CN116150566B - 船舶燃料供应安全监测系统及其方法 - Google Patents

船舶燃料供应安全监测系统及其方法 Download PDF

Info

Publication number
CN116150566B
CN116150566B CN202310424268.7A CN202310424268A CN116150566B CN 116150566 B CN116150566 B CN 116150566B CN 202310424268 A CN202310424268 A CN 202310424268A CN 116150566 B CN116150566 B CN 116150566B
Authority
CN
China
Prior art keywords
temperature
pressure
training
matrix
time sequence
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
CN202310424268.7A
Other languages
English (en)
Other versions
CN116150566A (zh
Inventor
沈海涛
洪建沣
郭景州
胡国军
王杰
柴剑
陆叶
俞翊轩
赵广森
蔡日新
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.)
Zhejiang Zheneng Mailing Environmental Technology Co ltd
Original Assignee
Zhejiang Zheneng Mailing Environmental 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 Zhejiang Zheneng Mailing Environmental Technology Co ltd filed Critical Zhejiang Zheneng Mailing Environmental Technology Co ltd
Priority to CN202310424268.7A priority Critical patent/CN116150566B/zh
Publication of CN116150566A publication Critical patent/CN116150566A/zh
Application granted granted Critical
Publication of CN116150566B publication Critical patent/CN116150566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F17C13/025—Special adaptations of indicating, measuring, or monitoring equipment having the pressure as the parameter
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C13/00—Details of vessels or of the filling or discharging of vessels
    • F17C13/02—Special adaptations of indicating, measuring, or monitoring equipment
    • F17C13/026—Special adaptations of indicating, measuring, or monitoring equipment having the temperature as the parameter
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/04—Indicating or measuring of parameters as input values
    • F17C2250/0404—Parameters indicated or measured
    • F17C2250/043—Pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
    • F17C2250/00—Accessories; Control means; Indicating, measuring or monitoring of parameters
    • F17C2250/04—Indicating or measuring of parameters as input values
    • F17C2250/0404—Parameters indicated or measured
    • F17C2250/0439—Temperature
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/30—Use of alternative fuels, e.g. biofuels

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Filling Or Discharging Of Gas Storage Vessels (AREA)

Abstract

公开了一种船舶燃料供应安全监测系统及其方法。其首先将多个预定时间点的天然气储气罐的温度值和压力值分别排列为输入向量后进行关联编码以得到第一温度‑压力关联矩阵，接着，将多个预定时间点的供气管路的温度值和压力值分别排列为输入向量后进行关联编码以得到第二温度‑压力关联矩阵，然后，计算所述第一温度‑压力关联矩阵卷积编码得到的第一温度‑压力关联特征向量和所述第二温度‑压力关联矩阵卷积编码得到的第二温度‑压力关联特征向量之间的转移矩阵作为分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示天然气燃气供应是否安全的分类结果。这样，可以保证船舶燃料的供应安全。

