CN116203836A - 一种智能控制工业烟气吸收剂氨水加量的方法 - Google Patents
一种智能控制工业烟气吸收剂氨水加量的方法 Download PDFInfo
- Publication number
- CN116203836A CN116203836A CN202211170041.6A CN202211170041A CN116203836A CN 116203836 A CN116203836 A CN 116203836A CN 202211170041 A CN202211170041 A CN 202211170041A CN 116203836 A CN116203836 A CN 116203836A
- Authority
- CN
- China
- Prior art keywords
- ammonia water
- data
- flue gas
- addition
- outlet
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明提供一种智能控制工业烟气吸收剂氨水加量的方法；包括数据实时采集程序、算法计算程序和控制终端，所述的自动控制装置根据之前工况，和现阶段工况对比合理给出氨水添加量，采集程序将脱硫工艺数据实时采集，通过算法程序实时计算合适的氨水添加量，将反馈信息反馈给工控机，实时控制氨水添加量。现有的控制出口SO2浓度的自动调节系统，忽略了工况变化和系统运行的偏差，并需要系统二次调试；二种利用深度学习将工况变化考虑进去，且更多的预测出口SO2浓度，再根据与设定值的偏差做还原剂添加量调整，但深度学习本身无法解释，且跟历史数据选择的分布有关，本发明结合机理模型和机器学习模型，利用传统PID控制思想，并用深度神经网络迭代参数。
Description
技术领域
本发明涉及智能环保领域，具体涉及一种智能控制工业烟气吸收剂氨水加量的方法。
背景技术
现有的控制出口SO2浓度的自动调节系统，第一种是依赖于原有的PID控制系统，忽略了工况变化和系统运行的偏差，并需要系统二次调试；第二种则是利用深度学习将工况变化考虑进去，且更多的预测出口SO2浓度，再根据与设定值的偏差做还原剂添加量调整，但深度学习本身无法解释，且跟历史数据选择的分布有关，本发明结合机理模型和机器学习模型，利用传统的PID控制思想，并用深度神经网络迭代参数。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种。
为实现上述目的，本发明采用了如下技术方案：一种智能控制工业烟气吸收剂氨水加量的方法，所述方法步骤如下：
S1：导出湿法烟气脱硫装置的历史运行数据作为样本集；
通过在工控机的历史数据库中导出湿法烟气脱硫装置的历史运行数据作为样本集；
S2：将步骤S1中导出的历史运行数据进行预处理，并将历史运行数据进行填充；
将历史运行数据利用数据清洗方法进行预处理，对于有噪声的数据用平均滑动方式将不合理的数据平滑掉，并用均值的方法将历史运行数据进行填充；
S3：将步骤S2预处理后的历史运行数据进行特征处理；
将前30分钟的进口SO2浓度、进口烟气量、进口烟气湿度、氧含量和氨水流量、密度、PH值、出口SO2浓度、出口流量、出口含氧量、湿度的均值，作为该时刻氨水改变量的关联特征，将出口SO2浓度瞬时值进行分箱操作，数据转换成类别数据；
S4：根据脱硫实际运行情况将数据时间段分为5类；
所述5类数据时间段分别为反吹阶段、检测设备标定阶段、运行稳定阶段、运行波动阶段以及出口低控状态；
S5：脱硫工艺参数计算；
计算运行稳定阶段和运行波动阶段的入口SO2质量与脱硫设备的设计值进行对比；并计算液气比，计算氨硫摩尔比作为瞬时工况参数；
S6：构建网络形状，得出判定公式；
S7：用步骤S6得到的判定公式进行判定；
通过步骤S6得出的判定公式判定运行波动阶段其氨水增减量是否合理；剔除不合理的变化量，得到在不同特征下氨水的变化量，将氨水变化量的分布记录为集合；
S8：将步骤S7中的集合作为分类结果，构造多个深度网络模型-卷积和循环神经网络，并进行训练，选出使得T最小的氨水的变化量，过段时间模型重新训练一次以适应新的工况；
S9：确定最终氨水添加量；
计算前90分钟稳定工况下的氨水添加量均值U，作为稳定工况的添加量，以减少出口波动，和自身的扰动引起的出口SO2浓度波动，利用PID自适应系统数据最终氨水添加量W= U+y。
较佳的，所述步骤S5中，计算运行稳定阶段和运行波动阶段的入口SO2质量的公式为：M10=Q10×C10×10-6，并和脱硫设备的设计值：M11=Q11×C11×10-6进行对比,将其差值Mt=M10- M11作为其波动因素；计算液气比的公式为：液气比（L/G）=氨水流量(m3/h)/气体量(Nm3/h)；计算氨硫摩尔比的公式为：氨硫摩尔比(V0×C2×ρ/17)/(（Q10×C10- Q20×C20）×10-6/32)。
较佳的，所述步骤S6中判定公式为T = a1×(Cmax-Cset)-a2×(Cmin-Cset)+a3×Cx。
较佳的，所述步骤S8中氨水的变化量的确定步骤如下：
S8-1：利用pytorch构造简单的3层神经网络，其中input layer 为之前构造的特征矩阵，中间hidden layer 为隐藏神经元，
z =
，得到每个类别得分Zj；
S8-2：利用softmax函数，将氨水变化量变为类别得分的概率，最大的概率就是输出值，其损失函数为
oss = -
，其中，N为样本数，C为类别数，yij表示第i条样本的类别为j，/>
)为第i条样本类别j的概率；
S8-3；利用pytorch构造序列深度网络中的部分记录和当前正相关的值，记录前后数据的关联性，ft=σ（Wf*[ht-1,xt] + bf），Dt=tanh(Wd*[ht-1,xt]+bd)，Ct=Ct-1+Dt*ft，
ot= σ(Wo*[ht-1,xt]+ bo),ht=ot*tanh(Ct)，得到Ct作为每个类别的概率；
S8-4:将步骤S8-1以及步骤S8-2得到的2个模型的分类概率，算其均值，得到最终的类别概率，公式为：Y=(fj+ Dt)/2,氨水变化量y，为最终输出值。
较佳的，所述步骤S9中，氨水添加量均值U使用自回归模型进行计算，具体公式为：
其中，p表示采集的阶数，表示独立同分布的随机变量序列。
与现有技术相比，本发明的有益效果为：1、不需要预测SO2浓度，直接学习运行良好的策略，精确控制出口。
2、根据实际工况，将数据分为不同工况，让数据更有可解释性，对于机理模型不能解释的情况，如标定（传感器校准时），数据无用，不能作为样本进行训练，分类出不同工况下的控制策略。
3、深度学习网络自主学习根据历史数据获得具体数据，精准添加原料，PID控制的思想鲁棒性强，得到的模型更加稳定，避免系统的不稳定。
附图说明
图1为本发明流程示意图；
图2为soft max模型示意图；
图3为 Ad Cell模型示意图；
图4为 Ad Cell模型训练损失迭代图；
图5是Soft max模型的的训练迭代图
图6是氨水调节阀实际指导的效果图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解，兹配合实施例详细说明如下。
请结合参照图1到图6，本发明提供了一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所述方法步骤如下：
S1：导出湿法烟气脱硫装置的历史运行数据作为样本集；
通过在工控机的历史数据库中导出湿法烟气脱硫装置的历史运行数据作为样本集；
S2：将步骤S1中导出的历史运行数据进行预处理，并将历史运行数据进行填充；
将历史运行数据利用数据清洗方法进行预处理，对于有噪声的数据用平均滑动方式将不合理的数据平滑掉，并用均值的方法将历史运行数据进行填充；
S3：将步骤S2预处理后的历史运行数据进行特征处理；
将前30分钟的进口SO2浓度、进口烟气量、进口烟气湿度、氧含量和氨水流量、密度、PH值、出口SO2浓度、出口流量、出口含氧量、湿度的均值，作为该时刻氨水改变量的关联特征，将出口SO2浓度瞬时值进行分箱操作，数据转换成类别数据；
进一步的，分箱操作（Binning）作为数据预处理的一部分，也被称为离散分箱或数据分段。其实分箱的本质上就是把数据进行分组；
分箱就是把数据按特定的规则进行分组，实现数据的离散化，增强数据稳定性，减少过拟合风险。
S4：根据脱硫实际运行情况将数据时间段分为5类；
所述5类数据时间段分别为反吹阶段、检测设备标定阶段、运行稳定阶段、运行波动阶段以及出口低控状态；
S5：脱硫工艺参数计算；
计算运行稳定阶段和运行波动阶段的入口SO2质量与脱硫设备的设计值进行对比；并计算液气比，计算氨硫摩尔比作为瞬时工况参数；
S6：构建网络形状，得出判定公式；
构造网络形状，将氨水量的增减值y作为目标值，之后半小时的出口SO2浓度最大值、最小值和方差作为其增量是否合理的判定依据；
S7：用步骤S6得到的判定公式进行判定；
通过步骤S6得出的判定公式判定运行波动阶段其氨水增减量是否合理；剔除不合理的变化量，得到在不同特征下氨水的变化量，将氨水变化量的分布记录为集合；
所述不合理的变化量指出口SO2浓度是否稳定；在入口SO2浓度波动的情况下，是否能将出口SO2浓度尽量控制稳定，依据就是T值，是否偏离太大；
S8：将步骤S7中的集合作为分类结果，构造多个深度网络模型-卷积和循环神经网络，并进行训练，选出使得T最小的氨水的变化量，过段时间模型重新训练一次以适应新的工况；
S9：确定最终氨水添加量；
计算前90分钟稳定工况下的氨水添加量均值U，作为稳定工况的添加量，以减少出口波动，和自身的扰动引起的出口SO2浓度波动，利用PID自适应系统数据最终氨水添加量W= U+y。
较佳的，所述步骤S2中，数据清洗方法包括：
S2-1：填补遗漏的数据值：利用回归分析、贝叶斯计算或者决策树推断出该条记录特定属性最可能的取值；
S2-2：平滑有噪声数据：噪声是指被测变量的一个随机错误或变化。通过Bin方法、聚类方法或者回归方法来对数据进行平滑；
S2-3：识别和去除异常数据以及解决数据不一致问题：利用数据与外部的关联手工进行解决。比如录入数据发生的错误一般可以通过与原稿对比来纠正。
进一步的，有噪声的数据以及无噪声的数据的清理方法是一样的。
1.较佳的，所述步骤S5中，计算运行稳定阶段和运行波动阶段的入口SO2质量的公式为：M10=Q10×C10×10-6，并和脱硫设备的设计值：M11=Q11×C11×10-6进行对比,将其差值Mt=M10- M11作为其波动因素；计算液气比的公式为：液气比（L/G）=氨水流量(m3/h)/气体量(Nm3/h)；计算氨硫摩尔比的公式为：氨硫摩尔比(V0×C2×ρ/17)/(（Q10×C10- Q20×C20）×10-6/32)。
较佳的，所述步骤S6中判定公式为T = a1×(Cmax-Cset)-a2×(Cmin-Cset)+a3×Cx。
Cmax为SO2浓度最大值、Cmin为SO2浓度最小值、Cset为SO2浓度设定值、Cx为SO2浓度的方差。
较佳的，所述步骤S8中氨水的变化量的确定步骤如下：
S8-1：利用pytorch构造简单的3层神经网络，其中input layer 为之前构造的特征矩阵，中间hidden layer 为隐藏神经元，
z =
，得到每个类别得分Zj；
S8-2：利用softmax函数，将氨水变化量变为类别得分的概率，最大的概率就是输出值，其损失函数为
loss = -
，其中，N为样本数，C为类别数，/>
表示第i条样本的类别为j，/>
为第i条样本类别j的概率；
S8-3；利用pytorch构造序列深度网络中的部分记录和当前正相关的值，记录前后数据的关联性，ft=σ（Wf*[ht-1,xt] + bf），Dt=tanh(Wd*[ht-1,xt]+bd)，Ct=Ct-1+Dt*ft，
ot= σ(Wo*[ht-1,xt]+ bo),ht=ot*tanh(Ct)，得到Ct作为每个类别的概率。
其中：ft为前一时间内工况参数训练的参数；Dt为记录新输入特征参数对于模型的影响;Ct为采用前段时间的工况保留部分和新工况参数计算得到的相乘，大部分状态是0，解决梯度爆炸问题；ot为计算本次t时刻需要记录的信息参数保留部分权重，取值0-1；ht为隐藏层输出，是每次t时刻的隐藏层输出；Wd、Wo、Wf为前一个隐藏层和新的输入特征之间的权重矩阵；σ是指sigmoid函数，公式：F (x)=1/ (1+e^-x)（-x是幂数），将数值变成0-1的值；bd 、bf、bo为偏置参数。
S8-4:将步骤S8-1以及步骤S8-2得到的2个模型的分类概率，算其均值，得到最终的类别概率，公式为：Y=(fj+ Dt)/2，氨水变化量y，为最终输出值。
较佳的，所述步骤S9中，氨水添加量均值U使用自回归模型进行计算，具体公式为：
其中，p表示采集的阶数，表示独立同分布的随机变量序列。
图4是AdCell模型的训练迭代图，图5是Soft max模型的的训练迭代图，深度模型可训练且损失值较高是模型优劣的评价标准，2个模型训练时训练集和测试集的损失值随着迭代逐渐变小，收敛，且损失值都比较小，模型效果较好，根据训练好的模型实时计算得到分类氨水变化量y的结果，通过阀门的流量-开度关系图，直接指导氨水调节阀的开度。
图6是氨水调节阀实际指导的效果，通过模型计算出氨水的变化量y，在氨水均值稳定的计算值基础上，指导其氨水调节阀开度，图6显示模型输出的氨水添加量能将出口SO2浓度稳定控制在一定范围内，均值高且不超标。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。
Claims (5)
1.一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所述方法步骤如下：
S1：导出湿法烟气脱硫装置的历史运行数据作为样本集；
通过在工控机的历史数据库中导出湿法烟气脱硫装置的历史运行数据作为样本集；
S2：将步骤S1中导出的历史运行数据进行预处理，并将历史运行数据进行填充；
将历史运行数据利用数据清洗方法进行预处理，对于有噪声的数据用平均滑动方式将不合理的数据平滑掉，并用均值的方法将历史运行数据进行填充；
S3：将步骤S2预处理后的历史运行数据进行特征处理；
将前30分钟的进口SO2浓度、进口烟气量、进口烟气湿度、氧含量和氨水流量、密度、PH值、出口SO2浓度、出口流量、出口含氧量、湿度的均值，作为该时刻氨水改变量的关联特征，将出口SO2浓度瞬时值进行分箱操作，数据转换成类别数据；
S4：根据脱硫实际运行情况将数据时间段分为5类；
所述5类数据时间段分别为反吹阶段、检测设备标定阶段、运行稳定阶段、运行波动阶段以及出口低控状态；
S5：脱硫工艺参数计算；
计算运行稳定阶段和运行波动阶段的入口SO2质量与脱硫设备的设计值进行对比；并计算液气比，计算氨硫摩尔比作为瞬时工况参数；
S6：构建网络形状，得出判定公式；
S7：用步骤S6得到的判定公式进行判定；
通过步骤S6得出的判定公式判定运行波动阶段其氨水增减量是否合理；剔除不合理的变化量，得到在不同特征下氨水的变化量，将氨水变化量的分布记录为集合；
S8：将步骤S7中的集合作为分类结果，构造多个深度网络模型-卷积和循环神经网络，并进行训练，选出使得T最小的氨水的变化量，过段时间模型重新训练一次以适应新的工况；
S9：确定最终氨水添加量；
计算前90分钟稳定工况下的氨水添加量均值U，作为稳定工况的添加量，以减少出口波动，和自身的扰动引起的出口SO2浓度波动，利用PID自适应系统数据最终氨水添加量W = U+y。
2.如权利要求1所述的一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所述步骤S5中，计算运行稳定阶段和运行波动阶段的入口SO2质量的公式为：M10=Q10×C10×10-6 ，并和脱硫设备的设计值：M11=Q11×C11×10-6进行对比,将其差值Mt = M10- M11作为其波动因素；计算液气比的公式为：液气比（L/G）=氨水流量(m3/h)/气体量(Nm3/h)；计算氨硫摩尔比的公式为：氨硫摩尔比(V0×C2×ρ/17)/(（Q10×C10- Q20×C20）×10-6 /32)。
3.如权利要求1所述的一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所述步骤S6中判定公式为T = a1×(Cmax-Cset)-a2×(Cmin-Cset)+a3×Cx 。
4.如权利要求1所述的一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所述步骤S8中氨水的变化量的确定步骤如下：
S8-1：利用pytorch构造简单的3层神经网络，其中input layer 为之前构造的特征矩阵，中间hidden layer 为隐藏神经元，
z =
，得到每个类别得分Zj；
S8-2：利用softmax函数
,将氨水变化量变为类别得分的概率，最大的概率
就是输出值，其损失函数为
loss = -
，其中，N为样本数，C为类别数，yij表示第i条样本的类别
为j，
)为第i条样本类别j的概率；
S8-3；利用pytorch构造序列深度网络中的部分记录和当前正相关的值，记录前后数据的关联性，ft=σ（Wf*[ht-1,xt] + bf），Dt=tanh(Wd*[ht-1,xt]+bd)，Ct=Ct-1+Dt*ft，
ot = σ(Wo*[ht-1,xt] + bo),ht=ot *tanh(Ct)，得到Ct作为每个类别的概率；
S8-4:将步骤S8-1以及步骤S8-2得到的2个模型的分类概率，算其均值，得到最终的类别概率，公式为：Y=(fj + Dt)/2,氨水变化量y,为最终输出值。
5.如权利要求1所述的一种智能控制工业烟气吸收剂氨水加量的方法，其特征在于：所
述步骤S9中，氨水添加量均值U使用自回归模型进行计算，具体公式为：
其中，p表示采集的阶数，表示独立同分布的随机变量序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211170041.6A CN116203836A (zh) | 2022-09-26 | 2022-09-26 | 一种智能控制工业烟气吸收剂氨水加量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211170041.6A CN116203836A (zh) | 2022-09-26 | 2022-09-26 | 一种智能控制工业烟气吸收剂氨水加量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116203836A true CN116203836A (zh) | 2023-06-02 |
Family
ID=86513629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211170041.6A Pending CN116203836A (zh) | 2022-09-26 | 2022-09-26 | 一种智能控制工业烟气吸收剂氨水加量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116203836A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908481A (zh) * | 2023-09-12 | 2023-10-20 | 江苏尤里卡生物科技有限公司 | 一种用于尿液处理的智能化添加剂自动加料系统 |
-
2022
- 2022-09-26 CN CN202211170041.6A patent/CN116203836A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116908481A (zh) * | 2023-09-12 | 2023-10-20 | 江苏尤里卡生物科技有限公司 | 一种用于尿液处理的智能化添加剂自动加料系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111105332B (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
| CN111444953B (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
| CN111047094A (zh) | 一种基于深度学习算法的抄表数据异常分析方法 | |
| CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN112819107B (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
| CN111079978B (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN111860701B (zh) | 一种基于聚类方法的脱硝系统工况判别预处理方法 | |
| CN115570228B (zh) | 一种焊接管道供气智能反馈控制方法与系统 | |
| CN111639882B (zh) | 一种基于深度学习的用电风险的判定方法 | |
| CN116316599A (zh) | 一种智能用电负荷预测方法 | |
| CN116203836A (zh) | 一种智能控制工业烟气吸收剂氨水加量的方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
| CN112818033A (zh) | 基于神经网络的袋式除尘器破袋智能检测方法 | |
| CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN117290752A (zh) | 一种磨煤机煤粉细度的预测方法 | |
| CN116522065A (zh) | 一种基于深度学习的磨煤机健康度评估方法 | |
| CN116432856A (zh) | 基于cnn-glstm模型的管道动态预警方法及装置 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
| CN113379149A (zh) | 一种基于lstm神经网络的空气微站浓度预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 224051 innovation center, 42 environmental protection Avenue, environmental protection science and Technology City, Tinghu District, Yancheng City, Jiangsu Province Applicant after: Jiangsu Kunlun Internet Technology Co.,Ltd. Address before: 224051 innovation center, 42 environmental protection Avenue, environmental protection science and Technology City, Tinghu District, Yancheng City, Jiangsu Province Applicant before: Kunyue Internet Environmental Technology (Jiangsu) Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |