CN116884518B - 基于预测压缩的碳纳米颗粒浆料生产数据处理方法 - Google Patents

基于预测压缩的碳纳米颗粒浆料生产数据处理方法 Download PDF

Info

Publication number
CN116884518B
CN116884518B CN202311146592.3A CN202311146592A CN116884518B CN 116884518 B CN116884518 B CN 116884518B CN 202311146592 A CN202311146592 A CN 202311146592A CN 116884518 B CN116884518 B CN 116884518B
Authority
CN
China
Prior art keywords
particle
target
sensing units
moment
monitoring data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311146592.3A
Other languages
English (en)
Other versions
CN116884518A (zh
Inventor
吴国华
邓强
于杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongpo Qinhuangdao New Materials Technology Co ltd
Original Assignee
Zhongpo Qinhuangdao New Materials Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongpo Qinhuangdao New Materials Technology Co ltd filed Critical Zhongpo Qinhuangdao New Materials Technology Co ltd
Priority to CN202311146592.3A priority Critical patent/CN116884518B/zh
Publication of CN116884518A publication Critical patent/CN116884518A/zh
Application granted granted Critical
Publication of CN116884518B publication Critical patent/CN116884518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/213—Measuring of the properties of the mixtures, e.g. temperature, density or colour
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
    • B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
    • B01F35/20—Measuring; Control or regulation
    • B01F35/21—Measuring
    • B01F35/2132—Concentration, pH, pOH, p(ION) or oxygen-demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及基于预测压缩的碳纳米颗粒浆料生产数据处理方法，包括：根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的颗粒团簇，确定颗粒团簇的目标评价，再确定其对应的参考颗粒团簇，从而确定颗粒团簇的更新目标评价，由此获取评价序列，再划分评价序列，确定目标时刻的下一时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，由此使用构建的EKF系统向量，进行预测压缩。本发明通过分布式传感单元的数据的自适应融合，令全局融合浓度数据更加符合实际的浓度数据，避免了离群数据点的影响，增强了数据预测的真实性。

Description

基于预测压缩的碳纳米颗粒浆料生产数据处理方法
技术领域
本发明涉及数据处理技术领域，具体涉及基于预测压缩的碳纳米颗粒浆料生产数据处理方法。
背景技术
碳纳米颗粒浆料是一种特殊的材料，其基于纳米尺度的碳颗粒和溶剂的混合和分散。这些纳米碳颗粒可以采用多种形式，如碳纳米管、富勒烯、石墨烯等。这种纳米浆料具有许多独特的性质，使其在各种领域成为一种有吸引力的材料，包括电子技术、能源存储、光学应用、生物医学等。
在碳纳米颗粒浆料生产过程中，需要进行实时的状态监测以判断浆料生产质量，其中浆料中颗粒的浓度是一个关键参数，可以通过超声测密仪等方法来测量。而浓度的控制与浆料的稳定性和实际应用紧密相关。
现有的可以通过EKF进行预测下一时刻的系统状态，来实现碳纳米颗粒浆料生产的智能调控，EKF的系统向量中以浓度元素为状态变量，但分布式超声检测各点位的浓度存在波动，进而需要进行数据融合以作为当前浆料生产过程中的监测数据。
现有的问题：传统的单点检测存在检测滞后的特点，且监测数值片面不能满足全局数据的准确描述，而现有的直接通过数据均值进行数据融合的手段，不能充分考虑混合物在混合过程中所带来的浓度监测数据随不同位置产生不同差异的情况，直接进行融合会导致部分聚集区域的离群数据融入计算导致系统向量的输入数值存在偏差，从而导致EKF预测结果与实际情况产生偏差。
发明内容
本发明提供基于预测压缩的碳纳米颗粒浆料生产数据处理方法，以解决现有的问题。
本发明的基于预测压缩的碳纳米颗粒浆料生产数据处理方法采用如下技术方案：
本发明一个实施例提供了基于预测压缩的碳纳米颗粒浆料生产数据处理方法，该方法包括以下步骤：
根据超声波混合设备上安装的多个传感单元采集碳纳米颗粒浆料的浓度，得到浓度监测数据；根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的所有颗粒团簇；
根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价；
根据目标时刻上的颗粒团簇的目标评价，确定目标时刻上的颗粒团簇对应的参考颗粒团簇；根据目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价和对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的更新目标评价；
根据目标时刻上的所有颗粒团簇的更新目标评价大小，确定评价序列；将评价序列划分为两部分，确定非颗粒聚集区域对应的传感单元；根据所有非颗粒聚集区域对应的传感单元采集的浓度监测数据，确定目标时刻的下一时刻的全局融合浓度数据；
根据所有时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，根据全局融合浓度时序数据序列，使用构建的EKF系统向量，进行预测压缩。
进一步地，所述根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的所有颗粒团簇，包括的具体步骤如下：
将任意一个时刻记为目标时刻，将目标时刻上所有传感单元采集的浓度监测数据中的最大值对应的传感单元，记为主传感单元；
将目标时刻上主传感单元采集的浓度监测数据分别减去其相邻的两个传感单元采集的浓度监测数据的差值，分别记为第一监测数据差异和第二监测数据差异；
根据第一监测数据差异和第二监测数据差异的大小关系构建颗粒团簇位置的判断方式，根据颗粒团簇位置的判断方式，确定颗粒团簇对应的传感单元；
将所述颗粒团簇对应的传感单元记为已读取传感单元，剩余传感单元记为未读取传感单元；
将目标时刻上所有未读取传感单元采集的浓度监测数据中的最大值对应的传感单元，记为新主传感单元；
根据新主传感单元对应的相邻两个传感单元中为未读取传感单元的数量，确定新颗粒团簇对应的传感单元，再将新颗粒团簇对应的传感单元记为已读取传感单元；以此类推，直至所有传感单元为已读取传感单元，得到目标时刻上的所有颗粒团簇。
进一步地，所述根据第一监测数据差异和第二监测数据差异的大小关系构建颗粒团簇位置的判断方式，根据颗粒团簇位置的判断方式，确定颗粒团簇对应的传感单元，包括的具体步骤如下：
颗粒团簇位置的判断方式为：若第一监测数据差异等于第二监测数据差异时，则颗粒团簇对应的传感单元为主传感单元；
若第一监测数据差异大于第二监测数据差异时，则颗粒团簇对应的传感单元为第二监测数据差异对应的两个传感单元；
若第一监测数据差异小于第二监测数据差异时，则颗粒团簇对应的传感单元为第一监测数据差异对应的两个传感单元。
进一步地，所述根据新主传感单元对应的相邻两个传感单元中为未读取传感单元的数量，确定新颗粒团簇对应的传感单元，包括的具体步骤如下：
若新主传感单元相邻的两个传感单元都为未读取传感单元，则根据所述颗粒团簇位置的判断方式，得到新颗粒团簇对应的传感单元；
若新主传感单元相邻的传感单元只有一个未读取传感单元，则令新颗粒团簇对应的传感单元为新主传感单元和相邻的未读取传感单元；
若新主传感单元相邻的两个传感单元都为已读取传感单元，则令新颗粒团簇对应的传感单元为新主传感单元。
进一步地，所述根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价，包括的具体步骤如下：
将目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据的均值的归一化值，记为目标时刻上的颗粒团簇的目标评价。
进一步地，所述根据目标时刻上的颗粒团簇的目标评价，确定目标时刻上的颗粒团簇对应的参考颗粒团簇，包括的具体步骤如下：
获取目标时刻的下一时刻上的每个颗粒团簇对应的传感单元和目标评价，若目标时刻上的颗粒团簇对应的传感单元在目标时刻的下一时刻上对应的颗粒团簇数量只有一个时，将所述目标时刻的下一时刻上对应的颗粒团簇，记为所述目标时刻上的颗粒团簇对应的参考颗粒团簇；
若目标时刻上的颗粒团簇对应的传感单元在目标时刻的下一时刻上对应的颗粒团簇数量大于一个时，则取所述目标时刻的下一时刻上对应的所有颗粒团簇的目标评价分别与所述目标时刻上的颗粒团簇的目标评价的差值的绝对值中的最小值，将所述最小值对应的所述目标时刻的下一时刻上对应的颗粒团簇，记为所述目标时刻上的颗粒团簇对应的参考颗粒团簇。
进一步地，所述根据目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价和对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的更新目标评价，包括的具体步骤如下：
将目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价之和，记为总目标评价；
根据目标时刻上颗粒团簇与其对应的参考颗粒团簇分别对应的传感单元采集的浓度监测数据中的最大值之间的差异和总目标评价，确定目标时刻上的颗粒团簇的更新目标评价。
进一步地，所述根据目标时刻上颗粒团簇与其对应的参考颗粒团簇分别对应的传感单元采集的浓度监测数据中的最大值的差异和总目标评价，确定目标时刻上的颗粒团簇的更新目标评价具体对应的计算公式为：
其中为/>时刻上第r个颗粒团簇的更新目标评价，/>为/>时刻上第r个颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应的传感单元采集的浓度监测数据中的最大值，/>为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇对应的传感单元采集的浓度监测数据中的最大值，exp()为以自然常数为底的指数函数，||为绝对值函数。
进一步地，所述根据目标时刻上的所有颗粒团簇的更新目标评价大小，确定评价序列；将评价序列划分为两部分，确定非颗粒聚集区域对应的传感单元，包括的具体步骤如下：
将目标时刻上的所有颗粒团簇的更新目标评价由大到小进行排序，得到评价序列；
依次计算评价序列中前一个数据减去后一个数据的差值，得到差值序列；
从差值序列中的最大值对应在评价序列中的两个数据中间，将评价序列划分为前半部分和后半部分；
将评价序列的后半部分的数据对应的目标时刻上的颗粒团簇对应的参考颗粒团簇对应的传感单元，记为非颗粒聚集区域对应的传感单元。
进一步地，所述根据所有非颗粒聚集区域对应的传感单元采集的浓度监测数据，确定目标时刻的下一时刻的全局融合浓度数据，包括的具体步骤如下：
将所有非颗粒聚集区域对应的传感单元采集的目标时刻的下一时刻上的浓度监测数据的均值，记为目标时刻的下一时刻的全局融合浓度数据。
本发明的技术方案的有益效果是：
本发明实施例中，根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的颗粒团簇，考虑到部分颗粒团簇是由于真正的颗粒团簇引起的浓度值差异得到的，而一部分颗粒团簇是由于混合物浓度数据波动造成的虚假颗粒团簇，根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价，再确定其对应在下一时刻上的参考颗粒团簇，从而确定目标时刻上的颗粒团簇的更新目标评价，由此获取评价序列，再将评价序列划分为两部分，确定下一时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，根据全局融合浓度时序数据序列，使用构建的EKF系统向量，进行预测压缩。其通过分布式的传感单元之间的数据分析，根据当前采集时刻的数据偏离情况进行颗粒团簇的分类定位，从而进行自适应数据融合。使EKF的系统状态向量中的浓度数据更加符合当前实际混合的全局浓度数据，避免离群数据点对预测结果造成较大的影响，增强了系统预测的真实性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于预测压缩的碳纳米颗粒浆料生产数据处理方法的步骤流程图。
图2为本实施例所提供的一个设备上传感单元安装示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于预测压缩的碳纳米颗粒浆料生产数据处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于预测压缩的碳纳米颗粒浆料生产数据处理方法的步骤流程图，该方法包括以下步骤：
步骤S001：根据超声波混合设备上安装的多个传感单元采集碳纳米颗粒浆料的浓度，得到浓度监测数据；根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的所有颗粒团簇。
通过超声波混合设备上安装的各方位的传感单元采集碳纳米颗粒浆料的浓度监测数据，得到若干组浓度时序数据序列，其中所有浓度时序数据需序列的采集时长和采集时间以及采集频率相同，即任意两个浓度时序数据序列中的数据根据时间点一一对应。图2为本实施例所提供的一个设备上传感单元安装示意图。
已知各数据源监测的范围存在传感单元临近区域的限制情况，并由于混合过程中非均匀性特征较强，导致传感单元采集的数据之间伴随颗粒团移动所产生的局部监测数据偏离。故需要通过各传感单元采集的数据差异定位当前可能的浓度值范围，并综合预测结果与实时获取的数据进行浓度值更新，得到当前生产系统中浓度数据的预测模型。
由于在混合初期颗粒浓度不均匀程度高，导致数据源之间波动情况差异较大，通过变形的特征数据之间偏离的波动情况进行浓度数据的范围定位，并综合传感单元之间波动特性进行当前时刻的实际浓度值估测。
将浓度时序数据序列中的起始时刻记为，从/>时刻开始，由于实时监测数据在时刻无法获取下一时刻的数据，故先通过/>时刻的监测数据进行当前时刻浓度值变化范围以及实际浓度值的估测。
对当前时刻多个监测数据点中的监测值进行分析，传感单元的最大监测值代表当前传感单元周围存在的颗粒浓度最高，由于混合初期颗粒分布更不均匀，会产生较明显的数值差异情况；而传感单元浓度高代表周围存在一个颗粒聚集的团簇，随着团簇在混合过程中不断移动所产生的高浓度特征转移情况，能够同时对多个传感单元采集的数据进行影响；混合过程中浓度不会产生剧烈突变情况，颗粒团簇在混合过程中被逐渐瓦解分散，因此，通过明显高浓度监测数值的传感单元之间的差异进行颗粒团簇的范围定位，并依据颗粒团簇分布情况进行当前时刻全局浓度的推断；通过先验的传感单元分布以及当前/>时刻下传感单元采集的最大浓度监测数据，得到最大浓度监测数据对应的传感单元，记为主传感单元，标记为k1。
本实施例中为了避免搅拌装置对传感单元产生破坏，传感单元围绕搅拌装置在搅拌区域内环形放置。故沿环形取与k1相邻的两个传感单元，标记为k2和k3。由此获取k1与其相邻的两个传感单元采集的浓度监测数据之间的差异，计算公式如下：
其中和/>分别为/>时刻上k1、k2之间和k1、k3之间的监测数据差异，分别记为第一监测数据差异和第二监测数据差异，/>和/>以及/>分别为/>时刻上k1、k2、k3采集的浓度监测数据值。
所需说明的是：当与/>存在差异的情况下，代表颗粒团簇并不完全处于k1的位置上，而是偏向与k1相邻的监测数据差异最小的传感单元所处位置上。当时，说明颗粒团簇的位置处于k1和k2之间。当/>时，说明颗粒团簇的位置处于k1和k3之间。当/>时，说明颗粒团簇的位置处于k1的位置上。
由此将该颗粒团簇对应的传感单元记为已读取传感单元，剩余传感单元记为未读取传感单元，进一步分析未读取传感单元周围的新颗粒团簇，选取最大浓度监测数据对应的传感单元，记为新主传感单元，若新主传感单元相邻的两个传感单元都为未读取传感单元，则分别计算新主传感单元与其相邻的未读取传感单元之间的监测数据差异，按照上述分析，得到新颗粒团簇对应的传感单元，若新主传感单元相邻的传感单元只有一个未读取传感单元，则令新颗粒团簇的位置处于新主传感单元和相邻的未读取传感单元之间，若新主传感单元相邻的两个传感单元都为已读取传感单元，则令新颗粒团簇的位置处于新主传感单元的位置上，再将新颗粒团簇对应的传感单元记为已读取传感单元，以此类推，直至所有传感单元为已读取传感单元，得到时刻上的n个颗粒团簇。
所需说明的是，得到的颗粒团簇个数与传感单元间隔个数不相同。并且一个颗粒团簇会对应一个或者两个传感单元，而一个传感单元只会对应一个颗粒团簇。
步骤S002：根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价。
在实际生产过程中，部分颗粒团簇是由于颗粒团簇引起的浓度值差异得到的，而一部分颗粒团簇是由于混合物天然浓度存在波动所误认为的，因此需要进行进一步分析。
针对筛选出的部分由于混合物天然浓度存在波动所误认为的颗粒团簇，可以通过颗粒团簇对应的传感单元中的数据波动特征进行区分筛选，并结合混合过程中的浓度趋向均匀的特点进行波动情况的更新，并通过更新的波动情况进行数据自适应融合。
由于真正的颗粒团簇由于颗粒数量多，相比少量颗粒混合在传感单元所处位置所造成的较为相似的混合物自然波动所产生的浓度差更大。即可以推导出真正的颗粒团簇对应的传感单元所检测出的浓度相较自然波动位置传感单元的浓度差值更大。
取时刻上第r个颗粒团簇为例，则该颗粒团簇的目标评价/>的计算公式为：
其中为/>时刻上第r个颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应的传感单元采集的浓度监测数据的均值，所需说明的是，当/>时刻上第r个颗粒团簇对应的传感单元数量为1时，该传感单元采集的浓度监测数据就是/>，/>和/>分别为/>时刻上所有颗粒团簇对应的传感单元采集的浓度监测数据的均值中的最大值和最小值。
所需说明的是：当越大时，/>越接近1，说明第r个颗粒团簇含有的颗粒聚集情况更加严重。
按照上述方式，得到时刻上所有颗粒团簇的目标评价。
步骤S003：根据目标时刻上的颗粒团簇的目标评价，确定目标时刻上的颗粒团簇对应的参考颗粒团簇；根据目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价和对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的更新目标评价。
将浓度时序数据序列中的起始时刻的下一时刻，记为/>。按照上述方式，得到时刻上的所有颗粒团簇和其对应的传感单元，以及目标评价。
仍以时刻上第r个颗粒团簇为例，分析颗粒团簇对应的传感单元。从/>至/>时刻浓度监测数据的变化特征。将/>时刻上第r个颗粒团簇对应的传感单元在/>时刻上对应的颗粒团簇，记为参考颗粒团簇，所需说明的是，若/>时刻上第r个颗粒团簇对应的传感单元在/>时刻上对应的颗粒团簇数量大于一个时，则取这多个/>时刻上对应的颗粒团簇的目标评价中与/>的差值的绝对值中最小值对应的/>时刻上对应的颗粒团簇，记为参考颗粒团簇。
已知传感器的采集频率的时间间隔相比颗粒聚集团簇发生明显转移的所需时间更短，因此，相邻监测时刻下，同一个颗粒团簇的目标评价变化是相似的。而同一个颗粒团簇对应的传感单元的浓度监测数据之间的差异伴随着聚集团簇产生指向性移动，通过同一个颗粒团簇对应的传感单元的浓度监测数据的差值移动方向能够对团簇具体出现位置进行定位，将团簇目标位置进行筛选，去除自然波动的噪声。
由此可知时刻上第r个颗粒团簇的目标评价的更新目标评价/>的计算公式为：
其中为/>时刻上第r个颗粒团簇的更新目标评价，/>为/>时刻上第r个颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应的传感单元采集的浓度监测数据中的最大值，/>为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇对应的传感单元采集的浓度监测数据中的最大值。exp()为以自然常数为底的指数函数。||为绝对值函数。
所需说明的是：越大，说明/>时刻上第r个颗粒团簇至/>时刻时，移动速度越快，为误认的颗粒团簇的可能性越大。且由于混合自然不均匀的情况发生较为随机，因此其无法体现出颗粒聚集所产生的区域特征保持特点。
步骤S004：根据目标时刻上的所有颗粒团簇的更新目标评价大小，确定评价序列；将评价序列划分为两部分，确定非颗粒聚集区域对应的传感单元；根据所有非颗粒聚集区域对应的传感单元采集的浓度监测数据，确定目标时刻的下一时刻的全局融合浓度数据。
按照上述方式，得到时刻上所有颗粒团簇的更新目标评价。再将/>时刻上所有颗粒团簇的更新目标评价，由大到小进行排序，得到评价序列，依次计算评价序列中前一个数据减去后一个数据的差值，得到差值序列，从差值序列中的最大值对应在评价序列中的两个数据中间，将评价序列划分为前半部分和后半部分。所需说明的是，若差值序列中存在多个最大值，则取排序最靠前的最大值。其中前半部分评价序列中数据对应的颗粒团簇代表通过颗粒聚集所产生的区域特征保持特点在相邻时刻中选取出部分存在颗粒聚集的区域，而后半部分评价序列中数据对应的颗粒团簇为自然波动情况。
至此，完成了t1时刻下的颗粒聚集区域的筛选。
再以t1时刻所有传感单元采集的浓度监测数据为基础，直接获取t2时刻所有传感单元采集的浓度监测数据的全局融合浓度数据。由于混合的目标是不存在颗粒聚集的情况，因此将筛选出的后半部分评价序列中数据对应的时刻上的颗粒团簇对应在/>时刻上的参考颗粒团簇对应的传感单元，记为非颗粒聚集区域对应的传感单元，将非颗粒聚集区域对应的传感单元采集的t2时刻的浓度监测数据的均值作为t2时刻的全局融合浓度数据。
按照上述方式，得到所有浓度时序数据序列中同时刻上的全局融合浓度数据，得到一个全局融合浓度时序数据序列。所需说明的是，t1时刻无对应的全局融合浓度数据，但数据预测需要一段时间内的数据，因此可根据t1时刻后的一段时间内的全局融合浓度数据进行数据预测。
步骤S005：根据所有时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，根据全局融合浓度时序数据序列，使用构建的EKF系统向量，进行预测压缩。
根据全局融合浓度时序数据序列构建成Extended Kalman Filter（EKF）的系统状态向量。
确定状态向量的维度和表示方式：
颗粒浓度：将颗粒浓度作为系统状态向量的一部分，可以用来反映颗粒在混合过程中的分布情况。可以通过浓度传感器或者离心分离测量颗粒浓度。
浆料的温度：混合过程中的温度变化对颗粒的稳定性和分散性有一定影响，可以考虑将温度作为系统状态向量的一部分。可以通过温度传感器测量浆料的温度。
浆料的pH值：pH值对浆料的稳定性和颗粒的表面电荷有影响，可以将pH值作为系统状态向量的一部分来反映浆料的特性。可以使用pH传感器来测量浆料的pH值。
浆料的流动速度：混合过程中流动速度的变化可以影响颗粒的分散情况，可以将流动速度作为系统状态向量的一部分。可以通过流速传感器或者流量计来测量浆料的流动速度。
由此可知初始状态向量x的计算公式为：
其中T代表向量转置。
根据构建的初始状态向量x，将当前时刻已经获取的全局融合浓度时序数据序列输入EKF滤波器进行处理，得到下一时刻系统的预测数据指标。将EKF的滤波结果输出的系统状态向量对应的各类参数对应的种类按时序进行存放，进而使用游程压缩算法进行压缩处理。其中，EKF滤波器和游程压缩算法均为公知技术，具体方法在此不做介绍。
至此，本发明完成。
综上所述，在本发明实施例中，根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的颗粒团簇，根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价，再确定其对应在下一时刻上的参考颗粒团簇，从而确定目标时刻上的颗粒团簇的更新目标评价，由此获取评价序列，再将评价序列划分为两部分，确定下一时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，根据全局融合浓度时序数据序列，使用构建的EKF系统向量，进行预测压缩。其通过分布式的传感单元之间的数据分析，根据当前采集时刻的数据偏离情况进行颗粒团簇的分类定位，从而进行自适应数据融合。使EKF的系统状态向量中的浓度数据更加符合当前实际混合的全局浓度数据，避免离群数据点对预测结果造成较大的影响，增强了系统预测的真实性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，该方法包括以下步骤：
根据超声波混合设备上安装的多个传感单元采集碳纳米颗粒浆料的浓度，得到浓度监测数据；根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的所有颗粒团簇；
根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价；
根据目标时刻上的颗粒团簇的目标评价，确定目标时刻上的颗粒团簇对应的参考颗粒团簇；根据目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价和对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的更新目标评价；
根据目标时刻上的所有颗粒团簇的更新目标评价大小，确定评价序列；将评价序列划分为两部分，确定非颗粒聚集区域对应的传感单元；根据所有非颗粒聚集区域对应的传感单元采集的浓度监测数据，确定目标时刻的下一时刻的全局融合浓度数据；
根据所有时刻的全局融合浓度数据，得到全局融合浓度时序数据序列，根据全局融合浓度时序数据序列，使用构建的EKF系统向量，进行预测压缩；
所述根据目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的目标评价，包括的具体步骤如下：
将目标时刻上的颗粒团簇对应的传感单元采集的浓度监测数据的均值的归一化值，记为目标时刻上的颗粒团簇的目标评价；
所述根据目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价和对应的传感单元采集的浓度监测数据，确定目标时刻上的颗粒团簇的更新目标评价，包括的具体步骤如下：
将目标时刻上颗粒团簇与其对应的参考颗粒团簇的目标评价之和，记为总目标评价；
根据目标时刻上颗粒团簇与其对应的参考颗粒团簇分别对应的传感单元采集的浓度监测数据中的最大值之间的差异和总目标评价，确定目标时刻上的颗粒团簇的更新目标评价；
所述根据目标时刻上颗粒团簇与其对应的参考颗粒团簇分别对应的传感单元采集的浓度监测数据中的最大值的差异和总目标评价，确定目标时刻上的颗粒团簇的更新目标评价具体对应的计算公式为：
其中为/>时刻上第r个颗粒团簇的更新目标评价，/>为/>时刻上第r个颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇的目标评价，/>为/>时刻上第r个颗粒团簇对应的传感单元采集的浓度监测数据中的最大值，为/>时刻上第r个颗粒团簇对应在/>时刻上的参考颗粒团簇对应的传感单元采集的浓度监测数据中的最大值，exp()为以自然常数为底的指数函数，||为绝对值函数；
所述根据目标时刻上的所有颗粒团簇的更新目标评价大小，确定评价序列；将评价序列划分为两部分，确定非颗粒聚集区域对应的传感单元，包括的具体步骤如下：
将目标时刻上的所有颗粒团簇的更新目标评价由大到小进行排序，得到评价序列；
依次计算评价序列中前一个数据减去后一个数据的差值，得到差值序列；
从差值序列中的最大值对应在评价序列中的两个数据中间，将评价序列划分为前半部分和后半部分；
将评价序列的后半部分的数据对应的目标时刻上的颗粒团簇对应的参考颗粒团簇对应的传感单元，记为非颗粒聚集区域对应的传感单元。
2.根据权利要求1所述基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，所述根据任意一个时刻上所有传感单元采集的浓度监测数据之间的差异，得到目标时刻上的所有颗粒团簇，包括的具体步骤如下：
将任意一个时刻记为目标时刻，将目标时刻上所有传感单元采集的浓度监测数据中的最大值对应的传感单元，记为主传感单元；
将目标时刻上主传感单元采集的浓度监测数据分别减去其相邻的两个传感单元采集的浓度监测数据的差值，分别记为第一监测数据差异和第二监测数据差异；
根据第一监测数据差异和第二监测数据差异的大小关系构建颗粒团簇位置的判断方式，根据颗粒团簇位置的判断方式，确定颗粒团簇对应的传感单元；
将所述颗粒团簇对应的传感单元记为已读取传感单元，剩余传感单元记为未读取传感单元；
将目标时刻上所有未读取传感单元采集的浓度监测数据中的最大值对应的传感单元，记为新主传感单元；
根据新主传感单元对应的相邻两个传感单元中为未读取传感单元的数量，确定新颗粒团簇对应的传感单元，再将新颗粒团簇对应的传感单元记为已读取传感单元；以此类推，直至所有传感单元为已读取传感单元，得到目标时刻上的所有颗粒团簇。
3.根据权利要求2所述基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，所述根据第一监测数据差异和第二监测数据差异的大小关系构建颗粒团簇位置的判断方式，根据颗粒团簇位置的判断方式，确定颗粒团簇对应的传感单元，包括的具体步骤如下：
颗粒团簇位置的判断方式为：若第一监测数据差异等于第二监测数据差异时，则颗粒团簇对应的传感单元为主传感单元；
若第一监测数据差异大于第二监测数据差异时，则颗粒团簇对应的传感单元为第二监测数据差异对应的两个传感单元；
若第一监测数据差异小于第二监测数据差异时，则颗粒团簇对应的传感单元为第一监测数据差异对应的两个传感单元。
4.根据权利要求2所述基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，所述根据新主传感单元对应的相邻两个传感单元中为未读取传感单元的数量，确定新颗粒团簇对应的传感单元，包括的具体步骤如下：
若新主传感单元相邻的两个传感单元都为未读取传感单元，则根据所述颗粒团簇位置的判断方式，得到新颗粒团簇对应的传感单元；
若新主传感单元相邻的传感单元只有一个未读取传感单元，则令新颗粒团簇对应的传感单元为新主传感单元和相邻的未读取传感单元；
若新主传感单元相邻的两个传感单元都为已读取传感单元，则令新颗粒团簇对应的传感单元为新主传感单元。
5.根据权利要求1所述基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，所述根据目标时刻上的颗粒团簇的目标评价，确定目标时刻上的颗粒团簇对应的参考颗粒团簇，包括的具体步骤如下：
获取目标时刻的下一时刻上的每个颗粒团簇对应的传感单元和目标评价，若目标时刻上的颗粒团簇对应的传感单元在目标时刻的下一时刻上对应的颗粒团簇数量只有一个时，将所述目标时刻的下一时刻上对应的颗粒团簇，记为所述目标时刻上的颗粒团簇对应的参考颗粒团簇；
若目标时刻上的颗粒团簇对应的传感单元在目标时刻的下一时刻上对应的颗粒团簇数量大于一个时，则取所述目标时刻的下一时刻上对应的所有颗粒团簇的目标评价分别与所述目标时刻上的颗粒团簇的目标评价的差值的绝对值中的最小值，将所述最小值对应的所述目标时刻的下一时刻上对应的颗粒团簇，记为所述目标时刻上的颗粒团簇对应的参考颗粒团簇。
6.根据权利要求1所述基于预测压缩的碳纳米颗粒浆料生产数据处理方法，其特征在于，所述根据所有非颗粒聚集区域对应的传感单元采集的浓度监测数据，确定目标时刻的下一时刻的全局融合浓度数据，包括的具体步骤如下：
将所有非颗粒聚集区域对应的传感单元采集的目标时刻的下一时刻上的浓度监测数据的均值，记为目标时刻的下一时刻的全局融合浓度数据。
CN202311146592.3A 2023-09-07 2023-09-07 基于预测压缩的碳纳米颗粒浆料生产数据处理方法 Active CN116884518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311146592.3A CN116884518B (zh) 2023-09-07 2023-09-07 基于预测压缩的碳纳米颗粒浆料生产数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311146592.3A CN116884518B (zh) 2023-09-07 2023-09-07 基于预测压缩的碳纳米颗粒浆料生产数据处理方法

Publications (2)

Publication Number Publication Date
CN116884518A CN116884518A (zh) 2023-10-13
CN116884518B true CN116884518B (zh) 2023-11-10

Family

ID=88272040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311146592.3A Active CN116884518B (zh) 2023-09-07 2023-09-07 基于预测压缩的碳纳米颗粒浆料生产数据处理方法

Country Status (1)

Country Link
CN (1) CN116884518B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105369663A (zh) * 2015-08-11 2016-03-02 中国制浆造纸研究院 一种高效率、低能耗制备纳米纤维素的方法
WO2016042060A1 (fr) * 2014-09-18 2016-03-24 Commissariat à l'énergie atomique et aux énergies alternatives Systeme et procede de detection de particules
CN110551301A (zh) * 2018-05-30 2019-12-10 华南理工大学 一种耐水纳米纤维素薄膜及其制备方法
CN111103275A (zh) * 2019-12-24 2020-05-05 电子科技大学 Pat先验信息辅助的基于cnn和自适应ekf的动态fmt重建方法
CN111244477A (zh) * 2020-01-14 2020-06-05 北京理工大学 一种生物质碳纳米球团簇材料的制备及其应用
WO2021120944A1 (zh) * 2019-12-19 2021-06-24 瑞芯智造(深圳)科技有限公司 一种微纳颗粒浓度的检测方法
CN114139934A (zh) * 2021-11-29 2022-03-04 中国平安财产保险股份有限公司 基于人工智能的活动评价方法、装置、设备及介质
CN116660198A (zh) * 2023-08-02 2023-08-29 中珀(北京)新材料科技有限公司 基于光谱分析的碳纳米材料浆料性能测试方法
CN116702082A (zh) * 2023-08-09 2023-09-05 深圳市泽信智能装备有限公司 一种微米级粉料无尘装料系统的粉尘监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11559807B2 (en) * 2018-11-20 2023-01-24 Arizona Board Of Regents On Behalf Of Arizona State University System and method for precision detection of biomarkers

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016042060A1 (fr) * 2014-09-18 2016-03-24 Commissariat à l'énergie atomique et aux énergies alternatives Systeme et procede de detection de particules
CN105369663A (zh) * 2015-08-11 2016-03-02 中国制浆造纸研究院 一种高效率、低能耗制备纳米纤维素的方法
CN110551301A (zh) * 2018-05-30 2019-12-10 华南理工大学 一种耐水纳米纤维素薄膜及其制备方法
WO2021120944A1 (zh) * 2019-12-19 2021-06-24 瑞芯智造(深圳)科技有限公司 一种微纳颗粒浓度的检测方法
CN111103275A (zh) * 2019-12-24 2020-05-05 电子科技大学 Pat先验信息辅助的基于cnn和自适应ekf的动态fmt重建方法
CN111244477A (zh) * 2020-01-14 2020-06-05 北京理工大学 一种生物质碳纳米球团簇材料的制备及其应用
CN114139934A (zh) * 2021-11-29 2022-03-04 中国平安财产保险股份有限公司 基于人工智能的活动评价方法、装置、设备及介质
CN116660198A (zh) * 2023-08-02 2023-08-29 中珀(北京)新材料科技有限公司 基于光谱分析的碳纳米材料浆料性能测试方法
CN116702082A (zh) * 2023-08-09 2023-09-05 深圳市泽信智能装备有限公司 一种微米级粉料无尘装料系统的粉尘监测方法

Also Published As

Publication number Publication date
CN116884518A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN116186634B (zh) 一种建筑工程施工数据智能管理系统
CN108804851A (zh) 一种混沌群智寻优高精度的丙烯聚合生产过程最优软测量仪表
CN113642666B (zh) 一种基于样本扩充和筛选的主动增强软测量方法
CN110782067B (zh) 一种基于模糊信息粒化的烧结终点波动范围预测方法
CN117556366B (zh) 基于数据筛选的数据异常检测系统及方法
Jiang et al. A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals
CN116976148B (zh) 一种铜电解过程离子含量变化的监测方法及系统
US20150012250A1 (en) Clustering based continuous performance prediction and monitoring for semiconductor manufacturing processes using nonparametric bayesian models
CN110503133A (zh) 一种基于深度学习的离心式压缩机故障预测方法
CN108982576A (zh) 一种混沌高精度的丙烯聚合生产过程最优软测量仪表
CN114707120A (zh) 一种测算碳排放规模的统计学建模方法
CN113420061A (zh) 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统
CN115628776A (zh) 一种供水管网异常数据检测方法
CN102925602A (zh) 高炉操作炉型维护方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN117171685B (zh) 一种浊度测量系统运行监测方法
CN116884518B (zh) 基于预测压缩的碳纳米颗粒浆料生产数据处理方法
CN111429028A (zh) 一种适用于山区地形的输电线路覆冰灾害风险评估方法
CN100570327C (zh) 测量水力旋流器固液分离溢流粒度分布的支持向量机方法
Liu et al. Intelligent Prediction and Real-time Monitoring System for Gas Flow Distribution at the Top of Blast Furnace
CN113858566A (zh) 一种基于机器学习的注塑机能耗预测方法及系统
CN116954174A (zh) 基于锂电池涂布设备关键参数的质量预警方法及系统
CN114800036B (zh) 一种设备健康状态评估方法
CN105139025B (zh) 基于非线性分析方法的气固流化床流型在线智能识别方法
CN113887565A (zh) 一种配电变压器电气状态评估方法和系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Data processing method for carbon nanoparticle slurry production based on predictive compression

Granted publication date: 20231110

Pledgee: Qinhuangdao Bank Co.,Ltd. Beidaihe New District Branch

Pledgor: Zhongpo (Qinhuangdao) New Materials Technology Co.,Ltd.

Registration number: Y2024110000270