CN115138208B - 数据处理器及包含该处理器的一种废气智能处理*** - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及数据处理器及包含该处理器的一种废气智能处理***。该数据处理器包括数据获取模块、去除率矩阵补全模块和参考元素获取模块。数据获取模块用于获取历史数据库中的催化温度、催化空速和对应的废气去除率，构建不完整的去除率矩阵；去除率矩阵补全模块用于根据去除率矩阵中的已知数据对空白数据进行补全，得到补全后的去除率矩阵；参考元素获取模块用于对补全后的去除率矩阵进行数据分析，得到对应的参考元素。该基于参考元素所对应的催化温度和催化空速作为处理参数，以实现高效催化处理的目的。

Description

数据处理器及包含该处理器的一种废气智能处理***

技术领域

本发明涉及数据处理技术领域，具体涉及数据处理器及包含该处理器的一种废气智能处理***。

背景技术

工业废气一旦没有经过严格的处理被排放出来是具有极强的危害性的，这些气体资源在经过使用之后往往会含有大量的有毒有害物质，重视工业废气处理技术在大气环境净化中是至关重要的。常见的废气处理技术为催化废气，通过控制催化温度和催化空速来实现对催化废气的处理控制。

目前，常见的对废气处理过程中处理参数的设定方法为通常依赖于经验值进行设定，而对不同情况下的废气进行处理时，仅根据经验值预定的处理参数难以做到保持高效率处理。

发明内容

为了解决上述技术问题，本发明的目的在于提供数据处理器及包含该处理器的一种废气智能处理***，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了数据处理器，该数据处理器包括以下模块：

数据获取模块，用于获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵，其中，所述去除率矩阵包括已知数据和空白数据；

去除率矩阵补全模块，用于根据每个空白数据周围的已知数据的密集程度，对所述空白数据进行排序，标上对应的优先级；选取优先级最大的空白数据作为优选空白数据，获取所述优选空白数据的所属阶段，当所述优选空白数据的所属阶段为第一阶段和第三阶段时，获取两个不同方向上距离所述优选空白数据最近的已知数据作为参考数据，所述参考数据和所述优选空白数据的距离作为第一距离，第一距离的倒数和所述参考数据对应的废气去除率加权求和，得到所述优选空白数据的补全值；当所述优选空白数据的所属阶段为第二阶段时，利用双线性插值法，基于不同方向上的优选空白数据对应的已知数据，得到所述优选空白数据的补全值；基于所述优先级的大小，依次对所述空白数据进行补全，得到补全后的去除率矩阵；

参考元素获取模块，用于对所述补全后的去除率矩阵进行多阈值分割，得到多个第二类别，选取废气去除率均值最大的第二类别作为目标类别，根据所述目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，用于对催化过程进行控制。

优选的，所述获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵，包括：

获取最大催化温度和最小催化温度，将最小催化温度和最大催化温度之间的各催化温度作为去除率矩阵的行数据；

获取最大催化空速和最小催化空速，将最小催化空速和最大催化空速之间的各催化空速作为去除率矩阵的列数据；

所述去除率矩阵中的填充数值数据为催化温度和催化空速所对应的废气去除率。

优选的，所述根据每个空白数据周围的已知数据的密集程度，对所述空白数据进行排序，标上对应的优先级，包括：

基于密集程度对所述已知数据进行聚类，得到多个类别；基于所述去除率矩阵，获取属于同一类别的已知数据对应的最小外接矩阵；选取任意空白数据作为目标空白数据，当所述目标空白数据位于任意最小外接矩阵内时，将所述目标空白数据的不同邻域范围内已知数据的数量和邻域范围对应的距离权重加权求和，得到所述目标空白数据的中心率；当所述目标空白数据不属于任何最小外接矩阵外时，以所述目标空白数据与所有类别的最小外接矩阵的中心点的距离之和的倒数作为所述目标空白数据的中心率；对所述中心率进行降序排列，得到中心率序列，按照顺序依次对所述中心率序列中的中心率打上标签，所述标签为所述空白数据的优先级。

