CN114873280B - 用于测量粉状物料流量的可循环物料输送设备及计量方法 - Google Patents
用于测量粉状物料流量的可循环物料输送设备及计量方法 Download PDFInfo
- Publication number
- CN114873280B CN114873280B CN202210468332.7A CN202210468332A CN114873280B CN 114873280 B CN114873280 B CN 114873280B CN 202210468332 A CN202210468332 A CN 202210468332A CN 114873280 B CN114873280 B CN 114873280B
- Authority
- CN
- China
- Prior art keywords
- material flow
- measuring
- material tank
- pipe
- flow
- 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
- 239000000463 material Substances 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000843 powder Substances 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims description 43
- 238000013527 convolutional neural network Methods 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 27
- 239000007787 solid Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 239000002184 metal Substances 0.000 claims description 16
- 229910052751 metal Inorganic materials 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000007599 discharging Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005684 electric field Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 239000011152 fibreglass Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000012071 phase Substances 0.000 description 11
- 239000000284 extract Substances 0.000 description 6
- 230000005514 two-phase flow Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 239000008247 solid mixture Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G53/00—Conveying materials in bulk through troughs, pipes or tubes by floating the materials or by flow of gas, liquid or foam
- B65G53/34—Details
- B65G53/66—Use of indicator or control devices, e.g. for controlling gas pressure, for controlling proportions of material and gas, for indicating or preventing jamming of material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G53/00—Conveying materials in bulk through troughs, pipes or tubes by floating the materials or by flow of gas, liquid or foam
- B65G53/04—Conveying materials in bulk pneumatically through pipes or tubes; Air slides
- B65G53/06—Gas pressure systems operating without fluidisation of the materials
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G53/00—Conveying materials in bulk through troughs, pipes or tubes by floating the materials or by flow of gas, liquid or foam
- B65G53/34—Details
- B65G53/52—Adaptations of pipes or tubes
-
- 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
- G01F1/56—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects
- G01F1/64—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects by measuring electrical currents passing through the fluid flow; measuring electrical potential generated by the fluid flow, e.g. by electrochemical, contact or friction effects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Volume Flow (AREA)
Abstract
用于测量粉状物料流量的可循环物料输送设备及计量方法，第一物料罐和第二物料罐的进气管口分别连接气动力输送装置的两个出气口，第一物料罐的出料管口与第一物料流动三通管的一个管口相连，第一物料罐的进料管口与第一物料流动三通管的另一个管口相连，第一物料流动三通管的第三个管口连接测量管段的一个端口，第二物料罐的出料管口与第二物料流动三通管的一个管口相连，第二物料罐的进料管口与第二物料流动三通管的另一个管口相连，第二物料流动三通管的第三个管口连接测量管段的另一个端口，第一物料罐和第二物料罐的顶部均设置有压力传感器和排空管及开关阀门。本发明可对关于物料流量的电压波动时间序列进行快速准确地采集。
Description
技术领域
本发明涉及一种粉状物料计量方法。特别是涉及一种用于测量粉状物料流量的可循环物料输送设备及计量方法。
背景技术
随着现代工业的发展，固体物料的气力输送由于其密闭、精确、环保、实时测量等优势得到许多行业对于气固两相流流量计量的关注。气固两相流的研究对于工业设备设计和操作条件优化具有重要意义，在化工生产、火力发电、煤炭运输、药物质检等领域，固体颗粒的质量流量为一个重要参数，在检测和运输环节具有至关重要的意义。当前，大多数的气固两相流流量计量方法存在实时性差、测量精度低等问题，高效、精确的质量流量测量系统仍有待发展。
近年来软测量模型在多相流测量领域应用快速发展，尤其是深度学习方法的不断更新拓宽了多相流软测量模型的应用范围。深度学习技术通过无监督或有监督的学习方式逐层提取特征，排除离线人为计量时存在的不确定性和主观性，能够客观、准确地反映被测对象的基本规律。可视图理论作为复杂网络分析的重要方法，其在一元时间序列分析上的应用十分广泛，尤其是具有更好抗噪能力的有限穿越可视图，可将原始信号映射到复杂网络获取特征度序列。通过软测量模型可对传感器获取得到的多元时间序列进行融合分析，深度学习方法可精确、高效地提取气固两相流的特征信息。
发明内容
本发明所要解决的技术问题是，为克服现有技术的不足，提供一种可精确、高效地提取气固两相流特征信息的用于测量粉状物料流量的可循环物料输送设备及计量方法。
本发明所采用的技术方案是：一种用于测量粉状物料流量的可循环物料输送设备，包括有第一物料罐、第二物料罐、由空压机和干冷机构成的用于产生输送粉状物料的气体的气动力输送装置、以及用于获取粉状物料流量波动信号的设置在测量管段上的多电极正交式静电传感器，其中，所述第一物料罐的进气管口连接气动力输送装置的一个出气口，所述第二物料罐的进气管口连接气动力输送装置的另一个出气口，所述第一物料罐的出料管口与第一物料流动三通管的一个管口相连，所述第一物料罐的进料管口与第一物料流动三通管的另一个管口相连，所述第一物料流动三通管的第三个管口连接所述测量管段的一个端口，所述第二物料罐的出料管口与第二物料流动三通管的一个管口相连，所述第二物料罐的进料管口与第二物料流动三通管的另一个管口相连，所述第二物料流动三通管的第三个管口连接所述测量管段的另一个端口，所述第一物料罐和第二物料罐的顶部均设置有用于检测罐内压力的压力传感器和用于控制罐内压力的排空管，所述排空管上设置有开关阀门。
所述第一物料罐的进气管上设置有第一进气阀门，所述第二物料罐的进气管上设置有第二进气阀门，所述第一物料流动三通管在与所述第一物料罐的进料管口和出料管口相连的管线上分别对应设置有第一阀门和第二阀门，所述第二物料流动三通管在与所述第二物料罐的进料管口和出料管口相连的管线上分别对应设置有第三阀门和第四阀门。
所述第一物料流动三通管和第二物料流动三通管的三个管口在分别与所述第一物料罐、第二物料罐和测量管段的相连接处均是通过法兰相连接，所述气动力输送装置在与所述第一物料罐、第二物料罐的相连接处均是通过法兰相连接。
所述的多电极正交式静电传感器包括有等间隔的镶嵌在所述测量管段的同一径向截面的内周面上的8个结构相同的金属测量电极片，每2个金属测量电极片构成一个测量电极对，共构成4个测量电极对，构成测量电极对的2个金属测量电极片在测量管段的径向截面上分别位于同一直径的两个端部，且其中一个金属测量电极片为激励电极，另一个金属测量电极片为信号采集电极，两个相正交的测量电极对构成一组测量电极，共构成2组测量电极。
一种采用可循环物料输送设备的计量方法，包括如下步骤：
1)采用可循环物料输送设备获取粉状物料流量电压波动信号；
2)对物料流量电压波动信号采用有限穿越可视图的方法进行映射处理，得到度序列，将物料流量电压波动信号和度序列分别划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1；
3)构建双输入特征融合卷积神经网络模型；
4)用构建的双输入特征融合卷积神经网络模型对物料流量电压波动信号进行特征融合，并实现粉状物料输送过程中的流量测量。
步骤1)包括：
当粉状物料由第一物料罐输送至第二物料罐时，打开第一进气阀门、第二阀门和第三阀门，关闭第二进气阀门、第四阀门和第一阀门，气动力输送装置输送冷空气进入第一物料罐，与第一物料罐中的粉状物料混合形成气固混合相物料，依次经过第一物料流动三通管、测量管段和第二物料流动三通管进入第二物料罐；当粉状物料由第二物料罐输送至第一物料罐的过程中，打开第二进气阀门、第四阀门和第一阀门，关闭第一进气阀门、第二阀门和第三阀门，气动力输送装置输送冷空气进入第二物料罐，与第二物料罐中的粉状物料混合形成气固混合相物料，依次经过第二物料流动三通管、测量管段和第一物料流动三通管进入第一物料罐；
在所述的气固混合相物料流经测量管段时，设置在所述测量管段内壁上的多电极正交式静电传感器采集物料流量的波动信号，具体是由恒定信号源产生周期性的激励信号对2组测量电极进行周期性交替充电，每次充电时，对每组测量电极中的激励电极是同时充电，当对其中一组测量电极中的激励电极进行充电时，另一组测量电极中的采集电极采集信号；
对2组测量电极进行周期性交替充电，管内产生90°正交的基准电场，一个采样周期内两组测量电极均进行充放电一次，每组测量电极放电时采集两个反映物料质量流量的放电电压值，相加即得到该组测量电极的电压采样值，每个采样周期内获取两个电压采样值；在连续进行的设定数量的采样周期中，每组测量电极采集一路物料流量电压波动信号，多电极正交式静电传感器共获取两路测量物料流量的物料流量电压波动信号，以离线标定流量的方式确定信号标签值。
安装在第一物料罐或第二物料罐上的压力传感器实时反馈第一物料罐或第二物料罐中的压力，在确定气动力输送装置送气流速的条件下，根据第一物料罐或第二物料罐中压力变化值对物料流量进行离线标定；第一物料罐和第二物料罐内的气体通过排空管排出，以保证第一物料罐和第二物料罐及测量管道内压力安全。
步骤2)包括：
(2.1)将两路物料流量电压波动信号分别通过有限穿越可视图的方法映射到复杂网络，提取两路信号所对应的度序列；具体是对于长度为L的物料流量的电压波动信号X＝[x1,x2,…,xL]，以时间序列形式表示为
将每个时间点xt视为网络节点，设置有限穿越次数为M，根据以下条件判断网络节点间是否存在连边：
其中，xk，xi，xj分别表示物料流量的电压波动信号在电压波动时间序列k，i，j时刻网络节点的值；在有限穿越可视图中，对于网络节点xi和xj，中间时刻k的网络节点xk与网络节点xi和xj不满足判断网络节点间是否存在连边的条件，且网络节点xk的数目小于或等于有限穿越次数M时，认定网络节点xi和xj间存在连边，否则xi和xj两节点之间不存在连边，对所有网络节点分别进行是否存在连边的判断，从而将关于物料流量的电压波动信号映射到基于有限穿越可视图的复杂网络中，构成基于有限穿越可视图的复杂网络；
对于度序列的获取，首先获取网络节点的度值，公式如下：
其中
为在电压波动时间序列i时刻网络节点xi的度值，lij为网络节点xi和xj间的连边；因此得到物料流量的电压波动信号的1×L维的度序列D：
D＝[d1,d2,…,dL]
(2.2)采用窗口长度为W的加窗函数对两路物料流量电压波动信号及对应的度序列分别进行无重叠地截取，将长度为L的信号共截取
个扩充样本，其中，/>
代表向下取整；共得到一组N个带有标签值的物料流量电压波动信号数据集和一组N个带有标签值的度序列数据集；
(2.3)分别将数据集中的N个样本随机划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1。
步骤3)包括：
(3.1)用于提取深度特征信息的两路结构完全相同的卷积神经网络，其中一路用于对接收的物料流量电压波动信号提取深度特征信息，另一路用于对所述的度序列提取深度特征信息；每一路卷积神经网络均包括依次串接的通道映射卷积层、时域卷积层、空间卷积层、平均池化层、密集块和注意力机制模块；
所述的通道映射卷积层，采用20个大小为1×1的卷积核融合通道间的信息，所述的时域卷积层采用20个大小为1×11的卷积核提取时域特征信息，所述的空间卷积层采用20个大小为2×1的卷积核提取空间特征信息；所述通道映射卷积层、时域卷积层、空间卷积层每次卷积操作后均要依次经过批处理归一化加速收敛和指数线性单元(ELU)激活后输入到下一层，空间卷积层操作结束后经过平均池化层对输入进行平均采样减少特征维数；降维后的特征输入到密集块增加特征的多样性，所述的密集块包括依次串接的三个相同的卷积块，每个卷积块包括具有20个大小为1×5卷积核的卷积层、批处理归一化和激活函数，对冗余特征进行重用，进一步提取并输出抽象高级特征；在密集块输出的基础上，利用注意力机制对不同时间步长的特征进行加权，两路卷积神经网络共输出2组1×n维特征向量，分别为提取到的物料流量电压波动信号的特征向量HV，和提取到的度序列的特征向量HD，表示如下：
其中，
为电压波动信号特征向量第n个时间步上的特征元素，/>
为度序列特征向量第n个时间步上的特征元素；
(3.2)特征融合层，用于接收两路卷积神经网络输出的2组1×n维特征向量HV和HD，并进行融合，生成融合特征向量[HV,HD]：
(3.3)全连接层，用于对接收到的特征融合层输出的融合特征向量进行非线性映射到样本标记空间，依次经过节点数为1024、激活函数为tanh的全连接层和节点数，以及节点数为1、激活函数为sigmoid的全连接层，最终输出物料流量预测值Qp。
对所述的双输入特征融合卷积神经网络模型进行训练，包括：设置超参数，使用Adam优化器通过梯度下降算法采用训练集反向更新两路卷积神经网络中的神经元权重；具体是，
构建描述物料流量预测值与标签值间的损失函数，选择均方误差作为描述物料流量预测值与标签值差距的损失函数，计算物料流量预测值与标签值间差平方的均值，作为双输入特征融合卷积神经网络模型每次迭代计算得到的物料流量预测值与标签值之间的差距，以差距最小化作为指导双输入特征融合卷积神经网络模型训练与参数优化的调整方向；
使用均方误差和平均绝对百分比误差作为描述双输入特征融合卷积神经网络模型最终测量性能的指标，计算公式如下：
其中，Qn和
分别为双输入特征融合卷积神经网络模型的第n个样本的物料流量标签值和物料流量预测值，N为信号样本数量。
本发明的用于测量粉状物料流量的可循环物料输送设备及计量方法，实时性强、测量精度高，能够精确、高效地提取气固两相流特征信息。本发明优势在于：
1、本发明所采用的多电极正交式静电传感器，测量过程中进行高频充放电，时间常数小，可满足动态物料流量的实时监控和预测，可对关于物料流量的电压波动时间序列进行快速准确地采集；
2、本发明所采用的多电极正交式静电传感器，每一组正交式对壁测量电极的测量范围均敏感于测量管道整个截面的物料流量波动信息，能够准确反映带电粉尘物料流动时基准电场的变化，一组测量电极即可以实现对气固混合相不同流型信息的获取；
3、本发明对多电极正交式静电传感器测量得到的两组反映物料流量的电压波动时间序列进行有限穿越可视图复杂网络映射，提取有关时间特征的度序列建立关于电压波动时间序列一一对应的新数据集，同时将二者进行深度特征提取后，对特征进行融合后学习训练，可更准确捕获关于物料流量的基本特征与规律；
4、本发明所搭建的双输入特征融合CNN网络在对于物料流量的预测中具有客观性，排除离线人为计量时存在的不确定性和主观性，两路卷积神经网络模块对大量数据进行深度特征提取即特征信息融合后，可对该类数据有较强的预测性能且具有客观性。
附图说明
图1是本发明中可循环物料输送设备的结构示意图；
图2是本发明中多电极正交式静电传感器的结构示意图；
图3是图2的截面的结构示意图；
图4是本发明中双输入特征融合卷积神经网络模型的结构示意图。
具体实施方式
下面结合实施例和附图对本发明的用于测量粉状物料流量的可循环物料输送设备及计量方法做出详细说明。
如图1所示，本发明的用于测量粉状物料流量的可循环物料输送设备，包括有第一物料罐4、第二物料罐5、由空压机和干冷机构成的用于产生输送粉状物料的气体的气动力输送装置1、以及用于获取粉状物料流量波动信号的设置在测量管段16上的多电极正交式静电传感器，其中，所述第一物料罐4的进气管口连接气动力输送装置1的一个出气口，所述第二物料罐5的进气管口连接气动力输送装置1的另一个出气口，所述第一物料罐4的出料管口与第一物料流动三通管15的一个管口相连，所述第一物料罐4的进料管口与第一物料流动三通管15的另一个管口相连，所述第一物料流动三通管15的第三个管口连接所述测量管段16的一个端口，所述第二物料罐5的出料管口与第二物料流动三通管17的一个管口相连，所述第二物料罐5的进料管口与第二物料流动三通管17的另一个管口相连，所述第二物料流动三通管17的第三个管口连接所述测量管段16的另一个端口，所述第一物料罐4和第二物料罐5的顶部均设置有用于检测罐内压力的压力传感器8、18和用于控制罐内压力的排空管2、3，所述排空管2、3上设置有开关阀门13、14。
所述第一物料罐4的进气管上设置有第一进气阀门6，所述第二物料罐5的进气管上设置有第二进气阀门7，所述第一物料流动三通管15在与所述第一物料罐4的进料管口和出料管口相连的管线上分别对应设置有第一阀门11和第二阀门9，所述第二物料流动三通管17在与所述第二物料罐5的进料管口和出料管口相连的管线上分别对应设置有第三阀门12和第四阀门10。
所述第一物料流动三通管15和第二物料流动三通管17的三个管口在分别与所述第一物料罐4、第二物料罐5和测量管段16的相连接处均是通过一个法兰相连接，所述气动力输送装置1在与所述第一物料罐4和第二物料罐5的相连接处也均是通过一个法兰相连接。
如图2、图3所示，所述的多电极正交式静电传感器，包括有等间隔的镶嵌在所述测量管段16的同一径向截面的内周面上的8个结构相同的金属测量电极片19，每2个金属测量电极片19构成一个测量电极对，共构成4个测量电极对，构成测量电极对的2个金属测量电极片在测量管段16的径向截面上分别位于同一直径的两个端部，且其中一个金属测量电极片为激励电极，另一个金属测量电极片为信号采集电极，两个相正交的测量电极对构成一组测量电极，共构成2组测量电极。
多电极正交式静电传感器能够快速、准确地测量物料流量波动信号，每一路测量信号包含整个管道界面的流动信息，对于所采集的流量数据，分别构建有限穿越可视图复杂网络，提取度序列与原始波动信号进行深度特征提取后进行特征融合，更准确捕获关于物料流量的基本特征与规律，对大量数据的学习训练使得所搭建的双输入特征融合CNN网络模型有较强的预测性能且具有客观性。
本发明的一种采用所述的用于测量粉状物料流量的可循环物料输送设备的计量方法，包括：
1)采用可循环物料输送设备获取粉状物料流量电压波动信号；包括：
在粉状物料由第一物料罐4输送至第二物料罐5时，打开第一进气阀门6、第二阀门9和第三阀门12，关闭第二进气阀门7、第四阀门10和第一阀门11，气动力输送装置1输送冷空气进入第一物料罐4，与第一物料罐4中的粉状物料混合形成气固混合相物料，依次经过第一物料流动三通管15、测量管段16和第二物料流动三通管17进入第二物料罐5；在粉状物料由第二物料罐5输送至第一物料罐4的过程中，打开第二进气阀门7、第四阀门10和第一阀门11，关闭第一进气阀门6、第二阀门9和第三阀门12，气动力输送装置1输送冷空气进入第二物料罐5，与第二物料罐5中的粉状物料混合形成气固混合相物料，依次经过第二物料流动三通管17、测量管段16和第一物料流动三通管15进入第一物料罐4；
在所述的气固混合相物料流经测量管段16时，设置在所述测量管段16内壁上的多电极正交式静电传感器采集物料流量的波动信号，具体是由恒定信号源产生周期性的激励信号对2组测量电极进行周期性交替充电，每次充电时，对每组测量电极中的激励电极是同时充电，当对其中一组测量电极中的激励电极进行充电时，另一组测量电极中的采集电极采集信号；
对2组测量电极进行周期性交替充电，管内产生90°正交的基准电场，一个采样周期内两组测量电极均进行充放电一次，每组测量电极放电时采集两个反映物料质量流量的放电电压值，相加即得到该组测量电极的电压采样值，每个采样周期内获取两个电压采样值；同时，每组测量电极产生的90°正交基准电场，能够很好地覆盖整个管道截面，敏感于整个截面上的固相带电颗粒，可以实现对气固混合相不同流型信息的识别。在连续进行的设定数量的采样周期中，每组测量电极采集一路物料流量电压波动信号，多电极正交式静电传感器共获取两路测量物料流量的物料流量电压波动信号，以离线标定流量的方式确定信号标签值。
安装在第一物料罐4或第二物料罐5上的压力传感器8、18实时反馈第一物料罐4或第二物料罐5中的压力，在确定气动力输送装置1送气流速的条件下，根据第一物料罐4或第二物料罐5中压力变化值对物料流量进行离线标定；第一物料罐4和第二物料罐5内的气体通过排空管2、3排出，以保证第一物料罐4和第二物料罐5及测量管道内压力安全。
2)对物料流量电压波动信号采用有限穿越可视图的方法进行映射处理，得到度序列，将物料流量电压波动信号和度序列分别划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1；包括：
(2.1)将两路物料流量电压波动信号分别通过有限穿越可视图的方法映射到复杂网络，提取两路信号所对应的度序列；具体是对于长度为L的物料流量的电压波动信号X＝[x1,x2,…,xL]，以时间序列形式表示为
将每个时间点xt视为网络节点，设置有限穿越次数为M，根据以下条件判断网络节点间是否存在连边：
其中，xk，xi，xj分别表示物料流量的电压波动信号在电压波动时间序列k，i，j时刻网络节点的值；在有限穿越可视图中，对于网络节点xi和xj，中间时刻k的网络节点xk与网络节点xi和xj不满足判断网络节点间是否存在连边的条件，且网络节点xk的数目小于或等于有限穿越次数M时，认定网络节点xi和xj间存在连边，否则xi和xj两节点之间不存在连边，对所有网络节点分别进行是否存在连边的判断，从而将关于物料流量的电压波动信号映射到基于有限穿越可视图的复杂网络中，构成基于有限穿越可视图的复杂网络；
对于度序列的获取，首先获取网络节点的度值，公式如下：
其中
为在电压波动时间序列i时刻网络节点xi的度值，lij为网络节点xi和xj间的连边；因此得到物料流量的电压波动信号的1×L维的度序列D：
D＝[d1,d2,…,dL]
(2.2)采用窗口长度为W的加窗函数对两路物料流量电压波动信号及对应的度序列分别进行无重叠地截取，将长度为L的信号共截取
个扩充样本，其中，/>
代表向下取整；共得到一组N个带有标签值的物料流量电压波动信号数据集和一组N个带有标签值的度序列数据集；
(2.3)分别将数据集中的N个样本随机划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1。
3)构建双输入特征融合卷积神经网络模型；如图4所示，所述的双输入特征融合卷积神经网络模型包括有：
(3.1)用于提取深度特征信息的两路结构完全相同的卷积神经网络，其中一路用于对接收的物料流量电压波动信号提取深度特征信息，另一路用于对所述的度序列提取深度特征信息；每一路卷积神经网络均包括依次串接的通道映射卷积层、时域卷积层、空间卷积层、平均池化层、密集块和注意力机制模块；
所述的通道映射卷积层，采用20个大小为1×1的卷积核融合通道间的信息，所述的时域卷积层采用20个大小为1×11的卷积核提取时域特征信息，所述的空间卷积层采用20个大小为2×1的卷积核提取空间特征信息；所述通道映射卷积层、时域卷积层、空间卷积层每次卷积操作后均要依次经过批处理归一化加速收敛和指数线性单元(ELU)激活后输入到下一层，空间卷积层操作结束后经过平均池化层对输入进行平均采样减少特征维数；降维后的特征输入到密集块增加特征的多样性，所述的密集块包括依次串接的三个相同的卷积块，每个卷积块包括具有20个大小为1×5卷积核的卷积层、批处理归一化和激活函数，对冗余特征进行重用，进一步提取并输出抽象高级特征；在密集块输出的基础上，利用注意力机制对不同时间步长的特征进行加权，两路卷积神经网络共输出2组1×n维特征向量，分别为提取到的物料流量电压波动信号的特征向量HV和提取到的度序列的特征向量HD，表示如下：
其中，
为电压波动信号特征向量第n个时间步上的特征元素，/>
为度序列特征向量第n个时间步上的特征元素；
(3.2)特征融合层，用于接收两路卷积神经网络输出的2组1×n维特征向量HV和HD，并进行融合，生成融合特征向量：
(3.3)全连接层，用于对接收到的特征融合层输出的融合特征向量进行非线性映射到样本标记空间，依次经过节点数为1024、激活函数的全连接层和节点数为tanh，以及节点数为1、激活函数为sigmoid的全连接层，最终输出物料流量预测值Qp。
(3.4)对所述的双输入特征融合卷积神经网络模型进行训练，设置超参数，使用Adam优化器通过梯度下降算法采用训练集反向更新两路卷积神经网络中的神经元权重；具体是，
构建描述物料流量预测值与标签值间的损失函数，选择均方误差(mean squarederror,MSE)作为描述物料流量预测值与标签值差距的损失函数，计算物料流量预测值与标签值间差平方的均值，作为双输入特征融合卷积神经网络模型每次迭代计算得到的物料流量预测值与标签值之间的差距，以差距最小化作为指导双输入特征融合卷积神经网络模型训练与参数优化的调整方向；
使用均方误差(mean squared error,MSE)和平均绝对百分比误差(meanabsolute percent error,MAPE)作为描述双输入特征融合卷积神经网络模型最终测量性能的指标，计算公式如下：
其中，Qn和
分别为双输入特征融合卷积神经网络模型的第n个样本的物料流量标签值和物料流量预测值，N为信号样本数量。
5)用构建并训练好的双输入特征融合卷积神经网络模型对物料流量电压波动信号进行特征融合，并实现粉状物料输送过程中的流量测量。
Claims (4)
1.一种用于测量粉状物料流量的可循环物料输送设备的计量方法，其特征在于，所述的用于测量粉状物料流量的可循环物料输送设备，包括有第一物料罐(4)和第二物料罐(5)，还设置有由空压机和干冷机构成的用于产生输送粉状物料的气体的气动力输送装置(1)、以及用于获取粉状物料流量波动信号的设置在测量管段(16)上的多电极正交式静电传感器，其中，所述第一物料罐(4)的进气管口连接气动力输送装置(1)的一个出气口，所述第二物料罐(5)的进气管口连接气动力输送装置(1)的另一个出气口，所述第一物料罐(4)的出料管口与第一物料流动三通管(15)的一个管口相连，所述第一物料罐(4)的进料管口与第一物料流动三通管(15)的另一个管口相连，所述第一物料流动三通管(15)的第三个管口连接所述测量管段(16)的一个端口，所述第二物料罐(5)的出料管口与第二物料流动三通管(17)的一个管口相连，所述第二物料罐(5)的进料管口与第二物料流动三通管(17)的另一个管口相连，所述第二物料流动三通管(17)的第三个管口连接所述测量管段(16)的另一个端口，所述第一物料罐(4)和第二物料罐(5)的顶部均设置有用于检测罐内压力的压力传感器(8、18)和用于控制罐内压力的排空管(2、3)，所述排空管(2、3)上设置有开关阀门(13、14)；
所述第一物料罐(4)的进气管上设置有第一进气阀门(6)，所述第二物料罐(5)的进气管上设置有第二进气阀门(7)，所述第一物料流动三通管(15)在与所述第一物料罐(4)的进料管口和出料管口相连的管线上分别对应设置有第一阀门(11)和第二阀门(9)，所述第二物料流动三通管(17)在与所述第二物料罐(5)的进料管口和出料管口相连的管线上分别对应设置有第三阀门(12)和第四阀门(10)；
所述的多电极正交式静电传感器包括有等间隔的镶嵌在所述测量管段(16)的同一径向截面的内周面上的8个结构相同的金属测量电极片(19)，每2个金属测量电极片(19)构成一个测量电极对，共构成4个测量电极对，构成测量电极对的2个金属测量电极片在测量管段(16)的径向截面上分别位于同一直径的两个端部，且其中一个金属测量电极片为激励电极，另一个金属测量电极片为信号采集电极，两个相正交的测量电极对构成一组测量电极，共构成2组测量电极；所述的计量方法包括如下步骤：
1)采用可循环物料输送设备获取粉状物料流量电压波动信号；
2)对物料流量电压波动信号采用有限穿越可视图的方法进行映射处理，得到度序列，将物料流量电压波动信号和度序列分别划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1；
3)构建双输入特征融合卷积神经网络模型；所述的双输入特征融合卷积神经网络模型，包括有：
(3.1)用于提取深度特征信息的两路结构完全相同的卷积神经网络，其中一路用于对接收的物料流量电压波动信号提取深度特征信息，另一路用于对所述的度序列提取深度特征信息；每一路卷积神经网络均包括依次串接的通道映射卷积层、时域卷积层、空间卷积层、平均池化层、密集块和注意力机制模块；
所述的通道映射卷积层，采用20个大小为1×1的卷积核融合通道间的信息，所述的时域卷积层采用20个大小为1×11的卷积核提取时域特征信息，所述的空间卷积层采用20个大小为2×1的卷积核提取空间特征信息；所述通道映射卷积层、时域卷积层、空间卷积层每次卷积操作后均要依次经过批处理归一化加速收敛和指数线性单元(ELU)激活后输入到下一层，空间卷积层操作结束后经过平均池化层对输入进行平均采样减少特征维数；降维后的特征输入到密集块增加特征的多样性，所述的密集块包括依次串接的三个相同的卷积块，每个卷积块包括具有20个大小为1×5卷积核的卷积层、批处理归一化和激活函数，对冗余特征进行重用，进一步提取并输出抽象高级特征；在密集块输出的基础上，利用注意力机制对不同时间步长的特征进行加权，两路卷积神经网络共输出2组1×n维特征向量，分别为提取到的物料流量电压波动信号的特征向量HV，和提取到的度序列的特征向量HD，表示如下：
其中，
为电压波动信号特征向量第n个时间步上的特征元素，/>
为度序列特征向量第n个时间步上的特征元素；
(3.2)特征融合层，用于接收两路卷积神经网络输出的2组1×n维特征向量HV和HD，并进行融合，生成融合特征向量[HV,HD]：
(3.3)全连接层，用于对接收到的特征融合层输出的融合特征向量进行非线性映射到样本标记空间，依次经过节点数为1024、激活函数为tanh的全连接层和节点数，以及节点数为1、激活函数为sigmoid的全连接层，最终输出物料流量预测值Qp；
对所述的双输入特征融合卷积神经网络模型进行训练，包括：
设置超参数，使用Adam优化器通过梯度下降算法采用训练集反向更新两路卷积神经网络中的神经元权重；具体是，
构建描述物料流量预测值与标签值间的损失函数，选择均方误差作为描述物料流量预测值与标签值差距的损失函数，计算物料流量预测值与标签值间差平方的均值，作为双输入特征融合卷积神经网络模型每次迭代计算得到的物料流量预测值与标签值之间的差距，以差距最小化作为指导双输入特征融合卷积神经网络模型训练与参数优化的调整方向；
使用均方误差和平均绝对百分比误差作为描述双输入特征融合卷积神经网络模型最终测量性能的指标，计算公式如下：
其中，Qn和
分别为双输入特征融合卷积神经网络模型的第n个样本的物料流量标签值和物料流量预测值，N为信号样本数量；
4)用构建的双输入特征融合卷积神经网络模型对物料流量电压波动信号进行特征融合，并实现粉状物料输送过程中的流量测量。
2.根据权利要求1所述的计量方法，其特征在于，步骤1)包括：
在粉状物料由第一物料罐(4)输送至第二物料罐(5)时，打开第一进气阀门(6)、第二阀门(9)和第三阀门(12)，关闭第二进气阀门(7)、第四阀门(10)和第一阀门(11)，气动力输送装置(1)输送冷空气进入第一物料罐(4)，与第一物料罐(4)中的粉状物料混合形成气固混合相物料，依次经过第一物料流动三通管(15)、测量管段(16)和第二物料流动三通管(17)进入第二物料罐(5)；在粉状物料由第二物料罐(5)输送至第一物料罐(4)的过程中，打开第二进气阀门(7)、第四阀门(10)和第一阀门(11)，关闭第一进气阀门(6)、第二阀门(9)和第三阀门(12)，气动力输送装置(1)输送冷空气进入第二物料罐(5)，与第二物料罐(5)中的粉状物料混合形成气固混合相物料，依次经过第二物料流动三通管(17)、测量管段(16)和第一物料流动三通管(15)进入第一物料罐(4)；
在所述的气固混合相物料流经测量管段(16)时，设置在所述测量管段(16)内壁上的多电极正交式静电传感器采集物料流量的波动信号，具体是由恒定信号源产生周期性的激励信号对2组测量电极进行周期性交替充电，每次充电时，对每组测量电极中的激励电极是同时充电，当对其中一组测量电极中的激励电极进行充电时，另一组测量电极中的采集电极采集信号；
对2组测量电极进行周期性交替充电，管内产生90°正交的基准电场，一个采样周期内两组测量电极均进行充放电一次，每组测量电极放电时采集两个反映物料质量流量的放电电压值，相加即得到该组测量电极的电压采样值，每个采样周期内获取两个电压采样值；在连续进行的设定数量的采样周期中，每组测量电极采集一路物料流量电压波动信号，多电极正交式静电传感器共获取两路测量物料流量的物料流量电压波动信号，以离线标定流量的方式确定信号标签值。
3.根据权利要求1所述的计量方法，其特征在于，安装在第一物料罐(4)或第二物料罐(5)上的压力传感器(8、18)实时反馈第一物料罐(4)或第二物料罐(5)中的压力，在确定气动力输送装置(1)送气流速的条件下，根据第一物料罐(4)或第二物料罐(5)中压力变化值对物料流量进行离线标定；第一物料罐(4)和第二物料罐(5)内的气体通过排空管(2、3)排出，以保证第一物料罐(4)和第二物料罐(5)及测量管道内压力安全。
4.根据权利要求1所述的计量方法，其特征在于，步骤2)包括：
(2.1)将两路物料流量电压波动信号分别通过有限穿越可视图的方法映射到复杂网络，提取两路信号所对应的度序列；具体是对于长度为L的物料流量的电压波动信号X＝[x1,x2,…,xL]，以时间序列形式表示为
将每个时间点xt视为网络节点，设置有限穿越次数为M，根据以下条件判断网络节点间是否存在连边：
其中，xk，xi，xj分别表示物料流量的电压波动信号在电压波动时间序列k，i，j时刻网络节点的值；在有限穿越可视图中，对于网络节点xi和xj，中间时刻k的网络节点xk与网络节点xi和xj不满足判断网络节点间是否存在连边的条件，且网络节点xk的数目小于或等于有限穿越次数M时，认定网络节点xi和xj间存在连边，否则xi和xj两节点之间不存在连边，对所有网络节点分别进行是否存在连边的判断，从而将关于物料流量的电压波动信号映射到基于有限穿越可视图的复杂网络中，构成基于有限穿越可视图的复杂网络；
对于度序列的获取，首先获取网络节点的度值，公式如下：
其中di为在电压波动时间序列i时刻网络节点xi的度值，lij为网络节点xi和xj间的连边；因此得到物料流量的电压波动信号的1×L维的度序列D：
D＝[d1,d2,…,dL]
(2.2)采用窗口长度为W的加窗函数对两路物料流量电压波动信号及对应的度序列分别进行无重叠地截取，将长度为L的信号共截取
个扩充样本，其中，/>
代表向下取整；共得到一组N个带有标签值的物料流量电压波动信号数据集和一组N个带有标签值的度序列数据集；
(2.3)分别将数据集中的N个样本随机划分为训练集、验证集和测试集，训练集、验证集和测试集的比例为8:1:1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210468332.7A CN114873280B (zh) | 2022-04-29 | 2022-04-29 | 用于测量粉状物料流量的可循环物料输送设备及计量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210468332.7A CN114873280B (zh) | 2022-04-29 | 2022-04-29 | 用于测量粉状物料流量的可循环物料输送设备及计量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114873280A CN114873280A (zh) | 2022-08-09 |
| CN114873280B true CN114873280B (zh) | 2023-06-27 |
Family
ID=82674139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210468332.7A Active CN114873280B (zh) | 2022-04-29 | 2022-04-29 | 用于测量粉状物料流量的可循环物料输送设备及计量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114873280B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996030725A1 (fr) * | 1995-03-30 | 1996-10-03 | Nihon Parkerizing Co., Ltd. | Dispositif de mesure du debit d'une poudre, procede et appareil d'alimentation en poudre |
| WO2004090477A1 (de) * | 2003-04-10 | 2004-10-21 | Technische Universität Graz | Vorrichtung zum messen der strömmungsgeschwindigkeit eines massenflusses |
| CN103776875A (zh) * | 2014-01-23 | 2014-05-07 | 天津大学 | 一种用于两相流检测的四扇区分布式电导传感器 |
| CN104316779A (zh) * | 2014-11-05 | 2015-01-28 | 北京华清茵蓝科技有限公司 | 阵列式环形静电传感器、气力输送粉体测量装置及方法 |
| CN204385289U (zh) * | 2014-12-09 | 2015-06-10 | 天津大学 | 一种原子层沉积设备 |
| CN205958413U (zh) * | 2016-07-07 | 2017-02-15 | 北京华电天仁电力控制技术有限公司 | 一种气固两相流模拟测试装置 |
| CN107500227A (zh) * | 2017-08-24 | 2017-12-22 | 佛山建邦机械有限公司 | 一种流量计式灌装机 |
| CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
-
2022
- 2022-04-29 CN CN202210468332.7A patent/CN114873280B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1996030725A1 (fr) * | 1995-03-30 | 1996-10-03 | Nihon Parkerizing Co., Ltd. | Dispositif de mesure du debit d'une poudre, procede et appareil d'alimentation en poudre |
| WO2004090477A1 (de) * | 2003-04-10 | 2004-10-21 | Technische Universität Graz | Vorrichtung zum messen der strömmungsgeschwindigkeit eines massenflusses |
| CN103776875A (zh) * | 2014-01-23 | 2014-05-07 | 天津大学 | 一种用于两相流检测的四扇区分布式电导传感器 |
| CN104316779A (zh) * | 2014-11-05 | 2015-01-28 | 北京华清茵蓝科技有限公司 | 阵列式环形静电传感器、气力输送粉体测量装置及方法 |
| CN204385289U (zh) * | 2014-12-09 | 2015-06-10 | 天津大学 | 一种原子层沉积设备 |
| CN205958413U (zh) * | 2016-07-07 | 2017-02-15 | 北京华电天仁电力控制技术有限公司 | 一种气固两相流模拟测试装置 |
| CN107500227A (zh) * | 2017-08-24 | 2017-12-22 | 佛山建邦机械有限公司 | 一种流量计式灌装机 |
| CN111649779A (zh) * | 2020-05-31 | 2020-09-11 | 天津大学 | 基于密集神经网络的油井含油率和总流速测量方法及应用 |
Non-Patent Citations (1)
| Title |
|---|
| 基于融合传感器的气固两相流参数检测系统设计;封文轩，杨道业;仪表技术与传感器;95-98 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114873280A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109783906A (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
| CN112814649B (zh) | 一种油井产液含水率智能计量装置及方法 | |
| CN106124373B (zh) | 一种煤粉浓度的测量方法 | |
| CN112700051A (zh) | 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 | |
| AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
| CN110322014A (zh) | 一种基于bp神经网络的水泥成品比表面积预测方法 | |
| Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
| CN111649779B (zh) | 基于密集神经网络的油井含油率和总流速测量方法及应用 | |
| CN102609593A (zh) | 基于多重先验知识混合模型的聚丙烯熔融指数预报方法 | |
| CN113607601B (zh) | 基于辨识模型与深度学习相结合的矿浆浓度智能检测方法 | |
| CN116562171B (zh) | 一种温湿度在线计量的误差评估方法 | |
| CN113987943B (zh) | 一种适用于混合气源的天然气管网气体发热量预测方法 | |
| CN112926767A (zh) | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 | |
| CN113283288A (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
| CN114873280B (zh) | 用于测量粉状物料流量的可循环物料输送设备及计量方法 | |
| CN107133642A (zh) | 一种基于田纳西伊斯曼过程的先验知识故障诊断方法 | |
| CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
| CN102289718A (zh) | 一种赤泥沉降过程泥层高度的软测量方法 | |
| CN115374848A (zh) | 基于门控多专家混合堆叠自编码器的产品质量预测方法 | |
| CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
| CN115014451A (zh) | 一种多网络特征融合模型的气固两相流流量测量方法 | |
| CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| CN114565186A (zh) | 一种基于广义回归神经网络的预测风速校正方法和系统 |
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 | ||
| GR01 | Patent grant |