CN117309195B - 测温仪表的检测方法、装置及电子设备 - Google Patents
测温仪表的检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117309195B CN117309195B CN202311623205.0A CN202311623205A CN117309195B CN 117309195 B CN117309195 B CN 117309195B CN 202311623205 A CN202311623205 A CN 202311623205A CN 117309195 B CN117309195 B CN 117309195B
- Authority
- CN
- China
- Prior art keywords
- value
- temperature
- data
- temperature data
- determining
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 48
- 230000008859 change Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 abstract description 12
- 239000000571 coke Substances 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000000630 rising effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication 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
- 239000003345 natural gas Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 230000009466 transformation 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K15/00—Testing or calibrating of thermometers
- G01K15/007—Testing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本申请公开了一种测温仪表的检测方法、装置及电子设备。其中,该方法包括:获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。本申请解决了相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
Description
技术领域
本申请涉及异常检测领域,具体而言,涉及一种测温仪表的检测方法、装置及电子设备。
背景技术
加热控制优化项目中,通常会运用立火道测温仪在线测温来长期稳定的支持火道温度的监测和控制,如果立火道测温仪在对应时间下降火道的在线测温数据与现场每4小时的人工手持红外在该时刻的测温数据基本一致且偏差稳定,则用户可以逐步降低人工测温频次,因此立火道测温仪表测温数据本身的准确性对于在线数据比对显得尤为重要,需要准确判断出正常、异常的测温数据。相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种测温仪表的检测方法、装置及电子设备,以至少解决相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
根据本申请实施例的一个方面,提供了一种测温仪表的检测方法,包括:获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
可选地,预设判断条件包括:第一判断条件、第二判断条件、第三判断条件和第四判断条件,其中,第一判断条件为在一个温度采集周期内的温度数据的最大变化值小于第一温度值;第二判断条件为历史温度数据在温度下降时的换向温度高于第二温度值,或历史温度数据在温度上升时的换向温度低于第三温度值,其中,第二温度值高于第三温度值;第三判断条件为历史温度数据在发生换向后的第一时间段内温度的下降值低于第四温度值;第四判断条件为历史温度数据在发生换向后的第二时间段内温度的下降值高于历史温度数据所在的温度采集周期内温度数据的最大变化值。
可选地,神经网络模型的训练数据集通过以下方式确定:将历史温度数据中不满足预设判断条件中的所有判断条件的温度数据标记为正常数据;将历史温度数据中满足预设判断条件中的至少一个判断条件的温度数据标记为异常数据;将正常数据和异常数据确定为神经网络模型的训练数据集。
可选地,神经网络模型通过以下方式训练得到:确定神经网络模型中的输出层节点的预测值;依据预测值和输出层节点的真实值,确定神经网络模型对应的损失函数;在损失函数的值小于预设阈值的情况下,确定神经网络模型训练完成。
可选地,确定神经网络模型中的输出层节点的预测值,包括:确定神经网络模型的结构层节点,其中,结构层节点包括输入层节点、隐藏层节点和输出层节点;从训练数据集中选择样本数据作为输入层节点的输入值,并依据输入值、输入层节点到隐藏层节点的第一权重值和隐藏层节点的第一偏置值,确定神经网络模型的隐藏层节点的值,其中,样本数据的数据量小于训练数据集中的数据量;依据隐藏层节点的值、隐藏层节点到输出层节点的第二权重值和输出层节点的第二偏置值,确定神经网络模型的输出层节点的预测值。
可选地,方法还包括:在损失函数的值大于预设阈值的情况下,调整第一权重值、第一偏置值、第二权重值和第二偏置值;依据调整后的第一权重值、第一偏置值、第二权重值和第二偏置值,确定神经网络模型中的输出层节点调整后的预测值;依据调整后的预测值和真实值,更新神经网络模型对应的损失函数,直至损失函数的值小于预设阈值时停止调整。
可选地,调整第一权重值、第一偏置值、第二权重值和第二偏置值,包括:依据预测值、真实值、样本数据对应的样本数量和学习率,确定第二偏置值的第一修正值;将第一修正值和第二偏置值的和确定为调整后的第二偏置值;依据预测值、真实值、样本数量、学习率和隐藏层节点的值,确定第二权重值的第二修正值;将第二修正值和第二权重值的和确定为调整后的第二权重值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值和第二权重值,确定第一偏置值的第三修正值;将第三修正值和第一偏置值的和确定为调整后的第一偏置值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值、第二权重值和输入值,确定第一权重值的第四修正值;将第四修正值和第一权重值的和确定为调整后的第一权重值。
根据本申请实施例的另一方面,还提供了一种测温仪表的检测装置,包括:获取模块,用于获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;分类模块,用于通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;第一确定模块,用于在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;第二确定模块,用于在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
根据本申请实施例的又一方面,还提供了一种电子设备,包括:存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现以下功能的程序指令:获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,该非易失性存储介质包括存储的计算机程序,其中,该非易失性存储介质所在设备通过运行计算机程序执行上述测温仪表的检测方法。
在本申请实施例中,通过获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表,达到了通过神经网络模型对立火道的温度数据进行异常判断的目的,从而实现了根据异常温度数据判断采集该数据的测温仪表是否为异常测温仪表的技术效果,进而解决了相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现测温仪表的检测方法的计算机终端的硬件结构框图;
图2是根据本申请实施例的一种测温仪表的检测方法的流程图;
图3是根据本申请实施例的一种测温仪表的检测装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,在对本申请实施例进行解释说明的过程中出现的部分名词或术语适用于如下解释:
神经网络:一种计算模型,灵感来源于生物神经系统的结构和功能。它由人工神经元(或称为节点)以及它们之间的连接组成。每个神经元接收来自其他神经元的输入,并通过对这些输入进行加权求和和非线性变换来生成输出。神经网络通过训练过程中的反向传播算法,根据输入数据和期望输出之间的差异来调整连接权重,从而学习和适应不同任务。神经网络广泛应用于机器学习和人工智能领域,包括图像识别、语音识别、自然语言处理等任务。
随机梯度下降:梯度是数学上面的概念,梯度的方向是某一点方向导数最大值的的方向,向其反方向(负梯度)移动,就可以趋近于极小值。梯度下降算法用梯度乘以学习率来确定下一个点的位置,学习率是一个超参数,上述梯度下降利用的是所有数据集,而随机梯度下降利用的是其中一小部分的数据集而且这部分数据集是全体数据集中随机的一小部分。
立火点/换向温度:在焦炉的启动过程中,从使用辅助燃料(如天然气、液化石油气等)到开始利用焦炭自供热的转变。在焦炉立火道中,一开始使用辅助燃料来加热炉膛和煤焦,使其达到适当的温度范围,以确保煤焦的热解和气化反应能够正常进行。随着立火道的进行,炉膛内的温度逐渐升高,直至达到焦炭自供热的临界温度,也称为立火点或换向温度。此时,煤焦开始自燃,并产生足够的热量维持燃烧。
下降火道: 内部气流下降时的立火道。
立火道: 为改善焦炉的高向加热,将焦炉燃烧室隔成多个小格,小格就是立火道。
机侧:指推焦车的一侧,具体说的是机械复杂操作的一侧,因为原来的焦炉一般都是侧装,在装煤的这一侧还要有推焦操作,机械动作较多。
焦侧:出焦炭的一侧,有拦焦车和熄焦车,即把焦炭导出运到下一工序的地方。
BP:back propagation,反向传播。
Sigmoid:平滑(smoothened)的阶梯函数(step function),可导(differentiable)。
由于立火道测温仪表所测得的测温数据尤为重要,且测温数据可能受到多种非硬件因素的影响(如炉墙空隙、煤饼成分、上升管高压氨水吸力等),这时就需要有一定工艺知识的人对这些测温数据进行人工判别,但判别的依据有时候描述起来可能没有那么准确,不能直接转化为程序逻辑处理。为了解决上述问题,本申请实施例提供了一种测温仪表的检测方法,该方法可以运行在如图1所示的计算机终端中,以下详细说明。
本申请实施例所提供的测温仪表的检测方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现测温仪表的检测方法的计算机终端的硬件结构框图。如图1所示,计算机终端10可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的测温仪表的检测方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的测温仪表的检测方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输模块106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备中的部件的类型。
在上述运行环境下,本申请实施例提供了一种测温仪表的检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的一种测温仪表的检测方法的流程图,如图2所示,该方法包括如下步骤:
步骤S202,获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据。
步骤S204,通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的。
在上述步骤S204中,当训练数据集中的数据量变大,训练次数增多、隐藏层数目增加后,训练的时间也会增加,为了降低模型训练的时长,可以从训练数据集中选择小批量数据用于训练神经网络模型,再利用训练好的神经网络模型对真实的温度数据进行分类,根据分类结果即可确定是否为异常温度数据。
步骤S206,在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表。
步骤S208,在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
在上述步骤S206至步骤S208中,可以根据神经网络模型确定温度数据的正常或异常,进而判断采集该温度数据的测温仪表的正常或异常。在一种可选的实施例中,分类结果为1时表示该温度数据为正常温度数据,分类结果为0时表示该温度数据为异常温度数据,在测温数据排除了工艺因素干扰的前提下,可以确定异常温度数据是由测温仪表的异常导致的。
通过上述步骤S202至步骤S208,可以达到通过神经网络模型对立火道的温度数据进行异常判断的目的,从而可以实现根据异常温度数据判断采集该数据的测温仪表是否为异常测温仪表的技术效果,进而可以解决相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
在上述测温仪表的检测方法中,预设判断条件包括:第一判断条件、第二判断条件、第三判断条件和第四判断条件,其中,第一判断条件为在一个温度采集周期内的温度数据的最大变化值小于第一温度值;第二判断条件为历史温度数据在温度下降时的换向温度高于第二温度值,或历史温度数据在温度上升时的换向温度低于第三温度值,其中,第二温度值高于第三温度值;第三判断条件为历史温度数据在发生换向后的第一时间段内温度的下降值低于第四温度值;第四判断条件为历史温度数据在发生换向后的第二时间段内温度的下降值高于历史温度数据所在的温度采集周期内温度数据的最大变化值。
在本申请实施例中,上述第一判断条件可以为在一个温度采集周期内(如1小时),上升、下降换向时温度的差值小于第一温度值,该第一温度值例如可以为70℃。前面所提到的上升换向时的温度例如可以为温度从上升状态转换成下降状态时的温度,可记为温度1,下降换向时的温度例如可以为温度从下降状态转换成上升状态时的温度,可以记为温度2,上述上升、下降换向时的温度的差值为温度1与温度2的差值,在另一种可选的实施例中,上述上升、下降换向时的温度的差值也可以为一个温度采集周期内的温度数据的最大变化值。上述第二判断条件中,第二温度值例如可以为1450℃,第三温度值例如可以为1150℃。在上述第三判断条件中,第一时间段内例如可以为90s,第四温度值例如可以为35℃。在上述第四判断条件中,第二时间段例如可以为90s,历史温度数据在发生换向后的第二时间段内温度的下降值高于历史温度数据所在的温度采集周期内温度数据的最大变化值也可以理解为,历史温度数据在发生换向90s后温度下降高于历史温度数据所在的温度采集周期内上升、下降换向时温度的差值,也即上升、下降换向时温度的差值可以为温度数据的最大变化值。
在上述测温仪表的检测方法中,神经网络模型的训练数据集通过以下方式确定:将历史温度数据中不满足预设判断条件中的所有判断条件的温度数据标记为正常数据;将历史温度数据中满足预设判断条件中的至少一个判断条件的温度数据标记为异常数据;将正常数据和异常数据确定为神经网络模型的训练数据集。
在本申请实施例中,对于上述预设判断条件中包含的四种判断条件,若全部不满足,则将对应的温度数据标记为正常(温度)数据,若至少有一个判断条件满足,则将对应的温度数据标记为异常(温度)数据。在标记好正常数据和异常数据的情况下,将带有标记的数据作为神经网络模型的训练数据集。
在上述测温仪表的检测方法中,神经网络模型通过以下方式训练得到:确定神经网络模型中的输出层节点的预测值;依据预测值和输出层节点的真实值,确定神经网络模型对应的损失函数;在损失函数的值小于预设阈值的情况下,确定神经网络模型训练完成。
在上述步骤中,确定神经网络模型中的输出层节点的预测值,具体包括如下步骤:确定神经网络模型的结构层节点,其中,结构层节点包括输入层节点、隐藏层节点和输出层节点;从训练数据集中选择样本数据作为输入层节点的输入值,并依据输入值、输入层节点到隐藏层节点的第一权重值和隐藏层节点的第一偏置值,确定神经网络模型的隐藏层节点的值,其中,样本数据的数据量小于训练数据集中的数据量;依据隐藏层节点的值、隐藏层节点到输出层节点的第二权重值和输出层节点的第二偏置值,确定神经网络模型的输出层节点的预测值。
在本申请实施例中,神经网络模型使用BP神经网络,由三层结构组成,包括输入层、隐藏层和输出层。其中,输入层由2个节点组成,也即包括2个输入层节点,隐藏层由4个节点组成,也即包括4个隐藏层节点,输出层为1个节点,也即包括1个输出层节点。在该神经网络模型中,利用sigmoid函数作为激活函数,均方误差函数作为损失计算函数。整个训练过程可以分为前向传播和反向传播。
在前向传播过程中,包括输入层向隐藏层传播和隐藏层向输出层传播。其中,当输入层向隐藏层传播时,隐藏层节点的值通过以下方式确定:
其中为第j个隐藏层节点的值,xi为输入层节点的输入值,也即从训练数据集中选择样本数据作为输入层节点的输入值,且样本数据的数据量小于训练数据集中的数据量,/>为第i个输入层节点的值到第j个隐藏层节点的权重(即上述第一权重值),/>为第j个隐藏层节点偏置值(即上述第一偏置值),/>为sigmoid激活函数,其表达式如下:
当隐藏层向输出层传播时,输出层节点的预测值通过以下方式确定:
其中为第k个输出层节点的值(预测值),/>为第j个隐藏层节点的值,/>为第j个隐藏层节点到第k个输出层节点的权重(即上述第二权重值),/>为第k个输出层节点的偏置值(即上述第二偏置值),/>为激活函数。
在确定输出层节点的预测值后,通过以下公式确定损失函数:
其中,为损失函数,损失函数选取均方误差函数, />为第k个输出层节点的目标值(真实值),/>为第k个输出层节点的值(预测值)。
当计算得到的损失函数的值小于预设阈值,或者损失函数的值下降到预设阈值后稳定不再变化,则表示神经网络模型训练完毕。
若计算得到的损失函数的值大于或等于预设阈值的情况下,说明该神经网络模型未完成训练,则需要进一步更新模型中的参数,也即更新或调整上述第一权重值、第二权重值、第一偏置值和第二偏置值等。
在上述测温仪表的检测方法中,方法还包括如下步骤:在损失函数的值大于预设阈值的情况下,调整第一权重值、第一偏置值、第二权重值和第二偏置值;依据调整后的第一权重值、第一偏置值、第二权重值和第二偏置值,确定神经网络模型中的输出层节点调整后的预测值;依据调整后的预测值和真实值,更新神经网络模型对应的损失函数,直至损失函数的值小于预设阈值时停止调整。
在上述步骤中,调整第一权重值、第一偏置值、第二权重值和第二偏置值,具体包括如下步骤:依据预测值、真实值、样本数据对应的样本数量和学习率,确定第二偏置值的第一修正值;将第一修正值和第二偏置值的和确定为调整后的第二偏置值;依据预测值、真实值、样本数量、学习率和隐藏层节点的值,确定第二权重值的第二修正值;将第二修正值和第二权重值的和确定为调整后的第二权重值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值和第二权重值,确定第一偏置值的第三修正值;将第三修正值和第一偏置值的和确定为调整后的第一偏置值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值、第二权重值和输入值,确定第一权重值的第四修正值;将第四修正值和第一权重值的和确定为调整后的第一权重值。
在本申请实施例中,通过反向传播,利用随机梯度下降法对模型中的参数进行优化。具体地,激活函数为sigmoid函数时,通过以下公式调整第二偏置值:
其中,为输出层节点的偏置值的修正值,也即上述第一修正值,/>为学习率,表示每个样本数据(或小批量)对应的样本数量,小批量/>是由固定数量的训练样本数据组成而来的,/>为输出层节点的偏置值的更新值,也即调整后的第二偏置值。
激活函数为sigmoid函数时,通过以下公式调整第二权重值:
其中,为隐藏层节点到输出层节点的权重的修正值,也即上述第二修正值,为隐藏层节点到输出层的权重的更新值,也即调整后的第二权重值。
通过以下公式调整第一偏置值:
其中,为隐藏层节点偏置值的修正值,也即上述第三修正值,/>为隐藏层节点的更新值,也即调整后的第一偏置值。
通过以下公式调整第一权重值:
其中,为输入层节点到隐藏层节点的权重的修正值,也即上述第四修正值,为输入层节点到隐藏层节点的权重的更新值,也即调整后的第一权重值。
通过对各层偏置值和不同层级之间权重值的更新,使得原始数据的训练过程得以继续,直到损失函数的结果下降到某一水准后稳定不再变化,模型训练完毕。
通过使用已分类的历史温度数据对神经网络模型进行训练,在模型训练完成后,通过获取测温仪表实际采集的立火道的温度数据,将温度数据归一化后通过训练好的神经网络模型进行分类,即可实现根据分类结果对测温仪表的正常与否进行判断。
本申请实施例提供的测温仪表的检测方法,采用神经网络来进行诊断,且支持大批量数据并行处理,在适应性和学习性上有很大的优势,能够并行处理数据,充分发挥计算机的性能。还可以实现在保证焦炉加热控制准确性的同时降低人工测温频次,起到节能增效的作用。
图3是根据本申请实施例的一种测温仪表的检测装置的结构图,如图3所示,该装置包括:
获取模块30,用于获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;
分类模块32,用于通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;
第一确定模块34,用于在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;
第二确定模块36,用于在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
在上述测温仪表的检测装置中,预设判断条件包括:第一判断条件、第二判断条件、第三判断条件和第四判断条件,其中,第一判断条件为在一个温度采集周期内的温度数据的最大变化值小于第一温度值;第二判断条件为历史温度数据在温度下降时的换向温度高于第二温度值,或历史温度数据在温度上升时的换向温度低于第三温度值,其中,第二温度值高于第三温度值;第三判断条件为历史温度数据在发生换向后的第一时间段内温度的下降值低于第四温度值;第四判断条件为历史温度数据在发生换向后的第二时间段内温度的下降值高于历史温度数据所在的温度采集周期内温度数据的最大变化值。
在上述测温仪表的检测装置中,神经网络模型的训练数据集通过以下方式确定:将历史温度数据中不满足预设判断条件中的所有判断条件的温度数据标记为正常数据;将历史温度数据中满足预设判断条件中的至少一个判断条件的温度数据标记为异常数据;将正常数据和异常数据确定为神经网络模型的训练数据集。
在上述测温仪表的检测装置中,还包括训练模块38,在该训练模块中,神经网络模型通过以下方式训练得到:确定神经网络模型中的输出层节点的预测值;依据预测值和输出层节点的真实值,确定神经网络模型对应的损失函数;在损失函数的值小于预设阈值的情况下,确定神经网络模型训练完成。
在上述测温仪表的检测装置中的训练模块中,确定神经网络模型中的输出层节点的预测值,具体包括如下过程:确定神经网络模型的结构层节点,其中,结构层节点包括输入层节点、隐藏层节点和输出层节点;从训练数据集中选择样本数据作为输入层节点的输入值,并依据输入值、输入层节点到隐藏层节点的第一权重值和隐藏层节点的第一偏置值,确定神经网络模型的隐藏层节点的值,其中,样本数据的数据量小于训练数据集中的数据量;依据隐藏层节点的值、隐藏层节点到输出层节点的第二权重值和输出层节点的第二偏置值,确定神经网络模型的输出层节点的预测值。
在上述测温仪表的检测装置中的训练模块中,该训练模块还用于在损失函数的值大于预设阈值的情况下,调整第一权重值、第一偏置值、第二权重值和第二偏置值;依据调整后的第一权重值、第一偏置值、第二权重值和第二偏置值,确定神经网络模型中的输出层节点调整后的预测值;依据调整后的预测值和真实值,更新神经网络模型对应的损失函数,直至损失函数的值小于预设阈值时停止调整。
在上述训练模块中,调整第一权重值、第一偏置值、第二权重值和第二偏置值,具体包括如下过程:依据预测值、真实值、样本数据对应的样本数量和学习率,确定第二偏置值的第一修正值;将第一修正值和第二偏置值的和确定为调整后的第二偏置值;依据预测值、真实值、样本数量、学习率和隐藏层节点的值,确定第二权重值的第二修正值;将第二修正值和第二权重值的和确定为调整后的第二权重值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值和第二权重值,确定第一偏置值的第三修正值;将第三修正值和第一偏置值的和确定为调整后的第一偏置值;依据预测值、真实值、样本数量、学习率、隐藏层节点的值、第二权重值和输入值,确定第一权重值的第四修正值;将第四修正值和第一权重值的和确定为调整后的第一权重值。
通过上述测温仪表的检测装置中的各个模块,可以达到通过神经网络模型对立火道的温度数据进行异常判断的目的,从而可以实现根据异常温度数据判断采集该数据的测温仪表是否为异常测温仪表的技术效果,进而可以解决相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
需要说明的是,图3所示的测温仪表的检测装置用于执行图2所示的测温仪表的检测方法,因此上述测温仪表的检测方法中的相关解释说明也适用于该测温仪表的检测装置,此处不再赘述。
本申请实施例还提供了一种电子设备,包括:存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现以下功能的程序指令:获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
通过上述电子设备可以达到通过神经网络模型对立火道的温度数据进行异常判断的目的,从而可以实现根据异常温度数据判断采集该数据的测温仪表是否为异常测温仪表的技术效果,进而可以解决相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
需要说明的是,上述电子设备用于执行图2所示的测温仪表的检测方法,因此上述测温仪表的检测方法中的相关解释说明也适用于该电子设备,此处不再赘述。
本申请实施例还提供了一种非易失性存储介质,该非易失性存储介质包括存储的计算机程序,其中,该非易失性存储介质所在设备通过运行计算机程序执行以下测温仪表的检测方法:获取测温仪表采集的温度数据,其中,温度数据为立火道中的温度数据;通过训练好的神经网络模型对温度数据进行分类,得到分类结果,其中,神经网络模型用于确定温度数据的是否为异常温度数据,神经网络模型的训练数据集为通过预设判断条件对测温仪表采集的历史温度数据进行标记得到的;在分类结果指示温度数据为异常温度数据的情况下,确定采集温度数据的测温仪表为异常测温仪表;在分类结果指示温度数据为正常温度数据的情况下,确定采集温度数据的测温仪表为正常测温仪表。
通过上述非易失性存储介质可以达到通过神经网络模型对立火道的温度数据进行异常判断的目的,从而可以实现根据异常温度数据判断采集该数据的测温仪表是否为异常测温仪表的技术效果,进而可以解决相关技术中通过人工对测温数据进行异常判别,存在判别效率低和准确度差的技术问题。
需要说明的是,上述非易失性存储介质用于执行图2所示的测温仪表的检测方法,因此上述测温仪表的检测方法中的相关解释说明也适用于该非易失性存储介质,此处不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (4)
1.一种测温仪表的检测方法,其特征在于,包括:
获取测温仪表采集的温度数据,其中,所述温度数据为立火道中的温度数据;
通过训练好的神经网络模型对所述温度数据进行分类,得到分类结果,其中,所述神经网络模型用于确定所述温度数据的是否为异常温度数据,所述神经网络模型的训练数据集为通过预设判断条件对所述测温仪表采集的历史温度数据进行标记得到的;
在所述分类结果指示所述温度数据为异常温度数据的情况下,确定采集所述温度数据的测温仪表为异常测温仪表;
在所述分类结果指示所述温度数据为正常温度数据的情况下,确定采集所述温度数据的测温仪表为正常测温仪表;
所述预设判断条件包括:第一判断条件、第二判断条件、第三判断条件和第四判断条件,其中,所述第一判断条件为在一个温度采集周期内的温度数据的最大变化值小于第一温度值;所述第二判断条件为所述历史温度数据在温度下降时的换向温度高于第二温度值,或所述历史温度数据在温度上升时的换向温度低于第三温度值,其中,所述第二温度值高于第三温度值;所述第三判断条件为所述历史温度数据在发生换向后的第一时间段内温度的下降值低于第四温度值;所述第四判断条件为所述历史温度数据在发生换向后的第二时间段内温度的下降值高于所述历史温度数据所在的温度采集周期内温度数据的最大变化值;
所述神经网络模型的训练数据集通过以下方式确定:将所述历史温度数据中不满足所述预设判断条件中的所有判断条件的温度数据标记为正常数据;将所述历史温度数据中满足所述预设判断条件中的至少一个判断条件的温度数据标记为异常数据;将所述正常数据和所述异常数据确定为所述神经网络模型的训练数据集;
所述神经网络模型通过以下方式训练得到:确定所述神经网络模型中的输出层节点的预测值;依据所述预测值和所述输出层节点的真实值,确定所述神经网络模型对应的损失函数;在所述损失函数的值小于预设阈值的情况下,确定所述神经网络模型训练完成;
确定所述神经网络模型中的输出层节点的预测值,包括:确定所述神经网络模型的结构层节点,其中,所述结构层节点包括输入层节点、隐藏层节点和输出层节点;从所述训练数据集中选择样本数据作为所述输入层节点的输入值,并依据所述输入值、所述输入层节点到隐藏层节点的第一权重值和所述隐藏层节点的第一偏置值,确定所述神经网络模型的隐藏层节点的值,其中,所述样本数据的数据量小于所述训练数据集中的数据量;依据所述隐藏层节点的值、所述隐藏层节点到输出层节点的第二权重值和所述输出层节点的第二偏置值,确定所述神经网络模型的输出层节点的预测值;
所述方法还包括:在所述损失函数的值大于所述预设阈值的情况下,调整所述第一权重值、所述第一偏置值、所述第二权重值和所述第二偏置值;依据调整后的第一权重值、第一偏置值、第二权重值和第二偏置值,确定所述神经网络模型中的输出层节点调整后的预测值;依据所述调整后的预测值和所述真实值,更新所述神经网络模型对应的损失函数,直至所述损失函数的值小于所述预设阈值时停止调整;
调整所述第一权重值、所述第一偏置值、所述第二权重值和所述第二偏置值,包括:依据所述预测值、所述真实值、所述样本数据对应的样本数量和学习率,确定所述第二偏置值的第一修正值;将所述第一修正值和所述第二偏置值的和确定为调整后的第二偏置值;依据所述预测值、所述真实值、所述样本数量、所述学习率和所述隐藏层节点的值,确定所述第二权重值的第二修正值;将所述第二修正值和所述第二权重值的和确定为调整后的第二权重值;依据预测值、所述真实值、所述样本数量、所述学习率、所述隐藏层节点的值和所述第二权重值,确定所述第一偏置值的第三修正值;将所述第三修正值和所述第一偏置值的和确定为调整后的第一偏置值;依据所述预测值、所述真实值、所述样本数量、所述学习率、所述隐藏层节点的值、所述第二权重值和所述输入值,确定所述第一权重值的第四修正值;将所述第四修正值和所述第一权重值的和确定为调整后的第一权重值。
2.一种测温仪表的检测装置,其特征在于,包括:
获取模块,用于获取测温仪表采集的温度数据,其中,所述温度数据为立火道中的温度数据;
分类模块,用于通过训练好的神经网络模型对所述温度数据进行分类,得到分类结果,其中,所述神经网络模型用于确定所述温度数据的是否为异常温度数据,所述神经网络模型的训练数据集为通过预设判断条件对所述测温仪表采集的历史温度数据进行标记得到的;所述预设判断条件包括:第一判断条件、第二判断条件、第三判断条件和第四判断条件,其中,所述第一判断条件为在一个温度采集周期内的温度数据的最大变化值小于第一温度值;所述第二判断条件为所述历史温度数据在温度下降时的换向温度高于第二温度值,或所述历史温度数据在温度上升时的换向温度低于第三温度值,其中,所述第二温度值高于第三温度值;所述第三判断条件为所述历史温度数据在发生换向后的第一时间段内温度的下降值低于第四温度值;所述第四判断条件为所述历史温度数据在发生换向后的第二时间段内温度的下降值高于所述历史温度数据所在的温度采集周期内温度数据的最大变化值;所述神经网络模型的训练数据集通过以下方式确定:将所述历史温度数据中不满足所述预设判断条件中的所有判断条件的温度数据标记为正常数据;将所述历史温度数据中满足所述预设判断条件中的至少一个判断条件的温度数据标记为异常数据;将所述正常数据和所述异常数据确定为所述神经网络模型的训练数据集;
第一确定模块,用于在所述分类结果指示所述温度数据为异常温度数据的情况下,确定采集所述温度数据的测温仪表为异常测温仪表;
第二确定模块,用于在所述分类结果指示所述温度数据为正常温度数据的情况下,确定采集所述温度数据的测温仪表为正常测温仪表;
所述测温仪表的检测装置还包括训练模块,用于确定所述神经网络模型中的输出层节点的预测值;依据所述预测值和所述输出层节点的真实值,确定所述神经网络模型对应的损失函数;在所述损失函数的值小于预设阈值的情况下,确定所述神经网络模型训练完成;确定所述神经网络模型中的输出层节点的预测值,包括:确定所述神经网络模型的结构层节点,其中,所述结构层节点包括输入层节点、隐藏层节点和输出层节点;从所述训练数据集中选择样本数据作为所述输入层节点的输入值,并依据所述输入值、所述输入层节点到隐藏层节点的第一权重值和所述隐藏层节点的第一偏置值,确定所述神经网络模型的隐藏层节点的值,其中,所述样本数据的数据量小于所述训练数据集中的数据量;依据所述隐藏层节点的值、所述隐藏层节点到输出层节点的第二权重值和所述输出层节点的第二偏置值,确定所述神经网络模型的输出层节点的预测值;在所述损失函数的值大于所述预设阈值的情况下,调整所述第一权重值、所述第一偏置值、所述第二权重值和所述第二偏置值;依据调整后的第一权重值、第一偏置值、第二权重值和第二偏置值,确定所述神经网络模型中的输出层节点调整后的预测值;依据所述调整后的预测值和所述真实值,更新所述神经网络模型对应的损失函数,直至所述损失函数的值小于所述预设阈值时停止调整;调整所述第一权重值、所述第一偏置值、所述第二权重值和所述第二偏置值,包括:依据所述预测值、所述真实值、所述样本数据对应的样本数量和学习率,确定所述第二偏置值的第一修正值;将所述第一修正值和所述第二偏置值的和确定为调整后的第二偏置值;依据所述预测值、所述真实值、所述样本数量、所述学习率和所述隐藏层节点的值,确定所述第二权重值的第二修正值;将所述第二修正值和所述第二权重值的和确定为调整后的第二权重值;依据预测值、所述真实值、所述样本数量、所述学习率、所述隐藏层节点的值和所述第二权重值,确定所述第一偏置值的第三修正值;将所述第三修正值和所述第一偏置值的和确定为调整后的第一偏置值;依据所述预测值、所述真实值、所述样本数量、所述学习率、所述隐藏层节点的值、所述第二权重值和所述输入值,确定所述第一权重值的第四修正值;将所述第四修正值和所述第一权重值的和确定为调整后的第一权重值。
3.一种电子设备,其特征在于,包括存储器和处理器,其中,所述存储器用于存储程序指令;所述处理器与所述存储器连接,用于执行权利要求1中所述的测温仪表的检测方法。
4.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的计算机程序,其中,所述非易失性存储介质所在设备通过运行所述计算机程序执行权利要求1中所述的测温仪表的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623205.0A CN117309195B (zh) | 2023-11-30 | 2023-11-30 | 测温仪表的检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311623205.0A CN117309195B (zh) | 2023-11-30 | 2023-11-30 | 测温仪表的检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117309195A CN117309195A (zh) | 2023-12-29 |
CN117309195B true CN117309195B (zh) | 2024-04-12 |
Family
ID=89285253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311623205.0A Active CN117309195B (zh) | 2023-11-30 | 2023-11-30 | 测温仪表的检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309195B (zh) |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0098644A2 (en) * | 1982-07-06 | 1984-01-18 | Hoogovens Groep B.V. | A method of measurement of the temperature in a plurality of combustion chambers of a coke-oven battery and portable apparatus for carrying out such a method |
JP2002276930A (ja) * | 2001-03-22 | 2002-09-25 | Sumitomo Metal Ind Ltd | 熱交換領域の温度推定方法 |
CN101067828A (zh) * | 2007-06-12 | 2007-11-07 | 中南大学 | 焦炉火道温度集成建模与软测量方法 |
JP2010210462A (ja) * | 2009-03-11 | 2010-09-24 | Nippon Steel Corp | コークス炉のフリュー温度測定方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110569567A (zh) * | 2019-08-21 | 2019-12-13 | 中南大学 | 焦炉火道温度的测量方法及系统 |
CN111635976A (zh) * | 2020-06-30 | 2020-09-08 | 南京宝希智能技术有限公司 | 一种非接触式转炉钢水温度连续测量系统及检测方法 |
CN112116573A (zh) * | 2020-09-16 | 2020-12-22 | 四川嘉能佳网创新能源科技有限责任公司 | 一种高精度的红外图像异常检测方法及系统 |
CN112521955A (zh) * | 2020-11-04 | 2021-03-19 | 中南大学 | 一种焦饼中心温度检测方法及系统 |
CN112926636A (zh) * | 2021-02-03 | 2021-06-08 | 中车青岛四方机车车辆股份有限公司 | 牵引变流器柜体温度异常检测方法和装置 |
CN113515043A (zh) * | 2021-06-18 | 2021-10-19 | 上海源矩技术有限公司 | 一种基于bp神经网络的干熄焦烧损率实时计算方法 |
CN113761785A (zh) * | 2021-06-11 | 2021-12-07 | 神华国能宁夏煤电有限公司 | 一种确定锅炉的减薄值的方法、装置以及存储介质 |
CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
CN114266192A (zh) * | 2021-12-07 | 2022-04-01 | 北京科技大学 | 一种基于热轧带钢的测温仪表在线精度评价方法 |
WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
CN114638358A (zh) * | 2022-03-25 | 2022-06-17 | 中国科学技术大学 | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 |
WO2022142471A1 (zh) * | 2020-12-31 | 2022-07-07 | 南方科技大学 | 移动终端获取环境温度的方法、装置、移动终端及介质 |
CN115496142A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉热电偶的异常检测方法、装置及存储介质 |
CN115541030A (zh) * | 2022-09-21 | 2022-12-30 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
WO2023024213A1 (zh) * | 2021-08-23 | 2023-03-02 | 南方科技大学 | 基于众包的温度预测方法、装置、设备和存储介质 |
CN115906646A (zh) * | 2022-11-30 | 2023-04-04 | 武汉城市职业学院 | 一种快速预测不同温度和压力下气体吸附量的方法和系统 |
CN116341383A (zh) * | 2023-03-29 | 2023-06-27 | 西北工业大学 | 一种基于嵌入物理机理模型集成的尾焰温度预测方法 |
CN116383658A (zh) * | 2023-04-11 | 2023-07-04 | 上海电机学院 | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 |
CN116484277A (zh) * | 2023-04-21 | 2023-07-25 | 长城汽车股份有限公司 | 变速箱高温预警方法、训练方法、装置及存储介质 |
CN116739135A (zh) * | 2023-04-12 | 2023-09-12 | 鞍钢集团北京研究院有限公司 | 一种模拟成焦机理的焦炭质量串行预测方法及装置 |
CN116860551A (zh) * | 2023-06-30 | 2023-10-10 | 鹏城实验室 | 服务器的异常监测方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9477214B2 (en) * | 2013-03-07 | 2016-10-25 | General Electric Company | Plant control systems and methods |
CN114255361A (zh) * | 2020-09-10 | 2022-03-29 | 华为技术有限公司 | 神经网络模型的训练方法、图像处理方法及装置 |
-
2023
- 2023-11-30 CN CN202311623205.0A patent/CN117309195B/zh active Active
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0098644A2 (en) * | 1982-07-06 | 1984-01-18 | Hoogovens Groep B.V. | A method of measurement of the temperature in a plurality of combustion chambers of a coke-oven battery and portable apparatus for carrying out such a method |
JP2002276930A (ja) * | 2001-03-22 | 2002-09-25 | Sumitomo Metal Ind Ltd | 熱交換領域の温度推定方法 |
CN101067828A (zh) * | 2007-06-12 | 2007-11-07 | 中南大学 | 焦炉火道温度集成建模与软测量方法 |
JP2010210462A (ja) * | 2009-03-11 | 2010-09-24 | Nippon Steel Corp | コークス炉のフリュー温度測定方法 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
CN110569567A (zh) * | 2019-08-21 | 2019-12-13 | 中南大学 | 焦炉火道温度的测量方法及系统 |
CN111635976A (zh) * | 2020-06-30 | 2020-09-08 | 南京宝希智能技术有限公司 | 一种非接触式转炉钢水温度连续测量系统及检测方法 |
CN112116573A (zh) * | 2020-09-16 | 2020-12-22 | 四川嘉能佳网创新能源科技有限责任公司 | 一种高精度的红外图像异常检测方法及系统 |
CN112521955A (zh) * | 2020-11-04 | 2021-03-19 | 中南大学 | 一种焦饼中心温度检测方法及系统 |
WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
WO2022142471A1 (zh) * | 2020-12-31 | 2022-07-07 | 南方科技大学 | 移动终端获取环境温度的方法、装置、移动终端及介质 |
CN112926636A (zh) * | 2021-02-03 | 2021-06-08 | 中车青岛四方机车车辆股份有限公司 | 牵引变流器柜体温度异常检测方法和装置 |
CN113761785A (zh) * | 2021-06-11 | 2021-12-07 | 神华国能宁夏煤电有限公司 | 一种确定锅炉的减薄值的方法、装置以及存储介质 |
CN113515043A (zh) * | 2021-06-18 | 2021-10-19 | 上海源矩技术有限公司 | 一种基于bp神经网络的干熄焦烧损率实时计算方法 |
WO2023024213A1 (zh) * | 2021-08-23 | 2023-03-02 | 南方科技大学 | 基于众包的温度预测方法、装置、设备和存储介质 |
CN113920670A (zh) * | 2021-09-14 | 2022-01-11 | 烟台艾睿光电科技有限公司 | 消防安全监控方法、装置及系统、消防监控设备及介质 |
CN114266192A (zh) * | 2021-12-07 | 2022-04-01 | 北京科技大学 | 一种基于热轧带钢的测温仪表在线精度评价方法 |
CN114638358A (zh) * | 2022-03-25 | 2022-06-17 | 中国科学技术大学 | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 |
CN115496142A (zh) * | 2022-09-21 | 2022-12-20 | 中冶南方工程技术有限公司 | 一种高炉热电偶的异常检测方法、装置及存储介质 |
CN115541030A (zh) * | 2022-09-21 | 2022-12-30 | 中冶南方工程技术有限公司 | 高炉炉顶料面温度分布的识别方法、装置及存储介质 |
CN115906646A (zh) * | 2022-11-30 | 2023-04-04 | 武汉城市职业学院 | 一种快速预测不同温度和压力下气体吸附量的方法和系统 |
CN116341383A (zh) * | 2023-03-29 | 2023-06-27 | 西北工业大学 | 一种基于嵌入物理机理模型集成的尾焰温度预测方法 |
CN116383658A (zh) * | 2023-04-11 | 2023-07-04 | 上海电机学院 | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 |
CN116739135A (zh) * | 2023-04-12 | 2023-09-12 | 鞍钢集团北京研究院有限公司 | 一种模拟成焦机理的焦炭质量串行预测方法及装置 |
CN116484277A (zh) * | 2023-04-21 | 2023-07-25 | 长城汽车股份有限公司 | 变速箱高温预警方法、训练方法、装置及存储介质 |
CN116860551A (zh) * | 2023-06-30 | 2023-10-10 | 鹏城实验室 | 服务器的异常监测方法、装置、设备及存储介质 |
Non-Patent Citations (7)
Title |
---|
基于BP神经网络的电力设备运行温度预测方法研究;陈化军;张萍;贾寅飞;王超;孟晨平;;电子世界;20180523(第10期);全文 * |
基于BP神经网络的黑体炉温度时序预测模型的建立;赵萍;刘志强;王梅娟;;工业计量;20060126(第01期);全文 * |
基于LSTM网络的焦炉火道温度预测建模仿真;李爱莲;张帅;;计算机仿真;20200615(第06期);全文 * |
基于混沌RBF神经网络的气化炉温度软测量系统;王学武;王冬青;陈程;顾幸生;孙自强;;化工自动化及仪表;20061030(第05期);全文 * |
基于神经网络的气化炉高温测量方法研究;董志;占旺兵;梁钦锋;刘海峰;;上海煤气;20090425(第02期);全文 * |
新一代炼焦炉测温仪表;朱国亮;冶金能源;19960330(第02期);全文 * |
焦炉燃烧加热过程智能集成优化控制系统;雷琪;吴敏;刘建群;禹冬明;;计算技术与自动化;20060330(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117309195A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529090B (zh) | 一种航天电子类产品可靠性评估方法 | |
CN110220602B (zh) | 一种开关柜过热故障识别方法 | |
CN105925750A (zh) | 一种基于神经网络的炼钢终点预测方法 | |
Yan et al. | A fault prediction method that uses improved case-based reasoning to continuously predict the status of a shaft furnace | |
CN102687089A (zh) | Mppt控制器、太阳能电池控制装置、阳光发电系统、mppt控制程序、以及mppt控制器的控制方法 | |
CN106444379A (zh) | 基于物联网推荐的智能烘干远程控制方法及系统 | |
CN110399928A (zh) | 固体氧化物燃料电池电压预测方法、终端设备及存储介质 | |
CN111007035B (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
CN103020737A (zh) | 一种烤片烟气的预测方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
CN117309195B (zh) | 测温仪表的检测方法、装置及电子设备 | |
CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
US11283401B2 (en) | System and method for determining a state of a photovoltaic panel | |
CN1651613A (zh) | 一种碳素阳极焙烧生产系统的控制方法 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
CN110598185B (zh) | 一种焦炉炼焦单耗影响因素排序方法及系统 | |
CN111309065A (zh) | 压力模型建立方法、压力调节方法以及装置 | |
CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及系统 | |
CN116256402A (zh) | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 | |
TWI735385B (zh) | 硫氧化物的預測方法與燒結工廠 | |
CN114295987A (zh) | 一种基于非线性卡尔曼滤波的电池soc状态估计方法 | |
Salaan et al. | An artificial neural network based real-time reactive power controller | |
CN112800672A (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 |
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 |