• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    面向工業(yè)混雜系統(tǒng)故障檢測的擴(kuò)展數(shù)據(jù)邏輯分析方法

    2020-11-18 01:55:38孫中建楊博齊楚李宏光
    化工學(xué)報 2020年11期
    關(guān)鍵詞:汽包液位規(guī)則

    孫中建,楊博,齊楚,李宏光

    (北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院,北京100029)

    引 言

    對于連續(xù)工業(yè)過程中的某些生產(chǎn)系統(tǒng),一些離散過程參數(shù)如電機(jī)、閥門和開關(guān)等也會經(jīng)常發(fā)生狀態(tài)改變,因而對生產(chǎn)系統(tǒng)的安全性和穩(wěn)定性產(chǎn)生影響[1],即體現(xiàn)了混雜系統(tǒng)特性。混雜系統(tǒng)是指同時包含離散事件系統(tǒng)和連續(xù)變量動態(tài)系統(tǒng)、兩者又相互作用的系統(tǒng)[2],其特點是隨時間連續(xù)變化的同時,也受到離散事件的驅(qū)動。故障檢測技術(shù)已被證明能夠提高生產(chǎn)過程的安全性并降低制造成本[3],其中廣泛應(yīng)用的技術(shù)可分為基于模型、基于知識和基于數(shù)據(jù)驅(qū)動的方法[4]。因不需要精確數(shù)學(xué)模型和大量先驗知識,近年來基于數(shù)據(jù)驅(qū)動的故障檢測引起廣泛研究[5-8],而對于工業(yè)過程中的混雜系統(tǒng)的故障檢測相對關(guān)注較少[9-10]。

    采用知識分類技術(shù)構(gòu)建工業(yè)過程數(shù)據(jù)監(jiān)測模型,可以為工業(yè)過程混雜系統(tǒng)的故障檢測提供新方法。而在故障檢測分類方法中,模型的可解釋性引起了研究人員的關(guān)注[11],進(jìn)而通過發(fā)現(xiàn)可解釋模式的知識來分析和檢測故障[12]。數(shù)據(jù)邏輯分析(logical analysis of data, LAD)是一種描述性機(jī)器學(xué)習(xí)方法,通過分析歷史數(shù)據(jù)中變量的組合來描述不同的分類。與一般的數(shù)據(jù)驅(qū)動的故障診斷方法相比,優(yōu)勢在于其強(qiáng)大的解釋能力,能夠在歷史數(shù)據(jù)中挖掘隱藏的相關(guān)聯(lián)的物理現(xiàn)象,并且根據(jù)專家知識進(jìn)行因果關(guān)系的表達(dá),使其在工程、金融、醫(yī)療保健等多個領(lǐng)域得到了廣泛的應(yīng)用[13-15]。在工業(yè)領(lǐng)域,使用LAD 方法檢測和預(yù)測物理現(xiàn)象,同時解釋現(xiàn)象背后的原理,Mortada 等[16]將LAD 用于檢測和隔離航空公司機(jī)隊的劣質(zhì)渦輪壓縮機(jī),通過監(jiān)視某些性能指標(biāo)和專家系統(tǒng)的知識,發(fā)現(xiàn)了劣質(zhì)組件獨有的模式。Shaban等[17]提出了一種適用于復(fù)合材料碳纖維增強(qiáng)聚合物布線工藝的過程控制技術(shù),通過監(jiān)視某些加工特征和參數(shù)來檢測特征模式,并使用它們在特定范圍內(nèi)控制加工零件的質(zhì)量。Jocelyn等[18]將LAD 應(yīng)用于職業(yè)健康和安全領(lǐng)域,尤其是表征了與機(jī)械相關(guān)的不同類型的事故,并將其與故障的根本原因相關(guān)聯(lián),生成了用作確定風(fēng)險因素和潛在事故原因的優(yōu)先級的模式,以幫助安全從業(yè)人員做出有關(guān)機(jī)器安全措施的決策。Ragab 等[19]將LAD 應(yīng)用于診斷復(fù)雜工業(yè)化學(xué)過程中的故障并解釋這些故障的潛在原因,并與其他常見的機(jī)器學(xué)習(xí)技術(shù)獲得的結(jié)果進(jìn)行比較,結(jié)果表明LAD 的性能與最精確的技術(shù)相媲美。

    LAD 基于離散化的歷史數(shù)據(jù)進(jìn)行模式提取,適用于針對混雜變量的過程監(jiān)測,但LAD 在挖掘規(guī)則過程中由于對連續(xù)變量離散化表示而嚴(yán)重丟失了連續(xù)變量的趨勢變化信息,而過程數(shù)據(jù)的動態(tài)特性中包含的潛在信息需要納入模型[20],否則難以挖掘到令人滿意的結(jié)果。另外,LAD 在提取特征時忽視了變量的權(quán)重差距,容易獲得無法體現(xiàn)過程特征的冗余規(guī)則,因此,本文提出一種面向工業(yè)過程混雜系統(tǒng)故障檢測的擴(kuò)展數(shù)據(jù)邏輯分析(extended logical analysis of data,ELAD)方法,挖掘混雜系統(tǒng)過程數(shù)據(jù)中的隱含規(guī)則及連續(xù)變量的變化趨勢,刪除冗余規(guī)則,獲得豐富的故障信息和高效的故障檢測模型,應(yīng)用于工業(yè)煤氣化汽包過程實例,以驗證其效果。

    1 數(shù)據(jù)邏輯分析

    數(shù)據(jù)邏輯分析能夠發(fā)現(xiàn)歷史數(shù)據(jù)中隱含的知識,相關(guān)研究證明了發(fā)現(xiàn)知識的有效性[21-22]。LAD迭代提取能夠表征不同類別的模式,直到所提取模式能夠完全表征所有的觀測值,因此提取模式中存在的冗余模式引起進(jìn)一步的研究[23]。

    作為有監(jiān)督的分類學(xué)習(xí)算法,LAD 基于優(yōu)化領(lǐng)域和布爾函數(shù)理論,對多類問題進(jìn)行模式提取[24-26]。其最大的優(yōu)勢在于強(qiáng)大的解釋能力,根據(jù)從訓(xùn)練數(shù)據(jù)集中提取的可解釋的模式構(gòu)建決策模型。LAD主要包括數(shù)據(jù)二值化、模式提取和理論形成三個步驟[27]。二值化處理按升序?qū)ψ兞縕 的觀測值進(jìn)行如下排序:

    二進(jìn)制屬性bZ,i(i=1,…,r)由基于切點αZ,i的數(shù)值變量Z形成,即:

    正負(fù)模式的生成是相對稱的,為了簡便起見在此僅描述正模式的產(chǎn)生過程。模式生成最直接的方法即為枚舉產(chǎn)生,所產(chǎn)生模式需至少包含一組正觀測值并且不包含任何負(fù)觀測值。本文基于LADWEKA 平臺采用啟發(fā)式方法提取模式[28],提取的模式有兩種形式:自變量和組合變量。自變量由自身規(guī)則即直接影響系統(tǒng)的分類結(jié)果,無須檢測其他的變量,可以根據(jù)自變量的變化范圍給出結(jié)果產(chǎn)生的原因。組合變量是通過不同變量之間分別滿足不同的條件而組成的規(guī)則,可以獲得難以發(fā)現(xiàn)的變量之間的聯(lián)系,通過共同作用影響模型。其算法描述見表1。

    表1 LAD算法描述Table 1 Logical analysis of data algorithms

    2 擴(kuò)展數(shù)據(jù)邏輯分析

    2.1 ELAD框架

    LAD 能夠生成表征特定觀測值的不同規(guī)則,但由于工業(yè)過程中存在眾多高維、復(fù)雜數(shù)據(jù)組,直接使用所有數(shù)據(jù)將導(dǎo)致模型訓(xùn)練速度慢且包含大量冗余信息,這里,提出一種擴(kuò)展數(shù)據(jù)邏輯分析(ELAD)方法,在建立ELAD 模型時需要首先對原始數(shù)據(jù)進(jìn)行降維[29],但同時為了保留表征原始數(shù)據(jù)特性的過程變量,在不改變原始數(shù)據(jù)結(jié)構(gòu)的情況下,選擇使用灰色關(guān)聯(lián)分析對數(shù)據(jù)進(jìn)行處理,排除對過程無影響變量的信息,指導(dǎo)選擇過程以解決選擇問題[30-31]。ELAD 產(chǎn)生的規(guī)則必須經(jīng)過進(jìn)一步的篩選才能構(gòu)成模型,因此模型構(gòu)建時通過與關(guān)鍵變量的灰色關(guān)聯(lián)度對相關(guān)變量的優(yōu)先度進(jìn)行選擇,從而解決規(guī)則冗余的問題。在確定單元窗口參數(shù)后,引入動態(tài)標(biāo)準(zhǔn)差及趨勢變化量,豐富變化信息以避免信息丟失。

    ELAD 能夠自動選擇相關(guān)性強(qiáng)的變量,并在不需要人為干預(yù)的情況下進(jìn)行模式提取,刪除冗余規(guī)則并形成具有可解釋性的分類模型,主要包括灰色關(guān)聯(lián)分析、挖掘波動趨勢、挖掘規(guī)則、模式選擇與模型構(gòu)建四個步驟。模型建立的流程如圖1所示。

    圖1 ELAD流程圖Fig.1 The flow chart of ELAD

    2.2 灰色關(guān)聯(lián)分析

    灰色關(guān)聯(lián)分析是一種根據(jù)因素間發(fā)展趨勢的相似程度以衡量因素間的關(guān)聯(lián)程度的方法[32],因其可以直接評估原始數(shù)據(jù),受到廣泛關(guān)注并在工業(yè)領(lǐng)域成功應(yīng)用[33],本文選用灰色關(guān)聯(lián)分析法以實現(xiàn)相關(guān)變量的選擇并用于后續(xù)步驟的規(guī)則提取,能夠初步避免冗余規(guī)則的產(chǎn)生。

    為了消除量綱對于計算結(jié)果的影響,在關(guān)聯(lián)分析之前對所有變量進(jìn)行歸一化處理。設(shè)表示關(guān)鍵變量的參考序列為x0={x0(k)|k = 1,2,…,m },表示相關(guān)變量的數(shù)據(jù)組存在 n 個變量 xi={xi(k)|k = 1,2,…,m },i=1,2,…,n。因此x0(k)與xi(k)關(guān)于第k個指標(biāo)的關(guān)聯(lián)系數(shù)ξi(k)有:

    其中,i=1,2,…,n;k=1,2,…,m。

    分辨系數(shù)取值區(qū)間為[0,1],取值越大則分辨率越大。第k個指標(biāo)與參考序列的關(guān)聯(lián)度為:

    2.3 挖掘波動趨勢

    為了挖掘變量的變化情況尤其是過程中的波動信息,受到基于均值和數(shù)據(jù)分布的形態(tài)特征改進(jìn)符號聚合近似方法的啟發(fā)[34],在模型中引入基于歷史數(shù)據(jù)的標(biāo)準(zhǔn)差以表征變量的持續(xù)波動變化情況,標(biāo)準(zhǔn)差能反映數(shù)據(jù)集離散程度的同時不受樣本個數(shù)的影響,相比較于均值或其他特征變量,波動變化情況在過程中將更清晰地反映運(yùn)行狀態(tài)的改變。

    設(shè)變量可表示為x ={x(k)|k = 1,2,…,N },那么標(biāo)準(zhǔn)差σ為:

    由式(8)、式(9)計算的標(biāo)準(zhǔn)差反應(yīng)變量x 的離散程度,而針對于過程變量需要考慮的是不同狀態(tài)時的變化情況,因此本文提出單元窗口波動趨勢的概念。單元窗口[35]是指在一個觀測周期內(nèi),所包含的所有時間序列數(shù)據(jù)集,在單元窗口內(nèi)部對應(yīng)的不同變量存在著不同的趨勢特征,因此同一個單元窗口內(nèi)存在多個標(biāo)準(zhǔn)差,換句話說,對于變量而言在該窗口內(nèi)只有一個趨勢特征值,即計算所得標(biāo)準(zhǔn)差能夠體現(xiàn)該變量最新的發(fā)展情況。

    單元窗口寬度nw太大不僅對歷史數(shù)據(jù)的要求過高,而且無法體現(xiàn)變量最新的波動情況,寬度太小也會造成計算精度缺失,甚至在波動的工業(yè)數(shù)據(jù)中失去意義。在確定單元窗口寬度并計算標(biāo)準(zhǔn)差后,需要選取適當(dāng)?shù)拇翱诨瑒娱L度nl,窗口滑動長度決定趨勢波動的變化精度,當(dāng)長度越小時將獲得頻率越高的對比結(jié)果,如圖2所示。

    圖2 單元窗口及滑動長度Fig.2 The unit window and slide length

    為了獲取相同的單位時間段內(nèi)的變化信息,采用固定的單元窗口寬度nw(nw?N),nw需要根據(jù)變量進(jìn)行適應(yīng)性調(diào)整,為了能夠獲取迅速變化時的信息,單元窗口寬度選取為窗口內(nèi)平均值變化為該變量波動值的時間長度,不超過該變量極值至均值的時間長度,可得到動態(tài)標(biāo)準(zhǔn)差σt為:

