CN117848713A - 布袋除尘器脉冲阀运行状态监测系统及方法 - Google Patents

布袋除尘器脉冲阀运行状态监测系统及方法 Download PDF

Info

Publication number
CN117848713A
CN117848713A CN202410014828.6A CN202410014828A CN117848713A CN 117848713 A CN117848713 A CN 117848713A CN 202410014828 A CN202410014828 A CN 202410014828A CN 117848713 A CN117848713 A CN 117848713A
Authority
CN
China
Prior art keywords
time sequence
temperature
power
posterior
feature
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.)
Granted
Application number
CN202410014828.6A
Other languages
English (en)
Other versions
CN117848713B (zh
Inventor
王仲康
章杰
何龙
赵南京
白勇
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.)
Huzhou Huaikan South Cement Co ltd
Shanghai Bochuang Environmental Protection Technology Co ltd
Original Assignee
Huzhou Huaikan South Cement 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 Huzhou Huaikan South Cement Co ltd filed Critical Huzhou Huaikan South Cement Co ltd
Priority to CN202410014828.6A priority Critical patent/CN117848713B/zh
Publication of CN117848713A publication Critical patent/CN117848713A/zh
Application granted granted Critical
Publication of CN117848713B publication Critical patent/CN117848713B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/02—Particle separators, e.g. dust precipitators, having hollow filters made of flexible material
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/02—Particle separators, e.g. dust precipitators, having hollow filters made of flexible material
    • B01D46/04—Cleaning filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D46/00—Filters or filtering processes specially modified for separating dispersed particles from gases or vapours
    • B01D46/42—Auxiliary equipment or operation thereof
    • B01D46/44—Auxiliary equipment or operation thereof controlling filtration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/003—Machine valves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

公开了一种布袋除尘器脉冲阀运行状态监测系统及方法。其首先将多个预定时间点的温度值按照时间维度排列后进行局部时序特征分析以得到温度局部时序特征向量的序列，接着，将多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量，然后，对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征，最后，基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。这样，可以提高布袋除尘器的运行效率和安全性。

Description

布袋除尘器脉冲阀运行状态监测系统及方法
技术领域
本申请涉及智能化监测领域，且更为具体地，涉及一种布袋除尘器脉冲阀运行状态监测系统及方法。
背景技术
颗粒物是国内环保部门关注的主要污染物之一。为了控制工业大气污染，各地相继制定了工业颗粒物排放标准，将颗粒物排放限值定为10mg/m3。在电力、工业锅炉、水泥、垃圾焚烧、陶瓷、化工、钢铁、炭黑、涂料、轮胎制造企业、食品、医药等行业的工艺过程中，通常需要使用多个除尘器。目前，大多数除尘器都已经改为布袋除尘器，因为这种除尘器能够有效清除颗粒物，降低机组阻力并减少糊袋现象。
大型的布袋除尘器通常配备有数百个脉冲阀，这些脉冲阀能够对布袋进行有效清灰，以保持除尘器的正常运行。然而，目前对脉冲阀的状态检测和判别完全依赖于人工到现场用听觉进行逐个鉴别，这不仅工作量大，而且误差也较大。同时，脉冲阀产生的噪声可能超过100分贝，长期处于这种环境可能会导致永久性听力损失，对职工的职业健康造成重大挑战。
特别地，当脉冲阀的磨片破裂或密封出现问题时，将导致高压气源不断泄漏。高压气源泄漏会导致高压气源支路压力下降，影响其他脉冲阀的喷吹质量，甚至可能影响整个机组的安全运行。
目前已有一些技术采用麦克风采集脉冲阀喷吹时的声音信号进行判别。然而，在实际使用中，可能会出现多个脉冲阀同时开启的情况，这种方法无法准确辨别出哪些脉冲阀出现故障。此外，声音测点和距离也会对判别结果产生很大影响，同时还受到背景噪声的干扰，准确性并不高。
因此，期望一种优化的布袋除尘器脉冲阀运行状态监测系统。
发明内容
有鉴于此，本申请提出了一种布袋除尘器脉冲阀运行状态监测系统及方法，其可以实现对脉冲阀是否出现气包或者高压气源支路泄露的智能识别和预警，以通过对于脉冲阀的工作状态的实时监测来及时发现故障并采取相应的修复措施，从而确保布袋除尘器的正常运行，通过这样的方式，提高了布袋除尘器的运行效率和安全性。
根据本申请的一方面，提供了一种布袋除尘器脉冲阀运行状态监测方法，其包括：
获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；
将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；
对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及
基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
根据本申请的另一方面，提供了一种布袋除尘器脉冲阀运行状态监测系统，其包括：
数据获取模块，用于获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；
局部时序特征分析模块，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；
功率时序特征提取模块，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；
融合更新模块，用于对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及
泄漏预警分析模块，用于基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
根据本申请的实施例，其首先将多个预定时间点的温度值按照时间维度排列后进行局部时序特征分析以得到温度局部时序特征向量的序列，接着，将多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量，然后，对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征，最后，基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。这样，可以提高布袋除尘器的运行效率和安全性。
根据下面参考附图对示例性实施例的详细说明，本申请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申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的流程图。
图2示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的架构示意图。
图3示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的子步骤S120的流程图。
图4示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的子步骤S150的流程图。
图5示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测系统的框图。
图6示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的应用场景图。
图7示出了设备原理图。
具体实施方式
下面将结合附图对本申请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申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请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申请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，为了更好的说明本申请，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，本申请同样可以实施。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，以便于凸显本申请的主旨。
针对上述技术问题，在本申请的技术方案中，提出了一种布袋除尘器脉冲阀运行状态监测系统，其采用能量学的思想，将高压管路视为一个封闭的能量系统，当气包上的脉冲阀喷吹时，气包内高压气源大量丧失，高压气源支路开始对气包补气，补气将产生气流流动，流动的气流将会带走位于气包入口或者高压气源支路上能量检测仪的能量，能量检测仪损失的能量和脉冲阀单次喷吹消耗的高压气源气量成正相关关系。如果当前气包或者高压气源支路出现泄露，将导致能量检测仪的功耗和相同温度背景下的理论值出现差异，此时可以判定气包或者高压气源支路出现泄露。
基于此，本申请的技术构思为通过能量检测仪实时监测采集功率值和温度值，并在后端引入数据处理和分析算法来进行功率和温度的时序协同分析，以此来判断气包或者高压气源支路是否出现泄露，并响应于检测到泄露时，发出脉冲阀运行状态异常的预警提示。这样，能够实现对脉冲阀是否出现气包或者高压气源支路泄露的智能识别和预警，以通过对于脉冲阀的工作状态的实时监测来及时发现故障并采取相应的修复措施，从而确保布袋除尘器的正常运行，通过这样的方式，提高了布袋除尘器的运行效率和安全性。
图1示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的流程图。图2示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的架构示意图。如图1和图2所示，根据本申请实施例的布袋除尘器脉冲阀运行状态监测方法，包括步骤：S110，获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；S120，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；S130，将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；S140，对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及，S150，基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
具体地，在本申请的技术方案中，首先，获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值。应可以理解，由于如果当前气包或者高压气源支路出现泄露，将导致能量检测仪的功耗和相同温度背景下的理论值出现差异，此时可以判定气包或者高压气源支路出现泄露。因此，需要对于温度和能量检测仪的功率进行实时监测和关联分析来判断是否出现异常情况。接着，考虑到所述温度值在时间维度上具有着时序的动态变化规律，并且，在布袋除尘器在运行过程中，温度在时间维度上具有着波动性和不确定性，这会导致温度值在不同时间段内呈现出不同的时序变化模式和趋势。也就是说，温度的变化在时间维度上通常是非线性的，并且在不同的时间段可能具有不同的特征信息。因此，需要将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量以整合温度的时序信息后，对所述温度时序输入向量进行向量切分以得到温度局部时序特征向量的序列。这样，有利于后续更准确地捕捉到温度变化的时序规律和与功率时序之间的关联关系，从而判断脉冲阀的运行状态是否正常。
然后，将所述温度局部时序特征向量的序列通过基于一维卷积层的温度局部时序特征提取器中进行特征挖掘，以分别提取出温度值在各个局部时间段中的局部时序特征信息，从而得到温度局部时序特征向量的序列。
相应地，在步骤S120中，如图3所示，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列，包括：S121，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行向量切分以得到温度局部时序特征向量的序列；以及，S122，将所述温度局部时序特征向量的序列通过基于一维卷积层的温度局部时序特征提取器以得到所述温度局部时序特征向量的序列。
接着，考虑到所述功率值在时间维度上也具有着时序的动态变化规律性，也就是说，所述多个预定时间点的功率值之间具有着时序的关联关系。因此，在本申请的技术方案中，进一步将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于一维卷积神经网络模型的功率时序特征提取器中进行特征挖掘，以提取出所述功率值在时间维度上的时序特征信息，从而得到功率时序特征向量。
相应地，在步骤S130中，所述深度神经网络模型为一维卷积神经网络模型。
进一步地，考虑到在布袋除尘器的运行过程中，温度和功率是两个重要的数据参数，如果能量检测仪的功耗和相同温度背景下的理论值出现差异，则说明气包或者高压气源支路出现泄露。因此，需要对于能量检测仪的功耗值和温度值的时序特征进行协同关联分析，以基于这两者的关联关系来更为准确地判断包或者高压气源支路是否出现泄漏，从而实现对脉冲阀的工作状态的实时监测和分析。基于此，在本申请的技术方案中，进一步基于所述温度局部时序特征向量的序列，对所述功率时序特征向量进行特征后验表达更新以得到后验更新功率时序特征向量。应可以理解，通过对温度和功率的时序特征的综合分析，能够利用温度的局部时序特征来更新功率时序特征向量，使其更准确地反映脉冲阀的运行状态。也就是说，通过对功率时序特征的后验表达更新，可以利用温度的局部时序特征对功率时序特征向量进行加权修正和优化，从而增强与温度变化相关的关于气包或者高压气源支路泄漏的功率时序特征信息，以提高对脉冲阀运行状态的判断准确性。
相应地，在步骤S140中，对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征，包括：基于所述温度局部时序特征向量的序列，对所述功率时序特征向量进行特征后验表达更新以得到后验更新功率时序特征向量作为所述后验更新功率时序特征。
具体地，基于所述温度局部时序特征向量的序列，对所述功率时序特征向量进行特征后验表达更新以得到后验更新功率时序特征向量作为所述后验更新功率时序特征，包括：基于所述温度局部时序特征向量的序列，以如下更新公式对所述功率时序特征向量进行特征后验表达更新以得到所述后验更新功率时序特征向量；其中，所述更新公式为：
其中，A是1×Nw的矩阵，Nw是所述功率时序特征向量的维度，V2是所述功率时序特征向量，B是1×Nh的矩阵，Nh是各个所述温度局部时序特征向量的维度，N是所述温度局部时序特征向量的个数，hi是所述温度局部时序特征向量的序列中第i个温度局部时序特征向量，σ是Sigmoid函数，V2是所述后验更新功率时序特征向量，Mw和Mh代表1×1卷积核的卷积操作，s是权重值。
继而，再将所述后验更新功率时序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气包或者高压气源支路是否出现泄漏。也就是说，利用经过温度局部时序特征更新后的功率时序特征信息来进行分类处理，以此来判断气包或者高压气源支路是否出现泄露，并响应于检测到泄露时，发出脉冲阀运行状态异常的预警提示。这样，能够实现对脉冲阀是否出现气包或者高压气源支路泄露的智能识别和预警，以通过对于脉冲阀的工作状态的实时监测来及时发现故障并采取相应的修复措施，从而确保布袋除尘器的正常运行。
相应地，在步骤S150中，如图4所示，基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示，包括：S151，对所述后验更新功率时序特征向量进行特征分布优化以得到优化后验更新功率时序特征向量；S152，将所述优化后验更新功率时序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气包或者高压气源支路是否出现泄漏；以及，S153，基于所述分类结果，确定是否发出脉冲阀运行状态异常的预警提示。
特别地，在上述技术方案中，所述温度局部时序特征向量的序列表达所述温度值在全局时域划分后的局部时域下的局部时域内时序关联特征，而所述功率时序特征向量表达所述功率值在全局时域下的时序关联特征，由此，所述温度局部时序特征向量的序列和所述功率时序特征向量具有基于全局时域-局部时域的时域尺度表达差异。
这样，在基于所述温度局部时序特征向量的序列对所述功率时序特征向量进行特征后验表达更新时，期望抑制由于时域尺度表达差异导致的所述温度局部时序特征向量的序列和所述功率时序特征向量在高维特征空间内基于与不同几何变换对应的特征分布方向的高维几何变化差异，从而提升特征后验更新表达效果。
基于此，本申请的申请人首先将所述温度局部时序特征向量的序列和所述功率时序特征向量通过线性变换转换为相同长度，再进一步进行融合校正，以获得校正特征向量。
相应地，在步骤S151中，对所述后验更新功率时序特征向量进行特征分布优化以得到优化后验更新功率时序特征向量，包括：将所述温度局部时序特征向量的序列和所述功率时序特征向量经过线性变换后进行融合校正以获得校正特征向量；以及，将所述校正特征向量与所述后验更新功率时序特征向量进行融合以得到所述优化后验更新功率时序特征向量。
其中，将所述温度局部时序特征向量的序列和所述功率时序特征向量经过线性变换后进行融合校正以获得校正特征向量，包括：以如下融合校正公式将所述温度局部时序特征向量的序列和所述功率时序特征向量经过线性变换后进行融合校正以获得所述校正特征向量；其中，所述融合校正公式为：
其中，V1是所述温度局部时序特征向量的序列级联得到的级联特征向量，V2是所述功率时序特征向量，v1i、v2i和vci分别是所述级联特征向量V1、所述功率时序特征向量V2和所述校正特征向量的特征值，‖·‖1和‖·‖2分别是特征向量的1范数和2范数，L是特征向量的长度，且α是权重超参数，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，vci是所述校正特征向量的特征值。
具体地，为了在进行特征后验表达更新时提升特征对不同特征分布对应的空间变换的感知和认知能力，基于所述温度局部时序特征向量的序列的级联特征向量V1和所述功率时序特征向量V2的距离结构参数来从向量尺度维度进行特征向量的特征分布在不同方向上的旋转控制，以通过相对旋转解缠来保留更新特征的旋转不变性，从而避免在进行特征后验表达更新时在高维特征空间内的几何变换导致的特征分布的高维几何变化差异。这样，再将所述校正特征向量与所述后验更新功率时序特征向量进行融合，就可以提升所述后验更新功率时序特征向量的特征后验更新表达效果，从而改进其通过分类器得到的分类结果的准确性。这样，能够实现对脉冲阀是否出现气包或者高压气源支路泄露的智能识别和预警，以通过对于脉冲阀的工作状态的实时监测来及时发现故障并采取相应的修复措施，从而确保布袋除尘器的正常运行，通过这样的方式，提高了布袋除尘器的运行效率和安全性。
进一步地，在步骤S152中，将所述优化后验更新功率时序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气包或者高压气源支路是否出现泄漏，包括：使用所述分类器的全连接层对所述优化后验更新功率时序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。
也就是，在本申请的技术方案中，所述分类器的标签包括气包或者高压气源支路出现泄漏(第一标签)，以及，气包或者高压气源支路没有出现泄漏(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化后验更新功率时序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“气包或者高压气源支路是否出现泄漏”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，气包或者高压气源支路是否出现泄漏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“气包或者高压气源支路是否出现泄漏”的语言文本意义。
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。
综上，基于本申请实施例的布袋除尘器脉冲阀运行状态监测方法，其可以提高布袋除尘器的运行效率和安全性。
图5示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测系统100的框图。如图5所示，根据本申请实施例的布袋除尘器脉冲阀运行状态监测系统100，包括：数据获取模块110，用于获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；局部时序特征分析模块120，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；功率时序特征提取模块130，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；融合更新模块140，用于对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及，泄漏预警分析模块150，用于基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
在一种可能的实现方式中，所述局部时序特征分析模块120，包括：向量排列切分单元，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行向量切分以得到温度局部时序特征向量的序列；以及，一维卷积编码单元，用于将所述温度局部时序特征向量的序列通过基于一维卷积层的温度局部时序特征提取器以得到所述温度局部时序特征向量的序列。
这里，本领域技术人员可以理解，上述布袋除尘器脉冲阀运行状态监测系统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4的布袋除尘器脉冲阀运行状态监测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，根据本申请实施例的布袋除尘器脉冲阀运行状态监测系统100可以实现在各种无线终端中，例如具有布袋除尘器脉冲阀运行状态监测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的布袋除尘器脉冲阀运行状态监测系统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，该布袋除尘器脉冲阀运行状态监测系统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，该布袋除尘器脉冲阀运行状态监测系统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，该布袋除尘器脉冲阀运行状态监测系统100与该无线终端也可以是分立的设备，并且该布袋除尘器脉冲阀运行状态监测系统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6示出根据本申请的实施例的布袋除尘器脉冲阀运行状态监测方法的应用场景图。如图6所示，在该应用场景中，首先，获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值(例如，图6中所示意的D)，然后，将所述多个预定时间点的功率值和温度值输入至部署有布袋除尘器脉冲阀运行状态监测算法的服务器(例如，图6中所示意的S)中，其中，所述服务器能够使用所述布袋除尘器脉冲阀运行状态监测算法对所述多个预定时间点的功率值和温度值进行处理以得到用于表示气包或者高压气源支路是否出现泄漏的分类结果。
应可以理解，一个加热到恒定温度的金属部件，在一个环境温度相对恒定，无气流流通的环境中，回到环境温度的时间是近似恒定的；同样对于在一个环境温度相对恒定，在无气流流通的环境中，加热到高于环境温度所需要的能量也是一定的。在一个环境温度相对恒定，有气流流通的环境中，加热到一个恒定的温度所消耗的能量会增大；同样在一个环境温度相对恒定，有气流流通的环境中，从高于环境温度回到环境温度的时间会缩短。
如图7所示，能量监测仪10安装在高压气源的管路20上，当气源气体出现流动时，将会影响深入管道内加热部件温度的改变。在加热部件维持恒温时，流速越快，加热部件维持恒定温度所需的能耗增加；加热部件停止加热时，流速越快，加热部件温度衰减越快。
其中，所述的高压气源是指压力大于1公斤的压缩空气、压缩氮气等。加热部件内包含至少一个加热原件，如电加热棒，PTC陶瓷加热器等。加热部件内至少包括一个热电偶或者热电阻，实时测量加热部件的温度。加热部件的外型可以是矩形，椭圆形，或者圆形，其中能量监测仪和高压管路预埋件采用螺纹或者法兰连接。
能量监测仪有一个以ARM或者单片机等微处理制成的控制板，控制板具有控制加热原件电源通断和测量加热部件温度的功能；同时也具有测量加热原件工作时，耗费的电流以及供电电压，从而计算加热功率。能量监测仪的控制板支持modbusRTU、modubus TCP，modbus ASCII协议，同时具有4-20mA或0-5V等模拟量输出功能，同时还具有DI数字量输入功能,采集脉冲阀开启信号,并能通过modbusRTU、modubus TCP，modbus ASCII协议输入下次脉冲阀开启的间隔时间。以便在下次脉冲阀开启前，完成对能量监测仪设定温度加热。
进一步地，为了解决高压气源温度波动对测量结果的影响，需要周期性对能量监测仪进行自检，以确保能量监测仪状态正常，测量数据可信。
具体做法是，建立不同背景温度下，对加热部件注入固定能量，加热部件能达到的最大温度值的经验数据库。在一定时间内，一般是10分钟-1小时内，在无高压气体流通时，将能量监测仪停止加热，直到加热部件温度ts逐渐平稳，判定ts逐渐平稳的算法如下：采集过去10秒的数据t1---t60，对t1---t60求平均值AVG(t)n,n代表第几个十秒。如果相邻两分钟的AVG(t)n1/AVG(t)n2在1-1.02之间认为是稳定信号，最近一次的AVG(t)n作为当前环境的背景温度值。记为零点。对加热部件注入固定功率的电量，测量加热部件最高温度Ts，并记录。查找经验数据库里相近背景温度条件下的加热部件最高温度Tmax，Ts减去Tmax并求绝对值，绝对误差大于5℃，将判定自检失败，发出报警。
布袋除尘器在一定间隔时间内，启动脉冲阀对布袋进行反吹清灰，脉冲阀打开后，高压气体沿管道直接注入到布袋仓室，此时将耗费大量高压气源，支路气包开始对脉冲阀所在的气包充气，充气引起气流流动，流动的气流将会带走能量监测仪的热量，导致器测量温度发生变化；或者为了维持当前温度，需要注入更多的加热功率。
相应地，通过使脉冲阀运行状态数字化来优化布袋除尘器。具体地，在脉冲阀反吹前，对能量监测仪进行加热，设定的加热温度高于背景温度10-100℃，控制温度偏差不大于±0.5摄氏度，当温度稳定后，记录维持当前温度的电压和电流，单位时间内，比如10S的平均功耗记作Pini，称为自然功耗。脉冲阀开启后，脉冲阀所在气包高压气源被大量排空，支路气包开始对脉冲阀所在的气包充气，流动的气流将会带走能量监测仪的热量，造成能量监测仪功率上升。能量监测仪回到设定的加热温度并且误差平方和(SEE)不大于0.1时，所需的时间t，需要的总能量记为Ptotal。Ptotal-t*Pini/10是当前脉冲阀喷出后损失的能量Ploss_n,n为第几号脉冲阀。Ploss_n为第几号脉冲阀喷吹状态展示,如果能量损失越大,代表脉冲阀可能存在膜片会弹变慢,有泄露的可能。如果能量损失越小，代表脉冲阀喷吹耗费高压气体很少，脉冲阀可能存在开启不正常。
相应地，建立不同背景温度下，能量监测仪在设定温度时的功耗数据库。如在近似背景温度下，能量监测仪维持设定温度耗费的能量高于理论值得20％以上，将认为是有气流不断经过加热部件，造成能量损失，判定高压气源出现持续性泄露。
具体做法是，根据自检，得到环境的背景温度值，根据背景温度值，查找能量监测仪在设定温度需要的自然功耗功率Plab。对加热部件进行加热，设定的加热温度高于背景温度10-100℃，控制温度偏差不大于0.5摄氏度，当温度稳定后，记录维持当前温度的电压和电流，计算单位时间内，比如10S的平均功耗记作Preal。Preal/Pini大于1.2认为高压气源出现泄露。
附图中的流程图和框图显示了根据本申请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。
以上已经描述了本申请的各实施例，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 (10)

1.一种布袋除尘器脉冲阀运行状态监测方法，其特征在于，包括：
获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；
将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；
对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及
基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
2.根据权利要求1所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列，包括：
将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行向量切分以得到温度局部时序特征向量的序列；以及
将所述温度局部时序特征向量的序列通过基于一维卷积层的温度局部时序特征提取器以得到所述温度局部时序特征向量的序列。
3.根据权利要求2所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
4.根据权利要求3所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征，包括：
基于所述温度局部时序特征向量的序列，对所述功率时序特征向量进行特征后验表达更新以得到后验更新功率时序特征向量作为所述后验更新功率时序特征。
5.根据权利要求4所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，基于所述温度局部时序特征向量的序列，对所述功率时序特征向量进行特征后验表达更新以得到后验更新功率时序特征向量作为所述后验更新功率时序特征，包括：
基于所述温度局部时序特征向量的序列，以如下更新公式对所述功率时序特征向量进行特征后验表达更新以得到所述后验更新功率时序特征向量；
其中，所述更新公式为：
其中，A是1×Nw的矩阵，Nw是所述功率时序特征向量的维度，V2是所述功率时序特征向量，B是1×Nh的矩阵，Nh是各个所述温度局部时序特征向量的维度，N是所述温度局部时序特征向量的个数，hi是所述温度局部时序特征向量的序列中第i个温度局部时序特征向量，σ是Sigmoid函数，V2，是所述后验更新功率时序特征向量，Mw和Mh代表1×1卷积核的卷积操作，s是权重值。
6.根据权利要求5所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示，包括：
对所述后验更新功率时序特征向量进行特征分布优化以得到优化后验更新功率时序特征向量；
将所述优化后验更新功率时序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气包或者高压气源支路是否出现泄漏；以及
基于所述分类结果，确定是否发出脉冲阀运行状态异常的预警提示。
7.根据权利要求6所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，对所述后验更新功率时序特征向量进行特征分布优化以得到优化后验更新功率时序特征向量，包括：
将所述温度局部时序特征向量的序列和所述功率时序特征向量经过线性变换后进行融合校正以获得校正特征向量；以及
将所述校正特征向量与所述后验更新功率时序特征向量进行融合以得到所述优化后验更新功率时序特征向量。
8.根据权利要求7所述的布袋除尘器脉冲阀运行状态监测方法，其特征在于，将所述优化后验更新功率时序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气包或者高压气源支路是否出现泄漏，包括：
使用所述分类器的全连接层对所述优化后验更新功率时序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。
9.一种布袋除尘器脉冲阀运行状态监测系统，其特征在于，包括：
数据获取模块，用于获取由能量检测仪采集的预定时间段内多个预定时间点的功率值和温度值；
局部时序特征分析模块，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行局部时序特征分析以得到温度局部时序特征向量的序列；
功率时序特征提取模块，用于将所述多个预定时间点的功率值按照时间维度排列为功率时序输入向量后通过基于深度神经网络模型的功率时序特征提取器以得到功率时序特征向量；
融合更新模块，用于对所述温度局部时序特征向量的序列和所述功率时序特征向量进行特征融合的后验表达更新以得到后验更新功率时序特征；以及
泄漏预警分析模块，用于基于所述后验更新功率时序特征，确定气包或者高压气源支路是否出现泄漏，并确定是否发出脉冲阀运行状态异常的预警提示。
10.根据权利要求9所述的布袋除尘器脉冲阀运行状态监测系统，其特征在于，所述局部时序特征分析模块，包括：
向量排列切分单元，用于将所述多个预定时间点的温度值按照时间维度排列为温度时序输入向量后，对所述温度时序输入向量进行向量切分以得到温度局部时序特征向量的序列；以及
一维卷积编码单元，用于将所述温度局部时序特征向量的序列通过基于一维卷积层的温度局部时序特征提取器以得到所述温度局部时序特征向量的序列。
CN202410014828.6A 2024-01-05 2024-01-05 布袋除尘器脉冲阀运行状态监测系统及方法 Active CN117848713B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410014828.6A CN117848713B (zh) 2024-01-05 2024-01-05 布袋除尘器脉冲阀运行状态监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410014828.6A CN117848713B (zh) 2024-01-05 2024-01-05 布袋除尘器脉冲阀运行状态监测系统及方法

Publications (2)

Publication Number Publication Date
CN117848713A true CN117848713A (zh) 2024-04-09
CN117848713B CN117848713B (zh) 2024-07-09

Family

ID=90543728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410014828.6A Active CN117848713B (zh) 2024-01-05 2024-01-05 布袋除尘器脉冲阀运行状态监测系统及方法

Country Status (1)

Country Link
CN (1) CN117848713B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118384613A (zh) * 2024-07-01 2024-07-26 安徽智质工程技术有限公司 一种基于变化率与距离计算的袋收尘状态监测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN107341462A (zh) * 2017-06-28 2017-11-10 电子科技大学 一种基于注意力机制的视频分类方法
CN108960337A (zh) * 2018-07-18 2018-12-07 浙江大学 一种基于深度学习模型的多模态复杂活动识别方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
CN113556258A (zh) * 2020-04-24 2021-10-26 西安华为技术有限公司 一种异常检测方法及装置
WO2023092923A1 (zh) * 2021-11-26 2023-06-01 北京理工大学 复合干扰信号识别方法和系统
CN116796269A (zh) * 2023-05-12 2023-09-22 广州鲸盾网络科技有限公司 用于物联网设备的管理方法及其系统
CN116844088A (zh) * 2023-06-29 2023-10-03 滁州市伟博电气有限公司 在线除尘器控制系统及其方法
CN117225091A (zh) * 2023-10-30 2023-12-15 德清众新环保设备有限公司 布袋除尘器的运行状态监测系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN107341462A (zh) * 2017-06-28 2017-11-10 电子科技大学 一种基于注意力机制的视频分类方法
CN108960337A (zh) * 2018-07-18 2018-12-07 浙江大学 一种基于深度学习模型的多模态复杂活动识别方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
CN113556258A (zh) * 2020-04-24 2021-10-26 西安华为技术有限公司 一种异常检测方法及装置
WO2023092923A1 (zh) * 2021-11-26 2023-06-01 北京理工大学 复合干扰信号识别方法和系统
CN116796269A (zh) * 2023-05-12 2023-09-22 广州鲸盾网络科技有限公司 用于物联网设备的管理方法及其系统
CN116844088A (zh) * 2023-06-29 2023-10-03 滁州市伟博电气有限公司 在线除尘器控制系统及其方法
CN117225091A (zh) * 2023-10-30 2023-12-15 德清众新环保设备有限公司 布袋除尘器的运行状态监测系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118384613A (zh) * 2024-07-01 2024-07-26 安徽智质工程技术有限公司 一种基于变化率与距离计算的袋收尘状态监测方法及系统

Also Published As

Publication number Publication date
CN117848713B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN116625438B (zh) 燃气管网安全在线监测系统及其方法
US12093818B2 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN116772944B (zh) 配气站的智能监控系统及其方法
Nikpey et al. Development of an optimized artificial neural network model for combined heat and power micro gas turbines
West et al. Automated fault detection and diagnosis of HVAC subsystems using statistical machine learning
US20160239756A1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
US20120072029A1 (en) Intelligent system and method for detecting and diagnosing faults in heating, ventilating and air conditioning (hvac) equipment
CN117848713B (zh) 布袋除尘器脉冲阀运行状态监测系统及方法
EP3055746B1 (en) Correlation and annotation of time series data sequences to extracted or existing discrete data
CN109977624A (zh) 基于深度神经网络的光伏电站缓变故障监测方法
EP1408384A1 (en) An arrangement for controlling operation of a physical system, like for instance fuel cells in electric vehicles
Trivedi et al. Predictive maintenance of air conditioning systems using supervised machine learning
Zhang et al. Adaptive internal short-circuit fault detection for lithium-ion batteries of electric vehicles
Zhao et al. Semi-supervised constrained hidden Markov model using multiple sensors for remaining useful life prediction and optimal predictive maintenance: For remaining useful life prediction and optimal predictive maintenance
An et al. Graph-based method for fault detection in the iron-making process
CN117871771A (zh) 一种基于大数据的燃气能源监测方法
Luo et al. Dynamic Partial-Least-Squares-Based Fault Detection for Nonlinear Distributed Parameter Systems
Ahmed et al. A long short-term memory network for product quality monitoring in fused deposition modeling
Zeng et al. Soft sensor development using non-Gaussian just-in-time modeling
Fellner et al. Detection of misconfigurations in power distribution grids using deep learning
Hadid et al. Soft sensor design for power measurement and diagnosis in electrical furnace: A parametric estimation approach
Dong et al. Abnormal condition monitoring method of cement pre-decomposition process based on PCA and AutoEncoder network
Mei et al. A novel fusion prognostic approach for the prediction of the remaining useful life of a lithiumion battery
CN117905683B (zh) 一种锂电空气压缩机智能控制方法
Lee et al. Sensor drift detection in SNG plant using auto-associative kernel regression

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240604

Address after: No. 1668, Meihuai Road, Meishan Town, Changxing County, Huzhou City, Zhejiang Province 313100

Applicant after: Huzhou Huaikan South Cement Co.,Ltd.

Country or region after: China

Applicant after: Shanghai Bochuang Environmental Protection Technology Co.,Ltd.

Address before: 313009 no.1668, meihuai Road, Meishan Town, Changxing County, Huzhou City, Zhejiang Province

Applicant before: Huzhou Huaikan South Cement Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant