CN116362522B - 基于多点分布模型的数字能源氮气站数据处理方法及*** - Google Patents
基于多点分布模型的数字能源氮气站数据处理方法及*** Download PDFInfo
- Publication number
- CN116362522B CN116362522B CN202310638166.5A CN202310638166A CN116362522B CN 116362522 B CN116362522 B CN 116362522B CN 202310638166 A CN202310638166 A CN 202310638166A CN 116362522 B CN116362522 B CN 116362522B
- Authority
- CN
- China
- Prior art keywords
- data
- harmful gas
- nodes
- model
- distribution model
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 116
- 238000009826 distribution Methods 0.000 title claims abstract description 116
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 58
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 239000007789 gas Substances 0.000 claims abstract description 92
- 238000000746 purification Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000013523 data management Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000005202 decontamination Methods 0.000 claims description 6
- 230000003588 decontaminative effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004062 sedimentation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- GSWAOPJLTADLTN-UHFFFAOYSA-N oxidanimine Chemical compound [O-][NH3+] GSWAOPJLTADLTN-UHFFFAOYSA-N 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000003916 acid precipitation Methods 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010574 gas phase reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多点分布模型的数字能源氮气站数据处理方法及***,属于数据处理技术领域,获取氮气站生产数据,根据氮气站历史生产数据建立多点分布模型;实时采集多处产生的有害气体的浓度;基于所述多点分布模型,将监测到的有害气体浓度分配到多点分布模型的多个节点,通过不同节点的有害气体的浓度确定多个节点对应的净化设备的净化任务。通过将监测到的有害气体浓度分配到多点分布模型的多个节点需要进行多项分析和优化,以得到准确的预估结果,并可据此为事故预防和处理提供数据支持。
Description
技术领域
本发明属于数据处理技术领域,具体地,涉及一种基于多点分布模型的数字能源氮气站数据处理方法及***。
背景技术
多点分布模型是指由多个节点构成的网络结构,这些节点可以相互联结,共享资源和信息,实现了***的分布式和并行化。
氮气站的生产过程需要进行氧化铵的制备,而氧化铵的制备过程中需要进行气相反应,产生副产物氮氧化物(NO或NOx),氮氧化物(NO或NOx)是空气的主要污染物,其中,NOx对环境的损害作用极大,它既是形成酸雨的主要物质之一,也是形成大气中光化学烟雾的重要物质和消耗O3的一个重要因子,为减少这些有害气体对环境的影响,需要对这些有害气体进行处理和净化,而现有技术中无法自动实现将有害气体的处理资源分配到不同的节点上,从而导致有害气体无法及时得到处理而产生泄露。
发明内容
为解决上述背景技术中存在的技术问题,本发明提供了一种基于多点分布模型的数字能源氮气站数据处理方法及***。
本发明的目的可以通过以下技术方案实现:
一种基于多点分布模型的数字能源氮气站数据处理方法,包括以下步骤:
获取氮气站生产数据,根据氮气站历史生产数据建立多点分布模型;
实时采集多处产生的有害气体的浓度;
基于所述多点分布模型,将监测到的有害气体浓度分配到多点分布模型的多个节点,通过不同节点的有害气体的浓度确定多个节点对应的净化设备的净化任务,其中:
实时采集多处产生的有害气体的浓度包括:实时记录多个设备生产过程中产生的有害气体浓度;将多个设备产生的有害气体浓度数据进行传输,使有害气体浓度数据分配到多点分布模型的多个节点,多个节点并行处理多个设备产生的有害气体浓度数据;根据有害气体浓度数据调节多个设备的净化任务。
进一步的,根据有害气体浓度数据调节多个设备的净化任务具体包括以下步骤:
确定每个净化设备的处理能力:根据净化设备的技术参数和实际生产情况,确定每个净化设备的处理能力,即每小时可处理多少有害气体;
确定净化设备的净化目标:根据国家和地方相关标准,确定有害气体排放的标准值,作为净化的目标;
测量有害气体浓度:在生产车间中布置测量设备,测量有害气体的浓度,并将数据传输至多点分布模型的各个节点;
制定优化策略:根据测量到的有害气体浓度,结合设备的处理能力,制定出净化任务分配策略;
分配净化任务:按照净化任务分配策略,将净化任务分配至各个设备,确保每个设备的净化任务达到最优化;
监控净化效果:对每个设备的净化效果进行实时监控,通过数据分析和反馈,对净化任务的调整做出相应的改变,使净化效果达到预期目标。
进一步的,将监测到的有害气体浓度分配到多点分布模型的多个节点具体包括以下步骤:
使用贝叶斯网络法对读个节点的有害气体浓度数据进行模型训练;
根据监测到的有害气体种类和浓度,确定多点分布模型的节点,每个节点代表一个有害气体种类或浓度的变量;
将监测到的有害气体浓度数据输入到对应的节点中,形成数值表示变量的数据点;
对每个节点属性进行分析,调查变量自身的概率分布,以及与其他节点相关的概率分布,并将分析结果用作多点分布模型的建模依据;
通过实验、采样和观察的方法,对模型的参数进行学习和优化;
基于数据和参数学习的结果,进行模型预测,得到对未来可能出现的有害气体浓度分布的预估;
对模型预测的结果进行评估和分析,进行模型校正和调整。
进一步的,使用贝叶斯网络法对读个节点的有害气体浓度数据进行模型训练具体包括以下步骤:
根据问题设定和数据情况,构建具体的贝叶斯网络模型;
对于氮气站的变量,设置其附加的全概率表,包括因变量和自变量的条件概率分布;
利用检测数据,基于训练样本对模型的条件概率表进行参数学习;
通过已有的信息,利用模型进行推断或新数据的预测。
进一步的,所述全概率表的概率分布结果的计算公式为:
P(B) = P(BA1)P(A1) + P(BA2)P(A2) + … + P(BAn)P(An)其中,P(B)为变量B的概率分布结果,P(Ai)表示变量A取值为Ai的概率,P(BAi)表示在A取值为Ai的条件下,变量B的概率分布。
进一步的,所述制定优化策略具体包括以下步骤:
动态维护净化任务队列,将待处理的净化任务放入净化任务队列中;
将净化任务队列中的任务依次分配给可用的执行节点;
当一个节点完成分配的净化任务后,节点自动请求净化任务队列中的下一项任务;
节点依次处理任务,直至净化任务队列中的任务全部处理完成。
进一步的,所述制定优化策略还包括:根据任务执行情况,可动态地增加或减少执行节点,以适应任务量的变化。
一种基于多点分布模型的数字能源氮气站数据处理***,执行前述的一种基于多点分布模型的数字能源氮气站数据处理方法,包括数据获取模块、模型建立模块和预测模块,其中:
所述数据获取模块用于获取氮气站生产设备产生的有害气体的相关数据;所述相关数据包括有害气体的浓度、流量、设备技术参数和环境参数;
所述模型建立模块用于根据氮气站历史参数建立多点分布模型;
所述预测模块用于利用预测模型对氮气站生产过程中产生的有害气体的相关数据进行处理,以获取目标预测结果。
进一步的,所述预测模型为多点分布模型,所述多点分布模型包括网络结构、计算节点、中央控制节点和数据库,所述网络结构包括数学模型层、数据管理层、***框架层和应用接口层。
进一步的,所述数学模型层包括数学公式和计算方法,用于描述气体在空气中的扩散、传输和沉降的物理过程。
本发明的有益效果:
1、本发明公开的一种基于多点分布模型的数字能源氮气站数据处理方法及***,将监测到的有害气体浓度分配到多点分布模型的多个节点进行多项分析和优化,以得到准确的预估结果,并可据此为事故预防和处理提供数据支持;
2、本发明公开的一种基于多点分布模型的数字能源氮气站数据处理方法及***公开了利用贝叶斯网络法中的全概率表预测氮气站有害气体的相关数据,通过加权平均的方式对不同条件下变量的概率分布进行综合,从而得到条件概率表,利用条件概率表,可以对有害气体的浓度及发生时间等关键参数进行推断和预测。
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为本发明一种基于多点分布模型的数字能源氮气站数据处理方法的整体步骤流程图;
图2为本发明步骤S2的具体步骤流程图;
图3为本发明一种基于多点分布模型的数字能源氮气站数据处理***的框架原理图。
具体实施方式
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,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
氮气站的生产过程需要进行氧化铵的制备,而氧化铵的制备过程中需要进行气相反应,产生副产物氮氧化物(NO或NOx),氮氧化物(NO或NOx)是空气的主要污染物,其中,NOx对环境的损害作用极大,它既是形成酸雨的主要物质之一,也是形成大气中光化学烟雾的重要物质和消耗O3的一个重要因子。为减少这些有害气体对环境的影响,需要对其进行处理和净化。多点分布式模型可以应用在氮气站生产中的净化过程中,可以分为以下步骤:
1.分布式负载均衡:在氮气站生产中涉及到多个净化设备的运行,可以采用分布式负载均衡技术,将净化任务均等地分配给多个节点进行处理,以达到最优化的任务处理效率。
2.分布式数据分析与处理:在氮气站生产中涉及到的监测数据需要进行实时记录、传输和处理,可以使用分布式数据分析和处理技术,将监测数据分配到多个节点,实现多节点并行处理,提高数据处理效率和速度。
3.分布式智能控制:通过分布式智能控制技术,将多个净化设备的操作和控制集成到一个中央的控制器中,然后通过将任务分配到各个节点上执行实时监测,实现对氮气净化过程的精细化控制与优化,最大化净化效率,最小化能耗,实现生产的高效稳定。
多点分布模型包括网络结构、计算节点、中央控制节点和数据库,在本申请实施例中,所述网络结构包括数学模型层、数据管理层、***框架层和应用接口层,所述数学模型层主要由数学公式和计算方法组成,用于描述气体在空气中的扩散、传输和沉降等物理过程。数学模型可以是复杂的方程组、逆问题求解、贝叶斯网络等;所述数据管理层主要处理模型所需使用的数据,包括环境气象数据、源排放数据、环境监测数据等,数据在数据管理层进行采集、存储和管理,为数学模型和其他层次提供数据支撑。在本申请实施例中,所述数据管理层通过(公式)对数据进行管理。
多点分布模型中的多个节点是指多个变量或多个随机事件之间的关系和互相影响。在多点分布模型中,每个节点代表一个随机变量或一个随机事件,而节点之间的边表示变量之间的依赖关系或者事件之间的相关关系。在多点分布模型中,每个节点的取值不仅受到自身的概率分布所限制,还受到其他节点值的限制。
所述***框架层是多点分布模型的中央部分,负责实现数学模型和数据管理层之间的耦合,按照预定算法策略生成模拟和预测数据。
在本申请实施例中,所述预定算法策略具体为:
所述应用接口层是与模拟器项链,负责生成模拟器的接口,以此提供管理界面等功能给用户,此外,应用接口层还包括了相应的绘画工具、统计工具和分析工具等。
多点分布模型是指由多个节点构成的网络结构,这些节点可以相互连接,共享资源和信息。与传统的中心化模型不同,多点分布模型将***的控制和资源分布到各个节点,实现了***的分布式和并行化。多点分布模型中的每个节点都是自治的,节点之间相互独立,可以进行本地决策、数据处理和资源管理;多点分布模型中的节点可以共享资源和数据,实现协同工作和信息交换,提高了***的整体效率和性能;多节点分布模型不同于传统的中心化模型,它的网络拓扑结构通常比较复杂,可以是星型网络、环形网络、树形网络、网状网络等多种结构的组合;分散式的资源管理是多点分布模型的一个重要特点,它使***的可扩展性更高,同时降低了***的单点故障风险;多点分布模型可以通过增加节点数量提高***的性能和可用性,因此具有很好的可扩展性和自适应性。
在本申请实施例中,最常用的几种连接方式为:
点对点连接:是指两个计算节点之间建立的直接通信链接,数据直接从一个节点传输到另一个节点。这种连接方式简单、直接,但需要管理大量的连接,且节点之间的直连关系可能会导致网络的不稳定性和可靠性缺失;
总线连接:是一种将多个计算节点通过同一个物理通道进行连通的方式,多个节点可以通过总线协议进行数据同步和通信。这种连接方式降低了节点之间的耦合度,但可能会出现网络瓶颈和单点故障;
环状连接:是指多个计算节点通过环状拓扑结构进行连通,最后一个节点与第一个节点相连。环状连接方式简单,符合对称物理结构,但节点数量受限制,而且中间节点可能会出现负载过重的情况;
树形连接:是指多个计算节点按照层级结构形成一个树状网络,其中父节点连接子节点,而子节点也可能是其他父节点的子节点。树形连接方式提高了节点之间的通信效率和可靠性,但整个网络的稳定性取决于根节点和父节点的健康状态。
在本申请实施例中,优选的使用树形连接方式,树形连接可以更好的实现数据的组织和管理,将各个节点归类到不同的层级中。如果在氮气站生产中,需要对各个节点进行分组管理或某个节点的计算任务比其他节点更重,那么树形连接将更加适合。
为构建完整的多点分布模型需要对氮气站历史数据进行采集及处理,在本申请实施例中,需要获取氮气站的环境参数、气象数据、源排放物的属性、实测数据和模型参数,其中,环境参数包括温度、湿度、风速、大气压等,这些数据可以提高多点分布模型的准确度,为模型的发布和应用提供关键信息;所述气象数据包括风向、风速、湍流强度等,这些数据可以在确定多点分布模型中精确的风向和风速的分布、诊断湍流强度等方面发挥重要作用,提高模型准确性;所述源排放物属性包括排放物浓度、流量、温度和压力等,这些数据是多点分布模型评价源排放特性及影响范围的基础;所述实测数据包括在有害气体处理过程中,需要实时反馈的各种参数,如气体浓度、风向风速等,实时反馈反气站现场数据可用于多点分布模型的定量评估和更新;所述模型参数包括地形、底层结构等因素,在确定模型参数背景下会影响有害气体的传输和扩散过程,进而影响模型结果的准确性。
在本申请实施例中,多点分布模型主要通过逆向求解法、贝叶斯网络法(BayesianNetwork)和物理模拟法来整理氮气站的相关数据,其中在本申请实施例中优选的使用贝叶斯网络法,贝叶斯网络法是一种基于概率和图论的统计推断方法,主要用于模型推理和预测,可以从不同方面进行数据整理和分析,贝叶斯网络可以表示变量之间的以来关系,并且可以用来进行推断和预测,在贝叶斯网络中,节点表示一个变量,有向边表示一个变量对另一个变量的影响关系,并且每个节点都和一个条件概率表相关联。这个条件概率表描述了当前变量的值,给定它的父节点的值的条件下,该变量的概率分布。贝叶斯网络不仅可以用于描述概率事实,还可以用于调节我们对未知事情的信念。
针对基于贝叶斯网络法进行模型训练具体包括以下步骤:
根据问题设定和数据情况,采用合适的方法构建具体的贝叶斯网络模型;
对于氮气站的变量,设置其附加的全概率表,包括因变量和自变量的条件概率分布;
利用检测数据,基于训练样本对模型的条件概率表进行参数学习;
通过已有的信息,利用模型进行推断或新数据的预测。
在本申请实施例中,所述变量全概率是指对于一个条件概率分布,利用全概率公式,将该变量在不同情形下的概率加权平均的结果。在贝叶斯网络中,每个节点都使用一个条件概率表,描述了当前变量的概率分布,给定它的父节点的值的条件下,该变量的概率分布。
假设有一个变量A,它的取值可以影响B、C、D三个变量的概率分布。如果要计算对于B变量的概率分布,就需要计算A在不同情况下对B的影响,也就是B的全概率表。这个全概率表可以用下面的公式表示:P(B) = P(BA1)P(A1) + P(BA2)P(A2) + … + P(BAn)P(An)其中,P(B)为变量B的概率分布结果,P(Ai)表示变量A取值为Ai的概率,P(BAi)表示在A取值为Ai的条件下,B的概率分布。
变量的全概率表在贝叶斯网络模型中扮演着重要角色,它可以通过加权平均的方式对不同条件下变量的概率分布进行综合,从而得到条件概率表。利用条件概率表,可以进行推断和预测,在机器学习和数据挖掘等领域中得到了广泛的应用。在贝叶斯网络中,每个节点都表示一个变量,有向边表示变量之间的因果关系或者依赖关系。在马尔可夫随机场中,节点表示一个随机变量,无向边表示变量之间的相关性或联合概率分布。
请参阅图1-图2所示,一种基于多点分布模型的数字能源氮气站数据处理方法,包括以下步骤:
步骤S1、获取氮气站生产数据,根据氮气站历史生产数据建立多点分布模型;
步骤S2、实时采集多处产生的有害气体的浓度;
步骤S3、基于所述多点分布模型,将监测到的有害气体浓度分配到多点分布模型的多个节点,通过不同节点的有害气体的浓度确定多个节点对应的净化设备的净化任务,其中,步骤S2中的实时采集多处产生的有害气体的浓度包括:
步骤S210、实时记录多个设备生产过程中产生的有害气体浓度;
步骤S220、将多个设备产生的有害气体浓度数据进行传输,使有害气体浓度数据分配到多点分布模型的多个节点,多个节点并行处理多个设备产生的有害气体浓度数据;
步骤S230、根据有害气体浓度数据调节多个设备的净化任务。
进一步的,根据有害气体浓度数据调节多个设备的净化任务具体包括以下步骤:
确定每个净化设备的处理能力:根据净化设备的技术参数和实际生产情况,确定每个净化设备的处理能力,即每小时可处理多少有害气体;
确定净化设备的净化目标:根据国家和地方相关标准,确定有害气体排放的标准值,作为净化的目标;
测量有害气体浓度:在生产车间中布置测量设备,测量有害气体的浓度,并将数据传输至多点分布模型的各个节点;
制定优化策略:根据测量到的有害气体浓度,结合设备的处理能力,制定出净化任务分配策略;
分配净化任务:按照净化任务分配策略,将净化任务分配至各个设备,确保每个设备的净化任务达到最优化;
监控净化效果:对每个设备的净化效果进行实时监控,通过数据分析和反馈,对净化任务的调整做出相应的改变,使净化效果达到预期目标。
进一步的,将监测到的有害气体浓度分配到多点分布模型的多个节点具体包括以下步骤:
使用贝叶斯网络法对读个节点的有害气体浓度数据进行模型训练;
根据监测到的有害气体种类和浓度,确定多点分布模型的节点,每个节点代表一个有害气体种类或浓度的变量;
将监测到的有害气体浓度数据输入到对应的节点中,形成数值表示变量的数据点;
对每个节点属性进行分析,调查变量自身的概率分布,以及与其他节点相关的概率分布,并将分析结果用作多点分布模型的建模依据;
通过实验、采样和观察的方法,对模型的参数进行学习和优化;
基于数据和参数学习的结果,进行模型预测,得到对未来可能出现的有害气体浓度分布的预估;
对模型预测的结果进行评估和分析,进行模型校正和调整。
进一步的,使用贝叶斯网络法对读个节点的有害气体浓度数据进行模型训练具体包括以下步骤:
根据问题设定和数据情况,构建具体的贝叶斯网络模型;
对于氮气站的变量,设置其附加的全概率表,包括因变量和自变量的条件概率分布;
利用检测数据,基于训练样本对模型的条件概率表进行参数学习;
通过已有的信息,利用模型进行推断或新数据的预测。
进一步的,所述全概率表的计算公式为:
P(B) = P(BA1)P(A1) + P(BA2)P(A2) + … + P(BAn)P(An)其中,P(B)为变量B的概率分布结果,P(Ai)表示变量A取值为Ai的概率,P(BAi)表示在变量A取值为Ai的条件下,变量B的概率分布。
进一步的,所述制定优化策略具体包括以下步骤:
动态维护净化任务队列,将待处理的净化任务放入净化任务队列中;
将净化任务队列中的任务依次分配给可用的执行节点;
当一个节点完成分配的净化任务后,节点自动请求净化任务队列中的下一项任务;
节点依次处理任务,直至净化任务队列中的任务全部处理完成。
进一步的,所述制定优化策略还包括:根据任务执行情况,可动态地增加或减少执行节点,以适应任务量的变化。
一种基于多点分布模型的数字能源氮气站数据处理***,执行前述的一种基于多点分布模型的数字能源氮气站数据处理方法,如图3所示,包括数据获取模块、模型建立模块和预测模块,其中:
所述数据获取模块用于获取氮气站生产设备产生的有害气体的相关数据;所述相关数据包括有害气体的浓度、流量、设备技术参数和环境参数;
所述模型建立模块用于根据氮气站历史参数建立多点分布模型;
所述预测模块用于利用预测模型对氮气站生产过程中产生的有害气体的相关数据进行处理,以获取目标预测结果。
进一步的,所述预测模型为多点分布模型,所述多点分布模型包括网络结构、计算节点、中央控制节点和数据库,所述网络结构包括数学模型层、数据管理层、***框架层和应用接口层。
进一步的,所述数学模型层包括数学公式和计算方法,用于描述气体在空气中的扩散、传输和沉降的物理过程。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明,所述本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,包括以下步骤:
获取氮气站生产数据,根据氮气站历史生产数据建立多点分布模型;
实时采集多处产生的有害气体的浓度;
基于所述多点分布模型,将监测到的有害气体浓度分配到多点分布模型的多个节点,通过不同节点的有害气体的浓度确定多个节点对应的净化设备的净化任务,其中:
实时采集多处产生的有害气体的浓度包括:实时记录多个设备生产过程中产生的有害气体浓度;将多个设备产生的有害气体浓度数据进行传输,使有害气体浓度数据分配到多点分布模型的多个节点,多个节点并行处理多个设备产生的有害气体浓度数据;根据有害气体浓度数据调节多个设备的净化任务;
将监测到的有害气体浓度分配到多点分布模型的多个节点具体包括以下步骤:
使用贝叶斯网络法对多个节点的有害气体浓度数据进行模型训练;
根据监测到的有害气体种类和浓度,确定多点分布模型的节点,每个节点代表一个有害气体种类或浓度的变量;
将监测到的有害气体浓度数据输入到对应的节点中,形成数值表示变量的数据点;
对每个节点属性进行分析,调查变量自身的概率分布,以及与其他节点相关的概率分布,并将分析结果用作多点分布模型的建模依据;
通过实验、采样和观察的方法,对模型的参数进行学习和优化;
基于数据和参数学习的结果,进行模型预测,得到对未来可能出现的有害气体浓度分布的预估;
对模型预测的结果进行评估和分析,进行模型校正和调整。
2.根据权利要求1所述的一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,根据有害气体浓度数据调节多个设备的净化任务具体包括以下步骤:
确定每个净化设备的处理能力:根据净化设备的技术参数和实际生产情况,确定每个净化设备的处理能力,即每小时可处理多少有害气体;
确定净化设备的净化目标:根据国家和地方相关标准,确定有害气体排放的标准值,作为净化的目标;
测量有害气体浓度:在生产车间中布置测量设备,测量有害气体的浓度,并将数据传输至多点分布模型的各个节点;
制定优化策略:根据测量到的有害气体浓度,结合设备的处理能力,制定出净化任务分配策略;
分配净化任务:按照净化任务分配策略,将净化任务分配至各个设备,确保每个设备的净化任务达到最优化;
监控净化效果:对每个设备的净化效果进行实时监控,通过数据分析和反馈,对净化任务的调整做出相应的改变,使净化效果达到预期目标。
3.根据权利要求1所述的一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,使用贝叶斯网络法对读个节点的有害气体浓度数据进行模型训练具体包括以下步骤:
根据问题设定和数据情况,构建具体的贝叶斯网络模型;
对于氮气站的变量,设置其附加的全概率表,包括因变量和自变量的条件概率分布;
利用检测数据,基于训练样本对模型的条件概率表进行参数学习;
通过已有的信息,利用模型进行推断或新数据的预测。
4.根据权利要求3所述的一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,所述全概率表的概率分布结果的计算公式为:
P(B) = P(B|A1)P(A1) + P(B|A2)P(A2) + … + P(B|An)P(An)
其中,P(B)为变量B的概率分布结果,P(Ai)表示变量A取值为Ai的概率,P(B|Ai)表示在变量A取值为Ai的条件下,变量B的概率分布。
5.根据权利要求2所述的一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,所述制定优化策略具体包括以下步骤:
动态维护净化任务队列,将待处理的净化任务放入净化任务队列中;
将净化任务队列中的任务依次分配给可用的执行节点;
当一个节点完成分配的净化任务后,节点自动请求净化任务队列中的下一项任务;
节点依次处理任务,直至净化任务队列中的任务全部处理完成。
6.根据权利要求5所述的一种基于多点分布模型的数字能源氮气站数据处理方法,其特征在于,所述制定优化策略还包括:根据任务执行情况,可动态地增加或减少执行节点,以适应任务量的变化。
7.一种基于多点分布模型的数字能源氮气站数据处理***,其特征在于,执行权利要求1至6任一项所述的一种基于多点分布模型的数字能源氮气站数据处理方法,包括数据获取模块、模型建立模块和预测模块,其中:
所述数据获取模块用于获取氮气站生产设备产生的有害气体的相关数据;所述相关数据包括有害气体的浓度、流量、设备技术参数和环境参数;
所述模型建立模块用于根据氮气站历史参数建立多点分布模型;
所述预测模块用于利用预测模型对氮气站生产过程中产生的有害气体的相关数据进行处理,以获取目标预测结果。
8.根据权利要求7所述的一种基于多点分布模型的数字能源氮气站数据处理***,其特征在于,所述预测模型为多点分布模型,所述多点分布模型包括网络结构、计算节点、中央控制节点和数据库,所述网络结构包括数学模型层、数据管理层、***框架层和应用接口层。
9.根据权利要求8所述的一种基于多点分布模型的数字能源氮气站数据处理***,其特征在于,所述数学模型层包括数学公式和计算方法,用于描述气体在空气中的扩散、传输和沉降的物理过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638166.5A CN116362522B (zh) | 2023-06-01 | 2023-06-01 | 基于多点分布模型的数字能源氮气站数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310638166.5A CN116362522B (zh) | 2023-06-01 | 2023-06-01 | 基于多点分布模型的数字能源氮气站数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362522A CN116362522A (zh) | 2023-06-30 |
CN116362522B true CN116362522B (zh) | 2023-08-11 |
Family
ID=86934953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310638166.5A Active CN116362522B (zh) | 2023-06-01 | 2023-06-01 | 基于多点分布模型的数字能源氮气站数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362522B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056333B (zh) * | 2023-10-11 | 2024-01-12 | 北京市生态环境监测中心 | 远程在线评估重型车净化装置的净化效率的方法及装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014081331A1 (ru) * | 2012-11-23 | 2014-05-30 | Nikolaev Yuriy Nikolaevich | Способ мобильного контроля содержания вредных газовых компонентов в воздухе и устройство для его осуществления |
CN104765341A (zh) * | 2015-02-11 | 2015-07-08 | 苏州大学 | 一种基于物联网技术的空气净化器控制*** |
CN108008742A (zh) * | 2016-10-31 | 2018-05-08 | 哈尔滨派腾农业科技有限公司 | 一种基于农业自动化的农业大棚有害气体分布式测控方法 |
KR20180067056A (ko) * | 2016-12-12 | 2018-06-20 | (주)진성전자 | Mems 환경 센서 기반 환경 모니터링 시스템 |
CN108491273A (zh) * | 2018-03-30 | 2018-09-04 | 深圳汇通智能化科技有限公司 | 基于云计算的空气污染数据采集分析*** |
US10168953B1 (en) * | 2016-05-20 | 2019-01-01 | Nutanix, Inc. | Dynamic scheduling of distributed storage management tasks using predicted system characteristics |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN111795447A (zh) * | 2020-07-17 | 2020-10-20 | 韶关市诚湃新能源科技有限公司 | 一种基于大数据的空气净化机及空气质量分析方法 |
CN111814238A (zh) * | 2020-07-13 | 2020-10-23 | 郑州奥腾网络科技有限公司 | 基于人工智能及混合云推理的养殖舍bim实时成像方法 |
CN111855896A (zh) * | 2020-06-03 | 2020-10-30 | 金陵科技学院 | 一种基于LoRa通信技术的有害气体监测***及其方法 |
CN112070393A (zh) * | 2020-09-07 | 2020-12-11 | 宜昌湖蓝科技开发有限公司 | 一种工农业生产排放的废水水质检测*** |
CN112085075A (zh) * | 2020-08-26 | 2020-12-15 | 中国安全生产科学研究院 | 基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演*** |
CN114138038A (zh) * | 2021-11-29 | 2022-03-04 | 广东鑫钻节能科技股份有限公司 | 基于空压气站的空气净化*** |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及*** |
CN114557639A (zh) * | 2022-01-25 | 2022-05-31 | 深圳市无限动力发展有限公司 | 一种空气净化方法、装置、设备及介质 |
CN116182090A (zh) * | 2023-03-02 | 2023-05-30 | 北京科技大学 | 基于知识图谱的煤气管道事故灾害监测管理方法及*** |
-
2023
- 2023-06-01 CN CN202310638166.5A patent/CN116362522B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014081331A1 (ru) * | 2012-11-23 | 2014-05-30 | Nikolaev Yuriy Nikolaevich | Способ мобильного контроля содержания вредных газовых компонентов в воздухе и устройство для его осуществления |
CN104765341A (zh) * | 2015-02-11 | 2015-07-08 | 苏州大学 | 一种基于物联网技术的空气净化器控制*** |
US10168953B1 (en) * | 2016-05-20 | 2019-01-01 | Nutanix, Inc. | Dynamic scheduling of distributed storage management tasks using predicted system characteristics |
CN108008742A (zh) * | 2016-10-31 | 2018-05-08 | 哈尔滨派腾农业科技有限公司 | 一种基于农业自动化的农业大棚有害气体分布式测控方法 |
KR20180067056A (ko) * | 2016-12-12 | 2018-06-20 | (주)진성전자 | Mems 환경 센서 기반 환경 모니터링 시스템 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN108491273A (zh) * | 2018-03-30 | 2018-09-04 | 深圳汇通智能化科技有限公司 | 基于云计算的空气污染数据采集分析*** |
CN111855896A (zh) * | 2020-06-03 | 2020-10-30 | 金陵科技学院 | 一种基于LoRa通信技术的有害气体监测***及其方法 |
CN111814238A (zh) * | 2020-07-13 | 2020-10-23 | 郑州奥腾网络科技有限公司 | 基于人工智能及混合云推理的养殖舍bim实时成像方法 |
CN111795447A (zh) * | 2020-07-17 | 2020-10-20 | 韶关市诚湃新能源科技有限公司 | 一种基于大数据的空气净化机及空气质量分析方法 |
CN112085075A (zh) * | 2020-08-26 | 2020-12-15 | 中国安全生产科学研究院 | 基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演*** |
CN112070393A (zh) * | 2020-09-07 | 2020-12-11 | 宜昌湖蓝科技开发有限公司 | 一种工农业生产排放的废水水质检测*** |
CN114138038A (zh) * | 2021-11-29 | 2022-03-04 | 广东鑫钻节能科技股份有限公司 | 基于空压气站的空气净化*** |
CN114557639A (zh) * | 2022-01-25 | 2022-05-31 | 深圳市无限动力发展有限公司 | 一种空气净化方法、装置、设备及介质 |
CN114266200A (zh) * | 2022-02-24 | 2022-04-01 | 山东大学 | 二氧化氮浓度预测方法及*** |
CN116182090A (zh) * | 2023-03-02 | 2023-05-30 | 北京科技大学 | 基于知识图谱的煤气管道事故灾害监测管理方法及*** |
Non-Patent Citations (1)
Title |
---|
基于WSN的焊接环境监控***;高祥;蔡乐才;居锦武;陈超;;电焊机(11);第1-3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362522A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489898B (zh) | 一种基于混合认知的动态多层级***建模与状态预测方法 | |
CN107707431A (zh) | 一种面向云平台的数据安全监测方法及*** | |
CN116362522B (zh) | 基于多点分布模型的数字能源氮气站数据处理方法及*** | |
CN113344192B (zh) | 企业级电机***节能优化自动控制方法及*** | |
CN116151621A (zh) | 一种基于数据分析的大气污染治理风险检测*** | |
CN113726559B (zh) | 基于人工智能网络安全分析预警*** | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及*** | |
CN115441456A (zh) | 一种电网调度支持***故障诊断方法及装置 | |
Leithon et al. | Task scheduling strategies for utility maximization in a renewable-powered IoT node | |
CN117149410A (zh) | 一种基于ai智能模型训练调度指挥监控*** | |
Su et al. | Impacts of uncertain information delays on distributed real-time optimal controls for building HVAC systems deployed on IoT-enabled field control networks | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN106936905A (zh) | 基于openstack的Nova组件虚拟机的调度方法及其调度*** | |
Cruz et al. | Machine learning-based indoor air quality baseline study of the offices and laboratories of the northwest and southwest building of Mapúa University–Manila | |
Nakashima et al. | Evaluation of deep learning models for network performance prediction for scientific facilities | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
Salama et al. | Adaptive sampling for QoS traffic parameters using fuzzy system and regression model | |
CN115297016A (zh) | 一种基于深度学习的电力网络活跃度评价和预测方法 | |
CN114819367A (zh) | 一种基于工业互联网的公共服务平台 | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
CN113094636A (zh) | 一种基于海量监测数据的干扰性用户谐波水平估计方法 | |
Zhao et al. | Dynamic resource scheduling of cloud-based automatic test system using reinforcement learning | |
Li et al. | Flexible Job Shop Composite Dispatching Rule Mining Approach Based on an Improved Genetic Programming Algorithm | |
Ishida | An application of qualitative reasoning to process diagnosis: automatic rule generation by qualitative simulation | |
Valeev et al. | Distributed stream data processing system in multi-agent safety system of infrastructure objects |
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 |