CN115393316A - 具有冲蚀状态监测系统的闪蒸阀及其监测方法 - Google Patents

具有冲蚀状态监测系统的闪蒸阀及其监测方法 Download PDF

Info

Publication number
CN115393316A
CN115393316A CN202211021718.XA CN202211021718A CN115393316A CN 115393316 A CN115393316 A CN 115393316A CN 202211021718 A CN202211021718 A CN 202211021718A CN 115393316 A CN115393316 A CN 115393316A
Authority
CN
China
Prior art keywords
feature
feature map
classification
channel
difference
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
Application number
CN202211021718.XA
Other languages
English (en)
Other versions
CN115393316B (zh
Inventor
夏崇茅
王汉光
王学丰
王博文
王天翔
李祺芳
姜永远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Weidouli Valves Manufacturing Co ltd
Original Assignee
Weidouli Valves Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Weidouli Valves Manufacturing Co ltd filed Critical Weidouli Valves Manufacturing Co ltd
Priority to CN202211021718.XA priority Critical patent/CN115393316B/zh
Publication of CN115393316A publication Critical patent/CN115393316A/zh
Application granted granted Critical
Publication of CN115393316B publication Critical patent/CN115393316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及状态监测技术领域，其具体地公开了一种具有冲蚀状态监测系统的闪蒸阀及其监测方法，其使用卷积神经网络模型对待检测闪蒸阀的球体的多个视角的多个侧部图像进行适当编码以得到包含球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息以及各个视角间图像特征之间的关联信息的分类特征图，并通过分类器进行解码以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果，通过这样的方式，以精准的对闪蒸阀的球体的抗汽蚀闪蒸性能进行评估，从而确保所述闪蒸阀能够安全运转避免意外和故障的发生。

Description

具有冲蚀状态监测系统的闪蒸阀及其监测方法
技术领域
本申请涉及状态监测技术领域，且更为具体地，涉及一种具有冲蚀状态监测系统的闪蒸阀及其监测方法。
背景技术
闪蒸阀(例如，闪蒸阀)因其具有启闭迅速、流阻小，高可靠性的特点，所以在化工中有着广泛的应用。但在实际使用中，由于在小开度下，流体流速极快，易发生汽蚀闪蒸现象，从而容易造成球体表面硬化层脱落及其阀体冲透现象。
为了保证流体输送的安全性，需要对闪蒸阀的球体的冲蚀状态进行检测以确保其抗汽蚀闪蒸性能，以确保流体输送的安全性，减少安全隐患。
因此，期待一种具有冲蚀状态监测系统的闪蒸阀，其确保闪蒸阀的工作安全和性能稳定。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种具有冲蚀状态监测系统的闪蒸阀及其监测方法，其使用卷积神经网络模型对待检测闪蒸阀的球体的多个视角的多个侧部图像进行适当编码以得到包含球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息以及各个视角间图像特征之间的关联信息的分类特征图，并通过分类器进行解码以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果，通过这样的方式，以精准的对闪蒸阀的球体的抗汽蚀闪蒸性能进行评估，从而确保所述闪蒸阀能够安全运转避免意外和故障的发生。
根据本申请的一个方面，提供了一种具有冲蚀状态监测系统的闪蒸阀，其包括：
摄像模块，用于获取待检测闪蒸阀的球体的多个视角的多个侧部图像；
图像处理模块，用于将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；
局部视角差分模块，用于计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
视角间差异特征提取模块，用于将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；
视角间关联特征提取模块，用于将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；
特征融合模块，用于融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
通道注意力模块，用于将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；以及
监测结果生成模块，用于将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
根据本申请的另一方面，提供了一种具有冲蚀状态监测系统的闪蒸阀的监测方法，其包括：
获取待检测闪蒸阀的球体的多个视角的多个侧部图像；
将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；
计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；
将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；
融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；
将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
与现有技术相比，本申请提供的一种具有冲蚀状态监测系统的闪蒸阀及其监测方法，其使用卷积神经网络模型对待检测闪蒸阀的球体的多个视角的多个侧部图像进行适当编码以得到包含球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息以及各个视角间图像特征之间的关联信息的分类特征图，并通过分类器进行解码以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果，通过这样的方式，以精准的对闪蒸阀的球体的抗汽蚀闪蒸性能进行评估，从而确保所述闪蒸阀能够安全运转避免意外和故障的发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的平面结构示意图。
图2图示了本发明图1中陶瓷阀芯和双阀座的结构示意图
图3图示了本发明图2中阀杆的结构示意图
图4图示了本发明图1中陶瓷管的结构示意图
图5图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的应用场景图。
图6图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的框图示意图。
图7图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀中图像处理模块的框图。
图8图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀中通道注意力模块的框图。
图9图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的监测方法的流程图。
图10图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的监测方法的系统架构的示意图。
图中：1、节流区；2、快速脱离区；3、低压区；4、压力恢复区；5、闪蒸搅拌区；6、陶瓷阀芯；7、双阀座；71、陶瓷阀座；72、金属阀座；8、阀杆；9、填料部位；91、V形PRTFE填料；92、灯笼套；93、矩形石墨填料；10、密封圈；11、导向套；12、阀杆帽。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
图1图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的平面结构示意图。如图1所示，所述具有冲蚀状态监测系统的闪蒸阀主要包括有：节流区1、快速脱离区2、低压区3、压力恢复区4以及闪蒸搅拌区5，其中，所述节流区1：由陶瓷阀芯6和双阀座7构成，其作用为可以通过面积的变化控制流量。所述快速脱离区2：位于所述节流区1下方且由所述双阀座7构成，由于所述双阀座7采用文丘里结构，因此其通过一特定的角度使介质压力快速降低，将静压力转换为动能(速度能)，同时又不会出现涡流、边界脱离等现象，使得物流快速离开节流区，减小物流对所述陶瓷阀芯6和所述双阀座7的冲刷。所述低压区3：在此区域压力为最低、有时甚至成为真空区，在此区域会产生大量蒸汽，此区域介质流速可达到音速。所述压力恢复区4：在此区域压力有所恢复，部分周期又成为液体，在此区域不仅是气、液、固三相流，同时还有气蚀，此区域介质流速接近音速。所述闪蒸搅拌区5：所述闪蒸搅拌区5位于所述压力恢复区4的下方，且所述闪蒸搅拌区5包含有以下介质情况：一、三相流，即液体、固体、气体。二、包含液体气泡以及其破损过程，膨胀过程。三、在此区域的液体、气体速度不同，有时液体速度块，有时气体速度快，两者不断的在转换。四、还包括有块状流、泡沫流、涡流、环状流、泡状流以及带液束的环状流。以上复杂流动状态起到搅拌作用，搅拌均匀的物流从预闪蒸罐出口排出。在此区域的流体具有一定的扩张流动角度，使其不能直接冲刷罐体壁面。进一步的，所述闪蒸搅拌区的底部还设置有防冲压陶瓷。
图2图示了本发明图1中陶瓷阀芯和双阀座的结构示意图。如图3所示，所述双阀座7包括陶瓷阀座71和金属阀座72。其中，所述陶瓷阀座71用于节流，所述金属阀座72起到阀门关闭时对于所述陶瓷阀芯6的定位与密封作用，且采用节流面与密封面分离的结构。同时，所述陶瓷阀座71利用锥面的对中性和陶瓷怕拉不拍压的特性，具体的，所述陶瓷阀座71由所述金属阀座72和固定螺母定位固定。本申请还设置有螺杆帽，螺杆帽压在所述陶瓷阀芯6上，可使得所述陶瓷阀芯6自动对中。
更进一步的，如图2所示，在所述陶瓷阀芯6的上方还设置有阀杆8，所述阀杆8中上端的外侧设置有填料部位9，所述填料部位9由位于上方的V形PRTFE填料91、中间的灯笼套92和下方的矩形石墨填料93，利用所述矩形石墨填料93对颗粒的容纳性保护上方的所述V形PRTFE填料91不受颗粒物的破坏。所述阀杆8的外侧且位于所述填料部分9下方设置有密封圈10，所述密封圈10唇口为一弹性结构，且所述密封圈10唇口小于所述阀杆8直径，装配时利用所述阀杆8将所述密封圈10唇口撑开，可以有效防止颗粒物进入所述填料部位9，防止对填料的破坏及造成所述阀杆10卡死。所述阀杆8的外侧设置有所述导向套11，所述导向套11上开设有螺旋槽，浆料可沿螺旋槽流动，同时减小了所述阀杆10与所述导向套11的接触面积，减少了所述阀杆8在所述导向套11卡死的几率，通过开设平衡孔，使得浆料在阀体上腔、下腔、螺纹槽中形成对流，相对于下腔，可以认为上腔物料处于静态，重的金属颗粒物可以沉淀下来，减小进入填料系统的几率。更进一步的，所述双阀座7采用密封结构，外层阀座用于密封，内衬用于流量调节作用。
图3图示了本发明图2中阀杆的结构示意图。如图3所示，所述阀杆8的外侧设置有阀杆帽12，通过所述阀杆8和所述阀杆帽12的分开，既可以使所述阀杆8滚压方便且节省材料，也可以将所述阀杆帽12焊接所述阀杆10尾部，从而防止阀杆弯曲。
图4图示了本发明图1中陶瓷管的结构示意图。如图4所示，所述具有冲蚀状态监测系统的闪蒸阀还包括有陶瓷套管13，所述陶瓷套管13被金属固定并包覆起来，形成一整体部件，一方面防止工作过程中可能产生的所述陶瓷管套13振动，另一方面防止在安装或运输过程中对所述陶瓷管套13的碰撞。
更进一步的，为了保证流体输送的安全性，需要对闪蒸阀的球体的冲蚀状态进行检测以确保其抗汽蚀闪蒸性能，以确保流体输送的安全性，减少安全隐患。因此，期待一种具有冲蚀状态监测系统的闪蒸阀，其确保闪蒸阀的工作安全和性能稳定。
相应地，在本申请的技术方案中，对闪蒸阀的球体的冲蚀状态进行检测和评估的技术问题可以转化为基于图像的分类问题，也就是，对由摄像头采集的闪蒸阀的球体图像进行特征提取，并将所提取的图像特征输入分类器以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果。但是，在本申请的技术方案中，闪蒸阀的球体是一个三维立体对象，其具有多个侧面，而针对闪蒸阀的球体的抗汽蚀闪蒸性能评估则需要兼顾到球体的各个面向特征。
因此，在本申请的技术方案中，首先获取待检测闪蒸阀的球体的多个视角的多个侧部图像。然后，使用深度卷积神经网络模型作为特征提取器来提取所述多个侧部图像中各个侧部图像中的高维隐含特征。这里，因所述闪蒸阀的球体被腐蚀之后，会在其表面出现坑坑洼洼，为了使得上述特征在视角特征图中具有更高的可鉴别性，因此，在本申请的技术方案中，使用具有空间注意力机制的卷积神经网络分别所述多个侧部图像中各个侧部图像进行编码以使得各个侧部图像在其空间维度的局部特征被施加更多的关注度。
接着，计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图。也就是，以差分特征图来表示球阀各个视角的图像特征之间的差异。同时，将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图，也就是，再次以深度卷积神经网络模型作为特征提取器来捕捉球体的各个视角间差异的高维隐含关联特征以得到视角差异特征图。同时，将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图。也就是，以使用三维卷积核的深度卷积神经网络来提取所述球体的不同视角的图像特征之间的高维隐含关联特征。
这样，融合所述视角差异特征图和所述视角关联特征图就可以得到球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息，各个视角间图像特征之间的关联信息的分类特征图。然后，将所述分类特征图通过分类器就可以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果。
特别地，在本申请的技术方案中，所述视角关联特征图和所述多视角差异特征图均具有沿通道维度上的关联分布特征，因此，如果对于分类特征图施加通道注意力机制，则能够提高分类特征图的分类效果。
进一步地，由于通道注意力机制的权重值是对于沿通道排列的每个特征矩阵进行全局均值池化得到的，如果所述通道注意力机制的权重值的分布能够与所述分类特征图的通道维度的分布具有一致性，则可以提高通道注意力的效果。
因此，将所述通道注意力机制的权重值排列为通道注意力权重特征向量V，并对其进行优化，表示为：
Figure BDA0003814242130000061
∑是通道注意力权重特征向量V的自协方差矩阵，即矩阵的每个位置的值是通道注意力权重特征向量V的每两个位置的特征值之间的方差，μ和σ分别是通道注意力权重特征向量V的全局均值和方差，||V||2表示通道注意力权重特征向量V的二范数。
也就是，由于所述通道注意力权重特征向量V是基于所述分类特征图的各个特征矩阵的下采样(即，全局均值池化)得到的，通过可学习的正态采样偏移引导特征工程来有效地建模所述通道注意力权重特征向量与所述分类特征图的与池化维度无关的长程依赖关系，可以使得通道注意力权重特征向量的特征值分布与所述分类特征图的沿通道维度的特征分布保持一致，另外，针对所述分类特征图沿通道的相关性随着下采样而削弱的问题，通过所述通道注意力权重特征向量V的特征集合的分布统计特征，来修复所述通道注意力权重特征向量V的各位置的局部和非局部邻域的相关性，以保持通道注意力权重特征向量的特征值分布与所述分类特征图的沿通道维度的特征分布的相关性一致。这样，提高对闪蒸阀的球体的抗汽蚀闪蒸性能评估的精准度，以确保所述闪蒸阀能够安全运转避免意外和故障的发生。
基于此，本申请提供了一种具有冲蚀状态监测系统的闪蒸阀，其包括：摄像模块，用于获取待检测闪蒸阀的球体的多个视角的多个侧部图像；图像处理模块，用于将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；局部视角差分模块，用于计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；视角间差异特征提取模块，用于将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；视角间关联特征提取模块，用于将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；特征融合模块，用于融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；通道注意力模块，用于将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；以及，监测结果生成模块，用于将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
图5图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的应用场景图。如图5所示，在该应用场景中，通过布置在待检测闪蒸阀(例如，如图1中所示意的F)旁的摄像头(例如，如图1中所示意的C)采集待检测闪蒸阀的球体的多个视角的多个侧部图像。然后，将采集的所述多个侧部图像输入至部署有冲蚀状态监测算法的服务器中(例如，图1中所示意的S)，其中，所述服务器能够使用所述冲蚀状态监测算法对所述多个侧部图像进行处理以生成用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图6图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的框图示意图。如图6所示，根据本申请实施例的所述具有冲蚀状态监测系统的闪蒸阀100，包括：摄像模块110，用于获取待检测闪蒸阀的球体的多个视角的多个侧部图像；图像处理模块120，用于将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；局部视角差分模块130，用于计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；视角间差异特征提取模块140，用于将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；视角间关联特征提取模块150，用于将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；特征融合模块160，用于融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；通道注意力模块170，用于将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；以及，监测结果生成模块180，用于将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
在本申请实施例中，所述摄像模块110，用于获取待检测闪蒸阀的球体的多个视角的多个侧部图像。如上所述，为了保证流体输送的安全性，需要对闪蒸阀的球体的冲蚀状态进行检测以确保其抗汽蚀闪蒸性能，以确保流体输送的安全性，减少安全隐患。因此，期待一种具有冲蚀状态监测系统的闪蒸阀，其确保闪蒸阀的工作安全和性能稳定。具体地，在本申请的技术方案中，对闪蒸阀的球体的冲蚀状态进行检测和评估的技术问题可以转化为基于图像的分类问题，也就是，对由摄像头采集的闪蒸阀的球体图像进行特征提取，并将所提取的图像特征输入分类器以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果。但是，在本申请的技术方案中，闪蒸阀的球体是一个三维立体对象，其具有多个侧面，而针对闪蒸阀的球体的抗汽蚀闪蒸性能评估则需要兼顾到球体的各个面向特征。
在本申请一个具体的实施例中，通过布置在待检测闪蒸阀旁的摄像头采集待检测闪蒸阀的球体的多个视角的多个侧部图像。
在本申请实施例中，所述图像处理模块120，用于将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图。应可以理解，使用深度卷积神经网络模型作为特征提取器来提取所述多个侧部图像中各个侧部图像中的高维隐含特征。这里，因所述闪蒸阀的球体被腐蚀之后，会在其表面出现坑坑洼洼，为了使得上述特征在视角特征图中具有更高的可鉴别性，因此，在本申请的技术方案中，使用具有空间注意力机制的卷积神经网络分别所述多个侧部图像中各个侧部图像进行编码以使得各个侧部图像在其空间维度的局部特征被施加更多的关注度。
图7图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀中图像处理模块的框图。如图7所示，在本申请一个具体的实施例中，所述图像处理模块120，包括：卷积编码单元121，用于将所述多个侧部图像中各个侧部图像分别通过所述第一卷积神经网络的卷积编码部分以得到多个高维特征图；空间注意力单元122，用于将所述多个高维特征图中各个高维特征图分别输入所述第一卷积神经网络的空间注意力部分以得到多个空间注意图；以及，注意力施加单元123，用于分别计算所述多个空间注意图和所述多个高维特征图中每组对应的所述空间注意力图和所述高维特征图之间的按位置点乘以得到所述多个视角特征图。
