CN111580570A - 容器液位监控方法及其系统 - Google Patents

容器液位监控方法及其系统 Download PDF

Info

Publication number
CN111580570A
CN111580570A CN202010466522.6A CN202010466522A CN111580570A CN 111580570 A CN111580570 A CN 111580570A CN 202010466522 A CN202010466522 A CN 202010466522A CN 111580570 A CN111580570 A CN 111580570A
Authority
CN
China
Prior art keywords
liquid level
value
level height
algorithm
model
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
CN202010466522.6A
Other languages
English (en)
Other versions
CN111580570B (zh
Inventor
袁旭辉
霍金彪
彭维科
张建平
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.)
Infotech Shanghai Co ltd
Original Assignee
Infotech Shanghai Co ltd
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 Infotech Shanghai Co ltd filed Critical Infotech Shanghai Co ltd
Priority to CN202010466522.6A priority Critical patent/CN111580570B/zh
Publication of CN111580570A publication Critical patent/CN111580570A/zh
Application granted granted Critical
Publication of CN111580570B publication Critical patent/CN111580570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D9/00Level control, e.g. controlling quantity of material stored in vessel
    • G05D9/12Level control, e.g. controlling quantity of material stored in vessel characterised by the use of electric means

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

一种容器液位监控方法,包括:通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。本发明提高了液位监控的准确性,提高了监控效率。

Description

容器液位监控方法及其系统
技术领域
本发明涉及液位监控技术领域,尤其涉及一种容器液位监控方法及其系统。
背景技术
近年来,随着科技的发展,容器液位监控技术也向着监控速度快、监控精度高方向发展。现有的液位测量传感器装置主要有差压式、浮体式、电容式、电极式等。但利用上述传感器进行单独测量常出现测量不准确的现象。同时,可能由于温度等外界因素变化带来监控数据的不准确,这些都会造成所谓的“假液位”。
发明内容
基于此,针对上述技术问题,提供一种容器液位监控方法及其系统。
为解决上述技术问题,本发明采用如下技术方案:
一种容器液位监控方法,包括:
通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器;
由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型,得到液位高度精确值;
该方法还包括:
由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数。
本方案还包括对数据进行预处理去噪后再输入模型,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
所述RBF神经网络模型采用4-10-1结构。
所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
Figure BDA0002512820530000021
其中,μ为学习因子,α为动量因子,
Figure BDA0002512820530000022
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
本方案还涉及一种容器液位监控系统,包括:
数据采集模块,用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
液位监控模块,用于将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
本方案还包括液位预测模块,用于将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数;
所述数据采集模块设于容器本地的数据终端内,所述液位监控模块以及液位预测模块均设于云端服务器内,所述数据终端通过网络与云端服务器连接。
本方案还包括数据预处理模块,用于对数据进行预处理去噪后再输入模型,所述数据预处理模块设于所述云端服务器内,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
所述RBF神经网络模型采用4-10-1结构,并通过学习算法优化其参数。
所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
Figure BDA0002512820530000031
其中,μ为学习因子,α为动量因子,
Figure BDA0002512820530000032
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
本发明提高了液位监控的准确性,提高了监控效率。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明:
图1为本发明方法的流程图;
图2为本发明系统的结构示意图;
图3为本发明的液位监控模型的训练示意图;
图4为本发明的预处理去噪流程图。
具体实施方式
如图1以及图2所示,一种容器液位监控方法,包括:
S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。
其中,液位传感器21、压力传感器22以及温度传感器23设于容器20内。
S102、将上述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
其中,液位监控模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,训练算法是为了训练神经网络的参数,从而使目标函数优化,训练样本包括液位高度值、压力值、温度值以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数,使模型输出的液位值与液位高度实际值的误差平方和最小,参见图3。
RBF神经网络中,参数训练主要包括:隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。
在随机选取固定中心的方法中,基函数中心和标准差固定,需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取,且选取后固定。基函数的标准差选取方式如下:
Figure BDA0002512820530000041
其中,dmax表示选取中心间距离的最大值,n表示隐含层节点的个数。
在中心和标准差都确定后,基函数为:
Figure BDA0002512820530000042
基函数φ为非线性函数,训练数据点Xk是φ的中心。基函数以输入空间的点Xi与中心Xk的距离作为函数的自变量。
本发明利用人工智能技术建立液位监控模型,即将各传感器信息引入到神经网络液位监控模型中来,通过已采集数据对该模型进行训练,通过该模型对液位进行监控,实时获得容器内的液位高度,提高了液位监控的准确性,提高了监控效率。
优选地,在本实施例中,步骤S101由容器本地的数据终端3通过液位传感器21、压力传感器22以及温度传感器23实时采集容器20内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器4;步骤S102由云端服务器4将液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
优选地,本发明可以通过步骤S103对容器20未来的液位高度进行预测:
S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,液位预测模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数。
预测可以分为长时间预测与短时间预测,具体根据用户需求来设定,可以以分钟,小时或者天来进行预测,当然相应的输入数据采用相同的时间标准。
如预测今天16点的液位高度,可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。
其中,在进行液位高度预测时,外界温度信息可以由人工输入云端服务器4,也可以由云端服务器4通过互联网获取容器所处地区的温度,或者可以在容器本地设置温度检测装置,检测值可以由数据终端3通过网络发送给云端服务器4。
优选地,本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前,先进行预处理去噪,从而提高数据准确度。
具体地,如图4所示,预处理去噪包括:
一、采用经验模态分解法EMD对数据进行分解:对原始数据x(k)进行EMD分解,其由若干本征模态函数imfi(k)和一个残余信号rn(k)组成。分解结果为:
Figure BDA0002512820530000051
k代表第k个采样点。
由如下方法得到每一个本征模态函数:
1、极大值包络线e+(k)和极小值包络线e-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m1(k),则
Figure BDA0002512820530000061
将原始数据序列减去m1(k),得到一个去掉低频的新数据
Figure BDA0002512820530000062
得到
Figure BDA0002512820530000063
一般,
Figure BDA0002512820530000064
不是一个平稳数据,不满足IMF的两个条件,重复上述过程,假定经过k次之后满足IMF的定义,则原始数据x(t)的一阶IMF分量为:
Figure BDA0002512820530000065
2、用原始数据减去imf1(k),得到新数据r1(k),则:r1(k)=x(k)-imf1(k)。
3、如此反复进行,直到第n阶IMF分量或残余分量rn(k)小于预设值或当残余分量rn(k)是单调函数或常量时,EMD分解停止,得到相应的IMF分量。
二、去掉高频分量:通过对高频IMF分量、低频IMF分量和余量分析,同时噪声能量多集中于高频的特点,把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理,本实施例中把高频分量前两列去掉),得到处理后的各分量。
二、对其余分量进行数据重组:
把去掉部分高频分量后的IMF分量imfi'(k)数据进行重组,求得经过EMD处理后的数据,
Figure BDA0002512820530000066
在本实施例中,RBF神经网络模型采用4-10-1结构。
学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法,为了解决易陷入极小值的问题,BP算法为带有动量因子的BP算法,从而提高算法的收敛速率。
权重可以通过以下目标函数(误差平方和最小函数)来训练:
Figure BDA0002512820530000067
其中,e(k)为预测模型的误差,
Figure BDA0002512820530000068
y(k)为液位高度实际值,
Figure BDA0002512820530000069
为本发明预测模型输出的液位高度值。
其权值更新公式如下:
Figure BDA00025128205300000610
其中,μ为学习因子,α为动量因子,
Figure BDA00025128205300000611
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
当然,本发明并不限于RBF神经网络,也可以采用BP神经网络或者LSTM神经网络。
如图1以及图2所示,本发明还涉及一种容器液位监控系统,包括:
数据采集模块,用于执行:
S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。
其中,液位传感器21、压力传感器22以及温度传感器23设于容器20内。
液位监控模块,用于执行:
S102、将上述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
其中,液位监控模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,训练算法是为了训练神经网络的参数,从而使目标函数优化,训练样本包括液位高度值、压力值、温度值以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数,使模型输出的液位值与液位高度实际值的误差平方和最小,参见图3。
RBF神经网络中,参数训练主要包括:隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。
在随机选取固定中心的方法中,基函数中心和标准差固定,需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取,且选取后固定。基函数的标准差选取方式如下:
Figure BDA0002512820530000071
其中,dmax表示选取中心间距离的最大值,n表示隐含层节点的个数。
在中心和标准差都确定后,基函数为:
Figure BDA0002512820530000072
基函数φ为非线性函数,训练数据点Xk是φ的中心。基函数以输入空间的点Xi与中心Xk的距离作为函数的自变量。
本发明利用人工智能技术建立液位监控模型,即将各传感器信息引入到神经网络液位监控模型中来,通过已采集数据对该模型进行训练,通过该模型对液位进行监控,实时获得容器内的液位高度,提高了液位监控的准确性,提高了监控效率。
优选地,本发明还具有液位预测模块,用于执行步骤S103以对容器20未来的液位高度进行预测:
S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,液位预测模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数。
预测可以分为长时间预测与短时间预测,具体根据用户需求来设定,可以以分钟,小时或者天来进行预测,当然相应的输入数据采用相同的时间标准。
如预测今天16点的液位高度,可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。
其中,在进行液位高度预测时,外界温度信息可以由人工输入云端服务器4,也可以由云端服务器4通过互联网获取容器所处地区的温度,或者可以在容器本地设置温度检测装置,检测值可以由数据终端3通过网络发送给云端服务器4。
数据采集模块设于容器本地的数据终端3内,液位监控模块以及液位预测模块均设于云端服务器4内,数据终端4通过网络与云端服务器4连接。
当然,还可以在云端服务器4内设置液位报警模块,当液位异常时可以进行报警。
优选地,本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前,先进行预处理去噪,从而提高数据准确度。
具体地,如图4所示,预处理去噪包括:
一、采用经验模态分解法EMD对数据进行分解:对原始数据x(k)进行EMD分解,其由若干本征模态函数imfi(k)和一个残余信号rn(k)组成。分解结果为:
Figure BDA0002512820530000091
k代表第k个采样点。
由如下方法得到每一个本征模态函数:
2、极大值包络线e+(k)和极小值包络线e-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m1(k),则
Figure BDA0002512820530000092
将原始数据序列减去m1(k),得到一个去掉低频的新数据
Figure BDA0002512820530000093
得到
Figure BDA0002512820530000094
一般,
Figure BDA0002512820530000095
不是一个平稳数据,不满足IMF的两个条件,重复上述过程,假定经过k次之后满足IMF的定义,则原始数据x(t)的一阶IMF分量为:
Figure BDA0002512820530000096
2、用原始数据减去imf1(k),得到新数据r1(k),则:r1(k)=x(k)-imf1(k)。
3、如此反复进行,直到第n阶IMF分量或残余分量rn(k)小于预设值或当残余分量rn(k)是单调函数或常量时,EMD分解停止,得到相应的IMF分量。
二、去掉高频分量:通过对高频IMF分量、低频IMF分量和余量分析,同时噪声能量多集中于高频的特点,把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理,本实施例中把高频分量前两列去掉),得到处理后的各分量。
二、对其余分量进行数据重组:
把去掉部分高频分量后的IMF分量imfi'(k)数据进行重组,求得经过EMD处理后的数据,
Figure BDA0002512820530000097
在本实施例中,RBF神经网络模型采用4-10-1结构。
学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法,为了解决易陷入极小值的问题,BP算法为带有动量因子的BP算法,从而提高算法的收敛速率。
权重可以通过以下目标函数(误差平方和最小函数)来训练:
Figure BDA0002512820530000098
其中,e(k)为预测模型的误差,
Figure BDA0002512820530000101
y(k)为液位高度实际值,
Figure BDA0002512820530000102
为本发明预测模型输出的液位高度值。
其权值更新公式如下:
Figure BDA0002512820530000103
其中,μ为学习因子,α为动量因子,
Figure BDA0002512820530000104
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
当然,本发明并不限于RBF神经网络,也可以采用BP神经网络或者LSTM神经网络。
但是,本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (10)

1.一种容器液位监控方法,其特征在于,包括:
通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
2.根据权利要求1所述的一种容器液位监控方法,其特征在于,由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器;
由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型,得到液位高度精确值;
该方法还包括:
由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数。
3.根据权利要求2所述的一种容器液位监控方法,其特征在于,还包括对数据进行预处理去噪后再输入模型,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
4.根据权利要求2或3所述的一种容器液位监控方法,其特征在于,所述RBF神经网络模型采用4-10-1结构。
5.根据权利要求4所述的一种容器液位监控方法,其特征在于,所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
Figure FDA0002512820520000021
其中,μ为学习因子,α为动量因子,
Figure FDA0002512820520000022
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
6.一种容器液位监控系统,其特征在于,包括:
数据采集模块,用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
液位监控模块,用于将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
7.根据权利要求6所述的一种容器液位监控系统,其特征在于,还包括液位预测模块,用于将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数;
所述数据采集模块设于容器本地的数据终端内,所述液位监控模块以及液位预测模块均设于云端服务器内,所述数据终端通过网络与云端服务器连接。
8.根据权利要求7所述的一种容器液位监控系统,其特征在于,还包括数据预处理模块,用于对数据进行预处理去噪后再输入模型,所述数据预处理模块设于所述云端服务器内,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
9.根据权利要求7或8所述的一种容器液位监控系统,其特征在于,所述RBF神经网络模型采用4-10-1结构,并通过学习算法优化其参数。
10.根据权利要求9所述的一种容器液位监控系统,其特征在于,所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
Figure FDA0002512820520000031
其中,μ为学习因子,α为动量因子,
Figure FDA0002512820520000032
为J(k)对w(k)求偏导数,w(k)为更新前的权值,w(k+1)为更新后的权值。
CN202010466522.6A 2020-05-28 2020-05-28 容器液位监控方法及其系统 Active CN111580570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466522.6A CN111580570B (zh) 2020-05-28 2020-05-28 容器液位监控方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466522.6A CN111580570B (zh) 2020-05-28 2020-05-28 容器液位监控方法及其系统

Publications (2)

Publication Number Publication Date
CN111580570A true CN111580570A (zh) 2020-08-25
CN111580570B CN111580570B (zh) 2023-03-17

Family

ID=72112665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466522.6A Active CN111580570B (zh) 2020-05-28 2020-05-28 容器液位监控方法及其系统

Country Status (1)

Country Link
CN (1) CN111580570B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885596A (zh) * 2021-10-20 2022-01-04 连云港豪瑞生物技术有限公司 污水处理智能监控系统
CN115646396A (zh) * 2022-12-28 2023-01-31 安徽建筑大学 反应釜反应过程中安全参数检测方法、控制方法及装置
CN116448209A (zh) * 2023-06-15 2023-07-18 合肥市富林物联网技术股份有限公司 一种基于压力传感器的液位识别方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
JP2016173301A (ja) * 2015-03-17 2016-09-29 Dmg森精機株式会社 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
JP2016173301A (ja) * 2015-03-17 2016-09-29 Dmg森精機株式会社 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢苗;刘治翔;毛君;: "基于改进型ANFIS的磁致伸缩液位传感器温度补偿" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113885596A (zh) * 2021-10-20 2022-01-04 连云港豪瑞生物技术有限公司 污水处理智能监控系统
CN115646396A (zh) * 2022-12-28 2023-01-31 安徽建筑大学 反应釜反应过程中安全参数检测方法、控制方法及装置
CN115646396B (zh) * 2022-12-28 2023-03-10 安徽建筑大学 反应釜反应过程中安全参数检测方法、控制方法及装置
CN116448209A (zh) * 2023-06-15 2023-07-18 合肥市富林物联网技术股份有限公司 一种基于压力传感器的液位识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN111580570B (zh) 2023-03-17

Similar Documents

Publication Publication Date Title
CN111580570B (zh) 容器液位监控方法及其系统
CN111830408B (zh) 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN110727665B (zh) 物联网设备上报数据质量分析方法及系统
CN111582551B (zh) 风电场短期风速预测方法、系统及电子设备
CN112966432A (zh) 一种锂离子电池剩余有效寿命预测方法及装置
CN111931983B (zh) 一种降水量预测方法及系统
CN112686481A (zh) 一种径流量预报方法、处理器
CN111881954A (zh) 基于渐进式簇净化网络的转导推理小样本分类方法
CN112100574A (zh) 一种基于重采样的aakr模型不确定度计算方法及系统
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
CN116485031A (zh) 短期电力负荷的预测方法、装置、设备及存储介质
CN115879607A (zh) 一种电能表状态预测方法、系统、设备和存储介质
CN105303051A (zh) 一种空气污染物浓度预测方法
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN117350897A (zh) 一种考虑空气湿度的转换功率预测的方法和系统
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN117055005A (zh) 一种基于深度主动学习的雷达目标识别方法及雷达系统
CN114994800B (zh) 一种大气细颗粒物的反演方法及装置
CN115062526B (zh) 基于深度学习的三维电离层电子浓度分布模型训练方法
CN113343590B (zh) 一种基于组合模型的风速预测方法及系统
CN112766537B (zh) 一种短期电负荷预测方法
Chen et al. Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory

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