CN116736895B - 基于音速喷嘴法气体流量控制系统 - Google Patents
基于音速喷嘴法气体流量控制系统 Download PDFInfo
- Publication number
- CN116736895B CN116736895B CN202310595447.7A CN202310595447A CN116736895B CN 116736895 B CN116736895 B CN 116736895B CN 202310595447 A CN202310595447 A CN 202310595447A CN 116736895 B CN116736895 B CN 116736895B
- Authority
- CN
- China
- Prior art keywords
- working condition
- scale
- time sequence
- condition flow
- feature vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000013598 vector Substances 0.000 claims description 213
- 238000012545 processing Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 abstract description 38
- 238000009826 distribution Methods 0.000 abstract description 26
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000012937 correction Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000007792 addition Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004164 analytical calibration Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D7/00—Control of flow
- G05D7/06—Control of flow characterised by the use of electric means
- G05D7/0617—Control of flow characterised by the use of electric means specially adapted for fluid materials
- G05D7/0629—Control of flow characterised by the use of electric means specially adapted for fluid materials characterised by the type of regulator means
- G05D7/0635—Control of flow characterised by the use of electric means specially adapted for fluid materials characterised by the type of regulator means by action on throttling means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measuring Volume Flow (AREA)
Abstract
一种基于音速喷嘴法气体流量控制系统,其获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;采用基于深度学习的人工智能技术,挖掘工况流量值在时序上的动态特征分布信息,并以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果以进行测得的工况流量值的修正。这样,可以降低流体流动的扰动对计量的影响,提高计量的精准度。
Description
技术领域
本申请涉及智能化控制技术领域,并且更具体地,涉及一种基于音速喷嘴法气体流量控制系统。
背景技术
面对国内外能源危机的挑战,气体流量计量受到人们越来越多的重视,气体流量仪表的使用也愈加广泛,故发展气体流量仪表已成为我国流量计量仪表发展的重点。为保证气体流量仪表的质量和使用时的准确度,计量法将气体流量计、蒸汽流量计均列入强制检定范围。因此,气体流量计在出厂或使用前,必须在标准装置上对其标称的计量性能进行测试或检定。
采用音速喷嘴法的气体流量标准装置,以其结构简单、性能稳定、准确度高和维护方便等特点,在气体流量计检定和校准中得到广泛的应用。自20世纪70年代以来,国内外许多单位开展了对音速喷嘴的研究,并在一些部门取得成功应用;同时,基于音速喷嘴的气体流量计检定装置不断应用于实践生产中,使得音速喷嘴渐渐成为人们关注的重点。目前,音速喷嘴法气体流量标准装置已成为开展气体流量计量的主流标准装置,全国范围内已拥有大量采用音速喷嘴的标准装置。
音速喷嘴法气体流量标准装置采用负压法对流体进行计量,以通过负压法来得到工况流量值,但是,在实际应用的过程中,因流体流动的扰动会给工况流量值的测量造成影响,因此,测量得到的工况流量值的精准度难以满足应用要求。
因此,期望一种优化的基于音速喷嘴法气体流量控制系统,使其能够对于实际测得的工况流量值进行修正,以降低流体流动的扰动对计量的影响,从而提高计量的精准度。
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基于音速喷嘴法气体流量控制系统,其获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;采用基于深度学习的人工智能技术,挖掘工况流量值在时序上的动态特征分布信息,并以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果以进行测得的工况流量值的修正。这样,可以降低流体流动的扰动对计量的影响,提高计量的精准度。
