CN116832588A - 酸再生烟气净化装置及其方法 - Google Patents
酸再生烟气净化装置及其方法 Download PDFInfo
- Publication number
- CN116832588A CN116832588A CN202311080709.2A CN202311080709A CN116832588A CN 116832588 A CN116832588 A CN 116832588A CN 202311080709 A CN202311080709 A CN 202311080709A CN 116832588 A CN116832588 A CN 116832588A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- time sequence
- feature
- smoke
- gas flow
- 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.)
- Granted
Links
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 151
- 239000003546 flue gas Substances 0.000 title claims abstract description 151
- 239000002253 acid Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011069 regeneration method Methods 0.000 title claims abstract description 44
- 230000008929 regeneration Effects 0.000 title claims abstract description 42
- 239000000779 smoke Substances 0.000 claims abstract description 117
- 230000003247 decreasing effect Effects 0.000 claims abstract description 22
- 238000000746 purification Methods 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 139
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000013507 mapping Methods 0.000 claims description 57
- 238000009826 distribution Methods 0.000 claims description 46
- 238000004140 cleaning Methods 0.000 claims description 37
- 238000012546 transfer Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 239000003517 fume Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QPJSUIGXIBEQAC-UHFFFAOYSA-N n-(2,4-dichloro-5-propan-2-yloxyphenyl)acetamide Chemical compound CC(C)OC1=CC(NC(C)=O)=C(Cl)C=C1Cl QPJSUIGXIBEQAC-UHFFFAOYSA-N 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/30—Controlling by gas-analysis apparatus
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
公开了一种酸再生烟气净化装置及其方法。其首先通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值,接着,对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征,然后,基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。这样,可以基于实际的烟气参数来进行烟气流量的动态自动控制,从而实现更好的净化效果和能源利用率。
Description
技术领域
本公开涉及净化装置领域,且更为具体地,涉及一种酸再生烟气净化装置及其方法。
背景技术
在金属加工过程中,为了防止金属材料在常温下的氧化,通常需要进行表面处理,其中一种常见的处理方法是使用强酸进行酸洗。然而,在金属表面处理的过程中会产生大量的酸性气体,主要包括盐酸(HCl)、硫酸(H2SO4)、硝酸(HNO3)和氢氟酸(HF)。例如,在黄金首饰生产过程中,黄金饰品需要进行炸酸处理,即将黄金饰品浸泡在煮沸的强酸中进行酸洗,这个过程会产生大量浓度极高的酸雾,具有强腐蚀性,并伴随着明显的白烟,会对周围环境造成严重影响。不仅如此,酸性气体的排放还会导致资源的浪费。为了解决这个问题,酸再生烟气净化装置应运而生。
酸再生烟气净化装置是用于处理金属加工过程中产生的含有酸性气体和白烟的装置,这种装置旨在通过特定的工艺和设备来去除酸性气体和白烟,以进行烟气中的酸性气体的净化和回收,从而达到净化烟气并保护环境的目的。
然而,传统的酸再生烟气净化装置通常需要大量的能量来加热再生塔中的酸性溶液,以将酸分离出来。这导致了较高的能源消耗,增加了运行成本。并且,传统装置通常采用固定的操作参数和流量来处理烟气,无法根据实际情况进行动态调整,导致净化效果和能源利用率的不稳定性,难以适应烟气排放的变化。
因此,期望一种优化的酸再生烟气净化装置。
发明内容
有鉴于此,本公开提出了一种酸再生烟气净化装置及其方法,可以通过传感器组进行烟气流量值、温度值和压力值的采集监测,并在后端引入数据处理和分析算法来进行烟气参数的数据时序协同分析,以对烟气流量进行自适应调整。
根据本公开的一方面,提供了一种酸再生烟气净化方法,其包括:
通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值;
对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征;以及
基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。
根据本公开的另一方面,提供了一种酸再生烟气净化装置,其中,所述酸再生烟气净化装置用于执行如前所述酸再生烟气净化方法。
根据本公开的实施例,其首先通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值,接着,对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征,然后,基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。这样,可以基于实际的烟气参数来进行烟气流量的动态自动控制,从而实现更好的净化效果和能源利用率。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的酸再生烟气净化方法的流程图。
图2示出根据本公开的实施例的酸再生烟气净化方法的架构示意图。
图3示出根据本公开的实施例的酸再生烟气净化方法的子步骤S120的流程图。
图4示出根据本公开的实施例的酸再生烟气净化方法的子步骤S130的流程图。
图5示出根据本公开的实施例的酸再生烟气净化方法的子步骤S133的流程图。
图6示出根据本公开的实施例的酸再生烟气净化***的框图。
图7示出根据本公开的实施例的酸再生烟气净化方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,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,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
针对上述技术问题,本公开的技术构思为通过传感器组进行烟气流量值、温度值和压力值的采集监测,并在后端引入数据处理和分析算法来进行烟气参数的数据时序协同分析,以对烟气流量进行自适应调整,通过这样的方式,能够基于实际的烟气参数来进行烟气流量的动态自动控制,从而实现更好的净化效果和能源利用率。
图1示出根据本公开的实施例的酸再生烟气净化方法的流程图。图2示出根据本公开的实施例的酸再生烟气净化方法的架构示意图。如图1和图2所示,根据本公开实施例的酸再生烟气净化方法,包括步骤:S110,通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值;S120,对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征;以及,S130,基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。
具体地,在本公开的技术方案中,首先,获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值。接着,考虑到所述烟气流量值、所述温度值和所述压力值不仅都在时间维度上有着时序的动态变化规律,而且这些烟气参数数据之间还具有着时序的协同关联关系,共同对于烟气的净化效果和效率产生影响。因此,为了能够基于实际情况进行烟气流量的动态自适应调整,以实现更好的净化效果和能源利用率,在本公开的技术方案中,需要将所述多个预定时间点的烟气流量值、温度值和压力值分别按照时间维度排列为烟气流量时序输入向量、温度时序输入向量和压力时序输入向量,以分别整合所述烟气流量值、所述温度值和所述压力值在时间维度上的时序分布信息。
然后,将所述烟气流量时序输入向量、所述温度时序输入向量和所述压力时序输入向量通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述烟气流量值、所述温度值和所述压力值在时间维度上的时序动态关联特征信息,从而得到烟气流量时序特征向量、温度时序特征向量和压力时序特征向量。
进一步地,再融合所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量。应可以理解,类贝叶斯概率模型是一种基于贝叶斯定理的概率模型,它可以用于推断未知参数的后验概率分布。因此,在本公开的技术方案中,使用类贝叶斯概率模型来融合所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量以得到参数后验特征向量。通过使用所述类贝叶斯概率模型,可以将不同特征向量之间的关联性和依赖关系考虑进来,并进行合理的概率推断。这样可以更准确地估计参数后验特征向量,从而提高对当前时间点烟气流量值的评估调控能力。具体来说,所述类贝叶斯概率模型可以利用已知的所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量,结合先验知识,计算出所述参数后验特征向量的概率分布,其中,所述参数后验特征向量可以综合考虑多个特征的信息,提供更全面和准确的特征表示,有利于对于烟气流量的实时精准控制。
接着,为了能够进一步提高对于烟气流量实时控制的精度,需要进一步计算所述烟气流量时序特征向量相对于所述参数后验特征向量的转移矩阵,以此来将所述烟气流量的时序特征映射到所述烟气参数时序协同关联特征的高维空间中,从而得到以所述烟气参数的时序协同关联特征为基础背景下的有关于烟气流量的时序变化特征信息的烟气流量时序映射特征矩阵。
