CN111982302A - 一种带噪声滤波和环境温度补偿的测温方法 - Google Patents
一种带噪声滤波和环境温度补偿的测温方法 Download PDFInfo
- Publication number
- CN111982302A CN111982302A CN202010856803.2A CN202010856803A CN111982302A CN 111982302 A CN111982302 A CN 111982302A CN 202010856803 A CN202010856803 A CN 202010856803A CN 111982302 A CN111982302 A CN 111982302A
- Authority
- CN
- China
- Prior art keywords
- temperature
- noise
- deviation
- value
- measurement
- 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
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 title claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 15
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/02—Constructional details
- G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/02—Constructional details
- G01J5/06—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity
- G01J5/068—Arrangements for eliminating effects of disturbing radiation; Arrangements for compensating changes in sensitivity by controlling parameters other than temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
- A61B2560/0247—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value
- A61B2560/0252—Operational features adapted to measure environmental factors, e.g. temperature, pollution for compensation or correction of the measured physiological value using ambient temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种带噪声滤波和环境温度补偿的测温方法,包括包括以下步骤:对获取的温度测量值数据先进行数据的噪声的预处理,所述噪声包括低频噪声和中高频噪声;建立环境温度补偿模型及其温度预测;根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理,得出实际温度值,不仅考虑噪声干扰的影响,还考虑环境温度对于体表测温问题的补偿,提高测量的精度,使得体温监测更加准确可靠。
Description
技术领域
本发明涉及温度检测技术领域,特别是一种带噪声滤波和环境温度补偿的测温方法。
背景技术
随着技术的发展,非接触式的红外测量系统可以代替人类在限定距离下完成快速获取体温数值的任务。由于其鲁棒性强、快速性好、应用场合广泛等优势,非接触式红外测量系统能够降低人员近距离接触带来的风险。然而,非接触式的红外测量系统由于环境温度以及噪声干扰的影响,体温测量结果存在着精度不足的情况,首先对于无接触的温度测量中,温度测量值容易受环境因素的影响,比如在低温环境测量下体表温度低于体内温度,在阳光照射环境下体表的温度高于体内温度,其次存在噪声干扰,对温度值的精度有较大的影响,在一些噪声变化情况下难以保证良好数据质量,进而测量结果的准确度。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种带噪声滤波和环境温度补偿的测温方法。
为解决上述问题,本发明采用如下的技术方案。
一种带噪声滤波和环境温度补偿的测温方法,包括以下步骤:
对获取的温度测量值数据先进行数据的噪声的预处理,所述噪声包括低频噪声和中高频噪声;
建立环境温度补偿模型及其温度预测;
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理,得出实际温度值。
作为本发明的进一步改进,对获取的温度测量值先进行数据的噪声的预处理,包括以下步骤:
步骤1、对中高频信号进行快速傅里叶变换:
需要计算频域信号集中区域的宽度,作为频域信号值的截断长度,宽度的计算过程如下:
根据频域值计算能量谱,找到功率谱能量占比与设定阈值之间的数值关系,反推出频域信号集中区域宽度:
对截断长度内的频域值进行FFT逆变换作为新的信号序列,进而获得过滤中高频噪声的信号序列;
步骤2、对低频信号进行宽度学习的滤波:
特征节点串联为:
将输入层与增量层节点串联,利用伪逆值算法获得输出层的权值参数:
根据所获得的权值参数,在输出层通过映射得到预测的低频噪声:
根据滤波数学模型消除低频噪声信号,即:
作为本发明的进一步改进,建立环境温度补偿模型及其温度预测,包括以下步骤:
步骤1、为温度测量环境建立数学模型;
读取环境测温仪的温度值,得到温度在三个维度的样本,使用最小二乘法进行环境温度模型在被控对象的单位阶跃节约响应数据的拟合,从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型,以一阶惯性滞后环节为例:
离散化后,模型的差分方程为:
去掉纯滞后的预测输出函数:
第v步的预测输出为:
步骤2、设计被控对象的模糊PID控制器,具体如下:
构建包括模糊器,模糊推理机、知识库和解模糊器的模糊控制器,具体如下:
温度偏差与偏差率最为模糊控制器的输入,以三个参数作为模糊控制器的输出,这三个输出参数分别调整PID控制器的三个参数;模糊机上,的基本论域为;模糊论域对应的语言变量,负大、负中、负小、正小、正中、正大:;
根据控制的计算量及稳定性,隶属度函数选取上,使用三角形隶属度函数;
建立模糊规则库:
当系统偏差较大时,为加快响应速度,选取较大的,为防止微分饱和,选取较小的;当系统偏差和偏差率中等时,为避免系统超调,选取中等的,为确保响应速度,选取中等的;当系统偏差较小时,应选取适当较大的,为提高控制精度,当偏差率较大时,选择较小的,当偏差率较小时,选择较大的。
根据分析,建立模糊规则表;
使得在减少目标函数,即减少预测量与参考量之间的偏差,进而实现在模糊PID算法下对环境温度的预测。
作为本发明的进一步改进,根据噪声与环境造成的测量偏差对第一测量值以及第二测量值进行综合处理,得出实际温度值:
本发明的有益效果
相比于现有技术,本发明的优点在于:
本发明使用FFT与宽度学习进行滤波模型的建立,能够提高滤波的效率与效果。不仅考虑噪声干扰的影响,还考虑环境温度对于体表问题的补偿,提高测量的精度,使得体温监测更加准确可靠。
附图说明
图1为本发明的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
请参阅图1,一种带噪声滤波和环境温度补偿的测温方法,包括包括以下步骤:
对获取的温度测量值数据先进行数据的噪声的预处理,所述噪声包括低频噪声和中高频噪声;
建立环境温度补偿模型及其温度预测;
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理,得出实际温度值。
对获取的温度测量值数据先进行数据的预处理,包括以下步骤:
步骤1、对中高频信号进行快速傅里叶变换:
需要计算频域信号集中区域的宽度,作为频域信号值的截断长度,宽度的计算过程如下:
根据频域值计算能量谱,找到功率谱能量占比与设定阈值之间的数值关系,反推出频域信号集中区域宽度:
对截断长度内的频域值进行FFT逆变换作为新的信号序列,进而获得过滤中高频噪声的信号序列;
步骤2、对低频信号进行宽度学习的滤波:
特征节点串联为:
将输入层与增量层节点串联,利用伪逆值算法获得输出层的权值参数:
根据所获得的权值参数,在输出层通过映射得到预测的低频噪声:
根据滤波数学模型消除低频噪声信号,即:
建立环境温度补偿模型及其温度预测,包括以下步骤:
步骤1、为温度测量环境建立数学模型;
读取环境测温仪的温度值,得到温度在三个维度的样本,使用最小二乘法进行环境温度模型在被控对象的单位节约响应数据的拟合,从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型,以一阶惯性滞后环节为例:
离散化后,模型的差分方程为:
去掉纯滞后的预测输出函数:
第v步的预测输出为:
步骤2、设计被控对象的模糊PID控制器,具体如下:
构建包括模糊器,模糊推理机、知识库和解模糊器的模糊控制器,具体如下:
温度偏差与偏差率最为模糊控制器的输入,以三个参数作为模糊控制器的输出,这三个输出参数分别调整PID控制器的三个参数;模糊机上,的基本论域为;模糊论域对应的语言变量,负大、负中、负小、正小、正中、正大:;
根据控制的计算量及稳定性,隶属度函数选取上,使用三角形隶属度函数;
建立模糊规则库:
当系统偏差较大时,为加快响应速度,选取较大的,为防止微分饱和,选取较小的;当系统偏差和偏差率中等时,为避免系统超调,选取中等的,为确保响应速度,选取中等的;当系统偏差较小时,应选取适当较大的,为提高控制精度,当偏差率较大时,选择较小的,当偏差率较小时,选择较大的。
根据分析,建立模糊规则表;
使得在减少目标函数,即减少预测量与参考量之间的偏差,进而实现在模糊PID算法下对环境温度的预测。
根据噪声与环境造成的测量偏差对第一测量值以及第二测量值进行综合处理,得出实际温度值:
以上所述,仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (4)
1.一种带噪声滤波和环境温度补偿的测温方法,其特征在于,包括以下步骤:
对获取的温度测量值数据先进行数据的噪声的预处理,所述噪声包括低频噪声和中高频噪声;
建立环境温度补偿模型及其温度预测;
根据噪声与环境造成的测量偏差对对获取的温度测量值进行综合处理,得出实际温度值。
2.根据权利要求1所述的一种带噪声滤波和环境温度补偿的测温方法,其特征在于:
对获取的温度测量值先进行数据的噪声的预处理,包括以下步骤:
步骤1、对中高频信号进行快速傅里叶变换:
需要计算频域信号集中区域的宽度,作为频域信号值的截断长度,宽度的计算过程如下:
根据频域值计算能量谱,找到功率谱能量占比与设定阈值之间的数值关系,反推出频域信号集中区域宽度:
对截断长度内的频域值进行FFT逆变换作为新的信号序列,进而获得过滤中高频噪声的信号序列;
步骤2、对低频信号进行宽度学习的滤波:
特征节点串联为:
将输入层与增量层节点串联,利用伪逆值算法获得输出层的权值参数:
根据所获得的权值参数,在输出层通过映射得到预测的低频噪声:
根据滤波数学模型消除低频噪声信号,即:
3.根据权利要求2所述的一种带噪声滤波和环境温度补偿的测温方法,其特征在于:
建立环境温度补偿模型及其温度预测,包括以下步骤:
步骤1、为温度测量环境建立数学模型;
读取环境测温仪的温度值,得到温度在三个维度的样本,使用最小二乘法进行环境温度模型在被控对象的单位阶跃节约响应数据的拟合,从一阶滞后环节、一阶惯性滞后环节、二阶滞后环节、二阶惯性滞后环节等找出与该温度模型拟合度最高的数学模型,以一阶惯性滞后环节为例:
离散化后,模型的差分方程为:
去掉纯滞后的预测输出函数:
第v步的预测输出为:
步骤2、设计被控对象的模糊PID控制器,具体如下:
构建包括模糊器,模糊推理机、知识库和解模糊器的模糊控制器,具体如下:
温度偏差与偏差率最为模糊控制器的输入,以三个参数作为模糊控制器的输出,这三个输出参数分别调整PID控制器的三个参数;模糊机上,的基本论域为;模糊论域对应的语言变量,负大、负中、负小、正小、正中、正大:;
根据控制的计算量及稳定性,隶属度函数选取上,使用三角形隶属度函数;
建立模糊规则库:
当系统偏差较大时,为加快响应速度,选取较大的,为防止微分饱和,选取较小的;当系统偏差和偏差率中等时,为避免系统超调,选取中等的,为确保响应速度,选取中等的;当系统偏差较小时,应选取适当较大的,为提高控制精度,当偏差率较大时,选择较小的,当偏差率较小时,选择较大的;
根据分析,建立模糊规则表;
使得在减少目标函数,即减少预测量与参考量之间的偏差,进而实现在模糊PID算法下对环境温度的预测;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856803.2A CN111982302B (zh) | 2020-08-24 | 2020-08-24 | 一种带噪声滤波和环境温度补偿的测温方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856803.2A CN111982302B (zh) | 2020-08-24 | 2020-08-24 | 一种带噪声滤波和环境温度补偿的测温方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982302A true CN111982302A (zh) | 2020-11-24 |
CN111982302B CN111982302B (zh) | 2023-12-29 |
Family
ID=73443797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856803.2A Active CN111982302B (zh) | 2020-08-24 | 2020-08-24 | 一种带噪声滤波和环境温度补偿的测温方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982302B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504491A (zh) * | 2020-12-11 | 2021-03-16 | 无锡博智芯科技有限公司 | 一种基于可穿戴设备的体温测量方法 |
CN112648794A (zh) * | 2020-12-28 | 2021-04-13 | 中电海康集团有限公司 | 一种医用冷藏箱的快速精确控温方法及医用冷藏箱 |
CN112763225A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工业大学 | 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法 |
CN112763086A (zh) * | 2020-12-26 | 2021-05-07 | 广东电网有限责任公司电力科学研究院 | 一种测温补偿系统及测温补偿装置 |
CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
CN114018972A (zh) * | 2021-11-04 | 2022-02-08 | 株洲国创轨道科技有限公司 | 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统 |
WO2022120563A1 (zh) * | 2020-12-08 | 2022-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 温度预测方法、装置和存储介质 |
CN117309159A (zh) * | 2023-09-04 | 2023-12-29 | 安徽中盛轨道交通产业有限公司 | 基于红外热成像的列车机柜火焰预警方法 |
CN117638325A (zh) * | 2024-01-25 | 2024-03-01 | 武汉理工大学 | 一种动力电池低温热管理方法及系统 |
CN117824224A (zh) * | 2024-03-04 | 2024-04-05 | 无锡冠亚恒温制冷技术有限公司 | 一种增强稳定性的低温系统的控制方法 |
CN118010165A (zh) * | 2024-04-08 | 2024-05-10 | 宁波泰利电器有限公司 | 一种直发梳自动感应温度预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684937A (zh) * | 2018-12-06 | 2019-04-26 | 国电南瑞科技股份有限公司 | 一种基于fft及数学形态法的信号去噪方法及装置 |
CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN110864816A (zh) * | 2019-12-05 | 2020-03-06 | 国网河南省电力公司焦作供电公司 | 多光谱高压带电设备参数采集仪用红外测温仪 |
CN111160392A (zh) * | 2019-12-03 | 2020-05-15 | 广东工业大学 | 一种基于小波宽度学习系统的高光谱分类方法 |
-
2020
- 2020-08-24 CN CN202010856803.2A patent/CN111982302B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684937A (zh) * | 2018-12-06 | 2019-04-26 | 国电南瑞科技股份有限公司 | 一种基于fft及数学形态法的信号去噪方法及装置 |
CN110222700A (zh) * | 2019-05-30 | 2019-09-10 | 五邑大学 | 基于多尺度特征与宽度学习的sar图像识别方法及装置 |
CN111160392A (zh) * | 2019-12-03 | 2020-05-15 | 广东工业大学 | 一种基于小波宽度学习系统的高光谱分类方法 |
CN110864816A (zh) * | 2019-12-05 | 2020-03-06 | 国网河南省电力公司焦作供电公司 | 多光谱高压带电设备参数采集仪用红外测温仪 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022120563A1 (zh) * | 2020-12-08 | 2022-06-16 | 深圳迈瑞生物医疗电子股份有限公司 | 温度预测方法、装置和存储介质 |
CN112504491A (zh) * | 2020-12-11 | 2021-03-16 | 无锡博智芯科技有限公司 | 一种基于可穿戴设备的体温测量方法 |
CN112763225B (zh) * | 2020-12-25 | 2022-12-30 | 哈尔滨工业大学 | 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法 |
CN112763225A (zh) * | 2020-12-25 | 2021-05-07 | 哈尔滨工业大学 | 一种基于拉普拉斯特征映射算法的传感器误差识别及消除方法 |
CN112763086A (zh) * | 2020-12-26 | 2021-05-07 | 广东电网有限责任公司电力科学研究院 | 一种测温补偿系统及测温补偿装置 |
CN112648794A (zh) * | 2020-12-28 | 2021-04-13 | 中电海康集团有限公司 | 一种医用冷藏箱的快速精确控温方法及医用冷藏箱 |
CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
CN114018972A (zh) * | 2021-11-04 | 2022-02-08 | 株洲国创轨道科技有限公司 | 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统 |
CN114018972B (zh) * | 2021-11-04 | 2024-05-28 | 株洲国创轨道科技有限公司 | 基于分散模糊推理机制的固液相变材料表面热流测量方法及系统 |
CN117309159A (zh) * | 2023-09-04 | 2023-12-29 | 安徽中盛轨道交通产业有限公司 | 基于红外热成像的列车机柜火焰预警方法 |
CN117638325A (zh) * | 2024-01-25 | 2024-03-01 | 武汉理工大学 | 一种动力电池低温热管理方法及系统 |
CN117638325B (zh) * | 2024-01-25 | 2024-04-16 | 武汉理工大学 | 一种动力电池低温热管理方法及系统 |
CN117824224A (zh) * | 2024-03-04 | 2024-04-05 | 无锡冠亚恒温制冷技术有限公司 | 一种增强稳定性的低温系统的控制方法 |
CN117824224B (zh) * | 2024-03-04 | 2024-05-28 | 无锡冠亚恒温制冷技术有限公司 | 一种增强稳定性的低温系统的控制方法 |
CN118010165A (zh) * | 2024-04-08 | 2024-05-10 | 宁波泰利电器有限公司 | 一种直发梳自动感应温度预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111982302B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982302A (zh) | 一种带噪声滤波和环境温度补偿的测温方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
Ren et al. | Experimental and fuzzy modelling analysis on dynamic cutting force in micro milling | |
Al-Mahasneh et al. | Applications of general regression neural networks in dynamic systems | |
CN110633846A (zh) | 燃气负荷预测方法和装置 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN110245398B (zh) | 空气预热器转子热变形量的软测量深度学习方法 | |
CN114403486B (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
CN113536696A (zh) | Sto-tcn热误差预测模型建模方法及其迁移学习方法 | |
CN116975645A (zh) | 一种基于vae-mrcnn的工业过程软测量建模方法 | |
CN114626304A (zh) | 一种矿浆铜品位在线预测软测量建模方法 | |
CN112001115A (zh) | 一种半监督动态软测量网络的软测量建模方法 | |
Qi et al. | Using stacked auto-encoder and bi-directional LSTM for batch process quality prediction | |
CN116880201A (zh) | 基于模糊神经网络的水网渠道状态控制系统 | |
Wu et al. | Time series online prediction algorithm based on least squares support vector machine | |
CN115563579A (zh) | 一种电容式传感器测量含沙量的数据融合方法 | |
CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
Li et al. | Optimization of processing parameters for microwave drying of selenium-rich slag using incremental improved back-propagation neural network and response surface methodology | |
Zhang et al. | Machine Tools Thermal Error Modeling with Imbalanced Data Based on Transfer Learning | |
CN113671916A (zh) | 一种考虑输入约束的流程工业过程优化控制方法及装置 | |
Chen et al. | Modeling of wastewater treatment process using recurrent neural network | |
Guo et al. | Modelling for multi-phase batch processes using steady state identification and deep recurrent neural network | |
Wang | A new variable selection method for soft sensor based on deep learning |
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 |