反应釜pH时序数据分析与工艺图表生成系统 —— 基于OOP的工业数据实战pH曲线不会说谎——但它说的是加密语言。稳定区间、扰动区间、过渡过程每一段都在告诉你工艺发生了什么。—— 哈尔滨工程大学《工业过程控制》课程核心思想一、实际应用场景描述在精细化工、制药、食品发酵、污水处理等行业反应釜的pH值是最关键的工艺参数之一——它直接决定- 酸碱中和反应是否完全- 催化剂活性是否在线- 产物纯度是否达标- 下游工段是否会被毒化以一座精细化工中和车间为例典型的pH监控场景┌──────────────────────────────────┐│ DCS / SCADA 系统 ││ · pH电极 × 3多点测量 ││ · 试剂计量泵PID控制 ││ · 搅拌转速 / 温度 / 进料流量 ││ · 每30秒采样一次 │└──────────────┬───────────────────┘│┌──────────────┴───────────────────┐↓ ↓ ↓┌────────┐ ┌────────┐ ┌────────┐│R-101 │ │R-102 │ │R-103 ││中和釜 │ │酯化釜 │ │结晶釜 ││pH 5→7 │ │pH 4→6 │ │pH 7±0.2││每批8h │ │每批12h │ │每批6h │└────────┘ └────────┘ └────────┘哈尔滨工程大学《工业过程控制》课程彭秀艳教授主讲国家级一流本科课程在第六章单回路控制系统设计中系统讲解了pH控制的特殊性——强非线性、大滞后、易振荡在第六章第三节专门分析了pH中和过程的特性曲线。课程明确指出pH控制是过程控制中最经典也最棘手的课题之一。它的滴定曲线在中性点附近有极高的增益——同样的加碱量pH可能从6跳到9。这就要求控制系统不仅要稳还要看懂曲线上每一段的工艺含义。而看懂曲线的第一步就是把曲线切成有意义的段落。二、引入痛点2.1 现场的真实困境pH数据的问题在于——它永远在动但你不知道哪些动是正常的、哪些是危险的。场景 现场发生了什么 根因批次复盘 这批pH怎么老在跳 没有稳定/扰动区间的自动划分工艺优化 试剂消耗量比标准多20% 扰动区间的加碱量没被单独统计质量追溯 药监局问这批中和是否合规 缺乏pH在7±0.1内的累计时长统计事故调查 为什么产物纯度不达标 某个扰动事件没被记录、没被关联控制调参 PID该怎么调才能更稳 不知道稳态误差主要发生在哪段时间2.2 核心矛盾pH电极每30秒采一个点DCS屏幕上有曲线在跳但这段是稳定的、那段是扰动的这件事没人系统算过。操作员看到pH在6.8~7.3之间波动无法直觉判断这是合格的±0.5波动还是已经开始发散。等月底拿到批次报告已经无法追溯哪几分钟出了问题。2.3 我们要解决什么用一段 Python 程序读取反应釜历史 CSV 数据自动完成1. 逐点分类 —— 稳定 / 扰动 / 过渡 三类2. 区间合并 —— 用 cumsum 技巧把连续点合并为可追溯的区间3. 扰动事件检测 —— 双判据斜率 幅值 原因推断4. 按批次聚合 —— 每批次的稳定率、扰动率、达标率、控制评级5. 5张工艺分析图表 —— 时序着色 / 事件时间线 / 雷达图 / 分布直方图 / 综合仪表盘6. 输出 Excel CSV 图表三、核心逻辑讲解3.1 理论依据从偏差带到位区间本工具全部算法基于哈工程《工业过程控制》第六章单回路控制系统设计 第六章第三节pH中和过程特性① 稳定判定的物理直觉pH控制的核心难点在于滴定曲线的强非线性pH14 │ ╱╱╱╱╱╱ (强碱区平坦)│ ╱╱9 │ ╱╱ ← 加一滴碱pH暴涨│ ╱╱7 ┼─────────────╱────────────── 目标线│ ╱╱4 │ ╱╱ ← 中性点附近极高增益│ ╱╱0 │╱╱╱╱╱╱╱╱ (强酸区平坦)└──────────────────────────── 加碱量课程§6.3强调pH在中性点附近的增益可能是两端的100倍。这就是为什么稳定不能用简单的±0.5来判断——必须用滚动标准差来适应局部特性。② 三类区间的定义类型 判定条件 工艺含义稳定stable 滚动σ 0.15 pH 且 pH-target扰动disturbance 斜率0.05 pH/s 或 pH-target过渡transition 其他 控制正在调节尚未稳定③ 扰动事件双判据\text{判据①}\left|\frac{dpH}{dt}\right| 0.05 \text{ pH/s}\text{判据②}\max(pH) - \min(pH) 0.30 \text{ pH}两个判据满足其一即标记扰动点再用cumsum合并为事件。这是课程§6.1控制系统品质指标中超调量和变化速率两个概念的直接应用。3.2 区间合并的算法逻辑逐点pH ──→ 计算滚动σ 斜率│┌──────────┼──────────┐↓ ↓ ↓σ0.15 斜率阈值 其他|dev|0.5 |dev|1.0↓ ↓ ↓稳定 扰动 过渡└──────────┼──────────┘↓cumsum 合并连续段↓过滤 最短时长 的噪声↓合并间隔过近的同类型区间↓返回 List[PhZone]3.3 扰动原因推断矩阵扰动特征 推断原因pH峰值 target 1.5 加碱过量 / 上游来料碱性增强pH谷值 target - 1.5 加酸过量 / 上游来料酸性增强同期温度波动 3℃ 温度补偿不足 / 反应放热未控无明显特征 原因不明建议检查试剂投加系统3.4 软件实现思路CSV 反应釜日志 ──→ 数据加载 / 编码探测│↓┌── 数据预处理 ──┐│ 时间索引化 ││ 排序/去空 │└────────┬─────────┘↓┌── 逐点分类 ──┐│ 滚动σ 0.15? ││ 斜率 阈值? ││ |dev| 1.0? ││ → stable/dist/trans │└────────┬─────────┘↓┌── 区间合并 ──┐│ cumsum 技巧 ││ 过滤短噪声 ││ 合并近邻区间 │└────────┬─────────┘↓┌── 扰动事件 ──┐│ 双判据确认 ││ 幅值/斜率统计 ││ 原因推断 │└────────┬─────────┘↓┌── 批次聚合 ──┐│ 稳定%/扰动% ││ 达标率/评级 │└────────┬─────────┘↓┌── 报表生成 ──┐│ Excel(4Sheet) ││ CSV × 3 ││ 图表 × 5 │└─────────────────┘四、代码模块化讲解面向对象设计4.1 类结构总览本项目严格采用面向对象编程OOP共设计 6个核心类 3个不可变数据类类名 职责 设计模式AppConfig聚合根 聚合6个子配置 聚合根模式ReactorConfig /PhAnalysisConfig /DisturbanceConfig 各域参数 内聚方法 值对象ChartConfig /OutputConfig /DataConfig 图表/输出/数据参数 值对象PhDataLoader CSV加载、编码探测、质量评估 封装PhReactorAnalyzer ★ 核心分析引擎 模板方法ReportGenerator 多格式报表输出 模板方法PhZone /DisturbanceEvent /BatchSummary 不可变结果对象 值对象模式4.2 配置层dataclass 聚合根# config_loader.py 核心片段dataclassclass PhAnalysisConfig:pH 稳定判定 区间划分参数内聚所有判定逻辑外部只调 .is_stable() / .classify_point()stable_tolerance: float 0.15stable_min_duration_sec: float 60.0disturbance_min_duration_sec: float 30.0merge_gap_sec: float 45.0def is_stable(self, ph_values, toleranceNone) - bool:判断一段pH序列是否稳定 —— 逻辑内聚在此if len(ph_values) 0:return Falsetol tolerance or self.stable_tolerancereturn (max(ph_values) - min(ph_values)) toldef classify_point(self, ph: float, target: float) - str:单点pH状态分类五级—— 委托给配置dev abs(ph - target)if dev 0.1: return on_targetelif dev 0.3: return near_targetelif dev 1.0: return moderate_develif dev 2.0: return large_develse: return severe_dev亮点判定逻辑完全内聚在配置对象内部。换工艺如从pH 7换成pH 4的酯化反应只改YAML分析器零修改——单一职责原则。4.3 数据加载层编码自动探测# data_loader.py 核心片段staticmethoddef detect_encoding(filepath: str) - str:依次尝试常见编码返回首个能成功读取的candidates [utf-8-sig, utf-8, gbk, gb2312, latin1]for enc in candidates:try:with open(filepath, r, encodingenc) as f:f.read(2048)return encexcept (UnicodeDecodeError, OSError):continuereturn utf-8-sig # 兜底亮点化工车间的SCADA可能来自不同厂商浙大中控、和利时、西门子……导出CSV编码各异。自动探测避免手动切换。4.4 核心算法①逐点分类滑动窗口# core_analyzer.py 核心片段class PhReactorAnalyzer:反应釜pH时序分析引擎模板方法def _classify_points(self, df: pd.DataFrame) - pd.DataFrame:对每一行数据打上区间标签算法课程§6.1 偏差带思想:1. 计算pH的滑动窗口标准差2. 标准差 tolerance → 候选稳定3. 同时满足: 在目标±0.5内 → 稳定4. 斜率 slope_threshold → 扰动5. 其余 → 过渡data df.copy()target self.cfg.reactor.target_phtol self.ph_cfg.stable_toleranceph data[ph_value]# 滑动窗口标准差窗口11点≈5.5分钟window 11rolling_std ph.rolling(windowwindow, min_periods3, centerTrue).std()data[ph_rolling_std] rolling_std.bfill().ffill()# 斜率 (pH/s)if isinstance(data.index, pd.DatetimeIndex):dt_sec data.index.to_series().diff().dt.total_seconds()else:dt_sec pd.Series(self.cfg.reactor.sampling_interval_sec,indexdata.index)dt_sec dt_sec.replace(0, np.nan).fillna(self.cfg.reactor.sampling_interval_sec)data[ph_slope] (ph.diff() / dt_sec).fillna(0.0)# 三级分类data[zone] transition # 默认过渡stable_mask (data[ph_rolling_std] tol) (np.abs(ph - target) 0.5)data.loc[stable_mask, zone] stabledist_mask ((data[ph_slope].abs() self.dist_cfg.slope_threshold_ph_s) |(np.abs(ph - target) 1.0)) (~stable_mask)data.loc[dist_mask, zone] disturbancereturn data关键设计用滚动标准差而非固定阈值来判断稳定——这完美适配pH滴定曲线在不同区间的天然波动率差异。中性点附近σ天然大酸性/碱性平坦区σ天然小。4.5 核心算法②cumsum 区间合并def _extract_zones(self, df: pd.DataFrame) - List[PhZone]:用 cumsum 技巧将连续同标签点合并为区间(与前述项目一脉相承的标准 idiom)if zone not in df.columns or len(df) 0:return []# ★ 核心一行标签变化时 group_id 1group_id (df[zone] ! df[zone].shift()).cumsum()zones []dt_sec self.cfg.reactor.sampling_interval_secfor gid, grp in df.groupby(group_id):zone_label grp[zone].iloc[0]ph_vals grp[ph_value].dropna()if len(ph_vals) 0:continue# 过滤太短的区间噪声min_pts max(2, int(np.ceil(self.ph_cfg.stable_min_duration_sec / dt_secif zone_label stableelse self.ph_cfg.disturbance_min_duration_sec / dt_sec))if len(grp) min_pts:continuezones.append(PhZone(start_timegrp.index.min(),end_timegrp.index.max(),zone_typezone_label,mean_phround(ph_vals.mean(), 3),std_phround(ph_vals.std(), 4),min_phround(ph_vals.min(), 2),max_phround(ph_vals.max(), 2),duration_secround(len(grp) * dt_sec, 1),n_pointslen(grp),trigger_reasonfσ{ph_vals.std():.4f} if zone_label stableelse fmax_slope{grp[ph_slope].abs().max():.4f},))return self._merge_adjacent_zones(zones)亮点(zone ! zone.shift()).cumsum() 是 pandas 处理连续区间问题的标准解法——比手写循环快百倍且代码只有一行。4.6 核心算法③扰动事件 原因推断def _detect_disturbance_events(self, df: pd.DataFrame) - List[DisturbanceEvent]:双判据 原因推断is_dist (df[zone] disturbance).fillna(False)if not is_dist.any():return []# cumsum 合并连续扰动段group_id (~is_dist).cumsum()events []target self.cfg.reactor.target_phfor gid, grp in df[is_dist].groupby(group_id[is_dist]):ph grp[ph_value].dropna()if len(ph) 3:continueph_peak ph.max()ph_trough ph.min()amplitude ph_peak - ph_trough# ★ 原因推断课程§6.3 pH中和过程特性if ph_peak target 1.5:evt_type base_injectioncause 疑似加碱过量或上游来料碱性增强elif ph_trough target - 1.5:evt_type acid_injectioncause 疑似加酸过量或上游来料酸性增强elif temperature_c in grp.columns:temp_range grp[temperature_c].max() - grp[temperature_c].min()if temp_range 3.0:evt_type temperature_spikecause 温度波动引发pH变化温度补偿不足else:evt_type unknowncause 原因不明建议检查试剂投加系统else:evt_type unknowncause 原因不明events.append(DisturbanceEvent(start_timegrp.index.min(),end_timegrp.index.max(),duration_secround((grp.index.max() - grp.index.min()).total_seconds(), 1),event_typeevt_type,ph_startround(ph.iloc[0], 2),ph_peakround(ph_peak, 2),ph_troughround(ph_trough, 2),ph_amplituderound(amplitude, 3),max_slope_ph_sround(grp[ph_slope].abs().max(), 5),likely_causecause,))return events亮点原因推断不是瞎猜——它基于pH中和曲线的物理特性。碱性扰动和酸性扰动在曲线上的指纹完全不同程序能自动区分。4.7 报表生成5张工艺图表# report_generator.py 核心片段def _chart_ph_timeline(self, data, zones_df, out, dpi, fw, fh) - str:图1: pH时序 区间背景着色核心图表fig, (ax1, ax2) plt.subplots(2, 1, figsize(fw, fh),sharexTrue,gridspec_kw{height_ratios: [3, 1]})# pH曲线ax1.plot(data.index, data[ph_value],colorself.chart.color_ph_line, linewidth0.8, labelpH值)# 目标线target self.cfg.reactor.target_phax1.axhline(ytarget, colorgray, linestyle--,linewidth1, labelf目标pH{target})# ★ 区间背景着色for _, z in zones_df.iterrows():color {stable: self.chart.color_stable,disturbance: self.chart.color_disturbance,transition: self.chart.color_transition}.get(z[类型], gray)alpha 0.25 if z[类型] stable else 0.35ax1.axvspan(z[开始时间], z[结束时间], alphaalpha, colorcolor)ax2.axvspan(z[开始时间], z[结束时间], alphaalpha, colorcolor)# 试剂流量次坐标轴if reagent_flow_lh in data.columns:ax2.plot(data.index, data[reagent_flow_lh],colorself.chart.color_reagent_line, linewidth0.8, label试剂流量)亮点一张图同时展示pH曲线 区间着色 试剂流量——工艺工程师一眼就能看到什么时候稳、什么时候乱、加料和pH变化怎么联动。4.8 实际运行输出$ python main.py反应釜 pH 时序数据分析系统 v1.0.0基于哈尔滨工程大学《工业过程控制》课程理论(稳定区间划分 / 扰动检测 / 工艺分析图表) 配置加载: config.yaml反应釜: R-101 中和反应釜工艺: 酸碱中和反应 (H₂SO₄ NaOH)目标 pH: 7.0稳定容差: ±0.15 pH采样间隔: 30s 数据文件: data/reactor_ph_log.csv· 编码探测: utf-8-sig 数据质量评估:· ph_value 缺失率 0.0%· reagent_flow_lh 缺失率 0.0%· temperature_c 缺失率 0.0%· pH 跳变率 4.20% (0.45 视为跳变, 共121次)· 采样间隔: 中位30s 最大30s ✅等间隔· pH 范围[4.91, 9.16] 均值6.79 σ0.675 开始 pH 时序分析...· 划分区间: 126 个 (稳定/扰动/过渡)· 扰动事件: 40 个· 批次数: 3 分析摘要─────────────────────────────────────────────总区间数: 126稳定区间: 22 (17.5%)扰动区间: 51 (40.5%) ← ⚠ 超过30%阈值过渡区间: 53 (42.1%)扰动事件: 40 个批次数量: 3 区间列表 (前10个): 04-01 08:00 → 09:10 类型disturbance 持续4230s pH5.48±0.288 04-01 09:10 → 09:12 类型transition 持续 120s pH6.03±0.027 04-01 09:46 → 09:47 类型stable 持续 60s pH6.51±0.016...⚠ 扰动事件 (40个):· 04-01 08:00 → 09:10 类型acid_injection 持续4200s 振幅1.08pH推断原因: 疑似加酸过量或上游来料酸性增强· 04-01 12:48 → 13:11 类型acid_injection 持续1410s 振幅0.77pH· 04-01 19:12 → 19:35 类型base_injection 持续1380s 振幅0.72pH推断原因: 疑似加碱过量或上游来料碱性增强... 批次控制评级: B-2025-001: 稳定 69.1% 扰动 20.0% 达标 37.6% 评级良 B-2025-002: 稳定 8.0% 扰动 34.8% 达标 7.6% 评级差 B-2025-003: 稳定 93.4% 扰动 4.8% 达标 55.9% 评级良 工程建议 扰动区间占比 40% 30%→ 检查试剂投加系统 PID 参数→ 检查进料组分是否波动过大⚠ 19 个事件原因不明 → 建议加装更多传感器 B-2025-002 评级差 → 优先排查该批次工艺异常 生成报表... Excel → output/ph_analysis_report.xlsx CSV × 3 → output/ 图表 × 5 → output/charts/✅ 分析完成耗时: 0.1s关键成果- 3个批次的工艺画像被精准识别B-001正常中和、B-002湍流扰动评级差、B-003接近目标稳定率93%- 40个扰动事件全部自动分类acid_injection / base_injection / temperature_spike / unknown- B-002评级差——稳定率仅8%明显是搅拌过强或进料组分剧烈波动- 19个原因不明事件——程序诚实地告诉你我不知道而不是瞎编并建议加装传感器五、README 与使用说明5.1 项目结构ph_reactor_analyzer/├── config.yaml # 配置文件修改它不改代码├── config_loader.py # 配置加载dataclass 聚合根├── generate_sample_data.py # 模拟数据生成3批次含多种工况├── data_loader.py # 数据加载 编码探测 质量评估├── core_analyzer.py # ★ 核心分析引擎模板方法├── report_generator.py # 报表生成Excel/CSV/图表├── main.py # 主入口流程编排├── requirements.txt # numpy / pandas / matplotlib / pyyaml / openpyxl├── README.md # 本说明├── data/ # 输入 CSV自动创建└── output/ # 输出报表自动创建├── ph_analysis_report.xlsx # 4个Sheet├── zones.csv├── disturbance_events.csv├── batch_summary.csv├── run.log└── charts/ # 5张PNG5.2 三步上手# 第1步安装依赖pip install -r requirements.txt# 第2步生成模拟数据含3批次 × 多种工况python generate_sample_data.py# 第3步一键运行python main.py5.3 使用你自己的数据将DCS/SCADA导出的反应釜日志整理为CSVtimestamp,ph_value,reagent_flow_lh,temperature_c,agitation_rpm,feed_flow_lh,batch_id2025-04-01 08:00:00,5.20,120.5,45.1,200,502.3,B-2025-0012025-04-01 08:00:30,5.25,118.2,45.3,200,498.7,B-2025-001放入data/reactor_ph_log.csv编辑config.yaml 中的参数匹配你的工艺再运行python main.py 即可。支持中文列名——在config.yaml 的data.column_mapping 中修改映射data:column_mapping:timestamp: 采集时间ph_value: pH值reagent_flow_lh: 试剂流量temperature_c: 温度5.4 配置文件说明config.yamlreactor:name: R-101 中和反应釜process: 酸碱中和反应 (H₂SO₄ NaOH)target_ph: 7.0 # 目标pHsampling_interval_sec: 30 # 采样间隔ph_analysis:stable_tolerance: 0.15 # 滚动σ 0.15 视为稳定stable_min_duration_sec: 60 # 至少连续60秒才算稳定区间disturbance_min_duration_sec: 30merge_gap_sec: 45 # 相邻区间间隔45s则合并disturbance:slope_threshold_ph_s: 0.05 # 斜率 0.05 pH/s 视为扰动amplitude_threshold_ph: 0.30 # 振幅 0.30 pH 视为扰动事件min_event_gap_sec: 20chart:color_stable: #2ECC71 # 绿色稳定color_disturbance: #E74C3C # 红色扰动color_transition: #F39C12 # 橙色过渡5.5 命令行参数python main.py --config my.yaml # 使用自定义配置python main.py --data path.csv # 指定数据文件python main.py --gen-data # 强制重新生成模拟数据python main.py --no-charts # 跳过图表仅输出表格python main.py --verbose / -v # 详细调试日志5.6 输出文件说明文件 内容output/ph_analysis_report.xlsx Sheet1 总览 / Sheet2 区间明细(着色) / Sheet3 扰动事件 / Sheet4 批次摘要(着色)output/zones.csv 所有区间类型/起止/均值σ/触发原因output/disturbance_events.csv 扰动事件类型/振幅/最大斜率/推断原因output/batch_summary.csv 每批次统计稳定%/扰动%/达标率/评级output/charts/01_ph_timeline.png ★ pH时序 区间背景着色 试剂流量output/charts/02_event_timeline.png 扰动事件时间线振幅连线output/charts/03_batch_radar.png 批次工艺对比雷达图output/charts/04_ph_distribution.png pH分布直方图 目标线output/charts/05_dashboard.png 综合工艺仪表盘4子图六、核心知识点卡片 卡片1pH中和曲线的强非线性pH pKa log([A⁻]/[HA]) ← Henderson-Hasselbalch 方程在中性点附近· 加一滴碱pH从6跳到9增益×1000· 这就是pH控制难的物理根源对策课程§6.3· 非线性PID增益调度· 前馈反馈复合控制· 分段P控制 参考《工业过程控制》§6.3 pH中和过程特性 卡片2滚动标准差 vs 固定阈值方法 公式 适用场景固定阈值 pH - target滚动σstd(rolling_window) pH等强非线性系统自适应带宽 σ × (1 α dev 本项目用滚动σ——中性点附近σ天然大自动放宽酸碱区σ天然小自动收紧。 卡片3cumsum 连续分段万能idiom# 问题把 [S,D,D,T,S,T,D,D,D] 分成稳定/扰动/过渡段labels pd.Series([S,D,D,T,S,T,D,D,D])# ★ 核心一行group_id (labels ! labels.shift()).cumsum()# 结果: [1,2,2,3,4,5,6,6,6]# → 完美分段 这是 pandas 处理连续区间问题的标准解法比循环快100倍。本项目用它同时处理区间合并和事件合并。 卡片4扰动检测双判据判据 公式 捕获什么斜率判据 dpH/dt幅值判据max-min 0.30 pH 大幅偏移控制失稳两者满足其一即标记扰动。斜率抓快变幅值抓大偏——互补覆盖。 卡片5控制系统品质指标课程§6.1指标 定义 本项目对应稳态误差 ess PV∞ - SP超调量 Mp (ymax - y∞)/ y∞-y0过渡过程时间 ts 进入±2%带且不超出 稳定区间前的最长过渡振荡次数 穿越目标线的次数 湍流批次的过渡区间数 卡片6OOP设计模式速查模式 本项目应用 解决的问题聚合根AppConfig 包含6个子配置 外部只需持有一个对象模板方法PhReactorAnalyzer.analyze() 主流程固定步骤可替换值对象PhZone/DisturbanceEvent 不可变 安全传递、可序列化策略模式PhAnalysisConfig.classify_point() 换判定逻辑只改一处工厂方法AppConfig.from_yaml() 封装创建逻辑封装ReportGenerator._apply_excel_styles() 着色逻辑对外不可见七、总结7.1 本工具做了什么步骤 内容 对应课程章节① 配置加载 YAML → dataclass 聚合根 —② 数据加载 编码自动探测 质量评估 §3.1 测量误差③ 预处理 时间索引化 排序去空 —④ 逐点分类 滚动σ 斜率双特征 §6.1 品质指标⑤ 区间合并 cumsum技巧 噪声过滤 近邻合并 数字信号处理⑥ 扰动事件 双判据确认 幅值/斜率统计 §6.3 pH中和特性⑦ 原因推断 酸性/碱性/温度/不明四类 §6.3 工艺知识⑧ 批次聚合 稳定%/扰动%/达标率/评级 §6.1 控制性能评估⑨ 报表输出 Excel(4Sheet)CSV×3图表×5 —7.2 OOP 设计回顾设计决策 好处 体现的原则AppConfig 聚合根 外部只需持有一个对象 聚合根模式PhAnalysisConfig.is_stable() 内聚判定 换工艺只改YAML 单一职责PhZone /DisturbanceEvent 不可变 安全传递、可序列化 值对象模式PhReactorAnalyzer.analyze() 模板方法 主流程固定步骤可替换 模板方法模式ReportGenerator 多格式输出 新增格式不改流程 开闭原则OCP编码自动探测 不同SCADA导出即插即用 鲁棒性设计诚实的原因不明 不瞎编建议加装传感器 工程诚信7.3 适用与不适用✅ 适用 ❌ 不适用有pH历史CSV的反应釜/发酵罐 实时在线报警需OPC UA直连批次生产记录分析 多变量耦合系统需MIMO方法工艺优化前后对比 非pH参数温度/压力需另建模型合规审计pH达标率统计 毫秒级快速反应需高频采集控制算利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
python的工业过程控制场景模拟第十四篇:接受反应釜PH时序数据，自动划分稳定区间与扰动区间，生成工艺分析图表。
发布时间：2026/7/31 10:43:46
反应釜pH时序数据分析与工艺图表生成系统 —— 基于OOP的工业数据实战pH曲线不会说谎——但它说的是加密语言。稳定区间、扰动区间、过渡过程每一段都在告诉你工艺发生了什么。—— 哈尔滨工程大学《工业过程控制》课程核心思想一、实际应用场景描述在精细化工、制药、食品发酵、污水处理等行业反应釜的pH值是最关键的工艺参数之一——它直接决定- 酸碱中和反应是否完全- 催化剂活性是否在线- 产物纯度是否达标- 下游工段是否会被毒化以一座精细化工中和车间为例典型的pH监控场景┌──────────────────────────────────┐│ DCS / SCADA 系统 ││ · pH电极 × 3多点测量 ││ · 试剂计量泵PID控制 ││ · 搅拌转速 / 温度 / 进料流量 ││ · 每30秒采样一次 │└──────────────┬───────────────────┘│┌──────────────┴───────────────────┐↓ ↓ ↓┌────────┐ ┌────────┐ ┌────────┐│R-101 │ │R-102 │ │R-103 ││中和釜 │ │酯化釜 │ │结晶釜 ││pH 5→7 │ │pH 4→6 │ │pH 7±0.2││每批8h │ │每批12h │ │每批6h │└────────┘ └────────┘ └────────┘哈尔滨工程大学《工业过程控制》课程彭秀艳教授主讲国家级一流本科课程在第六章单回路控制系统设计中系统讲解了pH控制的特殊性——强非线性、大滞后、易振荡在第六章第三节专门分析了pH中和过程的特性曲线。课程明确指出pH控制是过程控制中最经典也最棘手的课题之一。它的滴定曲线在中性点附近有极高的增益——同样的加碱量pH可能从6跳到9。这就要求控制系统不仅要稳还要看懂曲线上每一段的工艺含义。而看懂曲线的第一步就是把曲线切成有意义的段落。二、引入痛点2.1 现场的真实困境pH数据的问题在于——它永远在动但你不知道哪些动是正常的、哪些是危险的。场景 现场发生了什么 根因批次复盘 这批pH怎么老在跳 没有稳定/扰动区间的自动划分工艺优化 试剂消耗量比标准多20% 扰动区间的加碱量没被单独统计质量追溯 药监局问这批中和是否合规 缺乏pH在7±0.1内的累计时长统计事故调查 为什么产物纯度不达标 某个扰动事件没被记录、没被关联控制调参 PID该怎么调才能更稳 不知道稳态误差主要发生在哪段时间2.2 核心矛盾pH电极每30秒采一个点DCS屏幕上有曲线在跳但这段是稳定的、那段是扰动的这件事没人系统算过。操作员看到pH在6.8~7.3之间波动无法直觉判断这是合格的±0.5波动还是已经开始发散。等月底拿到批次报告已经无法追溯哪几分钟出了问题。2.3 我们要解决什么用一段 Python 程序读取反应釜历史 CSV 数据自动完成1. 逐点分类 —— 稳定 / 扰动 / 过渡 三类2. 区间合并 —— 用 cumsum 技巧把连续点合并为可追溯的区间3. 扰动事件检测 —— 双判据斜率 幅值 原因推断4. 按批次聚合 —— 每批次的稳定率、扰动率、达标率、控制评级5. 5张工艺分析图表 —— 时序着色 / 事件时间线 / 雷达图 / 分布直方图 / 综合仪表盘6. 输出 Excel CSV 图表三、核心逻辑讲解3.1 理论依据从偏差带到位区间本工具全部算法基于哈工程《工业过程控制》第六章单回路控制系统设计 第六章第三节pH中和过程特性① 稳定判定的物理直觉pH控制的核心难点在于滴定曲线的强非线性pH14 │ ╱╱╱╱╱╱ (强碱区平坦)│ ╱╱9 │ ╱╱ ← 加一滴碱pH暴涨│ ╱╱7 ┼─────────────╱────────────── 目标线│ ╱╱4 │ ╱╱ ← 中性点附近极高增益│ ╱╱0 │╱╱╱╱╱╱╱╱ (强酸区平坦)└──────────────────────────── 加碱量课程§6.3强调pH在中性点附近的增益可能是两端的100倍。这就是为什么稳定不能用简单的±0.5来判断——必须用滚动标准差来适应局部特性。② 三类区间的定义类型 判定条件 工艺含义稳定stable 滚动σ 0.15 pH 且 pH-target扰动disturbance 斜率0.05 pH/s 或 pH-target过渡transition 其他 控制正在调节尚未稳定③ 扰动事件双判据\text{判据①}\left|\frac{dpH}{dt}\right| 0.05 \text{ pH/s}\text{判据②}\max(pH) - \min(pH) 0.30 \text{ pH}两个判据满足其一即标记扰动点再用cumsum合并为事件。这是课程§6.1控制系统品质指标中超调量和变化速率两个概念的直接应用。3.2 区间合并的算法逻辑逐点pH ──→ 计算滚动σ 斜率│┌──────────┼──────────┐↓ ↓ ↓σ0.15 斜率阈值 其他|dev|0.5 |dev|1.0↓ ↓ ↓稳定 扰动 过渡└──────────┼──────────┘↓cumsum 合并连续段↓过滤 最短时长 的噪声↓合并间隔过近的同类型区间↓返回 List[PhZone]3.3 扰动原因推断矩阵扰动特征 推断原因pH峰值 target 1.5 加碱过量 / 上游来料碱性增强pH谷值 target - 1.5 加酸过量 / 上游来料酸性增强同期温度波动 3℃ 温度补偿不足 / 反应放热未控无明显特征 原因不明建议检查试剂投加系统3.4 软件实现思路CSV 反应釜日志 ──→ 数据加载 / 编码探测│↓┌── 数据预处理 ──┐│ 时间索引化 ││ 排序/去空 │└────────┬─────────┘↓┌── 逐点分类 ──┐│ 滚动σ 0.15? ││ 斜率 阈值? ││ |dev| 1.0? ││ → stable/dist/trans │└────────┬─────────┘↓┌── 区间合并 ──┐│ cumsum 技巧 ││ 过滤短噪声 ││ 合并近邻区间 │└────────┬─────────┘↓┌── 扰动事件 ──┐│ 双判据确认 ││ 幅值/斜率统计 ││ 原因推断 │└────────┬─────────┘↓┌── 批次聚合 ──┐│ 稳定%/扰动% ││ 达标率/评级 │└────────┬─────────┘↓┌── 报表生成 ──┐│ Excel(4Sheet) ││ CSV × 3 ││ 图表 × 5 │└─────────────────┘四、代码模块化讲解面向对象设计4.1 类结构总览本项目严格采用面向对象编程OOP共设计 6个核心类 3个不可变数据类类名 职责 设计模式AppConfig聚合根 聚合6个子配置 聚合根模式ReactorConfig /PhAnalysisConfig /DisturbanceConfig 各域参数 内聚方法 值对象ChartConfig /OutputConfig /DataConfig 图表/输出/数据参数 值对象PhDataLoader CSV加载、编码探测、质量评估 封装PhReactorAnalyzer ★ 核心分析引擎 模板方法ReportGenerator 多格式报表输出 模板方法PhZone /DisturbanceEvent /BatchSummary 不可变结果对象 值对象模式4.2 配置层dataclass 聚合根# config_loader.py 核心片段dataclassclass PhAnalysisConfig:pH 稳定判定 区间划分参数内聚所有判定逻辑外部只调 .is_stable() / .classify_point()stable_tolerance: float 0.15stable_min_duration_sec: float 60.0disturbance_min_duration_sec: float 30.0merge_gap_sec: float 45.0def is_stable(self, ph_values, toleranceNone) - bool:判断一段pH序列是否稳定 —— 逻辑内聚在此if len(ph_values) 0:return Falsetol tolerance or self.stable_tolerancereturn (max(ph_values) - min(ph_values)) toldef classify_point(self, ph: float, target: float) - str:单点pH状态分类五级—— 委托给配置dev abs(ph - target)if dev 0.1: return on_targetelif dev 0.3: return near_targetelif dev 1.0: return moderate_develif dev 2.0: return large_develse: return severe_dev亮点判定逻辑完全内聚在配置对象内部。换工艺如从pH 7换成pH 4的酯化反应只改YAML分析器零修改——单一职责原则。4.3 数据加载层编码自动探测# data_loader.py 核心片段staticmethoddef detect_encoding(filepath: str) - str:依次尝试常见编码返回首个能成功读取的candidates [utf-8-sig, utf-8, gbk, gb2312, latin1]for enc in candidates:try:with open(filepath, r, encodingenc) as f:f.read(2048)return encexcept (UnicodeDecodeError, OSError):continuereturn utf-8-sig # 兜底亮点化工车间的SCADA可能来自不同厂商浙大中控、和利时、西门子……导出CSV编码各异。自动探测避免手动切换。4.4 核心算法①逐点分类滑动窗口# core_analyzer.py 核心片段class PhReactorAnalyzer:反应釜pH时序分析引擎模板方法def _classify_points(self, df: pd.DataFrame) - pd.DataFrame:对每一行数据打上区间标签算法课程§6.1 偏差带思想:1. 计算pH的滑动窗口标准差2. 标准差 tolerance → 候选稳定3. 同时满足: 在目标±0.5内 → 稳定4. 斜率 slope_threshold → 扰动5. 其余 → 过渡data df.copy()target self.cfg.reactor.target_phtol self.ph_cfg.stable_toleranceph data[ph_value]# 滑动窗口标准差窗口11点≈5.5分钟window 11rolling_std ph.rolling(windowwindow, min_periods3, centerTrue).std()data[ph_rolling_std] rolling_std.bfill().ffill()# 斜率 (pH/s)if isinstance(data.index, pd.DatetimeIndex):dt_sec data.index.to_series().diff().dt.total_seconds()else:dt_sec pd.Series(self.cfg.reactor.sampling_interval_sec,indexdata.index)dt_sec dt_sec.replace(0, np.nan).fillna(self.cfg.reactor.sampling_interval_sec)data[ph_slope] (ph.diff() / dt_sec).fillna(0.0)# 三级分类data[zone] transition # 默认过渡stable_mask (data[ph_rolling_std] tol) (np.abs(ph - target) 0.5)data.loc[stable_mask, zone] stabledist_mask ((data[ph_slope].abs() self.dist_cfg.slope_threshold_ph_s) |(np.abs(ph - target) 1.0)) (~stable_mask)data.loc[dist_mask, zone] disturbancereturn data关键设计用滚动标准差而非固定阈值来判断稳定——这完美适配pH滴定曲线在不同区间的天然波动率差异。中性点附近σ天然大酸性/碱性平坦区σ天然小。4.5 核心算法②cumsum 区间合并def _extract_zones(self, df: pd.DataFrame) - List[PhZone]:用 cumsum 技巧将连续同标签点合并为区间(与前述项目一脉相承的标准 idiom)if zone not in df.columns or len(df) 0:return []# ★ 核心一行标签变化时 group_id 1group_id (df[zone] ! df[zone].shift()).cumsum()zones []dt_sec self.cfg.reactor.sampling_interval_secfor gid, grp in df.groupby(group_id):zone_label grp[zone].iloc[0]ph_vals grp[ph_value].dropna()if len(ph_vals) 0:continue# 过滤太短的区间噪声min_pts max(2, int(np.ceil(self.ph_cfg.stable_min_duration_sec / dt_secif zone_label stableelse self.ph_cfg.disturbance_min_duration_sec / dt_sec))if len(grp) min_pts:continuezones.append(PhZone(start_timegrp.index.min(),end_timegrp.index.max(),zone_typezone_label,mean_phround(ph_vals.mean(), 3),std_phround(ph_vals.std(), 4),min_phround(ph_vals.min(), 2),max_phround(ph_vals.max(), 2),duration_secround(len(grp) * dt_sec, 1),n_pointslen(grp),trigger_reasonfσ{ph_vals.std():.4f} if zone_label stableelse fmax_slope{grp[ph_slope].abs().max():.4f},))return self._merge_adjacent_zones(zones)亮点(zone ! zone.shift()).cumsum() 是 pandas 处理连续区间问题的标准解法——比手写循环快百倍且代码只有一行。4.6 核心算法③扰动事件 原因推断def _detect_disturbance_events(self, df: pd.DataFrame) - List[DisturbanceEvent]:双判据 原因推断is_dist (df[zone] disturbance).fillna(False)if not is_dist.any():return []# cumsum 合并连续扰动段group_id (~is_dist).cumsum()events []target self.cfg.reactor.target_phfor gid, grp in df[is_dist].groupby(group_id[is_dist]):ph grp[ph_value].dropna()if len(ph) 3:continueph_peak ph.max()ph_trough ph.min()amplitude ph_peak - ph_trough# ★ 原因推断课程§6.3 pH中和过程特性if ph_peak target 1.5:evt_type base_injectioncause 疑似加碱过量或上游来料碱性增强elif ph_trough target - 1.5:evt_type acid_injectioncause 疑似加酸过量或上游来料酸性增强elif temperature_c in grp.columns:temp_range grp[temperature_c].max() - grp[temperature_c].min()if temp_range 3.0:evt_type temperature_spikecause 温度波动引发pH变化温度补偿不足else:evt_type unknowncause 原因不明建议检查试剂投加系统else:evt_type unknowncause 原因不明events.append(DisturbanceEvent(start_timegrp.index.min(),end_timegrp.index.max(),duration_secround((grp.index.max() - grp.index.min()).total_seconds(), 1),event_typeevt_type,ph_startround(ph.iloc[0], 2),ph_peakround(ph_peak, 2),ph_troughround(ph_trough, 2),ph_amplituderound(amplitude, 3),max_slope_ph_sround(grp[ph_slope].abs().max(), 5),likely_causecause,))return events亮点原因推断不是瞎猜——它基于pH中和曲线的物理特性。碱性扰动和酸性扰动在曲线上的指纹完全不同程序能自动区分。4.7 报表生成5张工艺图表# report_generator.py 核心片段def _chart_ph_timeline(self, data, zones_df, out, dpi, fw, fh) - str:图1: pH时序 区间背景着色核心图表fig, (ax1, ax2) plt.subplots(2, 1, figsize(fw, fh),sharexTrue,gridspec_kw{height_ratios: [3, 1]})# pH曲线ax1.plot(data.index, data[ph_value],colorself.chart.color_ph_line, linewidth0.8, labelpH值)# 目标线target self.cfg.reactor.target_phax1.axhline(ytarget, colorgray, linestyle--,linewidth1, labelf目标pH{target})# ★ 区间背景着色for _, z in zones_df.iterrows():color {stable: self.chart.color_stable,disturbance: self.chart.color_disturbance,transition: self.chart.color_transition}.get(z[类型], gray)alpha 0.25 if z[类型] stable else 0.35ax1.axvspan(z[开始时间], z[结束时间], alphaalpha, colorcolor)ax2.axvspan(z[开始时间], z[结束时间], alphaalpha, colorcolor)# 试剂流量次坐标轴if reagent_flow_lh in data.columns:ax2.plot(data.index, data[reagent_flow_lh],colorself.chart.color_reagent_line, linewidth0.8, label试剂流量)亮点一张图同时展示pH曲线 区间着色 试剂流量——工艺工程师一眼就能看到什么时候稳、什么时候乱、加料和pH变化怎么联动。4.8 实际运行输出$ python main.py反应釜 pH 时序数据分析系统 v1.0.0基于哈尔滨工程大学《工业过程控制》课程理论(稳定区间划分 / 扰动检测 / 工艺分析图表) 配置加载: config.yaml反应釜: R-101 中和反应釜工艺: 酸碱中和反应 (H₂SO₄ NaOH)目标 pH: 7.0稳定容差: ±0.15 pH采样间隔: 30s 数据文件: data/reactor_ph_log.csv· 编码探测: utf-8-sig 数据质量评估:· ph_value 缺失率 0.0%· reagent_flow_lh 缺失率 0.0%· temperature_c 缺失率 0.0%· pH 跳变率 4.20% (0.45 视为跳变, 共121次)· 采样间隔: 中位30s 最大30s ✅等间隔· pH 范围[4.91, 9.16] 均值6.79 σ0.675 开始 pH 时序分析...· 划分区间: 126 个 (稳定/扰动/过渡)· 扰动事件: 40 个· 批次数: 3 分析摘要─────────────────────────────────────────────总区间数: 126稳定区间: 22 (17.5%)扰动区间: 51 (40.5%) ← ⚠ 超过30%阈值过渡区间: 53 (42.1%)扰动事件: 40 个批次数量: 3 区间列表 (前10个): 04-01 08:00 → 09:10 类型disturbance 持续4230s pH5.48±0.288 04-01 09:10 → 09:12 类型transition 持续 120s pH6.03±0.027 04-01 09:46 → 09:47 类型stable 持续 60s pH6.51±0.016...⚠ 扰动事件 (40个):· 04-01 08:00 → 09:10 类型acid_injection 持续4200s 振幅1.08pH推断原因: 疑似加酸过量或上游来料酸性增强· 04-01 12:48 → 13:11 类型acid_injection 持续1410s 振幅0.77pH· 04-01 19:12 → 19:35 类型base_injection 持续1380s 振幅0.72pH推断原因: 疑似加碱过量或上游来料碱性增强... 批次控制评级: B-2025-001: 稳定 69.1% 扰动 20.0% 达标 37.6% 评级良 B-2025-002: 稳定 8.0% 扰动 34.8% 达标 7.6% 评级差 B-2025-003: 稳定 93.4% 扰动 4.8% 达标 55.9% 评级良 工程建议 扰动区间占比 40% 30%→ 检查试剂投加系统 PID 参数→ 检查进料组分是否波动过大⚠ 19 个事件原因不明 → 建议加装更多传感器 B-2025-002 评级差 → 优先排查该批次工艺异常 生成报表... Excel → output/ph_analysis_report.xlsx CSV × 3 → output/ 图表 × 5 → output/charts/✅ 分析完成耗时: 0.1s关键成果- 3个批次的工艺画像被精准识别B-001正常中和、B-002湍流扰动评级差、B-003接近目标稳定率93%- 40个扰动事件全部自动分类acid_injection / base_injection / temperature_spike / unknown- B-002评级差——稳定率仅8%明显是搅拌过强或进料组分剧烈波动- 19个原因不明事件——程序诚实地告诉你我不知道而不是瞎编并建议加装传感器五、README 与使用说明5.1 项目结构ph_reactor_analyzer/├── config.yaml # 配置文件修改它不改代码├── config_loader.py # 配置加载dataclass 聚合根├── generate_sample_data.py # 模拟数据生成3批次含多种工况├── data_loader.py # 数据加载 编码探测 质量评估├── core_analyzer.py # ★ 核心分析引擎模板方法├── report_generator.py # 报表生成Excel/CSV/图表├── main.py # 主入口流程编排├── requirements.txt # numpy / pandas / matplotlib / pyyaml / openpyxl├── README.md # 本说明├── data/ # 输入 CSV自动创建└── output/ # 输出报表自动创建├── ph_analysis_report.xlsx # 4个Sheet├── zones.csv├── disturbance_events.csv├── batch_summary.csv├── run.log└── charts/ # 5张PNG5.2 三步上手# 第1步安装依赖pip install -r requirements.txt# 第2步生成模拟数据含3批次 × 多种工况python generate_sample_data.py# 第3步一键运行python main.py5.3 使用你自己的数据将DCS/SCADA导出的反应釜日志整理为CSVtimestamp,ph_value,reagent_flow_lh,temperature_c,agitation_rpm,feed_flow_lh,batch_id2025-04-01 08:00:00,5.20,120.5,45.1,200,502.3,B-2025-0012025-04-01 08:00:30,5.25,118.2,45.3,200,498.7,B-2025-001放入data/reactor_ph_log.csv编辑config.yaml 中的参数匹配你的工艺再运行python main.py 即可。支持中文列名——在config.yaml 的data.column_mapping 中修改映射data:column_mapping:timestamp: 采集时间ph_value: pH值reagent_flow_lh: 试剂流量temperature_c: 温度5.4 配置文件说明config.yamlreactor:name: R-101 中和反应釜process: 酸碱中和反应 (H₂SO₄ NaOH)target_ph: 7.0 # 目标pHsampling_interval_sec: 30 # 采样间隔ph_analysis:stable_tolerance: 0.15 # 滚动σ 0.15 视为稳定stable_min_duration_sec: 60 # 至少连续60秒才算稳定区间disturbance_min_duration_sec: 30merge_gap_sec: 45 # 相邻区间间隔45s则合并disturbance:slope_threshold_ph_s: 0.05 # 斜率 0.05 pH/s 视为扰动amplitude_threshold_ph: 0.30 # 振幅 0.30 pH 视为扰动事件min_event_gap_sec: 20chart:color_stable: #2ECC71 # 绿色稳定color_disturbance: #E74C3C # 红色扰动color_transition: #F39C12 # 橙色过渡5.5 命令行参数python main.py --config my.yaml # 使用自定义配置python main.py --data path.csv # 指定数据文件python main.py --gen-data # 强制重新生成模拟数据python main.py --no-charts # 跳过图表仅输出表格python main.py --verbose / -v # 详细调试日志5.6 输出文件说明文件 内容output/ph_analysis_report.xlsx Sheet1 总览 / Sheet2 区间明细(着色) / Sheet3 扰动事件 / Sheet4 批次摘要(着色)output/zones.csv 所有区间类型/起止/均值σ/触发原因output/disturbance_events.csv 扰动事件类型/振幅/最大斜率/推断原因output/batch_summary.csv 每批次统计稳定%/扰动%/达标率/评级output/charts/01_ph_timeline.png ★ pH时序 区间背景着色 试剂流量output/charts/02_event_timeline.png 扰动事件时间线振幅连线output/charts/03_batch_radar.png 批次工艺对比雷达图output/charts/04_ph_distribution.png pH分布直方图 目标线output/charts/05_dashboard.png 综合工艺仪表盘4子图六、核心知识点卡片 卡片1pH中和曲线的强非线性pH pKa log([A⁻]/[HA]) ← Henderson-Hasselbalch 方程在中性点附近· 加一滴碱pH从6跳到9增益×1000· 这就是pH控制难的物理根源对策课程§6.3· 非线性PID增益调度· 前馈反馈复合控制· 分段P控制 参考《工业过程控制》§6.3 pH中和过程特性 卡片2滚动标准差 vs 固定阈值方法 公式 适用场景固定阈值 pH - target滚动σstd(rolling_window) pH等强非线性系统自适应带宽 σ × (1 α dev 本项目用滚动σ——中性点附近σ天然大自动放宽酸碱区σ天然小自动收紧。 卡片3cumsum 连续分段万能idiom# 问题把 [S,D,D,T,S,T,D,D,D] 分成稳定/扰动/过渡段labels pd.Series([S,D,D,T,S,T,D,D,D])# ★ 核心一行group_id (labels ! labels.shift()).cumsum()# 结果: [1,2,2,3,4,5,6,6,6]# → 完美分段 这是 pandas 处理连续区间问题的标准解法比循环快100倍。本项目用它同时处理区间合并和事件合并。 卡片4扰动检测双判据判据 公式 捕获什么斜率判据 dpH/dt幅值判据max-min 0.30 pH 大幅偏移控制失稳两者满足其一即标记扰动。斜率抓快变幅值抓大偏——互补覆盖。 卡片5控制系统品质指标课程§6.1指标 定义 本项目对应稳态误差 ess PV∞ - SP超调量 Mp (ymax - y∞)/ y∞-y0过渡过程时间 ts 进入±2%带且不超出 稳定区间前的最长过渡振荡次数 穿越目标线的次数 湍流批次的过渡区间数 卡片6OOP设计模式速查模式 本项目应用 解决的问题聚合根AppConfig 包含6个子配置 外部只需持有一个对象模板方法PhReactorAnalyzer.analyze() 主流程固定步骤可替换值对象PhZone/DisturbanceEvent 不可变 安全传递、可序列化策略模式PhAnalysisConfig.classify_point() 换判定逻辑只改一处工厂方法AppConfig.from_yaml() 封装创建逻辑封装ReportGenerator._apply_excel_styles() 着色逻辑对外不可见七、总结7.1 本工具做了什么步骤 内容 对应课程章节① 配置加载 YAML → dataclass 聚合根 —② 数据加载 编码自动探测 质量评估 §3.1 测量误差③ 预处理 时间索引化 排序去空 —④ 逐点分类 滚动σ 斜率双特征 §6.1 品质指标⑤ 区间合并 cumsum技巧 噪声过滤 近邻合并 数字信号处理⑥ 扰动事件 双判据确认 幅值/斜率统计 §6.3 pH中和特性⑦ 原因推断 酸性/碱性/温度/不明四类 §6.3 工艺知识⑧ 批次聚合 稳定%/扰动%/达标率/评级 §6.1 控制性能评估⑨ 报表输出 Excel(4Sheet)CSV×3图表×5 —7.2 OOP 设计回顾设计决策 好处 体现的原则AppConfig 聚合根 外部只需持有一个对象 聚合根模式PhAnalysisConfig.is_stable() 内聚判定 换工艺只改YAML 单一职责PhZone /DisturbanceEvent 不可变 安全传递、可序列化 值对象模式PhReactorAnalyzer.analyze() 模板方法 主流程固定步骤可替换 模板方法模式ReportGenerator 多格式输出 新增格式不改流程 开闭原则OCP编码自动探测 不同SCADA导出即插即用 鲁棒性设计诚实的原因不明 不瞎编建议加装传感器 工程诚信7.3 适用与不适用✅ 适用 ❌ 不适用有pH历史CSV的反应釜/发酵罐 实时在线报警需OPC UA直连批次生产记录分析 多变量耦合系统需MIMO方法工艺优化前后对比 非pH参数温度/压力需另建模型合规审计pH达标率统计 毫秒级快速反应需高频采集控制算利用AI解决实际问题如果你觉得这个工具好用欢迎关注长安牧笛
