CN116153425B - 一种氨碳比软测量方法、装置、设备及介质 - Google Patents
一种氨碳比软测量方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116153425B CN116153425B CN202310194188.7A CN202310194188A CN116153425B CN 116153425 B CN116153425 B CN 116153425B CN 202310194188 A CN202310194188 A CN 202310194188A CN 116153425 B CN116153425 B CN 116153425B
- Authority
- CN
- China
- Prior art keywords
- ammonia
- carbon ratio
- process variable
- data
- matrix
- 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
- MKKVKFWHNPAATH-UHFFFAOYSA-N [C].N Chemical compound [C].N MKKVKFWHNPAATH-UHFFFAOYSA-N 0.000 title claims abstract description 207
- 238000000691 measurement method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 202
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims abstract description 111
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 109
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 75
- 239000004202 carbamide Substances 0.000 claims abstract description 61
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 40
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 37
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 74
- 238000005070 sampling Methods 0.000 claims description 31
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Manufacturing & Machinery (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
本申请公开了一种氨碳比软测量方法、装置、设备及介质，涉及工业自动化技术领域，该方法包括：获取过程变量数据与相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；基于所述实验室分析值确定氨碳比，并利用过程变量数据与对应的氨碳比生成建模数据；采用预设回归方法利用建模数据构建氨碳比回归模型，并将氨碳比回归模型中的目标模型参数保存；将氨碳比回归模型应用于目标业务场景，以便氨碳比回归模型按照预设氨碳比计算频率，利用基于模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。能够建立软测量模型，利用在线测量过程数据对氨碳比进行实时估计，从而为操作工提供操作指导。
Description
技术领域
本发明涉及工业自动化技术领域，特别涉及一种氨碳比软测量方法、装置、设备及介质。
背景技术
尿素生产过程中，氨碳比(NH3/CO2)是影响转化率的关键指标，需要严格控制。但由于在线分析仪价格昂贵，生产现场一般不会安装在线仪表，而是采用离线分析的方式，按固定时间间隔(比如每8小时)采样化验分析一次，通过分析样品中氨气(NH3)、二氧化碳(CO2)和尿素(Ur)的浓度值手动计算氨碳比，作为生产操作的依据。但在实际生产中，氨气和二氧化碳的浓度值随时变化，氨碳比也是一直波动的，上述根据固定间隔采样分析计算得到的结果存在时间滞后，而且该结果只能反映采样时刻的氨碳比，不代表每一时刻的实时值，从而不能有效的指导操作，
由上可见，在尿素生产过程中需要一种能够实时反映氨碳比的软测量方法。
发明内容
有鉴于此，本发明的目的在于提供一种氨碳比软测量方法、装置、设备及介质，能够建立软测量模型，利用在线测量过程数据对氨碳比进行实时估计，从而为操作工提供操作指导。其具体方案如下：
第一方面，本申请公开了一种氨碳比软测量方法，包括：
从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；
基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；
采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；
将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
可选的，所述从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值，包括：
从用于存储历史过程数据的集散控制系统中获取当前时间的前第一时间段内以第一采样频率进行存储的过程变量数据，并在当前时间的所述前第一时间段内以第二采样频率采集尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值。
可选的，所述利用所述过程变量数据与对应的氨碳比生成建模数据，包括：
从当前时间的前第一时间段内确定目标取样时间，并基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据。
可选的，所述基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据，包括：
确定所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比；
利用预设数据对齐方法将所述目标过程变量数据转换为对齐后过程变量数据，并利用所述对齐后过程变量数据与目标氨碳比生成建模数据。
可选的，所述采用预设回归方法利用所述建模数据构建氨碳比回归模型，包括：
采用偏最小二乘法计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵；其中，所述第一矩阵为利用所述过程变量数据生成的矩阵，所述第二矩阵为利用所述过程变量数据对应的氨碳比生成的矩阵；
利用交叉校验法确定每一特征向量数目对应的预测残差累计平方和，并将所述预测残差累计平方和最小时对应的特征向量数目确定为氨碳比回归模型保留的目标特征向量数目，以构建氨碳比回归模型。
可选的，所述计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵的过程中，包括：
将利用所述过程变量数据生成的第一矩阵与利用所述过程变量数据对应的氨碳比生成的第二矩阵进行归一化处理，以确定处理后第一矩阵与处理后第二矩阵；
利用所述处理后第一矩阵与所述处理后第二矩阵计算输入权值向量；
利用所述处理后第一矩阵和对所述输入权值向量进行归一化后的向量确定输入得分向量；
将所述处理后第二矩阵作为输出得分向量，利用所述输入得分向量和所述处理后第一矩阵确定输入负荷向量，并利用所述输入负荷向量和所述输出得分向量确定内部模型回归系数；
利用所述输入负荷向量和所述内部模型回归系数分别计算所述处理后第一矩阵与所述处理后第二矩阵对应的残差矩阵。
可选的，所述将所述氨碳比回归模型中的目标模型参数进行保存，包括：
将所述氨碳比回归模型中的目标模型参数进行保存；其中，所述目标模型参数包括所述过程变量数据对应的第一矩阵的均值与方差、所述过程变量数据与对应的氨碳比对应的第二矩阵的均值与方差、模型权值向量、模型输入负荷向量、模型输出负荷向量、内部模型回归系数。
第二方面，本申请公开了一种氨碳比软测量装置，包括：
数据获取模块，用于从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；
数据处理模块，用于基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；
模型构建模块，用于采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；
模型应用模块，用于将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的氨碳比软测量方法。
第四方面，本申请公开了一种计算机存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的氨碳比软测量方法的步骤。
本申请从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。这样一来，本发明通过利用过程变量与氨碳比构建氨碳比回归模型，并将所述氨碳比回归模型应用于目标业务场景后按照预设氨碳比计算频率，利用基于模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。本发明中提供的软测量方法可以基于采集的过程变量实时计算氨碳比，及时有效地反映生产状况，为生产操作提供实时参考，从而可以提高控制精度和产品质量。
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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种氨碳比软测量方法流程图；
图2为本申请提供的一种具体的氨碳比软测量方法流程图；
图3为本申请提供的一种氨碳比计算方法的计算流程图；
图4为本申请提供的一种氨碳比软测量装置结构示意图；
图5为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
现有技术中，尿素生产过程中，氨碳比无法在线获取，只能通过人工手动采样计算的方式得到，这种方法耗时耗力并且不能及时指导生产操作。在本申请中，采用回归方法建立软测量模型，利用在线测量过程数据对氨碳比进行实时估计，从而为操作工提供操作指导。
本发明实施例公开了一种氨碳比软测量方法，参见图1所述，该方法包括：
步骤S11：从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值。
