CN108664000A - 一种氧化铝生产蒸发过程稳态检测方法及*** - Google Patents
一种氧化铝生产蒸发过程稳态检测方法及*** Download PDFInfo
- Publication number
- CN108664000A CN108664000A CN201810251747.2A CN201810251747A CN108664000A CN 108664000 A CN108664000 A CN 108664000A CN 201810251747 A CN201810251747 A CN 201810251747A CN 108664000 A CN108664000 A CN 108664000A
- Authority
- CN
- China
- Prior art keywords
- stable state
- variable
- moment
- sample data
- detected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 172
- 230000008569 process Effects 0.000 title claims abstract description 115
- 238000001704 evaporation Methods 0.000 title claims abstract description 74
- 230000008020 evaporation Effects 0.000 title claims abstract description 73
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 230000008859 change Effects 0.000 claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 57
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 238000013450 outlier detection Methods 0.000 claims abstract description 23
- 230000007774 longterm Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 210000003205 muscle Anatomy 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 16
- 238000005554 pickling Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013139 quantization Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 239000011550 stock solution Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 1
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012452 mother liquor Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- TWNQGVIAIRXVLR-UHFFFAOYSA-N oxo(oxoalumanyloxy)alumane Chemical compound O=[Al]O[Al]=O TWNQGVIAIRXVLR-UHFFFAOYSA-N 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明实施例提供了一种氧化铝生产蒸发过程稳态检测方法及***,包括:根据蒸发过程中的过程变量与四闪出料浓度的相关性,从过程变量中选取多个稳态检测变量;利用改进K‑means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,得到每个稳态检测变量对应的第二样本数据集;根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在任一时刻的变化速度和变化加速度获取任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在任一时刻是否处于稳态。综合多变量信息,减少了变量误差的影响,实现蒸发过程稳态检测。
Description
技术领域
本发明实施例涉及生产过程数据处理技术领域,更具体地,涉及一种氧化铝生产蒸发过程稳态检测方法及***。
背景技术
蒸发过程是氧化铝生产过程的关键工序,其通过加热蒸汽将种分母液和洗涤滤液中的多余水分蒸发,为溶出工序提供高浓度循环母液。目前,自动化技术和监测技术迅猛发展,在实际氧化铝生产蒸发过程中,如何合理运用大量工业过程数据,是提高产品质量、保证安全生产的关键。稳态工况是过程建模、***辨识、运行优化、性能评价的基本前提,蒸发过程是否处于稳态,直接关系到所采用的建模、优化和控制方法不同。由于工业过程受到不可预见的入料条件的波动,过程状态监测历史数据库中不可避免存在非稳态工况数据,导致运行数据无法真实反映***输入输出关系,影响过程辨识和建模精度。因此,稳态检测对过程建模、运行优化、***辨识、故障诊断具有重要意义。
一般地,稳态检测方法包括基于机理分析法、组合统计检验法、置信度法、自适应小波变换法、神经网络方法。但是,由于氧化铝生产蒸发过程受高温强碱生产环境影响,测量噪声干扰对稳态检测影响较大;入口新蒸汽和原液流量的波动具有不确定性;并且,蒸发过程涉及设备和变量较多,导致上述稳态检测方法无法满足氧化铝生产蒸发过程的稳态检测的需求。因此,亟需提供一种适用于氧化铝生产蒸发过程的稳态检测方法。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的氧化铝生产蒸发过程稳态检测方法及***。
一方面本发明实施例提供了一种氧化铝生产蒸发过程稳态检测方法,包括:
根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;
获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;
根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
另一方面本发明实施例提供了一种氧化铝生产蒸发过程稳态检测***,包括:
稳态检测变量选取模块,用于根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;
离群点检测模块,用于获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;
稳态检测模块,用于根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
第三方面本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第四方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种氧化铝生产蒸发过程稳态检测方法及***,通过运用过程变量与四闪出料浓度相关性选取稳态检测变量;利用离群点检测方法,抑制离群点在稳态检测过程中的干扰,通过量化的变量变化趋势信息提取,获取多变量稳态评价指标,综合多变量信息,减少了单个或几个变量误差的影响,实现蒸发过程稳态检测。本方法可靠性高,具有很好的工程实用价值,可为氧化铝生产蒸发过程建模、***辨识、运行优化提供可靠的稳态数据。
附图说明
图1为本发明实施例提供的一种氧化铝生产蒸发过程稳态检测方法的流程图;
图2为本发明实施例提供的另一种氧化铝生产蒸发过程稳态检测方法的流程图;
图3为本发明实施例中稳态检测变量对应的样本数据转换成的连续函数曲线图;
图4为本发明实施例中稳态检测学习所选取的样本数据;
图5为本发明实施例中趋势变化大小描述图;
图6为本发明实施例中趋势变化方向描述图;
图7为本发明实施例的实例中蒸发过程一个酸洗周期前期稳态检测结果图;
图8为本发明实施例的实例中蒸发过程一个酸洗周期中期稳态检测结果图;
图9为本发明实施例的实例中蒸发过程一个酸洗周期后期稳态检测结果图;
图10为本发明实施例提供的一种氧化铝生产蒸发过程稳态检测***的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明实施例提供的一种氧化铝生产蒸发过程稳态检测方法的流程图,如图1所示,所述方法包括:
S1,根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;
S2,获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;
S3,根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
其中,在步骤S1中,四闪出料浓度为蒸发过程第四个闪蒸器出口料液浓度的简称。在氧化铝生产的蒸发过程中能够测量很多过程变量,但不是每个过程变量都能用于蒸发过程的稳态检测,通过对蒸发过程进行机理分析,可以选取与四闪出料浓度具有相关性的过程变量来进行稳态检测,即稳态检测变量都是与四闪出料浓度一定相关性的过程变量。其中,对于相关性的具体要求可以根据理论分析和工业实践经验确定。
在步骤S2中,在待检测时间段内,按一定的频率采集每个稳态检测变量的数据值,每个采样点对应一个样本数据,多个采样点对应的多个样本数据构成样本数据集。第一样本数据集中的样本数据经改进K-means算法进行离散点检测,检测得到的离群样本数据是受干扰而不准确的数据,将离群样本数据去掉后得到第二样本数据集。
在步骤S3中,任一时刻的变化速度和变化加速度是对稳态检测变量趋势信息的量化。根据量化的趋势信息确定每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
具体地,如图2所示,从蒸发过程中选取待检测时间段,在待检测时间段内在线测量每个稳态检测变量在每个时刻的样本数据,每个稳态检测变量在某一段时间内所有的样本数据构成其第一样本数据集,第一样本数据集的大小与所选取的时间的长度成正比。由于在蒸发过程中存在各种干扰,则每个稳态检测变量的样本数据有可能会有受干扰而测量不准的样本数据,为了排除这些测量不准的样本数据对稳态检测的影响,需要将这些样本数据从第一样本数据中去除。本发明实施例采用改进的K-means聚类算法对第一样本数据集进行离群点检测,并将检测出的离群点去除得到第二样本数据集。获取到第二样本数据集后,就可以对每个稳态检测变量的变化趋势信息进行量化,包括每个稳态检测变量的变化速度和变化加速度。进而根据多个稳态检测变量的变化趋势信息得到多变量稳态评价指标,再将多变量稳态评价指标与给定的阈值进行比较来判断蒸发过程是否处于稳态。由于每个时刻对应一个多变量稳态评价指标,故可以判断待检测时间段内任意时刻是否出于稳态。
本发明实施例提供的一种氧化铝生产蒸发过程稳态检测方法,通过运用过程变量与四闪出料浓度相关性选取稳态检测变量;利用离群点检测方法,抑制离群点在稳态检测过程中的干扰,通过量化的变量变化趋势信息提取,获取多变量稳态评价指标,综合多变量信息,减少了单个或几个变量误差的影响,实现蒸发过程稳态检测。本方法可靠性高,具有很好的工程实用价值,可为氧化铝生产蒸发过程建模、***辨识、运行优化提供可靠的稳态数据。
基于上述实施例,所述根据蒸发过程中过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量,具体包括:
根据蒸发过程的机理分析,从所述过程变量中选取与四闪出料浓度有关的多个测量变量;
对第三样本数据集进行相关性分析得到各测量变量与所述四闪出料浓度之间的相关系数,选取绝对值大于预设阈值的多个相关系数对应的多个测量变量作为所述多个稳态检测变量,所述第三样本数据集由所述多个测量变量对应的第一样本数据集和所述四闪出料浓度对应的第一样本数据集合并构成。
具体地,选取稳态检测变量具体过程包括以下步骤:
步骤1.1:基于蒸发过程机理分析,粗选出对四闪出料浓度影响较大的测量变量,一般包括新蒸汽流量、新蒸汽压力、新蒸汽温度、原液流量、原液温度、原液浓度、冷凝水温度、四闪出料温度、二次汽温度、二次汽压力,则第三样本数据集可表示为其中新蒸汽流量、新蒸汽压力、新蒸汽温度、原液流量、原液温度、原液浓度、冷凝水温度、四闪出料温度、二次汽温度、二次汽压力以及四闪出料浓度分别对应以下符号:
步骤1.2:分析粗选出的测量变量与四闪出料浓度的相关性,测量数据的样本集表示为n和m分别表示样本总数和变量维度。归一化后得到通过Pearson相关分析法获得相关系数矩阵:
式中,变量和变间的偏相关系数表示为:其中ρij为Mcc的逆矩阵中的元素,逆矩阵表示为:
例如,根据某一第三样本数据集计算得到偏相关系数矩阵,如表1所示,选取与四闪出料浓度相关性最大的变量,包括新蒸汽流量、新蒸汽压力、原液温度、原液流量和真空度作为稳态检测变量。需要说明的是,在实际应用时,要根据实际得到的偏相关系数矩阵,来确定稳态检测变量。
表1
基于上述实施例,所述利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,具体包括:
根据每个稳态检测变量对应的类内距离和类间距离,获取所述改进K-means算法的聚类分类指标;
根据所述聚类分类指标确定聚类的K值,将每个稳态检测变量的第一样本数据集分为K类,以对每个稳态检测变量对应的第一样本数据集进行离群点检测。
具体地,采用改进的K-means聚类算法进行离群点检测,具体步骤包括:
步骤2.1:计算第i个稳态检测变量的测量值即第一样本数据集的n个样本的中心数据其中,表示第l个测量值与变量平均值的差值。稳态检测变量偏差数据集表示为 为稳态检测变量个数。
步骤2.2:随机选择s(s=2,2≤s≤c)个采样点作为初始聚类中心[y1,y2,...,ys]。
步骤2.3:针对每个采样点xl,寻找最近的聚类中心ynearest。
步骤2.4:计算每个聚类样本的平均值,并更新聚类中心。
步骤2.5:计算样本与聚类中心的距离若D小于设定的阈值,聚类结果保留并执行步骤2.6,否则返回步骤2.3。
步骤2.6:定义类内距离disw(r,b)表示第r类中第b个样本点与类内其他样本点的平均距离,表示为:
定义类间距离disb(r,b)表示第r类中第b个样本点与其他类中所有样本点的最小平均距离,表示为:
其中,x(r)b表示第r类的第b个采样点;x(r)q表示第r类的第q个采样点;x(k)p表示第k类的第p个采样点;nk表示第k类中样本点个数,nr表示第r类中样本点个数;||·||2表示欧式距离。
类内类间聚类分类指标表示为:
式中,dissum(r,b)表示第r类中第b个样本的类内距离disw(r,b)和类间距离disb(r,b)的和,disdifference(r,b)表示第r类中第b个样本的类内距离disw(r,b)和类间距离disb(r,b)的差。其取值范围为[-1,1]。所有采样点的WBDI值的平均值用来反映聚类的效果。
步骤2.7:如果评价指标的变化量大于设定阈值,则选取该评价指标对应的聚类个数为最优聚类个数,否则s=s+1,转至步骤2.2。
通过以上步骤分别对每个稳态检测变量对应的第一样本数据集进行离群点检测,找出每个稳态检测变量对应的第一样本数据集中的离群样本数据,并将这些离群样本数据去除,即去除第一样本数据集中收干扰的样本数据,可以保证稳态检测不收蒸发过程中干扰的影响。
基于上述实施例,所述根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度,具体包括:
将每个稳态检测变量对应的第二样本数据表示为在所述待检测时间段内关于时间的连续函数;
对所述连续函数求一阶导数得到每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度,对所述连续函数求二阶导数得到每个稳态检测变量在所述待检测时间段内的任一时刻的变化加速度。
具体地,在蒸发过程中采集的样本数据都是离散的数据点,为了获取稳态检测变量的趋势信息,要将离散的数据点通过多项式回归拟合的方法转换成连续函数,如图3所示。
基于上述实施例,所述根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,具体包括:
根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度,获取每个稳态检测变量的在所述任一时刻的单变量稳态评价指标;
将所述多个稳态检测变量在所述任一时刻的多个单变量稳态评价指标按预设权重进行加权得到所述任一时刻的多变量稳态评价指标。
其中,所述根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,具体包括:
根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度,获取每个稳态检测变量的在所述任一时刻的单变量稳态评价指标;
将所述多个稳态检测变量在所述任一时刻的多个单变量稳态评价指标按预设权重进行加权得到所述任一时刻的多变量稳态评价指标。
进一步地,在所述将所述多个稳态检测变量在所述任一时刻的多个单变量稳态评价指标按预设权重进行加权得到所述任一时刻的多变量稳态评价指标之前,还包括:
根据每个稳态检测变量的历史数据集获取每个稳态检测变量的趋势变化大小和趋势变化方向,根据每个稳态检测变量的趋势变化大小和趋势变化方向,获取每个单变量稳态评价指标的预设权重。
具体地,本发明实施例中,通过分析变量的速度和加速度的变化情况,定义多变量稳态评价指标,根据量化的趋势信息提取,实现蒸发过程自适应多变量稳态检测,具体步骤包括:
步骤3.1:确定每个稳态检测变量的变化速度和变化加速度;
步骤3.2:根据稳态检测变量速度和加速度的变化,定义稳态评价指标θSSEI∈[0,1]。
当θSSEI=1时,蒸发过程处于稳定状态;当θSSEI=0时,蒸发过程处于非稳定状态;而0<θSSEI<1则表示蒸发过程处于稳态和非稳态的临界状态,该值越靠近1表示越稳定。稳态评价指标的确定包括以下步骤:
步骤3.2.1:估计单个稳态检测变量的稳态评价指标;
定义速度和加速度联合因子|vi,t|和|ai,t|分别表示第i个变量在t时刻的速度和加速度,其中,加速度调节因子δi,t表示为:
式中,表示加速度阈值。稳态检测准则如图3所示,其中,和分别表示速度稳态阈值和非稳态阈值。单变量的稳态评价指标定义为:
步骤3.2.2:阈值设定;
变化速度稳态和非稳态一阶阈值、加速度二阶阈值由测量变量的波动程度所决定。通过选取稳态学习样本,计算这段稳态学习样本的加速度标准差、速度标准差和三倍速度标准差,确定稳态评价指标变化阈值。如图4所示,在1440组数据样本中选取300组稳态数据作为学习样本。
步骤3.2.3:计算多变量稳态评价指标。
蒸发过程的运行状态可由多个与四闪出料相关的稳态检测变量所决定,因此,多变量稳态评价指标可由单变量的稳态评价指标加权计算获得:
式中,表示用于稳态检测的变量个数;表示第i个变量在t时刻的稳态权重,可由定量的趋势信息自适应获得。
步骤3.3:基于量化的趋势信息提取的变量权重确定。
根据过程变量变化趋势信息,自适应地确定变量权重,具体步骤包括:
步骤3.3.1:历史数据的趋势变化大小提取;
趋势变化大小可描述为如图5所示,其中,“+”,“0”和“-”分别表示速度的大小为正,零和负值;S和G表示趋势变化急剧和缓慢;U,D和S分别表示上升,下降和平稳的趋势。例如,S(G,0)表示缓慢平稳的变化趋势,速度大小为零;U(S,+)表示急剧上升的变化趋势,速度大小为正;D(S,-)表示急剧下降的变化趋势,速度大小为负。当原始数据变化趋势急剧上升时,速度大小为正;当原始数据变化趋势急剧下降时,速度大小为负;当原始数据变化趋势平缓时,速度大小趋于平稳。定义趋势变化大小指标,表示在t时刻之前的一段滑窗内,速度大小绝对值之和:
当变量变化趋势急剧时,趋势变化大小指标较大;当变量变化趋于稳定时,趋势变化大小指标逐渐趋于零。趋势变化大小对权值的影响表示为:
步骤3.3.2:趋势变化方向信息提取;
分析速度和加速度变化情况,将其变化方向划分为加速上升、减速下降、加速下降和减速上升,具体的表达可见图6,其中,F(+,-)表示加速度方向为正,速度方向为负,变量变化方向向下;R(+,+)表示加速度方向为正,速度方向为正,变量变化方向向上;F(-,-)表示加速度方向为负,速度方向为负,变量变化方向向下;R(-,+)表示加速度方向为负,速度方向为正,变量变化方向向上。如果加速度和速度方向均为正,则变量变化体现出加速上升的趋势;如果加速度和速度方向均为负,则变量变化体现出加速下降的趋势;如果加速度和速度方向相反,则变量变化体现出减速下降或减速上升的趋势。趋势变化方向对权值的影响表示为:
步骤3.3.3:每个稳态检测变量权重的确定。
结合趋势权重和瞬态权重稳态检测变量总权重表示为:
式中,ζi表示第i个变量的调节权重。对于变化相对平稳的变量,权重较大,对于变化相对剧烈的变量,权重较小。因此,基于专家知识,利用模糊划分的方法,来确定调节权重:
根据稳态检测变量总权重得出每个变量的变化权重,表示为:
最后,将获取的多变量稳态评价指标与给定阈值比较,实现生产过程稳态检测。
下面通过实例对本发明实施例进行进一步说明,如图7-9所示,针对氧化铝生产蒸发过程一个酸洗周期的前期、中期、后期三个阶段的2880组数据样本,以蒸发过程人工检测为标准,来验证本发明实施例提供的方法的准确率,其中本发明实施例提供的方法在图中简称为自适应多变量法。具体地,在图7-9的每幅图中,a图表示含有离群点的原始数据波动曲线,b图表示稳态检测结果,c图表示稳态检测结果分布情况。从稳态检测结果图中可以看出,本发明实施例提供的方法的稳态检测结果在正确检测区域分布较广。利用总体准确率、准确率和召回率,根据酸洗前期、中期、后期本发明实施例提供的方法的稳态检测结果与人工稳态检测结果统计情况。如表2-4所示,表2为在酸洗前期本发明实施例提供的方法的稳态检测结果与人工稳态检测结果比较,表3为在酸洗中期本发明实施例提供的方法的稳态检测结果与人工稳态检测结果比较,表4为在酸洗后期本发明实施例提供的方法的稳态检测结果与人工稳态检测结果比较,可以得出在酸洗前期,本发明实施例提供的方法的稳态检测结果的总体准确率是89.48%,准确率是98.39%,召回率是90.34%;在酸洗后期,总体准确率是87.92%,准确率是97.88%,召回率是88.32%。由于在酸洗周期后期,蒸发器管壁内结疤的产生,影响生产效率,此时,蒸发过程工况波动较大,现场通过频繁调节参数以保证出口产品浓度合格。整体看来,本发明实施例提供的方法的稳态检测方法具有较高的准确率,稳态检测结果比较符合实际生产运行情况。
表2
表3
表4
图10为本发明实施例提供的一种氧化铝生产蒸发过程稳态检测***的结构框图,如图10所示,所述***包括:稳态检测变量选取模块1、离群点检测模块2及稳态检测模块3。其中:
稳态检测变量选取模块1用于根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量。离群点检测模块2用于获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集。稳态检测模块3用于根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
具体地,本实施例中的基准站的频率分配装置中各模块的作用及操作流程与上述方法类实施例是一一对应的,在此不再赘述。
本发明实施例提供的一种氧化铝生产蒸发过程稳态检测***,通过运用过程变量与四闪出料浓度相关性选取稳态检测变量;利用离群点检测方法,抑制离群点在稳态检测过程中的干扰,通过量化的变量变化趋势信息提取,获取多变量稳态评价指标,综合多变量信息,减少了单个或几个变量误差的影响,实现蒸发过程稳态检测。本***可靠性高,具有很好的工程实用价值,可为氧化铝生产蒸发过程建模、***辨识、运行优化提供可靠的稳态数据。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种氧化铝生产蒸发过程稳态检测方法,其特征在于,包括:
根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;
获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;
根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
2.根据权利要求1所述方法,其特征在于,所述根据蒸发过程中过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量,具体包括:
根据蒸发过程的机理分析,从所述过程变量中选取与四闪出料浓度有关的多个测量变量;
对第三样本数据集进行相关性分析得到各测量变量与所述四闪出料浓度之间的相关系数,选取绝对值大于预设阈值的多个相关系数对应的多个测量变量作为所述多个稳态检测变量,所述第三样本数据集由所述多个测量变量对应的第一样本数据集和所述四闪出料浓度对应的第一样本数据集合并构成。
3.根据权利要求1所述方法,其特征在于,所述利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,具体包括:
根据每个稳态检测变量对应的类内距离和类间距离,获取所述改进K-means算法的聚类分类指标;
根据所述聚类分类指标确定聚类的K值,将每个稳态检测变量的第一样本数据集分为K类,以对每个稳态检测变量对应的第一样本数据集进行离群点检测。
4.根据权利要求1所述方法,其特征在于,所述根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度,具体包括:
将每个稳态检测变量对应的第二样本数据表示为在所述待检测时间段内关于时间的连续函数;
对所述连续函数求一阶导数得到每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度,对所述连续函数求二阶导数得到每个稳态检测变量在所述待检测时间段内的任一时刻的变化加速度。
5.根据权利要求1所述方法,其特征在于,所述根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,具体包括:
根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度,获取每个稳态检测变量的在所述任一时刻的单变量稳态评价指标;
将所述多个稳态检测变量在所述任一时刻的多个单变量稳态评价指标按预设权重进行加权得到所述任一时刻的多变量稳态评价指标。
6.根据权利要求5所述方法,其特征在于,所述单变量稳态评价指标的具体表达式为:
其中,为第i个稳态检测变量的在t时刻的单变量稳态评价指标,为第i个稳态检测变量的在t时刻的变化速度和变化加速度联合因子,为速度稳态阈值,为速度非稳态阈值。
7.根据权利要求5所述方法,其特征在于,在所述将所述多个稳态检测变量在所述任一时刻的多个单变量稳态评价指标按预设权重进行加权得到所述任一时刻的多变量稳态评价指标之前,还包括:
根据每个稳态检测变量的历史数据集获取每个稳态检测变量的趋势变化大小和趋势变化方向,根据每个稳态检测变量的趋势变化大小和趋势变化方向,获取每个单变量稳态评价指标的预设权重。
8.一种氧化铝生产蒸发过程稳态检测***,其特征在于,包括:
稳态检测变量选取模块,用于根据蒸发过程中的过程变量与四闪出料浓度的相关性,从所述过程变量中选取多个稳态检测变量;
离群点检测模块,用于获取待检测时间段内每个稳态检测变量对应的第一样本数据集,利用改进K-means算法对每个稳态检测变量对应的第一样本数据集进行离群点检测,并将每个稳态检测变量对应的第一样本数据集中的离群样本数据去掉,得到每个稳态检测变量对应的第二样本数据集;
稳态检测模块,用于根据每个稳态检测变量对应的第二样本数据集获取每个稳态检测变量在所述待检测时间段内的任一时刻的变化速度和变化加速度;根据每个稳态检测变量在所述任一时刻的变化速度和变化加速度获取所述任一时刻的多变量稳态评价指标,并根据所述多变量稳态评价指标判断蒸发过程在所述任一时刻是否处于稳态。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至7任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251747.2A CN108664000A (zh) | 2018-03-26 | 2018-03-26 | 一种氧化铝生产蒸发过程稳态检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810251747.2A CN108664000A (zh) | 2018-03-26 | 2018-03-26 | 一种氧化铝生产蒸发过程稳态检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664000A true CN108664000A (zh) | 2018-10-16 |
Family
ID=63782394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810251747.2A Pending CN108664000A (zh) | 2018-03-26 | 2018-03-26 | 一种氧化铝生产蒸发过程稳态检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664000A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860164A (zh) * | 2020-06-17 | 2020-10-30 | 深圳星康医疗科技有限公司 | 低速起搏检测方法、装置及存储介质 |
CN113064076A (zh) * | 2021-03-24 | 2021-07-02 | 河南中烟工业有限责任公司 | 电机稳态的判断方法及*** |
CN113358514A (zh) * | 2021-06-03 | 2021-09-07 | 昆明理工大学 | 一种金属蒸发速率的测量方法及测量*** |
CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699514A (zh) * | 2014-01-14 | 2014-04-02 | 中国能源建设集团广东省电力设计研究院 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
US20140365179A1 (en) * | 2013-06-11 | 2014-12-11 | Ypf Sociedad Anonima | Method and Apparatus for Detecting and Identifying Faults in a Process |
CN105809203A (zh) * | 2016-03-15 | 2016-07-27 | 浙江大学 | 一种基于层次聚类的***稳态检测算法 |
CN105930353A (zh) * | 2016-04-08 | 2016-09-07 | 西安美林数据技术股份有限公司 | 一种海量数据下的呼叫中心客服人员的特征细分方法 |
CN106647274A (zh) * | 2016-12-28 | 2017-05-10 | 中南大学 | 一种连续生产过程中运行工况稳态判别方法 |
CN106933211A (zh) * | 2017-04-18 | 2017-07-07 | 中南大学 | 一种识别工业过程动态调整区间的方法和装置 |
-
2018
- 2018-03-26 CN CN201810251747.2A patent/CN108664000A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365179A1 (en) * | 2013-06-11 | 2014-12-11 | Ypf Sociedad Anonima | Method and Apparatus for Detecting and Identifying Faults in a Process |
CN103699514A (zh) * | 2014-01-14 | 2014-04-02 | 中国能源建设集团广东省电力设计研究院 | 一种火力发电厂水处理流程稳态检测及运行工况判别方法 |
CN105809203A (zh) * | 2016-03-15 | 2016-07-27 | 浙江大学 | 一种基于层次聚类的***稳态检测算法 |
CN105930353A (zh) * | 2016-04-08 | 2016-09-07 | 西安美林数据技术股份有限公司 | 一种海量数据下的呼叫中心客服人员的特征细分方法 |
CN106647274A (zh) * | 2016-12-28 | 2017-05-10 | 中南大学 | 一种连续生产过程中运行工况稳态判别方法 |
CN106933211A (zh) * | 2017-04-18 | 2017-07-07 | 中南大学 | 一种识别工业过程动态调整区间的方法和装置 |
Non-Patent Citations (3)
Title |
---|
TAIWEN JIANG,等: "Application of steady-state detection method based on wavelet transform", 《COMPUTERS AND CHEMICAL ENGINEERING》 * |
吕游: "基于过程数据的建模方法研究及应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
郭进 等: "采用密度K-means和改进双边滤波的点云自适应去噪算法", 《传感器与微***》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860164A (zh) * | 2020-06-17 | 2020-10-30 | 深圳星康医疗科技有限公司 | 低速起搏检测方法、装置及存储介质 |
CN111860164B (zh) * | 2020-06-17 | 2024-02-06 | 深圳星康医疗科技有限公司 | 低速起搏检测方法、装置及存储介质 |
CN113064076A (zh) * | 2021-03-24 | 2021-07-02 | 河南中烟工业有限责任公司 | 电机稳态的判断方法及*** |
CN113358514A (zh) * | 2021-06-03 | 2021-09-07 | 昆明理工大学 | 一种金属蒸发速率的测量方法及测量*** |
CN113358514B (zh) * | 2021-06-03 | 2022-11-25 | 昆明理工大学 | 一种金属蒸发速率的测量方法及测量*** |
CN117454326A (zh) * | 2023-11-27 | 2024-01-26 | 无锡雪浪数制科技有限公司 | 气化炉稳态分析方法、装置、平台及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108664000A (zh) | 一种氧化铝生产蒸发过程稳态检测方法及*** | |
US20090187381A1 (en) | Novelty detection | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及*** | |
CN111914889B (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
CN113579851B (zh) | 一种基于自适应分段pca的非平稳钻削过程监测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN109143995A (zh) | 一种基于质量相关慢特征充分分解的闭环***精细运行状态监测方法 | |
CN108469805A (zh) | 一种基于动态性最优选择的分散式动态过程监测方法 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及*** | |
CN110956331A (zh) | 数字工厂运营状态预测方法、***、装置 | |
CN104680010B (zh) | 一种汽轮机组稳态运行数据筛选方法 | |
CN110099089A (zh) | 传感器网络中多个数据流的在线自校正 | |
US11209339B2 (en) | Method and system for detecting performance of roll-to-roll device for processing flexible material and component thereof | |
WO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
CN114637620B (zh) | 一种基于svm算法的数据库***异常分类预测方法 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods | |
CN114842921A (zh) | 基于线性回归和决策树模型的市政污水除磷药剂投加方法 | |
CN109117495B (zh) | 氧化铝生产蒸发过程鲁棒数据协调方法、装置及存储介质 | |
Yu et al. | Design for an SPRT control scheme based on linguistic data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |