CN116907764B - 脱硫设备气密性检测方法、装置、设备及存储介质 - Google Patents
脱硫设备气密性检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116907764B CN116907764B CN202311185537.5A CN202311185537A CN116907764B CN 116907764 B CN116907764 B CN 116907764B CN 202311185537 A CN202311185537 A CN 202311185537A CN 116907764 B CN116907764 B CN 116907764B
- Authority
- CN
- China
- Prior art keywords
- air pressure
- preset
- absorption tower
- training
- detection
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 51
- 230000023556 desulfurization Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 197
- 238000010521 absorption reaction Methods 0.000 claims abstract description 165
- 238000012549 training Methods 0.000 claims abstract description 164
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 239000006096 absorbing agent Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 29
- 238000012163 sequencing technique Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 45
- 238000013528 artificial neural network Methods 0.000 description 11
- 235000019738 Limestone Nutrition 0.000 description 6
- 239000006028 limestone Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 239000003546 flue gas Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003009 desulfurizing effect Effects 0.000 description 3
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- OSGAYBCDTDRGGQ-UHFFFAOYSA-L calcium sulfate Chemical compound [Ca+2].[O-]S([O-])(=O)=O OSGAYBCDTDRGGQ-UHFFFAOYSA-L 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 239000002002 slurry Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910000019 calcium carbonate Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 229910052815 sulfur oxide Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Industrial Gases (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明提供一种脱硫设备气密性检测方法、装置、设备及存储介质,属于基于特定计算机模型的计算机系统领域,所述检测方法包括:获取吸收塔的内部气压值,以及获取吸收塔的检测数据包;将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围;所述预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系;判断吸收塔的内部气压值是否超出预设气压范围;在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息;在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息。通过本发明提供的方法,能够提高吸收塔气密性的检测准确性,以便于更好地维护吸收塔的正常运行。
Description
技术领域
本发明涉及基于特定计算机模型的计算机系统技术领域,具体地,涉及一种脱硫设备气密性检测方法、一种脱硫设备气密性检测装置、一种终端设备和一种计算机可读存储介质。
背景技术
燃煤电厂的生产流程中会燃烧大量的煤,而煤中常常含有一定量的硫元素,这些硫元素经过燃烧之后会释放出大量SO2,如果不加以治理,就会对环境造成巨大危害。比如硫氧化物和硫化氢会对大气造成污染,硫酸盐和硫化氢会对水体造成污染。因此,燃煤电厂脱硫治理是环境保护工作的重点。
目前,燃煤电厂绝大多数采用的是石灰石湿法烟气脱硫(FGD)工艺来脱除烟气中的SO2。石灰石湿法脱硫工艺的基本原理是:将石灰石粉加水制成浆液作为吸收剂泵入吸收塔与烟气充分接触混合,烟气中的二氧化硫与浆液中的碳酸钙,以及从塔下部鼓入的空气在吸收塔内进行氧化反应生成硫酸钙。
在上述石灰石湿法脱硫工艺的过程中,用于除去煤中的硫元素,防止燃烧时生成SO2的一系列设备可被统称为脱硫设备。在整个石灰石湿法脱硫工艺的过程中,对于脱硫设备中吸收塔的气密性检测十分重要。但是,目前对脱硫设备的气密性检测大多依赖现场工作人员运行与操作经验开展,这种检测方式不仅费时费力,而且对于脱硫设备中吸收塔气密性的检测准确性较差。
发明内容
针对现有技术中缺乏有效的计算模型或方法来检测脱硫设备中吸收塔气密性的技术问题,本发明提供了一种脱硫设备气密性检测方法、装置、设备及存储介质,采用该方法、装置、设备及存储介质能够提高吸收塔气密性的检测准确性,以便于更好地维护吸收塔的正常运行,提高脱硫效率和质量。
为实现上述目的,本发明第一方面提供了一种脱硫设备气密性检测方法,所述检测方法包括以下步骤:获取吸收塔的内部气压值,以及获取吸收塔的检测数据包;将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围;所述预设检测模型中存储有若干组训练数据包与若干组气压范围 的对应关系;判断吸收塔的内部气压值是否超出预设气压范围;在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息;在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息;其中,所述检测数据包中包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种实时采集数据吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;所述训练数据包中包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种历史采集数据吸收塔历史采集数据通过文本指纹运算后生成的第二数字串;所述吸收塔实时采集数据和所述吸收塔历史采集数据均包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。
在本发明的一个示例性实施例中,所述将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围,可以包括:从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词;对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离;判断汉明距离是否小于或等于预设汉明距离阈值;在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围;将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围;其中,所述目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;所述预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种。
在本发明的一个示例性实施例中,所述预设检测模型的训练过程可以包括:获取训练信息,所述训练信息包括若干组训练数据包和若干组气压范围;将训练信息输入至神经网络模型进行训练,获得第一训练结果;将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果;将第二训练结果输入至神经网络模型进行训练,获得第三训练结果;将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
在本发明的一个示例性实施例中,获取吸收塔的检测数据包之前,所述检测方法还可以包括:接收终端设备发送的吸收塔实时采集数据;提取吸收塔实时采集数据中的文本信息;将吸收塔实时采集数据中的文本信息进行去噪与分词,生成多个特征单词;将多个特征单词分别转换为多个特征值;基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值;将多个权重特征值进行累加与降维,生成第一数字串,作为吸收塔的检测数据包。
在本发明的一个示例性实施例中,所述若干组气压范围的确定方式可以为:获取每组训练数据包的检测时间;在预设数据库中查找与所述检测时间相对应的多个目标气压值;将多个目标气压值进行排序,并生成排序结果;从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围;其中,所述第一目标气压值为多个目标气压值中的最小值,所述第二目标气压值为多个目标气压值中的最大值。
本发明第二方面提供了一种脱硫设备气密性检测装置,所述检测装置包括:数据获取单元、数据处理单元、判断单元、第一预测单元和第二预测单元;所述数据获取单元用于获取吸收塔的内部气压值,以及获取吸收塔的检测数据包;所述数据处理单元用于将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围;所述预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系;所述判断单元用于判断吸收塔的内部气压值是否超出预设气压范围;所述第一预测单元用于在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息;所述第二预测单元用于在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息;其中,所述检测数据包中包括吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;所述训练数据包中包括吸收塔历史采集数据通过文本指纹运算后生成的第二数字串;所述吸收塔实时采集数据和所述吸收塔历史采集数据均包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。
在本发明的另一个示例性实施例中,所述数据处理单元可以包括:关键词提取模块、汉明距离计算模块、汉明距离判断模块、气压范围提取模块和预设气压范围确定模块;所述关键词提取模块用于从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词;其中,所述目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;所述预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种;所述汉明距离计算模块用于对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离;所述汉明距离判断模块用于判断汉明距离是否小于或等于预设汉明距离阈值;所述气压范围提取模块用于在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围;所述预设气压范围确定模块用于将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围。
在本发明的另一个示例性实施例中,所述检测装置还可以包括:预训练单元;所述预训练单元包括:训练信息获取模块、第一训练模块、第一处理模块、第二训练模块和第二处理模块;所述训练信息获取模块用于获取训练信息,所述训练信息包括若干组训练数据包和若干组气压范围;所述第一训练模块用于将训练信息输入至神经网络模型进行训练,获得第一训练结果;所述第一处理模块用于将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果;所述第二训练模块用于将第二训练结果输入至神经网络模型进行训练,获得第三训练结果;所述第二处理模块用于将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
在本发明的另一个示例性实施例中,所述检测装置还可以包括:检测数据包生成单元;所述检测数据包生成单元包括:接收模块、文本信息提取模块、特征单词生成模块、特征值转换模块、权重特征值确定模块和数据包生成模块;所述接收模块用于接收终端设备发送的吸收塔实时采集数据;所述文本信息提取模块用于提取吸收塔实时采集数据中的文本信息;所述特征单词生成模块用于将吸收塔实时采集数据中的文本信息进行去噪与分词,生成多个特征单词;所述特征值转换模块用于将多个特征单词分别转换为多个特征值;所述权重特征值确定模块用于基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值;所述数据包生成模块用于将多个权重特征值进行累加与降维,生成第一数字串,作为吸收塔的检测数据包。
在本发明的另一个示例性实施例中,所述检测装置还可以包括:气压范围确定单元;所述气压范围确定单元包括:检测时间获取模块、目标气压查找模块、排序模块和气压范围生成模块;所述检测时间获取模块用于获取每组训练数据包的检测时间;所述目标气压查找模块用于在预设数据库中查找与所述检测时间相对应的多个目标气压值;所述排序模块用于将多个目标气压值进行排序,并生成排序结果;所述气压范围生成模块用于从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围;其中,所述第一目标气压值为多个目标气压值中的最小值,所述第二目标气压值为多个目标气压值中的最大值。
本发明第三方面提供了一种终端设备,所述终端设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由一个或多个以上所述处理器加载并执行,以使终端设备实现上述的脱硫设备气密性检测方法。
本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行,以使计算机实现上述的脱硫设备气密性检测方法。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
(1)本发明的脱硫设备气密性检测方法通过将检测数据包输入至预设检测模型中获得预设气压范围,再将吸收塔内部的气压值与预设气压范围进行比较,从而确定吸收塔的气密性是否发生异常,该检测方法具有提高对脱硫设备中吸收塔气密性的检测准确性的效果,以便于更好地维护吸收塔的正常运行,提高脱硫效率和质量;
(2)本发明的脱硫设备气密性检测方法通过神经网络训练预设检测模型,使其能够对输入的数据包和气压范围数据进行处理和分析,最终输出符合预设逻辑回归条件的相似度矩阵,通过训练和处理预设检测模型的过程,可以提高模型的准确性和稳定性,使其能够更好地适应不同的数据情况并进行有效的预测和分析;
(3)本发明有助于提高脱硫设备的可靠性和安全性,及时发现和解决问题,减少事故和故障的发生,保障脱硫设备运行的稳定性和安全性。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1为本发明第一实施例提供的脱硫设备气密性检测方法的流程示意图;
图2为本发明第二实施例提供的脱硫设备气密性检测装置的结构示意图;
图3为本发明第三实施例提供的终端设备的结构示意图。
附图标记说明
101-数据获取单元,102-数据处理单元,103-判断单元,104-第一预测单元,105-第二预测单元,201-处理器,202存储器。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明中,“第一”、“第二”等仅仅是为了方便描述和便于区分,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体式连接;可以是直接连接,也可以是间接连接;可以是有线连接,也可以是无线连接。对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
实施例一
请参考图1,本发明的第一实施例提供了一种脱硫设备气密性检测方法,该方法包括以下步骤:
步骤S101:获取吸收塔的内部气压值,以及获取吸收塔的检测数据包。
由于脱硫设备中吸收塔发生泄漏或堵塞故障时,其气密性将无法保证,因此,监测吸收塔内部的气压值对于验证吸收塔气密性是十分必要的。获取吸收塔内部气压值的方式可以为工作人员输入,也可以为气压传感器测量得到,还可以为其他终端设备导入,具体获取方式根据实际情况确定,这里不再赘述。
检测数据包是用于作为预设检测模型的输入数据,以确定相应的预设气压范围。检测数据包中包括吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;吸收塔实时采集数据包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。换句话说,吸收塔实时采集数据是指在当前检测时刻采集获得的温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。
这里,温度是指吸收塔内部的温度,可以由预先安装在吸收塔内部的温度传感器获得。湿度是指吸收塔内部的湿度,同样可以由预先安装在吸收塔内部的湿度传感器获得。吸收塔体积可根据吸收塔的实际参数进行设定。由于温度、湿度和吸收塔体积均会对吸收塔内部的气压产生一定影响,因此,本申请实施例中,对于温度、湿度和吸收塔体积的检测是具有积极效果的。
另外,由于化学反应中气体成分与气压之间的关系可以通过理想气体状态方程来描述,即PV=nRT,其中P为气压值,V为气体的体积,n为气体的物质量,R为气体常数,T为绝对温度。在化学反应中,如果反应生成了气体,则气体的物质量会增加,体积也会增大,从而导致气压的变化。反之,如果反应消耗了气体,则气体的物质量会减少,体积也会减小,从而导致气压的变化。因此,化学反应中气体成分与气压之间存在着密切的关系。而吸收塔内气体成分是随着化学反应实时变化的,包括SO2、O2、SO3、HF以及HCl气体等。所以,本申请实施例中,对于吸收塔内气体成分的检测也是具有积极效果的。
步骤S102:将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围。
需要说明的是,预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系。其中,训练数据包中包括吸收塔历史采集数据通过文本指纹运算后生成的第二数字串;吸收塔历史采集数据均包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。换句话说,吸收塔历史采集数据是指在历史检测时刻采集获得的温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。
因为不同的训练数据包所包含的数据不同,且温度、湿度、吸收塔体积以及吸收塔内气体成分中的任意一种数据发生变化,吸收塔内部的气压范围也是会变化的。因此预设检测模型中存储有多个气压范围,但每个数据包均对应有一个气压范围。
通过将检测数据包输入至已训练的预设检测模型,并找到与检测数据包具备相似度的训练数据包,即可根据该训练数据包与气压范围的对应关系,确定与检测数据包相对应的预设气压范围。
另外,文本指纹运算(又称文本指纹计算机制,或者sim-hash)是一种用于海量网页去重的高效算法,它通过将原始的文本映射为64位的二进制数字串,然后通过比较二进制数字串的差异进而来表示原始文本内容的差异。在本实施例中,采用文本指纹运算将吸收塔采集的原始数据(包括吸收塔实时采集数据和吸收塔历史采集数据)进行预处理后生成纯数字的数字串的目的是:使得检测数据包和训练数据包变成预设检测模型能够识别的形式,以满足计算机的运行规则。
此外,预设检测模型可以通过机器学习模型进行预训练和处理,从而提高模型的准确性和稳定性,使其能够更好地适应不同的数据情况并进行有效的预测和分析。
步骤S103:判断吸收塔的内部气压值是否超出预设气压范围。
步骤S104:在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息。
当判断结果为吸收塔的内部气压值处于预设气压范围时,表明吸收塔内部的气密性处于正常状态,此时可以生成检测正常信息,以便工作人员随时查看脱硫设备的气密性检测状况。
例如,当吸收塔内部的预设气压范围为0.7~1.1个大气压时,而脱硫塔的内部气压值为0.8个大气压,此时,气压值大于预设气压范围的下限且小于预设气压范围的上限,则可以确认气密性正常。
步骤S105:在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息。
当判断结果为吸收塔的内部气压值大于预设气压范围上限,或者内部气压值小于预设气压范围下限时,表明吸收塔内部的气密性已经发生异常,此时应生成报警信息,以提示工作人员及时对脱硫设备进行气密性维护。其中,气密性发生异常在本申请实施里中可以理解为发生泄漏导致气密性下降,或者发生堵塞故障导致气密性升高。
例如,当吸收塔内部的预设气压范围为0.7~1.1个大气压时,而脱硫塔的内部气压值为0.6个大气压,此时,气压值小于预设气压范围的下限,则可以确认气密性异常的原因可能为吸收塔发生小面积气体泄漏;当获取脱硫塔的内部气压值为1.3个大气压时,此时,气压值大于预设气压范围的上限,则可以确认气密性异常的原因可能为吸收塔的排气管路堵塞。
此外,生成检测报警信息之后,可以对检测报警信息进行显示,以便于工作人员没有观察到用户设备的检测报警信息时,仍然能够对脱硫设备中吸收塔的气密性进行获知。
通过采用上述技术方案,首先获取吸收塔的内部气压值和检测数据包,并通过将检测数据包输入至已训练的预设检测模型中,确定预设气压范围,并判断内部气压值与预设气压范围的大小,从而确定吸收塔的气密性是否发生异常,并生成检测报警信息,具有提高脱硫设备中吸收塔气密性的检测准确性的效果。
此外,通过用户设备向用户展示检测报警信息,便于用户根据检测报警信息确定气密性发生异常的吸收塔,进而及时地采取有效措施,以便于更好地维护吸收塔的正常运行,提高脱硫效率和质量。同时,该过程也提高了脱硫设备的可靠性和安全性,及时发现和解决问题,减少事故和故障的发生,保障脱硫设备运行的稳定性和安全性。
进一步地,在一种可能的实施方式中,在获取吸收塔的检测数据包之前,所述检测方法还包括分步骤S1010:基于吸收塔实时采集数据,利用文本指纹运算机制生成吸收塔的检测数据包;以及基于吸收塔历史采集数据,利用文本指纹运算机制生成吸收塔的训练数据包。
示例性地,基于吸收塔实时采集数据(或基于吸收塔历史采集数据),利用文本指纹运算机制生成吸收塔的检测数据包(或吸收塔的训练数据包)的过程包括但不限于下述子步骤S10101~子步骤S10106。
子步骤S10101:接收终端设备发送的吸收塔实时采集数据(或吸收塔历史采集数据)。
子步骤S10102:提取吸收塔实时采集数据(或吸收塔历史采集数据)中的文本信息。
子步骤S10103:将吸收塔实时采集数据(或吸收塔历史采集数据)中的文本信息进行去噪与分词,生成多个特征单词。
这里,去噪可以理解为去除不符合规定的文本信息,例如,表情符号以及一连串的标点符号等。在对文本信息进行去噪后,可以减少了噪声对服务器计算的干扰。
分词可以理解为将一句话划分为多个词语,其中,包括名词、动词、形容词、副词等。
根据分词后得到的多个词语可生成多个特征单词。例如,初始文本信息为“吸收塔内部的温度为X摄氏度。。,吸收塔体积为A,A为2200平方米”,对初始文本信息进行去噪处理后,得到的去噪文本信息为“吸收塔内部的温度为X摄氏度,吸收塔体积为2200平方米”。再对去噪后的去噪文本信息进行分词处理,分词后得到的多个特征单词包括:“吸收塔”、“温度”、“X摄氏度”、“体积”以及“2200平方米”。
子步骤S10104:将多个特征单词分别转换为多个特征值。
其中,一个特征单词对应一个特征值,特征值为仅含有数字0与1中一种或两种的数据串。
在本实施例中,特征值可以理解为仅含有数字0或1中一种或两种的8位数字串。例如,文本信息为“吸收塔的温度”,特征单词为“吸收塔”和“温度”,其中,“吸收塔”对应的特征值为“10111110”,“温度”对应的特征值为“10011101”。
子步骤S10105:基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值。
由于每个特征单词的重要程度不同,所以需对不同特征单词设置不同的权重,并根据每个特征单词的权重生成对应的权重特征值。例如,将“温度”的权重设置为5,“吸收塔”的权重设置为1,则“温度”对应的权重特征值为“50055505”,“吸收塔”对应的权重特征值为“10111110”。
子步骤S10106:将多个权重特征值进行累加与降维,生成第一数字串(或第二数字串),作为吸收塔的检测数据包(或吸收塔的训练数据包)。
这里,累加可以理解为将多个权重特征值的每一位相加,降维可以理解为将累加的结果转换为仅含有数字0或1中一种或两种的数字串。
通过采用上述技术方案,可将采集数据中包含的文本信息转换为预设检测模型输入端能够识别的形式,从而提高服务器的运算性能,便于后续的处理和分析。而且通过采用文本指纹运算机制对采集数据进行处理,能够提高提高服务器对数据包的处理效率和准确性。
进一步地,在一种可能的实施方式中,步骤S102中,将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围的过程包括但不限于下述分步骤S1021~分步骤S1025。
分步骤S1021:从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词。
其中,目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;训练数据包中包含的吸收塔历史采集数据可以是任何表达形式,包括但不限于语音、文字以及图像等形式。
预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种。由于在实际应用中,文本信息的关键词有一部分是不使用的关键词,所以按照预设维度进行提取,能够提高汉明相似度计算的准确性。
需要说明的是,预设维度包括但不限于温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度,还可以包括吸收塔材质以及气体浓度等。
分步骤S1022:对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离。
需要说明的是,汉明距离是指两个码字的对应比特取值不同的比特数称为这两个码字的汉明距离。在一个码组集合中,任意两个码字之间对应位上码元取值不同的位的数目定义为这两个码字之间的汉明距离。在本实施例中,汉明距离用于表示两个数据包中的文本数据之间的相似程度。
分步骤S1023:判断汉明距离是否小于或等于预设汉明距离阈值。
这里,预设汉明距离阈值根据具体工程类型进行动态设置,汉明距离越小,表示两者的相似度越高,从而保证筛选出来的数据包更加准确。
分步骤S1024:在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围。
需要说明的是,若确定汉明距离大于预设汉明距离阈值,可丢弃对应的训练数据包。在本实施例中,丢弃可以理解为放弃使用该目标数据包,继续查找确认与第一关键词对应的目标数据包,以便于降低服务器的计算量。
分步骤S1025:将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围。
通过采用上述技术方案,采用计算汉明距离的方式确定目标数据包与检测数据包的相似程度,并通过比较汉明距离与预设汉明距离阈值之间的大小关系,获取与目标数据包对应的气压范围,从而得到预设气压范围。相比于相关技术,本实施例的计算方式不再需要人工对检测数据包进行处理,便于预设检测模型准确地输出预设气压范围,提升了预设检测模型的可信度和鲁棒性。
进一步地,在一种可能的实施方式中,步骤S102中,在将检测数据包输入至已训练的预设检测模型之前,所述检测方法还包括:通过神经网络对预设检测模型进行预训练和处理。
示例性地,通过神经网络对预设检测模型进行预训练和处理的过程可细化为下述子步骤S10201~子步骤S10205。
子步骤S10201:获取训练信息,其中,训练信息包括若干组训练数据包和若干组气压范围。
训练数据包中包含有温度信息、湿度信息、吸收塔体积信息以及吸收塔内气体成分信息。
子步骤S10202:将训练信息输入至神经网络模型进行训练,获得第一训练结果。
子步骤S10203:将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果。
子步骤S10204:将第二训练结果输入至神经网络模型进行训练,获得第三训练结果;
子步骤S10205:将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
通过采用上述技术方案,经过多次将训练信息和训练结果进行叠加与标准化处理,便于预设检测模型根据神经网络,对数据包信息和气压范围信息进行相似度分析,最终输出符合预设逻辑回归条件的相似度矩阵,从而便于提高预设检测模型生成的检测报警信息的准确性和鲁棒性。
在本实施例中,神经网络为自注意力神经网络,自注意力神经网络包括但不限于输入嵌入层、自注意力层、前馈神经网络层以及输出层等。而自注意力层可以包括多头注意力子层、残差连接子层以及层归一化子层,上述各层级为本领域技术人员所知,在此不再赘述。
因此,采用自注意力神经网络训练得到预设检测模型,不同于传统的循环神经网络(RNN)和卷积神经网络(CNN),自注意力神经网络可以同时考虑输入信息中各个元素之间的关系,而不是仅仅考虑相邻元素之间的关系,通过自注意力机制可以学习数据中的局部依赖关系,从而更好地捕捉序列中的长程依赖关系。再者,自注意力神经网络可以并行计算,从而加速训练和推理模型的过程,使得模型预测的预设气压范围更加准确。
进一步地,在一种可能的实施方式中,子步骤S10201中,在获取训练信息之前,所述检测方法还包括:确定若干组训练数据包与若干组气压范围的对应关系。
示例性地,确定若干组训练数据包与若干组气压范围的对应关系的过程包括但不限于下述子步骤S102011~子步骤S102013。
子步骤S102011:获取若干组训练数据包。
子步骤S102012:基于若干组训练数据包,确定出对应的若干组气压范围,从而构建多组训练数据包与多组气压范围之间的对应关系。
子步骤S102013:将多组训练数据包与多组气压范围之间的对应关系存储至预设检测模型中。
例如,服务器可以将对应关系X存储在预设检测模型中,对应关系X为温度a1、湿度b1以及气体成分c1对应预设气压范围为0.7至1.1个大气压,当服务器获取到的检测数据包为温度a1、湿度b1以及气体成分c1时,服务器便能快速确定预设气压范围为0.7至1.1个大气压。
由此,通过构建训练数据包与气压范围之间的对应关系,当已知于检测数据包相似的训练数据包后,服务器能够快速根据该对应关系查找到预设气压范围,从而便于服务器对脱硫设备中的吸收塔进行快速检测。
示例性地,基于一组训练数据包,确定出对应的一组气压范围的过程可细化为下述子步骤S102012a~子步骤S102012d。
子步骤S102012a:获取每组训练数据包的检测时间。
子步骤S102012b:在预设数据库中查找与检测时间相对应的多个目标气压值。
其中,预设数据库中存储有多个目标气压值以及各自对应的检测时间。
子步骤S102012c:将多个目标气压值进行排序,并生成排序结果。
例如,可以将多个目标气压值按照从小到大的顺序进行排序,也可以将多个目标气压值按照从大到小的顺序进行排序。
子步骤S102012d:从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围。
其中,第一目标气压值小于或等于多个目标气压值中的任意一个气压值,第二目标气压值大于或等于多个目标气压值中的任意一个气压值。
例如,第一目标气压值可以为多个目标气压值中的最小值,所述第二目标气压值可以为多个目标气压值中的最大值。
举例来说,多个目标气压值为0.7、0.8、1.0、0.75和1.1,则气压范围可确定为0.7~1.1个大气压。
需要说明的是,图1为本实施例提供的脱硫设备气密性检测方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。并且图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
此外,本实施例的实施环境包括至少一个终端和服务器,该方法分别在终端或服务器上执行。终端和服务器可以进行通信连接以实现信息的交互传输。例如,本实施例的脱硫设备气密性检测方法可以应用于服务器,本实施例的吸收塔实时采集数据和吸收塔历史采集数据可以作为原始数据包存储在终端中,服务器可以接收终端发送的原始数据包。
其中,终端可以是任何一种可以与用户通过键盘、触摸板、触摸屏、语音交互等一种或多种方式进行人机交互的电子产品,例如PC (Personal Computer,个人计算机)、PPC(Pocket Personal Computer,掌上电脑)、平板电脑等。
服务器可以是一台服务器,也可以是由多台服务器组成的服务器集群,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN (Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
实施例二
请参考图2,本发明的第二实施例提供了一种脱硫设备气密性检测装置,该检测装置包括:数据获取单元101、数据处理单元102、判断单元103、第一预测单元104和第二预测单元105。
数据获取单元101用于获取吸收塔的内部气压值,以及获取吸收塔的检测数据包。
数据处理单元102与数据获取单元101连接,用于将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围。其中,预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系。检测数据包中包括吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;训练数据包中包括吸收塔历史采集数据通过文本指纹运算后生成的第二数字串。吸收塔实时采集数据和吸收塔历史采集数据均包括温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数。
判断单元103与数据处理单元102连接,用于判断吸收塔的内部气压值是否超出预设气压范围。
第一预测单元104与判断单元103连接,用于在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息。
第二预测单元105与判断单元103连接,用于在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息。
进一步地,在一种可能的实施方式中,数据处理单元可以包括:关键词提取模块、汉明距离计算模块、汉明距离判断模块、气压范围提取模块和预设气压范围确定模块。
关键词提取模块用于从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词。其中,目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种。
汉明距离计算模块与关键词提取模块连接,用于对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离。
汉明距离判断模块与汉明距离计算模块连接,用于判断汉明距离是否小于或等于预设汉明距离阈值。
气压范围提取模块与汉明距离判断模块连接,用于在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围。
预设气压范围确定模块与气压范围提取模块连接,用于将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围。
进一步地,在一种可能的实施方式中,所述检测装置还可以包括:预训练单元。
具体地,预训练单元可以包括:训练信息获取模块、第一训练模块、第一处理模块、第二训练模块和第二处理模块。
其中,训练信息获取模块用于获取训练信息,所述训练信息包括若干组训练数据包和若干组气压范围。
第一训练模块与训练信息获取模块连接,用于将训练信息输入至神经网络模型进行训练,获得第一训练结果。
第一处理模块与第一训练模块连接,用于将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果。
第二训练模块与第一处理模块连接,用于将第二训练结果输入至神经网络模型进行训练,获得第三训练结果。
第二处理模块与第二训练模块连接,用于将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
进一步地,在一种可能的实施方式中,所述检测装置还可以包括:检测数据包生成单元。
具体地,检测数据包生成单元可以包括:接收模块、文本信息提取模块、特征单词生成模块、特征值转换模块、权重特征值确定模块和数据包生成模块。
其中,接收模块用于接收设备终端发送的吸收塔实时采集数据。
文本信息提取模块与接收模块连接,用于提取吸收塔实时采集数据中的文本信息。
特征单词生成模块与文本信息提取模块连接,用于将吸收塔实时采集数据中的文本信息进行去噪与分词,生成多个特征单词。
特征值转换模块与特征单词生成模块连接,用于将多个特征单词分别转换为多个特征值。
权重特征值确定模块与特征值转换模块连接,用于基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值。
数据包生成模块与权重特征值确定模块连接,用于将多个权重特征值进行累加与降维,生成第一数字串,作为吸收塔的检测数据包。
进一步地,在一种可能的实施方式中,所述检测装置还可以包括:气压范围确定单元。
具体地,气压范围确定单元可以包括:检测时间获取模块、目标气压查找模块、排序模块和气压范围生成模块。
检测时间获取模块用于获取每组训练数据包的检测时间。
目标气压查找模块与检测时间获取模块连接,用于在预设数据库中查找与所述检测时间相对应的多个目标气压值。
排序模块与目标气压查找模块连接,用于将多个目标气压值进行排序,并生成排序结果。
气压范围生成模块与排序模块连接,用于从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围。其中,第一目标气压值为多个目标气压值中的最小值,第二目标气压值为多个目标气压值中的最大值。
需要说明的是,上述提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或部分功能。另外,上述实施例提供的装置与第一实施例提供的方法属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
实施例三
本发明的第三实施例还提供了一种终端设备,参见图3,该终端设备包括处理器201和存储器202,存储器中存储有至少一条计算机程序,所述至少一条计算机程序由一个或多个以上所述处理器加载并执行,以使终端设备实现如上所述的脱硫设备气密性检测方法。
当然,该终端设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该终端设备还可以包括其他用于实现设备各功能的部件在此不做赘述。
本发明的第三实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该程序代码由处理器加载并执行,以使计算机实现如上所述的脱硫设备气密性检测方法。
可选地,该计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (8)
1.一种脱硫设备气密性检测方法,其特征在于,所述检测方法包括:
获取吸收塔的内部气压值,以及获取吸收塔的检测数据包;
将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围;所述预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系;
判断吸收塔的内部气压值是否超出预设气压范围;
在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息;
在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息;
其中,所述检测数据包中包括:吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;所述训练数据包中包括:吸收塔历史采集数据通过文本指纹运算后生成的第二数字串;所述吸收塔实时采集数据和所述吸收塔历史采集数据均包括:温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数;所述将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围,包括:
从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词;
对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离;
判断汉明距离是否小于或等于预设汉明距离阈值;
在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围;
将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围;
其中,所述目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;所述预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种;所述预设检测模型的训练过程包括:
获取训练信息,所述训练信息包括若干组训练数据包和若干组气压范围;
将训练信息输入至神经网络模型进行训练,获得第一训练结果;
将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果;
将第二训练结果输入至神经网络模型进行训练,获得第三训练结果;
将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
2.根据权利要求1所述的脱硫设备气密性检测方法,其特征在于,获取吸收塔的检测数据包之前,所述检测方法还包括:
接收吸收塔实时采集数据;
提取吸收塔实时采集数据中的文本信息;
将吸收塔实时采集数据中的文本信息进行去噪与分词,生成多个特征单词;
将多个特征单词分别转换为多个特征值;
基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值;
将多个权重特征值进行累加与降维,生成第一数字串,作为吸收塔的检测数据包。
3.根据权利要求1所述的脱硫设备气密性检测方法,其特征在于,所述若干组气压范围的确定方式为:
获取每组训练数据包的检测时间;
在预设数据库中查找与所述检测时间相对应的多个目标气压值;
将多个目标气压值进行排序,并生成排序结果;
从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围;
其中,所述第一目标气压值为多个目标气压值中的最小值,所述第二目标气压值为多个目标气压值中的最大值。
4.一种脱硫设备气密性检测装置,其特征在于,所述检测装置包括:数据获取单元、数据处理单元、判断单元、第一预测单元和第二预测单元;
所述数据获取单元用于获取吸收塔的内部气压值,以及获取吸收塔的检测数据包;
所述数据处理单元用于将检测数据包输入至已训练的预设检测模型中,确定与检测数据包相对应的预设气压范围;所述预设检测模型中存储有若干组训练数据包与若干组气压范围的对应关系;
所述判断单元用于判断吸收塔的内部气压值是否超出预设气压范围;
所述第一预测单元用于在确定吸收塔的内部气压值没有超出预设气压范围的情况下,生成检测正常信息;
所述第二预测单元用于在确定吸收塔的内部气压值超出预设气压范围的情况下,生成检测异常报警信息;
其中,所述检测数据包中包括:吸收塔实时采集数据通过文本指纹运算后生成的第一数字串;所述训练数据包中包括:吸收塔历史采集数据通过文本指纹运算后生成的第二数字串;所述吸收塔实时采集数据和所述吸收塔历史采集数据均包括:温度、湿度、吸收塔体积和吸收塔内部气体成分中的至少一种参数;
所述数据处理单元包括:关键词提取模块、汉明距离计算模块、汉明距离判断模块、气压范围提取模块和预设气压范围确定模块;
所述关键词提取模块用于从检测数据包中提取与预设维度相对应的第一关键词,以及从目标数据包中提取与预设维度相对应的第二关键词;其中,所述目标数据包为已训练的预设检测模型中存储的任意一个训练数据包;所述预设维度为温度维度、湿度维度、吸收塔体积维度以及吸收塔内气体成分维度中的至少一种;
所述汉明距离计算模块用于对第一关键词和第二关键词进行汉明相似度计算,获得汉明距离;
所述汉明距离判断模块用于判断汉明距离是否小于或等于预设汉明距离阈值;
所述气压范围提取模块用于在确定汉明距离小于或等于预设汉明距离阈值的情况下,通过已训练的预设检测模型获取与目标数据包相对应的气压范围;
所述预设气压范围确定模块用于将与目标数据包相对应的气压范围确定为与检测数据包相对应的预设气压范围;
所述检测装置还包括:预训练单元;所述预训练单元包括:训练信息获取模块、第一训练模块、第一处理模块、第二训练模块和第二处理模块;
所述训练信息获取模块用于获取训练信息,所述训练信息包括若干组训练数据包和若干组气压范围;
所述第一训练模块用于将训练信息输入至神经网络模型进行训练,获得第一训练结果;
所述第一处理模块用于将第一训练结果与训练信息进行叠加与标准化处理,获得第二训练结果;
所述第二训练模块用于将第二训练结果输入至神经网络模型进行训练,获得第三训练结果;
所述第二处理模块用于将第三训练结果与第二训练结果进行叠加与标准化处理,直至输出满足预设逻辑回归条件的相似度矩阵。
5.根据权利要求4所述的脱硫设备气密性检测装置,其特征在于,所述检测装置还包括:检测数据包生成单元;所述检测数据包生成单元包括:接收模块、文本信息提取模块、特征单词生成模块、特征值转换模块、权重特征值确定模块和数据包生成模块;
所述接收模块用于接收吸收塔实时采集数据;
所述文本信息提取模块用于提取吸收塔实时采集数据中的文本信息;
所述特征单词生成模块用于将吸收塔实时采集数据中的文本信息进行去噪与分词,生成多个特征单词;
所述特征值转换模块用于将多个特征单词分别转换为多个特征值;
所述权重特征值确定模块用于基于多个特征单词对应的权重对多个特征值设置权重,生成多个权重特征值;
所述数据包生成模块用于将多个权重特征值进行累加与降维,生成第一数字串,作为吸收塔的检测数据包。
6.根据权利要求4所述的脱硫设备气密性检测装置,其特征在于,所述检测装置还包括:气压范围确定单元;所述气压范围确定单元包括:检测时间获取模块、目标气压查找模块、排序模块和气压范围生成模块;
所述检测时间获取模块用于获取每组训练数据包的检测时间;
所述目标气压查找模块用于在预设数据库中查找与所述检测时间相对应的多个目标气压值;
所述排序模块用于将多个目标气压值进行排序,并生成排序结果;
所述气压范围生成模块用于从排序结果中提取第一目标气压值和第二目标气压值,生成一组气压范围;其中,所述第一目标气压值为多个目标气压值中的最小值,所述第二目标气压值为多个目标气压值中的最大值。
7.一种终端设备,其特征在于,所述终端设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由一个或多个以上所述处理器加载并执行,以使终端设备实现权利要求1~3中任一项所述的脱硫设备气密性检测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行,以使计算机实现权利要求1~3中任一项所述的脱硫设备气密性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311185537.5A CN116907764B (zh) | 2023-09-14 | 2023-09-14 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311185537.5A CN116907764B (zh) | 2023-09-14 | 2023-09-14 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116907764A CN116907764A (zh) | 2023-10-20 |
CN116907764B true CN116907764B (zh) | 2023-12-26 |
Family
ID=88367343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311185537.5A Active CN116907764B (zh) | 2023-09-14 | 2023-09-14 | 脱硫设备气密性检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116907764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970987B (zh) * | 2024-04-01 | 2024-06-11 | 新疆凯龙清洁能源股份有限公司 | 湿法脱硫智能化控制系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1648960A (zh) * | 2005-02-05 | 2005-08-03 | 华南理工大学 | 一种汽车轮胎气压在线监测装置及其在线监测方法 |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN106777866A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
CN110209145A (zh) * | 2019-05-16 | 2019-09-06 | 浙江大学 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
WO2021015709A1 (en) * | 2019-07-19 | 2021-01-28 | Chemical Technologies, Inc. | A system and method for constructing mathematical models of technological processes and training these models |
DE102019127409A1 (de) * | 2019-10-11 | 2021-04-15 | Rosen Swiss Ag | Verfahren zur Leckerkennung |
CN113505497A (zh) * | 2021-08-18 | 2021-10-15 | 山东建筑大学 | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 |
WO2022210866A1 (ja) * | 2021-03-31 | 2022-10-06 | 三菱重工業株式会社 | 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法 |
CN115752948A (zh) * | 2022-12-01 | 2023-03-07 | 重庆赛迪奇智人工智能科技有限公司 | 一种设备内水路密封性检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023027851A (ja) * | 2021-08-18 | 2023-03-03 | 株式会社Preferred Networks | 訓練装置、プラント、モデルを生成する方法、推論装置、推論方法及びプラントの制御方法 |
-
2023
- 2023-09-14 CN CN202311185537.5A patent/CN116907764B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1648960A (zh) * | 2005-02-05 | 2005-08-03 | 华南理工大学 | 一种汽车轮胎气压在线监测装置及其在线监测方法 |
CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
CN106777866A (zh) * | 2016-11-14 | 2017-05-31 | 重庆科技学院 | 面向节能降耗的高含硫天然气净化工艺建模与优化方法 |
CN110209145A (zh) * | 2019-05-16 | 2019-09-06 | 浙江大学 | 一种基于核矩阵近似的二氧化碳吸收塔故障诊断方法 |
WO2021015709A1 (en) * | 2019-07-19 | 2021-01-28 | Chemical Technologies, Inc. | A system and method for constructing mathematical models of technological processes and training these models |
DE102019127409A1 (de) * | 2019-10-11 | 2021-04-15 | Rosen Swiss Ag | Verfahren zur Leckerkennung |
WO2022210866A1 (ja) * | 2021-03-31 | 2022-10-06 | 三菱重工業株式会社 | 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法 |
CN113505497A (zh) * | 2021-08-18 | 2021-10-15 | 山东建筑大学 | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 |
CN115752948A (zh) * | 2022-12-01 | 2023-03-07 | 重庆赛迪奇智人工智能科技有限公司 | 一种设备内水路密封性检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于长短期记忆神经网络的吸收塔pH值预测模型;崔博洋;王永林;王云;孙大平;王桦;;华电技术(第09期) * |
湿法烟气脱硫过程建模、优化与预测;李艳宇;中国优秀硕士学位论文全文数据库(工程科技Ⅰ辑);B027-517 * |
Also Published As
Publication number | Publication date |
---|---|
CN116907764A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116907764B (zh) | 脱硫设备气密性检测方法、装置、设备及存储介质 | |
CN113434357B (zh) | 基于序列预测的日志异常检测方法及装置 | |
Srivastava et al. | Estimation of air pollution in Delhi using machine learning techniques | |
CN111783904B (zh) | 基于环境数据的数据异常分析方法、装置、设备及介质 | |
Xiaomeng et al. | CPGVA: code property graph based vulnerability analysis by deep learning | |
CN112528637A (zh) | 文本处理模型训练方法、装置、计算机设备和存储介质 | |
CN111339249A (zh) | 一种联合多角度特征的深度智能文本匹配方法和装置 | |
CN110011990A (zh) | 内网安全威胁智能分析方法 | |
CN103577547A (zh) | 网页类型识别方法及装置 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
US20230376758A1 (en) | Multi-modality root cause localization engine | |
JI et al. | Log Anomaly Detection Through GPT-2 for Large Scale Systems | |
CN115017015B (zh) | 一种边缘计算环境下程序异常行为检测方法及系统 | |
CN114969334B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN116366303A (zh) | 基于深度学习的网络异常检测方法、装置、设备及介质 | |
CN114257565B (zh) | 挖掘潜在威胁域名的方法、系统和服务器 | |
CN113343235B (zh) | 基于Transformer的应用层恶意有效负载检测方法、系统、设备及介质 | |
Sleeman et al. | Discovering scientific influence using cross-domain dynamic topic modeling | |
Saghafi et al. | Gas hydrate stability conditions: modeling on the basis of gas gravity approach | |
CN112766534A (zh) | 脱硝系统NOx浓度预测方法、装置、计算机设备和存储介质 | |
CN117272845B (zh) | 空压站能耗水平评估方法、装置及设备 | |
CN115794465B (zh) | 一种日志异常检测方法及系统 | |
CN113542202B (zh) | 一种域名识别方法、装置、设备及计算机可读存储介质 | |
Vairo et al. | A data driven model for ozone concentration prediction in a coastal urban area | |
Oudni et al. | Accelerating effect of attribute variations: Accelerated gradual itemsets extraction |
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 |