CN104330336A - 基于ica和svm的气液两相流型识别方法 - Google Patents
基于ica和svm的气液两相流型识别方法 Download PDFInfo
- Publication number
- CN104330336A CN104330336A CN201410624191.9A CN201410624191A CN104330336A CN 104330336 A CN104330336 A CN 104330336A CN 201410624191 A CN201410624191 A CN 201410624191A CN 104330336 A CN104330336 A CN 104330336A
- Authority
- CN
- China
- Prior art keywords
- differential pressure
- flow pattern
- msub
- phase
- mrow
- 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
Links
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 36
- 239000007788 liquid Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims description 29
- 238000003909 pattern recognition Methods 0.000 claims description 14
- 238000012567 pattern recognition method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000012071 phase Substances 0.000 description 24
- 239000007791 liquid phase Substances 0.000 description 15
- 239000012530 fluid Substances 0.000 description 11
- 239000013598 vector Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Landscapes
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种基于ICA和SVM的气液两相流型识别装置与方法,该流型识别装置包括标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机。差压变送器1安装在文丘里管垂直截面向上45°处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。该流型识别方法首先应用差压变送器1和差压变送器2测量两路差压信号,然后应用ICA方法对测得的两路差压信号进行分离得到两路分离信号,并根据相关系数确定分离信号的顺序和相位,再提取两相流流型识别的特征参数,最后将提取的特征参数归一化后作为训练样本集输入支持向量机训练得到流型识别模型。该流型识别方法简单、易于实现、实时性好。
Description
技术领域
本发明属于流体测量技术领域,具体涉及到一种基于ICA和SVM的气液两相流型识别方法。
背景技术
气液两相流动现象在日常的生活和生产中是非常常见的,对整个社会发展有着重要的影响。在发电、化工、石油等行业都包含各种各样的气液两相流系统,例如化工生产中分馏过程,油气混合运输过程等。两相流的不同流型之间有着不一样的特性,例如流体的热传导性质,流体的流动参数等。如果能够有效地识别两相流的流型,将有利于提升产品的质量,提高生产过程的安全性,避免造成人身财产损失,同时可以有效地节约能源。总之,两相流流型识别的研究对于促进整个国民经济的健康有序发展起到了重要的作用。
在气液两相流系统中,由于流体在流动中是一个动态过程,流体的分界面等都会时刻发生着变化,流体存在一个非常复杂的结构,从而导致了气液两相流流型多种多样,这在一定程度上加剧了气液两相流流型识别难度。同时,受到技术的限制,很多流体参数(流速、流动形态等)的采集比较困难,或者测量精度不高,导致对流型做出错误的判断。还有在气液两相流中,气相和液相流体的流动参数不同,并且两者之间还会出现一些耦合现象,所以很难有效的预测气液两相流的流型。
近年来,科技的快速发展为气液两相流流型的在线识别提供了技术依据。例如神经网络、支持向量机等算法的出现,提供了新方法和新思路。尽管国内外科研工作者已经在流型识别上进行了非常多的理论研究和实验测试,但是依然存在着比较多的问题,例如特征参数的选择、气液两相之间的耦合影响等。特征参数如果选择不当,掺杂入了冗余的特征参数的话,就会造成较大的运算量和较低的识别率。气相和液相的相互影响,导致了提取的特征参数不能有效地表征气相和液相的特征。这些都是以后的气液两相流研究中需要进一步解决的问题。
盲源分离技术能够较好地反映出气液两相流系统的特性以及系统内部气相和液相之间的相互作用,得到分别表征气、液相的独立成分,这有利于提高流型的识别率。本发明专利结合盲源分离技术和支持向量机获取两相流流型分类模型。
发明内容
本发明专利从文丘里管上45°取压口和下45°取压口采集两路测量差压信号,然后采用ICA对测量差压信号进行分离得到分离信号后,提取表征流型的特征参数,应用支持向量机SVM训练特征参数得到分类模型。
一种基于ICA和SVM的气液两相流型识别装置,其特征包括:标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机。差压变送器1安装在文丘里管垂直截面向上45°处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。
上述差压变送器1与差压变送器2具有相同的原理、相同的精度和灵敏度。
一种基于ICA和SVM的气液两相流型识别方法,具体内容包括以下步骤:
步骤A:测量差压信号的采集,本发明从差压变送器1和差压变送器2取压得到两路差压信号x1和x2;
步骤B:应用ICA方法对x1和x2进行分离得到两路分离信号y1和y2;
步骤C:根据相关系数确定分离信号y1与y2的顺序和相位,计算相关系数 和 其中,n为测量差压信号和分离信号的采样点数,分别为x1、x2、y1、y2的平均值,若|r1|<|r2|,则令y1与y2交换顺序,否则y1与y2顺序不变;然后,再计算分离信号顺序调整后的相关系数r1和r2,若r1≥0,则y1的相位不变,若r1<0,则将y1的相位反转,若r2≥0,则y2的相位不变,若r2<0,则将y2的相位反转;
步骤D:提取两相流流型识别的特征参数,计算x1的均值和方差,x2的均值和方差,y1的偏斜度和峭度,y2的偏斜度和峭度,作为特征参数;
步骤E:将步骤D得到的特征参数归一化后作为训练样本集送入支持向量机训练,得到支持向量机的分类模型。
上述步骤E得到的用于流型识别的分类模型存储于计算机中。
本发明的有益效果在于:采用ICA算法对测量差压信号进行盲分离处理,得到独立性强且能够分别表征气相和液相信号特征的分离信号,并提取测量差压信号的均值和方差以及分离信号的偏斜度和峭度作为特征参数输入支持向量机获取用于流型识别的分类模型。该流型识别方法简单、易于实现、实时性好。
附图说明
图1为文丘里管取压图;
图2为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管上45°取压口的测量差压信号;
图3为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管下45°取压口的测量差压信号;
图4为采用ICA方法将图2、图3两路测量差压信号分离后得到的第一路分离信号;
图5为采用ICA方法将图2、图3两路测量差压信号分离后得到的第二路分离信号;
图6为实验工况下的测量差压信号的均值;
图7为实验工况下的测量差压信号的方差;
图8为实验工况下的分离信号的偏斜度;
图9为实验工况下的分离信号的峭度;
图10为流型识别结果。
具体实施方式
一种基于ICA和SVM的气液两相流型识别装置,其特征包括:标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机。差压变送器1安装在文丘里管垂直截面向上45° 处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。
上述差压变送器1与差压变送器2具有相同的原理、相同的精度和灵敏度。
一种基于ICA和SVM的气液两相流型识别方法,其特征包括如下具体步骤:应用差压变送器1和差压变送器2测量两路差压信号x1与x2,应用ICA方法对x1与x2进行分离得到两路分离信号y1与y2,提取测量差压信号的均值和方差以及分离信号的偏斜度和峭度作为特征参数,将归一化后的特征参数作为训练样本集输入支持向量机训练,得到用于流型识别的分类模型CM。下面结合附图与具体实施方式对本发明作进一步详细描述。
本实施例实现液相体积流量0-20m3/h,气相体积流量0-40m3/h的泡状流、环状流、塞状流三种不同气液两相流的流型识别,其中,气相为空气,液相为水。
步骤A:采集气液两相流测量差压信号。采用图1所示的方式进行取压,差压变送器1和差压变送器2测得两路差压信号x1和x2。
本实施例中,共选取113种工况进行实验,包括28组泡状流,45组塞状流和40组环状流。
图2为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管上45°取压口的测量差压信号。
图3为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管下45°取压口的测量差压信号。
步骤B:应用ICA方法对测量差压信号进行分离。具体步骤如下:(1)对测量差压信号x进行白化,得到z,其中x=[x1;x2];(2)初始化分离矩阵||Wi(0)||2=1,其中i=1,2;(3)对分离矩阵进行迭代:Wi(k+1)=E[zf(Wi T(k)z)]-E[f'(Wi T(k)z)]Wi(k);(4)对刚迭代产生的分离矩阵进行归一化处理:(5)判断是否达到稳定状态,如果|Wi(k+1)Wi(k)T|接近1,则说明前后两次的分离矩阵基本不再变化,此时可以退出迭代,否则返回(3);(6)得到分离信号:yi=Wi Tz,令y=[y1;y2]。
步骤C:根据相关系数确定分离信号y1与y2的顺序和相位,计算相关系数 和 其中,n为测量差压信号和分离信号的采样点数,分别为x1、x2、y1、y2的平均值,若|r1|<|r2|,则令y1与y2交换顺序,否则y1与y2顺序不变;然后,再计算分离信号顺序调整后的相关系数r1和r2,若r1≥0,则y1的相位不变,若r1<0,则将y1的相位反转,若r2≥0, 则y2的相位不变,若r2<0,则将y2的相位反转。
本实施例中,采用ICA方法分别将步骤A中得到的113种工况下的测量差压信号进行分离得到分离信号,并根据相关系数对分离信号进行排序。
图4为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h时,采用ICA方法对两路测量差压信号分离后得到的第一路分离信号。
图5为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h时,采用ICA方法对两路测量差压信号分离后得到的第二路分离信号。
步骤D:计算测量差压信号x的均值和方差以及分离信号y的偏斜度和峭度作为特征参数。其中:
均值:
方差:
偏斜度:
峭度:
其中,n为测量差压信号和分离信号的采样点数。
图6为实验工况下的测量差压信号的均值。图7为实验工况下的测量差压信号的方差。图8为实验工况下的分离信号的偏斜度。图9为实验工况下的分离信号的峭度。
步骤E:将步骤D得到的特征参数归一化后作为训练样本集输入支持向量机训练得到流型识别模型。具体的,支持向量机的训练样本可以表示为:(p1,q1),(p2,q2),…(pn,qn)。其中qi(i=1…n)是目标值,pi(i=1…n)是输入向量。线性支持向量分类机问题可以描述为:
(1)T={(p1,q1),…,(pl,ql)}∈(Rn×Q)l,其中pi∈Rn,qi∈Q={1,-1},i=1,…,l;
(2)选择适当的惩罚参数C>0;
(3)构造并求解凸二次规划问题:
得解α=(α1,…,αl)T;
(4)计算b:选取位于开区间(0,C)中的α的分量αj,据此计算:
(5)构造分划超平面(ω·p)+b=0,由此求得决策函数
f(p)=sgn(g(p))
其中,其中αi(i=1,…,l)是拉格朗日乘子,权矢量ω∈Rn,b是偏差量。
对于非线性问题,如果选取合适的核函数K,则能把非线性问题转变为一个线性问题,此时对应的目标函数为:
式中,αi是拉格朗日乘子。同时,非线性情况下的分类函数变成:
式中,K是核函数,选择径向基函数其中σ为核函数的调整参数,v是支持向量的个数。
针对多类支持向量机,采用一对一分类法,各个类两两之间需要构造所有可能的二类分类向量机。在训练阶段,一个类记作“+1”类,而另一个对应的类记作“-1”类,得到v(v-1)/2个二类分类器。第一个二类分类器是区别样本属于第一类还是第二类,第二个二类分类器是区别样本属于第一类还是第三类,以此类推。通常采用投票法对样本进行分类,如果输入样本属于第i个类,那么就可以把票投给第i个类,一直把所有的v(v-1)/2个两类分类机遍历一遍。得票数最多的类就是输入样本属于的类别。其中,v是支持向量的个数。
步骤E得到的流型识别模型存储于计算机中。流型识别时,将待预测流型对应的特征参数直接输入上述流型识别模型中进行流型识别。
本实施例针对上述113种实验工况,选择其中的14组泡状流,23组塞状流和20组环状流的归一化后的特征参数作为训练样本集输入支持向量机训练得到流型识别模型CM,剩下的作为测试样本。将测试样本归一化后的特征参数输入到上述流型识别模型CM中进行流型预测。
图10表示测试样本的流型识别结果。横坐标1-14代表不同工况下的泡状流的编号,横坐标15-34代表不同工况下的环状流的编号,横坐标35-56代表不同工况下的塞状流的编号。纵坐标-1、0、1分别代表不同的流型,-1代表泡状流,0代表环状流,1代表塞状流。从图10中可以看出,14组泡状流中无识别错误,20组环状流中无识别错误,22组塞状流中有3组识别错误,一共有3组错误识别样本,正确率为94.6%。
Claims (6)
1.一种基于ICA和SVM的气液两相流型识别装置,其特征包括:标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机,差压变送器1安装在文丘里管垂直截面向上45°处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。
2.一种基于ICA和SVM的气液两相流型识别方法,其特征包括如下具体步骤:
步骤A:应用差压变送器1和差压变送器2测量两路差压信号x1与x2;
步骤B:应用ICA方法对x1与x2进行分离得到两路分离信号y1与y2;
步骤C:根据相关系数确定分离信号y1与y2的顺序和相位;
步骤D:提取两相流流型识别的特征参数;
步骤E:将步骤D得到的特征参数归一化后作为训练样本集输入支持向量机训练得到流型识别模型。
3.根据权利要求1所述的一种基于ICA和SVM的气液两相流型识别装置,其特征在于所述的差压变送器1与差压变送器2具有相同的原理、相同的精度和灵敏度。
4.根据权利要求2所述的一种基于ICA和SVM的气液两相流型识别方法,步骤C根据相关系数确定分离信号y1与y2的顺序和相位中,其特征在于,首先计算相关系数 和其中,n为测量差压信号和分离信号的采样点数,分别为x1、x2、y1、y2的平均值,若|r1|<|r2|,则令y1与y2交换顺序,否则y1与y2顺序不变;然后,再计算分离信号顺序调整后的相关系数r1和r2,若r1≥0,则y1的相位不变,若r1<0,则将y1的相位反转,若r2≥0,则y2的相位不变,若r2<0,则将y2的相位反转。
5.根据权利要求2所述的一种基于ICA和SVM的气液两相流型识别方法,步骤D提取两相流流型识别的特征参数中,其特征在于提取的特征参数为x1的均值和方差,x2的均值和方差,y1的偏斜度和峭度,y2的偏斜度和峭度。
6.根据权利要求2所述的一种基于ICA和SVM的气液两相流型识别方法,其特征在于步骤E得到的流型识别模型存储于计算机中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410624191.9A CN104330336B (zh) | 2014-11-07 | 2014-11-07 | 基于ica和svm的气液两相流型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410624191.9A CN104330336B (zh) | 2014-11-07 | 2014-11-07 | 基于ica和svm的气液两相流型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104330336A true CN104330336A (zh) | 2015-02-04 |
CN104330336B CN104330336B (zh) | 2018-02-02 |
Family
ID=52405106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410624191.9A Expired - Fee Related CN104330336B (zh) | 2014-11-07 | 2014-11-07 | 基于ica和svm的气液两相流型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104330336B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404270A (zh) * | 2016-11-09 | 2017-02-15 | 中国石油大学(华东) | 基于文丘里管差压数据的气液两相流参数测量方法 |
CN108168612A (zh) * | 2017-12-27 | 2018-06-15 | 中国石油大学(华东) | 基于差压信号波动的气液两相流体积含气率测量方法 |
CN110186523A (zh) * | 2018-12-11 | 2019-08-30 | 中国航空工业集团公司北京长城计量测试技术研究所 | 差压式流量计测量液体动态流量方法 |
CN114510974A (zh) * | 2022-01-27 | 2022-05-17 | 西安交通大学 | 一种多孔介质内气液两相流流型智能识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1152234A2 (de) * | 2000-05-03 | 2001-11-07 | WGE Dr. Bures GmbH & Co. KG | Viskosimeter |
CN1563940A (zh) * | 2004-04-02 | 2005-01-12 | 浙江大学 | 基于希尔伯特-黄变换的水平管气液两相流流型识别方法 |
CN101556234A (zh) * | 2009-04-30 | 2009-10-14 | 浙江大学 | 气水两相流多参数测量方法和装置 |
CN203605986U (zh) * | 2013-11-26 | 2014-05-21 | 江阴市宏达仪表有限公司 | 高精度文丘里管 |
CN103925954A (zh) * | 2014-05-08 | 2014-07-16 | 邵朋诚 | 文丘里孔板 |
-
2014
- 2014-11-07 CN CN201410624191.9A patent/CN104330336B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1152234A2 (de) * | 2000-05-03 | 2001-11-07 | WGE Dr. Bures GmbH & Co. KG | Viskosimeter |
CN1563940A (zh) * | 2004-04-02 | 2005-01-12 | 浙江大学 | 基于希尔伯特-黄变换的水平管气液两相流流型识别方法 |
CN101556234A (zh) * | 2009-04-30 | 2009-10-14 | 浙江大学 | 气水两相流多参数测量方法和装置 |
CN203605986U (zh) * | 2013-11-26 | 2014-05-21 | 江阴市宏达仪表有限公司 | 高精度文丘里管 |
CN103925954A (zh) * | 2014-05-08 | 2014-07-16 | 邵朋诚 | 文丘里孔板 |
Non-Patent Citations (4)
Title |
---|
刘文思: "文丘里管与槽式孔板在两相流检测中的实验研究", 《第十五届中国海洋(岸)工程学术讨论会论文集》 * |
周云龙: "基于独立分量分析和支持向量机的气液两相流流型识别", 《东北电力大学学报》 * |
汪春竹: "《仪表维修工 石油工作岗位知识读本》", 1 March 2012 * |
金桂梅: "基于相关系数的盲源分离排序和相位调整法", 《现代电子技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404270A (zh) * | 2016-11-09 | 2017-02-15 | 中国石油大学(华东) | 基于文丘里管差压数据的气液两相流参数测量方法 |
CN106404270B (zh) * | 2016-11-09 | 2019-03-22 | 中国石油大学(华东) | 基于文丘里管差压数据的气液两相流参数测量方法 |
CN108168612A (zh) * | 2017-12-27 | 2018-06-15 | 中国石油大学(华东) | 基于差压信号波动的气液两相流体积含气率测量方法 |
CN110186523A (zh) * | 2018-12-11 | 2019-08-30 | 中国航空工业集团公司北京长城计量测试技术研究所 | 差压式流量计测量液体动态流量方法 |
CN114510974A (zh) * | 2022-01-27 | 2022-05-17 | 西安交通大学 | 一种多孔介质内气液两相流流型智能识别方法 |
CN114510974B (zh) * | 2022-01-27 | 2024-04-09 | 西安交通大学 | 一种多孔介质内气液两相流流型智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104330336B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
CN104330336B (zh) | 基于ica和svm的气液两相流型识别方法 | |
CN101984340B (zh) | 一种基于人工智能的软性磨粒两相湍流流型识别方法 | |
CN104807589B (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
CN104331712B (zh) | 一种藻类细胞图像自动分类方法 | |
CN105528504A (zh) | 基于cfoa-mkhsvm的滚动轴承健康状态评估方法 | |
CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
CN104793606B (zh) | 基于改进的kpca和隐马尔科夫模型的工业故障诊断方法 | |
CN105550426A (zh) | 一种基于样本分割的多尺度二叉树高炉故障诊断方法 | |
CN105955219A (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN104699077A (zh) | 一种基于嵌套迭代费舍尔判别分析的故障变量隔离方法 | |
CN103793694B (zh) | 一种基于多特征空间稀疏分类器的人脸识别方法 | |
CN106326915A (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN104155245B (zh) | 一种基于模式识别与谱图映射的油品多类性质的检测方法 | |
CN111914889B (zh) | 一种基于简略核主元分析的精馏塔异常状态识别方法 | |
CN107657274A (zh) | 一种基于k‑means的二叉SVM‑tree不平衡数据工业故障分类方法 | |
Khan et al. | Flow Regime Identification in Gas-Liquid Two-Phase Flow in Horizontal Pipe by Deep Learning | |
CN110175640A (zh) | 一种基于机器学习的电液伺服阀故障诊断方法 | |
CN112926767A (zh) | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 | |
CN105843212B (zh) | 一种高炉故障诊断系统及方法 | |
CN103616889A (zh) | 一种重构样本中心的化工过程故障分类方法 | |
CN105241665A (zh) | 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法 | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180202 Termination date: 20181107 |
|
CF01 | Termination of patent right due to non-payment of annual fee |