CN116484312A - 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 - Google Patents
一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN116484312A CN116484312A CN202310346569.2A CN202310346569A CN116484312A CN 116484312 A CN116484312 A CN 116484312A CN 202310346569 A CN202310346569 A CN 202310346569A CN 116484312 A CN116484312 A CN 116484312A
- Authority
- CN
- China
- Prior art keywords
- pressure
- flow
- data
- valve
- deluge valve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010586 diagram Methods 0.000 title claims abstract description 41
- 230000036541 health Effects 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000011176 pooling Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 230000009471 action Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000001595 flow curve Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 239000007921 spray Substances 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 5
- 238000005507 spraying Methods 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Multimedia (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提供了一种基于压力流量特征图的雨淋阀健康状态评估方法及系统。用于解决现有技术中缺乏可对雨淋阀健康状态进行有效评估的问题。其特征在于：所述系统包括压力传感器、流量传感器、健康状态评估系统和显示装置，所述压力传感器用于采集雨淋阀控制腔及控制管路的压力，流量传感器用于采集与雨淋阀出水腔相连的喷淋系统管道中的流量，健康状态评估系统根据压力和流量测试值，绘制出一种压力和流量变化率的特征图，然后基于人工智能方法对特征图进行识别和分类，对雨淋阀状态进行诊断和评估，并将结果显示在显示装置上。可以对雨淋阀整体状态进行评估，给出最终评估结果，方便维护人员定位故障雨淋阀，确定检修范围，降低故障分析的成本。
Description
技术领域：
本发明涉及一种用于消防喷淋系统雨淋阀健康状态评估的方法及装置，用于评估雨淋阀的健康状态，确定雨淋阀的故障类型。
背景技术：
在消防灭火系统中，雨淋阀是连接自动喷淋系统和管网的关键部件，一般称喷淋系统为出水腔后端配管，出水腔后端日常是没有水的，只有在发生火灾后，由火灾探测器或火灾烟雾探测器监测到火灾迹象，联动控制打开雨淋阀控制端的电磁阀，控制腔压力降低，雨淋阀闭合膜片在进水腔压力下打开，出水腔后端配管内部快速充水，水在压力的作用下，快速从各个喷头喷出，实现自动灭火的效果。由于雨淋阀常年不打开，经常出现卡死、打开不完全的问题，导致灭火效果不佳，因此需要定期对雨淋阀进行监控评估，按照国家标准GB5135.5-2018，雨淋阀至少需要一个季度检测评估一次。
目前，已有技术人员提出了对某些阀健康状态进行评估的方法，例如CN110068756B公开的技术方案。但是，因为每种阀都有不同的使用环境和应用上的不同特点，所以，该评估系统并不适用于雨淋阀，目前对雨淋阀的健康状态评估仍没有一种高效的技术方案。
发明内容：
为了解决背景技术中所提出的问题，本说明书提供了一种基于压力流量特征图的雨淋阀健康状态评估方法及系统并给出了具体实施例，通过具体实施例所给出的方案，说明如本申请获得应用后，能够对雨淋阀的健康状态进行功能检测评估，识别其故障类型的装置，通过传感器获取雨淋阀动作时的参数，结合机器学习方法和图像识别方法，有效的评估雨淋阀的状态，准确定位雨淋阀故障，提醒维护维修人员进行检修或者替换。
本说明书所公开的技术方案如下：
技术方案1：首先给出一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于，所述评估方法包括以下步骤：
a1：建立基于机器学习的人工智能识别模型，采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，并将所述压力流量特征曲线，经由深度学习神经网络建立人工智能识别模型；所述信号包括雨淋阀控制腔的压力信号和雨淋阀出水腔的流量信号；
a2：利用电磁阀控制雨淋阀执行开阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a3：等待雨淋阀出水流量稳定后，利用电磁阀控制雨淋阀执行关阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a4：对经过步骤a2和a3生成的曲线进行数据分析和处理，绘制出流量-压力特征曲线；
