CN117782364B - 一种高通量自动材料快筛反应器的实时监测方法及系统 - Google Patents
一种高通量自动材料快筛反应器的实时监测方法及系统 Download PDFInfo
- Publication number
- CN117782364B CN117782364B CN202410218282.6A CN202410218282A CN117782364B CN 117782364 B CN117782364 B CN 117782364B CN 202410218282 A CN202410218282 A CN 202410218282A CN 117782364 B CN117782364 B CN 117782364B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- intervals
- sequence
- interval
- 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 44
- 238000012216 screening Methods 0.000 title claims abstract description 41
- 239000000463 material Substances 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 101
- 238000006243 chemical reaction Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 241001632422 Radiola linoides Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010438 heat treatment Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000010453 quartz Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 241001632427 Radiola Species 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000012864 cross contamination Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000001819 mass spectrum Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种高通量自动材料快筛反应器的实时监测方法及系统,包括:采集一个温度时序数据序列,将其划分为若干个数据区间,获取相邻两个数据区间的合并程度,从而得到温度时序数据序列划分的若干个优选数据区间,再获取每个优选数据区间的异常程度评价值,由此筛选出异常数据区间,从而得到温度时序数据序列对应的异常持续占比,用以对温度时序数据序列对应的反应进行状态判断。本发明通过自适应划分数据区域以及数据区间的异常程度评价值的准确计算,准确的检测出异常数据区间,从而得到可信的异常持续占比,用以进行反应的状态判断,提高了高通量自动材料快筛反应器的实时监测效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种高通量自动材料快筛反应器的实时监测方法及系统。
背景技术
高通量自动材料快筛反应器是一种用于加速和自动化材料研究的实验装置。通过相关传感器获取反应数据,可以方便研究人员对反应过程进行实时观察和数据记录。反应温度是控制化学反应安全性和稳定性的关键因素之一,对于反应器中异常温度数据的监测有助于推断反应过程中可能发生的异常副反应,从而对研究人员提供相关经验。
现有的问题:目前对于实时温度数据使用区域生长进行异常检测时,通常采用区域生长会将温度数据划分为多个数据区间,然后在数据区间内分析其异常温度波动。但由于温度异常数据的随机性和大小不定性,易导致该算法将一段温度异常数据被错误的分割为多个区间,从而不能准确的识别出完整的异常数据区域,这可能会降低异常数据检测的准确性,由此降低了高通量自动材料快筛反应器的实时监测效率。
发明内容
本发明提供一种高通量自动材料快筛反应器的实时监测方法及系统,以解决现有的问题。
本发明的一种高通量自动材料快筛反应器的实时监测方法及系统采用如下技术方案:
本发明一个实施例提供了一种高通量自动材料快筛反应器的实时监测方法,该方法包括以下步骤:
在一段时间内,采集一个高通量自动材料快筛反应器中的一个反应过程中每一时刻上的温度数据,得到一个温度时序数据序列;将温度时序数据序列划分为若干个数据区间;
在温度时序数据序列中,根据相邻两个数据区间内温度数据之间的差异,得到相邻两个数据区间的合并程度;根据相邻两个数据区间的合并程度,得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度;
根据优选数据区间中温度数据的数量之间的差异、每个优选数据区间的合并程度以及每个优选数据区间中相邻温度数据之间的差异,得到每个优选数据区间的异常程度评价值;根据每个优选数据区间的异常程度评价值,从所有优选数据区间中筛选出若干个异常数据区间;
根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比;根据温度时序数据序列对应的异常持续占比,对温度时序数据序列对应的反应进行状态判断。
进一步地,所述将温度时序数据序列划分为若干个数据区间,包括的具体步骤如下:
