CN116183728B - 一种基于人工智能的色谱仪故障检测方法及装置 - Google Patents
一种基于人工智能的色谱仪故障检测方法及装置 Download PDFInfo
- Publication number
- CN116183728B CN116183728B CN202310465187.1A CN202310465187A CN116183728B CN 116183728 B CN116183728 B CN 116183728B CN 202310465187 A CN202310465187 A CN 202310465187A CN 116183728 B CN116183728 B CN 116183728B
- Authority
- CN
- China
- Prior art keywords
- historical
- chromatograph
- target
- average value
- chromatograms
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Treatment Of Liquids With Adsorbents In General (AREA)
Abstract
本申请涉及一种基于人工智能的色谱仪故障检测方法及装置,涉及色谱仪技术领域,该方法包括以下步骤:记录目标色谱仪在日常色谱分析时的历史工作记录;当目标色谱仪中同一种类的历史待测物的检测次数满足当前的故障检测周期时,获取目标色谱仪在当前的故障检测周期对应的多个历史色谱图;基于与目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的历史待测物进行检测,获得参照色谱图;基于参照色谱图以及对应的多个历史色谱图,对目标色谱仪进行故障检测。本申请基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
Description
技术领域
本申请涉及色谱仪技术领域,具体涉及一种基于人工智能的色谱仪故障检测方法及装置。
背景技术
现阶段,色谱仪广泛应用于对试样中的成分进行鉴定或者定量。色谱仪在对试样进行分析时,检测获得对应的色谱图,基于色谱图的色谱峰峰的位置进行成分鉴定,基于色谱峰的面积、高度对该成分进行定量分析。
目前,在诸多高校也开展色谱仪相关的试验教育工作,在该环境下多个色谱仪的日常工作,需要定期对一个或多个固定种类的待测物进行色谱分析工作,即其存在对一个固定的待测物或多个固定的待测物进行重复检测分析的工作需求。在该环境下,运维人员受限于工作量,无法采用传统的运维方式开展色谱仪故障检测工作。
因此,为满足上述运维需求,现提供一种基于人工智能的色谱仪故障检测技术。
发明内容
本申请提供一种基于人工智能的色谱仪故障检测方法及装置,基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
第一方面,本申请提供了一种基于人工智能的色谱仪故障检测方法,所述方法包括以下步骤:
记录目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
当所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测。
进一步的,所述基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述方法还包括以下步骤:
基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测。
进一步的,所述基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
在各所述故障检测周期内,获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
在各所述故障检测周期内,将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障中,包括以下步骤:
在各所述故障检测周期内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得第二色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述方法还包括以下步骤:
记录多个同一型号的目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
当多个所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
比对各所述目标色谱仪中多个所述历史色谱图与所述参照色谱图,获得各所述目标色谱仪的各所述历史色谱图中各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述目标色谱仪的各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值;
在当前的故障检测周期内,针对各所述目标色谱仪,将各所述历史色谱图基于检测时间顺序排列,分析获得各所述目标色谱仪的第一色谱峰高度差平均值的变化情况;
计算各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,计算各所述目标色谱仪在当前的故障检测周期内的色谱峰高度差平均值,记作第三色谱峰高度差平均值;
基于第三色谱峰高度差平均值或第一色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
进一步的,所述方法还包括以下步骤:
基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,获得多个所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得多个所述目标色谱仪的第二色谱峰高度差平均值的变化情况;
基于多个所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
第二方面,本申请提供了一种基于人工智能的色谱仪故障检测装置,所述装置包括:
历史记录模块,其用于记录目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
历史提取模块,其用于当所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
参照获取模块,其用于基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
故障分析模块,其用于基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
在各所述故障检测周期内,获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
在各所述故障检测周期内,将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得第二色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述历史记录模块还用于记录多个同一型号的目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
所述历史提取模块还用于当多个所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
所述参照获取模块,其用于基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
所述故障分析模块还用于基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
比对各所述目标色谱仪中多个所述历史色谱图与所述参照色谱图,获得各所述目标色谱仪的各所述历史色谱图中各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述目标色谱仪的各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值;
在当前的故障检测周期内,针对各所述目标色谱仪,将各所述历史色谱图基于检测时间顺序排列,分析获得各所述目标色谱仪的第一色谱峰高度差平均值的变化情况;
计算各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,计算各所述目标色谱仪在当前的故障检测周期内的色谱峰高度差平均值,记作第三色谱峰高度差平均值;
基于第三色谱峰高度差平均值或第一色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,获得多个所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得多个所述目标色谱仪的第二色谱峰高度差平均值的变化情况;
基于多个所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
本申请提供的技术方案带来的有益效果包括:
本申请基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本申请实施例中提供的基于人工智能的色谱仪故障检测方法的步骤流程图;
图2为本申请实施例中提供的基于人工智能的色谱仪故障检测装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图对本申请的实施例作进一步详细说明。
本申请实施例提供一种基于人工智能的色谱仪故障检测方法及装置,基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
为达到上述技术效果,本申请的总体思路如下:
一种基于人工智能的色谱仪故障检测方法,该方法包括以下步骤:
S1、记录目标色谱仪在日常色谱分析时的历史工作记录,历史工作记录包括历史待测物以及对应的历史色谱图;
S2、当目标色谱仪中同一种类的历史待测物的检测次数满足当前的故障检测周期时,获取目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
S3、基于与目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的历史待测物进行检测,获得参照色谱图;
S4、基于参照色谱图以及对应的多个历史色谱图,对目标色谱仪进行故障检测。
以下结合附图对本申请的实施例作进一步详细说明。
第一方面,参见图1所示,本申请实施例提供一种基于人工智能的色谱仪故障检测方法,该方法包括以下步骤:
S1、记录目标色谱仪在日常色谱分析时的历史工作记录,历史工作记录包括历史待测物以及对应的历史色谱图;
S2、当目标色谱仪中同一种类的历史待测物的检测次数满足当前的故障检测周期时,获取目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
S3、基于与目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的历史待测物进行检测,获得参照色谱图;
S4、基于参照色谱图以及对应的多个历史色谱图,对目标色谱仪进行故障检测。
需要说明的是,本申请实施例的技术方案中的故障监测对象,即目标色谱仪,若存在以下应用场景,则本申请实施例能更好的解决其技术问题:
目标色谱仪的日常工作,需要定期对一个或多个固定种类的待测物进行色谱分析工作,即其存在对一个固定的待测物或多个固定的待测物进行重复检测分析的工作需求。
上述工作需求,具体可以是在高校的教学工作中,为了指导学生掌握色谱仪的基础知识,需要在教学实验室内依托色谱仪进行色谱分析操作,其中存在以下特性:
教学实验室内存在多个型号相同或大致相同的色谱仪,由于每届学生所用的教材或每届学生的教学任务变化较小,且为了节约存储待测物或制作待测物的成本,在进行色谱分析时的待测物多选用固定种类的混合物质,可能是固定的一种也可能是固定的多种,并且为了获得较好的教学效果,该混合物质在经过色谱仪分析后,获得的多个色谱峰之间的差异也应当足够明显,以便更好的方便对混合物质的各个组分情况进行讲解;
