CN116739411A - 一种数据质量检测方法、装置、设备和介质 - Google Patents
一种数据质量检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116739411A CN116739411A CN202310546907.7A CN202310546907A CN116739411A CN 116739411 A CN116739411 A CN 116739411A CN 202310546907 A CN202310546907 A CN 202310546907A CN 116739411 A CN116739411 A CN 116739411A
- Authority
- CN
- China
- Prior art keywords
- substances
- input
- output
- production data
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 239000000126 substance Substances 0.000 claims abstract description 312
- 238000004519 manufacturing process Methods 0.000 claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 130
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 126
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 126
- 229910052751 metal Inorganic materials 0.000 claims abstract description 99
- 239000002184 metal Substances 0.000 claims abstract description 98
- 230000008569 process Effects 0.000 claims abstract description 88
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 82
- 239000000463 material Substances 0.000 claims description 57
- 229910052742 iron Inorganic materials 0.000 claims description 38
- 239000000047 product Substances 0.000 claims description 34
- 229910000831 Steel Inorganic materials 0.000 claims description 24
- 239000002994 raw material Substances 0.000 claims description 24
- 239000010959 steel Substances 0.000 claims description 24
- 239000002910 solid waste Substances 0.000 claims description 12
- 239000006227 byproduct Substances 0.000 claims description 10
- 150000002739 metals Chemical class 0.000 claims description 10
- 238000003723 Smelting Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 abstract description 22
- 238000012545 processing Methods 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 description 14
- 239000008188 pellet Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009628 steelmaking Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 239000000571 coke Substances 0.000 description 6
- 238000005453 pelletization Methods 0.000 description 5
- 238000005245 sintering Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- OMOVVBIIQSXZSZ-UHFFFAOYSA-N [6-(4-acetyloxy-5,9a-dimethyl-2,7-dioxo-4,5a,6,9-tetrahydro-3h-pyrano[3,4-b]oxepin-5-yl)-5-formyloxy-3-(furan-3-yl)-3a-methyl-7-methylidene-1a,2,3,4,5,6-hexahydroindeno[1,7a-b]oxiren-4-yl] 2-hydroxy-3-methylpentanoate Chemical compound CC12C(OC(=O)C(O)C(C)CC)C(OC=O)C(C3(C)C(CC(=O)OC4(C)COC(=O)CC43)OC(C)=O)C(=C)C32OC3CC1C=1C=COC=1 OMOVVBIIQSXZSZ-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002801 charged material Substances 0.000 description 3
- -1 energy media Substances 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- NNJPGOLRFBJNIW-HNNXBMFYSA-N (-)-demecolcine Chemical compound C1=C(OC)C(=O)C=C2[C@@H](NC)CCC3=CC(OC)=C(OC)C(OC)=C3C2=C1 NNJPGOLRFBJNIW-HNNXBMFYSA-N 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 239000010459 dolomite Substances 0.000 description 2
- 229910000514 dolomite Inorganic materials 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 125000000484 butyl group Chemical group [H]C([*])([H])C([H])([H])C([H])([H])C([H])([H])[H] 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005098 hot rolling Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacture And Refinement Of Metals (AREA)
Abstract
本发明公开了一种数据质量检测方法、装置、设备和介质，包括：获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。本发明对目标工序的数据质量进行自动检测，避免了使用人工核查数据，不仅提高了数据质量处理效率节省了大量人工和时间，同时还提高了数据质量检测的准确性，进而为下一步的碳足迹评估提供较准确的数据基础，避免对碳足迹评估造成不必要的偏差。
Description
技术领域
本发明涉及碳足迹评估技术领域，尤其涉及一种数据质量检测方法、装置、设备和介质。
背景技术
钢铁行业是碳排放重点行业，对钢铁产品进行碳足迹评估是监控钢铁行业的碳排放的主要措施。在对钢铁产品进行碳足迹评估时，主要基于对钢铁产品涉及的各个工序过程的数据进行碳足迹评估。钢铁产品涉及的工序过程数量多，且每个工序过程涉及的数据包括产品、副产品、原材料、辅助材料、能源介质、固体废弃物等六大类别的数据，导致用于进行碳足迹评估的数据量很庞大。而用于进行碳足迹评估的数据质量的好坏直接影响碳足迹评估的评估结果，相关技术中主要通过人为方式进行数据质量的检查，但是该方式无法准确判断用于进行碳足迹评估的数据质量的好坏。
发明内容
本申请实施例通过提供一种数据质量检测方法、装置、设备和介质，解决了现有技术中通过人为方式进行数据质量检查导致的效率低和准确率低的技术问题，实现了自动对数据质量进行评估，提高检测效率和准确率的技术效果。
第一方面，本申请提供了一种数据质量检测方法，方法包括：
获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序；
根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
进一步地，获取目标工序中涉及的投入类物质和产出类物质的原始生产数据，包括：
获取目标工序中涉及的多种物质各自的生产数据；多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
按照原料和产物的区别，对多种物质进行分类，得到投入类物质和产出类物质；
根据多种物质各自的生产数据，确定投入类物质和产出类物质对应的原始生产数据。
进一步地，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差，包括：
根据投入类物质的原始生产数据，确定投入类物质的投入物质总重量；
根据产出类物质的原始生产数据，确定产出类物质的产出物质总重量；
根据投入物质总重量和产出物质总重量，确定投入类物质与产出类物质之间的重量相对误差。
进一步地，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的金属含量相对误差，包括：
根据投入类物质的原始生产数据，确定投入类物质中目标金属的投入金属总重量；
根据产出类物质的原始生产数据，确定产出类物质中目标金属的产出金属总重量；
根据投入金属总重量和产出金属总重量，确定目标金属在投入类物质与产出类物质之间的金属含量相对误差。
进一步地，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的碳含量相对误差，包括：
根据投入类物质的原始生产数据，确定投入类物质中的投入碳元素总重量；
根据产出类物质的原始生产数据，确定产出类物质中的产出碳元素总重量；
根据投入碳元素总重量和产出碳元素总重量，确定碳元素在投入类物质与产出类物质之间的碳含量相对误差。
进一步地，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质的敏感含量相对误差，包括：
根据投入类物质中第一敏感物质的生产数据和以及第一敏感物质对应的历史生产数据，确定第一敏感物质的第一含量偏差量；
根据产出类物质中第二敏感物质的生产数据和以及第二敏感物质对应的历史生产数据，确定第二敏感物质的第二含量偏差量；
敏感含量相对误差包括第一含量偏差量和第二含量偏差量。
第二方面，本申请提供了一种数据质量检测装置，装置包括：
获取模块，用于获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序；
误差确定模块，用于根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
判断模块，用于根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
进一步地，获取模块，包括：
获取子模块，用于获取目标工序中涉及的多种物质各自的生产数据；多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
分类子模块，用于按照原料和产物的区别，对多种物质进行分类，得到投入类物质和产出类物质；
确定子模块，用于根据多种物质各自的生产数据，确定投入类物质和产出类物质对应的原始生产数据。
第三方面，本申请提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行以实现如第一方面提供的一种数据质量检测方法。
第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的一种数据质量检测方法。
本申请实施例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：
本申请实施例通过对目标工序中的投入类物质和产出类物质的原始生产数据进行分析，确定出对应的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，依据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差确定当前目标工序的生产数据是否合格。可见，本申请实施例可以在进行碳足迹评估之前先对目标工序的数据质量进行自动检测，避免了使用人工核查数据，不仅提高了数据质量处理效率节省了大量人工和时间，同时还提高了数据质量检测的准确性，进而为下一步的碳足迹评估提供较准确的数据基础，避免对碳足迹评估造成不必要的偏差。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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为本申请提供的一种数据质量检测方法的流程示意图；
图2为本申请提供的一种数据质量检测装置的结构示意图；
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种数据质量检测方法，解决了现有技术中通过人为方式进行数据质量检查导致的效率低和准确率低的技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：
一种数据质量检测方法，方法包括：获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序；根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
本实施例通过对目标工序中的投入类物质和产出类物质的原始生产数据进行分析，确定出对应的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，依据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差确定当前目标工序的生产数据是否合格。可见，本实施例可以在进行碳足迹评估之前先对目标工序的数据质量进行自动检测，避免了使用人工核查数据，不仅提高了数据质量处理效率节省了大量人工和时间，同时还提高了数据质量检测的准确性，进而为下一步的碳足迹评估提供较准确的数据基础，避免对碳足迹评估造成不必要的偏差。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
钢铁行业主要以高炉-转炉长流程生产工艺为主，是主要的碳排放行业之一。钢铁行业中从原材料的生产运输、钢铁产品生产到下游行业中钢铁的使用和回收，都涉及了碳的转化和排放。对钢铁产品进行碳足迹评估是监控钢铁行业的碳排放的主要措施。钢铁产品碳足迹评估通常会涉及十几个、几十个甚至上百个工序过程，每个工序过程的数据包括产品、副产品、原材料、辅助材料、能源介质、固体废弃物等六大类别。因此，对于复杂的钢铁企业，做产品碳足迹评估会涉及上万条数据项，而数据质量的好坏，对碳足迹评估的结果起到决定性的作用，因此在做碳足迹评估前，需要对收集到的数据进行质量检查。
然而，与碳足迹评估相关的标准中未对具体的数据质量检查方法做详细阐述。相关技术中主要通过人工对大量的原始数据进行检测，需要投入大量的时间和经历，且人为检测的准确性不高，会造成不必要的偏差。
为了解决上述问题，本实施例提供了如图1所示的一种数据质量检测方法，方法包括步骤S11-步骤S13。
步骤S11，获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序；
步骤S12，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
步骤S13，根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
关于步骤S11，获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序。
钢铁冶炼行业的生产工序包括烧结、球团、炼铁和炼钢等发生化学反应的工序，还包括连铸、热轧、冷轧和涂镀等发生物理变化的工序。由于发生化学反应的工序会涉及铁含量的变化和碳排放，而发生物理变化的工序中并不会涉及铁含量的变化和碳排放。因此，本实施例中的目标工序主要是指发生化学反应的至少一种工序。也就是说，本实施例中的目标工序可以是烧结、球团、炼铁和炼钢中的任意一种或多种工序。
另外，烧结、球团、炼铁和炼钢等各个工序中还包括多种子工序。例如，炼铁工序中会涉及多个高炉工序，每个高炉工序为炼铁工序中的子工序；炼钢工序中会涉及多个转炉工序，每个转炉工序为炼钢工序中的子工序。本实施例中的目标工序也可以是多种子工序中的至少一种工序，例如，一个高炉工序可以作为目标工序，一个转炉工序也可以作为目标工序。
在实际操作时，目标工序可以根据对数据质量的需求精度进行选择。例如，当需要预估生产过程中存在的碳排放时，那么对数据质量的要求精度不高，则可以将烧结、球团、炼铁或炼钢这一大类的工序作为目标工序。当需要精确计算生产过程中存在的碳排放时，那么对数据质量的要求精度较高，则可以将烧结、球团、炼铁或炼钢中涉及的多个子工序分别作为目标工序进行计算。
在实际操作时，可以通过步骤S111-步骤S113实现。
步骤S111，获取目标工序中涉及的多种物质各自的生产数据；多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
步骤S112，按照原料和产物的区别，对多种物质进行分类，得到投入类物质和产出类物质；
步骤S113，根据多种物质各自的生产数据，确定投入类物质和产出类物质对应的原始生产数据。
针对目标工序而言，会涉及多种物质的转化和产出，进而涉及多种物质的生产数据，生产数据包括用量和产量。多种物质的用量和产量的生产数据在目标工序执行过程中会被记录。在执行步骤S11时，可以通过在线或离线的方式从目标工序对应的系统中获取。
多种物质至少可以包括产品、副产品(也称为共生产品)、原材料、辅助材料、能源介质和固体废弃物等六大类别。根据各物质是作为原料还是作为产物的区别，可以将多种物质划分为投入类物质和产出类物质。其中，原料物质为投入类物质，产物为产出类物质。通常情况下，原材料、辅助材料和能源介质属于原料，进而记为投入类物质，产品、副产品和固体废弃物属于产物，记为产出类物质。
例如，如表1所示，为某1#高炉工序过程中涉及的部分物质及其生产数据。电、低压蒸汽和鼓风属于能源介质，冶金焦、烧结矿和精块矿属于原材料，白云石和石灰石属于辅助材料，高炉铁水属于产品，高炉煤气、电、高炉渣和高炉灰属于共生产品或者属于固体废弃物。其中，能源物质、原材料和辅助材料则是用于生产高炉铁水的原料，为投入类物质，而产品、共生产品和固体废弃物属于高炉工序中的产物，进而为产出类物质。需要注意的是，在本实施例中电和蒸汽不做平衡核算，根据各工序反应特点，进行主要物料之间的平衡检查。
表1
关于步骤S12，根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差。
基于投入类物质和产出类物质的原始生产数据，以及物质守恒定律，可以确定投入类物质和产出类物质的多种相对误差，具体包括重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差。
【重量相对误差】
重量相对误差的确定方式可以包括步骤S1211-步骤S1213。
步骤S1211，根据投入类物质的原始生产数据，确定投入类物质的投入物质总重量；
步骤S1212，根据产出类物质的原始生产数据，确定产出类物质的产出物质总重量；
步骤S1213，根据投入物质总重量和产出物质总重量，确定投入类物质与产出类物质之间的重量相对误差。
基于所有投入类物质的原始生产数据，将所有投入类物质的重量相加，进而得到投入类物质的投入物质总重量。需要注意的是，当某投入类物质的计量数据是体积数据时，可以先依据体积和重量之间的关系进行换算，得到重量数据，再确定所有投入类物质的投入物质总重量。
同理，基于所有产出类物质的原始生产数据，将所有产出类物质的重量相加，进而得到产出类物质的产出物质总重量。需要注意的是，当某产出类物质的计量数据是体积数据时，可以先依据体积和重量之间的关系进行换算，得到重量数据，再确定所有产出类物质的产出物质总重量。
基于产出物质总重量和投入物质总重量的比值，确定投入类物质与产出类物质之间的重量相对误差。
在实际操作时，可以参考如下公式1确定重量相对误差：
其中，δ1为投入类物质与产出类物质之间的重量相对误差，∑moutj为j种产出类物质对应的产出物质总重量，∑mink为k种投入类物质对应的投入物质总重量。j和k为正整数。
例如，如表2所示，为一种高炉工序中的投入类物质与产出类物质之间的重量关系。其中，混合矿可以包括烧结矿、精块矿、白云石、石灰石等，焦炭可以包括冶金焦，铁水指高炉铁水，炉渣为高炉渣，炉气为高炉煤气，瓦斯灰为高炉灰。
需要注意的是，表2中以产生1kg的高炉铁水对应的投入类物质和产出类物质进行计算的，即每产生1kg的高炉铁水需要使用多少重量的投入类物质和产出多少重量的产出类物质。
从表2中可以看出，每产生1kg的高炉铁水，对应的投入类物质的投入物质总重量为3.62kg，对应的产出类物质的产出物质总质量为3.56kg，得到的重量相对误差δ1为1.49％。
表2
在计算得到δ1之后，可以将δ1与预设的重量误差阈值进行比较，根据δ1与预设的重量误差阈值之间的比较结果，确定当前高炉工序是否满足重量平衡需求。
例如，预设的重量误差阈值包括5％和10％，当δ1≤5％，表征当前目标工序的生产数据关于重量平衡的质量较优，当5％＜δ1≤10％，表征当前目标工序的生产数据关于重量平衡的质量为良，当δ1＞10％，表征当前目标工序的生产数据关于重量平衡的质量不合格。那么根据表2中得到的重量相对误差1.49％可知，当前目标工序关于重量平衡的质量较优。
需要注意的是，若当前目标工序的生产数据关于重量平衡的质量不合格，可以对各投入类物质和各产出类物质的生产数据进行核查，确定是否存在异常数据，若存在异常数据，则将存在异常数据的物质类型进行标记，以便后续对其进行调整。
【金属含量相对误差】
金属含量相对误差的确定方式可以包括步骤S1221-步骤S1223。
步骤S1221，根据投入类物质的原始生产数据，确定投入类物质中目标金属的投入金属总重量；
步骤S1222，根据产出类物质的原始生产数据，确定产出类物质中目标金属的产出金属总重量；
步骤S1223，根据投入金属总重量和产出金属总重量，确定目标金属在投入类物质与产出类物质之间的金属含量相对误差。
对于钢铁产品而言，铁元素是主要的金属元素，因此通常情况下目标元素为铁元素。当然，目标元素也可以是铁元素以外的其他金属元素，具体可以根据实际情况进行选择，本实施例对此不做限制。
基于所有投入类物质的原始生产数据，将所有含有目标金属的投入类物质中目标金属的重量相加，进而得到投入类物质中的目标金属的投入金属总重量。
同理，基于所有产出类物质的原始生产数据，将所有含有目标金属的产出类物质中目标金属的重量相加，进而得到产出类物质中的目标金属的产出金属总重量。
基于产出金属总重量和投入金属总重量的比值，确定投入类物质与产出类物质之间的目标金属的金属含量相对误差。
在实际操作时，可以参考如下公式2确定金属含量相对误差：
其中，δ2为含有目标金属的投入类物质与产出类物质之间目标金属的金属含量相对误差，mFeoutj为第j种含有目标金属的产出类物质的重量，pFeoutj为第j种产出类物质中目标金属的重量占比，mFeink为第k种含有目标金属的投入类物质的重量，pFeink为第k种投入类物质中目标金属的重量占比。j和k为正整数。
例如，如表3所示，为某高炉工序中的投入类物质与产出类物质之间铁元素(即目标金属)的重量关系。其中，烧结矿、精块矿、球团矿是含有铁元素的投入类物质，铁水、块矿返粉、高炉瓦斯灰、布袋除尘灰、干法除尘灰和高炉外返矿是含有铁元素的产出类物质。
需要注意的是，表3中以产生1kg的高炉铁水对应的投入类物质和产出类物质进行计算的，即每产生1kg的高炉铁水需要使用多少重量的投入类物质和产出多少重量的产出类物质。
从表3中可以看出，每产生1kg的高炉铁水，对应的含有铁元素的投入类物质中铁元素的投入金属总重量为1.13kg，对应的含有铁元素的产出类物质中铁元素的产出金属总重量为1.08kg，得到的金属含量相对误差δ2为4.31％。
表3
在计算得到δ2之后，可以将δ2与预设的金属含量误差阈值进行比较，根据δ2与预设的金属含量误差阈值之间的比较结果，确定当前高炉工序是否满足金属含量平衡需求。
例如，预设的金属含量误差阈值包括5％和10％，当δ2≤5％，表征当前目标工序的生产数据关于金属平衡的质量较优，当5％＜δ2≤10％，表征当前目标工序的生产数据关于金属平衡的质量为良，当δ2＞10％，表征当前目标工序的生产数据关于金属平衡的质量不合格。那么根据表3中得到的金属含量相对误差4.31％可知，当前目标工序关于金属平衡的质量较优。
需要注意的是，若当前目标工序的生产数据关于金属平衡的质量不合格，可以对各投入类物质和各产出类物质的生产数据进行核查，确定是否存在异常数据，若存在异常数据，则将存在异常数据的物质类型进行标记，以便后续对其进行调整。
【碳含量相对误差】
碳含量相对误差的确定方式包括步骤S1231-步骤S1233。
步骤S1231，根据投入类物质的原始生产数据，确定投入类物质中的投入碳元素总重量；
步骤S1232，根据产出类物质的原始生产数据，确定产出类物质中的产出碳元素总重量；
步骤S1233，根据投入碳元素总重量和产出碳元素总重量，确定碳元素在投入类物质与产出类物质之间的碳含量相对误差。
基于所有投入类物质的原始生产数据，将所有含有碳元素的投入类物质中碳元素的重量相加，进而得到投入类物质中的碳元素的投入碳元素总重量。
同理，基于所有产出类物质的原始生产数据，将所有含有碳元素的产出类物质中碳元素的重量相加，进而得到产出类物质中的碳元素的产出碳元素总重量。
基于产出碳元素总重量和投入碳元素总重量的比值，确定投入类物质与产出类物质之间的碳元素含量相对误差。
在实际操作时，可以参考如下公式3确定碳元素含量相对误差：
其中，δ3为含有碳元素的投入类物质与产出类物质之间的碳元素含量相对误差，mCoutj为第j种含有碳元素的产出类物质的重量，pCoutj为第j种产出类物质中碳元素的重量占比，mCink为第k种含有碳元素的投入类物质的重量，pCink为第k种投入类物质中碳元素的重量占比。j和k为正整数。
例如，如表4所示，为某高炉工序中的投入类物质与产出类物质之间碳元素的重量关系。其中，喷吹煤、外购焦炭、焦炭是含有碳元素的投入类物质，铁水、焦丁、粗高炉煤气是含有碳元素的产出类物质。
需要注意的是，表4中以产生1kg的高炉铁水对应的投入类物质和产出类物质进行计算的，即每产生1kg的高炉铁水需要使用多少重量的投入类物质和产出多少重量的产出类物质。
从表4中可以看出，每产生1kg的高炉铁水，对应的含有碳元素的投入类物质中碳元素的投入碳元素总重量为1.63kg，对应的含有碳元素的产出类物质中碳元素的产出碳元素总重量为1.78kg，得到的碳元素含量相对误差δ3为9.54％。
表4
在计算得到δ3之后，可以将δ3与预设的碳含量误差阈值进行比较，根据δ3与预设的碳含量误差阈值之间的比较结果，确定当前高炉工序是否满足碳平衡需求。
例如，预设的碳含量误差阈值包括5％和10％，当δ3≤5％，表征当前目标工序的生产数据关于碳平衡的质量较优，当5％＜δ3≤10％，表征当前目标工序的生产数据关于碳平衡的质量为良，当δ3＞10％，表征当前目标工序的生产数据关于碳平衡的质量不合格。那么根据表4中得到的碳含量相对误差(即输出总量与输入总量的相对误差)9.20％可知，当前目标工序关于碳平衡的质量合格。
需要注意的是，若当前目标工序的生产数据关于碳平衡的质量不合格，可以对各投入类物质和各产出类物质的生产数据进行核查，确定是否存在异常数据，若存在异常数据，则将存在异常数据的物质类型进行标记，以便后续对其进行调整。
【敏感含量相对误差】
敏感含量相对误差的确定方式可以包括步骤S1241-步骤S1242。
步骤S1241，根据投入类物质中第一敏感物质的生产数据和以及第一敏感物质对应的历史生产数据，确定第一敏感物质的第一含量偏差量；
步骤S1242，根据产出类物质中第二敏感物质的生产数据和以及第二敏感物质对应的历史生产数据，确定第二敏感物质的第二含量偏差量；
敏感含量相对误差包括第一含量偏差量和第二含量偏差量。
敏感物质可以根据历史经验确定，例如，可以是指对碳排放影响较大的物质可以列为敏感物质，某物质是否对碳排放影响较大，可以设定相应的预设阈值进行判定，本实施例对此不做限制。
投入类物质中的敏感物质记为第一敏感物质，第一敏感物质的种类可以是一种，也可以是多种，本实施例对此不做限制。需要注意的是，当第一敏感物质的种类是多种时，包括物质A、物质B和物质C时，物质A、物质B和物质C的生产数据与相应的历史生产数据是一一对应的。
例如，当物质A为球团矿，其生产数据为0.13kg(是指1kg的铁水生产对应的0.13kg的球团矿)，其对应的历史生产数据为0.15kg，那么球团矿的第一含量偏差量即为(0.15-0.13)/0.15≈13.3％，进而可以根据第一含量偏差量与球团矿对应的预设阈值，确定球团矿的生产数据是否异常。当球团矿的生产数据异常时，则对球团矿的生产数据进行标记，以便后续核查和修改。
同理，当物质B为精块矿，其生产数据为0.3kg(是指1kg的铁水生产对应的0.3kg的精块矿)，其对应的历史生产数据为0.3kg，那么精块矿的第一含量偏差量即为(0.3-0.3)/0.3＝0，进而可以根据第一含量偏差量与精块矿对应的预设阈值，确定精块矿的生产数据是否异常。
对应的，产出类物质中的敏感物质记为第二敏感物质，第二敏感物质的种类可以是一种，也可以是多种，本实施例对此不做限制。需要注意的是，当第二敏感物质的种类是多种时，包括物质D、物质E和物质F时，物质D、物质E物质F的生产数据与相应的历史生产数据是一一对应的。当第二敏感物质的第二含量偏差量提示第二敏感物质的生产数据异常时，则对第二敏感物质的生产数据进行标记，以便后续核查和修改。
关于步骤S13，根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
当重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差中至少一个相对误差不合格，则认为当前目标工序的原始生产数据的数据质量不合格。此时，需要对前述已经标记的异常数据进行核查和修改，针对修改后的所有数据重新执行步骤S12和步骤S13。
当重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差中所有相对误差为较优或良，则认为当前目标工序的原始生产数据的数据质量合格，则可以依据当前的数据进行碳足迹评估。
综上所述，本实施例通过对目标工序中的投入类物质和产出类物质的原始生产数据进行分析，确定出对应的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，依据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差确定当前目标工序的生产数据是否合格。可见，本实施例可以在进行碳足迹评估之前先对目标工序的数据质量进行自动检测，避免了使用人工核查数据，不仅提高了数据质量处理效率节省了大量人工和时间，同时还提高了数据质量检测的准确性，进而为下一步的碳足迹评估提供较准确的数据基础，避免对碳足迹评估造成不必要的偏差。
基于同一发明构思，本实施例提供了如图2所示的一种数据质量检测装置，装置包括：
获取模块21，用于获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；目标工序是指钢铁冶炼行业中的至少一个生产工序；
误差确定模块22，用于根据投入类物质和产出类物质的原始生产数据，确定投入类物质与产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
判断模块23，用于根据重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差，确定目标工序的原始生产数据的数据质量。
进一步地，获取模块21，包括：
获取子模块，用于获取目标工序中涉及的多种物质各自的生产数据；多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
分类子模块，用于按照原料和产物的区别，对多种物质进行分类，得到投入类物质和产出类物质；
确定子模块，用于根据多种物质各自的生产数据，确定投入类物质和产出类物质对应的原始生产数据。
进一步地，误差确定模块22，包括：
重量确定子模块，用于根据投入类物质的原始生产数据，确定投入类物质的投入物质总重量；根据产出类物质的原始生产数据，确定产出类物质的产出物质总重量；
误差确定子模块，用于根据投入物质总重量和产出物质总重量，确定投入类物质与产出类物质之间的重量相对误差。
进一步地，误差确定模块22，包括：
重量确定子模块，用于根据投入类物质的原始生产数据，确定投入类物质中目标金属的投入金属总重量；根据产出类物质的原始生产数据，确定产出类物质中目标金属的产出金属总重量；
误差确定子模块，用于根据投入金属总重量和产出金属总重量，确定目标金属在投入类物质与产出类物质之间的金属含量相对误差。
进一步地，误差确定模块22，包括：
重量确定子模块，用于根据投入类物质的原始生产数据，确定投入类物质中的投入碳元素总重量；根据产出类物质的原始生产数据，确定产出类物质中的产出碳元素总重量；
误差确定子模块，用于根据投入碳元素总重量和产出碳元素总重量，确定碳元素在投入类物质与产出类物质之间的碳含量相对误差。
进一步地，误差确定模块22，包括：
偏差确定子模块，用于根据投入类物质中第一敏感物质的生产数据和以及第一敏感物质对应的历史生产数据，确定第一敏感物质的第一含量偏差量；根据产出类物质中第二敏感物质的生产数据和以及第二敏感物质对应的历史生产数据，确定第二敏感物质的第二含量偏差量；
敏感含量相对误差包括第一含量偏差量和第二含量偏差量。
基于同一发明构思，本实施例提供了如图3所示的一种电子设备，包括：
处理器31；
用于存储处理器31可执行指令的存储器32；
其中，处理器31被配置为执行以实现如前述提供的一种数据质量检测方法。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器31执行时，使得电子设备能够执行实现如前述提供的一种数据质量检测方法。
由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备，故而基于本申请实施例中所介绍的信息处理的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备，都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种数据质量检测方法，其特征在于，所述方法包括：
获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；所述目标工序是指钢铁冶炼行业中的至少一个生产工序；
根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
根据所述重量相对误差、所述金属含量相对误差、所述碳含量相对误差以及所述敏感含量相对误差，确定所述目标工序的原始生产数据的数据质量。
2.如权利要求1所述的方法，其特征在于，所述获取目标工序中涉及的投入类物质和产出类物质的原始生产数据，包括：
获取所述目标工序中涉及的多种物质各自的生产数据；所述多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
按照原料和产物的区别，对所述多种物质进行分类，得到所述投入类物质和所述产出类物质；
根据所述多种物质各自的生产数据，确定所述投入类物质和所述产出类物质对应的原始生产数据。
3.如权利要求1所述的方法，其特征在于，根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质之间的重量相对误差，包括：
根据所述投入类物质的原始生产数据，确定所述投入类物质的投入物质总重量；
根据所述产出类物质的原始生产数据，确定所述产出类物质的产出物质总重量；
根据所述投入物质总重量和所述产出物质总重量，确定所述投入类物质与所述产出类物质之间的重量相对误差。
4.如权利要求1所述的方法，其特征在于，根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质之间的金属含量相对误差，包括：
根据所述投入类物质的原始生产数据，确定所述投入类物质中目标金属的投入金属总重量；
根据所述产出类物质的原始生产数据，确定所述产出类物质中所述目标金属的产出金属总重量；
根据所述投入金属总重量和所述产出金属总重量，确定所述目标金属在所述投入类物质与所述产出类物质之间的金属含量相对误差。
5.如权利要求1所述的方法，其特征在于，根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质之间的碳含量相对误差，包括：
根据所述投入类物质的原始生产数据，确定所述投入类物质中的投入碳元素总重量；
根据所述产出类物质的原始生产数据，确定所述产出类物质中的产出碳元素总重量；
根据所述投入碳元素总重量和所述产出碳元素总重量，确定碳元素在所述投入类物质与所述产出类物质之间的碳含量相对误差。
6.如权利要求1所述的方法，其特征在于，根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质的敏感含量相对误差，包括：
根据所述投入类物质中第一敏感物质的生产数据和以及所述第一敏感物质对应的历史生产数据，确定所述第一敏感物质的第一含量偏差量；
根据所述产出类物质中第二敏感物质的生产数据和以及所述第二敏感物质对应的历史生产数据，确定所述第二敏感物质的第二含量偏差量；
所述敏感含量相对误差包括所述第一含量偏差量和所述第二含量偏差量。
7.一种数据质量检测装置，其特征在于，所述装置包括：
获取模块，用于获取目标工序中涉及的投入类物质和产出类物质的原始生产数据；所述目标工序是指钢铁冶炼行业中的至少一个生产工序；
误差确定模块，用于根据所述投入类物质和所述产出类物质的原始生产数据，确定所述投入类物质与所述产出类物质之间的重量相对误差、金属含量相对误差、碳含量相对误差以及敏感含量相对误差；
判断模块，用于根据所述重量相对误差、所述金属含量相对误差、所述碳含量相对误差以及所述敏感含量相对误差，确定所述目标工序的原始生产数据的数据质量。
8.如权利要求7所述的装置，其特征在于，所述获取模块，包括：
获取子模块，用于获取所述目标工序中涉及的多种物质各自的生产数据；所述多种物质至少包括产品、副产品、原材料、辅助材料、能源介质和固体废弃物；
分类子模块，用于按照原料和产物的区别，对所述多种物质进行分类，得到所述投入类物质和所述产出类物质；
确定子模块，用于根据所述多种物质各自的生产数据，确定所述投入类物质和所述产出类物质对应的原始生产数据。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行以实现如权利要求1至6中任一项所述的一种数据质量检测方法。
10.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至6中任一项所述的一种数据质量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546907.7A CN116739411A (zh) | 2023-05-12 | 2023-05-12 | 一种数据质量检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310546907.7A CN116739411A (zh) | 2023-05-12 | 2023-05-12 | 一种数据质量检测方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116739411A true CN116739411A (zh) | 2023-09-12 |
Family
ID=87908868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310546907.7A Pending CN116739411A (zh) | 2023-05-12 | 2023-05-12 | 一种数据质量检测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116739411A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852779A (zh) * | 2024-03-08 | 2024-04-09 | 广东立胜综合能源服务有限公司 | 一种工业园区碳排放计算方法及系统 |
-
2023
- 2023-05-12 CN CN202310546907.7A patent/CN116739411A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852779A (zh) * | 2024-03-08 | 2024-04-09 | 广东立胜综合能源服务有限公司 | 一种工业园区碳排放计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116739411A (zh) | 一种数据质量检测方法、装置、设备和介质 | |
| CN106834593A (zh) | 一种以参考炉次法确定rh精炼炉脱碳工艺数据的方法 | |
| CN104593540A (zh) | 转炉炼钢过程能效评估方法 | |
| CN114091871A (zh) | 一种高炉炼铁配矿方法与系统 | |
| CN111607673A (zh) | 铁前诊断系统及方法 | |
| CN108595383B (zh) | 一种余热资源分析方法及系统 | |
| CN104419799A (zh) | 一种转炉冶炼在线预测高碳钢碳含量方法 | |
| CN110564903A (zh) | 高炉冶炼量化决策支持系统、设备及存储介质 | |
| US20220390928A1 (en) | Production facilities monitoring method, production facilities monitoring device, and operation method for production facilities | |
| JP5854171B2 (ja) | 補正装置、補正方法及び鉄鋼精錬方法 | |
| CN115044722B (zh) | 一种喷煤精准配煤方法 | |
| CN114525372B (zh) | 基于多模态融合的高炉状态监测方法及装置 | |
| CN103017534A (zh) | 烧结机主抽风机负压控制方法及系统 | |
| van Niekerk et al. | Practical quantification of coal energy consumption in large manufacturing industries for verifiable energy reporting and energy incentive applications | |
| Zhou et al. | BP neural network prediction for Si and S contents in hot metal of COREX process based on mathematical analysis and Deng’s correlation | |
| CN110766305A (zh) | 一种原燃料质量跟踪预警方法 | |
| Zhan et al. | Coordination reliability evaluation on raw material input and molten iron output for intelligent iron-making system | |
| JP6060613B2 (ja) | ガス流量推定装置及びガス流量推定方法 | |
| Gauffin | Improved mapping of steel recycling from an industrial perspective | |
| van Niekerk et al. | Practical and verifiable quantification of energy consumption in large industries for energy reporting and incentive applications | |
| Spirin et al. | Algorithms and software for optimal management of raw materials, fuel and energy resources in blast furnace production | |
| CN103033052A (zh) | 有效风量确定方法及系统 | |
| CN104313213B (zh) | 一种高炉冶炼水平分析系统 | |
| CN115287381B (zh) | 一种高炉出铁中计算铁水流速的方法、装置及存储介质 | |
| CN117556711B (zh) | 基于神经网络的高炉喷煤优化方法、系统、终端和介质 |
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 |