CN113420813B - 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 - Google Patents
一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 Download PDFInfo
- Publication number
- CN113420813B CN113420813B CN202110698622.6A CN202110698622A CN113420813B CN 113420813 B CN113420813 B CN 113420813B CN 202110698622 A CN202110698622 A CN 202110698622A CN 113420813 B CN113420813 B CN 113420813B
- Authority
- CN
- China
- Prior art keywords
- filter cotton
- neural network
- sample
- category
- layer
- 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.)
- Active
Links
- 229920000742 Cotton Polymers 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 239000013618 particulate matter Substances 0.000 title claims abstract description 16
- 238000002405 diagnostic procedure Methods 0.000 title description 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法,对多片已知是否需要更换的过滤棉状态进行分类;采集分类的两种过滤棉前后端颗粒物浓度以及待过滤气体流速的数据,并将采集的数据划分为训练集样本和测试集样本;利用训练集样本对所建立的概率神经网络进行训练;再利用测试集样本对训练过的过滤棉识别概率神经网络进行测试;将实时采集的待处理过滤棉的前后端颗粒物浓度、待过滤气体流速数据输入到所述满足准确率要求的过滤棉识别概率神经网络中,并根据概率神经网络输出的分类结果判断待处理过滤棉是否需要更换。该方法采用概率神经网络对过滤棉的状态进行分类,通过监测相关数据,综合判断过滤棉是否需要更换,提高过滤棉状态检测诊断效率。
Description
技术领域
本发明涉及车辆尾气检测技术领域,尤其涉及一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法。
背景技术
在车载式车辆尾气检测系统等系统中,为防止气体中的颗粒物成分造成系统的部件损坏、系统气路堵塞、传感器测量准确度降低等负面影响,常需设置过滤棉将颗粒物成分滤去。过滤棉的工作原理是使颗粒物吸附在其上,且过滤棉无法再生,因此每隔一段时间就必须对其进行更换,然而在大部分情况下过滤棉均安装在系统内的管道中或气路中,更换时需要开箱操作,因此频繁检查过滤棉状态以确定其是否需要更换不符合实际工程需求。
由于过滤棉所安装的系统的实际工况影响,各时段内待过滤气体的颗粒物浓度不同,定时更换过滤棉可能无法实现过滤棉的最大化利用,或过度使用过滤棉导致系统被损坏,而现有技术中并没有有效的针对过滤棉状态的检测诊断解决方案。
发明内容
本发明的目的是提供一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法,该方法采用概率神经网络对过滤棉的状态进行分类,通过监测相关数据,综合判断过滤棉是否需要更换,提高过滤棉状态检测诊断效率。
本发明的目的是通过以下技术方案实现的:
一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法,所述方法包括:
步骤1、对多片已知是否需要更换的过滤棉状态进行分类,将需要更换的过滤棉状态定义为1,不需要更换的过滤棉状态定义为0;
步骤2、在待过滤气体的颗粒物浓度、流速不同的条件下,采集步骤1中分类的两种过滤棉前后端颗粒物浓度以及待过滤气体流速的数据,并将采集的数据划分为训练集样本和测试集样本;其中,采集的每组数据包含过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速和过滤棉状态这4个信息;
步骤3、建立概率神经网络,并利用所述训练集样本对所建立的概率神经网络进行训练,得到训练过的过滤棉识别概率神经网络;
步骤4、再利用所述测试集样本对所述训练过的过滤棉识别概率神经网络进行测试,得到满足准确率要求的过滤棉识别概率神经网络;
步骤5、将实时采集的待处理过滤棉的前后端颗粒物浓度、待过滤气体流速数据输入到所述满足准确率要求的过滤棉识别概率神经网络中,并根据概率神经网络输出的分类结果判断待处理过滤棉是否需要更换。
由上述本发明提供的技术方案可以看出,上述方法采用概率神经网络对过滤棉的状态进行分类,通过监测相关数据,综合判断过滤棉是否需要更换,提高过滤棉状态检测诊断效率,以帮助技术人员对系统进行维护,并同时达到最大化利用资源的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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附图。
