FI129477B - Soodakattilan reduktioasteen määritys - Google Patents

Soodakattilan reduktioasteen määritys Download PDF

Info

Publication number
FI129477B
FI129477B FI20195410A FI20195410A FI129477B FI 129477 B FI129477 B FI 129477B FI 20195410 A FI20195410 A FI 20195410A FI 20195410 A FI20195410 A FI 20195410A FI 129477 B FI129477 B FI 129477B
Authority
FI
Finland
Prior art keywords
recovery boiler
reduction
determining
degree
image frame
Prior art date
Application number
FI20195410A
Other languages
English (en)
Swedish (sv)
Other versions
FI20195410A1 (fi
Inventor
Juho Nurmi
Heikki Lappalainen
Esa Vihavainen
Sauli Rissanen
Original Assignee
Andritz Oy
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
Priority to FI20195410A priority Critical patent/FI129477B/fi
Application filed by Andritz Oy filed Critical Andritz Oy
Priority to JP2021564130A priority patent/JP2022533536A/ja
Priority to PCT/FI2020/050324 priority patent/WO2020234511A1/en
Priority to CN202080034933.6A priority patent/CN113811651A/zh
Priority to US17/612,191 priority patent/US20220220671A1/en
Priority to CA3137251A priority patent/CA3137251A1/en
Priority to EP20731519.3A priority patent/EP3969657B1/en
Priority to BR112021020570A priority patent/BR112021020570A2/pt
Publication of FI20195410A1 publication Critical patent/FI20195410A1/fi
Priority to CL2021002943A priority patent/CL2021002943A1/es
Application granted granted Critical
Publication of FI129477B publication Critical patent/FI129477B/fi

Links

Classifications

    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21C—PRODUCTION OF CELLULOSE BY REMOVING NON-CELLULOSE SUBSTANCES FROM CELLULOSE-CONTAINING MATERIALS; REGENERATION OF PULPING LIQUORS; APPARATUS THEREFOR
    • D21C11/00—Regeneration of pulp liquors or effluent waste waters
    • D21C11/10—Concentrating spent liquor by evaporation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21C—PRODUCTION OF CELLULOSE BY REMOVING NON-CELLULOSE SUBSTANCES FROM CELLULOSE-CONTAINING MATERIALS; REGENERATION OF PULPING LIQUORS; APPARATUS THEREFOR
    • D21C11/00—Regeneration of pulp liquors or effluent waste waters
    • D21C11/12—Combustion of pulp liquors
    • D—TEXTILES; PAPER
    • D21—PAPER-MAKING; PRODUCTION OF CELLULOSE
    • D21C—PRODUCTION OF CELLULOSE BY REMOVING NON-CELLULOSE SUBSTANCES FROM CELLULOSE-CONTAINING MATERIALS; REGENERATION OF PULPING LIQUORS; APPARATUS THEREFOR
    • D21C7/00—Digesters
    • D21C7/12—Devices for regulating or controlling
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N1/00—Regulating fuel supply
    • F23N1/04—Regulating fuel supply conjointly with air supply and with draught
    • F23N1/042—Regulating fuel supply conjointly with air supply and with draught using electronic means
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/02—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium
    • F23N5/08—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23N—REGULATING OR CONTROLLING COMBUSTION
    • F23N5/00—Systems for controlling combustion
    • F23N5/02—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium
    • F23N5/08—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements
    • F23N5/082—Systems for controlling combustion using devices responsive to thermal changes or to thermal expansion of a medium using light-sensitive elements using electronic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/50—Measurement of colour; Colour measuring devices, e.g. colorimeters using electric radiation detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/60—Radiation pyrometry, e.g. infrared or optical thermometry using determination of colour temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/251—Colorimeters; Construction thereof
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/34—Paper
    • G01N33/343—Paper paper pulp
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J2003/466—Coded colour; Recognition of predetermined colour; Determining proximity to predetermined colour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G01N2021/177—Detector of the video camera type
    • G01N2021/1776—Colour camera
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Abstract

Keksintö mahdollistaa soodakattilan reduktioasteen määrittämisen kemikaalisulanäytteestä saadusta optisesta informaatiosta. Prosessorilla (202) luetaan (301) digitaalinen kuvakehys, josta ainakin osa esittää soodakattilan kemikaalisulanäytettä. Luetusta digitaalisesta kuvakehyksestä määritetään (302) mielenkiintoalue, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittävästä alueesta digitaalisesta kuvakehyksestä. Mielenkiintoalueen pikseliarvoista määritetään (303) yksi tai useampi reduktioasteen muutoksen kanssa korreloiva spektripiirrearvo. Soodakattilan reduktioaste määritetään (304) käyttäen ennalta määrätyillä painoarvoilla painotettujen määritettyjen yhden tai useamman spektripiirrearvon reduktioastefunktiota.

Description

SOODAKATTILAN REDUKTIOASTEEN MÄÄRITYS
KEKSINNÖN ALA Keksintö koskee soodakattilan reduktioasteen määrittämistä kemikaalisulanäytteestä saadusta opti- sesta informaatiosta.
TEKNIIKAN TASO Soodakattilalla on periaatteessa kaksi pääteh- tävää, kemikaalien talteenotto sekä prosessissa synty- vän palamislämmön talteenotto höyrynä ja sähköener- giana. Soodakattilan tulipesän alaosan sulakourujen kautta ulos valuva kemikaalisula sisältää natriumsulfi- dia, natriumkarbonaattia ja natriumsulfaattia. Sooda- kattilan suorittamalle kemikaalien talteenoton tehok- kuudelle on oleellista pelkistymis- eli reduktioaste, joka kertoo natriumsulfidiksi pelkistyneen natriumsul- faatin määrän. Reduktioaste, josta jäljempänä käytetään myös reduktio -sanaa, määritetään prosenttiosuutena. Mitattua reduktiota käytetään esimerkiksi soodakattilan polttoaineensyötön sekä eri tasojen palamisilmamäärien ohjaukseen polton optimoimiseksi. Reduktiota on mitattu sulavirrasta lasiputkeen otetun näytteen laboratorio- analyysilla sekä liuotussäiliöön liuenneen suolasulan eli viherlipeän pitoisuuden mittauksin, jota on voitu tehdä myös optisin menetelmin. Näitä mittausmenetelmiä sekä soodakattilan säätämistä mittaustulosten perus- = teella on kuvattu esimerkiksi julkaisuissa US2018080173 N ja US5616214. 3 Reduktion mittaaminen sekä jähmettyneestä suo- = 30 lanäytteestä että liuotussäiliön viherlipeästä aiheut- I tavat hyvin suuren viiveen mittaustuloksiin. Näytteiden + laboratoriotutkimus aiheuttaa aina tuntien viiveen. = Vaikka viherlipeän analyysi toteutettaisiin online mit- 3 tauksin, mittauksiin integroituu väistämättä viive, S 35 joka johtuu liuotussäiliön sisällön sekoittumisesta ja hitaahkosta vaihtumisesta. Lisäksi viherlipeän analyysi tuottaa keskiarvon eri sulakouruista tulevan sulavirran koostumuksista eli se ei voi tuoda esiin polton eroa- vaisuuksia, joita soodakattilan polttokammion eri alu- eilla esiintyy. Suurimmat soodakattilat ovat laajoja, yli 20 metriä leveitä ja niissä voi olla yli 10 sula- kourua. Polton olosuhteet voivat siten olla erilaiset esimerkiksi eri laidoilla tai keskellä kattilaa.
KEKSINNÖN YHTEENVETO Esillä olevan keksinnön ensimmäisen piirteen mukaisesti tuodaan esiin menetelmä soodakattilan reduk- tioasteen määrittämiseksi. Menetelmä käsittää vaiheet, joissa: luetaan prosessorilla digitaalinen kuvakehys, josta ainakin osa esittää soodakattilan kemikaalisula- näytettä; määritetään prosessorilla luetusta digitaali- sesta kuvakehyksestä mielenkiintoalue, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittä- västä alueesta digitaalisesta kuvakehyksestä; määritetään prosessorilla määritetyn mielen- kiintoalueen pikseliarvoista yksi tai useampi reduktio- asteen muutoksen kanssa korreloiva spektripiirrearvo; ja määritetään prosessorilla soodakattilan reduk- tioaste käyttäen ennalta määrätyillä painoarvoilla pai- o notettujen määritettyjen yhden tai useamman spektri- o piirrearvon reduktioastefunktiota. N Esillä olevan keksinnön toisen piirteen mukai- 7 30 sesti tuodaan esiin tietokoneohjelmatuote, joka käsit- TY tää ainakin yhden tietokoneen luettavissa olevan tal- E lennusvälineen, joka käsittää joukon käskyjä, jotka yh- o den tai useamman prosessorin suorittamina saavat tieto- s konelaitteen suorittamaan ensimmäisen piirteen mukaisen 2 35 menetelmän. N Esillä olevan keksinnön kolmannen piirteen mu- kaisesti tuodaan esiin tietokonelaite, joka käsittää:
ainakin yhden prosessorin; ja ainakin yhden muistin, joka käsittää tietoko- neohjelmakoodia, jotka ainakin yksi muisti ja tietoko- neohjelmakoodi on järjestetty ainakin yhden prosessorin kanssa saamaan tietokonelaitteen: lukemaan digitaalisen kuvakehyksen, josta ai- nakin osa esittää soodakattilan kemikaalisulanäytettä; määrittämään luetusta digitaalisesta kuvake- hyksestä mielenkiintoalueen, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittävästä alueesta digitaalisesta kuvakehyksestä; määrittämään määritetyn mielenkiintoalueen pikseliarvoista yhden tai useamman reduktioasteen muu- toksen kanssa korreloivan spektripiirrearvon; ja määrittämään soodakattilan reduktioasteen käyttäen ennalta määrätyillä painoarvoilla painotettu- jen määritettyjen yhden tai useamman spektripiirrearvon reduktioastefunktiota.
Esillä olevan keksinnön neljännen piirteen mu- kaisesti tuodaan esiin järjestelmä, joka käsittää: näytteenottimen näytteen ottamiseksi soodakat- tilan kemikaalisulanäytteestä; välineet digitaalisen kuvakehyksen generoi- miseksi näytteenottimella otetusta soodakattilan kemi- kaalisulanäytteestä; ja kolmannen piirteen mukaisen laitteen.
Keksinnön eräässä sovelluksessa mainittujen > painoarvojen ennalta määrittäminen käsittää: N määritetään soodakattilan kemikaalisulanäyt- 3 30 teestä laboratoriomittauksella soodakattilan reduktio- ™~ aste käytettäväksi tavoitearvona; Ek tuotetaan mainittua soodakattilan kemikaali- + sulanäytettä esittävä digitaalinen kalibrointikuvakehys = ja määritetään siitä mainitut yksi tai useampi spektri- 3 35 piirrearvo; ja S sovitetaan määritetyt yksi tai useampi spekt- ripiirrearvo ja tavoitearvo toisiinsa.
Keksinnön eräässä sovelluksessa sovitukseen käytetään lineaarista pienimmän neliösumman menetelmää tai neuroverkkolaskentaa. Keksinnön eräässä sovelluksessa mielenkiinto- alueen määrittäminen käsittää ainakin yhden seuraavista poistamisen prosessorilla: yksi tai useampi luetun di- gitaalisen kuvakehyksen reuna-alue, yksi tai useampi halkeama-alue, ja yksi tai useampi hiilipartikkelialue. Keksinnön eräässä sovelluksessa kukin spektri- piirrearvo käsittää jonkin seuraavista: punaisuus suh- teessa kokonaisintensiteettiin, sinisyys suhteessa ko- konaisintensiteettiin, keltaisuus suhteessa kokonaisin- tensiteettiin, punaisuuden keskihajonta, gradientin keskiarvo, ja värisävyn keskiarvo.
Keksinnön eräässä sovelluksessa digitaaliseen kuvakehykseen liittyy näytteenottoinformaatiota, joka käsittää ainakin yhden seuraavista: kuvakehyksen esit- tämän kemikaalisulanäytteen ottopisteen tunniste, ja kuvakehyksen esittämän kemikaalisulanäytteen ottoaika.
Keksinnön eräässä sovelluksessa määritettyä soodakattilan reduktioastetta käytetään mainitun sooda- kattilan ohjaamiseen.
Keksinnön mukaisella ratkaisulla voidaan saa- vuttaa jopa sulakourukohtainen mittaustapa, jolla voi- daan aiempaa oleellisesti nopeammin reagoida polton häi- riöihin ja reduktiomittauksiin perustuen optimoida polttoprosessi polttokammiossa myös paikallisesti.
> Ainakin jotkin keksinnön mukaiset ratkaisut N mahdollistavat riittävän hyvän mittauksen yksittäisten 3 30 sulakourujen reduktioasteen muutosten seuraamiseen ™~ niin, että tulos on kourujen kesken vertailukelpoinen. z Tilanteissa, joissa sulakourun reduktioaste ei ole eri- + teltävissä kourukohtaisesti riittävän luotettavasti, = voidaan kourukohtaiset reduktioastearvot yhdistää las- 3 35 kemalla kourukohtaisten reduktiotulosten keskiarvo.
o
N
Sulakourun reduktioastetuloksella päästään kourukohtaiseen reduktioasteeseen kiinni, ja tällä voi- daan ohjata soodakattilan tulipesän toimintaa paikalli- sesti. Polttoaineen- ja ilmojen syöttöjen ohjauksilla 5 tasapainotetaan kattilan toimintaa, jolloin muun muassa soodakattilan höyryntuotanto ja kemikaalikierto parane- vat. Tasainen poltto vähentää myös soodakattilan 1i- kaantumista ja vähentää vaarallisia sulasyöksyjä. Sulakourureduktioista voidaan laskea reduktio- asteelle keskiarvo, jolloin tässä esitetyllä keksin- nöllä voidaan säästää laboratoriokustannuksissa sekä ajassa. Aikasäästö mahdollistaa soodakattilan nopeamman virittämisen toiminta-alueelleen, ja aikaansaa siten tuotannon määrän ja laadun lisäystä.
Fdelleen ainakin jotkin keksinnön mukaiset ratkaisut mahdollistavat soodakattilan reduktioasteen esim. ajallisesti/paikallisesti eri määritysten/mit- tausten tulosten arvioinnin ja vertailun sekä objektii- visen mittaustiedon ja mittauksen historiatiedon. Esim.
ainakin jotkin keksinnön mukaiset ratkaisut mahdollis- tavat sen, että vertailukelpoinen tulos saadaan alle 5 minuutissa, ja tulos jää aikaleimaisena talteen ja on verrattavissa muihin reduktionäytteisiin tai mihin ta- hansa muuhun dataan.
Fdelleen ainakin jotkin keksinnön mukaiset ratkaisut mahdollistavat sen, että reduktionäytteistys on helposti toistettavissa ja automatisoitavissa. Auto- > maatio mahdollistaa esimerkiksi tiheän seurantafrek- N venssin sekä nopean tarkistuksen, jos mitattu reduktio- 3 30 aste poikkeaa oleellisesti odotusarvosta.
™~ Edullisesti kamerana voidaan käyttää taval- z lista näkyvän valon alueen värikameraa ja saada silti + riittävän hyvän korrelaation omaavia tuloksia. Värika- = meran täydennyksenä tai sijasta voidaan käyttää infra- 3 35 puna- ja/tai spektrikameraa, joiden spektripiirrearvoja S käytetään reduktioasteen määrittämisessä.
KUVALUETTELO Seuraavassa keksintöä selostetaan oheisten so- vellusesimerkkien avulla viittaamalla oheiseen piirus- tukseen, jossa kuviossa 1 on kaaviomaisesti kuvattu eräs kek- sinnön mukainen järjestelmä; kuviossa 2 on kaaviomaisesti kuvattu eräs kek- sinnön mukainen laite; kuviossa 3 on kaaviomaisesti kuvattu eräs kek- sinnön mukainen menetelmä; kuviossa 4A on kuvattu eräs keksinnön mukainen näytteenotin; ja kuviossa 4B on kaaviomaisesti kuvattu eräs kek- sinnön mukainen digitaalinen kuvakehys.
Oheisessa piirustuksessa käytetään kauttaal- taan samoja viitenumeroita viittaamaan toisiaan vastaa- viin elementteihin.
KEKSINNÖN YKSITYISKOHTAINEN SELOSTUS Seuraavassa selostetaan yksityiskohtaisesti esillä olevan keksinnön sovellusmuotoja, joiden esi- merkkejä kuvataan oheisessa piirustuksessa. Seuraava yksityiskohtainen selostus yhdessä oheisen piirustuksen kanssa on tarkoitettu kuvaamaan esimerkkejä eikä niiden ole tarkoitus edustaa ainoita tapoja, joilla esitetyt esimerkit voidaan toteuttaa tai joilla niitä voidaan O hyödyntää. Seuraavassa tuodaan esille esimerkkitoimin- S toja ja vaiheiden/operaatioiden sarjoja esimerkkien ro koostamiseksi ja käyttämiseksi. Samat tai vastaavat toi- NM 30 minnot ja vaiheet/operaatiot voidaan kuitenkin saada > aikaan myös toisilla esimerkeillä. E Kuviossa 1 on kuvattu esimerkinomaisesti erään 2 keksinnön mukaisen järjestelmän 100 komponentit, jossa D järjestelmässä 100 voidaan toteuttaa esillä olevan kek- > 35 sinnön eri sovellusmuotoja. Kuvion 1 esimerkissä on esi- tetty soodakattila 110, näytteenotin 120, välineet 130 digitaalisen kuvakehyksen generoimiseksi näytteenotti- mella 120 otetusta soodakattilan 110 kemikaalisulanäyt- teestä, tietokonelaite 200 soodakattilan reduktioasteen määrittämiseksi otetusta näytteestä, sekä jatkokäsitte- lyvälineet 140.
Soodakattila 110 on mustalipeän polttamiseen suunniteltu höyrykattila, jolla on kaksoisrooli toimia kemikaalien talteenottolaitteistona ja korkeapaineisen höyryn sekä energian tuotantoon soveltuvana yksikkönä sellutehtaassa. Soodakattilan 110 tulipesän (ei esi- tetty kuviossa 1) alaosassa on yksi tai useampia sula- kouruja 111, joiden kautta valuu ulos kemikaalisulaa, joka sisältää natriumsulfidia, natriumkarbonaattia ja natriumsulfaattia. Soodakattilan 110 reduktioaste ker- too natriumsulfidiksi pelkistyneen natriumsulfaatin määrän prosenttiosuutena.
Toisin sanoen soodakattilan reduktioaste voi- daan määrittää seuraavasti: reduktioaste = i Tr missä NaS on natriumsulfidi (moolia) ja Na,Ss0, on natriumsulfaatti (moolia). Näytteenotin 120 voi käsittää esimerkiksi näytteenottotangon, -kulhon tai -sauvan. Myös lasiput- kinäytettä voidaan analysoida keksinnön mukaisesti, o jolloin samasta näytteestä saadaan laboratoriossa refe- D renssiarvo kalibrointia varten. Eräässä esimerkissä N näytteenotin 120 käsittää näytetangon, jonka päässä on ? 30 tasainen suorakaiteenmuotoinen pää, joka kastetaan su- == lakourusta valuvaan kemikaalisulaan. Tasaisen lattamai- E sen tangon etuna on se, että siitä otettavan kuvan o reuna-alueille ei tule muodosta johtuvia vääristymiä. s Vääristymien kohdalta otettu kuva saattaisi esimerkiksi > 35 olla reunoiltaan tummempi, mikä vaikuttaisi reduktioas- N teen laskennassa käytettäviin spektripiirrearvoihin.
Kuvio 4A esittää erästä esimerkkiä keksinnön mukaisesta naytetangosta 410 tasaisella suorakaiteenmuotoisella päällä.
Eräässä esimerkissä näytteenotin 120 voidaan esilämmittää.
Esilämmitetyssä näytteenottimessa 120 su- lan kuorruttaminen näytteenottimeen on tasaisempaa eikä mahdollinen kosteus vaikuta enää näytteenottoon.
Esi- lämmityksen jälkeen näytteenottimen 120 lämpötila on tyypillisesti n. 300-400°C.
Fräässä esimerkissä näytteenottimen 120 puh- distamisen ja esilämmityksen jälkeen näytteenotin 120 viedään uudestaan sulavirran alle ja pyritään saamaan siihen nopealla sulavirtaan kastamisella tasainen pinta.
Kun näytteenottimen 120 pää on kokonaan sulan peitossa, se nostetaan pois ja sulan annetaan jähmettyä näytteenottimen 120 pään pintaan.
Näytteenoton jälkeen näytteenotin 120 viedään kuvantamisvälineisiin 130 (esimerkiksi näyteasema), jossa siitä otetaan kuva.
Siirron ja kuvauksen aikana näyte edullisesti suojataan suojakaasulla hapettumiselta.
Eräässä esimerkissä näytteenotin 120 on manu- aalisesti käytettävä.
Eräässä toisessa esimerkissä näytteenotin 120 on automatisoitu, esim. robotin tai manipulaattorin avulla.
Välineet 130 digitaalisen kuvakehyksen gene- roimiseksi voivat käsittää esimerkiksi näyteaseman, jo- hon kuuluu kamera, kuvauskaapin ja telineen, johon näyt- teenotin 120 asetetaan.
Kamera voi käsittää esimerkiksi digitaalisen kameran tai analogisen kameran.
Analogisen > kameran tapauksessa välineet 130 voivat käsittää väli- N neet saadun analogisen kuvan digitoimiseksi.
Eräässä 3 30 esimerkissä kamera on älypuhelimen, tablet -tietokoneen ™~ tai vastaavan kamera.
Eräässä esimerkissä kamera on te- z ollisuuskamera.
Eräässä esimerkissä kamera on näkyvän + valon alueen värikamera.
Eräässä esimerkissä kamera on = infrapunakamera.
Eräässä esimerkissä kamera on spektri- 3 35 kamera, kuten esimerkiksi infrapunaspektrikamera.
S Fräässä esimerkissä näytteenotin 120 asetetaan näyteasemassa olevaan telineeseen niin, että sen sulalla kuorruttunut pää tulee kuvauskaapin sisälle aina samassa asennossa (esim. vaakasuorassa). Eräässä esimerkissä näytteenottimen 120 kuvaus suoritetaan noin puolen mi- nuutin sisällä sulanäytteen ottamisesta, jotta näytteen mahdollisen hapettumisen vaikutukset pidetään mahdolli- simman pieninä. Eräässä esimerkissä näytteenottimen 120 kuvaus suoritetaan niin, että näytteenottimen 120 näyte on keskellä kuvaa. Eräässä esimerkissä kuvauskaappi on valaistu, esimerkiksi luonnonvaloa lähellä olevalla valaistuk- sella. Eräässä esimerkissä valaistuksen värilämpötila on n. 4000 K, valaistusvoimakkuus on n. 10000 lux, ja värintoistokyky (Ra) on n. 95. Muulla kuin näkyvän valon aallonpituuksilla tehtävää kuvausta varten käytetään kyseiseen kuvaukseen soveltuvaa valonlähdettä. Riittä- vän kuuma näyte voi olla itsevalaiseva, jolloin valon- lähdettä ei tarvita. Sekä näytteenoton että kuvausta- pahtuman olosuhteet tulisi vakioida parhaan korrelaa- tion saavuttamiseksi.
Tietokonelaitetta 200 soodakattilan reduktio- asteen määrittämiseksi kuvataan tarkemmin kuvion 2 se- lostuksen yhteydessä.
Jatkokäsittelyvälineet 140 voivat käsittää esimerkiksi työasematietokoneita, palvelintietokoneita, tietokantoja, ja/tai tietoliikenneyhteyksiä jne., joi- den avulla voidaan toteuttaa tai käynnistää erilaisia jatkokäsittelytoimenpiteitä (esimerkiksi soodakattilan = polttoaineensyötön sekä eri tasojen palamisilmamäärien N ohjaus polton optimoimiseksi), joissa hyödynnetään mää- 3 30 ritettyä soodakattilan reduktioastetta. Eräässä esimer- ™~ kissä otettuja kuvia sekä analyysitietoja voidaan käsi- z tellä sopivan käyttöliittymän avulla ja/tai sopivan tie- * tokannan kautta luettuna esimerkiksi prosessinohjaus- = järjestelmässä. Eräässä esimerkissä jatkokäsittelytoi- 3 35 menpiteitd tai muuta vastaavaa varten voidaan järjestää S myös segmentoituja kuvia, jolla tässä tarkoitetaan di-
gitaalista kuvakehystä, jossa mielenkiintoalue on esi- tetty esimerkiksi alkuperäisen kuvan päälle gene- roidulla peittokuvalla (overlay). Reduktioasteen määritystuloksia voidaan käyt- tää esimerkiksi mittaustietona monitorointi- tai oh- jausjärjestelmissä, mittaustietona säätöpiireissä, da- tana big data — tyyppisessä käsittelyssä, datana teko- älyratkaisuissa, datana IOT (Internet of Things) -so- velluksissa, datana tilastollisissa menetelmissä, pol- ton onnistumisen seurannassa (hyvä reduktio tarkoittaa toimivaa polttoprosessia, josta seuraa puhtaampana py- syvä kattila ja korkeampi tuotantoaste (höyry, kemikaa- lien talteenotto) sekä puhtauden kautta pienempi puh- distushöyryn tarve), ja/tai kemikaalikierron seuran- nassa (hyvä reduktio tarkoittaa korkeaa kemikaalien tal- teenottoastetta). Esimerkiksi korkea tasainen reduktio edesauttaa viherlipeän käsittelyä kaustisoinnissa ja meesauunilla.
Edelleen viherlipeän sakan määrään vaiku- tetaan pienentävästi korkealla reduktiolla (sakka on ongelmajätettä). Kuvio 2 on lohkokaavio erään sovellusmuodon mukaisesta tietokonelaitteesta 200 Tietokonelaite 200 käsittää ainakin yhden pro- sessorin 202, ja ainakin yhden muistin 204, joka käsit- tää tietokoneohjelmakoodia 205. Tietokonelaite 200 voi käsittää myös esimerkiksi syöte/ulosantomoduulin 206, ja/tai tiedonsiirtoliitännän 208. = Vaikka kuvion 2 tietokonelaitteen 200 esite- N tään käsittävän vain yhden prosessorin 202, tietokone- 3 30 laitteeseen 200 voi kuulua useampia prosessoreita. ™~ Eräässä sovellusmuodossa muistille 204 voidaan tallen- z taa käskyjä 205 (esim. käyttöjärjestelmä ja/tai eri so- + velluksia). Lisäksi prosessorilla 202 voidaan suorittaa = tallennettuja käskyjä.
Eräässä sovellusmuodossa proses- 3 35 sori 202 voidaan toteuttaa moniydinprosessorina, yhden S ytimen prosessorina, tai yhden tai useamman moniydinpro- sessorin sekä yhden tai useamman moniydinprosessorin yhdistelmänä. Prosessori 202 voidaan esimerkiksi to- teuttaa yhtenä tai useampana eri prosessointilaitteena, kuten apuprosessorina, mikroprosessorina, kontrolle- rina, DSP (digital signal processor) -prosessorina, pro- sessointipiirinä DSP:llä tai ilman, tai erilaisina muina prosessointilaitteina mukaan lukien ASIC-piiri (appli- cation specific integrated circuit), FPGA-piiri (field programmable gate array), mikrokontrolleriyksikkö, laitteistokiihdytin, tai muu vastaava. Eräässä sovel- lusmuodossa prosessori 202 voidaan järjestää suoritta- maan kovakoodattua toiminnallisuutta. Eräässä sovellus- muodossa prosessori 202 on toteutettu ohjelmistokäsky- jen suorittajana, missä prosessori 202 voidaan konfigu- roida käskyillä suorittamaan tässä selostuksessa kuvat- tuja algoritmeja ja/tai operaatioita, kun käskyjä aje- taan.
Muisti 204 voidaan toteuttaa yhtenä tai useam- pana haihtuvan muistiin laitteena, yhtenä tai useampana haihtumattoman muistiin laitteena, ja/tai yhden tai use- amman haihtuvan muistiin laitteen sekä yhden tai useam- man haihtumattoman muistiin laitteen yhdistelmänä. Muisti 204 voidaan esimerkiksi toteuttaa puolijohde- muistina, kuten esimerkiksi PROM (programmable ROM) - muistina, EPROM (erasable PROM) -muistina, flash ROM - muistina, RAM (random access memory) -muistina, jne.
Syöte/ulosantomoduuli 206 on järjestetty avus- tamaan syötteen ja/tai ulosannon järjestämisessä.
= Syote/ulosantomoduuli 206 on järjestetty olemaan vies- N tintäyhteydessä prosessorin 202 ja muistin 204 kanssa. 3 30 Esimerkkeihin syöte/ulosantomoduulista 206 kuuluu nii- ™~ hin rajoittumatta syöterajapinta ja/tai ulosantoraja- Ek pinta. Esimerkkeihin syöterajapinnasta kuuluu niihin * rajoittumatta näppäimistö, kosketusnäyttö, mikrofoni, = jne. Esimerkkeihin ulosantorajapinnasta kuuluu niihin 3 35 rajoittumatta kaiutin, näyttö, kuten esimerkiksi LED- S näyttö, TFT-näyttö, nestekidenäyttö, AMOLED-näyttö, jne.
Tiedonsiirtoliitäntä 208 voi mahdollistaa sen, että tietokonelaite 200 voi kommunikoida muiden lait- teiden kanssa. Eräässä sovellusmuodossa tietokonelait- teen 200 eri komponentit, kuten esimerkiksi prosessori 202, muisti 204, syöte/ulosantomoduuli 206, ja tiedon- siirtoliitäntä 208 on järjestetty kommunikoimaan tois- tensa kanssa keskitetyn piirin 210 kautta tai välityk- sellä. Keskitetty piiri 210 voi käsittää esimerkiksi painetun piirilevyn, kuten esimerkiksi emolevyn tai muun vastaavan.
Tässä kuvattu ja selostettu tietokonelaite 200 on vain esimerkki laitteesta, joka voi hyötyä keksinnön sovellusmuodoista, eikä sen ole tarkoitus rajoittaa kek- sinnön suojapiiriä. Huomattakoon, että tietokonelait- teeseen 200 voi kuulua enemmän tai vähemmän komponent- teja kuin mitä kuviossa 2 on esitetty. Tietokonelaite 200 voidaan hajauttaa useaksi eri fyysiseksi kokonai- suudeksi, jotka kommunikoivat keskenään sopivan vies- tintäyhteyden välityksellä.
Mainitut ainakin yksi muisti 204 ja tietoko- neohjelmakoodi 205 on järjestetty ainakin yhden proses- sorin 202 kanssa saamaan tietokonelaitteen 200 lukemaan digitaalisen kuvakehyksen, josta ainakin osa esittää soodakattilan 110 kemikaalisulanäytettä. Eräässä sovel- lusmuodossa tietokonelaite 200 vastaanottaa luettavan digitaalisen kuvakehyksen. Eräässä toisessa sovellus- muodossa tietokonelaite 200 noutaa luettavan digitaali- = sen kuvakehyksen. Eräässä esimerkissä yksi tai useampia N digitaalisia kuvakehyksiä on tallennettu tietokantaan, 3 30 josta tietokonelaite 200 noutaa niitä. Tällainen tieto- ™~ kanta voi olla integroitu tietokonelaitteeseen 200 tai z se vol olla hajautettu erilleen tietokonelaitteesta 200 * ja yhdistetty siihen sopivalla tietoliikenneyhteydellä. = Fräässä sovellusmuodossa kuvattu kemikaali- 3 35 sulanäyte on näytteenottimen 120 pinnalla. Eräässä so- S vellusmuodossa digitaalisen kuvakehyksen kuva-ala ka-
sittää itse kemikaalisulanäytteen lisäksi kemikaali- sulanäytteen ympäristöä.
Kuvio 4B esittää erästä esi- merkkiä keksinnön mukaisesta digitaalisesta kuvakehyk- sestä 420. Digitaalisen kuvakehyksen 420 kuva-ala kä- sittää kemikaalisulanäytteen alueen 423, yläreuna-alu- een 421, alareuna-alueen 422, sekä useita halkeama-alu-
eita 424. Mainitut ainakin yksi muisti 204 ja tietoko- neohjelmakoodi 205 on edelleen järjestetty ainakin yhden prosessorin 202 kanssa saamaan tietokonelaitteen 200 määrittämään luetusta digitaalisesta kuvakehyksestä mielenkiintoalueen, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittävästä alueesta digi- taalisesta kuvakehyksestä.
Eräässä sovellusmuodossa mielenkiintoalueen määrittäminen käsittää ainakin yhden seuraavista poistamisen: yksi tai useampi luetun digi- taalisen kuvakehyksen reuna-alue 421, 422, yksi tai use- ampi halkeama-alue 424, ja yksi tai useampi hiilipar- tikkelialue (ei esitetty kuviossa 4B). Toisin sanoen mielenkiintoalueen määrittämisessä digitaalisesta kuva- kehyksestä rajataan pois ei-toivotut alueet, jotka voi- sivat vääristää spektripiirrearvojen laskentaa.
Digi- taalisen kuvakehyksen reuna-alueet ovat ei-toivottuja esimerkiksi silloin, kun kemikaalisulanäytteen alue ei ulotu niille.
Halkeama-alueet ja hiilipartikkelialueet ovat ei-toivottuja, koska ne ovat tummempia kuin kemi- kaalisulanäytteen alue, ja voivat siten vääristää spekt- > ripiirrearvojen laskentaa.
Mielenkiintoalueen määrittä- N misessä voidaan hyödyntää informaatiota digitaalisen 3 30 kuvakehyksen pikseleiden vaaleudesta/tummuudesta esi- ™~ merkiksi siten, että ennalta määrättyä kynnysarvoa tum- z memmat alueet poistetaan.
Lisäksi poistettaville alu- + eille voidaan määrittää minimikoko.
Eräässä sovellus- = muodossa mielenkiintoalue on suorakulmaisen muotoinen. 3 35 Mainitut ainakin yksi muisti 204 ja tietoko- S neohjelmakoodi 205 on edelleen järjestetty ainakin yhden prosessorin 202 kanssa saamaan tietokonelaitteen 200 määrittämään määritetyn mielenkiintoalueen pikseliar- voista yhden tai useamman reduktiocasteen muutoksen kanssa korreloivan spektripiirrearvon. Tässä tekstissä spektripiirrearvolla tarkoitetaan spesifisesti näkyvän valon ja/tai infrapunasäteilyn spektriin liittyvän piirteen arvoa. Eräässä esimerkissä spektripiirrearvoon voi vaikuttaa myös ao. näkyvää valoa ja/tai infrapu- nasäteilyä heijastavan pinnan eli kemikaalisulanäytteen pinnan ominaisuudet, kuten esimerkiksi ao. pinnan muodot (esim. tasainen/karkea), ja/tai esimerkiksi se, onko kemikaalisulanäytteen pinta matta vai kiiltävä. Eräässä esimerkissä spektripiirrearvo käsittää väriin liittyvän piirteen arvon. Eräässä sovellusmuodossa kukin määri- tettävä spektripiirrearvo käsittää jonkin seuraavista: punaisuus suhteessa kokonaisintensiteettiin, sinisyys suhteessa kokonaisintensiteettiin, keltaisuus suhteessa kokonaisintensiteettiin, punaisuuden keskihajonta, gra- dientin keskiarvo, ja värisävyn keskiarvo. Fräässä näkyvän valon aallonpituuksilla toteu- tettavassa esimerkissä määritettävät spektripiirrearvot käsittävät yhden tai useamman seuraavista: e punaisuus suhteessa kokonaisintensiteettiin = keskiarvo( (punainen RGB-värikanava mielenkiintoalu- eella) / kokonaisintensiteetti); e sinisyys suhteessa kokonaisintensiteettiin = keskiarvo( (sininen RGB-värikanava mielenkiintoalueella) = / kokonaisintensiteetti); N e keltaisuus suhteessa kokonaisintensiteettiin 3 30 = keskiarvo((punainen RGB-värikanava mielenkiintoalu- ™~ eella) + (vihreä RGB-värikanava mielenkiintoalueella) / z kokonaisintensiteetti); * e punaisen keskihajonta = keskihajonta (punai- = nen RGB-värikanava mielenkiintoalueella);
LO >
N e gradientin keskiarvo = keskiarvo(neliö- juuri ( (gradientti (3x3 Sobel) y-suunta)”2 + (gra- dientti (3x3 Sobel) x-suunta)”2)). Tässä gradientti las- ketaan 3x3 Sobel -kernelillä; ja/tai e värisävyn keskiarvo = keskiarvo (Hue-kanava). Värisävyä vastaava Hue-kanava saadaan esimerkiksi suo- rittamalla RGB -> HSV -muunnos.
Yllä olevassa esimerkissä RGB tarkoittaa RGB (red, green, blue) -värimallia, ja HSV tarkoittaa HSV (hue, saturation, value) -värimallia.
Kokeissa on havaittu, että matalan reduktioas- teen kuvissa soodakattilan kemikaalisulanäytteen väri on näyteaineiston mukaan yleensä ruskeasävyinen, jossa on keltaista ja punaista. Korkean reduktioasteen kuviin päin mentäessä kuvien sävy muuttuu harmaammaksi ja ku- viin tulee sinisyyttä. Yleensä mustat ja sinisävyiset hiilipartikkelit kemikaalisulanäytteessä indikoivat hy- vää reduktioastetta.
Reduktioasteen laskentaan voidaan lisätä tai siitä voidaan poistaa spektripiirrearvoja esimerkiksi sen mukaan, mitkä spektripiirrearvot antavat parhaan sovituksen, eli mitkä spektripiirrearvot indikoivat parhaiten reduktioarvoa kussakin tilanteessa.
Mainitut ainakin yksi muisti 204 ja tietoko- neohjelmakoodi 205 on edelleen järjestetty ainakin yhden prosessorin 202 kanssa saamaan tietokonelaitteen 200 > määrittämään soodakattilan 110 reduktioasteen käyttäen N ennalta määrätyillä painoarvoilla painotettujen määri- 3 30 tettyjen yhden tai useamman spektripiirrearvon reduk- ™~ tioastefunktiota. Toisin sanoen määritetyt yksi tai use- z ampli spektripiirrearvo ovat muuttujina reduktioaste- + funktiossa. Eräässä esimerkissä reduktioastefunktio kä- = sittää ennalta määrätyillä painoarvoilla painotettujen 3 35 maaritettyjen yhden tai useamman spektripiirrearvon S summauksen.
Fräässä esimerkissä reduktioastefunktio käsit- tää seuraavan: Reduktioaste = kokonaislukupyöristys (punaisuus suhteessa kokonaisintensiteettiin * punaisuudenPaino- kerroin + sinisyys suhteessa kokonaisintensiteettiin * sinisyydenPainokerroin + keltaisuus suhteessa kokonai- sintensiteettiin * keltaisenPainokerroin + punaisen keskihajonta * punaisenKeskihajonnanPainokerroin + gra- dientin keskiarvo * gradientinKeskiarvonPainokerroin + värisävyn keskiarvo * värisävynKeskiarvonPainokerroin + vakiotermi).
Fdelleen eräässä esimerkissä painokertoimet käsittävät seuraavat: punaisuudenPainokerroin = 30.2334572, sinisyydenPainokerroin = 414.549091, keltaisenPainokerroin = -32.4228204, punaisenKeskihajonnanPainokerroin = 0.79065124, gradientinKeskiarvonPainokerroin = -0.469628029, värisävynKeskiarvonPainokerroin = -0.187562146, ja vakiotermi = -304.008636.
Fräässä sovellusmuodossa tämä painoarvojen en- nalta määrittäminen käsittää sen, että soodakattilan kemikaalisulanäytteestä määritetään laboratoriomittauk- = sella soodakattilan reduktioaste käytettäväksi tavoi- N tearvona. Lisäksi tuotetaan mainittua soodakattilan ke- 3 30 mikaalisulanäytettä esittävä yksi tai useampi digitaa- ™~ linen kalibrointikuvakehys referenssiaineistoksi ja z määritetään siitä mainitut yksi tai useampi spektri- * piirrearvo. Kalibrointikuvakehyksen ja laboratorionäyt- = teen naytteenotot suoritetaan mahdollisimman samanai- 3 35 kaisesti prosessivaihteluiden eliminoimiseksi. Tämän S jälkeen sovitetaan nämä määritetyt yksi tai useampi spektripiirrearvo sekä määritetty tavoitearvo toi- siinsa. Eräässä esimerkissä määritetyt yksi tai useampi spektripiirrearvo ja reduktioasteen tavoitearvo sovite- taan toisiinsa määrittämällä mainituille yhdelle tai useammalle väriarvolle painoarvot, joita käyttämällä reduktioastefunktiosta saadaan ulos mainittu reduktio- asteen tavoitearvo.
Fräässä esimerkissä laboratoriomittaus käsit- tää lasiputkinäytteen laboratorioanalyysin. Lasiputki- näytteistyksen eräässä esimerkissä ujutetaan manuaali- sesti saattovarrella lasiputki sulavirtaan, nostetaan pois (sula jähmettyy putken sisään) ja näyteputki tul- pataan hapettumisvirheen pienentämiseksi. Näyte analy- soidaan laboratoriossa. Tämä sama näyte voidaan analy- soida lisäksi keksinnön mukaisesti.
Eräässä sovellusmuodossa sovitukseen käytetään pienimmän neliösumman menetelmää (esim. lineaarista pienimmän neliösumman menetelmää), ts. tehdään esimer- kiksi lineaarinen pienimmän neliösumman sovitus lasket- tujen spektripiirrearvojen ja laboratoriomittausten vä- lille.
Eräässä toisessa sovellusmuodossa sovitukseen käytetään neuroverkkolaskentaa. Eräässä esimerkissä neuroverkon sisäänmenona on lasketut spektripiirrearvot ja ulostulona on reduktioasteen arvo. Neuroverkon ope- tusmateriaalina voidaan käyttää laskettuja spektripiir- rearvoja ja laboratoriomittaustuloksia. Eräässä esimer- = kissä neuroverkko käsittää fully connected -tyyppisen N neuroverkon.
3 30 Toisin sanoen eri spektripiirrearvojen paino- = kertoimet sovitetaan laskennassa laboratoriomittauksiin z ja sille pyritään hakemaan kertyneeseen referenssiai- + neistoon perustuen mahdollisimman hyvä sovitus niin, = että reduktioasteen mittausepätarkkuus olisi mahdolli- 3 35 simman pieni. Reduktioastefunktioon voidaan lisätä tai S siitä voidaan poistaa spektripiirrearvoja sen mukaan,
mitkä spektripiirrearvot antavat parhaan sovituksen tu- lokselle, eli mitkä spektripiirrearvot indikoivat par- haiten reduktioasteen muutosta. Eräässä esimerkissä reduktioastefunktio sovitetaan laitoskohtaisesti ja/tai laitoksen raaka-aineen mukaiseksi.
Sovituksen avulla saadaan reduktioastefunktio, jossa jokaiselle spektripiirrearvolle on määritetty painokerroin sovituksen perusteella. Tämän jälkeen pai- nokertoimien avulla reduktioaste voidaan jatkossa las- kea ilman varsinaisia laboratorioanalyysejä. Käytön ai- kana keksinnön mukaisesti saatuja tuloksia voidaan ver- rata vastaavan ajankohdan ja ottopisteen laboratori- onäytteisiin ja näin päivittää tarvittaessa reduktio- astefunktiota.
Eräässä sovellusmuodossa digitaaliseen kuvake- hykseen liittyy näytteenottoinformaatiota, joka käsit- tää ainakin yhden seuraavista: kuvakehyksen esittämän kemikaalisulanäytteen ottopisteen (kuten esimerkiksi sulakourun) tunniste, ja kuvakehyksen esittämän kemi- kaalisulanäytteen ottoaika (esim. aikaleima). Aika- leimojen tai vastaavien käyttö mahdollistaa esimerkiksi sen, että saadaan muodostettua aikaleimainen trendi, jota voidaan tarkastella halutulta aikaväliltä.
Eräässä sovellusmuodossa määritettyä soodakat- tilan reduktioastetta käytetään mainitun soodakattilan ohjaamiseen, kuten esimerkiksi soodakattilan polttoai- neensyötön sekä eri tasojen palamisilmamäärien ohjauk- = seen polton optimoimiseksi.
N Kuvio 3 esittää esimerkkivuokaaviota menetel- 3 30 masta 300 soodakattilan reduktioasteen määrittämiseksi ™~ esimerkkisovellusmuodon mukaisesti.
I Operaatiossa 301 luetaan prosessorilla digi- > taalinen kuvakehys, josta ainakin osa esittää soodakat- = tilan kemikaalisulanäytettä.
3 35 Operaatiossa 302 määritetään prosessorilla S luetusta digitaalisesta kuvakehyksestä mielenkiinto-
alue, joka käsittää pelkästään ainakin osan kemikaali- sulanäytettä esittävästä alueesta digitaalisesta kuva- kehyksestä. Operaatiossa 2303 määritetään prosessorilla määritetyn mielenkiintoalueen pikseliarvoista yksi tai useampi reduktioasteen muutoksen Kanssa korreloiva spektripiirrearvo. Operaatiossa 304 määritetään prosessorilla soodakattilan reduktioaste käyttäen ennalta määrätyillä painoarvoilla painotettujen määritettyjen yhden tai useamman spektripiirrearvon reduktioastefunktiota.
Menetelmä 300 voidaan suorittaa kuvion 2 lait- teella 200. Menetelmän 300 lisäpiirteet ovat suoraan seurausta laitteen 200 toiminnoista ja parametreista eikä niitä siten toisteta tässä. Menetelmä 300 voidaan suorittaa tietokoneohjelmalla/ tietokoneohjelmilla.
Esimerkkisovellusmuotoihin voi kuulua esimer- kiksi mitä tahansa sopivia tietokonelaitteita ja vas- taavia, jotka kykenevät suorittamaan esimerkkisovellus- muotojen prosesseja. Esimerkkisovellusmuotojen laitteet ja alijärjestelmät voivat kommunikoida toistensa kanssa käyttäen mitä tahansa sopivaa protokollaa, ja ne voidaan toteuttaa käyttäen yhtä tai useampaa ohjelmoitua tieto- konejärjestelmää tai -laitetta.
Esimerkkisovellusmuotojen kanssa voidaan käyt- tää yhtä tai useampaa liityntämekanismia, mukaan lukien esimerkiksi Internet-liityntä, televiestintä missä ta- = hansa sopivassa muodossa (esim. ääni, modeemi, jne.), N langaton viestintämedia, ja vastaavat. Käytettyihin 3 30 viestintaverkkoihin tai -yhteyksiin voi kuulua esimer- ™~ kiksi yksi tai useampia satelliittiviestintäverkkoja, z langattomia viestintaverkkoja, solukkoviestintäverk- * koja, 3G-viestintäverkkoja, 4G-viestintäverkkoja, 5G- = viestintäverkkoja, yleinen valintainen puhelinverkko, 3 35 pakettidataverkkoja, Internet, intranet -verkkoja, joi- S denkin näiden yhdistelmä, jne.
Ymmärrettäköön, että esimerkkisovellusmuodot ovat vain esimerkkejä, sillä esimerkkisovellusmuotojen toteuttamiseen käytetyn spesifisen laitteiston monet muunnelmat ovat mahdollisia, kuten alan ammattilaiset ymmärtävät.
Esimerkiksi esimerkkisovellusmuotojen yhden tai useamman komponentin toiminnallisuus voidaan to-
teuttaa laitteistollisesti ja/tai ohjelmistollisesti.
Fsimerkkisovellusmuodot voivat tallentaa in- formaatiota, joka liittyy tässä selostuksessa kuvattui- hin eri prosesseihin.
Tämä informaatio voidaan tallentaa yhteen tai useampaan muistiin, kuten esimerkiksi kova- levylle, optiselle levylle, magneettis-optiselle le- vylle, RAM-muistille, jne.
Yhteen tai useampaan tieto- kantaan voidaan tallentaa informaatiota, jota käytetään esillä olevan keksinnön esimerkkisovellusmuotojen to- teuttamiseen.
Tietokannat voidaan organisoida käyttäen tietorakenteita (esim. tietueita, taulukoita, tauluja, kenttiä, araafeja, puita, luetteloita, jne.), jotka si- sältyvät yhteen tai useampaan tässä lueteltuun muistiin tai tallennuslaitteeseen.
Esimerkkisovellusmuotojen osalta kuvatut prosessit voivat sisältää asianmukaisia tietorakenteita esimerkkisovellusmuotojen laitteiden ja alijärjestelmien prosessien keräämän ja/tai generoiman datan tallentamiseen yhteen tai useampaan tietokantaan.
Fsimerkkisovellusmuodot voidaan toteuttaa ko- konaan tai osittain käyttäen yhtä tai useampaa yleis- käyttöistä prosessoria, mikroprosessoria, DSP- = prosessoria, mikrokontrolleria, jne., jotka on ohjel- N moitu esillä olevan keksinnön esimerkkisovellusmuotojen 3 30 opetusten mukaisesti, kuten alan ammattilaiset ymmärtä- ™~ vät.
Keskiverto-ohjelmoija voi vaivattomasti tuottaa z asianmukaisen ohjelmiston esimerkkisovellusmuotojen + opetusten perusteella, kuten ohjelmistoalan ammattilai- = set ymmärtävät.
Lisäksi esimerkkisovellusmuodot voidaan 3 35 toteuttaa sovelluskohtaisilla integroiduilla piireillä S tai yhdistämällä toisiinsa asianmukaisen verkoston ta- vanomaisia komponenttipiirejä, kuten elektroniikka-alan ammattilaiset ymmärtävät. Siten esimerkkisovellusmuodot eivät rajoitu mihinkään spesifiseen laitteiston ja/tai ohjelmiston yhdistelmään.
Tallennettuna mille tahansa tietokoneen luet- tavissa olevalle välineelle tai niiden yhdistelmälle esillä olevan keksinnön esimerkkisovellusmuodot voivat käsittää ohjelmistoa esimerkkisovellusmuotojen kompo- nenttien ohjaamiseen, esimerkkisovellusmuotojen kompo- nenttien ajamiseen, esimerkkisovellusmuotojen kompo- nenttien vuorovaikutuksen ihmiskäyttäjän kanssa mahdol- listamiseen, jne. Tällaiseen ohjelmistoon voi kuulua näihin rajoittumatta laiteajureita, firmware-ohjelmis- toa, käyttöjärjestelmiä, ohjelmistokehitystyökaluja, sovellusohjelmistoa, jne. Tällaisiin tietokoneen luet- tavissa oleviin välineisiin voi edelleen kuulua esillä olevan keksinnön sovellusmuodon tietokoneohjelmatuote keksinnön toteuttamisessa suorittavien prosessien suo- rittamiseksi kokonaan tai osittain (jos prosessointi on hajautettu). Esillä olevan keksinnön esimerkkisovellus- muotojen tietokonekoodilaitteisiin voi kuulua mitä ta- hansa sopivia tulkittavia tai ajettavia koodimekanis- meja, mukaan lukien näihin rajoittumatta komentosarjat, tulkittavat ohjelmat, dynaamiset linkkikirjastot, Java -luokat ja -appletit, kokonaan ajettavat ohjelmat, jne. lisäksi esillä olevan keksinnön esimerkkisovellusmuoto- jen prosessoinnin osia voidaan hajauttaa suorituskyvyn, luotettavuuden, kustannusten, jne. parantamiseksi. 2 Kuten edellä todettiin, esimerkkisovellusmuo- N tojen komponentteihin voi kuulua tietokoneen luetta- 3 30 vissa oleva valine tai muistia esillä olevan keksinnön ™~ opetusten mukaan ohjelmoitujen käskyjen säilyttämiseksi z sekä tietorakenteiden, taulukoiden, tietueiden, ja/tai + muun tässä selostuksessa kuvatun datan säilyttämiseksi. = Tietokoneen luettavissa oleva väline voi käsittää minkä 3 35 tahansa sopivan välineen, joka osallistuu käskyjen jär- S jestämiseen prosessorille suoritettavaksi. Tällainen väline voi saada useita eri muotoja, mukaan lukien näi- hin rajoittumatta haihtumaton tai pysyvä tallennusvä- line, haihtuva tai ei-pysyvä tallennusväline, jne. Haih- tumaton tallennusväline voi käsittää esimerkiksi opti- sia tai magneettisia levyjä, jne. Haihtuva tallennusvä- line voi käsittää esimerkiksi dynaamisia muisteja, jne. Tietokoneen luettavissa olevan välineen yleisiin muo- toihin voi kuulua esimerkiksi levyke, kovalevy, tai mikä tahansa muu sopiva väline, jolta tietokone voi lukea. Keksintöä ei rajata pelkästään edellä esitet- tyjä sovellusesimerkkejä koskevaksi, vaan monet muun- nokset ovat mahdollisia pysyttäessä patenttivaatimuk- sien määrittelemän keksinnöllisen ajatuksen puitteissa. o
O N
O <Q
PP
I jami a oO + 0
O o
N

Claims (16)

PATENTTIVAATIMUKSET
1. Menetelmä (300) soodakattilan reduktioas- teen määrittämiseksi, tunnettu siitä, että mene- telmä (300) käsittää vaiheet, joissa: luetaan (301) prosessorilla (202) digitaalinen kuvakehys, josta ainakin osa esittää soodakattilasta näytteenottimella (120) otettua kemikaalisulanäytettä; määritetään (302) prosessorilla (202) luetusta digitaalisesta kuvakehyksestä mielenkiintoalue, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittävästä alueesta digitaalisesta kuvakehyksestä; määritetään (303) prosessorilla (202) määrite- tyn mielenkiintoalueen pikseliarvoista yksi tai useampi reduktioasteen muutoksen kanssa korreloiva spektripiir- rearvo; ja määritetään (304) prosessorilla (202) sooda- kattilan reduktioaste käyttäen ennalta määrätyillä pai- noarvoilla painotettujen määritettyjen yhden tai useam- man spektripiirrearvon reduktioastefunktiota.
2. Patenttivaatimuksen 1 mukainen menetelmä (300), missä mainittujen painoarvojen ennalta määrittä- minen käsittää: määritetään soodakattilan kemikaalisulanäyt- teestä laboratoriomittauksella soodakattilan reduktio- aste käytettäväksi tavoitearvona; tuotetaan mainittua soodakattilan kemikaali- - sulanäytettä esittävä digitaalinen kalibrointikuvakehys N ja määritetään siitä mainitut yksi tai useampi spektri- N piirrearvo; ja = 30 sovitetaan määritetyt yksi tai useampi spekt- N ripiirrearvo ja tavoitearvo toisiinsa. E
3. Patenttivaatimuksen 2 mukainen menetelmä o (300), missä sovitukseen käytetään lineaarista pienim- s män neliösumman menetelmää tai neuroverkkolaskentaa. 2 35
4. Jonkin patenttivaatimuksista 1-3 mukainen N menetelmä (300), missä mielenkiintoalueen määrittäminen (302) käsittää ainakin yhden seuraavista poistamisen prosessorilla (202): yksi tai useampi luetun digitaali- sen kuvakehyksen reuna-alue, yksi tai useampi halkeama- alue, ja yksi tai useampi hiilipartikkelialue.
5. Jonkin patenttivaatimuksista 1-4 mukainen menetelmä (300), missä kukin spektripiirrearvo käsittää jonkin seuraavista: punaisuus suhteessa kokonaisinten- siteettiin, sinisyys suhteessa kokonaisintensiteettiin, keltaisuus suhteessa kokonaisintensiteettiin, punaisuu- den keskihajonta, gradientin keskiarvo, ja värisävyn keskiarvo.
6. Jonkin patenttivaatimuksista 1-5 mukainen menetelmä (300), missä digitaaliseen kuvakehykseen liittyy näytteenottoinformaatiota, joka käsittää aina- kin yhden seuraavista: kuvakehyksen esittämän kemikaa- lisulanäytteen ottopisteen tunniste, ja kuvakehyksen esittämän kemikaalisulanäytteen ottoaika.
7. Jonkin patenttivaatimuksista 1-6 mukainen menetelmä (300), missä määritettyä soodakattilan reduk- tioastetta käytetään mainitun soodakattilan ohjaami- seen.
8. Tietokoneohjelmatuote, joka käsittää aina- kin yhden tietokoneen luettavissa olevan tallennusväli- neen, joka käsittää joukon käskyjä, jotka yhden tai use- amman prosessorin (202) suorittamina saavat tietokone- laitteen (200) suorittamaan jonkin patenttivaatimuk- sista 1-7 mukaisen menetelmän.
9. Tietokonelaite (200), joka käsittää: N ainakin yhden prosessorin (202); ja N ainakin yhden muistin (204), joka käsittää tie- 3 30 tokoneohjelmakoodia (205), tunnettu siitä, että S ainakin yksi muisti (204) ja tietokoneohjelmakoodi (205) z on järjestetty ainakin yhden prosessorin (202) kanssa + saamaan tietokonelaitteen (200): = lukemaan digitaalisen kuvakehyksen, josta ai- 3 35 nakin osa esittää soodakattilasta (110) näytteenotti- S mella (120) otettua kemikaalisulanäytettä;
määrittämään luetusta digitaalisesta kuvake- hyksestä mielenkiintoalueen, joka käsittää pelkästään ainakin osan kemikaalisulanäytettä esittävästä alueesta digitaalisesta kuvakehyksestä; määrittämään määritetyn mielenkiintoalueen pikseliarvoista yhden tai useamman reduktioasteen muu- toksen kanssa korreloivan spektripiirrearvon; ja määrittämään soodakattilan (110) reduktioas- teen käyttäen ennalta määrätyillä painoarvoilla paino- tettujen määritettyjen yhden tai useamman spektripiir- rearvon reduktioastefunktiota.
10. Patenttivaatimuksen 9 mukainen tietokone- laite (200), missä mainittujen painoarvojen ennalta mää- rittäminen käsittää: määritetään soodakattilan (110) kemikaalisula- näytteestä laboratoriomittauksella soodakattilan (110) reduktioaste käytettäväksi tavoitearvona; tuotetaan mainittua soodakattilan (110) kemi- kaalisulanäytettä esittävä digitaalinen kalibrointiku- vakehys ja määritetään siitä mainitut yksi tai useampi spektripiirrearvo; ja sovitetaan määritetyt yksi tai useampi spekt- ripiirrearvo ja tavoitearvo toisiinsa.
11. Patenttivaatimuksen 10 mukainen tietokone- laite (200), missä sovitukseen käytetään lineaarista pienimmän neliösumman menetelmää tai neuroverkkolasken- taa.
N
12. Jonkin patenttivaatimuksista 9-11 mukainen N tietokonelaite (200), missä mielenkiintoalueen määrit- 3 30 täminen käsittää ainakin yhden seuraavista poistamisen: S yksi tai useampi luetun digitaalisen kuvakehyksen reuna- z alue, yksi tai useampi halkeama-alue, ja yksi tai use- * ampi hiilipartikkelialue.
=
13. Jonkin patenttivaatimuksista 9-12 mukainen 3 35 tietokonelaite (200), missä kukin spektripiirrearvo kä- S sittää jonkin seuraavista: punaisuus suhteessa kokonai-
sintensiteettiin, sinisyys suhteessa Kokonaisintensi- teettiin, keltaisuus suhteessa kokonaisintensiteettiin, punaisuuden keskihajonta, gradientin keskiarvo, ja vä- risävyn keskiarvo.
14. Jonkin patenttivaatimuksista 9-13 mukainen tietokonelaite (200), missä digitaaliseen kuvakehykseen liittyy näytteenottoinformaatiota, joka käsittää aina- kin yhden seuraavista: kuvakehyksen esittämän kemikaa- lisulanäytteen ottopisteen tunniste, ja kuvakehyksen esittämän kemikaalisulanäytteen ottoaika.
15. Jonkin patenttivaatimuksista 9-14 mukainen tietokonelaite (200), missä määritettyä soodakattilan reduktioastetta käytetään mainitun soodakattilan (110) ohjaamiseen.
16. Järjestelmä (100), joka käsittää: näytteenottimen (120) näytteen ottamiseksi soodakattilan (110) kemikaalisulanäytteestä; tunnettu siitä, että järjestelmä (100) edelleen käsittää: välineet (130) digitaalisen kuvakehyksen gene- roimiseksi näytteenottimella (120) otetusta soodakatti- lan (110) kemikaalisulanäytteestä; Ja jonkin patenttivaatimuksista 9-15 mukaisen tietokonelaitteen (200).
N
O
N o <Q oO
N
I jami a oO +
LO
O o
N
FI20195410A 2019-05-17 2019-05-17 Soodakattilan reduktioasteen määritys FI129477B (fi)

Priority Applications (9)

Application Number Priority Date Filing Date Title
FI20195410A FI129477B (fi) 2019-05-17 2019-05-17 Soodakattilan reduktioasteen määritys
PCT/FI2020/050324 WO2020234511A1 (en) 2019-05-17 2020-05-15 Determining the reduction rate of a recovery boiler
CN202080034933.6A CN113811651A (zh) 2019-05-17 2020-05-15 确定回收锅炉的还原率
US17/612,191 US20220220671A1 (en) 2019-05-17 2020-05-15 Determining the reduction rate of a recovery boiler
JP2021564130A JP2022533536A (ja) 2019-05-17 2020-05-15 回収ボイラーの還元率を決定すること
CA3137251A CA3137251A1 (en) 2019-05-17 2020-05-15 Determining the reduction rate of a recovery boiler
EP20731519.3A EP3969657B1 (en) 2019-05-17 2020-05-15 Determining the reduction rate of a recovery boiler
BR112021020570A BR112021020570A2 (pt) 2019-05-17 2020-05-15 Determinando a taxa de redução de uma caldeira de recuperação
CL2021002943A CL2021002943A1 (es) 2019-05-17 2021-11-08 Determinación de la tasa de reducción de una caldera de recuperación

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
FI20195410A FI129477B (fi) 2019-05-17 2019-05-17 Soodakattilan reduktioasteen määritys

Publications (2)

Publication Number Publication Date
FI20195410A1 FI20195410A1 (fi) 2020-11-18
FI129477B true FI129477B (fi) 2022-03-15

Family

ID=71069864

Family Applications (1)

Application Number Title Priority Date Filing Date
FI20195410A FI129477B (fi) 2019-05-17 2019-05-17 Soodakattilan reduktioasteen määritys

Country Status (9)

Country Link
US (1) US20220220671A1 (fi)
EP (1) EP3969657B1 (fi)
JP (1) JP2022533536A (fi)
CN (1) CN113811651A (fi)
BR (1) BR112021020570A2 (fi)
CA (1) CA3137251A1 (fi)
CL (1) CL2021002943A1 (fi)
FI (1) FI129477B (fi)
WO (1) WO2020234511A1 (fi)

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3870467A (en) * 1973-04-23 1975-03-11 Combustion Eng Monitoring chemical recovery furnace
JPS6249112A (ja) * 1985-08-28 1987-03-03 Babcock Hitachi Kk 回収ボイラのスメルト制御方法
US4695881A (en) * 1985-12-16 1987-09-22 Kennedy Jesse R Apparatus for imaging infrared emitting surfaces
JPH06330489A (ja) * 1993-05-18 1994-11-29 Mitsubishi Heavy Ind Ltd 回収ボイラのカリウム濃度監視装置
US5616214A (en) 1995-09-12 1997-04-01 Pulp And Paper Research Institute Of Canada Determination of sodium sulfide and sulfidity in green liquors and smelt solutions
US5736405A (en) * 1996-03-21 1998-04-07 Nalco Chemical Company Monitoring boiler internal treatment with fluorescent-tagged polymers
US5992337A (en) * 1997-09-26 1999-11-30 Air Liquide America Corporation Methods of improving productivity of black liquor recovery boilers
DE19814385C1 (de) * 1998-03-31 1999-10-07 Siemens Ag Verfahren und Vorrichtung zur Prozeßführung und zur Prozeßoptimierung der Chemikalienrückgewinnung bei der Herstellung von Zellstoff
WO2001007897A1 (en) * 1999-07-23 2001-02-01 Efthimion Philip C A continuous emissions monitor of multiple metal species in harsh environments
CN1253708C (zh) * 2003-11-06 2006-04-26 华北电力大学 一种燃煤锅炉与炉窑飞灰含碳量测量方法及在线检测装置
CA2553770A1 (en) * 2003-12-19 2005-07-14 Datacolor Holding Ag Spectrophotometer with digital camera
FI118743B (fi) * 2004-11-04 2008-02-29 Andritz Oy Hiillospedin ohjaus talteenottokattilassa
DE102009037706A1 (de) * 2009-08-17 2011-02-24 Opsolution Nanophotonics Gmbh Verfahren und Vorrichtung zur Bestimmung der Konzentration von NO2 in Gasgemischen
MX2017001808A (es) * 2014-08-08 2018-02-08 Quantum Si Inc Dispositivo integrado con fuente de luz externa para el sondeo, deteccion y analisis de moleculas.
FI127910B (fi) 2016-09-16 2019-05-15 Valmet Automation Oy Menetelmä ja järjestelmä viherlipeän laadun optimoimiseksi

Also Published As

Publication number Publication date
EP3969657A1 (en) 2022-03-23
WO2020234511A1 (en) 2020-11-26
CL2021002943A1 (es) 2022-06-03
BR112021020570A2 (pt) 2021-12-21
US20220220671A1 (en) 2022-07-14
CA3137251A1 (en) 2020-11-26
JP2022533536A (ja) 2022-07-25
FI20195410A1 (fi) 2020-11-18
EP3969657B1 (en) 2024-04-03
CN113811651A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
BRPI0610115A2 (pt) métodos para a análise de imagem baseada em separação de cromógenos
CN109671124B (zh) 一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统
García-Muñoz et al. Coating uniformity assessment for colored immediate release tablets using multivariate image analysis
CN104185019B (zh) 一种检测摄像头污点的方法和装置
CN106383095B (zh) 一种冷却羊肉表面细菌总数检测装置及方法
CN105227802B (zh) 一种面向最佳质量图像快速扫描的自适应控制方法及系统
CN102479321B (zh) 差异影像自动识别系统及方法
CN107911625A (zh) 测光方法、装置、可读存储介质和计算机设备
CN108174172A (zh) 拍摄方法及装置、计算机可读存储介质和计算机设备
CN112730251B (zh) 一种用于屏幕颜色缺陷检测的装置及方法
CN105974120A (zh) 一种c反应蛋白色度自动检测装置与方法
CN108063891A (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
FI129477B (fi) Soodakattilan reduktioasteen määritys
Chen et al. Real-time grain breakage sensing for rice combine harvesters using machine vision technology
FI129372B (fi) Soodakattilan savukaasun yhden tai useamman suhteellisen partikkeliryhmäosuuden määritys
CN109540890A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN101610623B (zh) 轮廓光调节方法及其计算机系统
CN109407630B (zh) 参数计算的方法、装置、终端及可读存储介质
WO2022267799A1 (zh) 水质检测方法及水质检测装置
US5517237A (en) Video photometric color system for processing color specific streams
CN108583115B (zh) 一种小鼠早期胚胎模型的制作系统
Zhang et al. Predicting Real‐Time Spectra from High‐Speed Imaging: An Ultrafast Machine Vision Framework for Online Optical Control in Microfluidics
Meng et al. Smartphone-based colorimetric detection platform using color correction algorithms to reduce external interference
Navarro et al. Image Processing Method to Estimate Water Quality Parameter
CN117517566A (zh) 一种全自动化学滴定实验方法

Legal Events

Date Code Title Description
FG Patent granted

Ref document number: 129477

Country of ref document: FI

Kind code of ref document: B