[go: up one dir, main page]

CN114368844A - 高矿化度矿井水处理的数据监测方法和监测装置 - Google Patents

高矿化度矿井水处理的数据监测方法和监测装置 Download PDF

Info

Publication number
CN114368844A
CN114368844A CN202111540590.3A CN202111540590A CN114368844A CN 114368844 A CN114368844 A CN 114368844A CN 202111540590 A CN202111540590 A CN 202111540590A CN 114368844 A CN114368844 A CN 114368844A
Authority
CN
China
Prior art keywords
sequence
purification efficiency
time period
target time
degree
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
Application number
CN202111540590.3A
Other languages
English (en)
Other versions
CN114368844B (zh
Inventor
马永忠
郑洁铭
汪义龙
程振雨
王大龙
唐朝苗
韩健
崔俊峰
祁建虎
李继升
殷裁云
冯来宏
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.)
Xinzhuang Coal Mine Of Qingyang Xinzhuang Coal Industry Co ltd
Hydrogeology Bureau of China National Administration of Coal Geology
Huaneng Coal Technology Research Co Ltd
Original Assignee
Xinzhuang Coal Mine Of Qingyang Xinzhuang Coal Industry Co ltd
Hydrogeology Bureau of China National Administration of Coal Geology
Huaneng Coal Technology Research 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 Xinzhuang Coal Mine Of Qingyang Xinzhuang Coal Industry Co ltd, Hydrogeology Bureau of China National Administration of Coal Geology, Huaneng Coal Technology Research Co Ltd filed Critical Xinzhuang Coal Mine Of Qingyang Xinzhuang Coal Industry Co ltd
Priority to CN202111540590.3A priority Critical patent/CN114368844B/zh
Publication of CN114368844A publication Critical patent/CN114368844A/zh
Application granted granted Critical
Publication of CN114368844B publication Critical patent/CN114368844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F5/00—Softening water; Preventing scale; Adding scale preventatives or scale removers to water, e.g. adding sequestering agents
    • C02F5/02—Softening water by precipitation of the hardness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
    • C02F2103/10—Nature of the water, waste water, sewage or sludge to be treated from quarries or from mining activities
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/02—Temperature
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F2209/00—Controlling or monitoring parameters in water treatment
    • C02F2209/05—Conductivity or salinity
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Hydrology & Water Resources (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供一种高矿化度矿井水处理的数据监测方法和监测装置。所述监测方法包括：获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；基于结晶变化程度和第一净化效率，生成目标时间段对应的第二净化效率；基于各目标时间段对应的第二净化效率，生成预测净化效率序列。本发明的监测方法，能够及时且准确地预测未来时间段内待测锅炉的净化效率。

