CN110633852B - 一种智能数据演化***及方法 - Google Patents
一种智能数据演化***及方法 Download PDFInfo
- Publication number
- CN110633852B CN110633852B CN201910860524.0A CN201910860524A CN110633852B CN 110633852 B CN110633852 B CN 110633852B CN 201910860524 A CN201910860524 A CN 201910860524A CN 110633852 B CN110633852 B CN 110633852B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- curve
- model
- catalyst
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 230000008901 benefit Effects 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000003054 catalyst Substances 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 230000001364 causal effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 238000004886 process control Methods 0.000 abstract description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 4
- 239000002994 raw material Substances 0.000 description 3
- 238000006356 dehydrogenation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000001294 propane Substances 0.000 description 2
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 2
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种智能数据演化***及方法。本发明包括：用于基于控制***传递的运行装置运行数据往复优化投入与产出之间价值关系的数据处理单元，所述数据处理单元包括：监测模块，判断模块，分析模块和优化模块，本发明利用人工智能技术和工业大数据，通过监测、判断、分析、优化4个模块的持续运行，形成人工智能技术和工业大数据不断循环演化的计算机虚拟工厂，达到企业提质、增效、节能、降耗的经济效益目标。本发明利用大数据分析找出影响企业经济效益的因素，使用RGA模型和非线性规划等模型对投入产出、过程控制、设备运维的实时状况进行持续监测、判断、分析和优化。
Description
技术领域
本发明涉及工业大数据分析领域，尤其涉及一种智能数据演化***及方法。
背景技术
石油化工、煤化工等流程型行业有大量的工业大数据，其核心部分为生产过程控制大数据、生产工艺大数据、设备运维大数据，如何将这些工业大数据利用起来，和人工智能技术相结合，达到优化产出、提高质量、增加效率、降低消耗、节约能源，作为企业新的效益增长点，目前国内外都处在探索阶段。
发明内容
根据上述提出的技术问题，而提供一种智能数据演化***及方法。本发明采用的技术手段如下：
一种智能数据演化***，包括：用于基于控制***传递的运行装置运行数据往复优化投入与产出之间价值关系的数据处理单元，
所述数据处理单元包括：
监测模块，用于基于预设的目标和效益以及判断模块、分析模块、优化模块的需求，设定监测对象和指标，即设定被监测运行装置的运行数据；
判断模块，用于基于预设的目标和效益以及分析模块、优化模块的需求，对监测模块采集的数据进行判断；
分析模块，用于基于预设的目标和效益以及优化模块的需求，对经过监测模块采集、判断模块处理的数据进行分析；具体地，通过设定分析方法和分析模型进行包括价值分析、问题分析、因果分析、历史比较和标杆比较在内的多种分析；
优化模块，用于基于预设的目标和效益，对经过监测模块、判断模块、分析模块的数据进行优化和仿真，得出高精度仿真模型，通过求解该仿真模型，得出该装置工艺参数的更优解。
进一步地，所述优化模块对装置进行高精度仿真，形成该装置的高精度运行模型，在得出各装置高精度运行模型的基础上，组成生产工艺全流程的高精度运行模型，构筑的所述模型为非线性模型或线性模型。
进一步地，所述优化模块基于生产工艺全流程的高精度运行模型和预设的投入产出模型、设备运维模型组成完整的计算机虚拟工厂非线性规划模型，采用预设的方法和算法对其进行求解，实时将结果反馈至监测模块、判断模块、分析模块。
进一步地，所述采用预设的方法和算法包括机器学习、深度学习、强化学习中的至少一种。
进一步地，智能数据演化***通过可视化和表格的形式，整体提供给各部门和企业生产经营决策层。
一种智能数据演化方法，包括如下步骤：
步骤1、设定监测模块需要监测的数据；根据产物最小测量周期，依据监测数据***绘制催化剂生命周期工艺参数与产物的相关曲线。将测量产物的最小时间点设定为△X，将该时间对应产物设定为△Y，当△Y/△X发生明显变化的时候，将此时的上一个测量周期的时间△Xi和产物△Yi，作为催化剂生命周期和工艺装置运行周期对应产物变化的分界点，将步骤1的曲线按时间进行分段。对分段曲线采用如下三种方法拟合，具体为线性拟合方法、抛物线拟合方法和机器学习拟合方法。
步骤2、递归拟合，将第i条实测曲线作为i+1预测曲线，用i+1曲线的实测值修正其预测值，不断循环修正。
将大数据下拟合曲线按产出值分成至少两个区域，即普通区和优选区，，具体地，选用3个区域：常规区、优势区、劣势区，优势区比常规区高5％～10％，劣势区比常规区低5％～10％。
步骤3、用预测装置/催化剂产出生命周期曲线和数据，计算产出经济效益∑△A和成本费用∑△B。求解∑△A＝∑△B时，装置/催化剂优化产出周期(优化产出时，装置/催化剂使用时间/维修/更换间隔)。
步骤4、采用递归插值算法，求解装置/催化剂优化使用时间。
步骤5、用步骤3的实测值修正步骤3的预测值。
步骤6、把修正后的预测值与步骤2的划分标准进行比较，判定该预测值所在区间。
步骤7、用步骤2所在区间的拟合曲线再次修正步骤6的预测曲线。
步骤8、用步骤7得出预测曲线再次修正步骤4的装置/催化剂使用时间。
步骤9、预测结果和实际结果全部记录，对比、分析、优化。
步骤10、通过人机交互界面显示出计算机虚拟工厂的运行情况、存在问题和优化路径。
进一步地，所述步骤6具体包括：判断模块判断出的新情况和新问题输入分析模块，进行因果分析、价值分析，并形成因果网络、价值网络，将因果网络、价值网络结果输入优化模块，求出优化结果。
本发明具有以下优点：
1、本发明利用人工智能技术和工业大数据，通过监测、判断、分析、优化4个模块的持续运行，形成人工智能技术和工业大数据不断循环演化的计算机虚拟工厂，达到企业提质、增效、节能、降耗的经济效益目标。
2、在流程型企业现有DCS/APC和管理软件***的基础上，在确保安全、环保等刚性约束条件下，围绕企业经济效益目标，利用大数据分析找出影响企业经济效益的因素，使用RGA模型和非线性规划等模型对投入产出、过程控制、设备运维的实时状况进行持续监测、判断、分析和优化。
基于上述理由本发明可在工业大数据分析领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中智能数据演化***在石油化工、精细化工的应用示意图。
图2为本发明实施例中智能数据演化***具体应用方法示意图。
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、完整地描述，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。
本实施例以石油化工丙烷脱氢制丙烯装置为例，体现本发明智能数据演化***在生产装置和催化剂的化工工艺周期、工艺模式优化应用，具体实施方式如下：
如图1所示，一种石油化工装置的智能数据演化***，包括用于基于控制***传递的运行装置运行数据往复优化投入与产出之间价值关系的数据处理单元，所述数据处理单元对处理后的数据进行展示。
石油化工装置包括丙烷脱氢制丙烯装置等和相应的控制***，本实施例的控制***选用DCS和APC先进控制***，企业采用先进控制***使运行装置控制平稳，从而避免智能数据演化***的数据来源在机器学习中清洗大量的垃圾数据，若采用常规***则需要进行数据清洗。
所述数据处理单元包括：
监测模块，用于基于预设的目标和效益以及判断模块、分析模块、优化模块的需求，设定监测对象和指标，即设定被监测运行装置的运行数据；具体地，监测内容包括产出数据、投入数据、工艺参数设定数据、产出成本因素。产出数据包括产物性质、种类、质量、收率、产量、污染物、废弃物。投入数据包括投入原料性质、成分、催化剂情况。工艺参数设定数据包括流量、液位、压力、温度、浓度。产出成本因素包括原料成本、能耗、物耗、产品价值、污染物、废弃物处理成本。使用者通过相应的数据输入单元进行需要监测数据的筛选，所述数据输入单元包括但不限于专用计算机。
判断模块，用于基于预设的目标和效益以及分析模块、优化模块的需求，对监测模块采集的数据进行判断，具体地，将上述监测模块采集的大数据下拟合曲线按产出值分成至少两个区域，即普通区和优选区，本实施例选用3个区域：常规区、优势区、劣势区，本实施例中，优势区比常规区高5％～10％，劣势区比常规区低5％～10％。结合专家经验判断工艺参数变动对产出的影响。
分析模块，用于基于预设的目标和效益以及优化模块的需求，对经过监测模块采集、判断模块处理的数据进行分析；具体地，通过设定分析方法和分析模型进行包括因果分析、价值分析、问题分析、历史比较和标杆比较在内的多种分析；通过因果分析、价值分析，在价值网络中分析产出经济效益和成本费用之间的关系，以及影响产出和成本的因素。
例如，该装置DCS和APC***的自控率下降5％，进行因果分析，某控制仪表故障率高，故障率高的原因是因为维修不及时，维修不及时的原因是部件易损，部件易损原因是采购了价格低的产品，采购价格低的原因是要控制采购成本。价值分析，该仪表节省的购买成本为5万元，比故障率低的仪表节省了5万元，该仪表引起的5％非自控率对产品质量、生产效率、原料消耗、能源消耗的影响总和5万元时，立即该换该仪表。即为仪表节约额≤综合效益降低额
优化模块，用于基于预设的目标和效益，对经过监测模块、判断模块、分析模块的数据进行优化和仿真，得出高精度仿真模型，通过求解该仿真模型，得出这种情况下的优化工艺参数。
本实施例中，根据监测内容画出装置/催化剂生命周期曲线图，用大数据拟合曲线，并作出预测曲线。求解产出经济效益和成本费用相等时，装置和催化剂优化产出周期(优化产出时，装置/催化剂使用时间/维修/更换间隔)。采用递归插值算法，求解装置/催化剂优化使用时间，达到提质、增效、降耗、节能、优化使用的目的。
如图2所示，本实施例还公开了一种石油化工装置的智能数据演化方法，包括如下步骤：
步骤1、设定监测模块需要监测的数据；根据产物最小测量周期，依据监测数据***绘制催化剂生命周期工艺参数与产物的相关曲线。将测量产物的最小时间点设定为△X，将该时间对应产物设定为△Y，当△Y/△X发生明显变化的时候，将此时的上一个测量周期的时间△Xi和产物△Yi，作为催化剂生命周期和工艺装置运行周期对应产物变化的分界点，将步骤1的曲线按时间进行分段。对分段曲线采用如下三种方法拟合，具体为线性拟合方法、抛物线拟合方法和机器学习拟合方法。
步骤2、递归拟合，将第i条实测曲线作为i+1预测曲线，用i+1曲线的实测值修正其预测值，不断循环修正。
将大数据下拟合曲线按产出值分成至少两个区域，即普通区和优选区，本实施例选用3个区域：常规区、优势区、劣势区，本实施例中，优势区比常规区高5％～10％，劣势区比常规区低5％～10％。
步骤3、用预测装置/催化剂产出生命周期曲线和数据，计算产出经济效益∑△A和成本费用∑△B。求解∑△A＝∑△B时，装置/催化剂优化产出周期(优化产出时，装置/催化剂使用时间/维修/更换间隔)。
步骤4、采用递归插值算法，求解装置/催化剂优化使用时间。
步骤5、用步骤3的实测值修正步骤3的预测值。
步骤6、把修正后的预测值与步骤2的划分标准进行比较，判定该预测值所在区间。
步骤7、用步骤2所在区间的拟合曲线再次修正步骤6的预测曲线。
步骤8、用步骤7得出预测曲线再次修正步骤4的装置/催化剂使用时间。
步骤9、预测结果和实际结果全部记录，对比、分析、优化。
步骤10、通过人机交互界面显示出计算机虚拟工厂的运行情况、存在问题和优化路径。
其中，所述步骤6具体包括：判断模块判断出的新情况和新问题输入分析模块，进行因果分析、价值分析，并形成因果网络、价值网络，将因果网络、价值网络结果输入优化模块，求出优化结果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (2)
1.一种智能数据演化方法，其特征在于，包括如下步骤：
步骤1、设定监测模块需要监测的数据；根据产物最小测量周期，依据监测数据***绘制催化剂生命周期工艺参数与产物的相关曲线，将测量产物的最小时间点设定为△X，将该时间对应产物设定为△Y，当△Y/△X发生明显变化的时候，将此时的上一个测量周期的时间△Xi和产物△Yi，作为催化剂生命周期和工艺装置运行周期对应产物变化的分界点，将步骤1的曲线按时间进行分段，对分段曲线采用如下三种方法任一种进行拟合，具体为线性拟合方法、抛物线拟合方法和机器学习拟合方法；
步骤2、递归拟合，将第i条实测曲线作为i+1预测曲线，用i+1曲线的实测值修正其预测值，不断循环修正，i的取值至少为1，且为自然数；
将大数据下拟合曲线按产出值分成至少两个区域，即普通区和优选区；
步骤3、所述催化剂生命周期工艺参数与产物的相关曲线包括装置/催化剂产出生命周期曲线，用预测的装置/催化剂产出生命周期曲线和数据，计算产出经济效益∑△A和成本费用∑△B，求解∑△A=∑△B时，装置/催化剂优化产出周期，所述装置/催化剂优化产出周期为优化产出时，装置/催化剂的使用时间或是维修或是更换间隔；
步骤4、 采用递归插值算法，求解装置/催化剂优化使用时间；
步骤 5、用实测值修正步骤3的预测值；
步骤6、把修正后的预测值与步骤2的划分标准进行比较，判定该预测值所在区间；
步骤7、用步骤2所在区间的拟合曲线再次修正步骤6的预测曲线；
步骤8、用步骤7得出预测曲线再次修正步骤4的装置/催化剂优化使用时间；
步骤9、预测结果和实际结果全部记录，对比、分析、优化；
步骤10、通过人机交互界面显示出计算机虚拟工厂的运行情况、存在问题和优化路径；
上述方法基于智能数据演化***实现，所述智能数据演化***包括：用于基于控制***传递的运行装置运行数据往复优化投入与产出之间价值关系的数据处理单元，
所述数据处理单元包括：
监测模块，用于基于预设的目标和效益以及判断模块、分析模块、优化模块的需求，设定监测对象和指标，即设定被监测运行装置的运行数据，监测内容包括产出数据、投入数据、工艺参数设定数据、产出成本因素；
判断模块，用于基于预设的目标和效益以及分析模块、优化模块的需求，对监测模块采集的数据进行判断；
分析模块，用于基于预设的目标和效益以及优化模块的需求，对经过监测模块采集、判断模块处理的数据进行分析；具体地，通过设定分析方法和分析模型进行包括价值分析、问题分析、因果分析、历史比较和标杆比较在内的多种分析；
优化模块，用于基于预设的目标和效益，对经过监测模块、判断模块、分析模块的数据进行优化和仿真，得出高精度仿真模型，通过求解该仿真模型，得出该装置工艺参数的更优解；
所述优化模块对装置进行高精度仿真，形成该装置的高精度运行模型，在得出各装置高精度运行模型的基础上，组成生产工艺全流程的高精度运行模型，构筑的所述模型为非线性模型或线性模型；
所述优化模块基于生产工艺全流程的高精度运行模型和预设的投入产出模型、设备运维模型组成完整的计算机虚拟工厂非线性规划模型，采用预设的方法和算法对其进行求解，实时将结果反馈至监测模块、判断模块、分析模块；
所述采用预设的方法和算法包括机器学习、深度学习、强化学习中的至少一种；
智能数据演化***通过可视化和表格的形式，整体提供给各部门和企业生产经营决策层。
2.根据权利要求1所述的智能数据演化方法，其特征在于，所述步骤6具体包括：判断模块判断出的新情况和新问题输入分析模块，进行因果分析、价值分析，并形成因果网络、价值网络，将因果网络、价值网络结果输入优化模块，求出优化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910860524.0A CN110633852B (zh) | 2019-09-11 | 2019-09-11 | 一种智能数据演化***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910860524.0A CN110633852B (zh) | 2019-09-11 | 2019-09-11 | 一种智能数据演化***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110633852A CN110633852A (zh) | 2019-12-31 |
| CN110633852B true CN110633852B (zh) | 2023-11-07 |
Family
ID=68972142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910860524.0A Active CN110633852B (zh) | 2019-09-11 | 2019-09-11 | 一种智能数据演化***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110633852B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103045296A (zh) * | 2012-10-08 | 2013-04-17 | 西北大学 | 一种预测煤焦油加氢催化剂寿命的方法 |
| CN104112082A (zh) * | 2014-08-06 | 2014-10-22 | 华东理工大学 | 一种工业生产条件下聚烯烃分子量分布快速建模方法 |
| JP6441551B1 (ja) * | 2017-05-25 | 2018-12-19 | コスモ石油株式会社 | プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体 |
| CN109492883A (zh) * | 2018-10-18 | 2019-03-19 | 山东工业职业学院 | 一种能效人工智能在线分析***及方法 |
| CN114677025A (zh) * | 2022-03-30 | 2022-06-28 | 北京数智勘实科技有限公司 | 一种催化剂运行智能管理***和管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201314722D0 (en) * | 2013-08-05 | 2013-10-02 | Kbc Process Technology Ltd | Simulating processes |
-
2019
- 2019-09-11 CN CN201910860524.0A patent/CN110633852B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103045296A (zh) * | 2012-10-08 | 2013-04-17 | 西北大学 | 一种预测煤焦油加氢催化剂寿命的方法 |
| CN104112082A (zh) * | 2014-08-06 | 2014-10-22 | 华东理工大学 | 一种工业生产条件下聚烯烃分子量分布快速建模方法 |
| JP6441551B1 (ja) * | 2017-05-25 | 2018-12-19 | コスモ石油株式会社 | プラントの推奨運転条件を提供する方法、サーバ、コンピュータ可読命令および記録媒体 |
| CN109492883A (zh) * | 2018-10-18 | 2019-03-19 | 山东工业职业学院 | 一种能效人工智能在线分析***及方法 |
| CN114677025A (zh) * | 2022-03-30 | 2022-06-28 | 北京数智勘实科技有限公司 | 一种催化剂运行智能管理***和管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110633852A (zh) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11681283B1 (en) | Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof | |
| CN117171661B (zh) | 一种化工厂污水处理监控方法及*** | |
| CN108763729B (zh) | 基于网络结构熵的流程工业机电***耦合状态评估方法 | |
| CN107544457A (zh) | 基于可靠性分析的炼化装置运行周期专家决策***及方法 | |
| CN1940781A (zh) | 用于控制分批过程的方法和*** | |
| CN112734284B (zh) | 流程工业能耗优化决策***及提高评估结果准确度方法 | |
| CN109902871B (zh) | 一种结合企业生产线差异化特点的智能优化节能*** | |
| CN111461450A (zh) | 基于eemd和lstm的水电机组劣化度预测方法 | |
| CN113780672B (zh) | 基于大数据人工智能的电解槽参数优化方法和*** | |
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理***及方法 | |
| CN111930790B (zh) | 一种基于时序分析的阀冷设备进阀温度预测方法 | |
| CN114565327B (zh) | 基于物联网的智慧能源管控*** | |
| CN116991130A (zh) | 一种石化生产智能化自动化控制***和方法 | |
| CN114688010B (zh) | 一种水泵节能降耗控制方法 | |
| CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及*** | |
| CN116204566A (zh) | 一种数字化工厂监控大数据处理*** | |
| CN107688325B (zh) | 一种面向实时传感环境的工业知识自动化处理方法 | |
| CN110633852B (zh) | 一种智能数据演化***及方法 | |
| CN117696224A (zh) | 一种基于大模型的磨矿优化处理*** | |
| CN112858901A (zh) | 实时监测刀具运行状态与寿命预测的***及方法 | |
| CN207769349U (zh) | 一体化滤池反冲洗控制装置 | |
| CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及*** | |
| CN116363843A (zh) | 试验室设备预警*** | |
| CN110633844B (zh) | 基于emd和ann的建筑能源***模拟预测方法及应用 | |
| KR20140147456A (ko) | 상수관망의 일일 수요량 예측방법 |
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 |