CN116993226A - 一种基于gbr算法的压缩空气含水量的预测方法 - Google Patents

一种基于gbr算法的压缩空气含水量的预测方法 Download PDF

Info

Publication number
CN116993226A
CN116993226A CN202311208832.8A CN202311208832A CN116993226A CN 116993226 A CN116993226 A CN 116993226A CN 202311208832 A CN202311208832 A CN 202311208832A CN 116993226 A CN116993226 A CN 116993226A
Authority
CN
China
Prior art keywords
compressed air
water content
model
prediction model
weak
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
Application number
CN202311208832.8A
Other languages
English (en)
Inventor
王婧
郭立强
武立强
李宝华
徐硕
田硕
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.)
Baoding Cigarette Factory Of Hebei Baisha Tobacco Co ltd
Original Assignee
Baoding Cigarette Factory Of Hebei Baisha Tobacco 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 Baoding Cigarette Factory Of Hebei Baisha Tobacco Co ltd filed Critical Baoding Cigarette Factory Of Hebei Baisha Tobacco Co ltd
Priority to CN202311208832.8A priority Critical patent/CN116993226A/zh
Publication of CN116993226A publication Critical patent/CN116993226A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于GBR算法的压缩空气含水量的预测方法，包括以下步骤：S1、利用压缩空气品质检测系统对生产用压缩空气的品质参数进行检测，并将检测到的压缩空气的品质参数信息通过网络实时传输到监控平台；S2、在监控平台构建基于GBR算法的压缩空气含水量预测模型；S3、监控平台对所接收的压缩空气的品质参数信息予以存储和显示，利用压缩空气含水量预测模型判断所检测的压缩空气的含水量是否超标，并据此控制压缩空气干燥系统的启闭。本发明能够准确预测出压缩空气的含水量，并据此控制干燥系统的启停，在实现节能减排效果的同时，提高了企业的经济效益。

Description

一种基于GBR算法的压缩空气含水量的预测方法
技术领域
本发明涉及一种气体检测方法，具体地说是一种基于GBR算法的压缩空气含水量的预测方法。
背景技术
压缩空气作为一种优质的能源，被广泛应用于各个行业，保证压缩空气的含水量在正常范围内至关重要。在卷烟厂中使用的压缩空气生产系统，通过压缩空气的供应管路给卷烟厂中不同的生产车间提供气源。压缩空气主要用于气动执行机构和气动仪表提供气源、管路冷却和吹扫、检修用气等，压缩空气的洁净程度直接影响着设备的正常运行和烟草产品的品质。比如，在制丝过程中如果压缩空气的含水量过高，会导致烟丝受潮、受污染，使烟丝质量不达标；而过高的含水量则会导致设备过滤系统的故障和气动阀门的损坏，从而影响生产设备的正常运行。因此，对空气压缩系统内的压缩空气的含水量进行监测和预测是一项必要的措施。
目前，对于压缩空气含水量的检测方法多是利用设备进行测量。而设备测量法的测量成本较高，检测装置容易受到其他条件的影响而存在较大的测量误差，受测量时长和压缩空气气体质量的影响，检测装置时常发生故障。因此，对压缩空气含水量进行实时准确的评估，是压缩空气传输过程中一项重要的任务，准确预测含水量对生产现场具有积极重要的指导意义。由于含水量受季节因素影响导致不同季节之间变化较大，且市面上针对压缩空气含水量的预测技术和流程较少，其预测模型往往是保持不变的，无法根据季节变化做出及时的调整与更新，导致预测准确度不高。
发明内容
本发明的目的就是提供一种基于GBR算法的压缩空气含水量的预测方法，以解决现有预测方法存在的预测准确度不高的问题。
本发明的目的是这样实现的：
一种基于GBR算法的压缩空气含水量预测方法，包括以下步骤：
S1、利用压缩空气品质检测系统对生产用压缩空气的品质参数进行检测，并将检测到的压缩空气的品质参数信息通过网络实时传输到远程监控平台。
S2、基于GBR算法，在远程监控平台构建压缩空气含水量预测模型。
S3、远程监控平台对所接收的压缩空气的品质参数信息予以存储和显示，利用压缩空气含水量预测模型判断所检测的压缩空气的含水量是否超标，并据此控制压缩空气干燥系统的启闭，由此可避免资源的浪费，实现节能减排。
进一步地，所述压缩空气品质检测系统包括：
采集传感器，与数据处理单元相接，用于检测压缩空气的包括温度、相对湿度和压力在内的品质参数，并将检测的品质参数信息实时传送到数据处理单元；
数据处理单元，分别与采集传感器和Lora通信系统相接，用于对采集传感器传送来的品质参数信息进行数据处理和转换，并将处理后在数据信息传输给Lora通信系统；以及
Lora通信系统，与数据处理单元相接，用于将压缩空气的品质参数信息通过网络实时传输到远程监控平台。
进一步地，所述压缩空气含水量预测模型按下述方式建立：
S2-1数据的采集：利用压缩空气品质在线检测系统的采集传感器采集包括温度、相对湿度和压力在内的与压缩空气含水量相关的特征值，并对所收集的特征值进行数据处理。
S2-2弱预测模型的构建和训练：以普通线性回归为模型，利用所采集的特征值数据训练出一个弱预测模型；以贝叶斯岭回归、弹性网格和支持向量机为训练模型，对所得到的弱预测模型依次进行训练应用；再将弱回归模型导入交叉验证模型，用以训练和检验。
S2-3压缩空气含水量预测模型的调优：将弱预测模型的多个训练结果集成，即得到压缩空气含水量预测模型；对压缩空气含水量预测模型的包括学习率、树的深度和迭代次数在内的超参数利用弱预测模型的网格搜索方式进行调优，根据不同的取值范围，选择出对应的超参数组合。
S2-4压缩空气含水量预测模型的评估：使用包括平均绝对误差(MAE)、均方差(MSE)和决定系数(R2)在内的回归指标对压缩空气含水量预测模型的准确性和稳定性进行评估。
进一步地，所述压缩空气含水量预测模型的建立方式还包括以下步骤：
S2-5预测应用：采集压缩空气新样本的与压缩空气含水量相关的特征值，利用评估后的压缩空气含水量预测模型对新样本的压缩空气含水量进行预测，通过剩余机器学习不断组合的方式以减小残差，使累计模型损失向负梯度的方向减少，得出对应的压缩空气含水量的最终预测结果。
S2-6压缩空气含水量预测模型的监测和更新：定期监测压缩空气含水量预测模型的性能，当含水量受季节因素影响导致不同季节之间变化较大时需要对压缩空气含水量预测模型进行更新，重复步骤S2-1至步骤S2-5，对压缩空气含水量预测模型进行重新训练并更新。
进一步地，所述弱预测模型的构建包括以下子步骤：
S2-2-1设数据集为：D＝{(x1,y1),(x2,y2),···(xn,yn)}
其中，xi表示输入数据，yi表示输出结果；
损失函数为：L(y,f(x))
则初始化模型为：
其中，L表示损失函数，ρ表示每一轮模型参数；根据普通线性回归生成一个弱回归模型。
S2-2-2压缩空气含水量是根据所采集的特征值数据，包括压缩空气的温度(T)、相对湿度和压力(P)的参量计算求得：
其中：C为常数，A、B、D为各变量的系数值。
S2-2-3继续迭代生成剩余弱回归模型，计算弱回归模型下每个样本的损失函数负梯度值rim和对应的梯度下降步长ρm：
其中，fm-1(x)为上一个模型，为损失函数关于上一个模型的变化量。
S2-2-4每个弱学习器的目标是拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少；以预测准确性比较弱的线性回归模型W为预测值，计算预测值与实际值之间的差异，也就是残差；剩余弱回归模型以缩小残差为拟合目标，通过多个弱机器学习的组合形式使残差逐步减小，即得到更接近于实际值的预测结果。
S2-2-5更新模型：
fm(x)＝fm-1(x)+ηρmgm(x)
其中：η为学习步长；gm(x)为弱回归模型。
S2-2-6输出最终模型：
其中，f0(x)为初始化模型值，ρm为梯度下降步长。
本发明以压缩空气在线检测的品质参数信息为基础，利用GBR算法构建压缩空气含水量预测模型，对压缩空气的含水量进行在线预测。在监测过程中，可实时预测出压缩空气的含水量，根据含水量的多少控制干燥系统的接入时机，为控制干燥系统的开启提供理论依据；在非必要时，则控制干燥系统关闭，以避免电能的浪费。本发明所用含水量预测模型可根据季节变化进行更新，由此提高了对压缩空气含水量的预测准确性。
附图说明
图1是本发明所使用的压缩空气品质检测系统的结构框图。
图2是压缩空气含水量预测模型的建立流程图。
具体实施方式
下面结合附图对本发明做进一步详述。
本发明基于GBR算法的压缩空气含水量预测方法包括以下步骤：
一、搭建压缩空气品质检测系统。
如图1所示，压缩空气品质检测系统包括采集传感器、数据处理单元和Lora通信系统。采集传感器与数据处理单元相接，用于检测压缩空气的包括温度、相对湿度和压力在内的品质参数，并将检测的品质参数信息实时传送到数据处理单元。数据处理单元分别与采集传感器和Lora通信系统相接，对采集传感器传送来的品质参数信息进行数据处理和转换，并将处理后在数据信息传输给Lora通信系统。Lora通信系统与数据处理单元相接，将压缩空气的品质参数信息通过局域网实时传输到远程监控平台。
二、建立远程监控平台。
远程监控平台基于C#语言和Microsoft Visual Studio 2019开发平台开发设计。在SQL Server数据库中储存各传感器历史数据，在数据管理界面可对传感器数据进行查看、下载或删除。
如图2所示，根据实时检测的压缩空气品质参数信息，基于GBR算法，在远程监控平台构建压缩空气含水量预测模型，具体步骤如下：
(1)数据的采集：利用压缩空气品质在线检测系统的采集传感器采集与压缩空气含水量相关的特征值，包括温度、相对湿度和压力等，并对所收集的特征值进行数据处理。
(2)弱预测模型的构建和训练：以普通线性回归为模型，利用所采集的特征值数据训练出一个弱预测模型；再以贝叶斯岭回归、弹性网格和支持向量机为训练模型，对所得到的弱预测模型依次进行训练应用；再将弱回归模型导入交叉验证模型，用以训练和检验。其具体方式为：
设数据集为：D＝{(x1,y1),(x2,y2),···(xn,yn)}(1)
其中，xi表示输入数据，yi表示输出结果。
损失函数为：L(y,f(x))
初始化模型为：
其中，L表示损失函数，ρ表示每一轮模型参数；以普通线性回归为模型生成一个弱回归模型。
压缩空气含水量是根据所采集的特征值数据，包括压缩空气的温度(T)、相对湿度和压力(P)的参量计算求得，即以压缩空气的温度(T)、相对湿度/>和压力(P)作为自变量，压缩空气含水量(W)为因变量，得到预测模型的预测结果：
式中：C为常数，A、B、D为各变量的系数值。
继续迭代生成剩余弱回归模型，计算弱回归模型下每个样本的损失函数负梯度值rim和对应的梯度下降步长ρm：
其中，fm-1(x)为上一个模型，为损失函数关于上一个模型的变化量。
每个弱学习器的目标是拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少。以预测准确性比较弱的线性回归模型W为预测值，计算预测值与实际值之间的差异，也就是残差。剩余弱回归模型以缩小残差为拟合目标，通过多个弱机器学习的组合形式使残差逐步减小，即得到更接近于实际值的预测结果。
更新模型：
fm(x)＝fm-1(x)+ηρmgm(x) (6)
式中：η为学习步长；gm(x)为弱回归模型。
输出最终模型：
其中，f0(x)为初始化模型值，ρm为梯度下降步长。
(3)压缩空气含水量预测模型的调优：集成多个弱预测模型的训练结果，得到压缩空气含水量预测模型；再利用弱预测模型对压缩空气含水量预测模型的包括学习率、树的深度和迭代次数在内的超参数利用网格搜索的方式进行调优，根据超参数的不同取值范围，选择出对应的超参数组合。
(4)压缩空气含水量预测模型的评估：使用包括平均绝对误差(MAE)、均方差(MSE)和决定系数(R2)在内的回归指标对压缩空气含水量预测模型的准确性和稳定性进行评估。
(5)预测应用：采集压缩空气新样本的与压缩空气含水量相关的特征值，利用评估后的压缩空气含水量预测模型对新样本的压缩空气含水量进行预测，通过剩余机器学习不断组合的方式以减小残差，使累计模型损失向负梯度的方向减少，得出对应的压缩空气含水量的最终预测结果。
(6)压缩空气含水量预测模型的监测和更新：定期监测压缩空气含水量预测模型的性能，当含水量受季节因素影响导致不同季节之间变化较大时需要对压缩空气含水量预测模型进行更新，重复步骤(1)—(5)，对压缩空气含水量预测模型进行重新训练并更新。
依据含水量预测模型实时预测压缩空气的含水量，判断压缩空气含水量是否超标，根据含水量情况控制干燥系统的开启，以达到节能的效果。
为进一步评价压缩空气含水量预测模型的性能，利用平均绝对误差(MAE)、均方差(MSE)和决定系数(R2)衡量压缩空气含水量预测模型的预测效果。其中MAE和MSE的值越小说明模型拟合效果越好。
表1.模型的训练集和测试集的预测精度
根据表1中五种模型的MAE和MSE计算结果可知，基于GBR算法的压缩空气含水量预测模型的MAE和MSE的值最小。其中R2越接近于1说明模型效果越好，根据表1可知，基于GBR算法的压缩空气含水量预测模型的R2最接近于1。
因此可见，基于GBR算法的压缩空气含水量预测模型的预测效果较好，模型预测结果比较可靠。

Claims (5)

1.一种基于GBR算法的压缩空气含水量的预测方法，其特征在于，包括以下步骤：
S1、构建压缩空气品质检测系统，并利用压缩空气品质检测系统对生产用压缩空气的品质参数进行检测，并将检测到的压缩空气的品质参数信息通过网络实时传输到远程监控平台；
S2、基于GBR算法，在远程监控平台构建压缩空气含水量预测模型；
S3、远程监控平台对所接收的压缩空气的品质参数信息予以存储和显示，利用压缩空气含水量预测模型判断所检测的压缩空气的含水量是否超标，并据此控制压缩空气干燥系统的启闭。
2.根据权利要求1所述的基于GBR算法的压缩空气含水量的预测方法，其特征在于，所述压缩空气品质检测系统包括：
采集传感器，与数据处理单元相接，用于检测压缩空气的包括温度、相对湿度和压力在内的品质参数，并将检测的品质参数信息实时传送到数据处理单元；
数据处理单元，分别与采集传感器和Lora通信系统相接，用于对采集传感器传送来的品质参数信息进行数据处理和转换，并将处理后在数据信息传输给Lora通信系统；以及
Lora通信系统，与数据处理单元相接，用于将压缩空气的品质参数信息通过网络实时传输到远程监控平台。
3.根据权利要求2所述的基于GBR算法的压缩空气含水量的预测方法，其特征在于，所述压缩空气含水量预测模型按下述方式建立：
S2-1数据的采集：利用压缩空气品质在线检测系统的采集传感器采集包括温度、相对湿度和压力在内的与压缩空气含水量相关的特征值，并对所收集的特征值进行数据处理；
S2-2弱预测模型的构建和训练：以普通线性回归为模型，利用所采集的特征值数据训练出一个弱预测模型；以贝叶斯岭回归、弹性网格和支持向量机为训练模型，对所得到的弱预测模型依次进行训练应用；再将弱回归模型导入交叉验证模型，用以训练和检验；
S2-3压缩空气含水量预测模型的调优：将弱预测模型的多个训练结果集成，即得到压缩空气含水量预测模型；对压缩空气含水量预测模型的包括学习率、树的深度和迭代次数在内的超参数利用弱预测模型的网格搜索方式进行调优，根据不同的取值范围，选择出对应的超参数组合；S2-4压缩空气含水量预测模型的评估：使用包括平均绝对误差(MAE)、均方差(MSE)和决定系数(R2)在内的回归指标对压缩空气含水量预测模型的准确性和稳定性进行评估。
4.根据权利要求3所述的基于GBR算法的压缩空气含水量的预测方法，其特征在于，所述压缩空气含水量预测模型的建立方式还包括以下步骤：
S2-5预测应用：采集压缩空气新样本的与压缩空气含水量相关的特征值，利用评估后的压缩空气含水量预测模型对新样本的压缩空气含水量进行预测，通过剩余机器学习不断组合的方式以减小残差，使累计模型损失向负梯度的方向减少，得出对应的压缩空气含水量的最终预测结果；S2-6压缩空气含水量预测模型的监测和更新：定期监测压缩空气含水量预测模型的性能，当含水量受季节因素影响导致不同季节之间变化较大时需要对压缩空气含水量预测模型进行更新，重复步骤S2-1至步骤S2-5，对压缩空气含水量预测模型进行重新训练并更新。
5.根据权利要求3或4所述的基于GBR算法的压缩空气含水量的预测方法，其特征在于，所述弱预测模型的构建包括以下子步骤：
S2-2-1设数据集为：D＝{(x1,y1),(x2,y2),···(xn,yn)}
其中，xi表示输入数据，yi表示输出结果；
损失函数为：L(y,f(x))
则初始化模型为：
其中，L表示损失函数，ρ表示每一轮模型参数；根据普通线性回归生成一个弱回归模型；
S2-2-2压缩空气含水量是根据所采集的特征值数据，包括压缩空气的温度(T)、相对湿度和压力(P)的参量计算求得：
其中：C为常数，A、B、D为各变量的系数值；
S2-2-3继续迭代生成剩余弱回归模型，计算弱回归模型下每个样本的损失函数负梯度值rim和对应的梯度下降步长ρm：
S2-2-4拟合先前累加模型的损失函数的负梯度，使加上弱学习器后的累积模型损失往负梯度的方向减少；以预测准确性比较弱的线性回归模型W为预测值，计算预测值与实际值之间的残差；通过多个弱机器学习的组合形式使残差逐步减小，即得到更接近于实际值的预测结果；
S2-2-5更新模型：
fm(x)＝fm-1(x)+ηρmgm(x)
其中，η为学习步长，gm(x)为弱回归模型；
S2-2-6输出最终模型：
其中，f0(x)为初始化模型值，ρm为梯度下降步长。
CN202311208832.8A 2023-09-19 2023-09-19 一种基于gbr算法的压缩空气含水量的预测方法 Pending CN116993226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311208832.8A CN116993226A (zh) 2023-09-19 2023-09-19 一种基于gbr算法的压缩空气含水量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311208832.8A CN116993226A (zh) 2023-09-19 2023-09-19 一种基于gbr算法的压缩空气含水量的预测方法

Publications (1)

Publication Number Publication Date
CN116993226A true CN116993226A (zh) 2023-11-03

Family

ID=88532335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311208832.8A Pending CN116993226A (zh) 2023-09-19 2023-09-19 一种基于gbr算法的压缩空气含水量的预测方法

Country Status (1)

Country Link
CN (1) CN116993226A (zh)

Similar Documents

Publication Publication Date Title
CN116346864B (zh) 基于智慧燃气物联网的超声波计量补偿方法、系统和介质
JP2019527413A (ja) 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
CN110375787A (zh) 一种计量仪表运行状态在线评价方法
TWI738016B (zh) 液態氣體充填之智能化學習機制與自適應調節系統
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN117606578A (zh) 一种智能的气体流量监测方法
CN111950201B (zh) 一种泵用密封装置的全生命周期监测系统及方法
CN117871771B (zh) 一种基于大数据的燃气能源监测方法
CN115827411A (zh) 一种用于自动化设备的在线监测及运维评估系统和方法
CN117804971A (zh) 一种基于自适应趋势分析的油品智能监测判断方法及系统
CN118309644A (zh) 基于数字孪生的管道泵运行流量监测方法及系统
CN117128162B (zh) 智慧能源空压站节能控制系统及控制方法
CN116915122B (zh) 一种煤矿变频设备的自适应控制方法及系统
CN117570238A (zh) 一种基于物联网的阀门远程智能监测控制系统
CN114154360A (zh) 一种高压内啮合齿轮泵多物理场概率数字孪生建模方法
CN117977536A (zh) 一种智能电网负荷辨识方法
CN117350897A (zh) 一种考虑空气湿度的转换功率预测的方法和系统
CN109933031B (zh) 一种根据化验数据自动校正软测量仪表的系统及方法
CN116993226A (zh) 一种基于gbr算法的压缩空气含水量的预测方法
CN115935784B (zh) 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统
CN114332515B (zh) 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法
CN114329714B (zh) 一种装配式超高层结构施工运营全阶段的快速结构健康监测方法
CN116719356B (zh) 一种基于负荷变化及预测的空压站动态控制方法
CN118411161B (zh) 一种基于数据分析的机电设备运维方法及系统
CN118350836B (zh) 一种碳排放核算系统

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