糖生产设备故障智能检测方法 - Google Patents

一种淀粉葡萄糖生产设备故障智能检测方法 Download PDF

Info

Publication number
CN115950666B
CN115950666B CN202310246231.XA CN202310246231A CN115950666B CN 115950666 B CN115950666 B CN 115950666B CN 202310246231 A CN202310246231 A CN 202310246231A CN 115950666 B CN115950666 B CN 115950666B
Authority
CN
China
Prior art keywords
data
spectrum
difference data
current moment
curve
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
CN202310246231.XA
Other languages
English (en)
Other versions
CN115950666A (zh
Inventor
李会强
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.)
Shijiazhuang Huiyuan Starch Co ltd
Original Assignee
Shijiazhuang Huiyuan Starch 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 Shijiazhuang Huiyuan Starch Co ltd filed Critical Shijiazhuang Huiyuan Starch Co ltd
Priority to CN202310246231.XA priority Critical patent/CN115950666B/zh
Publication of CN115950666A publication Critical patent/CN115950666A/zh
Application granted granted Critical
Publication of CN115950666B publication Critical patent/CN115950666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Investigating Or Analysing Biological Materials (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种淀粉葡萄糖生产设备故障智能检测方法，包括：获得光谱数据曲线和对比数据曲线上的所有差异数据段，以及差异数据段的斜率数据段，计算所有差异数据段的波动程度，根据光谱数据曲线上的差异数据段的可能程度，获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，根据淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，计算废水中淀粉葡萄糖的含量异常程度，根据当前时刻的废水中淀粉葡萄糖的含量异常程度，获得刮刀离心机的运行状况。本发明更加准确且灵敏检测出刮刀离心机的不明显故障，提高淀粉葡萄糖的产出量和原材料的使用率。

Description

一种淀粉葡萄糖生产设备故障智能检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种淀粉葡萄糖生产设备故障智能检测方法。
背景技术
刮刀离心机是淀粉葡萄糖生产过程中必不可少的淀粉葡萄糖生产设备，能在全速运转下自动实现进料、分离、洗涤、脱水、排液、卸料、洗网等工序，具有结构新颖、运转平稳、自动化程度高、劳动强度低、生产能力大、洗涤效果好、滤饼含湿率低等特点。
在淀粉葡萄糖的生产过程中，通过给刮刀离心机设置合适的转速，通过刮刀离心机分离淀粉的悬浮水溶液获得淀粉葡萄糖，其中，淀粉葡萄糖的密度大于固体杂质和水的密度，在高速旋转的机器内部，密度大的淀粉葡萄糖会因为重力的作用向下运动，通过三相口的下口排出，而密度较小的包含固体杂质的废水通过三相口的上口（出水口）排出。
当刮刀离心机出现运行故障时，刮刀离心机的实际转速与预设转速不一致，悬浮水溶液的分离效果不好，导致废水中淀粉葡萄糖含量增大，相应的产出的淀粉葡萄糖减少。
在现有技术中，主要是根据人工经验对刮刀离心机的运行故障进行判断，但是当刮刀离心机的运行故障不明显时，无法通过人工目测发现故障，使得刮刀离心机长时间处于运行故障，造成淀粉葡萄糖的产出量减少和原材料的浪费。
发明内容
本发明提供一种淀粉葡萄糖生产设备故障智能检测方法，以解决现有的问题。
本发明的一种淀粉葡萄糖生产设备故障智能检测方法采用如下技术方案：
本发明一个实施例提供了一种淀粉葡萄糖生产设备故障智能检测方法，该方法包括以下步骤：
采集当前时刻的废水的光谱数据曲线，获取当前时刻的对比数据曲线；
获得当前时刻的光谱数据曲线和对比数据曲线上的多个差异数据段，差异数据段中每个数据点的斜率组成差异数据段的斜率数据段；
获得每个差异数据段的斜率数据段的主成分方向，根据每个差异数据段的斜率数据段的主成分方向，计算每个差异数据段的波动程度，根据差异数据段的波动程度，计算当前时刻的光谱数据曲线上的每个差异数据段的可能程度；
根据当前时刻的光谱数据曲线上的每个差异数据段的可能程度，获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间；根据淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，计算废水中淀粉葡萄糖的含量异常程度；
如果当前时刻的废水中淀粉葡萄糖的含量异常程度大于第三预设阈值，当前时刻刮刀离心机处于故障运行状态，进一步判断刮刀离心机的故障类型，否则，当前时刻刮刀离心机处于正常运行状态。
进一步地，所述获得当前时刻的光谱数据曲线和对比数据曲线上的多个差异数据段，包括的具体步骤如下：
将当前时刻的光谱数据曲线上第
Figure SMS_1
个数据点的斜率与当前时刻的对比数据曲线上 第
Figure SMS_2
个数据点的斜率的差值，作为当前时刻的光谱数据曲线上的第
Figure SMS_3
个数据点的差异判断 值；将当前时刻的光谱数据曲线上差异判断值不为0的数据点，以及差异判断值不为0的数 据点在对比数据曲线上对应的数据点记为差异数据点；将当前时刻的光谱数据曲线上相邻 的多个差异数据点划分为一个数据段，将当前时刻的对比数据曲线上相邻的多个差异数据 点划分为一个数据段，将差异数据点的数量大于第一预设阈值的数据段记为差异数据段。
进一步地，所述计算每个差异数据段的波动程度，包括的具体步骤如下：
Figure SMS_4
式中，
Figure SMS_6
表示第
Figure SMS_12
个差异数据段的波动程度，
Figure SMS_14
表示第
Figure SMS_7
个差异数据段中所有差异 数据点的吸光度的最大值，
Figure SMS_10
表示第
Figure SMS_16
个差异数据段中所有差异数据点的吸光度的最小 值，
Figure SMS_18
表示第
Figure SMS_5
个差异数据段中差异数据点的数量，
Figure SMS_9
表示第
Figure SMS_13
个差异数据段的斜率数据段的 主成分方向，
Figure SMS_15
表示第
Figure SMS_8
个差异数据段的斜率数据段中的第
Figure SMS_11
个斜率数据，
Figure SMS_17
表示取绝对值。
进一步地，所述计算当前时刻的光谱数据曲线上的每个差异数据段的可能程度，包括的具体步骤如下：
Figure SMS_19
式中，
Figure SMS_29
表示当前时刻的光谱数据曲线上的第
Figure SMS_22
个差异数据段的可能程度，
Figure SMS_25
表 示当前时刻的光谱数据曲线上的第
Figure SMS_33
个差异数据段的波动程度，
Figure SMS_37
表示当前时刻的对比 数据曲线上的第
Figure SMS_36
个差异数据段的波动程度，
Figure SMS_38
表示第
Figure SMS_28
个差异数据段中差异数据点的数量，
Figure SMS_32
表示当前时刻的光谱数据曲线上的第
Figure SMS_20
个差异数据段中的第
Figure SMS_24
个差异数据点的吸光 度，
Figure SMS_23
表示当前时刻的光谱数据曲线上的第
Figure SMS_27
个差异数据段的平均吸光度，
Figure SMS_31
表示当 前时刻的对比数据曲线上的第
Figure SMS_35
个差异数据段中的第
Figure SMS_21
个差异数据点的吸光度，
Figure SMS_26
表示 当前时刻的对比数据曲线上的第
Figure SMS_30
个差异数据段的平均吸光度，
Figure SMS_34
表示双曲正切函数。
进一步地，所述计算废水中淀粉葡萄糖的含量异常程度，包括的具体步骤如下：
当前时刻的废水中淀粉葡萄糖的含量异常程度的计算公式如下：
Figure SMS_39
式中，
Figure SMS_40
表示当前时刻的废水中淀粉葡萄糖的含量异常程度，
Figure SMS_41
表示淀粉葡萄糖对 应的所有光谱区间的数量，
Figure SMS_42
表示淀粉葡萄糖对应的第t个光谱区间上数据点的数量，
Figure SMS_43
表示淀粉葡萄糖对应的第t个光谱区间上第r个数据点的吸光度，
Figure SMS_44
表示淀粉葡 萄糖对应的第t个对比光谱区间上第r个数据点的吸光度，
Figure SMS_45
表示双曲正切函数，
Figure SMS_46
表示 取绝对值。
进一步地，所述获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，包括的具体步骤如下：
将当前时刻的光谱数据曲线上，所有可能程度大于等于第二预设阈值的差异数据段作为淀粉葡萄糖对应的光谱区间，将淀粉葡萄糖对应的光谱区间在当前时刻的对比数据曲线上对应的差异数据段，记为淀粉葡萄糖对应的对比光谱区间。
进一步地，所述获取当前时刻的对比数据曲线，包括的具体步骤如下：
将当前时刻的前k个时刻的光谱数据曲线，作为当前时刻的光谱数据曲线的参考数据曲线，通过平均距离法，将当前时刻的所有参考数据曲线进行合并，获得平均变化数据趋势曲线，作为当前时刻的对比数据曲线。
本发明的技术方案的有益效果是：结合废水中的不同成分在光谱数据曲线中不同波段的响应不同，通过对刮刀离心机的废水的光谱数据曲线进行分析，根据固体杂质与淀粉葡萄糖对应的光谱数据段的特征，通过比较当前时刻的光谱数据段和历史数据中的光谱数据段之间的差异，将固体杂质对应的光谱数据段去除，获得淀粉葡萄糖对应的光谱区间和对比光谱区间，最终根据淀粉葡萄糖对应的光谱区间和对比光谱区间的差异，获得淀粉葡萄糖的含量异常程度，进而确定刮刀离心机的运行状况；本发明的故障检测方法通过废水中淀粉葡萄糖的含量异常程度，更加准确且灵敏检测出刮刀离心机的不明显故障，避免由于人工目测无法发现刮刀离心机的故障，使得刮刀离心机长时间处于运行故障，造成淀粉葡萄糖的产出量减少和原材料的浪费，提高淀粉葡萄糖的产出量和原材料的使用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明的一种淀粉葡萄糖生产设备故障智能检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种淀粉葡萄糖生产设备故障智能检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种淀粉葡萄糖生产设备故障智能检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种淀粉葡萄糖生产设备故障智能检测方法的步骤流程图，该方法包括以下步骤：
S001．获取刮刀离心机的出水口的光谱数据曲线。
需要说明的是，当刮刀离心机出现运行故障时，刮刀离心机的实际转速与预设转速不一致，悬浮水溶液的分离效果不好，导致废水中淀粉葡萄糖含量增大，相应的产出的淀粉葡萄糖减少，因此，通过废水中淀粉葡萄糖含量，来判断悬浮水溶液的分离程度，进而判断刮刀离心机是否存在运行故障。淀粉葡萄糖含量不同的废水的光谱数据曲线不同，因此，可以通过废水的光谱数据曲线获得废水的淀粉葡萄糖含量。
按照时间间隔，通过设置在刮刀离心机的出水口处的光谱仪，采集每个时刻的废水的光谱数据曲线，光谱数据曲线上的数据点是由波长和吸光度组成的；通过小波变换算法对光谱数据曲线进行去噪处理，获得不含噪声的光谱数据曲线，小波变换算法为现有公知技术，在此不再赘述。
在本实施例中，时间间隔为10分钟，在其他实施例中，实施人员可根据需要设置时间间隔。
对每个时刻采集到的废水的光谱数据曲线进行分析，进而判断刮刀离心机是否出现运行故障，将没有发生运行故障的时刻，产生的光谱数据曲线按照时间顺序进行排列，并存储在数据存储单元中。
S002．获得光谱数据曲线和对比数据曲线上的所有差异数据段，以及差异数据段的斜率数据段，计算所有差异数据段的波动程度。
1.获得光谱数据曲线和对比数据曲线上的所有差异数据段，以及差异数据段的斜率数据段。
需要说明的是，淀粉葡萄糖含量不同的废水的光谱数据曲线不同，因此，可以通过废水的光谱数据曲线获得废水的淀粉葡萄糖含量。通过比较当前时刻的光谱数据曲线和当前时刻之前的历史光谱数据曲线，获得废水中淀粉葡萄糖的含量差异程度，进而判断刮刀离心机是否出现运行故障。
将数据存储单元中当前时刻的前k个时刻的光谱数据曲线，作为当前时刻的光谱数据曲线的参考数据曲线，通过平均距离法，将当前时刻的所有参考数据曲线进行合并，获得平均变化数据趋势曲线，作为当前时刻的对比数据曲线；其中，平均距离法是通过求所有对比数据曲线中相同位置的数据点的均值，然后由所有数据点的均值构成一个新的曲线，平均距离法为现有公知技术，在此不再进行赘述。
由于存储在数据存储单元中的光谱数据曲线，都是刮刀离心机没有发生运行故障的时刻的光谱数据曲线，因此，当前时刻的对比数据曲线的本质是刮刀离心机正常运行时的光谱数据曲线，体现出刮刀离心机正常运行时废水的光谱数据的特征。
进一步需要说明的是，废水中包括水、淀粉葡萄糖和固体杂质，无论刮刀离心机的运行正常与否，废水中的水在当前时刻的光谱数据曲线和当前时刻的对比数据曲线上不存在差异，因此，通过对比分析当前时刻的光谱数据曲线和当前时刻的对比数据曲线，去除废水中水在当前时刻的光谱数据曲线对应的数据点，获得淀粉葡萄糖和固体杂质在当前时刻的光谱数据曲线对应的差异数据段。
当前时刻的光谱数据曲线上的第
Figure SMS_47
个数据点的差异判断值的计算公式为：
Figure SMS_48
式中，
Figure SMS_49
表示当前时刻的光谱数据曲线上的第
Figure SMS_50
个数据点的差异判断值，
Figure SMS_51
表示 当前时刻的光谱数据曲线上第
Figure SMS_52
个数据点的斜率，
Figure SMS_53
表示当前时刻的对比数据曲线上第
Figure SMS_54
个数据点的斜率。
当第
Figure SMS_55
个数据点在当前时刻的光谱数据曲线上的斜率与在当前时刻的对比数据曲 线上的斜率不相同时，说明该数据点在光谱数据曲线和对比数据曲线之间存在差异；将当 前时刻的光谱数据曲线上差异判断值不为0的数据点，以及差异判断值不为0的数据点在对 比数据曲线上对应的数据点记为差异数据点。
将当前时刻的光谱数据曲线上相邻的多个差异数据点划分为一个数据段，将当前时刻的对比数据曲线上相邻的多个差异数据点划分为一个数据段，将差异数据点的数量大于第一预设阈值的数据段记为差异数据段，获得当前时刻的光谱数据曲线和对比数据曲线上的多个差异数据段，将差异数据段中每个数据点的斜率组成差异数据段的斜率数据段，获得当前时刻的光谱数据曲线和对比数据曲线上的所有差异数据段的斜率数据段。
在本实施例中，第一预设阈值为3，在其他实施例中，实施人员可根据需要设置第一预设阈值。
2.计算所有差异数据段的波动程度。
需要说明的是，淀粉葡萄糖含量不同的废水的光谱数据曲线不同，因此，可以通过废水的光谱数据曲线获得废水的淀粉葡萄糖含量，排出了废水中的水在当前时刻的光谱数据曲线上对应的数据点，但是废水中的固体杂质同样会在废水的光谱数据曲线上有所体现，影响通过废水的光谱数据曲线获得的废水的淀粉葡萄糖含量的准确性，进而影响对刮刀离心机的运行故障的判断，因此，需要排除光谱数据曲线上固体杂质对应的数据点。
进一步需要说明的是，悬浮水溶液中的固体杂质是原材料加工过程中产生的碎皮屑，相对淀粉葡萄糖的密度较小，因此，无论刮刀离心机的运行正常与否，悬浮水溶液中的所有固体杂质都会通过刮刀离心机进入废水中，所有与刮刀离心机正常运行时产生的废水相比，当刮刀离心机发生运行故障时，废水中固体杂质的含量变化较小，而废水中淀粉葡萄糖的含量变化较大。当前时刻的对比数据曲线的本质是刮刀离心机正常运行时的光谱数据曲线，因此，废水中固体杂质和淀粉葡萄糖在当前时刻的光谱数据曲线和对比数据曲线上表现为：固体杂质对应的不同波数的吸光度的变化相似，即固体杂质在光谱数据曲线和对比数据曲线的波动程度较小，淀粉葡萄糖对应的不同波段的吸光度的变化不同，即淀粉葡萄糖在光谱数据曲线和对比数据曲线的波动程度较大。
分别对当前时刻的光谱数据曲线和对比数据曲线上的每个差异数据段的斜率数据段进行主成分分析，获得每个差异数据段的斜率数据段的主成分方向；需要说明的是，根据主成分分析算法可知，一共获得多个主成分方向向量，每个主成分方向向量对应一个特征值，本实施例中只保留特征值最大的主成分方向向量。
差异数据段的波动程度的计算公式为：
Figure SMS_56
式中，
Figure SMS_58
表示第
Figure SMS_63
个差异数据段的波动程度，
Figure SMS_67
表示第
Figure SMS_59
个差异数据段中所有差异 数据点的吸光度的最大值，
Figure SMS_62
表示第
Figure SMS_66
个差异数据段中所有差异数据点的吸光度的最小 值，
Figure SMS_70
表示第
Figure SMS_57
个差异数据段中差异数据点的数量，
Figure SMS_61
表示第
Figure SMS_65
个差异数据段的斜率数据段的 主成分方向，
Figure SMS_69
表示第
Figure SMS_60
个差异数据段的斜率数据段中的第
Figure SMS_64
个斜率数据，
Figure SMS_68
表示取绝对值。
Figure SMS_71
表示第
Figure SMS_72
个差异数据段的波动范围，差异数据段的波动范围越大，则第
Figure SMS_73
个差异数据段的波动程度越大；
Figure SMS_74
表示第
Figure SMS_75
个差异数据段内数据的发散程度， 差异数据段内数据的发散程度越大，差异数据段内数据点的斜率与斜率的主成分方向越离 散，则第
Figure SMS_76
个差异数据段的波动程度越大。
获得当前时刻的光谱数据曲线和对比数据曲线上的所有差异数据段的波动程度。
S003．根据光谱数据曲线上的差异数据段的可能程度，获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，根据淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，计算废水中淀粉葡萄糖的含量异常程度。
1.根据光谱数据曲线上的差异数据段的可能程度，淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间。
需要说明的是，固体杂质在当前时刻的光谱数据曲线的波动程度和在当前时刻的对比数据曲线上的波动程度比较相近的，而淀粉葡萄糖含量不同的废水，在当前时刻的光谱数据曲线的波动程度和在当前时刻的对比数据曲线上的波动程度不同；固体杂质对应的差异数据段中，吸光度与波数的变化呈现一定的相关性，即相近波数对应的吸光度相近；而淀粉葡萄糖对应的差异数据段中，不同吸光度与波数的变化差异较大，因此，固体杂质对应的差异数据段在当前时刻的光谱数据曲线的波动程度和在当前时刻的对比数据曲线上的变化强度之间的关联性较大，淀粉葡萄糖对应的差异数据段在当前时刻的光谱数据曲线的波动程度和在当前时刻的对比数据曲线上的变化强度之间的关联性较小。因此，结合差异数据段中的数据点在当前时刻的光谱数据曲线和对比数据曲线变化强度之间的关联性，以及差异数据段在当前时刻的光谱数据曲线和对比数据曲线上的整体的波动程度，获得每个差异数据段的是淀粉葡萄糖对应的差异数据段的可能程度。
当前时刻的光谱数据曲线上的差异数据段的可能程度的计算公式为：
Figure SMS_77
式中，
Figure SMS_87
表示当前时刻的光谱数据曲线上的第
Figure SMS_80
个差异数据段的可能程度，
Figure SMS_83
表 示当前时刻的光谱数据曲线上的第
Figure SMS_81
个差异数据段的波动程度，
Figure SMS_84
表示当前时刻的对比 数据曲线上的第
Figure SMS_88
个差异数据段的波动程度，
Figure SMS_92
表示第
Figure SMS_86
个差异数据段中差异数据点的数量，
Figure SMS_90
表示当前时刻的光谱数据曲线上的第
Figure SMS_78
个差异数据段中的第
Figure SMS_82
个差异数据点的吸光 度，
Figure SMS_91
表示当前时刻的光谱数据曲线上的第
Figure SMS_95
个差异数据段的平均吸光度，
Figure SMS_94
表示当 前时刻的对比数据曲线上的第
Figure SMS_96
个差异数据段中的第
Figure SMS_79
个差异数据点的吸光度，
Figure SMS_85
表示 当前时刻的对比数据曲线上的第
Figure SMS_89
个差异数据段的平均吸光度，
Figure SMS_93
表示双曲正切函数，用 于归一化。
Figure SMS_100
表示当前时刻的光谱数据曲线上第
Figure SMS_104
个差异数据段的波动程度，和 对比数据曲线上第
Figure SMS_108
个差异数据段的波动程度的波动程度的差异，由于固体杂质对应的差 异数据段的波动程度的差异较小，而淀粉葡萄糖对应的差异数据段的波动程度的差异较 大，因此，
Figure SMS_97
越大，第
Figure SMS_103
个差异数据段的是淀粉葡萄糖对应的差异数据段的可能 程度越大；
Figure SMS_107
表示当前时刻的光谱数据曲线上第
Figure SMS_110
个差异数据段中数据点的 变化幅度的差异，
Figure SMS_98
表示当前时刻的对比数据曲线上第
Figure SMS_102
个差异数据段中数 据点的变化幅度的差异，通过比较第
Figure SMS_106
个差异数据段在当前时刻的光谱数据曲线和对比数 据曲线上的变化幅度的差异，来体现第
Figure SMS_109
个差异数据段变化强度之间的关联性，
Figure SMS_99
越大，第
Figure SMS_101
个差异数据段变化强度之间的关联性越大，第
Figure SMS_105
个差异数据段的是淀粉葡萄糖对应的差异数据段的可能程度越大。
当前时刻的光谱数据曲线上的第
Figure SMS_111
个差异数据段的可能程度
Figure SMS_112
时，第
Figure SMS_113
个 差异数据段是固体杂质对应的光谱区间，当前时刻的光谱数据曲线上的第
Figure SMS_114
个差异数据段 的可能程度
Figure SMS_115
时，第
Figure SMS_116
个差异数据段是淀粉葡萄糖对应的光谱区间。
在本实施例中，第二预设阈值R=0.29，在其他实施例中，实施人员可根据需要设置第二预设阈值。
将当前时刻的光谱数据曲线上，所有可能程度大于等于第二预设阈值的差异数据段作为淀粉葡萄糖对应的光谱区间，将淀粉葡萄糖对应的光谱区间在当前时刻的对比数据曲线上对应的差异数据段，记为淀粉葡萄糖对应的对比光谱区间，获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间。
2.根据淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，计算废水中淀粉葡萄糖的含量异常程度。
需要说明的是，淀粉葡萄糖对应的对比光谱区间是刮刀离心机正常运行时获得的废水，因此，淀粉葡萄糖对应的对比光谱区间，体现了废水中淀粉葡萄糖含量正常时光谱数据的特征，通过比较淀粉葡萄糖在当前时刻的光谱数据曲线上对应的光谱区间，与对比光谱区间（正常时光谱数据的特征）的差异，来获得废水中淀粉葡萄糖的含量异常程度，判断悬浮水溶液的分离程度，进而判断刮刀离心机是否存在运行故障。
当前时刻的废水中淀粉葡萄糖的含量异常程度的计算公式如下：
Figure SMS_117
式中，
Figure SMS_118
表示当前时刻的废水中淀粉葡萄糖的含量异常程度，
Figure SMS_119
表示淀粉葡萄糖对 应的所有光谱区间的数量，
Figure SMS_120
表示淀粉葡萄糖对应的第t个光谱区间上数据点的数量，
Figure SMS_121
表示淀粉葡萄糖对应的第t个光谱区间上第r个数据点的吸光度，
Figure SMS_122
表示淀粉葡 萄糖对应的第t个对比光谱区间上第r个数据点的吸光度，
Figure SMS_123
表示双曲正切函数，用于归 一化，
Figure SMS_124
表示取绝对值。
Figure SMS_125
表示淀粉葡萄糖对应的第t个光谱区间上第r个数据点的吸光度 与第t个对比光谱区间上第r个数据点的吸光度的差异，由于对比光谱区间是当前时刻的对 比数据曲线的部分差异数据段，当前时刻的对比数据曲线的本质是刮刀离心机正常运行时 的光谱数据曲线，因此，
Figure SMS_126
表示当前时刻的淀粉葡萄糖对应的第t个光谱区 间与正常运行时的光谱数据曲线上淀粉葡萄糖对应的第t个对比光谱区间的差异，
Figure SMS_127
越大，则当前时刻的淀粉葡萄糖的含量与正常运行时的淀粉葡萄糖的含 量差异越大，当前时刻的淀粉葡萄糖的含量越异常，则当前时刻的废水中淀粉葡萄糖的含 量异常程度P越大。
S004.根据当前时刻的废水中淀粉葡萄糖的含量异常程度，获得刮刀离心机的运行状况。
如果当前时刻的废水中淀粉葡萄糖的含量异常程度大于第三预设阈值，则当前时刻的废水中淀粉葡萄糖的含量异常，当前时刻刮刀离心机处于故障运行状态，进一步判断刮刀离心机的故障类型，例如：旋转扇叶出现松动，转速不匹配等；否则，当前时刻刮刀离心机处于正常运行状态。
在本实施例中，第三预设阈值0.07，在其他实施例中，实施人员可根据需要设置第三预设阈值
本发明结合废水中的不同成分在光谱数据曲线中不同波段的响应不同，通过对刮刀离心机的废水的光谱数据曲线进行分析，根据固体杂质与淀粉葡萄糖对应的光谱数据段的特征，通过比较当前时刻的光谱数据段和历史数据中的光谱数据段之间的差异，将固体杂质对应的光谱数据段去除，获得淀粉葡萄糖对应的光谱区间和对比光谱区间，最终根据淀粉葡萄糖对应的光谱区间和对比光谱区间的差异，获得淀粉葡萄糖的含量异常程度，进而确定刮刀离心机的运行状况；本发明的故障检测方法通过废水中淀粉葡萄糖的含量异常程度，更加准确且灵敏检测出刮刀离心机的不明显故障，避免由于人工目测无法发现刮刀离心机的故障，使得刮刀离心机长时间处于运行故障，造成淀粉葡萄糖的产出量减少和原材料的浪费，提高淀粉葡萄糖的产出量和原材料的使用率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书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。

Claims (7)

1.一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，该方法包括以下步骤：
采集当前时刻的废水的光谱数据曲线，获取当前时刻的对比数据曲线；
获得当前时刻的光谱数据曲线和对比数据曲线上的多个差异数据段，差异数据段中每个数据点的斜率组成差异数据段的斜率数据段；
获得每个差异数据段的斜率数据段的主成分方向，根据每个差异数据段的斜率数据段的主成分方向，计算每个差异数据段的波动程度，根据差异数据段的波动程度，计算当前时刻的光谱数据曲线上的每个差异数据段的可能程度；
根据当前时刻的光谱数据曲线上的每个差异数据段的可能程度，获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间；根据淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，计算废水中淀粉葡萄糖的含量异常程度；
如果当前时刻的废水中淀粉葡萄糖的含量异常程度大于第三预设阈值，当前时刻刮刀离心机处于故障运行状态，进一步判断刮刀离心机的故障类型，否则，当前时刻刮刀离心机处于正常运行状态。
2.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述获得当前时刻的光谱数据曲线和对比数据曲线上的多个差异数据段，包括的具体步骤如下：
将当前时刻的光谱数据曲线上第
Figure QLYQS_1
个数据点的斜率与当前时刻的对比数据曲线上第/>
Figure QLYQS_2
个数据点的斜率的差值，作为当前时刻的光谱数据曲线上的第/>
Figure QLYQS_3
个数据点的差异判断值；将当前时刻的光谱数据曲线上差异判断值不为0的数据点，以及差异判断值不为0的数据点在对比数据曲线上对应的数据点记为差异数据点；将当前时刻的光谱数据曲线上相邻的多个差异数据点划分为一个数据段，将当前时刻的对比数据曲线上相邻的多个差异数据点划分为一个数据段，将差异数据点的数量大于第一预设阈值的数据段记为差异数据段。
3.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述计算每个差异数据段的波动程度，包括的具体步骤如下：
Figure QLYQS_4
式中，
Figure QLYQS_6
表示第/>
Figure QLYQS_12
个差异数据段的波动程度，/>
Figure QLYQS_16
表示第/>
Figure QLYQS_7
个差异数据段中所有差异数据点的吸光度的最大值，/>
Figure QLYQS_11
表示第/>
Figure QLYQS_15
个差异数据段中所有差异数据点的吸光度的最小值，/>
Figure QLYQS_18
表示第/>
Figure QLYQS_5
个差异数据段中差异数据点的数量，/>
Figure QLYQS_10
表示第/>
Figure QLYQS_14
个差异数据段的斜率数据段的主成分方向，/>
Figure QLYQS_17
表示第/>
Figure QLYQS_8
个差异数据段的斜率数据段中的第/>
Figure QLYQS_9
个斜率数据，/>
Figure QLYQS_13
表示取绝对值。
4.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述计算当前时刻的光谱数据曲线上的每个差异数据段的可能程度，包括的具体步骤如下：
Figure QLYQS_19
式中，
Figure QLYQS_31
表示当前时刻的光谱数据曲线上的第/>
Figure QLYQS_22
个差异数据段的可能程度，/>
Figure QLYQS_27
表示当前时刻的光谱数据曲线上的第/>
Figure QLYQS_35
个差异数据段的波动程度，/>
Figure QLYQS_37
表示当前时刻的对比数据曲线上的第/>
Figure QLYQS_36
个差异数据段的波动程度，/>
Figure QLYQS_38
表示第/>
Figure QLYQS_28
个差异数据段中差异数据点的数量，
Figure QLYQS_32
表示当前时刻的光谱数据曲线上的第/>
Figure QLYQS_20
个差异数据段中的第/>
Figure QLYQS_24
个差异数据点的吸光度，/>
Figure QLYQS_21
表示当前时刻的光谱数据曲线上的第/>
Figure QLYQS_26
个差异数据段的平均吸光度，/>
Figure QLYQS_30
表示当前时刻的对比数据曲线上的第/>
Figure QLYQS_34
个差异数据段中的第/>
Figure QLYQS_23
个差异数据点的吸光度，/>
Figure QLYQS_25
表示当前时刻的对比数据曲线上的第/>
Figure QLYQS_29
个差异数据段的平均吸光度，/>
Figure QLYQS_33
表示双曲正切函数。
5.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述计算废水中淀粉葡萄糖的含量异常程度，包括的具体步骤如下：
当前时刻的废水中淀粉葡萄糖的含量异常程度的计算公式如下：
Figure QLYQS_39
式中，
Figure QLYQS_40
表示当前时刻的废水中淀粉葡萄糖的含量异常程度，/>
Figure QLYQS_41
表示淀粉葡萄糖对应的所有光谱区间的数量，/>
Figure QLYQS_42
表示淀粉葡萄糖对应的第t个光谱区间上数据点的数量，/>
Figure QLYQS_43
表示淀粉葡萄糖对应的第t个光谱区间上第r个数据点的吸光度，/>
Figure QLYQS_44
表示淀粉葡萄糖对应的第t个对比光谱区间上第r个数据点的吸光度，/>
Figure QLYQS_45
表示双曲正切函数，/>
Figure QLYQS_46
表示取绝对值。
6.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述获得淀粉葡萄糖对应的所有光谱区间和所有对比光谱区间，包括的具体步骤如下：
将当前时刻的光谱数据曲线上，所有可能程度大于等于第二预设阈值的差异数据段作为淀粉葡萄糖对应的光谱区间，将淀粉葡萄糖对应的光谱区间在当前时刻的对比数据曲线上对应的差异数据段，记为淀粉葡萄糖对应的对比光谱区间。
7.根据权利要求1所述的一种淀粉葡萄糖生产设备故障智能检测方法，其特征在于，所述获取当前时刻的对比数据曲线，包括的具体步骤如下：
将当前时刻的前k个时刻的光谱数据曲线，作为当前时刻的光谱数据曲线的参考数据曲线，通过平均距离法，将当前时刻的所有参考数据曲线进行合并，获得平均变化数据趋势曲线，作为当前时刻的对比数据曲线。
CN202310246231.XA 2023-03-15 2023-03-15 一种淀粉葡萄糖生产设备故障智能检测方法 Active CN115950666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310246231.XA CN115950666B (zh) 2023-03-15 2023-03-15 一种淀粉葡萄糖生产设备故障智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310246231.XA CN115950666B (zh) 2023-03-15 2023-03-15 一种淀粉葡萄糖生产设备故障智能检测方法

Publications (2)

Publication Number Publication Date
CN115950666A CN115950666A (zh) 2023-04-11
CN115950666B true CN115950666B (zh) 2023-05-30

Family

ID=85907049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310246231.XA Active CN115950666B (zh) 2023-03-15 2023-03-15 一种淀粉葡萄糖生产设备故障智能检测方法

Country Status (1)

Country Link
CN (1) CN115950666B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113009B (zh) * 2023-10-23 2024-01-16 合肥亚明汽车部件有限公司 一种数字化工厂设备运行风险预警方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107664621A (zh) * 2016-07-29 2018-02-06 上海创和亿电子科技发展有限公司 异常样本识别方法、系统、服务器及电子设备
CN108801950A (zh) * 2018-05-21 2018-11-13 东南大学 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN115508366A (zh) * 2022-10-20 2022-12-23 南京鹤梦信息技术有限公司 基于多光谱成像的产品缺陷智能检测系统及其方法
CN115586159A (zh) * 2022-11-04 2023-01-10 四川轻化工大学 基于中红外光谱检测技术的白酒陈化缔合程度评定方法
CN115639159A (zh) * 2022-12-08 2023-01-24 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6788965B2 (en) * 2001-08-03 2004-09-07 Sensys Medical, Inc. Intelligent system for detecting errors and determining failure modes in noninvasive measurement of blood and tissue analytes

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107664621A (zh) * 2016-07-29 2018-02-06 上海创和亿电子科技发展有限公司 异常样本识别方法、系统、服务器及电子设备
CN108801950A (zh) * 2018-05-21 2018-11-13 东南大学 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法
CN111833336A (zh) * 2020-07-17 2020-10-27 吉林大学 一种基于高光谱的风电叶片表面砂眼故障的检测系统及方法
CN115508366A (zh) * 2022-10-20 2022-12-23 南京鹤梦信息技术有限公司 基于多光谱成像的产品缺陷智能检测系统及其方法
CN115586159A (zh) * 2022-11-04 2023-01-10 四川轻化工大学 基于中红外光谱检测技术的白酒陈化缔合程度评定方法
CN115639159A (zh) * 2022-12-08 2023-01-24 航天宏图信息技术股份有限公司 一种基于多光谱影像的废水污染监测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于互信息熵-近红外光谱的过程模式故障检测;高爽;栾小丽;刘飞;;光谱学与光谱分析(第06期);全文 *
基于基线校正和主元分析的紫外-可见光光谱在线水质异常检测方法;郭冰冰;侯迪波;金宇;尹航;黄平捷;张光新;张宏建;;光谱学与光谱分析(第05期);全文 *

Also Published As

Publication number Publication date
CN115950666A (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN112527788B (zh) 变压器监测数据异常值检测与清洗的方法及装置
CN115950666B (zh) 一种淀粉葡萄糖生产设备故障智能检测方法
CN116821833B (zh) 一种机器滤布粘连的数据异常检测方法
CN110648480B (zh) 一种基于变化速率的单变量报警系统及方法
CN110715808B (zh) 故障检测方法及装置
CN115392408B (zh) 一种电子数粒机运行异常检测方法及系统
CN116502169A (zh) 一种基于数据检测的离心脱水机工作状态检测方法
CN116304766A (zh) 基于多传感器的开关柜状态快速评估方法
CN116434372B (zh) 用于变工况设备的智能化数据采集系统、工况识别系统
CN117391481B (zh) 一种基于大数据的电力数据监视方法及系统
CN116237817A (zh) 基于物联网的五轴联动数控机床智能监测系统
CN110245460A (zh) 一种基于多阶段oica的间歇过程故障监测方法
CN116690689B (zh) 一种自动化裁切生产线运行状态检测方法
CN113721000B (zh) 一种变压器油中溶解气体异常检测方法和系统
CN106406257A (zh) 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统
CN116881646B (zh) 一种甜菊糖苷生产监测数据管理系统
CN116404186B (zh) 一种功率型锂锰电池生产系统
CN116881635A (zh) 一种用于纺织品洗涤剂设备数据管理系统
CN111538755A (zh) 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法
CN110622692A (zh) 一种甘蔗联合收割机运行状态的智能识别方法及系统
CN111495575B (zh) 一种旋流器连接管以及堵塞判别方法
CN112419304B (zh) 一种面向一维数据的多阶段目标检测方法及装置
CN106291344B (zh) 基于分闸压力曲线的断路器刚分点检测方法及系统
CN117422345B (zh) 一种油渣分离质量评估方法及系统
KR102522255B1 (ko) 원심 분리 공정의 사전 이상 진단 방법

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