CN114593960B - 一种多要素下的纯蒸汽取样方法及*** - Google Patents
一种多要素下的纯蒸汽取样方法及*** Download PDFInfo
- Publication number
- CN114593960B CN114593960B CN202210222755.0A CN202210222755A CN114593960B CN 114593960 B CN114593960 B CN 114593960B CN 202210222755 A CN202210222755 A CN 202210222755A CN 114593960 B CN114593960 B CN 114593960B
- Authority
- CN
- China
- Prior art keywords
- pure steam
- information set
- pure
- analysis result
- dimensional information
- 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 71
- 238000005070 sampling Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 116
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000002360 preparation method Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims description 117
- 230000002159 abnormal effect Effects 0.000 claims description 88
- 230000005856 abnormality Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 5
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004659 sterilization and disinfection Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 27
- 230000001954 sterilising effect Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 22
- 229920006395 saturated elastomer Polymers 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004454 trace mineral analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000008215 water for injection Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/22—Devices for withdrawing samples in the gaseous state
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种多要素下的纯蒸汽取样方法及***,其中,该方法包括:采集获取制备获得的第一纯蒸汽的多维度信息集合;获得纯蒸汽多维度信息要求阈值;判断多维度信息集合是否满足多维度信息要求阈值;若满足,对第一纯蒸汽进行取样使用,以及,若不满足,对多维度信息集合进行溯源分析,获得第一分析结果;根据第一分析结果,分析获得对第一纯蒸汽生产条件进行调整的第一调整方案;采用第一调整方案调整第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
Description
技术领域
本发明涉及纯蒸汽制备技术领域,具体涉及一种多要素下的纯蒸汽取样方法及***。
背景技术
纯蒸汽主要用于医药领域中对直接接触产品设备以及药剂等进行湿热消毒灭菌,在灭菌的过程中,纯蒸汽的质量对于消毒灭菌的效果有着较大影响。
目前一般通过采用符合相关标准的纯蒸汽发生器生成纯蒸汽,进行灭菌,通过对纯蒸汽发生器进行定期检修保证纯蒸汽的生成质量。
现有技术中针对不同的纯蒸汽用途,没有对纯蒸汽的质量进行检测,导致纯蒸汽取样使用时可能存在质量问题,因此存在灭菌效果较差的问题。
发明内容
本申请提供了一种多要素下的纯蒸汽取样方法及***,用于针对解决现有技术中纯蒸汽取样时质量检测效果较差、纯蒸汽可能存在质量问题的技术问题。
鉴于上述问题,本申请提供了一种多要素下的纯蒸汽取样方法及***。
本申请的第一个方面,提供了一种多要素下的纯蒸汽取样方法,所述方法包括:采集获取制备获得的第一纯蒸汽的多维度信息集合;获得纯蒸汽多维度信息要求阈值;判断所述多维度信息集合是否满足所述多维度信息要求阈值;若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
本申请的第二个方面,提供了一种多要素下的纯蒸汽取样***,所述***包括:第一获得单元,用于采集获取制备获得的第一纯蒸汽的多维度信息集合;第二获得单元,用于获得纯蒸汽多维度信息要求阈值;第一判断单元,用于判断所述多维度信息集合是否满足所述多维度信息要求阈值;第一处理单元,用于若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;第二处理单元,用于根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;第三处理单元,用于采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
本申请的第三个方面,提供了一种多要素下的纯蒸汽取样***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如第一方面所述方法的步骤。
本申请的第四个方面,提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的技术方案通过采集纯蒸汽发生器制备的纯蒸汽的多维度质量信息,并根据当前纯蒸汽的使用需求设置纯蒸汽的多维度质量要求阈值,判断生成的纯蒸汽的多维度质量信息是否满足该阈值,若不满足,则根据纯蒸汽的多维度质量信息对纯蒸汽的制备条件进行溯源分析,获得分析结果,进而根据该分析结果获得对纯蒸汽制备条件进行调整的调整方案,根据该调整方案对纯蒸汽的制备条件进行调整,然后进行纯蒸汽的制备和取样使用,提升纯蒸汽的质量和使用效果。本申请实施例提供的方法通过采集获得初步制备的纯蒸汽的多维度质量信息,且采用特定的方法保证采集获得的多维度质量信息准确,提升纯蒸汽多维度质量信息检测采集的准确性,然后判断当前制备的纯蒸汽是否满足所需要的质量需求,并在不满足时基于不满足的多维度质量信息进行溯源分析,分析纯蒸汽制备条件可能存在的问题,获得分析结果,进一步根据分析结果获得纯蒸汽制备条件的调整方案,对制备条件进行调整,本申请实施例能够有效提升纯蒸汽采样的质量,进而提升纯蒸汽的使用效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种多要素下的纯蒸汽取样方法流程示意图;
图2为本申请提供的一种多要素下的纯蒸汽取样方法中进行异常检测的流程示意图;
图3为本申请提供的一种多要素下的纯蒸汽取样方法中获得第一调整方案的流程示意图;
图4为本申请提供了一种多要素下的纯蒸汽取样***结构示意图;
图5为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一判断单元13,第一处理单元14,第二处理单元15,第三处理单元16,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种多要素下的纯蒸汽取样方法及***,用于针对解决现有技术中纯蒸汽取样时质量检测效果较差、纯蒸汽可能存在质量问题的技术问题。
申请概述
目前使用的蒸汽主要包括工业蒸汽和纯蒸汽,工业蒸汽一般作为加热介质使用,而纯蒸汽主要用于医药领域中对直接接触产品设备以及药剂等进行湿热消毒灭菌,纯蒸汽在冷凝之后,需要满足USP/EP注射用水标准。纯蒸汽在灭菌的过程中,纯蒸汽的质量对于消毒灭菌的效果有着较大影响。
目前一般通过采用符合相关标准的纯蒸汽发生器生成纯蒸汽,进行灭菌,通过对纯蒸汽发生器进行定期检修保证纯蒸汽的生成质量。
现有技术中针对不同的纯蒸汽用途,没有对纯蒸汽的质量进行检测,导致纯蒸汽取样使用时可能存在质量问题,因此可能存在灭菌效果较差的问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供的技术方案通过采集纯蒸汽发生器制备的纯蒸汽的多维度质量信息,并根据当前纯蒸汽的使用需求设置纯蒸汽的多维度质量要求阈值,判断生成的纯蒸汽的多维度质量信息是否满足该阈值,若不满足,则根据纯蒸汽的多维度质量信息对纯蒸汽的制备条件进行溯源分析,获得分析结果,进而根据该分析结果获得对纯蒸汽制备条件进行调整的调整方案,根据该调整方案对纯蒸汽的制备条件进行调整,然后进行纯蒸汽的制备和取样使用,提升纯蒸汽的质量和使用效果。
在介绍了本申请基本原理后,下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种多要素下的纯蒸汽取样方法,所述方法包括:
S100:采集获取制备获得的第一纯蒸汽的多维度信息集合;
第一纯蒸汽为采用现有技术中任意符合纯蒸汽发生器相关标准的纯蒸汽发生器制备获得的纯蒸汽。理论上,第一纯蒸汽应符合纯蒸汽应用过程中的多维度的质量要求,但在实际的制备过程中,由于纯蒸汽发生器设备可能出现故障、用于制备纯蒸汽的原水可能存在的问题以及其他取样过程中的问题等因素,可能会导致第一纯蒸汽的质量无法达到所需要的质量标准。
上述的多维度信息集合包括纯蒸汽的不凝性气体含量、过热度和干度三个质量信息,其中,不凝性气体含量指纯蒸汽内在常规的温度和压力下无法液化的气体的含量,不凝性气体主要包括空气和二氧化碳。过热度是指过热蒸汽和相同压力下饱和蒸汽的温度差。干度是指饱和纯蒸汽内干饱和蒸汽和全部饱和纯蒸汽的比例。
其中,不凝性气体含量、过热度和干度均会影响纯蒸汽在湿热灭菌过程中的效果和效率。因此,需要检测获得第一纯蒸汽的多维度信息集合,作为评估第一纯蒸汽是否可以直接取样进行消毒使用的数据基础。
本申请提供的方法中的步骤S100包括:
S110:采集获取所述第一纯蒸汽的不凝性气体含量特征信息集合;
S120:采集获取所述第一纯蒸汽的过热度特征信息集合;
S130:采集获取所述第一纯蒸汽的干度特征信息集合;
S140:对所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合内的数据进行异常检测,获得异常数据集合;
S150:去除所述异常数据集合,获得所述多维度信息集合。
具体地,采集上述第一纯蒸汽的不凝性气体含量特征信息集合,其中,第一纯蒸汽并非是制备取样获得的一份蒸汽,可为单次采用纯蒸汽发生器制造并多次取样获得的多份纯蒸汽,且可在进行每次的多维度信息检测时进行取样检测,测试多次。通过对多份纯蒸汽进行多维信息的检测,能够避免单份纯蒸汽样品单次检测数据的不准确。
不凝性气体含量的检测可通过现有技术中采用纯蒸汽冷却置换去空气水的方式,根据不凝性气体的体积加纯蒸汽冷凝后水的体积等于置换的去空气水的体积的原理,测试获得不凝性气体的含量,通过对多份第一纯蒸汽进行不凝性气体含量的检测,获得不凝性气体含量特征信息集合。
过热度的检测可通过现有技术中的温度传感器检测纯蒸汽的温度,然后减去大气压下水的沸点温度,即可获得第一纯蒸汽的过热度。通过多次取样检测第一纯蒸汽的过热度,得到上述的过热度特征信息集合。
纯蒸汽的干度检测可通过现有技术中任意的纯蒸汽干度检测装置进行检测,例如通过采用真空瓶检测纯蒸汽冷凝后真空瓶的质量和温度以及纯蒸汽的温度等,其中与纯蒸汽内干饱和蒸汽和湿饱和蒸汽的含量有关,可计算获得第一纯蒸汽样品内干饱和蒸汽和全部样品的比值,进而测试多份第一纯蒸汽样品的干度,得到上述的干度特征信息集合。
在测得不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合之后,由于测试仪器以及测试计算等过程中不可避免的误差,有可能导致部分测测得的数据不准确,从而影响整体数据的有效性和代表性,例如,不凝性气体含量特征信息集合内的某一小部分数据远大于其他的数据。对于上述情况,可认为出现了异常测试数据,影响整体数据的后续计算使用,因此,需要进行异常数据检测。
如图2所示,本申请实施例提供的方法中的步骤S140包括:
S141:基于所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合,分别构建第一异常检测树模型、第二异常检测树模型和第三异常检测树模型;
S142:根据不凝性气体含量、过热度和干度对所述第一纯蒸汽合格质量的重要性程度,进行权重分配,获得第一权重分配结果;
S143:采用所述第一权重分配结果,对所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型进行调整;
S144:合并调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,获得异常检测模型;
S145:将所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合输入所述异常检测模型,获得所述异常数据集合。
具体地,基于上述的不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合,其内分别包括多个不凝性气体含量特征信息数据、过热度特征信息数据和干度特征信息数据,进一步可根据三类数据数值分布的区间,将三个区间进行一定范围内的扩大,获得三个值域。此外,也可基于大数据采集多个纯蒸汽在不凝性气体含量、过热度和干度测试中的数据,根据三类数据分布的区间获得上述的三个值域。
接下来具体描述采用不凝性气体含量特征信息集合构建上述第一异常检测树模型的过程。基于上述三个值域中不凝性气体含量特征信息集合对应的值域,随机地选取该值域内的一个不凝性气体含量特征信息值,将该值设置为第一异常检测树模型的第一级分类节点的分类阈值,该分类阈值可将输入的不凝性气体含量特征信息分类为大于等大于该分类阈值和小于该分类阈值的两类,完成二分类,得到第一级分类结果。
继续随机地选取该阈值内的一个不凝性气体含量特征信息值,该值与之前设置的分类阈值均不同,将该值设置为第一异常检测树模型的第二级分类节点的分类阈值,该分类阈值可对第一级分类结果继续进行二分类,得到四个分类。如此,继续构建第一异常检测树模型的第三级分类节点、第四级分类节点,直到第一异常检测树模型内的所有分类节点内的分类阈值可将不凝性气体含量特征信息集合内的数据全部分类为单个数据或者分类节点的层级达到预设的高度。
在不凝性气体含量特征信息集合内,正常的不凝性气体含量特征信息数据的值较为接近,例如均分布在3%-3.5%(体积)之间,形成密集的数据簇,而异常的数据形成孤立的数据点,例如远大于3.5%,如此,在将不凝性气体含量特征信息集合输入第一异常检测树模型内后,经过多级分类节点的分类,异常的数据更容易被分类为单个数据,即层级越低的分类节点分类得到的单个数据越可能为异常数据,而较高层级分类得到的单个数据以及无法被分类为单个数据的数据较为密集,为异常数据。基于模型构建过程的各节点输出的单个数据的情况以及实际的业务需求,可设置一异常数据输出的节点,将该节点以下层级节点输出的较为单个数据视为较容易被分类为单个数据的数据,均输出为异常数据,而该节点以上的层级节点输出的单个数据以及未输出的数据视为较难以被分类为单个数据的数据,输出为正常数据。
基于上述的原理,同样基于过热度特征信息集合和干度特征信息集合构建获得第二异常检测树模型和第三异常检测树模型。如此,完成非监督学习下异常数据的检测,且检测准确率较高。将不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合分别输入第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,即可输出其中的异常数据。
本申请实施例通过构建异常检测树模型,对初步采集获得的纯蒸汽的多维度信息进行异常检测,能够输出初步采集获得的多维护信息内的异常数据,提升多维度信息数据采集的准确性,进而提升纯蒸汽质量分析判断的准确性。
在实际的纯蒸汽使用中,不凝性气体含量、过热度和干度对于纯蒸汽灭菌使用性能的影响是不同的,因此,对于不凝性气体含量、过热度和干度要求的严格程度也是不同的。例如若干度对于纯蒸汽的灭菌效果的影响程度大于过热度对于纯蒸汽的灭菌效果的影响程度。因此,需要根据对于凝性气体含量、过热度和干度对于纯蒸汽灭菌效果的影响程度调整对不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合进行异常检测的严格程度。
具体地,首先对不凝性气体含量、过热度和干度对于第一纯蒸汽合格质量的重要性程度以及对于灭菌效果的影响程度进行权重分配,权重分配的过程可采用任意权重分配的方法。示例性地,可采集多个医药领域纯蒸汽灭菌或者纯蒸汽发生领域专家对于不凝性气体含量、过热度和干度对于纯蒸汽质量的影响程度进行权重分配,例如,不凝性气体含量、过热度和干度的初始权重值均为1/3,若某一参数对于纯蒸汽灭菌效果的影响程度大于其它两参数,则将该参数对应的权重值增大,减小其他两参数的权重值,根据多个专家进行权重分配获得多个初步的权重分配结果,然后基于多个权重分配结果计算获得不凝性气体含量、过热度和干度的平均权重值,最终得到上述的第一权重分配结果。
基于该第一权重分配结果,对上述的第一异常检测树模型、第二异常检测树模型和第三异常检测树模型进行调整,以调整对不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合进行异常检测的严格程度,进而达到对影响较为重要的参数的要求更为严格的目的。
本申请提供的方法中的步骤S143包括:
S143-1:获取所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型内的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
S143-2:获得所述第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点的节点高度信息;
S143-3:根据所述第一权重分配结果内权重值的大小,对所述节点高度信息进行调整,获得调整后的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
S143-4:获得调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型。
具体地,基于前述内容中构建获得的第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,获取其中用于输出异常数据的分类节点,分别得到第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点。如前述内容中所述,在三个异常树模型中,异常数据输出节点下分类获得的单个数据为异常数据,以上的数据为正常数据。
根据该第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点,能够获得三个异常数据输出节点在三个异常检测树模型内的节点高度信息。该节点高度信息即为三个异常数据输出节点对应为第几级分类节点以及在对应异常检测树模型内的位置,例如处于所有分类节点的中间位置或中间偏上位置等。
又例如,将异常检测树模型内的全部分类节点视为1,按照从第一级分类节点为0到最高级分类节点为1进行排列,节点高度信息包括异常数据输出节点处于所有分类节点中的位置对应的值。
根据上述的第一权重分配结果内三个权重值的大小,对三个异常数据输出节点的节点高度信息进行调整,具体地调整过程中,若某一纯蒸汽参数信息的权重值大于1/3,则说明该纯蒸汽参数信息对于纯蒸汽质量和灭菌效果的影响程度较大,则对该参数的数据进行异常检测的要求应较为严格,尽可能多地检测出异常数据,尽量保证保留下的数据全部为正常数据。具体地,将该纯蒸汽参数信息对应的异常检测树模型内的异常数据输出节点的节点高度信息向较高的方向调整,如此,可将更高分类节点下分类获得的单个数据输出为异常数据,保证更高分类节点以上的数据为正常数据。具体的调整程度可根据权重值的大小以及实际的业务需求进行设置。
而对于权重值小于1/3的纯蒸汽参数信息,其对纯蒸汽质量和灭菌效果的影响程度较小,对其数据的异常检测的严格程度应该降低,则将其对应的异常检测树模型内的异常数据输出节点的节点高度信息向较低的方向调整,如此,可将更低分类节点下分类获得的单个数据输出为异常数据,保留更多数据作为正常数据进行计算,更加具有代表性。在本申请另一个具体的实施例中,也可不对该纯蒸汽参数信息对应的异常检测树模型进行调整,由于该纯蒸汽参数信息的影响程度较低,直接采用原有的异常检测树模型进行调整即可。
示例性地,第一权重分配结果内,过热度的权重值大于1/3,则调整第二异常检测树模型内第二异常数据输出节点的节点高度信息,设置层级更高的分类节点作为第二异常数据输出节点,进行异常检测。
如此,完成第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点的调整,获得调整后的第一异常检测树模型、第二异常检测树模型和第三异常检测树模型。
本申请实施例基于不凝性气体含量、过热度和干度对于纯蒸汽质量以及灭菌效果的重要性程度进行权重分配,根据权重分配结果对异常检测树模型中的异常数据输出节点的层级高度进行调整,能够更为严格地对重要性更大的纯蒸汽参数信息数据进行异常检测,进而进一步提升纯蒸汽多维度信息采集数据的准确程度。
基于调整后的第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,对三个树状模型进行合并,获得异常检测模型。基于构建调整获得的异常检测模型,可在之后的纯蒸汽取样中随时使用该模型进行纯蒸汽多维度信息的异常检测。
将当前初步采集获得的不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合输入该异常检测模型,即可输出异常数据,得到上述的异常数据集合。
将上述的异常数据集合从不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合剔除,获得正常的多维度信息数据,然后分别对正常的不凝性气体含量特征信息集合、过热度特征信息集合和度特征信息集合进行求均值,得到前述的多维度信息集合。
本申请通过采集不凝性气体含量特征信息集合、第一纯蒸汽的过热度特征信息集合和第一纯蒸汽的干度特征信息集合,并进行异常检测,能够获得能够代表纯蒸汽质量的多维度的正常数据,作为评估当前纯蒸汽取样质量和效果的数据基础,进而可进行纯蒸汽发生和取样调整的数据基础。
S200:获得纯蒸汽多维度信息要求阈值;
具体地,在采用纯蒸汽进行消毒灭菌时,需要纯蒸汽的多维度信息达到一定要求才可进行使用,避免影响消毒的效果。纯蒸汽多维度信息要求阈值内包括对纯蒸汽的不凝性气体含量、过热度和干度的要求阈值。
本申请实施例提供的方法中的步骤S200包括:
S210:获取纯蒸汽的不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值;
S220:获取当前所述第一纯蒸汽的使用要求信息;
S230:根据所述使用要求信息和所述第一权重分配结果,对所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值进行调整;
S240:合并调整后的所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值,获得所述多维度信息要求阈值。
现有技术中大多数标准对于纯蒸汽的不凝性气体含量的要求为不大于体积比例的3.5%,对于过热度的要求为不超过25℃,对于干度的要求是不小于0.9。将上述的三个要求分别作为纯蒸汽的不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值。
基于不同的灭菌使用场景和灭菌要求,对于纯蒸汽的要求会发生变化,获取当前使用纯蒸汽的第一纯蒸汽的使用要求信息,示例性地,当前使用第一纯蒸汽进行灭菌的要求较高,且需要对金属进行蒸汽灭菌,将其作为第一纯蒸汽的使用要求信息。
基于前述对于纯蒸汽质量和灭菌效果影响程度进行权重分配获得的第一权重分配结果,在进行纯蒸汽多维度信息要求阈值调整时,根据该第一权重分配结果结合前述的使用要求信息进行调整,对于权重值较大的纯蒸汽参数信息,可较大幅度地调整对应的要求阈值。
基于前述的使用要求信息和第一权重分配结果,示例性地,根据使用要求信息中当前使用第一纯蒸汽进行灭菌的要求较高,则调整不凝性气体含量要求阈值更小(例如小于3.5%)、过热度要求阈值更小(例如小于25℃)和干度要求阈值更大(例如大于0.9),根据使用要求信息中需要对金属进行蒸汽灭菌,调整该干度要求阈值至不小于0.95。再根据上述的第一权重分配结果,将各要求阈值的调整程度根据权重值的大小进行调整,例如,若过热度的权重值大于1/3,则将过热度要求阈值向小调整的程度增大,进一步调小。
合并调整后的不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值,获得上述的多维度信息要求阈值。本申请实施例基于当前纯蒸汽的使用要求信息和第一权重分配结果对纯蒸汽多维度参数要求阈值进行调整,能够根据使用需求和各参数的重要程度个性化地设置纯蒸汽的质量标准,根据该标准进行纯蒸汽的质量判断、发生以及取样,能够准确判断第一纯蒸汽是否符合要求,并提升当前纯蒸汽的使用效果。
S300:判断所述多维度信息集合是否满足所述多维度信息要求阈值;
根据前述内容中采集并处理获得的第一纯蒸汽的多维度信息集合、以及纯蒸汽多维度信息要求阈值,分别判断多维度信息集合内的不凝性气体含量、过热度和干度是否满足纯蒸汽多维度信息要求阈值内的要求。
S400:若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;
若多维度信息集合满足纯蒸汽多维度信息要求阈值内的要求,则可直接进行第一纯蒸汽的大量取样使用。
若多维度信息集合内任意一种数据未满足纯蒸汽多维度信息要求阈值内的要求,则可能在纯蒸汽发生或者取样的过程中出现了问题,需要进行分析和调整。根据该多维度信息集合进行溯源分析,获得对纯蒸汽发生或者取样过程中可能出现问题的分析结果。
本申请实施例提供的方法中的步骤S400包括:
S410:若所述多维度信息集合中的不凝性气体含量不满足所述多维度信息要求阈值,则检测分析生成所述第一纯蒸汽的原水内的空气、二氧化碳、碳酸根和碳酸氢根含量,获得第一子分析结果;
S420:若所述多维度信息集合中的过热度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的加热强度信息和压力信息,获得第二子分析结果;
S430:若所述多维度信息集合中的干度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的蒸发冷凝信息,获得第三子分析结果;
S440:合并所述第一子分析结果、第二子分析结果和第三子分析结果,得到所述第一分析结果。
具体地,在上述的多维度信息集合不满足多维度信息要求阈值时,获取其中的哪一纯蒸汽参数数据不符合对应的要求阈值。
其中,若多维度信息集合中的不凝性气体含量不满足多维度信息要求阈值中关于不凝性气体含量的要求阈值,不溶性气体主要为空气和二氧化碳,则判断可能是用于发生获得纯蒸汽的原水内的不融性气体含量过高,或者存在较多的碳酸根和碳酸氢根,在制备纯蒸汽时转化为二氧化碳。
因此,检测分析生成第一纯蒸汽的原水内的空气、二氧化碳、碳酸根和碳酸氢根含量,具体可采用现有技术中的化学和物理方法进行测定,例如气相色谱法、双指示剂中合法等方法进行测定,获得第一子分析结果。
若多维度信息集合中的过热度不满足多维度信息要求阈值中的对应要求,则分析可能是由于纯蒸汽发生过程中饱和蒸汽过度加热或压力过大,导致纯蒸汽过热度过高。因此,通过设备人员分析生成第一纯蒸汽的纯蒸汽发生器制备第一纯蒸汽过程中的加热强度信息和压力信息,加热强度信息包括加热温度和加热时间等信息,判断是否存在过度加热或压力过大的情况,得到第二子分析结果。
若多维度信息集合中的干度不满足多维度信息要求阈值中的对应要求,则分析可能是由于纯蒸汽的取样管道没有进行加热保温处理,导致第一纯蒸汽取样时已经有部分纯蒸汽发生冷凝,或者纯蒸汽生成过程中原水与热交换装置的接触面积不足,导致原水无法被充分加热生成纯蒸汽,存在部分液体。因此,通过设备人员对第一纯蒸汽生成过程中的蒸发过程和取样过程中是否存在冷凝进行分析,得到第三子分析结果。
合并上述的第一子分析结果、第二子分析结果和第三子分析结果,得到前述的第一分析结果。本申请实施例通过在第一纯蒸汽的多维度信息集合不符合多维度要求阈值时,根据不满足的参数信息进行具体的溯源分析,能够分析获得对应的纯蒸汽生产过程中可能存在的问题,得到分析结果,作为优化纯蒸汽取样使用效果的数据基础,能够进一步提升纯蒸汽生产和取样使用的效果。
S500:根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;
具体地,根据上述的第一分析结果其中的多个子分析结果,制定相应的调整方案,对相应的第一纯蒸汽生产过程中的生产条件进行调整,优化制备获得的准蒸汽的质量,使其满足纯蒸汽多维度信息要求阈值。
在根据上述第一分析结果制定相应的纯蒸汽生产条件调整方案的过程中,人为制定存在着主观影响,可能会导致调整方案的效果较差,甚至出现逆向调整的现象。因此,本申请实施例基于机器学习中的人工神经网络模型,根据第一分析结果智能推荐调整方案,提升调整方案制定的效率以及效果。
如图3所示,本申请实施例提供的方法中的步骤S500包括:
S510:基于大数据,采集获取纯蒸汽的历史分析结果集合,以及历史调整方案集合;
S520:在监督下,对所述历史调整方案集合进行调整和标识;
S530:对调整标识后的所述历史调整方案集合和所述历史分析结果集合进行划分,获得训练数据集、验证数据集和测试数据集;
S540:基于人工神经网络模型,构建纯蒸汽生产条件调整分析模型;
S550:采用所述训练数据集、验证数据集对所述纯蒸汽生产条件调整分析模型进行监督训练和验证,使所述纯蒸汽生产条件调整分析模型的准确率达到预设要求;
S560:采用所述测试数据集测试所述纯蒸汽生产条件调整分析模型,若所述纯蒸汽生产条件调整分析模型的准确率符合预设要求,获得所述纯蒸汽生产条件调整分析模型;
S570:将所述第一分析结果输入所述纯蒸汽生产条件调整分析模型,获得输出结果,所述输出结果中包括所述第一调整方案。
具体地,基于大数据或者纯蒸汽的历史实验,以及纯蒸汽发生器的历史维修调整记录,采集获取得到纯蒸汽的历史分析结果集合以及历史调整方案集合。其中包括在此前历史中采集获得的纯蒸汽出现质量问题的对应分析结果以及相应的对纯蒸汽生产条件的调整方案。
历史调整方案集合中的调整方案可能不适合当前的第一纯蒸汽生产调整的使用,例如,对于当前纯蒸汽的多维度信息要求阈值内对于不溶性气体含量的要求阈值,历史调整方案内对于生产纯蒸汽的原水进行调整后可能仍无法满足当前的要求阈值,因此,需要根据当前纯蒸汽的多维度信息要求阈值,基于机器学习中数据处理的监督学习,对历史调整方案集合中的调整方案进行调整和标识,使调整方案调整后生产得到的纯蒸汽满足当前需求,并可被计算机识别,作为神经网络模型的监督学习数据。
将调整标识后的历史调整方案集合和历史分析结果集合的标识信息进行划分,获得训练数据集、验证数据集和测试数据集。示例性地,可按照7:3:1的比例进行划分。
基于人工神经网络模型(Artificial Neural Network,ANN)构建纯蒸汽生产条件调整分析模型,其内包括多个类似人体大脑神经元的简单单元,互相连接的多个简单单元之间的连接形成权重,多个简单单元之间通过数据的输入和计算输出能够完成较为复杂的非线性逻辑运算,代替人脑进行现实问题的处理和预测,且准确率较高。
构建纯蒸汽生产条件调整分析模型的输入层、输出层和隐藏层,采用上述的训练数据集和验证数据集进行模型的监督训练和验证,在训练过程中模型的参数不停的自我更新修正,待模型的输出结果达到收敛或预设的准确率时,采用验证数据集对模型进行验证,若模型的准确率符合预设的要求,则采用验证数据集对模型的性能进行检验,避免模型发生过拟合,若模型的性能和准确率均符合需求,则获得纯蒸汽生产条件调整分析模型。
在获得纯蒸汽生产条件调整分析模型之后,将上述的第一分析结果输入该纯蒸汽生产条件调整分析模型,得到输出结果,输出结果中即包括调整方案的标识信息,根据该标识信息即可获得对应的调整方案,且准确率较高。
本申请基于机器学习中的人工神经网络构建模型,并采集获得大量的分析结果和调整方案进行模型的构建训练,能够根据当前的分析结果进行较为准确的调整方案的输出推荐,作为调整纯蒸汽生产条件的数据基础,且准确率较高,能够提升纯蒸汽生产条件调整方案制定的效率和效果,进一步提升纯蒸汽的质量和使用效果,实现纯蒸汽的高标准取样使用。
S600:采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
具体地,基于前述获取的第一调整方案,对第一纯蒸汽的生产条件进行针对性的调整,例如调整原水、纯蒸汽发生器的加热强度以及纯蒸汽发生器的取样管道等等,使调整后能够获得符合当前需求的高标准纯蒸汽,进行取样使用。
综上所述,本申请实施例提供的方法通过采集获得初步制备的纯蒸汽的多维度质量信息,且采用构建异常检测模型以及进行权重分配调整异常检测模型的方法,对多维度质量信息进行异常检测,使获得的多维度质量信息更为准确,提升纯蒸汽多维度质量信息检测采集的准确性,然后判断当前制备的纯蒸汽是否满足所需要的质量需求,并在不满足时基于不满足的多维度质量信息进行溯源分析,分析纯蒸汽制备条件可能存在的问题,获得分析结果,进一步根据分析结果获得纯蒸汽制备条件的调整方案,对制备条件进行调整,本申请实施例能够有效提升纯蒸汽采样的质量,进而提升纯蒸汽的使用效果,实现纯蒸汽的高标准采样取用。
实施例二
基于与前述实施例中一种多要素下的纯蒸汽取样方法相同的发明构思,如图4所示,本申请提供了一种多要素下的纯蒸汽取样***,其中,所述***包括:
第一获得单元11,用于采集获取制备获得的第一纯蒸汽的多维度信息集合;
第二获得单元12,用于获得纯蒸汽多维度信息要求阈值;
第一判断单元13,用于判断所述多维度信息集合是否满足所述多维度信息要求阈值;
第一处理单元14,用于若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;
第二处理单元15,用于根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;
第三处理单元16,用于采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
进一步地,所述***还包括:
第三获得单元,用于采集获取所述第一纯蒸汽的不凝性气体含量特征信息集合;
第四获得单元,用于采集获取所述第一纯蒸汽的过热度特征信息集合;
第五获得单元,用于采集获取所述第一纯蒸汽的干度特征信息集合;
第四处理单元,用于对所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合内的数据进行异常检测,获得异常数据集合;
第五处理单元,用于去除所述异常数据集合,获得所述多维度信息集合。
进一步地,所述***还包括:
第一构建单元,用于基于所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合,分别构建第一异常检测树模型、第二异常检测树模型和第三异常检测树模型;
第六处理单元,用于根据不凝性气体含量、过热度和干度对所述第一纯蒸汽合格质量的重要性程度,进行权重分配,获得第一权重分配结果;
第七处理单元,用于采用所述第一权重分配结果,对所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型进行调整;
第八处理单元,用于合并调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,获得异常检测模型;
第九处理单元,用于将所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合输入所述异常检测模型,获得所述异常数据集合。
进一步地,所述***还包括:
第六获得单元,用于获取所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型内的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
第七获得单元,用于获得所述第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点的节点高度信息;
第十处理单元,用于根据所述第一权重分配结果内权重值的大小,对所述节点高度信息进行调整,获得调整后的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
第八获得单元,用于获得调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型。
进一步地,所述***还包括:
第九获得单元,用于获取纯蒸汽的不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值;
第十获得单元,用于获取当前所述第一纯蒸汽的使用要求信息;
第十一处理单元,用于根据所述使用要求信息和所述第一权重分配结果,对所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值进行调整;
第十二处理单元,用于合并调整后的所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值,获得所述多维度信息要求阈值。
进一步地,所述***还包括:
第十三处理单元,用于若所述多维度信息集合中的不凝性气体含量不满足所述多维度信息要求阈值,则检测分析生成所述第一纯蒸汽的原水内的空气、二氧化碳、碳酸根和碳酸氢根含量,获得第一子分析结果;
第十四处理单元,用于若所述多维度信息集合中的过热度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的加热强度信息和压力信息,获得第二子分析结果;
第十五处理单元,用于若所述多维度信息集合中的干度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的蒸发冷凝信息,获得第三子分析结果;
第十六处理单元,用于合并所述第一子分析结果、第二子分析结果和第三子分析结果,得到所述第一分析结果。
进一步地,所述***还包括:
第十一获得单元,用于基于大数据,采集获取纯蒸汽的历史分析结果集合,以及历史调整方案集合;
第十七处理单元,用于在监督下,对所述历史调整方案集合进行调整和标识;
第十八处理单元,用于对调整标识后的所述历史调整方案集合和所述历史分析结果集合进行划分,获得训练数据集、验证数据集和测试数据集;
第二构建单元,用于基于人工神经网络模型,构建纯蒸汽生产条件调整分析模型;
第十九处理单元,用于采用所述训练数据集、验证数据集对所述纯蒸汽生产条件调整分析模型进行监督训练和验证,使所述纯蒸汽生产条件调整分析模型的准确率达到预设要求;
第二十处理单元,用于采用所述测试数据集测试所述纯蒸汽生产条件调整分析模型,若所述纯蒸汽生产条件调整分析模型的准确率符合预设要求,获得所述纯蒸汽生产条件调整分析模型;
第二十一处理单元,用于将所述第一分析结果输入所述纯蒸汽生产条件调整分析模型,获得输出结果,所述输出结果中包括所述第一调整方案。
实施例三
基于与前述实施例中一种多要素下的纯蒸汽取样方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备,
基于与前述实施例中一种多要素下的纯蒸汽取样方法相同的发明构思,本申请还提供了一种多要素下的纯蒸汽取样***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种多要素下的纯蒸汽取样方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种多要素下的纯蒸汽取样方法,其特征在于,所述方法包括:
采集获取制备获得的第一纯蒸汽的多维度信息集合;
获得纯蒸汽多维度信息要求阈值;
判断所述多维度信息集合是否满足所述多维度信息要求阈值;
若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;
根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;
采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用;
所述对所述多维度信息集合进行溯源分析,包括:
若所述多维度信息集合中的不凝性气体含量不满足所述多维度信息要求阈值,则检测分析生成所述第一纯蒸汽的原水内的空气、二氧化碳、碳酸根和碳酸氢根含量,获得第一子分析结果;
若所述多维度信息集合中的过热度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的加热强度信息和压力信息,获得第二子分析结果;
若所述多维度信息集合中的干度不满足所述多维度信息要求阈值,则检测分析制备所述第一纯蒸汽的蒸发冷凝信息,获得第三子分析结果;
合并所述第一子分析结果、第二子分析结果和第三子分析结果,得到所述第一分析结果。
2.根据权利要求1所述的方法,其特征在于,所述采集获取制备获得的第一纯蒸汽的多维度信息集合,包括:
采集获取所述第一纯蒸汽的不凝性气体含量特征信息集合;
采集获取所述第一纯蒸汽的过热度特征信息集合;
采集获取所述第一纯蒸汽的干度特征信息集合;
对所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合内的数据进行异常检测,获得异常数据集合;
去除所述异常数据集合,获得所述多维度信息集合。
3.根据权利要求2所述的方法,其特征在于,所述对所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合内的数据进行异常检测,包括:
基于所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合,分别构建第一异常检测树模型、第二异常检测树模型和第三异常检测树模型;
根据不凝性气体含量、过热度和干度对所述第一纯蒸汽合格质量的重要性程度,进行权重分配,获得第一权重分配结果;
采用所述第一权重分配结果,对所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型进行调整;
合并调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型,获得异常检测模型;
将所述不凝性气体含量特征信息集合、过热度特征信息集合和干度特征信息集合输入所述异常检测模型,获得所述异常数据集合。
4.根据权利要求3所述的方法,其特征在于,所述采用所述第一权重分配结果,对所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型进行调整,包括:
获取所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型内的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
获得所述第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点的节点高度信息;
根据所述第一权重分配结果内权重值的大小,对所述节点高度信息进行调整,获得调整后的第一异常数据输出节点、第二异常数据输出节点和第三异常数据输出节点;
获得调整后的所述第一异常检测树模型、第二异常检测树模型和第三异常检测树模型。
5.根据权利要求3所述的方法,其特征在于,所述获得纯蒸汽多维度信息要求阈值,包括:
获取纯蒸汽的不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值;
获取当前所述第一纯蒸汽的使用要求信息;
根据所述使用要求信息和所述第一权重分配结果,对所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值进行调整;
合并调整后的所述不凝性气体含量要求阈值、过热度要求阈值和干度要求阈值,获得所述多维度信息要求阈值。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案,包括:
基于大数据,采集获取纯蒸汽的历史分析结果集合,以及历史调整方案集合;
在监督下,对所述历史调整方案集合进行调整和标识;
对调整标识后的所述历史调整方案集合和所述历史分析结果集合进行划分,获得训练数据集、验证数据集和测试数据集;
基于人工神经网络模型,构建纯蒸汽生产条件调整分析模型;
采用所述训练数据集、验证数据集对所述纯蒸汽生产条件调整分析模型进行监督训练和验证,使所述纯蒸汽生产条件调整分析模型的准确率达到预设要求;
采用所述测试数据集测试所述纯蒸汽生产条件调整分析模型,若所述纯蒸汽生产条件调整分析模型的准确率符合预设要求,获得所述纯蒸汽生产条件调整分析模型;
将所述第一分析结果输入所述纯蒸汽生产条件调整分析模型,获得输出结果,所述输出结果中包括所述第一调整方案。
7.一种多要素下的纯蒸汽取样***,其特征在于,所述***用于执行如权利要求1至6任一项所述的方法,所述***包括:
第一获得单元,用于采集获取制备获得的第一纯蒸汽的多维度信息集合;
第二获得单元,用于获得纯蒸汽多维度信息要求阈值;
第一判断单元,用于判断所述多维度信息集合是否满足所述多维度信息要求阈值;
第一处理单元,用于若满足,对所述第一纯蒸汽进行取样使用,以及,若不满足,对所述多维度信息集合进行溯源分析,获得第一分析结果;
第二处理单元,用于根据所述第一分析结果,分析获得对所述第一纯蒸汽生产条件进行调整的第一调整方案;
第三处理单元,用于采用所述第一调整方案调整所述第一纯蒸汽的生产条件,进行纯蒸汽的生产和取样使用。
8.一种多要素下的纯蒸汽取样***,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使***以执行如权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210222755.0A CN114593960B (zh) | 2022-03-07 | 2022-03-07 | 一种多要素下的纯蒸汽取样方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210222755.0A CN114593960B (zh) | 2022-03-07 | 2022-03-07 | 一种多要素下的纯蒸汽取样方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114593960A CN114593960A (zh) | 2022-06-07 |
CN114593960B true CN114593960B (zh) | 2023-12-05 |
Family
ID=81807785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210222755.0A Active CN114593960B (zh) | 2022-03-07 | 2022-03-07 | 一种多要素下的纯蒸汽取样方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114593960B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608566A (zh) * | 2021-10-08 | 2021-11-05 | 南通吉利新纺织有限公司 | 一种纺织车间的环境监控调整方法及*** |
CN113642938A (zh) * | 2021-10-13 | 2021-11-12 | 江苏宽程装备科技有限公司 | 一种智能化生产管理方法及*** |
CN113695366A (zh) * | 2021-10-22 | 2021-11-26 | 江苏乐尔环境科技股份有限公司 | 一种基于环境监测的飞灰螯合剂智能筛选方法及*** |
CN114063587A (zh) * | 2022-01-17 | 2022-02-18 | 浙江新迪嘉禾食品有限公司 | 一种基于机器视觉的蛋糕无菌生产控制方法及*** |
CN114066207A (zh) * | 2021-11-11 | 2022-02-18 | 百融至信(北京)征信有限公司 | 一种主观客观结合的绩效考核方法及*** |
CN114124204A (zh) * | 2022-01-24 | 2022-03-01 | 北京中昱光通科技有限公司 | 一种双备路olp光线路保护切换方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914468A (zh) * | 2020-06-12 | 2020-11-10 | 中国环境科学研究院 | 一种空气污染智能监控分析方法及装置 |
-
2022
- 2022-03-07 CN CN202210222755.0A patent/CN114593960B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608566A (zh) * | 2021-10-08 | 2021-11-05 | 南通吉利新纺织有限公司 | 一种纺织车间的环境监控调整方法及*** |
CN113642938A (zh) * | 2021-10-13 | 2021-11-12 | 江苏宽程装备科技有限公司 | 一种智能化生产管理方法及*** |
CN113695366A (zh) * | 2021-10-22 | 2021-11-26 | 江苏乐尔环境科技股份有限公司 | 一种基于环境监测的飞灰螯合剂智能筛选方法及*** |
CN114066207A (zh) * | 2021-11-11 | 2022-02-18 | 百融至信(北京)征信有限公司 | 一种主观客观结合的绩效考核方法及*** |
CN114063587A (zh) * | 2022-01-17 | 2022-02-18 | 浙江新迪嘉禾食品有限公司 | 一种基于机器视觉的蛋糕无菌生产控制方法及*** |
CN114124204A (zh) * | 2022-01-24 | 2022-03-01 | 北京中昱光通科技有限公司 | 一种双备路olp光线路保护切换方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114593960A (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109298697B (zh) | 基于动态基线模型的火电厂***各部件工作状态评估方法 | |
TW201915727A (zh) | 多元感測器之錯誤偵測與分類方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN107562696B (zh) | 轮胎产品质量在线检测与控制方法 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及*** | |
CN107563672A (zh) | 一种基于层次分析法构建卷烟制丝质量评价模型的方法 | |
CN114077846B (zh) | 一种基于rf-lstm的故障电流多域识别方法及存储介质 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
CN109297534B (zh) | 用于评价室内环境质量的环境参数权重确定方法及*** | |
CN115204227A (zh) | 基于深度学习的设备故障诊断中不确定性量化校准方法 | |
CN112181706A (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及*** | |
CN108492026B (zh) | 一种基于集成正交成分最优化回归分析的软测量方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
CN109683594B (zh) | 一种异常变量精确识别与定位方法 | |
CN114593960B (zh) | 一种多要素下的纯蒸汽取样方法及*** | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及*** | |
CN110569893A (zh) | 一种配电设备缺陷分析管理方法及*** | |
CN108872142B (zh) | 一种波长选择算法中多参数的选择优化方法 | |
CN114487284B (zh) | 一种测量空气中重金属浓度的方法及*** | |
CN108664445B (zh) | 一种温度计算方法及电子设备 |
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 |