CN115879355A - 一种压电传感器的温度补偿方法 - Google Patents
一种压电传感器的温度补偿方法 Download PDFInfo
- Publication number
- CN115879355A CN115879355A CN202111133040.XA CN202111133040A CN115879355A CN 115879355 A CN115879355 A CN 115879355A CN 202111133040 A CN202111133040 A CN 202111133040A CN 115879355 A CN115879355 A CN 115879355A
- Authority
- CN
- China
- Prior art keywords
- peak
- fuzzy
- data
- piezoelectric sensor
- original data
- 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
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种压电传感器的温度补偿方法,包括以下步骤:获取待补偿压电传感器的原始数据;对原始数据进行归一化处理,对归一化后的原始数据进行模糊粒子化;基于模糊粒子化后的原始数据,训练生成最小二乘支持向量机的LSSVM模型;利用K‑CV的交叉验证方法寻找最优参数,得到优化后的最小二乘支持向量机的LSSVM模型;再次将模糊粒子化后的原始数据输入到优化后的最小二乘支持向量机的LSSVM模型中得到拟合后的数据;对拟合后的数据进行反归一化处理,得到真正补偿后的数据。本发明解决了在不同温度下压电传感器的输出会改变,导致在数据处理中的特征量的改变,特征量的改变会引起阀门内漏状态的误判,通过本方法能够弥补由于温度改变而导致的特征量的改变。
Description
技术领域
本发明属于石化企业阀门内漏检测技术领域,具体涉及一种压电传感器的温度补偿方法。
背景技术
阀门是工业控制领域使用最广泛的流体控制设备,具有种类繁多,数量大,行业覆盖面广,操作频繁等特点,在核电事业发展、电站建设、石油化工开发、城建系统完善等国民经济各部分发展中扮演着重要的角色。但由于阀门会出现内漏等情况,常常伴随着物力财力的损失。所以针对阀门内漏的检测就显得尤为重要。阀门内漏检测的方法有压降法,热红外法,质量平衡法,负压波法,振动法。而最常用的方法是声发射的方法。基于声发射的阀门内漏检测方法就是利用声发射传感器采集阀门内漏时产生的被动声发射信号,通过对信号特征的分析来判断阀门的运行状态。而声发射传感器常用的就是压电传感器,压电传感器的输出会受到温度的影响,这样就会直接导致特征提取的时候导致特征值的不准确,进一步可能导致在判断阀门是否内漏的时候误判。在对阀门内漏信号特征提取的时候,RMS值,峭度,标准差常常是比较重要的几个特征量,因此保证这几个特征量不受温度的影响显得尤为的重要。现有的传感器动态补偿主要针对的是扩散硅压力传感器,红外瓦斯传感器,湿度传感器等传感器。使用的算法有最小二乘法,支持向量机,BP神经网络等方法。
发明内容
本发明的目的在于提供一种压电传感器的补偿方法,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种压电传感器的温度补偿方法,包括以下步骤:
S1、获取待补偿压电传感器的原始数据;
S2、对原始数据进行归一化处理;
S3、对归一化后的原始数据进行模糊粒子化;
S4、基于模糊粒子化后的原始数据,训练生成最小二乘支持向量机的LSSVM模型;
S5、利用K-CV的交叉验证方法寻找最优参数,得到优化后的最小二乘支持向量机的 LSSVM模型;
S6、再次将模糊粒子化后的原始数据输入到优化后的最小二乘支持向量机的LSSVM模型中得到拟合后的数据;
S7、对拟合后的数据进行反归一化处理,得到真正补偿后的数据。
进一步地,在S1中,在待补偿压电传感器的温度范围和峰峰值范围内选定i个温度标定点和j个峰峰值标定点,其中i≥10,j≥10,分别在每个温度标定点和峰峰值标定点下测量RMS 值、峭度值以及标准差。
进一步地,温度范围为20℃~60℃,i取40。
进一步地,峰峰值范围为0.01V~1V,j取99。
进一步地,在S2中,归一化处理的公式为:
进一步地,在所述S3中,包括下列步骤:
S31、把原始数据划分为有限个子序列操作窗口;
S32、窗口信息的模糊化;
在子序列窗口中建立一个模糊粒子P,即一个能合理描述P的模糊概念G:
式中,x是论域中的变量,模糊概念G是以X为论域的模糊集合,A是模糊概念G的隶属函数,采用三角型模糊信息粒对窗口信息进行模糊粒化,其隶属函数A为:
式中,a,m,b分别对应每个模糊信息粒中的3个参量:LOW,R和UP,其中UP代表该信息粒中的上限值,LOW代表该信息粒中的下限值,R表示该信息粒中的平均值。
进一步地,在S4中,输入输出之间的非线性关系描述为
y(x)=<w,x>+b (4)
其中,w表示权重向量;b表示偏移量;x表示输入的训练数据;
求解f(x)转化为求解下列(5)(6)最优化问题:
s.t.yi=<w,x>+b+ξi,i=1,2,...,n (5)
为了方便求解式(5)引入拉格朗日乘子λi,构建拉格朗日方程求解最优解,式(5)变成:
对式(6)中的4个变量求微分如下所示:
λi=cξi (9)
通过求解式(6)~(9)得到最终的预测回归模型,即最小二乘支持向量机的LSSVM模型:
其中,K(x,xi)为RBF核函数,且K(x,xi)=exp(-g||x-xi||2),σ2为核宽度,xi是输入的训练数据,k=1,...,N。
进一步地,在所述S5中,对惩罚因子c和RBF核函数参数g利用K-CV的交叉验证方法寻优求解,包括下列步骤:
首先将惩罚因子c和核函数参数g限定在合理的范围内,把模糊粒子化后的数据集均分为K组子集,将每组子集分别作为一次验证集,其余的K-1组子集作为训练集,得到K个模型,采用K个模型最终的验证集的分类准确率平均数作为此K-CV法分类器的预测准确度,将惩罚因子c和核函数参数g划分网格进行搜索,预测准确度最高的那一组c和g为LSSVM 模型的最佳参数,从而得到优化后的LSSVM模型。
进一步地,K选取为3。
进一步地,待补偿的压电传感器和一个用于产生激励的传感器A用耦合剂贴合起来,耦合剂在两者之间涂抹均匀,旋转带补偿的压电传感器和传感器A排除两者之间的空气;所述传感器A连接信号发生器,信号发生器使传感器A输出某个固定峰峰值信号;所述待补偿的压电传感器连接数据采集卡,数据采集卡将采集到的数据传输到电脑端进行补偿。
本发明所带来的有益技术效果为:
本发明解决了在不同温度下压电传感器的输出会改变,进而导致在数据处理中的特征量(RMS值、峭度值、标准差)的改变,特征量的改变会引起阀门内漏状态的误判,所以通过本方法能够弥补由于温度改变而导致的特征量的改变。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明一种实施例中压电传感器的温度补偿算法整体框架图;
图2为本发明一种实施例中压电传感器的连接示意图;
具体实施方式
本发明提出了一种压电传感器的温度补偿方法,为了使本发明的优点、技术方案更加清楚、明确,下面结合具体实施例对本发明做详细说明。
一种压电传感器的温度补偿方法,包括以下步骤:
S1、获取待补偿压电传感器的原始数据;
具体地,在S1中,在待补偿压电传感器的温度范围和峰峰值范围内选定i个温度标定点和j个峰峰值标定点,其中i≥10,j≥10,分别在每个温度标定点和峰峰值标定点下测量RMS 值、峭度值以及标准差。
S2、对原始数据进行归一化处理;
具体地,在S2中,归一化处理的公式为:
S3、对归一化后的原始数据进行模糊粒子化
信息粒化就是将一个整体分解为一个个的部分进行研究,每个部分为一个信息粒。信息粒作为信息的表现形式在我们的周围是无所不在的,它是人类认识世界的一个基本概念。人类在认识世界时往往将一部分相似的事物放在一起作为一个整体研究它们所具有的性质或特点,实际上,这种处理事物的方式就是信息粒化。信息粒化的三种主要模型,基于模糊集理论的模型、基于粗糙集理论的模型、基于商空间理论的模型。三种模型之间存在着密切的联系与区别。模糊集理论与粗糙集理论有很强的互补性,这两个理论优化、整合在处理知识的不确定性和不完全性时已显示出更强的功能,本发明使用的是模糊信息粒的算法FIG,模糊信息粒就是以模糊集形式表示的信息粒。用模糊集方法对时间序列分割成若干个小子序列,作为操作窗口;模糊化则是将产生的每一个窗口进行模糊化,生成一个个模糊集也就是模糊信息粒。这两种广义模式结合在一起就是模糊信息粒化,成为f-粒化。在f-粒化中,最为关键的是模糊化的过程,也就是在所给的窗口上建立一个合理的模糊集,使其能够取代原来窗口中的数据。考虑单窗口问题,即把整个输入的特征集X模糊化。模糊化的任务是在X上建立一个模糊粒子P,即一个能够合理描述X的模糊概念G(以X为论域的模糊集合),确定了G也就确定了模糊粒子P。常见的模糊粒子有三角型,梯形,高斯型,抛物型等几种形式。模糊粒子算法处理后的数据能够合理的代替原始数据。
具体地,在所述S3中,包括下列步骤:
S31、把原始数据划分为有限个子序列操作窗口;
S32、窗口信息的模糊化;
在子序列窗口中建立一个模糊粒子P,即一个能合理描述P的模糊概念G:
式中,x是论域中的变量,模糊概念G是以X为论域的模糊集合,A是模糊概念G的隶属函数,采用三角型模糊信息粒对窗口信息进行模糊粒化,其隶属函数A为:
式中,a,m,b分别对应每个模糊信息粒中的3个参量:LOW,R和UP,其中UP代表该信息粒中的上限值,LOW代表该信息粒中的下限值,R表示该信息粒中的平均值。
S4、基于模糊粒子化后的原始数据,训练生成最小二乘支持向量机的LSSVM模型;
LSSVM最小二乘算法主要是为了构建回归模型,是由标准支持向量机(SVM)演变而来的,但是它用训练误差的平方替代SVM中的松弛变量并用等式约束替代不等式约束,把SVM的训练转化为线性方程组的求解,再采用共轭梯度方法求解,从而避免了二次规划问题,提高了训练的速度。
具体地,在S3中,输入输出之间的非线性关系描述为:
y(x)=<w,x>+b (4)
其中,w表示权重向量;b表示偏移量;x表示输入的训练数据;
求解f(x)转化为求解下列(5)(6)最优化问题:
s.t.yi=<w,x>+b+ξi,i=1,2,...,n (5)
为了方便求解式(5)引入拉格朗日乘子λi,构建拉格朗日方程求解最优解,式(5)变成:
对式(6)中的4个变量求微分如下所示:
λi=cξi (9)
通过求解式(7)~(10)得到最终的预测回归模型,即最小二乘支持向量机的LSSVM模型:
其中,K(x,xi)为RBF核函数,且K(x,xi)=exp(-g||x-xi||2),σ2为核宽度,xi是输入的训练数据,k=1,...,N。
S5、利用K-CV的交叉验证方法寻找最优参数,得到优化后的最小二乘支持向量机的 LSSVM模型;
具体地,在所述S4中,对惩罚因子c和RBF核函数参数g利用K-CV的交叉验证方法寻优求解;
交叉验证方法的原理是将原始数据分成K组(一般是均分),将每个子集数据分别做一次验证集,其余的K-1组子集数据作为数据集,这样会得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为此K-CV法分类器的性能指标。K一般大于等于2,实际操作时一般从3开始取,只有在原始数据量小的情况下才会尝试取2。K-CV的交叉验证方法可以有效地避免过学习以及欠学习状态的发生,最后得到的结果也比较具有说服性。
包括下列步骤:
首先将惩罚因子c和核函数参数g限定在合理的范围内,把模糊粒子化后的数据集均分为K组子集,将每组子集分别作为一次验证集,其余的K-1组子集作为训练集,得到K个模型,采用K个模型最终的验证集的分类准确率平均数作为此K-CV法分类器的预测准确度,将惩罚因子c和核函数参数g划分网格进行搜索,预测准确度最高的那一组c和g为LSSVM 模型的最佳参数,从而得到优化后的LSSVM模型。
S6、再次将模糊粒子化后的原始数据输入到优化后的最小二乘支持向量机的LSSVM模型中得到拟合后的数据;
S7、对拟合后的数据进行反归一化处理,得到真正补偿后的数据。
实施例一:
针对压电传感器RMS值的补偿,准备一个待补偿的压电传感器和一个用于产生激励的传感器A,把待补偿的压电传感器用耦合剂和传感器A贴在一起,两个传感器之间的耦合器涂抹均匀,旋转两个传感器,排除两个传感器之间的空气,有利于振动的传递。
如图2所示,传感器A连接信号发生器,信号发生器让传感器A输出某个固定峰峰值的信号,通过温度传感器记录待补偿的压电传感器的温度,以25℃作为基准温度,所有其他温度下的RMS值最后都拟合到25℃上。待补偿的压电传感器连接数据采集卡,数据采集卡将采集到的数据传输到电脑端计算RMS值,通过信号发生器改变输出信号的峰峰值,通过温度箱改变待补偿压电传感器的温度,测量不同温度不同峰峰值下的RMS值。
测量待补偿的压电传感器在温度范围为20℃~60℃,峰峰值范围在0.01V~1V下的RMS 值,在20℃~60℃内选择40个标定点,以1℃间隔增加,在0.01V~1V内选择99个标定点,以0.01V间隔增加,其中在某一温度和某一峰峰值下测量6次RMS值并求平均值,将采集到的温度、峰峰值、RMS值记录在Excel中便于导入MATLAB中进行数据的拟合补偿。
对采集到的所有RMS值进行归一化处理,例如:归一化后的RMS值在温度为25℃,峰峰值为0.1V时为0.776,在温度为26℃,峰峰值为0.1V时为0.762。
将以温度、峰峰值、RMS值为3列的矩阵导入到程序中进行训练最小二乘支持向量机的 LSSVM模型,并利用交叉验证方法寻找LSSVM模型的最优参数,得到优化后的最小二乘支持向量机的LSSVM模型。当输入温度为28℃,峰峰值为0.1V时,输出的RMS值就会拟合到温度为25℃时的值,此时输出值为0.759,可以看出和0.763的差距是非常小的,再通过反归一化就可以得到真正补偿后的RMS值,这样就完成了压电传感器RMS值的温度补偿。
实施例二:
针对压电传感器峭度值的补偿,准备一个待补偿的压电传感器和一个用于产生激励的传感器A,把待补偿的压电传感器用耦合剂和传感器A贴在一起,两个传感器之间的耦合器涂抹均匀,旋转两个传感器,排除两个传感器之间的空气,有利于振动的传递。
如图2所示,传感器A连接信号发生器,信号发生器让传感器A输出某个固定峰峰值的信号,通过温度传感器记录待补偿的压电传感器的温度,以25℃作为基准温度,所有其他温度下的峭度值的数值最后都拟合到25℃上。待补偿的压电传感器连接数据采集卡,数据采集卡将采集到的数据传输到电脑端计算峭度值,通过信号发生器改变输出信号的峰峰值,通过温度箱改变待补偿压电传感器的温度,测量不同温度不同峰峰值下的峭度值。
测量待补偿的压电传感器在温度范围为20℃~60℃,峰峰值范围在0.01V~1V下的峭度值,在20℃~60℃内选择40个标定点,以1℃间隔增加,在0.01V~1V内选择99个标定点,以0.01V 间隔增加,其中在某一温度和某一峰峰值下测量6次峭度值并求平均值,将采集到的温度、峰峰值、峭度值记录在Excel中便于导入MATLAB中进行数据的拟合补偿。
对采集到的所有RMS值进行归一化处理,例如:归一化后的峭度值在温度为25℃,峰峰值为0.1V时为0.812,在温度为26℃,峰峰值为0.1V时为0.801。
将以温度、峰峰值、峭度值为3列的矩阵导入到程序中进行训练最小二乘支持向量机的 LSSVM模型,并利用交叉验证方法寻找LSSVM模型的最优参数,得到优化后的最小二乘支持向量机的LSSVM模型。当输入温度为29℃,峰峰值为0.1V时,输出的峭度值就会拟合到温度为25℃时的值,此时输出值为0.810,可以看出和0.812的差距是非常小的,再通过反归一化就可以得到真正补偿后的峭度值,这样就完成了压电传感器峭度值的温度补偿。
实施例三:
针对压电传感器标准差的补偿,准备一个待补偿的压电传感器和一个用于产生激励的传感器A,把待补偿的压电传感器用耦合剂和传感器A贴在一起,两个传感器之间的耦合器涂抹均匀,旋转两个传感器,排除两个传感器之间的空气,有利于振动的传递。
如图2所示,传感器A连接信号发生器,信号发生器让传感器A输出某个固定峰峰值的信号,通过温度传感器记录待补偿的压电传感器的温度,以25℃作为基准温度,所有其他温度下的标准差的数值最后都拟合到25℃上。待补偿的压电传感器连接数据采集卡,数据采集卡将采集到的数据传输到电脑端计算标准差,通过信号发生器改变输出信号的峰峰值,通过温度箱改变待补偿压电传感器的温度,测量不同温度不同峰峰值下的标准差。
测量待补偿的压电传感器在温度范围为20℃~60℃,峰峰值范围在0.01V~1V下的标准差,在20℃~60℃内选择40个标定点,以1℃间隔增加,在0.01V~1V内选择99个标定点,以0.01V 间隔增加,其中在某一温度和某一峰峰值下测量6次标准差并求平均值,将采集到的温度、峰峰值、标准差记录在Excel中便于导入MATLAB中进行数据的拟合补偿。
对采集到的所有标准差进行归一化处理,例如:归一化后的标准差在温度为25℃,峰峰值为0.1V时为0.694,在温度为26℃,峰峰值为0.1V时为0.668。
将以温度、峰峰值、标准差为3列的矩阵导入到程序中进行训练最小二乘支持向量机的 LSSVM模型,并利用交叉验证方法寻找LSSVM模型的最优参数,得到优化后的最小二乘支持向量机的LSSVM模型。当输入温度为32℃,峰峰值为0.1V时,输出的RMS值就会拟合到温度为25℃时的值,此时输出值为0.688,可以看出和0.694的差距是非常小的,再通过反归一化就可以得到真正补偿后的标准差,这样就完成了压电传感器标准差的温度补偿。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (10)
1.一种压电传感器的温度补偿方法,其特征在于,包括以下步骤:
S1、获取待补偿压电传感器的原始数据;
S2、对原始数据进行归一化处理;
S3、对归一化后的原始数据进行模糊粒子化;
S4、基于模糊粒子化后的原始数据,训练生成最小二乘支持向量机的LSSVM模型;
S5、利用K-CV的交叉验证方法寻找最优参数,得到优化后的最小二乘支持向量机的LSSVM模型;
S6、再次将模糊粒子化后的原始数据输入到优化后的最小二乘支持向量机的LSSVM模型中得到拟合后的数据;
S7、对拟合后的数据进行反归一化处理,得到真正补偿后的数据。
2.根据权利要求1所述的一种压电传感器的温度补偿方法,其特征在于,在所述S1中,在待补偿压电传感器的温度范围和峰峰值范围内选定i个温度标定点和j个峰峰值标定点,其中i≥10,j≥10,分别在每个温度标定点和峰峰值标定点下测量RMS值、峭度值以及标准差。
3.根据权利要求2所述的一种压电传感器的温度补偿方法,其特征在于,所述温度范围为20℃~60℃,i取40。
4.根据权利要求2所述的一种压电传感器的温度补偿方法,其特征在于,所述峰峰值范围为0.01V~1V,i取99。
7.根据权利要求1所述的一种压电传感器的温度补偿方法,其特征在于,在所述S4中,输入输出之间的非线性关系描述为:
y(x)=<w,x>+b (4)
其中,w表示权重向量;b表示偏移量;x表示输入的训练数据;
求解f(x)转化为求解下列(5)(6)最优化问题:
s.t.yi=<w,x>+b+ξi,i=1,2,...,n (5)
为了方便求解式(5)引入拉格朗日乘子λi,构建拉格朗日方程求解最优解,式(5)变成:
对式(6)中的4个变量求微分如下所示:
λi=cξi (9)
通过求解式(7)~(10)得到最终的预测回归模型,即最小二乘支持向量机的LSSVM模型:
其中,K(x,xi)为RBF核函数,且K(x,xi)=exp(-g||x-xi||2),σ2为核宽度,xi是输入的训练数据,k=1,...,N。
8.根据权利要求7所述的一种压电传感器的温度补偿方法,其特征在于,在所述S5中,对惩罚因子c和RBF核函数参数g利用K-CV的交叉验证方法寻优求解,包括下列步骤:
首先将惩罚因子c和核函数参数g限定在合理的范围内,把模糊粒子化后的数据集均分为K组子集,将每组子集分别作为一次验证集,其余的K-1组子集作为训练集,得到K个模型,采用K个模型最终的验证集的分类准确率平均数作为此K-CV法分类器的预测准确度,将惩罚因子c和核函数参数g划分网格进行搜索,预测准确度最高的那一组c和g为LSSVM模型的最佳参数,从而得到优化后的LSSVM模型。
9.根据权利要求8所述的一种压电传感器的温度补偿方法,其特征在于,所述K选取为3。
10.根据权利要求1所述的一种压电传感器的温度补偿方法,其特征在于,将待补偿的压电传感器和一个用于产生激励的传感器A用耦合剂贴合起来,耦合剂在两者之间涂抹均匀,旋转带补偿的压电传感器和传感器A排除两者之间的空气;所述传感器A连接信号发生器,信号发生器使传感器A输出某个固定峰峰值信号;所述待补偿的压电传感器连接数据采集卡,数据采集卡将采集到的数据传输到电脑端进行补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133040.XA CN115879355A (zh) | 2021-09-27 | 2021-09-27 | 一种压电传感器的温度补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111133040.XA CN115879355A (zh) | 2021-09-27 | 2021-09-27 | 一种压电传感器的温度补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879355A true CN115879355A (zh) | 2023-03-31 |
Family
ID=85762767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111133040.XA Pending CN115879355A (zh) | 2021-09-27 | 2021-09-27 | 一种压电传感器的温度补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879355A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112981A (zh) * | 2023-10-23 | 2023-11-24 | 北京华力兴科技发展有限责任公司 | 一种钢板测厚数据优化采集方法 |
-
2021
- 2021-09-27 CN CN202111133040.XA patent/CN115879355A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117112981A (zh) * | 2023-10-23 | 2023-11-24 | 北京华力兴科技发展有限责任公司 | 一种钢板测厚数据优化采集方法 |
CN117112981B (zh) * | 2023-10-23 | 2024-01-09 | 北京华力兴科技发展有限责任公司 | 一种钢板测厚数据优化采集方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Adversarial domain-invariant generalization: A generic domain-regressive framework for bearing fault diagnosis under unseen conditions | |
Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
Lindemann et al. | Anomaly detection and prediction in discrete manufacturing based on cooperative LSTM networks | |
Baraldi et al. | Reconstruction of missing data in multidimensional time series by fuzzy similarity | |
CN110348752B (zh) | 一种考虑环境干扰的大型工业系统结构安全性评估方法 | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN105784556A (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
Aretakis et al. | Nonlinear engine component fault diagnosis from a limited number of measurements using a combinatorial approach | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
Lv et al. | Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction | |
Wang et al. | Compilation method of CNC lathe cutting force spectrum based on kernel density estimation of G-SCE | |
CN115879355A (zh) | 一种压电传感器的温度补偿方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
Wang et al. | Early anomaly warning of environment-induced bridge modal variability through localized principal component differences | |
CN103389360A (zh) | 基于概率主元回归模型的脱丁烷塔丁烷含量软测量方法 | |
Zhang et al. | Hierarchical hybrid testability modeling and evaluation method based on information fusion | |
Wang et al. | Multisensor fault diagnosis via Markov chain and Evidence theory | |
Henry et al. | Off-line robust fault diagnosis using the generalized structured singular value | |
CN116562171A (zh) | 一种温湿度在线计量的误差评估方法 | |
Wei et al. | Bayesian calibration of performance degradation in a gas turbine-driven compressor unit for prognosis health management | |
Yang et al. | GRA and AHP analysis of pneumatic control valve failure in an LNG plant | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 |
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 |