    為了能夠提取靈敏的波動趨勢特征,采用窗口滑動長度nl=1 進(jìn)行后續(xù)分析[36]。在確定單元窗口參數(shù)后,為關(guān)鍵變量引入趨勢變化量k={+1,-1},k=1時表示關(guān)鍵變量當(dāng)前時刻較上一時刻增加,反之為降低。引入該值能夠增強(qiáng)模型表達(dá)能力,進(jìn)一步豐富故障的特征信息。

    2.4 模式選擇與模型構(gòu)建

    ELAD 參照灰色關(guān)聯(lián)度選擇相關(guān)變量進(jìn)而提取模式,在表征所有的觀測值的同時選用關(guān)鍵變量進(jìn)行表達(dá),相比于單純基于統(tǒng)計的傳統(tǒng)方法,能夠增強(qiáng)模型的準(zhǔn)確性和有效性。假設(shè)某過程有關(guān)鍵變量A,經(jīng)過灰色關(guān)聯(lián)分析后篩選出2 個相關(guān)變量C、E,可行方案將從以上3個變量及其波動參數(shù)依次為B、D、F 的模式組合中產(chǎn)生。每個可行方案都將按照覆蓋率和重疊率進(jìn)行組合,覆蓋率指的是該模式能夠表征的觀測值的數(shù)目,重疊率指的是所有觀測值中被多個模式覆蓋的數(shù)目。覆蓋率能夠體現(xiàn)該模式的表征效率,重疊率則體現(xiàn)模式中存在的冗余觀測值。最終形成的可行方案將在優(yōu)先提取關(guān)鍵變量的模式后,選取覆蓋率高且重疊率低的模式進(jìn)行組合,產(chǎn)生的模型可能包含不同的可行方案。

    圖3 模式選擇過程Fig.3 Patterns in selecting

    圖3展示了模式選擇的全過程,由灰色關(guān)聯(lián)度、覆蓋率、重疊率共同選擇出可行方案。在所有變量中,發(fā)現(xiàn)了不同的9 種基本事件,其中與關(guān)鍵變量A相關(guān)的基本事件有2種。首先計算關(guān)鍵變量基本事件的覆蓋率均不為1,因此選取相關(guān)變量的模式進(jìn)行組合,對每個組合模式的覆蓋率和重疊率進(jìn)行計算,直至獲得覆蓋率為1 的模型才足以表征所有的觀測值,在最終獲得的可行方案中選取重疊率最低的作為檢測模型。根據(jù)上述方法能夠獲得P((P1∩P3)∪(P2∩P6))和P((P1∩P4)∪(P2∩P8))兩種可行的模型。

    2.5 模型的概率計算

    模型由多個可行方案即模式組成,每個模式由1 個或多個規(guī)則組成,每條規(guī)則可能包含多個事件的合并集關(guān)系,每個事件的發(fā)生概率使用符合該事件的觀測值與所有的觀測值之比表示:

    若規(guī)則Mi中含有多條規(guī)則相交的情況,根據(jù)貝葉斯定理[37]有:

    針對不同的可行方案,由組合模式的有限個事件P1,P2,…,Pn并集計算可行方案的概率,根據(jù)龐加萊公式[38]有:

    最后,分類事件的可行解概率由所有可行方案Sq(q = 1,2,…,Q)計算:

    3 故障檢測實例

    3.1 工業(yè)煤氣化系統(tǒng)

    考慮某工業(yè)煤氣化合成氣洗滌單元中壓汽包過程,其工藝流程如圖4 所示。氧氣經(jīng)由氧氣緩沖罐進(jìn)入預(yù)熱器,中壓循環(huán)水使其溫度加熱到指定溫度,混合蒸汽后輸送至氣體混合器。中壓飽和蒸汽被蒸汽電加熱器加熱至指定溫度與氧氣按比例混合,與粉煤一同輸送至氣化爐。中壓汽包液位控制給水流量大小,是中壓汽包過程監(jiān)測的關(guān)鍵參數(shù)。根據(jù)工藝知識和數(shù)據(jù)分析,共有12 個與該反應(yīng)過程相關(guān)的變量,其中包含1 個離散變量,如表2 所示。通過對汽包液位變化機(jī)理的研究,汽包故障有兩種常見情況,即液位過高或液位過低,液位的變化不僅取決于通過閥門控制的流量變化,同時也受到循環(huán)過程中環(huán)境參數(shù)連續(xù)變化的影響,因此在過程中同時關(guān)注閥門的操作以及監(jiān)測變量的狀態(tài)。

    3.2 選取變量與規(guī)則提取

    確定中壓汽包液位為關(guān)鍵變量以后,選取灰色關(guān)聯(lián)算法分析液位與其他連續(xù)變量的相關(guān)度,圖5描述了過程變量間的灰色關(guān)聯(lián)度。

    圖4 汽包過程工藝圖Fig.4 The steam drum process diagram

    表2 相關(guān)變量及其描述Table 2 Correlated variables and its description

    圖5 變量間的灰色關(guān)聯(lián)度Fig.5 The grey association analysis between variables

    可以看出液位和其他連續(xù)變量的相關(guān)程度,采用試錯法選取閾值為0.65,得到與液位相關(guān)程度高的6個變量分別是補(bǔ)水流量、汽包壓力、鍋爐水補(bǔ)水溫度、汽包出口蒸汽溫度、汽包循環(huán)水密度和去汽化爐循環(huán)水流量,因此選用以上7 個變量以及離散變量組成的數(shù)據(jù)集進(jìn)行后續(xù)的分析。表3給出了相關(guān)過程變量部分?jǐn)?shù)據(jù),圖6為數(shù)據(jù)集的可視化結(jié)果,紅色表示故障,藍(lán)色表示正常,使用以下算法不能準(zhǔn)確識別故障同時改變了原始數(shù)據(jù)的結(jié)構(gòu),無法獲取能夠表征特性的規(guī)則信息。

    表3 相關(guān)過程變量數(shù)據(jù)Table 3 Correlated variable data

    3.3 生成檢測模式

    表4 為提取由8 個變量組成的數(shù)據(jù)集,利用ELAD 算法進(jìn)行隱含模式的挖掘。為了能夠體現(xiàn)變量的變化情況,在數(shù)據(jù)集中添加基于歷史數(shù)據(jù)的變量標(biāo)準(zhǔn)差信息。在眾多的規(guī)則中設(shè)置覆蓋閾值為2%,這意味著僅包含少量數(shù)據(jù)的規(guī)則將被過濾,保留適用于多組數(shù)據(jù)的不同規(guī)則的組合。

    訓(xùn)練過程如下:

    (1)根據(jù)液位變化計算單元窗口參數(shù)取nw=30,nl=1,并計算k;(2)提取隱含規(guī)則,正常數(shù)據(jù)不能包含在規(guī)則內(nèi)的同時必須有一條以上的故障數(shù)據(jù)被規(guī)則所描述;(3)規(guī)則選擇與組合,根據(jù)覆蓋閾值選取含有關(guān)鍵變量的規(guī)則計入模式,對于未能包含的故障信息使用相關(guān)變量進(jìn)行表示。

    經(jīng)過訓(xùn)練,共建立四類故障檢測模式,分別是:

    檢測故障模式M1,由兩條規(guī)則組成,M1=R(1)∪R(2);

    圖6 數(shù)據(jù)集可視化結(jié)果Fig.6 Visualizations of the dataset

    表4 訓(xùn)練集和測試集的數(shù)據(jù)總數(shù)Table 4 Number of training and testing datasets

    檢測故障模式M2,由兩條規(guī)則組成,M2=R(3)∪R(4);

    檢測故障模式M3,由兩條規(guī)則組成,M3=R(5)∪R(6);

    檢測故障模式M4,由兩條規(guī)則組成,M4=R(7)∪R(8)。

    其中,M1和M2表示液位過高的故障,M3和M4表示液位過低的故障。構(gòu)成四種檢測故障模式的基本事件的含義和不同規(guī)則在故障數(shù)據(jù)中的覆蓋率如表5和表6所示。

    以上檢測模式可解釋如下:在檢測模式M1中,補(bǔ)水流量閥為開,液位呈上升趨勢,液位高于71.105并且液位變化波動較大為故障,表達(dá)式中出現(xiàn)離散變量意味著在該情況下補(bǔ)水流量閥值與正常狀態(tài)時相反;或者當(dāng)滿足液位高于71.105,流量大于3.423,流量波動較小且循環(huán)水密度波動較小時為故障。在檢測模式M2中,當(dāng)滿足補(bǔ)水流量閥開,液位呈上升趨勢,液位高于71.105 同時補(bǔ)水流量大于3.1788時為故障;或者當(dāng)滿足補(bǔ)水流量閥開,液位呈上升趨勢,液位波動較大同時補(bǔ)水流量波動較大時為故障。檢測模式M1和M2等價,均為液位過高時的可行方案,M3和M4為液位過低時的兩種可行方案,表7為計算的故障發(fā)生概率。

    表5 基本事件覆蓋率Table 5 Coverages of events

    表6 規(guī)則覆蓋率Table 6 Coverages of rules

    四種檢測模式能夠反映所有訓(xùn)練集中的故障狀態(tài),對于汽包過程故障和正常的誤判都將影響報警結(jié)果,因此在測試集中計算各模式的準(zhǔn)確率[39],如表8所示。

    表7 故障發(fā)生概率Table 7 Fault Probabilities

    表8 模式準(zhǔn)確率Table 8 Accuracies of patterns

    從過程控制方面,根據(jù)表7的實驗結(jié)果,操作工人需要預(yù)防概率較大的規(guī)則發(fā)生情況,避免最終引發(fā)故障。如表9所示,相比較于傳統(tǒng)方法,采用本文提出的ELAD 模型能夠排除冗余規(guī)則,對混雜系統(tǒng)故障類別的識別正確率可以達(dá)到99.8%,獲得可以解釋的規(guī)則信息,取得令人滿意的分類結(jié)果,增強(qiáng)了汽包過程對于故障的檢測能力。

    表9 與傳統(tǒng)分類模型的性能比較Table 9 Performance comparisons with traditional classifiers

    4 結(jié) 論

    通過結(jié)合灰色關(guān)聯(lián)度選擇過程變量并引入固定窗口的動態(tài)標(biāo)準(zhǔn)差挖掘波動趨勢信息,從而優(yōu)化數(shù)據(jù)邏輯分析在面向工業(yè)過程混雜系統(tǒng)時提取規(guī)則的選擇問題,提出一種擴(kuò)展數(shù)據(jù)邏輯分析方法,能夠在不需要專家干預(yù)的情況下生成基于數(shù)據(jù)的可解釋模型,能夠準(zhǔn)確描述不同的觀測集并且提供便于理解的因果關(guān)系并將模型應(yīng)用于故障檢測。應(yīng)用于工業(yè)煤氣化汽包過程的實驗結(jié)果表明在提取模式和故障檢測方面的有效性,所提出模型在不依賴于豐富的專家知識的情況下有效降低了規(guī)則的復(fù)雜程度,獲得面向混雜過程的高效檢測模型并豐富了故障信息,提高了對于模型的解釋能力。

    將來重點研究對于變量之間在不同生產(chǎn)狀態(tài)下產(chǎn)生偏移的規(guī)則提取,并且考慮變量的時滯情況,提取故障發(fā)生前期的知識,從而實現(xiàn)對于故障預(yù)警能力的提升。

    猜你喜歡
    汽包液位規(guī)則
    撐竿跳規(guī)則的制定
    數(shù)獨的規(guī)則和演變
    基于STM32燃?xì)鉄崴仩t液位控制系統(tǒng)設(shè)計與實現(xiàn)
    石油儲罐液位開關(guān)的應(yīng)用分析
    600MW亞臨界汽包爐再熱汽溫低的治理及應(yīng)用
    讓規(guī)則不規(guī)則
    Coco薇(2017年11期)2018-01-03 20:59:57
    TPP反腐敗規(guī)則對我國的啟示
    鍋爐汽包用13 MnNiMo5-4 特厚鋼板的研制
    上海金屬(2015年4期)2015-11-29 01:12:30
    寶馬530車?yán)鋮s液液位過低報警
    大型鍋爐汽包壁溫差控制措施
    兴仁县| 壶关县| 吴江市| 莲花县| 六枝特区| 南充市| 印江| 瑞安市| 惠来县| 上饶县| 屏山县| 台安县| 衢州市| 普洱| 拉孜县| 威宁| 黎平县| 得荣县| 夹江县| 灵台县| 洛扎县| 平乐县| 巩留县| 蒲城县| 镇康县| 武乡县| 屯留县| 龙口市| 鄂州市| 陵川县| 从江县| 海林市| 格尔木市| 安乡县| 漾濞| 建水县| 松原市| 白朗县| 龙门县| 镇赉县| 三门县|