优选的，所述邻域范围对应的距离权重为：

所述目标空白数据的邻域范围内的数据数量的倒数作为所述邻域范围对应的距离权重，其中，所述邻域范围内的数据包括所述目标空白数据。

优选的，所述获取所述优选空白数据的所属阶段，包括：

基于所述催化温度，对所述去除率矩阵中所述优选空白数据的所属列的已知数据对应的废气去除率进行排序，得到废气去除率序列；获取所述废气去除率序列中的相邻的废气去除率的差值，得到差值序列；对所述差值序列进行多阈值分割，得到多个最佳分割阈值；基于所述最佳分割阈值对已知数据的所属列进行划分，得到三个阶段；所述优选空白数据所处的阶段为所述优选空白数据的所属阶段。

优选的，所述根据所述目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，包括：

选取所述目标类别内任意元素作为目标元素，计算所述目标元素与所述目标类别内其他元素的距离之和，以距离之和的倒数作为所述目标元素的元素中心率；对所述目标类别内各元素对应的元素中心率进行升序排列，得到元素中心率序列，对所述元素中心率序列中各元素中心率对应的元素依次打上标号，作为第一标号；

对所述目标类别内各元素对应的催化温度进行升序排列，得到温度序列，对所述温度序列中各催化温度对应的元素依次打上标号，作为第二标号；

元素对应的所述第一标号与所述第二标号之和作为元素对应的目标标号；选取最大目标标号对应的元素作为参考元素。

优选的，所述去除率矩阵包括已知数据和空白数据，包括：

将有数值数据的去除率矩阵中的数据作为已知数据；将没有数值数据的去除率矩阵中的数据作为空白数据。

第二方面，本发明一个实施例提供了一种废气智能处理***，包括上述数据处理器。

本发明实施例至少具有如下有益效果：

该数据处理器根据每个空白数据周围的已知数据的密集程度，对空白数据进行排序，标上对应的优先级；基于优先级的大小，依次对空白数据进行补全，得到补全后的去除率矩阵；通过空白数据周围的已知数据计算优先级，通过优先级补全的去除率矩阵更加接近真实数据；对属于不同阶段的空白数据采用不同的方法进行补全，使得补全后的去除率矩阵更加真实。

对补全后的去除率矩阵进行多阈值分割，得到多个第二类别，选取废气去除率均值最大的第二类别作为目标类别，根据目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素；对补全后的去除率矩阵进行多阈值分割，结合去除率效果和收益最大化的原则得到参考元素；同时，根据目标类别内的元素的温度和距离确定参考元素，使得参考元素可以在实际催化温度在稍微提高或降低过程中不会大限度的降低去除率，即去除率仍然保持在一个较高水平，增加了数据处理器的鲁棒性。最后，得到的参考元素对应的催化温度和催化空速作为处理参数，用于对催化过程进行处理，以实现高效催化去除废气的目的。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的数据处理器的模块框图；

图2为本发明一个实施例所提供的去除率矩阵的示意图；

图3为本发明一个实施例所提供的不同催化温度下非甲烷总烃去除率变化曲线的示意图；

图4为本发明一个实施例所提供的不同催化空速下非甲烷总烃去除率变化曲线的示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的数据处理器及包含该处理器的一种废气智能处理***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明实施例提供了数据处理器及包含该处理器的一种废气智能处理***，该数据处理器适用于废气智能处理场景。该场景下历史数据库中包含催化温度、催化空速和对应的废气去除率。为了解决预先设定的温度值和空速值通常依赖于经验值进行设定，在对不同的废气进行处理时，仅根据经验值预定的处理参数难以做到保持高效率催化去除废气的问题，本发明通过获取历史数据库中的催化温度、催化空速和对应的废气去除率，构建不完整的去除率矩阵，进一步的，根据去除率矩阵中的已知数据对空白数据进行补全，得到补全后的去除率矩阵，对补全后的去除率矩阵进行数据分析，得到对应的参考元素，该参考元素对应的催化温度和催化空速用于对催化过程进行控制，以实现高效催化去除废气的目的。

下面结合附图具体的说明本发明所提供的数据处理器及包含该处理器的一种废气智能处理***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的数据处理器的模块框图，该数据处理器包括以下模块：

数据获取模块10，用于获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵，其中，所述去除率矩阵包括已知数据和空白数据。

