CN112798074A - 油感精度测量方法及装置 - Google Patents
油感精度测量方法及装置 Download PDFInfo
- Publication number
- CN112798074A CN112798074A CN202110049474.5A CN202110049474A CN112798074A CN 112798074 A CN112798074 A CN 112798074A CN 202110049474 A CN202110049474 A CN 202110049474A CN 112798074 A CN112798074 A CN 112798074A
- Authority
- CN
- China
- Prior art keywords
- oil
- pressure
- value
- acceleration
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 206010012442 Dermatitis contact Diseases 0.000 title claims abstract description 23
- 230000001133 acceleration Effects 0.000 claims abstract description 86
- 238000005259 measurement Methods 0.000 claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000000691 measurement method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 239000000872 buffer Substances 0.000 description 4
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000007822 coupling agent Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/14—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measurement of pressure
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Thermal Sciences (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本申请实施例提供一种油感精度测量方法及装置，方法包括：通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
Description
技术领域
本申请涉及数据处理领域，具体涉及一种油感精度测量方法及装置。
背景技术
油量测量的方式如下，传统方式是采用油浮子，这种方式古老且稳定，但是精度低，没有数字化。近年来出现超声波测量的方式，超声波测试属于无损测量，但是精度和稳定性存在问题，耦合剂老化，以及机械波传播会造成传感器失效。也有部分采用安装液位尺的方法，此方法对需要对油箱打孔，安装比较复杂，不易使用。投入式压力传感器测量液位，相比以上方法有很大的优势。但是压力传感器测量液位不可避免的也存在运动中测量不准确的问题。
发明内容
针对现有技术中的问题，本申请提供一种油感精度测量方法及装置，能够大幅度提高油感测量精度。
为了解决上述问题中的至少一个，本申请提供以下技术方案：
第一方面，本申请提供一种油感精度测量方法，包括：
通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
进一步地，在所述根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值之前，包括：
油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
第二方面，本申请提供一种油感精度测量装置，包括：
数据采集模块，用于通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
油位预测模块，用于根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
进一步地，还包括：
试验值确定单元，用于油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
预测模型构建单元，用于将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的油感精度测量方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的油感精度测量方法的步骤。
由上述技术方案可知，本申请提供一种油感精度测量方法及装置，通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中的油感精度测量方法的流程示意图之一；
图2为本申请实施例中的油感精度测量方法的流程示意图之二；
图3为本申请实施例中的油感精度测量装置的结构图之一；
图4为本申请实施例中的油感精度测量装置的结构图之二；
图5为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到传统方式是采用油浮子，这种方式古老且稳定，但是精度低，没有数字化。近年来出现超声波测量的方式，超声波测试属于无损测量，但是精度和稳定性存在问题，耦合剂老化，以及机械波传播会造成传感器失效。也有部分采用安装液位尺的方法，此方法对需要对油箱打孔，安装比较复杂，不易使用。投入式压力传感器测量液位，相比以上方法有很大的优势。但是压力传感器测量液位不可避免的也存在运动中测量不准确的问题，本申请提供一种油感精度测量方法及装置，通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
为了能够大幅度提高油感测量精度，本申请提供一种油感精度测量方法的实施例，参见图1，所述油感精度测量方法具体包含有如下内容：
步骤S101：通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
步骤S102：根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
从上述描述可知，本申请实施例提供的油感精度测量方法，能够通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
在本申请的油感精度测量方法的一实施例中，参见图2，在所述根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值之前，包括：
步骤S201：油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
步骤S202：将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
为了能够大幅度提高油感测量精度，本申请提供一种用于实现所述油感精度测量方法的全部或部分内容的油感精度测量装置的实施例，参见图3，所述油感精度测量装置具体包含有如下内容：
数据采集模块10，用于通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
油位预测模块20，用于根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
从上述描述可知，本申请实施例提供的油感精度测量装置，能够通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
在本申请的油感精度测量装置的一实施例中，参见图4，还具体包含有如下内容：
试验值确定单元31，用于油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
预测模型构建单元32，用于将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
为了更进一步说明本方案，本申请还提供一种应用上述油感精度测量装置实现油感精度测量方法的具体应用实例，具体包含有如下内容：
1.压力传感器内植加速度传感器，加速度传感器，实时监控车辆的加速度，把压力测量值和加速度值进行组合，提供给算法使用。
2.油箱内装入特定量的油料，计算理论压力值，放入加速度试验台，试验台随机对油箱产生加速度(调整倾斜角度)，同时记录加速值和压力输出值。
3.设计人工神经网络，把加速度值和压力输出值作为输入，理论输出值作为输出，训练网络，获得估计实际值的模型。
有上述内容可知，本申请本方案通过深度学习，获得了实际压力的预测模型，大幅度提高测量精度。
从硬件层面来说，为了能够大幅度提高油感测量精度，本申请提供一种用于实现所述油感精度测量方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现油感精度测量装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的油感精度测量方法的实施例，以及油感精度测量装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，油感精度测量方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图5为本申请实施例的电子设备9600的系统构成的示意框图。如图5所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图5是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，油感精度测量方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：
步骤S101：通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
步骤S102：根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
从上述描述可知，本申请实施例提供的电子设备，通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
在另一个实施方式中，油感精度测量装置可以与中央处理器9100分开配置，例如可以将油感精度测量装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现油感精度测量方法功能。
如图5所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图5中所示的所有部件；此外，电子设备9600还可以包括图5中没有示出的部件，可以参考现有技术。
如图5所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的油感精度测量方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的油感精度测量方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤S101：通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
步骤S102：根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
从上述描述可知，本申请实施例提供的计算机可读存储介质，通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值；本申请能够大幅度提高油感测量精度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种油感精度测量方法，其特征在于，所述方法包括：
通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
2.根据权利要求1所述的油感精度测量方法，其特征在于，在所述根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值之前，包括：
油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
3.一种油感精度测量装置，其特征在于，包括：
数据采集模块，用于通过数据采集器采集车辆油箱内设置的压力传感器和加速度传感器的压力测量值和加速度测量值；
油位预测模块，用于根据所述压力测量值、所述加速度测量值和预设神经网络油感压力预测模型，得到油位预测值。
4.根据权利要求3所述的油感精度测量装置，其特征在于，还包括：
试验值确定单元，用于油箱内装入特定量的油料，计算理论压力值，并放入加速度试验台，所述加速度试验台随机对所述油箱产生加速度，记录加速度试验值和压力试验值；
预测模型构建单元，用于将所述加速度试验值、所述压力试验值和油位实际值作为训练数据进行神经网络模型训练，得到所述神经网络油感压力预测模型。
5.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至2任一项所述的油感精度测量方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至2任一项所述的油感精度测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049474.5A CN112798074A (zh) | 2021-01-14 | 2021-01-14 | 油感精度测量方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049474.5A CN112798074A (zh) | 2021-01-14 | 2021-01-14 | 油感精度测量方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112798074A true CN112798074A (zh) | 2021-05-14 |
Family
ID=75810826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110049474.5A Pending CN112798074A (zh) | 2021-01-14 | 2021-01-14 | 油感精度测量方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112798074A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203981240U (zh) * | 2014-07-05 | 2014-12-03 | 上海铁路局科学技术研究所 | 一种内燃机车燃油油耗监测系统 |
| US20180299314A1 (en) * | 2017-04-17 | 2018-10-18 | Simmonds Precision Products, Inc. | Integrated sensor unit for fuel gauging |
| CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
| CN110146139A (zh) * | 2019-05-14 | 2019-08-20 | 江门市大长江集团有限公司 | 车辆燃油量稳定显示方法、装置、系统和存储介质 |
| CN111238598A (zh) * | 2020-02-26 | 2020-06-05 | 青岛航联创新科技有限公司 | 一种船舶油舱燃油储量的自动化测量系统及测量方法 |
| CN210953010U (zh) * | 2019-12-23 | 2020-07-07 | 南京智鹤电子科技有限公司 | 油位测量装置及系统 |
| CN111735517A (zh) * | 2020-07-13 | 2020-10-02 | 浙江聚励云机械科技有限公司 | 液位测量方法 |
| CN111968171A (zh) * | 2020-08-13 | 2020-11-20 | 北京航空航天大学 | 基于人工智能的飞机油量测量方法及系统 |
-
2021
- 2021-01-14 CN CN202110049474.5A patent/CN112798074A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203981240U (zh) * | 2014-07-05 | 2014-12-03 | 上海铁路局科学技术研究所 | 一种内燃机车燃油油耗监测系统 |
| US20180299314A1 (en) * | 2017-04-17 | 2018-10-18 | Simmonds Precision Products, Inc. | Integrated sensor unit for fuel gauging |
| CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
| CN110146139A (zh) * | 2019-05-14 | 2019-08-20 | 江门市大长江集团有限公司 | 车辆燃油量稳定显示方法、装置、系统和存储介质 |
| CN210953010U (zh) * | 2019-12-23 | 2020-07-07 | 南京智鹤电子科技有限公司 | 油位测量装置及系统 |
| CN111238598A (zh) * | 2020-02-26 | 2020-06-05 | 青岛航联创新科技有限公司 | 一种船舶油舱燃油储量的自动化测量系统及测量方法 |
| CN111735517A (zh) * | 2020-07-13 | 2020-10-02 | 浙江聚励云机械科技有限公司 | 液位测量方法 |
| CN111968171A (zh) * | 2020-08-13 | 2020-11-20 | 北京航空航天大学 | 基于人工智能的飞机油量测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110750928A (zh) | 有限元模型优化方法、装置及电子设备 | |
| CN111369247A (zh) | 跨行交易数据处理方法及装置 | |
| CN111090960A (zh) | 工程结构有限元模型处理方法及装置 | |
| CN111736772A (zh) | 分布式文件系统的存储空间数据处理方法及装置 | |
| CN112215238A (zh) | 一种通用特征提取模型构建方法、系统及装置 | |
| CN112463634A (zh) | 微服务架构下的软件测试方法及装置 | |
| CN113537510A (zh) | 基于不均衡数据集的机器学习模型数据处理方法及装置 | |
| CN112798074A (zh) | 油感精度测量方法及装置 | |
| CN110378936B (zh) | 光流计算方法、装置及电子设备 | |
| CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
| CN115495519A (zh) | 报表数据加工方法及装置 | |
| CN113782217A (zh) | 人体健康状况分级方法及装置 | |
| CN112597200A (zh) | 批量与流式结合的数据处理方法及装置 | |
| CN113130076A (zh) | 一种视觉疲劳判断方法、系统、设备和存储介质 | |
| CN112766698B (zh) | 应用业务压力确定方法及装置 | |
| CN110765680A (zh) | 工程结构智能损伤识别方法、装置及电子设备 | |
| CN112763010A (zh) | 车辆综合油耗确定方法及装置 | |
| CN112700154A (zh) | 地震作用下的岛礁淡化水体风险评估方法及装置 | |
| CN114387765A (zh) | 车辆加油数据预警方法及装置 | |
| CN114065096A (zh) | 卡审批时效数据处理方法及装置 | |
| CN114257292B (zh) | 航天器中继代传遥控指令比判方法及装置 | |
| CN113419953A (zh) | 测试数据处理方法、装置及系统 | |
| CN112905623A (zh) | 一种业务数据组合展示方法及装置 | |
| CN114117211A (zh) | 内容推荐方法及装置 | |
| CN115545244A (zh) | 商品预约方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
| RJ01 | Rejection of invention patent application after publication |