第一方面,提供了一种基于音速喷嘴法气体流量控制系统,其包括:工况流量数据采集模块,用于获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;第一尺度流量时序变化模块,用于将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;第二尺度流量时序变化模块,用于将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量;多尺度流量时序变化特征融合模块,用于融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量;流量补偿值生成模块,用于将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及流量补偿模块,用于计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。
在上述基于音速喷嘴法气体流量控制系统中,所述第一尺度流量时序变化模块,用于:使用具有第一尺度的一维卷积核的第一一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的最后一层的输出为所述第一尺度工况流量时序特征向量,其中,所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
在上述基于音速喷嘴法气体流量控制系统中,所述第二尺度流量时序变化模块,用于:使用具有第二尺度的一维卷积核的第二一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的最后一层的输出为所述第二尺度工况流量时序特征向量,其中,所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
在上述基于音速喷嘴法气体流量控制系统中,所述多尺度流量时序变化特征融合模块,包括:加权因数计算单元,用于分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;加权优化单元,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数分别作为权重,对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量进行加权以得到校正后第一尺度工况流量时序特征向量和校正后第二尺度工况流量时序特征向量;以及,特征融合单元,用于融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量。
在上述基于音速喷嘴法气体流量控制系统中,所述加权因数计算单元,用于:以如下公式分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述公式为:
,其中,/>和/>分别是所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,/>是特征向量的长度,/>是所述第一尺度工况流量时序特征向量第/>个位置的特征值,/>和/> 分别是特征集合/>的均值和方差,/> 是所述第二尺度工况流量时序特征向量第/>个位置的特征值, />和/>分别是特征集合/>的均值和方差, />为以2为底的对数,/>和/>分别表示所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在上述基于音速喷嘴法气体流量控制系统中,所述特征融合单元,用于:以如下公式融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量;其中,所述公式为:, 其中,/>为所述工况流量时序特征向量,/>为所述校正后第一尺度工况流量时序特征向量,/>为所述校正后第二尺度工况流量时序特征向量,/>表示按位置加法,/>和/>为用于控制所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量之间的平衡的加权参数。
在上述基于音速喷嘴法气体流量控制系统中,所述流量补偿值生成模块,用于:使用所述解码器以如下公式对所述工况流量时序特征向量进行解码回归以得到所述解码值;其中,所述公式为:
,其中,/>表示所述工况流量时序特征向量,/>表示解码值,/> 表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
与现有技术相比,本申请提供的基于音速喷嘴法气体流量控制系统,其获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;采用基于深度学习的人工智能技术,挖掘工况流量值在时序上的动态特征分布信息,并以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果以进行测得的工况流量值的修正。这样,可以降低流体流动的扰动对计量的影响,提高计量的精准度。
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结构示意图。
图2为根据本申请实施例的基于音速喷嘴法气体流量控制系统的应用场景图。
图3为根据本申请实施例的基于音速喷嘴法气体流量控制系统的框图。
图4为根据本申请实施例的基于音速喷嘴法气体流量控制系统中所述多尺度流量时序变化特征融合模块的框图。
图5为根据本申请实施例的基于音速喷嘴法气体流量控制方法的流程图。
图6为根据本申请实施例的基于音速喷嘴法气体流量控制方法的系统架构的示意图。
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。
面对国内外能源危机的挑战,气体流量计量受到人们越来越多的重视,气体流量仪表的使用也愈加广泛,故发展气体流量仪表已成为我国流量计量仪表发展的重点。为保证气体流量仪表的质量和使用时的准确度,计量法将气体流量计、蒸汽流量计均列入强制检定范围。因此,气体流量计在出厂或使用前,必须在标准装置上对其标称的计量性能进行测试或检定。
采用音速喷嘴法的气体流量标准装置,以其结构简单、性能稳定、准确度高和维护方便等特点,在气体流量计检定和校准中得到广泛的应用。自20世纪70年代以来,国内外许多单位开展了对音速喷嘴的研究,并在一些部门取得成功应用;同时,基于音速喷嘴的气体流量计检定装置不断应用于实践生产中,使得音速喷嘴渐渐成为人们关注的重点。目前,音速喷嘴法气体流量标准装置已成为开展气体流量计量的主流标准装置,全国范围内已拥有大量采用音速喷嘴的标准装置。
如上所述,音速喷嘴法气体流量标准装置采用负压法对流体进行计量,以通过负压法来得到工况流量值,但是,在实际的应用过程中,因流体流动的扰动会给工况流量值的测量造成影响,因此,测量得到的工况流量值的精准度难以满足应用要求。因此,期望一种优化的基于音速喷嘴法气体流量控制系统,使其能够对于实际测得的工况流量值进行修正,以降低流体流动的扰动对计量的影响,从而提高计量的精准度。
音速喷嘴法气体流量标准装置,属于流量仪表校验标准装置的技术领域。图1为根据本申请实施例的结构示意图,如图1所示,其包括真空泵组1、储气罐2、音速喷嘴组件3、流量调节阀 4、标准涡轮流量计5、直管段组6、夹表器7、工作段差压变送器8、温度变送器9、软件及计算机10、消音器11,音速喷嘴组件3包括喷嘴3-1、阀门3-2、温度传感器3-3、压力传感器3-4、精密压力表3-5。能够标定大流量标况体积流量、工况体积流量和质量流量,操作全自动控制、精度等级高。
应可以理解,音速喷嘴法气体流量标准装置采用负压法对流体进行计量,为了提高计量的精确度,降低流体流动的扰动对计量的影响,需要在前直管段安装稳流结构。目前稳流结构采用组合圆管方式,仍然存在不足之处。因此,对音速喷嘴法气体流量标准装置的稳流结构进行优化,提出采用蜂窝状组合直管结构,并对两种结构进行建模和CFD模拟仿真,通过比对得知,蜂窝状组合直管稳流结构的稳流效果更佳。采用变频器和风机组成风机变频调速系统作为系统气源,与其他气体流量装置相比,该装置结构简单,成本相对低廉,同时也提高了流量控制的稳定性和精确性。
在本申请中,装置采用先进真空发生设备,而非水环式或罗茨式等高能耗噪音设备,确保音速喷嘴在工作时均已达到临界状态,可以大幅降低装置总能耗,节约运行成本。在小流量检测时,使用独立小功率气环式真空设备,保证流量点的准确,提高装置整体准确度。当泵过载时,电机迅速升温,为了在极小的流量下保持必要的全压,设置卸荷控制阀可根据全压值自动调节开度,确保真空泵工作在正常区间。
为了增加系统的可靠性,在计算机系统采用上下位机的结构形式,上位机为计算机主要为负责人机交互,包括数据的显示、处理、管理以及证书的打印。下位机为高性能单片机或PLC,主要负责现场设备开关的控制、信号的采集。上下位机通过工业总线进行通信,以增加其抗干扰能力。
本申请的技术方案可以作为社会公用计量检测设备极大的提高了各类流量计的检测效率。其中,音速喷嘴作为气体流量标准装置的标准表、具有精度高、性能稳定、维护容易等优点。由于真空泵过高的频率不仅造成浪费,还会产生严重振动的问题,而频率过低又达不到要求。如何在这一对矛盾中寻找到一个最优方案是研究的重点,为了能够使测量数据更加准确,选择更频率使得整个装置配合运转达到最佳,通过实验找到最优频率点,通过变频器真空泵的频率和音速喷嘴出口的质量流量的优化设计,实现流量点精准控制。
相应地,考虑到在实际使用音速喷嘴法气体流量标准装置来进行工况流量值的测量时,工况流量值在时序上的离散分布能够表征流体流动特性,因此,在本申请的技术方案中,通过对工况流量值在时序上的离散分布能够表征流体流动特性的分析来修正当前时间点的工况流量测量值,以提高其测量精准度。在此过程中,难点在于如何充分且准确地挖掘出所述工况流量值在时序上的动态特征分布信息,以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果来进行测得的工况流量值的修正,以降低流体流动的扰动对计量的影响,提高计量的精准度。
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工况流量值在时序上的动态特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值。接着,考虑到由于所述多个预定时间点的工况流量值在时间维度上具有着动态性的变化规律,为了能够对于所述工况流量值的这种时序动态规律特征进行准确地提取,以对于流体流动特性进行精准分析,需要将所述多个预定时间点的工况流量值按照时间维度排列为工况流量时序输入向量。
然后,考虑到所述工况流量值在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征信息。因此,为了能够充分且准确地提取出所述工况流量值在时间维度上的变化特征,以此来表征流体流动特性,在本申请的技术方案中,使用具有不同尺度的一维卷积核的卷积神经网络模型来分别进行所述工况流量时序输入向量的特征挖掘,以提取出所述工况流量值在所述预定时间段内的不同时间跨度下的时序动态多尺度关联特征,即在不同时间跨度下的流体流动特性特征。
具体地,将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型,以提取出在第一时间跨度尺度下的关于所述工况流量值的变化特征,从而以得到第一尺度工况流量时序特征向量。接着,将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以提取出在第二时间跨度尺度下的关于所述工况流量值的变化特征,从而得到第二尺度工况流量时序特征向量。然后,融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,以此来融合所述工况流量值在不同时间跨度下的多尺度时序动态关联特征分布信息,也就是,所述流体的流动特性特征的时序多尺度动态特征信息,从而得到工况流量时序特征向量。
进一步地,将具有所述工况流量值的时序多尺度动态特征的所述工况流量时序特征向量通过解码器中进行解码回归,进而以所述流体的流动特性的时序特征来得到用于表示工况流量补偿值的解码值,以此来进行实际工况流量测量值的修正。具体地,计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。这样,能够降低流体流动的扰动对计量的影响,提高计量的精准度。
特别地,在本申请的技术方案中,这里,在融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量得到所述工况流量时序特征向量时,为了充分利用不同尺度的工况流量值的时序关联特征,优选地通过直接级联所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量来得到所述工况流量时序特征向量,但是,这样会使得工况流量时序分布误差导致的所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯分布误差不确定性直接叠加,引起所述工况流量时序特征向量的解码回归误差,从而影响所述工况流量时序特征向量的解码结果的准确性。
基于此,在本申请的技术方案中,分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量/>的高斯回归不确定性因数,表示为:
是特征向量的长度,/>和/>分别是特征集合/>的均值和方差,且/>和/>分别是特征集合/>的均值和方差,/>为以2为底的对数。
这里,针对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量/>各自的集成特征集合由于其分布不确定性信息可能导致的所述差分特征向量的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量加权后再进行级联,就可以实现所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量在级联过程中基于自校准的不确定性修正,从而修正所述工况流量时序特征向量存在的解码回归误差,提升所述工况流量时序特征向量的解码结果的准确性。这样,能够通过对于流体流动特性的准确分析来得到实际工况流量值的修正结果,以此来对于实际测得的工况流量值进行精准修正,以降低流体流动的扰动对计量的影响,提高计量的精准度。
图2为根据本申请实施例的基于音速喷嘴法气体流量控制系统的应用场景图。如图2所示,在该应用场景中,首先,获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值(例如,如图1中所示意的C);然后,将获取的工况流量值输入至部署有基于音速喷嘴法气体流量控制算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于音速喷嘴法气体流量控制算法对所述工况流量值进行处理,以生成当前时间点的工况流量值得优化测量值。
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3为根据本申请实施例的基于音速喷嘴法气体流量控制系统的框图。如图3所示,根据本申请实施例的基于音速喷嘴法气体流量控制系统100,包括:工况流量数据采集模块110,用于获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;第一尺度流量时序变化模块120,用于将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;第二尺度流量时序变化模块130,用于将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量;多尺度流量时序变化特征融合模块140,用于融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量;流量补偿值生成模块150,用于将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及,流量补偿模块160,用于计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。
具体地,在本申请实施例中,所述工况流量数据采集模块110,用于获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值。相应地,考虑到在实际使用音速喷嘴法气体流量标准装置来进行工况流量值的测量时,工况流量值在时序上的离散分布能够表征流体流动特性,因此,在本申请的技术方案中,通过对工况流量值在时序上的离散分布能够表征流体流动特性的分析来修正当前时间点的工况流量测量值,以提高其测量精准度。在此过程中,难点在于如何充分且准确地挖掘出所述工况流量值在时序上的动态特征分布信息,以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果来进行测得的工况流量值的修正,以降低流体流动的扰动对计量的影响,提高计量的精准度。
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工况流量值在时序上的动态特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值。
具体地,在本申请实施例中,所述第一尺度流量时序变化模块120和所述第二尺度流量时序变化模块130,用于将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;以及,用于将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量。
接着,考虑到由于所述多个预定时间点的工况流量值在时间维度上具有着动态性的变化规律,为了能够对于所述工况流量值的这种时序动态规律特征进行准确地提取,以对于流体流动特性进行精准分析,需要将所述多个预定时间点的工况流量值按照时间维度排列为工况流量时序输入向量。
然后,考虑到所述工况流量值在时间维度上具有着波动性和不确定性,其在所述预定时间段内的不同时间周期跨度下具有着不同的模式状态变化特征信息。因此,为了能够充分且准确地提取出所述工况流量值在时间维度上的变化特征,以此来表征流体流动特性,在本申请的技术方案中,使用具有不同尺度的一维卷积核的卷积神经网络模型来分别进行所述工况流量时序输入向量的特征挖掘,以提取出所述工况流量值在所述预定时间段内的不同时间跨度下的时序动态多尺度关联特征,即在不同时间跨度下的流体流动特性特征。
具体地,将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型,以提取出在第一时间跨度尺度下的关于所述工况流量值的变化特征,从而以得到第一尺度工况流量时序特征向量。接着,将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以提取出在第二时间跨度尺度下的关于所述工况流量值的变化特征,从而得到第二尺度工况流量时序特征向量。
其中,所述第一尺度流量时序变化模块120,用于:使用具有第一尺度的一维卷积核的第一一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的最后一层的输出为所述第一尺度工况流量时序特征向量,其中,所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
所述第二尺度流量时序变化模块130,用于:使用具有第二尺度的一维卷积核的第二一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的最后一层的输出为所述第二尺度工况流量时序特征向量,其中,所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
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,在本申请实施例中,所述多尺度流量时序变化特征融合模块140,用于融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量。然后,融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,以此来融合所述工况流量值在不同时间跨度下的多尺度时序动态关联特征分布信息,也就是,所述流体的流动特性特征的时序多尺度动态特征信息,从而得到工况流量时序特征向量。
图4为根据本申请实施例的基于音速喷嘴法气体流量控制系统中所述多尺度流量时序变化特征融合模块的框图,如图4所示,所述多尺度流量时序变化特征融合模块140,包括:加权因数计算单元141,用于分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;加权优化单元142,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数分别作为权重,对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量进行加权以得到校正后第一尺度工况流量时序特征向量和校正后第二尺度工况流量时序特征向量;以及,特征融合单元143,用于融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量。
特别地,在本申请的技术方案中,这里,在融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量得到所述工况流量时序特征向量时,为了充分利用不同尺度的工况流量值的时序关联特征,优选地通过直接级联所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量来得到所述工况流量时序特征向量,但是,这样会使得工况流量时序分布误差导致的所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯分布误差不确定性直接叠加,引起所述工况流量时序特征向量的解码回归误差,从而影响所述工况流量时序特征向量的解码结果的准确性。
基于此,在本申请的技术方案中,分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数。
也就是,以如下公式分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;
其中,所述公式为:
,其中,/>和/>分别是所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,/>是特征向量的长度,/>是所述第一尺度工况流量时序特征向量第/>个位置的特征值,/>和/> 分别是特征集合/>的均值和方差,/> 是所述第二尺度工况流量时序特征向量第/>个位置的特征值, />和/>分别是特征集合/>的均值和方差, />为以2为底的对数,/>和/>分别表示所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
这里,针对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量/>各自的集成特征集合由于其分布不确定性信息可能导致的所述差分特征向量的不可知回归,利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量,从而将特征表示的正态分布认知模式扩展到未知的分布回归模式,实现特征集合尺度上的基于自然分布转移的迁移学习,这样,通过以上述高斯回归不确定性因数分别对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量加权后再进行级联,就可以实现所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量在级联过程中基于自校准的不确定性修正,从而修正所述工况流量时序特征向量存在的解码回归误差,提升所述工况流量时序特征向量的解码结果的准确性。
进一步地,所述特征融合单元143,用于:以如下公式融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量;其中,所述公式为:
,其中,/> 为所述工况流量时序特征向量,/>为所述校正后第一尺度工况流量时序特征向量,/>为所述校正后第二尺度工况流量时序特征向量,/>表示按位置加法,/>和/>为用于控制所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量之间的平衡的加权参数。
具体地,在本申请实施例中,所述流量补偿值生成模块150和所述流量补偿模块160,用于将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及,用于计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。
进一步地,将具有所述工况流量值的时序多尺度动态特征的所述工况流量时序特征向量通过解码器中进行解码回归,进而以所述流体的流动特性的时序特征来得到用于表示工况流量补偿值的解码值,以此来进行实际工况流量测量值的修正。具体地,计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。这样,能够降低流体流动的扰动对计量的影响,提高计量的精准度。
其中,所述流量补偿值生成模块160,用于:使用所述解码器以如下公式对所述工况流量时序特征向量进行解码回归以得到所述解码值;其中,所述公式为:
,其中,/>表示所述工况流量时序特征向量,/>表示解码值,/> 表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
综上,基于本申请实施例的基于音速喷嘴法气体流量控制系统100被阐明,其获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;采用基于深度学习的人工智能技术,挖掘工况流量值在时序上的动态特征分布信息,并以此来对于流体流动特性进行准确分析,从而得到工况流量值的精准修正结果以进行测得的工况流量值的修正。这样,可以降低流体流动的扰动对计量的影响,提高计量的精准度。
如上所述,根据本申请实施例的基于音速喷嘴法气体流量控制系统100可以实现在各种终端设备中,例如用于基于音速喷嘴法气体流量控制的服务器等。在一个示例中,根据本申请实施例的基于音速喷嘴法气体流量控制系统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,该基于音速喷嘴法气体流量控制系统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,该基于音速喷嘴法气体流量控制系统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,该基于音速喷嘴法气体流量控制系统100与该终端设备也可以是分立的设备,并且该基于音速喷嘴法气体流量控制系统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。
在本申请的一个实施例中,图5为根据本申请实施例的基于音速喷嘴法气体流量控制方法的流程图。如图5所示,根据本申请实施例的基于音速喷嘴法气体流量控制方法,其包括:210,获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;220,将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;230,将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量;240,融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量;250,将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及,260,计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。
图6为根据本申请实施例的基于音速喷嘴法气体流量控制方法的系统架构的示意图。如图6所示,在所述基于音速喷嘴法气体流量控制方法的系统架构中,首先,获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;然后,将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;接着,将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量;然后,融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量;接着,将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及,最后,计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值。
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量,包括:使用具有第一尺度的一维卷积核的第一一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的最后一层的输出为所述第一尺度工况流量时序特征向量,其中,所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量,包括:使用具有第二尺度的一维卷积核的第二一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的最后一层的输出为所述第二尺度工况流量时序特征向量,其中,所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量,包括:分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数分别作为权重,对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量进行加权以得到校正后第一尺度工况流量时序特征向量和校正后第二尺度工况流量时序特征向量;以及,融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量。
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数,包括:以如下公式分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;其中,所述公式为:
,其中,/>和/>分别是所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,/>是特征向量的长度,/>是所述第一尺度工况流量时序特征向量第/>个位置的特征值,/>和/> 分别是特征集合/>的均值和方差,/> 是所述第二尺度工况流量时序特征向量第/>个位置的特征值, />和/>分别是特征集合/>的均值和方差, />为以2为底的对数,/>和/>分别表示所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量,包括:以如下公式融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量;其中,所述公式为:
,其中,/> 为所述工况流量时序特征向量,/>为所述校正后第一尺度工况流量时序特征向量,/>为所述校正后第二尺度工况流量时序特征向量,/>表示按位置加法,/>和/>为用于控制所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量之间的平衡的加权参数。/>
在一个具体示例中,在上述基于音速喷嘴法气体流量控制方法中,计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值,包括:使用所述解码器以如下公式对所述工况流量时序特征向量进行解码回归以得到所述解码值;其中,所述公式为:
,其中,/>表示所述工况流量时序特征向量,/>表示解码值,/> 表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
本领域技术人员可以理解,上述基于音速喷嘴法气体流量控制方法中的各个步骤的具体操作已经在上面参考图1到图4的基于音速喷嘴法气体流量控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
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 (5)
1.一种基于音速喷嘴法气体流量控制系统,其特征在于,包括:
工况流量数据采集模块,用于获取由音速喷嘴法气体流量测量仪采集的预定时间段内包含当前时间点在内的多个预定时间点的工况流量值;
第一尺度流量时序变化模块,用于将所述多个预定时间点的工况流量值通过使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型以得到第一尺度工况流量时序特征向量;
第二尺度流量时序变化模块,用于将所述多个预定时间点的工况流量值通过使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型以得到第二尺度工况流量时序特征向量;
多尺度流量时序变化特征融合模块,用于融合所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量以得到工况流量时序特征向量;
流量补偿值生成模块,用于将所述工况流量时序特征向量通过解码器以得到解码值,所述解码值用于表示工况流量补偿值;以及
流量补偿模块,用于计算所述解码值和所述当前时间点的工况流量值之间的加权和,作为所述当前时间点的工况流量值得优化测量值;
其中,所述多尺度流量时序变化特征融合模块,包括:
加权因数计算单元,用于分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到第一高斯回归不确定性因数和第二高斯回归不确定性因数;
加权优化单元,用于以所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数分别作为权重,对所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量进行加权以得到校正后第一尺度工况流量时序特征向量和校正后第二尺度工况流量时序特征向量;以及
特征融合单元,用于融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量;
其中,所述加权因数计算单元,用于:以如下公式分别计算所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量的高斯回归不确定性因数以得到所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数;
其中,所述公式为:
,
其中,和/>分别是所述第一尺度工况流量时序特征向量和所述第二尺度工况流量时序特征向量,/>是特征向量的长度,/>是所述第一尺度工况流量时序特征向量第/>个位置的特征值,/>和 />分别是特征集合/>的均值和方差,/>是所述第二尺度工况流量时序特征向量第/>个位置的特征值,/>和/>分别是特征集合/>的均值和方差,/>为以2为底的对数,/>和/>分别表示所述第一高斯回归不确定性因数和所述第二高斯回归不确定性因数。
2.根据权利要求1所述的基于音速喷嘴法气体流量控制系统,其特征在于,所述第一尺度流量时序变化模块,用于:使用具有第一尺度的一维卷积核的第一一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的最后一层的输出为所述第一尺度工况流量时序特征向量,其中,所述使用具有第一尺度的一维卷积核的第一一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
3.根据权利要求2所述的基于音速喷嘴法气体流量控制系统,其特征在于,所述第二尺度流量时序变化模块,用于:使用具有第二尺度的一维卷积核的第二一维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基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的最后一层的输出为所述第二尺度工况流量时序特征向量,其中,所述使用具有第二尺度的一维卷积核的第二一维卷积神经网络模型的第一层的输入为所述多个预定时间点的工况流量值。
4.根据权利要求3所述的基于音速喷嘴法气体流量控制系统,其特征在于,所述特征融合单元,用于:以如下公式融合所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量以得到工况流量时序特征向量;
其中,所述公式为:
,
其中,为所述工况流量时序特征向量,/>为所述校正后第一尺度工况流量时序特征向量,/>为所述校正后第二尺度工况流量时序特征向量,/>表示按位置加法,/>和/>为用于控制所述校正后第一尺度工况流量时序特征向量和所述校正后第二尺度工况流量时序特征向量之间的平衡的加权参数。
5.根据权利要求4所述的基于音速喷嘴法气体流量控制系统,其特征在于,所述流量补偿值生成模块,用于:使用所述解码器以如下公式对所述工况流量时序特征向量进行解码回归以得到所述解码值;
其中,所述公式为:
,其中,/>表示所述工况流量时序特征向量,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595447.7A CN116736895B (zh) | 2023-05-25 | 2023-05-25 | 基于音速喷嘴法气体流量控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595447.7A CN116736895B (zh) | 2023-05-25 | 2023-05-25 | 基于音速喷嘴法气体流量控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116736895A CN116736895A (zh) | 2023-09-12 |
CN116736895B true CN116736895B (zh) | 2024-05-03 |
Family
ID=87916066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310595447.7A Active CN116736895B (zh) | 2023-05-25 | 2023-05-25 | 基于音速喷嘴法气体流量控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736895B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6012474A (en) * | 1995-06-09 | 2000-01-11 | Hirai Co., Ltd. | Mass flow control method and device utilizing a sonic nozzle |
CN109338354A (zh) * | 2018-09-30 | 2019-02-15 | 武汉大学 | 一种薄壁结构超快脉冲激光-冷喷涂表面加工方法 |
WO2023016159A1 (zh) * | 2021-08-12 | 2023-02-16 | 北京邮电大学 | 智慧城市网络流量预测方法及系统 |
CN116086133A (zh) * | 2023-02-20 | 2023-05-09 | 深圳市华特鹏特种气体有限公司 | 化学链空气分离技术制备高纯氧气的装置及方法 |
CN116123349A (zh) * | 2022-12-20 | 2023-05-16 | 浙江电泰阀业有限公司 | 智能上装式轴流阀 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11313950B2 (en) * | 2019-01-15 | 2022-04-26 | Image Sensing Systems, Inc. | Machine learning based highway radar vehicle classification across multiple lanes and speeds |
-
2023
- 2023-05-25 CN CN202310595447.7A patent/CN116736895B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6012474A (en) * | 1995-06-09 | 2000-01-11 | Hirai Co., Ltd. | Mass flow control method and device utilizing a sonic nozzle |
CN109338354A (zh) * | 2018-09-30 | 2019-02-15 | 武汉大学 | 一种薄壁结构超快脉冲激光-冷喷涂表面加工方法 |
WO2023016159A1 (zh) * | 2021-08-12 | 2023-02-16 | 北京邮电大学 | 智慧城市网络流量预测方法及系统 |
CN116123349A (zh) * | 2022-12-20 | 2023-05-16 | 浙江电泰阀业有限公司 | 智能上装式轴流阀 |
CN116086133A (zh) * | 2023-02-20 | 2023-05-09 | 深圳市华特鹏特种气体有限公司 | 化学链空气分离技术制备高纯氧气的装置及方法 |
Non-Patent Citations (5)
Title |
---|
《Application of Convolution Neural Network to Flow Pattern Identification of Gas-Liquid Two-Phase Flow in Small-Size Pipe》;Zhiyong Yang 等;《2017 CHINESE AUTOMATION CONGRESS 》;20171231;第1-5页 * |
《Imaging of flow pattern of gas-oil flows with convolutional neural network》;Zhuoqun Xu 等;《ieee》;20201231;第1-6页 * |
《人工智能在气动设计中的应用与展望》;孙刚 等;《民用飞机设计与研究》;20210331;第1-10页 * |
《卷积神经网络在流场重构研究中的进展》;陈皓 等;《力 学 学 报》;20220930;第1-18页 * |
《基于声波法的管道泄漏检测技术研究进展》;袁文强 等;《油气储运》;20230228;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116736895A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102562469B (zh) | 基于校正算法的短期风力发电机输出功率预测方法 | |
CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
CN110186522B (zh) | 结合涡街幅值特性的湿气过读补偿与流量测量方法 | |
Doekemeijer et al. | Ensemble Kalman filtering for wind field estimation in wind farms | |
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
Wang et al. | Wind speed frequency distribution modeling and wind energy resource assessment based on polynomial regression model | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态系统的建模方法 | |
CN110346005B (zh) | 基于深度学习的科里奥利质量流量计数字信号处理方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN104794297A (zh) | 一种消除汽轮机调速系统模型中失真的方法 | |
Adnan et al. | 5 hours flood prediction modeling using improved NNARX structure: case study Kuala Lumpur | |
CN114091345A (zh) | 一种河口潮位预测方法、装置及存储介质 | |
CN115854999B (zh) | 基于场景自适应的h-adcp断面平均流速自校正方法 | |
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
CN109783934A (zh) | 一种基于h-adcp的断面平均流速拟合率定方法 | |
CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
JP2012132797A (ja) | 超音波流量計の検証システム及び検証方法 | |
CN116736895B (zh) | 基于音速喷嘴法气体流量控制系统 | |
CN110186533A (zh) | 一种高精度的河口短期潮位预报方法 | |
CN109254321A (zh) | 一种地震激励下快速贝叶斯模态参数识别方法 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN109059875B (zh) | 一种驱动完美模型开展月尺度径流预报的方法 | |
CN112580183A (zh) | 一种在线学习水泵模型实时流量精确控制方法 |
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 |