面对此场景,多个色谱仪会周期性对固定种类的待测物进行分析,并且由于色谱仪数量众多,其在使用过程中的若出现使用老化或设备故障,学生由于专业知识的欠缺无法及时察觉,可能会影响教学质量,而工作人员面对数量众多的色谱仪时,往往也无法较便利的及时发现问题以及解决问题。
因此,本申请实施例的技术方案,基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
为更清楚的描述本申请实施例的技术方案,给出一种本申请实施例的应用场景,本申请实施例的后续技术特征也依托该应用场景进行说明:
某高校色谱仪教学教室包括多台同型号的色谱仪,以其中5台为例,分别标记为A、B、C、D以及E,假设经历了多个故障检测周期,以其中5个周期为例,分别标记为T1、T2、T3、T4以及T5,历史待测物可以是固定的一种或多种,本申请实施例为方便描述,假设历史待测物仅一种,记作X。
具体的,基于上述提及的应用场景,本申请实施例的技术方案中的操作流程如下:
步骤S1中,记录各目标色谱仪的工作情况,在日常色谱分析时的历史工作记录中具体记录对哪种待测物进行检测以及获得的对应的色谱提,即历史工作记录包括历史待测物以及对应的历史色谱图。
步骤S2中,当标记为A的目标色谱仪检测历史待测物X的次数满足一个故障检测周期,假设是第一个故障检测周期,即故障检测周期T1,获取故障检测周期T1的时间段内,目标色谱仪A每次检测历史待测物X时获得的历史色谱图。
步骤S3中,选取与目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的历史待测物X进行检测,获得参照色谱图;其中,
处于出厂状态是指参照色谱仪排除了使用损耗造成的误差,可以是为崭新的色谱仪,其尽可能的排除数据误差,作为与目标色谱仪进行参照对比的数据来源。
步骤S4中,基于参照色谱仪获取的参照色谱图,与目标色谱仪A在故障检测周期T1的时间段内获得的多个历史色谱图进行比对,识别目标色谱仪A在故障检测周期T1的时间段内的工作误差,从而进行故障检测;
上述流程可以简称为单色谱仪单周期检测流程,旨在检测特定的色谱仪在单个周期内的误差变化情况,从而了解其在对应的故障检测周期内是否出现故障情况。
进一步的,在单色谱仪单周期检测流程中,步骤S4,所述基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
需要说明的是,在上述操作中,各色谱峰的第一色谱峰高度差用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异情况;
第一色谱峰高度差平均值则用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况;
进而,将多个所述历史色谱图基于故障检测周期T1的时间段内的时间顺序排列,从而获得按照时间顺序排列的第一色谱峰高度差平均值,进而能够了解目标色谱仪A在故障检测周期T1的时间段内,第一色谱峰高度差平均值的变化情况;
最终,识别各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,若存在以下情况,则判定所述目标色谱仪A出现故障,反之则未出现故障:
若任一所述历史色谱图的第一色谱峰高度差平均值超过预设的第一色谱峰高度差平均值阈值,则判定所述目标色谱仪A的色谱峰误差较大,出现故障;
若至少两个时间顺序相邻的所述历史色谱图的第一色谱峰高度差平均值之间的数值变化情况大于预设的第一数据变化阈值,则判定所述目标色谱仪A的色谱峰误差波动较大,出现故障。
进一步的,所述方法还包括以下步骤:
基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测。
上述流程可以简称为单色谱仪多周期检测流程,旨在检测特定的色谱仪在多个周期内的误差变化情况,从而了解其经过多个故障检测周期对应的使用是否出现故障情况,相对于单色谱仪单周期检测流程,其可靠性较强,能够尽力避免单周期内色谱仪因为操作或特定外在因素的影响从而造成的检测误差。
在单色谱仪多周期检测流程中,所述基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
在各所述故障检测周期内,获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
在各所述故障检测周期内,将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,在单色谱仪多周期检测流程,基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障中,包括以下步骤:
在各所述故障检测周期内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得第二色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
同样,以前文所述的应用场景为例,具体操作如下:
在所述故障检测周期T1~T5内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第一色谱峰高度差平均值,即对应每个所述故障检测周期,均记录其各自时间段内的所述历史色谱图的第一色谱峰高度差平均值,进而再获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,从而掌握在每个所述故障检测周期内各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况,进而在获得每个所述故障检测周期内各所述历史色谱图的高度差异平均情况,
第二色谱峰高度差平均值为第一色谱峰高度差平均值的平均值,第一色谱峰高度差平均值则用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况,而第二色谱峰高度差平均值用于表示某个故障检测周期内各所述历史色谱图相对所述参照色谱图的高度差异平均情况,因此第一色谱峰高度差平均值对应的是某个故障检测周期内的一个历史色谱图,而第二色谱峰高度差平均值则对应的是某个故障检测周期内的所有历史色谱图的整体水平;
进而,同样,如同单色谱仪单周期检测流程,针对每个所述故障检测周期,均执行同样操作,即针对T1或T2或T3或T4或T5,将多个所述历史色谱图基于对应的故障检测周期的时间段内的时间顺序排列,从而获得各所述故障检测周期对应的按照时间顺序排列的第二色谱峰高度差平均值,进而能够了解目标色谱仪A在故障检测周期T1或T2或T3或T4或T5的时间段内,第二色谱峰高度差平均值的变化情况;
最终,在故障检测周期T1或T2或T3或T4或T5的时间段内,基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,若存在以下情况,则判定所述目标色谱仪A出现故障,反之则未出现故障:
若任一所述故障检测周期的第二色谱峰高度差平均值超过预设的第二色谱峰高度差平均值阈值,则判定所述目标色谱仪A的色谱峰误差较大,出现故障;
若至少两个时间顺序相邻的所述故障检测周期的第二色谱峰高度差平均值之间的数值变化情况大于预设的第二数据变化阈值,则判定所述目标色谱仪A的色谱峰误差波动较大,出现故障。
进一步的,所述方法还包括多色谱仪单周期检测流程,多色谱仪单周期检测流程包括以下步骤:
记录多个同一型号的目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
当多个所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
上述流程可以简称为多色谱仪单周期检测流程,旨在检测多个色谱仪在单个周期内的误差变化情况,并比对各色谱仪在单个周期内的差异情况,从而判断多个色谱仪之间的差异情况以及是否出现故障。
进一步的,所述基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
比对各所述目标色谱仪中多个所述历史色谱图与所述参照色谱图,获得各所述目标色谱仪的各所述历史色谱图中各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述目标色谱仪的各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值;
在当前的故障检测周期内,针对各所述目标色谱仪,将各所述历史色谱图基于检测时间顺序排列,分析获得各所述目标色谱仪的第一色谱峰高度差平均值的变化情况;
计算各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,计算各所述目标色谱仪在当前的故障检测周期内的色谱峰高度差平均值,记作第三色谱峰高度差平均值;
基于第三色谱峰高度差平均值或第一色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
需要说明的是,在上述操作中,各色谱峰的第一色谱峰高度差用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异情况;
第一色谱峰高度差平均值则用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况;
进而,将多个所述历史色谱图基于故障检测周期T1的时间段内的时间顺序排列,从而获得按照时间顺序排列的第一色谱峰高度差平均值,进而能够了解不同的目标色谱仪在故障检测周期T1的时间段内,第一色谱峰高度差平均值的变化情况;
而后,针对单个目标色谱仪而言,计算单个所述目标色谱仪在故障检测周期T1的时间段内的各所述历史色谱图的第一色谱峰高度差平均值的平均值,从而掌握单个所述目标色谱仪在故障检测周期T1的时间段内的色谱峰高度差平均水平,从而再计算其他的所述目标色谱仪在当前的故障检测周期内的第一色谱峰高度差平均值的平均值,获得不同的目标色谱仪的第三色谱峰高度差平均值
最终,识别不同的目标色谱仪的第三色谱峰高度差平均值或其变化情况,从而判定具体哪个所述目标色谱仪出现故障,或哪个所述目标色谱仪与其他所述目标色谱仪相比差异较大。
具体判定操作如下:
若任一所述目标色谱仪的第三色谱峰高度差平均值超过预设的第二色谱峰高度差平均值阈值,则判定对应的所述目标色谱仪的色谱峰误差较大,出现故障;
计算故障检测周期T1的时间段内,不同的目标色谱仪的第三色谱峰高度差平均值的平均值,记作第四色谱峰高度差平均值;
若任一所述目标色谱仪的第三色谱峰高度差平均值与所述第四色谱峰高度差平均值的差异值大于预设的第一高度差平均值数据变化阈值,则判定对应的所述目标色谱仪相对其他的所述目标色谱仪的检测情况存在较大差异,可能出现故障,需要进一步判断,可能是出现故障,也可能是经过长时间使用,使用误差在不同个体上的体现存在明显差异,需要进行更细致的检测维修。
进一步的,所述方法还包括多色谱仪多周期检测流程,多色谱仪多周期检测流程包括以下步骤:
基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
上述流程可以简称为多色谱仪多周期检测流程,旨在检测多个色谱仪在多个周期内的误差变化情况,并比对各色谱仪在多个周期内的差异情况,从而判断多个色谱仪之间的差异情况以及是否出现故障。
进一步的,所述基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,获得多个所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得多个所述目标色谱仪的第二色谱峰高度差平均值的变化情况;
基于多个所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
需要说明的是,此情况可类比多色谱仪单周期检测流程,只不过多色谱仪单周期检测流程的数据来源是一个周期,而此流程的数据来源于多个周期。
同样,以前文所述的应用场景为例,具体操作如下:
在所述故障检测周期T1~T5内,获得各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第一色谱峰高度差平均值,即对应每个所述故障检测周期,均记录其各自时间段内的所述历史色谱图的第一色谱峰高度差平均值,进而再获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,从而掌握在每个所述故障检测周期内各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况,进而在获得各所述目标色谱仪对应每个所述故障检测周期内各所述历史色谱图的高度差异平均情况,
第二色谱峰高度差平均值为第一色谱峰高度差平均值的平均值,第一色谱峰高度差平均值则用于表示各所述历史色谱图中的各色谱峰相对所述参照色谱图中的各色谱峰的高度差异平均情况,而第二色谱峰高度差平均值用于表示某个故障检测周期内各所述历史色谱图相对所述参照色谱图的高度差异平均情况,因此第一色谱峰高度差平均值对应的是某个故障检测周期内的一个历史色谱图,而第二色谱峰高度差平均值则各所述目标色谱仪对应的是某个故障检测周期内的所有历史色谱图的整体水平;
进而,同样,如同单色谱仪单周期检测流程,针对每个所述故障检测周期,均执行同样操作,即针对T1或T2或T3或T4或T5,将多个所述历史色谱图基于对应的故障检测周期的时间段内的时间顺序排列,从而获得各所述故障检测周期对应的按照时间顺序排列的第二色谱峰高度差平均值,进而能够了解各所述目标色谱仪在故障检测周期T1或T2或T3或T4或T5的时间段内,第二色谱峰高度差平均值的变化情况;
最终,识别不同的目标色谱仪的所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,从而判定具体哪个所述目标色谱仪出现故障,或哪个所述目标色谱仪与其他所述目标色谱仪相比差异较大。
具体判定操作如下:
若任一所述目标色谱仪的第二色谱峰高度差平均值超过预设的第二色谱峰高度差平均值阈值,则判定对应的所述目标色谱仪的色谱峰误差较大,出现故障;
计算各故障检测周期的时间段内,不同的目标色谱仪的第二色谱峰高度差平均值的平均值,记作第五色谱峰高度差平均值;
若任一所述目标色谱仪的第二色谱峰高度差平均值与所述第五色谱峰高度差平均值的差异值大于预设的第二高度差平均值数据变化阈值,则判定在对应的故障检测周期内,对应的所述目标色谱仪相对其他的所述目标色谱仪的检测情况存在较大差异,可能出现故障,需要进一步判断,可能是出现故障,也可能是经过长时间使用,使用误差在不同个体上的体现存在明显差异,需要进行更细致的检测维修。
第二方面,参见图2所示,本申请实施例提供一种基于人工智能的色谱仪故障检测装置,该装置包括:
历史记录模块,其用于记录目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
历史提取模块,其用于当所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
参照获取模块,其用于基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
故障分析模块,其用于基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测。
需要说明的是,本申请实施例的技术方案中的故障监测对象,即目标色谱仪,若存在以下应用场景,则本申请实施例能更好的解决其技术问题:
目标色谱仪的日常工作,需要定期对一个或多个固定种类的待测物进行色谱分析工作,即其存在对一个固定的待测物或多个固定的待测物进行重复检测分析的工作需求。
上述工作需求,具体可以是在高校的教学工作中,为了指导学生掌握色谱仪的基础知识,需要在教学实验室内依托色谱仪进行色谱分析操作,其中存在以下特性:
教学实验室内存在多个型号相同或大致相同的色谱仪,由于每届学生所用的教材或每届学生的教学任务变化较小,且为了节约存储待测物或制作待测物的成本,在进行色谱分析时的待测物多选用固定种类的混合物质,可能是固定的一种也可能是固定的多种,并且为了获得较好的教学效果,该混合物质在经过色谱仪分析后,获得的多个色谱峰之间的差异也应当足够明显,以便更好的方便对混合物质的各个组分情况进行讲解;
面对此场景,多个色谱仪会周期性对固定种类的待测物进行分析,并且由于色谱仪数量众多,其在使用过程中的若出现使用老化或设备故障,学生由于专业知识的欠缺无法及时察觉,可能会影响教学质量,而工作人员面对数量众多的色谱仪时,往往也无法较便利的及时发现问题以及解决问题。
因此,本申请实施例的技术方案,基于对特定检测物进行检测的色谱仪的历史检测情况,对单个色谱仪或多个色谱仪均可进行简单高效的故障检测工作,为色谱仪的日常运维提供便利。
为更清楚的描述本申请实施例的技术方案,给出一种本申请实施例的应用场景,本申请实施例的后续技术特征也依托该应用场景进行说明:
某高校色谱仪教学教室包括多台同型号的色谱仪,以其中5台为例,分别标记为A、B、C、D以及E,假设经历了多个故障检测周期,以其中5个周期为例,分别标记为T1、T2、T3、T4以及T5,历史待测物可以是固定的一种或多种,本申请实施例为方便描述,假设历史待测物仅一种,记作X。
具体的,基于上述提及的应用场景,本申请实施例的技术方案中的操作流程如下:
第一步,记录各目标色谱仪的工作情况,在日常色谱分析时的历史工作记录中具体记录对哪种待测物进行检测以及获得的对应的色谱提,即历史工作记录包括历史待测物以及对应的历史色谱图。
第二步,当标记为A的目标色谱仪检测历史待测物X的次数满足一个故障检测周期,假设是第一个故障检测周期,即故障检测周期T1,获取故障检测周期T1的时间段内,目标色谱仪A每次检测历史待测物X时获得的历史色谱图。
第三步,选取与目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的历史待测物X进行检测,获得参照色谱图;其中,
处于出厂状态是指参照色谱仪排除了使用损耗造成的误差,可以是为崭新的色谱仪,其尽可能的排除数据误差,作为与目标色谱仪进行参照对比的数据来源。
第四步,基于参照色谱仪获取的参照色谱图,与目标色谱仪A在故障检测周期T1的时间段内获得的多个历史色谱图进行比对,识别目标色谱仪A在故障检测周期T1的时间段内的工作误差,从而进行故障检测;
上述流程可以简称为单色谱仪单周期检测流程,旨在检测特定的色谱仪在单个周期内的误差变化情况,从而了解其在对应的故障检测周期内是否出现故障情况。
进一步的,所述故障分析模块还用于执行以下操作:
比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
在各所述故障检测周期内,获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
在各所述故障检测周期内,将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得第二色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
进一步的,所述历史记录模块还用于记录多个同一型号的目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
所述历史提取模块还用于当多个所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
所述参照获取模块,其用于基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
所述故障分析模块还用于基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
比对各所述目标色谱仪中多个所述历史色谱图与所述参照色谱图,获得各所述目标色谱仪的各所述历史色谱图中各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述目标色谱仪的各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值;
在当前的故障检测周期内,针对各所述目标色谱仪,将各所述历史色谱图基于检测时间顺序排列,分析获得各所述目标色谱仪的第一色谱峰高度差平均值的变化情况;
计算各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,计算各所述目标色谱仪在当前的故障检测周期内的色谱峰高度差平均值,记作第三色谱峰高度差平均值;
基于第三色谱峰高度差平均值或第一色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
进一步的,所述故障分析模块还用于执行以下操作:
基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
进一步的,所述故障分析模块还用于执行以下操作:
在各所述故障检测周期内,获得多个所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得多个所述目标色谱仪的第二色谱峰高度差平均值的变化情况;
基于多个所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
需要说明的是,本申请实施例提供的基于人工智能的色谱仪故障检测装置,其对应的技术问题、技术手段以及技术效果,从原理层面与基于人工智能的色谱仪故障检测方法的原理类似。
需要说明的是,在本申请中,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。
以上仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于人工智能的色谱仪故障检测方法,其特征在于,所述方法包括以下步骤:
记录目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
当所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测;
所述基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第①色谱峰高度差;
获得各所述历史色谱图的各色谱峰的第①色谱峰高度差的平均值,记作第①色谱峰高度差平均值;
将各所述历史色谱图基于检测时间顺序排列,分析获得第①色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第①色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
2.如权利要求1所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述方法还包括以下步骤:
基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测。
3.如权利要求2所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述基于所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,比对多个所述历史色谱图与所述参照色谱图,获得各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
在各所述故障检测周期内,获得各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作第一色谱峰高度差平均值;
在各所述故障检测周期内,将各所述历史色谱图基于检测时间顺序排列,分析获得第一色谱峰高度差平均值的变化情况;
基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
4.如权利要求3所述的基于人工智能的色谱仪故障检测方法,其特征在于,基于在各所述故障检测周期内,各所述历史色谱图之间的第一色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障中,包括以下步骤:
在各所述故障检测周期内,获得各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得第二色谱峰高度差平均值的变化情况;
基于各所述历史色谱图之间的第二色谱峰高度差平均值或其变化情况,判定所述目标色谱仪是否出现故障。
5.如权利要求1所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述方法还包括以下步骤:
记录多个同一型号的目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
当多个所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
6.如权利要求5所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述基于所述历史待测物的所述参照色谱图以及各所述目标色谱仪对应的多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
比对各所述目标色谱仪中多个所述历史色谱图与所述参照色谱图,获得各所述目标色谱仪的各所述历史色谱图中各色谱峰的色谱峰高度差,记作各色谱峰的第一色谱峰高度差;
获得各所述目标色谱仪的各所述历史色谱图的各色谱峰的第一色谱峰高度差的平均值,记作各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值;
在当前的故障检测周期内,针对各所述目标色谱仪,将各所述历史色谱图基于检测时间顺序排列,分析获得各所述目标色谱仪的第一色谱峰高度差平均值的变化情况;
计算各所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,计算各所述目标色谱仪在当前的故障检测周期内的色谱峰高度差平均值,记作第三色谱峰高度差平均值;
基于第三色谱峰高度差平均值或第一色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
7.如权利要求6所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述方法还包括以下步骤:
基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测。
8.如权利要求7所述的基于人工智能的色谱仪故障检测方法,其特征在于,所述基于多个所述目标色谱仪不同的所述故障检测周期对应同一种类的所述历史待测物的所述参照色谱图以及多个所述历史色谱图,对多个所述目标色谱仪进行故障检测中,包括以下步骤:
在各所述故障检测周期内,获得多个所述目标色谱仪的各所述历史色谱图的第一色谱峰高度差平均值的平均值,记作第二色谱峰高度差平均值;
将各所述故障检测周期基于检测时间顺序排列,分析获得多个所述目标色谱仪的第二色谱峰高度差平均值的变化情况;
基于多个所述目标色谱仪的第二色谱峰高度差平均值或其变化情况,判定各所述目标色谱仪是否出现故障。
9.一种基于人工智能的色谱仪故障检测装置,其特征在于,所述装置包括:
历史记录模块,其用于记录目标色谱仪在日常色谱分析时的历史工作记录,所述历史工作记录包括历史待测物以及对应的历史色谱图;
历史提取模块,其用于当所述目标色谱仪中同一种类的所述历史待测物的检测次数满足当前的故障检测周期时,获取所述目标色谱仪在当前的故障检测周期对应的多个历史色谱图;
参照获取模块,其用于基于与所述目标色谱仪同型号且处于出厂状态的参照色谱仪,对同一种类的所述历史待测物进行检测,获得参照色谱图;
故障分析模块,其用于基于所述参照色谱图以及对应的多个所述历史色谱图,对所述目标色谱仪执行如权利要求1~8任意一项所述的故障检测的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465187.1A CN116183728B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的色谱仪故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465187.1A CN116183728B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的色谱仪故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116183728A CN116183728A (zh) | 2023-05-30 |
CN116183728B true CN116183728B (zh) | 2023-06-27 |
Family
ID=86434818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465187.1A Active CN116183728B (zh) | 2023-04-27 | 2023-04-27 | 一种基于人工智能的色谱仪故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116183728B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166981A (zh) * | 2022-02-10 | 2022-03-11 | 华谱科仪(北京)科技有限公司 | 针对色谱仪老化的动态修正方法、存储介质及电子设备 |
CN115201395A (zh) * | 2022-09-16 | 2022-10-18 | 华谱科仪(北京)科技有限公司 | 一种基于大数据技术的色谱仪监管方法及装置 |
WO2023031447A1 (en) * | 2021-09-06 | 2023-03-09 | F. Hoffmann-La Roche Ag | Method for automated quality check of chromatographic and/or mass spectral data |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060255258A1 (en) * | 2005-04-11 | 2006-11-16 | Yongdong Wang | Chromatographic and mass spectral date analysis |
-
2023
- 2023-04-27 CN CN202310465187.1A patent/CN116183728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023031447A1 (en) * | 2021-09-06 | 2023-03-09 | F. Hoffmann-La Roche Ag | Method for automated quality check of chromatographic and/or mass spectral data |
CN114166981A (zh) * | 2022-02-10 | 2022-03-11 | 华谱科仪(北京)科技有限公司 | 针对色谱仪老化的动态修正方法、存储介质及电子设备 |
CN115201395A (zh) * | 2022-09-16 | 2022-10-18 | 华谱科仪(北京)科技有限公司 | 一种基于大数据技术的色谱仪监管方法及装置 |
Non-Patent Citations (4)
Title |
---|
220kV变压器油色谱在线监测数据的准确性分析;朱金海;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第2期);第C042-725页 * |
Metabolomics by Gas Chromatography–Mass Spectrometry: Combined Targeted and Untargeted Profiling;Oliver Fiehn;Current Protocols in Molecular Biology;第114卷(第1期);第30.4.1-30.4.30页 * |
基于气相色谱仪的数据检测及故障诊断程序设计;刘书红;中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑(第10期);第I140-176页 * |
色谱试验误差原因分析;姚化亭;农村电气化(第8期);第36-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116183728A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8087001B2 (en) | Computer-implemented systems and methods for software application testing | |
CN108256793B (zh) | 一种库存粮食识别代码生成和关联信息采集方法及系统 | |
CN101350083A (zh) | 作业管理装置和作业管理方法 | |
CN102789405A (zh) | 主板自动化测试方法及系统 | |
Kern et al. | Cross-disciplinary method for predicting and reducing human error probabilities in manual assembly operations | |
CN116183728B (zh) | 一种基于人工智能的色谱仪故障检测方法及装置 | |
CN113948159B (zh) | 一种变压器的故障检测方法、装置及设备 | |
CN116106465B (zh) | 一种基于参数分析的色谱仪故障诊断方法及装置 | |
CN109145331A (zh) | 基于硬件白盒测试的电子类产品性能评估方法及装置 | |
CN116087396B (zh) | 一种基于专家模型的色谱数据分析方法及装置 | |
Knab et al. | Visual patterns in issue tracking data | |
CN115376612B (zh) | 一种数据评测方法、装置、电子设备及存储介质 | |
CN114838932A (zh) | 一种rv减速器缓慢时变微弱故障诊断方法 | |
Kitchenham et al. | Evaluating software eng. methods and tools part 10: designing and running a quantitative case study | |
Prasad et al. | Robust process capability indices | |
Adams et al. | Envisioning the Environmental Laboratory of the Future | |
CN115599037B (zh) | 一种基因检测实验室设备自动化监控方法 | |
KR20200046991A (ko) | 바이오마커 동정을 위한 대사체 데이터 자동 분석 장치 및 방법 | |
Fischer et al. | itest: Using coverage measurements to improve test efficiency | |
Juristo et al. | Reliable knowledge for software development | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
Huber | Quality assurance and instrumentation | |
Wärmefjord et al. | An investigation of the effect of sample size on geometrical inspection point reduction using cluster analysis | |
CN116436166B (zh) | 一种基于物联网的电力数据分析监控方法及系统 | |
Petera | Hands-on: Hands-on: Mass spectrometry: LC-MS data processing |
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 |