CN116086790B - 氢燃料电池高压阀的性能检测方法及其系统 - Google Patents

氢燃料电池高压阀的性能检测方法及其系统 Download PDF

Info

Publication number
CN116086790B
CN116086790B CN202310376086.7A CN202310376086A CN116086790B CN 116086790 B CN116086790 B CN 116086790B CN 202310376086 A CN202310376086 A CN 202310376086A CN 116086790 B CN116086790 B CN 116086790B
Authority
CN
China
Prior art keywords
pressure
feature
valve
vector
scale
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
Application number
CN202310376086.7A
Other languages
English (en)
Other versions
CN116086790A (zh
Inventor
张少特
张奇特
谭云培
袁兴泷
王兵正
谢万桥
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.)
Hangzhou Eda Precision Electromechanical Science & Technology Co ltd
Original Assignee
Hangzhou Eda Precision Electromechanical Science & Technology 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 Hangzhou Eda Precision Electromechanical Science & Technology Co ltd filed Critical Hangzhou Eda Precision Electromechanical Science & Technology Co ltd
Priority to CN202310376086.7A priority Critical patent/CN116086790B/zh
Publication of CN116086790A publication Critical patent/CN116086790A/zh
Application granted granted Critical
Publication of CN116086790B publication Critical patent/CN116086790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/003—Machine valves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

一种氢燃料电池高压阀的性能检测方法及其系统，其获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，多个预定时间点的气体流量值；采用基于深度学习的人工智能技术，挖掘阀前压力和阀后压力间压差的时序变化与气体流量的时序变化之间的映射关系，并基于两种时序变化之间的关联特征对于高压阀的性能进行检测。这样，可以精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。

Description

氢燃料电池高压阀的性能检测方法及其系统
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种氢燃料电池高压阀的性能检测方法及其系统。
背景技术
氢燃料电池汽车是氢能应用的重要方面，被认为是当下最具发展潜力的新能源发展路径之一。氢气理化特性比较特殊，对使用氢气介质的各类高压阀件(简称氢阀)的性能要求也远远高于传统阀件，而鉴于行业较新、各类标准和规范都不健全的情况下，如何基于应用工况对氢阀开展合理且必要的验证是当下必须解决的问题。
因此，期望一种氢燃料电池高压阀的性能检测方案。
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氢燃料电池高压阀的性能检测方法及其系统，其获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，多个预定时间点的气体流量值；采用基于深度学习的人工智能技术，挖掘阀前压力和阀后压力间压差的时序变化与气体流量的时序变化之间的映射关系，并基于两种时序变化之间的关联特征对于高压阀的性能进行检测。这样，可以精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。
第一方面，提供了一种氢燃料电池高压阀的性能检测方法，其包括：
获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；
将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；
将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；
计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；
计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；
基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及
将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
在上述氢燃料电池高压阀的性能检测方法中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
在上述氢燃料电池高压阀的性能检测方法中，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第一尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_1
其中，a为第一卷积核在x方向上的宽度、
Figure SMS_2
为第一卷积核参数向量、/>
Figure SMS_3
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_4
为第一卷积核的尺寸，/>
Figure SMS_5
表示所述阀前压力输入向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第二尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_6
其中，b为第二卷积核在x方向上的宽度、
Figure SMS_7
为第二卷积核参数向量、/>
Figure SMS_8
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_9
为第二卷积核的尺寸，/>
Figure SMS_10
表示所述阀前压力输入向量；以及，将所述第一尺度阀前压力特征向量和所述第二尺度阀前压力特征向量进行级联以得到所述阀前多尺度压力特征向量。
在上述氢燃料电池高压阀的性能检测方法中，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量，包括：以如下公式计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；其中，所述公式为：
Figure SMS_11
=/>
Figure SMS_12
其中，
Figure SMS_13
表示所述阀后多尺度压力特征向量，/>
Figure SMS_14
表示所述阀前多尺度压力特征向量，/>
Figure SMS_15
表示所述压比多尺度时序特征向量，/>
Figure SMS_16
表示按位置点除。
在上述氢燃料电池高压阀的性能检测方法中，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量，包括：将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度气体流量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度气体流量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度气体流量特征向量和所述第二尺度气体流量特征向量进行级联以得到所述气体流量时序特征向量。
在上述氢燃料电池高压阀的性能检测方法中，计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure SMS_17
其中，
Figure SMS_18
表示所述压比多尺度时序特征向量，/>
Figure SMS_19
表示所述气体流量时序特征向量，/>
Figure SMS_20
表示所述分类特征矩阵，/>
Figure SMS_21
表示矩阵相乘。
在上述氢燃料电池高压阀的性能检测方法中，基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图；对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量；以所述权重特征向量分别对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行按位置点乘以得到校正后压比多尺度时序特征向量和校正后气体流量时序特征向量；以及，计算所述校正后压比多尺度时序特征向量相对于所述校正后气体流量时序特征向量的转移矩阵以得到所述校正后分类特征矩阵。
在上述氢燃料电池高压阀的性能检测方法中，将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图，包括：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层的输出为所述转移响应特征图，其中，所述作为特征提取器的卷积神经网络的第一层的输入为所述分类特征矩阵。
在上述氢燃料电池高压阀的性能检测方法中，对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量，包括：以如下公式对所述转移响应特征图进行特征相关性累积区分机制建模以获得所述权重特征向量；其中，所述公式为：
Figure SMS_22
其中，
Figure SMS_25
表示所述转移响应特征图，/>
Figure SMS_27
和/>
Figure SMS_30
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
Figure SMS_23
表示/>
Figure SMS_26
激活函数，/>
Figure SMS_31
表示/>
Figure SMS_32
激活函数，且/>
Figure SMS_24
表示对特征图的每个特征矩阵进行全局池化操作，/>
Figure SMS_28
表示按位置加法，/>
Figure SMS_29
表示所述权重特征向量。
第二方面，提供了一种氢燃料电池高压阀的性能检测系统，其包括：
数据获取模块，用于获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；
向量排列模块，用于将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；
第一多尺度特征提取模块，用于将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；
按位置点除计算模块，用于计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
第二多尺度特征提取模块，用于将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；
转移矩阵计算模块，用于计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；
特征分布校正模块，用于基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及
被检测高压阀的性能生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
与现有技术相比，本申请提供的氢燃料电池高压阀的性能检测方法及其系统，其获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，多个预定时间点的气体流量值；采用基于深度学习的人工智能技术，挖掘阀前压力和阀后压力间压差的时序变化与气体流量的时序变化之间的映射关系，并基于两种时序变化之间的关联特征对于高压阀的性能进行检测。这样，可以精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的氢燃料电池高压阀的性能检测方法的场景示意图。
图2为根据本申请实施例的氢燃料电池高压阀的性能检测方法的流程图。
图3为根据本申请实施例的氢燃料电池高压阀的性能检测方法的架构示意图。
图4为根据本申请实施例的氢燃料电池高压阀的性能检测方法中步骤150的子步骤的流程图。
图5为根据本申请实施例的氢燃料电池高压阀的性能检测方法中步骤170的子步骤的流程图。
图6为根据本申请实施例的氢燃料电池高压阀的性能检测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，氢气理化特性比较特殊，对使用氢气介质的各类高压阀件(简称氢阀)的性能要求也远远高于传统阀件，而鉴于行业较新、各类标准和规范都不健全的情况下，如何基于应用工况对氢阀开展合理且必要的验证是当下必须解决的问题。因此，期望一种氢燃料电池高压阀的性能检测方案。
相应地，考虑到在进行氢燃料电池高压阀的性能检测过程中，由于压降是引起气流变化的主要要素，因此，如果被检测阀门的性能是正常的，阀前后压比与气体流量之间存在预定的模式关联。基于此，在本申请的技术方案中，期望基于阀前压力值和阀后压力值之间压差的时序变化与气体流量的时序变化间的模式关联来对于高压阀的性能进行检测。在此过程中，难点在于如何充分且准确地挖掘出所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的映射关系，以此来精准地进行两者模式关联的异常性检测，从而提高高压阀的性能检测的精准度，保证氢燃料电池汽车的正常运行。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值。接着，考虑到由于所述被检测氢燃料电池高压阀的阀前压力值和阀后压力值，以及所述气体流量值在时间维度上都具有着动态性的变化规律，为了能够提取出所述阀前压力值、所述阀后压力值和所述气体流量值分别在时序上的动态变化特征，以此来准确地进行所述阀前压力值和所述阀后压力值的压差时序变化特征以及所述气体流量值的时序变化特征的捕捉，以进行两者关联模式的异常判断，需要整合所述阀前压力值、所述阀后压力值和所述气体流量值分别在时序上的数据分布信息。具体地，在本申请的技术方案中，将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量。
然后，对于所述阀前压力值和所述阀后压力值来说，考虑到这两者在时间维度上都具有着波动性和不确定性，难以对于这两者的时序动态变化特征进行捕捉提取，进而也就降低了对于压差时序变化特征提取的精度。因此，在本申请的技术方案中，为了充分地提取出所述阀前压力值和所述阀后压力值分别在时间维度上的时序动态变化特征信息，进一步将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述阀前压力值和所述阀后压力值分别在所述预定时间段内不同时间周期跨度下的动态多尺度邻域关联特征，从而得到阀前多尺度压力特征向量和阀后多尺度压力特征向量。
接着，进一步再计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除，以此来表示所述阀后压力值的时序动态多尺度变化特征和所述阀前压力值的时序动态多尺度变化特征间的压力比值关联特征分布信息，也就是，所述被检测高压阀的阀前后压比在时间维度上的时序变化特征信息，从而得到压比多尺度时序特征向量。
进一步地，对于所述气体流量值来说，考虑到由于所述气体流量值在时间维度上也具有着动态性的变化特征信息，其在时序上也是具有波动性和不确定性，难以对其变化特征进行捕捉。因此，在本申请的技术方案中，进一步将所述气体流量输入向量通过所述多尺度邻域特征提取模块中进行处理，以提取出所述气体流量值在所述预定时间段内不同时间周期跨度下的动态多尺度邻域关联特征，从而得到气体流量时序特征向量。
然后，考虑到由于压降会引起气流的变化，如果所述被检测阀门的性能是正常的，则阀前后压比与气体流量之间存在预定模式关联，也就是说，所述阀前后压力值的时序动态变化特征与所述气体流量值的时序动态变化特征间具有着预定模式的时序关联关系。因此，在本申请的技术方案中，进一步计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵，以此来表示所述高压阀的阀前后压力差的时序多尺度动态变化特征和所述气体流量值的时序多尺度动态变化特征间的关联性特征分布信息，从而以此对于所述阀前后压比与所述气体流量之间的预定模式关联特征进行有效地刻画。
进一步地，以所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。也就是说，以所述阀前后压比的时序动态变化特征与所述气体流量的时序动态变化特征之间的关联特征信息来进行分类，从而对于两者之间的预定模式是否正常进行判断，以此来检测出所述被检测高压阀的性能是否正常。
也就是，在本申请的技术方案中，所述分类器的标签包括所述被检测高压阀的性能正常，以及，所述被检测高压阀的性能不正常，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述被检测高压阀的性能是否正常的检测判断标签，因此，在得到所述分类结果后，可基于所述分类结果来检测出所述被检测高压阀的性能，以此来对于所述被检测高压阀的性能是否正常进行精准评估判断，保证氢燃料电池汽车的正常运行。
特别地，在本申请的技术方案中，在计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为所述分类特征矩阵时，如果能够基于所述转移矩阵表达的特征向量间的特征值的域转移响应程度来对于所述压比多尺度时序特征向量和所述气体流量时序特征向量的各个位置的重要性进行区分，则可以优化所述分类特征矩阵的特征表示，从而提升所述分类特征矩阵的分类结果的准确性。
基于此，将所述分类特征矩阵通过作为特征提取器的卷积神经网络得到转移响应特征图
Figure SMS_33
，再提取所述转移响应特征图/>
Figure SMS_34
的通道维度上的单个转移子空间内的累积语义作为用于对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行加权的加权向量（因此，作为特征提取器的卷积神经网络的通道数需要与所述压比多尺度时序特征向量的长度相同）。具体地，对所述转移响应特征图/>
Figure SMS_35
进行特征相关性累积区分机制建模以获得权重特征向量/>
Figure SMS_36
，表示为：
Figure SMS_37
其中，
Figure SMS_38
和/>
Figure SMS_39
分别表示对所述转移响应特征图/>
Figure SMS_40
进行基于不同卷积核的单层卷积操作，且/>
Figure SMS_41
表示对所述转移响应特征图/>
Figure SMS_42
的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成所述转移响应特征图
Figure SMS_43
的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于所述转移响应特征图/>
Figure SMS_44
的各个特征矩阵的特征累积区分机制来确定用于表达累积空间语义的通道维度下适当的加权因数。然后，再以所述权重特征向量/>
Figure SMS_45
分别与所述压比多尺度时序特征向量和所述气体流量时序特征向量进行点乘，就可以优化作为所述压比多尺度时序特征向量和所述气体流量时序特征向量之间的转移矩阵的所述分类特征矩阵的特征表示，从而提升所述分类特征矩阵的分类结果的准确性。这样，能够精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。
图1为根据本申请实施例的氢燃料电池高压阀的性能检测方法的场景示意图。如图1所示，在该应用场景中，首先，获取被检测氢燃料电池高压阀（例如，如图1中所示意的M）在预定时间段内多个预定时间点的阀前压力值（例如，如图1中所示意的C1）和阀后压力值（例如，如图1中所示意的C2），以及，所述多个预定时间点的气体流量值（例如，如图1中所示意的C3）；然后，将获取的阀前压力值、阀后压力值和气体流量值输入至部署有氢燃料电池高压阀的性能检测算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于氢燃料电池高压阀的性能检测算法对所述阀前压力值、所述阀后压力值和所述气体流量值进行处理，以生成用于表示被检测高压阀的性能是否正常的分类结果。
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。
在本申请的一个实施例中，图2为根据本申请实施例的氢燃料电池高压阀的性能检测方法的流程图。如图2所示，根据本申请实施例的氢燃料电池高压阀的性能检测方法100，包括：110，获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；120，将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；130，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；140，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；150，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；160，计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；170，基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，180，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
图3为根据本申请实施例的氢燃料电池高压阀的性能检测方法的架构示意图。如图3所示，在该网络架构中，首先，获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；然后，将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；接着，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；然后，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；接着，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；然后，计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；接着，基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，最后，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
具体地，在步骤110中，获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值。
相应地，考虑到在进行氢燃料电池高压阀的性能检测过程中，由于压降是引起气流变化的主要要素，因此，如果被检测阀门的性能是正常的，阀前后压比与气体流量之间存在预定的模式关联。基于此，在本申请的技术方案中，期望基于阀前压力值和阀后压力值之间压差的时序变化与气体流量的时序变化间的模式关联来对于高压阀的性能进行检测。在此过程中，难点在于如何充分且准确地挖掘出所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的映射关系，以此来精准地进行两者模式关联的异常性检测，从而提高高压阀的性能检测的精准度，保证氢燃料电池汽车的正常运行。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述阀前压力和阀后压力间压差的时序变化与所述气体流量的时序变化之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值。
具体地，在步骤120中，将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量。
接着，考虑到由于所述被检测氢燃料电池高压阀的阀前压力值和阀后压力值，以及所述气体流量值在时间维度上都具有着动态性的变化规律，为了能够提取出所述阀前压力值、所述阀后压力值和所述气体流量值分别在时序上的动态变化特征，以此来准确地进行所述阀前压力值和所述阀后压力值的压差时序变化特征以及所述气体流量值的时序变化特征的捕捉，以进行两者关联模式的异常判断，需要整合所述阀前压力值、所述阀后压力值和所述气体流量值分别在时序上的数据分布信息。具体地，在本申请的技术方案中，将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量。
具体地，在步骤130中，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量。
然后，对于所述阀前压力值和所述阀后压力值来说，考虑到这两者在时间维度上都具有着波动性和不确定性，难以对于这两者的时序动态变化特征进行捕捉提取，进而也就降低了对于压差时序变化特征提取的精度。因此，在本申请的技术方案中，为了充分地提取出所述阀前压力值和所述阀后压力值分别在时间维度上的时序动态变化特征信息，进一步将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块中进行特征挖掘，以提取出所述阀前压力值和所述阀后压力值分别在所述预定时间段内不同时间周期跨度下的动态多尺度邻域关联特征，从而得到阀前多尺度压力特征向量和阀后多尺度压力特征向量。
其中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
进一步地，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第一尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_46
其中，a为第一卷积核在x方向上的宽度、
Figure SMS_47
为第一卷积核参数向量、/>
Figure SMS_48
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_49
为第一卷积核的尺寸，/>
Figure SMS_50
表示所述阀前压力输入向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第二尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_51
其中，b为第二卷积核在x方向上的宽度、
Figure SMS_52
为第二卷积核参数向量、/>
Figure SMS_53
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_54
为第二卷积核的尺寸，/>
Figure SMS_55
表示所述阀前压力输入向量；以及，将所述第一尺度阀前压力特征向量和所述第二尺度阀前压力特征向量进行级联以得到所述阀前多尺度压力特征向量。
更进一步地，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀后压力输入向量进行一维卷积编码以得到所述第一尺度阀后压力特征向量；其中，所述公式为：
Figure SMS_56
其中，a为第一卷积核在x方向上的宽度、
Figure SMS_57
为第一卷积核参数向量、/>
Figure SMS_58
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_59
为第一卷积核的尺寸，/>
Figure SMS_60
表示所述阀后压力输入向量；使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀后压力输入向量进行一维卷积编码以得到所述第二尺度阀后压力特征向量；其中，所述公式为：
Figure SMS_61
其中，b为第二卷积核在x方向上的宽度、
Figure SMS_62
为第二卷积核参数向量、/>
Figure SMS_63
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_64
为第二卷积核的尺寸，/>
Figure SMS_65
表示所述阀后压力输入向量；以及，将所述第一尺度阀后压力特征向量和所述第二尺度阀后压力特征向量进行级联以得到所述阀后多尺度压力特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在步骤140中，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量。接着，进一步再计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除，以此来表示所述阀后压力值的时序动态多尺度变化特征和所述阀前压力值的时序动态多尺度变化特征间的压力比值关联特征分布信息，也就是，所述被检测高压阀的阀前后压比在时间维度上的时序变化特征信息，从而得到压比多尺度时序特征向量。
其中，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量，包括：以如下公式计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；其中，所述公式为：
Figure SMS_66
=/>
Figure SMS_67
其中，
Figure SMS_68
表示所述阀后多尺度压力特征向量，/>
Figure SMS_69
表示所述阀前多尺度压力特征向量，/>
Figure SMS_70
表示所述压比多尺度时序特征向量，/>
Figure SMS_71
表示按位置点除。
具体地，在步骤150中，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量。进一步地，对于所述气体流量值来说，考虑到由于所述气体流量值在时间维度上也具有着动态性的变化特征信息，其在时序上也是具有波动性和不确定性，难以对其变化特征进行捕捉。
因此，在本申请的技术方案中，进一步将所述气体流量输入向量通过所述多尺度邻域特征提取模块中进行处理，以提取出所述气体流量值在所述预定时间段内不同时间周期跨度下的动态多尺度邻域关联特征，从而得到气体流量时序特征向量。
图4为根据本申请实施例的氢燃料电池高压阀的性能检测方法中步骤150的子步骤的流程图，如图4所示，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量，包括：151，将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度气体流量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；152，将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度气体流量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，153，将所述第一尺度气体流量特征向量和所述第二尺度气体流量特征向量进行级联以得到所述气体流量时序特征向量。
具体地，在步骤160中，计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵。然后，考虑到由于压降会引起气流的变化，如果所述被检测阀门的性能是正常的，则阀前后压比与气体流量之间存在预定模式关联，也就是说，所述阀前后压力值的时序动态变化特征与所述气体流量值的时序动态变化特征间具有着预定模式的时序关联关系。
因此，在本申请的技术方案中，进一步计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵，以此来表示所述高压阀的阀前后压力差的时序多尺度动态变化特征和所述气体流量值的时序多尺度动态变化特征间的关联性特征分布信息，从而以此对于所述阀前后压比与所述气体流量之间的预定模式关联特征进行有效地刻画。
计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure SMS_72
其中，
Figure SMS_73
表示所述压比多尺度时序特征向量，/>
Figure SMS_74
表示所述气体流量时序特征向量，/>
Figure SMS_75
表示所述分类特征矩阵，/>
Figure SMS_76
表示矩阵相乘。
具体地，在步骤170中，基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵。
图5为根据本申请实施例的氢燃料电池高压阀的性能检测方法中步骤170的子步骤的流程图，如图5所示，基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：171，将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图；172，对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量；173，以所述权重特征向量分别对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行按位置点乘以得到校正后压比多尺度时序特征向量和校正后气体流量时序特征向量；以及，174，计算所述校正后压比多尺度时序特征向量相对于所述校正后气体流量时序特征向量的转移矩阵以得到所述校正后分类特征矩阵。
其中，将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图，包括：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层的输出为所述转移响应特征图，其中，所述作为特征提取器的卷积神经网络的第一层的输入为所述分类特征矩阵。
特别地，在本申请的技术方案中，在计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为所述分类特征矩阵时，如果能够基于所述转移矩阵表达的特征向量间的特征值的域转移响应程度来对于所述压比多尺度时序特征向量和所述气体流量时序特征向量的各个位置的重要性进行区分，则可以优化所述分类特征矩阵的特征表示，从而提升所述分类特征矩阵的分类结果的准确性。
基于此，将所述分类特征矩阵通过作为特征提取器的卷积神经网络得到转移响应特征图
Figure SMS_77
，再提取所述转移响应特征图/>
Figure SMS_78
的通道维度上的单个转移子空间内的累积语义作为用于对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行加权的加权向量（因此，作为特征提取器的卷积神经网络的通道数需要与所述压比多尺度时序特征向量的长度相同）。具体地，对所述转移响应特征图/>
Figure SMS_79
进行特征相关性累积区分机制建模以获得权重特征向量/>
Figure SMS_80
，也就是，以如下公式对所述转移响应特征图进行特征相关性累积区分机制建模以获得所述权重特征向量；其中，所述公式为：
Figure SMS_81
其中，
Figure SMS_83
表示所述转移响应特征图，/>
Figure SMS_86
和/>
Figure SMS_89
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
Figure SMS_82
表示/>
Figure SMS_85
激活函数，/>
Figure SMS_88
表示/>
Figure SMS_91
激活函数，且/>
Figure SMS_84
表示对特征图的每个特征矩阵进行全局池化操作，/>
Figure SMS_87
表示按位置加法，/>
Figure SMS_90
表示所述权重特征向量。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成所述转移响应特征图
Figure SMS_92
的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于所述转移响应特征图/>
Figure SMS_93
的各个特征矩阵的特征累积区分机制来确定用于表达累积空间语义的通道维度下适当的加权因数。然后，再以所述权重特征向量/>
Figure SMS_94
分别与所述压比多尺度时序特征向量和所述气体流量时序特征向量进行点乘，就可以优化作为所述压比多尺度时序特征向量和所述气体流量时序特征向量之间的转移矩阵的所述分类特征矩阵的特征表示，从而提升所述分类特征矩阵的分类结果的准确性。这样，能够精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。
具体地，在步骤180中，将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。进一步地，以所述转移矩阵作为分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。也就是说，以所述阀前后压比的时序动态变化特征与所述气体流量的时序动态变化特征之间的关联特征信息来进行分类，从而对于两者之间的预定模式是否正常进行判断，以此来检测出所述被检测高压阀的性能是否正常。
也就是，在本申请的技术方案中，所述分类器的标签包括所述被检测高压阀的性能正常，以及，所述被检测高压阀的性能不正常，其中，所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，所述分类器的分类标签为所述被检测高压阀的性能是否正常的检测判断标签，因此，在得到所述分类结果后，可基于所述分类结果来检测出所述被检测高压阀的性能，以此来对于所述被检测高压阀的性能是否正常进行精准评估判断，保证氢燃料电池汽车的正常运行。
在本申请一具体示例中，使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以得到所述分类结果；其中，所述公式为：
Figure SMS_95
，其中，/>
Figure SMS_96
到/>
Figure SMS_97
为权重矩阵，/>
Figure SMS_98
到/>
Figure SMS_99
为偏置向量，/>
Figure SMS_100
为将所述校正后分类特征矩阵投影为向量。
综上，基于本申请实施例的氢燃料电池高压阀的性能检测方法100被阐明，其获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，多个预定时间点的气体流量值；采用基于深度学习的人工智能技术，挖掘阀前压力和阀后压力间压差的时序变化与气体流量的时序变化之间的映射关系，并基于两种时序变化之间的关联特征对于高压阀的性能进行检测。这样，可以精准地对于氢燃料电池高压阀的性能进行检测评估，从而保证氢燃料电池汽车的正常运行。
在本申请的一个实施例中，图6为根据本申请实施例的氢燃料电池高压阀的性能检测系统的框图。如图6所示，根据本申请实施例的氢燃料电池高压阀的性能检测系统200，包括：数据获取模块210，用于获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；向量排列模块220，用于将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；第一多尺度特征提取模块230，用于将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；按位置点除计算模块240，用于计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
第二多尺度特征提取模块250，用于将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；转移矩阵计算模块260，用于计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；特征分布校正模块270，用于基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及，被检测高压阀的性能生成模块280，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述第一多尺度特征提取模块，包括：第一尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第一尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_101
其中，a为第一卷积核在x方向上的宽度、
Figure SMS_102
为第一卷积核参数向量、/>
Figure SMS_103
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_104
为第一卷积核的尺寸，/>
Figure SMS_105
表示所述阀前压力输入向量；第二尺度特征提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第二尺度阀前压力特征向量；其中，所述公式为：
Figure SMS_106
其中，b为第二卷积核在x方向上的宽度、
Figure SMS_107
为第二卷积核参数向量、/>
Figure SMS_108
为与卷积核函数运算的局部向量矩阵，/>
Figure SMS_109
为第二卷积核的尺寸，/>
Figure SMS_110
表示所述阀前压力输入向量；以及，级联单元，将所述第一尺度阀前压力特征向量和所述第二尺度阀前压力特征向量进行级联以得到所述阀前多尺度压力特征向量。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述按位置点除计算模块，用于：以如下公式计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；其中，所述公式为：
Figure SMS_111
=/>
Figure SMS_112
其中，
Figure SMS_113
表示所述阀后多尺度压力特征向量，/>
Figure SMS_114
表示所述阀前多尺度压力特征向量，/>
Figure SMS_115
表示所述压比多尺度时序特征向量，/>
Figure SMS_116
表示按位置点除。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述第二多尺度特征提取模块，包括：第一特征单元，用于将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度气体流量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；第二特征单元，用于将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度气体流量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，向量级联单元，用于将所述第一尺度气体流量特征向量和所述第二尺度气体流量特征向量进行级联以得到所述气体流量时序特征向量。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述转移矩阵计算模块，用于：以如下公式计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；其中，所述公式为：
Figure SMS_117
其中，
Figure SMS_118
表示所述压比多尺度时序特征向量，/>
Figure SMS_119
表示所述气体流量时序特征向量，/>
Figure SMS_120
表示所述分类特征矩阵，/>
Figure SMS_121
表示矩阵相乘。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述特征分布校正模块，包括：特征提取单元，用于将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图；建模单元，用于对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量； 校正单元，用于以所述权重特征向量分别对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行按位置点乘以得到校正后压比多尺度时序特征向量和校正后气体流量时序特征向量；以及，计算单元，用于计算所述校正后压比多尺度时序特征向量相对于所述校正后气体流量时序特征向量的转移矩阵以得到所述校正后分类特征矩阵。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述特征提取单元，用于：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层的输出为所述转移响应特征图，其中，所述作为特征提取器的卷积神经网络的第一层的输入为所述分类特征矩阵。
在一个具体示例中，在上述氢燃料电池高压阀的性能检测系统中，所述建模单元，用于：以如下公式对所述转移响应特征图进行特征相关性累积区分机制建模以获得所述权重特征向量；其中，所述公式为：
Figure SMS_122
其中，
Figure SMS_125
表示所述转移响应特征图，/>
Figure SMS_127
和/>
Figure SMS_131
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
Figure SMS_124
表示/>
Figure SMS_126
激活函数，/>
Figure SMS_128
表示/>
Figure SMS_130
激活函数，且/>
Figure SMS_123
表示对特征图的每个特征矩阵进行全局池化操作，/>
Figure SMS_129
表示按位置加法，/>
Figure SMS_132
表示所述权重特征向量。
这里，本领域技术人员可以理解，上述氢燃料电池高压阀的性能检测系统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5的氢燃料电池高压阀的性能检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的氢燃料电池高压阀的性能检测系统100可以实现在各种终端设备中，例如用于氢燃料电池高压阀的性能检测的服务器等。在一个示例中，根据本申请实施例的氢燃料电池高压阀的性能检测系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该氢燃料电池高压阀的性能检测系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该氢燃料电池高压阀的性能检测系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该氢燃料电池高压阀的性能检测系统100与该终端设备也可以是分立的设备，并且氢燃料电池高压阀的性能检测系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
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。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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 (4)

1.一种氢燃料电池高压阀的性能检测方法，其特征在于，包括：
获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；
将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；
将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；
计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；
计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；
基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及
将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常；
其中，所述多尺度邻域特征提取模块，包括：并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度；
其中，将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第一尺度阀前压力特征向量；
其中，所述公式为：
Figure QLYQS_1
其中，a为第一卷积核在x方向上的宽度、
Figure QLYQS_2
为第一卷积核参数向量、/>
Figure QLYQS_3
为与卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_4
为第一卷积核的尺寸，/>
Figure QLYQS_5
表示所述阀前压力输入向量；
使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述阀前压力输入向量进行一维卷积编码以得到所述第二尺度阀前压力特征向量；
其中，所述公式为：
Figure QLYQS_6
其中，b为第二卷积核在x方向上的宽度、
Figure QLYQS_7
为第二卷积核参数向量、/>
Figure QLYQS_8
为与卷积核函数运算的局部向量矩阵，/>
Figure QLYQS_9
为第二卷积核的尺寸，/>
Figure QLYQS_10
表示所述阀前压力输入向量；以及
将所述第一尺度阀前压力特征向量和所述第二尺度阀前压力特征向量进行级联以得到所述阀前多尺度压力特征向量；
其中，将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量，包括：
将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一尺度气体流量特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述气体流量输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二尺度气体流量特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一尺度气体流量特征向量和所述第二尺度气体流量特征向量进行级联以得到所述气体流量时序特征向量；
基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵，包括：
将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图；
对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量；
以所述权重特征向量分别对所述压比多尺度时序特征向量和所述气体流量时序特征向量进行按位置点乘以得到校正后压比多尺度时序特征向量和校正后气体流量时序特征向量；以及
计算所述校正后压比多尺度时序特征向量相对于所述校正后气体流量时序特征向量的转移矩阵以得到所述校正后分类特征矩阵；
其中，将所述分类特征矩阵通过作为特征提取器的卷积神经网络以得到转移响应特征图，包括：使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行卷积处理、均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层的输出为所述转移响应特征图，其中，所述作为特征提取器的卷积神经网络的第一层的输入为所述分类特征矩阵；
其中，对所述转移响应特征图进行特征相关性累积区分机制建模以获得权重特征向量，包括：
以如下公式对所述转移响应特征图进行特征相关性累积区分机制建模以获得所述权重特征向量；
其中，所述公式为：
Figure QLYQS_11
其中，
Figure QLYQS_14
表示所述转移响应特征图，/>
Figure QLYQS_17
和/>
Figure QLYQS_18
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
Figure QLYQS_12
表示/>
Figure QLYQS_16
激活函数，/>
Figure QLYQS_20
表示/>
Figure QLYQS_21
激活函数，且/>
Figure QLYQS_13
表示对特征图的每个特征矩阵进行全局池化操作，/>
Figure QLYQS_15
表示按位置加法，/>
Figure QLYQS_19
表示所述权重特征向量。
2.根据权利要求1所述的氢燃料电池高压阀的性能检测方法，其特征在于，计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量，包括：
以如下公式计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
其中，所述公式为：
Figure QLYQS_22
=/>
Figure QLYQS_23
其中，
Figure QLYQS_24
表示所述阀后多尺度压力特征向量，/>
Figure QLYQS_25
表示所述阀前多尺度压力特征向量，/>
Figure QLYQS_26
表示所述压比多尺度时序特征向量，/>
Figure QLYQS_27
表示按位置点除。
3.根据权利要求2所述的氢燃料电池高压阀的性能检测方法，其特征在于，计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵，包括：以如下公式计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；
其中，所述公式为：
Figure QLYQS_28
其中，
Figure QLYQS_29
表示所述压比多尺度时序特征向量，/>
Figure QLYQS_30
表示所述气体流量时序特征向量，/>
Figure QLYQS_31
表示所述分类特征矩阵，/>
Figure QLYQS_32
表示矩阵相乘。
4.一种氢燃料电池高压阀的性能检测系统，用于实现如权利要求1所述的氢燃料电池高压阀的性能检测方法，其特征在于，包括：
数据获取模块，用于获取被检测氢燃料电池高压阀在预定时间段内多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值；
向量排列模块，用于将所述多个预定时间点的阀前压力值和阀后压力值，以及，所述多个预定时间点的气体流量值分别按照时间维度排列为阀前压力输入向量、阀后压力输入向量和气体流量输入向量；
第一多尺度特征提取模块，用于将所述阀前压力输入向量和所述阀后压力输入向量分别通过多尺度邻域特征提取模块以得到阀前多尺度压力特征向量和阀后多尺度压力特征向量；
按位置点除计算模块，用于计算所述阀后多尺度压力特征向量相对于所述阀前多尺度压力特征向量的按位置点除以得到压比多尺度时序特征向量；
第二多尺度特征提取模块，用于将所述气体流量输入向量通过所述多尺度邻域特征提取模块以得到气体流量时序特征向量；
转移矩阵计算模块，用于计算所述压比多尺度时序特征向量相对于所述气体流量时序特征向量的转移矩阵作为分类特征矩阵；
特征分布校正模块，用于基于所述压比多尺度时序特征向量和所述气体流量时序特征向量，对所述分类特征矩阵进行特征分布校正以得到校正后分类特征矩阵；以及
被检测高压阀的性能生成模块，用于将所述校正后分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测高压阀的性能是否正常。
CN202310376086.7A 2023-04-11 2023-04-11 氢燃料电池高压阀的性能检测方法及其系统 Active CN116086790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310376086.7A CN116086790B (zh) 2023-04-11 2023-04-11 氢燃料电池高压阀的性能检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310376086.7A CN116086790B (zh) 2023-04-11 2023-04-11 氢燃料电池高压阀的性能检测方法及其系统

Publications (2)

Publication Number Publication Date
CN116086790A CN116086790A (zh) 2023-05-09
CN116086790B true CN116086790B (zh) 2023-06-23

Family

ID=86201112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310376086.7A Active CN116086790B (zh) 2023-04-11 2023-04-11 氢燃料电池高压阀的性能检测方法及其系统

Country Status (1)

Country Link
CN (1) CN116086790B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116551466B (zh) * 2023-05-24 2024-05-14 深圳市捷辉创科技有限公司 Cnc加工过程中的智能监控系统及其方法
CN116832588B (zh) * 2023-08-25 2024-02-02 湖北鼎信成套设备有限公司 酸再生烟气净化装置及其方法
CN116772944B (zh) * 2023-08-25 2023-12-01 克拉玛依市燃气有限责任公司 配气站的智能监控系统及其方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法
CN103575513A (zh) * 2012-07-20 2014-02-12 苏州富洛克流体控制科技有限公司 特种阀件性能检测试验装置
CN110135066A (zh) * 2019-05-15 2019-08-16 北京交通大学 一种动力换挡变速箱先导式溢流阀的故障诊断方法
CN111456983A (zh) * 2020-04-17 2020-07-28 中铁隧道局集团有限公司 一种基于小波分析的液压调速阀检测分析方法
CN111929053A (zh) * 2020-07-07 2020-11-13 中国矿业大学 基于da-rvfln的气动调节阀领域适应故障诊断方法
CN112903281A (zh) * 2020-12-15 2021-06-04 西安航天动力研究所 一种组合阀测试管路及系统
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN113076982A (zh) * 2021-03-25 2021-07-06 南京晨光集团有限责任公司 基于比例阀轴控器的故障诊断及测试方法
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
WO2022130719A1 (ja) * 2020-12-16 2022-06-23 日立Astemo株式会社 電子制御装置及び流量測定システム
CN115437416A (zh) * 2022-10-17 2022-12-06 杭州市燃气集团有限公司 一种天然气透平膨胀发电系统压力控制方法
CN115468767A (zh) * 2022-08-24 2022-12-13 华能新能源股份有限公司 风力发电机组的轴承润滑系统故障诊断系统及其方法
CN115688592A (zh) * 2022-11-09 2023-02-03 福建德尔科技股份有限公司 用于电子级四氟化碳制备的精馏控制系统及其方法
CN115901232A (zh) * 2022-11-21 2023-04-04 中国人民解放军63796部队 基于流量信号的电磁换向阀寿命预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103575513A (zh) * 2012-07-20 2014-02-12 苏州富洛克流体控制科技有限公司 特种阀件性能检测试验装置
CN103336189A (zh) * 2013-05-24 2013-10-02 中国人民解放军第二炮兵工程大学 一种基于电流检测的电磁阀故障诊断方法
CN110135066A (zh) * 2019-05-15 2019-08-16 北京交通大学 一种动力换挡变速箱先导式溢流阀的故障诊断方法
CN111456983A (zh) * 2020-04-17 2020-07-28 中铁隧道局集团有限公司 一种基于小波分析的液压调速阀检测分析方法
CN111929053A (zh) * 2020-07-07 2020-11-13 中国矿业大学 基于da-rvfln的气动调节阀领域适应故障诊断方法
WO2021204010A1 (zh) * 2020-11-19 2021-10-14 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
CN112903281A (zh) * 2020-12-15 2021-06-04 西安航天动力研究所 一种组合阀测试管路及系统
WO2022130719A1 (ja) * 2020-12-16 2022-06-23 日立Astemo株式会社 電子制御装置及び流量測定システム
CN113053115A (zh) * 2021-03-17 2021-06-29 北京工商大学 一种基于多尺度图卷积网络模型的交通预测方法
CN113076982A (zh) * 2021-03-25 2021-07-06 南京晨光集团有限责任公司 基于比例阀轴控器的故障诊断及测试方法
CN115468767A (zh) * 2022-08-24 2022-12-13 华能新能源股份有限公司 风力发电机组的轴承润滑系统故障诊断系统及其方法
CN115437416A (zh) * 2022-10-17 2022-12-06 杭州市燃气集团有限公司 一种天然气透平膨胀发电系统压力控制方法
CN115688592A (zh) * 2022-11-09 2023-02-03 福建德尔科技股份有限公司 用于电子级四氟化碳制备的精馏控制系统及其方法
CN115901232A (zh) * 2022-11-21 2023-04-04 中国人民解放军63796部队 基于流量信号的电磁换向阀寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
单向阀微弱内泄漏故障征提取与模式识别研究;熊力 等;机械科学与技术;全文 *
基于多特征融合的MLP压裂泵单向阀故障诊断研究;潘灵永;机电工程;第38卷(第10期);全文 *
多约束下高压螺纹插装型溢流阀启闭特性研究;陈俊翔 等;液压与气动;第47卷(第1期);全文 *

Also Published As

Publication number Publication date
CN116086790A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN116086790B (zh) 氢燃料电池高压阀的性能检测方法及其系统
CN111144548B (zh) 抽油机井工况的识别方法及装置
CN111695620B (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN116577677B (zh) 退役动力电池的放电测试系统及其方法
CN116597635B (zh) 无线通讯智能燃气表控制器及其控制方法
CN116336400B (zh) 油气集输管道基线检测方法
CN115456789B (zh) 基于交易模式识别的异常交易检测方法及其系统
CN101614786A (zh) 基于frft和ifsvc的功率电子电路在线智能故障诊断方法
CN116247824B (zh) 电力设备的控制方法及其系统
CN116092701A (zh) 基于健康数据分析管理平台的控制系统及其方法
CN116821697B (zh) 一种基于小样本学习的机械设备故障诊断方法
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN115018012B (zh) 一种高维度特性下的物联网时间序列异常检测方法及系统
CN116184972A (zh) 空气分离装置的控制系统及其方法
CN115600140A (zh) 基于多源数据融合的风机变桨系统故障识别方法及其系统
CN115879777A (zh) 基于时空大数据的石油安全智能推演系统及其方法
CN117155706A (zh) 网络异常行为检测方法及其系统
CN116152254A (zh) 工业泄露目标气体检测模型训练方法、检测方法、电子设备
CN117104377A (zh) 电动自行车的智能管理系统及其方法
CN117689278B (zh) 施工质量智能管理系统及方法
Liu et al. Fault diagnosis of complex industrial systems based on multi-granularity dictionary learning and its application
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
CN116772122A (zh) 一种天然气管道泄漏故障诊断方法、系统、设备及介质
CN116449881A (zh) 智能气缸及其控制方法
CN116468894A (zh) 面向锂电池极片可监督学习的距离自适应掩码生成方法

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