相应地,如图3所示,对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征,包括:S121,将所述多个预定时间点的烟气流量值、温度值和压力值分别按照时间维度排列为烟气流量时序输入向量、温度时序输入向量和压力时序输入向量;S122,通过基于深度神经网络模型的时序特征提取器分别对所述烟气流量时序输入向量、所述温度时序输入向量和所述压力时序输入向量进行时序特征提取以得到烟气流量时序特征向量、温度时序特征向量和压力时序特征向量;以及,S123,对所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量进行融合以得到所述烟气参数时序协同特征。应可以理解,在步骤S121中,将多个预定时间点的烟气流量值、温度值和压力值按照时间维度排列为烟气流量时序输入向量、温度时序输入向量和压力时序输入向量,这一步的目的是将不同时间点的烟气流量、温度和压力值整理成时序的输入向量,通过按照时间维度排列,可以将时间上的相关性考虑在内,为后续的时序特征提取做准备。在步骤S122中,使用基于深度神经网络模型的时序特征提取器,分别对烟气流量时序输入向量、温度时序输入向量和压力时序输入向量进行时序特征提取,这一步的目的是通过深度神经网络模型提取烟气流量、温度和压力的时序特征,深度神经网络模型可以学习数据中的复杂时序模式和关联关系,从而提取具有表征能力的特征向量。在步骤S123中,将烟气流量时序特征向量、温度时序特征向量和压力时序特征向量进行融合,得到烟气参数的时序协同特征,这一步的目的是将烟气流量、温度和压力的时序特征进行融合,得到综合反映烟气参数时序协同关系的特征向量,通过融合不同参数的时序特征,可以捕捉到它们之间的相互影响和协同变化,提供更全面的信息。总的来说,这个过程通过整理和提取烟气流量、温度和压力的时序特征,以及将它们融合起来,得到了烟气参数的时序协同特征,这些特征可以用于后续的分析和建模,以揭示烟气参数之间的关系和规律。
更具体地,在步骤S122中,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是,一维卷积层是深度神经网络中的一种常用层,用于处理具有时序结构的数据。在时序数据中,每个输入样本通常由一个序列或时间序列组成。一维卷积层通过在时间维度上对输入数据进行卷积操作,提取时序数据中的局部特征,它使用一维卷积核(一维滤波器)在输入序列上进行滑动窗口操作,并对窗口内的数据进行卷积运算。卷积操作可以捕捉到不同时间点上的局部模式和特征。一维卷积层在时序特征提取中具有以下作用:1.特征提取:一维卷积层可以通过卷积操作从时序数据中提取出局部特征,它能够捕捉到不同时间点上的模式和规律,例如时间序列中的趋势、周期性或突变点等。2.参数共享:一维卷积层具有参数共享的特性,即卷积核在不同位置上使用相同的权重,这样可以减少模型的参数量,提高模型的效率,并且能够更好地处理输入数据的平移不变性,即对于相同的模式,无论出现在序列的哪个位置,都能够被检测到。3.降维和压缩:一维卷积层在卷积操作时可以通过调整卷积核的大小和步幅来控制输出的维度,这样可以实现对时序数据的降维和压缩,减少计算量和存储空间的需求。基于一维卷积层的时序特征提取器可以有效地从时序数据中提取出重要的局部特征,为后续的分析和建模提供更具有表征能力的特征表示。
更具体地,在步骤S123中,对所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量进行融合以得到所述烟气参数时序协同特征,包括:使用类贝叶斯概率模型来融合所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量以得到参数后验特征向量作为所述烟气参数时序协同特征。值得一提的是,类贝叶斯概率模型是一种基于贝叶斯理论的概率模型,用于建模和推断变量之间的关系。在烟气参数时序协同特征融合的过程中,使用类贝叶斯概率模型可以将烟气流量时序特征向量、温度时序特征向量和压力时序特征向量进行融合,得到参数后验特征向量作为烟气参数的时序协同特征。类贝叶斯概率模型的主要作用如下:1.统一建模框架:类贝叶斯概率模型提供了一种统一的建模框架,可以将不同特征向量之间的关系进行建模,通过考虑特征之间的条件概率分布和联合概率分布,可以将不同特征的信息进行整合和融合。2.不确定性建模:类贝叶斯概率模型能够对不确定性进行建模,通过引入先验概率和后验概率,可以对参数的不确定性进行量化和处理,这对于烟气参数时序协同特征的融合非常有用,因为不同参数之间的关系可能存在一定的不确定性。3.推断和预测:类贝叶斯概率模型可以通过贝叶斯推断的方法,从观测数据中推断出参数的后验分布,这样可以利用已有的特征向量来预测烟气参数的时序协同特征,通过推断和预测,可以揭示参数之间的关系和规律,为后续的分析和决策提供基础。总的来说,类贝叶斯概率模型提供了一种灵活的建模和推断方法,可以将烟气流量、温度和压力的时序特征进行融合,得到参数后验特征向量作为烟气参数的时序协同特征,这样可以更全面地描述烟气参数之间的关联关系,并为进一步的分析和应用提供更准确的特征表示。
继而,再将所述烟气流量时序映射特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的烟气流量值应增大或减小。也就是说,利用特征高维空间映射后的烟气流量时序动态变化特征来进行分类处理,以此来对当前时间点的烟气流量值进行自适应控制,使得烟气的净化效果能够适应烟气排放的变化,从而实现更好的净化效果和能源利用率。
相应地,如图4所示,基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小,包括:S131,计算所述烟气流量时序特征向量相对于所述参数后验特征向量的转移矩阵以得到烟气流量时序映射特征矩阵;S132,对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后烟气流量时序映射特征矩阵;以及,S133,将所述增益后烟气流量时序映射特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的烟气流量值应增大或减小。应可以理解,在确定当前时间点的烟气流量值应增大还是减小的过程中,包括以下步骤:S131:计算烟气流量时序特征向量相对于参数后验特征向量的转移矩阵,得到烟气流量时序映射特征矩阵,该步骤的作用是通过计算烟气流量时序特征向量与参数后验特征向量之间的转移矩阵,得到描述它们之间关系的映射特征矩阵,这个映射特征矩阵可以反映烟气流量与其他参数之间的协同关系,进而为后续的分析和决策提供基础;S132:对烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益,得到增益后的烟气流量时序映射特征矩阵,该步骤的目的是通过应用基于概率密度特征的模仿范式,对烟气流量时序映射特征矩阵进行分布增益,这样可以调整烟气流量的映射特征,使其更加准确地反映烟气流量的变化趋势和特征;S133:将增益后的烟气流量时序映射特征矩阵通过分类器,得到分类结果,用于表示当前时间点的烟气流量值应增大或减小,该步骤利用增益后的烟气流量时序映射特征矩阵作为输入,通过分类器进行分类,得到分类结果,这个分类结果可以指示当前时间点的烟气流量是应该增大还是减小,从而提供实时的决策依据。综合的说,这些步骤通过计算烟气流量时序特征向量与参数后验特征向量之间的转移矩阵,进行分布增益和分类,从而确定当前时间点的烟气流量值应增大还是减小,这个过程可以帮助实时监测和调控烟气流量,以满足特定的要求和目标。
值得一提的是,基于概率密度特征模仿范式的分布增益是一种通过模仿目标概率密度函数的方式,对输入数据的概率密度分布进行调整和增益的方法。在烟气流量时序映射特征矩阵的分布增益过程中,采用基于概率密度特征模仿范式的方法,即通过模仿目标概率密度函数的特征,来调整烟气流量时序映射特征矩阵的分布。具体而言,分布增益的过程可以分为以下几个步骤:1.目标概率密度函数建模:首先,对目标概率密度函数进行建模,这个目标概率密度函数可以是根据先验知识或历史数据得到的,用于描述期望的烟气流量分布。2.特征提取:从烟气流量时序映射特征矩阵中提取特征,例如均值、方差、偏度等统计特征。3.概率密度特征模仿:利用提取的特征与目标概率密度函数的特征进行比较,计算它们之间的差异或相似度。根据差异或相似度的大小,调整烟气流量时序映射特征矩阵的分布。4.分布调整:根据概率密度特征模仿的结果,对烟气流量时序映射特征矩阵的分布进行调整,可以通过缩放、平移或变换等方式来调整分布,使其更接近目标概率密度函数。通过基于概率密度特征模仿范式的分布增益,可以使烟气流量时序映射特征矩阵的分布更加符合期望的分布,这有助于提高后续分类任务的准确性和可靠性,以及对烟气流量增大或减小的判断能力。
特别地,在本公开的技术方案中,所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量分别表达烟气流量值、温度值和压力值的局部时序关联特征,在通过类贝叶斯概率模型进行特征概率分布计算后,所述参数后验特征向量符合基于所述烟气流量值、温度值和压力值的局部时序关联特征的后验贝叶斯概率特征分布,其在时序上也是与所述烟气流量时序特征向量基本对齐的,这样,在计算所述烟气流量时序特征向量相对于所述参数后验特征向量的转移矩阵的情况下,所述转移矩阵的行特征向量与转移源特征向量的内积得到转移目的特征向量的相应特征值,因此,如果将转移源特征向量的局部时序关联特征作为前景对象特征,在进行域转移特征计算时,也会引入与行方向局部时序关联下的特征分布干涉相关的列方向背景分布噪声,并且,所述烟气流量时序映射特征矩阵也具有行和列时序分布和先验-后验概率转移分布下的分级特征表达,由此,期望基于所述烟气流量时序映射特征矩阵的分布特性来增强其表达效果。因此,本公开的申请人对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益。
相应地,在一个具体示例中,对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后烟气流量时序映射特征矩阵,包括:以如下优化公式对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述增益后烟气流量时序映射特征矩阵;其中,所述优化公式为:其中,/>是所述烟气流量时序映射特征矩阵,/>是所述烟气流量时序映射特征矩阵的第/>位置的特征值,/>是所述烟气流量时序映射特征矩阵的尺度,/>表示所述烟气流量时序映射特征矩阵的F范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述增益后烟气流量时序映射特征矩阵的第/>位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的行和列时序分布和先验-后验概率转移分布下的分级表示来对高维空间进行特征空间映射的分级认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述烟气流量时序映射特征矩阵基于特征分布特性的表达效果,也就提升了所述烟气流量时序映射特征矩阵通过分类器得到的分类结果的准确性。这样,能够基于实际的烟气参数协同变化来实时进行烟气流量的动态自适应控制,从而实现更好的净化效果和能源利用率。
进一步地,在步骤S133中,如图5所示,将所述增益后烟气流量时序映射特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的烟气流量值应增大或减小,包括:S1331,将所述增益后烟气流量时序映射特征矩阵按照行向量或者列向量展开为分类特征向量;S1332,使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S1333,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括当前时间点的烟气流量值应增大(第一标签),以及,当前时间点的烟气流量值应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述增益后烟气流量时序映射特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的烟气流量值应增大或减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,当前时间点的烟气流量值应增大或减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的烟气流量值应增大或减小”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码是指将输入数据通过全连接层进行编码的过程。在步骤S1332中,将增益后的烟气流量时序映射特征矩阵展开为分类特征向量,并通过全连接层对该向量进行编码,得到编码分类特征向量。全连接层是神经网络中的一种常见层类型,其中每个神经元与上一层的所有神经元相连接。全连接层的每个神经元都有一组权重和偏置,用于对输入数据进行线性变换和非线性激活。通过全连接层的编码过程,可以将输入数据的维度进行调整和转换,从而提取出更高级别的特征表示。全连接编码的作用主要有以下几点:1.特征提取:通过全连接层的线性变换和非线性激活,可以提取输入数据中的重要特征,编码分类特征向量包含了经过全连接层处理后的特征表示,这些特征可以更好地表示烟气流量时序映射特征矩阵中的关键信息。2.维度转换:全连接编码可以将原始的烟气流量时序映射特征矩阵转换为具有更合适维度的编码分类特征向量,这有助于减少数据的维度,并提取出更紧凑和有用的特征表示,从而降低了后续分类任务的复杂性。3.非线性建模:通过全连接层的非线性激活函数,可以引入非线性变换,从而更好地捕捉和建模烟气流量时序映射特征矩阵中的复杂关系,这有助于提高分类器对烟气流量增大或减小的判别能力。即,全连接编码通过全连接层对增益后的烟气流量时序映射特征矩阵进行编码,得到编码分类特征向量,这个过程可以提取重要特征、转换维度和引入非线性建模,为后续的分类任务提供更有效的特征表示。
综上,基于本公开实施例的酸再生烟气净化方法,其可以基于实际的烟气参数来进行烟气流量的动态自动控制,从而实现更好的净化效果和能源利用率。
进一步地,在本公开的实施例中,还提供一种酸再生烟气净化装置,所述酸再生烟气净化装置用于执行如前的所述酸再生烟气净化方法。
图6示出根据本公开的实施例的酸再生烟气净化***100的框图。如图6所示,根据本公开实施例的酸再生烟气净化***100,包括:数据获取模块110,用于通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值;时序协同关联分析模块120,用于对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征;以及,烟气流量控制模块130,用于基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。
在一种可能的实现方式中,所述时序协同关联分析模块120,包括:输入向量排列单元,用于将所述多个预定时间点的烟气流量值、温度值和压力值分别按照时间维度排列为烟气流量时序输入向量、温度时序输入向量和压力时序输入向量;时序特征提取单元,用于通过基于深度神经网络模型的时序特征提取器分别对所述烟气流量时序输入向量、所述温度时序输入向量和所述压力时序输入向量进行时序特征提取以得到烟气流量时序特征向量、温度时序特征向量和压力时序特征向量;以及,融合单元,用于对所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量进行融合以得到所述烟气参数时序协同特征。
这里,本领域技术人员可以理解,上述酸再生烟气净化***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的酸再生烟气净化方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的酸再生烟气净化***100可以实现在各种无线终端中,例如具有酸再生烟气净化算法的服务器等。在一种可能的实现方式中,根据本公开实施例的酸再生烟气净化***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该酸再生烟气净化***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该酸再生烟气净化***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该酸再生烟气净化***100与该无线终端也可以是分立的设备,并且该酸再生烟气净化***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7示出根据本公开的实施例的酸再生烟气净化方法的应用场景图。如图7所示,在该应用场景中,首先,通过传感器组获取预定时间段内多个预定时间点的烟气流量值(例如,图7中所示意的D1)、温度值(例如,图7中所示意的D2)和压力值(例如,图7中所示意的D3),然后,将所述多个预定时间点的烟气流量值、温度值和压力值输入至部署有酸再生烟气净化算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述酸再生烟气净化算法对所述多个预定时间点的烟气流量值、温度值和压力值进行处理以得到用于表示当前时间点的烟气流量值应增大或减小的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种酸再生烟气净化方法,其特征在于,包括:
通过传感器组获取预定时间段内多个预定时间点的烟气流量值、温度值和压力值;
对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征;以及
基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小。
2.根据权利要求1所述的酸再生烟气净化方法,其特征在于,对所述多个预定时间点的烟气流量值、温度值和压力值进行时序协同关联分析以得到烟气参数时序协同特征,包括:
将所述多个预定时间点的烟气流量值、温度值和压力值分别按照时间维度排列为烟气流量时序输入向量、温度时序输入向量和压力时序输入向量;
通过基于深度神经网络模型的时序特征提取器分别对所述烟气流量时序输入向量、所述温度时序输入向量和所述压力时序输入向量进行时序特征提取以得到烟气流量时序特征向量、温度时序特征向量和压力时序特征向量;以及
对所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量进行融合以得到所述烟气参数时序协同特征。
3.根据权利要求2所述的酸再生烟气净化方法,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
4.根据权利要求3所述的酸再生烟气净化方法,其特征在于,对所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量进行融合以得到所述烟气参数时序协同特征,包括:
使用类贝叶斯概率模型来融合所述烟气流量时序特征向量、所述温度时序特征向量和所述压力时序特征向量以得到参数后验特征向量作为所述烟气参数时序协同特征。
5.根据权利要求4所述的酸再生烟气净化方法,其特征在于,基于所述烟气参数时序协同特征,确定当前时间点的烟气流量值应增大或减小,包括:
计算所述烟气流量时序特征向量相对于所述参数后验特征向量的转移矩阵以得到烟气流量时序映射特征矩阵;
对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后烟气流量时序映射特征矩阵;以及
将所述增益后烟气流量时序映射特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的烟气流量值应增大或减小。
6.根据权利要求5所述的酸再生烟气净化方法,其特征在于,对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后烟气流量时序映射特征矩阵,包括:
以如下优化公式对所述烟气流量时序映射特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述增益后烟气流量时序映射特征矩阵;
其中,所述优化公式为:其中,/>是所述烟气流量时序映射特征矩阵,/>是所述烟气流量时序映射特征矩阵的第/>位置的特征值,/>是所述烟气流量时序映射特征矩阵的尺度,/>表示所述烟气流量时序映射特征矩阵的F范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述增益后烟气流量时序映射特征矩阵的第/>位置的特征值。
7.根据权利要求6所述的酸再生烟气净化方法,其特征在于,将所述增益后烟气流量时序映射特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的烟气流量值应增大或减小,包括:
将所述增益后烟气流量时序映射特征矩阵按照行向量或者列向量展开为分类特征向量;
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种酸再生烟气净化装置,其特征在于,所述酸再生烟气净化装置用于执行如权利要求1-7的所述酸再生烟气净化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080709.2A CN116832588B (zh) | 2023-08-25 | 2023-08-25 | 酸再生烟气净化装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311080709.2A CN116832588B (zh) | 2023-08-25 | 2023-08-25 | 酸再生烟气净化装置及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116832588A true CN116832588A (zh) | 2023-10-03 |
CN116832588B CN116832588B (zh) | 2024-02-02 |
Family
ID=88160221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311080709.2A Active CN116832588B (zh) | 2023-08-25 | 2023-08-25 | 酸再生烟气净化装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116832588B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117102988A (zh) * | 2023-10-16 | 2023-11-24 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117355009A (zh) * | 2023-10-11 | 2024-01-05 | 惠州市沃生照明有限公司 | 台灯照明亮度调节方法及*** |
CN117861296A (zh) * | 2024-03-13 | 2024-04-12 | 晋江艺森建筑工程有限公司 | 一种污水站固体杂质拦截过滤装置 |
CN117968088A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 用于天然气发电装置的烟气余热回收控制***及方法 |
CN118064197A (zh) * | 2024-04-23 | 2024-05-24 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱烃的方法和*** |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207913520U (zh) * | 2017-12-26 | 2018-09-28 | 中冶京诚工程技术有限公司 | 一种烧结烟气脱硝脱硫*** |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** |
CN110309867A (zh) * | 2019-06-21 | 2019-10-08 | 北京工商大学 | 一种基于卷积神经网络的混合气体识别方法 |
US20200387783A1 (en) * | 2019-06-07 | 2020-12-10 | XNOR.ai, Inc. | Fast Nearest Neighbor Search for Output Generation of Convolutional Neural Networks |
CN215196300U (zh) * | 2020-12-10 | 2021-12-17 | 中建材创新科技研究院有限公司 | 一种脱硫塔 |
CN114177747A (zh) * | 2021-12-02 | 2022-03-15 | 昆岳互联环境技术(江苏)有限公司 | 一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法 |
CN114748989A (zh) * | 2021-01-08 | 2022-07-15 | 中冶长天国际工程有限责任公司 | 氨稀释控制方法、装置及可读存储介质 |
CN115034486A (zh) * | 2022-06-16 | 2022-09-09 | 浙江省生态环境科学设计研究院 | 水泥窑烟气iSNCR脱硝预测控制方法 |
CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电***压力控制方法 |
CN116086790A (zh) * | 2023-04-11 | 2023-05-09 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其*** |
CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制***及其方法 |
CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理*** |
CN116312861A (zh) * | 2023-05-09 | 2023-06-23 | 济南作为科技有限公司 | 脱硝***气体浓度预测方法、装置、设备及存储介质 |
CN116392930A (zh) * | 2023-04-24 | 2023-07-07 | 浙江浙能迈领环境科技有限公司 | 船舶尾气脱硫工艺及其*** |
CN116477663A (zh) * | 2023-05-31 | 2023-07-25 | 江西江钒科技实业有限公司 | 电池级五氧化二钒的提纯制备方法及其*** |
CN116603390A (zh) * | 2023-07-05 | 2023-08-18 | 浙江浙能迈领环境科技有限公司 | 船舶尾气洗涤***及其方法 |
CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测***及其方法 |
-
2023
- 2023-08-25 CN CN202311080709.2A patent/CN116832588B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207913520U (zh) * | 2017-12-26 | 2018-09-28 | 中冶京诚工程技术有限公司 | 一种烧结烟气脱硝脱硫*** |
US20200387783A1 (en) * | 2019-06-07 | 2020-12-10 | XNOR.ai, Inc. | Fast Nearest Neighbor Search for Output Generation of Convolutional Neural Networks |
CN110309867A (zh) * | 2019-06-21 | 2019-10-08 | 北京工商大学 | 一种基于卷积神经网络的混合气体识别方法 |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** |
CN215196300U (zh) * | 2020-12-10 | 2021-12-17 | 中建材创新科技研究院有限公司 | 一种脱硫塔 |
CN114748989A (zh) * | 2021-01-08 | 2022-07-15 | 中冶长天国际工程有限责任公司 | 氨稀释控制方法、装置及可读存储介质 |
CN114177747A (zh) * | 2021-12-02 | 2022-03-15 | 昆岳互联环境技术(江苏)有限公司 | 一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法 |
CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
CN115034486A (zh) * | 2022-06-16 | 2022-09-09 | 浙江省生态环境科学设计研究院 | 水泥窑烟气iSNCR脱硝预测控制方法 |
CN115437416A (zh) * | 2022-10-17 | 2022-12-06 | 杭州市燃气集团有限公司 | 一种天然气透平膨胀发电***压力控制方法 |
CN116086790A (zh) * | 2023-04-11 | 2023-05-09 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池高压阀的性能检测方法及其*** |
CN116392930A (zh) * | 2023-04-24 | 2023-07-07 | 浙江浙能迈领环境科技有限公司 | 船舶尾气脱硫工艺及其*** |
CN116184972A (zh) * | 2023-04-28 | 2023-05-30 | 福建德尔科技股份有限公司 | 空气分离装置的控制***及其方法 |
CN116186612A (zh) * | 2023-04-28 | 2023-05-30 | 福建省杭氟电子材料有限公司 | 六氟化硫回收利用管理*** |
CN116312861A (zh) * | 2023-05-09 | 2023-06-23 | 济南作为科技有限公司 | 脱硝***气体浓度预测方法、装置、设备及存储介质 |
CN116477663A (zh) * | 2023-05-31 | 2023-07-25 | 江西江钒科技实业有限公司 | 电池级五氧化二钒的提纯制备方法及其*** |
CN116603390A (zh) * | 2023-07-05 | 2023-08-18 | 浙江浙能迈领环境科技有限公司 | 船舶尾气洗涤***及其方法 |
CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测***及其方法 |
Non-Patent Citations (2)
Title |
---|
吴魁;王仙勇;孙洁;黄玉龙;: "基于深度卷积网络的多传感器信号故障诊断方法研究", 计算机测量与控制, no. 01 * |
湛腾西;郭观七;: "电厂烟气含氧量的智能混合预测方法", 仪器仪表学报, no. 08 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117355009A (zh) * | 2023-10-11 | 2024-01-05 | 惠州市沃生照明有限公司 | 台灯照明亮度调节方法及*** |
CN117222069A (zh) * | 2023-10-12 | 2023-12-12 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117222069B (zh) * | 2023-10-12 | 2024-04-30 | 深圳市诺文博科技有限公司 | 照明驱动电源的智能控制方法 |
CN117102988A (zh) * | 2023-10-16 | 2023-11-24 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
CN117102988B (zh) * | 2023-10-16 | 2024-01-05 | 杭州泓芯微半导体有限公司 | 一种无心磨床及其控制方法 |
CN117861296A (zh) * | 2024-03-13 | 2024-04-12 | 晋江艺森建筑工程有限公司 | 一种污水站固体杂质拦截过滤装置 |
CN117861296B (zh) * | 2024-03-13 | 2024-06-04 | 晋江艺森建筑工程有限公司 | 一种污水站固体杂质拦截过滤装置 |
CN117968088A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 用于天然气发电装置的烟气余热回收控制***及方法 |
CN118064197A (zh) * | 2024-04-23 | 2024-05-24 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱烃的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN116832588B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
Khodayar et al. | Rough deep neural architecture for short-term wind speed forecasting | |
Xu et al. | Predicting pipeline leakage in petrochemical system through GAN and LSTM | |
CN116625438B (zh) | 燃气管网安全在线监测***及其方法 | |
Lin et al. | Effective recognition of control chart patterns in autocorrelated data using a support vector machine based approach | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
Huang et al. | Deep hybrid neural network and improved differential neuroevolution for chaotic time series prediction | |
Zhang et al. | Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis | |
CN117037427B (zh) | 一种地质灾害联网监测预警*** | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制*** | |
Kumar et al. | An adaptive transformer model for anomaly detection in wireless sensor networks in real-time | |
CN116844088A (zh) | 在线除尘器控制***及其方法 | |
CN117006654A (zh) | 基于边缘计算的空调负荷控制***及其方法 | |
CN117193179A (zh) | 烟气脱硫过程监控管理***及其方法 | |
Jiangyan et al. | A regularized constrained two-stream convolution augmented Transformer for aircraft engine remaining useful life prediction | |
CN117237095A (zh) | 基于大数据分析的小微金融行业风险预警与监测平台 | |
CN117094431A (zh) | 一种多尺度熵门控的DWTformer气象数据时序预测方法及设备 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及*** | |
Chen et al. | Face recognition using DCT and hierarchical RBF model | |
Lv et al. | A spatial–temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes | |
CN114638379A (zh) | 边缘侧多智能体opc ua信息解析和决策方法 | |
AL-ASADI | Interval-valued data analysis: a review | |
Li et al. | LSTM-based ensemble learning for time-dependent reliability analysis | |
CN117989588B (zh) | 供热设施的换热站自控*** |
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 |