在本申请实施例中，所述局部视角差分模块130，用于计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图。应可以理解，在没有出现冲蚀前，所述闪蒸阀的球体的表面应当都是光滑，也就是没有出现冲蚀前各个侧面的图像都是相同的，当出现冲蚀后，各个侧部图像之间会存在差异，可以用这些差异来表示球体表面的冲蚀状态。因此，在本申请技术方案中，计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图，这里，所述多个差分特征图表示球阀各个视角的图像特征之间的差异在高维特征空间中的特征。
在本申请一个具体的实施例中，所述局部视角差分模块130，进一步用于：以如下公式计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
其中，所述公式为：
Figure BDA0003814242130000091
其中，Fi和Fj表示所述多个视角特征图中每两个视角的特征图，
Figure BDA0003814242130000092
表示按位置作差，且Fn表示所述多个差分特征图中各个特征图。
在本申请实施例中，所述视角间差异特征提取模块140，用于将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图。应可以理解，考虑到球体的各个视角间差异之间存在关联，因此，使用深度卷积神经网络模型作为特征提取器来捕捉球体的各个视角间差异的高维隐含关联特征以得到视角差异特征图。
在本申请一个具体的实施例中，所述视角间差异特征提取模块140，进一步用于：使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络的最后一层输出所述视角差异特征图。
在本申请实施例中，所述视角间关联特征提取模块150，用于将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图。应可以理解，考虑到球体的不同视角的图像特征存在关联，例如，相邻视角的侧部图像会出现同一个气蚀坑，又或者相近的侧部图像分别出现一个气蚀坑的部分，以使用三维卷积核的深度卷积神经网络来提取所述球体的不同视角的图像特征之间的高维隐含关联特征。
在本申请一个具体的实施例中，所述视角间关联特征提取模块150，进一步用于：所述使用三维卷积核的第三卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述使用三维卷积核的第三卷积神经网络的最后一层的输出为所述视角关联特征图。
在本申请实施例中，所述特征融合模块160，用于融合所述视角差异特征图和所述视角关联特征图以得到分类特征图。应可以理解，融合所述视角差异特征图和所述视角关联特征图就可以得到包含球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息、各个视角间图像特征之间的关联信息的所述分类特征图。
在本申请一个具体的实施例中，所述特征融合模块，进一步用于160：以如下公式融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
其中，所述公式为：
Figure BDA0003814242130000101
其中，Fs为所述分类特征图，F1为所述视角差异特征图，F2为所述视角关联特征图，α和β为用于控制所述分类特征图中所述视角差异特征图和所述视角关联特征图之间的平衡的加权参数，
Figure BDA0003814242130000102
表示矩阵的按位置加法。
接着，将所述分类特征图通过分类器就可以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果。特别地，在本申请的技术方案中，所述视角关联特征图和所述多视角差异特征图均具有沿通道维度上的关联分布特征，因此，如果对于分类特征图施加通道注意力机制，则能够提高分类特征图的分类效果。
在本申请实施例中，所述通道注意力模块170，用于将所述分类特征图通过通道注意力模块以得到通道增强分类特征图。
图8图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀中通道注意力模块的框图。如图8所示，在本申请一个具体的实施例中，所述通道注意力模块170，包括：全局池化单元171，用于将所述分类特征图输入所述通道注意力模块的池化层以由所述池化层计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；概率化单元172，用于将所述通道特征向量输入所述通道注意力模块的激活层以由所述激活层使用Softmax激活函数对所述通道特征向量进行处理以得到通道注意力权重特征向量；优化单元173，用于将所述通道注意力权重特征向量输入所述通道注意力模块的优化单元以得到优化通道注意力权重特征向量；以及，通道注意力单元174，用于以所述优化通道注意力权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道增强分类特征图。
进一步地，由于通道注意力机制的权重值是对于沿通道排列的每个特征矩阵进行全局均值池化得到的，如果所述通道注意力机制的权重值的分布能够与所述分类特征图的通道维度的分布具有一致性，则可以提高通道注意力的效果。因此，将所述通道注意力机制的权重值排列为通道注意力权重特征向量V，并对其进行优化。
在本申请一个具体的实施例中，所述优化单元173，进一步用于：以如下公式对所述通道注意力权重特征向量进行优化以得到优化通道注意力权重特征向量；
其中，所述公式：
Figure BDA0003814242130000111
其中，V是所述通道注意力权重特征向量，∑是所述通道注意力权重特征向量V的自协方差矩阵，μ和σ分别是所述通道注意力权重特征向量V的全局均值和方差，||V||2表示所述通道注意力权重特征向量V的二范数，且V′是所述优化通道注意力权重特征向量。
也就是，由于所述通道注意力权重特征向量V是基于所述分类特征图的各个特征矩阵的下采样(即，全局均值池化)得到的，通过可学习的正态采样偏移引导特征工程来有效地建模所述通道注意力权重特征向量与所述分类特征图的与池化维度无关的长程依赖关系，可以使得通道注意力权重特征向量的特征值分布与所述分类特征图的沿通道维度的特征分布保持一致，另外，针对所述分类特征图沿通道的相关性随着下采样而削弱的问题，通过所述通道注意力权重特征向量V的特征集合的分布统计特征，来修复所述通道注意力权重特征向量V的各位置的局部和非局部邻域的相关性，以保持通道注意力权重特征向量的特征值分布与所述分类特征图的沿通道维度的特征分布的相关性一致。这样，提高对闪蒸阀的球体的抗汽蚀闪蒸性能评估的精准度，以确保所述闪蒸阀能够安全运转避免意外和故障的发生。
在本申请实施例中，所述监测结果生成模块180，用于将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
在本申请一个具体的实施例中，所述监测结果生成模块180，进一步用于：使用所述分类器以如下公式对所述通道增强分类特征图进行处理以获得分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述通道增强分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
综上，基于本申请实施例的所述具有冲蚀状态监测系统的闪蒸阀，其使用卷积神经网络模型对待检测闪蒸阀的球体的多个视角的多个侧部图像进行适当编码以得到包含球体各个视角的图像特征信息、各个视角间图像特征差异之间的关联信息以及各个视角间图像特征之间的关联信息的分类特征图，并通过分类器进行解码以得到用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求的分类结果，通过这样的方式，以精准的对闪蒸阀的球体的抗汽蚀闪蒸性能进行评估，从而确保所述闪蒸阀能够安全运转避免意外和故障的发生。
示例性方法
图5图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的监测方法的流程图。如图5所示，根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的监测方法，包括：S110，获取待检测闪蒸阀的球体的多个视角的多个侧部图像；S120，将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；S130，计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；S140，将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；S150，将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；S160，融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；S170，将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；以及，S180，将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
图6图示了根据本申请实施例的具有冲蚀状态监测系统的闪蒸阀的监测方法的系统架构的示意图。在本申请实施例中，首先，获取待检测闪蒸阀的球体的多个视角的多个侧部图像，并将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图。然后，将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图。同时，计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图，并将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图。接着，融合所述视角差异特征图和所述视角关联特征图以得到分类特征图，并将所述分类特征图通过通道注意力模块以得到通道增强分类特征图。最后，将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
在本申请一个具体的实施例中，所述将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图，包括：将所述多个侧部图像中各个侧部图像分别通过所述第一卷积神经网络的卷积编码部分以得到多个高维特征图；将所述多个高维特征图中各个高维特征图分别输入所述第一卷积神经网络的空间注意力部分以得到多个空间注意图；以及，分别计算所述多个空间注意图和所述多个高维特征图中每组对应的所述空间注意力图和所述高维特征图之间的按位置点乘以得到所述多个视角特征图。
在本申请一个具体的实施例中，计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图，包括：以如下公式计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
其中，所述公式为：
Figure BDA0003814242130000131
其中，Fi和Fj表示所述多个视角特征图中每两个视角的特征图，
Figure BDA0003814242130000132
表示按位置作差，且Fn表示所述多个差分特征图中各个特征图。
在本申请一个具体的实施例中，所述将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图，包括：使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络的最后一层输出所述视角差异特征图。
在本申请一个具体的实施例中，所述将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图，包括：所述使用三维卷积核的第三卷积神经网络的各层在层的正向传递中分别对输入数据进行：基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行均值池化处理以生成池化特征图；以及，对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；其中，所述使用三维卷积核的第三卷积神经网络的最后一层的输出为所述视角关联特征图。
在本申请一个具体的实施例中，所述融合所述视角差异特征图和所述视角关联特征图以得到分类特征图，包括：以如下公式融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
其中，所述公式为：
Figure BDA0003814242130000133
其中，Fs为所述分类特征图，F1为所述视角差异特征图，F2为所述视角关联特征图，α和β为用于控制所述分类特征图中所述视角差异特征图和所述视角关联特征图之间的平衡的加权参数，
Figure BDA0003814242130000134
表示矩阵的按位置加法。
在本申请一个具体的实施例中，所述将所述分类特征图通过通道注意力模块以得到通道增强分类特征图，包括：将所述分类特征图输入所述通道注意力模块的池化层以由所述池化层计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；将所述通道特征向量输入所述通道注意力模块的激活层以由所述激活层使用Softmax激活函数对所述通道特征向量进行处理以得到通道注意力权重特征向量；将所述通道注意力权重特征向量输入所述通道注意力模块的优化单元以得到优化通道注意力权重特征向量；以及，以所述优化通道注意力权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道增强分类特征图。
在本申请一个具体的实施例中，所述将所述通道增强分类特征图通过分类器以得到分类结果，包括：以如下公式对所述通道注意力权重特征向量进行优化以得到优化通道注意力权重特征向量；
其中，所述公式：
Figure BDA0003814242130000141
其中，V是所述通道注意力权重特征向量，∑是所述通道注意力权重特征向量V的自协方差矩阵，μ和σ分别是所述通道注意力权重特征向量V的全局均值和方差，||V||2表示所述通道注意力权重特征向量V的二范数，且V′是所述优化通道注意力权重特征向量。
在本申请一个具体的实施例中，所述监测结果生成模块，进一步用于：使用所述分类器以如下公式对所述通道增强分类特征图进行处理以获得分类结果，其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述通道增强分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
这里，本领域技术人员可以理解，上述具有冲蚀状态监测系统的闪蒸阀的监测方法中的各个单元和模块的具体功能和操作已经在上面参考图1到图8的具有冲蚀状态监测系统的闪蒸阀的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种具有冲蚀状态监测系统的闪蒸阀，其特征在于，包括：
摄像模块，用于获取待检测闪蒸阀的球体的多个视角的多个侧部图像；
图像处理模块，用于将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；
局部视角差分模块，用于计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
视角间差异特征提取模块，用于将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；
视角间关联特征提取模块，用于将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；
特征融合模块，用于融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
通道注意力模块，用于将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；以及
监测结果生成模块，用于将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
2.根据权利要求1所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述图像处理模块，包括：
卷积编码单元，用于将所述多个侧部图像中各个侧部图像分别通过所述第一卷积神经网络的卷积编码部分以得到多个高维特征图；
空间注意力单元，用于将所述多个高维特征图中各个高维特征图分别输入所述第一卷积神经网络的空间注意力部分以得到多个空间注意图；以及
注意力施加单元，用于分别计算所述多个空间注意图和所述多个高维特征图中每组对应的所述空间注意力图和所述高维特征图之间的按位置点乘以得到所述多个视角特征图。
3.根据权利要求2所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述局部视角差分模块，进一步用于：以如下公式计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
其中，所述公式为：
Figure FDA0003814242120000021
其中，Fi和Fj表示所述多个视角特征图中每两个视角的特征图，
Figure FDA0003814242120000022
表示按位置作差，且Fn表示所述多个差分特征图中各个特征图。
4.根据权利要求3所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述视角间差异特征提取模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络的各层在层的正向传递中分别对输入数据进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络的最后一层输出所述视角差异特征图。
5.根据权利要求4所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述视角间关联特征提取模块，进一步用于：所述使用三维卷积核的第三卷积神经网络的各层在层的正向传递中分别对输入数据进行：
基于三维卷积核对所述输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行均值池化处理以生成池化特征图；以及
对所述池化特征图中各个位置的特征值进行非线性激活以生成激活特征图；
其中，所述使用三维卷积核的第三卷积神经网络的最后一层的输出为所述视角关联特征图。
6.根据权利要求5所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述特征融合模块，进一步用于：以如下公式融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
其中，所述公式为：
Figure FDA0003814242120000023
其中，Fs为所述分类特征图，F1为所述视角差异特征图，F2为所述视角关联特征图，α和β为用于控制所述分类特征图中所述视角差异特征图和所述视角关联特征图之间的平衡的加权参数，
Figure FDA0003814242120000024
表示矩阵的按位置加法。
7.根据权利要求6所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述通道注意力模块，包括：
全局池化单元，用于将所述分类特征图输入所述通道注意力模块的池化层以由所述池化层计算所述分类特征图的沿通道维度的各个特征矩阵的全局均值以得到通道特征向量；
概率化单元，用于将所述通道特征向量输入所述通道注意力模块的激活层以由所述激活层使用Softmax激活函数对所述通道特征向量进行处理以得到通道注意力权重特征向量；
优化单元，用于将所述通道注意力权重特征向量输入所述通道注意力模块的优化单元以得到优化通道注意力权重特征向量；以及
通道注意力单元，用于以所述优化通道注意力权重特征向量中各个位置的特征值作为权重分别对所述分类特征图的沿通道维度的各个特征矩阵进行加权以得到所述通道增强分类特征图。
8.根据权利要求7所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述优化单元，进一步用于：以如下公式对所述通道注意力权重特征向量进行优化以得到优化通道注意力权重特征向量；
其中，所述公式：
Figure FDA0003814242120000031
其中，V是所述通道注意力权重特征向量，∑是所述通道注意力权重特征向量V的自协方差矩阵，μ和σ分别是所述通道注意力权重特征向量V的全局均值和方差，||V||2表示所述通道注意力权重特征向量V的二范数，且V′是所述优化通道注意力权重特征向量。
9.根据权利要求8所述的具有冲蚀状态监测系统的闪蒸阀，其特征在于，所述监测结果生成模块，进一步用于：使用所述分类器以如下公式对所述通道增强分类特征图进行处理以获得分类结果；
其中，所述公式为：softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述通道增强分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置矩阵。
10.一种具有冲蚀状态监测系统的闪蒸阀的监测方法，其特征在于，包括：
获取待检测闪蒸阀的球体的多个视角的多个侧部图像；
将所述多个侧部图像中各个侧部图像分别通过使用空间注意力的第一卷积神经网络以得到多个视角特征图；
计算所述多个视角特征图中每两个视角特征图之间的差分以得到多个差分特征图；
将所述多个差分特征图通过作为特征提取器的第二卷积神经网络以得到视角差异特征图；
将所述多个视角特征图排列为三维输入张量后通过使用三维卷积核的第三卷积神经网络以得到视角关联特征图；
融合所述视角差异特征图和所述视角关联特征图以得到分类特征图；
将所述分类特征图通过通道注意力模块以得到通道增强分类特征图；
将所述通道增强分类特征图通过分类器以得到分类结果，所述分类结果用于表示待检测闪蒸阀的球体的抗汽蚀闪蒸性能是否满足预定要求。
CN202211021718.XA 2022-08-24 2022-08-24 具有冲蚀状态监测系统的闪蒸阀及其监测方法 Active CN115393316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211021718.XA CN115393316B (zh) 2022-08-24 2022-08-24 具有冲蚀状态监测系统的闪蒸阀及其监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211021718.XA CN115393316B (zh) 2022-08-24 2022-08-24 具有冲蚀状态监测系统的闪蒸阀及其监测方法

Publications (2)

Publication Number Publication Date
CN115393316A true CN115393316A (zh) 2022-11-25
CN115393316B CN115393316B (zh) 2023-06-09

Family

ID=84122795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211021718.XA Active CN115393316B (zh) 2022-08-24 2022-08-24 具有冲蚀状态监测系统的闪蒸阀及其监测方法

Country Status (1)

Country Link
CN (1) CN115393316B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116363441A (zh) * 2023-05-31 2023-06-30 克拉玛依市百事达技术开发有限公司 具备标记功能的管道腐蚀检测系统
CN116794975A (zh) * 2022-12-20 2023-09-22 维都利阀门有限公司 电动蝶阀的智能控制方法及其系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101140032A (zh) * 2006-09-05 2008-03-12 中核苏阀科技实业股份有限公司 防闪蒸阀门
US20180209724A1 (en) * 2017-01-24 2018-07-26 GE Oil & Gas, LLC Continuous Mixed Refrigerant Optimization System for the Production of Liquefied Natural Gas (LNG)
CN109333004A (zh) * 2018-10-31 2019-02-15 维都利阀门有限公司 一种陶瓷化密封球阀的球体加工工艺及密封球阀
CN111144490A (zh) * 2019-12-26 2020-05-12 南京邮电大学 一种基于轮替知识蒸馏策略的细粒度识别方法
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
CN113051828A (zh) * 2021-03-30 2021-06-29 重庆大学 一种工艺参数驱动的天然气水露点在线预测方法
CN113111832A (zh) * 2021-04-23 2021-07-13 温州大学 一种基于空洞卷积神经网络的液压阀故障诊断方法
CN113345082A (zh) * 2021-06-24 2021-09-03 云南大学 一种特征金字塔多视图三维重建方法和系统
CN114627369A (zh) * 2022-01-19 2022-06-14 上海土蜂科技有限公司 环境监测系统、方法及其计算机装置
WO2022127227A1 (zh) * 2020-12-15 2022-06-23 西安交通大学 一种基于多视图半监督的淋巴结的分类方法、系统及设备
CN114821450A (zh) * 2022-06-27 2022-07-29 江苏福明太阳能有限公司 太阳能电池板加工用层压机及其控制方法
CN114841319A (zh) * 2022-04-29 2022-08-02 哈尔滨工程大学 一种基于多尺度自适应卷积核的多光谱图像变化检测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101140032A (zh) * 2006-09-05 2008-03-12 中核苏阀科技实业股份有限公司 防闪蒸阀门
US20180209724A1 (en) * 2017-01-24 2018-07-26 GE Oil & Gas, LLC Continuous Mixed Refrigerant Optimization System for the Production of Liquefied Natural Gas (LNG)
CN108344251A (zh) * 2017-01-24 2018-07-31 通用电气石油和天然气有限责任公司 用于液化天然气(lng)的生产的连续混合制冷剂优化
CN109333004A (zh) * 2018-10-31 2019-02-15 维都利阀门有限公司 一种陶瓷化密封球阀的球体加工工艺及密封球阀
CN111144490A (zh) * 2019-12-26 2020-05-12 南京邮电大学 一种基于轮替知识蒸馏策略的细粒度识别方法
CN111858989A (zh) * 2020-06-09 2020-10-30 西安工程大学 一种基于注意力机制的脉冲卷积神经网络的图像分类方法
WO2022127227A1 (zh) * 2020-12-15 2022-06-23 西安交通大学 一种基于多视图半监督的淋巴结的分类方法、系统及设备
CN113051828A (zh) * 2021-03-30 2021-06-29 重庆大学 一种工艺参数驱动的天然气水露点在线预测方法
CN113111832A (zh) * 2021-04-23 2021-07-13 温州大学 一种基于空洞卷积神经网络的液压阀故障诊断方法
CN113345082A (zh) * 2021-06-24 2021-09-03 云南大学 一种特征金字塔多视图三维重建方法和系统
CN114627369A (zh) * 2022-01-19 2022-06-14 上海土蜂科技有限公司 环境监测系统、方法及其计算机装置
CN114841319A (zh) * 2022-04-29 2022-08-02 哈尔滨工程大学 一种基于多尺度自适应卷积核的多光谱图像变化检测方法
CN114821450A (zh) * 2022-06-27 2022-07-29 江苏福明太阳能有限公司 太阳能电池板加工用层压机及其控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. SHANTHI.ET AL: "An artificial intelligence based improved classification of two-phase flow patterns with feature extracted from acquired images", 《ISA TRANSACTIONS》 *
别锋锋;王奉涛;吕凤霞;: "基于局域波时频图像处理技术的压缩机故障诊断", 农业机械学报, no. 09 *
杨洪柏等: "基于原始振动信号的往复压缩机卷积神经网络故障诊断", 机械设计与制造工程, no. 09 *
谢燕娟;陈昭炯;叶东毅;: "特征互补的图像美学质量评分方法", 模式识别与人工智能, no. 10 *
贾春玉: "基于CNN+LSTM神经网络的电液伺服阀故障预测", 《液压与气动》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116794975A (zh) * 2022-12-20 2023-09-22 维都利阀门有限公司 电动蝶阀的智能控制方法及其系统
CN116794975B (zh) * 2022-12-20 2024-02-02 维都利阀门有限公司 电动蝶阀的智能控制方法及其系统
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN116048031A (zh) * 2023-03-31 2023-05-02 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法
CN116048031B (zh) * 2023-03-31 2023-08-04 克拉玛依市蓝润环保科技有限责任公司 用于石油助剂生产的控制系统及其方法
CN116363441A (zh) * 2023-05-31 2023-06-30 克拉玛依市百事达技术开发有限公司 具备标记功能的管道腐蚀检测系统
CN116363441B (zh) * 2023-05-31 2023-08-08 克拉玛依市百事达技术开发有限公司 具备标记功能的管道腐蚀检测系统

Also Published As

Publication number Publication date
CN115393316B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN115393316A (zh) 具有冲蚀状态监测系统的闪蒸阀及其监测方法
Colin et al. Bubble and slug flow at microgravity conditions: state of knowledge and open questions
Ali et al. Two‐phase flow patterns in large diameter vertical pipes
CN116025319A (zh) 多介质热流体作业监测系统及其方法
US11365909B2 (en) Vapor leak separation and detection system
Mahmood et al. CFD numerical and experimental investigation of two-phase flow development after an expansion device in a horizontal pipe
Maddahian et al. Numerical investigation of the velocity field and separation efficiency of deoiling hydrocyclones
Jaeger et al. Coalescence in emulsions containing inviscid drops with high interfacial mobility
Mahmood et al. Two-Phase Flow Development of R134a in a Horizontal Pipe: Computational Investigation.
El Itawi et al. Numerical simulation of the crossing of a liquid-liquid interface by a droplet
Hattori et al. Numerical simulation of droplet behavior on an inclined plate using the Moving Particle Semi-implicit method
Zhao Mechanistic-based models for slug flow in vertical pipes
US11702976B2 (en) Vapor leak pressure relief and diversion system
Muralidhar et al. Coalescence of rigid droplets in a stirred dispersion—II. Band-limited force fluctuations
Zuber On the problem of liquid entrainment
Conte et al. A two-fluid model for slug flow initiation based on a lagrangian scheme
Mansouri et al. Numerical investigation of droplet-droplet coalescence and droplet-interface coalescence
Xu A new class of gas-kinetic relaxation schemes for the compressible Euler equations
Zhang et al. Simulation of binary collision of liquid drops using smoothed particle hydrodynamics with adaptive spatial resolution
Rane et al. Heat transfer of evaporating droplet flow in low pressure systems
Mulbah et al. Dynamic behaviors of anisodiametric bubbles under effects of horizontal attraction and vertical wake
Hoyt et al. Computational investigation of the NASA cascade cyclonic separation device
Bernal et al. An experimental and numerical investigation of drop formation by vortical flows in microgravity
Lawrence et al. Development of a three-dimensional upwind parabolized Navier-Stokes code
Kamiyama et al. Prediction of gaseous cavitation occurrence in various liquids based on two-phase flow analogy

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