CN115451877A - 超音速分离器液滴沉积量与沉积位置声学预测方法 - Google Patents
超音速分离器液滴沉积量与沉积位置声学预测方法 Download PDFInfo
- Publication number
- CN115451877A CN115451877A CN202211198249.9A CN202211198249A CN115451877A CN 115451877 A CN115451877 A CN 115451877A CN 202211198249 A CN202211198249 A CN 202211198249A CN 115451877 A CN115451877 A CN 115451877A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- deposition
- signal
- acoustic
- emission signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008021 deposition Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000007788 liquid Substances 0.000 claims abstract description 29
- 238000007637 random forest analysis Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000151 deposition Methods 0.000 description 62
- 238000000926 separation method Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009833 condensation Methods 0.000 description 3
- 230000005494 condensation Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/296—Acoustic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Thermal Sciences (AREA)
- Fluid Mechanics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种超音速分离器液滴沉积量与沉积位置声学预测方法，包括下列步骤：在超音速分离器沿程布置声发射传感器，用来接收沉积时产生的声发射信号；液滴沉积产生声发射信号，记录各个声发射传感器捕捉到信号时的当地时间；对于沉积点，通过信号到达不同传感器的时间差，推算出信号到达不同声发射传感器的距离差；列出沉积点到各个声发射传感器之间的距离方程组，给出计算沉积点位置的公式；利用离散小波变换DWT和短时傅里叶变换STFT两种特征提取方式提取不同时频域内的声发射分量信号，寻找液滴沉积的有效声发射信号频段；确定有效声发射信号频段特征向量样本集；利用随机森林算法RF建模，构建液滴沉积量预测模型。
Description
技术领域
本发明涉及一种基于声学定位和随机森林分类的超音速分离器液滴沉积位置和沉积量的预测方法，属于环状流型沉积分离技术领域。
背景技术
超音速旋流分离技术集冷凝和分离于一体，是天然气分离提纯领域的一种行之有效的新方法，由该技术衍生出的气液分离装置超音速分离器更是倍受关注。超音速分离器基于两个过程来实现气液分离，即低温凝结和旋流分离。低温凝结是通过超音速喷管的膨胀作用增大气流速度、减小气流温度、压力，从而产生低温环境，使混合在气相中的蒸汽凝结形成液滴。旋流分离是通过旋流器上具有一定偏转角度的叶片产生离心速度，质量大的液滴将受离心力作用被甩到壁面并沉积形成液膜，最终从液相出口被排出，从而实现气液分离。
其中，液滴在离心力作用下运动到分离器壁面并聚集形成液膜的过程被称为液滴沉积，是超音速分离器气液分离的重要步骤。对液滴沉积过程的准确预测是科学评价分离指标、精准优化分离性能的关键。而超音速分离器内部流体超音速、强旋流、多凝结等独有特性也正是限制其检测方法的不利因素。例如，采用侵入式测量方法预测沉积信号时有可能对流场产生破坏，研究的难度非常大。
发明内容
本发明提出一种超音速分离器液滴沉积位置和沉积量的声学检测方法，利用液滴撞击分离器壁面时产生的连续声发射信号对液滴沉积点进行声学定位，同时对液滴沉积量进行量化分析。技术方案如下：
一种超音速分离器液滴沉积量与沉积位置声学预测方法，包括下列步骤：
S1、在超音速分离器沿程布置声发射传感器，用来接收沉积时产生的声发射信号；
S2、液滴沉积产生声发射信号，并被声发射传感器捕捉到，记录各个声发射传感器捕捉到信号时的当地时间；
S3、对于沉积点，通过信号到达不同传感器的时间差，推算出信号到达不同声发射传感器的距离差；
S4、列出沉积点到各个声发射传感器之间的距离方程组，给出计算沉积点位置的公式；
S5、使用声发射传感器，接收液滴沉积时产生的声发射信号；
S6、基于S5所接受到的声发射信号，利用离散小波变换DWT和短时傅里叶变换STFT两种特征提取方式提取不同时频域内的声发射分量信号，寻找液滴沉积的有效声发射信号频段；
S7、原始数据分别经DWT和STFT分解、重构后得到的每个分量表征原信号部分频段内的信息，求取各声发射分量信号的归一化能量特征，将原始数据转化为特征向量矩阵，确定有效声发射信号频段特征向量样本集；
S8、利用随机森林算法RF建模，构建液滴沉积量预测模型，方法如下：
S8-1、将步骤S7所建立的声发射信号特征向量样本集分为训练集和测试集；
S8-2、采用Bootstrap方法从训练集中随机抽取n个样本，用于训练声发射信号特征向量样本子集Si，i＝1，2，…，n；；
S8-3、对Si分别进行分类回归树CART建模，构建n棵CART决策树，形成液滴沉积声发射信号特征随机森林；
S8-4、使用测试集中的测试样本m作为液滴沉积声发射信号特征随机森林的输入，则该随机森林分类模型的投票输出；
S9、使用建立好的液滴沉积量预测模型对液滴沉积量进行计算。
本发明的有益效果是：本发明利用声学检测方法、信号分解方法与随机森林算法融合的方式对超音速分离器中液滴沉积位置和沉积量进行预测，解决了超音速分离器中的沉积现象难以检测的问题，有望与超音速分离器的整体实验系统进行进一步整合，对超音速分离器的分离效果进行更加精准的控制。
附图说明
图1为液滴沉积量和沉积位置预测方法示意图。
图2为液滴沉积量和沉积位置预测算法示意图。
图3为RF液滴沉积量预测模型算法。
具体实施方式
下面详细描述本发明的实施例。本发明提出一种超音速分离器液滴沉积位置和沉积量的声学检测方法，其示意图如附图1所示。本发明采用声发射检测技术来获取分离器内的液滴沉积信号。液滴在沉积时将连续不断撞击分离器的内壁面，这种相互作用会产生十分密集的弹性波，属于典型的连续型声发射信号。在分离器壁面沿程放置声发射传感器获取液滴沉积时的声发射信号，通过各传感器检测到声信号时间的不同可对沉积位置进行精准定位，通过对接收到的声信号进行特征提取，构建随机森林分类的预测模型可实现对沉积量的检测。
具体实现方式为：
本发明的基于声学定位和随机森林分类的超音速分离器液滴沉积位置和沉积量的预测方法，对液滴沉积位置的预测算法示意图如附图2所示，具体步骤如下：
S1、在分离器沿程布置RS-2A声发射传感器，用来接收沉积时产生的声发射信号。
以n个传感器监测点为例，各传感器位置分别为n1＝x1＝0，n2＝x2，n3＝x3…ni＝xi…nn＝xn，待定位沉积点的坐标位置为T＝x。
S2、液滴沉积产生声发射信号，并被声发射传感器捕捉到，记录各个传感器捕捉到信号时的当地时间。
声发射信号从沉积点T传播至传感器n1的当地时间为t1，声发射信号从沉积点T传播至传感器ni的当地时间为ti。
S3、通过信号到达不同传感器的时间差，推算出信号到达不同传感器的距离差。
由t1、ti的不同可推算出信号到达传感器n1、ni的距离差d1i。
S4、列出距离差方程组，计算出沉积位置。
列出由n个方程组合而成的距离差方程组：
沉积点T到传感器之间的距离为：
整理得到：
联立公式(1)、公式(2)，求解未知数x、D1，得到信号源的位置坐标，即沉积位置。
本发明的基于声学定位和随机森林分类的超音速分离器液滴沉积位置和沉积量的预测算法示意图如附图2所示，找到沉积位置之后，对该沉积位置的液滴沉积量的预测步骤如下：
S5、使用声发射传感器，接收液滴沉积时产生的声发射信号。
S6、基于S5所接受到的声发射信号，利用离散小波变换(DWT)和短时傅里叶变换(STFT)两种特征提取方式提取不同时频域内的声发射分量信号，寻找液滴沉积的有效声发射信号频段。DWT和STFT对同一信号的频段划分方式不同，因此综合运用两种分解方式可以多角度体现频率分布差异。
捕捉到的声发射信号SFS(t)的小波变换可以表示为：
其中ψ(t)为小波母函数，a为尺度因子，b为时间平移因子，WSFS(a,b)为信号SFS(t)对应的小波变换系数，将参数a和b进行离散即本发明所用到的DWT算法。
STFT算法可以实现声发射时域信号和声发射频域信号的二维联合观察，利用一个短时窗函数截取原非平稳声发射信号的一段，并近似为平稳段，对该近似平稳声发射信号进行傅里叶变换，然后将短时窗函数沿时域轴滑动，得到整个非平稳液滴沉积声发射信号的时频特性。
S7、数据分别经DWT和STFT分解、重构后得到的每个分量表征原信号部分频段内的信息，求取各声发射分量信号的归一化能量特征，可将原始数据转化为特征向量矩阵，确定有效声发射信号频段特征向量样本集。
S8、利用随机森林算法(RF)展开建模，构建液滴沉积量预测模型。
使用RF算法的建模步骤如附图3所示，具体步骤如下：
S8-1、将步骤S7所建立的声发射信号特征向量样本集分为训练集和测试集。
S8-2、采用Bootstrap方法从训练集中随机抽取n个样本，用于训练声发射信号特征向量样本子集Si，i＝1，2，…，n；。
S8-3、对Si分别进行分类回归树(CART)建模，构建n棵CART决策树，CARTi(m)，形成液滴沉积声发射信号特征随机森林。
S8-4、使用测试集中的测试样本m作为液滴沉积声发射信号特征随机森林的输入，则该随机森林分类模型的投票输出，即液滴沉积量预测模型为
其中k为单棵CART决策树的分类结果，0为非孤岛，1为孤岛。
S9、使用建立好的液滴沉积量预测模型对液滴沉积量进行计算。
Claims (1)
1.一种超音速分离器液滴沉积量与沉积位置声学预测方法，包括下列步骤：
S1、在超音速分离器沿程布置声发射传感器，用来接收沉积时产生的声发射信号；
S2、液滴沉积产生声发射信号，并被声发射传感器捕捉到，记录各个声发射传感器捕捉到信号时的当地时间；
S3、对于沉积点，通过信号到达不同传感器的时间差，推算出信号到达不同声发射传感器的距离差；
S4、列出沉积点到各个声发射传感器之间的距离方程组，给出计算沉积点位置的公式；
S5、使用声发射传感器，接收液滴沉积时产生的声发射信号；
S6、基于S5所接受到的声发射信号，利用离散小波变换DWT和短时傅里叶变换STFT两种特征提取方式提取不同时频域内的声发射分量信号，寻找液滴沉积的有效声发射信号频段；
S7、原始数据分别经DWT和STFT分解、重构后得到的每个分量表征原信号部分频段内的信息，求取各声发射分量信号的归一化能量特征，将原始数据转化为特征向量矩阵，确定有效声发射信号频段特征向量样本集；
S8、利用随机森林算法RF建模，构建液滴沉积量预测模型，方法如下：
S8-1、将步骤S7所建立的声发射信号特征向量样本集分为训练集和测试集；
S8-2、采用Bootstrap方法从训练集中随机抽取n个样本，用于训练声发射信号特征向量样本子集Si，i＝1，2，…，n；
S8-3、对Si分别进行分类回归树CART建模，构建n棵CART决策树，形成液滴沉积声发射信号特征随机森林；
S8-4、使用测试集中的测试样本m作为液滴沉积声发射信号特征随机森林的输入，则该随机森林分类模型的投票输出；
S9、使用建立好的液滴沉积量预测模型对液滴沉积量进行计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211198249.9A CN115451877A (zh) | 2022-09-29 | 2022-09-29 | 超音速分离器液滴沉积量与沉积位置声学预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211198249.9A CN115451877A (zh) | 2022-09-29 | 2022-09-29 | 超音速分离器液滴沉积量与沉积位置声学预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115451877A true CN115451877A (zh) | 2022-12-09 |
Family
ID=84307451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211198249.9A Pending CN115451877A (zh) | 2022-09-29 | 2022-09-29 | 超音速分离器液滴沉积量与沉积位置声学预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115451877A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10186048A (ja) * | 1996-04-04 | 1998-07-14 | Yamamoto Tokuo | 埋設物、地層の構成、堆積物の性質の測定方法及び装置 |
| US20030033870A1 (en) * | 2001-05-08 | 2003-02-20 | Shah Vimal V. | Guided acoustic wave sensor for pipeline build-up monitoring and characterization |
| CN101806882A (zh) * | 2010-03-11 | 2010-08-18 | 沈阳化工学院 | 一种发射源的定位方法 |
| CN102242871A (zh) * | 2011-07-07 | 2011-11-16 | 中国船舶重工集团公司第七○二研究所 | 深海运载器液压管道泄漏声发射源定位方法 |
| CN102483393A (zh) * | 2009-09-10 | 2012-05-30 | 空中客车德国运营有限责任公司 | 用于检测流体管道中的沉积物的系统及方法 |
| CN102590345A (zh) * | 2010-12-06 | 2012-07-18 | 古野电气株式会社 | 沉积物辨别装置、超声波探测机、参数设定方法及其程序 |
| CN103575333A (zh) * | 2013-11-06 | 2014-02-12 | 中沙（天津）石化有限公司 | 多区循环反应器中颗粒结块的检测方法 |
| KR20140045219A (ko) * | 2012-10-08 | 2014-04-16 | 주식회사 테스 | 비정질 탄소박막 증착방법 |
| US20170165504A1 (en) * | 2014-07-18 | 2017-06-15 | Ludwig-Maximilians-Universität München | A Method and Apparatus for Determining an Energy Deposition of an Ion Beam |
| CN107120535A (zh) * | 2017-06-06 | 2017-09-01 | 北京市燃气集团有限责任公司 | 基于北斗定位的埋地燃气管道泄漏点的声发射定位方法 |
| CN110514745A (zh) * | 2019-09-02 | 2019-11-29 | 北京理工大学 | 一种基于多频声发射信号的缆索断丝位置确定的方法 |
| CN111352161A (zh) * | 2020-03-23 | 2020-06-30 | 广东工业大学 | 一种海底原位探测仪及海底原位声学特性探测方法 |
| CN111763547A (zh) * | 2020-06-16 | 2020-10-13 | 中国石油大学(华东) | 一种全旋流超声速分离装置 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN113049080A (zh) * | 2021-03-08 | 2021-06-29 | 中国电子科技集团公司第三十六研究所 | 一种舰船辐射噪声的gdwc听觉特征提取方法 |
| CN113167616A (zh) * | 2018-08-07 | 2021-07-23 | 哈利法科学技术大学 | 用于分析多相流的成像系统 |
| CN114841378A (zh) * | 2022-07-04 | 2022-08-02 | 埃克斯工业(广东)有限公司 | 晶圆特征参数预测方法、装置、电子设备及可读存储介质 |
-
2022
- 2022-09-29 CN CN202211198249.9A patent/CN115451877A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10186048A (ja) * | 1996-04-04 | 1998-07-14 | Yamamoto Tokuo | 埋設物、地層の構成、堆積物の性質の測定方法及び装置 |
| US20030033870A1 (en) * | 2001-05-08 | 2003-02-20 | Shah Vimal V. | Guided acoustic wave sensor for pipeline build-up monitoring and characterization |
| CN102483393A (zh) * | 2009-09-10 | 2012-05-30 | 空中客车德国运营有限责任公司 | 用于检测流体管道中的沉积物的系统及方法 |
| CN101806882A (zh) * | 2010-03-11 | 2010-08-18 | 沈阳化工学院 | 一种发射源的定位方法 |
| CN102590345A (zh) * | 2010-12-06 | 2012-07-18 | 古野电气株式会社 | 沉积物辨别装置、超声波探测机、参数设定方法及其程序 |
| CN102242871A (zh) * | 2011-07-07 | 2011-11-16 | 中国船舶重工集团公司第七○二研究所 | 深海运载器液压管道泄漏声发射源定位方法 |
| KR20140045219A (ko) * | 2012-10-08 | 2014-04-16 | 주식회사 테스 | 비정질 탄소박막 증착방법 |
| CN103575333A (zh) * | 2013-11-06 | 2014-02-12 | 中沙（天津）石化有限公司 | 多区循环反应器中颗粒结块的检测方法 |
| US20170165504A1 (en) * | 2014-07-18 | 2017-06-15 | Ludwig-Maximilians-Universität München | A Method and Apparatus for Determining an Energy Deposition of an Ion Beam |
| CN107120535A (zh) * | 2017-06-06 | 2017-09-01 | 北京市燃气集团有限责任公司 | 基于北斗定位的埋地燃气管道泄漏点的声发射定位方法 |
| CN113167616A (zh) * | 2018-08-07 | 2021-07-23 | 哈利法科学技术大学 | 用于分析多相流的成像系统 |
| CN110514745A (zh) * | 2019-09-02 | 2019-11-29 | 北京理工大学 | 一种基于多频声发射信号的缆索断丝位置确定的方法 |
| CN111352161A (zh) * | 2020-03-23 | 2020-06-30 | 广东工业大学 | 一种海底原位探测仪及海底原位声学特性探测方法 |
| CN111763547A (zh) * | 2020-06-16 | 2020-10-13 | 中国石油大学(华东) | 一种全旋流超声速分离装置 |
| CN113008742A (zh) * | 2021-02-23 | 2021-06-22 | 中国农业大学 | 一种雾滴沉积量检测方法及系统 |
| CN113049080A (zh) * | 2021-03-08 | 2021-06-29 | 中国电子科技集团公司第三十六研究所 | 一种舰船辐射噪声的gdwc听觉特征提取方法 |
| CN114841378A (zh) * | 2022-07-04 | 2022-08-02 | 埃克斯工业(广东)有限公司 | 晶圆特征参数预测方法、装置、电子设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110454687B (zh) | 一种基于改进vmd的管道多点泄漏定位方法 | |
| CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
| Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
| CN109469837B (zh) | 基于vmd-pse的压力管道多点泄漏定位方法 | |
| CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
| Yu et al. | Leak detection in water distribution systems by classifying vibration signals | |
| EP3161424A1 (en) | Virtual multiphase flow metering and sand detection | |
| CN109033226B (zh) | 基于复杂网络理论的振动传感器布置优化方法 | |
| CN103335617A (zh) | 一种基于振动信号的铁路钢轨几何形变检测方法 | |
| CN108954020A (zh) | 一种管道定位方法 | |
| Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
| CN111985533A (zh) | 一种基于多尺度信息融合的增量式水声信号识别方法 | |
| CN113358743A (zh) | 一种基于时频分布相似度分析的兰姆波模态分离方法 | |
| Figedy et al. | Modern methods of signal processing in the loose part monitoring system | |
| CN113533510B (zh) | 一种钢轨疲劳微裂纹识别方法及装置 | |
| CN115451877A (zh) | 超音速分离器液滴沉积量与沉积位置声学预测方法 | |
| CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
| Amer et al. | Towards unified probabilistic rotorcraft damage detection and quantification via non-parametric time series and Gaussian process regression models | |
| Feng | Condition Classification in Underground Pipes Based on Acoustical Characteristics. Acoustical characteristics are used to classify the structural and operational conditions in underground pipes with advanced signal classification methods | |
| Zhang | Flow measurement of natural gas in pipeline based on 1d-convolutional neural network | |
| Rajasekaran et al. | A survey and study of signal and data-driven approaches for pipeline leak detection and localization | |
| Li et al. | Sparse Bayesian learning for horizontal wavenumber retrieval in underwater acoustical signal processing | |
| Nicassio et al. | Impact characterization on RC airplane model in operation using machine learning | |
| Yaya et al. | Damage detection based on wavelet transform and artificial intelligence for underwater metallic structures | |
| Wei et al. | Data analysis of bolt length detection based on ultrasonic reflection method |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221209 |
|
| WD01 | Invention patent application deemed withdrawn after publication |