CN116612836A - 三氟甲烷生产的尾气量预测方法和系统 - Google Patents
三氟甲烷生产的尾气量预测方法和系统 Download PDFInfo
- Publication number
- CN116612836A CN116612836A CN202310882319.0A CN202310882319A CN116612836A CN 116612836 A CN116612836 A CN 116612836A CN 202310882319 A CN202310882319 A CN 202310882319A CN 116612836 A CN116612836 A CN 116612836A
- Authority
- CN
- China
- Prior art keywords
- amount
- trifluoromethane
- predicted
- tail gas
- production
- 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
- XPDWGBQVDMORPB-UHFFFAOYSA-N Fluoroform Chemical compound FC(F)F XPDWGBQVDMORPB-UHFFFAOYSA-N 0.000 title claims abstract description 261
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 43
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims abstract description 159
- VOPWNXZWBYDODV-UHFFFAOYSA-N Chlorodifluoromethane Chemical compound FC(F)Cl VOPWNXZWBYDODV-UHFFFAOYSA-N 0.000 claims abstract description 62
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 239000007789 gas Substances 0.000 claims description 156
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 99
- 229910000040 hydrogen fluoride Inorganic materials 0.000 claims description 41
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 8
- 239000003054 catalyst Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000005303 weighing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000012295 chemical reaction liquid Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002912 waste gas Substances 0.000 description 2
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- BMXRGTLJFLAMCQ-UHFFFAOYSA-N chloro(difluoro)methane;fluoroform Chemical compound FC(F)F.FC(F)Cl BMXRGTLJFLAMCQ-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000003317 industrial substance Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明提供的一种三氟甲烷生产的尾气量预测方法和系统，涉及三氟甲烷生产技术领域，该方法包括获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据；基于三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量；获取三氟甲烷的生产过程中的连续时间段的反应视频；基于三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量；基于第一预测尾气量和第二预测尾气量确定目标预测尾气量，该方法可以准确的预测三氟甲烷的尾气量。
Description
技术领域
本发明涉及三氟甲烷生产技术领域，具体涉及一种三氟甲烷生产的尾气量预测方法和系统。
背景技术
三氟甲烷（也称为Freon-23或R-23）是一种重要的工业化学品，广泛应用于空调、制冷、灭火剂等领域。然而，在三氟甲烷的生产过程中，会伴随着大量产生的尾气。这些尾气通常为氟化氢、盐酸等有害物质，对环境和人类健康造成潜在影响。
因此，准确预测三氟甲烷生产过程中的尾气量对于工艺优化、环境保护和产能规划等方面具有重要意义。传统上，工程师和研究人员主要依赖经验和试验数据来估计尾气量。但这种方法存在一些限制，例如耗时、费力、且有时候不准确，也无法全面考虑多种因素的复杂关系等。
因此如何准确的预测三氟甲烷的尾气量是当前亟待解决的问题。
发明内容
本发明主要解决的技术问题是如何准确的预测三氟甲烷的尾气量。
根据第一方面，本发明提供一种三氟甲烷生产的尾气量预测方法，包括：获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；获取三氟甲烷的生产过程中的连续时间段的反应视频；基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
更进一步地，所述基于所述第一预测尾气量和所述第二预测尾气量确定预测尾气量，包括：对所述氟化氢的第一预测量和所述氟化氢的第二预测量赋予不同的权重，再进行加权求和得到氟化氢的目标预测量，对所述盐酸的第一预测量和所述盐酸的第二预测量赋予不同的权重，再进行加权求和得到盐酸的目标预测量。
更进一步地，所述第一预测模型为长短期神经网络模型，所述第一预测模型的输入为所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据，所述第一预测模型的输出为第一预测尾气量。
更进一步地，所述第二预测模型为长短期神经网络模型，所述第二预测模型的输入为所述三氟甲烷的生产过程中的连续时间段的反应视频，所述第二预测模型的输出为第二预测尾气量。
更进一步地，所述方法还包括：基于所述目标预测尾气量确定氢氧化钠的添加量。
根据第二方面，本发明提供一种三氟甲烷生产的尾气量预测系统，包括：第一获取模块，用于获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；
第二获取模块，用于获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；
第一预测尾气量确定模块，用于基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；
第三获取模块，用于获取三氟甲烷的生产过程中的连续时间段的反应视频；
第二预测尾气量确定模块，用于基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；
目标预测量确定模块，用于基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
更进一步地，所述目标预测量确定模块还用于：对所述氟化氢的第一预测量和所述氟化氢的第二预测量赋予不同的权重，再进行加权求和得到氟化氢的目标预测量，对所述盐酸的第一预测量和所述盐酸的第二预测量赋予不同的权重，再进行加权求和得到盐酸的目标预测量。
更进一步地，所述第一预测模型为长短期神经网络模型，所述第一预测模型的输入为所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据，所述第一预测模型的输出为第一预测尾气量。
更进一步地，所述第二预测模型为长短期神经网络模型，所述第二预测模型的输入为所述三氟甲烷的生产过程中的连续时间段的反应视频，所述第二预测模型的输出为第二预测尾气量。
更进一步地，所述系统还用于：基于所述目标预测尾气量确定氢氧化钠的添加量。
本发明提供的一种三氟甲烷生产的尾气量预测方法和系统，该方法包括获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；获取三氟甲烷的生产过程中的连续时间段的反应视频；基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量，该方法可以准确的预测三氟甲烷的尾气量。
附图说明
图1为本发明实施例提供的一种三氟甲烷生产的尾气量预测方法的流程示意图；
图2为本发明实施例提供的一种三氟甲烷生产的尾气量预测系统的示意图。
具体实施方式
本发明实施例中，提供了如图1所示的一种三氟甲烷生产的尾气量预测方法，所述三氟甲烷生产的尾气量预测方法包括步骤S1~S6：
步骤S1，获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量。
氯二氟甲烷化学式为CHClF2，是一种无色气体，也称为Freon 22。在三氟甲烷的生产中，氯二氟甲烷被用作原料之一。例如，根据供应商提供的规格，氯二氟甲烷的纯度为99%以上。
氢氟酸化学式为HF，是一种强酸，也是三氟甲烷生产过程中的重要原料之一。例如，从供应商处购买的氢氟酸通常具有浓度为40%或更高的纯度。
氯二氟甲烷的倒料量：指在一定时间内倒入反应器的氯二氟甲烷的总量。通常使用仪表设备或称重装置来准确测量和记录。例如，在一个小时内倒入反应器的氯二氟甲烷的总质量为1000千克。
氢氟酸的倒料量：指在一定时间内倒入反应器的氢氟酸的总量。同样，通常使用仪表设备或称重装置来准确测量和记录。例如，在一个小时内倒入反应器的氢氟酸的总质量为500千克。
三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频用于记录氯二氟甲烷和氢氟酸在生产过程中倒入反应器的视频。这可以通过摄像设备来实现。例如，设置了一个摄像机以捕捉倒料过程，并将其以视频格式记录下来。三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频可以显示多种信息，这些信息可以用来被处理以预测出三氟甲烷的生产量。例如，氯二氟甲烷和氢氟酸的倒料视频可以显示出氯二氟甲烷和氢氟酸的倒料的量，可以显示出氯二氟甲烷和氢氟酸的倒料的频率，还可以显示出氯二氟甲烷和氢氟酸倒入反应器的具体的时间，还可以显示出工作人员的倒料操作流程，倒料操作流程包括开启和关闭阀门、操作时间，倒料视频提供了直观的视觉信息，可以为分析三氟甲烷生产过程中氯二氟甲烷和氢氟酸的倒料行为、建立预测模型以及监控生产过程提供关键数据。