使用一阶导数法对温度时序数据序列进行计算,得到温度时序数据序列中的局部极值点;
在温度时序数据序列中,将相邻两个局部极值点之间所有温度数据的中位数,记为种子点;
根据温度时序数据序列中的所有种子点,使用区域生长算法,将温度时序数据序列划分为若干个数据区间。
进一步地,所述在温度时序数据序列中,根据相邻两个数据区间内温度数据之间的差异,得到相邻两个数据区间的合并程度,包括的具体步骤如下:
以温度数据为纵轴,以时刻为横轴,构建温度时序数据序列对应的散点图;其中,温度时序数据序列中的每个温度数据对应散点图中的一个数据点;
在温度时序数据序列中,将任意一个数据区间,记为第个数据区间;
将第个数据区间内第一个和最后一个温度数据对应在散点图中的数据点,分别记为起始点和终止点;
在散点图中,以起始点到终止点的距离为向量的模,以起始点到终止点的方向为向量的方向,构建第个数据区间对应的向量;
根据相邻两个数据区间对应的向量以及温度数据,得到相邻两个数据区间的合并程度。
进一步地,所述根据相邻两个数据区间对应的向量以及温度数据,得到相邻两个数据区间的合并程度对应的具体计算公式为:
其中为第/>个和第/>个数据区间的合并程度,/>为第/>个数据区间对应的向量,/>为第/>个数据区间对应的向量,/>为/>和/>的点积,/>为/>的模,为/>的模,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,为绝对值函数,/>为以自然常数为底的指数函数,/>为预设的指数函数调整值,为线性归一化函数。
进一步地,所述根据相邻两个数据区间的合并程度,得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度,包括的具体步骤如下:
使用最小最大规范法对相邻两个数据区间的合并程度进行归一化处理,得到相邻两个数据区间的合并程度的归一化值;
在温度时序数据序列中,从第1个数据区间开始,当第1个和第2个数据区间的合并程度的归一化值大于预设的合并阈值时,将第1个和第2个数据区间合并后的区间,记为第1个优选数据区间,将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度;
当第1个和第2个数据区间的合并程度的归一化值不大于预设的合并阈值时,将第1个数据区间,记为第1个优选数据区间,将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度;
在去除第1个优选数据区间之后的所有剩余的数据区间中,根据第1个优选数据区间以及第1个优选数据区间的合并程度的获取方式,得到第2个优选数据区间以及第2个优选数据区间的合并程度;
以此类推,将温度时序数据序列划分为若干个优选数据区间,并得到每个优选数据区间的合并程度。
进一步地,所述根据优选数据区间中温度数据的数量之间的差异、每个优选数据区间的合并程度以及每个优选数据区间中相邻温度数据之间的差异,得到每个优选数据区间的异常程度评价值对应的具体计算公式为:
其中为第/>个优选数据区间的异常程度评价值,/>为第/>个优选数据区间的合并程度,/>为第/>个优选数据区间中温度数据的数量,/>为所有的优选数据区间中温度数据的数量中的最大值,/>为所有的优选数据区间中温度数据的数量中的最小值,/>和分别表示第/>个优选数据区间中第/>个和第/>个温度数据,/>为绝对值函数,为线性归一化函数。
进一步地,所述根据每个优选数据区间的异常程度评价值,从所有优选数据区间中筛选出若干个异常数据区间,包括的具体步骤如下:
在所有优选数据区间中,将异常程度评价值大于预设的评价阈值的优选数据区间,记为异常数据区域。
进一步地,所述根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比对应的具体计算公式为:
其中为温度时序数据序列对应的异常持续占比,/>为温度时序数据序列中温度数据的数量,/>为第/>个异常数据区域中温度数据的数量,/>为异常数据区域的数量。
进一步地,所述根据温度时序数据序列对应的异常持续占比,对温度时序数据序列对应的反应进行状态判断,包括的具体步骤如下:
当温度时序数据序列对应的异常持续占比大于等于预设的异常阈值时,判定温度时序数据序列对应的反应处于异常状态;
当温度时序数据序列对应的异常持续占比小于预设的异常阈值时,判定温度时序数据序列对应的反应处于正常状态。
本发明还提出了一种高通量自动材料快筛反应器的实时监测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的一种高通量自动材料快筛反应器的实时监测方法的步骤。
本发明的技术方案的有益效果是:
本发明实施例中,采集一个温度时序数据序列,将其划分为若干个数据区间,获取相邻两个数据区间的合并程度,从而得到温度时序数据序列划分的若干个优选数据区间,由此通过优选数据区间的自适应划分,保障临近的异常数据被划分到一个区间中,从而提高后续异常数据区域检测的准确性。再获取每个优选数据区间的异常程度评价值,由此从所有优选数据区间中筛选出若干个异常数据区间,其在优选数据区间的基础上检测异常数据区间,使用异常数据区间的获取准确可信,从而保障反应的状态判断的准确性。根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比,用以对温度时序数据序列对应的反应进行状态判断。至此本发明通过自适应划分数据区域以及数据区间的异常程度评价值的准确计算,准确的检测出异常数据区间,从而得到可信的异常持续占比,用以进行反应的状态判断,提高了高通量自动材料快筛反应器的实时监测效率。
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,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地介绍,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他的附图。
图1为本发明一种高通量自动材料快筛反应器的实时监测方法的步骤流程图;
图2为本实施例所提供的一张多个温度时序数据曲线图像示意图。
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一种高通量自动材料快筛反应器的实时监测方法及系统,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一种高通量自动材料快筛反应器的实时监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种高通量自动材料快筛反应器的实时监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:在一段时间内,采集一个高通量自动材料快筛反应器中的一个反应过程中每一时刻上的温度数据,得到一个温度时序数据序列;将温度时序数据序列划分为若干个数据区间。
本实施例的主要目的是,通过初步划分区间的数据相似性进行区间的自适应合并,并通过合并后的结果进行异常温度数据区间筛选,提升了异常温度数据区间筛选的准确性,从而提高了高通量自动材料快筛反应器的实时监测效率。
已知高通量自动材料快筛反应器通常用于高效地进行材料合成和筛选,并且高通量自动材料快筛反应器能够同时进行多个反应。在一段时间内,可以使用多个温度传感器,采集每一时刻上一个高通量自动材料快筛反应器中的多个反应过程中温度数据,得到多个温度时序数据序列。图2为本实施例所提供的一张多个温度时序数据曲线图像示意图。
所需说明的是:本实施例中的高通量自动材料快筛反应器用于乙醇合成反应过程中,以此为例进行叙述,图2中横轴为每个反应过程中的反应时间,纵轴为每个反应过程中的反应温度。图2中反应温度随时间呈上升趋势,代表反应已经开始,此时反应速率和温度的变化相对较小,随着反应温度逐渐升高,表示反应进行更剧烈,反应物逐渐被转化为产物,然后反应温度到达峰值后开始下降表示反应物耗尽或其他因素而终止,最终反应结束不再放热,热量快速消散。本实施例设定的采样频率为1秒一次,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
本实施例以任意一个反应过程中的温度时序数据序列为例进行分析,判断该反应过程中是否存在异常,故后续分析都使用的是一个温度时序数据序列。
得到温度时序数据序列后,本实施例使用区域生长算法将温度时序数据序列中相似的数据划分为一个数据区间。在得到数据区间后,为了尽可能保持异常数据区间趋势完整性,需要对相邻的数据区间根据其趋势相似性进行合并,得到优选数据区间。然后基于优选数据区间进行分析温度的实时波动情况,进而确定异常的温度数据区间。
对于实时数据,使用区域生长算法处理数据,相对于逐个遍历数据,提高了数据处理的速度以及异常分析的及时性。因此首先使用区域生长算法对实时温度数据进行处理,得到多个相似的数据区间,从而方便后续异常检测。
使用一阶导数法对温度时序数据序列进行计算,得到温度时序数据序列中的局部极值点。
在温度时序数据序列中,将相邻两个局部极值点之间所有温度数据的中位数,记为种子点。
所需说明的是:相邻两个局部极值点之间所有温度数据处于同一数据变化趋势,即递增或者递减趋势,因此使用相邻两个局部极值点之间所有温度数据的中位数为种子点,尽可能的将同趋势的数据划分到一个区间内。若中位数存在两个,则任取一个为例。
根据温度时序数据序列中的所有种子点,使用区域生长算法,将温度时序数据序列划分为若干个数据区间。
所需说明的是:区域生长算法为公知技术,具体方法在此不做介绍。种子点为区域生长算法的主要参数,区域生长算法的停止准则为,当温度数据之间的差值绝对值大于5时,停止生长,以此为例进行叙述,其它实施方式中可设置为其它停止准则,本实施例不进行限定。其中每个数据区间为温度时序数据序列中的一个数据序列段。
步骤S002:在温度时序数据序列中,根据相邻两个数据区间内温度数据之间的差异,得到相邻两个数据区间的合并程度;根据相邻两个数据区间的合并程度,得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度。
在得到多个数据区间后,由于本实施例的目的是要对异常温度区间进行检测,但是异常的温度区间可能会被上述数据区间分割开来,因此为使得异常的温度区间尽可能的处于一个数据区间内,保持其趋势完整性以提高后续异常分析的准确性,需要对相邻的数据区间根据其趋势相似性进行合并,得到优选数据区间。
对于两相邻数据区间来说,若它们的趋向走势向较为相似,那么可以将其合二为一,作为一个优选数据区间。为了衡量数据区间的走势,本实施例引入向量的余弦相似度,将每个数据区间作为一个方向向量,然后计算两向量的方向相似性,得到数据区间的走势差异,从而判断是否进行合并。但余弦相似度只关注方向上的相似性,而没有考虑曲线的振幅,因此再结合每个曲线的上下数据跨度以及相对平均值的差异来定义指标,综合判断两数据区间的合并程度。
以温度数据为纵轴,以时刻为横轴,构建温度时序数据序列对应的散点图。其中,温度时序数据序列中的每个数据对应散点图中的一个数据点。
在温度时序数据序列中,以第个数据区间为例,将第/>个数据区间内第一个和最后一个温度数据对应在散点图中的数据点,分别记为起始点和终止点。
在散点图中,以起始点到终止点的距离为向量的模,以起始点到终止点的方向为向量的方向,构建第个数据区间对应的向量。
按照上述方式,得到温度时序数据序列中每个数据区间对应的向量。
由此计算温度时序数据序列中相邻两个数据区间的合并程度,则第个和第/>个数据区间的合并程度的计算公式为:
其中为第/>个和第/>个数据区间的合并程度,/>为第/>个数据区间对应的向量,/>为第/>个数据区间对应的向量,/>为/>和/>的点积,/>为/>的模,为/>的模,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,为绝对值函数,/>为以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数,/>为预设的指数函数调整值,避免指数函数过早趋于0。/>为线性归一化函数,将数据值归一化至区间内。本实施例中/>为0.1,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
所需说明的是:表示第/>个和第/>个数据区间对应的向量的余弦相似度,余弦相似度的取值范围为-1到1之间,当余弦相似度接近于1时,表示两个向量的方向非常相似,当余弦相似度接近于-1时,表示两个向量的方向相反,因此/>越大,说明第/>个和第/>个数据区间内的数据变化趋势方向越相似,越需要合并。/>和/>分别表示第/>个和第/>个数据区间的相对平均值差异,用来衡量两数据区间的整体分布特征,相对平均值差异越小,说明两数据区间的整体分布特征越相似,越需要合并,而/>越小,说明两数据区间内数据变化的最大振幅越接近,则越需要合并,因此用/>和/>的乘积,表示第/>个和第/>个数据区间的合并程度。
按照上述方式,得到温度时序数据序列中所有的相邻数据区间的合并程度。
使用最小最大规范法对所有的相邻数据区间的合并程度进行归一化处理至0到1之间,得到相邻两个数据区间的合并程度的归一化值。其中最小最大规范法为公知技术,具体方法在此不做介绍。
本实施例预设的合并阈值为0.75,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在温度时序数据序列中,从第1个数据区间开始,当第1个和第2个数据区间的合并程度的归一化值大于预设的合并阈值时,将第1个和第2个数据区间合并后的区间,记为第1个优选数据区间。并将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度。当第1个和第2个数据区间的合并程度的归一化值不大于预设的合并阈值时,将第1个数据区间,记为第1个优选数据区间,并将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度。
当第1个优选数据区间为第1个和第2个数据区间合并后的区间时,由此继续判断,当第3个和第4个数据区间的合并程度的归一化值大于预设的合并阈值时,将第3个和第4个数据区间合并后的区间,记为第2个优选数据区间。并将第3个和第4个数据区间的合并程度,记为第2个优选数据区间的合并程度。当第3个和第4个数据区间的合并程度的归一化值不大于预设的合并阈值时,将第3个数据区间,记为第2个优选数据区间,并将第3个和第4个数据区间的合并程度,记为第2个优选数据区间的合并程度。
当第1个优选数据区间为第1个数据区间时,由此继续判断,当第2个和第3个数据区间的合并程度的归一化值大于预设的合并阈值时,将第2个和第3个数据区间合并后的区间,记为第2个优选数据区间。并将第2个和第3个数据区间的合并程度,记为第2个优选数据区间的合并程度。当第2个和第3个数据区间的合并程度的归一化值不大于预设的合并阈值时,将第2个数据区间,记为第2个优选数据区间,并将第2个和第3个数据区间的合并程度,记为第2个优选数据区间的合并程度。
以此类推,将温度时序数据序列划分为若干个优选数据区间,并得到每个优选数据区间的合并程度。
所需说明的是:若温度时序数据序列中的倒数第二个和最后一个数据区间并未合并时,则直接将最后一个数据区域记为一个优选数据区间。
步骤S003:根据优选数据区间中温度数据的数量之间的差异、每个优选数据区间的合并程度以及每个优选数据区间中相邻温度数据之间的差异,得到每个优选数据区间的异常程度评价值;根据每个优选数据区间的异常程度评价值,从所有优选数据区间中筛选出若干个异常数据区间。
在合并得到优选数据区间后,此时优选数据区间对应的数据趋势相对更加完整,由此需要针对每个优选数据区间进行分析,定义评价异常指标,从中筛选出可能的异常优选数据区间,它们则代表了反应过程中可能出现的异常温度区间,最后基于异常的温度区间对反应器进行异常处置。
先分析每个优选数据区间的数据波动情况,在此得到的每个优选数据区间可能代表的正常或者异常的数据区间,因此需要从中筛选出可能的异常优选数据区间。已知在正常的化学反应过程中,整体温度曲线呈现先增后降的趋势,且实时的温度数据在一定范围内波动,若产生异常情况,如产生副反应或生成物阻碍反应进行,异常时间段内温度会有相对较大的上升或下降波动,并持续一小段时间后归于正常波动趋势。故基于以上特征对每个优选数据区间定义异常评价指标进行筛选。
由于较大的数值波动可能代表了异常反应状态,因此本实施例从优选数据区间的数据波动入手,依次计算区间内所有温度数据的差值并求和,那么越异常则此和值就越大。同时异常温度波动一般持续时间相对较短,因此可以将优选数据区间的持续时间作为特征之一。最后可以结合优选数据区间的合并程度,因为合并程度中包含了区间的趋势特征。
在温度时序数据序列中,以第个优选数据区间为例,则第/>个优选数据区间的异常程度评价值/>的计算公式为:
其中为第/>个优选数据区间的异常程度评价值,/>为第/>个优选数据区间的合并程度,/>为第/>个优选数据区间中温度数据的数量,/>为所有的优选数据区间中温度数据的数量中的最大值,/>为所有的优选数据区间中温度数据的数量中的最小值,/>和分别表示第/>个优选数据区间中第/>个和第/>个温度数据,/>为绝对值函数,为线性归一化函数,将数据值归一化至/>区间内。
所需说明的是:越大,说明第/>个优选数据区间中数据的波动程度大小,即代表此区间越有可能是产生异常温度的区间,因此异常程度越大。越小,说明第/>个优选数据区间相对于其它优选数据区间的持续时长越短,即越有可能属于异常的数据区间,而/>越小,说明对应的相邻数据区间之间的数据趋势走向差异越大,越可能为异常区间。因此用/>、/>以及/>的累乘结果的归一化值,表示第/>个优选数据区间的异常程度评价值,即/>越大,越可能为异常,公式中的分母中加1是为了防止分母为0,本实施例以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
按照上述方式,得到每个优选数据区间的异常程度评价值。
本实施例预设的评价阈值为0.8,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
在所有优选数据区间中,将异常程度评价值大于预设的评价阈值的优选数据区间,记为异常数据区域。
步骤S004:根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比;根据温度时序数据序列对应的异常持续占比,对温度时序数据序列对应的反应进行状态判断。
由此在实时的反应温度数据中,筛选出了可能的异常温度数据,那么可以统计异常温度出现时间占反应总时间的比例,据此判断本反应是否处于异常状态。
故温度时序数据序列对应的异常持续占比的计算公式为:
其中为温度时序数据序列对应的异常持续占比,/>为温度时序数据序列中温度数据的数量,/>为第/>个异常数据区域中温度数据的数量,/>为异常数据区域的数量。
所需说明的是:越大,说明温度时序数据序列对应的反应越异常。
本实施例预设的异常阈值为0.3,以此为例进行叙述,其它实施方式中可设置为其它值,本实施例不进行限定。
当温度时序数据序列对应的异常持续占比大于等于预设的异常阈值时,判定温度时序数据序列对应的反应处于异常状态。
当温度时序数据序列对应的异常持续占比小于预设的异常阈值时,判定温度时序数据序列对应的反应处于正常状态。
由此按照上述方式,可以对高通量自动材料快筛反应器中的多个其它的反应进行状态判断。
所需说明的是:本实施例中的高通量自动材料快筛反应器采用内衬石英管结构,外层为310S耐高温不锈钢管,内层为石英管。其中,独立石英反应管,用以满足不同反应样品的快速装样和避免交叉污染,并且反应加热过程中采用的加热炉为可插入多个通道反应器的筒式加热炉。在进行反应前,装填在石英管反应器中催化材料样品通过机械臂来装配到固定在加热炉中的多通道不锈钢反应器,并进行密封。在反应过程中,采用质量流量计和多组开关阀来控制进料,再通过多位阀来控制反应过程中的气相进出反应器,反应后的气相直接进入色谱或质谱进行快速分析,得出数据,从而判断催化剂样品的优劣,当反应处于异常状态时,需要进行紧急停机,迅速切断反应过程,避免潜在的危险。同时也可以实施反馈控制机制,及时纠正加热炉的温度偏离,以确保反应过程的安全性和有效性,保持系统稳定。
至此,本发明完成。
综上所述,在本发明实施例中,采集一个温度时序数据序列,将其划分为若干个数据区间,获取相邻两个数据区间的合并程度,从而得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度,再获取每个优选数据区间的异常程度评价值,由此从所有优选数据区间中筛选出若干个异常数据区间,根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比,用以对温度时序数据序列对应的反应进行状态判断。本发明通过自适应划分数据区域以及数据区间的异常程度评价值的准确计算,准确的检测出异常数据区间,从而得到可信的异常持续占比,用以进行反应的状态判断,提高了高通量自动材料快筛反应器的实时监测效率。
本发明还提供了一种高通量自动材料快筛反应器的实时监测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述存储器存储的计算机程序,以实现前述所述的一种高通量自动材料快筛反应器的实时监测方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种高通量自动材料快筛反应器的实时监测方法,其特征在于,该方法包括以下步骤:
在一段时间内,采集一个高通量自动材料快筛反应器中的一个反应过程中每一时刻上的温度数据,得到一个温度时序数据序列;将温度时序数据序列划分为若干个数据区间;
在温度时序数据序列中,根据相邻两个数据区间内温度数据之间的差异,得到相邻两个数据区间的合并程度;根据相邻两个数据区间的合并程度,得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度;
根据优选数据区间中温度数据的数量之间的差异、每个优选数据区间的合并程度以及每个优选数据区间中相邻温度数据之间的差异,得到每个优选数据区间的异常程度评价值;根据每个优选数据区间的异常程度评价值,从所有优选数据区间中筛选出若干个异常数据区间;
根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比;根据温度时序数据序列对应的异常持续占比,对温度时序数据序列对应的反应进行状态判断;
所述将温度时序数据序列划分为若干个数据区间,包括的具体步骤如下:
使用一阶导数法对温度时序数据序列进行计算,得到温度时序数据序列中的局部极值点;
在温度时序数据序列中,将相邻两个局部极值点之间所有温度数据的中位数,记为种子点;
根据温度时序数据序列中的所有种子点,使用区域生长算法,将温度时序数据序列划分为若干个数据区间;
所述在温度时序数据序列中,根据相邻两个数据区间内温度数据之间的差异,得到相邻两个数据区间的合并程度,包括的具体步骤如下:
以温度数据为纵轴,以时刻为横轴,构建温度时序数据序列对应的散点图;其中,温度时序数据序列中的每个温度数据对应散点图中的一个数据点;
在温度时序数据序列中,将任意一个数据区间,记为第个数据区间;
将第个数据区间内第一个和最后一个温度数据对应在散点图中的数据点,分别记为起始点和终止点;
在散点图中,以起始点到终止点的距离为向量的模,以起始点到终止点的方向为向量的方向,构建第个数据区间对应的向量;
根据相邻两个数据区间对应的向量以及温度数据,得到相邻两个数据区间的合并程度对应的具体计算公式为:
其中为第/>个和第/>个数据区间的合并程度,/>为第/>个数据区间对应的向量,为第/>个数据区间对应的向量,/>为/>和/>的点积,/>为/>的模,/>为/>的模,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据的均值,/>为第/>个数据区间内所有温度数据中的最小值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,/>为第/>个数据区间内所有温度数据中最大值减去最小值的差值,/>为绝对值函数,/>为以自然常数为底的指数函数,/>为预设的指数函数调整值,为线性归一化函数;
所述根据相邻两个数据区间的合并程度,得到温度时序数据序列划分的若干个优选数据区间以及每个优选数据区间的合并程度,包括的具体步骤如下:
使用最小最大规范法对相邻两个数据区间的合并程度进行归一化处理,得到相邻两个数据区间的合并程度的归一化值;
在温度时序数据序列中,从第1个数据区间开始,当第1个和第2个数据区间的合并程度的归一化值大于预设的合并阈值时,将第1个和第2个数据区间合并后的区间,记为第1个优选数据区间,将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度;
当第1个和第2个数据区间的合并程度的归一化值不大于预设的合并阈值时,将第1个数据区间,记为第1个优选数据区间,将第1个和第2个数据区间的合并程度,记为第1个优选数据区间的合并程度;
在去除第1个优选数据区间之后的所有剩余的数据区间中,根据第1个优选数据区间以及第1个优选数据区间的合并程度的获取方式,得到第2个优选数据区间以及第2个优选数据区间的合并程度;
以此类推,将温度时序数据序列划分为若干个优选数据区间,并得到每个优选数据区间的合并程度;
所述根据优选数据区间中温度数据的数量之间的差异、每个优选数据区间的合并程度以及每个优选数据区间中相邻温度数据之间的差异,得到每个优选数据区间的异常程度评价值对应的具体计算公式为:
其中为第/>个优选数据区间的异常程度评价值,/>为第/>个优选数据区间的合并程度,/>为第/>个优选数据区间中温度数据的数量,/>为所有的优选数据区间中温度数据的数量中的最大值,/>为所有的优选数据区间中温度数据的数量中的最小值,/>和分别表示第/>个优选数据区间中第/>个和第/>个温度数据,/>为绝对值函数,为线性归一化函数。
2.根据权利要求1所述一种高通量自动材料快筛反应器的实时监测方法,其特征在于,所述根据每个优选数据区间的异常程度评价值,从所有优选数据区间中筛选出若干个异常数据区间,包括的具体步骤如下:
在所有优选数据区间中,将异常程度评价值大于预设的评价阈值的优选数据区间,记为异常数据区域。
3.根据权利要求1所述一种高通量自动材料快筛反应器的实时监测方法,其特征在于,所述根据温度时序数据序列中所有异常数据区间中的温度数据的数量,得到温度时序数据序列对应的异常持续占比对应的具体计算公式为:
其中为温度时序数据序列对应的异常持续占比,/>为温度时序数据序列中温度数据的数量,/>为第/>个异常数据区域中温度数据的数量,/>为异常数据区域的数量。
4.根据权利要求1所述一种高通量自动材料快筛反应器的实时监测方法,其特征在于,所述根据温度时序数据序列对应的异常持续占比,对温度时序数据序列对应的反应进行状态判断,包括的具体步骤如下:
当温度时序数据序列对应的异常持续占比大于等于预设的异常阈值时,判定温度时序数据序列对应的反应处于异常状态;
当温度时序数据序列对应的异常持续占比小于预设的异常阈值时,判定温度时序数据序列对应的反应处于正常状态。
5.一种高通量自动材料快筛反应器的实时监测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的一种高通量自动材料快筛反应器的实时监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218282.6A CN117782364B (zh) | 2024-02-28 | 2024-02-28 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410218282.6A CN117782364B (zh) | 2024-02-28 | 2024-02-28 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117782364A CN117782364A (zh) | 2024-03-29 |
CN117782364B true CN117782364B (zh) | 2024-05-03 |
Family
ID=90383862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410218282.6A Active CN117782364B (zh) | 2024-02-28 | 2024-02-28 | 一种高通量自动材料快筛反应器的实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117782364B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101548876B1 (ko) * | 2014-08-29 | 2015-09-01 | 이화여자대학교 산학협력단 | 동형 암호기법을 사용하는 스마트 그리드 시스템에서 공격 노드를 식별하는 방법 및 공격 노드를 식별하는 스마트 그리드 시스템 |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN115200911A (zh) * | 2022-07-01 | 2022-10-18 | 山东术木医疗科技有限公司 | 一种机械通气分析预警方法及系统 |
CN115658664A (zh) * | 2022-09-29 | 2023-01-31 | 中国电力科学研究院有限公司 | 基于任意分割异常线损数据修复方法、系统、设备及介质 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116193425A (zh) * | 2023-02-10 | 2023-05-30 | 西安邮电大学 | 一种基于感知分组的时间序列异常数据在线检测方法 |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
CN117235557A (zh) * | 2023-11-14 | 2023-12-15 | 山东贺铭电气有限公司 | 基于大数据分析的电气设备故障快速诊断方法 |
CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及系统 |
CN117407661A (zh) * | 2023-12-14 | 2024-01-16 | 深圳前海慧联科技发展有限公司 | 一种用于设备状态检测的数据增强方法 |
CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
CN117436006A (zh) * | 2023-12-22 | 2024-01-23 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及系统 |
CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
CN117520987A (zh) * | 2023-11-09 | 2024-02-06 | 上海金融期货信息技术有限公司 | 基于矩阵画像和自编码器的混合时序异常检测方法和系统 |
-
2024
- 2024-02-28 CN CN202410218282.6A patent/CN117782364B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101548876B1 (ko) * | 2014-08-29 | 2015-09-01 | 이화여자대학교 산학협력단 | 동형 암호기법을 사용하는 스마트 그리드 시스템에서 공격 노드를 식별하는 방법 및 공격 노드를 식별하는 스마트 그리드 시스템 |
WO2021179572A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
CN115200911A (zh) * | 2022-07-01 | 2022-10-18 | 山东术木医疗科技有限公司 | 一种机械通气分析预警方法及系统 |
CN115658664A (zh) * | 2022-09-29 | 2023-01-31 | 中国电力科学研究院有限公司 | 基于任意分割异常线损数据修复方法、系统、设备及介质 |
CN116193425A (zh) * | 2023-02-10 | 2023-05-30 | 西安邮电大学 | 一种基于感知分组的时间序列异常数据在线检测方法 |
CN116089846A (zh) * | 2023-04-03 | 2023-05-09 | 北京智蚁杨帆科技有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116400126A (zh) * | 2023-06-08 | 2023-07-07 | 广东佰林电气设备厂有限公司 | 一种具有数据处理系统的低压电力箱 |
CN116608904A (zh) * | 2023-07-19 | 2023-08-18 | 尚宁智感(北京)科技有限公司 | 一种储氢罐安全状态实时监控方法及系统 |
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
CN117520987A (zh) * | 2023-11-09 | 2024-02-06 | 上海金融期货信息技术有限公司 | 基于矩阵画像和自编码器的混合时序异常检测方法和系统 |
CN117235557A (zh) * | 2023-11-14 | 2023-12-15 | 山东贺铭电气有限公司 | 基于大数据分析的电气设备故障快速诊断方法 |
CN117349220A (zh) * | 2023-12-04 | 2024-01-05 | 大连致胜科技有限公司 | 一种基于pci总线的数据处理方法及系统 |
CN117407661A (zh) * | 2023-12-14 | 2024-01-16 | 深圳前海慧联科技发展有限公司 | 一种用于设备状态检测的数据增强方法 |
CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
CN117436006A (zh) * | 2023-12-22 | 2024-01-23 | 圣道天德电气(山东)有限公司 | 一种智慧环网柜故障实时监测方法及系统 |
CN117498735A (zh) * | 2024-01-02 | 2024-02-02 | 深圳市爱宝科技有限公司 | 一种步进电机动态平稳驱动方法及系统 |
Non-Patent Citations (7)
Title |
---|
基于T-prim模型的肺气管分割算法;石跃祥等;计算机应用与软件;20200412(第04期);全文 * |
基于云分段最优熵算法的风电机组异常数据识别研究;杨茂;杨琼琼;;中国电机工程学报;20170717(第08期);全文 * |
基于交通拥堵指数的交通拥堵模式聚类分析;刘思宁;中国优秀硕士论文全文数据库 工程科技II辑;20170115(第1期);C034-389 * |
基于图像特征分析的镍电解过程故障识别方法研究;秦港;中国优秀硕士学位论文全文数据库 工程科技I辑;20220115(第1期);B023-185 * |
基于无人机视觉监测的基建现场管控技术;黄志清;付成鹏;王琳;商重远;杨斌;;自动化与仪器仪表;20180425(第04期);全文 * |
基于通行大数据的高速公路车辆异常行为挖掘的研究与应用;康晨傲;中国优秀硕士论文全文数据库 工程科技II辑;20210115(第1期);C034-850 * |
无偏KL散度算法对时空异常区间检测的优化研究;刘云;王梓宇;;计算机工程与科学;20200715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117782364A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11264121B2 (en) | Real-time industrial plant production prediction and operation optimization | |
US20070248982A1 (en) | Automatic threshold setting and baseline determination for real-time PCR | |
US20150276557A1 (en) | State monitoring system, state monitoring method and medium | |
CN115496424B (zh) | 一种甲醇制氢工艺安全管理方法及系统 | |
JP2022500778A (ja) | 製造工程の生成物である化合物および/または化合物製剤の品質を予測するシステムおよび方法 | |
Wang et al. | Hidden Markov model-based approach for multimode process monitoring | |
US6479597B1 (en) | Raman analysis system for olefin polymerization control | |
CN116757553B (zh) | 一种农业有机废弃物资源利用数字化信息管理系统 | |
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 | |
US20080154512A1 (en) | Systems and methods for baselining and real-time pcr data analysis | |
CN117782364B (zh) | 一种高通量自动材料快筛反应器的实时监测方法及系统 | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN115268988A (zh) | 一种凝血项目检测方法及装置 | |
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 | |
EP1214363A1 (en) | Raman analysis system for olefin polymerization control | |
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 | |
CN111915858B (zh) | 一种融合模拟量与数字量相关信息的报警方法及系统 | |
CN110634535A (zh) | 一种基于蒙特卡洛法的化工过程参数敏感性确定方法 | |
CN110634536A (zh) | 一种基于傅里叶振幅分析的化工过程参数灵敏度计算方法 | |
Ma et al. | CNN based process monitoring of spatially distributed system | |
Wang et al. | On-line crack propagation prognostics using a resample-move particle filter | |
CN115877890B (zh) | 一种cvd设备的温度控制方法及系统 | |
TWI794077B (zh) | 觸媒活性的監測方法與硫磺工場 | |
CN113528631B (zh) | 一种ngs测序中样本质量预测方法及系统 | |
CN113593629B (zh) | 基于半导体测序的降低无创产前检测假阳性假阴性的方法 |
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 |