CN117046391B - 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 - Google Patents
一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 Download PDFInfo
- Publication number
- CN117046391B CN117046391B CN202311025257.8A CN202311025257A CN117046391B CN 117046391 B CN117046391 B CN 117046391B CN 202311025257 A CN202311025257 A CN 202311025257A CN 117046391 B CN117046391 B CN 117046391B
- Authority
- CN
- China
- Prior art keywords
- valve
- valves
- intelligent
- correlation
- valve opening
- 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
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 title claims abstract description 64
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 61
- 239000002994 raw material Substances 0.000 title claims abstract description 61
- 238000004519 manufacturing process Methods 0.000 title claims description 13
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims abstract description 87
- 239000007788 liquid Substances 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 46
- MXRIRQGCELJRSN-UHFFFAOYSA-N O.O.O.[Al] Chemical compound O.O.O.[Al] MXRIRQGCELJRSN-UHFFFAOYSA-N 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 91
- 230000008859 change Effects 0.000 claims description 64
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000002002 slurry Substances 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- WNROFYMDJYEPJX-UHFFFAOYSA-K aluminium hydroxide Chemical compound [OH-].[OH-].[OH-].[Al+3] WNROFYMDJYEPJX-UHFFFAOYSA-K 0.000 description 2
- 229910021502 aluminium hydroxide Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 229940037003 alum Drugs 0.000 description 1
- AZDRQVAHHNSJOQ-UHFFFAOYSA-N alumane Chemical class [AlH3] AZDRQVAHHNSJOQ-UHFFFAOYSA-N 0.000 description 1
- 238000010539 anionic addition polymerization reaction Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 1
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical group [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229920000592 inorganic polymer Polymers 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
- B01J4/00—Feed or outlet devices; Feed or outlet control devices
- B01J4/008—Feed or outlet control devices
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01F—COMPOUNDS OF THE METALS BERYLLIUM, MAGNESIUM, ALUMINIUM, CALCIUM, STRONTIUM, BARIUM, RADIUM, THORIUM, OR OF THE RARE-EARTH METALS
- C01F7/00—Compounds of aluminium
- C01F7/48—Halides, with or without other cations besides aluminium
- C01F7/56—Chlorides