步骤S1的实现方法：a. 配置摄像设备：在三氟甲烷生产过程中，配置适当的摄像设备，例如高清摄像机或监控摄像机。确保摄像设备位置合适，能够全面记录倒料操作的细节。b. 进行倒料操作：按照工艺要求和操作规程，将氯二氟甲烷和氢氟酸缓慢地倒入反应器。操作人员需要小心操作，确保倒料过程平稳进行。c. 录制倒料视频：配置的摄像设备应设置为实时录制氯二氟甲烷和氢氟酸的倒料过程。视频应清晰记录倒料的整个过程，包括倒料的速度、方式和倒料液体的形态等。d. 记录氯二氟甲烷的倒料量：在倒料过程中，使用仪表设备（如流量计）或称重装置准确测量和记录氯二氟甲烷的倒料量。例如，可以使用称重装置记录倒料前后容器的质量差来确定氯二氟甲烷的倒料量。e. 记录氢氟酸的倒料量：同样地，在倒料过程中，使用仪表设备或称重装置准确测量和记录氢氟酸的倒料量。例如，可以使用流量计记录氢氟酸的流量并计算出总倒料量。f. 整理和存档数据：将录制的倒料视频进行整理和存档，确保数据的完整性和可访问性。同时，将氯二氟甲烷的倒料量和氢氟酸的倒料量与相应的时间戳关联，以便后续数据处理和分析使用。通过以上步骤，可以获取到三氟甲烷生产过程中氯二氟甲烷和氢氟酸的倒料视频，以及氯二氟甲烷和氢氟酸的倒料量。这些数据将为后续的数据处理和模型输出提供基础。
步骤S2，获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪。
催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，化学方程式为CHClF2 + HF → CHF3 + HCl。
温度传感器：用于测量反应器中的温度。例如，通过在反应器内部放置温度传感器，可以实时监测反应器内部的温度变化。传感器输出数据单位一般为摄氏度（℃）。
压力传感器：用于测量反应器内部的压力。例如，在反应器壁上安装一个压力传感器，可以实时监测并记录反应器内部的压力变化。传感器输出数据单位一般为帕斯卡（Pa）或其他压强单位。
PH传感器：用于测量反应液体的酸碱性。例如，在反应液体中加入一个PH传感器，可以实时监测并记录反应液体的酸碱程度。传感器输出数据一般为PH值。
流量传感器：用于测量流体的流量。例如，在氯二氟甲烷和氢氟酸进料管道上安装流量传感器，可以实时监测进料流体的流量。传感器输出数据单位一般为体积流量（立方米/小时，m³/h）或质量流量（千克/小时，kg/h）。
气相色谱仪：用于分析气体组分的设备。例如，在反应器出口处设置气相色谱仪，可以实时监测并分析生成气体中各种组分的含量。传感器输出数据为各种组分的峰面积或峰高值。
红外光谱仪：用于分析物质的红外吸收光谱的设备。例如，在反应器出口处设置红外光谱仪，可以实时监测并分析生成气体中各种化合物的红外光谱。传感器输出数据为不同波长的光强值。
步骤S2的实现方法：a. 安装传感器：根据工艺要求和监测需求，在反应器及相关管道上适当位置安装温度传感器、压力传感器、PH传感器、流量传感器等。确保传感器能够准确测量和记录所关注的变量。b. 连接传感器：将传感器与数据采集系统连接，确保传感器的测量信号能够传输到数据采集系统中。c. 数据采集系统：配置一个数据采集系统，用于接收和存储传感器的测量数据。数据采集系统可以是计算机或专用的数据采集设备。d.数据记录和存储：设置数据采集系统，使其定时记录传感器的测量数据。例如，可以设置每秒钟记录一次数据，并将数据存储在数据库中。f. 配置气相色谱仪和红外光谱仪：根据需要，在反应器出口处配置气相色谱仪和红外光谱仪。确保这些设备能够准确地分析生成气体的组分和红外光谱。g. 连接和控制气相色谱仪和红外光谱仪：将气相色谱仪和红外光谱仪与数据采集系统连接，并确保能够实时获取设备输出的数据。h. 数据记录和存储：设置数据采集系统，使其定时记录气相色谱仪和红外光谱仪的输出数据。例如，可以设置每秒钟记录一次数据，并将数据存储在数据库中。通过以上步骤，可以获取到三氟甲烷生产过程中的温度、压力、PH值、流量、气相色谱仪和红外光谱仪等传感器的连续时间段数据。这些数据将有助于了解生产过程中各种变量的变化趋势和相关性，优化生产参数和质量控制，这些数据将为后续的数据处理和模型输出提供基础。
步骤S3，基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量。
第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量。
第一预测模型为长短期神经网络模型。长短期神经网络模型包括长短期神经网络（LSTM，Long Short-Term Memory）。长短期神经网络模型能够处理任意长度的序列数据，捕捉序列的信息，输出基于序列中前后数据关联关系的结果。第一预测模型综合考虑了各个时间点的三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、三氟甲烷的生产过程中的连续时间段的多个传感器数据之间关联关系的特征，最终确定第一预测尾气量。第一预测模型可以通过梯度下降法对训练样本进行训练得到。
所述第一预测模型的输入为所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据，所述第一预测模型的输出为第一预测尾气量。
可以利用第一预测模型，基于倒料视频和传感器数据，预测三氟甲烷生产过程中尾气中氟化氢和盐酸的含量。
步骤S4，获取三氟甲烷的生产过程中的连续时间段的反应视频。
在一些实施例中，可以在三氟甲烷的反应器中的器壁上安装摄像头。在一些实施例中，摄像头可以为工业级的耐压高温摄像头。摄像头可以全面地捕捉到反应器内部中氯二氟甲烷和氢氟酸的反应过程。
三氟甲烷生产过程中的连续时间段的反应视频可以显示多种信息，例如，1、反应器内部气体的透明度和浓度：三氟甲烷生产过程中的连续时间段的反应视频可以显示反应器内部气体的透明度和浓度变化情况。三氟甲烷的废气量通常与反应器内部气体的变化有关，因此这些信息可以用于判断废气量。2、废气管道的气体流速和排放情况：废气管道的气体流速和排放情况可以用于对三氟甲烷废气量进行判断。作为示例，高速且稳定的气体流动可能表明较高的废气量。3、反应器中可见的废气排放：三氟甲烷的废气可能会从反应器或其他装置的出口排放出来。通过观察反应视频中的废气排放情况，可以推测废气量的相对大小。4、反应器附近的污染物：三氟甲烷的废气产生过程中可能会伴随着其他污染物。三氟甲烷生产过程中的连续时间段的反应视频可以显示出其他污染物。
三氟甲烷生产过程中的连续时间段的反应视频作为重要的视觉资料，用于分析反应过程的动态变化，以确定废气量。
步骤S5，基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量。
所述第二预测模型为长短期神经网络模型，所述第二预测模型的输入为所述三氟甲烷的生产过程中的连续时间段的反应视频，所述第二预测模型的输出为第二预测尾气量。
第二预测模型可以对连续时间段的反应视频进行出来确定出第二预测尾气量。
步骤S6，基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
在一些实施例中，可以对所述氟化氢的第一预测量和所述氟化氢的第二预测量赋予不同的权重，再进行加权求和得到氟化氢的目标预测量，对所述盐酸的第一预测量和所述盐酸的第二预测量赋予不同的权重，再进行加权求和得到盐酸的目标预测量。
在一些实施例中，还可以通过废气处理模型基于所述预测尾气量确定氢氧化钠的添加量。
废气处理模型为深度神经网络模型，深度神经网络模型包括深度神经网络（DeepNeural Networks，DNN）。所述废气处理模型的输入为所述预测尾气量，所述废气处理模型的输出为氢氧化钠的添加量。氢氧化钠可以吸收尾气中的氟化氢和盐酸。可以将氢氧化钠添加到废气处理溶液中以吸收尾气中的氟化氢和盐酸。
基于同一发明构思，图2为本发明的实施例提供的一种三氟甲烷生产的尾气量预测系统示意图，所述三氟甲烷生产的尾气量预测系统包括：
第一获取模块21，用于获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；
第二获取模块22，用于获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；
第一预测尾气量确定模块23，用于基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；
第三获取模块24，用于获取三氟甲烷的生产过程中的连续时间段的反应视频；
第二预测尾气量确定模块25，用于基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；
目标预测量确定模块26，用于基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种三氟甲烷生产的尾气量预测方法，其特征在于，包括：
获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；
获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；
基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；
获取三氟甲烷的生产过程中的连续时间段的反应视频；
基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；
基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
2.如权利要求1所述的三氟甲烷生产的尾气量预测方法，其特征在于，所述基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，包括：对所述氟化氢的第一预测量和所述氟化氢的第二预测量赋予不同的权重，再进行加权求和得到氟化氢的目标预测量，对所述盐酸的第一预测量和所述盐酸的第二预测量赋予不同的权重，再进行加权求和得到盐酸的目标预测量。
3.如权利要求1所述的三氟甲烷生产的尾气量预测方法，其特征在于，所述第一预测模型为长短期神经网络模型，所述第一预测模型的输入为所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据，所述第一预测模型的输出为第一预测尾气量。
4.如权利要求1所述的三氟甲烷生产的尾气量预测方法，其特征在于，所述第二预测模型为长短期神经网络模型，所述第二预测模型的输入为所述三氟甲烷的生产过程中的连续时间段的反应视频，所述第二预测模型的输出为第二预测尾气量。
5.如权利要求1所述的三氟甲烷生产的尾气量预测方法，其特征在于，所述方法还包括：基于所述目标预测尾气量确定氢氧化钠的添加量。
6.一种基于权利要求1-5任一项所述的三氟甲烷生产的尾气量预测方法的尾气量预测系统，其特征在于，包括：
第一获取模块，用于获取三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频、氯二氟甲烷的倒料量和氢氟酸的倒料量；
第二获取模块，用于获取三氟甲烷的生产过程中的连续时间段的多个传感器的数据，其中三氟甲烷的生产过程为在催化剂作用下，氯二氟甲烷和氢氟酸反应生成三氟甲烷和盐酸，所述多个传感器包括温度传感器、压力传感器、PH传感器、流量传感器、气相色谱仪、红外光谱仪；
第一预测尾气量确定模块，用于基于所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据使用第一预测模型确定第一预测尾气量，所述第一预测尾气量包括氟化氢的第一预测量和盐酸的第一预测量；
第三获取模块，用于获取三氟甲烷的生产过程中的连续时间段的反应视频；
第二预测尾气量确定模块，用于基于所述三氟甲烷的生产过程中的连续时间段的反应视频使用第二预测模型确定第二预测尾气量，所述第二预测尾气量包括氟化氢的第二预测量和盐酸的第二预测量；
目标预测量确定模块，用于基于所述第一预测尾气量和所述第二预测尾气量确定目标预测尾气量，所述目标预测尾气量包括氟化氢的目标预测量和盐酸的目标预测量。
7.如权利要求6所述的三氟甲烷生产的尾气量预测系统，其特征在于，所述目标预测量确定模块还用于：对所述氟化氢的第一预测量和所述氟化氢的第二预测量赋予不同的权重，再进行加权求和得到氟化氢的目标预测量，对所述盐酸的第一预测量和所述盐酸的第二预测量赋予不同的权重，再进行加权求和得到盐酸的目标预测量。
8.如权利要求6所述的三氟甲烷生产的尾气量预测系统，其特征在于，所述第一预测模型为长短期神经网络模型，所述第一预测模型的输入为所述三氟甲烷生产时的氯二氟甲烷和氢氟酸的倒料视频和所述三氟甲烷的生产过程中的连续时间段的多个传感器数据，所述第一预测模型的输出为第一预测尾气量。
9.如权利要求6所述的三氟甲烷生产的尾气量预测系统，其特征在于，所述第二预测模型为长短期神经网络模型，所述第二预测模型的输入为所述三氟甲烷的生产过程中的连续时间段的反应视频，所述第二预测模型的输出为第二预测尾气量。
10.如权利要求6所述的三氟甲烷生产的尾气量预测系统，其特征在于，所述系统还用于：基于所述目标预测尾气量确定氢氧化钠的添加量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882319.0A CN116612836B (zh) | 2023-07-19 | 2023-07-19 | 三氟甲烷生产的尾气量预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882319.0A CN116612836B (zh) | 2023-07-19 | 2023-07-19 | 三氟甲烷生产的尾气量预测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116612836A true CN116612836A (zh) | 2023-08-18 |
| CN116612836B CN116612836B (zh) | 2023-10-03 |
Family
ID=87675096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882319.0A Active CN116612836B (zh) | 2023-07-19 | 2023-07-19 | 三氟甲烷生产的尾气量预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116612836B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
| JP2021091617A (ja) * | 2019-12-06 | 2021-06-17 | 株式会社豊田中央研究所 | ガス供給装置、メタン製造装置、およびガス供給装置の制御方法 |
| CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
| CN115186900A (zh) * | 2022-05-31 | 2022-10-14 | 重庆大学 | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 |
| CN115204533A (zh) * | 2022-09-16 | 2022-10-18 | 中国地质大学（北京） | 基于多变量的加权组合模型的油气产量预测方法及系统 |
| CN115356998A (zh) * | 2022-08-31 | 2022-11-18 | 深圳能源环保股份有限公司 | 基于人工智能的氮氧化物预测方法及相关装置 |
-
2023
- 2023-07-19 CN CN202310882319.0A patent/CN116612836B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021091617A (ja) * | 2019-12-06 | 2021-06-17 | 株式会社豊田中央研究所 | ガス供給装置、メタン製造装置、およびガス供給装置の制御方法 |
| CN112001527A (zh) * | 2020-07-29 | 2020-11-27 | 中国计量大学 | 多特征融合深度神经网络的工业生产过程目标数据预测方法 |
| CN113720968A (zh) * | 2021-07-29 | 2021-11-30 | 深圳市天得一环境科技有限公司 | 气体浓度检测方法、装置、系统及存储介质 |
| CN115186900A (zh) * | 2022-05-31 | 2022-10-14 | 重庆大学 | 适用于多工况类别的动态高炉煤气产生量预测方法及系统 |
| CN115356998A (zh) * | 2022-08-31 | 2022-11-18 | 深圳能源环保股份有限公司 | 基于人工智能的氮氧化物预测方法及相关装置 |
| CN115204533A (zh) * | 2022-09-16 | 2022-10-18 | 中国地质大学（北京） | 基于多变量的加权组合模型的油气产量预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘伟锋 等: "基于时序数据的尾气监测分析平台研究", 现代制造工程, no. 6, pages 90 - 94 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116612836B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10670570B2 (en) | Method of analysing gas chromatography data | |
| RU2010109422A (ru) | Система и способы непрерывного оперативного мониторинга химического или нефтеперерабатывающего завода | |
| CA2923624C (en) | Non-intrusive sensor system | |
| Vieira et al. | Experimental investigation of horizontal gas–liquid stratified and annular flow using wire-mesh sensor | |
| CN101286059B (zh) | 在线测量数据获取、校正及过失误差的序列补偿方法 | |
| CN113272748B (zh) | 解析系统和解析方法 | |
| KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
| CN116985183A (zh) | 一种近红外光谱分析仪质量监测管理方法及系统 | |
| CN116612836B (zh) | 三氟甲烷生产的尾气量预测方法和系统 | |
| JP5271776B2 (ja) | 自動分析装置 | |
| CN118067204B (zh) | 一种基于数字计量技术的安全生产数据采集系统 | |
| US9255827B2 (en) | Computer based fluid flow velocity estimation from concentrations of a reacting constituent for products and services | |
| CN118463029A (zh) | 一种环境风险源预警方法及系统 | |
| CN114730184A (zh) | 用于估算逃逸性排放上的变化的计算机系统及方法 | |
| US20150168197A1 (en) | Computer based fluid flow velocity estimation from concentrations of a reacting constituent for products and services | |
| CN205103155U (zh) | 一种适用于有机相的气体在线检测仪 | |
| Haugland et al. | Monitoring of scaling in dilute phase pneumatic conveying systems using non-intrusive acoustic sensors–A feasibility study | |
| CN115015037A (zh) | 选煤悬浮液密度检测方法及装置、存储介质、计算机设备 | |
| CN115906676A (zh) | 磨蚀评价试验方法、系统、电子设备及存储介质 | |
| CN101995390B (zh) | 一种反应釜内物料组成成分分析方法 | |
| CN105259135B (zh) | 适用于实时在线的无测点温度补偿近红外测量方法 | |
| RU2530447C1 (ru) | Способ анализа многокомпонентной газовой среды герметизированных контейнеров с электронными приборами и устройство для его реализации | |
| Conway et al. | How to get Lab Equivalent Oil Analysis 24/7. | |
| van den Berg et al. | Process analyzer location and performance assessment for optimal process monitoring | |
| US10472640B2 (en) | Method of real-time prognosis of flooding phenomenon in packed column |
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 |