Description

船舶燃料供应安全监测系统及其方法
技术领域
本申请涉及智能监测领域，且更为具体地，涉及一种船舶燃料供应安全监测系统及其方法。
背景技术
目前，船舶行业中广泛使用的燃料是传统的燃油，但由于其排放的污染物严重影响环境和人类健康，因此需要寻找替代能源。天然气燃料作为一种清洁、高效、低碳的能源，已经被广泛应用于船舶领域。然而，由于天然气燃料的特殊理化性质和安全风险，需要采取相应的安全监测措施。相关技术中，对于天然气燃料供应的监测较为传统，难以实现安全可靠的天然气燃料供应，导致船舶在运输或航行过程中存在较大的风险。
因此，期望一种优化的船舶燃料供应安全监测系统。
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船舶燃料供应安全监测系统及其方法。其首先将多个预定时间点的天然气储气罐的温度值和压力值分别排列为输入向量后进行关联编码以得到第一温度-压力关联矩阵，接着，将多个预定时间点的供气管路的温度值和压力值分别排列为输入向量后进行关联编码以得到第二温度-压力关联矩阵，然后，计算所述第一温度-压力关联矩阵卷积编码得到的第一温度-压力关联特征向量和所述第二温度-压力关联矩阵卷积编码得到的第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示天然气燃气供应是否安全的分类结果。这样，可以保证船舶燃料的供应安全。
根据本申请的一个方面，提供了一种船舶燃料供应安全监测系统，其包括：
数据采集模块，用于获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；
储气罐数据时序排列模块，用于将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；
供气管路数据时序排列模块，用于将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；
数据时序关联模块，用于对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；
储气罐数据时序关联特征提取模块，用于将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；
供气管路数据时序关联特征提取模块，用于将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；
数据转移编码模块，用于计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及
安全检测模块，用于将所述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天然气燃气供应是否安全。
在上述的船舶燃料供应安全监测系统中，所述数据时序关联模块，用于：
以如下关联编码公式对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到所述第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到所述第二温度-压力关联矩阵；
其中，所述关联编码公式为：
Figure SMS_1
Figure SMS_2
其中，
Figure SMS_3
表示所述第一温度时序输入向量，/>
Figure SMS_7
表示所述第一温度时序输入向量的转置向量，/>
Figure SMS_10
表示所述第一压力时序输入向量，/>
Figure SMS_5
表示所述第一温度-压力关联矩阵，/>
Figure SMS_6
表示所述第二温度时序输入向量，/>
Figure SMS_9
表示所述第二温度时序输入向量的转置向量，/>
Figure SMS_11
表示所述第二压力时序输入向量，/>
Figure SMS_4
表示所述第二温度-压力关联矩阵，/>
Figure SMS_8
表示向量相乘。
在上述的船舶燃料供应安全监测系统中，所述储气罐数据时序关联特征提取模块，用于：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一温度-压力关联特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一温度-压力关联矩阵。
在上述的船舶燃料供应安全监测系统中，所述供气管路数据时序关联特征提取模块，用于：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述第二温度-压力关联特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述第二温度-压力关联矩阵。
在上述的船舶燃料供应安全监测系统中，所述数据转移编码模块，用于：
以如下转移公式计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为所述分类特征矩阵；
其中，所述转移公式为：
Figure SMS_12
其中，
Figure SMS_13
表示所述第一温度-压力关联特征向量，/>
Figure SMS_14
表示所述第二温度-压力关联特征向量，/>
Figure SMS_15
表示所述转移矩阵，/>
Figure SMS_16
表示向量相乘。
在上述的船舶燃料供应安全监测系统中，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练模块。
在上述的船舶燃料供应安全监测系统中，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的天然气储气罐的训练温度值和训练压力值，所述多个预定时间点的供气管路的训练温度值和训练压力值，以及，所述天然气燃气供应是否安全的真实值；
训练储气罐数据时序排列单元，用于将所述多个预定时间点的天然气储气罐的训练温度值和训练压力值分别按照时间维度排列为第一训练温度时序输入向量和第一训练压力时序输入向量；
训练供气管路数据时序排列单元，用于将所述多个预定时间点的供气管路的训练温度值和训练压力值分别按照时间维度排列为第二训练温度时序输入向量和第二训练压力时序输入向量；
训练数据时序关联单元，用于对所述第一训练温度时序输入向量和所述第一训练压力时序输入向量进行关联编码以得到第一训练温度-压力关联矩阵，且对所述第二训练温度时序输入向量和所述第二训练压力时序输入向量进行关联编码以得到第二训练温度-压力关联矩阵；
训练储气罐数据时序关联特征提取单元，用于将所述第一训练温度-压力关联矩阵通过所述作为过滤器的第一卷积神经网络模型以得到第一训练温度-压力关联特征向量；
训练供气管路数据时序关联特征提取单元，用于将所述第二训练温度-压力关联矩阵通过所述作为过滤器的第二卷积神经网络模型以得到第二训练温度-压力关联特征向量；
训练数据转移编码单元，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的转移矩阵作为训练分类特征矩阵；
分类损失单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
流式精细化损失单元，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数值；以及
模型训练单元，用于以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
在上述的船舶燃料供应安全监测系统中，所述分类损失单元，用于：
使用所述分类器以如下损失公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述损失公式为：
Figure SMS_17
，其中/>
Figure SMS_18
表示将所述训练分类特征矩阵投影为向量，/>
Figure SMS_19
至/>
Figure SMS_20
为各层全连接层的权重矩阵，/>
Figure SMS_21
至/>
Figure SMS_22
表示各层全连接层的偏置矩阵；以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在上述的船舶燃料供应安全监测系统中，所述流式精细化损失单元，用于：
以如下优化公式计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的所述流式精细化损失函数值；
其中，所述优化公式为：
Figure SMS_23
其中，
Figure SMS_24
表示所述第一训练温度-压力关联特征向量，/>
Figure SMS_25
表示所述第二训练温度-压力关联特征向量，/>
Figure SMS_26
表示向量的二范数的平方，且/>
Figure SMS_27
和/>
Figure SMS_28
分别表示向量的逐位置减法和乘法，/>
Figure SMS_29
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_30
表示所述流式精细化损失函数值。
根据本申请的另一个方面，提供了一种船舶燃料供应安全监测方法，其包括：
获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；
将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；
将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；
对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；
将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；
将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；
计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及
将所述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天然气燃气供应是否安全。
与现有技术相比，本申请提供的船舶燃料供应安全监测系统及其方法，其首先将多个预定时间点的天然气储气罐的温度值和压力值分别排列为输入向量后进行关联编码以得到第一温度-压力关联矩阵，接着，将多个预定时间点的供气管路的温度值和压力值分别排列为输入向量后进行关联编码以得到第二温度-压力关联矩阵，然后，计算所述第一温度-压力关联矩阵卷积编码得到的第一温度-压力关联特征向量和所述第二温度-压力关联矩阵卷积编码得到的第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示天然气燃气供应是否安全的分类结果。这样，可以保证船舶燃料的供应安全。
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而言，在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的船舶燃料供应安全监测系统的应用场景图。
图2为根据本申请实施例的船舶燃料供应安全监测系统的框图示意图。
图3为根据本申请实施例的船舶燃料供应安全监测系统中的所述训练模块的框图示意图。
图4为根据本申请实施例的船舶燃料供应安全监测方法的流程图。
图5为根据本申请实施例的船舶燃料供应安全监测方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
如上所述，天然气燃料具有特殊理化性质和安全风险，需要采取相应的安全监测措施。相关技术中，对于天然气燃料供应的监测较为传统，难以实现安全可靠的天然气燃料供应，导致船舶在运输或航行过程中存在较大的风险。因此，期望一种优化的船舶燃料供应安全监测系统。
相应地，考虑到在实际进行天然气燃料的安全监测过程中，不仅需要对于天然气的储存进行安全监测，还应对于天然气在供应过程中的管路安全进行监测。并且，还考虑到天然气的危险情况在于温度和压力超出预定阈值，导致天然气易燃，因此在实际的安全监测时，对于天然气的储存和供应过程中的温度和压力的实时监测具有重要意义。基于此，在本申请的技术方案中，期望通过对于天然气储气罐的温度和压力值的时序变化情况，以及供气管路的温度值和压力值的时序变化情况进行分析，以此来准确地进行天然气的安全监测。但是，由于不管是天然气储气罐的温度值和压力值数据，还是供气管路的温度值和压力值数据，其都在时间维度上都具有着协同的关联关系，并且，所述天然气储气罐和供气管路之间也存在着关于天然气供应的关联关系。因此，在此过程中，难点在于如何建立所述天然气储气罐的温度值和压力值的时序协同关联特征与所述供气管路的温度值和压力值的时序协同关联特征之间的映射关系，以此基于天然气实际的储存状态情况和供应状态情况来准确地进行天然气的安全监测，保证船舶燃料的供应安全。
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。深度学习以及神经网络的发展为挖掘所述天然气储气罐的温度值和压力值的时序协同关联特征与所述供气管路的温度值和压力值的时序协同关联特征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天然气储气罐的温度值和压力值的时序协同关联特征与所述供气管路的温度值和压力值的时序协同关联特征之间的复杂映射关系。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值。应可以理解，所述天然气储气罐的温度和压力是反映天然气储存状态的关键参数。在燃料供应过程中，天然气燃料需要从所述储气罐中释放出来，因此所述储气罐的温度和压力直接影响天然气燃料的供应量和质量。通过获取所述储气罐的温度和压力数据，可以及时监测储气罐的状态，并预测潜在的安全风险。并且，所述供气管路的温度和压力是反映天然气燃料供应过程中管路状态的关键参数。在燃料供应过程中，天然气燃料需要通过所述管路输送到燃料系统中，因此所述管路的温度和压力直接影响天然气燃料的输送量和质量。通过获取供气管路的温度和压力数据，可以及时监测管路的状态，并预测潜在的安全风险。
接着，考虑到由于所述天然气储气罐的温度值和压力值，以及所述供气管路的温度值和压力值在时间维度上都具有着时序的动态变化规律，因此，为了能够便于后续对于这些数据的时序动态变化特征进行捕捉提取，以对于所述储气罐的状态和所述供气管路的状态变化情况进行监测，在本申请的技术方案中，将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量，以分别整合所述天然气储气罐的温度值和压力值在时序上的分布信息；并且，将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量，以此来分别整合所述供气管路的温度值和压力值在时序上的分布信息。
然后，还考虑到由于所述天然气储气罐的温度值和压力值在时间维度上具有着动态性的关联变化特征，也就是说，所述天然气储气罐的温度和压力不仅具有着各自的动态变化特征信息，这两者之间还会相互影响，存在着关于储气罐状态的时序协同关联关系。同样地，对于所述供气管路的温度值和压力值来说，也具有着时序的动态关联特征信息。因此，在本申请的技术方案中，进一步对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，以建立所述储气罐的温度时序变化信息和压力时序变化信息之间的关联关系；并且，对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵阵，以建立所述供气管路的温度时序变化信息和压力时序变化信息之间的关联关系。
进一步地，使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述第一温度-压力关联矩阵和所述第二温度-压力关联矩阵的特征挖掘，以此来分别提取出所述储气罐内温度和压力的时序协同关联特征分布信息以及所述供气管路的温度和压力的时序协同关联特征分布信息，即所述天然气的储存状态时序变化特征信息和所述天然气在供应过程中的管路状态时序变化特征信息，从而得到第一温度-压力关联特征向量和第二温度-压力关联特征向量。
接着，进一步再计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵，以此来表示所述天然气储气罐的温度和压力的时序协同关联特征与所述供气管路的温度和压力的时序协同关联特征之间的映射关联特征分布信息，即所述储气罐状态时序变化特征和所述供气管路时序变化特征间的关联特征信息，以此来作为分类特征矩阵进行分类，以对于天然气燃料的供应进行安全监测。
具体地，将所述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天然气燃气供应是否安全。也就是，在本申请的技术方案中，所述分类器的标签包括天然气燃气供应安全(第一标签)，以及，天然气燃气供应不安全(第二标签)，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。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“天然气燃气供应是否安全”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，放电天然气燃气供应是否安全的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“天然气燃气供应是否安全”的语言文本意义。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天然气燃气供应是否安全的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行天然气的安全监测，以保证船舶燃料的供应安全。
特别地，在本申请的技术方案中，这里，在计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为所述分类特征矩阵时，是计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量分别表达的温度-压力的跨时域关联值的高阶局部序列化关联特征之间的特征域转移。因此，如果能够提升所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量各自的序列化关联特征表达在所述分类特征矩阵的域转移特征空间内的相关性，则可以提升所述分类特征矩阵对于所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的域转移表达效果。
基于此，本申请的申请人引入所述第一温度-压力关联特征向量
Figure SMS_31
和所述第二温度-压力关联特征向量/>
Figure SMS_32
的流式精细化损失函数，表示为：
Figure SMS_33
其中
Figure SMS_34
表示向量的二范数的平方。
这里，所述流式精细化损失函数基于所述第一温度-压力关联特征向量
Figure SMS_35
和所述第二温度-压力关联特征向量/>
Figure SMS_36
在高阶局部关联特征的序列化流式分布到高维域转移特征空间内的空间分布的转化，通过同步进行向量的序列分布下的插值来实现高维域转移特征空间内的空间分布的超分辨率提升，从而通过平衡序列下的互类概率式关系对高维域转移特征空间内的分布差异提供更精细化的对准，以在序列化高阶局部关联特征维度和高维域转移特征空间的空间维度上联合地呈现交叉的维度间上下文关联，从而提升所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量各自的序列化关联特征表达在所述分类特征矩阵的域转移特征空间内的相关性，以提升所述分类特征矩阵对于所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的域转移表达效果，提高所述分类特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于天然气实际的储存状态情况和供应状态情况来准确地进行天然气的安全监测，以保证船舶燃料的供应安全。
图1为根据本申请实施例的船舶燃料供应安全监测系统的应用场景图。如图1所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的天然气储气罐（例如，图1中所示意的N1）的温度值（例如，图1中所示意的D1）和压力值（例如，图1中所示意的D2），以及，所述多个预定时间点的供气管路（例如，图1中所示意的N2）的温度值（例如，图1中所示意的D3）和压力值（例如，图1中所示意的D4），然后，将所述多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值输入至部署有船舶燃料供应安全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船舶燃料供应安全监测算法对所述多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值进行处理以得到用于表示天然气燃气供应是否安全的分类结果。
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。
图2为根据本申请实施例的船舶燃料供应安全监测系统的框图示意图。如图2所示，根据本申请实施例的船舶燃料供应安全监测系统100，包括：数据采集模块110，用于获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；储气罐数据时序排列模块120，用于将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；供气管路数据时序排列模块130，用于将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；数据时序关联模块140，用于对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；储气罐数据时序关联特征提取模块150，用于将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；供气管路数据时序关联特征提取模块160，用于将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；数据转移编码模块170，用于计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及，安全检测模块180，用于将所述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天然气燃气供应是否安全。
更具体地，在本申请实施例中，所述数据采集模块110，用于获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值。天然气燃料具有特殊理化性质和安全风险，需要采取相应的安全监测措施。在实际进行天然气燃料的安全监测过程中，不仅需要对于天然气的储存进行安全监测，还应对于天然气在供应过程中的管路安全进行监测。并且，由于天然气的危险情况在于温度和压力超出预定阈值，导致天然气易燃，因此在实际的安全监测时，需要对天然气的储存和供应过程中的温度和压力进行实时的监测。
更具体地，在本申请实施例中，所述储气罐数据时序排列模块120，用于将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量。由于所述天然气储气罐的温度值和压力值，以及所述供气管路的温度值和压力值在时间维度上都具有着时序的动态变化规律，因此，为了能够便于后续对于这些数据的时序动态变化特征进行捕捉提取，以对于所述储气罐的状态和所述供气管路的状态变化情况进行监测，在本申请的技术方案中，将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量，以分别整合所述天然气储气罐的温度值和压力值在时序上的分布信息。
更具体地，在本申请实施例中，所述供气管路数据时序排列模块130，用于将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量。相应地，以此来分别整合所述供气管路的温度值和压力值在时序上的分布信息。
更具体地，在本申请实施例中，所述数据时序关联模块140，用于对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵。所述天然气储气罐的温度值和压力值在时间维度上具有着动态性的关联变化特征，也就是说，所述天然气储气罐的温度和压力不仅具有着各自的动态变化特征信息，这两者之间还会相互影响，存在着关于储气罐状态的时序协同关联关系。同样地，对于所述供气管路的温度值和压力值来说，也具有着时序的动态关联特征信息。
相应地，在一个具体示例中，所述数据时序关联模块140，用于：以如下关联编码公式对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到所述第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到所述第二温度-压力关联矩阵；其中，所述关联编码公式为：
Figure SMS_37
Figure SMS_38
其中，
Figure SMS_39
表示所述第一温度时序输入向量，/>
Figure SMS_42
表示所述第一温度时序输入向量的转置向量，/>
Figure SMS_46
表示所述第一压力时序输入向量，/>
Figure SMS_41
表示所述第一温度-压力关联矩阵，/>
Figure SMS_44
表示所述第二温度时序输入向量，/>
Figure SMS_45
表示所述第二温度时序输入向量的转置向量，/>
Figure SMS_47
表示所述第二压力时序输入向量，/>
Figure SMS_40
表示所述第二温度-压力关联矩阵，/>
Figure SMS_43
表示向量相乘。
更具体地，在本申请实施例中，所述储气罐数据时序关联特征提取模块150，用于将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量。使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述第一温度-压力关联矩阵的特征挖掘，以此来提取出所述储气罐内温度和压力的时序协同关联特征分布信息，即所述天然气的储存状态时序变化特征信息，从而得到第一温度-压力关联特征向量。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，所述储气罐数据时序关联特征提取模块150，用于：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一温度-压力关联特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一温度-压力关联矩阵。
更具体地，在本申请实施例中，所述供气管路数据时序关联特征提取模块160，用于将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量。使用在局部隐含关联特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来分别进行所述第二温度-压力关联矩阵的特征挖掘，以此来分别提取出所述供气管路的温度和压力的时序协同关联特征分布信息，即所述天然气在供应过程中的管路状态时序变化特征信息，从而得到第二温度-压力关联特征向量。
相应地，在一个具体示例中，所述供气管路数据时序关联特征提取模块160，用于：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述第二温度-压力关联特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述第二温度-压力关联矩阵。
更具体地，在本申请实施例中，所述数据转移编码模块170，用于计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵。以此来表示所述天然气储气罐的温度和压力的时序协同关联特征与所述供气管路的温度和压力的时序协同关联特征之间的映射关联特征分布信息，即所述储气罐状态时序变化特征和所述供气管路时序变化特征间的关联特征信息，以此来作为分类特征矩阵进行分类，以对于天然气燃料的供应进行安全监测。
相应地，在一个具体示例中，所述数据转移编码模块170，用于：以如下转移公式计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为所述分类特征矩阵；其中，所述转移公式为：
Figure SMS_48
其中，
Figure SMS_49
表示所述第一温度-压力关联特征向量，/>
Figure SMS_50
表示所述第二温度-压力关联特征向量，/>
Figure SMS_51
表示所述转移矩阵，/>
Figure SMS_52
表示向量相乘。
更具体地，在本申请实施例中，所述安全检测模块180，用于将所述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天然气燃气供应是否安全。也就是，在本申请的技术方案中，所述分类器的标签包括天然气燃气供应安全(第一标签)，以及，天然气燃气供应不安全(第二标签)，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，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，所述的船舶燃料供应安全监测系统，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练模块。其中，如图3所示，所述训练模块200，包括：训练数据采集单元201，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的天然气储气罐的训练温度值和训练压力值，所述多个预定时间点的供气管路的训练温度值和训练压力值，以及，所述天然气燃气供应是否安全的真实值；训练储气罐数据时序排列单元202，用于将所述多个预定时间点的天然气储气罐的训练温度值和训练压力值分别按照时间维度排列为第一训练温度时序输入向量和第一训练压力时序输入向量；训练供气管路数据时序排列单元203，用于将所述多个预定时间点的供气管路的训练温度值和训练压力值分别按照时间维度排列为第二训练温度时序输入向量和第二训练压力时序输入向量；训练数据时序关联单元204，用于对所述第一训练温度时序输入向量和所述第一训练压力时序输入向量进行关联编码以得到第一训练温度-压力关联矩阵，且对所述第二训练温度时序输入向量和所述第二训练压力时序输入向量进行关联编码以得到第二训练温度-压力关联矩阵；训练储气罐数据时序关联特征提取单元205，用于将所述第一训练温度-压力关联矩阵通过所述作为过滤器的第一卷积神经网络模型以得到第一训练温度-压力关联特征向量；训练供气管路数据时序关联特征提取单元206，用于将所述第二训练温度-压力关联矩阵通过所述作为过滤器的第二卷积神经网络模型以得到第二训练温度-压力关联特征向量；训练数据转移编码单元207，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的转移矩阵作为训练分类特征矩阵；分类损失单元208，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；流式精细化损失单元209，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数值；以及，模型训练单元210，用于以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
相应地，在一个具体示例中，所述分类损失单元280，用于：使用所述分类器以如下损失公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述损失公式为：
Figure SMS_53
，其中/>
Figure SMS_54
表示将所述训练分类特征矩阵投影为向量，/>
Figure SMS_55
至/>
Figure SMS_56
为各层全连接层的权重矩阵，/>
Figure SMS_57
至/>
Figure SMS_58
表示各层全连接层的偏置矩阵；以及计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
特别地，在本申请的技术方案中，这里，在计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的转移矩阵作为所述训练分类特征矩阵时，是计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量分别表达的温度-压力的跨时域关联值的高阶局部序列化关联特征之间的特征域转移。因此，如果能够提升所述第一训练温度-压力关联特征向量和所述训练第二温度-压力关联特征向量各自的序列化关联特征表达在所述训练分类特征矩阵的域转移特征空间内的相关性，则可以提升所述训练分类特征矩阵对于所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的域转移表达效果。基于此，本申请的申请人引入所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数。
相应地，在一个具体示例中，所述流式精细化损失单元209，用于：以如下优化公式计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的所述流式精细化损失函数值；其中，所述优化公式为：
Figure SMS_59
其中，
Figure SMS_60
表示所述第一训练温度-压力关联特征向量，/>
Figure SMS_61
表示所述第二训练温度-压力关联特征向量，/>
Figure SMS_62
表示向量的二范数的平方，且/>
Figure SMS_63
和/>
Figure SMS_64
分别表示向量的逐位置减法和乘法，/>
Figure SMS_65
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_66
表示所述流式精细化损失函数值。
这里，所述流式精细化损失函数基于所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量在高阶局部关联特征的序列化流式分布到高维域转移特征空间内的空间分布的转化，通过同步进行向量的序列分布下的插值来实现高维域转移特征空间内的空间分布的超分辨率提升，从而通过平衡序列下的互类概率式关系对高维域转移特征空间内的分布差异提供更精细化的对准，以在序列化高阶局部关联特征维度和高维域转移特征空间的空间维度上联合地呈现交叉的维度间上下文关联，从而提升所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量各自的序列化关联特征表达在所述训练分类特征矩阵的域转移特征空间内的相关性，以提升所述训练分类特征矩阵对于所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的域转移表达效果，提高所述训练分类特征矩阵通过分类器得到的训练分类结果的准确性。这样，能够基于天然气实际的储存状态情况和供应状态情况来准确地进行天然气的安全监测，以保证船舶燃料的供应安全。
综上，基于本申请实施例的船舶燃料供应安全监测系统100被阐明，其首先将多个预定时间点的天然气储气罐的温度值和压力值分别排列为输入向量后进行关联编码以得到第一温度-压力关联矩阵，接着，将多个预定时间点的供气管路的温度值和压力值分别排列为输入向量后进行关联编码以得到第二温度-压力关联矩阵，然后，计算所述第一温度-压力关联矩阵卷积编码得到的第一温度-压力关联特征向量和所述第二温度-压力关联矩阵卷积编码得到的第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵，最后，将所述分类特征矩阵通过分类器以得到用于表示天然气燃气供应是否安全的分类结果。这样，可以保证船舶燃料的供应安全。
如上所述，根据本申请实施例的基于本申请实施例的船舶燃料供应安全监测系统100可以实现在各种终端设备中，例如具有基于本申请实施例的船舶燃料供应安全监测算法的服务器等。在一个示例中，基于本申请实施例的船舶燃料供应安全监测系统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，该基于本申请实施例的船舶燃料供应安全监测系统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，该基于本申请实施例的船舶燃料供应安全监测系统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，该基于本申请实施例的船舶燃料供应安全监测系统100与该终端设备也可以是分立的设备，并且该船舶燃料供应安全监测系统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。
图4为根据本申请实施例的船舶燃料供应安全监测方法的流程图。如图4所示，根据本申请实施例的船舶燃料供应安全监测方法，其包括：S110，获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；S120，将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；S130，将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；S140，对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；S150，将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；S160，将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；S170，计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及，S180，将所述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天然气燃气供应是否安全。
图5为根据本申请实施例的船舶燃料供应安全监测方法的系统架构的示意图。如图5所示，在所述船舶燃料供应安全监测方法的系统架构中，首先，获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；接着，将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；然后，将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；接着，对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；然后，将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；接着，将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；然后，计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及，最后，将所述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天然气燃气供应是否安全。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵，包括：以如下关联编码公式对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到所述第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到所述第二温度-压力关联矩阵；其中，所述关联编码公式为：
Figure SMS_67
Figure SMS_68
其中，
Figure SMS_70
表示所述第一温度时序输入向量，/>
Figure SMS_74
表示所述第一温度时序输入向量的转置向量，/>
Figure SMS_76
表示所述第一压力时序输入向量，/>
Figure SMS_69
表示所述第一温度-压力关联矩阵，/>
Figure SMS_72
表示所述第二温度时序输入向量，/>
Figure SMS_75
表示所述第二温度时序输入向量的转置向量，/>
Figure SMS_77
表示所述第二压力时序输入向量，/>
Figure SMS_71
表示所述第二温度-压力关联矩阵，/>
Figure SMS_73
表示向量相乘。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一温度-压力关联特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一温度-压力关联矩阵。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述第二温度-压力关联特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述第二温度-压力关联矩阵。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵，包括：以如下转移公式计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为所述分类特征矩阵；其中，所述转移公式为：
Figure SMS_78
其中，
Figure SMS_79
表示所述第一温度-压力关联特征向量，/>
Figure SMS_80
表示所述第二温度-压力关联特征向量，/>
Figure SMS_81
表示所述转移矩阵，/>
Figure SMS_82
表示向量相乘。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练步骤。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括预定时间段内多个预定时间点的天然气储气罐的训练温度值和训练压力值，所述多个预定时间点的供气管路的训练温度值和训练压力值，以及，所述天然气燃气供应是否安全的真实值；将所述多个预定时间点的天然气储气罐的训练温度值和训练压力值分别按照时间维度排列为第一训练温度时序输入向量和第一训练压力时序输入向量；将所述多个预定时间点的供气管路的训练温度值和训练压力值分别按照时间维度排列为第二训练温度时序输入向量和第二训练压力时序输入向量；对所述第一训练温度时序输入向量和所述第一训练压力时序输入向量进行关联编码以得到第一训练温度-压力关联矩阵，且对所述第二训练温度时序输入向量和所述第二训练压力时序输入向量进行关联编码以得到第二训练温度-压力关联矩阵；将所述第一训练温度-压力关联矩阵通过所述作为过滤器的第一卷积神经网络模型以得到第一训练温度-压力关联特征向量；将所述第二训练温度-压力关联矩阵通过所述作为过滤器的第二卷积神经网络模型以得到第二训练温度-压力关联特征向量；计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的转移矩阵作为训练分类特征矩阵；将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数值；以及，以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值，包括：使用所述分类器以如下损失公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述损失公式为：
Figure SMS_83
，其中/>
Figure SMS_84
表示将所述训练分类特征矩阵投影为向量，/>
Figure SMS_85
至/>
Figure SMS_86
为各层全连接层的权重矩阵，/>
Figure SMS_87
至/>
Figure SMS_88
表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
在一个具体示例中，在上述船舶燃料供应安全监测方法中，计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数值，包括：以如下优化公式计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的所述流式精细化损失函数值；其中，所述优化公式为：
Figure SMS_89
其中，
Figure SMS_90
表示所述第一训练温度-压力关联特征向量，/>
Figure SMS_91
表示所述第二训练温度-压力关联特征向量，/>
Figure SMS_92
表示向量的二范数的平方，且/>
Figure SMS_93
和/>
Figure SMS_94
分别表示向量的逐位置减法和乘法，/>
Figure SMS_95
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，/>
Figure SMS_96
表示所述流式精细化损失函数值。
这里，本领域技术人员可以理解，上述船舶燃料供应安全监测方法中的各个步骤的具体操作已经在上面参考图1到图3的船舶燃料供应安全监测系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (8)

1.一种船舶燃料供应安全监测系统，其特征在于，包括：
数据采集模块，用于获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；
储气罐数据时序排列模块，用于将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；
供气管路数据时序排列模块，用于将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；
数据时序关联模块，用于对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；
储气罐数据时序关联特征提取模块，用于将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；
供气管路数据时序关联特征提取模块，用于将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；
数据转移编码模块，用于计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及
安全检测模块，用于将所述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天然气燃气供应是否安全；
其中，所述储气罐数据时序关联特征提取模块，用于：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一温度-压力关联特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一温度-压力关联矩阵；
其中，所述供气管路数据时序关联特征提取模块，用于：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述第二温度-压力关联特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述第二温度-压力关联矩阵。
2.根据权利要求1所述的船舶燃料供应安全监测系统，其特征在于，所述数据时序关联模块，用于：
以如下关联编码公式对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到所述第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到所述第二温度-压力关联矩阵；
其中，所述关联编码公式为：
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_3
表示所述第一温度时序输入向量，/>
Figure QLYQS_8
表示所述第一温度时序输入向量的转置向量，/>
Figure QLYQS_9
表示所述第一压力时序输入向量，/>
Figure QLYQS_4
表示所述第一温度-压力关联矩阵，/>
Figure QLYQS_6
表示所述第二温度时序输入向量，/>
Figure QLYQS_10
表示所述第二温度时序输入向量的转置向量，/>
Figure QLYQS_11
表示所述第二压力时序输入向量，/>
Figure QLYQS_5
表示所述第二温度-压力关联矩阵，/>
Figure QLYQS_7
表示向量相乘。
3.根据权利要求2所述的船舶燃料供应安全监测系统，其特征在于，所述数据转移编码模块，用于：
以如下转移公式计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为所述分类特征矩阵；
其中，所述转移公式为：
Figure QLYQS_12
其中，
Figure QLYQS_13
表示所述第一温度-压力关联特征向量，/>
Figure QLYQS_14
表示所述第二温度-压力关联特征向量，/>
Figure QLYQS_15
表示所述转移矩阵，/>
Figure QLYQS_16
表示向量相乘。
4.根据权利要求3所述的船舶燃料供应安全监测系统，其特征在于，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练的训练模块。
5.根据权利要求4所述的船舶燃料供应安全监测系统，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的天然气储气罐的训练温度值和训练压力值，所述多个预定时间点的供气管路的训练温度值和训练压力值，以及，所述天然气燃气供应是否安全的真实值；
训练储气罐数据时序排列单元，用于将所述多个预定时间点的天然气储气罐的训练温度值和训练压力值分别按照时间维度排列为第一训练温度时序输入向量和第一训练压力时序输入向量；
训练供气管路数据时序排列单元，用于将所述多个预定时间点的供气管路的训练温度值和训练压力值分别按照时间维度排列为第二训练温度时序输入向量和第二训练压力时序输入向量；
训练数据时序关联单元，用于对所述第一训练温度时序输入向量和所述第一训练压力时序输入向量进行关联编码以得到第一训练温度-压力关联矩阵，且对所述第二训练温度时序输入向量和所述第二训练压力时序输入向量进行关联编码以得到第二训练温度-压力关联矩阵；
训练储气罐数据时序关联特征提取单元，用于将所述第一训练温度-压力关联矩阵通过所述作为过滤器的第一卷积神经网络模型以得到第一训练温度-压力关联特征向量；
训练供气管路数据时序关联特征提取单元，用于将所述第二训练温度-压力关联矩阵通过所述作为过滤器的第二卷积神经网络模型以得到第二训练温度-压力关联特征向量；
训练数据转移编码单元，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量之间的转移矩阵作为训练分类特征矩阵；
分类损失单元，用于将所述训练分类特征矩阵通过所述分类器以得到分类损失函数值；
流式精细化损失单元，用于计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的流式精细化损失函数值；以及
模型训练单元，用于以所述分类损失函数值和所述流式精细化损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述作为过滤器的第一卷积神经网络模型、所述作为过滤器的第二卷积神经网络模型和所述分类器进行训练。
6.根据权利要求5所述的船舶燃料供应安全监测系统，其特征在于，所述分类损失单元，用于：
使用所述分类器以如下损失公式对所述训练分类特征矩阵进行处理以得到训练分类结果，所述损失公式为：
Figure QLYQS_17
，其中/>
Figure QLYQS_18
表示将所述训练分类特征矩阵投影为向量，/>
Figure QLYQS_19
至/>
Figure QLYQS_20
为各层全连接层的权重矩阵，/>
Figure QLYQS_21
至/>
Figure QLYQS_22
表示各层全连接层的偏置矩阵；以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
7.根据权利要求6所述的船舶燃料供应安全监测系统，其特征在于，所述流式精细化损失单元，用于：
以如下优化公式计算所述第一训练温度-压力关联特征向量和所述第二训练温度-压力关联特征向量的所述流式精细化损失函数值；
其中，所述优化公式为：
Figure QLYQS_23
其中，
Figure QLYQS_24
表示所述第一训练温度-压力关联特征向量，/>
Figure QLYQS_25
表示所述第二训练温度-压力关联特征向量，/>
Figure QLYQS_26
表示向量的二范数的平方，且/>
Figure QLYQS_27
和/>
Figure QLYQS_28
分别表示向量的逐位置减法和乘法，/>
Figure QLYQS_29
表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，/>
Figure QLYQS_30
表示所述流式精细化损失函数值。
8.一种船舶燃料供应安全监测方法，其特征在于，包括：
获取预定时间段内多个预定时间点的天然气储气罐的温度值和压力值，以及，所述多个预定时间点的供气管路的温度值和压力值；
将所述多个预定时间点的天然气储气罐的温度值和压力值分别按照时间维度排列为第一温度时序输入向量和第一压力时序输入向量；
将所述多个预定时间点的供气管路的温度值和压力值分别按照时间维度排列为第二温度时序输入向量和第二压力时序输入向量；
对所述第一温度时序输入向量和所述第一压力时序输入向量进行关联编码以得到第一温度-压力关联矩阵，且对所述第二温度时序输入向量和所述第二压力时序输入向量进行关联编码以得到第二温度-压力关联矩阵；
将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量；
将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量；
计算所述第一温度-压力关联特征向量和所述第二温度-压力关联特征向量之间的转移矩阵作为分类特征矩阵；以及
将所述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天然气燃气供应是否安全；
其中，将所述第一温度-压力关联矩阵通过作为过滤器的第一卷积神经网络模型以得到第一温度-压力关联特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述第一温度-压力关联特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述第一温度-压力关联矩阵；
其中，将所述第二温度-压力关联矩阵通过作为过滤器的第二卷积神经网络模型以得到第二温度-压力关联特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述第二温度-压力关联特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述第二温度-压力关联矩阵。
CN202310424268.7A 2023-04-20 2023-04-20 船舶燃料供应安全监测系统及其方法 Active CN116150566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424268.7A CN116150566B (zh) 2023-04-20 2023-04-20 船舶燃料供应安全监测系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424268.7A CN116150566B (zh) 2023-04-20 2023-04-20 船舶燃料供应安全监测系统及其方法

Publications (2)

Publication Number Publication Date
CN116150566A CN116150566A (zh) 2023-05-23
CN116150566B true CN116150566B (zh) 2023-07-07

Family

ID=86374017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424268.7A Active CN116150566B (zh) 2023-04-20 2023-04-20 船舶燃料供应安全监测系统及其方法

Country Status (1)

Country Link
CN (1) CN116150566B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402818A (zh) * 2023-06-08 2023-07-07 杭州华得森生物技术有限公司 全自动荧光扫描仪及其方法
CN116534237B (zh) * 2023-07-06 2023-09-12 浙江浙能迈领环境科技有限公司 船用甲醇供应方法及其系统
CN116893336B (zh) * 2023-07-11 2024-04-02 宁夏隆基电气有限公司 高低压开关设备及其方法
CN116934304B (zh) * 2023-08-03 2024-06-07 广东省俊耀控股有限公司 智能配电房设备运行维护管理系统及其方法
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
CN117073768B (zh) * 2023-10-16 2023-12-29 吉林省牛人网络科技股份有限公司 肉牛养殖管理系统及其方法
CN118482874B (zh) * 2024-07-15 2024-09-20 新疆鼎诚检测科技有限责任公司 基于大数据的可燃气体智能检测系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7810476B2 (en) * 2007-03-06 2010-10-12 Gm Global Technology Operations, Inc. Method and apparatus for estimating exhaust temperature of an internal combustion engine
CN103633351A (zh) * 2013-11-15 2014-03-12 中国科学院电工研究所 一种燃料电池温度控制策略的制定方法
CN105546352A (zh) * 2015-12-21 2016-05-04 重庆科技学院 基于声音信号的天然气管道微泄漏检测方法
CN106557637B (zh) * 2016-12-01 2020-07-17 天津出入境检验检疫局工业产品安全技术中心 一种储能产品的安全性能评价方法
CN113640027B (zh) * 2021-08-12 2024-05-07 常州英集动力科技有限公司 基于边缘计算和神经网络的换热机组故障诊断方法及系统
CN114595635B (zh) * 2022-03-10 2024-07-23 中南大学 火电机组主汽温度数据的特征选择方法、系统及设备
CN114857504A (zh) * 2022-06-06 2022-08-05 华南理工大学 基于分布式光纤传感器和深度学习的管道安全监测方法
CN115356434B (zh) * 2022-07-14 2023-06-02 福建省杭氟电子材料有限公司 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115169934A (zh) * 2022-07-21 2022-10-11 深圳供电局有限公司 电力与天然气系统耦合状态的分析方法及装置
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
CN115371733A (zh) * 2022-08-26 2022-11-22 中交四航局江门航通船业有限公司 双燃料船舶天然气燃料供应安全监测系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115456012A (zh) * 2022-08-24 2022-12-09 华能新能源股份有限公司 风电场风机大部件状态监测系统及其方法

Also Published As

Publication number Publication date
CN116150566A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN116150566B (zh) 船舶燃料供应安全监测系统及其方法
CN109101537B (zh) 基于深度学习的多轮对话数据分类方法、装置和电子设备
CN112766172B (zh) 一种基于时序注意力机制的人脸连续表情识别方法
CN115783923B (zh) 基于大数据的电梯故障模式识别系统
CN116824481B (zh) 基于图像识别的变电站巡检方法及其系统
CN116186612A (zh) 六氟化硫回收利用管理系统
CN111291190A (zh) 一种编码器的训练方法、信息检测的方法以及相关装置
CN116893336B (zh) 高低压开关设备及其方法
CN116704431A (zh) 水污染的在线监测系统及其方法
CN116624903A (zh) 一种用于油烟管道的智能监测方法及系统
CN113806552A (zh) 信息提取方法、装置、电子设备和存储介质
CN116310563A (zh) 一种贵金属库存的管理方法及系统
CN114511023B (zh) 分类模型训练方法以及分类方法
CN116580029A (zh) 铝合金铸造成品的质检管控系统及其方法
CN115221315A (zh) 文本处理方法以及装置、句向量模型训练方法以及装置
He et al. Remaining useful life prediction for bearing based on automatic feature combination extraction and residual multi-Head attention GRU network
CN116402777B (zh) 基于机器视觉的电力设备检测方法及系统
Liu et al. Fault identification for power transformer based on dissolved gas in oil data using sparse convolutional neural networks
CN117787287A (zh) 基于大模型的事故处理方法、系统及存储介质
CN117333717A (zh) 基于网络信息技术的安全监控方法及系统
CN116843345A (zh) 基于人工智能技术对客户交易的智能风控系统及方法
CN116719900A (zh) 基于超图建模文档级因果结构的事件因果关系识别方法
CN115456176B (zh) 一种基于知识增强的文本匹配方法及系统
CN116596207A (zh) 基于人工智能的客服坐席排班方法及系统
CN115457345A (zh) 一种利用基于Graphormer的上下文推理网络进行图片预测分类的方法

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
CP03 Change of name, title or address

Address after: 310000 Room 601, building 3, no.371, Mingxing Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Zheneng Mailing Environmental Technology Co.,Ltd.

Country or region after: China

Address before: 310000 Room 601, building 3, no.371, Mingxing Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Patentee before: Zhejiang zheneng mailing Environmental Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address