CN110608660A - 一种电涡流传感器位移、温度预测方法 - Google Patents

一种电涡流传感器位移、温度预测方法 Download PDF

Info

Publication number
CN110608660A
CN110608660A CN201910799737.7A CN201910799737A CN110608660A CN 110608660 A CN110608660 A CN 110608660A CN 201910799737 A CN201910799737 A CN 201910799737A CN 110608660 A CN110608660 A CN 110608660A
Authority
CN
China
Prior art keywords
eddy current
current sensor
data
displacement
temperature
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
CN201910799737.7A
Other languages
English (en)
Other versions
CN110608660B (zh
Inventor
宋念龙
王露
张新雨
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910799737.7A priority Critical patent/CN110608660B/zh
Publication of CN110608660A publication Critical patent/CN110608660A/zh
Application granted granted Critical
Publication of CN110608660B publication Critical patent/CN110608660B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/36—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements using magnetic elements, e.g. magnets, coils
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
  • Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)

Abstract

本发明公开了一种电涡流传感器位移、温度预测方法，首先在25℃～400℃环境温度下，在每一个具体温度值下控制电涡流传感器所测位移依次为0mm～60mm，在每一个具体位移值下，采集电涡流传感器线圈的频率、品质因数和电感值；然后选取数据训练集和数据测试集；对选取的数据进行归一化处理，并使用支持向量回归算法进行建模；最后利用选取的测试集数据代入步骤3所建模型，输出预测变量位移和温度。本发明解决了现有实际工程中，高温情况下，使用电涡流传感器同时检测环境温度和目标位移比较难的问题。

Description

一种电涡流传感器位移、温度预测方法
技术领域
本发明属于高温无损检测技术领域，具体涉及一种电涡流传感器位移、温度预测方法。
背景技术
随着工业技术的迅速发展，检测成为整个工业生产流程中一个不可或缺的重要环节。尤其是在某些特定的高温环境下，如钢厂生产车间的钢坯位置检测、玻璃生产车间中玻璃镀膜器的高度检测和电站锅炉空气预热器中的密封间隙检测等，它们的目标温度最高可达700℃，这就为精密检测带来了巨大的困难。电涡流传感器是一种无损的位移传感器，因其具有抗腐蚀、耐高温和高精度的优点，被广泛应用于工业生产中的高温高精度测量。但目前的电涡流传感器仅用于检测位移，由于高温环境的影响，环境温度、位移与频率(f)、品质因数(Q)、电感值(L)的规律尚不明晰，这使得位移检测存在较大误差。因此，提出一种电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)与环境温度(T)和位移(x)的建模方法，对于使用电涡流传感器同时检测环境温度和目标位移具有重要意义。
发明内容
本发明的目的是提供一种电涡流传感器位移、温度预测方法，解决了现有实际工程中，高温情况下，使用电涡流传感器同时检测环境温度和目标位移比较难的问题。
本发明所采用的技术方案是，一种电涡流传感器位移、温度预测方法，具体按照以下步骤实施：
步骤1、在25℃～400℃环境温度下，在每一个具体温度值下控制电涡流传感器所测位移依次为0mm～60mm，在每一个具体位移值下，采集电涡流传感器线圈的频率、品质因数和电感值；
步骤2、选取数据训练集和数据测试集；
步骤3、对选取的数据进行归一化处理，并使用支持向量回归算法进行建模；
步骤4、利用选取的测试集数据代入步骤3所建模型，输出预测变量位移和温度。
本发明的特点还在于，
步骤1中采集起始温度设为40℃，测温间隔为20℃。
步骤1中测距间隔设为2mm。
步骤2具体如下：
步骤2.1、将步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)所有数据看作集合S，设集合S中共有n个第一子集，即：
S＝{S1,S2,…Sn}，
其中，n＝1,2,3…，
每一个第一子集均包含5个元素，即：Sm＝(Lm，fm，Qm，Tm，xm)T，1≤m≤n，且m为正整数，Lm为电涡流传感器线圈的电感值，fm为电涡流传感器线圈上所加的频率值，Qm为电涡流传感器线圈品质因数值，Tm为电涡流传感器所处环境温度值，xm为电涡流传感器所测位移值，n为采集的数据总组数；
步骤2.2、将集合S按照数据组数n平均分成k个不相交的第二子集，每个第二子集中有n/k组数据，n＝qk,q为正整数，打乱顺序平均分，每个子集中有组数据，从中随机抽出一个第二子集作为测试集，与之对应的其它k-1个第二子集作为训练集，或者把每个第二子集依次作为测试集，然后，与之对应的其它k-1个第二子集作为训练集。
步骤3具体如下：
步骤3.1、对步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)分别根据式(1)进行归一化处理：
式中，μ为输入变量Lm、fm、Qm和输出变量Tm、xm，μmin为各个变量的最小值，μmax为各个变量的最大值；
步骤3.2、使用支持向量回归算法进行建模：输入变量Lm、fm、Qm和输出变量Tm或xm的关系是高度非线性的，设步骤2.2选取的所有训练集数据的拟合误差精度为ε，根据结构风险最小化准则构造目标函数，然后通过拉格朗日法将优化问题转化为对偶优化问题，如式(2)：
式中，是拉格朗日系数，K(x，x′)是径向基核函数，yi是输出数据，ε是训练数据的拟合误差精度，C为惩罚参数，其中，
式中，x，x′是两个特征向量，为两个特征向量之间的平方欧几里得距离，x′为核函数的中心，σ为自由参数，是函数的宽度参数,σ控制函数的径向作用范围；
最终得到拟合函数的形式如式(4)：
式中，αi、是拉格朗日系数，K(xi,x)是径向基核函数，b为高维空间线性回归函数系数，式(4)中f(x)即为所建模型。
步骤4具体如下：利用步骤2.2选取的测试集数据代入步骤3.2所建模型，输入数据为电涡流传感器线圈的电感值Lm、频率fm、品质因数Qm，步骤3.2所建模型预测的输出变量为电涡流传感器所测位移xm'或电涡传感器所处环境温度Tm'。
本发明的有益效果是，一种电涡流传感器位移、温度预测方法，首先进行数据采集，控制电涡流传感器所处环境温度依次为25℃～400℃，采集温度的间隔为20℃，在每一个具体温度值下，控制电涡流传感器所测位移依次为0mm～60mm，采集位移的间隔为2mm，在每一个具体位移值下，利用LCR测试仪采集电涡流传感器线圈的频率、品质因数和电感值。然后，将采集的全部数据集合S＝{S1,S2,…Sn}(n＝1,2,3…)按照数据组数平均分成k个不相交的第二子集，每一个第二子集中有n/k(n＝qk,q为正整数)组数据。接着，从分好的第二子集里面，随机抽出一个第二子集作为测试集，其它k-1个第二子集作为训练集。其次，对于选取的训练集，使用支持向量回归算法进行建模。最后，利用选取的测试集，验证所建模型的准确性。在高温条件下，使用电涡流传感器可以同时检测环境温度和目标位移，且检测误差小，精度高。
附图说明
图1是本发明(k＝15)时，预测电涡流传感器位移误差图；
图2是本发明(k＝15)时，预测电涡流传感器位移误差分布图；
图3是本发明(k＝15)时，预测电涡流传感器温度误差图；
图4是本发明(k＝15)时，预测电涡流传感器温度误差分布图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种电涡流传感器位移、温度预测方法，具体按照以下步骤实施：
步骤1、在25℃～400℃环境温度下，在每一个具体温度值下控制电涡流传感器所测位移依次为0mm～60mm，在每一个具体位移值下，采集电涡流传感器线圈的频率、品质因数和电感值；其中采集起始温度设为40℃，测温间隔为20℃，测距间隔设为2mm。
步骤2、选取数据训练集和数据测试集，具体如下：
步骤2.1、将步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)所有数据看作集合S，设集合S中共有n个第一子集，即：
S＝{S1,S2,…Sn}，
其中，n＝1,2,3…，
每一个第一子集均包含5个元素，即：Sm＝(Lm，fm，Qm，Tm，xm)T，1≤m≤n，且m为正整数，Lm为电涡流传感器线圈的电感值，fm为电涡流传感器线圈上所加的频率值，Qm为电涡流传感器线圈品质因数值，Tm为电涡流传感器所处环境温度值，xm为电涡流传感器所测位移值，n为采集的数据总组数；
步骤2.2、将集合S按照数据组数n平均分成k个不相交的第二子集，每个第二子集中有n/k组数据，n＝qk,q为正整数，打乱顺序平均分，每个子集中有组数据，从中随机抽出一个第二子集作为测试集，与之对应的其它k-1个第二子集作为训练集，或者把每个第二子集依次作为测试集，然后，与之对应的其它k-1个第二子集作为训练集。
步骤3、对选取的数据进行归一化处理，并使用支持向量回归算法进行建模，具体如下：
步骤3.1、对步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)分别根据式(1)进行归一化处理：
式中，μ为输入变量Lm、fm、Qm和输出变量Tm、xm，μmin为各个变量的最小值，μmax为各个变量的最大值；
步骤3.2、使用支持向量回归算法进行建模：输入变量Lm、fm、Qm和输出变量Tm或xm的关系是高度非线性的，对于非线性回归问题，SVR算法先通过非线性变换，将输入空间的数据变换到一个高维空间，然后在高维空间进行线性回归。设步骤2.2选取的所有训练集数据的拟合误差精度为ε，根据结构风险最小化准则构造目标函数，然后通过拉格朗日法将优化问题转化为对偶优化问题，如式(2)：
式中，是拉格朗日系数，K(x，x′)是径向基核函数，yi是输出数据，ε是训练数据的拟合误差精度，C为惩罚参数，其中，
式中，x，x′是两个特征向量，为两个特征向量之间的平方欧几里得距离，x′为核函数的中心，σ为自由参数，是函数的宽度参数,σ控制函数的径向作用范围；
最终得到拟合函数的形式如式(4)：
式中，αi、是拉格朗日系数，K(xi,x)是径向基核函数，b为高维空间线性回归函数系数，式(4)中f(x)即为所建模型。
步骤4、利用选取的测试集数据代入步骤3所建模型，输出预测变量位移和温度，具体如下：利用步骤2.2选取的测试集数据代入步骤3.2所建模型，输入数据为电涡流传感器线圈的电感值Lm、频率fm、品质因数Qm，步骤3.2所建模型预测的输出变量为电涡流传感器所测位移xm'或电涡传感器所处环境温度Tm'。
实施例1
利用本发明对实验采集的数据进行建模与预测：
首先，采集5770组数据，将全部数据集S＝{S1,S2,…Sn}(n＝1,2,3…)按照数据组数平均分成10个不相交的子集，那么每一个子集均有577组数据。其次，从分好的10个子集里面，随机抽出1个子集作为测试集，与之对应的其它9个子集作为训练集；
再次，对于选取的训练集，首先利用公式对其进行归一化处理，然后使用支持向量回归算法进行建模；
最后，把选取的测试集代入所建模型，预测输出变量位移(x′1)或温度(T′1)，并将预测输出量位移(x′1)或温度(T′1)与实际实验输出数据位移x1或温度T1进行比较，验证模型的准确性。
表1为本发明预测的结果。由表1的结果可以看出，本发明预测准确率高。
表1本发明预测结果
实施例2
首先，采集5775组数据，将全部数据集S＝{S1,S2,…Sn}(n＝1,2,3…)按照数据组数平均分成15个不相交的子集，那么每一个子集均有385组数据。
其次，从分好的15个子集里面，随机抽出1个子集作为测试集，与之对应的其它14个子集作为训练集；
再次，对于选取的训练集，首先利用公式对其进行归一化处理，然后使用支持向量回归算法进行建模；
最后，把选取的测试集代入所建模型，预测输出变量位移(x′1)或温度(T′1)，并将预测输出量位移(x′1)或温度(T′1)与实际实验输出数据位移x1或温度T1进行比较，验证模型的准确性。
表2为本发明预测的结果。由表2的结果可以看出来，本发明预测准确率高。
表2本发明预测结果
图1是利用测试集数据测试所建位移模型的准确性，从图1中可以看出，该模型对电涡流传感器所测位移的预测误差集中在±0.2mm，预测精度高，准确率高。图2是所建位移模型中，位移预测误差与其对应的概率密度分布图，从图2中可以看出，该模型对电涡流传感器所测位移的预测误差在±0.05mm内，所对应的概率密度非常大。说明模型预测精度高，准确率高。图3是利用测试集数据测试所建温度模型的准确性，从图3中可以看出，该模型对电涡流传感器所处环境温度的预测误差集中在±0.25℃，预测精度高，准确率高。图4是所建温度模型中，温度预测误差与其对应的概率密度分布图，从图4中可以看出，该模型对电涡流传感器所所处环境温度的预测误差在±0.05℃内，所对应的概率密度非常大。说明模型预测精度高，准确率高。

Claims (6)

1.一种电涡流传感器位移、温度预测方法，其特征在于，具体按照以下步骤实施：
步骤1、在25℃～400℃环境温度下，在每一个具体温度值下控制电涡流传感器所测位移依次为0mm～60mm，在每一个具体位移值下，采集电涡流传感器线圈的频率、品质因数和电感值；
步骤2、选取数据训练集和数据测试集；
步骤3、对选取的数据进行归一化处理，并使用支持向量回归算法进行建模；
步骤4、利用选取的测试集数据代入步骤3所建模型，输出预测变量位移和温度。
2.根据权利要求1所述的一种电涡流传感器位移、温度预测方法，其特征在于，所述步骤1中采集起始温度设为40℃，测温间隔为20℃。
3.根据权利要求1所述的一种电涡流传感器位移、温度预测方法，其特征在于，所述步骤1中测距间隔设为2mm。
4.根据权利要求1所述的一种电涡流传感器位移、温度预测方法，其特征在于，所述步骤2具体如下：
步骤2.1、将步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)所有数据看作集合S，设集合S中共有n个第一子集，即：
S＝{S1,S2,…Sn}，
其中，n＝1,2,3…，
每一个第一子集均包含5个元素，即：Sm＝(Lm，fm，Qm，Tm，xm)T，1≤m≤n，且m为正整数，Lm为电涡流传感器线圈的电感值，fm为电涡流传感器线圈上所加的频率值，Qm为电涡流传感器线圈品质因数值，Tm为电涡流传感器所处环境温度值，xm为电涡流传感器所测位移值，n为采集的数据总组数；
步骤2.2、将集合S按照数据组数n平均分成k个不相交的第二子集，每个第二子集中有n/k组数据，n＝qk,q为正整数，打乱顺序平均分，每个子集中有组数据，从中随机抽出一个第二子集作为测试集，与之对应的其它k-1个第二子集作为训练集，或者把每个第二子集依次作为测试集，然后，与之对应的其它k-1个第二子集作为训练集。
5.根据权利要求1所述的一种电涡流传感器位移、温度预测方法，其特征在于，所述步骤3具体如下：
步骤3.1、对步骤1采集的环境温度(T)、电涡流传感器所测位移(x)、电涡流传感器线圈频率(f)、品质因数(Q)、电感值(L)分别根据式(1)进行归一化处理：
式中，μ为输入变量Lm、fm、Qm和输出变量Tm、xm，μmin为各个变量的最小值，μmax为各个变量的最大值；
步骤3.2、使用支持向量回归算法进行建模：输入变量Lm、fm、Qm和输出变量Tm或xm的关系是高度非线性的，设步骤2.2选取的所有训练集数据的拟合误差精度为ε，根据结构风险最小化准则构造目标函数，然后通过拉格朗日法将优化问题转化为对偶优化问题，如式(2)：
式中，αi、αj、是拉格朗日系数，K(x，x′)是径向基核函数，yi是输出数据，ε是训练数据的拟合误差精度，C为惩罚参数，其中，
式中，x，x′是两个特征向量，为两个特征向量之间的平方欧几里得距离，x′为核函数的中心，σ为自由参数，是函数的宽度参数,σ控制函数的径向作用范围；
最终得到拟合函数的形式如式(4)：
式中，αi、是拉格朗日系数，K(xi,x)是径向基核函数，b为高维空间线性回归函数系数，式(4)中f(x)即为所建模型。
6.根据权利要求1所述的一种电涡流传感器位移、温度预测方法，其特征在于，所述步骤4具体如下：利用步骤2.2选取的测试集数据代入步骤3.2所建模型，输入数据为电涡流传感器线圈的电感值Lm、频率fm、品质因数Qm，步骤3.2所建模型预测的输出变量为电涡流传感器所测位移xm'或电涡传感器所处环境温度Tm'。
CN201910799737.7A 2019-08-28 2019-08-28 一种电涡流传感器位移、温度预测方法 Active CN110608660B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910799737.7A CN110608660B (zh) 2019-08-28 2019-08-28 一种电涡流传感器位移、温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910799737.7A CN110608660B (zh) 2019-08-28 2019-08-28 一种电涡流传感器位移、温度预测方法

Publications (2)

Publication Number Publication Date
CN110608660A true CN110608660A (zh) 2019-12-24
CN110608660B CN110608660B (zh) 2021-11-16

Family

ID=68890660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910799737.7A Active CN110608660B (zh) 2019-08-28 2019-08-28 一种电涡流传感器位移、温度预测方法

Country Status (1)

Country Link
CN (1) CN110608660B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050258826A1 (en) * 2004-05-20 2005-11-24 Mitsunari Kano Displacement detection apparatus and displacement detection method
US20070103150A1 (en) * 2003-10-20 2007-05-10 Mitsuo Tada Eddy current sensor
CN101126622A (zh) * 2007-09-25 2008-02-20 深圳东方锅炉控制有限公司 一种高温非接触式电涡流位移传感器
CN102589745A (zh) * 2012-02-20 2012-07-18 李向阳 电涡流型温度传感器件
CN103471641A (zh) * 2013-09-03 2013-12-25 中国科学技术大学 一种电涡流传感器的温度漂移自动校正方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN108805217A (zh) * 2018-06-20 2018-11-13 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070103150A1 (en) * 2003-10-20 2007-05-10 Mitsuo Tada Eddy current sensor
US20050258826A1 (en) * 2004-05-20 2005-11-24 Mitsunari Kano Displacement detection apparatus and displacement detection method
CN101126622A (zh) * 2007-09-25 2008-02-20 深圳东方锅炉控制有限公司 一种高温非接触式电涡流位移传感器
CN102589745A (zh) * 2012-02-20 2012-07-18 李向阳 电涡流型温度传感器件
CN103471641A (zh) * 2013-09-03 2013-12-25 中国科学技术大学 一种电涡流传感器的温度漂移自动校正方法
CN103984980A (zh) * 2014-01-28 2014-08-13 中国农业大学 一种温室内温度极值的预测方法
CN106446940A (zh) * 2016-09-13 2017-02-22 大连理工大学 一种基于支持向量机的超级电容器电容值退化趋势的预测方法
CN108805217A (zh) * 2018-06-20 2018-11-13 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WANG, PENG 等: "A frameless eddy current sensor for cryogenic displacement measurement", 《SENSORS AND ACTUATORS A-PHYSICAL》 *
宋念龙 等: "电涡流位移传感器温度补偿方法研究", 《第36届中国控制会议论文集（F）》 *
陈宗海: "《系统仿真技术及其应用 第17卷》", 31 August 2016, 中国科学技术大学出版社 *

Also Published As

Publication number Publication date
CN110608660B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN108710752B (zh) 一种基于灰色关联分析和bp神经网络的电机数据分析方法
CN101211383A (zh) 一种高炉铁水硅含量的特征分析预报方法
CN110189800B (zh) 基于多粒度级联循环神经网络的炉氧含量软测量建模方法
CN110096810A (zh) 一种基于逐层数据扩充深度学习的工业过程软测量方法
CN112733435A (zh) 一种基于多模型融合的整车尺寸匹配偏差预测方法
Lejon et al. Machine learning for detection of anomalies in press-hardening: Selection of efficient methods
Santhosh et al. A smart displacement measuring technique using linear variable displacement transducer
CN108052717B (zh) 一种基于局部应力-应变法的疲劳寿命校准方法
Tian et al. An outliers detection method of time series data for soft sensor modeling
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
Lee et al. Induction motor fault classification based on ROC curve and t-SNE
CN110608660B (zh) 一种电涡流传感器位移、温度预测方法
CN108062564B (zh) 一种优化多核多特征融合支持向量机用于轴承故障识别的方法
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN117289652A (zh) 一种基于多元宇宙优化的数控机床主轴热误差建模方法
CN116757078A (zh) 一种基于作用力的煤粉流速测量方法及系统
CN116625519A (zh) 一种基于isma算法的多光谱辐射测温反演计算方法
CN106767952B (zh) 一种电感式位移传感器的干扰消除方法
CN107832880B (zh) 基于布料参数的高炉状态变量预测方法
CN115795341A (zh) 基于变转速的二维活塞泵健康状态评估方法
CN111522226B (zh) 针对伺服转台的多目标优化高型pid最优控制器设计方法
CN109766522B (zh) 一种刮板输送机链轮的非概率可靠性灵敏度分析方法
CN108415372B (zh) 精密机床热误差补偿方法
CN107145694B (zh) 基于rbf神经网络的连续旋转爆轰燃烧室增压比预测方法

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