CN104657596A - 一种基于模型迁移的大型新压缩机性能预测快速建模方法 - Google Patents

一种基于模型迁移的大型新压缩机性能预测快速建模方法 Download PDF

Info

Publication number
CN104657596A
CN104657596A CN201510041870.8A CN201510041870A CN104657596A CN 104657596 A CN104657596 A CN 104657596A CN 201510041870 A CN201510041870 A CN 201510041870A CN 104657596 A CN104657596 A CN 104657596A
Authority
CN
China
Prior art keywords
new
compressor
data
experimental
prediction
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
Application number
CN201510041870.8A
Other languages
English (en)
Other versions
CN104657596B (zh
Inventor
褚菲
马小平
叶俊锋
吴奇
郭一楠
常俊林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN201510041870.8A priority Critical patent/CN104657596B/zh
Publication of CN104657596A publication Critical patent/CN104657596A/zh
Application granted granted Critical
Publication of CN104657596B publication Critical patent/CN104657596B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开一种基于模型迁移的大型新压缩机性能预测快速建模方法,其基于已有相似压缩机的性能预测模型,利用新/旧压缩机的先决经验知识来确定各参量额定值、稳定运行区间;设计实验来采集少量的实验数据样本,并依新压缩机的额定运行参数对采集样本进行归一化处理,利用ELM神经网络构建新压缩机的性能预测模型并进行迁移学习,将训练样本输入数据和基础模型的输出预测值作新模型输入变量,训练样本输出数据作新模型输出来进行模型迁移训练;最后利用测试样本来测试所建新模型的有效性;本发明利用已有相似压缩机的性能预测模型和新压缩机的先验知识,在少量实验数据信息情况下能快速开发新压缩机的性能预测模型,提高了建模效率与准确度。

Description

一种基于模型迁移的大型新压缩机性能预测快速建模方法
技术领域
[0001] 本发明涉及一种大型压缩机性能预测模型的建模方法,具体是一种基于模型迀移 的大型新压缩机性能预测快速建模方法,属于大型压缩机性能预测模型建模技术领域。
背景技术
[0002] 压缩机作为一种压力提升装置已被广泛应用于工业和农业等领域,其主要利用叶 片和气体间的相互作用来提高气体的压力和动能,并经过相继通流元件的作用使气流减 速,使其压力得到进一步提高。现有大型压缩机具有排气压力高、输送流量大和效率高等优 点,能够满足钢厂、电厂等大规模工业生产的要求,但在实际使用过程中也存在性能难以准 确预测和实际运行控制效果不理想等问题,如大型离心压缩机存在易发生喘振的缺陷。而 大型离心压缩机的防喘振运行控制直接关系着是否能够更好地对大型压缩机进行控制,故 快速地建立准确的大型压缩机性能预测模型对大型压缩机的控制具有十分重要的意义。
[0003] 目前,已研发出多种用于大型压缩机的建模和性能预测的方法,如一种机理建 模方法(Chu F, Wang F L, Wang X G, et al. A model for parameter estimation of multistage centrifugal compressor and compressor performance analysis using genetic algorithm. Sci China Tech Sci, 2012, 55 (11): 3163-3175·),其通过分析压缩机 的能量损失机理,利用热力学第一定律和能量守恒关系来建立压缩机的性能预测模型。该 机理建模方法虽然能够建立大型压缩机的性能预测模型,但存在建立模型所耗时间长、计 算工作量大且预测精度通常较低等问题,并不实用。
[0004] 除此之外,还有一些基于数据的建模方法,如基于修正的离心压缩机性能的模糊 建模方法[J](厉勇、王丽荣、李斌;化工自动化及仪表,2010, 37 (6) :32-34.)和基于径 向基函数神经网络的多级离心压缩机混合模型[J](褚菲、王福利、王小刚;控制理论与应 用,2012, 29(9) :1205-1209.)等,所述基于数据的建模方法是指建立在大型压缩机实际运 行数据的基础上,通过分析压缩机的实际输入与输出响应之间的关系,从而拟合出输入输 出的关系表达,进而实现最终的建模。只要有足够的可靠数据信息,建立模型的预测精度就 很高;但正因为这种建模方法通常需要大量的数据样本进行学习,对训练数据的噪声及工 况的变化又很敏感,尤其是针对一个新压缩机而言,由于运行时间短,缺乏可靠的过程数据 信息,此时如果再采用上述的建模方法进行新压缩机性能预测模型的开发,将会导致模型 的预测精度较低,并且浪费大量的人力及成本、效率低。因此如何快速地建立准确的新压缩 机性能预测模型成为了目前研宄的热点问题之一。
发明内容
[0005] 针对上述现有技术存在的问题,本发明提供一种基于模型迀移的大型新压缩机性 能预测快速建模方法,可以快速地建立大型新压缩机性能预测模型,节省模型的开发时间 与成本、效率高,准确度高。
[0006] 为了实现上述目的,本发明采用的一种基于模型迀移的大型新压缩机性能预测快 速建模方法,该建模方法的具体步骤是:
[0007] a、准备环节:利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运 行区间,并将已有相似压缩机的性能预测模型作为基础模型,所述相似压缩机是指与新压 缩机类型相同且运行背景相类似,仅存在几何尺寸或工作介质差异的压缩机;所述新压缩 机的先决经验知识包括额定参数、设计参数和性能曲线;
[0008] b、实验设计:根据新压缩机的变量额定值和少量的性能曲线,在新压缩机的稳定 运行区间内选择离散、稀疏的实验点进行实验,采集新压缩机的实际运行数据,即实验数据 样本,再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分;
[0009] c、数据区间转换、归一化处理:将实验数据样本中的输入数据进行尺度转换处理, 将其转换至基础模型的稳定运行区间内,并得到相应的基础模型预测输出值;根据已知的 新压缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及 基础模型的预测输出值进行归一化处理;
[0010] d、模型训练:利用步骤a中的基础模型,结合步骤b中所采集的新压缩机实验数据 样本通过模型迀移快速建立新压缩机的模型,采用ELM神经网络构建新压缩机性能预测模 型并进行迀移学习,该网络包括一个输入层、一个隐含层和一个输出层,利用实验数据样本 中的输入变量和基础模型的预测输出值作为ELM网络的输入变量,并将实验数据样本中的 输出数据作为ELM网络的输出变量,其中,实验数据样本中的输入变量包括介质入口压力、 流量、温度和转速,基础模型的预测输出变量为压比或温比,基础模型计算预测输出所需的 输入变量由步骤b中实验数据样本中的输入变量经过尺度转换处理得到,ELM网络的输出 变量为压缩机的输出压比或温比;利用步骤b中得到的模型训练样本数据以及基础模型的 预测输出数据训练迀移模型得到新压缩机的性能预测模型;
[0011] e、模型测试:利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能 预测模型的预测效果,若该ELM网络模型的预测误差小于设定值,则模型迀移训练结束,获 得新模型并应用,否则就返回步骤b中增加实验设计,采集更多的实验数据样本重新进行 模型迀移训练。
[0012] 所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间内,均匀稀 疏地选取实验数据点,对每个实验点进行实验并采集相应的输入/输出数据作为实验数据 样本,进而获得实验数据样本。
[0013] 所述步骤b中的实验数据样本按7:3的比例分为模型训练样本数据和模型测试样 本数据两部分。
[0014] 所述步骤c中的尺度转换处理是指在求解基础模型的预测输出前需先将 实验数据样本中的输入数据转换到基础模型所对应的区间内,具体的转换过程为:
Figure CN104657596AD00051
,其中\1(1和Xnrat分别表示基础模型 和新压缩机的输入变量值,Xt^max和X分别表示基础模型输入变量稳定运行区间的最 大值与最小值,Xnrat, _和X _,^分别表示新压缩机输入变量稳定运行区间的最大值与最小 值。
[0015] 所述步骤c中的归一化处理是将实验数据样本和基础模型的输出都映射到[-1, 1]区间,采用的映射关系如下
Figure CN104657596AD00061
其中,Y为归一化处理后的数据,X为 需要归一化的数据,Xmin为需要归一化处理数据中的最小值,Xmax为需要归一化处理数据中 的最大值。
[0016] 所述步骤d中采用模型训练样本数据对ELM网络进行训练,若网络的隐含层神经 元个数为L,激活函数为g (X),则ELM网络参数训练步骤简述如下:
[0017] (1)随机选择输入连接权值α和隐含层节点的阈值b ;
[0018] (2)计算隐含层输出矩阵H ;
[0019] (3)计算隐含层输出连接权值β。
[0020]与现有技术相比,本发明采用模型迀移策略来开发新压缩机的性能预测模型,具 体是充分利用已有相似压缩机的性能预测模型和新压缩机的先决经验知识(额定参数、设 计参数和性能曲线),在少量实验数据信息情况下能够快速地开发新压缩机的性能预测模 型,大大节省了模型的开发时间与成本、效率高;同时,采用ELM神经网络快速地构建大型 新压缩机的性能预测模型,相比于采用其他的神经网络,ELM网络在隐含层激活函数无限可 微的情况下,其网络参数无需全部进行调整,在训练时先随机选取输入连接权值和隐含层 节点的阈值,训练过程中仅需计算出输出连接权值即可完成整个网络的训练,大大提高了 网络的学习速度和泛化能力,提高了建模效率和准确度。该方法并不是简单的借助了 ELM 神经网络的优点,而是将ELM神经网络应用到建模中,结合相似压缩机的性能预测模型特 有的特性共同实现新压缩机的建模。
附图说明
[0021] 图1为本发明模型迀移策略的结构框图;
[0022] 图2为本发明开发新模型的流程图;
[0023] 图3为分别采用基于模型迀移的与基于数据的建模方法开发新压缩机性能预测 模型的输出压比的比较示意图;
[0024] 图4为分别采用基于模型迀移的与基于数据的建模方法开发新压缩机性能预测 模型的输出温比的比较示意图。
具体实施方式
[0025] 下面结合附图和具体实施例对本发明作进一步说明。
[0026] 如图1和图2所示,一种基于模型迀移的大型新压缩机性能预测快速建模方法,该 建模方法的具体步骤是:
[0027] a、准备环节:利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运 行区间,并选取与新压缩机类型相同且运行背景相类似,仅存在几何尺寸或工作介质差异 的相似压缩机的性能预测模型作为基础模型,具体是指:可利用新压缩机的铭牌等信息来 获取压缩机介质入口压力、温度、转速和流量等额定参数值以及设计参数,并利用厂家提供 的少量性能曲线确定新压缩机的稳定运行区间;同时,整理验证已有相似压缩机的性能预 测模型并保证其可靠性和预测精度等;
[0028] b、实验设计:根据新压缩机的变量额定值和少量的性能曲线,在新压缩机的稳定 运行区间内选择离散、稀疏的实验点进行实验,采集新压缩机的实际运行数据,即实验数据 样本,再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分;为了减少实 验次数,一开始可以采取正交实验法确定最少的实验点数;
[0029] c、数据区间转换、归一化处理:将实验数据样本中的输入数据进行尺度转换处理, 将其转换至基础模型的稳定运行区间内,并得到相应的基础模型预测输出值;根据已知的 新压缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及 基础模型的预测输出值进行归一化处理;
[0030] d、模型训练:利用步骤a中的基础模型,结合步骤b中所采集的新压缩机实验数 据样本通过模型迀移快速建立新压缩机的模型,考虑到ELM是一种新的单隐层前馈神经网 络学习算法,该网络具有学习速度快和泛化能力好等优良特性,能够作为一种快速建模的 手段,可采用ELM神经网络构建新压缩机性能预测模型并进行迀移学习,该网络包括一个 输入层、一个隐含层和一个输出层,所述实验数据样本中的输入变量和基础模型的预测输 出值作为ELM网络的输入变量,实验数据样本中的输出数据作为ELM网络的输出变量,进行 ELM网络训练;其中,实验数据样本中的输入变量包括介质入口压力、流量、温度和转速,基 础模型的预测输出变量为压比或温比,基础模型计算预测输出所需的输入变量由步骤b中 实验数据样本中的输入变量经过尺度转换处理得到,ELM网络的输出变量为压缩机的输出 压比或温比;利用步骤b中得到的模型训练样本数据以及基础模型的预测输出数据训练迀 移模型得到新压缩机的性能预测模型;
[0031] e、模型测试:利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能 预测模型的预测效果,首先将模型测试样本中的输入数据代入ELM网络中得到新模型的预 测输出值,然后求解该预测输出值与模型测试样本中的输出值之间的均方根误差,当该均 方根误差低于设定值时,即该ELM网络模型的预测误差小于设定值,则模型迀移训练结束, 获得新模型并应用,否则就返回步骤b中增加实验设计,采集更多的实验数据样本重新进 行模型迀移训练。
[0032] 优选地,所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间 内,均匀稀疏地选取实验数据点,对每个实验点进行实验并采集相应的输入/输出数据作 为实验数据样本,进而获得实验数据样本,这种采集方式获得的模型准确度高,效率更高。
[0033] 上述模型训练样本数据和模型测试样本数据可以采取不同的比例进行划分,但是 考虑到整个模型的精度和建模时间,当所述步骤b中的实验数据样本按7:3的比例分为模 型训练样本数据和模型测试样本数据两部分时,其建立模型的有效性更好。
[0034] 由于实验数据样本中输入数据的范围与基础模型输入变量的范围不尽相同,在求 解基础模型的输出前先对实验数据样本中的输入数据进行尺度转换处理,将其转换到基础 模型所对应的区间,即所述步骤c中的尺度转换处理是指在求解基础模型的预测输出前 需先将实验数据样本中的输入数据转换到基础模型所对应的区间内,具体的转换过程为:
Figure CN104657596AD00071
,其中Ld和Xm分别表示基础模型 和新压缩机的输入变量值,Xt^max和X分别表示基础模型输入变量稳定运行区间的最 大值与最小值,Xnrat, _和X _,^分别表示新压缩机输入变量稳定运行区间的最大值与最小 值。
[0035] 所述步骤c中的归一化处理是将实验数据样本和基础模型的输出都映射到[-1, 1]区间,采用的映射关系如下
Figure CN104657596AD00081
,其中,Y为归一化处理后的数据,X为 需要归一化的数据,Xmin为需要归一化处理数据中的最小值,Xmax为需要归一化处理数据中 的最大值。
[0036] 其中,所述步骤d中采用模型训练样本数据对ELM网络进行训练,假设模型训练样 本数为N,维数为D ;模型测试样本数为M,维数同样为D ;若网络的隐含层神经元个数为L, 激活函数为g(x),则ELM网络的数学表达式为:
Figure CN104657596AD00082
,其中,a」为输入层与 隐含层之间的连接权值,h为隐含层节点的阈值,β ^为隐含层与输出层之间的连接权值。 该表达式可简写为矩阵的形式:Ηβ =Υ,其中,H为隐含层的输出矩阵。当隐含层神经元激 活函数g(x)无限可微时,ELM网络的参数不需要全部调整,在训练时可以随机选取输入连 接权值a」和隐含层节点的阈值b」,并在训练过程中保持a#P b」的值不变,那么整个网络的 训练过程等价于寻找线性系统Ηβ =Y的最小二乘解。其中,ELM网络参数的训练骤如下:
[0037] (1)随机选择输入层与隐含层之间的连接权值和隐含层节点的阈值b j;
[0038] (2)计算隐含层输出矩阵H
Figure CN104657596AD00083
[0039] (3)计算隐含层与输出层之间的连接权值β J。
[0040] 为了验证该方法的效果,利用所采集的实验数据样本分别建立基于模型迀移的新 压缩机性能预测模型以及基于数据的新压缩机性能预测模型,并将两个模型的预测压比/ 温比与实际输出进行对比,结果发现,如图3和图4可见,基于模型迀移的建模方法预测精 度要比基于数据的建模方法预测精度高很多,具体如表1可见:
Figure CN104657596AD00084
[0042] 表 1。
[0043] 由上述分析可知,本发明通过采用模型迀移策略来开发新压缩机的性能预测模 型,充分利用已有相似压缩机的性能预测模型和新压缩机的先决经验知识(额定参数、设 计参数和性能曲线),在少量实验数据信息情况下能够快速地开发新压缩机的性能预测模 型,大大节省了模型的开发时间与成本、效率高;同时,采用ELM神经网络快速地构建大型 新压缩机的性能预测模型,相比于采用其他的神经网络,ELM网络在隐含层激活函数无限可 微的情况下,其网络参数无需全部进行调整,在训练时先随机选取输入连接权值和隐含层 节点的阈值,训练过程中仅需计算出输出连接权值即可完成整个网络的训练,大大提高了 网络的学习速度和泛化能力,提高了建模效率和准确度。该方法比基于数据的建模方法预 测精度要高很多,几乎接近实际输出,带来了意想不到的效果。

Claims (6)

1. 一种基于模型迀移的大型新压缩机性能预测快速建模方法,其特征在于,基于模型 迀移的大型新压缩机性能预测快速建模方法的具体步骤是: a、 准备环节:利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运行区 间,并将已有相似压缩机的性能预测模型作为基础模型,所述相似压缩机是指与新压缩机 类型相同且运行背景相类似,仅存在几何尺寸或工作介质差异的压缩机;所述新压缩机的 先决经验知识包括额定参数、设计参数和性能曲线; b、 实验设计:根据新压缩机的变量额定值和少量的性能曲线,在新压缩机的稳定运行 区间内选择离散、稀疏的实验点进行实验,采集新压缩机的实际运行数据,即实验数据样 本,再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分; c、 数据区间转换、归一化处理:将实验数据样本中的输入数据进行尺度转换处理,将其 转换至基础模型的稳定运行区间内,并得到相应的基础模型预测输出值;根据已知的新压 缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及基础 模型的预测输出值进行归一化处理; d、 模型训练:利用步骤a中的基础模型,结合步骤b中所采集的新压缩机实验数据样 本通过模型迀移快速建立新压缩机的模型,采用ELM神经网络构建新压缩机性能预测模型 并进行迀移学习,该网络包括一个输入层、一个隐含层和一个输出层,利用实验数据样本中 的输入变量和基础模型的预测输出值作为ELM网络的输入变量,并将实验数据样本中的输 出数据作为ELM网络的输出变量,其中,实验数据样本中的输入变量包括介质入口压力、流 量、温度和转速,基础模型的预测输出变量为压比或温比,基础模型计算预测输出所需的输 入变量由步骤b中实验数据样本中的输入变量经过尺度转换处理得到,ELM网络的输出变 量为压缩机的输出压比或温比;利用步骤b中得到的模型训练样本数据以及基础模型的预 测输出数据训练迀移模型得到新压缩机的性能预测模型; e、 模型测试:利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能预测 模型的预测效果,若该ELM网络模型的预测误差小于设定值,则模型迀移训练结束,获得新 模型并应用,否则就返回步骤b中增加实验设计,采集更多的实验数据样本进行模型迀移 训练。
2. 根据权利要求1所述的一种基于模型迀移的大型新压缩机性能预测快速建模方法, 其特征在于,所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间内,均 匀稀疏地选取实验数据点,对每个实验点进行实验并采集相应的输入/输出数据作为实验 数据样本,进而获得实验数据样本。
3. 根据权利要求1所述的一种基于模型迀移的大型新压缩机性能预测快速建模方法, 其特征在于,所述步骤b中的实验数据样本按7:3的比例分为模型训练样本数据和模型测 试样本数据两部分。
4. 根据权利要求1所述的一种基于模型迀移的大型新压缩机性能预测快速建模方 法,其特征在于,所述步骤c中的尺度转换处理是指在求解基础模型的预测输出值前需 先将实验数据样本中的输入数据转换到基础模型所对应的区间内,具体的转换过程为:
Figure CN104657596AC00021
,其中\1(1和Xnrat分别表示基础模型 和新压缩机的输入变量值,Xt^max和X分别表示基础模型输入变量稳定运行区间的最 大值与最小值,Xnrat, _和X _,^分别表示新压缩机输入变量稳定运行区间的最大值与最小 值。
5. 根据权利要求1所述的一种基于模型迀移的大型新压缩机性能预测快速建模方法, 其特征在于,所述步骤c中的归一化处理是将实验数据样本和基础模型的预测输出都映射 到[-ι,ι]区间,采用的映射关系如下:Y = PxIx^ip -1,其中,Y为归一化处理后的数 据,X为需要归一化的数据,Xmin为需要归一化处理数据中的最小值,X _为需要归一化处理 数据中的最大值。
6. 根据权利要求1所述的一种基于模型迀移的大型新压缩机性能预测快速建模方法, 其特征在于,所述步骤d中采用模型训练样本数据对ELM网络进行训练,若网络的隐含层神 经元个数为L,激活函数为g (X),则ELM网络参数训练步骤简述如下: (1) 随机选择输入连接权值α和隐含层节点的阈值b ; (2) 计算隐含层输出矩阵H ; (3) 计算隐含层输出连接权值β。
CN201510041870.8A 2015-01-27 2015-01-27 一种基于模型迁移的大型新压缩机性能预测快速建模方法 Expired - Fee Related CN104657596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510041870.8A CN104657596B (zh) 2015-01-27 2015-01-27 一种基于模型迁移的大型新压缩机性能预测快速建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510041870.8A CN104657596B (zh) 2015-01-27 2015-01-27 一种基于模型迁移的大型新压缩机性能预测快速建模方法

Publications (2)

Publication Number Publication Date
CN104657596A true CN104657596A (zh) 2015-05-27
CN104657596B CN104657596B (zh) 2017-08-29

Family

ID=53248710

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510041870.8A Expired - Fee Related CN104657596B (zh) 2015-01-27 2015-01-27 一种基于模型迁移的大型新压缩机性能预测快速建模方法

Country Status (1)

Country Link
CN (1) CN104657596B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199174A (zh) * 2016-07-01 2016-12-07 广东技术师范学院 基于迁移学习的挤压机能耗异常预测方法
CN107609230A (zh) * 2017-08-24 2018-01-19 沈阳鼓风机集团股份有限公司 一种压缩机调节性能预测方法和系统
WO2018024031A1 (zh) * 2016-08-03 2018-02-08 北京推想科技有限公司 一种对医疗图像进行转换学习的方法和装置
CN108509735A (zh) * 2018-04-08 2018-09-07 中国矿业大学 一种缸套-活塞环磨合状态预测方法
WO2018227800A1 (zh) * 2017-06-15 2018-12-20 北京图森未来科技有限公司 一种神经网络训练方法及装置
CN109443783A (zh) * 2018-10-18 2019-03-08 哈尔滨工业大学 一种基于先验知识的燃气轮机欠定气路故障诊断方法
CN110427875A (zh) * 2019-07-31 2019-11-08 天津大学 基于深度迁移学习和极限学习机的红外图像目标检测方法
CN110927584A (zh) * 2019-12-09 2020-03-27 天津市捷威动力工业有限公司 一种基于神经网络的电池寿命延长预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1745282A (zh) * 2002-12-09 2006-03-08 哈德逊技术公司 用于优化致冷系统的方法和设备
CN101487466A (zh) * 2009-02-25 2009-07-22 华东理工大学 一种离心式压缩机压缩比和多变效率的在线软测量方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1745282A (zh) * 2002-12-09 2006-03-08 哈德逊技术公司 用于优化致冷系统的方法和设备
CN101487466A (zh) * 2009-02-25 2009-07-22 华东理工大学 一种离心式压缩机压缩比和多变效率的在线软测量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
EMANUELE T等: "Combining fundamental knowledge and latent variable techniques to transfer process monitoring models between plants", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 *
FULI WANG等: "A hybrid artificial neural network mechanistic model for centrifugal compressor", 《NEURAL COMPUTING AND APPLICATIONS》 *
SALVADOR G M等: "Product transfer between sites using joint-Y PLS", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 *
王丽春等: "离心压缩机性能预测的神经网络方法", 《华东冶金学院学报》 *
褚菲等: "基于径向基函数神经网络的多级离心压缩机混合模型", 《控制理论与应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106199174A (zh) * 2016-07-01 2016-12-07 广东技术师范学院 基于迁移学习的挤压机能耗异常预测方法
WO2018024031A1 (zh) * 2016-08-03 2018-02-08 北京推想科技有限公司 一种对医疗图像进行转换学习的方法和装置
US10990851B2 (en) 2016-08-03 2021-04-27 Intervision Medical Technology Co., Ltd. Method and device for performing transformation-based learning on medical image
WO2018227800A1 (zh) * 2017-06-15 2018-12-20 北京图森未来科技有限公司 一种神经网络训练方法及装置
CN107609230A (zh) * 2017-08-24 2018-01-19 沈阳鼓风机集团股份有限公司 一种压缩机调节性能预测方法和系统
CN107609230B (zh) * 2017-08-24 2020-10-16 沈阳鼓风机集团股份有限公司 一种压缩机调节性能预测方法和系统
CN108509735B (zh) * 2018-04-08 2020-05-29 中国矿业大学 一种缸套-活塞环磨合状态预测方法
CN108509735A (zh) * 2018-04-08 2018-09-07 中国矿业大学 一种缸套-活塞环磨合状态预测方法
CN109443783A (zh) * 2018-10-18 2019-03-08 哈尔滨工业大学 一种基于先验知识的燃气轮机欠定气路故障诊断方法
CN110427875A (zh) * 2019-07-31 2019-11-08 天津大学 基于深度迁移学习和极限学习机的红外图像目标检测方法
CN110927584A (zh) * 2019-12-09 2020-03-27 天津市捷威动力工业有限公司 一种基于神经网络的电池寿命延长预测方法

Also Published As

Publication number Publication date
CN104657596B (zh) 2017-08-29

Similar Documents

Publication Publication Date Title
CN104657596A (zh) 一种基于模型迁移的大型新压缩机性能预测快速建模方法
CN102135021B (zh) 一种工业抽汽冷凝式蒸汽轮机的轴功率预测方法
CN103728431A (zh) 基于极限学习机的工业污水cod在线软测量方法
CN103983453A (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN103065202B (zh) 一种基于组合核函数的风电场超短期风速预测方法
Castellani et al. Wind energy forecast in complex sites with a hybrid neural network and CFD based method
CN102122351A (zh) 一种基于rbf神经网络的管道缺陷智能识别方法
CN103106535B (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN103742901B (zh) 一种循环流化床机组耗差分析优化目标值体系的确定方法
CN104020401A (zh) 基于云模型理论的变压器绝缘热老化状态的评估方法
CN101814160A (zh) 一种基于特征聚类的rbf神经网络建模方法
CN103353295B (zh) 一种精确预测大坝坝体垂直变形量的方法
CN105488592A (zh) 一种光伏电站发电量预测的方法
CN104063577A (zh) 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法
CN102419827B (zh) 基于rbf神经网络的沸腾换热预测方法
CN105740989A (zh) 一种基于varx模型的供水管网异常事件侦测方法
CN101813920B (zh) 电站汽轮机组温度传感器虚拟冗余方法
CN104697704A (zh) 冷水机组排气压力故障检测方法
CN103630588A (zh) 电化学瓦斯传感器的一种快速响应方法
CN109412161A (zh) 一种电力系统概率潮流计算方法及系统
CN102749199A (zh) 基于esn的涡轮发动机的剩余寿命预测方法
CN104888396A (zh) 一种检测消防水泵在快速启动过程中瞬态故障的方法
CN104376386A (zh) 一种风电场中风电机功率预测方法
CN105303056B (zh) 一种风速实时变化速率刻画方法
CN104679945A (zh) 基于有色Petri网的系统综合评估方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170829

Termination date: 20180127