通过催化的方式对废气进行处理，其中最重要的两个控制参数是催化温度和催化空速。该催化温度是指催化温度，也即催化剂的催化温度；当催化温度太低时，会影响催化剂的活性，催化性能达不到最大值，影响有机废气的催化效果；当催化温度太高时，随着温度升高，催化剂的催化性能不再提高，温度太高会造成能源浪费。催化空速是指每小时进入反应器的原料量与反应器藏量之比，空速的大小取决于催化剂的活性水平。空速过大将导致吸附装置对空气中有机废气的吸附、浓缩效果变差，容易发生催化效果不充分的情况；反之，如果一味降低空速，会导致催化燃烧一体化装置对有机废气的处理效率变慢。因此需要一种确定最佳参考参数的方法，该最佳参考参数是指在该参数下，废气处理效率和处理后的废气去除率均较高。其中，最佳参考参数包括最佳催化温度和最佳催化空速。

因此，本发明首先将催化温度T和催化空速V作为需要计算的控制参数，由于在实际的生产过程中，厂家不可能对所有的控制参数都进行实验，实际上可以获得的控制参数类型较少。对应到去除率矩阵中，表现为存在许多数据为空的情况。

故首先采集历史数据中有对应的废气去除率的催化温度、催化空速及其对应的废气去除率，进而构建去除率矩阵，具体的：获取历史数据中最大催化温度和最小催化温度，将最小催化温度和最大催化温度之间的各催化温度作为去除率矩阵的行数据；获取历史数据中最大催化空速和最小催化空速，将最小催化空速和最大催化空速之间的各催化空速作为去除率矩阵的列数据，该去除率矩阵中所填充的填充数值数据为催化温度和催化空速所对应的废气去除率。如催化温度为85、79、80，则最大的催化温度为85，最小催化温度为79，对应的去除率矩阵的行数据为79、80、81、82、83、84、85。请参阅图2，图2为构建的去除率矩阵的示意图；图2中的V1、V2、V3、V4、V5表示逐渐增大的催化空速，递增值为1；图2中的T1、T2、T3、T4、T5表示逐渐增大的催化温度，递增值为1；Y11为催化空速为V1、催化温度为T1时的废气去除率；Y22为催化空速为V2、催化温度为T2时的废气去除率；Y34为催化空速为V4、催化温度为T3时的废气去除率；Y42为催化空速为V2、催化温度为T4时的废气去除率；Y45为催化空速为V5、催化温度为T4时的废气去除率；Y53为催化空速为V3、催化温度为T5时的废气去除率。去除率矩阵中存在数据的表示该催化温度和催化空速下有对应的废气去除率，存在数值数据的为已知数据；去除率矩阵中对应位置空白的，表示历史数据中没有使用该催化温度和催化空速来进行控制，故也没有对应的废气去除率，不存在数值数据的为空白数据。将有数值数据的去除率矩阵中的数据称为已知数据，将没有数值数据的去除率矩阵中的数据称为空白数据，如图2中催化空速为V2、催化温度为T3时所对应的位置处即为空白数据，没有对应的废气去除率。

去除率矩阵补全模块20，用于根据每个空白数据周围的已知数据的密集程度，对所述空白数据进行排序，标上对应的优先级；选取优先级最大的空白数据作为优选空白数据，获取所述优选空白数据的所属阶段，当所述优选空白数据的所属阶段为第一阶段和第三阶段时，获取两个不同方向上距离所述优选空白数据最近的已知数据作为参考数据，所述参考数据和所述优选空白数据的距离作为第一距离，第一距离的倒数和所述参考数据对应的废气去除率加权求和，得到所述优选空白数据的补全值；当所述优选空白数据的所属阶段为第二阶段时，利用双线性插值法，基于不同方向上的优选空白数据对应的已知数据，得到所述优选空白数据的补全值；基于所述优先级的大小，依次对所述空白数据进行补全，得到补全后的去除率矩阵。

当一个空白数据周围的已知数据越多，对该空白数据进行补全时，该位置处空白数据补全后的补全值与真实数据的差距越小，也即该补全值越接近于真实数据。反之，当一个空白数据周围的已知数据越少，对该空白数据进行补全时，该位置处的补全后的补全值与真实数据的差距越大，也即该补全值越不接近于真实数据。

建立坐标系，将已知数据的在去除率矩阵中的行列数分别作为横纵坐标，进一步得到坐标系中的散点图，对散点图通过密度聚类的方法得到不同类别，将每个类别内的数据数量与该类别的最小外接矩形的面积作为该类别的数据密度。得到每个类别的数据密度后，计算每个空白数据的中心率，该中心率是指空白数据距离每个类别的距离，距离越小，该空白数据的中心率越大。中心率表示的是每个空白数据周围的已知数据的密集程度，如果一个空白数据周围的已知数据越多，对该空白数据进行补全时，该空白数据的补全值与真实数据的差距越小，即该空白数据越接近真实数据。

根据每个空白数据周围的已知数据的密集程度，对空白数据进行排序，标上对应的优先级。具体的：

步骤一：基于密集程度对已知数据进行聚类，得到多个类别。具体的：

建立坐标系，将已知数据的在去除率矩阵中的行列数分别作为横纵坐标，进一步得到坐标系中的散点图，对散点图通过密度聚类的方法得到多个不同的类别。

步骤二：基于去除率矩阵，获取属于同一类别的已知数据对应的最小外接矩阵；选取任意空白数据作为目标空白数据，当目标空白数据位于任意最小外接矩阵内时，将目标空白数据的不同邻域范围内已知数据的数量和邻域范围对应的距离权重加权求和，得到目标空白数据的中心率；当目标空白数据不属于任何最小外接矩阵外时，以目标空白数据与所有类别的最小外接矩阵的中心点距离之和的倒数作为目标空白数据的中心率。具体的：

基于去除率矩阵，获取属于同一类别的已知数据对应的最小外接矩阵。每个类别对应一个最小外接矩阵。

选取任意空白数据作为目标空白数据，当目标空白数据位于任意最小外接矩阵内部时，通过滑窗得到目标空白数据的不同邻域范围内已知数据的数量。不同邻域范围包括3*3邻域范围、5*5邻域范围等多个不同的邻域范围。需要说明的是，每个空白数据的最大的邻域范围不能超过空白数据所属最小外接矩阵的范围，也即最大的邻域范围的长宽要小于等于空白数据所属最小外接矩阵的宽。

不同邻域范围的已知数据的数量形成数量序列{a1,a2,a3,…,an}，越靠前的序列中元素的参考性越大，这是因为位置越相近，元素值越相近。构造数量序列的原因是因为单个范围内可能很多空白数据的邻域情况一致，导致中心率相同，难以计算优先级。考虑到计算一个空白数据时，参考的已知数据越多，即该空白数据周围的已知数据越多，得到的空白数据的值越接近于真实值，故通过构建数量序列来实现。

在计算空白数据的中心率时，首先通过已知数据与该空白数据的距离赋予已知数据不同的权重。具体的：目标空白数据的邻域范围内的数据数量的倒数作为邻域范围对应的距离权重，其中，邻域范围内的数据包括目标空白数据，还包括空白数据和已知数据。如3*3邻域范围内的每个数据赋予1/9的距离权重，5*5邻域范围内的每个数据赋予1/25的距离权重，N*N邻域范围内的每个已知数据赋予1/N*N的距离权重。中心率的计算方法为：对于目标空白数据，将目标空白数据不同邻域范围内已知数据的数量和邻域范围对应的距离权重加权求和，得到目标空白数据的中心率。该中心率越大，该目标空白数据的计算优先级越大。

当目标空白数据不属于任何最小外接矩阵时，计算目标空白数据与所有类别的最小外接矩阵的中心点的距离之和。距离之和越小的目标空白数据对应的中心率越大，将距离之和的倒数作为该目标空白数据的中心率。

其中，空白数据的中心率的计算要遵循优先原则：位于最小外接矩形内部的空白数据的中心率先计算，然后计算位于最小外接矩形外部的空白数据的中心率。空白数据的中心率越大，计算优先级越高。

步骤三：对中心率进行降序排列，得到中心率序列，按照顺序依次对中心率序列中的中心率打上标签，标签为空白数据的优先级。

通过对最小外接矩形内和最小外接矩形外的空白数据的中心率进行计算，结合优先原则，得到了所有空白数据的优先级，根据空白数据对应的优先级的顺序对去除率矩阵中的空白数据进行补全，可以得到最接近真实数据的补全值和最真实的补全后的去除率矩阵。

进一步的，根据得到的优先级对每个空白数据进行补全，以得到补全后的去除率矩阵。具体的：

以非甲烷总烃为废气进行去除为例，请参阅图3，为不同催化温度下非甲烷总烃去除率变化曲线的示意图，废气去除率随着催化温度升高而增大，也即非甲烷总烃去除率随着催化温度升高而增大，当催化温度升高到一定程度时，随着催化温度升高非甲烷总烃去除率开始降低。请参阅图4，为不同催化空速下非甲烷总烃去除率变化曲线的示意图，废气去除率随着催化空速升高而减小，也即非甲烷总烃去除率随着催化温度升高而减小。

先对优先级最大的空白数据进行补全，优先级最大的空白数据作为优选空白数据。对空白数据进行补全，首先要根据每一行和每一列的已知数据得到该行或该列数据分别处于曲线的哪部分，然后才能根据曲线的变化趋势对空白元素进行补全，首先根据每个列数据中的已知数据计算得到每个已知数据在不同催化温度下非甲烷总烃去除率变化曲线中的可能位置，然后通过相邻列数据的比较得到最大概率的位置，即得到了已知数据的趋势，即可对空白数据的值进行预测。需要说明的是，每个列数据中的完整的列数据应该是先增大后减小的趋势，因为当前列数据不完整，存在有空白数据，所以不知道每个已知数据处于哪个阶段；列数据即为已知数据或空白数据在去除率矩阵中所属列的列数据。故进一步的，获取优选空白数据的所属阶段，具体的：找到优选空白数据在去除率矩阵中对应的列数据，根据该列数据中的已知数据的大小关系得到已知数据的可能位置。计算已知数据的纵坐标的离散系数，如果离散系数较小，则这些已知数据的聚集程度较大，大概率属于同一个阶段，然后计算数据方差，如果方差较小，则该数据处于不同催化温度下非甲烷总烃去除率变化曲线中的平缓阶段；如果方差较大，则已知数据处于上升阶段或下降阶段的概率较大；如果离散系数较大，则这些数据的离散程度较大，大概率处于不同的阶段，通过这些数据在列数据中的顺序关系可以得到每个数据位于不同位置的概率。具体的：计算优选空白数据在去除率矩阵中所属列的列数据中所有已知数据的纵坐标的离散系数，大于预设离散阈值的离散系数对应的已知数据处于不同阶段；小于等于预设离散阈值的离散系数对应的已知数据处于同一阶段。对于处于不同阶段的已知数据，根据趋势转折点的位置对所属列数据进行划分，划分为前中后三个阶段，分别对应上升阶段、平稳阶段和下降阶段。其中，趋势转折点是指不同催化温度下非甲烷总烃去除率变化曲线中的上升趋势到平稳趋势的转折点和平稳区域到下降区域的转折点，也即基于趋势转折点将空白数据的所属列进行划分，得到三个阶段，包括第一阶段、第二阶段和第三阶段，分别对应上升阶段、平稳阶段和下降阶段。

得到优选空白数据的所属阶段。获取优选空白数据的所属阶段，具体的：基于催化温度，对去除率矩阵中优选空白数据的所属列的已知数据对应的废气去除率进行排序，得到废气去除率序列；获取废气去除率序列中的相邻的废气去除率的差值，得到差值序列；对差值序列进行多阈值分割，得到多个最佳分割阈值；该最佳分割阈值对应的数据的所处位置也即为趋势转折点。基于最佳分割阈值对已知数据的所属列进行划分，得到三个阶段；优选空白数据所处的阶段为优选空白数据的所属阶段。

根据优选空白数据的所属阶段，获取不同的参考数据，基于参考数据计算优选空白数据的补全值。具体的：

当优选空白数据的所属阶段为第一阶段和第三阶段时，获取两个不同方向上距离优选空白数据最近的已知数据作为参考数据。例如序列{1,2,3,4}，对于2来说，1和3是最近的两个不同方向的元素。参考数据和优选空白数据的距离作为第一距离，第一距离的倒数和参考数据对应的废气去除率加权求和，得到优选空白数据的补全值。需要说明的是，所属阶段只考虑列方向的元素来计算空白元素的补全值，是因为处于上升阶段的数据有递增性，考虑行方向的元素可能减少这种信息，进而导致结果的不准确。

当优选空白数据的所属阶段为第二阶段时，利用双线性插值法，基于不同方向上的优选空白数据对应的已知数据，得到优选空白数据的补全值。基于优先级的大小顺序，依次对空白数据进行补全，得到补全后的去除率矩阵。

将所有的空白数据补充完整后，根据每行数据满足不同催化空速下非甲烷总烃去除率变化曲线的变化规律，对不满足该变化规律的行数据设置为空白，即这些控制参数得到的数据不满足规律，实际中不会采用这些参数来控制。

参考元素获取模块30，用于对所述补全后的去除率矩阵进行多阈值分割，得到多个第二类别，选取废气去除率均值最大的第二类别作为目标类别，根据所述目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，用于对催化过程进行控制。

得到补全后的去除率矩阵后，考虑到最大去除效果和保持最大去除效果的最低催化温度，在保持最大去除效果的基础上最大程度节能，故进一步的获取参考元素，通过参考元素对应的催化温度和催化空速，对催化过程进行控制，实现在保持最大去除效果的基础上最大程度的节能。

对补全后的去除率矩阵进行多阈值分割，得到多个第二类别。每个第二类别内的废气去除率相近，计算得到每个第二类别的废气去除率均值，选取废气去除率均值最大的第二类别作为目标类别。为了保持催化温度在稍微提高或降低过程中不会大限度的降低废气去除率，根据目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，具体的：选取目标类别内任意元素作为目标元素，计算目标元素与目标类别内其他元素的距离之和，以距离之和的倒数作为目标元素的元素中心率；对目标类别内各元素对应的元素中心率进行升序排列，得到元素中心率序列，对元素中心率序列中各元素中心率对应的元素依次打上标号，作为第一标号；对目标类别内各元素对应的催化温度进行升序排列，得到温度序列，对温度序列中各催化温度对应的元素依次打上标号，作为第二标号；元素对应的第一标号和第二标号之和作为元素对应的目标标号；选取最大目标标号对应的元素作为参考元素。

最后，该参考元素对应的催化温度和催化空速，用于对催化过程进行控制。需要说明的是，用于去除率矩阵中各元素均有对应的催化温度和催化空速，故补全后的去除率矩阵进行多阈值分割后得到的目标类别中的元素也均有对应的催化温度和催化空速，故参考元素有对应的催化温度和催化空速。

需要说明的是，该数据处理器也可以说包括数据处理单元。该数据处理单元包括数据采集装置、计算装置、存储装置；计算装置中包括数据获取模块、去除率矩阵补全模块和参考元素获取模块。该数据处理器工作过程为：数据采集装置得到的数据输入到计算装置中通过本发明中的方法进行计算得到计算结果，该计算结果即为参考元素对应的催化温度和催化空速，然后将计算结果通过存储装置存储。

本发明提供了一种数据处理器，该数据处理器可以根据实际需要应用到相应的工业生产***中，比如催化燃烧废气处理***、废气处理***等等，即该数据处理器可以作为催化燃烧废气处理***的一个组成部分，或者作为废气处理***的一个组成部分。应当理解，当该数据处理器作为催化燃烧废气处理***的一个组成部分时，催化燃烧废气处理***还包括其他相关组成部分，比如催化剂，催化剂用于使废气在较低的起燃温度下进行无焰燃烧，以使废气分解为无毒的二氧化碳和水蒸气，从而提高对废气处理的效率。由于通过催化剂使废气分解属于常规技术，本实施例不再具体描述。

一种废气智能处理***，包括上述数据处理器。由于该数据处理器在上述给出了详细描述，不再赘述。

综上所述，本发明涉及数据处理技术领域。该数据处理器包括数据获取模块、去除率矩阵补全模块和参考元素获取模块。数据获取模块，用于获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵。去除率矩阵补全模块，用于根据每个空白数据周围的已知数据的密集程度，对空白数据进行排序，标上对应的优先级；基于优先级的大小，依次对空白数据进行补全，得到补全后的去除率矩阵。参考元素获取模块，用于对补全后的去除率矩阵进行分析处理，从中筛选出参考元素。基于参考元素对应的催化温度和催化空速对催化过程进行控制，以实现高效催化去除废气的目的。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.数据处理器，其特征在于，所述数据处理器包括以下模块：

数据获取模块，用于获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵，其中，所述去除率矩阵包括已知数据和空白数据；

去除率矩阵补全模块，用于根据每个空白数据周围的已知数据的密集程度，对所述空白数据进行排序，标上对应的优先级；选取优先级最大的空白数据作为优选空白数据，获取所述优选空白数据的所属阶段，当所述优选空白数据的所属阶段为第一阶段和第三阶段时，获取两个不同方向上距离所述优选空白数据最近的已知数据作为参考数据，所述参考数据和所述优选空白数据的距离作为第一距离，第一距离的倒数和所述参考数据对应的废气去除率加权求和，得到所述优选空白数据的补全值；当所述优选空白数据的所属阶段为第二阶段时，利用双线性插值法，基于不同方向上的优选空白数据对应的已知数据，得到所述优选空白数据的补全值；基于所述优先级的大小，依次对所述空白数据进行补全，得到补全后的去除率矩阵；

参考元素获取模块，用于对所述补全后的去除率矩阵进行多阈值分割，得到多个第二类别，选取废气去除率均值最大的第二类别作为目标类别，根据所述目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，用于对催化过程进行控制；

其中，所述优选空白数据的所属阶段的获取方法为：基于所述催化温度，对所述去除率矩阵中所述优选空白数据的所属列的已知数据对应的废气去除率进行排序，得到废气去除率序列；获取所述废气去除率序列中的相邻的废气去除率的差值，得到差值序列；对所述差值序列进行多阈值分割，得到多个最佳分割阈值；基于所述最佳分割阈值对已知数据的所属列进行划分，得到三个阶段；所述优选空白数据所处的阶段为所述优选空白数据的所属阶段；其中，三个阶段包括第一阶段、第二阶段和第三阶段。

2.根据权利要求1所述的数据处理器，其特征在于，所述获取催化温度、催化空速和对应的废气去除率，构建对应的去除率矩阵，包括：

获取最大催化温度和最小催化温度，将最小催化温度和最大催化温度之间的各催化温度作为去除率矩阵的行数据；

获取最大催化空速和最小催化空速，将最小催化空速和最大催化空速之间的各催化空速作为去除率矩阵的列数据；

所述去除率矩阵中的填充数值数据为催化温度和催化空速所对应的废气去除率。

3.根据权利要求1所述的数据处理器，其特征在于，所述根据每个空白数据周围的已知数据的密集程度，对所述空白数据进行排序，标上对应的优先级，包括：

基于密集程度对所述已知数据进行聚类，得到多个类别；基于所述去除率矩阵，获取属于同一类别的已知数据对应的最小外接矩阵；选取任意空白数据作为目标空白数据，当所述目标空白数据位于任意最小外接矩阵内时，将所述目标空白数据的不同邻域范围内已知数据的数量和邻域范围对应的距离权重加权求和，得到所述目标空白数据的中心率；当所述目标空白数据不属于任何最小外接矩阵外时，以所述目标空白数据与所有类别的最小外接矩阵的中心点的距离之和的倒数作为所述目标空白数据的中心率；对所述中心率进行降序排列，得到中心率序列，按照顺序依次对所述中心率序列中的中心率打上标签，所述标签为所述空白数据的优先级。

4.根据权利要求3所述的数据处理器，其特征在于，所述邻域范围对应的距离权重为：

所述目标空白数据的邻域范围内的数据数量的倒数作为所述邻域范围对应的距离权重，其中，所述邻域范围内的数据包括所述目标空白数据。

5.根据权利要求1所述的数据处理器，其特征在于，所述根据所述目标类别内各元素的催化温度、各元素与其他元素的距离，筛选出参考元素，包括：

选取所述目标类别内任意元素作为目标元素，计算所述目标元素与所述目标类别内其他元素的距离之和，以距离之和的倒数作为所述目标元素的元素中心率；对所述目标类别内各元素对应的元素中心率进行升序排列，得到元素中心率序列，对所述元素中心率序列中各元素中心率对应的元素依次打上标号，作为第一标号；

对所述目标类别内各元素对应的催化温度进行升序排列，得到温度序列，对所述温度序列中各催化温度对应的元素依次打上标号，作为第二标号；

元素对应的所述第一标号与所述第二标号之和作为元素对应的目标标号；选取最大目标标号对应的元素作为参考元素。

6.根据权利要求1所述的数据处理器，其特征在于，所述去除率矩阵包括已知数据和空白数据，包括：

将有数值数据的去除率矩阵中的数据作为已知数据；将没有数值数据的去除率矩阵中的数据作为空白数据。

7.一种废气智能处理***，其特征在于，包括权利要求1~6任意一项所述的数据处理器。

Images