CN116911621B - 基于数据驱动的树脂生产安全风险智能评估方法及系统 - Google Patents
基于数据驱动的树脂生产安全风险智能评估方法及系统 Download PDFInfo
- Publication number
- CN116911621B CN116911621B CN202311175955.6A CN202311175955A CN116911621B CN 116911621 B CN116911621 B CN 116911621B CN 202311175955 A CN202311175955 A CN 202311175955A CN 116911621 B CN116911621 B CN 116911621B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- subsequence
- time sequence
- side wall
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011347 resin Substances 0.000 title claims abstract description 47
- 229920005989 resin Polymers 0.000 title claims abstract description 47
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 238000003756 stirring Methods 0.000 claims abstract description 32
- 239000003054 catalyst Substances 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000012502 risk assessment Methods 0.000 abstract 1
- 239000000463 material Substances 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001879 gelation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012295 chemical reaction liquid Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Polymerisation Methods In General (AREA)
Abstract
本发明涉及数据处理领域,具体涉及基于数据驱动的树脂生产安全风险智能评估方法及系统,该方法包括:采集各温度时序数据并进行子序列划分;计算子序列的最大温差系数;根据各子序列的最大温差系数及温度数据标准差得到各子序列的催化剂滴加促进指数;计算子序列的温度波动指数;根据催化剂滴加促进指数及温度波动指数得到搅拌均衡程度,进而侧壁传感器的温度权值系数;根据侧壁传感器温度权值系数获取各温度均衡加权融合子序列,并得到新的温度时序数据,根据新的温度时序数据得到预测温度数据,根据预测温度数据与实际监测温度数据的残差完成树脂生产风险的评估。从而实现树脂生产过程中风险的智能评估,具有较高的评估精度。
Description
技术领域
本申请涉及数据处理领域,具体涉及基于数据驱动的树脂生产安全风险智能评估方法及系统。
背景技术
树脂是一类具有高分子聚合结构的化合物,具有可塑性强、耐化学性、可调性和成本低等诸多优点,广泛应用于塑料制品,高强度复合材料及医疗器械各个领域,是生活必不可缺的重要材料。在工业生产过程中存在一定风险,例如材料本身对人体危害,加工会产生有毒的挥发性气体,对于缩合聚合型的氨基树脂、聚酯树脂来说,若反应过程中出现搅拌效果不佳,造成局部物料温度过高,局部产生胶化,一旦胶化事故的发生,整个反应釜物料报废,并可能在胶凝瞬间导致电机烧毁产生火花,引发火灾事故。因此,需要对该风险进行预测评估。
目前树脂生产反应釜温度异常缺陷检测方法存在一些不足,例如只在反应釜的一个位置测温度、缺乏模型预测和数据处理不足,从而影响温度异常的准确评估。
综上所述,本发明提出基于数据驱动的树脂生产安全风险智能评估方法及系统,本发明对各温度时序数据的各子序进行特征分析,提取各子序列的催化剂滴加促进指数及温度波动指数,并构建了搅拌均衡程度对不同温度时序数据子序列的温度变化相关程度,对温度数据进行融合修正,结合自回归差分移动平均预测模型根据融合处理后的温度数据进行温度预测,根据预测温度数据与实际监测温度数据之间的残差,实现树脂生产安全风险的评估。
发明内容
为了解决上述技术问题,本发明提供基于数据驱动的树脂生产安全风险智能评估方法及系统,以解决现有的问题。
本发明的基于数据驱动的树脂生产安全风险智能评估方法及系统,所采用的技术方案具体如下:
本发明一个实施例提供了基于数据驱动的树脂生产安全风险智能评估方法,该方法包括以下步骤:
根据反应釜各传感器采集各温度时序数据;
对各温度时序数据进行子序列划分;根据子序列内温度数据最值及温度数据分布得到子序列的最大温差系数;根据各子序列的最大温差系数及温度数据标准差得到各子序列的催化剂滴加促进指数;根据子序列与相邻子序列温度时序数据之间的差值得到子序列的温度波动指数;根据不同温度时序数据子序列的催化剂滴加促进指数及温度波动指数得到不同温度时序数据子序列之间的搅拌均衡程度;结合各侧壁传感器温度时序数据子序列之间的搅拌均衡程度得到侧壁传感器的温度权值系数;根据侧壁传感器温度权值系数及各温度时序数据得到温度均衡加权融合子序列;将各温度均衡加权融合子序列组成新的温度时序数据;
根据新的温度时序数据得到预测温度数据,根据预测温度数据与实际监测温度数据的残差完成树脂生产风险的评估。
进一步的,所述根据子序列内温度数据最值及温度数据分布得到子序列的最大温差系数包括:
计算子序列内温度数据最大值与最小值的差值,并计算子序列内温度数据的期望,将所述差值与所述期望的乘积作为子序列的最大温差系数。
进一步的,所述根据子序列的最大温差系数及温度数据标准差得到子序列的催化剂滴加促进指数,包括:
计算子序列内各温度数据与子序列最大温差系数的差值,计算所述差值与子序列温度数据标准差比值的平方,将子序列内所有温度数据的平方之和作为子序列的催化剂滴加促进指数。
进一步的,所述根据子序列与相邻子序列温度时序数据之间的差值得到子序列的温度波动指数,表达式为:
式中,表示子序列的温度波动指数,表示子序列相邻的下一子序列,表
示子序列相邻的下一个序列,表示子序列中的第i个温度数据,表示子序列中
的第i个温度数据,表示子序列中的第i个温度数据,n为子序列内的温度数据个数。
进一步的,所述不同温度时序数据子序列之间的搅拌均衡程度,包括:
计算不同温度时序数据子序列催化剂滴加促进指数之间的欧式距离的平方,并计算不同温度时序数据子序列温度波动指数之间的欧式距离的平方,将两个平方求和的开方作为不同温度时序数据子序列之间的搅拌均衡程度。
进一步的,所述结合各侧壁传感器温度时序数据子序列之间的搅拌均衡程度得到侧壁传感器的温度权值系数,包括:
对于各侧壁传感器,计算侧壁传感器与其他所有侧壁传感器温度数据子序列之间的搅拌均衡程度之和,记为侧壁传感器的第一和值;
计算所有侧壁传感器的第一和值之和,记为第二和值;
将所述侧壁传感器的第一和值与所述第二和值的比值作为侧壁传感器的温度权值系数。
进一步的,所述根据侧壁传感器温度权值系数及各温度时序数据得到温度均衡加权融合子序列,表达式为:
式中,表示温度均衡加权融合子序列中的第i个温度数据,表示侧壁传
感器的个数,表示侧壁传感器的温度时序数据中子序列的第i个温度数据,表示侧壁传感器的温度时序数据的权值,、分别表示顶部
传感器、底部传感器温度时序数据子序列的第i个温度数据,为的权重因子。
进一步的,所述根据新的温度时序数据得到预测温度数据,包括:采用自回归差分移动平均预测模型结合新的温度时序数据进行拟合以获取预测温度数据。
进一步的,所述根据预测温度数据与实际监测温度数据的残差完成树脂生产风险的评估,包括:计算预测温度数据与实际监测温度数据的残差,当所述残差大于残差阈值时,判定为树脂生产具有安全风险。
第二方面,本发明实施例还提供了基于数据驱动的树脂生产安全风险智能评估系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明通过在反应釜内部设置多个温度监测点,以便全面了解温度分布;本发明考虑了局部的温度变化速率,对各温度时序数据的各子序进行特征分析,提取各子序列的催化剂滴加促进指数及温度波动指数,提高了子序列温度数据变化状况检测精度;并构建了搅拌均衡程度对不同温度时序数据子序列的温度变化相关程度,对温度数据进行融合修正,提高预测温度的准确性,保证树脂生产过程中安全风险的评估精度。
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和优点,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的介绍,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它附图。
图1为本发明提供的基于数据驱动的树脂生产安全风险智能评估方法的流程图;
图2为本发明各温度传感器的放置示意图。
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数据驱动的树脂生产安全风险智能评估方法及系统,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数据驱动的树脂生产安全风险智能评估方法及系统的具体方案。
具体的,请参阅图1,其示出了本发明一个实施例提供的基于数据驱动的树脂生产安全风险智能评估方法的步骤流程图,该方法包括以下步骤:
步骤S001,在反应釜多个位置部署传感器进行数据采集,并对获取的数据进行预处理。
树脂生产过程中反应釜的温度至关重要,反应釜的温度会对树脂的生产质量产生较高影响,因此,本实施例根据树脂生产过程中的反应釜温度状况进行分析,以对树脂生产过程的风险进行智能评估。为了全面了解温度的分布,本实施例在反应釜的不同空间位置安装红外温度传感器,考虑到成本,本实施例设计一个较为合理的温度传感器安装方案,一个放置于反应釜的顶部中央,记为顶部传感器,监测反应液最高温度避免出现过热;一个放置于反应釜底部中央,记为底部传感器,有助于了解热量是否传递均匀,在侧壁均匀放置4个侧壁传感器以检测不同高度的温度变化情况,红外温度传感器放置示意图如图2所示。
需要说明的是,本实施例中红外温度传感器每间隔0.2s采集一次温度数据,实施者可根据实际情况设定采集间隔,温度传感器类型及型号实施者自行选取。同时采集过程难免受仪器及外部各种因素的干扰,为避免此类照成的影响进行数据清洗,对于缺失值采用邻近数据点的均值进行填充,对于异常值采用线性差值法来替换。本实施例中共有六个温度传感器,数据预处理完后得到了6组温度时序数据,作为树脂生产过程中温度检测分析的基础数据。
步骤S002:对采集的各温度时序数据进行数据分析,进而对传感器数据进行自适应融合,并通过自回归差分移动平均预测模型获取预测温度数据。
树脂生产过程中非常重要的一步是在将物料置于反应釜中进行加热使其产生化
学反应,正常情况下,初始阶段的温度变化比较平稳,在反应加热阶段,此时会因为反应放
热,温度变化可能会很快。由于温度变化具有突发性,需要对异常进行及时检测,单个时间
序列值难以较好反映出变化的特性。将采集到的数据点按等时间段划分成连续的子序列,
本实施例将子序列的时间段长度设置为2s,以子序列为单位对数据进行处理,子序列用来表示,为子序列编号。需要说明的是,子序列的长度实施者可自行设定,本实施例对
此不做限制。
树脂生产时反应釜内的温度随着反映阶段的不同而变化速率也不同,只有在异常情况下会出现短时间的突变,例如催化剂滴加过快引发暴聚反应。分析在单个传感器温度时序数据上的子序列温度变化,首先计算子序列的最大温差系数:
式中,表示子序列的最大温差系数,表示子序列的最大温度值,表示子序列的最小温度值,表示子序列的温度数据期望。当最大值
与最小值之差越小,说明温度变化越稳定,子序列内的温度数据波动越不明显。
然后构建催化剂滴加促进指数,用于反映短时间内的温度异常情况,所述催化剂滴加促进指数表达式为:
式中,表示子序列的催化剂滴加促进指数,n为子序列长度,表示子序
列内的第i个温度值,表示子序列内温度时序数据的标准差。最大温差系数中有表示
期望的成分,的值越小,该点处的温度值与子序列的温度值期望值越接近,说明
序列范围内温度值差异越小,进而使得值越小,该时间段内物料的化学反应在正常进
行,催化剂滴加正常。
除了上述情况下的短时序内温度值突变异常,子序列间的温差过大同样会导致风险,例如反应物的纯度不高会引起温度的持续快速增加。分析在间隔子序列下的序列数据特征,比较相邻的子序列内时序数据的温度变快慢,构建子序列温度波动指数:
式中,n为子序列内的温度数据个数,表示子序列的温度波动指数,表示子
序列相邻的下一子序列,表示子序列相邻的下一个序列,表示子序列中的第i个温
度数据,表示子序列中的第i个温度数据,表示子序列中的第i个温度数据。相邻
子序列对应温度数据差值越小,说明相邻窗之间的温差越小,序列间温度波动指数chav越
小。
重复本实施例上述方法,获取温度时序数据各子序列的温度波动指数,用于对温度时序数据波动情况进行检测分析。
经过上述过程,对每个传感器的温度时序数据的子序列提取特征,能说明某一位置在连续一段时间序列下的温度变化情况。在树脂生产中需要将反应釜中的物料先进行加热,达到一定温度后使其产生化学反应,进入到反应加热阶段。物料之间进行化学反应会释放热量,随着反应热释放的同时反应釜也在不断进行加热需要及时对材料进行搅拌,使其反应充分进行,并且将局部温度进行扩散,避免某处因温度过高发生胶化。可以通过检测不同空间位置的温度来判断搅拌的均匀程度,而搅拌不均现象可能发生在反应釜内的各个区域,我们对不同传感器在相同时间段内的时序数据差异进行分析,构建反应釜搅拌均衡程度:
式中,表示温度时序数据Q、C中子序列之间的搅拌均衡程度,式中和分别表示温度时序数据Q、C中子序列的催化剂滴加促进指数,和分别表示温度时序数据Q、C中子序列的温度波动指数,函数用于计算两个值之
间的欧式距离,A为温度时序数据的子序列个数。若反应釜的搅拌均匀程度高,不同温度时
序数据子序列内的VARI和R值越接近,计算的距离越小,温度在一定时间内未发生异常的过
高现象,chav的值差异越小,温度的变化速率也越接近,说明反应釜内的搅拌均衡程度越
高。
进一步考虑到反应釜中不同位置的温度各有其特征,反应釜顶部的温度最高,底部的温度比较低,这两个位置处的温度差异过大,它们之间的反应釜搅拌均衡程度会偏大,容易被判断为因搅拌不均导致的温差过大异常。而侧壁的温度能更好的反应温度是否均衡,进而判断搅拌是否充分,因此,本实施例将结合反应釜不同温度传感器之间的搅拌均衡程度,对侧壁传感器的温度数据融合过程中的权值系数进行自适应设定,以提高反应釜的温度检测精度,保证预测温度数据的准确度。
对侧壁4个位置处的传感器数据编号为,分别计算每个传感器数据与其他
位置传感器数据的反应釜搅拌均衡程度值,两两组合可得到6组反应釜搅拌均衡程度。为每
个侧壁传感器的时序数据分配权值,构建侧壁传感器温度权值系数,公式如下:
式中,表示侧壁传感器的温度时序数据权值,表示侧壁传感器的个
数,分别表示侧壁传感器u、v的温度时序数据,表示侧壁传感器u、v的
温度时序数据中子序列之间的搅拌均衡程度。其中,为侧壁传感
器的第一和值,为第二和值。
基于此,本实施例将对侧壁传感器对应的温度数据的权值系数进行自适应设定,并降低反应釜顶部和底部的温度数据的权重,进而将不同位置传感器的温度时序数据融合,构建温度均衡加权融合子序列:
其中,表示温度均衡加权融合子序列中的第i个温度数据,表示侧壁传
感器的个数,为侧壁传感器编号,表示侧壁传感器的温度时序数据中子序列
的第i个温度数据,表示侧壁传感器的温度时序数据的权值,、分别表示顶部传感器、底部传感器温度时序数据子序列的第i个温度数据,为的权重因子,实施者可根据情况设定,在上述分析中,侧壁的温度能更好的反应温度是
否均衡,相比顶部和底部的传感器数据融合中,本实施例中为侧壁传感器温度分配较高的
权重因子。
重复上述方法,获取各子序列的温度时序数据对应的温度均衡加权融合子序列,所有的温度均衡加权融合子序列组成新的温度时序数据,用于对反应釜温度数据进行准确预测。
至此得到新的温度时序数据,一方面能放大序列间的温度变化趋势,有益于精准检测出异常值,一方面也利于作为后续预测模型的输入。
下一步,将融合所得的新的温度时序数据作为输入,使用自回归差分移动平均预测模型进行拟合,对温度的异常点进行检测。结合自相关系数(AC)和偏相关系数(PAC)两种统计量选取自回归差分移动平均预测模型的p(自回归系数)和q(移动平均系数)的范围,本实施例再根据贝叶斯信息准则确定具体的p和q,经此建模后进行数据的预测,获取预测温度数据。需要说明的是,贝叶斯信息准则及自回归差分移动平均预测模型自回归系数、移动平均系数的获取均为现有公知技术,可通过现有技术获取,不在本实施例保护范围内,在此不做详细阐述。
步骤S003:将预测温度数据与实际监测温度数据进行比较,对树脂生产安全风险进行判定。
最后,为实现对树脂生产过程中安全风险的智能评估,本实施例将根据得到的预测温度数据与实际监测温度数据的残差,分析安全风险程度。计算实际监测温度数据与预测温度数据之间的残差并进行归一化,所述残差用于表示预测与实际观测之间的差值。需要说明的是,残差的计算为现有公知技术,不在本实施例保护范围内,在此不做详细阐述。根据所述残差对树脂生产风险进行评估,本实施例中设定当归一化残差大于残差阈值时,判定为树脂生产具有安全风险,需及时采取相应补救措施,否则树脂生产过程中安全性较高,不存在风险。需要说明的是,所述残差阈值实施者可根据实际情况自行设定,本实施例对此不做限制,本实施例中将残差阈值设定为0.4。
基于与上述方法相同的发明构思,本发明实施例还提供了基于数据驱动的树脂生产安全风险智能评估系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于数据驱动的树脂生产安全风险智能评估方法中任意一项所述方法的步骤。
至此,通过本实施例上述方法可实现对树脂生产过程中的反应釜温度状况进行智能监测,进而实现对树脂生产安全风险的准确评估。本发明实施例通过在反应釜内部设置多个温度监测点,以便全面了解温度分布;本发明考虑了局部的温度变化速率,对各温度时序数据的各子序进行特征分析,提取各子序列的催化剂滴加促进指数及温度波动指数,提高了子序列温度数据变化状况检测精度;并构建了搅拌均衡程度对不同温度时序数据子序列的温度变化相关程度,对温度数据进行融合修正,提高预测温度的准确性,保证树脂生产过程中安全风险的评估精度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.基于数据驱动的树脂生产安全风险智能评估方法,其特征在于,该方法包括以下步骤:
根据反应釜各传感器采集各温度时序数据;
对各温度时序数据进行子序列划分;根据子序列内温度数据最值及温度数据分布得到子序列的最大温差系数;根据各子序列的最大温差系数及温度数据标准差得到各子序列的催化剂滴加促进指数;根据子序列与相邻子序列温度时序数据之间的差值得到子序列的温度波动指数;根据不同温度时序数据子序列的催化剂滴加促进指数及温度波动指数得到不同温度时序数据子序列之间的搅拌均衡程度;结合各侧壁传感器温度时序数据子序列之间的搅拌均衡程度得到侧壁传感器的温度权值系数;根据侧壁传感器温度权值系数及各温度时序数据得到温度均衡加权融合子序列;将各温度均衡加权融合子序列组成新的温度时序数据;
根据新的温度时序数据得到预测温度数据,根据预测温度数据与实际监测温度数据的残差完成树脂生产风险的评估;
所述根据子序列内温度数据最值及温度数据分布得到子序列的最大温差系数包括:
计算子序列内温度数据最大值与最小值的差值,并计算子序列内温度数据的期望,将所述差值与所述期望的乘积作为子序列的最大温差系数;
所述根据子序列的最大温差系数及温度数据标准差得到子序列的催化剂滴加促进指数,包括:
计算子序列内各温度数据与子序列最大温差系数的差值,计算所述差值与子序列温度数据标准差比值的平方,将子序列内所有温度数据的平方之和作为子序列的催化剂滴加促进指数;
所述根据子序列与相邻子序列温度时序数据之间的差值得到子序列的温度波动指数,表达式为:
式中,表示子序列/>的温度波动指数,/>表示子序列/>相邻的下一子序列,/>表示子序列/>相邻的下一个序列,/>表示子序列/>中的第i个温度数据,/>表示子序列/>中的第i个温度数据,/>表示子序列/>中的第i个温度数据,n为子序列内的温度数据个数;
所述不同温度时序数据子序列之间的搅拌均衡程度,包括:
计算不同温度时序数据子序列催化剂滴加促进指数之间的欧式距离的平方,并计算不同温度时序数据子序列温度波动指数之间的欧式距离的平方,将两个平方求和的开方作为不同温度时序数据子序列之间的搅拌均衡程度;
所述结合各侧壁传感器温度时序数据子序列之间的搅拌均衡程度得到侧壁传感器的温度权值系数,包括:
对于各侧壁传感器,计算侧壁传感器与其他所有侧壁传感器温度数据子序列之间的搅拌均衡程度之和,记为侧壁传感器的第一和值;
计算所有侧壁传感器的第一和值之和,记为第二和值;
将所述侧壁传感器的第一和值与所述第二和值的比值作为侧壁传感器的温度权值系数;
所述根据侧壁传感器温度权值系数及各温度时序数据得到温度均衡加权融合子序列,表达式为:
式中,表示温度均衡加权融合子序列/>中的第i个温度数据,/>表示侧壁传感器的个数,/>表示侧壁传感器/>的温度时序数据中子序列/>的第i个温度数据,/>表示侧壁传感器/>的温度时序数据的权值,/>、/>分别表示顶部传感器、底部传感器温度时序数据子序列/>的第i个温度数据,/>为/>的权重因子。
2.如权利要求1所述的基于数据驱动的树脂生产安全风险智能评估方法,其特征在于,所述根据新的温度时序数据得到预测温度数据,包括:采用自回归差分移动平均预测模型结合新的温度时序数据进行拟合以获取预测温度数据。
3.如权利要求1所述的基于数据驱动的树脂生产安全风险智能评估方法,其特征在于,所述根据预测温度数据与实际监测温度数据的残差完成树脂生产风险的评估,包括:计算预测温度数据与实际监测温度数据的残差,当所述残差大于残差阈值时,判定为树脂生产具有安全风险。
4.基于数据驱动的树脂生产安全风险智能评估系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175955.6A CN116911621B (zh) | 2023-09-13 | 2023-09-13 | 基于数据驱动的树脂生产安全风险智能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311175955.6A CN116911621B (zh) | 2023-09-13 | 2023-09-13 | 基于数据驱动的树脂生产安全风险智能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911621A CN116911621A (zh) | 2023-10-20 |
CN116911621B true CN116911621B (zh) | 2023-12-05 |
Family
ID=88367241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311175955.6A Active CN116911621B (zh) | 2023-09-13 | 2023-09-13 | 基于数据驱动的树脂生产安全风险智能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113265B (zh) * | 2023-10-25 | 2024-03-08 | 山东鹤来香食品有限公司 | 一种食品加工设备智能监测管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5830954A (en) * | 1994-12-26 | 1998-11-03 | Mitsui Petrochemical Industries, Ltd. | Method and apparatus for controlling polyolefine resin production plant |
JP2014218536A (ja) * | 2013-05-01 | 2014-11-20 | 新日鐵住金株式会社 | エポキシ樹脂含有材料の硬化度推定方法 |
CN110956338A (zh) * | 2019-12-16 | 2020-04-03 | 杭州昕华信息科技有限公司 | 一种温度自适应输出方法及介质 |
KR102222125B1 (ko) * | 2020-11-30 | 2021-03-03 | 주식회사 애자일소다 | 머신 러닝 기반의 수율 관리 장치 및 방법 |
CN113191614A (zh) * | 2021-04-18 | 2021-07-30 | 宁波大学科学技术学院 | 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法 |
CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
CN116414076A (zh) * | 2023-06-12 | 2023-07-11 | 济宁长兴塑料助剂有限公司 | 一种回收醇生产数据智能监控系统 |
-
2023
- 2023-09-13 CN CN202311175955.6A patent/CN116911621B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5830954A (en) * | 1994-12-26 | 1998-11-03 | Mitsui Petrochemical Industries, Ltd. | Method and apparatus for controlling polyolefine resin production plant |
JP2014218536A (ja) * | 2013-05-01 | 2014-11-20 | 新日鐵住金株式会社 | エポキシ樹脂含有材料の硬化度推定方法 |
CN110956338A (zh) * | 2019-12-16 | 2020-04-03 | 杭州昕华信息科技有限公司 | 一种温度自适应输出方法及介质 |
KR102222125B1 (ko) * | 2020-11-30 | 2021-03-03 | 주식회사 애자일소다 | 머신 러닝 기반의 수율 관리 장치 및 방법 |
CN113191614A (zh) * | 2021-04-18 | 2021-07-30 | 宁波大学科学技术学院 | 一种基于慢特征回归分析的聚丙烯产品质量实时监测方法 |
CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
CN116414076A (zh) * | 2023-06-12 | 2023-07-11 | 济宁长兴塑料助剂有限公司 | 一种回收醇生产数据智能监控系统 |
Non-Patent Citations (2)
Title |
---|
A method for process parameter optimization of simultaneous double‑sided friction stir welding using a heat transfer model;Shaofei Meng等;《TheInternationalJournalofAdvancedManufacturingTechnology》;3747-3758 * |
多工序制造质量智能预测建模机理研究及应用;杨杰;《CNKI优秀硕士学位论文全文库》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911621A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116911621B (zh) | 基于数据驱动的树脂生产安全风险智能评估方法及系统 | |
CN116659589B (zh) | 基于数据分析的阿胶糕保存环境监测方法 | |
JP5778927B2 (ja) | ポリマー特性の予測を改善する方法、および改善されたポリマー特性予測能を有するシステム | |
CN100517141C (zh) | 丙烯聚合生产数据检测及故障诊断系统及方法 | |
CN109030548B (zh) | 基于变活化能的聚合物材料热老化寿命评估方法 | |
CN117249922B (zh) | 一种用于温度测试仪的温度校准方法及系统 | |
CN106092371B (zh) | 预测温度的方法及其装置 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN114646664A (zh) | 新型复合门窗型材隔热性能质量监测方法与系统 | |
EP3514642A1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
CN116448263B (zh) | 一种勃姆石生产设备运行状态检测方法 | |
CN108548611A (zh) | 用于环境试验箱检测的多通道温度巡检方法及巡检仪 | |
WO2020110201A1 (ja) | 情報処理装置 | |
CN102914970B (zh) | 工业过程控制系统中不能直接测量的性能参数的在线数据驱动估计方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
CN114814419A (zh) | 一种基于大数据的电力柜散热性能检测方法 | |
JP2002301359A (ja) | 化学反応装置における異常反応の制御システム | |
CN114495438A (zh) | 基于多传感器的灾害预警方法、系统、设备及存储介质 | |
CN114660931A (zh) | 用于石油化工过程故障诊断与识别的方法及系统 | |
CN116560417B (zh) | 用于气液分离的全自动排液控制方法及系统 | |
CN117309624B (zh) | 一种感温电缆性能评价方法及系统 | |
US8812430B1 (en) | Determining a confidence of a measurement signature score | |
CN113959587B (zh) | 一种基于反演算法的光纤光栅温度传感解调方法及系统 |
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 |