CN109143053A - 温度补偿校验方法及终端设备 - Google Patents
温度补偿校验方法及终端设备 Download PDFInfo
- Publication number
- CN109143053A CN109143053A CN201810967325.5A CN201810967325A CN109143053A CN 109143053 A CN109143053 A CN 109143053A CN 201810967325 A CN201810967325 A CN 201810967325A CN 109143053 A CN109143053 A CN 109143053A
- Authority
- CN
- China
- Prior art keywords
- temperature
- compensating
- value
- pressure value
- initial
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
- G01R31/3278—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches of relays, solenoids or reed switches
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明适用于温度补偿试验技术领域，提供了一种温度补偿校验方法及终端设备。所述方法包括：根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，温度补偿校验模型根据神经网络建立，若实际初始温度值没有超过理论初始温度阈值且实际初始压力值没有超过理论初始压力阈值，根据温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，温度补偿校验准则根据温度补偿校验流程建立，若不同实际温度下的实际压力值没有超过不同温度下的理论压力值阈值，根据温度补偿校验模型校验待测温度补偿校验系统。采用上述方案后，可以直接校验待测温度补偿校验系统，检测过程简单、方便且准确。
Description
技术领域
本发明属于温度补偿试验技术领域，尤其涉及一种温度补偿校验方法及终端设备。
背景技术
随着经济的不断发展，大量的开关应用到工业生产中，满足人们的多样化需求。以SF6开关为例，SF6开关是电力系统广泛使用的高压电器，SF6开关的可靠运行已成为供电部门最关心的问题之一，SF6气体密度继电器是用来监测运行中SF6开关本体中SF6气体密度变化的重要元件，其性能的好坏直接影响到SF6开关的运行安全，现场运行的SF6气体密度继电器会出现温度补偿性能变差，当环境温度变化时容易导致SF6气体密度继电器误动作。
当环境温度高于或低于20℃时，由于开关本体和SF6密度继电器的吸热比不同，SF6密度继电器不能准确显示开关本体本身的实际压力，从而造成现场SF6密度继电器出现较大压力变化的现象，检修人员通过温度补偿校验系统对SF6密度继电器进行检测，但检测过程复杂，经常会出现误判、错判的情况，影响SF6开关的正常使用。
发明内容
有鉴于此，本发明实施例提供了一种温度补偿校验方法及终端设备，以解决现有技术中检修人员通过温度补偿校验系统对SF6密度继电器进行检测，但检测过程复杂，经常会出现误判、错判的情况，影响SF6开关的正常使用的问题。
本发明实施例的第一方面提供了一种温度补偿校验方法，包括：
根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立；
若所述实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值，且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立；
若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
作为进一步的技术方案，所述方法还包括：
若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
作为进一步的技术方案，所述方法还包括：
若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中的相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
作为进一步的技术方案，所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值包括：
根据所述温度补偿校验模型获取外接的温度补偿校验系统的一维时间序列信号；
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号；
根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征；
将所述温度值特征和所述压力值特征转换成一维温度值特征和一维压力值特征，并从所述一维温度值特征和所述一维压力值特征中提取特征形成终特征；
将所述终特征转换为外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
作为进一步的技术方案，所述根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度；
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征提取。
本发明实施例的第二方面提供了一种温度补偿校验装置，包括：
实际初始温度值确定模块，用于根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立；
实际压力值确定模块，用于若所述实际初始温度值没有超过所述温度补偿校验准则中的理论初始温度阈值且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立；
待测温度补偿校验系统校验模块，用于若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中的相应温度下的理论压力值阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
作为进一步的技术方案，所述装置还包括：
模型第一调整模块，用于若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
作为进一步的技术方案，所述装置还包括：
模型第二调整模块，用于若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
本发明实施例的第三方面提供了一种温度补偿校验终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本发明实施例与现有技术相比存在的有益效果是：采用上述方案后，首先根据温度补偿校验流程建立温度补偿校验准则，然后根据神经网络建立温度补偿校验模型，对温度补偿校验模型进行测试，测试合格后，可以直接校验待测温度补偿校验系统，进而对SF6密度继电器进行检测，检测过程简单、方便且准确，能及时发现SF6密度继电器的故障，不影响SF6开关的正常使用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的温度补偿校验方法的步骤流程图；
图2是本发明另一实施例提供的温度补偿校验方法的步骤流程图；
图3是本发明实施例提供的温度补偿校验装置的结构示意图；
图4是本发明实施例提供的温度补偿校验终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种温度补偿校验方法的步骤流程图，包括：
步骤S101，根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立。
具体的，将温度补偿校验模型外接温度补偿校验系统，首先判断温度补偿校验模型是否能够按照温度补偿校验准则中的流程首先将外接温度补偿校验系统的初始温度值和初始压力值调节准确，则首先获取外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
通过现场试验，现场记录和数据仿真等技术手段，获取总结温度补偿校验系统的温度补偿校验流程，并根据该温度补偿校验流程建立温度补偿校验准则。其中，温度补偿校验系统包括调压模块、调温模块和控制模块，调温模块包括调温箱、制冷器、加热器、温度传感器和温控器，制冷器、加热器和温度传感器设置在调温箱内，制冷器和加热器连接温控器，温度传感器连接控制模块，调压模块包括压力传感器、调压气囊、调压杆、被测密度继电器接口、第一三通阀和第一阀门，调压气囊上设置有调压杆，调压气囊连接第一阀门一端，第一阀门另一端、被测密度继电器接口和压力传感器通过第一三通阀连接，被测密度继电器接口连接设置在调温箱内的被测密度继电器，压力传感器连接控制模块。
温度补偿校验流程包括判断调温箱内的温度值是否为预设标准温度值；若判定所述温度值为所述标准温度值，则调节调压气囊的压力值至预设标准压力值；发送温度调节指令至温控器，所述温度调节指令用于指示所述温控器通过制冷器或加热器调节调温箱内的温度值；获取在不同温度值下，被测密度继电器对应的压力值；根据获取的压力值和所述预设标准压力值，校验被测密度继电器的温度补偿是否合格。校验被测密度继电器的温度补偿是否合格包括分别判断不同温度值下被测密度继电器对应的压力值与所述标准压力值的差值是否在预设差值阈值范围内。若判定不同温度值下被测密度继电器对应的压力值与标准压力值的差值均在预设差值阈值范围内，则校验被测密度继电器的温度补偿合格。若判定不同温度值下被测密度继电器对应的压力值与标准压力值的差值有一个或多个不在预设差值阈值范围内，则校验被测密度继电器的温度补偿不合格，根据上述温度补偿校验流程建立温度补偿校验准则。
步骤S102，若所述实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值，且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立。
具体的，判断确定的实际初始温度值有没有超过温度补偿校验准则中的理论初始温度阈值，同时也判断确定的实际初始压力值有没有超过温度补偿校验准则中的理论初始压力阈值，两项的判断顺序没有具体要求，若确定实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值且实际初始压力值没有超过温度补偿校验准则中的理论初始压力阈值，代表温度补偿校验模型已经具备按温度补偿校验准则中的首先判定温度值是否为所述标准温度值。若不是，则调节调压气囊的压力值至预设标准压力值，发送温度调节指令至温控器，所述温度调节指令用于指示所述温控器通过制冷器或加热器调节调温箱内的温度值的功能。根据神经网络建立温度补偿校验模型，温度补偿校验模型包括数据映射层，特征提取层和分类识别层三层。
步骤S103，若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
具体的，在根据温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值后，代表温度补偿校验模型已经具备了调节外接温度补偿校验系统的温度来测量不同温度下的压力值的功能，在具备此功能的基础上，再检测温度补偿校验模型检测的外接的温度补偿校验系统的不同温度下的压力值是否合格，在测试时，外接的温度补偿校验系统可以设置多种情况，判断温度补偿校验模型能否检测出不同情况下的不同温度对应的准确压力值，若可以，则代表温度补偿校验模型合格，可以外接待测温度补偿校验系统进行校验。
采用上述方案后，首先根据温度补偿校验流程建立温度补偿校验准则，然后根据神经网络建立温度补偿校验模型，对温度补偿校验模型进行测试，测试合格后，可以直接校验待测温度补偿校验系统，进而对SF6密度继电器进行检测，检测过程简单、方便且准确，能及时发现SF6密度继电器的故障，不影响SF6开关的正常使用。
此外，在一个具体实施例中，所述方法还包括：
若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。其中，理论初始压力阈值为20℃，允许上下范围内1℃的波动，实际初始压力值为0.5MP。若确定所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值和所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值、若确定所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值和所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值或者若确定所述实际初始温度值没有超过所述温度补偿校验准则中的理论初始温度阈值和所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值三种情况的任意一种情况出现时，代表温度补偿校验模型还存在缺陷，根据预存的梯度下降法、理论初始温度阈值、理论初始压力阈值和所述神经网络调整温度补偿校验模型，然后重新进行检测直至合格为止。
此外，在一个具体实施例中，所述方法还包括：
若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。其中，初始温度值为20℃，调节调压气囊的压力值至预设标准压力值中预设标准压力值可以为0.5MP、0.3MP和0.1MP等，每次调节至一个标准压力值，然后分别调节温度值，优选的，为-20℃、0℃、20℃、40℃等温度值，以20℃为一个变化梯度，测验完一个标准压力值的不同温度后，再次调节至标准温度值20℃，然后，调节另一个标准压力值，循环调节温度值进行测试，判断理论压力值阈值是否在实际压力阈值的范围内，若不在，则对温度补偿校验模型进行调整，然后重新进行检测，直至合格为止。
此外，如图2所示，在一个具体实施例中，所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值包括：
步骤S201，根据所述温度补偿校验模型获取外接的温度补偿校验系统的一维时间序列信号。
步骤S202，根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。
步骤S203，根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征。
步骤S204，将所述温度值特征和所述压力值特征转换成一维温度值特征和一维压力值特征，并从所述一维温度值特征和所述一维压力值特征中提取特征形成终特征。
步骤S205，将所述终特征转换为外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
具体的，温度补偿校验模型包括数据映射层，特征提取层和分类识别层三层，数据映射层利用卷积神经网络，根据样本库中的运行状态，将获取外接的温度补偿校验系统信息的一维时间序列信号映射成多维时间序列信号，优选的，可以建立1000个尺寸为1*100卷积核，将获取外接的温度补偿校验系统信息的一维时间序列信号映射成1000维时间序列信号，其中卷积核的卷积步长为1；为了使卷积后的数据长度保持不变，卷积时采用了在运行状态信息的一维时间序列信号前后加0的“SAME”的卷积模式，在一维时间序列信号前后添加零的个数均为100-1＝99个；卷积核的数据大小为1*100，其初值设置为0.01(1/100)，最终值是通过梯度下降(Gradient Decent Algorithm，GDA)最优估计方法得到。
特征提取层包括建立深度神经网络(Deep Neural Network,DNN)，并利用池化(pooling)和丢弃(dropout)等机制，从多维时间序列信号中提取温度值特征和压力值特征，其中，池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。
分类识别层包括建立全连接层(fully connected layer)和逻辑回归等降维输出层结合标签库标签，实现温度值特征和压力值特征分类识别，其中全连接层为三层，第一层作用是将特征输出层的多维数据变成一维数据，第二层和第三层的作用是进一步温度值特征和压力值特征的特征提取，逻辑回归层是将全连接层的输出转化为0，1两个值，优选的，可以用y’表示，当输出y’＝1时表示温度值特征和压力值特征的提取的准确，当输出y’＝0时表示温度值特征和压力值特征的特征提取的不准确。
此外，在一个具体实施例中，所述根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征提取。
具体的，根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征的特征提取。池化是为了降低数据维度，池化核的大小为3x3，为了锐化突出数据特征，采用最大池化的方法，即取3x3模块中的最大值，丢弃(dropout)是为了防止过拟合，增加系统的鲁棒性，优选的，丢弃(dropout)的概率采用0.8，特征提取层共17层，该结果为工作人员经过数次试验得出的最理想的数据。
如图3所示，为本发明实施例提供的一种温度补偿校验装置的结构示意图，包括：
实际初始温度值确定模块301，用于根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立。
实际压力值确定模块302，用于若所述实际初始温度值没有超过所述温度补偿校验准则中的理论初始温度阈值且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立。
待测温度补偿校验系统校验模块303，用于若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
此外，在一个具体实施例中，所述装置还包括：
模型第一调整模块，用于若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
此外，在一个具体实施例中，所述装置还包括：
模型第二调整模块，用于若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
此外，在一个具体实施例中，所述实际初始温度值确定模块还用于：
根据所述温度补偿校验模型获取外接的温度补偿校验系统的一维时间序列信号。根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征。将所述温度值特征和所述压力值特征转换成一维温度值特征和一维压力值特征，并从所述一维温度值特征和所述一维压力值特征中提取特征形成终特征。将所述终特征转换为外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
此外，在一个具体实施例中，所述实际初始温度值确定模块还用于：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征提取。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的温度补偿校验终端设备的示意图，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如温度补偿校验程序。所述处理器40执行所述计算机程序42时实现上述各个温度补偿校验方法实施例中的步骤，例如图1所示的步骤101至105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至305的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述温度补偿校验终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立。
若所述实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值，且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立。
若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值包括：
根据所述温度补偿校验模型获取外接的温度补偿校验系统的一维时间序列信号。
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征。
将所述温度值特征和所述压力值特征转换成一维温度值特征和一维压力值特征，并从所述一维温度值特征和所述一维压力值特征中提取特征形成终特征。
将所述终特征转换为外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
所述根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征提取。
采用上述方案后，首先根据温度补偿校验流程建立温度补偿校验准则，然后根据神经网络建立温度补偿校验模型，对温度补偿校验模型进行测试，测试合格后，可以直接校验待测温度补偿校验系统，进而对SF6密度继电器进行检测，检测过程简单、方便且准确，能及时发现SF6密度继电器的故障，不影响SF6开关的正常使用。
所述温度补偿校验终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述温度补偿校验终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是温度补偿校验终端设备4的示例，并不构成对温度补偿校验终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述温度补偿校验终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述温度补偿校验终端设备4的内部存储单元，例如温度补偿校验终端设备4的硬盘或内存。所述存储器41也可以是所述温度补偿校验终端设备4的外部存储设备，例如所述温度补偿校验终端设备4上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述温度补偿校验终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述温度补偿校验终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种温度补偿校验方法，其特征在于，包括：
根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立；
若所述实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值，且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立；
若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
2.如权利要求1所述的温度补偿校验方法，其特征在于，还包括：
若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
3.如权利要求1所述的温度补偿校验方法，其特征在于，还包括：
若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
4.如权利要求1所述的温度补偿校验方法，其特征在于，所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值包括：
根据所述温度补偿校验模型获取外接的温度补偿校验系统的一维时间序列信号；
根据预存的标准卷积神经网络，将所述一维时间序列信号映射成多维时间序列信号；
根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征；
将所述温度值特征和所述压力值特征转换成一维温度值特征和一维压力值特征，并从所述一维温度值特征和所述一维压力值特征中提取特征形成终特征；
将所述终特征转换为外接的温度补偿校验系统的实际初始温度值和实际初始压力值。
5.如权利要求4所述的温度补偿校验方法，其特征在于，所述根据预存的深度神经网络从所述多维时间序列信号中提取温度值特征和压力值特征包括：
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度；
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行温度值特征和压力值特征提取。
6.一种温度补偿校验装置，其特征在于，包括：
实际初始温度值确定模块，用于根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值，所述温度补偿校验模型根据神经网络建立；
实际压力值确定模块，用于若所述实际初始温度值没有超过温度补偿校验准则中的理论初始温度阈值且所述实际初始压力值没有超过所述温度补偿校验准则中的理论初始压力阈值，则根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值，其中，所述温度补偿校验准则根据温度补偿校验流程建立；
待测温度补偿校验系统校验模块，用于若不同实际温度下的实际压力值没有超过所述温度补偿校验准则中相应温度下的理论压力阈值，则根据所述温度补偿校验模型对待测温度补偿校验系统进行校验。
7.如权利要求6所述的温度补偿校验装置，其特征在于，还包括：
模型第一调整模块，用于若所述实际初始温度值超过所述温度补偿校验准则中的理论初始温度阈值，和/或所述实际初始压力值超过所述温度补偿校验准则中的理论初始压力阈值，则根据预存的梯度下降法、所述理论初始温度阈值、所述理论初始压力阈值和所述神经网络，调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据温度补偿校验模型确定外接的温度补偿校验系统的实际初始温度值和实际初始压力值的步骤。
8.如权利要求6所述的温度补偿校验装置，其特征在于，还包括：
模型第二调整模块，用于若不同实际温度下的实际压力值有一个或多个超过所述温度补偿校验准则中相应温度下的理论压力值阈值，则调整所述温度补偿校验模型，并将调整后的温度补偿校验模型作为新的温度补偿校验模型，重新执行所述根据所述温度补偿校验模型确定外接的温度补偿校验系统在不同实际温度下的实际压力值的步骤。
9.一种温度补偿校验终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810967325.5A CN109143053B (zh) | 2018-08-23 | 2018-08-23 | 温度补偿校验方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810967325.5A CN109143053B (zh) | 2018-08-23 | 2018-08-23 | 温度补偿校验方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109143053A true CN109143053A (zh) | 2019-01-04 |
| CN109143053B CN109143053B (zh) | 2020-12-01 |
Family
ID=64791143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810967325.5A Active CN109143053B (zh) | 2018-08-23 | 2018-08-23 | 温度补偿校验方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109143053B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441680A (zh) * | 2019-09-04 | 2019-11-12 | 上海乐研电气有限公司 | 一种具有在线自校验功能的气体密度继电器及其校验方法 |
| CN110441195A (zh) * | 2019-09-04 | 2019-11-12 | 上海乐研电气有限公司 | 一种具有在线自校验功能的气体密度继电器及其校验方法 |
| CN110972342A (zh) * | 2019-11-13 | 2020-04-07 | 九阳股份有限公司 | 传感器高温报警阈值补偿方法及电磁加热设备 |
| CN112798930A (zh) * | 2020-12-29 | 2021-05-14 | 深圳市利拓光电有限公司 | 一种半导体激光器芯片检测时的温湿度补偿系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090069413A (ko) * | 2007-12-26 | 2009-07-01 | 한국기계연구원 | 공작기계의 열변형 실시간 보상장치 |
| CN102032974A (zh) * | 2010-11-15 | 2011-04-27 | 浙江工商大学 | 一种压力传感器温度补偿方法 |
| CN202033322U (zh) * | 2011-04-18 | 2011-11-09 | 塔里木大学 | 高精度数字化棉花水分智能检测仪 |
| CN103245908A (zh) * | 2012-02-03 | 2013-08-14 | 华北电力科学研究院有限责任公司 | 一种sf6及sf6混合气体密度继电器校验装置 |
| CN104122031A (zh) * | 2014-07-31 | 2014-10-29 | 西安交通大学 | 一种基于极限学习机的硅压力传感器温度补偿方法 |
| CN104375082A (zh) * | 2014-11-04 | 2015-02-25 | 广州供电局有限公司 | 智能化sf6密度继电器检定装置及方法 |
| CN105258847A (zh) * | 2015-10-08 | 2016-01-20 | 歌尔声学股份有限公司 | 一种压力传感器校准的方法和装置 |
| CN106248295A (zh) * | 2016-08-31 | 2016-12-21 | 合肥迈思瑞仪器仪表有限公司 | 基于温度校准反馈的数字压力校验仪的校验方法 |
| CN106404244A (zh) * | 2016-08-31 | 2017-02-15 | 歌尔股份有限公司 | 压力传感器及其信号校准方法 |
| CN106679880A (zh) * | 2016-12-21 | 2017-05-17 | 华南理工大学 | 一种基于foa优化的som‑rbf的压力传感器温度补偿方法 |
| CN107255825A (zh) * | 2017-07-24 | 2017-10-17 | 吴高翔 | 信号分类方法、装置及卫星信号检测设备 |
| CN108107355A (zh) * | 2017-12-20 | 2018-06-01 | 国网河北省电力有限公司电力科学研究院 | 一种sf6及sf6混合气体密度继电器校验装置和方法 |
| CN108204997A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油闪点在线软测量方法 |
| CN108332837A (zh) * | 2017-12-06 | 2018-07-27 | 芯海科技（深圳）股份有限公司 | 一种应用于电子秤的基于bp神经网络补偿温度增益方法 |
| CN108470163A (zh) * | 2018-03-16 | 2018-08-31 | 石家庄铁道大学 | 轨道道岔板离缝病害检测方法及终端设备 |
| CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
| CN109063785A (zh) * | 2018-08-23 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 充电桩故障检测方法及终端设备 |
-
2018
- 2018-08-23 CN CN201810967325.5A patent/CN109143053B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090069413A (ko) * | 2007-12-26 | 2009-07-01 | 한국기계연구원 | 공작기계의 열변형 실시간 보상장치 |
| CN102032974A (zh) * | 2010-11-15 | 2011-04-27 | 浙江工商大学 | 一种压力传感器温度补偿方法 |
| CN202033322U (zh) * | 2011-04-18 | 2011-11-09 | 塔里木大学 | 高精度数字化棉花水分智能检测仪 |
| CN103245908A (zh) * | 2012-02-03 | 2013-08-14 | 华北电力科学研究院有限责任公司 | 一种sf6及sf6混合气体密度继电器校验装置 |
| CN104122031A (zh) * | 2014-07-31 | 2014-10-29 | 西安交通大学 | 一种基于极限学习机的硅压力传感器温度补偿方法 |
| CN104375082A (zh) * | 2014-11-04 | 2015-02-25 | 广州供电局有限公司 | 智能化sf6密度继电器检定装置及方法 |
| CN105258847A (zh) * | 2015-10-08 | 2016-01-20 | 歌尔声学股份有限公司 | 一种压力传感器校准的方法和装置 |
| CN106404244A (zh) * | 2016-08-31 | 2017-02-15 | 歌尔股份有限公司 | 压力传感器及其信号校准方法 |
| CN106248295A (zh) * | 2016-08-31 | 2016-12-21 | 合肥迈思瑞仪器仪表有限公司 | 基于温度校准反馈的数字压力校验仪的校验方法 |
| CN108204997A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油闪点在线软测量方法 |
| CN106679880A (zh) * | 2016-12-21 | 2017-05-17 | 华南理工大学 | 一种基于foa优化的som‑rbf的压力传感器温度补偿方法 |
| CN107255825A (zh) * | 2017-07-24 | 2017-10-17 | 吴高翔 | 信号分类方法、装置及卫星信号检测设备 |
| CN108332837A (zh) * | 2017-12-06 | 2018-07-27 | 芯海科技（深圳）股份有限公司 | 一种应用于电子秤的基于bp神经网络补偿温度增益方法 |
| CN108107355A (zh) * | 2017-12-20 | 2018-06-01 | 国网河北省电力有限公司电力科学研究院 | 一种sf6及sf6混合气体密度继电器校验装置和方法 |
| CN108470163A (zh) * | 2018-03-16 | 2018-08-31 | 石家庄铁道大学 | 轨道道岔板离缝病害检测方法及终端设备 |
| CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
| CN109063785A (zh) * | 2018-08-23 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 充电桩故障检测方法及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| YANG CHUAN: "The Application ofRBF Neural Network in the Compensation for Temperature Drift of the Silicon Pressure Sensor", 《201O INTERNATIONAL CONFERENCE ON COMPUTER DESIGN AND APPLIATIONS》 * |
| 杨墨: "自加压SF6密度继电器校验仪", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110441680A (zh) * | 2019-09-04 | 2019-11-12 | 上海乐研电气有限公司 | 一种具有在线自校验功能的气体密度继电器及其校验方法 |
| CN110441195A (zh) * | 2019-09-04 | 2019-11-12 | 上海乐研电气有限公司 | 一种具有在线自校验功能的气体密度继电器及其校验方法 |
| CN110441195B (zh) * | 2019-09-04 | 2024-05-14 | 上海乐研电气有限公司 | 一种具有在线自校验功能的气体密度继电器及其校验方法 |
| CN110972342A (zh) * | 2019-11-13 | 2020-04-07 | 九阳股份有限公司 | 传感器高温报警阈值补偿方法及电磁加热设备 |
| CN112798930A (zh) * | 2020-12-29 | 2021-05-14 | 深圳市利拓光电有限公司 | 一种半导体激光器芯片检测时的温湿度补偿系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109143053B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109143053A (zh) | 温度补偿校验方法及终端设备 | |
| Charrad et al. | NbClust: an R package for determining the relevant number of clusters in a data set | |
| US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
| CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
| CN105808366B (zh) | 一种基于四变量模型的系统安全分析方法 | |
| CN110320468A (zh) | 一种基于向量机的开关柜过热故障诊断方法 | |
| CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN109993232A (zh) | 基于深度学习人工神经网络的汽轮机振动故障诊断方法 | |
| CN115512520A (zh) | 基于智慧燃气的用气安全预警方法及物联网系统 | |
| CN108871755A (zh) | 电子膨胀阀的测试方法及装置、存储介质、处理器 | |
| CN105892611A (zh) | 一种cpu上电时序控制方法、装置及系统 | |
| CN110765699A (zh) | 一种压裂装备作业时健康状态的评估方法及装置 | |
| Perumal et al. | Real time transformer health monitoring system using IoT in r | |
| CN106056305B (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
| CN103425580A (zh) | 一种自动快速获取和校验云计算设备配置信息的方法 | |
| CN115186699A (zh) | 铁路客站设备健康管理方法、装置、设备、系统及介质 | |
| CN113591406B (zh) | 一种热管冷却反应堆测点优化布置及故障诊断方法及系统 | |
| CN117556331A (zh) | 基于ai增强的空压机维护决策方法及系统 | |
| Guo et al. | Operation stage division and RUL prediction of bearings based on 1DCNN-ON-LSTM | |
| CN108198173B (zh) | 一种混凝土裂缝区域的在线检测方法、装置及终端设备 | |
| CN109324145A (zh) | 在线监测设备自动标定方法及终端设备 | |
| Gallano et al. | Design and implementation of phasor measurement unit with IoT technology | |
| US11085843B2 (en) | Reliability design assistance device, reliability design assistance method, and reliability design assistance program | |
| Guo et al. | Artificial intelligence enabled online non-intrusive load monitoring embedded in smart plugs | |
| Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |