专利摘要
本发明涉及裂解炉智能监测技术领域，提供一种裂解炉管智能结焦监测边云协同平台及其工作方法。包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。与现有技术相比，本发明的云端层可进行大数据的储存与分析，并提出优化改进意见，并将意见反馈至边缘层。所述工作方法可进行高精度的重管识别，并快速而准确的检测出离群点。
权利要求
1.一种裂解炉管智能结焦监测边云协同平台，包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置；所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个；其特征在于，所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置；
所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；
所述炉管重管识别装置包括智能测温仪、pc端、云服务器，所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器；所述内部集成红外测温模块和激光测距模块获得的数据，通过嵌入式处理器处理以后发送至pc端和/或云服务器；
所述异常数据检测装置用于检测离群点；所述离群点为明显偏离其他数据、不服从数据一般行为或模式的数据，由于数据噪声，或于数据源出现了特殊了异常行为和状态而造成的。
2.根据权利要求1所述的一种裂解炉管智能结焦监测边云协同平台的工作方法，其特征在于，包括以下步骤：
S1：边缘层采集数据并进行初步处理与分析；
S2：云端层接收数据并开展大数据统计分析；
S3：云端层对边缘层提出优化改进意见；
所述步骤S1中包括炉管重管识别方法：
S111：数据的采集；
S112：基于DCNN的炉管重管识别模型构建；
S113：基于DCNN的炉管重管识别模型重构；
S114：炉管外表面温度的计量；
S115：上传至云服务器；
所述步骤S1中包括异常数据检测方法，所述异常数据为离群点：
S121：通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集；
S122：利用高斯混合模型对所述目标数据集进行训练；
S123：根据训练结果，将所述训练数据中的样例点与所述高斯混合模型的成分点相关联；
S124：利用预设的标准差计算方式对所述成分点进行筛选；
S125：根据筛选结果在所述样例点中获取所述离群点。
3.根据权利要求2所述的一种裂解炉管智能结焦监测边云协同平台的工作方法，其特征在于，
S111：数据的采集：内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据；
S112：基于DCNN的炉管重管识别模型构建：智能测温仪采集到的原始一维数据传输给PC端，PC端将采集的原始一维数据变换为二维直方图；在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，以构成DCNN网络模型训练的数据集；再将数据集输入PC端的DCNN网络模型进行训练，以在PC端构建DCNN重管识别模型；
S113：基于DCNN的炉管重管识别模型重构：将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器，以对DCNN重管识别模型在嵌入式处理器内进行重构；
S114：炉管外表面温度的计量：智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管距离数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标，对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量；
S115：上传至云服务器：智能测温仪将计算得到的炉管外表面温度上传到云服务器。
4.根据权利要求3所述的一种裂解炉管智能结焦监测边云协同平台的工作方法，其特征在于，步骤S112中，在二维直方图中对炉管距离数据进行特征提取的过程中，先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。
5.根据权利要求2所述的一种裂解炉管智能结焦监测边云协同平台的工作方法，其特征在于，所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括：
初始化所述高斯混合模型的第一参数{(αi，μi，∑i)|1≤i≤k}；
利用第一公式：
对样例点xj进行计算生成成分点zj的后验概率；其中，pM为zj的后验概率，zj的后验概率为样例点xj由第i个成分点zj生成的后验概率。
说明书
技术领域
本发明涉及裂解炉智能监测技术领域，更具体地，涉及一种裂解炉管智能结焦监测边云协同平台及其工作方法。
背景技术
