CN113806934B - 半球形温度传感器预测模型构建方法、装置及电子设备 - Google Patents
半球形温度传感器预测模型构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113806934B CN113806934B CN202111087253.3A CN202111087253A CN113806934B CN 113806934 B CN113806934 B CN 113806934B CN 202111087253 A CN202111087253 A CN 202111087253A CN 113806934 B CN113806934 B CN 113806934B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- temperature sensor
- hemispherical
- value
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 12
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000009529 body temperature measurement Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Radiation Pyrometers (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及半球形温度传感器预测模型构建方法、装置及电子设备,该方案包括以下步骤:获取温度传感器的空间位置坐标数据及温度数据;对温度数据进行分批估计处理得到最优估计值;依据最优估计值和历史温度数据对每个温度传感器的温度数据进行温度补偿得到补偿温度数据;依据空间位置坐标数据和补偿温度数据,计算温度传感器同一高度的圆周温度预测值;依据温度预测值计算得到每一高度的阵元平面温度值,其中每一高度为上下两个相邻温度传感器的高度间隔;依据阵元平面温度值计算得到温度轴向分布数据;依据温度轴向分布数据和圆周温度预测值计算得到预测模型,本申请具有填补现有技术空白,精确测量温度的优点。
Description
技术领域
本发明涉及半球形超声成像系统,具体涉及半球形温度传感器预测模型构建方法、装置及电子设备。
背景技术
目前,半球形超声成像系统的换能器阵列中集成了NTC温度传感器以获取水中温度,由于NTC温度传感器阵列分布在半球形超声成像系统的半球容器表面,且测温点并未直接与水接触,中间还隔了一定厚度的超声换能器匹配层,所以NTC温度传感器的测量值与半球容器内水中的实际温度存在一定程度的偏差。若直接利用温度传感器阵列采集的数据用于后处理计算得到的超声波声速准确度不够,最终重建得到的超声图像质量会受到影响,故需对半球形温度传感器阵列数据进行时空融合建模。但是,现有技术中并未有此技术,存在空白,因此亟待一种能够充分利用阵列阵元空间位置的相关性,并依据阵列的历史测温数据进行校准补偿,得到的水温预测值准确度更高,可以为超声成像系统的图像重建提供更为准确的数据支持的模型构建方法。
发明内容
本发明的目的是针对现有技术中存在的上述问题,提供了半球形温度传感器预测模型构建方法、装置及电子设备。
为了实现上述发明目的,本发明采用了以下技术方案:半球形温度传感器预测模型构建方法包括以下步骤:
S100、获取温度传感器的空间位置坐标数据及温度数据;
S200、对所述温度数据进行分批估计处理得到最优估计值;
S300、依据所述最优估计值和历史温度数据对每个所述温度传感器的温度数据进行温度补偿得到补偿温度数据;
S400、依据所述空间位置坐标数据和所述补偿温度数据,计算所述温度传感器同一高度的圆周温度预测值;
S500、依据所述温度预测值计算得到每一高度的阵元平面温度值,其中所述每一高度为上下两个相邻温度传感器的高度间隔;
S600、依据所述阵元平面温度值计算得到温度轴向分布数据;
S700、依据所述温度轴向分布数据和所述圆周温度预测值计算得到预测模型。
工作原理及有益效果:1、通过本申请公开的上述步骤,可快速得到半球形超声成像系统的温度预测模型,充分利用了半球形超声成像系统的半球形容器表面上温度传感器的空间位置,依据这些阵列的温度传感器的历史温度数据进行校准补偿,可得到更为精确的水温预测值,填补了现有技术的空白,可以为超声成像系统的图像重建提供更为准确的数据支持;
2、本申请不仅结合了平面的温度数据分布,还结合了高度方向的温度数据分布,并且通过温度补偿操作,可剔除少数温度数据异常的数据,减少了干扰因素后,得到的水温数据最为精确。
进一步地,以温度传感器阵列的底部中心为坐标原点,建立球坐标系,依据该球坐标系获取每个所述温度传感器的空间位置坐标数据和温度数据。此方案,通过建立球坐标系,可非常方便地对每个温度传感器的空间位置进行标定,为了模型的构建提供依据,从而方便后续的计算操作,也可非常方便地直接定位到具体的某个温度传感器。
进一步地,对所述温度数据进行分批估计处理之前,依据所述球坐标系对所述温度数据进行预处理,将所述温度数据中高于设定阈值的数据进行剔除得到正常温度数据。此方案,通过剔除不正常的温度数据,如温度明显过高或过低的数据,只保留可信度高的正常温度数据,从而大大提高了后续计算得到的数据精确度,减少了干扰因素。
进一步地,将被剔除的温度数据替换为所述正常温度数据的平均温度。此方案,通过平均温度来代替不正常的温度数据,不会影响后续计算的精度,有助于减少干扰因素。
进一步地,获取所述温度数据中的最大值和最小值以及所述历史温度数据,依据最大值和最小值将所述温度数据均分成多个区间,对每个区间进行最小二乘拟合并依据所述历史温度数据得到补偿系数,依据所述补偿系数和最优估计值得到补偿温度数据。此方案,可更进一步地提升温度预测值的精确度。
进一步地,将同一高度的一圈半球形温度传感器分为多组,分别对每组半球形温度传感器的补偿温度数据进行最小二乘拟合得到拟合温度数据,并将每组半球形温度传感器的拟合温度数据加权融合得到圆周温度预测值。此方案,可排除同一高度不同位置的温度数据的偏差,使其成为一个更加精准且平均的温度数据。
进一步地,依据所述圆周温度预测值作为边界条件,求解热传导方程得到阵元平面温度值。此方案,能够由边界值得到内部的温度值。
进一步地,选取多个轴向位置点,依据每一高度的所述阵元平面温度值进行多项式插值拟合得到温度轴向分布数据。此方案,能够获取到高度方向分布的所有温度数据,从而方便后续计算。
温度传感器阵列预测模型构建装置包括呈半球形阵列设置的多个温度传感器和控制端;每个所述温度传感器集成于换能器中;所述控制端用于执行上述的半球形温度传感器阵列预测模型构建方法。
采用半球形温度传感器阵列预测模型构建方法的装置可非常方便地获取水温,相比现有技术,具有更为精确地温度检测能力。
温度传感器阵列预测模型构建电子设备包括处理器、存储器及人机交互界面;所述处理器用于执行所述存储器的可执行命令;所述存储器存储有上述的半球形温度传感器阵列预测模型构建方法;所述人机交互界面用于进行人机交互。同样具有更为精确地温度检测能力。
附图说明
图1是本发明方法一种实施例的流程图;
图2是本发明方法另一种实施例的流程框架图;
图3是本发明方法的温度传感器阵列空间分布示意图;
图4是本发明方法的球坐标系示意图。
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所获得的所有其他实施例,都属于本发明保护的范围。
本领域技术人员应理解的是,在本发明的披露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
实施例1
如图1所示,本半球形温度传感器预测模型构建方法包括以下步骤:
S000、以温度传感器阵列的底部中心为坐标原点,建立球坐标系,依据该球坐标系获取每个温度传感器的空间位置坐标数据和温度数据。通过建立球坐标系,可非常方便地对每个温度传感器的空间位置进行标定,从而方便后续的计算操作,也可非常方便地直接定位到具体的某个温度传感器。
S100、获取温度传感器的空间位置坐标数据及温度数据;通过步骤S000的球坐标系可方便方便地获取每一个温度传感器的空间坐标和温度数据。
S110、依据球坐标系对温度数据进行预处理,将温度数据中高于设定阈值的数据进行剔除得到正常温度数据,将被剔除的温度数据替换为正常温度数据的平均温度。通过剔除不正常的温度数据,如温度明显过高或过低的数据,只保留可信度高的正常温度数据,从而大大提高了后续计算得到的数据精确度,减少了干扰因素,通过平均温度来代替不正常的温度数据,不会影响后续计算的精度,有助于减少干扰因素。
S200、对温度数据进行分批估计处理得到最优估计值;所谓最优估计通俗点讲,就是对某一感兴趣(温度数据)的变量,进行了一系列的观测(就是测量),然后从获取的测量数据中以某一种最优指标对你感兴趣的变量进行估算,此步骤中就是按照最优估计的理论进行,从而得到更为精确的数据。
S300、依据最优估计值和历史温度数据对每个温度传感器的温度数据进行温度补偿得到补偿温度数据,获取温度数据中的最大值和最小值以及历史温度数据,依据最大值和最小值将温度数据均分成多个区间,对每个区间进行最小二乘拟合并依据历史温度数据得到补偿系数,依据补偿系数和最优估计值得到补偿温度数据;可更进一步地提升温度预测值的精确度。
S400、依据空间位置坐标数据和补偿温度数据,计算温度传感器同一高度的圆周温度预测值,将同一高度的一圈半球形温度传感器分为多组,分别对每组半球形温度传感器的补偿温度数据进行最小二乘拟合得到拟合温度数据,并将每组半球形温度传感器的拟合温度数据加权融合得到圆周温度预测值。可排除同一高度不同位置的温度数据的偏差,使其成为一个更加精准且平均的温度数据。
S500、依据温度预测值计算得到每一高度的阵元平面温度值,其中每一高度为上下两个相邻温度传感器的高度间隔;依据圆周温度预测值作为边界条件,求解热传导方程得到阵元平面温度值。考虑到实际需要通过超声换能器匹配层传递热量,因此需要通过计算免去此部分的干扰因素,从而得到更为精确的温度数据。
S600、依据阵元平面温度值计算得到温度轴向分布数据;选取多个轴向位置点,依据每一高度的阵元平面温度值进行多项式插值拟合得到温度轴向分布数据。此方案,能够获取到高度方向分布的所有温度数据,从而方便后续计算。
S700、依据温度轴向分布数据和圆周温度预测值计算得到预测模型。
实施例2
请参阅图2,本实施例应用实施例1的思路,进行了进一步拓展,利用半球形温度传感器阵列得到的128个空间位置的温度数据进行分布式传感器阵列温度融合建模。主要经过预处理,分批估计,校正补偿,空间周向和轴向预测等主要步骤,建立温度的全局时空融合预测模型。首先对阵元温度数据预处理,剔除异常数据和失效阵元数据,保证数据的有效性;然后基于统计理论对各阵元数据进行分批估计,并结合阵列的历史测温数据,对得到的最优估计值进行补偿校正。接着利用温度传感器阵元的空间位置关系,进行周向分组最小二乘估计再结合热传导方程,得到8个高度的阵元周向平面的温度预测值;轴向拟合采用二次多项式插值,最终得到阵列空间任意位置的温度预测值,具体步骤如下:
步骤1、以半球阵列底面为坐标原点,建立球坐标系,而各温度传感器在球坐标系上呈阵元阵列,如图3,获取各温度传感器的空间位置Pi(ρi,θi,zi),其中,i为温度传感器序号,ρ为X轴坐标,θ为Y轴坐标,z为Z轴坐标,1≤i≤128(因为温度传感器的数量为128个,此数据可根据温度传感器的数量而变化),如图4所示,其中圆形a的阵元位置为Pa(ρa,θa,za),图3中展示了128个温度传感器的空间分布。
步骤2、阵列数据预处理,主要进行异常点判断和剔除,得到可信度高的温度数据,其中单阵元(单个温度传感器)的温度数据Tri(k),1≤k≤N,r表示原始raw,i表示温度传感器序号,i=1,2,3...,128,这个表示传感器数量。k表示每个传感器的点数序号,每个传感器测温点数点数有N点。
这里选择一定长度的窗长,分别以各温度点为中心,计算窗内均值,与中心温度点比较,若超出设定阈值,也就是中心点的温度,则判定为异常值,记录异常点个数并用窗内平均值代替。各阵元预处理后的数据用Ti(k)表示,Ti(k)是对Tri(k)经过处理后的数据,而Tri(k)相当于是原始数据。
其中,窗长指的是数据点数,比如说窗长为5,要计算Ti(10),Ti(10)=(Ti(8)+Ti(9)+Ti(10)+Ti(11)+Ti(12))/5,前后各2点加自身共计5点的平均值,窗长就是滑动平均的点数,采用滑动平均是为了减小单个点判断误差,一般数据开始几点头和数据末尾几点要单独处理,因为点数不够窗的长度。
设定阈值为设定的温度值,通常根据传感器的测量范围或者当前批数据均值的若干倍有关,比如说测温范围为0-50度,那这个阈值可设为50,窗内均值代表的是中心点的温度,如果窗内均值超过50,则说明中心点的温度是异常的。
若异常点个数超出总点数的一定比重,判定此阵元采集的数据无效,此时用与该阵元最近的多个阵元数据的平均值代替,比如3个,4个或5个。各阵元预处理后的数据用Ti(k)表示。此步骤可避免因为温度传感器大面积故障导致的数据异常问题发生,尽可能地不影响整体的数据。
步骤3、对单阵元的温度数据进行分批估计得到最优估计值,将数据平均分为4批,每批分别求平均值和方差/>,其中1≤j≤4代表分批的数目。按照最优估计的理论,将4组方差和均值进行融合,得到该段温度数据的最优估计值。所有阵元完成分批估计后,得到128个阵元温度的最优估计值/>。计算公式如下:
步骤4、由于温度传感器并没有直接接触水,中间隔了一定厚度的超声换能器匹配层,故需进行温度补偿。阵列得到温度分区间的补偿系数。将阵元的最优估计值对应到温度区间,对传感器数据进行分段校正补偿。
依据测温场景确定测量温度的最大值和最小值,再将该区间平均分成M个区间。每个区间内采用最小二乘拟合,其中T代表温度传感器的测量值,d 0,d 1,d 2,d 3为具体的补偿系数,由历史数据得补偿系数/>,D为补偿系数向量,m为区间序号,其中历史数据为上几次测量过程中的数据。判断阵元数据的最优估计值对应的区间序号m,将补偿系数以及步骤3中的得到128个阵元温度的最优估计值/>分别带入。经过补偿后的温度为:
。
步骤5、同一高度的阵元空间位置间隔分成两组,对补偿后的温度数据T i进行分组最小二乘拟合;拟合后进行加权融合,得到周向一圈的温度预测值。
(1)假设传感器阵列在高度zh处共有L个温度传感器,将这些温度传感器间隔分成两组,则L个温度值T i分成两组温度序列A和B,(若L为奇数,则L用L+1代替且令第L+1个温度值与第1个温度值相等)。
其中,1≤l≤L为zh高度处温度传感器的序号。
(2)分别对温度序列A和B进行多项式拟合,得到对应的拟合函数A(θ)和B(θ),其中θ为极坐标中水平方向的变量;
由于两组温度数据空间上具有一定的相关性且位置间隔分布,测温区间接近且两组数据包含了同一高度上的完整温度信息,故对两个拟合函数A(θ)和B(θ)加权融合得到最终的估计值:
。
(3)利用最终得到的估计值,采用误差平方和最小的原则进行最小二乘估计,得到系数a和b,最终得到高度zh处周向的温度拟合函数:
。
步骤6、结合现有的热传导方程,以步骤5中计算的周向温度值作为边界条件求解方程,得到阵元平面的温度值,同一高度所有温度传感器坐标点连成平面就叫阵元平面,其中周向温度值通过步骤5中的温度拟合函数计算得到,步骤5中计算得出了每个阵元平面的圆周方向一圈的温度值,上下两个相邻的阵元平面的距离就是温度传感器的高度差,
阵元平面的温度值为:。
此步骤中,热传导方程为通用方程。主要是为了通过边界上的点得到内部的点。因为步骤5中只能得到圆边界的温度预测值,圆以内的值并不知道,所以通过热传导方程求解。
步骤7:各阵元平面的温度值得到之后,选取一定数量的轴向位置点(高度方向的温度传感器坐标点,并获取该温度传感器的温度数据),进行多项式插值拟合,得到温度的轴向分布(温度数据在高度方向上的分布,球坐标系中心的轴线方向):
,H为温度传感器的最高点高度,其中的参数与步骤6和5中一致。
步骤8、综合阵元平面的温度值和温度的轴向分布,得到最终的温度全局预测模型:
在本实施例中,温度传感器为NTC温度传感器,且数量并不一定是128个,也可以是256个,根据半球形容器的大小设定,模型的构建过程是一样的。
在另一种实施例中,还可以在128个温度传感器的基础上,再增加4个高精度的PT100温度传感器测温数据,进行分布式传感器阵列温度数据融合建模,其中,PT100温度传感器是一种将温度变量转换为可传送的标准化输出信号的仪表。主要用于工业过程温度参数的测量和控制。带传感器的变送器通常由两部分组成:传感器和信号转换器。传感器主要是热电偶或热电阻;信号转换器主要由测量单元、信号处理和转换单元组成(由于工业用热电阻和热电偶分度表是标准化的,因此信号转换器作为独立产品时也称为变送器),有些变送器增加了显示单元,有些还具有现场总线功能。而NTC温度传感器是一种热敏电阻、探头,其原理为:电阻值随着温度上升而迅速下降。其通常由2或3种金属氧化物组成, 混合在类似流体的粘土中,并在高温炉内锻烧成致密的烧结陶瓷。实际尺寸十分灵活,它们可小至0.010英寸或很小的直径。最大尺寸几乎没有限制,但通常适用半英寸以下。
因此在指定位置使用PT100测温,可以将这个测温数据作为参考,去校正预测模型。
实施例3
温度传感器阵列预测模型构建装置包括呈半球形阵列设置的多个温度传感器和控制端;每个温度传感器集成于换能器中;控制端用于执行上述的半球形温度传感器阵列预测模型构建方法,其中控制端可以是常见的计算机,换能器就是现有的半球形超声成像系统一部分。采用半球形温度传感器阵列预测模型构建方法的装置可非常方便地获取水温,相比现有技术,具有更为精确地温度检测能力。
实施例4
温度传感器阵列预测模型构建电子设备包括处理器、存储器及人机交互界面;处理器用于执行存储器的可执行命令;存储器存储有上述的半球形温度传感器阵列预测模型构建方法;人机交互界面用于进行人机交互。同样具有更为精确地温度检测能力。
其中电子设备可以是手机、平板电脑等设备。
用于实现本方案实施例方法的服务器的计算机系统包括中央处理单元CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有系统操作所需的各种程序和数据。 CPU、ROM以及RAM 通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块也可以设置在处理器中。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行以下方法所对应过的流程步骤。
本发明未详述部分为现有技术,故本发明未对其进行详述。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
尽管本文较多地使用了专业术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
本发明不局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (6)
1.半球形温度传感器预测模型构建方法,其特征在于,包括以下步骤:
获取温度传感器的空间位置坐标数据及温度数据;
将每个所述温度数据平均分为n批,每批分别求平均值和方差/>,将n组平均值和方差融合得到最优估计值:
其中1≤j≤n代表分批的数目;
获取所述温度数据中的最大值和最小值以及历史温度数据,依据最大值和最小值将所述温度数据均分成多个区间,对每个区间进行最小二乘拟合并依据所述历史温度数据得到补偿系数,将所述补偿系数和最优估计值代入最小二乘拟合公式得到补偿温度数据:
其中,每个区间内采用最小二乘拟合,T代表温度传感器的测量值,d 0,d 1,d 2,d 3为具体的补偿系数,由历史数据得补偿系数/>,D为补偿系数向量,m为区间序号,历史数据为上几次测量过程中的数据;
将同一高度的一圈半球形温度传感器分为多组,分别对每组半球形温度传感器的补偿温度数据进行最小二乘拟合得到拟合温度数据,并将每组半球形温度传感器的拟合温度数据加权融合得到圆周温度预测值;
依据所述圆周温度预测值作为边界条件,求解热传导方程得到阵元平面温度值,选取多个轴向位置点,依据每一高度的所述阵元平面温度值进行多项式插值拟合得到温度轴向分布数据,其中所述每一高度为上下两个相邻温度传感器的高度间隔;
依据所述温度轴向分布数据和所述圆周温度预测值计算得到预测模型。
2.根据权利要求1所述的半球形温度传感器预测模型构建方法,其特征在于,以温度传感器阵列的底部中心为坐标原点,建立球坐标系,依据该球坐标系获取每个所述温度传感器的空间位置坐标数据和温度数据。
3.根据权利要求2所述的半球形温度传感器预测模型构建方法,其特征在于,对所述温度数据进行分批估计处理之前,依据所述球坐标系对所述温度数据进行预处理,将所述温度数据中高于设定阈值的数据进行剔除得到正常温度数据。
4.根据权利要求3所述的半球形温度传感器预测模型构建方法,其特征在于,将被剔除的温度数据替换为所述正常温度数据的平均温度。
5.温度传感器阵列预测模型构建装置,其特征在于,包括呈半球形阵列设置的多个温度传感器和控制端;每个所述温度传感器集成于换能器中;所述控制端用于执行权利要求1-4任意一项所述的半球形温度传感器预测模型构建方法。
6.温度传感器阵列预测模型构建电子设备,其特征在于,包括处理器、存储器及人机交互界面;所述处理器用于执行所述存储器的可执行命令;所述存储器存储有权利要求1-4任意一项所述的半球形温度传感器预测模型构建方法;所述人机交互界面用于进行人机交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087253.3A CN113806934B (zh) | 2021-09-16 | 2021-09-16 | 半球形温度传感器预测模型构建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087253.3A CN113806934B (zh) | 2021-09-16 | 2021-09-16 | 半球形温度传感器预测模型构建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113806934A CN113806934A (zh) | 2021-12-17 |
CN113806934B true CN113806934B (zh) | 2024-06-21 |
Family
ID=78941328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087253.3A Active CN113806934B (zh) | 2021-09-16 | 2021-09-16 | 半球形温度传感器预测模型构建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806934B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643951B (zh) * | 2023-07-24 | 2023-10-10 | 青岛冠成软件有限公司 | 一种冷链物流运输大数据监测采集方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550502A (zh) * | 2015-12-08 | 2016-05-04 | 南京邮电大学 | 一种基于健康监控的数据处理方法 |
CN107480025A (zh) * | 2016-06-07 | 2017-12-15 | 中兴通讯股份有限公司 | 一种展示温度数据的方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9258932B2 (en) * | 2011-12-23 | 2016-02-09 | International Business Machines Corporation | Data center thermal management |
JP5977721B2 (ja) * | 2013-08-29 | 2016-08-24 | 日本電信電話株式会社 | 空間温度推定方法および装置 |
CN108830017B (zh) * | 2018-07-05 | 2022-06-24 | 上海美杰医疗科技有限公司 | 基于个体阻抗的射频加热温度场预测系统 |
US11533783B2 (en) * | 2019-07-18 | 2022-12-20 | Applied Materials, Inc. | Multi-zone heater model-based control in semiconductor manufacturing |
CN110477950A (zh) * | 2019-08-29 | 2019-11-22 | 浙江衡玖医疗器械有限责任公司 | 超声成像方法及装置 |
CN111352173A (zh) * | 2020-02-17 | 2020-06-30 | 东南大学 | 基于空间位置的加权平均温度计算方法 |
CN112213585A (zh) * | 2020-10-10 | 2021-01-12 | 国网山东省电力公司枣庄供电公司 | 考虑温度场变化的高压开关柜局部放电定位方法及系统 |
-
2021
- 2021-09-16 CN CN202111087253.3A patent/CN113806934B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550502A (zh) * | 2015-12-08 | 2016-05-04 | 南京邮电大学 | 一种基于健康监控的数据处理方法 |
CN107480025A (zh) * | 2016-06-07 | 2017-12-15 | 中兴通讯股份有限公司 | 一种展示温度数据的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113806934A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101783050B1 (ko) | 3축 자계 센서의 교정 방법 및 장치 | |
CN109242908B (zh) | 用于水下双目视觉测量系统的标定方法 | |
EP3607264B1 (en) | Machine vision system | |
CN113806934B (zh) | 半球形温度传感器预测模型构建方法、装置及电子设备 | |
CN103901291B (zh) | 一种变电设备内部绝缘缺陷的诊断方法 | |
CN109493389B (zh) | 一种基于深度学习的相机标定方法及系统 | |
CN111540001B (zh) | 航空发动机涡轮叶片气膜孔轴线方向检测方法 | |
CN114923453B (zh) | 一种线性轮廓仪外参的标定方法、装置及电子设备 | |
WO2014194056A1 (en) | Fully automated calibration for acoustic pyrometry | |
JP7110549B2 (ja) | センサ装置 | |
CN113702927A (zh) | 一种车辆传感器标定方法、装置及存储介质 | |
CN111928949B (zh) | 热像测温方法、装置、计算机设备、存储介质 | |
CN110487180B (zh) | 一种用于扫描振镜式激光加工系统的热漂移测量方法 | |
JP4510520B2 (ja) | 形状測定方法および形状測定装置 | |
CN113804332B (zh) | 基于超声成像系统的温感元件阵列故障诊断方法及其应用 | |
US6621943B1 (en) | System and method for converting analog data to digital data | |
CN115862057A (zh) | 一种便捷式单目测距的人体异常行为检测方法 | |
CN113758576A (zh) | 医用人体红外检测设备、热像图处理方法、装置及介质 | |
CN110866951A (zh) | 一种单目摄像机光轴倾斜的校正方法 | |
CN113806981B (zh) | 半球形超声成像系统水温预测方法、装置及电子设备 | |
CN113865575B (zh) | 基于温度迟滞模型的光纤陀螺、温度漂移补偿方法及系统 | |
CN115166701B (zh) | 一种rgb-d相机和激光雷达的系统标定方法及装置 | |
CN110956667B (zh) | 基于近似平面靶的摄像机自标定方法及系统 | |
CN117928680B (zh) | 换能器自动定位方法、系统、电子设备及存储介质 | |
CN115248949B (zh) | 一种端钢壳线性评估方法及系统 |
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 |