Description

高矿化度矿井水处理的数据监测方法和监测装置
技术领域
本发明涉及高矿化度矿井水预处理技术领域，具体涉及高矿化度矿井水处理的数据监测方法和监测装置。
背景技术
随着煤炭开采深度的逐渐增加，产生了越来越多的高矿化度矿井水，高矿化度矿井水一般是指含盐量大于1000mg/L的矿井水，这类矿井水如果不经处理直接排放不仅会浪费水资源，而且还会对环境带来危害。
高矿化度矿井水预处理过程中要对矿井水中的Ca2+、Mg2+等碱性金属化合物的沉淀或者结晶进行监测并对沉淀或者结晶的监测结果进行分析，相关技术中，主要通过传感器进行数据的采集与监测，该监测方式具有滞后性，且监测效果不佳。
发明内容
本发明提供一种高矿化度矿井水处理的数据监测方法和监测装置，用于解决对高矿化度矿井水预处理过程中的数据监测效果不佳的问题，实现高效且准确地监测。
第一方面，本发明一个实施例提供一种高矿化度矿井水处理的数据监测方法，包括：
获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；
基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；
基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；
基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；
基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
优选的，所述基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率，包括：
基于所述第一矿化度序列，得到所述目标时间段对应的所述进水口的第一矿化度均值和第一矿化度标准差；
基于所述第二矿化度序列，得到所述目标时间段对应的出水口的第二矿化度均值和第二矿化度标准差；
基于所述第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差，生成所述目标时间段对应的第一净化效率。
优选的，所述基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度，包括：
基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的热量损耗指标序列；
基于所述热量损耗指标序列，生成所述目标时间段对应的结晶变化程度。
优选的，所述基于所述热量损耗指标序列，生成所述目标时间段对应的结晶变化程度，包括：
计算相邻的目标时间段对应的热量损耗指标序列之间的相似度指标，生成第一相似度指标；
基于所述第一相似度指标，生成所述相邻的目标时间段中第二目标时间段对应的结晶变化程度，所述第二目标时间段为所述相邻的目标时间段中的后一个时间段。
优选的，所述基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列，包括：
基于所述第二净化效率，生成所述目标时间段对应的第二净化效率变化程度；
基于所述第二净化效率，生成所述目标时间段对应的第二净化效率序列；
基于所述第二净化效率变化程度和所述第二净化效率序列，生成所述第二净化效率序列对应的可信程度序列；
基于所述可信程度序列和所述第二净化效率序列，生成所述预测净化效率序列。
优选的，所述基于所述第二净化效率，生成所述目标时间段对应的第二净化效率变化程度，包括：
基于相邻的目标时间段中的第二目标时间段对应的第二净化效率与所述相邻的目标时间段中的第一目标时间段对应的第二净化效率之间的差异，生成所述第二目标时间段对应的第二净化效率变化程度；
其中，所述第一目标时间段为所述相邻的目标时间段中的前一个时间段，所述第二目标时间段为所述相邻的目标时间段中的前一个时间段。
优选的，所述基于所述第二净化效率变化程度和所述第二净化效率序列，生成所述第二净化效率序列对应的可信程度序列，包括：
基于所述第二净化效率变化程度，生成所述目标时间段对应的第二净化效率变化程度序列；
基于所述第二净化效率变化程度序列，利用最小二乘法拟合得到所述第二净化效率变化程度序列对应的拟合直线，其中，所述第二净化效率变化程度序列为任一目标时间段对应的第二净化效率变化程度序列；
在所述拟合直线的斜率大于目标斜率阈值的情况下，获取在所述拟合直线上所述目标时间段对应的纵坐标值，将所述纵坐标值确定为所述目标时间段对应的拟合第二净化效率变化程度；
计算所述第二净化效率变化程度与所述拟合第二净化效率变化程度之间差值的绝对值；
基于所述差值的绝对值，生成所述第二净化效率序列对应的可信程度；
基于所述第二净化效率序列对应的可信程度，生成所述第二净化效率序列对应的可信程度序列。
优选的，所述基于所述可信程度序列和所述第二净化效率序列，生成所述预测净化效率序列，包括：
将所述第二净化效率序列确定为样本第二净化效率序列，所述样本第二净化效率序列中的参数为样本第二净化效率；
将所述样本第二净化效率序列输入到目标TCN网络中，生成所述样本第二净化效率序列对应的第一损失函数；
将所述样本第二净化效率序列对应的可信程度与所述样本第二净化效率序列对应的第一损失函数相乘，生成所述样本第二净化效率对应的第二损失函数；
将多个所述目标时间段对应的样本第二净化效率所对应的第二损失函数相加，得到第三损失函数；
将所述第三损失函数确定为所述目标TCN网络对应的目标损失函数；
将所述第二净化效率序列输入到所述目标TCN网络中，获取由所述目标TCN网络输出的所述预测净化效率序列。
优选的，在所述基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列之后，所述方法还包括：
基于所述预测净化效率序列，输出分析结果。
第二方面，本发明一个实施例提供一种高矿化度矿井水处理的数据监测装置，包括：
第一获取模块，用于获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；
第一生成模块，用于基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；
第二生成模块，用于基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；
第三生成模块，用于基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；
第四生成模块，用于基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
第三方面，本发明实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面，本发明实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。
第五方面，本发明实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。
第六方面，本发明实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。
本发明提供的高矿化度矿井水处理的数据监测方法和监测装置，基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；基于结晶变化程度对第一净化效率进行修正，可以显著提高第二净化效率的准确度；然后基于历史时间段内目标时间段对应的第二净化效率，生成预测净化效率序列，以提前预测未来时间段内的待测锅炉的净化效率，预测结果具有较高的准确性和及时性，从而有助于实现对高矿化度矿井水处理的数据的高效、准确且及时地监测。
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是本发明提供的高矿化度矿井水处理的数据监测方法的流程示意图之一；
图2是本发明提供的高矿化度矿井水处理的数据监测方法的流程示意图之二；
图3是本发明提供的高矿化度矿井水处理的数据监测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
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、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
下面结合图1至图2描述本发明提供的高矿化度矿井水处理的数据监测方法。
该高矿化度矿井水处理的数据监测方法的执行主体可以为设置于待测锅炉上的控制器，或者独立于待测锅炉的控制装置，或者与该待测锅炉通信连接的服务器，或者操作员的终端，终端可以为操作员的手机或电脑等。
该高矿化度矿井水处理的数据监测方法，可应用于煤炭开采情境下，对高矿化度矿井水处理过程中的数据监测。
如图1所示，该高矿化度矿井水处理的数据监测方法，包括步骤110、步骤120、步骤130、步骤140和步骤150。
步骤110、获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；目标时间段为多个，待测锅炉中盛放的为高矿化度矿井水；
在该步骤中，可以理解的是，锅炉是将高矿化度矿井水中溶解度与温度成负相关的碱性金属化合物沉淀的一种装置。
锅炉中盛放的为高矿化度矿井水，锅炉有对应的进水口和出水口。
待测锅炉是需要进行高矿化度矿井水预处理监测的锅炉。
其中，对高矿化度矿井水预处理是指利用锅炉加热的物理沉淀法对高矿化度矿井水加热，监测高矿化度矿井水中一些与温度相关的某些离子对应的化学沉淀物质的净化过程。
在本实施例中，主要利用待测锅炉加热的物理沉淀法监测高矿化度矿井水中Ca2+对应的化学沉淀物质碳酸钙的净化。
其中，目标时间段为待测锅炉加热的历史时间段中的任意单位时间段。
可以理解的是，一段历史时间段可以包括多个目标时间段，且各目标时间段的时长相同。
历史时间段的时长可以基于用户自定义，例如可以是从待测锅炉开始加热时刻起到当前时刻的历史时间段，也可以是从待测锅炉加热一段时间后到当前时刻的历史时间段；作为其它的实施方式，也可以根据需求的不同设置其它的历史时间段，本发明不做限定。
同样，目标时间段的时长也可以基于用户自定义，例如将目标时间段的时长设置为15分钟、30分钟或1小时等，本发明不做限定。
例如，在历史时间段的时长为1天，目标时间段的时长为30分钟的情况下，则该历史时间段可以包括48个目标时间段。
矿化度序列为矿化度数值与时间的关系序列，用于表征目标时间段内，该待测锅炉内的高矿化度矿井水对应的矿化度数值。
可以理解的是，每一个目标时间段均对应有矿化度数值，且同一目标时间段进水口和出水口对应的矿化度数值不同。
第一矿化度序列用于表征该目标时间段内，待测锅炉进水口处的矿化度数值；第二矿化度序列用于表征该目标时间段内，待测锅炉出水口处的矿化度数值。
不同的目标时间段对应的矿化度数值不同，一个历史时间段内包括多个第一矿化度序列和多个第二矿化度序列。
温度序列为温度数值与时间的关系序列，用于表征目标时间段内，该待测锅炉内的高矿化度矿井水对应的温度数值。
可以理解的是，每一个目标时间段均对应温度数值，且同一目标时间段进水口和出水口对应的温度数值不同。
第一温度序列用于表征该目标时间段内，待测锅炉进水口处的温度数值；第二温度序列用于表征该目标时间段内，待测锅炉进水口处的温度数值。
同样，一个历史时间段内包括多个第一温度序列和多个第二温度序列。
在实际执行过程中，可以通过如下步骤获取第一矿化度序列和第二矿化度序列。
首先对待测锅炉加热过程中进水口和出水口流速进行监测，使锅炉加热过程中进水口与出水口流速恒定不变，并使锅炉加热过程中进水口与出水口流速保持一致，流速都为v0，即单位时间内待测锅炉进水口流入水的体积与锅炉出水口流出水的体积相同。
然后在目标时间段内，基于目标时长抽取目标量的待测锅炉进水口和出水口处的高矿化度矿井水。
其中，目标时长为抽取高矿化度矿井水的时间间隔。
目标时长可以基于用户自定义，例如可以将目标时长设置为1分钟或2分钟等，本发明不做限定。
例如在目标时间段为1小时，目标时长为1分钟的情况下，一个目标时间段内将抽取60次。
目标量可以基于用户自定义，如设置为0.1L或0.2L等。
下面以目标时长为1分钟，目标量为0.1L为例进行说明。
在目标时间段内一分钟抽取一次将要进入待测锅炉进水口内的高矿化度矿井水，每次抽取0.1L，即一个目标时间段内将抽取60次；
将抽取的将要进入待测锅炉进水口内的高矿化度矿井水记为进水口检测水；
将各目标时间段内每次抽取进水口检测水放置在蒸发皿中进行加热蒸发，得到各目标时间段内各进水口检测水对应的结晶盐的质量；
根据各目标时间段各进水口检测水对应的结晶盐的质量和各目标时间段内各进水口检测水对应的体积，得到各目标时间段内各进水口检测水对应的矿化度数值；可以根据如下公式计算各目标时间段内各进水口检测水对应的矿化度数值：
Figure BDA0003413740410000081
其中，A1i,j为第i个目标时间段内第j次进水口检测水对应的矿化度数值，m1i,j为第i个目标时间段内第j次进水口检测水对应的结晶盐的质量，v1i,j为第i个目标时间段内第j次进水口检测水对应的体积；各目标时间段内各进水口检测水对应的矿化度单位为mg/L，则m1i,j的单位为mg，v1i,j的单位为L。
例如，v1i,j可以为0.1L。
在各目标时间段内一分钟抽取一次从锅炉出水口流出的高矿化度矿井水，每次抽取0.1L，即一个目标时间段内将抽取60次；
将抽取的从待测锅炉出水口流出的高矿化度矿井水记为出水口检测水；
将各目标时间段内每次抽取出水口检测水放置在蒸发皿中进行加热蒸发，得到各目标时间段内各出水口检测水对应的结晶盐的质量；
根据各目标时间段内各出水口检测水对应的结晶盐的质量和各目标时间段内各出水口检测水对应的体积，得到各目标时间段内各出水口检测水对应的矿化度数值；可以根据如下公式计算各目标时间段内各出水口检测水对应的矿化度数值：
Figure BDA0003413740410000082
其中，A2i,j为第i个目标时间段内第j次出水口检测水对应的矿化度，m2i,j为第i个目标时间段内第j次出水口检测水对应的结晶盐的质量，v2i,j为第i个目标时间段内第j次出水口检测水对应的体积；各目标时间段内各出水口检测水对应的矿化度单位为mg/L，则m2i,j的单位为mg，v2i,j的单位为L。
例如，v2i,j可以为0.1L。
需要说明的是，每一次抽取的进水口检测水和出水口检测水的体积需保持一致。
当然，在另一些实施例中，也可以根据需求的不同，设置不同的抽取次数，或者设置单次抽取不同体积的检测水，其操作方式与上述实施例相同，在此不做赘述。
在得到目标时间段内进水口检测水对应的矿化度数值和出水口检测水对应的矿化度数值后，将进水口检测水对应的矿化度数值和目标时间段进行匹配，即可生成第一矿化度序列；将出水口检测水对应的矿化度数值和目标时间段进行匹配，即可生成第二矿化度序列。
可以理解的是，各目标时间段对应的第一矿化度序列和第二矿化度序列的生成方式一致，均与上述实施例相同，在此不做赘述。
在实际执行过程中，可以通过如下步骤获取第一温度序列和第二温度序列。
需要说明的是，由于碳酸钙在80℃时结垢量最大，因此利用热源对锅炉中高矿化度矿井水进行加热时要保持锅炉中高矿化度矿井水的温度在80℃以上。
获取目标时间段对应的目标时长内热源对待测锅炉中高矿化度矿井水加热的热量Q0、例如可以将目标时长设置为1分钟
将目标时间段对应的时间段基于目标时长均分为目标数量的目标子时间段，例如均匀的划分为60段，得到各目标时间段对应的子时间段，例如一个目标时间段对应60个子时间段。
当然，在其他实施例中，目标数量还可以设置为其他数值。
在目标时间段对应的各目标子时间段内分别测量一次待测锅炉进水口位置的温度数值和出水口位置的温度数值，得到目标时间段中的各目标子时间段对应的待测锅炉进水口位置的温度数值和出水口位置的温度数值。
其中，可以通过温度传感器采集温度数值。
在得到目标时间段中的各目标子时间段对应的待测锅炉进水口位置的温度数值和出水口位置的温度数值后，将待测锅炉进水口位置的温度数值与其对应的目标子时间段进行匹配，即可生成目标时间段对应的第一温度序列。
将待测锅炉出水口位置的温度数值与其对应的目标子时间段进行匹配，即可生成目标时间段对应的第二温度序列。
可以理解的是，各目标时间段对应的第一温度序列和第二温度序列的生成方式一致，均与上述实施例相同，在此不做赘述。
步骤120、基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；
在该步骤中，净化效率用于表征待测锅炉的净化程度。
第一净化效率为目标时间段对应的待测锅炉的初始净化效率，即在修正前所计算得到的净化效率。
每一个目标时间段均对应有一个第一净化效率。
目标时间段对应的第一净化效率将作为后续得到待测锅炉在目标时间段对应的第二净化效率的基础。
在实际执行过程中，可以基于目标时间段对应的出水口的净化度数值和进水口的净化度数值之间的关系，生成该目标时段对应的净化效率。
在一些实施例中，步骤120还可以包括：
基于第一矿化度序列，得到目标时间段对应的进水口的第一矿化度均值和第一矿化度标准差；
基于第二矿化度序列，得到目标时间段对应的出水口的第二矿化度均值和第二矿化度标准差；
基于第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差，生成目标时间段对应的第一净化效率。
在该实施例中，第一矿化度均值为目标时间段内进水口的净化度数值的平均值；可以通过计算目标时间段内全部的进口检测水对应的净化度数值之和与取水次数的比值得到。
第一矿化度标准差为目标时间段内进水口的净化度数值的标准差；可以基于目标时间段内每一次取水对应的净化度数值和第一矿化度均值得到。
第二矿化度均值为目标时间段内出水口的净化度数值的平均值，其计算过程与第一矿化度均值的计算过程相同。
第二矿化度标准差为目标时间段内出水口的净化度数值的标准差，其计算过程与第一矿化度标准差的计算过程相同。
各目标时间段对应的第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差的生成方式与上述实施例相同。
在得到第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差后，可以通过公式：
Figure BDA0003413740410000101
生成第一净化效率，其中，Ei为第i个目标时间段对应的第一净化效率，a1i为第i个目标时间段对应的进水口的第一矿化度均值，b1i为第i个目标时间段对应的进水口的第一矿化度标准差，a2i为第i个目标时间段对应的出水口的第二矿化度均值，b2i为第i个目标时间段对应的出水口的第二矿化度标准差。
需要说明的是，各目标时间段对应的第一矿化度标准差用于矫正对应的第一矿化度均值，各目标时间段对应的第二矿化度标准差用于矫正对应的第二矿化度均值。
通过对第一矿化度均值和第二矿化度均值进行矫正，可以提高第一净化效率的准确性和精确性。
各目标时间段对应的第一净化效率的生成方式均相同，在此不做赘述。
步骤130、基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；
在该步骤中，结晶变化程度用于表征相邻两个目标时间段内待测锅炉内的高矿化度矿井水的结晶量变化情况。
其中，第一温度序列为相邻两个目标时间段所对应的第一温度序列；第二温度序列为相邻两个目标时间段所对应的第二温度序列。
在实际执行过程中，可以基于目标时间段对应的锅炉中高矿化度矿井水的温度变化，得到目标时间段对应的热量损耗指标序列。
然后基于热量损耗指标序列判断结晶变化程度。
需要说明的是，步骤120和步骤130可以为并列执行关系；或者可以为优先执行步骤120，再执行步骤130；或者还可以为优先执行步骤130，再执行步骤120。
在一些实施例中，步骤130还可以包括：
基于第一温度序列和第二温度序列，生成目标时间段对应的热量损耗指标序列；
基于热量损耗指标序列，生成目标时间段对应的结晶变化程度。
在该实施例中，热量损耗指标序列用于表征热量损耗指标值与时间的对应关系。
热量损耗指标序列为后续分析计算目标时间段对应的结晶变化程度的基础。
在实际执行过程中，可以根据目标时长内热源对待测锅炉中高矿化度矿井水加热的热量Q0、目标时间段中的各目标子时间段对应的待测锅炉进水口位置的温度数值和出水口位置的温度数值、待测锅炉进水口或者出水口对应的流速v0、待测锅炉中的高矿化度矿井水的密度、锅炉中的高矿化度矿井水的比热容，得到锅炉内各目标时间段内的各目标子时间段对应的热量损耗指标。
具体可通过公式：
qi,n＝Q0+c*(T2i,n-T1i,n)*ρ*v0*ti,n
得到各目标子时间段对应的热量损耗指标，其中，qi,n为第i个目标时间段对应的第n个目标子时间段对应的热量损耗指标，Q0为目标时长内热源对待测锅炉中高矿化度矿井水加热的热量，c为待测锅炉中的高矿化度矿井水的比热容，ρ为待测锅炉中的高矿化度矿井水的密度，v0为待测锅炉进水口或者出水口对应的流速，ti,n为第i个目标时间段对应的第n个目标子时间段，ti,n的值为目标时长，例如可以为1分钟，T1i,n为第i个目标时间段对应的第n个目标子时间段对应的待测锅炉进水口位置的温度数值，T2i,n为第i个目标时间段对应的第n个目标子时间段对应的待测锅炉出水口位置的温度数值。
需要说明的是，目标时间段对应的各目标子时间段对应的热量损耗指标的值越大，表明待测锅炉内的结晶越多，否则，表明待测锅炉内的结晶越少。
在生成目标时间段对应的热量损耗指标后，将热量损耗指标与各目标子时间段进行匹配，即可生成目标时间段对应的热量损耗指标序列。
同样，各目标时间段对应的热量损耗指标序列的生成方式一致，在此不做赘述。
在得到各目标时间段对应的热量损耗指标序列之后，通过分析各目标时间段对应的热量损耗指标序列，即可得到各目标时间段对应的结晶变化程度。
在实际执行过程中，可以通过动态时间规整算法(DTW算法)，来生成各目标时间段对应的结晶变化程度。
下面通过具体实施例对该步骤的实现方式进行说明。
在一些实施例中，基于热量损耗指标序列，生成目标时间段对应的结晶变化程度，可以包括：
计算相邻的目标时间段对应的热量损耗指标序列之间的相似度指标，生成第一相似度指标；
基于第一相似度指标，生成相邻的目标时间段中第二目标时间段对应的结晶变化程度，第二目标时间段为相邻的目标时间段中的后一个时间段。
在本实施例中，第一相似度指标用于表征相邻的目标时间段的热量损耗指标之间的相似度情况。
在实际执行过程中，可以基于上述得到的多个目标时间段对应的热量损耗指标序列，利用DTW算法计算相邻目标时间段对应的热量损耗指标序列之间的相似度指标。
其中，当利用DTW算法计算得到的相邻目标时间段对应的热量损耗指标序列之间的似度指标的值越大时，表明相邻目标时间段对应的热量损耗指标序列之间越不相似；而当利用DTW算法计算得到的相邻目标时间段对应的热量损耗指标序列之间的似度指标的值越小时，表明相邻目标时间段对应的热量损耗指标序列之间越相似。
根据相邻目标时间段内的热量损耗指标序列之间的相似度指标，即可得到相邻目标时间段之间的结晶变化程度，并将该结晶变化程度确定为第二目标时段对应的结晶变化程度。
具体可以根据如下公式计算相邻目标时间段之间的结晶变化程度：
Figure BDA0003413740410000131
其中，Ci,i+1为第i个目标时间段与第i+1个目标时间段之间的结晶变化程度，di,i+1为第i个目标时间段对应的热量损耗指标序列与第i+1个目标时间段对应的热量损耗指标序列之间的相似度指标。
可以理解的是，Ci,i+1的值越大表明相邻目标时间段对应的热量损耗指标序列之间越相似，即相邻目标时间段之间的热量损耗变化越小，表明相邻目标时间段之间的结晶变化程度较小。反之，则表明相邻目标时间段之间的结晶变化程度较大。
本实施例中，将相邻目标时间段中的前一个目标时间段记为第一个目标时间段，将相邻目标时间段中的后一个目标时间段记为第二个目标时间段；将上述得到的相邻目标时间段之间的结晶变化程度记为对应的相邻目标时间段中第二个目标时间段对应的结晶变化程度。
通过上述方法，可以计算得到待测锅炉在历史时间段内的各目标时间段对应的结晶变化程度。
步骤140、基于结晶变化程度和第一净化效率，生成目标时间段对应的第二净化效率；
在该步骤中，第二净化效率为对第一净化效率进行修正后的数值。
第二净化效率用于表征待测锅炉的净化能力。
第二净化效率的准确度高于第一净化效率。可以理解的是，炉内会有部分的化学沉淀物质跟随锅炉的出水口排出，从而会导致上述计算得到的目标时间段对应的第一净化效率偏大，利用目标时间段对应的结晶变化程度对目标时间段对应的第一净化效率进行修正，以得到目标时间段对应的第二净化效率，从而能够提高计算结果的准确性。
在实际执行过程中，可以通过公式：
Ui＝(1-Fi)*Ei
生成目标时间段对应的第二净化效率，其中，Ui为第i个目标时间段对应的第二净化效率，Fi为第i个目标时间段对应的结晶变化程度，Ei为第i个目标时间段对应的第一净化效率。
步骤150、基于各目标时间段对应的第二净化效率，生成预测净化效率序列；预测净化效率序列用于表征待测锅炉在未来时间段的高矿化度矿井水对应的净化效率序列。
在该步骤中，预测净化效率序列为待测锅炉在未来时间段的高矿化度矿井水对应的净化效率序列的预测值。
预测净化效率序列用于表征在未来时间段的目标时间段内，待测锅炉的净化效率的预测值。
通过检测预测净化效率序列，可以使操作人员及时基于预测净化效率序列的变化情况对待测锅炉的工作参数进行调整，以保证待测锅炉能够正常工作。
如图2所示，在一些实施例中，步骤150还可以包括：步骤151、步骤152、步骤153和步骤154。
步骤151、基于第二净化效率，生成目标时间段对应的第二净化效率变化程度；
在该步骤中，第二净化效率变化程度用于表征相邻目标时间段对应的第二净化效率的变化的快慢。
在一些实施例中，步骤151还可以包括：基于相邻的目标时间段中的第二目标时间段对应的第二净化效率与相邻的目标时间段中的第一目标时间段对应的第二净化效率之间的差异，生成第二目标时间段对应的第二净化效率变化程度；
其中，第一目标时间段为相邻的目标时间段中的前一个时间段，第二目标时间段为相邻的目标时间段中的前一个时间段。
在该实施例中，计算相邻两个目标时间段中第二个目标时间段对应的目标净化效率与第一个目标时间段对应的目标净化效率之间的比值，将比值记为相邻目标时间段中第二个目标时间段对应的第二净化效率变化程度。
分别计算历史时间段中每两个相邻目标时间段对应的第二净化效率变化程度，即可得到各目标时间段对应的第二净化效率变化程度。
其中，每两个相邻目标时间段对应的第二净化效率变化程度的计算过程如上所述，在此不做赘述。
可以理解的是，第二净化效率变化程度的值越大，表明待测锅炉的工作效率越高，即该待测锅炉对待测锅炉内高矿化度矿井水中碱性化合物碳酸钙的净化效率越好。
步骤152、基于第二净化效率，生成目标时间段对应的第二净化效率序列；
在该步骤中，第二净化效率序列用于表征第二净化序列与目标时间段的对应关系。
第二净化效率序列包括第二净化效率和第二净化效率对应的时间值。
第二净化效率序列可以作为后续预测未来时间段内待测锅炉内高矿化度矿井水对应的预测净化效率序列的基础。
历史时间段内包括多个第二净化效率序列。
需要说明的是，步骤152和步骤151可以同时进行，或者可以先后进行，如先执行步骤151，再执行步骤152；或者先执行步骤152，再执行步骤151。本发明不对二者的先后关系进行限定。
在得到各目标时间段对应的第二净化效率序列和第二净化效率变化程度后，即可执行步骤153。
步骤153、基于第二净化效率变化程度和第二净化效率序列，生成第二净化效率序列对应的可信程度序列；
在该步骤中，可信程度序列用于表征可信程度与目标时间段的对应关系。
其中，可信程度用于表征第二净化效率的可信度，即第二净化效率与实际净化效率之间的相似度。
可以理解的是，第二净化效率的可信度越高，其与实际净化效率越接近。
第二净化效率序列对应的可信程度序列可以作为后续预测未来时间段内待测锅炉内高矿化度矿井水对应的预测净化效率序列的基础。在实际执行过程中，可以通过拟合函数或全连接网络模型来生成第二净化效率序列对应的可信程度序列。
可以理解的是，锅炉内结晶块的脱落，可能会使上述计算得到的第二净化效率存在一定的误差，该数据也会影响后续预测未来时间段待测锅炉内高矿化度矿井水对应的预测净化效率时得到的预测结果的准确性。
在本实施例中，通过基于历史时间段对应的第二净化效率变化程度序列中第二净化效率变化程度之间的变化关系，计算各目标时间段对应的第二净化效率变化程度对应的可信程度，用于矫正各目标时间段对应的第二净化效率，可以有效提高计算结果的准确性，从而提高后续预测结果的准确性。
下面以拟合函数为例，对该步骤153的具体实现方式进行说明。
在一些实施例中，步骤153可以包括：
基于第二净化效率变化程度，生成目标时间段对应的第二净化效率变化程度序列；
基于第二净化效率变化程度序列，利用最小二乘法拟合得到第二净化效率变化程度序列对应的拟合直线，其中，第二净化效率变化程度序列为任一目标时间段对应的第二净化效率变化程度序列；
在拟合直线的斜率大于目标斜率阈值的情况下，获取在拟合直线上目标时间段对应的纵坐标值，将纵坐标值确定为目标时间段对应的拟合第二净化效率变化程度；
计算第二净化效率变化程度与拟合第二净化效率变化程度之间差值的绝对值；
基于差值的绝对值，生成第二净化效率序列对应的可信程度；
基于第二净化效率序列对应的可信程度，生成第二净化效率序列对应的可信程度序列。
在本实施例中，拟合第二净化效率变化程度为在拟合直线中，目标时间段所对应的拟合效率变化程度。
分别将每一个目标时间段对应的第二净化效率变化程度与该目标时间段进行匹配，以生成历史时间段内的多个第二净化效率变化程度序列。
可以理解的是，每一个目标时间段均对应有第二净化效率变化程度序列，历史时间段对应有多个第二净化效率变化程度序列。
选取历史时间段内所有目标时间段对应的第二净化效率变化程度序列中任一段连续的第二净化效率变化程度序列，利用最小二乘法拟合得到该第二净化效率变化程度子序列对应的拟合直线，并得到该拟合直线的斜率。
其中，根据最小二乘法拟合得到直线的过程为常规技术，在此不做赘述。
在得到拟合直线的斜率后，判断该拟合直线的斜率是否大于目标斜率阈值。
其中，目标斜率阈值为提前预设的阈值。
目标斜率阈值可以基于用户自定义，例如据实际情况进行设置；或者可以采用系统默认数值；或者还可以通过多次训练以生成。
基于目标斜率阈值，可以判断所生成的拟合直线的准确度。
在拟合直线的斜率超过目标斜率阈值的情况下，则可近似认为该拟合直线与实际情况下的函数较为接近。
在实际执行过程中，在拟合直线的斜率大于目标斜率阈值的情况下，则得到在该拟合直线上各目标时间段对应的纵坐标值，将得到的各目标时间段对应的纵坐标值记为各目标时间段对应的拟合第二净化效率变化程度。
在得到拟合第二净化效率变化程度后，计算目标时间段对应的第二净化效率变化程度和拟合第二净化效率变化程度之间差值的绝对值。
然后根据目标时间段对应的第二净化效率变化程度和拟合第二净化效率变化程度之间差值的绝对值，得到目标时间段对应的第二净化效率变化程度对应的可信程度，也即目标时间段对应的第二净化效率序列对应的可信程度。
例如，可以根据如下公式计算目标时间段对应的第二净化效率变化程度对应的可信程度：
Figure BDA0003413740410000171
其中，Yi为第i个目标时间段对应的第二净化效率变化程度对应的可信程度，Hi为第i个目标时间段对应的第二净化效率变化程度与对应的拟合第二净化效率变化程度之间差值的绝对值，m为历史时间段对应的目标时间段的数量。
可以理解的是，Hi的值越大表明第i个目标时间段对应的第二净化效率变化程度对应的可信程度的值越高，表明用该第二净化效率变化程度对应的第二净化效率去预测未来时间段对应的预测净化效率的误差越小。
采用同样的方式，可以分别生成历史时间段内每一个目标时间段对应的可信程度，通过将每一个目标时间段对应的可信程度与其对应的目标时间段进行匹配及标记，即可生成每一个目标时间段对应的可信程度序列。
历史时间段内对应有多个可信程度序列。
在另一些实施例中，当判断该拟合直线的斜率小于目标斜率阈值时，则加长第二净化效率变化程度序列的长度，将加长之后的第二净化效率变化程度序列记为加长第二净化效率变化程度序列。
然后再次利用最小二乘法拟合得到加长第二净化效率变化程度序列对应的拟合直线，将加长第二净化效率变化程度序列对应的拟合直线记为加长拟合直线，得到加长拟合直线的斜率，并判断该加长拟合直线的斜率是否大于目标斜率阈值。
在该加长拟合直线的斜率大于目标斜率阈值的情况下，则重复上述步骤153，以生成第二净化效率变化程度序列对应的可信程度序列。
在该加长拟合直线的斜率不大于目标斜率阈值的情况下，则继续加长第二净化效率变化程度序列的长度，直到利用最小二乘法拟合得到直线的斜率大于目标斜率阈值为止。
当加长的第二净化效率变化程度序列的长度已经和历史时间段全部的第二净化效率变化程度序列的长度相等时，还不满足大于目标斜率阈值条件，则表明第二净化效率变化程度序列对应的第二净化效率序列不能作为预测未来时间段锅炉内高矿化度矿井水对应的预测净化效率序列的数据。则选择其他目标时间段对应的第二净化效率变化程度序列重新执行步骤153。
步骤154、基于可信程度序列和第二净化效率序列，生成预测净化效率序列。
在该步骤中，在得到可信程度序列后，即可基于可信程度序列和第二净化效率序列，生成预测净化效率序列。
在实际执行过程中，可以通过神经网络模型来执行步骤154。
通过分析第二净化效率序列和可信程度序列，预测未来时间段待测锅炉内高矿化度矿井水对应的预测净化效率序列，预测结果准确，且具有一定的超前性。
根据预测得到的未来时间段对应的越策净化效率序列中元素之间的变化可以判断待测锅炉是否达到了结晶极限，然后根据判断的结果对锅炉进行清理，从而显著提高对高矿化度矿井水预处理的效率。
下面以TCN神经网络为例，对该步骤154的实现方式进行说明。
在一些实施例中，步骤154还可以包括：
将第二净化效率序列确定为样本第二净化效率序列，样本第二净化效率序列中的参数为样本第二净化效率；
将样本第二净化效率序列输入到目标TCN网络中，生成样本第二净化效率序列对应的第一损失函数；
将样本第二净化效率序列对应的可信程度与样本第二净化效率序列对应的损失函数相乘，生成样本第二净化效率对应的第二损失函数；
将多个目标时间段对应的样本第二净化效率所对应的第二损失函数相加，得到第三损失函数；
将第三损失函数确定为目标TCN网络对应的目标损失函数；
将第二净化效率序列输入到目标TCN网络中，获取由目标TCN网络输出的预测净化效率序列。
在该实施例中，目标TCN网络为用于执行步骤154的神经网络模型。
该目标TCN网络可以为提前训练好的模型。
在实际执行过程中，将上述得到的第二净化效率序列记为样本第二净化效率序列，样本目标净化效率序列中的参数可以包括：样本第二净化效率和目标时间段的时间值。
将样本第二净化效率序列输入到目标TCN网络中，可以得到各样本第二净化效率序列对应的第一损失函数。
其中，该目标TCN网络的损失函数为均方差损失函数。
将样本第二净化效率对应的可信程度与对应的第一损失函数相乘，得到样本第二净化效率对应的第二损失函数。
可以理解的是，每一个目标时间段对应的第二损失函数的生成方法相同。
通过上述方法，可以分别生成历史时间段内每一个目标时间段对应的第二损失函数。
在得到多个第二损失函数之后，将各样本第二净化效率对应的第二损失函数相加，得到第三损失函数。
将最终得到的第三损失函数记为目标TCN网络对应的目标损失函数；也即该历史时间段对应的目标损失函数。
将第二净化效率序列输入到目标TCN网络中，基于目标损失函数，即可生成未来时间段内待测锅炉内高矿化度矿井水对应的预测净化效率序列。
当然，在其他实施例中，还可以采用其他方式执行该步骤，包括但不限于采用RNN、Tacotron以及Transformer等模型，本发明不做限定。
根据本发明实施例提供的高矿化度矿井水处理的数据监测方法，基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；基于结晶变化程度对第一净化效率进行修正，可以显著提高第二净化效率的准确度；然后基于历史时间段内目标时间段对应的第二净化效率，生成预测净化效率序列，以提前预测未来时间段内的待测锅炉的净化效率，预测结果具有较高的准确性和及时性，从而有助于实现对高矿化度矿井水处理的数据的高效、准确且及时地监测。
在一些实施例中，在步骤150之后，该方法还可以包括：基于预测净化效率序列，输出分析结果。
在本实施例中，分析结果为基于预测净化效率序列生成的。
分析结果可以包括对待测锅炉的净化极限的分析。
例如，分析结果可以为：待测锅炉在未来时间段内的每一个目标时间段内的预测净化效率、持续净化时间、净化效果低于阈值的时间点以及故障预警中的至少一项。
基于该分析结果，可以辅助操作人员及时对待测锅炉进行清洗，避免因为对待测锅炉清洗不及时使的高矿化度矿井水中碱性金属化合物的沉淀效率降低，从而提高待测锅炉的工作效率以及使用寿命。
需要说明是，分析结果可通过如下至少一种方式输出：
其一，输出可以表现为文本输出。
在该实施例中，在生成预测净化效率序列之后，还会输出待测锅炉在未来时间段内的每一个目标时间段内的预测净化效率、持续净化时间、净化效果低于阈值的时间点以及故障预警中的至少一项文本数据。
其二，输出可以表现为语音输出。
在该实施例中，终端可以通过语音的方式输出分析结果，以通知操作人员进行及时处理。
其三，图像输出。
在该实施例中，可以在操作人员的终端屏幕或监控中心屏幕上显示分析结果。
其四，信号灯输出。
在该实施例中，例如，在预测确定待测锅炉即将达到净化极限的情况下，控制信号灯闪烁，以提醒操作人员及时对待测锅炉进行清洗。
当然，在其他实施例中，输出也可以表现为其他形式，可根据实际需要决定，本发明实施例对此不作限定。
根据本发明实施例提供的高矿化度矿井水处理的数据监测方法，通过待测锅炉在历史时间段的第二净化效率，生成用于预测待测锅炉在未来时间段的预测净化效率序列，并基于预测净化效率序列输出分析结果，以及时提醒操作人员待测锅炉在未来时间段内的净化效果趋势，从而辅助操作人员能够及时对待测锅炉进行清洗，有助于提高对高矿化度矿井水预处理的效率。
下面对本发明提供的高矿化度矿井水处理的数据监测装置进行描述，下文描述的高矿化度矿井水处理的数据监测装置与上文描述的高矿化度矿井水处理的数据监测方法可相互对应参照。
如图3所示，该高矿化度矿井水处理的数据监测装置包括：第一获取模块310、第一生成模块320、第二生成模块330、第三生成模块340和第四生成模块350。
第一获取模块310，用于获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；目标时间段为多个，待测锅炉中盛放的为高矿化度矿井水；
第一生成模块320，用于基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；
第二生成模块330，用于基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；
第三生成模块340，用于基于结晶变化程度和第一净化效率，生成目标时间段对应的第二净化效率；
第四生成模块350，用于基于各目标时间段对应的第二净化效率，生成预测净化效率序列；预测净化效率序列用于表征待测锅炉在未来时间段的高矿化度矿井水对应的净化效率序列。
根据本发明实施例提供的高矿化度矿井水处理的数据监测装置，基于第一矿化度序列和第二矿化度序列，生成目标时间段对应的第一净化效率；基于第一温度序列和第二温度序列，生成目标时间段对应的结晶变化程度；基于结晶变化程度对第一净化效率进行修正，可以显著提高第二净化效率的准确度；然后基于历史时间段内目标时间段对应的第二净化效率，生成预测净化效率序列，以提前预测未来时间段内的待测锅炉的净化效率，预测结果具有较高的准确性和及时性，从而有助于实现对高矿化度矿井水处理的数据的高效、准确且及时地监测。
在一些实施例中，第一生成模块320，还用于：
基于第一矿化度序列，得到各目标时间段对应的进水口的第一矿化度均值和第一矿化度标准差；
基于第二矿化度序列，得到目标时间段对应的出水口的第二矿化度均值和第二矿化度标准差；
基于第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差，生成各目标时间段对应的第一净化效率。
在一些实施例中，第二生成模块330，还用于：
基于第一温度序列和第二温度序列，生成目标时间段对应的热量损耗指标序列；
基于热量损耗指标序列，生成目标时间段对应的结晶变化程度。
在一些实施例中，第二生成模块330，还用于：
计算相邻的目标时间段对应的热量损耗指标序列之间的相似度指标，生成第一相似度指标；
基于第一相似度指标，生成相邻的目标时间段中第二目标时间段对应的结晶变化程度，第二目标时间段为相邻的目标时间段中的后一个时间段。
在一些实施例中，第四生成模块350，还用于：
基于第二净化效率，生成目标时间段对应的第二净化效率变化程度；
基于第二净化效率，生成目标时间段对应的第二净化效率序列；
基于第二净化效率变化程度和第二净化效率序列，生成第二净化效率序列对应的可信程度序列；
基于可信程度序列和第二净化效率序列，生成预测净化效率序列。
在一些实施例中，第四生成模块350，还用于：
基于相邻的目标时间段中的第二目标时间段对应的第二净化效率与相邻的目标时间段中的第一目标时间段对应的第二净化效率之间的差异，生成第二目标时间段对应的第二净化效率变化程度；
其中，第一目标时间段为相邻的目标时间段中的前一个时间段，第二目标时间段为相邻的目标时间段中的前一个时间段。
在一些实施例中，第四生成模块350，还用于：
基于第二净化效率变化程度，生成目标时间段对应的第二净化效率变化程度序列；
基于第二净化效率变化程度序列，利用最小二乘法拟合得到第二净化效率变化程度序列对应的拟合直线，其中，第二净化效率变化程度序列为任一目标时间段对应的第二净化效率变化程度序列；
在拟合直线的斜率大于目标斜率阈值的情况下，获取在拟合直线上目标时间段对应的纵坐标值，将纵坐标值确定为目标时间段对应的拟合第二净化效率变化程度；
计算第二净化效率变化程度与拟合第二净化效率变化程度之间差值的绝对值；
基于差值的绝对值，生成第二净化效率序列对应的可信程度；
基于第二净化效率序列对应的可信程度，生成第二净化效率序列对应的可信程度序列。
在一些实施例中，第四生成模块350，还用于：
将第二净化效率序列确定为样本第二净化效率序列，样本第二净化效率序列中的参数为样本第二净化效率；
将样本第二净化效率序列输入到目标TCN网络中，生成样本第二净化效率序列对应的第一损失函数；
将样本第二净化效率序列对应的可信程度与样本第二净化效率序列对应的第一损失函数相乘，生成样本第二净化效率对应的第二损失函数；
将多个目标时间段对应的样本第二净化效率所对应的第二损失函数相加，得到第三损失函数；
将第三损失函数确定为目标TCN网络对应的目标损失函数；
将第二净化效率序列输入到目标TCN网络中，获取由目标TCN网络输出的预测净化效率序列。
在一些实施例中，该装置还可以包括第一输出模块，用于：
在基于各目标时间段对应的第二净化效率，生成预测净化效率序列之后，基于预测净化效率序列，输出分析结果。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行高矿化度矿井水处理的数据监测方法，该方法包括：获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
此外，上述的存储器430中的逻辑指令可以通过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，本发明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)执行本发明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-Only Memory)、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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的高矿化度矿井水处理的数据监测方法，该方法包括：获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的高矿化度矿井水处理的数据监测方法，该方法包括：获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种高矿化度矿井水处理的数据监测方法，其特征在于，包括：
获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；
基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；
基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；
基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；
基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
2.根据权利要求1所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率，包括：
基于所述第一矿化度序列，得到所述目标时间段对应的进水口的第一矿化度均值和第一矿化度标准差；
基于所述第二矿化度序列，得到所述目标时间段对应的出水口的第二矿化度均值和第二矿化度标准差；
基于所述第一矿化度均值、第一矿化度标准差、第二矿化度均值和第二矿化度标准差，生成所述目标时间段对应的第一净化效率。
3.根据权利要求1所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度，包括：
基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的热量损耗指标序列；
基于所述热量损耗指标序列，生成所述目标时间段对应的结晶变化程度。
4.根据权利要求3所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述热量损耗指标序列，生成所述目标时间段对应的结晶变化程度，包括：
计算相邻的目标时间段对应的热量损耗指标序列之间的相似度指标，生成第一相似度指标；
基于所述第一相似度指标，生成所述相邻的目标时间段中第二目标时间段对应的结晶变化程度，所述第二目标时间段为所述相邻的目标时间段中的后一个时间段。
5.根据权利要求1-3任一项所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列，包括：
基于所述第二净化效率，生成所述目标时间段对应的第二净化效率变化程度；
基于所述第二净化效率，生成所述目标时间段对应的第二净化效率序列；
基于所述第二净化效率变化程度和所述第二净化效率序列，生成所述第二净化效率序列对应的可信程度序列；
基于所述可信程度序列和所述第二净化效率序列，生成所述预测净化效率序列。
6.根据权利要求5所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述第二净化效率，生成所述目标时间段对应的第二净化效率变化程度，包括：
基于相邻的目标时间段中的第二目标时间段对应的第二净化效率与所述相邻的目标时间段中的第一目标时间段对应的第二净化效率之间的差异，生成所述第二目标时间段对应的第二净化效率变化程度；
其中，所述第一目标时间段为所述相邻的目标时间段中的前一个时间段，所述第二目标时间段为所述相邻的目标时间段中的前一个时间段。
7.根据权利要求5所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述第二净化效率变化程度和所述第二净化效率序列，生成所述第二净化效率序列对应的可信程度序列，包括：
基于所述第二净化效率变化程度，生成所述目标时间段对应的第二净化效率变化程度序列；
基于所述第二净化效率变化程度序列，利用最小二乘法拟合得到所述第二净化效率变化程度序列对应的拟合直线，其中，所述第二净化效率变化程度序列为任一目标时间段对应的第二净化效率变化程度序列；
在所述拟合直线的斜率大于目标斜率阈值的情况下，获取在所述拟合直线上所述目标时间段对应的纵坐标值，将所述纵坐标值确定为所述目标时间段对应的拟合第二净化效率变化程度；
计算所述第二净化效率变化程度与所述拟合第二净化效率变化程度之间差值的绝对值；
基于所述差值的绝对值，生成所述第二净化效率序列对应的可信程度；
基于所述第二净化效率序列对应的可信程度，生成所述第二净化效率序列对应的可信程度序列。
8.根据权利要求5所述的高矿化度矿井水处理的数据监测方法，其特征在于，所述基于所述可信程度序列和所述第二净化效率序列，生成所述预测净化效率序列，包括：
将所述第二净化效率序列确定为样本第二净化效率序列，所述样本第二净化效率序列中的参数为样本第二净化效率；
将所述样本第二净化效率序列输入到目标TCN网络中，生成所述样本第二净化效率序列对应的第一损失函数；
将所述样本第二净化效率序列对应的可信程度与所述样本第二净化效率序列对应的第一损失函数相乘，生成所述样本第二净化效率对应的第二损失函数；
将多个所述目标时间段对应的样本第二净化效率所对应的第二损失函数相加，得到第三损失函数；
将所述第三损失函数确定为所述目标TCN网络对应的目标损失函数；
将所述第二净化效率序列输入到所述目标TCN网络中，获取由所述目标TCN网络输出的所述预测净化效率序列。
9.根据权利要求1-3任一项所述的高矿化度矿井水处理的数据监测方法，其特征在于，在所述基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列之后，所述方法还包括：
基于所述预测净化效率序列，输出分析结果。
10.一种高矿化度矿井水处理的数据监测装置，其特征在于，包括：
第一获取模块，用于获取待测锅炉在目标时间段的进水口的第一矿化度序列、进水口的第一温度序列、出水口的第二矿化度序列和出水口的第二温度序列；所述目标时间段为多个，所述待测锅炉中盛放的为高矿化度矿井水；
第一生成模块，用于基于所述第一矿化度序列和所述第二矿化度序列，生成所述目标时间段对应的第一净化效率；
第二生成模块，用于基于所述第一温度序列和所述第二温度序列，生成所述目标时间段对应的结晶变化程度；
第三生成模块，用于基于所述结晶变化程度和所述第一净化效率，生成所述目标时间段对应的第二净化效率；
第四生成模块，用于基于各所述目标时间段对应的第二净化效率，生成预测净化效率序列；所述预测净化效率序列用于表征所述待测锅炉在未来时间段的所述高矿化度矿井水对应的净化效率序列。
CN202111540590.3A 2021-12-15 2021-12-15 高矿化度矿井水处理的数据监测方法和监测装置 Active CN114368844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111540590.3A CN114368844B (zh) 2021-12-15 2021-12-15 高矿化度矿井水处理的数据监测方法和监测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111540590.3A CN114368844B (zh) 2021-12-15 2021-12-15 高矿化度矿井水处理的数据监测方法和监测装置

Publications (2)

Publication Number Publication Date
CN114368844A true CN114368844A (zh) 2022-04-19
CN114368844B CN114368844B (zh) 2023-03-21

Family

ID=81139255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111540590.3A Active CN114368844B (zh) 2021-12-15 2021-12-15 高矿化度矿井水处理的数据监测方法和监测装置

Country Status (1)

Country Link
CN (1) CN114368844B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU999455A1 (ru) * 1980-09-18 1983-09-30 Институт коллоидной химии и химии воды им.А.В.Думанского Способ ум гчени воды
GB8824443D0 (en) * 1987-10-23 1988-11-23 Zabranskie Gwarectwo Weglowe K Method of water desalination particularly mining waters
US20040011524A1 (en) * 2002-07-17 2004-01-22 Schlumberger Technology Corporation Estimating formation properties in inter-well regions by monitoring saturation and salinity front arrivals
JP2008286556A (ja) * 2007-05-15 2008-11-27 Ezaki Glico Co Ltd 再石灰化促進効果簡易評価法及び本評価法で規定される再石灰化促進剤
CN202829766U (zh) * 2012-10-05 2013-03-27 任云翠 一种具有硅灵晶净化器的集成式制水机
CN203946983U (zh) * 2014-06-27 2014-11-19 淮南矿业(集团)有限责任公司 矿井水处理系统
CN105201487A (zh) * 2015-09-02 2015-12-30 中国海洋石油总公司 一种深水气田生产期间井筒水合物堵塞监测方法及装置
CN109142135A (zh) * 2018-09-29 2019-01-04 杨梓艺 一种测量页岩孔隙水的矿化度的方法
CN109231632A (zh) * 2018-11-05 2019-01-18 华电水务工程有限公司 一种高矿化度矿井水回用及资源化利用的处理方法及系统
CN111413401A (zh) * 2020-04-27 2020-07-14 中国科学院化学研究所 一种在分子尺度上原位测定低矿化度水驱过程的方法
CN112093966A (zh) * 2020-09-29 2020-12-18 煤科集团杭州环保研究院有限公司 一种基于矿井水零排放全流程的节能降耗方法
CN112239252A (zh) * 2019-12-31 2021-01-19 中煤（北京）环保工程有限公司 一种高硬度矿井水预处理方法和系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU999455A1 (ru) * 1980-09-18 1983-09-30 Институт коллоидной химии и химии воды им.А.В.Думанского Способ ум гчени воды
GB8824443D0 (en) * 1987-10-23 1988-11-23 Zabranskie Gwarectwo Weglowe K Method of water desalination particularly mining waters
US20040011524A1 (en) * 2002-07-17 2004-01-22 Schlumberger Technology Corporation Estimating formation properties in inter-well regions by monitoring saturation and salinity front arrivals
JP2008286556A (ja) * 2007-05-15 2008-11-27 Ezaki Glico Co Ltd 再石灰化促進効果簡易評価法及び本評価法で規定される再石灰化促進剤
CN202829766U (zh) * 2012-10-05 2013-03-27 任云翠 一种具有硅灵晶净化器的集成式制水机
CN203946983U (zh) * 2014-06-27 2014-11-19 淮南矿业(集团)有限责任公司 矿井水处理系统
CN105201487A (zh) * 2015-09-02 2015-12-30 中国海洋石油总公司 一种深水气田生产期间井筒水合物堵塞监测方法及装置
CN109142135A (zh) * 2018-09-29 2019-01-04 杨梓艺 一种测量页岩孔隙水的矿化度的方法
CN109231632A (zh) * 2018-11-05 2019-01-18 华电水务工程有限公司 一种高矿化度矿井水回用及资源化利用的处理方法及系统
CN112239252A (zh) * 2019-12-31 2021-01-19 中煤（北京）环保工程有限公司 一种高硬度矿井水预处理方法和系统
CN111413401A (zh) * 2020-04-27 2020-07-14 中国科学院化学研究所 一种在分子尺度上原位测定低矿化度水驱过程的方法
CN112093966A (zh) * 2020-09-29 2020-12-18 煤科集团杭州环保研究院有限公司 一种基于矿井水零排放全流程的节能降耗方法

Also Published As

Publication number Publication date
CN114368844B (zh) 2023-03-21

Similar Documents

Publication Publication Date Title
CN109492193B (zh) 基于深度机器学习模型的异常网络数据生成与预测方法
CN109684727B (zh) 孪生体模型构建方法、装置和计算机设备
WO2022126526A1 (zh) 一种电池温度预测方法及系统
CN103336107B (zh) 一种水泥熟料f-CaO含量软测量方法
CN108803576A (zh) 一种温控系统的故障预警方法及相关装置
US20220367057A1 (en) Missing medical diagnosis data imputation method and apparatus, electronic device and medium
CN107169610A (zh) 水产养殖溶解氧预测方法及装置
CN113837364B (zh) 基于残差网络和注意力机制的污水处理软测量方法及系统
CN112100574B (zh) 一种基于重采样的aakr模型不确定度计算方法及系统
CN117439827B (zh) 一种网络流量大数据分析方法
CN110688617A (zh) 风机振动异常检测方法及装置
CN117129698B (zh) 全自动凝血测试仪的异常报警与重测系统及方法
CN117787480B (zh) 基于Res-LSTM的焊缝成形质量实时预测方法
CN109934419A (zh) 一种核电厂取水口海洋生物量变化预测方法
CN118260693A (zh) 基于大数据和人工智能的可靠性数据异常检测与矫正方法
CN103389360B (zh) 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法
CN114368844B (zh) 高矿化度矿井水处理的数据监测方法和监测装置
CN110763830B (zh) 一种水泥熟料游离氧化钙含量预测方法
CN112668749B (zh) 一种基于类标加权极限学习机的煤矿瓦斯预警方法
CN116738859B (zh) 一种铜管在线无损寿命评估方法及系统
CN111126694A (zh) 一种时间序列数据预测方法、系统、介质及设备
CN117792750A (zh) 一种基于生成对抗网络的信息物理系统异常检测方法
CN116910499A (zh) 一种系统状态监测方法、装置、电子设备及可读存储介质
CN115614269A (zh) 一种面向水泵传感器数据的异常检测方法
US20250068536A1 (en) Training of forecasting models for time series anomaly detection applications

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