具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

实施例一

图1是本发明一实施例提供的化工装置尾气含氧量计算方法的流程图。如图1所示，该计算方法包括：

步骤S11，检测所述化工装置的尾气含氧量以外其他位点的当前数据；

具体地，位点可以是不同化工装置的不同的测量对象，例如氢化塔尾气氧含量、氧化塔尾气氧含量或萃余液过氧化氢浓度等等，也可以是同一化工装置中的不同测量对象，例如对于氢化塔来说，位点可以是氢化塔尾气氧含量、含氢量或者其他含量等等。本发明实施例中，如果想要检测氢化塔尾气氧含量，则可以先检测氢化塔尾气氧含量以外的其他位点的当前数据。

步骤S12，根据所述其他位点的当前数据，基于含氧量预测模型，计算所述化工装置的尾气含氧量，其中所述含氧量预测模型为所述尾气含氧量的波动历史数据以及与所述尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的模型，所述波动历史数据为在预设时长内异常运行的数据的时长大于所述预设时长的预设百分比的历史数据。

具体地，本发明实施例基于含氧量预测模型，代入检测的其他位点的当前数据，计算出化工装置的尾气含氧量。而含氧量预测模型是通过尾气含氧量的波动历史数据以及与尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的。其中波动历史数据是指在预设时长内异常运行的数据的时长大于所述预设时长的预设百分比的历史数据，预设百分比可以为30％，但不限于此。例如，假设该位点共有3个月的历史数据，而预设时长为1个月，那么所有历史数据可以被分为三份，在第1个月的历史数据中，有10天的历史数据是异常运行的数据(异常运行可以在数据上进行标记)，那么10天占1个月的33％左右，大于预设百分比，则这第1个月的历史数据是波动历史数据。在第2个月和第3个月的历史数据中，分别有5天和4天的历史数据是异常运行的数据，占1个月的百分比小于30％，则第2个月和第3个月的历史数据不是波动历史数据。对于与波动历史数据相关的其他位点的历史数据，可以直接获取，也可以根据本发明以下实施例提供的获取方式获取。

实施例二

在本实施例中，与实施例一不同在于，主要提供一种含氧量预测模型的建立方法，特别是更为详细的获取与波动历史数据相关的其他位点的历史数据的方法，其他的计算方法与实施例一类似，在此不再赘述。

具体地，含氧量预测模型通过以下方式得到：

步骤S21，获取尾气含氧量的波动历史数据；

具体地，本发明实施例获取的数据可以来自分布式控制系统(DistributedControl System，DCS)存储的运行数据及实验室信息管理系统(Laboratory InformationManagement System，LIMS)记录数据，但不是所有该位点的历史数据都获取，而是只获取波动历史数据。波动历史数据的含义如上文所述。

步骤S22，计算所述波动历史数据与同运行时刻的其他位点中每一个位点的历史数据的灰度相关系数；

具体地，由于其他位点的历史数据对含氧量的历史数据也有可能有一定影响，本发明实施例还需要判断上述波动历史数据与同运行时刻的其他位点的历史数据的相关性。同运行时刻是指，如果波动历史数据是2020年1月(甚至具体到几日几时几分几秒)的数据，那么计算灰度相关系数的其他位点的历史数据也应该使用2020年1月的数据。由于其他位点可能有很多，那么每一个位点对应运行时刻的历史数据都可以与波动历史数据计算灰度相关系数。

步骤S23，提取所述波动历史数据以及所述灰度相关系数大于相关系数阈值的其他位点的历史数据，所述相关系数阈值与尾气是否继续参与燃爆反应有关；

具体地，如果H位点的历史数据与波动历史数据计算的灰度相关系数大于相关系数阈值，则说明H位点的历史数据与波动历史数据相关性较大，需要进行提取，即在提取波动历史数据的基础上，还需要提取H位点的历史数据。考虑到安全性，相关系数阈值取决于尾气是否继续参与燃爆反应，如果尾气继续参与燃爆反应，相关系数阈值会比尾气不继续参与燃爆反应更小。

步骤S24，基于所提取的数据以及神经网络进行训练，得到所述含氧量预测模型。

具体地，例如利用MATLAB神经网络工具箱进行，神经网络的输入层节点个数为其他位点个数，中间层为7层，每层节点数为50个，输出层为1个节点，对应输出变量。70％的数据样本用于训练模型，15％的数据样本用于测试模型，15％的数据样本用于验证模型。运行环境为WINDOWS7，MATLAB2019a。

实施例三

在本实施例中，与实施例一和二不同在于，主要提供一种更为详细的计算波动历史数据与同运行时刻的其他位点中一个位点的历史数据的灰度相关系数的方法，其他的计算方法与实施例一和二类似，在此不再赘述。

具体地，所述灰度相关系数通过以下公式计算：

其中，x₀为波动历史数据，x_i为同运行时刻的其他位点中第i个位点的历史数据，ρ为预设系数，k为历史数据的序号。也就是说，假设以其他位点中第1个位点为例，第1个位点会有很多历史数据，这些历史数据都与波动历史数据的运行时刻对应，例如，波动历史数据为30天内，每隔12小时获取的一共60个数据，那么该第1个位点也使用这30天内每隔12小时获取的一共60个数据，且可以看作具有序号1-60，排序是基于时间顺序。

实施例四

在本实施例中，与实施例一到三不同在于，主要提供预设时长、数据间隔以及尾气后续处理不同而引起不同的相关系数阈值。其他的提取方法与实施例一到三类似，在此不再赘述。

具体地，对于预设时长和数据间隔，针对含氧量的检测，预设时长可以为30天，数据间隔可以为12小时。

对于相关系数阈值，请见表1：

表1

在尾气继续参与燃爆反应时，所述相关系数阈值可以为0.6；在尾气不继续参与燃爆反应时，所述相关系数阈值可以为0.8。

虽然本实施例上述提供了具体数值，但是该数值只是本发明实施例较为优选的数值，同样可以为其他数值，本发明实施例并不对此限定。

实施例五

图3是本发明一实施例提供的化工装置尾气含氧量计算装置的结构框图。如图3所示，该计算装置包括：检测单元1以及处理单元2，其中，所述检测单元1用于检测所述化工装置的尾气含氧量以外其他位点的当前数据；所述处理单元2用于根据所述其他位点的当前数据，基于含氧量预测模型，计算所述化工装置的尾气含氧量，其中所述含氧量预测模型为所述尾气含氧量的波动历史数据以及与所述尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的模型。

优选地，所述波动历史数据为在预设时长内异常运行的数据的时长大于所述预设时长的预设百分比的历史数据。

优选地，所述含氧量预测模型通过以下方式得到：获取尾气含氧量的波动历史数据；计算所述波动历史数据与同运行时刻的其他位点中每一个位点的历史数据的灰度相关系数；提取所述波动历史数据以及所述灰度相关系数大于相关系数阈值的其他位点的历史数据，所述相关系数阈值与尾气是否继续参与燃爆反应有关；基于所提取的数据以及神经网络进行训练，得到所述含氧量预测模型。

优选地，所述灰度相关系数通过以下公式计算：

其中，x₀为波动历史数据，x_i为同运行时刻的其他位点中第i个位点的历史数据，ρ为预设系数，k为历史数据的序号。

优选地，在尾气继续参与燃爆反应时，所述相关系数阈值为0.6；在尾气不继续参与燃爆反应时，所述相关系数阈值为0.8。

优选地，所述神经网络训练使用MATLAB神经网络。

优选地，所述萃余过氧化氢浓度的波动历史数据以及与所述萃余过氧化氢浓度的波动历史数据相关的其他位点的历史数据中70％的数据用于训练所述过氧化氢浓度预测模型，15％的数据用于测试所述过氧化氢浓度预测模型，15％的数据用于验证所述过氧化氢浓度预测模型。

该实施例提供化工装置尾气含氧量计算装置，与上文所述的实施例一到四类似，在此不再赘述。

通过上述技术方案，采用本发明提供的化工装置尾气含氧量计算方法、装置、存储介质及处理器，检测所述化工装置的尾气含氧量以外其他位点的当前数据；根据所述其他位点的当前数据，基于含氧量预测模型，计算所述化工装置的尾气含氧量，其中所述含氧量预测模型为所述尾气含氧量的波动历史数据以及与所述尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的模型。本发明通过构建模型后根据模型得到含氧量，不依赖于人力，保证化工装置的安全运行。

所述化工装置尾气含氧量计算装置包括处理器和存储器，上述检测单元以及处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来检测含氧量(本发明的目的)。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述化工装置尾气含氧量计算方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述化工装置尾气含氧量计算方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：

检测所述化工装置的尾气含氧量以外其他位点的当前数据；根据所述其他位点的当前数据，基于含氧量预测模型，计算所述化工装置的尾气含氧量，其中所述含氧量预测模型为所述尾气含氧量的波动历史数据以及与所述尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的模型。

所述波动历史数据为在预设时长内异常运行的数据的时长大于所述预设时长的预设百分比的历史数据。

所述含氧量预测模型通过以下方式得到：获取尾气含氧量的波动历史数据；计算所述波动历史数据与同运行时刻的其他位点中每一个位点的历史数据的灰度相关系数；提取所述波动历史数据以及所述灰度相关系数大于相关系数阈值的其他位点的历史数据，所述相关系数阈值与尾气是否继续参与燃爆反应有关；基于所提取的数据以及神经网络进行训练，得到所述含氧量预测模型。

所述灰度相关系数通过以下公式计算：

其中，x₀为波动历史数据，x_i为同运行时刻的其他位点中第i个位点的历史数据，ρ为预设系数，k为历史数据的序号。

在尾气继续参与燃爆反应时，所述相关系数阈值为0.6；在尾气不继续参与燃爆反应时，所述相关系数阈值为0.8。

所述神经网络训练使用MATLAB神经网络。

所述萃余过氧化氢浓度的波动历史数据以及与所述萃余过氧化氢浓度的波动历史数据相关的其他位点的历史数据中70％的数据用于训练所述过氧化氢浓度预测模型，15％的数据用于测试所述过氧化氢浓度预测模型，15％的数据用于验证所述过氧化氢浓度预测模型。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

检测所述化工装置的尾气含氧量以外其他位点的当前数据；根据所述其他位点的当前数据，基于含氧量预测模型，计算所述化工装置的尾气含氧量，其中所述含氧量预测模型为所述尾气含氧量的波动历史数据以及与所述尾气含氧量的波动历史数据相关的其他位点的历史数据进行神经网络训练得到的模型。

所述波动历史数据为在预设时长内异常运行的数据的时长大于所述预设时长的预设百分比的历史数据。

所述含氧量预测模型通过以下方式得到：获取尾气含氧量的波动历史数据；计算所述波动历史数据与同运行时刻的其他位点中每一个位点的历史数据的灰度相关系数；提取所述波动历史数据以及所述灰度相关系数大于相关系数阈值的其他位点的历史数据，所述相关系数阈值与尾气是否继续参与燃爆反应有关；基于所提取的数据以及神经网络进行训练，得到所述含氧量预测模型。

所述灰度相关系数通过以下公式计算：

其中，x₀为波动历史数据，x_i为同运行时刻的其他位点中第i个位点的历史数据，ρ为预设系数，k为历史数据的序号。

在尾气继续参与燃爆反应时，所述相关系数阈值为0.6；在尾气不继续参与燃爆反应时，所述相关系数阈值为0.8。

优选地，所述神经网络训练使用MATLAB神经网络。

优选地，所述萃余过氧化氢浓度的波动历史数据以及与所述萃余过氧化氢浓度的波动历史数据相关的其他位点的历史数据中70％的数据用于训练所述过氧化氢浓度预测模型，15％的数据用于测试所述过氧化氢浓度预测模型，15％的数据用于验证所述过氧化氢浓度预测模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。