企业官网建设流程全解析

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：

pH

14 │ ╱╱╱╱╱╱ (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

│

┌──────────┼──────────┐

↓ ↓ ↓

σ<0.15 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

@dataclass

class 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 = 0.15

stable_min_duration_sec: float = 60.0

disturbance_min_duration_sec: float = 30.0

merge_gap_sec: float = 45.0

def is_stable(self, ph_values, tolerance=None) -> bool:

"""判断一段pH序列是否"稳定" —— 逻辑内聚在此"""

if len(ph_values) == 0:

return False

tol = tolerance or self.stable_tolerance

return (max(ph_values) - min(ph_values)) <= tol

def 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_target"

elif dev <= 0.3: return "near_target"

elif dev <= 1.0: return "moderate_dev"

elif dev <= 2.0: return "large_dev"

else: 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

@staticmethod

def 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", encoding=enc) as f:

f.read(2048)

return enc

except (UnicodeDecodeError, OSError):

continue

return "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_ph

tol = self.ph_cfg.stable_tolerance

ph = data["ph_value"]

# 滑动窗口标准差（窗口=11点≈5.5分钟）

window = 11

rolling_std = ph.rolling(window=window, min_periods=3, center=True).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,

index=data.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"] = "stable"

dist_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"] = "disturbance"

return 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②：cumsum 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 +1

group_id = (df["zone"] != df["zone"].shift()).cumsum()

zones = []

dt_sec = self.cfg.reactor.sampling_interval_sec

for 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_sec

if zone_label == "stable"

else self.ph_cfg.disturbance_min_duration_sec / dt_sec

))

if len(grp) < min_pts:

continue

zones.append(PhZone(

start_time=grp.index.min(),

end_time=grp.index.max(),

zone_type=zone_label,

mean_ph=round(ph_vals.mean(), 3),

std_ph=round(ph_vals.std(), 4),

min_ph=round(ph_vals.min(), 2),

max_ph=round(ph_vals.max(), 2),

duration_sec=round(len(grp) * dt_sec, 1),

n_points=len(grp),

trigger_reason=f"σ={ph_vals.std():.4f}" if zone_label == "stable"

else f"max_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_ph

for gid, grp in df[is_dist].groupby(group_id[is_dist]):

ph = grp["ph_value"].dropna()

if len(ph) < 3:

continue

ph_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_injection"

cause = "疑似加碱过量或上游来料碱性增强"

elif ph_trough < target - 1.5:

evt_type = "acid_injection"

cause = "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_spike"

cause = "温度波动引发pH变化（温度补偿不足）"

else:

evt_type = "unknown"

cause = "原因不明，建议检查试剂投加系统"

else:

evt_type = "unknown"

cause = "原因不明"

events.append(DisturbanceEvent(

start_time=grp.index.min(),

end_time=grp.index.max(),

duration_sec=round((grp.index.max() - grp.index.min()).total_seconds(), 1),

event_type=evt_type,

ph_start=round(ph.iloc[0], 2),

ph_peak=round(ph_peak, 2),

ph_trough=round(ph_trough, 2),

ph_amplitude=round(amplitude, 3),

max_slope_ph_s=round(grp["ph_slope"].abs().max(), 5),

likely_cause=cause,

))

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),

sharex=True,

gridspec_kw={"height_ratios": [3, 1]})

# pH曲线

ax1.plot(data.index, data["ph_value"],

color=self.chart.color_ph_line, linewidth=0.8, label="pH值")

# 目标线

target = self.cfg.reactor.target_ph

ax1.axhline(y=target, color="gray", linestyle="--",

linewidth=1, label=f"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 0.35

ax1.axvspan(z["开始时间"], z["结束时间"], alpha=alpha, color=color)

ax2.axvspan(z["开始时间"], z["结束时间"], alpha=alpha, color=color)

# 试剂流量（次坐标轴）

if "reagent_flow_lh" in data.columns:

ax2.plot(data.index, data["reagent_flow_lh"],

color=self.chart.color_reagent_line, linewidth=0.8, 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 σ=0.675

🔍 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 pH=5.48±0.288

🟡 04-01 09:10 → 09:12 类型=transition 持续= 120s pH=6.03±0.027

🟢 04-01 09:46 → 09:47 类型=stable 持续= 60s pH=6.51±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PNG

5.2 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.py

5.3 使用你自己的数据

将DCS/SCADA导出的反应釜日志整理为CSV：

timestamp,ph_value,reagent_flow_lh,temperature_c,agitation_rpm,feed_flow_lh,batch_id

2025-04-01 08:00:00,5.20,120.5,45.1,200,502.3,B-2025-001

2025-04-01 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.yaml）

reactor:

name: "R-101 中和反应釜"

process: "酸碱中和反应 (H₂SO₄ + NaOH)"

target_ph: 7.0 # 目标pH

sampling_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: 30

merge_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: 20

chart:

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1：pH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σ

"std(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3：cumsum 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6：OOP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！