乙烯工业作为石油化工产业的核心，世界上已将乙烯产量作为衡量一个国家石油化工发展水平的重要标志之一。裂解炉是乙烯工业的核心设备，裂解炉炉管又是其关键部件。由于裂解炉炉管长期处于高温火焰的烟气中，在生产中不可避免出现炉管内部结焦而造成的炉管局部过热等现象，导致炉管渗碳、开裂、堵漏、漏管、减薄等形式的失效。在裂解炉炉管失效的各种形式中，大多与温度有直接关系，因此乙烯生产企业极为重视炉炉管外表面温度的监测。
现有技术中，裂解炉炉管外表面温度测温方式主要为：使用智能测温装置对裂解炉炉管外表面温度监测，实现裂解炉炉管外表面温度的非接触式自动测量。但是，智能测温仪之间没有数据传输，只是进行单独的储存或处理。获取数据时，只能从每个智能测温仪单独获取。在实际生产过程中，设备数量较多，裂解炉炉管在高温、高压，燃烧嘴喷射火焰带动的强烈气流和振动环境下，情况较为复杂，通常需要对设备的运行状态进行监控，以便于及时发现设备及数据的异常情况。而现有的监测方式一般为工作人员在线进行系统监测，成本高，结构复杂，不易维护。
智能测温装置对裂解炉炉管外表面温度监测的过程中，还会发现炉管会经常存在互相遮挡、严重重叠的现象，这种现象也被称作为重管。重管现象的存在，会导致在区分和计算每根裂解炉炉管外表面温度的过程中存在一定的难度。
同时，在测量得到的数据集中，往往会出现明显偏离其他数据、不服从数据一般行为或模式的数据，这些数据称为离群点。离群点的出现有可能是由于数据噪声，或于数据源出现了特殊了异常行为和状态而造成的。但是目前离群点检测方法大都只能用于单变量的数值型离群点检测，而不适用于高维空间多变量数据的情形，还有些方法必须要计算每个样本点之间的距离，使得检测性能较差，效率低。
发明内容
本发明旨在克服上述现有技术的至少一种不足，提供一种裂解炉管智能结焦监测边云协同平台，该平台可在云端层进行大数据的储存与分析，并提出优化改进意见，并将意见反馈至边缘层。
本发明采取的技术方案是，提供一种裂解炉管智能结焦监测边云协同平台，包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置；所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个；所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
在上述技术方案中，边云协同平台，包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；可进行大范围、深层次的裂解炉数据采集，以及异构数据的协议转换与边缘处理，并实现数据向云端平台的集成。所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置；所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个。
在上述技术方案中，所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；
所述云端层以企业私有云为基础设施，结合虚拟化资源管理和云作业调度，实现乙烯工业大数据的存储与智能分析，所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
边缘层和云端层以协同的方式实现裂解炉管生命周期全过程优化，该边云协同能力主要包括数据协同和智能协同。
数据协同：边缘节点采集乙烯裂解炉运行参数，按照规则和数据模型对数据进行初步处理与分析，将处理后的数据上传给云端，本协同平台中从边缘层上传到云平台的数据包括课题组自主开发的智能测温设备获取的裂解炉管外表面温度，以及石化企业安装的乙烯DCS/数采系统获取到的裂解炉管出口温度、文丘里压力和横跨段压力等；云端持续接收边缘节点的数据，基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析，包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。
智能协同：边缘节点一方面为云端裂解炉智能结焦预测模型训练提供数据输入，一方面负责边缘推理执行，即执行基于CNN的裂解炉重管检测算法，实现裂解炉中每根炉管外表面温度的精确测量(本协同平台中，边缘节点即非接触式智能测温仪，其通过部署AI芯片以实现高效的智能协同)；云端通过大数据分析抽象提炼相关的关键运行参数模型，包括基于高斯混合模型的离群点检测、CNN网络参数的持续优化训练和压缩移植，并对现场设备给出优化调整建议，保证设备正常运行并提升生产效率。
进一步地，所述炉管重管识别装置包括智能测温仪、pc端、云服务器，所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器；所述内部集成红外测温模块和激光测距模块获得的数据，通过嵌入式处理器处理以后发送至pc端和/或云服务器。
智能测温仪内部集成红外测温模块用于测温，激光测距模块用于测距，所述内部集成红外测温模块和激光测距模块获得的数据，经嵌入式处理器处理后发送至pc端和/或云服务器。
进一步地，提供一种裂解炉管智能结焦监测边云协同平台的工作方法，包括以下步骤：
S1:边缘层采集数据并进行初步处理与分析；
S2:云端层接收数据并开展大数据统计分析；
S3:云端层对边缘层提出优化改进意见。
边缘层包括裂解炉管外表面智能测温装置和乙烯DCS/数采系统，可进行大范围、深层次的裂解炉数据采集，以及异构数据的协议转换与边缘处理，并实现数据向云端平台的集成。云端层持续接收边缘节点的数据，基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析，包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。云端层对现场设备给出优化调整建议，保证设备正常运行并提升生产效率。
进一步地，所述步骤S1中包括炉管重管识别方法：
S111：数据的采集；
S112：基于DCNN的炉管重管识别模型构建；
S113：基于DCNN的炉管重管识别模型重构；
S114：炉管外表面温度的计量；
S115：上传至云服务器。
进一步地，所述步骤S1中包括异常数据检测方法，所述异常数据为离群点：
S121：通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集
S122：利用高斯混合模型对所述目标数据集进行训练；
S123：根据训练结果，将所述训练数据中的样例点与所述高斯混合模型的成分点相关联；
S124：利用预设的标准差计算方式对所述成分点进行筛选；
S125：根据筛选结果在所述样例点中获取所述离群点。
进一步地，S111：数据的采集：内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据；
S112：基于DCNN的炉管重管识别模型构建：智能测温仪采集到的原始一维数据传输给PC端，PC端将采集的原始一维数据变换为二维直方图；在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，以构成DCNN网络模型训练的数据集；再将数据集输入PC端的DCNN网络模型进行训练，以在PC端构建DCNN重管识别模型；
S113：基于DCNN的炉管重管识别模型重构：将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器，以对DCNN重管识别模型在嵌入式处理器内进行重构；
S114：炉管外表面温度的计量：智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管距离数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标，对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量；
S115：上传至云服务器：智能测温仪将计算得到的炉管外表面温度上传到云服务器。
在上述技术方案中，优选为采用以Cortex-M7为内核的STM32F767VET6作为智能测温仪的嵌入式处理器，在嵌入式处理器上部署神经网络的优化软件内核为CMSIS-NN，其中CMSIS-NN内核库中包含了DCNN网络实现所需的深度卷积、池化、激活和全连接等功能函数，使得我们在嵌入式处理器中重构DCNN重管识别模型成为可能。
本发明首先利用重管和非重管的距离特征差异，训练生成DCNN重管识别模型，其次针对嵌入式处理器的特性，将DCNN重管识别模型移植到智能测温仪内部的嵌入式处理器，然后，再由DCNN重管识别模型结合智能测温仪内部的数据处理算法和温度值计量方法，计算得到重管和非重管的温度。本发明训练生成的DCNN重管识别模型能高精准度判别重管和非重管，提高裂解炉炉管外表面温度测量的准确性，实现了智能测温仪的边缘计算功能。
进一步地，步骤S112中，在二维直方图中对炉管距离数据进行特征提取的过程中，先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。
进一步地，所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括：
初始化所述高斯混合模型的第一参数{(αi，μi,Σi)|1≤i≤k}；
对所述样例点进行计算生成所述成分点的后验概率；其中，PM为Zj的后验概率，Zj的后验概率为所述样例点Xj由第i个所述成分点生成的后验概率。
进一步地，所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括：
利用第二公式计算出所述高斯混合模型的第二参数；
将所述第一参数转化为所述第二参数；
基于所述第二参数，根据所述第一公式计算生成所述成分点的后验概率；
根据所述后验概率并利用所述第二公式重新计算所述第二参数。
进一步地，所述步骤S123中根据训练结果，将所述训练数据中的样例点与所述高斯混合模型的成分点相关联包括：
将所述目标数据集中的每个所述样例点关联到相应的所述成分点上；
计算所述成分点的参数据均值和/或方差。
所述步骤S124中，所述的利用预设的标准差计算方式对所述的成分点进行筛选包括：利用三倍标准差方式对所述参数均值与方差进行差值计算，并生成相应的差值范围；根据所述差值范围对所述成分点进行筛选，确定落入所述差值范围以外的所述成分点为所述离群点。
与现有技术相比，本发明的有益效果为：1.边缘层可进行大范围、深层次的裂解炉数据采集，以及异构数据的协议转换与边缘处理，并实现数据向云端平台的集成；云端层实现大数据的储存与智能分析，并提供多项增值服务。云端层同时对现场设备给出优化调整建议，保证设备正常运行并提升生产效率。
2.所提供的重管识别方法，能高精准度判别裂解炉炉管重管和非重管，提高裂解炉炉管外表面温度测量的准确性，实现智能测温仪的边缘计算功能。
3.所提供的异常数据检测的方法，能够利用高斯混合模型快速收敛的优点，快速而准确的检测出离群点。
综上所述，本发明边云协同平台的云端层可进行大数据的储存与分析，并提出优化改进意见，并将意见反馈至边缘层。边云协同平台的工作方法可进行高精度的重管识别，并快速而准确的检测出离群点。
附图说明
图1为本发明裂解炉管智能结焦监测边云协同平台架构图。
图2为本发明裂解炉管智能结焦监测边云协同平台协同能力框架图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例
如图1和图2所示，本实施例一种裂解炉管智能结焦监测边云协同平台，包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置；所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个；所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
如图2边云协同平台协同能力框架图所示，边云协同平台，包括边缘层和云端层，所述边缘层包括裂解炉管外表面智能测温装置和/或乙烯DCS/数采装置；可进行大范围、深层次的裂解炉数据采集，以及异构数据的协议转换与边缘处理，并实现数据向云端平台的集成。所述裂解炉管外表面智能测温装置包括炉管温度计量装置、目标温度距离测量装置、位置角度优化装置；所述乙烯DCS/数采装置包括炉管出口温度装置、文丘里压力装置、横跨段压力装置的一个或多个。
所述云端层以企业私有云为基础设施，结合虚拟化资源管理和云作业调度，实现乙烯工业大数据的存储与智能分析，所述云端层包括裂解炉安全预警装置、裂解炉管智能结焦诊断与预测装置、混合作业调度装置、多工作流调度装置、虚拟化资源调度装置、虚拟资源优化装置；所述裂解炉管外表面智能测温装置包括炉管重管识别装置和异常数据检测装置。
边缘层和云端层以协同的方式实现裂解炉管生命周期全过程优化，该边云协同能力与内涵主要包括数据协同和智能协同。
数据协同：边缘节点采集乙烯裂解炉运行参数，按照规则和数据模型对数据进行初步处理与分析，将处理后的数据上传给云端，本协同平台中从边缘层上传到云平台的数据包括课题组自主开发的智能测温设备获取的裂解炉管外表面温度，以及石化企业安装的乙烯DCS/数采系统获取到的裂解炉管出口温度、文丘里压力和横跨段压力等；云端持续接收边缘节点的数据，基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析，包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。
智能协同：边缘节点一方面为云端裂解炉智能结焦预测模型训练提供数据输入，一方面负责边缘推理执行，即执行基于CNN的裂解炉重管检测算法，实现裂解炉中每根炉管外表面温度的精确测量(本协同平台中，边缘节点即非接触式智能测温仪，其通过部署AI芯片以实现高效的智能协同)；云端通过大数据分析抽象提炼相关的关键运行参数模型，包括基于高斯混合模型的离群点检测、CNN网络参数的持续优化训练和压缩移植，并对现场设备给出优化调整建议，保证设备正常运行并提升生产效率。
所述炉管重管识别装置包括智能测温仪、pc端、云服务器，所述智能测温仪包括内部集成红外测温模块、激光测距模块、嵌入式处理器；所述内部集成红外测温模块和激光测距模块获得的数据，通过嵌入式处理器处理以后发送至pc端和/或云服务器。智能测温仪内部集成红外测温模块用于测温，激光测距模块用于测距，所述内部集成红外测温模块和激光测距模块获得的数据，经嵌入式处理器处理后发送至pc端和/或云服务器。
本实施例裂解炉管智能结焦监测边云协同平台的工作方法S1:边缘层采集数据并进行初步处理与分析；S2:云端层接收数据并开展大数据统计分析；S3:云端层对边缘层提出优化改进意见。
边缘层包括裂解炉管外表面智能测温装置和乙烯DCS/数采系统，可进行大范围、深层次的裂解炉数据采集，以及异构数据的协议转换与边缘处理，并实现数据向云端平台的集成。云端层持续接收边缘节点的数据，基于海量的运行状态数据(包含异常状态数据)开展大数据统计分析，包括数据驱动的炉管智能结焦监测及可扩展的炉管烧焦、炉管维修、炉管更换、炉膛热场分别优化、裂解炉安全预警等增值服务。云端层对现场设备给出优化调整建议，保证设备正常运行并提升生产效率。
所述步骤S1中包括炉管重管识别方法：
S111：数据的采集；
S112：基于DCNN的炉管重管识别模型构建；
S113：基于DCNN的炉管重管识别模型重构；
S114：炉管外表面温度的计量；
S115：上传至云服务器。
所述步骤S1中包括异常数据检测方法，所述异常数据为离群点：
S121：通过智能测温仪采集到乙烯裂解炉管外壁温度作为目标数据集
S122：利用高斯混合模型对所述目标数据集进行训练；
S123：根据训练结果，将所述训练数据中的样例点与所述高斯混合模型的成分点相关联；
S124：利用预设的标准差计算方式对所述成分点进行筛选；
S125：根据筛选结果在所述样例点中获取所述离群点。
S111：数据的采集：内部集成红外测温模块和激光测距模块的智能测温仪采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据；
S112：基于DCNN的炉管重管识别模型构建：智能测温仪采集到的原始一维数据传输给PC端，PC端将采集的原始一维数据变换为二维直方图；在二维直方图中对炉管距离数据进行特征提取，获得炉管的重管和非重管的距离特征图，以构成DCNN网络模型训练的数据集；再将数据集输入PC端的DCNN网络模型进行训练，以在PC端构建DCNN重管识别模型；
S113：基于DCNN的炉管重管识别模型重构：将PC端训练好的DCNN炉管重管识别模型移植至智能测温仪内部的嵌入式处理器，以对DCNN重管识别模型在嵌入式处理器内进行重构；
S114：炉管外表面温度的计量：智能测温仪实时采集炉管外表面温度和距离以及炉膛内壁温度和距离的原始一维数据，提取原始一维数据中的炉管距离数据，并返回炉管距离数据在原始一维数据中的起始位置坐标，再利用嵌入式处理器中的DCNN重管识别模型判断提取的炉管距离数据对应的炉管是否为重管，返回每根炉管的识别类型标签，根据返回的炉管识别类型标签和炉管距离数据的起始位置坐标，对相应起始位置坐标的非重管与重管的炉管外表面温度进行计量；
S115：上传至云服务器：智能测温仪将计算得到的炉管外表面温度上传到云服务器。
优选为采用以Cortex-M7为内核的STM32F767VET6作为智能测温仪的嵌入式处理器，在嵌入式处理器上部署神经网络的优化软件内核为CMSIS-NN，其中CMSIS-NN内核库中包含了DCNN网络实现所需的深度卷积、池化、激活和全连接等功能函数，使得我们在嵌入式处理器中重构DCNN重管识别模型成为可能。
本实施例首先利用重管和非重管的距离特征差异，训练生成DCNN重管识别模型，其次针对嵌入式处理器的特性，将DCNN重管识别模型移植到智能测温仪内部的嵌入式处理器，然后，再由DCNN重管识别模型结合智能测温仪内部的数据处理算法和温度值计量方法，计算得到重管和非重管的温度。本实施例训练生成的DCNN重管识别模型能高精准度判别重管和非重管，提高裂解炉炉管外表面温度测量的准确性，实现了智能测温仪的边缘计算功能。
步骤S112中，在二维直方图中对炉管距离数据进行特征提取的过程中，先去除二维直方图中炉管外表面和炉膛内壁的温度数据，再去除二维直方图中炉膛内壁的距离数据后，去除炉管距离数据中与炉管特征相关度低的无效阈值数据，提取得到炉管的重管和非重管的距离特征图。
所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括：
初始化所述高斯混合模型的第一参数{(αi，μi,Σi)|1≤i≤k}；
对所述样例点进行计算生成所述成分点的后验概率；其中，PM为Zj的后验概率，Zj的后验概率为所述样例点Xj由第i个所述成分点生成的后验概率。
所述步骤S122利用高斯混合模型对所述目标数据集进行训练包括：
利用第二公式计算出所述高斯混合模型的第二参数；
将所述第一参数转化为所述第二参数；
基于所述第二参数，根据所述第一公式计算生成所述成分点的后验概率；
根据所述后验概率并利用所述第二公式重新计算所述第二参数。
所述步骤S123中根据训练结果，将所述训练数据中的样例点与所述高斯混合模型的成分点相关联包括：
将所述目标数据集中的每个所述样例点关联到相应的所述成分点上；
计算所述成分点的参数据均值和/或方差。
所述步骤S124中，所述的利用预设的标准差计算方式对所述的成分点进行筛选包括：利用三倍标准差方式对所述参数均值与方差进行差值计算，并生成相应的差值范围；根据所述差值范围对所述成分点进行筛选，确定落入所述差值范围以外的所述成分点为所述离群点。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
一种裂解炉管智能结焦监测边云协同平台及其工作方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0