Nothing Special   »   [go: up one dir, main page]

CN115358636B - 基于工业大数据的汽化炉运行状态评价方法和系统 - Google Patents

基于工业大数据的汽化炉运行状态评价方法和系统 Download PDF

Info

Publication number
CN115358636B
CN115358636B CN202211270590.0A CN202211270590A CN115358636B CN 115358636 B CN115358636 B CN 115358636B CN 202211270590 A CN202211270590 A CN 202211270590A CN 115358636 B CN115358636 B CN 115358636B
Authority
CN
China
Prior art keywords
gasification
furnace
gasification furnace
sequence
temperature
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
Application number
CN202211270590.0A
Other languages
English (en)
Other versions
CN115358636A (zh
Inventor
吴永惠
林静君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Xinshijia Home Textile High Tech Co ltd
Original Assignee
Jiangsu Xinshijia Home Textile High Tech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Xinshijia Home Textile High Tech Co ltd filed Critical Jiangsu Xinshijia Home Textile High Tech Co ltd
Priority to CN202211270590.0A priority Critical patent/CN115358636B/zh
Publication of CN115358636A publication Critical patent/CN115358636A/zh
Application granted granted Critical
Publication of CN115358636B publication Critical patent/CN115358636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及一种基于工业大数据的汽化炉运行状态评价方法。该方法包括：获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列等工业大数据；利用复杂的数学计算获得汽化炉处在该阶段时的相对性稳定指标和温度评价指标，从而获得该阶段下汽化炉的运行状态指标，根据运行状态指标对汽化炉的运行状态进行评价。本发明通过工业互联网获得的汽化炉的工业大数据后进行复杂的数学分析后，能够实时且准确的对汽化炉的运行状态进行评价，从而能够实时的指导对汽化炉的工作条件以及生产工艺进行调整，保证汽化炉能够以良好的状态运行，提高产品的产率以及质量。

Description

基于工业大数据的汽化炉运行状态评价方法和系统
技术领域
本发明涉及电子数字数据处理技术领域，具体涉及一种基于工业大数据的汽化炉运行状态评价方法和系统。
背景技术
在高炉生产过程中，汽化炉运行状况如何严重影响着锌粉的产量、质量以及在生产过程中汽化炉的耗能的情况，在生产锌粉的过程中，汽化炉的运行状态如果良好，对汽化炉顺利生产有及其重要的作用，同时能够保证锌粉的高产且优质，延长汽化炉的使用寿命；然而由于汽化炉在生产时，具有很大的滞后性、动态时变性以及强耦合性，很难直接判断汽化炉的生产过程是否顺行。
现有技术中无论是通过复杂数学的计算公式对通过工业云数据库服务获得的汽化炉的产率、出渣量、料速以及探尺运动状态等工业大数据的处理都无法直接、及时和准确的反映出汽化炉的运行状态，这是由于通过复杂的数学运算获得的结果存在时间上的滞后性且片面，具有局限性，从而无法及时准确的反映汽化炉的冶炼状态，难以有效的指导汽化炉的生产。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种 方法，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一种基于工业大数据的汽化炉运行状态评价方法，方法包括：获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列；
氧气浓度序列的均值和气压序列的方差的倒数的乘积为汽化炉一个时段内的供气状态评价指标；根据不同汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得不同汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他各汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标；
利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
优选地，氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标包括：利用氧气浓度序列中的氧气浓度的最大值和最小值的差值对氧气浓度序列的均值的进行归一化。
优选地，同一时段内的匹配系数为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure 100002_DEST_PATH_IMAGE006
表示同一时段内汽化炉A的温度序列
Figure 100002_DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 100002_DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure 100002_DEST_PATH_IMAGE012
表示汽化炉A的温度序列
Figure 486307DEST_PATH_IMAGE008
中的第i个元素值，
Figure 100002_DEST_PATH_IMAGE014
表示温度序列
Figure 509627DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 485673DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 495217DEST_PATH_IMAGE010
中元素的数量；
Figure 100002_DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 100002_DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
优选地，根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数包括：设定匹配阈值，若两个汽化炉同一时段内的匹配系数大于匹配阈值，则两个汽化炉进行了一次成功匹配；获得两个汽化炉预设数量的时段内成功匹配的次数，为两个汽化炉的匹配次数。
优选地，利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标包括；所述氧气浓度序列、气压序列和供气状态评价指标的差异程度与工作条件差异指标为正相关关系。
优选地，所述根据工作条件差异指标对汽化炉进行分组包括：将汽化炉之间的工作条件差异指标作为汽化炉样本之间的样本距离；利用聚类算法以汽化炉样本之间的样本距离为基础对汽化炉进行分组，同组内的汽化炉和汽化炉的工作条件相似。
优选地，在所述将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标之前还包括：将同一组内的所有汽化炉的相对稳定性指标进行归一化。
第二方面，本发明另一个实施例提供了一种基于工业大数据的汽化炉运行状态评价系统。系统包括：汽化炉数据采集模块，用于获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列
相对性稳定指标获取模块，用于氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标；根据汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标；
运行状态评价模块，用于利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
优选地，相对性稳定指标获取模块，还用于获取汽化炉同一时段内的匹配系数：
Figure 100002_DEST_PATH_IMAGE019
其中，
Figure 100002_DEST_PATH_IMAGE020
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure 100002_DEST_PATH_IMAGE021
表示同一时段内汽化炉A的温度序列
Figure 60060DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 129647DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure 100002_DEST_PATH_IMAGE022
表示汽化炉A的温度序列
Figure 327410DEST_PATH_IMAGE008
中的第i个元素值，
Figure 276998DEST_PATH_IMAGE014
表示温度序列
Figure 509396DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 15464DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 700523DEST_PATH_IMAGE010
中元素的数量；
Figure 442083DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 794567DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
优选地，相对性稳定指标获取模块，还用于设定匹配阈值，若两个汽化炉同一时段内的匹配系数大于匹配阈值，则两个汽化炉进行了一次成功匹配；获得两个汽化炉预设数量的时段内成功匹配的次数，为两个汽化炉的匹配次数。
本发明实施例至少具有如下有益效果：本发明通过工业互联网从工云业数据库中实时获得汽化炉在制备锌粉时，同一阶段的釜内的温度、气压和温度的数据，通过对一定时间内这些数据进行复杂的数学分析，获得汽化炉运行状态的相对稳定性指标和釜内温度与标准温度的差异，从而对汽化炉的运行状态做出评价。本发明通过工业互联网获得的汽化炉的数据进行数学分析后，能够实时且准确的对汽化炉的运行状态进行评价，从而能够实时的指导对汽化炉的工作条件以及生产工艺进行调整，保证汽化炉能够以良好的状态运行，提高产品的产率以及质量。
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为基于工业大数据的汽化炉运行状态评价方法流程图。
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一种基于工业大数据的汽化炉运行状态评价方法和系统，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。
下面结合附图具体的说明本发明所提供的一种基于工业大数据的汽化炉运行状态评价方法和系统的具体方案。
实施例1
本发明的主要应用场景为：在工业互联网平台中的不同的汽化炉的在制备锌粉时的运行状态的评价，通过该评价改进汽化炉的工作条件以及生产工艺，从而提高制备的锌粉的产量以及质量。
请参阅图1，其示出了本发明一个实施例提供的一种基于工业大数据的汽化炉运行状态评价方法流程图，该方法包括以下步骤：
步骤一：获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列。
使用高温汽化炉对锌粉进行制备和提纯，制备过程中不同的阶段对釜内的温度的要求是不同的，不同阶段汽化炉的运行状态对于制备的锌粉的质量、产量以及生产速率都有很大的影响，为了使汽化炉在不同的阶段都保持一个良好的运行状态，本实施通过不同的传感器对汽化炉釜内的数据进行采集获得其工业大数据，再将数据上传至工业互联网，通过计算机进行复杂的数学处理，实时获取每个汽化炉不同阶段的运行状态指标。
设定采集频率，优选地，本实施中采集频率为1s，同时设定采集的时长，优选地，本实施中采集时长为15s，一个采集时长为一个时段。
首先，采集汽化炉制备锌粉时同一阶段釜内的温度数据：基于红外温度传感器对汽化炉釜内的温度进行采集，每1s记录一次数据，获取实时的釜内温度，根据采集的温度数据获得一个时段内的温度序列W，序列中的元素为温度值并以时间为顺序排列。
然后，采集汽化炉制备锌粉时同一阶段釜内的火焰外围的氧气浓度数据：基于氧化锆氧分析仪对汽化炉釜内火焰外围的氧气浓度进行采集，每1s记录一次数据，获取实时的釜内氧气浓度，根据采集的氧气浓度数据获得一个时段内的氧气浓度序列O，序列中的元素为氧气浓度并以时间为顺序排列。
最后，采集汽化炉制备锌粉时同一阶段釜内的气压数据：基于气压传感器对汽化炉的汽化炉内的气压进行采集，每1s记录一次数据，获取实时的釜内气压，根据采集的釜内气压数据获得一个时段内的气压序列Q，序列中的元素为气压且以时间为顺序排列。
至此，获得汽化炉在制备锌粉时同一阶段一个时段内的温度序列W、氧气浓度序列O和气压序列Q。
步骤二：氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标；根据汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标。
首先，基于一个时段内汽化炉的气压和氧气浓度对锌粉制备汽化炉设备的供气稳定性进行评价，当釜内的氧气浓度越大，气压越稳定时，说明汽化炉的供气稳定性越高；一个时段内的供气状态评价指标为：
Figure DEST_PATH_IMAGE024
其中，Z表示汽化炉在一个时段内的供气状态评价指标；
Figure DEST_PATH_IMAGE026
表示汽化炉在一个时段内的氧气浓度序列的均值；
Figure DEST_PATH_IMAGE028
表示氧气浓度序列中元素的最大值与最小值的差值，用来对氧气浓度序列的均值进行归一化同时消除了温度的量纲影响；
Figure DEST_PATH_IMAGE030
表示一个时段内汽化炉的气压序列的方差，用于表示一个时段内汽化炉釜内气压的稳定性。当Z的值越大时说明，汽化炉的供气稳定且氧气浓度处在一个较高的水平。
进一步的，需要基于汽化炉的温度、氧气浓度、气压等工业大数据分析不同汽化炉在制备锌粉，处在同一阶段时的不同之处，以便于基于汽化炉的整体情况对每个汽化炉的运行状态进行评价。利用同一时段的汽化炉之间的温度序列和供气状态评价指标获得不同汽化炉之间同一时段内的匹配系数：
Figure DEST_PATH_IMAGE031
其中，
Figure DEST_PATH_IMAGE032
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure DEST_PATH_IMAGE033
表示同一时段内汽化炉A的温度序列
Figure 861749DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 299683DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure DEST_PATH_IMAGE034
表示汽化炉A的温度序列
Figure 189142DEST_PATH_IMAGE008
中的第i个元素值，
Figure DEST_PATH_IMAGE035
表示温度序列
Figure 255187DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 103057DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 762709DEST_PATH_IMAGE010
中元素的数量；
Figure 721437DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 641989DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
Figure DEST_PATH_IMAGE036
的取值范围为（0，1），当
Figure 988657DEST_PATH_IMAGE020
越大时说明汽化炉A与汽化炉B的匹配度越大，处在制备锌粉的相同阶段，工作状况越相似。
设定预设数量的时段，优选地本实施中设定400个时段，获得不同的两个汽化炉之间的400个时段对应的匹配系数，设定匹配阈值，若同一时段对应的两个汽化炉的匹配系数大于匹配阈值，则说两个汽化炉进行了一次成功匹配，获得两个汽化炉在400个时段中成功匹配的次数，为气化炉的匹配次数，如汽化炉A与汽化炉B在400个时段对应的匹配系数中有173个时段对应的匹配系数大于匹配阈值，则汽化炉A与汽化炉B成功匹配了173次，其匹配次数为173次。
获得每个汽化炉与其他各汽化炉在400个时段内的匹配次数，将每个汽化炉与其他各汽化炉在400个时段内的匹配次数中的最大值作为该汽化炉的相对稳定性指标C，获得每个汽化炉的相对稳定性指标。汽化炉的相对性稳定指标通过与其他汽化炉相比，如果400个时段内两个汽化炉的工作状态都十分相似，即400个匹配系数中有很多个匹配系数大于匹配阈值，则说明这两个汽化炉相对稳定。
步骤三：利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
基于汽化炉的氧气浓度序列、气压序列和供气状态评价指标获得汽化炉之间的工作条件差异指标：
Figure DEST_PATH_IMAGE038
其中，
Figure DEST_PATH_IMAGE040
表示汽化炉A与汽化炉B的工作条件差异指标，该指标越小，说明两个汽化炉相似，其工作条件也极为相似；
Figure 870025DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 632445DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标；
Figure DEST_PATH_IMAGE042
表示汽化炉A对应的温度序列，
Figure DEST_PATH_IMAGE044
表示汽化炉B对应的温度序列，
Figure DEST_PATH_IMAGE046
表示利用DTW算法获得温度序列
Figure 876344DEST_PATH_IMAGE042
与温度序列
Figure 66017DEST_PATH_IMAGE044
的差异程度；
Figure DEST_PATH_IMAGE048
表示汽化炉A对应的气压序列，
Figure DEST_PATH_IMAGE050
表示汽化炉B对应的气压序列，
Figure DEST_PATH_IMAGE051
表示以DTW算法获得气压序列
Figure 293736DEST_PATH_IMAGE048
与气压序列
Figure 594267DEST_PATH_IMAGE050
的差异程度。
获得各汽化炉之间的工作条件差异指标，基于各汽化炉之间的工作条件差异指标对汽化炉进行分组，将工作条件差异指标作为各汽化炉样本之间的样本距离，利用DBSCAN距离算法以汽化炉样本之间的样本距离对汽化炉进行分组。组内的汽化炉相似，这里的汽化炉相似包括容积、材料和形状等相似，其中工作条件相似，工作条件相似指的是相似的汽化炉在制备锌粉的同一阶段釜内要求的氧气浓度和气压相似。
在组内获得每个汽化炉对应的当前时刻的温度
Figure DEST_PATH_IMAGE053
，当前时刻为一个时段结束后第一秒对应的时刻，获得组内当前时刻每个汽化炉的温度
Figure 489411DEST_PATH_IMAGE053
与标准温度
Figure DEST_PATH_IMAGE055
的差值，将最大的差值记为
Figure DEST_PATH_IMAGE057
。则组内每个汽化炉的温度评价指标为：
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE061
表示组内第i各汽化炉的温度评价指标，其值越大，表明汽化炉内的温度越符合制备锌粉时该阶段要求的标准温度。
根据汽化炉的相对稳定性指标和汽化炉的温度评价指标获得汽化炉的运行状态指标，对组内每个汽化炉的相对稳定性指标进行归一化，则组内的汽化炉运行状态指标为：
Figure DEST_PATH_IMAGE063
其中，
Figure DEST_PATH_IMAGE065
表示组内第i个汽化炉的运行状态指标，
Figure DEST_PATH_IMAGE067
表示组内归一化后的第i个汽化炉的相对稳定性指标。
通过对汽化炉在制备锌粉时某个阶段的工业大数据进行复杂的数学分析，并将获得汽化炉的运行状态指标移植到工业互联网平台，通过工业互联网能够实时获知某个汽化炉在制备锌粉时每个阶段的运行状态指标，从而判断是否需要对汽化炉进行人为干预，使其保持在良好的运行状态，提高锌粉的产量和质量等。
实施例2
本实施例提供了一种系统实施例。一种基于工业大数据的汽化炉运行状态评价系统，该系统包括：汽化炉数据采集模块，用于获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列
相对性稳定指标获取模块，用于氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标；根据汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标；
运行状态评价模块，用于利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
优选地，相对性稳定指标获取模块，还用于获取汽化炉同一时段内的匹配系数：
Figure DEST_PATH_IMAGE068
其中，
Figure 240198DEST_PATH_IMAGE020
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure DEST_PATH_IMAGE069
表示同一时段内汽化炉A的温度序列
Figure 361738DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 465960DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure DEST_PATH_IMAGE070
表示汽化炉A的温度序列
Figure 950031DEST_PATH_IMAGE008
中的第i个元素值，
Figure DEST_PATH_IMAGE071
表示温度序列
Figure 481507DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 824763DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 732677DEST_PATH_IMAGE010
中元素的数量；
Figure 743358DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 570368DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
优选地，相对性稳定指标获取模块，还用于设定匹配阈值，若两个汽化炉同一时段内的匹配系数大于匹配阈值，则两个汽化炉进行了一次成功匹配；获得两个汽化炉预设数量的时段内成功匹配的次数，为两个汽化炉的匹配次数。
本发明实施例至少具有如下有益效果：本发明通过工业互联网从工云业数据库中实时获得汽化炉在制备锌粉时，同一阶段的釜内的温度、气压和温度的数据，通过对一定时间内这些数据进行复杂的数学分析，获得汽化炉运行状态的相对稳定性指标和釜内温度与标准温度的差异，从而对汽化炉的运行状态做出评价。本发明通过工业互联网获得的汽化炉的数据进行数学分析后，能够实时且准确的对汽化炉的运行状态进行评价，从而能够实时的指导对汽化炉的工作条件以及生产工艺进行调整，保证汽化炉能够以良好的状态运行，提高产品的产率以及质量。
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。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，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 (10)

1.一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，该方法包括：获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列；
氧气浓度序列的均值和气压序列的方差的倒数的乘积为汽化炉一个时段内的供气状态评价指标；根据不同汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得不同汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他各汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标；
利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
2.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，所述氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标包括：利用氧气浓度序列中的氧气浓度的最大值和最小值的差值对氧气浓度序列的均值的进行归一化。
3.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，所述同一时段内的匹配系数为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure DEST_PATH_IMAGE006
表示同一时段内汽化炉A的温度序列
Figure DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure DEST_PATH_IMAGE012
表示汽化炉A的温度序列
Figure 410412DEST_PATH_IMAGE008
中的第i个元素值，
Figure DEST_PATH_IMAGE014
表示温度序列
Figure 796394DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 435186DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 830395DEST_PATH_IMAGE010
中元素的数量；
Figure DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
4.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，所述根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数包括：设定匹配阈值，若两个汽化炉同一时段内的匹配系数大于匹配阈值，则两个汽化炉进行了一次成功匹配；获得两个汽化炉预设数量的时段内成功匹配的次数，为两个汽化炉的匹配次数。
5.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，所述利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标包括；所述氧气浓度序列、气压序列和供气状态评价指标的差异程度与工作条件差异指标为正相关关系。
6.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，所述根据工作条件差异指标对汽化炉进行分组包括：将汽化炉之间的工作条件差异指标作为汽化炉样本之间的样本距离；利用聚类算法以汽化炉样本之间的样本距离为基础对汽化炉进行分组，同组内的汽化炉和汽化炉的工作条件相似。
7.根据权利要求1所述的一种基于工业大数据的汽化炉运行状态评价方法，其特征在于，在所述将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标之前还包括：将同一组内的所有汽化炉的相对稳定性指标进行归一化。
8.一种基于工业大数据的汽化炉运行状态评价系统，其特征在于，该系统包括：汽化炉数据采集模块，用于获得处在同一工作阶段的一个时段内的汽化炉釜内的温度序列、氧气浓度序列和气压序列；
相对性稳定指标获取模块，用于氧气浓度序列的均值和气压序列的方差的乘积为汽化炉一个时段内的供气状态评价指标；根据汽化炉温度序列之间的相似度和供气状态评价指标的差异程度获得汽化炉之间同一时段内的匹配系数；根据两个汽化炉之间的每个时段的匹配系数获得在预设数量时段内两个汽化炉的匹配次数；一个汽化炉与其他汽化炉的匹配次数中的最大值为该汽化炉的相对稳定性指标；
运行状态评价模块，用于利用汽化炉之间的氧气浓度序列、气压序列和供气状态评价指标的差异程度获得汽化炉的工作条件差异指标，同时根据工作条件差异指标对汽化炉进行分组；利用组内汽化炉当前时刻的温度与标准温度的最大值和汽化炉当前时刻温度与标准温度的差值获得汽化炉的温度评价指标；将汽化炉的温度评价指标与汽化炉的相对稳定性指标相乘获得汽化炉的运行状态指标。
9.根据权利要求8所述的一种基于工业大数据的汽化炉运行状态评价系统，其特征在于，所述相对性稳定指标获取模块，还用于获取汽化炉同一时段内的匹配系数：
Figure DEST_PATH_IMAGE019
其中，
Figure DEST_PATH_IMAGE020
表示汽化炉A与汽化炉B同一时段内的匹配系数；
Figure DEST_PATH_IMAGE021
表示同一时段内汽化炉A的温度序列
Figure 441505DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 998388DEST_PATH_IMAGE010
的皮尔逊相关性系数；
Figure DEST_PATH_IMAGE022
表示汽化炉A的温度序列
Figure 999842DEST_PATH_IMAGE008
中的第i个元素值，
Figure DEST_PATH_IMAGE023
表示温度序列
Figure 792218DEST_PATH_IMAGE010
中的第i个元素值；t表示同一时段内汽化炉A的温度序列
Figure 195517DEST_PATH_IMAGE008
与汽化炉B的温度序列
Figure 188881DEST_PATH_IMAGE010
中元素的数量；
Figure 677631DEST_PATH_IMAGE016
表示汽化炉A同一时段内对应的供气状态评价指标，
Figure 273698DEST_PATH_IMAGE018
表示汽化炉B同一时段内对应的供气状态评价指标。
10.根据权利要求8所述的一种基于工业大数据的汽化炉运行状态评价系统，其特征在于，所述相对性稳定指标获取模块，还用于设定匹配阈值，若两个汽化炉同一时段内的匹配系数大于匹配阈值，则两个汽化炉进行了一次成功匹配；获得两个汽化炉预设数量的时段内成功匹配的次数，为两个汽化炉的匹配次数。
CN202211270590.0A 2022-10-18 2022-10-18 基于工业大数据的汽化炉运行状态评价方法和系统 Active CN115358636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211270590.0A CN115358636B (zh) 2022-10-18 2022-10-18 基于工业大数据的汽化炉运行状态评价方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211270590.0A CN115358636B (zh) 2022-10-18 2022-10-18 基于工业大数据的汽化炉运行状态评价方法和系统

Publications (2)

Publication Number Publication Date
CN115358636A CN115358636A (zh) 2022-11-18
CN115358636B true CN115358636B (zh) 2022-12-27

Family

ID=84008624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211270590.0A Active CN115358636B (zh) 2022-10-18 2022-10-18 基于工业大数据的汽化炉运行状态评价方法和系统

Country Status (1)

Country Link
CN (1) CN115358636B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217792B (zh) * 2023-09-06 2024-09-06 五凌电力湖南能源销售有限公司 基于数据处理的电力增值服务产品匹配决策方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105754663B (zh) * 2016-04-21 2019-01-08 北京航天动力研究所 一种煤气化黑水处理系统用余压能回收系统及方法
CN110068047A (zh) * 2019-04-26 2019-07-30 重庆大学 一种分户式采暖热水炉运行云监控方法及其系统
JP7502626B2 (ja) * 2019-08-27 2024-06-19 日本製鉄株式会社 高炉の炉況判断方法

Also Published As

Publication number Publication date
CN115358636A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN110824586B (zh) 基于改进决策树算法的降水预测方法
Zhang et al. Tribo-informatics: Concept, architecture, and case study
CN108469180A (zh) 基于大数据和机器学习的烧结终点预测系统的建立方法
CN115358636B (zh) 基于工业大数据的汽化炉运行状态评价方法和系统
CN111208793A (zh) 基于慢特征分析的非平稳工业过程的状态监测方法
CN109308063A (zh) 基于得分矩阵的发酵过程阶段划分方法
CN107622279A (zh) 高炉内部状态的分类方法
CN116805065B (zh) 一种煤粉加热炉燃烧器监测数据智能管理方法
CN116153388A (zh) 定量关系模型及应用、细胞状态监测方法、装置、系统
CN117216724B (zh) 一种微生物培养过程中多种物质实时检测的方法
CN116931530B (zh) 一种炼铁炼钢轧钢生产过程动态预测系统及动态预测方法
CN117473411A (zh) 基于改进Transformer模型的轴承寿命预测方法
CN116992322A (zh) 一种智慧城市数据中心管理系统
CN117056644A (zh) 基于机器学习的工业窑炉温度预测方法及系统
CN116628418A (zh) 基于传感器信号与深度迁移学习的易损件失效预测方法
CN109886314B (zh) 一种基于pnn神经网络的餐厨废弃油检测方法及其装置
Xu et al. Rolling bearing fault diagnosis under time-varying speeds based on time-characteristic order spectrum and multi-scale domain adaptation network
Chang et al. Multimode process mode identification with coexistence of quantitative information and qualitative information
CN112396207A (zh) 一种基于大数据的电力负荷预测方法
CN117574180B (zh) 燃料生产排放系统数据关联性控制管理系统
CN110879873B (zh) 一种基于哈密顿蒙特卡洛采样的vine copula相关性描述的软测量方法及系统
CN111459140A (zh) 一种基于hht-dcnn的发酵过程故障监测方法
CN105139025B (zh) 基于非线性分析方法的气固流化床流型在线智能识别方法
Ghosh et al. Cross-correlation based classification of electrical appliances for non-intrusive load monitoring
CN112180470A (zh) 环境实时监测系统

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