本实施例中，首先采集历史数据，并进行数据处理，为建模做准备。具体的，尿素生产现场一般都部署集散控制系统(即DCS控制系统)，用于实时控制和过程历史数据存储。根据工艺分析，本申请提出从DCS系统取尿素合成塔周边的与氨碳比相关的过程变量，其中，过程变量在具体操作环境下可以包括但不限于温度、压力、流量等变量)。与之相对应的是，取相同时间区间内的尿素溶液中氨气(NH3)、二氧化碳(CO2)和尿素(Ur)浓度的实验室分析值。此时获取的过程变量数据与相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值均会作为后续的建模数据进行建模。
本实施例中，所述从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值，可以包括：从用于存储历史过程数据的集散控制系统中获取尿素合成塔周边的与氨碳比相关的过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值。
步骤S12：基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据。
本实施例中，可以基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，具体的，所述预设氨碳比计算公式可以为：
NH3/CO2＝(2*[Ur]+3.526*[NH3])/([Ur]+1.365*[CO2])，
式中，NH3/CO2为氨碳比，[NH3]、[CO2]和[Ur]分别为氨气、二氧化碳和尿素的浓度。
本实施例中，在利用所述过程变量数据与对应的氨碳比生成建模数据时，可以将过程变量作为模型自变量，将氨碳比作为模型因变量生成建模数据。
步骤S13：采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存。
本实施例中，所述采用预设回归方法利用所述建模数据构建氨碳比回归模型，可以包括：采用偏最小二乘法利用所述建模数据构建氨碳比回归模型。需要指出的是，本实施例中，所述预设回归方法包括但不限于偏最小二乘法，在其他的实施方式中，也可以使用主元回归、神经网络等方法。
可以理解的是，本实施例中，在模型构建完成后，会将模型中的目标模型参数进行保存，以便后续进行业务应用。
步骤S14：将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
本步骤中，可以将步骤S13得到的软测量模型部署到现场，根据过程变量数据对氨碳比进行在线计算，在具体的实施方式中，优选地可以将预设氨碳比计算频率设定为每分钟计算一次，每次计算时自变量X取前面建模时使用的相同的过程变量，代入S13中保存的氨碳比回归模型，得到输出值Y。
本实施例中，从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。这样一来，本发明通过利用过程变量与氨碳比构建氨碳比回归模型，并将所述氨碳比回归模型应用于目标业务场景后按照预设氨碳比计算频率，利用基于模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。本发明中提供的软测量方法可以基于采集的过程变量实时计算氨碳比，及时有效地反映生产状况，为生产操作提供实时参考，从而可以提高控制精度和产品质量。计算出的氨碳比可以实时显示在DCS控制站，给操作工提供操作指导，还可以送给上层APC控制器，实现全装置范围的自动优化控制，带来更大的经济收益。
图2为本申请实施例提供的一种具体的氨碳比软测量方法流程图。参见图2所示，该方法包括：
步骤S21：从用于存储历史过程数据的集散控制系统中获取当前时间的前第一时间段内以第一采样频率进行存储的过程变量数据，并在当前时间的所述前第一时间段内以第二采样频率采集尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值。
本实施例中，集散控制系统中记录的过程变量数据一般为分钟级数据，即过程变量数据的第一采样频率为每1分钟采样一条数据，尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度一般为小时级数据，一般情况下所述第二采样频率为每八小时采样一条数据，每天分别在0：00、8：00和16：00取样化验分析。
在一般的实施方式中，我们一般取至少半年的历史数据用来建模，即取当前时间的前第一时间段内优选为当前时间的前半年的历史数据用来建模。
步骤S22：基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并从当前时间的前第一时间段内确定目标取样时间，并基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据。
本实施例中，将每次分析取样生成建模数据的时刻记作目标取样时间，将目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据。在具体的实施方式中，考虑到尿素合成反应器的停留时间，我们假设实验室分析值只受它取样时刻前一个小时的过程变量影响，再往前的过程变量对当前取样时刻的氨碳比影响不大。因此在一般的实施方式中，我们只保留每个分析取样前一个小时的过程数据，即所述目标取样时间的前预设第二时间段优选为目标取样时间的前一个小时，也即后续用来完成建模的数据为各个目标取样时间的前一个小时中的过程数据与相对应的氨碳比。
本实施例中，所述基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据，可以包括：确定所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比；利用预设数据对齐方法将所述目标过程变量数据转换为对齐后过程变量数据，并利用所述对齐后过程变量数据与目标氨碳比生成建模数据。
本实施例中，在具体的实施方式中，由于过程数据和实验室分析数据采样频率不同，一个是1分钟一次，一个是8小时一次，因此在进行数据分析时首先需要将它们对齐，对齐方式优选为将第一采样频率向第二采样频率进行对齐，在具体场景下，60个分钟级数据变成1个小时级数据。
另外，还可能出现在某些时刻过程数据和分析数据中一方有数据而另一方缺失的情况。这种情况下缺失数据的取样时间对应的全部数据将会不予采用。
经过上述处理，得到过程数据作为自变量X，计算得到的氨碳比作为因变量Y，其中X∈Rn×m,Y∈Rn×1，n为最后保留的数据个数，m为过程变量维数。
步骤S23：采用偏最小二乘法计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵；其中，所述第一矩阵为利用所述过程变量数据生成的矩阵，所述第二矩阵为利用所述过程变量数据对应的氨碳比生成的矩阵。
本实施例中，使用PLS方法进行建模，得到氨碳比的回归模型。
本实施例中，可以以循环迭代的方式，以不同的特征向量数目计算第一矩阵和第二矩阵对应的残差矩阵。所述计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵的过程中，即在每次计算残差矩阵的过程中，可以包括：将利用所述过程变量数据生成的第一矩阵与利用所述过程变量数据对应的氨碳比生成的第二矩阵进行归一化处理，以确定处理后第一矩阵与处理后第二矩阵；利用所述处理后第一矩阵与所述处理后第二矩阵计算输入权值向量；利用所述处理后第一矩阵和对所述输入权值向量进行归一化后的向量确定输入得分向量；将所述处理后第二矩阵作为输出得分向量，利用所述输入得分向量和所述处理后第一矩阵确定输入负荷向量，并利用所述输入负荷向量和所述输出得分向量确定内部模型回归系数；利用所述输入负荷向量和所述内部模型回归系数分别计算所述处理后第一矩阵与所述处理后第二矩阵对应的残差矩阵。
1.具体的，首先对数据矩阵X和Y进行归一化处理，即将各变量减去各自的均值并除以各自的标准差。设X的均值为mX，标准差为stdX，Y的均值为mY，标准差为stdY，记归一化后的矩阵为E0和F0，则：
E0＝(X–mX)/stdX；
F0＝(Y–mY)/stdY。
2.令h＝1。
3.令uh＝yj，yj为Fh-1中任一列向量，或者取方差最大的列向量。
4.计算输入权值向量：wh T＝uh TEh-1/(uh Tuh)；
将wh归一化：wh＝wh/||wh||。
5.计算输入得分向量：th＝Eh-1wh/(wh Twh)。
6.计算输出负荷向量：qh T＝1。
7.计算输出得分向量：uh＝Fh。
8.计算输入负荷向量ph：ph T＝th TEh-1/(th Tth)；
9.计算内部模型回归系数bh：bh＝uh Tth/(th Tth)
10.对Eh-1和Fh-1进行缩减，计算残差矩阵：
Eh＝Eh-1-thph T
Fh＝Fh-1-bhthqh T。
步骤S24：利用交叉校验法确定每一特征向量数目对应的预测残差累计平方和，并将所述预测残差累计平方和最小时对应的特征向量数目确定为氨碳比回归模型保留的目标特征向量数目，以构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；其中，所述目标模型参数包括所述过程变量数据对应的第一矩阵的均值与方差、所述过程变量数据与对应的氨碳比对应的第二矩阵的均值与方差、模型权值向量、模型输入负荷向量、模型输出负荷向量、内部模型回归系数。
本实施例中确定特征向量个数的方法有以下几种：1.分析所得到的残差Fh，当Fh的范数||Fh||小于某个阈值时，则停止迭代过程，并确定此时的特征向量的数目为PLS模型(即上述氨碳比回归模型)最后保留的特征向量数目。2.比较||Fh||和||Fh-1||的差值，当它们的差值小于某个预先设定的阈值时，则停止迭代过程，此时的特征向量的数目为PLS模型最后保留的特征向量数目。3.利用交叉校验法确定PLS模型最后保留的特征向量数目。其中优选为利用交叉校验法确定PLS模型最后保留的特征向量数目。
交叉校验法的具体操作为：将样本集分为若干组，剔除一组，利用余下的样本来建立PLS模型，再用剔除组样本作为检验样本，计算模型在其上的预测误差，然后重复上述步骤，直至将每组数据都剔除过一次。将每组数据的模型预测误差求和得到预测残差累积平方和(PRESS)。分别计算取不同个数的特征向量时所对应的PRESS，取PRESS最小时的特征向量数目作为PLS模型最后保留的特征向量数目。
需要指出的是，本发明中在使用交叉校验法时，在第一种具体的实施方式中，可以预先设定特征向量数目的最大迭代次数，在模型迭代所述最大迭代次数之后停止迭代，此时从之前迭代过程中选取PRESS最小时的特征向量数目作为PLS模型最后保留的特征向量数目。在第二种具体的实施方式中，也可以为模型设定循环迭代，模型将会在一直持续进行迭代的过程中自动选取PRESS最小时的特征向量数目作为PLS模型最后保留的特征向量数目。
本实施例中，确定PLS模型最后保留了h个特征向量后，将会保存PLS模型参数，供在线计算时使用，包括如下参数：
(1)自变量X的均值mX、方差stdX、
(2)因变量Y的均值mY、方差stdY、
(3)权值向量W＝[w1,w2,…,wh]、
(4)输入负荷向量P＝[p1,p2,…,ph]、
(5)输出负荷向量Q＝[q1,q2,…,qh]、
(6)内部模型回归系数b＝[b1,b2,…,bh].