图1为本发明实施例提供的车辆尾气检测设备颗粒物过滤棉状态的诊断方法流程示意图;
图2为本发明实施例所建立概率神经网络的结构示意图。
具体实施方式
下面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,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供的车辆尾气检测设备颗粒物过滤棉状态的诊断方法流程示意图,所述方法包括:
步骤1、对多片已知是否需要更换的过滤棉状态进行分类,将需要更换的过滤棉状态定义为1,不需要更换的过滤棉状态定义为0;
步骤2、在待过滤气体的颗粒物浓度、流速不同的条件下,采集步骤1中分类的两种过滤棉前后端颗粒物浓度以及待过滤气体流速的数据,并将采集的数据划分为训练集样本和测试集样本;
其中,采集的每组数据包含过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速和过滤棉状态这4个信息;
具体实现中,具体是采用两个颗粒物传感器分别测量过滤棉前端和后端的颗粒物浓度,颗粒物浓度单位为mg/m3;采用流速传感器测量待过滤气体的流速,流速单位为m/s,并定义不需要更换状态的过滤棉在0.5m/s的流速下过滤效率应不小于99%。
例如,在本实施例中,可以一共收集130组数据,并将其划分为100个训练集样本和30个测试集样本。
步骤3、建立概率神经网络,并利用所述训练集样本对所建立的概率神经网络进行训练,得到训练过的过滤棉识别概率神经网络;
在该步骤中,所建立的概率神经网络具有4层结构,如图2所示为本发明实施例所建立概率神经网络的结构示意图,从前往后依次为输入层、样本层、求和层和竞争层,其中:
输入层节点数与输入向量的维数相同;其中,所述输入向量的维数包括过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速这三维数据;
样本层的激活函数为径向基函数,样本层的神经元数与训练集样本的总数相同,且样本层的每个神经元都固定属于某个类别;所述类别为0或1两种状态,表示是否需要更换过滤棉;
求和层的神经元数与类别数(即0或1两种状态)相同,且神经元与类别间一一对应,用于评估输入样本归属于某类的概率,所述样本层中属于某类的神经元的输出端仅与代表该类的求和层的神经元连接;
竞争层仅包含一个神经元,用于对最后输出的类别进行裁定。
具体实现中,利用所述训练集样本对概率神经网络进行训练的过程具体为:
根据概率神经网络的结构特点,样本层的神经元数与训练集样本的总数相同,样本层中Gauss函数的中心确定方法采用K-means聚类算法,该算法首先随机选取聚类中心,然后计算输入样本和聚类中心的距离,并根据计算结果更新聚类中心,直至收敛,具体来说:
假设在所有训练集样本中,有P个向量{x(p):p=1,...,P}被标记为类别1,即需要更换的过滤棉状态1;R个向量{y(r):r=1,...,R}被标记为类别2,即不需要更换的过滤棉状态0;则在样本层中将有P个属于类别1的节点和R个属于类别2的节点;
对于任意输入向量x,以类别1和类别2中的每个特征向量点x(p)和y(r)为中心的Gauss函数表示为:
上式中,N为输入向量x的维度;σ的值取为同一类别中特征向量之间平均距离的一半,或者从样本到其最近的其他样本向量之间距离的一半;
每个求和层的节点按照混合高斯窗的方法将属于该类别的隐含层节点输出相加,最终得到最大后验概率估计表示为:
其中,σ1和σ2分别是类别1和类别2的扩散参数(即Gauss函数的标准差);P为类别1的中心向量数目;R为类别2的中心向量数目;而x(p)和y(r)分别为对应类别的中心;||x-y||表示x和y间的欧几里德距离;f1(x)和f2(x)的值分别代表输入向量x属于类别1和类别2的最大后验概率估计(Maximum a Posteriori);
竞争层将对f1(x)和f2(x)的值进行比较,将输入向量x归入最大后验概率更大的类别中,并输出分类结果;
在训练结束后,就得到训练过的过滤棉识别概率神经网络,即Trained FilterRecognition Possibility Neural Network,简称TFRPNN。
步骤4、再利用所述测试集样本对所述训练过的过滤棉识别概率神经网络进行测试,得到满足准确率要求的过滤棉识别概率神经网络;
在该步骤中,具体采用步骤2划分的测试集样本,将所述测试集样本中各样本的过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速数据输入步骤3训练过的过滤棉识别概率神经网络中;
比较所述训练过的过滤棉识别概率神经网络输出的分类结果,即过滤棉状态预测值与所述测试集样本中各样本的过滤棉状态的一致性;
若一致,则认为所述训练过的过滤棉识别概率神经网络对该组样本的过滤棉是否需要更换的判断准确;若不一致,则认为判断不准确;
统计判断准确的全部样本数目,并计算总准确率P:
若总准确率P大于90%,则证明所述训练过的过滤棉识别概率神经网络在实际应用场合中能准确地判断过滤棉是否需要更换,并将达到此准确率的概率神经网络称为满足准确率要求的过滤棉识别概率神经网络,即Filter Recognition Possibility NeuralNetwork,简称FRPNN。
步骤5、将实时采集的待处理过滤棉的前后端颗粒物浓度、待过滤气体流速数据输入到所述满足准确率要求的过滤棉识别概率神经网络(FRPNN)中,并根据概率神经网络输出的分类结果判断待处理过滤棉是否需要更换。
举例来说,下面给出几组用本发明实施例方法对过滤棉状态进行识别的实际效果,如下表1所示:
表1
由此可见,本发明实施例所述诊断方法是准确可靠的,并能有效提高过滤棉状态检测的诊断效率,以帮助技术人员对系统进行维护,并同时达到最大化利用资源的目的。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
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披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (4)
1.一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法,其特征在于,所述方法包括:
步骤1、对多片已知是否需要更换的过滤棉状态进行分类,将需要更换的过滤棉状态定义为1,不需要更换的过滤棉状态定义为0;
步骤2、在待过滤气体的颗粒物浓度、流速不同的条件下,采集步骤1中分类的两种过滤棉前后端颗粒物浓度以及待过滤气体流速的数据,并将采集的数据划分为训练集样本和测试集样本;其中,采集的每组数据包含过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速和过滤棉状态这4个信息;
步骤3、建立概率神经网络,并利用所述训练集样本对所建立的概率神经网络进行训练,得到训练过的过滤棉识别概率神经网络;
在步骤3中,所建立的概率神经网络具有4层结构,从前往后依次为输入层、样本层、求和层和竞争层,其中:
输入层节点数与输入向量的维数相同;其中,所述输入向量的维数包括过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速这三维数据;
样本层的激活函数为径向基函数,样本层的神经元数与训练集样本的总数相同,且样本层的每个神经元都固定属于某个类别;所述类别为0或1两种状态,表示是否需要更换过滤棉;
求和层的神经元数与类别数相同,且神经元与类别间一一对应,用于评估输入样本归属于某类的概率,所述样本层中属于某类的神经元的输出端仅与代表该类的求和层的神经元连接;
竞争层仅包含一个神经元,用于对最后输出的类别进行裁定;
步骤4、再利用所述测试集样本对所述训练过的过滤棉识别概率神经网络进行测试,得到满足准确率要求的过滤棉识别概率神经网络;
步骤5、将实时采集的待处理过滤棉的前后端颗粒物浓度、待过滤气体流速数据输入到所述满足准确率要求的过滤棉识别概率神经网络中,并根据概率神经网络输出的分类结果判断待处理过滤棉是否需要更换。
2.根据权利要求1所述车辆尾气检测设备颗粒物过滤棉状态的诊断方法,其特征在于,在步骤2中,具体是采用两个颗粒物传感器分别测量过滤棉前端和后端的颗粒物浓度,颗粒物浓度单位为mg/m3;
采用流速传感器测量待过滤气体的流速,流速单位为m/s,并定义不需要更换状态的过滤棉在0.5m/s的流速下过滤效率应不小于99%。
3.根据权利要求1所述车辆尾气检测设备颗粒物过滤棉状态的诊断方法,其特征在于,在步骤3中,利用所述训练集样本对概率神经网络进行训练的过程具体为:
根据概率神经网络的结构特点,样本层的神经元数与训练集样本的总数相同,样本层中Gauss函数的中心确定方法采用K-means聚类算法,该算法首先随机选取聚类中心,然后计算输入样本和聚类中心的距离,并根据计算结果更新聚类中心,直至收敛,具体来说:
假设在所有训练集样本中,有P个向量{x(p):p=1,...,P}被标记为类别1,即需要更换的过滤棉状态1;R个向量{y(r):r=1,...,R}被标记为类别2,即不需要更换的过滤棉状态0;则在样本层中将有P个属于类别1的节点和R个属于类别2的节点;
对于任意输入向量x,以类别1和类别2中的每个特征向量点x(p)和y(r)为中心的Gauss函数表示为:
上式中,N为输入向量x的维度;σ的值取为同一类别中特征向量之间平均距离的一半,或者从样本到其最近的其他样本向量之间距离的一半;
每个求和层的节点按照混合高斯窗的方法将属于该类别的隐含层节点输出相加,最终得到最大后验概率估计表示为:
其中,σ1和σ2分别是类别1和类别2的扩散参数,即Gauss函数的标准差;P为类别1的中心向量数目;R为类别2的中心向量数目;而x(p)和y(r)分别为对应类别的中心;||x-y||表示x和y间的欧几里德距离;f1(x)和f2(x)的值分别代表输入向量x属于类别1和类别2的最大后验概率估计;
竞争层将对f1(x)和f2(x)的值进行比较,将输入向量x归入最大后验概率更大的类别中,并输出分类结果;
在训练结束后,就得到训练过的过滤棉识别概率神经网络。
4.根据权利要求1所述车辆尾气检测设备颗粒物过滤棉状态的诊断方法,其特征在于,所述步骤4的过程具体为:
采用步骤2划分的测试集样本,将所述测试集样本中各样本的过滤棉前端颗粒物浓度、过滤棉后端颗粒物浓度、待过滤气体流速数据输入步骤3训练过的过滤棉识别概率神经网络中;
比较所述训练过的过滤棉识别概率神经网络输出的分类结果,即过滤棉状态预测值与所述测试集样本中各样本的过滤棉状态的一致性;
若一致,则认为所述训练过的过滤棉识别概率神经网络对该样本的过滤棉是否需要更换的判断准确;若不一致,则认为判断不准确;
统计判断准确的全部样本数目,并计算总准确率P:
若总准确率P大于90%,则证明所述训练过的过滤棉识别概率神经网络在实际应用场合中能准确地判断过滤棉是否需要更换,并将达到此准确率的概率神经网络称为满足准确率要求的过滤棉识别概率神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698622.6A CN113420813B (zh) | 2021-06-23 | 2021-06-23 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110698622.6A CN113420813B (zh) | 2021-06-23 | 2021-06-23 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420813A CN113420813A (zh) | 2021-09-21 |
CN113420813B true CN113420813B (zh) | 2023-11-28 |
Family
ID=77716326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110698622.6A Active CN113420813B (zh) | 2021-06-23 | 2021-06-23 | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420813B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116870639B (zh) * | 2023-08-25 | 2024-05-24 | 湖北鼎信成套设备有限公司 | 多级酸雾净化系统及其方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101073731A (zh) * | 2006-04-12 | 2007-11-21 | 米利波尔有限公司 | 具有存储器、通信和浓度传感器的过滤器 |
CN101322023A (zh) * | 2005-11-30 | 2008-12-10 | 欧洲技术研究圣戈班中心 | 气体过滤结构的选择方法 |
CN101984340A (zh) * | 2010-10-28 | 2011-03-09 | 浙江工业大学 | 一种基于人工智能的软性磨粒两相湍流流型识别方法 |
WO2013104938A2 (en) * | 2012-01-11 | 2013-07-18 | 77 Elektronika Muszeripari Kft. | Neural network and a method for teaching thereof |
CN105701543A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 一种基于概率神经网络的传统互感器状态监测方法 |
CN106460627A (zh) * | 2014-04-16 | 2017-02-22 | 大陆汽车有限公司 | 用于检测颗粒过滤器的功能能力的方法 |
CN108399579A (zh) * | 2018-01-15 | 2018-08-14 | 国网天津市电力公司 | 变电站设备监控数据信号的智能解析系统 |
CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
CN108691678A (zh) * | 2017-04-05 | 2018-10-23 | 通用汽车环球科技运作有限责任公司 | 检测和缓解传感器退化的方法和系统 |
CN109086873A (zh) * | 2018-08-01 | 2018-12-25 | 北京旷视科技有限公司 | 递归神经网络的训练方法、识别方法、装置及处理设备 |
WO2019020517A1 (en) * | 2017-07-28 | 2019-01-31 | Malvern Panalytical Limited | IMPROVING MEASUREMENT QUALITY IN PARTICLE CHARACTERIZATION |
CN110682525A (zh) * | 2019-10-11 | 2020-01-14 | 北京市机械工业局技术开发研究所 | 一种地暖模块地暖管自动下料与铺管一体化装置 |
WO2020023956A1 (en) * | 2018-07-27 | 2020-01-30 | Schlumberger Technology Corporation | Method of determining remaining useful lifetime of membrane for separation process |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
WO2020239966A1 (en) * | 2019-05-30 | 2020-12-03 | Koninklijke Philips N.V. | Systems and methods for detecting the status of a particle filter |
CN112307001A (zh) * | 2020-11-02 | 2021-02-02 | 中南大学 | 基于da优化的汽油精炼过程中辛烷值损失预测方法与系统 |
CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6289328B2 (en) * | 1998-04-17 | 2001-09-11 | The United States Of America As Represented By The Secretary Of The Navy | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection |
TWM441450U (en) * | 2012-04-19 | 2012-11-21 | Bioptik Tech Inc | Filtering type test strip |
US20170098230A1 (en) * | 2015-10-02 | 2017-04-06 | Mat Orangkhadivi | Air filters, and electronic mechanical records and notifications regarding same. |
DE112018000705T5 (de) * | 2017-03-06 | 2019-11-14 | Cummins Filtration Ip, Inc. | Erkennung von echten filtern mit einem filterüberwachungssystem |
TW201915727A (zh) * | 2017-09-18 | 2019-04-16 | 元智大學 | 多元感測器之錯誤偵測與分類方法 |
DE102017218476A1 (de) * | 2017-10-16 | 2019-04-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln von Emissionen |
WO2019172736A2 (ko) * | 2019-07-09 | 2019-09-12 | 엘지전자 주식회사 | 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기 |
KR102367744B1 (ko) * | 2019-08-30 | 2022-02-28 | 엘지전자 주식회사 | 머신 러닝을 이용한 공기청정기의 필터 수명 예측방법 |
EP3812029B1 (de) * | 2019-10-25 | 2023-03-01 | Carl Freudenberg KG | Vorhersage von zustandsgrössen für luftfilter |
-
2021
- 2021-06-23 CN CN202110698622.6A patent/CN113420813B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322023A (zh) * | 2005-11-30 | 2008-12-10 | 欧洲技术研究圣戈班中心 | 气体过滤结构的选择方法 |
CN101073731A (zh) * | 2006-04-12 | 2007-11-21 | 米利波尔有限公司 | 具有存储器、通信和浓度传感器的过滤器 |
CN101984340A (zh) * | 2010-10-28 | 2011-03-09 | 浙江工业大学 | 一种基于人工智能的软性磨粒两相湍流流型识别方法 |
WO2013104938A2 (en) * | 2012-01-11 | 2013-07-18 | 77 Elektronika Muszeripari Kft. | Neural network and a method for teaching thereof |
CN106460627A (zh) * | 2014-04-16 | 2017-02-22 | 大陆汽车有限公司 | 用于检测颗粒过滤器的功能能力的方法 |
CN105701543A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 一种基于概率神经网络的传统互感器状态监测方法 |
CN108691678A (zh) * | 2017-04-05 | 2018-10-23 | 通用汽车环球科技运作有限责任公司 | 检测和缓解传感器退化的方法和系统 |
WO2019020517A1 (en) * | 2017-07-28 | 2019-01-31 | Malvern Panalytical Limited | IMPROVING MEASUREMENT QUALITY IN PARTICLE CHARACTERIZATION |
CN108399579A (zh) * | 2018-01-15 | 2018-08-14 | 国网天津市电力公司 | 变电站设备监控数据信号的智能解析系统 |
CN108647707A (zh) * | 2018-04-25 | 2018-10-12 | 北京旋极信息技术股份有限公司 | 概率神经网络创建方法、故障诊断方法及装置、存储介质 |
WO2020023956A1 (en) * | 2018-07-27 | 2020-01-30 | Schlumberger Technology Corporation | Method of determining remaining useful lifetime of membrane for separation process |
CN109086873A (zh) * | 2018-08-01 | 2018-12-25 | 北京旷视科技有限公司 | 递归神经网络的训练方法、识别方法、装置及处理设备 |
WO2020239966A1 (en) * | 2019-05-30 | 2020-12-03 | Koninklijke Philips N.V. | Systems and methods for detecting the status of a particle filter |
CN110682525A (zh) * | 2019-10-11 | 2020-01-14 | 北京市机械工业局技术开发研究所 | 一种地暖模块地暖管自动下料与铺管一体化装置 |
CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及系统 |
CN111140986A (zh) * | 2019-12-23 | 2020-05-12 | 珠海格力电器股份有限公司 | 空调系统的运行状态检测方法、装置、存储介质及空调 |
CN112307001A (zh) * | 2020-11-02 | 2021-02-02 | 中南大学 | 基于da优化的汽油精炼过程中辛烷值损失预测方法与系统 |
Non-Patent Citations (2)
Title |
---|
基于概率神经网络的数控机床滚珠丝杠副的故障诊断研究;孙晋美;张兴波;张霞;;煤矿机械(第05期);全文 * |
张善文 等.《图像模式识别》.西安电子科技大学出版社,2020,第245-251页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113420813A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107967323B (zh) | 基于大数据进行异常出行车辆分析的方法及系统 | |
CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN111260063B (zh) | 基于遗传算法的模拟电路故障定位与参数辨识方法 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN111637045B (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN113420813B (zh) | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 | |
US11331024B2 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
CN112836719B (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
KR20170127430A (ko) | 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN109406147A (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
CN108107086A (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
CN113537321A (zh) | 一种基于孤立森林和x均值的网络流量异常检测方法 | |
CN112949714A (zh) | 一种基于随机森林的故障可能性预估方法 | |
CN110673017B (zh) | 基于遗传算法的模拟电路故障元件参数辨识方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
He et al. | The diagnosis of satellite flywheel bearing cage fault based on two-step clustering of multiple acoustic parameters | |
CN107038143A (zh) | 基于改进的多层人工免疫网络模型的皮带秤故障诊断方法 | |
CN112016597A (zh) | 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 | |
CN111506994B (zh) | 一种基于中智集的电机转子故障诊断方法 | |
CN115615578A (zh) | 一种闪速炉炉体温度传感器的故障诊断方法 | |
CN114818116A (zh) | 基于联合学习的飞机发动机失效模式识别和寿命预测方法 | |
JP7153585B2 (ja) | 異常原因推定方法、および、異常原因推定装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |