CN111595401A - 管道气体测量系统、方法和存储介质 - Google Patents
管道气体测量系统、方法和存储介质 Download PDFInfo
- Publication number
- CN111595401A CN111595401A CN202010327416.XA CN202010327416A CN111595401A CN 111595401 A CN111595401 A CN 111595401A CN 202010327416 A CN202010327416 A CN 202010327416A CN 111595401 A CN111595401 A CN 111595401A
- Authority
- CN
- China
- Prior art keywords
- mass flow
- gas
- gas mass
- prediction
- pipeline
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/76—Devices for measuring mass flow of a fluid or a fluent solid material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
- G01F15/18—Supports or connecting means for meters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measuring Volume Flow (AREA)
Abstract
本申请公开了一种管道气体测量系统、方法和存储介质,系统包括:传感器组件,其包括多个气体质量流量传感器和安装组件,多个所述气体质量流量传感器安装在所述安装组件上,所述安装组件被安装在管道内时使得多个所述气体质量流量传感器在所述管道的内径方向上分布;温度传感器,用于检测管道内气体的温度数据;数据处理模块,用于将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,得到气体质量流量的检测结果。本申请通过测量管道内多点的气体质量流量,并通过预测模型进行预测,相对于现有技术更加准确。本申请可以广泛应用于气体测量技术。
Description
技术领域
本申请涉及气体测量技术,尤其是一种管道气体测量系统、方法和存储介质。
背景技术
随着工业的快速发展,工业各种用气需求量也与日俱增,供气所需的管道直径也逐步增大。然而,现有插入式气流流量测量方法通常是通过测量管道中间一点的流量来推导得到整个管道的气体流量。实际上,这种传统的测量方式对于大管径测量精度比较低。
发明内容
为解决上述技术问题的至少之一,本申请的目的在于:提供一种管道气体测量系统、方法和存储介质。
第一方面,本申请实施例提供了:
一种管道气体测量系统,包括:
传感器组件,其包括多个气体质量流量传感器和安装组件,所述多个气体质量流量传感器安装在所述安装组件上,所述安装组件被安装在管道内时使得多个所述气体质量流量传感器在所述管道的内径方向上分布;
温度传感器,用于检测管道内气体的温度数据;
数据处理模块,用于将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,得到气体质量流量的检测结果。
进一步,所述安装组件被安装在管道内时,多个所述气体质量流量传感器以所述管道的截面圆心为中心对称分布。
进一步,所述数据处理模块中存储有多个管径对应的预测模型以及用户配置的管径;
所述将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,具体为:
根据所述用户配置的管径选择预测模型;
将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到选择的预测模型中进行预测。
第二方面,本申请实施例提供了:
一种管道气体测量方法,包括以下步骤:
获取多个气体质量流量传感器采集的检测数据;
获取管道内气体的温度数据;
将多个所述气体质量流量传感器采集的检测数据和所述温度数据输入到预测模型中进行预测,得到气体质量流量的检测结果;
其中,多个所述气体质量流量传感器安装在一个安装组件上,所述安装组件被安装在所述管道内并使得多个所述气体质量流量传感器在所述管道的内径方向上分布。
进一步,所述预测模型通过以下步骤得到:
获取训练样本和所述训练样本对应的标签;
根据所述训练样本和所述训练样本对应的标签对预测模型进行训练,直到满足预设条件。
进一步,所述获取训练样本和所述训练样本对应的标签,包括:
向管道中输送预设或者随机的质量流量的气体;
获取所述管道中温度传感器的检测数据和多个所述气体质量流量传感器的检测数据,作为训练样本;
根据所述质量流量作为所述训练样本的标签。
进一步,所述预测模型通过以下步骤得到:
计算对称两个气体质量流量传感器的电压平均值,电压平均值表示为Ui=(ui+u(2n-(i-1)))/2,i=1,2,…,n;
将温度数据T和电压平均值Ui作为自变量,供气流量Qm作为因变量,建立拟合模型;
在高维空间构建线性回归函数:y(x)=wΦ(x)+b;其中,y(x)代表供气流量Qmj,xj代表输入向量[U1j,U2j,…,Unj,Tj],w代表回归函数的斜率,b代表回归函数的截距;
引入松弛变量ξj>0和ξj *>0,得到回归函数的约束条件为:yj-wΦ(xj)-b≤ε+ξj,wΦ(xj)+b-yj≤ε+ξj *(j=1,2,…,m),得到最优回归函数为其中,C为惩罚因子,C>0,C用于控制误差超出ε的样本的惩罚程度;
引入拉格朗日函数,将最优回归函数转化为对偶形式:最优回归函数的约束条件为a和a*均为带求解的支持向量,K(xj,xk)为支持向量机核函数,l为训练样本的数量,K(xj,xk)=EXP(-|x-y|2/σ2),其中,σ2为核参数;
对训练样本进行标准化,线性映射到[0,1]范围内,所述线性映射的计算公式为xi’=(xi-xmin)/(xmax-xmin);
建立由惩罚因子C和方差σ组成的粒子Xi=(Ci,σi),并对粒子进行初始化;
随机产生粒子的初始位置和速度,以及设置最大迭代次数;
将初始的粒子代入已建立的支持向量机模型中,把标签作为输出值,将训练样本输入支持向量机模型进行训练,根据所述适应度函数计算预测误差,如果所述预测误差小于设定值,则得到最优粒子,否则进入下一步骤;
将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新:
vij(t+1)=w(t)vij(t)+c1r1(pij(t)-xij(t))+c2r2(gj(t)-xij(t)),xij(t+1)=xij(t)+vij(t+1);
其中,w为权重;c1和c2为加速因子;r1和r2为分布于[0,1]的随机数;pij为粒子个体极值;gj为整个种群的极值;xij(t)和vij(t)分别为t时刻的位置和速度;
将更新后的粒子代入支持向量机模型重新计算预测误差,判断新的预测误差是否小于预设值,同时判断是否达到最大迭代次数;若达到最大迭代次数或者新的预测误差小于预设值,则得到最优粒子;若未达到最大迭代次数或者新的预测误差大于等于预设值,则返回所述将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新的步骤;
将最优粒子代入支持向量机模型中,得到预测模型。
第三方面,本申请实施例提供了:
一种管道气体测量系统,包括程序、存储器和处理器;
所述程序存储在处理器之中;
所述程序被处理器加载时执行所述的管道气体测量方法。
第四方面,本申请实施例提供了:
一种存储介质,其存储有程序,所述程序被处理器执行时实现所述的管道气体测量方法。
本申请实施例的有益效果是:本申请设置了传感器组件,该传感器组件包括多个气体质量流量传感器和安装组件,所述多个气体质量流量传感器安装在所述安装组件上,所述安装组件被安装在管道内时使得多个所述气体质量流量传感器在所述管道的内径方向上分布,本申请通过采集在所述管道的内径方向上分布的检测数据进行流量预测,相对于现有技术而言,本申请将气体质量流量在管道内存在不均匀分布的因素考虑在预测过程中,预测结果相对于现有技术更加准确。
附图说明
图1为根据本申请实施例提供的一种管道气体测量系统模块框图;
图2为根据本申请实施例提供的传感器组件安装结构的正视图;
图3为根据本申请实施例提供的传感器组件安装结构的侧视图;
图4为根据本申请实施例提供的一种管道气体测量方法的流程图。
具体实施方式
下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请出现的名词进行解释:
支持向量机:(Support Vector Machine,SVM)是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linearclassifier),其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。
质量流量:是指单位时间里流体通过封闭管道或敞开槽有效截面的流体质量。
径向基函数:Radial Basis Function简称RBF,就是某种沿径向对称的标量函数。
参照图1,本实施例公开了一种管道气体测量系统,包括:
传感器组件,其包括多个气体质量流量传感器和安装组件,所述多个气体质量流量传感器安装在所述安装组件上,所述安装组件被安装在管道内时使得多个所述气体质量流量传感器在所述管道的内径方向上分布;
温度传感器,用于检测管道内气体的温度数据;
数据处理模块,用于将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,得到气体质量流量的检测结果。
其中,参照图2和图3,安装组件210安装在管道220内,气体质量流量传感器230以安装组件210在管道内部分的中点为中心对称分布,可以理解为气体质量流量传感器230以管道220的截面的圆心为中心对称分布在安装组件210的长度方向上。其中,安装组件210为条状,其安装位置与管道220的内径重叠。需要理解的是管道220是一个截面为圆形的管道,安装组件210的长度方向与管道220的一个截面的直径方向相同。另一方面,管道220与地面平行安装,而安装组件210以垂直于管道的方式安装,也就是说安装组件210与地面是垂直关系。此外,图3中还示出了温度传感器240的安装位置。当然,安装组件210并非一定要垂直于地面安装,但安装组件210与地面的安装角度与模型训练样本采集时安装组件的安装角度保持一致,理论上预测结果是最佳的。
发明人发现在管道内气体的速度在中心位置最大,管道边缘最小,气体速度在管道中的分布难以用中心点的函数关系进行描述,其中,质量流量与气体速度正相关。因此通过布置多个传感器进行测量,并基于测量数据输入到模型中进行预测,可以得到更高精度的质量流量检测结果。
其中,气体质量流量传感器输出的可以为电压信号,气体质量流量传感器输出的电压信号与气体的质量流量正相关。
温度传感器输出的同样可以为电压信号,电压信号的大小与温度正相关。当然,上述传感器也可以直接输出表示对应检测值的数字信号。
对于电压信号的处理,可以通过设置模数转换电路实现。
在本实施例中,数据处理模块中存储有预先训练好的预测模型,该预测模型的输入为多个传感器的检测数据,其输出为检测数据。
在一些实施例中,所述安装组件被安装在管道内时,多个所述气体质量流量传感器以所述管道的截面圆心为中心对称分布。气体质量流量传感器的数量根据供气管道的直径进行确定,布置位置则根据线性对数法确定。即测量时将供气管道划分为n个面积相等的圆环,圆环与直径的交点为气体质量流量传感器的安装位置,则相应的测点数量为2n个。
在一些实施例中,所述数据处理模块中存储有多个管径对应的预测模型以及用户配置的管径;
所述将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,具体为:
根据所述用户配置的管径选择预测模型;
将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到选择的预测模型中进行预测。
在一些实施例中,预测模型可以固定针对某种管径进行训练,因此对于不同的管径,有不同的预测模型。不同的管径,传感器的数量和安装间距也有一定的差别。本实施例基于管径参数设置来确定模型,可以让施工人员通过配置管径快速匹配到对应的模型,使得软件可以通用于不同管径的设备。
参照图4,本实施例公开了一种管道气体测量方法,包括以下步骤:
步骤410、获取多个气体质量流量传感器采集的检测数据;
步骤420、获取管道内气体的温度数据;
步骤430、将多个所述气体质量流量传感器采集的检测数据和所述温度数据输入到预测模型中进行预测,得到气体质量流量的检测结果;
其中,多个所述气体质量流量传感器安装在一个安装组件上,所述安装组件被安装在所述管道内并使得多个所述气体质量流量传感器在所述管道的内径方向上分布。其中,气体质量流量传感器的安装方式可以参考图2和图3以及对应的系统实施例。
其中,预测模型通过以下步骤得到:
(1)建立支持向量机拟合模型
计算对称两个气体质量流量传感器的电压平均值,电压平均值表示为Ui=(ui+u(2n-(i-1)))/2,i=1,2,…,n;温度传感器所测得数值为供气温度T,单位为℃;在同一管径,相同供气流量Qm和供气温度T下,对应的Ui(U1,U2,…,Un)是一组不变的数值。
流量传感器和温度传感器的采集频率和时间一致,将供气温度T和Ui作为自变量,供气流量Qm作为因变量,建立拟合模型。
在高维空间构建线性回归函数:y(x)=wΦ(x)+b,其中,代表y(x)代表供气流量Qmj,xj(即公式中的x)代表输入向量[U1j,U2j,…,Unj,Tj],w代表回归函数的斜率,b代表回归函数的截距,Φ()为预设函数,在一些实施例中Φ(x)=x。
引入松弛变量ξj>0和ξj *>0,可得回归函数的约束条件为:yj-wΦ(xj)-b≤ε+ξj,wΦ(xj)+b-yj≤ε+ξj *(j=1,2,…,m),得到最优回归函数为其中,C为惩罚因子,且C大于0,C用于控制误差超出ε的样本的惩罚程度。
选择RBF作为支持向量机的核函数,则有K(xj,xk)=EXP(-|x-y|2/σ2),其中,σ2为核参数,则供气流量的回归方程可转化为由此可将求解该方程的最优解转化为寻找最优惩罚因子C和函数方差σ的问题。
(2)粒子群优化支持向量机
选择训练样本的均值误差e作为粒子群算法的适应度函数,所述粒子群算法的适应度函数计算公式为其中,l为样本个数,yj(j=1,2,…,l)为第j个样本的标签,yj *(j=1,2,…,l)为第j个样本的预测值。
对训练样本进行标准化,线性映射到[0,1]范围内,所述线性映射的计算公式为xi’=(xi-xmin)/(xmax-xmin)。
建立由惩罚因子C和方差σ组成的粒子Xi=(Ci,σi),并对粒子进行初始化;在搜索空间中随机产生粒子的初始位置和速度,及设置最大迭代次数。
将初始的粒子代入已建立的支持向量机模型中,把标签作为输出值,将训练样本输入支持向量机模型进行训练,根据所述适应度函数计算预测误差,如果所述预测误差小于设定值,则得到最优粒子,否则进入下一步骤。
将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新:
vij(t+1)=w(t)vij(t)+c1r1(pij(t)-xij(t))+c2r2(gj(t)-xij(t)),xij(t+1)=xij(t)+vij(t+1);
其中,w为权重;c1和c2为加速因子;r1和r2为分布于[0,1]的随机数;pij为粒子个体极值;gj为整个种群的极值;xij(t)和vij(t)分别为t时刻的位置和速度。
将更新后的粒子代入支持向量机模型重新计算预测误差,判断新的预测误差是否小于预设值,同时判断是否达到最大迭代次数;若达到最大迭代次数或者新的预测误差小于预设值,则得到最优粒子;若未达到最大迭代次数或者新的预测误差大于等于预设值,则返回所述将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新的步骤。
将最优粒子代入支持向量机模型中,得到预测模型。
采用粒子群优化算法,可以快速地获得最优粒子,从而减少预测模型的获得时间。本实施例基于粒子群优化支持向量机,可以在同等的训练资源的条件下,得到相对于其他神经网络更准确的预测模型。
在一些实施例中,向预测模型输入的数据均经过归一化处理,即将输入值映射到[0,1]范围内。因此,在这些实施例中,在训练和实际的应用过程中,均包含对数据进行归一化处理的步骤。
在一些实施例中,也可以基于上述方法采集训练样本,并对诸如CNN和RNN等神经网络进行训练来得到预测模型。
其中,采用神经网络进行训练时,基于训练样本的预测结果和对应标签之间的误差,对神经网络进行参数调整,直到神经网络满足预设的条件。具体为,直到神经网络在验证集中收敛或者训练次数达到最大次数。
在本实施例中,所述获取训练样本和所述训练样本对应的标签,包括:
向管道中输送预设或者随机的质量流量的气体;
获取所述管道中温度传感器的检测数据和多个所述气体质量流量传感器的检测数据,作为训练样本;
根据所述质量流量作为所述训练样本的标签。
本实施例通过向管道输送已知的质量流量的气体,然后通过传感器获取检测数据,将传感器的检测数据作为训练样本,并将已知的质量流量作为训练标签。本实施例可以通过配置标准的气体发生器来产生不同质量流量和温度的气体,并通过上述方式来获得多组训练样本。
此外,在采集数据时,对称两个传感器所采集得到的数据需要经过有效性检验,即对称两个传感器所测电压信号值之差应满足:|ui-uj|≤Aε,i,j=1,2...,2n。其中ε为传感器的测量精度,A为修正系数。对于理想无干扰的供气管道A取值为1。如果传感器所测数据不通过该条件,则所述3数据处理模块将会剔除该组测量数据。
本实施例公开了一种管道气体测量系统,包括程序、存储器和处理器;
所述程序存储在处理器之中;
所述程序被处理器加载时执行所述的管道气体测量方法。
本实施例公开了一种存储介质,其存储有程序,所述程序被处理器执行时实现所述的管道气体测量方法。
对于上述方法实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种管道气体测量系统,其特征在于,包括:
传感器组件,其包括多个气体质量流量传感器和安装组件,多个所述气体质量流量传感器安装在所述安装组件上,所述安装组件被安装在管道内时使得多个所述气体质量流量传感器在所述管道的内径方向上分布;
温度传感器,用于检测管道内气体的温度数据;
数据处理模块,用于将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,得到气体质量流量的检测结果。
2.根据权利要求1所述的一种管道气体测量系统,其特征在于,所述安装组件被安装在管道内时,多个所述气体质量流量传感器以所述管道的截面圆心为中心对称分布。
3.根据权利要求1所述的一种管道气体测量系统,其特征在于,所述数据处理模块中存储有多个管径对应的预测模型以及用户配置的管径;
所述将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到预测模型中进行预测,具体为:
根据所述用户配置的管径选择预测模型;
将多个所述气体质量流量传感器的检测数据以及所述温度传感器的检测数据输入到选择的预测模型中进行预测。
4.一种管道气体测量方法,其特征在于,包括以下步骤:
获取多个气体质量流量传感器采集的检测数据;
获取管道内气体的温度数据;
将多个所述气体质量流量传感器采集的检测数据和所述温度数据输入到预测模型中进行预测,得到气体质量流量的检测结果;
其中,多个所述气体质量流量传感器安装在一个安装组件上,所述安装组件被安装在所述管道内并使得多个所述气体质量流量传感器在所述管道的内径方向上分布。
5.根据权利要求4所述的一种管道气体测量方法,其特征在于,所述预测模型通过以下步骤得到:
获取训练样本和所述训练样本对应的标签;
根据所述训练样本和所述训练样本对应的标签对预测模型进行训练,直到满足预设条件。
6.根据权利要求5所述的一种管道气体测量方法,其特征在于,所述获取训练样本和所述训练样本对应的标签,包括:
向管道中输送预设或者随机的质量流量的气体;
获取所述管道中温度传感器的检测数据和多个所述气体质量流量传感器的检测数据,作为训练样本;
根据所述质量流量作为所述训练样本的标签。
7.根据权利要求4所述的一种管道气体测量方法,其特征在于,所述预测模型基于支持向量机和粒子群优化算法训练得到。
8.根据权利要求4所述的一种管道气体测量方法,其特征在于,所述预测模型通过以下步骤得到:
计算对称两个气体质量流量传感器的电压平均值,电压平均值表示为Ui=(ui+u(2n-(i-1)))/2,i=1,2,…,n;
将温度数据T和电压平均值Ui作为自变量,供气流量Qm作为因变量,建立拟合模型;
在高维空间构建线性回归函数:y(x)=wΦ(x)+b;其中,y(x)代表供气流量Qmj,xj代表输入向量[U1j,U2j,…,Unj,Tj],w代表回归函数的斜率,b代表回归函数的截距,Φ()为预设函数;
引入松弛变量ξj>0和ξj *>0,得到回归函数的约束条件为:yj-wΦ(xj)-b≤ε+ξj,wΦ(xj)+b-yj≤ε+ξj *(j=1,2,…,m),得到最优回归函数为其中,C为惩罚因子,C>0,C用于控制误差超出ε的样本的惩罚程度;
引入拉格朗日函数,将最优回归函数转化为对偶形式:最优回归函数的约束条件为a和a*均为带求解的支持向量,K(xj,xk)为支持向量机核函数,l为训练样本的数量,K(xj,xk)=EXP(-|x-y|2/σ2),其中,σ2为核参数;
对训练样本进行标准化,线性映射到[0,1]范围内,所述线性映射的计算公式为xi′=(xi-xmin)/(xmax-xmin);
建立由惩罚因子C和方差σ组成的粒子Xi=(Ci,σi),并对粒子进行初始化;
随机产生粒子的初始位置和速度,以及设置最大迭代次数;
将初始的粒子代入已建立的支持向量机模型中,把标签作为输出值,将训练样本输入支持向量机模型进行训练,根据所述适应度函数计算预测误差,如果所述预测误差小于设定值,则得到最优粒子,否则进入下一步骤;
将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新:
vij(t+1)=w(t)vij(t)+c1r1(pij(t)-xij(t))+c2r2(gj(t)-xij(t)),xij(t+1)=xij(t)+vij(t+1);
其中,w为权重;c1和c2为加速因子;r1和r2为分布于[0,1]的随机数;pij为粒子个体极值;gj为整个种群的极值;xij(t)和vij(t)分别为t时刻的位置和速度;
将更新后的粒子代入支持向量机模型重新计算预测误差,判断新的预测误差是否小于预设值,同时判断是否达到最大迭代次数;若达到最大迭代次数或者新的预测误差小于预设值,则得到最优粒子;若未达到最大迭代次数或者新的预测误差大于等于预设值,则返回所述将粒子Xi=(Ci,σi)按照下式对其速度和位置进行更新的步骤;
将最优粒子代入支持向量机模型中,得到预测模型。
9.一种管道气体测量系统,其特征在于,包括程序、存储器和处理器;
所述程序存储在处理器之中;
所述程序被处理器加载时执行如权利要求4-8任一项所述的方法。
10.一种存储介质,其存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求4-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327416.XA CN111595401B (zh) | 2020-04-23 | 2020-04-23 | 管道气体测量系统、方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010327416.XA CN111595401B (zh) | 2020-04-23 | 2020-04-23 | 管道气体测量系统、方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111595401A true CN111595401A (zh) | 2020-08-28 |
CN111595401B CN111595401B (zh) | 2021-09-28 |
Family
ID=72187664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010327416.XA Active CN111595401B (zh) | 2020-04-23 | 2020-04-23 | 管道气体测量系统、方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111595401B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166318A (zh) * | 2022-02-14 | 2022-03-11 | 青岛鼎信通讯股份有限公司 | 一种基于深度学习的超声波水表流量数据校准方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005134138A (ja) * | 2003-10-28 | 2005-05-26 | National Institute Of Advanced Industrial & Technology | 精密流量測定方法及び測定装置 |
CN106323390A (zh) * | 2015-06-30 | 2017-01-11 | 约翰逊控制技术公司 | 用于使用压差测得值确定流率的系统和方法 |
CN106647827A (zh) * | 2015-10-28 | 2017-05-10 | 中国石油化工股份有限公司 | 一种液体进料控制方法 |
CN109443456A (zh) * | 2018-10-31 | 2019-03-08 | 华北电力大学(保定) | 流量测量方法及装置 |
CN109657847A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
US10533982B2 (en) * | 2015-12-14 | 2020-01-14 | Hitachi Metals, Ltd. | Mass flow controller and method for controlling a mass flow rate of a gas in a gas stream |
-
2020
- 2020-04-23 CN CN202010327416.XA patent/CN111595401B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005134138A (ja) * | 2003-10-28 | 2005-05-26 | National Institute Of Advanced Industrial & Technology | 精密流量測定方法及び測定装置 |
CN106323390A (zh) * | 2015-06-30 | 2017-01-11 | 约翰逊控制技术公司 | 用于使用压差测得值确定流率的系统和方法 |
CN106647827A (zh) * | 2015-10-28 | 2017-05-10 | 中国石油化工股份有限公司 | 一种液体进料控制方法 |
US10533982B2 (en) * | 2015-12-14 | 2020-01-14 | Hitachi Metals, Ltd. | Mass flow controller and method for controlling a mass flow rate of a gas in a gas stream |
CN109443456A (zh) * | 2018-10-31 | 2019-03-08 | 华北电力大学(保定) | 流量测量方法及装置 |
CN109657847A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 基于粒子群优化支持向量回归的工业生产中故障预测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114166318A (zh) * | 2022-02-14 | 2022-03-11 | 青岛鼎信通讯股份有限公司 | 一种基于深度学习的超声波水表流量数据校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111595401B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Binu et al. | RideNN: A new rider optimization algorithm-based neural network for fault diagnosis in analog circuits | |
Zhou et al. | Recognition of control chart patterns using fuzzy SVM with a hybrid kernel function | |
US7899652B2 (en) | Linear programming support vector regression with wavelet kernel | |
KR100865201B1 (ko) | 참조 데이터 최적화 학습 방법과 패턴 인식 시스템 | |
CN106897717A (zh) | 基于环境激励数据的多次测试下贝叶斯模型修正方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
KR950007882B1 (ko) | 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법 | |
CN111595401B (zh) | 管道气体测量系统、方法和存储介质 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
Liu et al. | Robust speed prediction of high-speed trains based on improved echo state networks | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
CN116227389A (zh) | 气动热数据的预测方法及装置 | |
CN112529328B (zh) | 一种产品性能预测方法及系统 | |
Zhang et al. | Calibrated stochastic gradient descent for convolutional neural networks | |
CN112949524B (zh) | 一种基于经验模态分解与多核学习的发动机故障检测方法 | |
Hagg et al. | Prediction of neural network performance by phenotypic modeling | |
CN115983137A (zh) | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 | |
CN112685954B (zh) | 一种汽车环境风洞风速和风机转速的预测方法及装置 | |
CN112015894B (zh) | 一种基于深度学习的文本单类分类方法及系统 | |
CN114970856A (zh) | 基于硬件特性的模型剪枝方法、装置、设备及存储介质 | |
Yerramalla et al. | Lyapunov stability analysis of the quantization error for DCS neural networks | |
Dashdondov et al. | OrdinalEncoder and PCA based NB Classification for Leaked Natural Gas Prediction Using IoT based Remote Monitoring System | |
Fang et al. | A Model Validation Method Based on Convolutional Neural Network | |
CN116300477A (zh) | 封闭空间环境调控方法、系统、电子设备及存储介质 |
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 |