步骤S25：将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
在本实施例中的具体实施方式中，可以将上一步骤得到的软测量模型部署到现场，根据过程变量数据按照氨碳比计算方法对氨碳比进行在线计算，每分钟计算一次，每次计算时自变量X取前面建模时使用的相同的过程变量，取当前时刻前60分钟的平均值作为输入，代入PLS模型中得到输出值Y。具体的氨碳比计算方法的计算流程图如图3所示，图中取建模时用到的过程变量的前一小时的平均值记作X，对X做归一化处理：newX＝(X-mX)/stdX，令Y＝0，i＝0；t＝newX.*wi(“.*”为点乘运算，为对应元素相乘然后求和)；Y+＝bi*t，newX＝newX-t*pi；令i＝i+1，判断i是否小于h，若小于，则返回t＝newX.*wi，Y+＝bi*t，newX＝newX-t*pi；若不小于，则将得到的Y反归一化：newY＝Y*stdY+mY，最后得到的newY即氨碳比估计值。
本实施例中提出采集现场与氨碳比有关的过程变量作为模型自变量，主要是尿素合成塔周边的温度、压力、流量等变量，采用偏最小二乘(PLS即partial least squares)方法建立软测量模型，对氨碳比进行实时估计，从而为操作工提供操作指导。利用PLS建立软测量模型的方法，可以有效的解决数据高度相关、样本数较少而变量较多的问题。避免了现有技术中采用离线分析的方式只能粗略给出参考值，后续无法用于精确控制产品质量的情况，具有很强的实用性。
参见图4所示，本申请实施例公开了一种氨碳比软测量装置，具体可以包括：
数据获取模块11，用于从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；
数据处理模块12，用于基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；
模型构建模块13，用于采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；
模型应用模块14，用于将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
本发明中从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。这样一来，本发明通过利用过程变量与氨碳比构建氨碳比回归模型，并将所述氨碳比回归模型应用于目标业务场景后按照预设氨碳比计算频率，利用基于模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。本发明中提供的软测量方法可以基于采集的过程变量实时计算氨碳比，及时有效地反映生产状况，为生产操作提供实时参考，从而可以提高控制精度和产品质量。
进一步的，本申请实施例还公开了一种电子设备，图5是根据示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、显示屏24、输入输出接口25、通信接口26和通信总线27。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的氨碳比软测量方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口26能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的氨碳比软测量方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory，RAM)、内存、只读存储器(Read-OnlyMemory，ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述公开的氨碳比软测量方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的氨碳比软测量方法、装置、设备、存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种氨碳比软测量方法，其特征在于，包括：
从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；
基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；
采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；
将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值；
所述采用预设回归方法利用所述建模数据构建氨碳比回归模型，包括：
采用偏最小二乘法计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵；其中，所述第一矩阵为利用所述过程变量数据生成的矩阵，所述第二矩阵为利用所述过程变量数据对应的氨碳比生成的矩阵；
利用交叉校验法确定每一特征向量数目对应的预测残差累计平方和，并将所述预测残差累计平方和最小时对应的特征向量数目确定为氨碳比回归模型保留的目标特征向量数目，以构建氨碳比回归模型。
2.根据权利要求1所述的氨碳比软测量方法，其特征在于，所述从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值，包括：
从用于存储历史过程数据的集散控制系统中获取当前时间的前第一时间段内以第一采样频率进行存储的过程变量数据，并在当前时间的所述前第一时间段内以第二采样频率采集尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值。
3.根据权利要求2所述的氨碳比软测量方法，其特征在于，所述利用所述过程变量数据与对应的氨碳比生成建模数据，包括：
从当前时间的前第一时间段内确定目标取样时间，并基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据。
4.根据权利要求3所述的氨碳比软测量方法，其特征在于，所述基于所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比生成建模数据，包括：
确定所述过程变量数据与对应的氨碳比中位于所述目标取样时间的前预设第二时间段内的目标过程变量数据与目标氨碳比；
利用预设数据对齐方法将所述目标过程变量数据转换为对齐后过程变量数据，并利用所述对齐后过程变量数据与目标氨碳比生成建模数据。
5.根据权利要求1所述的氨碳比软测量方法，其特征在于，所述计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵的过程中，包括：
将利用所述过程变量数据生成的第一矩阵与利用所述过程变量数据对应的氨碳比生成的第二矩阵进行归一化处理，以确定处理后第一矩阵与处理后第二矩阵；
利用所述处理后第一矩阵与所述处理后第二矩阵计算输入权值向量；
利用所述处理后第一矩阵和对所述输入权值向量进行归一化后的向量确定输入得分向量；
将所述处理后第二矩阵作为输出得分向量，利用所述输入得分向量和所述处理后第一矩阵确定输入负荷向量，并利用所述输入负荷向量和所述输出得分向量确定内部模型回归系数；
利用所述输入负荷向量和所述内部模型回归系数分别计算所述处理后第一矩阵与所述处理后第二矩阵对应的残差矩阵。
6.根据权利要求1至5任一项所述的氨碳比软测量方法，其特征在于，所述将所述氨碳比回归模型中的目标模型参数进行保存，包括：
将所述氨碳比回归模型中的目标模型参数进行保存；其中，所述目标模型参数包括所述过程变量数据对应的第一矩阵的均值与方差、所述过程变量数据与对应的氨碳比对应的第二矩阵的均值与方差、模型权值向量、模型输入负荷向量、模型输出负荷向量、内部模型回归系数。
7.一种氨碳比软测量装置，其特征在于，包括：
数据获取模块，用于从用于存储历史过程数据的集散控制系统中获取过程变量数据，并确定相同时间区间内尿素溶液中的氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值；
数据处理模块，用于基于预设氨碳比计算公式，利用所述氨气浓度、二氧化碳浓度与尿素浓度的实验室分析值确定氨碳比，并利用所述过程变量数据与对应的氨碳比生成建模数据；
模型构建模块，用于采用预设回归方法利用所述建模数据构建氨碳比回归模型，并将所述氨碳比回归模型中的目标模型参数进行保存；所述采用预设回归方法利用所述建模数据构建氨碳比回归模型，包括：采用偏最小二乘法计算每一特征向量数目对应的第一矩阵和第二矩阵的残差矩阵；其中，所述第一矩阵为利用所述过程变量数据生成的矩阵，所述第二矩阵为利用所述过程变量数据对应的氨碳比生成的矩阵；利用交叉校验法确定每一特征向量数目对应的预测残差累计平方和，并将所述预测残差累计平方和最小时对应的特征向量数目确定为氨碳比回归模型保留的目标特征向量数目，以构建氨碳比回归模型；
模型应用模块，用于将所述氨碳比回归模型应用于目标业务场景，以便所述氨碳比回归模型按照预设氨碳比计算频率，利用基于所述模型参数确定的氨碳比计算方法确定当前过程变量数据对应的氨碳比估计值。
8.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的氨碳比软测量方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的氨碳比软测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310194188.7A CN116153425B (zh) | 2023-02-24 | 2023-02-24 | 一种氨碳比软测量方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310194188.7A CN116153425B (zh) | 2023-02-24 | 2023-02-24 | 一种氨碳比软测量方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116153425A CN116153425A (zh) | 2023-05-23 |
| CN116153425B true CN116153425B (zh) | 2024-04-02 |
Family
ID=86356233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310194188.7A Active CN116153425B (zh) | 2023-02-24 | 2023-02-24 | 一种氨碳比软测量方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116153425B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103884780A (zh) * | 2014-04-04 | 2014-06-25 | 广东省宜华木业股份有限公司 | 家具油漆车间voc浓度的建模和预测方法 |
| CN106022532A (zh) * | 2016-05-27 | 2016-10-12 | 常熟理工学院 | 谷氨酸产物浓度在线估计方法、装置及监控系统 |
| CN106706852A (zh) * | 2016-12-27 | 2017-05-24 | 清华-伯克利深圳学院筹备办公室 | 一种气体浓度传感器的标定方法和系统 |
| CN107356710A (zh) * | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
| CN109665976A (zh) * | 2018-11-15 | 2019-04-23 | 锦西天然气化工有限责任公司 | 一种氨法回收烟道气co2与尿素联合生产的工艺 |
| CN110006833A (zh) * | 2019-05-10 | 2019-07-12 | 苏州华能检测技术有限公司 | 一种空气氮氧化物含量的分析检测方法 |
| CN110908361A (zh) * | 2019-12-03 | 2020-03-24 | 江南大学 | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 |
| CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
| CN111881569A (zh) * | 2020-07-24 | 2020-11-03 | 中国科学院大气物理研究所 | 二氧化碳柱浓度的反演方法、装置、存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018165029A1 (en) * | 2017-03-06 | 2018-09-13 | Ion Engineering, Llc | Carbon dioxide capture system and spectroscopic evaluation thereof |
-
2023
- 2023-02-24 CN CN202310194188.7A patent/CN116153425B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103884780A (zh) * | 2014-04-04 | 2014-06-25 | 广东省宜华木业股份有限公司 | 家具油漆车间voc浓度的建模和预测方法 |
| CN106022532A (zh) * | 2016-05-27 | 2016-10-12 | 常熟理工学院 | 谷氨酸产物浓度在线估计方法、装置及监控系统 |
| CN106706852A (zh) * | 2016-12-27 | 2017-05-24 | 清华-伯克利深圳学院筹备办公室 | 一种气体浓度传感器的标定方法和系统 |
| CN107356710A (zh) * | 2017-07-06 | 2017-11-17 | 环境保护部华南环境科学研究所 | 一种垃圾焚烧烟气中二噁英类浓度预测方法及系统 |
| CN109665976A (zh) * | 2018-11-15 | 2019-04-23 | 锦西天然气化工有限责任公司 | 一种氨法回收烟道气co2与尿素联合生产的工艺 |
| CN110006833A (zh) * | 2019-05-10 | 2019-07-12 | 苏州华能检测技术有限公司 | 一种空气氮氧化物含量的分析检测方法 |
| CN110908361A (zh) * | 2019-12-03 | 2020-03-24 | 江南大学 | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 |
| CN111754042A (zh) * | 2020-06-28 | 2020-10-09 | 成都佳华物链云科技有限公司 | 基于高斯回归的大气污染物浓度的预测方法及装置 |
| CN111881569A (zh) * | 2020-07-24 | 2020-11-03 | 中国科学院大气物理研究所 | 二氧化碳柱浓度的反演方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116153425A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101652730B (zh) | 过程控制系统中的工业过程的自动闭环识别的设备和方法 | |
| Krauth et al. | Finite-time analysis of approximate policy iteration for the linear quadratic regulator | |
| JP5734961B2 (ja) | 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法 | |
| US7257501B2 (en) | Apparatus and method for identifying informative data in a process control environment | |
| US20150302313A1 (en) | Method of predicating ultra-short-term wind power based on self-learning composite data source | |
| US20070244575A1 (en) | Robust process model identification in model based control techniques | |
| DE102011102034A1 (de) | Online-Abbgleich eines prozessanalytischen Modells mit effektivem Prozessbetrieb | |
| EP3172629B1 (en) | Robust control design approach for chemical processing industries and other industries | |
| JP2009516301A (ja) | プロセス制御環境においてモデル品質を解析する装置および方法 | |
| Alagoz et al. | Time-domain identification of one noninteger order plus time delay models from step response measurements | |
| CN111612048B (zh) | 无监督聚类异常检测的方法 | |
| Subramaniyan et al. | Real-time data-driven average active period method for bottleneck detection | |
| CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| Kumar et al. | Power system dynamic state estimation using kalman filtering technique | |
| RU2602779C2 (ru) | Способ контроля состояний телемеханизированных нефтепромысловых объектов с помощью нейросетевого анализа | |
| CN116153425B (zh) | 一种氨碳比软测量方法、装置、设备及介质 | |
| CN111398523A (zh) | 基于分布的传感器数据校准方法及系统 | |
| WO2020034248A1 (zh) | 一种基于核磁共振分析仪的原油快速评价建模云平台 | |
| CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
| CN111188761B (zh) | 一种基于Fourier-CVA模型面向机泵设备的监测方法 | |
| CN115603464B (zh) | 一种基于数字孪生的电网操作票智能生成管理系统 | |
| CN111367255A (zh) | 一种多变量控制系统性能评价测试系统及方法 | |
| Mourtzis et al. | Digital transformation of structural steel manufacturing enabled by IoT-based monitoring and knowledge reuse | |
| CN111291020A (zh) | 基于局部加权线性动态系统的动态过程软测量建模方法 | |
| CN111625398B (zh) | 一种异常分析方法、装置、设备以及计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |