CN117018858A - 工业废气净化设备及其控制方法 - Google Patents

工业废气净化设备及其控制方法 Download PDF

Info

Publication number
CN117018858A
CN117018858A CN202311023529.0A CN202311023529A CN117018858A CN 117018858 A CN117018858 A CN 117018858A CN 202311023529 A CN202311023529 A CN 202311023529A CN 117018858 A CN117018858 A CN 117018858A
Authority
CN
China
Prior art keywords
matrix
scale
feature
exhaust gas
feature matrix
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
Application number
CN202311023529.0A
Other languages
English (en)
Inventor
张超
熊言山
刘凯源
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.)
Chuzhou Xi'an Environmental Protection Technology Co ltd
Original Assignee
Chuzhou Xi'an Environmental Protection 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 Chuzhou Xi'an Environmental Protection Technology Co ltd filed Critical Chuzhou Xi'an Environmental Protection Technology Co ltd
Priority to CN202311023529.0A priority Critical patent/CN117018858A/zh
Publication of CN117018858A publication Critical patent/CN117018858A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Algebra (AREA)
  • Exhaust Gas After Treatment (AREA)

Abstract

本申请涉及智能控制领域，其具体地公开了一种工业废气净化设备及其控制方法，其基于废气流速值的时序分布和催化剂的流速值的时序分布的关联来自适应调整催化剂的流速，这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。

Description

工业废气净化设备及其控制方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种工业废气净化设备及其控制方法。
背景技术
工业生产会产生大量废气。在工业废气净化过程中，催化剂通常用于促进废弃的分解和净化。催化剂在处理废气时可以提高催化反应的效率和速率，从而使得废气净化更加彻底。
现有的工业废气净化的催化剂可以是气体形式，它的流速往往是恒定的。废气流速快时，催化剂与废气接触时间短，废气净化效率低；废气流速慢时，催化剂表面上的活性部位没有足够的废气接触，容易导致催化剂的浪费。
因此，期待一种优化的工业废气净化设备。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种工业废气处理设备及其控制方法，其基于废气流速值的时序分布和催化剂的流速值的时序分布的关联来自适应调整催化剂的流速，这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。
根据本申请的一个方面，提供了一种工业废气净化设备，其包括：
流速值数据获取模块，用于获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；
数据结构化模块，用于将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；
关联模块，用于计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；
第一尺度编码模块，用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；
第二尺度编码模块，用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；
融合模块，用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及
解码模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
在上述工业废气净化设备中，所述关联编码模块，用于：计算所述废气流速输入向量的转置向量与所述催化剂流速输入向量之间的向量乘积以得到所述关联参数矩阵。
在上述工业废气净化设备中，所述第一尺度编码模块，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述工业废气净化设备中，所述第二尺度编码模块，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在上述工业废气净化设备中，所述融合模块，包括：主成分特征向量生成单元，用于使用主成分分析将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；交叉熵系数生成单元，用于计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；加权计算单元，用于以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及，解码特征矩阵生成单元，用于计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。
在上述工业废气净化设备中，所述解码模块，用于：使用解码器以如下解码公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述解码公式为：
其中Mc是所述解码特征矩阵，Y是所述解码值，W是权重矩阵，表示矩阵乘。
根据本申请的另一方面，提供了一种工业废气净化设备控制方法，其包括：
获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；
将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；
计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；
将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；
将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；
融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及
将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的工业废气净化设备控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的工业废气净化设备控制方法。
与现有技术相比，本申请提供的工业废气净化设备及其控制方法，其基于废气流速值的时序分布和催化剂的流速值的时序分布的关联来自适应调整催化剂的流速，这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的工业废气净化设备的系统框图。
图2为根据本申请实施例的工业废气净化设备的架构图。
图3为根据本申请实施例的工业废气净化设备中融合模块的框图。
图4为根据本申请实施例的工业废气净化设备控制方法的流程图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，在现有的工业废气净化的过程中，催化剂的流速是固定的，当废气流速过快时，催化剂与废气的接触时间短，废气净化效率低；当废气流速过慢时，容易导致催化剂表面上的活性部位没有足够的废气接触，容易导致催化剂的浪费，因此，期待一种优化的工业废气净化设备。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为工业废气净化提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值。然后，将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量。接着，进一再计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵，以构建所述废气流速值和所述催化剂流速值在时间维度上的关联性分布表示。
进一步地，使用在隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述关联参数矩阵中关于所述废气流速值和所述催化剂流速值的关联性隐含特征提取。特别地，考虑到在所述关联参数矩阵中关于所述废气流速值和所述催化剂流速值在时间维度上具有不同尺度的关联，也就是说，具有所述废气流速值和所述催化剂流速值的关联性分布信息的所述关联参数矩阵中的各个特征值间在高维特征空间中具有多尺度的隐含关联特征。因此，在本申请的技术方案中，为了提高对所述催化剂流速值调整的准确性，使用具有不同尺度的卷积核的卷积神经网络模型来进行特征挖掘，来提取出所述废气流速值和所述催化剂流速值在时序上的关联分布信息的多尺度隐含关联特征。具体地，将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵，并将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。
然后，再进一步融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵，以融合所述废气流速值和所述催化剂流速值在时序维度上的关联性特征分布表示的多尺度隐含关联特征信息，并以此作为解码特征矩阵通过解码器中进行解码回归以得到用于表示待调整催化剂的流速值，这样，能够确定最佳的催化剂流速，从而提高废气净化的效率，并且避免了浪费催化剂。
特别地，在本申请的技术方案中，可以通过所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵的按位置加权来融合以得到所述解码特征矩阵，但是，考虑到所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵是通过不同尺度的卷积核进行卷积编码以得到的，因此所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵可能存在高维特征流形分布差异较大的问题，从而影响所述解码特征矩阵通过解码器得到的解码值的准确性。
基于此，在本申请的技术方案中，基于所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的高维特征流形分布之间的相似性来进行特征矩阵融合以得到解码特征矩阵。具体地，使用主成分分析(PCA)将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及，计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。
基于所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的高维特征流形分布之间的相似性来进行特征矩阵融合，其利用流形学习思想捕捉不同特征矩阵之间的内在联系和结构信息，从而提取出更有判别力和表达力的融合特征。
具体地，利用流形学习思想将所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵的高维特征分布以保留保持数据的局部结构和全局拓扑的方式映射到低维特征空间中，进而利用流形学习的思想来捕捉不同特征矩阵之间的内在联系和结构信息。应可以理解，如果所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵在高维空间中位于相近的特征流形分布上，就可以通过流形学习将它们对齐或投影到同一低维特征空间中，从而实现特征的融合。这样，适应不同尺度和视角的变化，增强特征的语义信息和判别能力，减少特征的冗余和噪声，提高特征的紧凑性和鲁棒性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的工业废气净化设备的系统框图。如图1所示，在工业废气净化设备100中，包括：流速值数据获取模块110，用于获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；数据结构化模块120，用于将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；关联模块130，用于计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；第一尺度编码模块140，用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；第二尺度编码模块150，用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；融合模块160，用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及，解码模块170，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
图2为根据本申请实施例的工业废气净化设备的架构图。如图2所示，在该架构中，首先，获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值。接着，将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量。然后，计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵。接着，将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵。同时，将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。进而，融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵。最后，将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
在工业废气净化设备100中，所述流速值数据获取模块110，用于获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值。应可以理解，废气流速值可以反映出废气的流速信息，在对废气进行处理的过程中，需要确保废气在设备中停留一定的时间，这样催化剂对其催化的效果才会比较好，通过测量废气流速值可以确定废气在设备中的停留时间，从而依据废气来调整催化剂的流速。催化剂的流速值可以反映出催化剂在反应器中的运行情况，在进行净化处理时，需要对废气和催化剂流速值进行实时监控，并根据监控结果来调整催化剂的流速，以提高催化剂的净化效率。所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值可以通过流速传感器获得。
在工业废气净化设备100中，所述数据结构化模块120，用于将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量。也就是，将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量以整合所述废气流速值和所述催化剂流速值在时序上的分布信息。此外，将所述废气流速值和所述催化剂流速值进行数据结构化也利于后续模型的计算。
在工业废气净化设备100中，所述关联编码模块130，用于计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵。也就是，计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵，以构建所述废气流速值和所述催化剂流速值在时间维度上的关联性分布表示。
具体地，在工业废气净化设备100中，所述关联编码模块130，用于：计算所述废气流速输入向量的转置向量与所述催化剂流速输入向量之间的向量乘积以得到所述关联参数矩阵。
在工业废气净化设备100中，所述第一尺度编码模块140，用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵。应可以理解，关联参数矩阵中通常包含大量的细节信息，这些信息可能难以直接用传统的数据模型进行处理和分析，将关联参数矩阵通过卷积神经网络模型进行处理和提取特征是一种有效的方法。也就是，使用在隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述废气流速值和催化剂流速值的关联性隐含特征提取。
特别地，考虑到在所述关联参数矩阵中关于所述废气流速值和所述催化剂流速值在时间维度上具有不同尺度的关联，也就是说，具有所述废气流速值和所述催化剂流速值的关联性分布信息的所述关联参数矩阵中的各个特征值间在高维特征空间中具有多尺度的隐含关联特征。因此，在本申请的技术方案中，为了提高对所述催化剂流速值调整的准确性，使用具有不同尺度的卷积核的卷积神经网络模型来进行特征挖掘，来提取出所述废气流速值和所述催化剂流速值在时序上的关联分布信息的多尺度隐含关联特征。
具体地，在工业废气净化设备100中，所述第一尺度编码模块140，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在工业废气净化设备100中，所述第二尺度编码模块150，用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。这里，在将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵的同时，将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵。应可以理解，使用具有不同尺度的卷积核的两个卷积神经网络模型可以帮助从不同的角度分析和提取关联参数矩阵中的信息，通过将所述关联参数矩阵通过不同尺度的卷积神经网络模型可以得到具有丰富特征的多个尺度的特征矩阵，值得注意的是，所述第一卷积神经网络模型和所述第二卷积神经网络模型是并行结构。
具体地，在工业废气净化设备100中，所述第二尺度编码模块150，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在工业废气净化设备100中，所述融合模块160，用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵。特别地，在本申请的技术方案中，可以通过所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵的按位置加权来融合以得到所述解码特征矩阵，但是，考虑到所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵是通过不同尺度的卷积核进行卷积编码以得到的，因此所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵可能存在高维特征流形分布差异较大的问题，从而影响所述解码特征矩阵通过解码器得到的解码值的准确性。
基于此，在本申请的技术方案中，基于所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的高维特征流形分布之间的相似性来进行特征矩阵融合以得到解码特征矩阵。图3为根据本申请实施例的工业废气净化设备中融合模块的框图。如图3所示，所述融合模块160，包括：主成分特征向量生成单元161，用于使用主成分分析将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；交叉熵系数生成单元162，用于计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；加权计算单元163，用于以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及，解码特征矩阵生成单元164，用于计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。基于所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵之间的高维特征流形分布之间的相似性来进行特征矩阵融合，其利用流形学习思想捕捉不同特征矩阵之间的内在联系和结构信息，从而提取出更有判别力和表达力的融合特征。
具体地，利用流形学习思想将所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵的高维特征分布以保留保持数据的局部结构和全局拓扑的方式映射到低维特征空间中，进而利用流形学习的思想来捕捉不同特征矩阵之间的内在联系和结构信息。应可以理解，如果所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵在高维空间中位于相近的特征流形分布上，就可以通过流形学习将它们对齐或投影到同一低维特征空间中，从而实现特征的融合。这样，适应不同尺度和视角的变化，增强特征的语义信息和判别能力，减少特征的冗余和噪声，提高特征的紧凑性和鲁棒性。
在工业废气净化设备100中，所述解码模块170，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。也就是通过所述解码器对所述解码特征矩阵进行解码回归以得到用于表示待调整催化剂的流速值。这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。
具体地，在工业废气净化设备100中，所述解码模块170，用于：使用解码器以如下解码公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述解码公式为：
其中Mc是所述解码特征矩阵，Y是所述解码值，W是权重矩阵，表示矩阵乘。
综上所述，基于本申请实施例的工业废气净化设备100被阐明，其基于废气流速值的时序分布和催化剂的流速值的时序分布的关联来自适应调整催化剂的流速，这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。
示例性方法
图4为根据本申请实施例的工业废气净化设备控制方法的流程图。如图4所示，在工业废气净化设备控制方法中，包括：S110，获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；S120，将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；S130，计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；S140，将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；S150，将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；S160，融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及，S170，将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
在一个示例中，在上述工业废气净化设备控制方法中，所述计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵，包括：计算所述废气流速输入向量的转置向量与所述催化剂流速输入向量之间的向量乘积以得到所述关联参数矩阵。
在一个示例中，在上述工业废气净化设备控制方法中，所述将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵，包括：使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第一尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在一个示例中，在上述工业废气净化设备控制方法中，所述将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行基于第二尺度的卷积核的卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
在一个示例中，在上述工业废气净化设备控制方法中，所述融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵，包括：使用主成分分析将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及，计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。
在一个示例中，在上述工业废气净化设备控制方法中，所述将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值，包括：使用解码器以如下解码公式对所述解码特征矩阵进行解码回归以获得所述解码值；其中，所述解码公式为：
其中Mc是所述解码特征矩阵，Y是所述解码值，W是权重矩阵，表示矩阵乘。
综上所述，基于本申请实施例的工业废气净化设备控制方法被阐明，一种工业废气处理设备及其控制方法，其基于废气流速值的时序分布和催化剂的流速值的时序分布的关联来自适应调整催化剂的流速，这样，可以确定最佳的催化剂流速，提高了催化剂流速的控制精度，有利于提高废气净化的效率，并且避免浪费催化剂。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。
图5为根据本申请实施例的电子设备的框图。
如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的工业废气净化设备控制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如预定时间段内的多个预定时间点的废气流速值以及催化剂流速值等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断待调整催化剂的流速值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的工业废气净化设备控制方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的工业废气净化设备控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

Claims (10)

1.一种工业废气净化设备，其特征在于，包括：
流速值数据获取模块，用于获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；
数据结构化模块，用于将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；
关联模块，用于计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；
第一尺度编码模块，用于将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；
第二尺度编码模块，用于将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；
融合模块，用于融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及
解码模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
2.根据权利要求1所述的工业废气净化设备，其特征在于，所述关联编码模块，用于：计算所述废气流速输入向量的转置向量与所述催化剂流速输入向量之间的向量乘积以得到所述关联参数矩阵。
3.根据权利要求2所述的工业废气净化设备，其特征在于，所述第一尺度编码模块，包括：
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第一尺度的卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述第一尺度关联参数特征矩阵，所述第一卷积神经网络模型的第一层的输入为所述关联参数矩阵。
4.根据权利要求3所述的工业废气净化设备，其特征在于，所述第二尺度编码模块，包括：
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行基于第二尺度的卷积核的卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述第二尺度关联参数特征矩阵，所述第二卷积神经网络模型的第一层的输入为所述关联参数矩阵。
5.根据权利要求4所述的工业废气净化设备，其特征在于，所述融合模块，包括：
主成分特征向量生成单元，用于使用主成分分析将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；
交叉熵系数生成单元，用于计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；
加权计算单元，用于以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及
解码特征矩阵生成单元，用于计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。
6.根据权利要求5所述的工业废气净化设备，其特征在于，所述解码模块，用于：使用解码器以如下解码公式对所述解码特征矩阵进行解码回归以获得所述解码值；
其中，所述解码公式为：
其中Mc是所述解码特征矩阵，Y是所述解码值，W是权重矩阵，表示矩阵乘。
7.一种工业废气净化设备控制方法，其特征在于，包括：
获取预定时间段内多个预定时间点的废气流速值以及催化剂的流速值；
将所述预定时间段内多个预定时间点的废气流速值以及催化剂的流速值分别按照时间维度排列为废气流速输入向量和催化剂流速输入向量；
计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵；
将所述关联参数矩阵通过使用具有第一尺度的卷积核的第一卷积神经网络模型以得到第一尺度关联参数特征矩阵；
将所述关联参数矩阵通过使用具有第二尺度的卷积核的第二卷积神经网络模型以得到第二尺度关联参数特征矩阵；
融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵；以及
将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值。
8.根据权利要求7所述的工业废气净化设备控制方法，其特征在于，计算所述废气流速输入向量和所述催化剂流速输入向量之间的关联参数矩阵，包括：计算所述废气流速输入向量的转置向量与所述催化剂流速输入向量之间的向量乘积以得到所述关联参数矩阵。
9.根据权利要求8所述的工业废气净化设备控制方法，其特征在于，融合所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵以得到解码特征矩阵，包括：
使用主成分分析将所述第一尺度关联参数特征矩阵映射到低维特征空间中以得到第一主成分特征向量，且使用所述主成分分析将所述第二尺度关联参数特征矩阵映射到低维特征空间中以得到第二主成分特征向量；
计算所述第一主成分特征向量相对于所述第二主成分特征向量之间的交叉熵以得到第一交叉熵系数，且计算所述第二主成分特征向量相对于所述第一主成分特征向量之间的交叉熵以得到第二交叉熵系数；
以所述第一交叉熵系数和所述第二交叉熵系数作为权重，分别对所述第一尺度关联参数特征矩阵和所述第二尺度关联参数特征矩阵进行加权以得到流形校正第一尺度关联参数特征矩阵和流形校正第二尺度关联参数特征矩阵；以及
计算所述流形校正第一尺度关联参数特征矩阵和所述流形校正第二尺度关联参数特征矩阵之间的按位置均值以得到所述解码特征矩阵。
10.根据权利要求9所述的工业废气净化设备控制方法，其特征在于，将所述解码特征矩阵通过解码器以得到解码值，所述解码值为待调整催化剂的流速值，包括：
使用解码器以如下解码公式对所述解码特征矩阵进行解码回归以获得所述解码值；
其中，所述解码公式为：
其中Mc是所述解码特征矩阵，Y是所述解码值，W是权重矩阵，表示矩阵乘。
CN202311023529.0A 2023-08-11 2023-08-11 工业废气净化设备及其控制方法 Pending CN117018858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311023529.0A CN117018858A (zh) 2023-08-11 2023-08-11 工业废气净化设备及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311023529.0A CN117018858A (zh) 2023-08-11 2023-08-11 工业废气净化设备及其控制方法

Publications (1)

Publication Number Publication Date
CN117018858A true CN117018858A (zh) 2023-11-10

Family

ID=88638744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311023529.0A Pending CN117018858A (zh) 2023-08-11 2023-08-11 工业废气净化设备及其控制方法

Country Status (1)

Country Link
CN (1) CN117018858A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102404498B1 (ko) * 2021-09-13 2022-05-31 서울대학교산학협력단 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법
CN115018068A (zh) * 2022-05-30 2022-09-06 福建天甫电子材料有限公司 用于光阻洗净液生产的自动配料系统及其配料方法
CN115309215A (zh) * 2022-08-05 2022-11-08 福建龙氟化工有限公司 氟化铵制备用的自动配料控制系统及其控制方法
CN115430344A (zh) * 2022-08-31 2022-12-06 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动配料系统及其配料方法
CN115947426A (zh) * 2022-12-28 2023-04-11 浙江致远环境科技股份有限公司 一种基于亚氧化钛电极的电催化氧化模块
CN116086133A (zh) * 2023-02-20 2023-05-09 深圳市华特鹏特种气体有限公司 化学链空气分离技术制备高纯氧气的装置及方法
CN116146309A (zh) * 2023-04-23 2023-05-23 浙江浙能迈领环境科技有限公司 船舶尾气处理系统及其方法
CN116164497A (zh) * 2023-04-25 2023-05-26 福建德天宸新材料科技有限公司 液氧制备过程中的精馏控制系统及其方法
CN116185099A (zh) * 2023-04-25 2023-05-30 福建天甫电子材料有限公司 用于电子级双氧水制备的温度自动控制系统
CN116178422A (zh) * 2023-02-22 2023-05-30 广州隽沐生物科技股份有限公司 蛋黄卵磷脂的制备方法
CN116392930A (zh) * 2023-04-24 2023-07-07 浙江浙能迈领环境科技有限公司 船舶尾气脱硫工艺及其系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102404498B1 (ko) * 2021-09-13 2022-05-31 서울대학교산학협력단 적응적 시간-주파수 표현 기반 합성곱 신경망을 활용한 산업용 기어박스 고장진단 장치 및 방법
CN115018068A (zh) * 2022-05-30 2022-09-06 福建天甫电子材料有限公司 用于光阻洗净液生产的自动配料系统及其配料方法
CN115309215A (zh) * 2022-08-05 2022-11-08 福建龙氟化工有限公司 氟化铵制备用的自动配料控制系统及其控制方法
CN115430344A (zh) * 2022-08-31 2022-12-06 福建省龙德新能源有限公司 用于六氟磷酸锂制备的自动配料系统及其配料方法
CN115947426A (zh) * 2022-12-28 2023-04-11 浙江致远环境科技股份有限公司 一种基于亚氧化钛电极的电催化氧化模块
CN116086133A (zh) * 2023-02-20 2023-05-09 深圳市华特鹏特种气体有限公司 化学链空气分离技术制备高纯氧气的装置及方法
CN116178422A (zh) * 2023-02-22 2023-05-30 广州隽沐生物科技股份有限公司 蛋黄卵磷脂的制备方法
CN116146309A (zh) * 2023-04-23 2023-05-23 浙江浙能迈领环境科技有限公司 船舶尾气处理系统及其方法
CN116392930A (zh) * 2023-04-24 2023-07-07 浙江浙能迈领环境科技有限公司 船舶尾气脱硫工艺及其系统
CN116164497A (zh) * 2023-04-25 2023-05-26 福建德天宸新材料科技有限公司 液氧制备过程中的精馏控制系统及其方法
CN116185099A (zh) * 2023-04-25 2023-05-30 福建天甫电子材料有限公司 用于电子级双氧水制备的温度自动控制系统

Similar Documents

Publication Publication Date Title
CN115203380A (zh) 基于多模态数据融合的文本处理系统及其方法
CN115796173A (zh) 针对监管报送需求的数据处理方法和系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN116580849B (zh) 医疗数据的采集分析系统及其方法
CN116015837A (zh) 用于计算机网络信息安全的入侵检测方法及系统
CN113705809B (zh) 一种数据预测模型训练方法、工业指标预测方法和装置
CN117077075A (zh) 用于环境保护的水质监测系统及其方法
CN113239702A (zh) 意图识别方法、装置、电子设备
CN112631898A (zh) 基于cnn-svm的软件缺陷预测方法
CN115878330A (zh) 线程的运行控制方法及其系统
CN117316462A (zh) 一种医疗数据管理方法
CN117018858A (zh) 工业废气净化设备及其控制方法
CN116844088A (zh) 在线除尘器控制系统及其方法
CN116258947B (zh) 适用于家居定制行业的工业自动化处理方法及系统
CN116739219A (zh) 熔喷布生产管理系统及其方法
CN114401205B (zh) 无标注多源网络流量数据漂移检测方法和装置
CN116385733A (zh) 用于斗轮机的高精度定位系统及其方法
CN115683255A (zh) 基于数据协整分析的油耗计量系统及其方法
CN114974554A (zh) 融合图谱知识强化病历特征的方法、装置及存储介质
CN117250521B (zh) 充电桩电池容量监测系统及方法
CN116870654B (zh) 工业废气处理系统及其方法
CN112836752A (zh) 基于深度值的特征图融合的智能采样参数控制方法
CN117267737A (zh) 恶臭废气的催化燃烧处理系统及方法
CN116870654A (zh) 工业废气处理系统及其方法
CN117007535A (zh) 湿法提钒的离子交换方法及其系统

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