CN116738221B - 一种带压管道气体分析方法及系统 - Google Patents
一种带压管道气体分析方法及系统 Download PDFInfo
- Publication number
- CN116738221B CN116738221B CN202311021560.0A CN202311021560A CN116738221B CN 116738221 B CN116738221 B CN 116738221B CN 202311021560 A CN202311021560 A CN 202311021560A CN 116738221 B CN116738221 B CN 116738221B
- Authority
- CN
- China
- Prior art keywords
- component
- matching
- imf
- components
- similarity
- 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 47
- 238000004868 gas analysis Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 22
- 239000012535 impurity Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011524 similarity measure Methods 0.000 claims 1
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 74
- 238000004519 manufacturing process Methods 0.000 description 20
- 238000012880 independent component analysis Methods 0.000 description 12
- 238000005070 sampling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- 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
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Discrete Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Algebra (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，提出了一种带压管道气体分析方法及系统，包括：采集带压管道气体的若干混合浓度曲线；通过EMD分解及每个IMF分量的周期表现，获取每条混合浓度曲线的若干第一IMF分量；对每个第一IMF分量提取极值点得到极值点分布序列及极值点间趋势序列；根据不同混合浓度曲线的第一IMF分量在极值点分布序列及极值点间趋势序列的相似程度，获取若干匹配分量集合及其连接性，根据连接性得到独立成分数量；根据独立成分数量对所有混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析。本发明旨在解决带压管道中气体成分无法准确判断而影响每种气体的异常分析效果的问题。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种带压管道气体分析方法及系统。
背景技术
工厂中的带压管道由于设备启停、工作负荷变化等原因，管道中的压力会产生频繁的变化，导致带压管道较易破损，会导致其中引入杂质气体；杂质气体多样，通过固定的多种气体传感器来检测无法及时检测到杂质气体的存在，因此现有方法中通常在带压管道的多个不同位置安装通用的气体浓度传感器，通过气体浓度变化来实现气体成分的分析。
现有技术中通过ICA分解的方法获取独立成分，通过独立成分的气体浓度变化判断是否存在异常气体，然而不同监测阶段的气体成分存在差异，固定的独立成分数量参数并不能完整的获取混合气体中每种气体对应的独立成分，进而无法准确实现杂质气体的异常分析，从而无法准确判断是否存在杂质气体，导致无法确定带压管道是否发生破损。
发明内容
本发明提供一种带压管道气体分析方法及系统，以解决现有的带压管道中气体成分数量无法准确判断而影响每种气体的异常分析效果的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种带压管道气体分析方法，该方法包括以下步骤：
采集带压管道每个布置传感器的位置的混合浓度曲线；
根据每条混合浓度曲线的若干IMF分量，获取每个IMF分量的主导性，根据主导性得到每条混合浓度曲线的若干第一IMF分量；
根据每个第一IMF分量中的极值点，获取每个第一IMF分量的极值点分布序列及极值点间趋势序列；
根据每个第一IMF分量的极值点分布序列及极值点间趋势序列，获取任意两个不同混合浓度曲线中的第一IMF分量的相似程度；根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，根据匹配分量集合的连接性得到独立成分数量；
根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析。
进一步的，所述每个IMF分量的主导性，具体的获取方法为：
对每条混合浓度曲线进行EMD分解，得到每条混合浓度曲线的若干IMF分量；
以任意一条混合浓度曲线的任意一个IMF分量为目标IMF分量，将目标IMF分量通过傅里叶变换转换到频域空间中，获取频域空间中所有幅值，按照从大到小降序对幅值进行排序，作为目标IMF分量的幅值序列，目标IMF分量的主导性的计算方法为：
其中，表示目标IMF分量的幅值序列中元素数量；/>表示目标IMF分量的幅值序列中第一个元素的元素值；/>表示目标IMF分量的幅值序列中第/>个元素的元素值；
获取每条混合浓度曲线的每个IMF分量的主导性。
进一步的，所述每个第一IMF分量的极值点分布序列及极值点间趋势序列，具体的获取方法为：
以任意一个第一IMF分量为目标第一IMF分量，获取目标IMF分量中所有极值点，将所有极值点的横坐标值按照从小到大升序排列，得到的序列记为目标第一IMF分量的极值点分布序列；获取每个第一IMF分量的极值点分布序列；
根据每个第一IMF分量中极值点之间的趋势变化，得到每个第一IMF分量的极值点间趋势序列。
进一步的，所述得到每个第一IMF分量的极值点间趋势序列，包括的具体方法为：
以任意一个第一IMF分量为目标第一IMF分量，通过目标第一IMF分量中的极值点将目标第一IMF分量划分为若干段，每段分量记为一个分段，对每个分段按照其在第一IMF分量中的顺序获取每个分段的次序值；
以任意一个分段为目标分段，将目标分段的所有数据点的坐标输入到PCA中，通过PCA分析得到最大特征值对应的二维向量，记为目标分段的趋势向量；获取目标分段的趋势向量的角度值；
获取目标第一IMF分量中每个分段的趋势向量及对应的角度值，将每个分段的次序值按照分段的趋势向量的角度值从小到大升序排列，得到的序列记为目标第一IMF分量的极值点间趋势序列；
获取每个第一IMF分量的若干分段，得到每个第一IMF分量的极值点间趋势序列。
进一步的，所述任意两个不同混合浓度曲线中的第一IMF分量的相似程度，具体的获取方法为：
其中，表示任意两个不同混合浓度曲线中的第一IMF分量的相似程度，/>表示两个第一IMF分量的极值点分布序列的DTW距离，/>表示两个第一IMF分量的极值点间趋势序列的DTW距离，/>为避免指数值过小的超参数，/>表示以自然常数为底的指数函数；
获取任意两个不同混合浓度曲线中的第一IMF分量的相似程度。
进一步的，所述根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，包括的具体方法为：
获取所有相似程度中相似程度最大值对应的两个第一IMF分量，记为初始匹配分量，将两个初始匹配分量所在的两条混合浓度曲线记为初始匹配曲线；
分别获取两个初始匹配分量在除两条初始匹配曲线之外其他混合浓度曲线的第一IMF分量中各自的相似程度最大值，将两个最大值中的最大值对应的两个第一IMF分量中，不是初始匹配分量的另一个第一IMF分量记为第一匹配分量，第一匹配分量所在的混合浓度曲线记为第一匹配曲线；将两个最大值中的最小值对应的两个第一IMF分量中的初始匹配分量更新为第一匹配分量，其所在的混合浓度曲线更新为第一匹配曲线；
对两个第一匹配分量获取两个第二匹配分量及所在的第二匹配曲线，通过多次选取相似程度最大值，直到某次获取匹配分量后，所有的混合浓度曲线都已经作为某次的匹配曲线，将此时得到的匹配分量组成一个匹配分量集合；
得到一个匹配分量集合后，将所有的匹配曲线都初始化为混合浓度曲线，剔除匹配分量集合中对应的第一IMF分量，对剩余的第一IMF分量继续通过相似程度最大值，获取第二个匹配分量集合；
获取到第二个匹配分量集合后，继续剔除已经作为匹配分量集合中元素的第一IMF分量，继续匹配分量集合的获取，直到某次获取匹配分量集合后，某条混合浓度曲线中不再具有未作为匹配分量集合中元素的第一IMF分量，完成匹配分量集合的获取，得到若干匹配分量集合；
根据每个匹配分量集合中任意两个第一IMF分量的相似程度，获取每个匹配分量集合的连接性。
进一步的，所述获取每个匹配分量集合的连接性，具体的获取方法为：
以任意一个匹配分量集合为目标匹配分量集合，目标匹配分量集合的连接性的计算方法为：
其中，表示目标匹配分量集合中获取的相似程度数量，/>表示目标匹配分量集合中相似程度大于相似阈值的数量，/>表示目标匹配分量集合中所有相似程度的方差，/>为避免指数值过小的超参数，/>表示以自然常数为底的指数函数；
获取每个匹配分量集合的连接性。
进一步的，所述根据匹配分量集合的连接性得到独立成分数量，包括的具体方法为：
获取连接性大于连接阈值的匹配分量集合的数量，将数量作为独立成分数量。
进一步的，所述根据独立成分分量完成带压管道的气体分析，包括的具体方法为：
获取每种气体的标准浓度曲线；以任意一个独立成分分量为目标独立成分分量，获取目标独立成分分量与每种气体的标准浓度曲线的余弦相似度；
若目标独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，带压管道中存在杂质气体；若目标独立成分分量与每种气体的标准浓度曲线的余弦相似度中，存在大于等于异常阈值的余弦相似度，继续对其他独立成分分量进行分析，若每个独立成分分量获取的余弦相似度中均存在大于等于异常阈值的余弦相似度，带压管道中不存在杂质气体；
若存在任意一个独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，带压管道中存在杂质气体。
第二方面，本发明另一个实施例提供了一种带压管道气体分析系统，该系统包括：
管道气体数据采集模块，采集带压管道每个布置传感器的位置的混合浓度曲线；
气体数据处理分析模块：根据每条混合浓度曲线的若干IMF分量，获取每个IMF分量的主导性，根据主导性得到每条混合浓度曲线的若干第一IMF分量；
根据每个第一IMF分量中的极值点，获取每个第一IMF分量的极值点分布序列及极值点间趋势序列；
根据每个第一IMF分量的极值点分布序列及极值点间趋势序列，获取任意两个不同混合浓度曲线的第一IMF分量的相似程度；根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，根据匹配分量集合的连接性得到独立成分数量；
管道气体成分分析模块，根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析。
本发明的有益效果是：本发明通过对带压管道中气体的混合浓度进行监测，通过对混合浓度曲线进行自适应的ICA分解，实现独立成分的分析并完成带压管道中气体的分析，保证对于不同生产过程都可以将其中的气体成分独立分离进行分析，提高气体分析结果的准确性；其中首先通过EMD分解混合浓度曲线得到不同混合浓度曲线中，包含独立成分信息较多的若干第一IMF分量，避免多种独立成分混叠的IMF分量对后续分析造成干扰；再通过第一IMF分量的极值点分布及极值点之间的趋势变化，对不同混合浓度曲线的第一IMF分量进行匹配，得到若干匹配分量集合，匹配分量集合中不同第一IMF分量反映同一独立成分概率更大，再根据匹配分量集合中相似程度表现得到满足连接阈值的匹配分量集合，进而得到独立成分数量并完成独立成分分量获取及分析，通过连接性越大的匹配分量集合越能反映同一独立成分，保证独立成分数量更加准确，且对不同生产过程自适应，从而提高带压管道气体分析结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种带压管道气体分析方法流程示意图；
图2为本发明另一个实施例所提供的一种带压管道气体分析系统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例所提供的一种带压管道气体分析方法流程图，该方法包括以下步骤：
步骤S001、在带压管道多个位置布置传感器，采集气体浓度数据，得到每个位置的混合浓度曲线。
本实施例的目的是对工厂生产过程中带压管道的气体进行分析，通过是否存在杂质气体实现带压管道的破损检测，因此首先需要获取带压管道中气体的相关数据；由于气体在带压管道中流动，不同种类气体的流动特性不同，导致带压管道中不同位置的各种气体的比重不同，因此需要在多个位置布置传感器，获取生产过程中的气体浓度数据。
具体的，本实施例对带压管道每间隔5米布置一个气体浓度传感器，将设备启动到停止作为一次生产过程，在任意一次生产过程中，对于每个布置传感器的位置，本实施例每隔30分钟进行一次时长为10分钟的气体浓度采样，采样过程中每10秒记录一次气体浓度数据，即设备开始10分钟内进行一次采样，采样结束间隔30分钟后，再进行一次时长为10分钟的采样；对于任意一个布置传感器的位置，获取到该位置在该次生产过程中采样的时序排列的若干气体浓度数据，则按照时序排列得到一个序列以及对应的曲线，将曲线记为该位置的混合浓度曲线，则可以得到该次生产过程中每个位置的混合浓度曲线，本实施例后续均以该次生产过程为例进行说明。
至此，获取到了生产过程中每个布置传感器的位置的混合浓度曲线。
步骤S002、对每条混合浓度曲线通过EMD分解得到若干IMF分量，根据每个IMF分量的周期表现，获取每条混合浓度曲线的若干第一IMF分量。
需要说明的是，ICA作为一种能够从混合信号中提取独立成分的统计方法，可以将混合浓度曲线视为多种气体的气体浓度曲线混合得到，因此可以通过将不同位置的混合浓度曲线构成矩阵，通过ICA分解得到不同比重的多个独立成分即不同气体的浓度曲线在多个位置的叠加曲线；然而混合浓度曲线中独立成分数量未知，即不同生产过程可能产生的气体种类数量未知，因此无法准确获取独立成分来进行气体分析。
进一步需要说明的是，EMD分解可以对混合信号进行分解，得到不同频率的IMF分量，不同频率的IMF分量并非独立成分，仅是形式上的分解，然而由于独立成分本身较强的规律性，因此一个独立成分通常在每条混合浓度曲线的若干IMF分量中呈现主导地位，则可以通过这种关系对不同混合浓度曲线的IMF分量进行匹配，根据匹配结果进行独立成分数量的量化；然而某些IMF分量中包含独立成分信息较少，即由较多独立成分混叠而无法单独呈现具体的某个独立成分的信息，因此首先需要对混合浓度曲线EMD分解得到的IMF分量进行筛选，通过IMF分量的周期表现，即不同周期在频域空间对应的幅值，量化得到主导性并获取第一IMF分量。
具体的，每个布置传感器的位置均采集了一条混合浓度曲线，则生产过程共获取了若干条混合浓度曲线，对每条混合浓度曲线进行EMD分解，得到每条混合浓度曲线的若干IMF分量，EMD分解为公知技术，本实施例不再赘述。
进一步的，以任意一条混合浓度曲线的任意一个IMF分量为例，将该IMF分量通过傅里叶变换转换到频域空间中，获取频域空间中所有幅值，并按照从大到小降序对幅值进行排序，作为该IMF分量的幅值序列，则该IMF分量的主导性的计算方法为：
其中，表示该IMF分量的幅值序列中元素数量，即幅值数量；/>表示该IMF分量的幅值序列中第一个元素的元素值，即幅值序列中的幅值最大值；/>表示该IMF分量的幅值序列中第/>个元素的元素值；通过对幅值序列中最大值与其他非最大值的差值进行量化得到主导性，差值越大，幅值最大值相交其他幅值占据IMF分量的主导部分越多，通过对差值量化值求均值得到主导性，主导性越大，该IMF分量包含的独立成分信息越多，不同种独立成分越少；按照上述方法获取每条混合浓度曲线的每个IMF分量的主导性，预设一个主导阈值，本实施例主导阈值采用0.6进行叙述，若IMF分量的主导性大于主导阈值，将IMF分量记为第一IMF分量；主导性小于等于主导阈值的IMF分量不作处理，则得到了每条混合浓度曲线的若干第一IMF分量。
至此，通过对每条混合浓度曲线进行EMD分解并筛选，得到了每条混合浓度曲线的若干第一IMF分量。
步骤S003、对每个第一IMF分量提取极值点得到极值点分布序列，根据极值点获取每个第一IMF分量的若干分段，分析每个分段的趋势变化得到每个第一IMF分量的极值点间趋势序列。
需要说明的是，对于不同浓度曲线的第一IMF分量，若多个第一IMF分量反映的是同一独立成分，则这些第一IMF分量中的极值点分布位置变化很小，同时相邻极值点之间一段分量数据的趋势分布变化也较小，因此可以通过获取每个第一IMF分量的极值点分布序列，以及极值点间趋势序列，为后续不同混合浓度曲线的第一IMF分量进行匹配提供基础。
具体的，以任意一个第一IMF分量为例，获取该IMF分量中所有极值点，将所有极值点的横坐标值按照从小到大升序排列，得到的序列记为该第一IMF分量的极值点分布序列；按照上述方法获取每个第一IMF分量的极值点分布序列；极值点获取为公知技术，本实施例不再赘述。
进一步的，以任意一个第一IMF分量为例，通过该第一IMF分量中的极值点将该第一IMF分量划分为若干段，每段分量记为一个分段，对每个分段按照其在第一IMF分量中的顺序获取每个分段的次序值；以任意一个分段为例，将该分段的所有数据点的坐标输入到PCA中，通过PCA分析得到若干二维向量及对应的特征值，最大特征值对应的二维向量即为各个坐标的最大投影向量，将该二维向量记为该分段的趋势向量，PCA分析获取最大投影向量的过程为公知技术，本实施例不再赘述；获取该分段的趋势向量的角度值，角度值以水平右向为0度，逆时针角度值逐渐增大；按照上述方法获取该第一IMF分量中每个分段的趋势向量及对应的角度值，将每个分段的次序值按照分段的趋势向量的角度值从小到大升序排列，得到的序列记为该第一IMF分量的极值点间趋势序列，极值点间趋势序列中的元素值为分段的次序值，排列顺序为每个分段的趋势向量的角度值从小到大升序排列；按照上述方法获取每个第一IMF分量的若干分段，并按照上述方法得到每个第一IMF分量的极值点间趋势序列。
至此，获取到了每条混合浓度曲线中每个第一IMF分量的极值点分布序列及极值点间趋势序列。
步骤S004、根据不同混合浓度曲线的第一IMF分量在极值点分布序列及极值点间趋势序列的相似程度，获取若干匹配分量集合并计算每个匹配分量集合的连接性，根据连接性得到独立成分数量。
需要说明的是，获取到每个第一IMF分量的极值点分布序列及极值点间趋势序列后，则可以对不同混合浓度曲线中的第一IMF分量根据两个序列的相似程度进行匹配，相似程度越大越可能表征同一独立成分，通过多个混合浓度曲线进行匹配得到匹配链，并对匹配链中的相似程度进行量化得到连接性，相似程度越大同时相似程度的方差越小，连接性越大，匹配链中的第一IMF分量表征同一独立成分的概率越大，进而则可以得到独立成分数量。
具体的，以任意两个不同混合浓度曲线中的第一IMF分量为例，两个第一IMF分量的相似程度的计算方法为：
其中，表示两个第一IMF分量的极值点分布序列的DTW距离，/>表示两个第一IMF分量的极值点间趋势序列的DTW距离，/>为避免指数值过小的超参数，本实施例采用进行叙述，/>表示以自然常数为底的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数；由于不同第一IMF分量的两种序列中的元素数量存在差异，因此通过DTW距离来量化相似程度，DTW距离越小，序列之间的相似程度越大，通过对两种序列得到的相似程度求均值，最终得到第一IMF分量之间的相似程度；按照上述方法获取任意两个不同混合浓度曲线中的第一IMF分量的相似程度。
进一步的，获取到相似程度后，获取所有相似程度中相似程度最大值对应的两个第一IMF分量，记为初始匹配分量，将两个初始匹配分量所在的两条混合浓度曲线记为初始匹配曲线，分别获取两个初始匹配分量在除两条初始匹配曲线之外其他混合浓度曲线的第一IMF分量中各自的相似程度最大值，将两个最大值中的最大值对应的两个第一IMF分量中，不是初始匹配分量的另一个第一IMF分量记为第一匹配分量，第一匹配分量所在的混合浓度曲线记为第一匹配曲线；同时将两个最大值中的最小值对应的两个第一IMF分量中的初始匹配分量更新为第一匹配分量，其所在的混合浓度曲线也更新为第一匹配曲线；按照上述方法对两个第一匹配分量获取两个第二匹配分量及所在的第二匹配曲线，即两个初始匹配分量获取第一匹配分量及第一匹配曲线的方法，通过多次选取相似程度最大值，直到某次获取匹配分量后，所有的混合浓度曲线都已经作为某次的匹配曲线，此时匹配分量的数量刚好为混合浓度曲线的数量，且所有匹配分量均在不同的混合浓度曲线中，将此时得到的匹配分量组成一个匹配分量集合；例如A、B、C、D及E共五条混合浓度曲线，其中混合浓度曲线A中第一IMF分量A1与混合浓度曲线C中第一IMF分量C2的相似程度最大，则首先获取A1及C2作为初始匹配分量；再计算A1与C2分别在B、D及E中的相似程度最大值，此时A1与B3的相似程度最大，C2与D1的相似程度最大，而A1与B3的相似程度大于C2与D1的相似程度，则将B3及C2作为第一匹配分量；再计算B3及C2在D和E中的相似程度最大值，获取到C2与D1的相似程度、B3与D2的相似程度，且B3与D2的相似程度最大，则将C2和D2作为第二匹配分量；再计算C2和D2在E中的相似程度最大值，获取到C2与E4的相似程度、D2与E3的相似程度，且C2与E4的相似程度最大，则将E4与D2作为第三匹配分量，此时的匹配分量集合则为{A1 C2B3 D2 E4}。
进一步的，得到一个匹配分量集合后，将所有的匹配曲线都初始化为混合浓度曲线，剔除匹配分量集合中对应的第一IMF分量，对剩余的第一IMF分量继续按照上述方法，通过相似程度最大值，获取第二个匹配分量集合；获取到第二个匹配分量集合后，继续剔除已经作为匹配分量集合中元素的第一IMF分量，并继续匹配分量集合的获取，直到某次获取匹配分量集合后，某条混合浓度曲线中不再具有未作为匹配分量集合中元素的第一IMF分量，则完成了对于匹配分量集合的获取，则匹配分量集合的数量与每条混合浓度曲线中第一IMF分量的数量的最小值相等，则得到了若干匹配分量集合。
进一步的，以任意一个匹配分量集合为例，预设一个相似阈值，本实施例相似阈值采用0.7进行叙述，则该匹配分量集合的连接性的计算方法为：
其中，表示该匹配分量集合中获取的相似程度数量，即是获取该匹配分量集合中任意两个第一IMF分量的相似程度，统计相似程度的数量；/>表示该匹配分量集合中相似程度大于相似阈值的数量，/>表示该匹配分量集合中所有相似程度的方差，/>为避免指数值过小的超参数，本实施例采用/>进行叙述，/>表示以自然常数为底的指数函数，本实施例采用/>函数来呈现反比例关系及归一化处理，实施者可根据实际情况设置反比例函数及归一化函数；通过相似阈值对匹配分量集合中的相似程度进行限制，相似程度大于相似阈值的数量越多，占比越大，匹配分量集合中不同第一IMF分量表示同一独立成分的可能性越大，连接性越大；匹配分量集合中所有相似程度的方差越小，相似程度越接近，不同第一IMF分量中表示同一独立成分的部分越多，连接性越大；通过将阈值筛选部分及方差部分均量化到/>的值域范围，保证量纲同一，最终得到该匹配分量集合的连接性。
进一步的，按照上述方法获取每个匹配分量集合的连接性，预设一个连接阈值，本实施例连接阈值采用0.68进行叙述，获取连接性大于连接阈值的匹配分量集合的数量，将数量作为独立成分数量；连接性越大，匹配分量集合对应同一个独立成分的可能性越大，进而将连接性较大的匹配分量集合进行提取，其数量作为独立成分数量。
至此，通过对不同混合浓度曲线的第一IMF分量进行匹配，得到匹配分量集合，根据匹配分量集合中第一IMF分量之间的相似度，获取到独立成分数量。
步骤S005、根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析。
获取到独立成分数量后，将独立成分数量作为ICA分解中的参数，将每条混合浓度曲线对应的序列作为矩阵的一行，不同行对应不同位置的混合浓度曲线，得到的矩阵记为初始矩阵；对初始矩阵进行ICA分解，得到若干独立成分分量；对该次生产过程中所有可能产生的气体，对每种气体都获取标准浓度曲线，标准浓度曲线的采集时长与采样间隔与步骤S001中获取混合浓度曲线一致，通过已有的生产过程数据获取每种气体对应的每个时刻的气体浓度，进而得到标准浓度曲线。
进一步的，以任意一个独立成分分量为例，获取该独立成分分量与每种气体的标准浓度曲线的余弦相似度，预设一个异常阈值，本实施例异常阈值采用0.65进行叙述，若该独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，表明该独立成分分量对应的某种气体浓度变化不符合任意一个该次生产过程可能产生的气体的浓度变化，则表明带压管道中存在杂质气体，需要对带压管道进行预警，判断是否破损；若该独立成分分量与每种气体的标准浓度曲线的余弦相似度中，存在大于等于异常阈值的余弦相似度，则继续对其他独立成分分量进行分析，若每个独立成分分量获取的余弦相似度中均存在大于等于异常阈值的余弦相似度，则带压管道中不存在异常气体即杂质气体；若存在任意一个独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，则表明存在杂质气体，需要及时预警。
进一步的，对于任意一次生产过程，均可以按照上述方法通过独立成分分析，判断生产过程中带压管道是否存在非本生产过程会产生的其他杂质气体，进而实现生产过程带压管道的气体分析。
至此，通过对生产过程的混合气体的浓度变化进行独立成分分析，实现生产过程带压管道的气体分析。
请参阅图2，其示出了本发明另一个实施例所提供的一种带压管道气体分析系统结构框图，该系统包括：
管道气体数据采集模块101，在带压管道多个位置布置传感器，采集气体浓度数据，得到每个位置的混合浓度曲线。
气体数据处理分析模块102：
（1）对每条混合浓度曲线通过EMD分解得到若干IMF分量，根据每个IMF分量的周期表现，获取每条混合浓度曲线的若干第一IMF分量；
（2）对每个第一IMF分量提取极值点得到极值点分布序列，根据极值点获取每个第一IMF分量的若干分段，分析每个分段的趋势变化得到每个第一IMF分量的极值点间趋势序列；
（3）根据不同混合浓度曲线的第一IMF分量在极值点分布序列及极值点间趋势序列的相似程度，获取若干匹配分量集合并计算每个匹配分量集合的连接性，根据连接性得到独立成分数量。
管道气体成分分析模块103，根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种带压管道气体分析方法，其特征在于，该方法包括以下步骤：
采集带压管道每个布置传感器的位置的混合浓度曲线；
根据每条混合浓度曲线的若干IMF分量，获取每个IMF分量的主导性，根据主导性得到每条混合浓度曲线的若干第一IMF分量；
根据每个第一IMF分量中的极值点，获取每个第一IMF分量的极值点分布序列及极值点间趋势序列；
根据每个第一IMF分量的极值点分布序列及极值点间趋势序列，获取任意两个不同混合浓度曲线中的第一IMF分量的相似程度；根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，根据匹配分量集合的连接性得到独立成分数量；
根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析；
所述根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，包括的具体方法为：
获取所有相似程度中相似程度最大值对应的两个第一IMF分量，记为初始匹配分量，将两个初始匹配分量所在的两条混合浓度曲线记为初始匹配曲线；
分别获取两个初始匹配分量在除两条初始匹配曲线之外其他混合浓度曲线的第一IMF分量中各自的相似程度最大值，将两个最大值中的最大值对应的两个第一IMF分量中，不是初始匹配分量的另一个第一IMF分量记为第一匹配分量，第一匹配分量所在的混合浓度曲线记为第一匹配曲线；将两个最大值中的最小值对应的两个第一IMF分量中的初始匹配分量更新为第一匹配分量，其所在的混合浓度曲线更新为第一匹配曲线；
对两个第一匹配分量获取两个第二匹配分量及所在的第二匹配曲线，通过多次选取相似程度最大值，直到某次获取匹配分量后，所有的混合浓度曲线都已经作为某次的匹配曲线，将此时得到的匹配分量组成一个匹配分量集合；
得到一个匹配分量集合后，将所有的匹配曲线都初始化为混合浓度曲线，剔除匹配分量集合中对应的第一IMF分量，对剩余的第一IMF分量继续通过相似程度最大值，获取第二个匹配分量集合；
获取到第二个匹配分量集合后，继续剔除已经作为匹配分量集合中元素的第一IMF分量，继续匹配分量集合的获取，直到某次获取匹配分量集合后，某条混合浓度曲线中不再具有未作为匹配分量集合中元素的第一IMF分量，完成匹配分量集合的获取，得到若干匹配分量集合；
根据每个匹配分量集合中任意两个第一IMF分量的相似程度，获取每个匹配分量集合的连接性；
所述获取每个匹配分量集合的连接性，具体的获取方法为：
以任意一个匹配分量集合为目标匹配分量集合，目标匹配分量集合的连接性的计算方法为：
其中，表示目标匹配分量集合中获取的相似程度数量，/>表示目标匹配分量集合中相似程度大于相似阈值的数量，/>表示目标匹配分量集合中所有相似程度的方差，/>为避免指数值过小的超参数，/>表示以自然常数为底的指数函数；
获取每个匹配分量集合的连接性。
2.根据权利要求1所述的一种带压管道气体分析方法，其特征在于，所述每个IMF分量的主导性，具体的获取方法为：
对每条混合浓度曲线进行EMD分解，得到每条混合浓度曲线的若干IMF分量；
以任意一条混合浓度曲线的任意一个IMF分量为目标IMF分量，将目标IMF分量通过傅里叶变换转换到频域空间中，获取频域空间中所有幅值，按照从大到小降序对幅值进行排序，作为目标IMF分量的幅值序列，目标IMF分量的主导性的计算方法为：
其中，表示目标IMF分量的幅值序列中元素数量；/>表示目标IMF分量的幅值序列中第一个元素的元素值；/>表示目标IMF分量的幅值序列中第/>个元素的元素值；
获取每条混合浓度曲线的每个IMF分量的主导性。
3.根据权利要求1所述的一种带压管道气体分析方法，其特征在于，所述每个第一IMF分量的极值点分布序列及极值点间趋势序列，具体的获取方法为：
以任意一个第一IMF分量为目标第一IMF分量，获取目标IMF分量中所有极值点，将所有极值点的横坐标值按照从小到大升序排列，得到的序列记为目标第一IMF分量的极值点分布序列；获取每个第一IMF分量的极值点分布序列；
根据每个第一IMF分量中极值点之间的趋势变化，得到每个第一IMF分量的极值点间趋势序列。
4.根据权利要求3所述的一种带压管道气体分析方法，其特征在于，所述得到每个第一IMF分量的极值点间趋势序列，包括的具体方法为：
以任意一个第一IMF分量为目标第一IMF分量，通过目标第一IMF分量中的极值点将目标第一IMF分量划分为若干段，每段分量记为一个分段，对每个分段按照其在第一IMF分量中的顺序获取每个分段的次序值；
以任意一个分段为目标分段，将目标分段的所有数据点的坐标输入到PCA中，通过PCA分析得到最大特征值对应的二维向量，记为目标分段的趋势向量；获取目标分段的趋势向量的角度值；
获取目标第一IMF分量中每个分段的趋势向量及对应的角度值，将每个分段的次序值按照分段的趋势向量的角度值从小到大升序排列，得到的序列记为目标第一IMF分量的极值点间趋势序列；
获取每个第一IMF分量的若干分段，得到每个第一IMF分量的极值点间趋势序列。
5.根据权利要求1所述的一种带压管道气体分析方法，其特征在于，所述任意两个不同混合浓度曲线中的第一IMF分量的相似程度，具体的获取方法为：
其中，表示任意两个不同混合浓度曲线中的第一IMF分量的相似程度，/>表示两个第一IMF分量的极值点分布序列的DTW距离，/>表示两个第一IMF分量的极值点间趋势序列的DTW距离，/>为避免指数值过小的超参数，/>表示以自然常数为底的指数函数；
获取任意两个不同混合浓度曲线中的第一IMF分量的相似程度。
6.根据权利要求1所述的一种带压管道气体分析方法，其特征在于，所述根据匹配分量集合的连接性得到独立成分数量，包括的具体方法为：
获取连接性大于连接阈值的匹配分量集合的数量，将数量作为独立成分数量。
7.根据权利要求1所述的一种带压管道气体分析方法，其特征在于，所述根据独立成分分量完成带压管道的气体分析，包括的具体方法为：
获取每种气体的标准浓度曲线；以任意一个独立成分分量为目标独立成分分量，获取目标独立成分分量与每种气体的标准浓度曲线的余弦相似度；
若目标独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，带压管道中存在杂质气体；若目标独立成分分量与每种气体的标准浓度曲线的余弦相似度中，存在大于等于异常阈值的余弦相似度，继续对其他独立成分分量进行分析，若每个独立成分分量获取的余弦相似度中均存在大于等于异常阈值的余弦相似度，带压管道中不存在杂质气体；
若存在任意一个独立成分分量与每种气体的标准浓度曲线的余弦相似度均小于异常阈值，带压管道中存在杂质气体。
8.一种带压管道气体分析系统，其特征在于，该系统包括：
管道气体数据采集模块，采集带压管道每个布置传感器的位置的混合浓度曲线；
气体数据处理分析模块：根据每条混合浓度曲线的若干IMF分量，获取每个IMF分量的主导性，根据主导性得到每条混合浓度曲线的若干第一IMF分量；
根据每个第一IMF分量中的极值点，获取每个第一IMF分量的极值点分布序列及极值点间趋势序列；
根据每个第一IMF分量的极值点分布序列及极值点间趋势序列，获取任意两个不同混合浓度曲线的第一IMF分量的相似程度；根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，根据匹配分量集合的连接性得到独立成分数量；
管道气体成分分析模块，根据独立成分数量对所有位置的混合浓度曲线进行ICA分解，得到若干独立成分分量，根据独立成分分量完成带压管道的气体分析；
所述根据相似程度获取若干匹配分量集合及每个匹配分量集合的连接性，包括的具体方法为：
获取所有相似程度中相似程度最大值对应的两个第一IMF分量，记为初始匹配分量，将两个初始匹配分量所在的两条混合浓度曲线记为初始匹配曲线；
分别获取两个初始匹配分量在除两条初始匹配曲线之外其他混合浓度曲线的第一IMF分量中各自的相似程度最大值，将两个最大值中的最大值对应的两个第一IMF分量中，不是初始匹配分量的另一个第一IMF分量记为第一匹配分量，第一匹配分量所在的混合浓度曲线记为第一匹配曲线；将两个最大值中的最小值对应的两个第一IMF分量中的初始匹配分量更新为第一匹配分量，其所在的混合浓度曲线更新为第一匹配曲线；
对两个第一匹配分量获取两个第二匹配分量及所在的第二匹配曲线，通过多次选取相似程度最大值，直到某次获取匹配分量后，所有的混合浓度曲线都已经作为某次的匹配曲线，将此时得到的匹配分量组成一个匹配分量集合；
得到一个匹配分量集合后，将所有的匹配曲线都初始化为混合浓度曲线，剔除匹配分量集合中对应的第一IMF分量，对剩余的第一IMF分量继续通过相似程度最大值，获取第二个匹配分量集合；
获取到第二个匹配分量集合后，继续剔除已经作为匹配分量集合中元素的第一IMF分量，继续匹配分量集合的获取，直到某次获取匹配分量集合后，某条混合浓度曲线中不再具有未作为匹配分量集合中元素的第一IMF分量，完成匹配分量集合的获取，得到若干匹配分量集合；
根据每个匹配分量集合中任意两个第一IMF分量的相似程度，获取每个匹配分量集合的连接性；
所述获取每个匹配分量集合的连接性，具体的获取方法为：
以任意一个匹配分量集合为目标匹配分量集合，目标匹配分量集合的连接性的计算方法为：
其中，表示目标匹配分量集合中获取的相似程度数量，/>表示目标匹配分量集合中相似程度大于相似阈值的数量，/>表示目标匹配分量集合中所有相似程度的方差，/>为避免指数值过小的超参数，/>表示以自然常数为底的指数函数；
获取每个匹配分量集合的连接性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021560.0A CN116738221B (zh) | 2023-08-15 | 2023-08-15 | 一种带压管道气体分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021560.0A CN116738221B (zh) | 2023-08-15 | 2023-08-15 | 一种带压管道气体分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738221A CN116738221A (zh) | 2023-09-12 |
| CN116738221B true CN116738221B (zh) | 2023-10-20 |
Family
ID=87919055
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311021560.0A Active CN116738221B (zh) | 2023-08-15 | 2023-08-15 | 一种带压管道气体分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738221B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235446B (zh) * | 2023-11-09 | 2024-01-26 | 北京豪能汇新能源科技有限公司 | 一种自动换电站数据智能管理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101073007A (zh) * | 2004-10-07 | 2007-11-14 | 纳幕尔杜邦公司 | 用于分析气体混合物的计算机实现的系统和方法 |
| CN102855408A (zh) * | 2012-09-18 | 2013-01-02 | 福州大学 | 基于ica的改进emd过程中imf判定方法 |
| CN108680782A (zh) * | 2018-05-04 | 2018-10-19 | 上海电力学院 | 基于极值点对称模式分解的电压闪变参数检测方法 |
| CN111985707A (zh) * | 2020-08-17 | 2020-11-24 | 云南电力技术有限责任公司 | 一种绝缘油中气体浓度的预测方法及装置 |
| CN212297889U (zh) * | 2020-04-10 | 2021-01-05 | 湖南天联传感技术有限公司 | 一种管道阀门智能防护装置 |
| CN112697477A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种emd设备故障诊断方法及系统 |
| CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
| CN115144026A (zh) * | 2022-06-28 | 2022-10-04 | 中铁第四勘察设计院集团有限公司 | 一种基于Tsallis熵的地铁接触轨系统状态特征提取方法及应用 |
| CN116256025A (zh) * | 2023-05-15 | 2023-06-13 | 北京视酷科技有限公司 | 一种超滤水装置曝气数据监测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110108802B (zh) * | 2019-05-22 | 2021-05-18 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
-
2023
- 2023-08-15 CN CN202311021560.0A patent/CN116738221B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101073007A (zh) * | 2004-10-07 | 2007-11-14 | 纳幕尔杜邦公司 | 用于分析气体混合物的计算机实现的系统和方法 |
| CN102855408A (zh) * | 2012-09-18 | 2013-01-02 | 福州大学 | 基于ica的改进emd过程中imf判定方法 |
| CN108680782A (zh) * | 2018-05-04 | 2018-10-19 | 上海电力学院 | 基于极值点对称模式分解的电压闪变参数检测方法 |
| CN212297889U (zh) * | 2020-04-10 | 2021-01-05 | 湖南天联传感技术有限公司 | 一种管道阀门智能防护装置 |
| CN111985707A (zh) * | 2020-08-17 | 2020-11-24 | 云南电力技术有限责任公司 | 一种绝缘油中气体浓度的预测方法及装置 |
| CN112697477A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种emd设备故障诊断方法及系统 |
| CN114224360A (zh) * | 2021-12-27 | 2022-03-25 | 长春工程学院 | 一种基于改进emd-ica的eeg信号处理方法、设备及存储介质 |
| CN115144026A (zh) * | 2022-06-28 | 2022-10-04 | 中铁第四勘察设计院集团有限公司 | 一种基于Tsallis熵的地铁接触轨系统状态特征提取方法及应用 |
| CN116256025A (zh) * | 2023-05-15 | 2023-06-13 | 北京视酷科技有限公司 | 一种超滤水装置曝气数据监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| Gas Pipeline Leakage Detection Method Based on IUPLCD and GS-TBSVM;Haiou Shan等;《Processes》;第1-14页 * |
| 基于CEEMDAN－ICA 的干气密封振动信号降噪方法;张帅等;《润滑与密封》;第47卷(第10期);第147-153页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738221A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116738221B (zh) | 一种带压管道气体分析方法及系统 | |
| US10496730B2 (en) | Factor analysis device, factor analysis method, and factor analysis program | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
| CN105117550A (zh) | 一种面向产品多维相关性退化失效的建模方法 | |
| CN110955648A (zh) | 一种非等距时间序列监测数据的归一化映射处理方法 | |
| US11630135B2 (en) | Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems | |
| CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
| CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
| CN111898443A (zh) | 一种fdm型3d打印机送丝机构流量监测方法 | |
| CN117052970A (zh) | 用于气动球阀装配的智能控制系统及其方法 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN114922806B (zh) | 柱塞泵的异常检测方法和装置 | |
| CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
| CN115269679A (zh) | 一种多维时间序列整体复杂度评估方法 | |
| CN100375076C (zh) | 特征识别方法及特征识别系统 | |
| CN114021275A (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
| CN114964776A (zh) | 基于mse和pso-svm的轮对轴承故障诊断方法 | |
| CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
| CN113609207B (zh) | 一种边坡形变监测数据的数据预处理方法 | |
| CN107025462B (zh) | 一种无人机遥测数据实时并行压缩处理方法 | |
| CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及系统 | |
| Lin et al. | Fault diagnosis of rolling bearings using multifractal detrended fluctuation analysis and Mahalanobis distance criterion | |
| CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
| CN117373464A (zh) | 一种基于主成分分析的声纹检测方法及系统 |
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 |