所述进行数据分析和处理的路径为：将经过步骤a2和a3获得的测试数据与经过步骤a1获得的额定数据做归一化处理，将压力和流量数据转换为变化率，然后将整个压力曲线数据作为横坐标，流量曲线数据作为纵坐标，绘制压力流量特征曲线，压力曲线的变化率从1开始，最后回到1，流量曲线的变化率从0开始，最后回到0，所述压力流量特征曲线为一条封闭曲线；
a5：将经由步骤a4获得的压力流量特征曲线输入至经由步骤a1建立的人工智能识别模型中并通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，给出健康或故障的状态判断；如果判断为故障，给出故障类型；如果判断为未知故障，则判断为新故障类型需要加入分类特征，将这种未知故障和压力流量曲线进行标注，放入人工智能识别模型的训练库，以备再次进行机器学习时对特征库进行训练，重复机器学习的过程直至建立新的人工智能识别模型。
进一步地，步骤a1中：所述采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，包括建立正常状态和故障状态下，雨淋阀的压力和流量特征图库；
所述经由深度学习神经网络建立人工智能识别模型包括基于所述雨淋阀的压力和流量特征图库，利用基于深度学习神经网络的机器学习方法，按照图库标签进行机器学习，建立样本分类识别模型；所述模型存储于由中央控制单元控制下的存储介质中；所述机器学习建立样本分类识别模型的训练过程至少执行一次。
进一步，步骤a2和a3中，所采集的压力变化数据和流量变化数据，至少需要一个周期，包括一次开阀过程，一段流量稳定过程和一段关阀过程，所有数据的采样频率要一致；
步骤a4中，对所采集的压力变化数据和流量变化数据进行归一化处理时，经由步骤a1确定的雨淋阀压力和流量的额定值作为归一化的依据，最后得到压力和流量变化率曲线，其中开阀时，压力从额定压力降低到流动压力，流量从0增加到额定流量，关阀时，压力恢复到额定压力，流量重新回到0；归一化处理时需将测量压力和流量的最大值作为分母，其他压力和流量测试值作为分子，最后的压力和流量序列的最大值为1，最小值为0；
步骤a5中，所述通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，以置信度等于0.7作为结果是否可用的分界线，如果置信度大于或等于0.7，则识别结果即为诊断结果，如果置信度小于0.7，进行人工干预，对识别结果进行修正。
步骤a4中，对所采集的压力变化数据和流量变化数据进行归一化处理前，需要满足以下条件：
读取待评估雨淋阀的额定压力和流量；
判断通过压力传感器测量得到的雨淋阀实际压力是否在额定压力允许的误差范围内，如果不在允许的误差范围内，则拒绝进行诊断，并提示原因。
步骤a5中，如果当前特征图像的识别度的置信度较低，即置信度＜0.7，说明图像特征吻合较差，识别的正确性有部分存疑，此时需要人工干预，需要再次进行检测，并对当前压力流量特征图进行存储，并标识类型，当存储的压力流量特征图累计到可进行模型修正的最低要求数量时，进行模型修正；如果置信度较高，即置信度≥0.7，说明识别结果正常，结果被采用；
将置信度0.7设置为60分，置信度1.0设置为100分，置信度介于0.7-1.0之间，按照比例设置分数，如果置信度小于0.7，设置为不合格。
技术方案2、在技术方案1的基础上，给出经由深度学习神经网络建立人工智能识别模型的具体路径如下：
(1)准备学习数据，首先准备雨淋阀在正常状态和各种故障状态下的压力流量数据，并标记每组数据代表的雨淋阀状态，每种状态都需要准备数据，并且每组数据理论上数量不少于1000组，当数据不足时，可以采用对现有图形进行缩放、旋转以及改变灰度的技术措施来弥补；
(2)构造深度学习网络，构造一个具有3个卷积子层(C1,C2,C3)和3个池化层(S2,S4,S6)的6层卷积神经网络，卷积神经网络的卷积子层和池化层交叉存放，其顺序为(C1,S2,C3,S4,C5,S6)以及3层全连接网络的深度学习神经网络(F7,F8,F9)，所述深度学习神经网络不算输入输出一共7层；
所述深度学习神经网络输入信号为压力流量特征曲线，网络最终输出为雨淋阀状态，包括1个正常状态和5个故障状态；
所述卷积子层的用途是提取图像的特征信息，卷积的效果由卷积核决定，使用多个3*3卷积核对输入进行运算，卷积操作用于将图像的特征抽象为高阶特征；卷积层的激活函数采用ReLU函数，用于简化计算过程，避免梯度爆炸和梯度；
所述池化层用于降低维度并保留图像特征；
所述卷积子层和池化层交叉分布，用于提高输入图像的特征提取效率；
所述3层全连接网络用于将学习到的特征映射到特征表示空间，根据特征进行分类，最后输出雨淋阀状态；
(3)压力流量特征曲线图像的处理，测量后根据雨淋阀动作过程中的测量的压力和流量数据，生成测试特征图，首先检查最大压力和流量是否符合额定要求，然后对测试数据进行归一化，每个数据除上最大测试值，使得所有数据都介于[0，1]之间，以压力为横坐标，流量为纵坐标绘制压力流量特征图，最终所绘制的曲线是一条封闭曲线，理想状态下正常状态雨淋阀的压力流量特征图是边长为1的正方形，实际图形由于测量误差的存在，形状会有部分变形，最后将图形缩放到92*92像素，放入特定文件夹中待用，每个文件夹存储一种状态的特征图，这些特征图最终会作为深度学习神经网络的输入；
(4)训练样本准备。
整理第(3)步中准备好的压力流量特征图中的70％和对应的状态标签作为深度学习神经网络的输入，抽取压力流量特征图的状态覆盖范围，要求每种状态的特征图都至少要抽取70％左右，将剩余的30％图片作为测试集，然后执行如下操作：
1)初始化网络，中间层和连接以及偏置赋初值；
2)输入样本，计算各层输出；
3)计算网络误差和各层误差信号；
4)检查网络误差是否小于要求的误差，小于则转第6)步进行测试；
5)根据误差求各层中神经元的误差，得到误差梯度，更新和调整各层权值，转到第2)步，直到误差梯度符合要求为止；
6)固定所有的权值和阈值，得到模型网络，模型保存为文件，方便使用时调用；
7)将所有测试图片送入模型网络，检查输出状态，查看结果误差，如果结果误差符合要求，则训练完成，否则转第1)步进行重新训练，系统选用梯度下降法调整权值参数；
最终得到的人工智能识别模型是满足需要的人工智能识别模型，模型存储的是整个网络的结构与参数，在后续的实施阶段中能直接使用。
进一步地，步骤a1中，构造深度学习网络时，对于卷积子层(C1,C3,C5)，设C1，C2，C3的卷积核数量分别为d1,d2,d3，则卷积子层运算的输出表示为：
其中：
j＝1,2,……d1/d2/d3(d1是C1层的过滤器的数量，d2是C3层的过滤器的数量，d3是C5层过滤器的数量)；
bij是网络偏置；
∑求和操作是利用过滤器网络的卷积操作，对于C1来说就是图像像素的值和滤波的卷积输出；
对于池化层(S2,S4,S6)，固定采样大小为2*2，步长为2，采用最大池化方法，设输入的图形大小为(m，n)，则池化运算的输出表示为：Oij(x，y)＝max(xi，j，xi，j+1，xi+1，j，xi+1，j+1)其中：i≤m-2；j≤n-2
对于全连接层F7和F8，都具有10个神经元，其输入为S6的输出，将S6的输出拼接称为一个1维序列，序列的所有节点都与F7的所有单元相连接，从而形成全连接；F7和F8相当于一个分类器，将提取的特征数据分类到各种雨淋阀的状态；最终的F9输出为采用Softmax运算,Softmax运算方式如下：
最终的结果是第i种状态的概率值。
技术方案3、一种基于压力流量特征图的雨淋阀健康状态评估系统，包括中央控制器、AD转换电路、压力传感器、流量传感器、人机显示界面以及供电系统，所述评估系统应用于雨淋阀健康状态评估中，其独特之处在于：
所述评估系统还包括：
信号获取模块，用于获取分别来自于压力传感器、流量传感器的雨淋阀压力信号和流量信号并在中央控制器的指令下传输给数据存储模块；
电磁阀控制模块，用于在中央控制器的指令下使雨淋阀执行开阀或关阀的动作；
数据存储模块，用于在中央控制器的指令下存储或提取数据；
所述中央控制器，内置有计算机程序，所述计算机程序拥有对信号获取模块、电磁阀控制模块、AD转换电路、压力传感器、流量传感器、人机显示界面、数据存储模块以及供电系统的控制权，在所述计算机程序的控制下，所述中央控制器能够实现如下功能：
a1：建立基于机器学习的人工智能识别模型，采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，并将所述压力流量特征曲线，经由深度学习神经网络建立人工智能识别模型；所述信号包括雨淋阀控制腔的压力信号和雨淋阀出水腔的流量信号；
a2：利用电磁阀控制雨淋阀执行开阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；；
a3：等待雨淋阀出水流量稳定后，利用电磁阀控制雨淋阀执行关阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a4：对经过步骤a2和a3生成的曲线进行数据分析和处理，绘制出流量-压力特征曲线；
所述进行数据分析和处理的路径为：将经过步骤a2和a3获得的测试数据与经过步骤a1获得的额定数据做归一化处理，将压力和流量数据转换为变化率，然后将整个压力曲线数据作为横坐标，流量曲线数据作为纵坐标，绘制压力流量特征曲线，压力曲线的变化率从1开始，最后回到1，流量曲线的变化率从0开始，最后回到0，所述压力流量特征曲线为一条封闭曲线；
a5：将经由步骤a4获得的压力流量特征曲线输入至经由步骤a1建立的人工智能识别模型中并通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，给出健康或故障的状态判断；如果判断为故障，给出故障类型；如果判断为未知故障，则判断为新故障类型需要加入分类特征，将这种未知故障和压力流量曲线进行标注，放入人工智能识别模型的训练库，以备再次进行机器学习时对特征库进行训练，重复机器学习的过程直至建立新的人工智能识别模型
本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下
有益效果：
通过压力和流量的时间相关性，以图形图像的方式输出测量结果，图像的形状代表了雨淋阀的各种状态，同时通过机器学习和人工智能的方式识别图形图像形状，能够确定雨淋阀的故障位置和类型，可以对雨淋阀整体状态进行评估，给出最终评估结果，方便维护人员定位故障雨淋阀，确定检修范围，降低故障分析的成本，可以实现远程无人测量，有效降低检修维护成本低。
附图说明：
为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍：下面描述中的附图仅仅是本说明书中记载的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明的装置安装示意图。
图2是本发明所涉及到装置结构示意图。
图3是本发明所涉及到雨淋阀不同状态的压力流量特征图。
图4是深度学习神经网络模型图。
图中：1-超声流量传感器，2-出水腔后端管道，3-出水腔，4-控制腔，5-进水腔，6-压力传感器，7-控制管路，8-电磁阀，9-健康状态评估系统，10-RS485通信电缆，11-超声波信号转换器，12-手动放水阀，13-闭合膜片，14-水，15-电池，16-压力测量通信接口，17-LCD显示屏，18-触摸屏，19-流量测量通信接口，20-结果输出模块，21，人工智能识别模块，22-机器学习模块。
具体实施方式：
下面结合附图对本公开所给出的具体实施例作进一步说明：
本发明的雨淋阀健康状态检测装置采用以下技术方案：
雨淋阀健康状态检测装置包括供电模块、压力传感器、流量传感器、健康状态评估系统，以及带触摸的液晶显示设备。压力传感器和流量传感器以及液晶显示设备分别于健康状态评估系统相连，供电模块给所有模块供电。
所述的健康状态评估系统包括数据采集模块，数据处理模块，数据计算与分析模块，故障定位模块，所述的数据采集接口，数据处理模块，数据计算与分析模块，故障定位模块依次相连。
所述的数据采集模块可以接入压力传感器和流量传感器，压力传感器安装在雨淋阀的控制管路上，而流量传感器安装在雨淋阀出水腔后端管道外壁。
所述的流量传感器是超声波流量计，采用磁吸附的方式安装在管道外壁，不影响管道的功能。
所述的压力传感器和流量传感器采用了数字量输出，与健康状态评估系统的数据采集模块通过RS485总线相连。
所述的健康状态评估过程分为两个阶段，准备阶段和实施阶段。准备阶段是建立基于机器学习的人工智能识别模型阶段，需要采集各种雨淋阀在各种故障状态下的压力特征曲线，并将这些曲线作为数据，经由机器学习建立识别模型。
所述的准备阶段只需要实施一次，人工智能识别模型即可长期使用，如果有新的不在识别范围内的压力流量特征曲线，可以再次训练，对模型进行更新。
所述的准备阶段具体步骤如下：
(1)准备学习数据。首先准备雨淋阀在正常状态和各种故障状态下的压力流量数据，并标记每组数据代表的雨淋阀状态。每种状态都需要准备数据，并且每组数据理论上数量不少于1000组，当数据不足时，可以采用对现有图形进行缩放，旋转，改变灰度等技术措施来弥补。
(2)构造深度学习网络。构造一个具有3个卷积子层(C1,C2,C3)和3个池化层(S2,S4,S6)的6层卷积神经网络，卷积神经网络的卷积子层和池化层交叉存放，其顺序为(C1,S2,C3,S4,C5,S6)以及3层全连接网络的深度学习神经网络(F7,F8,F9)，网络不算输入输出一共7层。该网络输入信号为压力流量特征曲线，网络最终输出为雨淋阀状态，包括1个正常状态和5个故障状态。卷积层的用途是提取图像的特征信息，卷积的效果由卷积核决定，使用多个3*3卷积核对输入进行运算，卷积操作能够将图像的特征抽象为高阶特征。卷积层的激活函数采用ReLU函数，可以有效的简化计算过程，避免梯度爆炸和梯度消失问题。池化层可以降低维达并保留图像特征。卷积层和池化层交叉分布，可以有效的解决输入图像的特征提取。最后的全连接层将学习到的特征映射到特征表示空间，从而可以根据特征进行分类，最后输出雨淋阀状态。
I.对于卷积子层(C1,C3,C5)，设C1，C2，C3的卷积核数量分别为d1,d2,d3，则卷积子层运算的输出可以表示为：
其中：
j＝1,2,……d1/d2/d3(d1是C1层的过滤器的数量，d2是C3层的过滤器的数量，d3是C5层过滤器的数量)；
bij是网络偏置；
∑求和操作是利用过滤器网络的卷积操作，对于C1来说就是图像像素的值和滤波的卷积输出。
II.对于池化层(S2,S4,S6)，固定采样大小为2*2，步长为2，采用最大池化方法，设输入的图形大小为(m，n)，则池化运算的输出可以表示为：Oij(x，y)＝max(xi，j，xi，j+1，xi+1，j，xi+1，j+1)其中：i≤m-2；j≤n-2
III.对于全连接层F7和F8，都具有10个神经元，其输入为S6的输出，将S6的输出拼接称为一个1维序列，序列的所有节点都要与F7的所有单元相连接，从而形成全连接。F7和F8相当于一个分类器，将提取的特征数据分类到各种雨淋阀的状态。最终的F9输出为采用Softmax运算,Softmax运算方式如下：
最终的结果是第i种状态的概率值。
(3)压力流量特征曲线图像的处理。测量后根据雨淋阀动作过程中的测量的压力和流量数据，可以生成测试特征图。首先检查最大压力和流量是否符合额定要求，然后对测试数据进行归一化，每个数据除上最大测试值，使得所有数据都介于[0，1]之间，以压力为横坐标，流量为纵坐标绘制压力流量特征图，最终所绘制的曲线是一条封闭曲线。理想状态下正常状态雨淋阀的压力流量特征图是边长为1的正方形，实际图形由于测量误差的存在，形状会有部分变形。最后将图形缩放到92*92像素，放入特定文件夹中待用，每个文件夹存储一种状态的特征图。这些特征图最终会作为深度学习神经网络的输入。
(4)训练样本准备。
整理第(4)步中准备好的压力流量特征图中的70％和对应的状态标签作为深度学习神经网络的输入，注意抽取特征图的状态覆盖范围，要求每种状态的特征图都至少要抽取70％左右。将剩余的30％图片作为测试集：
1)初始化网络，中间层和连接以及偏置赋初值；
2)输入样本，计算各层输出；
3)计算网络误差和各层误差信号；
4)检查网络误差是否小于要求的误差e，小于则转第6)步进行测试；
5)根据误差求各层中神经元的误差，得到误差梯度，更新和调整各层权值，转到第2)步，直到误差梯度符合要求为止；
6)固定所有的权值和阈值，得到模型网络，模型保存为文件，方便使用时调用。
7)将所有测试图片送入模型网络，检查输出状态，查看结果误差，如果结果误差符合要求，则训练完成，否则转第1)步进行重新训练。
合理的调整权值方法可以有效的减少训练次数，使得网络快速收敛，节约大量的训练时间，系统选用梯度下降法调整权值参数。
(5)最终得到的网络是满足需要的人工智能识别模型，模型存储的是整个网络的结构与参数，在后续的实施阶段中可以直接使用。
所述的实施阶段具体步骤如下：
(1)首先根据待测雨淋阀型号，读取预存的雨淋阀基础数据，包括尺寸，材质，额定控制压力和额定流量；
(2)打开控制管路的泄压阀门，开启雨淋阀，同时开始记录控制管路的压力变化和出水腔后端的流量变化；
(3)当雨淋阀打开后，保持流量稳定一段时间，再执行关阀操作，关闭控制管路的泄压阀门，一直到出水腔流量为零结束；
(4)保存整个开阀-保持-关阀过程中的压力变化数据和流量变化数据，并对数据做归一化处理；
(5)以归一化后的压力为横坐标，流量为纵坐标绘制压力流量特征曲线；
(6)将特征曲线送入人工智能识别模型，模型输出当前雨淋阀的Softmax运算结果，Softmax值为某种状态的置信度，选取最大的一个置信度作为诊断结果。
(7)如果置信度低于0.7，需要人工复核雨淋阀状态，确定故障类型和原因，然后将特征曲线做标记存储在数据计算与分析模块的存储区中。
(8)当低置信度曲线累计到一定数量时，可以再次执行机器学习过程，更新人工智能识别模型，从而进一步提高评估的准确性。这个迭代过程代表了机器学习的进步过程，是人工智能的通用出处理方法
如图1、2所示，本发明的雨淋阀健康状态检测装置由超声流量传感器1，压力传感器6和带液晶屏的健康状态评估系统组成，其中健康状态评估系统又包括数据采集模块，数据处理模块，数据计算与分析模块，故障定位模块，整个系统由电源模块供电。
如图1所示，在工作时，压力传感器6安装在雨淋阀控制管路7中，其输出信号经过压力测量通信接口16进入系统；超声流量传感器安1装在出水腔后端管道2外壁上，超声流量传感器1的信号经过信号转换器11的处理后，进入系统的流量通信接口19。
如图2所示，状态评估系统读取两路传感器信号后，经过内部的数据处理模块对数据进行滤波和数据清洗，归一化后绘制成压力流量特征图，送入人工智能图形识别模块21完成数据分类识别，识别结果为故障类型及置信度。最后，将结果送入液晶显示模块17显示，完成故障的诊断和定位。
所述雨淋阀评估系统内部运行有评估程序，程序的工作流程如下：
(1)软件启动后，完成通信口的初始化，LCD的初始化，准备进入测量状态
(2)选择雨淋阀的型号，选择型号的同时，会从数据库中读入对应雨淋阀的基础数据，包括额定控制压力和流量；
(3)完成传感器的自检，确定两个传感器是否工作正常，如果不正常则报警退出；
(4)检查控制管路压力是否在额定压力允许范围内；
(5)等待用户点击屏幕上的开始测量按钮，并同时控制隔膜腔泄压阀门打开；
(6)开始测量后，软件建立两个独立的线程，每个线程负责测量一路传感器数据，压力线程测量压力数据曲线，流量线程测量流量曲线，测量一直按照固定的采样周期进行数据采样；
(7)当雨淋阀出水腔后端流量稳定后，控制电磁阀关闭雨淋阀；
(8)在雨淋阀打开-稳定-关闭过程中一直进行数据采集，直到雨淋阀完全关闭；
(9)将所采集的压力曲线和流量曲线做归一化处理，绘制压力流量特征曲线；
(10)将曲线送入人工智能识别模型进行识别，给出故障类型和置信度；
(11)如果置信度低于0.7，则提示人工干预，对图像做人工标识，并按照标识存储至低置信度库中；
所述软件程序步骤(9)中人工智能识别模型，是事先通过机器学习22建立的，建立模型过程中，需要准备大量的不同类型故障的压力特征曲线，将图像作为输入，送入卷积神经网络等机器学习网络，建立人工智能识别模型。模型使用时，输入不同的压力流量特征曲线，即可快速获得人工智能识别结果。
所述软件程序步骤(9)中人工智能识别模型21是可以不断进步和成长，当在状态检测和评估过程中，发现有未知故障或者特征曲线时，可以将这种未知的故障或曲线进行标注，放入训练库中，累计一段时间后，再次进行机器学习过程，使得建立的新模型能够应对和识别新的故障类型。这是一个迭代和反复的过程，随着迭代的进行，人工智能的识别率和置信度会逐步提升，最后达到完美的评估结果。
如图3所示，某型号DN150雨淋阀，额定压力1.2Mpa，启动方式为24V电磁阀远程控制，开阀时间为5s，关阀时间为15s，则此雨淋阀的诊断过程如下。
(1)测试之前首先要准备好已经完成训练的人工智能识别模型。
(2)然后安装流量传感器和压力传感器，初始化系统，进入测量状态，然后对雨淋阀执行一次开阀动作，观察流量和压力的变化，当流量稳定后，至少持续5s以上，然后执行关阀动作，直到流量为0，重新建立控制压力。在整个工程种状态下，在液晶显示屏上可以看到压力和流量的变化。同时，压力和流量存储在系统RAM存储器中。
(3)对数据进行归一化处理，用数据中的最大值作为分母，其他数据作为分子，分别计算归一化后的流量和压力数据。
(4)使用压力作为横坐标，流量作为纵坐标，绘制压力流量特征图。这个特征图会出现特定的闭合曲线。不同的曲线代表了不同的状态，常见状态的特征图像如图3所示。在这里，假定测得特征图与图3(b)的样式相似。
(5)将特征图保存为黑白图片，并缩小图形分辨率为92*92像素。并将特征图送入第(1)预先准备好的人工智能识别网络，这里由于输入图形是黑白图形，可以认为图形只有1个通道，对于C1层使用6个3*3的卷积核进行特征提取，并经过ReLU函数激活，得到6张90*90的特征结果，进入S2层做2*2步长池化降维，得到6张45*45特征图形，同样的方法，在C3层使用10个3*3的卷积核，得到10张44*44特征图，在S4层池化后得到10张22*22特征图，在C5层使用16个3*3卷积核，可以得到16张20*20特征图，经过S6的2*2池化降维后，图形大小为16张10*10。将这些图线性化后输入到全连接层F7和F8，F7和F8层分别由10个神经元，最后在具有7个神经元的F9层输出雨淋阀7种状态的概率，由于特征图与图3(b)样式相似，则F9层中代表关阀缓慢的神经元输出值最大，其他神经元输出值则比较小。在这里可以将这个概率称为这种状态的置信度。
(6)如果是某种状态的置信度远大于其他状态的概率，说明识别成功。如果出现所有状态的置信度都不高，或者大概率分布在几个状态上，说明识别结果不准确。
(7)如果出现识别不准确的问题，需要进行再次评估，并人工确定雨淋阀状态，如果人工干预后，判断出现新状态，则需要在训练集合中新建一个分类，并保存数据到训练集合中，当累计一定数量的新状态数据后，可以对模型进行重新训练，从而让系统能够识别出新的状态。
以上所述仅为本发明的较佳实施过程，不仅仅限制在这7种状态的识别和诊断，凡在发明精神和原则以内做出的修改、替换均包含在本发明的保护范围内。
Claims (8)
1.一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于，所述评估方法包括以下步骤：
a1：建立基于机器学习的人工智能识别模型，采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，并将所述压力流量特征曲线，经由深度学习神经网络建立人工智能识别模型；所述信号包括雨淋阀控制腔的压力信号和雨淋阀出水腔的流量信号；
a2：利用电磁阀控制雨淋阀执行开阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a3：等待雨淋阀出水流量稳定后，利用电磁阀控制雨淋阀执行关阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a4：对经过步骤a2和a3生成的曲线进行数据分析和处理，绘制出流量-压力特征曲线；
所述进行数据分析和处理的路径为：将经过步骤a2和a3获得的测试数据与经过步骤a1获得的额定数据做归一化处理，将压力和流量数据转换为变化率，然后将整个压力曲线数据作为横坐标，流量曲线数据作为纵坐标，绘制压力流量特征曲线，压力曲线的变化率从1开始，最后回到1，流量曲线的变化率从0开始，最后回到0，所述压力流量特征曲线为一条封闭曲线；
a5：将经由步骤a4获得的压力流量特征曲线输入至经由步骤a1建立的人工智能识别模型中并通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，给出健康或故障的状态判断；如果判断为故障，给出故障类型；如果判断为未知故障，则判断为新故障类型需要加入分类特征，将这种未知故障和压力流量曲线进行标注，放入人工智能识别模型的训练库，以备再次进行机器学习时对特征库进行训练，重复机器学习的过程直至建立新的人工智能识别模型。
2.根据权利要求1所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于，
步骤a1中：所述采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，包括建立正常状态和故障状态下，雨淋阀的压力和流量特征图库；
所述经由深度学习神经网络建立人工智能识别模型包括基于所述雨淋阀的压力和流量特征图库，利用基于深度学习神经网络的机器学习方法，按照图库标签进行机器学习，建立样本分类识别模型；所述模型存储于由中央控制单元控制下的存储介质中；所述机器学习建立样本分类识别模型的训练过程至少执行一次。
3.根据权利要求2所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于：
步骤a2和a3中，所采集的压力变化数据和流量变化数据，至少需要一个周期，包括一次开阀过程，一段流量稳定过程和一段关阀过程，所有数据的采样频率要一致；
步骤a4中，对所采集的压力变化数据和流量变化数据进行归一化处理时，经由步骤a1确定的雨淋阀压力和流量的额定值作为归一化的依据，最后得到压力和流量变化率曲线，其中开阀时，压力从额定压力降低到流动压力，流量从0增加到额定流量，关阀时，压力恢复到额定压力，流量重新回到0；归一化处理时需将测量压力和流量的最大值作为分母，其他压力和流量测试值作为分子，最后的压力和流量序列的最大值为1，最小值为0；
步骤a5中，所述通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，以置信度等于0.7作为结果是否可用的分界线，如果置信度大于或等于0.7，则识别结果即为诊断结果，如果置信度小于0.7，进行人工干预，对识别结果进行修正。
4.根据权利要求3所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于：
步骤a4中，对所采集的压力变化数据和流量变化数据进行归一化处理前，需要满足以下条件：
读取待评估雨淋阀的额定压力和流量；
判断通过压力传感器测量得到的雨淋阀实际压力是否在额定压力允许的误差范围内，如果不在允许的误差范围内，则拒绝进行诊断，并提示原因。
5.根据权利要求4所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于：
步骤a5中，如果当前特征图像的识别度的置信度较低，即置信度＜0.7，说明图像特征吻合较差，识别的正确性有部分存疑，此时需要人工干预，需要再次进行检测，并对当前压力流量特征图进行存储，并标识类型，当存储的压力流量特征图累计到可进行模型修正的最低要求数量时，进行模型修正；如果置信度较高，即置信度≥0.7，说明识别结果正常，结果被采用；
将置信度0.7设置为60分，置信度1.0设置为100分，置信度介于0.7-1.0之间，按照比例设置分数，如果置信度小于0.7，设置为不合格。
6.根据根据权利要求5所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于：
步骤a1中，所述经由深度学习神经网络建立人工智能识别模型，按照如下路径进行：
(1)准备学习数据，首先准备雨淋阀在正常状态和各种故障状态下的压力流量数据，并标记每组数据代表的雨淋阀状态，每种状态都需要准备数据，并且每组数据理论上数量不少于1000组，当数据不足时，采用对现有图形进行缩放、旋转以及改变灰度的技术措施来弥补；
(2)构造深度学习网络，构造一个具有3个卷积子层(C1,C2,C3)和3个池化层(S2,S4,S6)的6层卷积神经网络，卷积神经网络的卷积子层和池化层交叉存放，其顺序为(C1,S2,C3,S4,C5,S6)以及3层全连接网络的深度学习神经网络(F7,F8,F9)，所述深度学习神经网络不算输入输出一共7层；
所述深度学习神经网络输入信号为压力流量特征曲线，网络最终输出为雨淋阀状态，包括1个正常状态和5个故障状态；
所述卷积子层的用途是提取图像的特征信息，卷积的效果由卷积核决定，使用多个3*3卷积核对输入进行运算，卷积操作用于将图像的特征抽象为高阶特征；卷积层的激活函数采用ReLU函数，用于简化计算过程，避免梯度爆炸和梯度；
所述池化层用于降低维度并保留图像特征；
所述卷积子层和池化层交叉分布，用于提高输入图像的特征提取效率；
所述3层全连接网络用于将学习到的特征映射到特征表示空间，根据特征进行分类，最后输出雨淋阀状态；
(3)压力流量特征曲线图像的处理，测量后根据雨淋阀动作过程中的测量的压力和流量数据，生成测试特征图，首先检查最大压力和流量是否符合额定要求，然后对测试数据进行归一化，每个数据除上最大测试值，使得所有数据都介于[0，1]之间，以压力为横坐标，流量为纵坐标绘制压力流量特征图，最终所绘制的曲线是一条封闭曲线，理想状态下正常状态雨淋阀的压力流量特征图是边长为1的正方形，实际图形由于测量误差的存在，形状会有部分变形，最后将图形缩放到92*92像素，放入特定文件夹中待用，每个文件夹存储一种状态的特征图，这些特征图最终会作为深度学习神经网络的输入；
(4)训练样本准备。
整理第(3)步中准备好的压力流量特征图中的70％和对应的状态标签作为深度学习神经网络的输入，抽取压力流量特征图的状态覆盖范围，要求每种状态的特征图都至少要抽取70％左右，将剩余的30％图片作为测试集，然后执行如下操作：
1)初始化网络，中间层和连接以及偏置赋初值；
2)输入样本，计算各层输出；
3)计算网络误差和各层误差信号；
4)检查网络误差是否小于要求的误差，小于则转第6)步进行测试；
5)根据误差求各层中神经元的误差，得到误差梯度，更新和调整各层权值，转到第2)步，直到误差梯度符合要求为止；
6)固定所有的权值和阈值，得到模型网络，模型保存为文件，方便使用时调用；
7)将所有测试图片送入模型网络，检查输出状态，查看结果误差，如果结果误差符合要求，则训练完成，否则转第1)步进行重新训练，系统选用梯度下降法调整权值参数；
(5)最终得到的人工智能识别模型是满足需要的人工智能识别模型，模型存储的是整个网络的结构与参数，在后续的实施阶段中能直接使用。
7.根据根据权利要求6所述的一种基于压力流量特征图的雨淋阀健康状态评估方法，其特征在于：
步骤a1中，构造深度学习网络时，对于卷积子层(C1,C3,C5)，设C1，C2，C3的卷积核数量分别为d1,d2,d3，则卷积子层运算的输出表示为：
其中：
j＝1,2,……d1/d2/d3(d1是C1层的过滤器的数量，d2是C3层的过滤器的数量，d3是C5层过滤器的数量)；
bij是网络偏置；
∑求和操作是利用过滤器网络的卷积操作，对于C1来说就是图像像素的值和滤波的卷积输出；
对于池化层(S2,S4,S6)，固定采样大小为2*2，步长为2，采用最大池化方法，设输入的图形大小为(m，n)，则池化运算的输出表示为：Oij(x，y)＝max(xi，j，xi，j+1，xi+1，j，xi+1，j+1)其中：i≤m-2；j≤n-2
对于全连接层F7和F8，都具有10个神经元，其输入为S6的输出，将S6的输出拼接称为一个1维序列，序列的所有节点都与F7的所有单元相连接，从而形成全连接；F7和F8相当于一个分类器，将提取的特征数据分类到各种雨淋阀的状态；最终的F9输出为采用Softmax运算,Softmax运算方式如下：
最终的结果是第i种状态的概率值。
8.一种基于压力流量特征图的雨淋阀健康状态评估系统，包括中央控制器、AD转换电路、压力传感器、流量传感器、人机显示界面以及供电系统，所述评估系统应用于雨淋阀健康状态评估中，其特征在于：
所述评估系统还包括：
信号获取模块，用于获取分别来自于压力传感器、流量传感器的雨淋阀压力信号和流量信号并在中央控制器的指令下传输给数据存储模块；
电磁阀控制模块，用于在中央控制器的指令下使雨淋阀执行开阀或关阀的动作；
数据存储模块，用于在中央控制器的指令下存储或提取数据；
所述中央控制器，内置有计算机程序，所述计算机程序拥有对信号获取模块、电磁阀控制模块、AD转换电路、压力传感器、流量传感器、人机显示界面、数据存储模块以及供电系统的控制权，在所述计算机程序的控制下，所述中央控制器能够实现如下功能：
a1：建立基于机器学习的人工智能识别模型，采集各种雨淋阀在正常状态和故障状态下的信号作为额定数据并建立压力流量特征曲线，并将所述压力流量特征曲线，经由深度学习神经网络建立人工智能识别模型；所述信号包括雨淋阀控制腔的压力信号和雨淋阀出水腔的流量信号；
a2：利用电磁阀控制雨淋阀执行开阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；；
a3：等待雨淋阀出水流量稳定后，利用电磁阀控制雨淋阀执行关阀动作，同时通过雨淋阀控制腔的压力传感器和雨淋阀出水腔的流量传感器获得检测数据后，在中央控制单元内置程序的作用下，生成待评估雨淋阀控制管路压力值变化曲线和出水口流量变化曲线；
a4：对经过步骤a2和a3生成的曲线进行数据分析和处理，绘制出流量-压力特征曲线；
所述进行数据分析和处理的路径为：将经过步骤a2和a3获得的测试数据与经过步骤a1获得的额定数据做归一化处理，将压力和流量数据转换为变化率，然后将整个压力曲线数据作为横坐标，流量曲线数据作为纵坐标，绘制压力流量特征曲线，压力曲线的变化率从1开始，最后回到1，流量曲线的变化率从0开始，最后回到0，所述压力流量特征曲线为一条封闭曲线；
a5：将经由步骤a4获得的压力流量特征曲线输入至经由步骤a1建立的人工智能识别模型中并通过深度学习神经网络对所述压力流量特征曲线的形状进行识别，给出健康或故障的状态判断；如果判断为故障，给出故障类型；如果判断为未知故障，则判断为新故障类型需要加入分类特征，将这种未知故障和压力流量曲线进行标注，放入人工智能识别模型的训练库，以备再次进行机器学习时对特征库进行训练，重复机器学习的过程直至建立新的人工智能识别模型。。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310346569.2A CN116484312A (zh) | 2023-04-03 | 2023-04-03 | 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310346569.2A CN116484312A (zh) | 2023-04-03 | 2023-04-03 | 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116484312A true CN116484312A (zh) | 2023-07-25 |
Family
ID=87212974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310346569.2A Pending CN116484312A (zh) | 2023-04-03 | 2023-04-03 | 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116484312A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117029703A (zh) * | 2023-10-09 | 2023-11-10 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测系统 |
-
2023
- 2023-04-03 CN CN202310346569.2A patent/CN116484312A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117029703A (zh) * | 2023-10-09 | 2023-11-10 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测系统 |
| CN117029703B (zh) * | 2023-10-09 | 2023-12-29 | 广东欢联电子科技有限公司 | 一种通讯线缆现场生产数据实时管理监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102243497B (zh) | 用于工程机械的基于物联网技术的远程智能分析服务系统 | |
| CN104523264B (zh) | 一种心电信号处理方法 | |
| CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
| Russo et al. | Anomaly detection using deep autoencoders for in-situ wastewater systems monitoring data | |
| CN108470138A (zh) | 用于目标检测的方法和装置 | |
| CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
| CN116484312A (zh) | 一种基于压力流量特征图的雨淋阀健康状态评估方法及系统 | |
| CN109490814A (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
| CN111191727A (zh) | 基于pso-kpca-lvq的燃气调压器故障诊断方法、系统、终端及计算机存储介质 | |
| KR102435919B1 (ko) | 다차원 데이터를 이용한 옥내 누수 탐지 및 유형 구분 장치, 방법 및 프로그램 | |
| CN109240274A (zh) | 一种基于高阶相关性的工业过程故障诊断方法 | |
| CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
| CN111444947A (zh) | 一种桥梁沉降智能检测系统 | |
| CN113418229A (zh) | 一种基于卷积-自编码神经网络的供暖管控阀门智能调控系统 | |
| CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
| CN115798516A (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
| CN108694375B (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
| CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
| CN112798290B (zh) | 基于频谱重构误差的燃气轮机异常状态监测方法 | |
| CN117009785A (zh) | 安全监测方法、装置、服务器及系统 | |
| CN111582560A (zh) | 一种基于循环神经网络的水稻产量预测方法 | |
| CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
| CN104239903A (zh) | 一种基于qpso算法的图像边缘检测方法 | |
| Lei et al. | Burst detection for district metering areas based on soft-voting ensemble model in water distribution system | |
| CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Hu Jun Inventor after: Wu Weihua Inventor after: Deng Xiumin Inventor after: Wang Yanpeng Inventor after: Chen Zeguang Inventor before: Hu Jun Inventor before: Wu Weihua Inventor before: Deng Xiumin Inventor before: Wang Yanpeng Inventor before: Chen Zeguang |
|
| CB03 | Change of inventor or designer information |