- C01F7/57—Basic aluminium chlorides, e.g. polyaluminium chlorides
Abstract
公开了一种反应釜生产聚合氯化铝的原料智能安全投加处理方法。其首先将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中,接着,控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体,然后,将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗。这样,可以保证投加设备的正常运行,从而优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性。
Description
技术领域
本公开涉及智能化原料投加领域,且更为具体地,涉及一种反应釜生产聚合氯化铝的原料智能安全投加处理方法。
背景技术
聚合氯化铝是一种无机高分子絮凝剂,经过氢氧基离子官能团和多价阴离子聚合官能团的作用,产生出拥有大分子量和高电荷的无机高分子。聚合氯化铝广泛用于生活饮用水及其他对水质有较高要求的处理工序,具有反应快,耗药少,矾花大,沉降快,滤性好,适应性强,受水体PH和温度影响小,净水效果远好于其他铝盐,铁盐和同类产品,成本低,是首选产品。
在使用反应釜生产聚合氯化铝时,由于反应釜内达到150℃以上高温及0.4MPa压力,同时反应釜内充满氯化氢气体,目前行业中使用反应釜生产聚合氯化铝时,原料采用氢氧化铝粉体和工业用合成盐酸液体先在混料罐内搅拌混合成浆料,然后通过浆料泵及浆料输送管道把浆料输送至反应釜,该原料投加方法会导致反应釜与混合浆料输送管道反应釜侧阀门之间的浆料输送管道堵塞及浆料输送管道反应釜侧阀门关闭不全,给反应釜生产聚合氯化铝带来严重的安全隐患。
并且,使用反应釜生产聚合氯化铝为间歇生产,一旦造成浆料输送泵及浆料输送管道堵塞,在每次输送浆料后,都需要立即对浆料泵及浆料输送管道内壁进行人工冲洗疏通,以避免影响后续原料正常投加和流程化智能控制。不仅如此,在实际进行原料投加的过程中,若投加设备出现异常,也会影响后续原料正常投加和投加设备的智能控制,降低了聚合氯化铝生产效率。因此,对于投加设备和通道堵塞的异常监测尤为重要。然而,现有的检测方式仅依靠技术人员进行人工检测,不仅效率较低,而且检测的精准度和稳定性也难以达到预期。
因此,期望一种优化的反应釜生产聚合氯化铝的原料智能安全投加处理方案。
发明内容
有鉴于此,本公开提出了一种反应釜生产聚合氯化铝的原料智能安全投加处理方法,其可以保证投加设备的正常运行,从而优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性。
根据本公开的一方面,提供了一种反应釜生产聚合氯化铝的原料智能安全投加处理方法,其包括:
将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中;
控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体;以及
将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗。
根据本公开的实施例,其首先将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中,接着,控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体,然后,将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗。这样,可以保证投加设备的正常运行,从而优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的流程图。
图2示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S110的流程图。
图3示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S110的架构示意图。
图4示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S112的流程图。
图5示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S1121的流程图。
图6示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S1122的流程图。
图7示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S1123的流程图。
图8示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理系统的框图。
图9示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的应用场景图。
图10示出根据本公开的实施例的投加装置的结构示意图。
实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
使用反应釜生产聚合氯化铝为间歇生产,一旦造成浆料输送泵及浆料输送管道堵塞,在每次输送浆料后,都需要立即对浆料泵及浆料输送管道内壁进行人工冲洗疏通,以避免影响后续原料正常投加和流程化智能控制。不仅如此,在实际进行原料投加的过程中,若投加设备出现异常,也会影响后续原料正常投加和投加设备的智能控制,降低了聚合氯化铝生产效率。因此,对于投加设备和通道堵塞的异常监测尤为重要。然而,现有的检测方式仅依靠技术人员进行人工检测,不仅效率较低,而且检测的精准度和稳定性也难以达到预期。因此,期望一种优化的反应釜生产聚合氯化铝的原料智能安全投加处理方案。
具体地,在本公开的技术方案中,提出了一种反应釜生产聚合氯化铝的原料智能安全投加处理方法,如图1所示,其包括:S110,将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中;S120,控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体;以及,S130,将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗。这样,能够将投加管道内壁氢氧化铝粉体混合残留物冲洗干净,从而消除氢氧化铝粉体混合物对管道堵塞带来的安全隐患,最终实现原料智能精准投加。
相应地,考虑到在实际进行反应釜生产聚合氯化铝的原料投加过程中,需要基于实际投加设备的各个参数来判断投加设备是否出现异常。若存在异常情况下,系统自动弹出相应的提示并禁止加料程序的执行,若不存在异常情况下,方可进行氢氧化铝粉体与工业用合成盐酸液体自动投加工作。这样,能够保证投加设备的正常运行,从而优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性。
图2示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S110的流程图。图3示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的子步骤S110的架构示意图。如图2和图3所示,根据本公开实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法,将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中,包括步骤:S111,获取所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率;以及,S112,基于所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率,确定智能投加设备是否存在异常。
具体地,在本公开的技术方案中,首先,获取智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率。应可以理解,在生产聚合氯化铝的过程中,原料的安全投加是非常重要的环节。而阀门开度值和阀位变化速率是反映投加设备投加量和投加速度的重要参数。通过实时监测和分析这些参数,可以判断投加设备是否正常工作,是否存在异常情况,以及投加过程的稳定性和安全性。具体来说,阀门开度值是指阀门的开合程度,可以反映投加设备的投加量。如果阀门开度值异常,可能意味着投加设备的投加量不符合要求,可能会导致产品质量问题或投加过程失控。阀位变化速率是指阀门开度值的变化速度,可以反映投加设备的投加速度。如果阀位变化速率异常,可能意味着投加设备的投加速度过快或过慢,可能会导致投加过程的不稳定或无法满足生产需求。
如图4所示,在步骤S112中,基于所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率,确定智能投加设备是否存在异常,包括:S1121,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值进行阀门间阀门开度值关联提取以得到阀门间阀门开度值关联特征向量;S1122,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率进行阀门间阀门变化速率关联特征提取以得到阀门间阀门变化速率关联特征向量;以及,S1123,基于所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量的关联特征,确定智能投加设备是否存在异常。
接着,考虑到由于所述智能投加设备的多个阀门的阀门开度值和阀位变化速率在时间维度上和阀门样本维度上都具有着关联关系,为了能够对于所述智能投加设备进行精准地异常监测,需要对于所述智能投加设备的多个阀门的阀门开度值和阀位变化速率进行充分地时序和样本关联分析。因此,在本公开的技术方案中,需要将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值按照时间维度和阀门样本维度排列为阀门间阀门开度值全时序矩阵,以此来整合所述阀门开度值在时间维度和样本维度间的关联分布信息。并且,将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率按照时间维度和阀门样本维度排列为阀门间阀门阀位变化率全时序矩阵,以此来整合所述阀位变化速率在时间维度和样本维度间的关联分布信息。
然后,将所述阀门间阀门开度值全时序矩阵通过基于第一卷积神经网路模型的阀门间阀门开度值关联特征提取器中进行特征挖掘,以提取出所述智能投加设备的多个阀门的阀门开度值在时序和阀门样本维度上的关联特征信息,从而得到阀门间阀门开度值关联特征向量。这样,有助于捕捉到所述智能投加设备中的各个阀门在不同时间段内的工作协同状态在投加过程中的动态关联特征信息,有助于发现阀门之间的不均衡或异常情况,并进行及时调整和修正。
相应地,如图5所示,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值进行阀门间阀门开度值关联提取以得到阀门间阀门开度值关联特征向量,包括:S11211,将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值按照时间维度和阀门样本维度排列为阀门间阀门开度值全时序矩阵;以及,S11212,将所述阀门间阀门开度值全时序矩阵通过基于第一卷积神经网路模型的阀门间阀门开度值关联特征提取器以得到所述阀门间阀门开度值关联特征向量。
进一步地,也将所述阀门间阀门阀位变化率全时序矩阵通过基于第二卷积神经网路模型的阀门间阀门变化速率关联特征提取器中进行特征提取,以提取出所述智能投加设备的各个阀门的阀位变化速率在时间维度和阀门样本维度上的关联特征信息,从而得到阀门间阀门变化速率关联特征向量。这样,能够有效地捕捉到所述智能投加设备中的各个阀门在不同时间段内的阀位变化速率在投加过程中的时序动态关联特征信息,以利于后续对于智能投加设备的异常监测。
相应地,如图6所示,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率进行阀门间阀门变化速率关联特征提取以得到阀门间阀门变化速率关联特征向量,包括:S11221,将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率按照时间维度和阀门样本维度排列为阀门间阀门阀位变化率全时序矩阵;以及,S11222,将所述阀门间阀门阀位变化率全时序矩阵通过基于第二卷积神经网路模型的阀门间阀门变化速率关联特征提取器以得到所述阀门间阀门变化速率关联特征向量。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,卷积神经网络模型具有以下特点和用途:特征提取,卷积神经网络通过在输入数据上应用一系列的卷积操作和非线性激活函数,可以自动学习输入数据中的特征。卷积操作可以有效地捕捉到数据的局部关系和空间结构,从而提取出具有代表性的特征;参数共享,卷积神经网络中的卷积层使用相同的卷积核对输入数据进行卷积操作,这种参数共享的方式可以大大减少模型的参数数量,降低过拟合的风险,并提高模型的计算效率;池化操作,卷积神经网络通过池化操作(如最大池化或平均池化)可以降低特征图的空间尺寸,减少计算量,并增强模型对平移和缩放的不变性;分类和识别,卷积神经网络模型可以学习到数据的层次化特征表示,并通过全连接层进行分类或回归预测。在本公开中,基于第一卷积神经网络模型的阀门开度值关联特征提取器和基于第二卷积神经网络模型的阀门变化速率关联特征提取器,利用了卷积神经网络的特点来从阀门开度值全时序矩阵和阀门变化速率全时序矩阵中提取出关联特征向量。通过使用卷积神经网络模型,可以有效地学习到阀门开度值和阀门变化速率的时序动态关联特征信息,从而有助于后续的异常监测、协同状态分析和优化调整等任务。
进一步地,在本公开的一个示例中,如图7所示,基于所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量的关联特征,确定智能投加设备是否存在异常,包括:S11231,融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量;S11232,对所述阀门间状态关联特征向量进行权重空间的细粒度密度预测搜索优化以得到优化阀门间状态关联特征向量;以及,S11233,将所述优化阀门间状态关联特征向量通过分类器以得到分类结果,所述分类结果用于表示智能投加设备是否存在异常。
融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量,以此来表示所述智能投加设备的多个阀门的阀门开度值和阀位变化速率在时序和样本维度上的融合关联特征信息,以此来进行智能投加设备的异常监测分析。相应地,在一个具体示例中,融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量,包括:使用级联函数来融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量;其中,所述级联函数为:其中,/>和/>均表示对输入进行点卷积、/>为激活函数,/>表示拼接操作,/>为所述阀门间阀门开度值关联特征向量中各个位置的特征值,/>为所述阀门间阀门变化速率关联特征向量中各个位置的特征值。
特别地,在本申请的技术方案中,在融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量得到所述阀门间状态关联特征向量时,考虑到所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量分别表达阀门开度值和阀位变化速率的时序-样本交叉维度下的局部关联特征,因此所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量均具有对应于卷积核尺度下的时序-样本交叉关联特征的特征表达超分辨率,由此,将所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量融合得到的所述阀门间状态关联特征向量也就具有不同样本维度下的多维度交叉关联上下文的超分辨率表达特性,由此,期望基于所述阀门间状态关联特征向量的表达特性提升其特征表达效果。
因此,本申请的申请人对于所述阀门间状态关联特征向量进行迭代优化,具体地,在每次迭代中,对所述阀门间状态关联特征向量,例如记为,进行权重空间的细粒度密度预测搜索优化,表示为:/>其中,/>和/>分别是上次和本次迭代的优化矩阵,其为在迭代过程中采用不同的初始化策略设置的参数矩阵,(例如,/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵),是所述阀门间状态关联特征向量,/>是第一过渡向量,/>是第二过渡向量,/>和分别表示特征向量/>和/>的全局均值,且/>是偏置向量,例如初始设置为单位向量,/>表示所述优化阀门间状态关联特征向量,并且,迭代结束可以设置为迭代前后的阀门间状态关联特征向量/>和/>之间余弦相似度小于预定阈值,/>表示最小值函数,表示矩阵乘法,/>表示向量的按位置点乘,/>表示向量加法。
这里,针对所述阀门间状态关联特征向量在多维度上下文下的超分辨率表达特性,所述权重空间的细粒度密度预测搜索优化可以通过所述阀门间状态关联特征向量的投影的向量空间的前馈序列化映射,在对于权重搜索空间内的密集预测任务提供相应的细粒度权重搜索策略的同时,降低权重搜索空间内的所述阀门间状态关联特征向量的表示的总序列复杂性(overall sequential complexity),从而提升所述阀门间状态关联特征向量的特征表达效果。
进一步地,将所述阀门间状态关联特征向量通过分类器以得到分类结果,所述分类结果用于表示智能投加设备是否存在异常。也就是,在本公开的技术方案中,所述分类器的标签包括智能投加设备存在异常(第一标签),以及,智能投加设备不存在异常(第二标签),其中,所述分类器通过软最大值函数来确定所述阀门间状态关联特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“智能投加设备是否存在异常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,智能投加设备是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“智能投加设备是否存在异常”的语言文本意义。应可以理解,在本公开的技术方案中,所述分类器的分类标签为智能投加设备是否存在异常的检测评估标签,因此,在得到所述分类结果后,可基于所述分类结果来对于智能投加设备的工作状态进行实时地异常监测。若存在异常情况下,系统自动弹出相应的提示并禁止加料程序的执行,若不存在异常情况下,方可进行氢氧化铝粉体与工业用合成盐酸液体自动投加工作。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,将所述优化阀门间状态关联特征向量通过分类器以得到分类结果,所述分类结果用于表示智能投加设备是否存在异常,包括:使用所述分类器的全连接层对所述优化阀门间状态关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这样,能够实时地对于智能投加设备的工作状态进行异常监测分析,从而保证投加设备的正常运行,以优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性。
综上,基于本公开实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法,其可以保证投加设备的正常运行,从而优化聚合氯化铝的原料投加效率和质量稳定性,以及反应釜生产聚合氯化铝的原料投加安全性)。
图8示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理系统100的框图。如图8所示,根据本公开实施例的反应釜生产聚合氯化铝的原料智能安全投加处理系统100,包括:投加模块110,用于将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中;投加速率控制模块120,用于控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体;以及,加压冲洗模块130,用于将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗。
这里,本领域技术人员可以理解,上述反应釜生产聚合氯化铝的原料智能安全投加处理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的反应釜生产聚合氯化铝的原料智能安全投加处理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的反应釜生产聚合氯化铝的原料智能安全投加处理系统100可以实现在各种无线终端中,例如具有反应釜生产聚合氯化铝的原料智能安全投加处理算法的服务器等。在一种可能的实现方式中,根据本公开实施例的反应釜生产聚合氯化铝的原料智能安全投加处理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该反应釜生产聚合氯化铝的原料智能安全投加处理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该反应釜生产聚合氯化铝的原料智能安全投加处理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该反应釜生产聚合氯化铝的原料智能安全投加处理系统100与该无线终端也可以是分立的设备,并且该反应釜生产聚合氯化铝的原料智能安全投加处理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的反应釜生产聚合氯化铝的原料智能安全投加处理方法的应用场景图。如图9所示,在该应用场景中,首先,获取所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率(例如,图9中所示意的D),然后,将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率输入至部署有反应釜生产聚合氯化铝的原料智能安全投加处理算法的服务器中(例如,图9中所示意的S),其中,所述服务器能够使用所述反应釜生产聚合氯化铝的原料智能安全投加处理算法对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率进行处理以得到用于表示智能投加设备是否存在异常的分类结果。
进一步地,在本公开的一个具体示例中,提供一种反应釜生产聚合氯化铝的原料智能安全投加处理方法,其采用智能投加控制系统和投加装置来实现,所述处理方法包括如下步骤:a)通过智能投加控制系统,将6.5吨氢氧化铝粉体和11.5m³工业用合成盐酸液体,通过投加装置,同步投加到16m³反应釜中;b)通过智能投加控制系统,精准控制工业用合成盐酸液体投加速率和氢氧化铝粉体投加速率,实现氢氧化铝粉体投加完毕后,有5吨的工业用合成盐酸液体剩余;c)通过智能投加控制系统,精准提升剩余5吨工业用合成盐酸液体的投加速率(压力到0.6MPa),实现对投加管道内壁的冲洗,达到将投加管道内壁氢氧化铝粉体混合残留物冲洗干净,从而消除氢氧化铝粉体混合物对管道堵塞带来的安全隐患,最终实现原料智能精准投加。
其中,智能投加控制系统基于JX-300XP平台开发的,建立线性回归预测模式,采用ST语言开发并封装成自定义模块,实时采集氢氧化铝粉体与工业用合成盐酸液体投加混合期间的相关数据,通过内部数据处理,反馈投加混合进度、各生产运行指标等信息。智能投加控制系统具有智能数据处理分析能力,能够实现加料过程中自动配置以及加料过程中的自我诊断,实现暂停、继续和停止等安全保护功能,确保了投加装置的安全,同时通过远程人机界面操作,实现远程智能控制投加,确保操作人员的生命安全和身体健康。
投加装置将氢氧化铝粉体与工业用合成盐酸液体一起投加到反应釜中,同时通过智能投加控制系统,精准控制氢氧化铝粉体的投加速率和工业用合成盐酸投加速率,确保在氢氧化铝粉体进料完毕后工业用合成盐酸仍将继续增速投加一段时间,直到所有工业用合成盐酸液体投加完毕,达到将投加管道内壁氢氧化铝粉体混合残留物冲洗干净,消除投加管道堵塞带来的严重安全隐患,达到智能安全投加的最终目的。其中,投加装置的结构示意如图10所示。
相应地,首先,确认自动控制阀1处于关闭状态,打开尾气吸收管自动控制蝶阀;接着,由吸入泵将6.5吨氢氧化铝粉体由氢氧化铝粉体投加口加入到氢氧化铝粉体罐中;然后,打开自动控制阀2与尾气吸收管自动控制蝶阀,开启工业用合成盐酸液体变频泵,打开自动控制阀1,同时开启震荡器,利用二段挡板控制氢氧化铝粉体流速;接着,当雷达物位计监测到氢氧化铝粉体罐内氢氧化铝粉体已投加完毕,关闭震荡器及二段挡板气缸、关闭自动控制阀1;然后,工业用合成盐酸液体变频泵调整输送速率,使其泵出口压力达到0.6MPa,将剩余工业用合成盐酸液体加压投加;最后,工业用合成盐酸液体加压投加完毕后,关闭工业用合成盐酸液体变频泵、关闭自动控制阀2,关闭尾气吸收管自动控制蝶阀,投加完毕。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (5)
1.一种反应釜生产聚合氯化铝的原料智能安全投加处理方法,其特征在于,包括:
将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中;
控制所述工业用合成盐酸液体的投加速率和所述氢氧化铝粉体的投加速率,以在所述氢氧化铝粉体投加完毕后,剩余预定量的所述工业用合成盐酸液体;以及
将剩余预定量的所述工业用合成盐酸液体加压,以对投加管道内壁的氢氧化铝粉体混合残留物进行冲洗;
其中,将氢氧化铝粉体和工业用合成盐酸液体通过智能投加设备投加到反应釜中,包括:
获取所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率;以及
基于所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率,确定智能投加设备是否存在异常;
其中,基于所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值和阀位变化速率,确定智能投加设备是否存在异常,包括:
对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值进行阀门间阀门开度值关联提取以得到阀门间阀门开度值关联特征向量;
对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率进行阀门间阀门变化速率关联特征提取以得到阀门间阀门变化速率关联特征向量;以及
基于所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量的关联特征,确定智能投加设备是否存在异常;
其中,基于所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量的关联特征,确定智能投加设备是否存在异常,包括:
融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量;
对所述阀门间状态关联特征向量进行权重空间的细粒度密度预测搜索优化以得到优化阀门间状态关联特征向量;以及
将所述优化阀门间状态关联特征向量通过分类器以得到分类结果,所述分类结果用于表示智能投加设备是否存在异常;
其中,对所述阀门间状态关联特征向量进行权重空间的细粒度密度预测搜索优化以得到优化阀门间状态关联特征向量,包括:
以如下优化公式对所述阀门间状态关联特征向量进行权重空间的细粒度密度预测搜索优化以得到所述优化阀门间状态关联特征向量;
其中,所述优化公式为:
其中,M1和M2分别是上次和本次迭代的优化矩阵,Vc是所述阀门间状态关联特征向量,V1是第一过渡向量,V2是第二过渡向量,和/>分别表示特征向量V1和V2的全局均值,且Vb是偏置向量,min表示最小值函数,/>表示矩阵乘法,⊙表示向量的按位置点乘,/>表示向量加法,V′c表示所述优化阀门间状态关联特征向量。
2.根据权利要求1所述的反应釜生产聚合氯化铝的原料智能安全投加处理方法,其特征在于,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值进行阀门间阀门开度值关联提取以得到阀门间阀门开度值关联特征向量,包括:
将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀门开度值按照时间维度和阀门样本维度排列为阀门间阀门开度值全时序矩阵;以及
将所述阀门间阀门开度值全时序矩阵通过基于第一卷积神经网路模型的阀门间阀门开度值关联特征提取器以得到所述阀门间阀门开度值关联特征向量。
3.根据权利要求2所述的反应釜生产聚合氯化铝的原料智能安全投加处理方法,其特征在于,对所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率进行阀门间阀门变化速率关联特征提取以得到阀门间阀门变化速率关联特征向量,包括:
将所述智能投加设备的多个阀门在预定时间段内多个预定时间点的阀位变化速率按照时间维度和阀门样本维度排列为阀门间阀门阀位变化率全时序矩阵;以及
将所述阀门间阀门阀位变化率全时序矩阵通过基于第二卷积神经网路模型的阀门间阀门变化速率关联特征提取器以得到所述阀门间阀门变化速率关联特征向量。
4.根据权利要求3所述的反应釜生产聚合氯化铝的原料智能安全投加处理方法,其特征在于,融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量,包括:
使用级联函数来融合所述阀门间阀门开度值关联特征向量和所述阀门间阀门变化速率关联特征向量以得到阀门间状态关联特征向量;
其中,所述级联函数为:
f(Xi,Xj)=Relu(Wf[θ(Xi),φ(Xj)])
其中,Wf,θ(Xi)和φ(Xj)均表示对输入进行点卷积、Relu为激活函数,[]表示拼接操作,Xi为所述阀门间阀门开度值关联特征向量中各个位置的特征值,Xj为所述阀门间阀门变化速率关联特征向量中各个位置的特征值。
5.根据权利要求4所述的反应釜生产聚合氯化铝的原料智能安全投加处理方法,其特征在于,将所述优化阀门间状态关联特征向量通过分类器以得到分类结果,所述分类结果用于表示智能投加设备是否存在异常,包括:
使用所述分类器的全连接层对所述优化阀门间状态关联特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025257.8A CN117046391B (zh) | 2023-08-15 | 2023-08-15 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025257.8A CN117046391B (zh) | 2023-08-15 | 2023-08-15 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117046391A CN117046391A (zh) | 2023-11-14 |
CN117046391B true CN117046391B (zh) | 2024-02-23 |
Family
ID=88662072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311025257.8A Active CN117046391B (zh) | 2023-08-15 | 2023-08-15 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117046391B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104548990A (zh) * | 2014-12-29 | 2015-04-29 | 枣庄矿业集团高庄煤业有限公司 | 一种加药用的粉液防堵混合器 |
CN209065437U (zh) * | 2018-11-19 | 2019-07-05 | 天津市洁源净水材料有限公司 | 一种聚合氯化铝净水材料的自动化生产设备 |
CN209501620U (zh) * | 2018-12-29 | 2019-10-18 | 辽宁庆阳特种化工有限公司 | 一种多相压力反应自动化加料装置 |
CN216458867U (zh) * | 2021-12-31 | 2022-05-10 | 华融化学股份有限公司 | 一种制备聚氯化铝的系统 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
CN116067188A (zh) * | 2023-01-28 | 2023-05-05 | 福建省龙德新能源有限公司 | 一种六氟磷酸锂制备用的余热回收系统 |
KR20230100926A (ko) * | 2021-12-29 | 2023-07-06 | (주)에스시아이 | 천연고분자를 함유한 친환경 중염기성 염화알루미늄계 고분자 응집제 및 이의 제조방법 |
WO2023147786A1 (zh) * | 2022-02-07 | 2023-08-10 | 南京理工大学 | 基于改进卷积神经网络的车联网入侵检测方法及设备 |
-
2023
- 2023-08-15 CN CN202311025257.8A patent/CN117046391B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104548990A (zh) * | 2014-12-29 | 2015-04-29 | 枣庄矿业集团高庄煤业有限公司 | 一种加药用的粉液防堵混合器 |
CN209065437U (zh) * | 2018-11-19 | 2019-07-05 | 天津市洁源净水材料有限公司 | 一种聚合氯化铝净水材料的自动化生产设备 |
CN209501620U (zh) * | 2018-12-29 | 2019-10-18 | 辽宁庆阳特种化工有限公司 | 一种多相压力反应自动化加料装置 |
KR20230100926A (ko) * | 2021-12-29 | 2023-07-06 | (주)에스시아이 | 천연고분자를 함유한 친환경 중염기성 염화알루미늄계 고분자 응집제 및 이의 제조방법 |
CN216458867U (zh) * | 2021-12-31 | 2022-05-10 | 华融化学股份有限公司 | 一种制备聚氯化铝的系统 |
WO2023147786A1 (zh) * | 2022-02-07 | 2023-08-10 | 南京理工大学 | 基于改进卷积神经网络的车联网入侵检测方法及设备 |
CN116067188A (zh) * | 2023-01-28 | 2023-05-05 | 福建省龙德新能源有限公司 | 一种六氟磷酸锂制备用的余热回收系统 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117046391A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10853937B2 (en) | Unsupervised image-based anomaly detection using multi-scale context-dependent deep autoencoding gaussian mixture model | |
Wu et al. | A neural network ensemble model for on-line monitoring of process mean and variance shifts in correlated processes | |
Ma et al. | Dynamic process monitoring using adaptive local outlier factor | |
US11514329B2 (en) | Data-driven deep learning model generalization analysis and improvement | |
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
Aldrich et al. | Recent advances in flotation froth image analysis | |
US11650567B2 (en) | System and method for evaluating hydraulic system events and executing responses | |
CN106529079A (zh) | 一种基于故障相关主成分空间的化工过程故障检测方法 | |
US11836257B2 (en) | Method and system for defending universal adversarial attacks on time-series data | |
US11657270B2 (en) | Self-assessing deep representational units | |
Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
CN117046391B (zh) | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 | |
Anggoro et al. | Comparison of accuracy level of support vector machine (SVM) and artificial neural network (ANN) algorithms in predicting diabetes mellitus disease | |
CN112465001A (zh) | 一种基于逻辑回归的分类方法及装置 | |
CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
CN116726788A (zh) | 一种压裂用交联剂的制备方法 | |
CN117227005A (zh) | 混凝土原料加工用生产控制系统及其方法 | |
CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及系统 | |
CN116692975A (zh) | 湿法石煤提钒的工业尾水循环利用方法及其系统 | |
CN115392404A (zh) | 一种离群点检测模型训练、离群点检测方法及装置 | |
Yan et al. | Operational adjustment modeling approach based on Bayesian network transfer learning for new flotation process under scarce data | |
CN108388232B (zh) | 一种原油脱盐过程的运行模式故障监测方法 | |
Sliwinski | A machine learning approach to predictively determine filter clogging in a ballast water treatment system | |
CN113962150A (zh) | 一种烧结混合料粒度预测方法及系统 | |
CN113673600A (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 |
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 |