CN117851766A - 一种dotp粗酯连续蒸馏过程温度数据监测方法 - Google Patents
一种dotp粗酯连续蒸馏过程温度数据监测方法 Download PDFInfo
- Publication number
- CN117851766A CN117851766A CN202410263231.5A CN202410263231A CN117851766A CN 117851766 A CN117851766 A CN 117851766A CN 202410263231 A CN202410263231 A CN 202410263231A CN 117851766 A CN117851766 A CN 117851766A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- degree
- segment
- fluctuation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000001944 continuous distillation Methods 0.000 title claims abstract description 43
- 150000002148 esters Chemical class 0.000 title claims abstract description 38
- BJAJDJDODCWPNS-UHFFFAOYSA-N dotp Chemical compound O=C1N2CCOC2=NC2=C1SC=C2 BJAJDJDODCWPNS-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 126
- 230000011218 segmentation Effects 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 12
- 239000006185 dispersion Substances 0.000 claims description 9
- -1 DOTP ester Chemical class 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 37
- 238000004821 distillation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- OEIWPNWSDYFMIL-UHFFFAOYSA-N dioctyl benzene-1,4-dicarboxylate Chemical compound CCCCCCCCOC(=O)C1=CC=C(C(=O)OCCCCCCCC)C=C1 OEIWPNWSDYFMIL-UHFFFAOYSA-N 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- KKEYFWRCBNTPAC-UHFFFAOYSA-L terephthalate(2-) Chemical compound [O-]C(=O)C1=CC=C(C([O-])=O)C=C1 KKEYFWRCBNTPAC-UHFFFAOYSA-L 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及温度数据监测技术领域,具体涉及一种DOTP粗酯连续蒸馏过程温度数据监测方法。该方法包括:获取时序状态数据;根据相邻采样时刻时序状态数据的差异,确定数据波动程度;数据分段得到状态数据段,温度波动程度分析确定参考段的数据不稳定程度;根据段内温度波动程度分别与压力波动程度和气体流量波动程度的差异和时序状态数据,确定数据变化一致程度;结合数据不稳定程度和数据变化一致程度,筛选得到最优分段数量;基于最优分段数量进行异常检测,得到噪声数据,对噪声数据进行插值处理,得到温度监测结果。本发明能够降低噪声数据对最终温度监测的影响,提升粗酯连续蒸馏过程中温度监测的准确性与可靠性。
Description
技术领域
本发明涉及温度数据监测技术领域,具体涉及一种DOTP粗酯连续蒸馏过程温度数据监测方法。
背景技术
对苯二甲酸二辛酯(Di-2-ethylhexyl TerePhthalate,DOTP)是一种有机化合物,而粗酯是制备DOTP的原始产物,需要进行提纯来满足工业生产和市场需求,常见的方法为连续蒸馏。连续蒸馏通过控制蒸馏系统的温度并逐级进行分离,之后反复重复上述过程以逐步提高DOTP的纯度,获得满足要求的DOTP精酯。因此,温度监测对于DOTP粗酯连续蒸馏过程十分重要。
在温度的采集和传输过程中会产生部分噪声数据,噪声数据的存在影响DOTP粗酯的正常处理,相关技术中,通过某一采样点与所有采样点的温度数据差异,从而确定并筛除噪声数据,得到温度监测结果,这种方式下,由于实际DOTP粗酯连续蒸馏过程中温度逐级变化,温度差异较大,由此,噪声数据对最终温度监测的影响仍旧较大,进而使得粗酯连续蒸馏过程中温度监测的准确性与可靠性不足。
发明内容
为了解决相关技术中未考虑实际DOTP粗酯连续蒸馏过程中温度逐级变化,温度差异较大,使得噪声数据对最终温度监测的影响较大,进而使得粗酯连续蒸馏过程中温度监测的准确性与可靠性不足的技术问题,本发明提供一种DOTP粗酯连续蒸馏过程温度数据监测方法,所采用的技术方案具体如下:
本发明提出了一种DOTP粗酯连续蒸馏过程温度数据监测方法,方法包括:
周期性获取DOTP粗酯在连续蒸馏的时序状态数据;根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的所述时序状态数据在每个采样时刻的数据波动程度,其中,所述时序状态数据的类型包括温度数据、压力数据和气体流量数据,所述数据波动程度包括温度波动程度、压力波动程度和气体流量波动程度;
根据不同预设分段数量对所述时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,将任一状态数据段作为参考段,根据所述参考段内所有采样时刻的所述温度波动程度的数值分布和相距最近的采样时刻的所述温度波动程度的差异,确定所述参考段的数据不稳定程度;
根据所述参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定所述参考段的数据变化一致程度;根据所述参考段的数据不稳定程度和数据变化一致程度,确定所述参考段的段优选系数;
根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量;根据所述最优分段数量下的状态数据段对所述温度数据进行数据异常检测,得到噪声数据,对所述温度数据内的噪声数据进行数据插值处理,得到温度监测结果。
进一步地,所述根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的所述时序状态数据在每个采样时刻的数据波动程度,包括:
将任一采样时刻作为待测时刻,与所述待测时刻相距最近的其他两个采样时刻作为相邻时刻;
计算所述待测时刻分别与相邻时刻的下同一类型的时序状态数据的差值绝对值的均值,归一化处理后作为待测时刻下对应类型的数据波动程度。
进一步地,所述根据所述参考段内所有采样时刻的所述温度波动程度的数值分布和相距最近的采样时刻的所述温度波动程度的差异,确定所述参考段的数据不稳定程度,包括:
计算所述参考段内所有采样时刻的所述温度波动程度数值方差,作为所述参考段的温度分布离散度;
将所述参考段内任一采样时刻作为参考时刻,确定所述参考段内与所述参考时刻相距最近的两个采样时刻作为所述参考时刻的待分析时刻,计算所述参考时刻分别与待分析时刻的温度波动程度的差值绝对值的均值,得到所述参考时刻的局部温度波动指标,计算所述参考段内所有采样时刻的局部温度波动指标的均值作为所述参考段的段温度波动指标;
计算所述温度分布离散度和所述段温度波动指标的乘积的归一化值,得到所述参考段的数据不稳定程度。
进一步地,所述根据所述参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定所述参考段的数据变化一致程度,包括:
计算所述参考段内相同采样时刻下温度波动程度与压力波动程度的差值绝对值作为对应采样时刻的温度压力差异指标;计算所述参考段内所有采样时刻的温度压力差异指标的均值,负相关映射归一化得到温度-压力影响系数;
计算所述参考段内相同采样时刻下温度波动程度与气体流量波动程度的差值绝对值作为对应采样时刻的温度流量差异指标;计算所述参考段内所有采样时刻的温度流量差异指标的均值,负相关映射归一化得到温度-流量影响系数;
将所述参考段内所有采样时刻的温度数据的最大值和最小值的差值归一化值作为温度极差系数;所有采样时刻的压力数据的最大值和最小值的差值归一化值作为压力极差系数;所有采样时刻的气体流量数据的最大值和最小值的差值归一化值作为气体流量极差系数;
计算所述温度极差系数与压力极差系数的差值,负相关映射并归一化得到温度-压力极差指标;
计算所述温度极差系数与气体流量极差系数的差值,负相关映射并归一化得到温度-流量极差指标;
根据所述参考段的所述温度-压力影响系数、所述温度-压力极差指标、所述温度-流量影响系数和所述温度-流量极差指标,确定所述参考段的数据变化一致程度。
进一步地,所述温度-压力影响系数、所述温度-压力极差指标、所述温度-流量影响系数和所述温度-流量极差指标均与所述参考段的数据变化一致程度呈正相关关系,所述数据变化一致程度的取值为归一化后的数值。
进一步地,所述根据所述参考段的数据不稳定程度和数据变化一致程度,确定所述参考段的段优选系数,包括:
计算所述参考段的数据不稳定程度和数据变化一致程度的差值,归一化处理得到所述参考段的段优选系数。
进一步地,所述根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量,包括:
计算相同预设分段数量下所有状态数据段的段优选系数的均值,得到对应预设分段数量的段优选均值;
计算相应预设分段数量下所有状态数据段的段优选系数的方差,负相关映射得到对应预设分段数量的段优选稳定程度;
将所述段优选均值和段优选稳定程度的乘积归一化处理,得到对应预设分段数量的分段数量优选指标;
将所有分段数量优选指标最大的预设分段数量作为最优分段数量。
进一步地,所述根据所述最优分段数量下的状态数据段对所述温度数据进行数据异常检测,得到噪声数据,包括:
分别对最优分段数量下每个状态数据段内的温度数据进行孤立森林分析,确定每个状态数据段内的异常数据;将最优分段数量下所有状态数据段的异常数据作为噪声数据。
进一步地,所述对所述温度数据内的噪声数据进行数据插值处理,得到温度监测结果,包括:
分别计算与噪声数据所对应采样时刻在时序上相距最近的其他两个非噪声数据的均值作为对应噪声数据的插值数据;
基于每一噪声数据所对应的插值数据对所有噪声数据进行替换,得到温度监测结果。
进一步地,所述根据不同预设分段数量对所述时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,包括:
基于费希尔最优分割法,根据所述预设分段数量对所述时序状态数据进行数据分段,得到不同预设分段数量下的状态数据段。
本发明具有如下有益效果:
本发明通过对温度数据、压力数据和气体流量数据等时序状态数据进行获取,而后,通过同一类型的时序状态数据在相邻采样时刻的差异,确定每一采样时刻下温度波动程度、压力波动程度和气体流量波动程度,而由于DOTP粗酯连续蒸馏过程中温度的变化较大,由此,需要对数据进行分段,便于相近的温度变化进行分析,由此,本发明通过设置不同预设分段数量对时序状态数据进行数据分段,得到状态数据段,根据每一预设分段数量下状态数据段内相邻采样时刻的温度波动程度的差异,确定数据不稳定程度,数据不稳定程度表征了状态数据段内数据的异常情况;之后,结合同一状态数据段内所有采样时刻的温度波动程度与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定对应状态数据段的数据变化一致程度,其中,数据变化一致程度表征状态数据段内温度变化与压力变化、气体浓度变化的一致性,由于压力和气体浓度均能够影响温度的变化,由此,本发明通过数据变化一致程度进一步说明状态数据段内温度数据的异常性,也即数据变化一致程度越低,对应越异常。由此,本发明结合数据不稳定程度和数据变化一致程度,确定段优选系数,从而能够分析每一采样时刻下温度数据的时序变化和压力数据、气体浓度数据对温度数据的影响,提升段优选系数的客观性,便于后续基于段优选系数确定最优分段数量,最优分段数量也即噪声最明显的分段情况,基于最优分段数量进行分段并进行噪声分析,提升后续噪声识别的准确性,通过噪声识别从而对噪声数据进行差值,得到温度监测结果,本发明能够进一步降低噪声数据对最终温度监测的影响,提升粗酯连续蒸馏过程中温度监测的准确性与可靠性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种DOTP粗酯连续蒸馏过程温度数据监测方法流程图。
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DOTP粗酯连续蒸馏过程温度数据监测方法,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。
一种DOTP粗酯连续蒸馏过程温度数据监测方法实施例:
下面结合附图具体的说明本发明所提供的一种DOTP粗酯连续蒸馏过程温度数据监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种DOTP粗酯连续蒸馏过程温度数据监测方法流程图,该方法包括:
S101:周期性获取DOTP粗酯在连续蒸馏的时序状态数据;根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的时序状态数据在每个采样时刻的数据波动程度,其中,时序状态数据的类型包括温度数据、压力数据和气体流量数据,数据波动程度包括温度波动程度、压力波动程度和气体流量波动程度。
本发明实施例的一种实施场景可以具体为使用分馏塔对DOTP粗酯进行连续蒸馏,以逐步提高DOTP的纯度,获得满足要求的DOTP精酯,在连续蒸馏过程中,对分馏塔内的温度数据、压力数据和气体流量数据进行数据采集和分析。
本发明实施例中,可以在分馏塔内设置温度传感器、压力传感器和气体流量传感器,基于对应的传感器在同时刻同周期获取分馏塔内对应类型的时序状态数据,本发明实施例中,时序状态数据的获取周期可以具体例如为10秒,也即每间隔10秒,分馏塔内的温度传感器采集一次温度数据,压力传感器采集一次压力数据,气体流量传感器采集一次气体流量数据。
本发明实施例中,可以根据所获取得到的不同采样时刻下每一类型的时序状态数据的数值差异,对数据波动程度进行分析。
进一步地,在本发明的一些实施例中,根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的时序状态数据在每个采样时刻的数据波动程度,包括:将任一采样时刻作为待测时刻,与待测时刻相距最近的其他两个采样时刻作为相邻时刻;计算待测时刻分别与相邻时刻的下同一类型的时序状态数据的差值绝对值的均值,归一化处理后作为待测时刻下对应类型的数据波动程度。
本发明实施例中,任选一个采样时刻作为待测时刻,与待测时刻相距最近的其他两个采样时刻作为相邻时刻;举例而言,在采样时刻为“1,2,3,4”四个采样时刻时,将采样时刻“2”作为待测时刻,则相邻时刻为采样时刻“1”和采样时刻“3”。
以同一类型的时序状态数据为温度数据进行具体示例,计算待测时刻的温度数据分别与每一相邻时刻的温度数据的差值绝对值,而后,求均并归一化得到待测时刻下温度数据的温度波动程度。
在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
同理,对压力数据进行分析得到压力波动程度、对气体流量数据进行分析得到气体流量波动程度的计算过程与温度波动程度的计算过程相类似,由此,得到待测时刻下的温度波动程度、压力波动程度和气体流量波动程度。本发明实施例中,可以将温度波动程度、压力波动程度和气体流量波动程度共同作为数据波动程度。
S102:根据不同预设分段数量对时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,将任一状态数据段作为参考段,根据参考段内所有采样时刻的温度波动程度的数值分布和相距最近的采样时刻的温度波动程度的差异,确定参考段的数据不稳定程度。
本发明实施例中,由于对DOTP粗酯的连续蒸馏过程会经历多个阶段,而每个阶段的分离物沸点不同,所以蒸馏系统在整个蒸馏过程中的温度差异会较大,在对时序状态数据进行异常检测时,较大的温差会影响异常数据的判断,所以对数据的异常检测需要分段进行。
进一步地,在本发明的一些实施例中,根据不同预设分段数量对时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,包括:基于费希尔最优分割法,根据预设分段数量对时序状态数据进行数据分段,得到不同预设分段数量下的状态数据段。
可以理解的是,现有技术中的分段一般是根据预设的蒸馏状态数量进行数据分段,而由于连续蒸馏环境的变化,蒸馏状态受原料和环境影响,差异较大,直接基于蒸馏状态数量进行数据分段的可靠性较差,由此,本发明结合实际数据波动对数据进行有效分段。
其中,费希尔最优分割法,为本领域所熟知的数据分割算法,通过定义所要分割的段落的数量,从而对时序状态数据进行合理数据分段。则本发明可以定义预设分段数量作为费希尔最优分割法所要分割的段落的数量。
其中,预设分段数量的数值可以具体例如为2至10的正整数,也即在预设分段数量可以具体例如为“2,3,4,5,6,7,8,9,10”,表示蒸馏过程可能存在的状态变化的数量,当然,本发明还可以设置其他可能的预设分段数量作为备选项,以便于在后续进行最优分段数量的筛选,对此不做限制。
本发明实施例中,可以基于费希尔最优分割法,使用不同的预设分段数量分别对时序状态数据进行数据分段,得到不同预设分段数量下的状态数据段。而后,任选一个状态数据段作为参考段,对参考段进行数据分析。
进一步地,在本发明的一些实施例中,根据参考段内所有采样时刻的温度波动程度的数值分布和相距最近的采样时刻的温度波动程度的差异,确定参考段的数据不稳定程度,包括:计算参考段内所有采样时刻的温度波动程度数值方差,作为参考段的温度分布离散度;将参考段内任一采样时刻作为参考时刻,确定参考段内与参考时刻相距最近的两个采样时刻作为参考时刻的待分析时刻,计算参考时刻分别与待分析时刻的温度波动程度的差值绝对值的均值,得到参考时刻的局部温度波动指标,计算参考段内所有采样时刻的局部温度波动指标的均值作为参考段的段温度波动指标;计算温度分布离散度和段温度波动指标的乘积的归一化值,得到参考段的数据不稳定程度。
其中,数据不稳定程度,为参考段内所有采样时刻的温度数据的波动程度,数据不稳定程度越大,表征参考段内所有采样时刻的温度数据的波动程度越大。
本发明实施例中,参考段内所有采样时刻的温度波动程度数值方差越大,则对应的温度波动程度分布越离散,表征参考端内所有采样时刻的温度波动程度越不稳定,数据不稳定程度越大。
本发明实施例中,可以计算参考时刻分别与待分析时刻的温度波动程度的差值绝对值的均值,得到参考时刻的局部温度波动指标,参考时刻的局部温度波动指标即为参考时刻在其所在局部范围内的温度波动程度的差异情况,其值越大,表征参考时刻所处局部范围内波动差异越大,则可以计算参考段内所有采样时刻的局部温度波动指标的均值作为参考段的段温度波动指标,段温度波动指标越大,则参考段内所有采样时刻的温度波动越大,也即数据不稳定程度越大。
由此,本发明可以结合温度分布离散度和段温度波动指标确定数据不稳定程度,由于温度分布离散度越大,表征参考端内所有采样时刻的温度波动程度越不稳定,数据不稳定程度越大,且段温度波动指标越大,参考段内所有采样时刻的温度波动越大,数据不稳定程度越大,由此,本发明计算温度分布离散度和段温度波动指标的乘积的归一化值,得到参考段的数据不稳定程度。
可以理解的是,数据不稳定程度表征了对应分段情况下温度数据的波动变化程度,本发明需要对每一状态数据段进行异常检测,以筛选并清除噪声数据,使得整体温度数据更为可靠,由此,需要查找出表现噪声最为明显的数据分段情况,因此,数据不稳定程度也进一步表示噪声的表现明显情况。
S103:根据参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定参考段的数据变化一致程度;根据参考段的数据不稳定程度和数据变化一致程度,确定参考段的段优选系数。
本发明实施例中,分馏塔内的压力变化和气体浓度变化,会进一步影响温度的变化,因此,需要考虑压力和气体浓度对温度的影响。需要说明的是,在DOTP粗酯的连续蒸馏过程中,操作压力通常会受到控制,以确保系统能够在安全范围内运行。根据理想气体状态方程可知,当压力升高时,为了保持物质的平衡,温度也会升高,当操作压力降低时,温度也会降低,即压力与温度的变化呈正相关;除此之外,还可以通过气体流量来调节系统的热平衡,当气体流量增加时,系统中的气相流动增加,传热效应也会增强,从而使得温度下降,反之气体流量减小同样也会导致温度升高,即气体流量与温度的变化呈负相关。基于此,本发明对温度波动程度、压力波动程度和气体流量波动程度进行分析,得到参考段的数据变化一致程度。
进一步地,在本发明的一些实施例中,根据参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定参考段的数据变化一致程度,包括:计算参考段内相同采样时刻下温度波动程度与压力波动程度的差值绝对值作为对应采样时刻的温度压力差异指标;计算参考段内所有采样时刻的温度压力差异指标的均值,负相关映射归一化得到温度-压力影响系数;计算参考段内相同采样时刻下温度波动程度与气体流量波动程度的差值绝对值作为对应采样时刻的温度流量差异指标;计算参考段内所有采样时刻的温度流量差异指标的均值,负相关映射归一化得到温度-流量影响系数;将参考段内所有采样时刻的温度数据的最大值和最小值的差值归一化值作为温度极差系数;所有采样时刻的压力数据的最大值和最小值的差值归一化值作为压力极差系数;所有采样时刻的气体流量数据的最大值和最小值的差值归一化值作为气体流量极差系数;计算温度极差系数与压力极差系数的差值,负相关映射并归一化得到温度-压力极差指标;计算温度极差系数与气体流量极差系数的差值,负相关映射并归一化得到温度-流量极差指标;根据参考段的温度-压力影响系数、温度-压力极差指标、温度-流量影响系数和温度-流量极差指标,确定参考段的数据变化一致程度。
本发明实施例中,温度压力差异指标和温度流量差异指标均为温度数据与对应压力数据和气体流量数据的数据波动程度的差异,其差异越大,则表示温度与压力、温度与气体流量的数据波动程度变化越大。
其中,负相关关系表示因变量会随着自变量的增大而减小,因变量会随着自变量的减小而增大,可以为相减关系、相除关系等,由实际应用进行确定。
本发明实施例中,将参考段内所有采样时刻的温度压力差异指标的均值,负相关映射归一化得到温度-压力影响系数,温度-压力影响系数数值越大,表征参考段内所有采样时刻的温度压力差异指标的均值越小,也即对应的温度变化与压力的数值波动变化越相似。
也即是说,可以计算参考段内所有采样时刻的温度压力差异指标的均值,而后将均值的倒数归一化处理作为温度-压力影响系数,或者,将均值的负数归一化处理作为温度-压力影响系数,对此不做限制。
本发明实施例中,将参考段内所有采样时刻的温度流量差异指标的均值,负相关映射归一化得到温度-流量影响系数,温度-流量影响系数数值越大,表征参考段内所有采样时刻的温度流量差异指标的均值越小,也即对应的温度变化与气体流量的数值波动变化越相似。
其中,将参考段内所有采样时刻的温度数据的最大值和最小值的差值归一化值作为温度极差系数,并将压力数据的最大最小值的差值归一化值作为压力极差系数,气体流量数据的最大最小值的差值归一化值作为流量极差系数,而后,可以结合温度极差系数、压力极差系数和气体流量极差系数的变化,确定参考段的数据变化一致程度,也即计算得到温度-压力极差指标和温度-流量极差指标,根据温度-压力极差指标和温度-流量极差指标确定参考段的数据变化一致程度。
本发明实施例中,根据参考段的温度-压力影响系数、温度-压力极差指标、温度-流量影响系数和温度-流量极差指标,确定参考段的数据变化一致程度,可以理解的是,温度-压力影响系数、温度-压力极差指标、温度-流量影响系数和温度-流量极差指标均与参考段的数据变化一致程度呈正相关关系,数据变化一致程度的取值为归一化后的数值。
也即是说,在本发明的一些实施例中,可以计算温度-压力影响系数、温度-压力极差指标、温度-流量影响系数和温度-流量极差指标四个数据的乘积的归一化值,作为数据变化一致程度。
在本发明的另一些实施例中,可以计算温度-压力影响系数和温度-压力极差指标的乘积作为温度压力一致程度,而后计算温度-流量影响系数和温度-流量极差指标的乘积作为温度流量一致程度,并计算温度压力一致程度和温度流量一致程度的和值归一化值作为数据变化一致程度。当然本发明还可以使用多种其他任意可能的实现方式计算数据变化一致程度,对此不做限制。
进一步地,在本发明的一些实施例中,根据参考段的数据不稳定程度和数据变化一致程度,确定参考段的段优选系数,包括:计算参考段的数据不稳定程度和数据变化一致程度的差值,归一化处理得到参考段的段优选系数。
可以理解的是,由于参考段中的噪声表现越高,在后续异常检测时更容易检测出噪声数据,所以对于参考段内温度数据的变化不稳定程度越高、不同类型的数据的变化一致程度越低,则对应的参考段内的噪声影响越大,也即该参考段的段优选程度就越高。
由此,本发明计算参考段的数据不稳定程度和数据变化一致程度的差值,并对该差值进行归一化处理得到参考段的段优选系数。
S104:根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量;根据最优分段数量下的状态数据段对温度数据进行数据异常检测,得到噪声数据。
进一步地,在本发明的一些实施例中,根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量,包括:计算相同预设分段数量下所有状态数据段的段优选系数的均值,得到对应预设分段数量的段优选均值;计算相应预设分段数量下所有状态数据段的段优选系数的方差,负相关映射得到对应预设分段数量的段优选稳定程度;将段优选均值和段优选稳定程度的乘积归一化处理,得到对应预设分段数量的分段数量优选指标;将所有分段数量优选指标最大的预设分段数量作为最优分段数量。
本发明实施例中,在预设分段数量为5时,也即将所有温度数据按照时序划分为5段时,可以计算5段状态数据段的段优选系数的均值作为段优选均值,计算5段状态数据段的段优选系数的方差,并负相关映射得到段优选稳定程度。
可以理解的是,段优选均值的数值越大,表征对应预设分段数量下所有状态数据段的段优选平均程度越高,而段优选稳定程度越大,表征对应预设分段数量下所有状态数据段的段优选离散程度越小,也即预设分段数量下每一状态数据段的段优选系数的数值越稳定,则在所有段优选系数的数值越稳定且平均值越高时,表征对应的划分情况越符合优选情况。
本发明实施例中,计算段优选均值和段优选稳定程度的乘积,归一化处理得到预设分段数量的分段数量优选指标,而后,选择所有分段数量优选指标最大的预设分段数量,并将其作为最优分段数量。
可以理解的是,本发明实施例中的最优分段数量作为一种最优的分段情况,在最优分段数量下对时序状态数据进行数据分段,能够使得最优分段数量下每一状态数据段的噪声数据表征更为明显,使得进行噪声分析时能够更轻易分辨出噪声数据和正常数据。
进一步地,在本发明的一些实施例中,根据最优分段数量下的状态数据段对温度数据进行数据异常检测,得到噪声数据,包括:分别对最优分段数量下每个状态数据段内的温度数据进行孤立森林分析,确定每个状态数据段内的异常数据;将最优分段数量下所有状态数据段的异常数据作为噪声数据。
其中,孤立森林分析,可以具体例如为使用孤立森林算法分别对最优分段数量下每个状态数据段内的温度数据进行数据分析,孤立森林算法为本领域所熟知的孤立点检测算法,将检测得到的孤立点作为异常数据,从而得到每个状态数据段内的异常数据,对此不作赘述。
本发明实施例中,可以确定最优分段数量下每一状态数据段内的异常数据,该异常数据在实际表现来说为温度与其所在局部时序范围内其他采样时刻的温度差异较大,而在分馏塔内温度变化是一个循序渐进的过程,因此,异常数据大概率为数据采集和数据传输时所产生的噪声数据,由此,本发明实施例将最优分段数量下所有状态数据段的异常数据作为噪声数据。
S105:对温度数据内的噪声数据进行数据插值处理,得到温度监测结果。
进一步地,在本发明的一些实施例中,对温度数据内的噪声数据进行数据插值处理,得到温度监测结果,包括:分别计算与噪声数据所对应采样时刻在时序上相距最近的其他两个非噪声数据的均值作为对应噪声数据的插值数据;基于每一噪声数据所对应的插值数据对所有噪声数据进行替换,得到温度监测结果。
其中,非噪声数据,即为温度数据找那个不属于噪声数据的温度数据,由于每个温度数据均具有对应的采样时刻。本发明的一些实施例中,可以将时序上噪声数据相距最近的两个非噪声数据的均值,作为该噪声数据的插值数据,由此,分别对每一噪声数据进行插值数据的计算,并使用插值数据替换对应的噪声数据,得到温度监测结果,其中,温度监测结果为消除噪声影响的检测结果。
当然,在本发明的另一些实施例中,也可以使用多种其他任意可能的实现方式,例如计算噪声数据所处状态数据段所有采样时刻的温度数据的均值作为噪声数据的插值数据,对此不做限制。
本发明通过对温度数据、压力数据和气体流量数据等时序状态数据进行获取,而后,通过同一类型的时序状态数据在相邻采样时刻的差异,确定每一采样时刻下温度波动程度、压力波动程度和气体流量波动程度,而由于DOTP粗酯连续蒸馏过程中温度的变化较大,由此,需要对数据进行分段,便于相近的温度变化进行分析,由此,本发明通过设置不同预设分段数量对时序状态数据进行数据分段,得到状态数据段,根据每一预设分段数量下状态数据段内相邻采样时刻的温度波动程度的差异,确定数据不稳定程度,数据不稳定程度表征了状态数据段内数据的异常情况;之后,结合同一状态数据段内所有采样时刻的温度波动程度与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定对应状态数据段的数据变化一致程度,其中,数据变化一致程度表征状态数据段内温度变化与压力变化、气体浓度变化的一致性,由于压力和气体浓度均能够影响温度的变化,由此,本发明通过数据变化一致程度进一步说明状态数据段内温度数据的异常性,也即数据变化一致程度越低,对应越异常。由此,本发明结合数据不稳定程度和数据变化一致程度,确定段优选系数,从而能够分析每一采样时刻下温度数据的时序变化和压力数据、气体浓度数据对温度数据的影响,提升段优选系数的客观性,便于后续基于段优选系数确定最优分段数量,最优分段数量也即噪声最明显的分段情况,从而提升后续噪声识别的准确性,通过噪声识别从而对噪声数据进行差值,得到温度监测结果,本发明能够进一步降低噪声数据对最终温度监测的影响,提升粗酯连续蒸馏过程中温度监测的准确性与可靠性。
一种DOTP粗酯连续蒸馏过程温度数据噪声分析方法实施例:
在DOTP粗酯连续蒸馏的温度采集和传输过程中会产生部分噪声数据,噪声数据的存在影响DOTP粗酯的正常处理,相关技术中,通过孤立森林算法分析对噪声数据进行提取,但是连续蒸馏过程中温度会逐级变化,导致所采集到的温度数据变化范围较大,使得噪声识别易受到温度数据波动的影响,噪声识别的准确性不足,噪声数据分析的效果较差。
由此,本发明提出一种DOTP粗酯连续蒸馏过程温度数据噪声分析方法,具体步骤包括:
S101:周期性获取DOTP粗酯在连续蒸馏的时序状态数据;根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的时序状态数据在每个采样时刻的数据波动程度,其中,时序状态数据的类型包括温度数据、压力数据和气体流量数据,数据波动程度包括温度波动程度、压力波动程度和气体流量波动程度。
S102:根据不同预设分段数量对时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,将任一状态数据段作为参考段,根据参考段内所有采样时刻的温度波动程度的数值分布和相距最近的采样时刻的温度波动程度的差异,确定参考段的数据不稳定程度。
S103:根据参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定参考段的数据变化一致程度;根据参考段的数据不稳定程度和数据变化一致程度,确定参考段的段优选系数。
S104:根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量;根据最优分段数量下的状态数据段对温度数据进行数据异常检测,得到噪声数据。
本发明实施例中,S101~S104的具体解释说明参见上述实施例,对此不作进一步赘述。
本发明通过对温度数据、压力数据和气体流量数据等时序状态数据进行获取,而后,通过同一类型的时序状态数据在相邻采样时刻的差异,确定每一采样时刻下温度波动程度、压力波动程度和气体流量波动程度,而由于DOTP粗酯连续蒸馏过程中温度的变化较大,由此,需要对数据进行分段,便于相近的温度变化进行分析,由此,本发明通过设置不同预设分段数量对时序状态数据进行数据分段,得到状态数据段,根据每一预设分段数量下状态数据段内相邻采样时刻的温度波动程度的差异,确定数据不稳定程度,数据不稳定程度表征了状态数据段内数据的异常情况;之后,结合同一状态数据段内所有采样时刻的温度波动程度与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定对应状态数据段的数据变化一致程度,其中,数据变化一致程度表征状态数据段内温度变化与压力变化、气体浓度变化的一致性,由于压力和气体浓度均能够影响温度的变化,由此,本发明通过数据变化一致程度进一步说明状态数据段内温度数据的异常性,也即数据变化一致程度越低,对应越异常。由此,本发明结合数据不稳定程度和数据变化一致程度,确定段优选系数,从而能够分析每一采样时刻下温度数据的时序变化和压力数据、气体浓度数据对温度数据的影响,提升段优选系数的客观性,便于后续基于段优选系数确定最优分段数量,最优分段数量也即噪声最明显的分段情况,从而基于最优分段数量进行分段并进行噪声分析,提升后续噪声识别的准确性,增强噪声分析的效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述方法包括:
周期性获取DOTP粗酯在连续蒸馏的时序状态数据;根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的所述时序状态数据在每个采样时刻的数据波动程度,其中,所述时序状态数据的类型包括温度数据、压力数据和气体流量数据,所述数据波动程度包括温度波动程度、压力波动程度和气体流量波动程度;
根据不同预设分段数量对所述时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,将任一状态数据段作为参考段,根据所述参考段内所有采样时刻的所述温度波动程度的数值分布和相距最近的采样时刻的所述温度波动程度的差异,确定所述参考段的数据不稳定程度;
根据所述参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定所述参考段的数据变化一致程度;根据所述参考段的数据不稳定程度和数据变化一致程度,确定所述参考段的段优选系数;
根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量;根据所述最优分段数量下的状态数据段对所述温度数据进行数据异常检测,得到噪声数据,对所述温度数据内的噪声数据进行数据插值处理,得到温度监测结果。
2.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据相距最近的采样时刻在同一类型的时序状态数据的差异,确定每一类型的所述时序状态数据在每个采样时刻的数据波动程度,包括:
将任一采样时刻作为待测时刻,与所述待测时刻相距最近的其他两个采样时刻作为相邻时刻;
计算所述待测时刻分别与相邻时刻的下同一类型的时序状态数据的差值绝对值的均值,归一化处理后作为待测时刻下对应类型的数据波动程度。
3.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据所述参考段内所有采样时刻的所述温度波动程度的数值分布和相距最近的采样时刻的所述温度波动程度的差异,确定所述参考段的数据不稳定程度,包括:
计算所述参考段内所有采样时刻的所述温度波动程度数值方差,作为所述参考段的温度分布离散度;
将所述参考段内任一采样时刻作为参考时刻,确定所述参考段内与所述参考时刻相距最近的两个采样时刻作为所述参考时刻的待分析时刻,计算所述参考时刻分别与待分析时刻的温度波动程度的差值绝对值的均值,得到所述参考时刻的局部温度波动指标,计算所述参考段内所有采样时刻的局部温度波动指标的均值作为所述参考段的段温度波动指标;
计算所述温度分布离散度和所述段温度波动指标的乘积的归一化值,得到所述参考段的数据不稳定程度。
4.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据所述参考段内所有采样时刻的温度波动程度分别与压力波动程度和气体流量波动程度的差异,以及所有类型的时序状态数据的极值,确定所述参考段的数据变化一致程度,包括:
计算所述参考段内相同采样时刻下温度波动程度与压力波动程度的差值绝对值作为对应采样时刻的温度压力差异指标;计算所述参考段内所有采样时刻的温度压力差异指标的均值,负相关映射归一化得到温度-压力影响系数;
计算所述参考段内相同采样时刻下温度波动程度与气体流量波动程度的差值绝对值作为对应采样时刻的温度流量差异指标;计算所述参考段内所有采样时刻的温度流量差异指标的均值,负相关映射归一化得到温度-流量影响系数;
将所述参考段内所有采样时刻的温度数据的最大值和最小值的差值归一化值作为温度极差系数;所有采样时刻的压力数据的最大值和最小值的差值归一化值作为压力极差系数;所有采样时刻的气体流量数据的最大值和最小值的差值归一化值作为气体流量极差系数;
计算所述温度极差系数与压力极差系数的差值,负相关映射并归一化得到温度-压力极差指标;
计算所述温度极差系数与气体流量极差系数的差值,负相关映射并归一化得到温度-流量极差指标;
根据所述参考段的所述温度-压力影响系数、所述温度-压力极差指标、所述温度-流量影响系数和所述温度-流量极差指标,确定所述参考段的数据变化一致程度。
5.如权利要求4所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述温度-压力影响系数、所述温度-压力极差指标、所述温度-流量影响系数和所述温度-流量极差指标均与所述参考段的数据变化一致程度呈正相关关系,所述数据变化一致程度的取值为归一化后的数值。
6.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据所述参考段的数据不稳定程度和数据变化一致程度,确定所述参考段的段优选系数,包括:
计算所述参考段的数据不稳定程度和数据变化一致程度的差值,归一化处理得到所述参考段的段优选系数。
7.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据相同预设分段数量下所有状态数据段的段优选系数,从所有预设分段数量中筛选得到最优分段数量,包括:
计算相同预设分段数量下所有状态数据段的段优选系数的均值,得到对应预设分段数量的段优选均值;
计算相应预设分段数量下所有状态数据段的段优选系数的方差,负相关映射得到对应预设分段数量的段优选稳定程度;
将所述段优选均值和段优选稳定程度的乘积归一化处理,得到对应预设分段数量的分段数量优选指标;
将所有分段数量优选指标最大的预设分段数量作为最优分段数量。
8.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据所述最优分段数量下的状态数据段对所述温度数据进行数据异常检测,得到噪声数据,包括:
分别对最优分段数量下每个状态数据段内的温度数据进行孤立森林分析,确定每个状态数据段内的异常数据;将最优分段数量下所有状态数据段的异常数据作为噪声数据。
9.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述对所述温度数据内的噪声数据进行数据插值处理,得到温度监测结果,包括:
分别计算与噪声数据所对应采样时刻在时序上相距最近的其他两个非噪声数据的均值作为对应噪声数据的插值数据;
基于每一噪声数据所对应的插值数据对所有噪声数据进行替换,得到温度监测结果。
10.如权利要求1所述的一种DOTP粗酯连续蒸馏过程温度数据监测方法,其特征在于,所述根据不同预设分段数量对所述时序状态数据进行数据分段,确定不同预设分段数量下的状态数据段,包括:
基于费希尔最优分割法,根据所述预设分段数量对所述时序状态数据进行数据分段,得到不同预设分段数量下的状态数据段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263231.5A CN117851766B (zh) | 2024-03-08 | 2024-03-08 | 一种dotp粗酯连续蒸馏过程温度数据监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263231.5A CN117851766B (zh) | 2024-03-08 | 2024-03-08 | 一种dotp粗酯连续蒸馏过程温度数据监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117851766A true CN117851766A (zh) | 2024-04-09 |
CN117851766B CN117851766B (zh) | 2024-06-11 |
Family
ID=90532986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410263231.5A Active CN117851766B (zh) | 2024-03-08 | 2024-03-08 | 一种dotp粗酯连续蒸馏过程温度数据监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851766B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184576A1 (en) * | 2010-01-28 | 2011-07-28 | Schneider Electric USA, Inc. | Robust automated hierarchical determination for power monitoring systems |
WO2022010377A1 (ru) * | 2020-07-06 | 2022-01-13 | Акционерное Общество "Ротек" | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов |
CN115327422A (zh) * | 2022-09-05 | 2022-11-11 | 大连理工大学 | 基于充放电行为的电动公交动力电池健康度评价方法 |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及系统 |
CN116955938A (zh) * | 2023-09-20 | 2023-10-27 | 苏州新耀环保科技有限公司 | 一种基于数据分析的干式废气处理设备监测方法及系统 |
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
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 |
CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及系统 |
-
2024
- 2024-03-08 CN CN202410263231.5A patent/CN117851766B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110184576A1 (en) * | 2010-01-28 | 2011-07-28 | Schneider Electric USA, Inc. | Robust automated hierarchical determination for power monitoring systems |
WO2022010377A1 (ru) * | 2020-07-06 | 2022-01-13 | Акционерное Общество "Ротек" | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов |
CN115327422A (zh) * | 2022-09-05 | 2022-11-11 | 大连理工大学 | 基于充放电行为的电动公交动力电池健康度评价方法 |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及系统 |
CN116955938A (zh) * | 2023-09-20 | 2023-10-27 | 苏州新耀环保科技有限公司 | 一种基于数据分析的干式废气处理设备监测方法及系统 |
CN117196353A (zh) * | 2023-11-07 | 2023-12-08 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
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 |
CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
庞向坤;黄越;王振;余彦;高嵩;: "基于相关系数的多变量异常数据段的检测", 控制工程, no. 01, 20 January 2020 (2020-01-20) * |
张冰;王金龙;张宁生;: "基于瞬态分析的PDG数据处理方法与应用", 西安石油大学学报(自然科学版), no. 05, 25 September 2020 (2020-09-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117851766B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109387712B (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN116502169B (zh) | 一种基于数据检测的离心脱水机工作状态检测方法 | |
Kong et al. | Extraction of reduced fault subspace based on KDICA and its application in fault diagnosis | |
Zhou et al. | A study of polynomial fit-based methods for qualitative trend analysis | |
CN117556714B (zh) | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 | |
CN116237817B (zh) | 基于物联网的五轴联动数控机床智能监测系统 | |
CN117391481B (zh) | 一种基于大数据的电力数据监视方法及系统 | |
CN116756595B (zh) | 一种导电滑环故障数据采集监测方法 | |
CN106933211B (zh) | 一种识别工业过程动态调整区间的方法和装置 | |
CN117236084B (zh) | 一种木工机械加工生产智能管理方法及系统 | |
CN115982602A (zh) | 一种光伏变压器电故障检测方法 | |
CN117851766B (zh) | 一种dotp粗酯连续蒸馏过程温度数据监测方法 | |
CN116235148A (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN109408498B (zh) | 基于特征矩阵决策树的时间序列特征识别与分解方法 | |
CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
JP2023518537A (ja) | 製油所の単数または複数の蒸留塔の目詰まりの予測方法、コンピュータプログラムおよび関連する予測システム | |
CN115016440A (zh) | 一种基于麻雀搜索的多元变分模态分解算法的全机组振荡检测方法 | |
CN113984708A (zh) | 一种化学指标检测模型的维护方法和装置 | |
CN111914214A (zh) | 一种基于缩减kpls模型的pta生产过程软测量方法 | |
CN118035779B (zh) | 一种超高压压滤机扭矩测量方法及系统 | |
CN117648657B (zh) | 一种城市规划多源数据优化处理方法 | |
CN113205121B (zh) | 一种基于局部特征异常因子的初馏塔采样数据粗差判别方法 | |
CN118094446A (zh) | 基于机器学习的厌氧系统运行情况智能分析方法 | |
CN113033649B (zh) | 一种基于实时判别型动态特征提取的pta过程异常监测方法 |
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 |