CN114819743B - 一种化工企业能耗诊断分析方法 - Google Patents
一种化工企业能耗诊断分析方法 Download PDFInfo
- Publication number
- CN114819743B CN114819743B CN202210618538.3A CN202210618538A CN114819743B CN 114819743 B CN114819743 B CN 114819743B CN 202210618538 A CN202210618538 A CN 202210618538A CN 114819743 B CN114819743 B CN 114819743B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- parameter
- parameters
- process parameters
- data
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 78
- 239000000126 substance Substances 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title abstract description 19
- 238000003745 diagnosis Methods 0.000 title abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 116
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 11
- 230000005634 sigma model Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 14
- 229910021529 ammonia Inorganic materials 0.000 description 7
- 238000004821 distillation Methods 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002351 wastewater Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种化工企业能耗诊断分析方法，涉及能耗诊断分析技术领域，包括通过数据库获取各项工艺参数的数据集；通过所述数据集确定与能耗目标量相关的工艺参数以及对应的参数区间；获取与能耗目标量相关的各项工艺参数对应的权重，并以此确定与能耗目标量相关的组合参数以及对应的参数区间；将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数。本发明通过机器学习来解决此工业场景的问题，实现节能措施的规划。
Description
技术领域
本发明涉及能耗诊断分析技术领域，特别是涉及一种化工企业能耗诊断分析方法。
背景技术
化工生产中部分制碱工艺的蒸氨***能耗较大、连续作业时间较短，氨水液相分离不充分，导致蒸汽热能浪费，废水中氨含量高、增加污水处理成本。测算发现蒸氨废液温度高出1℃，热量损失约16.25kg/t蒸汽量。生产人员往往是以经验值判断什么时候该减压、减压到什么程度、调节阀开多少，丰富的经验无法传承，同时也存在对操作的大概估计而非精准执行，无法为节能提供数据支撑。
目前企业通常目测流量计的液位高度到一半时，用调节阀控制供汽量，对当前工况与能耗情况没有联系在一起，能源消耗波动也只能事后了解是否有什么特殊作业，但也只是大概情况，无法获得实际数据支撑，节能措施无法开展。
发明内容
本发明所要解决的技术问题是，克服现有技术的缺点，提供一种化工企业能耗诊断分析方法。
为了解决以上技术问题，本发明的技术方案如下：
一种化工企业能耗诊断分析方法，包括，
通过数据库获取各项工艺参数的数据集；
通过所述数据集确定与能耗目标量相关的工艺参数以及对应的参数区间；
获取与能耗目标量相关的各项工艺参数对应的权重，并以此确定与能耗目标量相关的组合参数以及对应的参数区间；
将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述通过数据集确定与能耗目标量相关的工艺参数以及对应的参数区间包括，
利用基于高斯分布的3σ模型确定能耗目标量的异常阈值，并以此确定能耗目标量的阈值范围；
对于任一项工艺参数，以3σ模型中的3σ作为阈值，将数据集中大于阈值的数据定为标签1，将数据集中小于阈值的数据定为标签0，然后利用卡方分箱方式对数据进行分组；
对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定与能耗目标量相关的工艺参数以及对应的参数区间。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述利用基于高斯分布的3σ模型确定能耗目标量的异常阈值，并以此确定能耗目标量的阈值范围包括，
高斯分布函数为其中，μ为期望，σ为标准差；
当阈值超过3σ，将其视为异常阈值，以此确定能耗目标量的阈值范围为[μ-3σ，μ+3σ]。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定与能耗目标量相关的工艺参数以及对应的参数区间包括，
通过公式：计算自变量与因变量的相关性，其中，#yi为该分组中标签为1的个体数量，#ni为该分组中标签为0的个体数量，#yT为对应工艺参数中所有标签为1的个体数量，#nT为对应工艺参数中所有标签为0的个体数量，pyi为该分组中标签为1的个体占所有工艺参数中标签为1的比例，pni为该分组中标签为0的个体占所有工艺参数中标签为0的比例；
通过公式：计算第i组的IV值；
根据计算得到的各项工艺参数中各分组的IV值确定与能耗目标量相关的工艺参数以及对应的参数区间。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述获取与能耗目标量相关的各项工艺参数对应的权重，并以此确定与能耗目标量相关的组合参数以及对应的参数区间包括，
对与能耗目标量相关的各项工艺参数之间进行相关性校验，并剔除相关性大于设定值的部分工艺参数；
采用LASSO回归模型对剩余的工艺参数进行训练，确定各项工艺参数对应的权重；
通过公式X＝W1X1+W2X2+…+WnXn+b确定与能耗目标量相关的组合参数，其中，X为组合参数，Xn为第n项工艺参数，Wn为第n项工艺参数对应的权重，b为偏置项；
以3σ模型中的3σ作为阈值，将组合参数中大于阈值的数据定为标签1，将组合参数中小于阈值的数据定为标签0，然后利用卡方分箱方式对数据进行分组；
对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定组合参数的参数区间。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述对与能耗目标量相关的各项工艺参数之间进行相关性校验，并剔除相关性大于设定值的部分工艺参数包括，
根据公式：计算两项工艺参数之间的相关系数，其中，Xi为第i项工艺参数，/>为Xi的平均值；
当两项工艺参数之间的相关系数大于设定值时，去除其中一项工艺参数。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述LASSO回归模型的代价函数为其中，w为长度为n的向量，不包括截距项的系数θ0，θ为长度为n+1的向量，包括截距项的系数θ0，m为工艺参数的数量，n为特征数，||w||1为工艺参数w的L1范数。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：在所述将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数之后，还包括，
定期采集工艺参数，并通过回归模型进行训练，更新组合参数以及对应的参数区间。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述定期采集工艺参数，并通过回归模型进行训练，更新组合参数以及对应的参数区间之后，还包括，
周期性地获取各项工艺参数的实时数据；
判断工艺参数的实时数据是否处于能耗目标量的阈值范围内，若是，则将工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数，若否，则将工艺参数的实时数据以及能耗数据更新至数据库。
作为本发明所述化工企业能耗诊断分析方法的一种优选方案，其中：所述能耗目标量为蒸汽瞬时流量。
本发明的有益效果是：
本发明通过机器学习来解决此工业场景的问题，实现节能措施的规划。将参数样本数据作为机器学习的输入，能够实现对模型的训练，训练好的模型能够用于蒸氨工艺的诊断。相对于人工分析，当各种生产工艺优化调节后，机器学习通过持续数据采集、丰富知识库、模型训练，不断地进行数据学习能力，能够更加快速且更加准确地对异常能耗进行诊断。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的化工企业能耗诊断分析方法的流程示意图；
图2为本发明提供的化工企业能耗诊断分析方法中步骤S102的具体流程示意图。
具体实施方式
为使本发明的内容更容易被清楚地理解，下面根据具体实施方式并结合附图，对本发明作出进一步详细的说明。
图1为本申请实施例提供的化工企业能耗诊断分析方法的流程示意图。该方法包括步骤S101～步骤S105，具体步骤说明如下：
步骤S101：通过数据库获取各项工艺参数的数据集。
具体的，以蒸氨***为例，蒸氨***在工作时，会采集工况条件下的各项工艺参数的数据，并将采集到的数据储存至数据库中，后期可直接从数据库中调用储存的各项工艺参数的数据集。可以理解的是，工艺参数的数据集中包括不同时段下采集到的工艺参数。
步骤S102：通过数据集确定与蒸汽瞬时流量(能耗目标量)相关的工艺参数以及对应的参数区间。
参见图2，该步骤具体包括以下步骤：
步骤S102a：利用基于高斯分布的3σ模型确定蒸汽瞬时流量的异常阈值，并以此确定蒸汽瞬时流量的阈值范围。
具体的，假设每次时间都是独立的，且没有上下文关联，则可以采用3σ模型来检测异常区间。需要说明的是，数据需要服从正态分布。
高斯分布函数为其中，μ为期望，σ为标准差。在3σ原则下，异常值如超过3倍的标准差，则可将其视为异常值。事实上，数值分布在[μ-3σ，μ+3σ]的概率是99.7％，则距离平均值3σ之外的值出现的概率为P(|x-μ|>3σ)＝0.03，属于极个别的小概率时间。由此确定蒸汽瞬时流量的阈值范围为[μ-3σ，μ+3σ]。
步骤S102b：对于任一项工艺参数，以3σ模型中的3σ作为阈值，将数据集中大于阈值的数据定为标签1，将数据集中小于阈值的数据定为标签0，然后利用卡方分箱方式对数据进行分组。
具体的，卡方分箱方式是依赖于卡方检验的分箱方法，在统计指标上选择卡方统计量(Chi－Square)进行判别，分箱的基本思想是判断相邻的两个区间是否有分布差异，基于卡方统计量的结果进行自下而上的合并，直到满足分箱的限制条件为止。
步骤S102c：对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定与蒸汽瞬时流量相关的工艺参数以及对应的参数区间。
具体的，分组后，对于第i组，通过公式：计算自变量与因变量的相关性，其中，#yi为该分组中标签为1的个体数量，#ni为该分组中标签为0的个体数量，#yT为对应工艺参数中所有标签为1的个体数量，#nT为对应工艺参数中所有标签为0的个体数量，pyi为该分组中标签为1的个体占所有工艺参数中标签为1的比例，pni为该分组中标签为0的个体占所有工艺参数中标签为0的比例。
之后通过公式：计算第i组的IV值。可以理解的是，IV值越大，该组别(参数区间)对因变量的预测能力越强。由此，根据计算得到的各项工艺参数中各分组的IV值即可确定与蒸汽瞬时流量相关的工艺参数以及对应的参数区间。
以压力参数举例说明，将压力参数分组为10～50Pa，50～100Pa，100～150Pa三组，其中只有50～100Pa对蒸汽瞬时流量有影响的话，确定的压力参数区间就是这个50～100Pa这个区间。
步骤S103：获取与蒸汽瞬时流量相关的各项工艺参数对应的权重，并以此确定与蒸汽瞬时流量相关的组合参数以及对应的参数区间。
具体的，首先对与蒸汽瞬时流量相关的各项工艺参数之间进行相关性校验，并剔除相关性大于设定值的部分工艺参数。
根据公式：计算两项工艺参数之间的相关系数，其中，Xi为第i项工艺参数，/>为Xi的平均值。
如果两项工艺参数之间有很强的相关性，则可能存在多重共线性，需要将部分指标剔除，则当两项工艺参数之间的相关系数大于设定值时，去除其中一项工艺参数。
之后，考虑到Lasso回归能够将一些作用比较小的特征的参数训练为0，从而获得稀疏解，因此采用LASSO回归模型对剩余的工艺参数进行训练，确定各项工艺参数对应的权重。其中，LASSO回归模型的代价函数为其中，w为长度为n的向量，不包括截距项的系数θ0，θ为长度为n+1的向量，包括截距项的系数θ0，m为工艺参数的数量，n为特征数，||w||1为工艺参数w的L1范数。
确定各项工艺参数的权重后，通过公式X＝W1X1+W2X2+…+WnXn+b确定与能耗目标量相关的组合参数，其中，X为组合参数，Xn为第n项工艺参数，Wn为第n项工艺参数对应的权重，b为偏置项，由模型输出。
之后以3σ模型中的3σ作为阈值，将组合参数中大于阈值的数据定为标签1，将组合参数中小于阈值的数据定为标签0，然后利用卡方分箱方式对组合参数的数据进行分组，对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定组合参数的参数区间。
步骤S104：将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数。
具体的，将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，输出比较结果，并根据比较结果确定影响能耗目标量的工艺参数。
步骤S105：定期采集工艺参数，并通过回归模型进行训练，更新组合参数以及对应的参数区间。
步骤S106：周期性地获取各项工艺参数的实时数据。
步骤S107：判断工艺参数的实时数据是否处于能耗目标量的阈值范围内，若是，则将工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数，若否，则将工艺参数的实时数据以及能耗数据更新至数据库。
由此，本申请的技术方案通过机器学习来解决此工业场景的问题，实现节能措施的规划。将参数样本数据作为机器学习的输入，能够实现对模型的训练，训练好的模型能够用于蒸氨工艺的诊断。相对于人工分析，当各种生产工艺优化调节后，机器学习通过持续数据采集、丰富知识库、模型训练，不断地进行数据学习能力，能够更加快速且更加准确地对异常能耗进行诊断。
除上述实施例外，本发明还可以有其他实施方式；凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (6)
1.一种化工企业能耗诊断分析方法，其特征在于:包括，
通过数据库获取各项工艺参数的数据集；
利用基于高斯分布的3σ模型确定能耗目标量的异常阈值，并以此确定能耗目标量的阈值范围，其中，高斯分布函数为其中，μ为期望，σ为标准差，x为能耗目标量；
当阈值超过3σ，将其视为异常阈值，以此确定能耗目标量的阈值范围为[μ-3σ,μ+3σ]；
对于任一项工艺参数，以3σ模型中的3σ作为阈值，将数据集中大于阈值的数据定为标签1，将数据集中小于阈值的数据定为标签0，然后利用卡方分箱方式对数据进行分组；
通过公式:计算自变量与因变量的相关性，其中,#yi为该分组中标签为1的个体数量，#ni为该分组中标签为0的个体数量，#yT为对应工艺参数中所有标签为1的个体数量，#nT为对应工艺参数中所有标签为0的个体数量，pyi为该分组中标签为1的个体占所有工艺参数中标签为1的比例，pni为该分组中标签为0的个体占所有工艺参数中标签为0的比例，WOEi为第i组自变量与因变量的WOE值；
通过公式:计算第i组的IV值；
根据计算得到的各项工艺参数中各分组的IV值确定与能耗目标量相关的工艺参数以及对应的参数区间；
对与能耗目标量相关的各项工艺参数之间进行相关性校验，并剔除相关性大于设定值的部分工艺参数；
采用LASSO回归模型对剩余的工艺参数进行训练，确定各项工艺参数对应的权重；
通过公式X＝W1X1+W2X2+…+WmXm+b1确定与能耗目标量相关的组合工艺参数，其中，X表示组合工艺参数，Xm为第m项工艺参数，Wm为第m项工艺参数对应的权重，b1为偏置项；以3σ模型中的3σ作为阈值，将组合参数中大于阈值的数据定为标签1，将组合参数中小于阈值的数据定为标签0，然后利用卡方分箱方式对数据进行分组；
对分组后的数据，采用woe计算自变量与因变量的相关性，并获取各分组的IV值，以此确定组合参数的参数区间；
将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数。
2.根据权利要求1所述的化工企业能耗诊断分析方法，其特征在于:所述对与能耗目标量相关的各项工艺参数之间进行相关性校验，并剔除相关性大于设定值的部分工艺参数包括，根据公式:计算两项工艺参数之间的相关系数，其中，Xia为工艺参数Xi的第a个样本值，/>为工艺参数Xi所有样本值的平均值，Xja为工艺参数Xj的第a个样本值，/>为工艺参数Xj所有样本值的平均值，n表示样本数量；
当两项工艺参数之间的相关系数大于设定值时，去除其中一项工艺参数。
3.根据权利要求2所述的化工企业能耗诊断分析方法，其特征在于：所述LASSO回归模型的代价函数为其中，n为样本数量，m为参数个数，w是维度为m的权重向量，不包括截距项的系数θ0，θ是维度为m+1的权重向量，包括截距项的系数θ0，||w||1为权重向量w的L1范数。
4.根据权利要求1所述的化工企业能耗诊断分析方法，其特征在于:在所述将获取到的工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数之后，还包括，
定期采集工艺参数，并通过回归模型进行训练，更新组合参数以及对应的参数区间。
5.根据权利要求4所述的化工企业能耗诊断分析方法，其特征在于:所述定期采集工艺参数，并通过回归模型进行训练，更新组合参数以及对应的参数区间之后，还包括，
周期性地获取各项工艺参数的实时数据；
判断工艺参数的实时数据是否处于能耗目标量的阈值范围内，若是，则将工艺参数的实时数据与组合参数的参数区间进行对比，确定影响能耗目标量的工艺参数，若否，则将工艺参数的实时数据以及能耗数据更新至数据库。
6.根据权利要求1～5任一项所述的化工企业能耗诊断分析方法，其特征在于:所述能耗目标量为蒸汽瞬时流量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210618538.3A CN114819743B (zh) | 2022-06-01 | 2022-06-01 | 一种化工企业能耗诊断分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210618538.3A CN114819743B (zh) | 2022-06-01 | 2022-06-01 | 一种化工企业能耗诊断分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819743A CN114819743A (zh) | 2022-07-29 |
| CN114819743B true CN114819743B (zh) | 2023-08-01 |
Family
ID=82519480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210618538.3A Active CN114819743B (zh) | 2022-06-01 | 2022-06-01 | 一种化工企业能耗诊断分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819743B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130080135A1 (en) * | 2011-09-28 | 2013-03-28 | Usa As Represented By The Administrator Of The National Aeronautics And Space Administration | System, tool and method for integrated circuit and component modeling |
| EP3644267A1 (en) * | 2018-10-26 | 2020-04-29 | Tata Consultancy Services Limited | Method and system for online monitoring and optimization of mining and mineral processing operations |
| CN113486520B (zh) * | 2021-07-08 | 2023-02-21 | 内蒙古民族大学 | 基于数字孪生的剐削工艺参数动态调控方法、***及装置 |
-
2022
- 2022-06-01 CN CN202210618538.3A patent/CN114819743B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 基于卡方分箱法和逻辑回归算法的转炉操作工艺评价模型;陈超;王楠;于海洋;陈敏;;材料与冶金学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819743A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022252505A1 (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
| Ma et al. | Hierarchical monitoring and root-cause diagnosis framework for key performance indicator-related multiple faults in process industries | |
| CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
| CN108803520B (zh) | 一种基于变量非线性自相关性剔除的动态过程监测方法 | |
| JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
| Jiang et al. | Weighted kernel principal component analysis based on probability density estimation and moving window and its application in nonlinear chemical process monitoring | |
| CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
| CN104914723B (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
| CN102880905B (zh) | 一种常顶油干点在线软测量方法 | |
| KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
| CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
| Liu et al. | Unevenly sampled dynamic data modeling and monitoring with an industrial application | |
| CN107436983A (zh) | 一种基于多元样本差异的o型橡胶密封圈寿命预测方法 | |
| CN104714537A (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
| CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、***、装置及存储介质 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
| CN112395684A (zh) | 一种高速列车走行部***智能故障诊断方法 | |
| CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
| CN108470699B (zh) | 一种半导体制造设备和工艺的智能控制*** | |
| WO2021241578A1 (ja) | 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム | |
| Wang et al. | What maintenance is worth the money? a data-driven answer | |
| CN114819743B (zh) | 一种化工企业能耗诊断分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 11-14 / F, tower a, Tengfei building, 88 Jiangmiao Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province 210000 Applicant after: Anyuan Technology Co.,Ltd. Address before: 11-14 / F, tower a, Tengfei building, 88 Jiangmiao Road, yanchuangyuan, Jiangbei new district, Nanjing, Jiangsu Province 210000 Applicant before: NANJING ANYUAN TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |