CN116953164A - 一种酸洗工艺段氢气浓度在线监测预警方法及系统 - Google Patents
一种酸洗工艺段氢气浓度在线监测预警方法及系统 Download PDFInfo
- Publication number
- CN116953164A CN116953164A CN202310862933.0A CN202310862933A CN116953164A CN 116953164 A CN116953164 A CN 116953164A CN 202310862933 A CN202310862933 A CN 202310862933A CN 116953164 A CN116953164 A CN 116953164A
- Authority
- CN
- China
- Prior art keywords
- hydrogen concentration
- acid
- early warning
- concentration
- 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.)
- Pending
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 151
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 151
- 239000001257 hydrogen Substances 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 title claims abstract description 43
- 238000005554 pickling Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 239000002253 acid Substances 0.000 claims abstract description 169
- 239000003595 mist Substances 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000005406 washing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 238000004880 explosion Methods 0.000 abstract description 5
- 238000005097 cold rolling Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23G—CLEANING OR DE-GREASING OF METALLIC MATERIAL BY CHEMICAL METHODS OTHER THAN ELECTROLYSIS
- C23G1/00—Cleaning or pickling metallic material with solutions or molten salts
- C23G1/02—Cleaning or pickling metallic material with solutions or molten salts with acid solutions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/005—H2
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Toxicology (AREA)
- General Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Metallurgy (AREA)
- Environmental & Geological Engineering (AREA)
- Materials Engineering (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Organic Chemistry (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Cleaning And De-Greasing Of Metallic Materials By Chemical Methods (AREA)
Abstract
本公开属于冷轧处理技术领域,具体提供了一种酸工艺段氢气浓度在线监测预警方法及系统,其中方法包括:通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。本公开采用全方位在线获取酸洗关键工艺参数,可视化好,且异常时能及时提醒;通过预测未来一定时间窗口内的酸雾氢气浓度温度并给出相应建议,避免氢气聚集到一定浓度后遇火产生氢爆事故。
Description
技术领域
本公开涉及冷轧处理技术领域,特别涉及一种酸洗工艺段氢气浓度在线监测预警方法及系统。
背景技术
酸洗工艺段主要包括酸洗槽和漂洗槽,酸洗槽内酸液与带钢表面氧化铁皮发生化学反应,去除氧化铁皮,漂洗槽清洗从酸洗槽出来的带钢表面残留的酸洗。
在酸洗工艺段运行过程中,较难实现恰到好处的酸洗,既不欠酸洗也不过酸洗,为了避免欠酸洗,一般会提高酸液温度、酸液浓度,在此工况下,带钢存在过酸洗,酸液与带钢基体发生反应,产生氢气。如果氢气浓度聚集到一定程度,遇火则会产生氢爆事故,损坏设备,造成机组停产,损失很大。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一,提出了一种酸洗工艺段氢气浓度在线监测预警方法及系统。
第一方面,本公开提供了一种酸工艺段氢气浓度在线监测预警方法,包括:
通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
优选地,所述通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据,具体包括:
氢气浓度数据采集与可视化模块通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
将综合数据存储到氢气浓度在线预警服务器,并在氢气浓度在线预警服务器的显示器上可视化显示。
优选地,所述将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型,具体包括:
将酸雾氢气浓度、酸液温度和酸液浓度数据进行处理,形成样本数据;
将所述样本数据划分为训练数据、验证数据及测试数据集;
基于样本数据,选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证,直至酸雾氢气浓度模型预测偏差控制在允许的范围内。
优选地,所述酸雾氢气浓度为待预测目标,带钢牌号、带钢宽度、带钢厚度、带钢速度、酸液温度、酸液浓度和时间为协变量。
优选地,所述训练数据、验证数据及测试数据集的比例为7:2:1。
优选地,所述基于样本数据,选择LSTNet模型进行训练与验证,具体包括:
首先利用PaddleTS进行模型组网,预定义模型输入的时间序列长度、模型输出的时间序列长度、损失函数、优化算法、优化器参数和训练的最大轮数;
使用lstm.fit(train_dataset,val_dataset)对样本数据进行模型训练与验证,其中train_dataset是训练数据集,val_dataset是验证数据集;
训练过程中和训练完成后,均采用MAE(Mean Absolute Error)和MSE(MeanSquared Error)评估模型预测效果,效果达到预设值时便得到氢气浓度预测模型。
优选地,所述训练过程完成后,使用lstm保存训练好的氢气浓度预测模型。
优选地,所述预警等级包括:建议关注运行、建议在合适时间进行必要检查、建议近期计划停机内检修、建议第一时间采取检修措施。
第二方面,本公开提供了一种酸洗工艺段氢气浓度在线监测预警系统,所述系统可用于实现酸洗工艺段氢气浓度在线监测预警方法,所述系统包括:
数据获取模块,配置为通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
模型训练模块,配置为将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
预测模块,配置为将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
预警模块,配置为根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
第三方面,本公开提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现酸洗工艺段氢气浓度在线监测预警方法。
附图说明
图1为本公开实施例提供的一种酸洗工艺段氢气浓度在线监测预警方法的流程图;
图2为本公开实施例提供的一种酸洗工艺段氢气浓度在线监测预警系统组成图;
图3是本公开提供的氢气浓度预测训练模块流程图;
图4为本公开实施例提供的一种电子设备的结构框图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不为任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”、“一”或者“该”等类似词语也不为数量限制,而是为存在至少一个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于为相对位置关系,当被描述目标的绝对位置改变后,则该相对位置关系也可能相应地改变。
在各个附图中,相同的元件采用类似的附图标记来为。为了清楚起见,附图中的各个部分并没有都按比例绘制。此外,在图中可能未示出某些公知的部分。
在下文中描述了本公开的许多特定的细节,例如部件的结构、材料、尺寸、处理工艺和技术,以便更清楚地理解本公开。但正如本领域的技术人员能够理解的那样,可以不按照这些特定的细节来实现本公开。
如图1和图2所示,本公开实施例提供了一种酸工艺段氢气浓度在线监测预警方法,包括以下步骤:
S1,通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
S2,将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
S3,将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
S4,根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
搭建酸洗工艺段氢气浓度在线监测预警系统,系统包括带钢C1、酸槽C2、酸液C3、酸雾C4、氢气浓度在线检测仪表C5、酸液温度在线检测仪表C6、酸液浓度在线检测仪表C7、酸洗工艺段控制器C8、机组一级以太网C9、氢气浓度在线预警服务器C10和氢气浓度在线预警模块C11组成。氢气浓度在线检测仪表C5检测酸雾浓度中氢气浓度并将数据传输到酸洗工艺段控制器C8,酸液温度在线检测仪表C6检测酸液温度并将数据传输到酸洗工艺段控制器C8,酸液浓度在线检测仪表C7检测酸液浓度并将数据传输到酸洗工艺段控制器C8,氢气浓度在线预警服务器C10通过机组一级以太网C9从酸洗工艺段控制器C8获取酸雾氢气浓度、酸液温度和酸液浓度数据,氢气浓度在线预警模块C11运行在氢气浓度在线预警服务器C10上,监测氢气浓度并进行预警。
氢气浓度在线预警模块C11主要由氢气浓度数据采集与可视化模块、氢气浓度预测训练模块和氢气浓度在线预警模块组成。
在生产过程中,运行氢气浓度数据采集与可视化模块,氢气浓度数据采集与可视化模块通过机组一级以太网C9从酸洗工艺段控制器C8获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据。然后将综合数据存储到氢气浓度在线预警服务器C10硬盘,并在氢气浓度在线预警服务器C10显示器上可视化显示,显示信息包括:酸槽编号、酸雾氢气浓度、酸液温度和酸液浓度实时参数和运行统计信息。
如图3所示,运行氢气浓度预测训练模块,将酸雾氢气浓度、酸液温度和酸液浓度数据进行处理,形成样本数据,其中酸雾氢气浓度为待预测目标,带钢牌号、带钢宽度、带钢厚度、带钢速度、酸液温度、酸液浓度和时间为协变量。
然后将样本数据划分为训练、验证及测试数据集,其中70%样本用于训练,20%样本用于验证,10%样本用于测试,基于样本数据,选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证,直至酸雾氢气浓度模型预测偏差控制在允许的范围内。
以LSTNet为例:
首先利用PaddleTS(基于百度深度学习框架PaddlePaddle的时序建模Python库)进行模型组网,主要是预定义in_chuck_len(模型输入的时间序列长度)、out_chunk_len(模型输出的时间序列长度)、loss_fn(损失函数)、optimizer_fn(优化算法)、optimizer_paras(优化器参数)和max_epochs(训练的最大轮数)等参数,模型的参数预定义好后,使用lstm.fit(train_dataset,val_dataset)利用数据集进行模型训练与验证,其中train_dataset是训练数据集,val_dataset是验证数据集,训练过程中和训练完成后,采用MAE(Mean Absolute Error)和MSE(Mean Squared Error)评估氢气浓度预测模型预测效果,MAE和MSE越小,训练效果越好。训练好后得到氢气浓度预测模型,使用lstm(lstm.save)(”lstm”)保存训练好的模型,后续可供氢气浓度在线预警模块调用,用于预测未来一定时间窗口内的酸雾氢气浓度。
运行氢气浓度在线预警模块C11,一方面采集实时酸雾氢气浓度、酸液温度和酸液浓度数据,当酸雾氢气浓度、酸液温度和酸液浓度数据超过阈值时,进行报警,另一方面调用训练好的酸雾氢气浓度预测模型预测未来一定时间窗口内的酸雾氢气浓度,预警体系分为4个等级,包括:建议关注运行,建议在合适时间进行必要检查,建议近期计划停机内检修,建议第一时间采取检修措施。从而避免氢气聚集到一定浓度后遇火产生氢爆事故。
本公开的目的是提供一种酸洗工艺段氢气浓度在线监测与预警系统,在生产线全速运行的条件下持续监测酸洗工艺段氢气浓度并进行预警,避免氢气聚集到一定浓度后遇火产生氢爆事故。
有益效果:
通过氢气浓度在线检测仪表、酸液温度在线检测仪表和酸液浓度在线检测仪表检测酸雾浓度、酸液温度和酸液浓度数据,全方位在线获取酸洗关键工艺参数,可视化好;
通过氢气浓度在线预警模块,采集实时酸雾氢气浓度、酸液温度和酸液浓度数据,当酸雾氢气浓度、酸液温度和酸液浓度数据超过阈值时,进行报警,及时提醒;
通过氢气浓度在线预警模块,预测未来一定时间窗口内的酸雾氢气浓度温度,预警体系分为4个等级,包括:建议关注运行,建议在合适时间进行必要检查,建议近期计划停机内检修,建议第一时间采取检修措施。避免氢气聚集到一定浓度后遇火产生氢爆事故。
本公开还提供了一种酸洗工艺段氢气浓度在线监测预警系统,所述系统可用于实现上述酸洗工艺段氢气浓度在线监测预警方法,所述系统包括:
数据获取模块,配置为通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
模型训练模块,配置为将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
预测模块,配置为将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
预警模块,配置为根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
请参阅图4为本发明实施例提供的电子设备的实施例示意图。如图4所示,本发明实施例提了一种电子设备1300,包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311,处理器1320执行计算机程序1311时实现以下步骤:S1,通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
S2,将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
S3,将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
S4,根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种酸工艺段氢气浓度在线监测预警方法,其特征在于,包括:
通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
2.根据权利要求1所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据,具体包括:
氢气浓度数据采集与可视化模块通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
将综合数据存储到氢气浓度在线预警服务器,并在氢气浓度在线预警服务器的显示器上可视化显示。
3.根据权利要求1所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型,具体包括:
将酸雾氢气浓度、酸液温度和酸液浓度数据进行处理,形成样本数据;
将所述样本数据划分为训练数据、验证数据及测试数据集;
基于样本数据,选择DeepAR、Informer、LSTNet、MLP、NBEATS、NHiTS、RNN、SCINet、TCN、TFT或Transformer模型进行训练与验证,直至酸雾氢气浓度模型预测偏差控制在允许的范围内。
4.根据权利要求3所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述酸雾氢气浓度为待预测目标,带钢牌号、带钢宽度、带钢厚度、带钢速度、酸液温度、酸液浓度和时间为协变量。
5.根据权利要求3所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述训练数据、验证数据及测试数据集的比例为7:2:1。
6.根据权利要求3所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述基于样本数据,选择LSTNet模型进行训练与验证,具体包括:
首先利用PaddleTS进行模型组网,预定义模型输入的时间序列长度、模型输出的时间序列长度、损失函数、优化算法、优化器参数和训练的最大轮数;
使用lstm.fit(train_dataset,val_dataset)对样本数据进行模型训练与验证,其中train_dataset是训练数据集,val_dataset是验证数据集;
训练过程中和训练完成后,均采用MAE(Mean Absolute Error)和MSE(Mean SquaredError)评估模型预测效果,效果达到预设值时便得到氢气浓度预测模型。
7.根据权利要求6所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述训练过程完成后,使用lstm保存训练好的氢气浓度预测模型。
8.根据权利要求1所述的酸洗工艺段氢气浓度在线监测预警方法,其特征在于,所述预警等级包括:建议关注运行、建议在合适时间进行必要检查、建议近期计划停机内检修、建议第一时间采取检修措施。
9.一种酸洗工艺段氢气浓度在线监测预警系统,其特征在于,所述系统可用于实现上述权利要求1至8中任一所述酸洗工艺段氢气浓度在线监测预警方法,所述系统包括:
数据获取模块,配置为通过机组一级以太网从酸洗工艺段控制器获取酸雾氢气浓度、酸液温度和酸液浓度的综合数据;
模型训练模块,配置为将综合数据进行处理形成样本数据并进行训练后得到氢气浓度预测模型;
预测模块,配置为将酸雾氢气浓度、酸液温度和酸液浓度的实时数据输入到所述氢气浓度预测模型,输出未来一定时间窗口内的预测酸雾氢气浓度;
预警模块,配置为根据预警等级及所述预测酸雾氢气浓度得到未来预警建议。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至8中任一所述酸洗工艺段氢气浓度在线监测预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862933.0A CN116953164A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862933.0A CN116953164A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116953164A true CN116953164A (zh) | 2023-10-27 |
Family
ID=88455978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862933.0A Pending CN116953164A (zh) | 2023-07-13 | 2023-07-13 | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953164A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725491A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种基于SCINet的电力系统故障状态检测分类方法 |
-
2023
- 2023-07-13 CN CN202310862933.0A patent/CN116953164A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725491A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种基于SCINet的电力系统故障状态检测分类方法 |
CN117725491B (zh) * | 2024-02-18 | 2024-05-03 | 四川大学 | 一种基于SCINet的电力系统故障状态检测分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Remaining useful life prediction and optimal maintenance time determination for a single unit using isotonic regression and gamma process model | |
US10521490B2 (en) | Equipment maintenance management system and equipment maintenance management method | |
Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
Di Maio et al. | Combining relevance vector machines and exponential regression for bearing residual life estimation | |
Yuan et al. | Predictive maintenance of shield tunnels | |
Zhao et al. | Online fault prognosis with relative deviation analysis and vector autoregressive modeling | |
CN116953164A (zh) | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
CN113252544B (zh) | 一种炼油装置腐蚀监测系统和方法 | |
Lim et al. | Optimal designs of the variable sample size and sampling interval X chart when process parameters are estimated | |
CN116698227A (zh) | 一种酸洗工艺段挤干辊轴承温度在线监测预警方法及系统 | |
Son et al. | Slag foaming estimation in the electric arc furnace using machine learning based long short-term memory networks | |
US8078434B2 (en) | Systems and methods for offline and/or online batch monitoring using decomposition and signal approximation approaches | |
Sarda et al. | A multi-step anomaly detection strategy based on robust distances for the steel industry | |
CN115409066A (zh) | 时间序列数据的异常检测方法、装置及计算机存储介质 | |
CN114925718A (zh) | 一种变压器铁芯接地电流在线预测方法、装置、存储介质及故障诊断方法 | |
CN110134079B (zh) | 一种基于斜率分析的工艺参数预警方法及系统 | |
Ueda et al. | An effective approach to detect the source (s) of out-of-control signals in productive processes by vector error correction (VEC) residual and Hotelling’s T2 decomposition techniques | |
WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
AU2018426458A1 (en) | Assistance device, learning device, and plant operation condition setting assistance system | |
Chang et al. | Real-time detection of wave profile changes | |
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 | |
CN114819743B (zh) | 一种化工企业能耗诊断分析方法 | |
CN117648817A (zh) | 一种工艺管道腐蚀数据获取方法、电子设备及存储介质 | |
Su et al. | Data prediction and abnormal forewarning for space environment simulator based on three-layer framework |
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 |