CN117404853A - 隧道掘进机外用循环水冷却系统及方法 - Google Patents
隧道掘进机外用循环水冷却系统及方法 Download PDFInfo
- Publication number
- CN117404853A CN117404853A CN202311714480.3A CN202311714480A CN117404853A CN 117404853 A CN117404853 A CN 117404853A CN 202311714480 A CN202311714480 A CN 202311714480A CN 117404853 A CN117404853 A CN 117404853A
- Authority
- CN
- China
- Prior art keywords
- cooling water
- time
- time sequence
- water flow
- real
- 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.)
- Granted
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000000498 cooling water Substances 0.000 claims abstract description 228
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 233
- 238000012549 training Methods 0.000 claims description 106
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 10
- 230000005641 tunneling Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D17/00—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces
- F25D17/02—Arrangements for circulating cooling fluids; Arrangements for circulating gas, e.g. air, within refrigerated spaces for circulating liquids, e.g. brine
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/10—Making by using boring or cutting machines
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D2600/00—Control issues
- F25D2600/06—Controlling according to a predetermined profile
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Control Of Temperature (AREA)
Abstract
本发明提供了一种隧道掘进机外用循环水冷却系统及方法,属于智能控制技术领域。系统包括:温度数据采集模块、冷却水流速数据采集模块、数据时序排列模块、冷却水流速时序特征分析模块、温度局部时序特征分析模块、后验冷却水流速时序特征表达模块和冷却水流速控制模块。本发明通过温度传感器和流速计分别采集隧道掘进机的待冷却部位的实时温度值以及冷却水流速值,并在后端引入数据处理算法来进行所述实时温度值和所述冷却水流速值的时序协同分析,以此基于设备温度的实际变化情况来自适应地调整冷却水的流速值,从而提高冷却效果,并减少能源浪费,同时保证隧道掘进机的正常运行。
Description
技术领域
本发明涉及智能控制领域,更为具体地,涉及一种隧道掘进机外用循环水冷却系统及方法。
背景技术
隧道掘进机是一种用于挖掘地下隧道的重型设备,其工作环境通常是高温、高湿和高粉尘的。在掘进过程中,隧道掘进机会产生大量的热量,如果不及时冷却,可能会导致设备过热,影响其正常运行甚至损坏设备。因此,为了保证隧道掘进机的正常运行,需要对其进行有效的冷却,避免过热而导致设备的损坏或停机。
目前,隧道掘进机的冷却系统主要采用外用循环水冷却方式,即通过外部水源向隧道掘进机的待冷却部位输送冷却水,通过冷却水的循环流动来吸收设备产生的热量,并将热量带走,以保持设备的温度在安全范围内。然而,传统的冷却系统通常是以固定的流速运行,不能根据设备的实际温度情况和变化进行自适应调整,导致冷却效果不佳或者浪费水资源。
因此,期望一种优化的隧道掘进机外用循环水冷却系统。
发明内容
为了解决上述技术问题,本发明实施例提供了一种隧道掘进机外用循环水冷却系统及方法,其通过温度传感器和流速计分别采集隧道掘进机的待冷却部位的实时温度值以及冷却水流速值,并在后端引入数据处理算法来进行所述实时温度值和所述冷却水流速值的时序协同分析,以此基于设备温度的实际变化情况来自适应地调整冷却水的流速值,从而提高冷却效果,并减少能源浪费,同时保证隧道掘进机的正常运行。
根据本发明的一个方面,提供了一种隧道掘进机外用循环水冷却系统,其包括:
温度数据采集模块,用于获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;
冷却水流速数据采集模块,用于获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;
数据时序排列模块,用于将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;
冷却水流速时序特征分析模块,用于通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取以得到冷却水流速时序特征向量;
温度局部时序特征分析模块,用于对所述实时温度时序输入向量进行局部时序特征分析以得到实时温度局部时序特征向量的序列;
后验冷却水流速时序特征表达模块,用于基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达以得到后验冷却水流速时序特征;
冷却水流速控制模块,用于基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
可选地,所述深度神经网络模型为一维卷积神经网络模型。
可选地,所述温度局部时序特征分析模块,包括:
温度向量切分单元,用于对所述实时温度时序输入向量进行向量切分,以得到实时温度局部时序输入向量的序列;
温度局部时序特征提取单元,用于将所述实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到所述实时温度局部时序特征向量的序列。
可选地,所述后验冷却水流速时序特征表达模块,用于:基于所述实时温度局部时序特征向量的序列,以如下后验公式对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征向量作为所述后验冷却水流速时序特征;
其中,所述后验公式为:
;
;
其中,v表示所述冷却水流速时序特征向量,A表示1×Nw的矩阵,Nw等于所述冷却水流速时序特征向量的尺度,B是1×Nh的矩阵,Nh等于所述实时温度局部时序特征向量的序列中实时温度局部时序特征向量的数量,σ是Sigmoid函数,s为权重系数,Mw和Mh表示1×1卷积核的卷积操作,hi表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量,N表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量的尺度,v'表示所述后验冷却水流速时序特征向量。
可选地,所述冷却水流速控制模块,用于:将所述后验冷却水流速时序特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的冷却水的流速值应增大、应减小或应保持。
可选地,隧道掘进机外用循环水冷却系统还包括用于对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练的训练模块。
可选地,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的训练实时温度值;以及,由流速计采集的所述预定时间段内多个预定时间点的训练冷却水流速值;
训练数据时序排列单元,用于将所述多个预定时间点的训练冷却水流速值和所述多个预定时间点的训练实时温度值按照时间维度排列为训练冷却水流速时序输入向量和训练实时温度时序输入向量;
训练冷却水流速时序特征分析单元,用于通过基于一维卷积神经网络模型的冷却水流速时序特征提取器对所述训练冷却水流速时序输入向量进行特征提取,以得到训练冷却水流速时序特征向量;
训练温度向量切分单元,用于对所述训练实时温度时序输入向量进行向量切分,以得到训练实时温度局部时序输入向量的序列;
训练温度局部时序特征提取单元,用于将所述训练实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到训练实时温度局部时序特征向量的序列;
训练后验冷却水流速时序特征表达单元,用于基于所述训练实时温度局部时序特征向量的序列,对所述训练冷却水流速时序特征向量进行特征后验表达,以得到训练后验冷却水流速时序特征向量;
分类损失单元,用于将所述训练后验冷却水流速时序特征向量通过分类器,以得到分类损失函数值;
损失函数计算单元,用于计算所述实时温度局部时序特征向量的序列和所述冷却水流速时序特征向量之间的损失函数值;
加权计算单元,用于计算所述损失函数值和所述分类损失函数值之间的加权和作为最终损失函数值;
训练单元,用于基于所述最终损失函数值对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练。
可选地,所述分类损失单元,用于:
使用所述分类器对所述训练后验冷却水流速时序特征向量进行处理以得到训练分类结果;以及
计算所述训练分类结果与所述当前时间点的冷却水的流速值应增大、应减小或应保持的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
根据本发明的另一个方面,提供了一种隧道掘进机外用循环水冷却方法,其包括:
获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;
获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;
将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;
通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取以得到冷却水流速时序特征向量;
对所述实时温度时序输入向量进行局部时序特征分析以得到实时温度局部时序特征向量的序列;
基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达以得到后验冷却水流速时序特征;
基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
与现有技术相比,本发明提供的一种隧道掘进机外用循环水冷却系统及方法,其通过温度传感器和流速计分别采集隧道掘进机的待冷却部位的实时温度值以及冷却水流速值,并在后端引入数据处理算法来进行所述实时温度值和所述冷却水流速值的时序协同分析,以此基于设备温度的实际变化情况来自适应地调整冷却水的流速值,从而提高冷却效果,并减少能源浪费,同时保证隧道掘进机的正常运行。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本发明实施例的隧道掘进机外用循环水冷却系统的框图;
图2为根据本发明实施例的隧道掘进机外用循环水冷却系统的系统架构图;
图3为根据本发明实施例的隧道掘进机外用循环水冷却系统的训练模块的框图;
图4为根据本发明实施例的隧道掘进机外用循环水冷却系统中温度局部时序特征分析模块的框图;
图5为根据本发明实施例的隧道掘进机外用循环水冷却方法的流程图。
具体实施方式
下面将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
在本发明的技术方案中,提供了一种隧道掘进机外用循环水冷却系统。图1为根据本发明实施例的隧道掘进机外用循环水冷却系统的框图。图2为根据本发明实施例的隧道掘进机外用循环水冷却系统的系统架构图。如图1和图2所示,根据本发明实施例的隧道掘进机外用循环水冷却系统300,包括:温度数据采集模块310,用于获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;冷却水流速数据采集模块320,用于获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;数据时序排列模块330,用于将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;冷却水流速时序特征分析模块340,用于通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取,以得到冷却水流速时序特征向量;温度局部时序特征分析模块350,用于对所述实时温度时序输入向量进行局部时序特征分析,以得到实时温度局部时序特征向量的序列;后验冷却水流速时序特征表达模块360,用于基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征;冷却水流速控制模块370,用于基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
特别地,所述温度数据采集模块310,用于获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值。应可以理解,待冷却部位的温度超过安全范围或达到过热状态都会影响隧道掘进机的正常工作,因此,在本发明实施例的技术方案中,通过温度传感器获取隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值。
值得注意的是,温度传感器是一种用于测量环境或物体温度的设备。它可以将温度转换为电信号或数字信号,以便进行监测、控制或记录。温度传感器可以应用于各种领域,包括工业、医疗、农业、环境监测等。
特别地,所述冷却水流速数据采集模块320,用于获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值。应可以理解,待冷却部位的温度高低都会影响到隧道掘进机的运行,因此,在本发明实施例的技术方案中,通过温度传感器和流速计分别采集隧道掘进机的待冷却部位的实时温度值以及冷却水流速值,并在后端引入数据处理算法来进行所述实时温度值和所述冷却水流速值的时序协同分析,以此基于设备温度的实际变化情况来自适应地调整冷却水的流速值,这样,能够使得所述隧道掘进机的待冷却部位的状态达到最佳运行状态。
值得注意的是,流速计是一种用于测量流体(液体或气体)流速的设备。广泛应用于工业、实验室、环境监测等领域,用于监测和控制流体的流量。
特别地,所述数据时序排列模块330,用于将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量。考虑到所述实时温度值和所述冷却水流速值在时间维度上都具有时序的动态变化规律,为了能够对于这两者的时序动态特征进行捕捉和刻画,以此来探究所述实时温度值和所述冷却水流速值之间的时序关联关系,在本发明实施例的技术方案中,需要将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量,以此来分别整合所述实时温度值和所述冷却水流速值的时序分布信息。
特别地,所述冷却水流速时序特征分析模块340,用于通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取,以得到冷却水流速时序特征向量。也就是,在本发明实施例的技术方案中,将所述冷却水流速时序输入向量通过基于一维卷积神经网络模型的冷却水流速时序特征提取器中进行特征挖掘,以提取出所述冷却水流速值在时间维度上的时序动态特征信息,从而得到冷却水流速时序特征向量。具体地,使用所述基于一维卷积神经网络模型的冷却水流速时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的冷却水流速时序特征提取器的最后一层的输出为所述冷却水流速时序特征向量,所述基于一维卷积神经网络模型的冷却水流速时序特征提取器的第一层的输入为所述冷却水流速时序输入向量。
值得注意的是,一维卷积神经网络(1D Convolutional Neural Network)是一种基于卷积操作的神经网络模型,用于处理具有时间序列结构的数据。与传统的全连接神经网络相比,一维卷积神经网络可以更好地捕捉时间序列数据中的局部模式和时序特征。
特别地,所述温度局部时序特征分析模块350,用于对所述实时温度时序输入向量进行局部时序特征分析,以得到实时温度局部时序特征向量的序列。特别地,在本发明实施例的一个具体示例中,如图4所示,所述温度局部时序特征分析模块350,包括:温度向量切分单元351,用于对所述实时温度时序输入向量进行向量切分,以得到实时温度局部时序输入向量的序列;温度局部时序特征提取单元352,用于将所述实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到所述实时温度局部时序特征向量的序列。
具体地,所述温度向量切分单元351,用于对所述实时温度时序输入向量进行向量切分,以得到实时温度局部时序输入向量的序列。在隧道掘进机的运行过程中,设备的温度会随时间发生变化。并且,由于隧道掘进机的待冷却部位在冷却时的温度值变化在不同的局部时间段中会呈现出不同的变化模式和趋势。因此,为了更好地理解和分析在水冷过程中所述待冷却部位的温度时序变化情况和趋势,在本发明实施例的技术方案中,对所述实时温度时序输入向量进行向量切分,以得到实时温度局部时序输入向量的序列。通过对所述实时温度时序输入向量进行向量切分,可以将预定时间段内的温度数据时序分布信息分解成更小的时间段,以便于后续更为充分地捕捉和刻画出不同时间段内的实时温度的时序变化模式和趋势,从而更好地预测和调整冷却水流速。
具体地,所述温度局部时序特征提取单元352,用于将所述实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到所述实时温度局部时序特征向量的序列。将所述实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器中进行特征挖掘,以分别提取出所述实时温度在各个时间片段中的局部时序动态特征信息,从而得到实时温度局部时序特征向量的序列。更具体地,使用所述基于一维卷积层的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积层的温度时序特征提取器的最后一层的输出为所述实时温度局部时序特征向量的序列,所述基于一维卷积层的温度时序特征提取器的第一层的输入为所述实时温度局部时序输入向量的序列。
值得注意的是,一维卷积层(1D Convolutional Layer)是深度学习中常用的一种卷积层类型,用于处理具有时间序列结构的数据。以下是一维卷积层的基本步骤:输入数据:一维卷积层的输入数据是具有时间序列结构的数据;卷积核:一维卷积层包含多个卷积核;卷积操作:对于每个卷积核,将其与输入数据进行卷积操作。具体而言,卷积核在输入数据上通过滑动窗口的方式进行卷积计算,计算得到的结果称为特征图;激活函数:对于特征图的每个元素,应用激活函数进行非线性变换。常见的激活函数包括ReLU、Sigmoid、Tanh等,用于引入非线性特征;池化操作:对特征图进行池化操作,以减少特征图的维度。常见的池化操作包括最大池化和平均池化,用于提取特征的空间不变性和降低计算复杂度;输出特征图:经过卷积操作和激活函数处理后,得到输出。
值得一提的是,在本发明的其他具体示例中,还可以通过其他方式对所述实时温度时序输入向量进行局部时序特征分析以得到实时温度局部时序特征向量的序列,例如:收集和准备实时温度的时序数据。这些数据应包括实时温度的时间序列信息,通常以时间步为单位采样;确定用于局部时序特征分析的窗口大小。窗口大小决定了每个局部时序特征向量中包含的时间步数;将窗口在实时温度时序数据上进行滑动。滑动窗口的步幅可以根据需求进行调整,通常选择与窗口大小相同的步幅,以确保不重叠的窗口;对于每个窗口,提取局部时序特征向量。局部时序特征向量是在窗口内的实时温度数据上提取的特征表示。具体的特征提取方法可以根据任务需求选择,例如可以计算窗口内的统计特征(如均值、方差)、频域特征(如傅里叶变换系数)、时域特征(如自相关系数)等;将提取的局部时序特征向量按照时间顺序组合起来,形成局部时序特征向量序列。
特别地,所述后验冷却水流速时序特征表达模块360,用于基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征。应可以理解,所述实时温度局部时序特征向量的序列反映了隧道掘进机的待冷却部位在冷却过程中的不同时间段内的温度时序动态变化情况,包含了温度的时序变化趋势、波动性和其他相关信息。而所述冷却水流速时序特征向量反映了所述冷却水流速在时间维度上的时序变化情况。因此,为了能够建立这两者之间的关联性,从而通过分析实时温度的变化趋势来推断冷却水流速的适宜调整数据,在本发明实施例的技术方案中,进一步基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征向量。在特征后验表达的过程中,将所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量进行关联建模和分析,能够利用所述实时温度的各个局部时序变化特征来进行所述冷却水流速的时序特征的后验表达更新,为后续的冷却水流速控制提供依据。具体地,基于所述实时温度局部时序特征向量的序列,以如下后验公式对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征向量作为所述后验冷却水流速时序特征;其中,所述后验公式为:
;
;
其中,v表示所述冷却水流速时序特征向量,A表示1×Nw的矩阵,Nw等于所述冷却水流速时序特征向量的尺度,B是1×Nh的矩阵,Nh等于所述实时温度局部时序特征向量的序列中实时温度局部时序特征向量的数量,σ是Sigmoid函数,s为权重系数,Mw和Mh表示1×1卷积核的卷积操作,hi表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量,N表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量的尺度,v'表示所述后验冷却水流速时序特征向量。
特别地,所述冷却水流速控制模块370,用于基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。也就是,在本发明实施例的技术方案中,将所述后验冷却水流速时序特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的冷却水的流速值应增大、应减小或应保持。也就是说,利用经过实时温度的各个局部时序特征来进行冷却水流速的时序特征的后验表达更新后的关联特征信息来进行分类处理,以此基于隧道掘进机的待冷却部位的温度实际变化情况来实现对冷却水流速的自适应调整,从而提高冷却效果,并减少能源浪费,同时保证隧道掘进机的正常运行。具体地,将所述后验冷却水流速时序特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的冷却水的流速值应增大、应减小或应保持,包括:使用所述分类器的多个全连接层对所述后验冷却水流速时序特征向量进行全连接编码,以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数,以得到所述分类结果。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练。也就是说,根据本发明实施例的隧道掘进机外用循环水冷却系统300,还包括训练模块400,用于对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练。
图3为根据本发明实施例的隧道掘进机外用循环水冷却系统的训练模块的框图。如图3所示,根据本发明实施例的隧道掘进机外用循环水冷却系统300,包括:训练模块400,包括:训练数据获取单元410,用于获取训练数据,所述训练数据包括由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的训练实时温度值;以及,由流速计采集的所述预定时间段内多个预定时间点的训练冷却水流速值;训练数据时序排列单元420,用于将所述多个预定时间点的训练冷却水流速值和所述多个预定时间点的训练实时温度值按照时间维度排列为训练冷却水流速时序输入向量和训练实时温度时序输入向量;训练冷却水流速时序特征分析单元430,用于通过基于一维卷积神经网络模型的冷却水流速时序特征提取器对所述训练冷却水流速时序输入向量进行特征提取,以得到训练冷却水流速时序特征向量;训练温度向量切分单元440,用于对所述训练实时温度时序输入向量进行向量切分,以得到训练实时温度局部时序输入向量的序列;训练温度局部时序特征提取单元450,用于将所述训练实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器以得到训练实时温度局部时序特征向量的序列;训练后验冷却水流速时序特征表达单元460,用于基于所述训练实时温度局部时序特征向量的序列,对所述训练冷却水流速时序特征向量进行特征后验表达,以得到训练后验冷却水流速时序特征向量;分类损失单元470,用于将所述训练后验冷却水流速时序特征向量通过分类器以得到分类损失函数值;损失函数计算单元480,用于计算所述实时温度局部时序特征向量的序列和所述冷却水流速时序特征向量之间的损失函数值;加权计算单元490,用于计算所述损失函数值和所述分类损失函数值之间的加权和作为最终损失函数值;训练单元500,用于基于所述最终损失函数值对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练。
特别地,所述实时温度局部时序特征向量的序列表达所述实时温度值在全局时域经由向量切分确定的局部时域下的时序关联特征,而所述冷却水流速时序特征向量表达所述冷却水流速在全局时域下的时序关联特征,这样,在基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达时,如果能够提升所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量之间的关键时序关联特征的跨局部时域-全局时域共享性,则能够提升得到的所述后验冷却水流速时序特征向量的表达效果。也就是,考虑到在关键时序关联特征共享性角度下,所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量之间会具有关键时序关联特征的跨局部时域-全局时域表达共享性,由此,为了抑制在基于所述实时温度局部时序特征向量的序列对所述冷却水流速时序特征向量进行特征后验表达过程中的关键时序关联特征共享分布稀疏化,本发明实施例在模型的训练过程中,针对所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量引入特定损失函数,表示为:
;
其中,V1是所述实时温度局部时序特征向量的序列级联得到的级联特征向量,且V2是所述冷却水流速时序特征向量,和/>分别是特征向量的1范数和2范数,ε是界阈值超参数,且特征向量均为行向量形式,/>表示按位置作差,/>表示向量相乘,Loss是所述损失函数。具体地,所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量之间的共享关键时序关联特征的强化可以看作全局特征集合的分布信息压缩,通过在基于所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量间的结构表示来重构原始特征流形的相对形状关系的基础上进行关键特征的分布稀疏化控制,可以强化所述实时温度局部时序特征向量的序列与所述冷却水流速时序特征向量间的共享关键时序关联特征,从而获得所述后验冷却水流速时序特征向量作为特征后验表达的稀疏但是有意义的融合流形的几何表示,以提高所述后验冷却水流速时序特征向量的表达效果,改进其通过分类器得到的分类结果的准确性。这样,能够基于设备温度的实际变化情况来自适应地调整冷却水的流速值,从而提高冷却效果,并减少能源浪费,同时保证隧道掘进机的正常运行。
在本发明的一个实施例中,所述分类损失单元470,用于使用所述分类器对所述训练后验冷却水流速时序特征向量进行处理,以得到训练分类结果;以及,计算所述训练分类结果与所述当前时间点的冷却水的流速值应增大、应减小或应保持的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
具体地,所述分类损失单元470使用所述分类器以如下训练分类公式对所述训练后验冷却水流速时序特征向量进行处理,以获得训练分类结果,其中,所述训练分类公式为:,其中,W1到Wn为权重矩阵,B1到Bn为偏置向量,X为所述训练后验冷却水流速时序特征向量。
如上所述,本发明实施例的隧道掘进机外用循环水冷却系统300可以实现在各种无线终端中,例如具有隧道掘进机外用循环水冷却算法的服务器等。在一种可能的实现方式中,本发明实施例的隧道掘进机外用循环水冷却系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该隧道掘进机外用循环水冷却系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该隧道掘进机外用循环水冷却系统300同样可以是该无线终端的众多硬件模块之一。
在另一示例中,该隧道掘进机外用循环水冷却系统300与该无线终端也可以是分立的设备,并且该隧道掘进机外用循环水冷却系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,本发明实施例还提供一种隧道掘进机外用循环水冷却方法。
图5为根据本发明实施例的隧道掘进机外用循环水冷却方法的流程图。如图5所示,根据本发明实施例的隧道掘进机外用循环水冷却方法,包括步骤:S1,获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;S2,获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;S3,将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;S4,通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取,以得到冷却水流速时序特征向量;S5,对所述实时温度时序输入向量进行局部时序特征分析,以得到实时温度局部时序特征向量的序列;S6,基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征;S7,基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
综上,根据本发明实施例的隧道掘进机外用循环水冷却方法被阐明,其通过温度传感器和流速计分别采集隧道掘进机的待冷却部位的实时温度值以及冷却水流速值,并在后端引入数据处理算法来进行所述实时温度值和所述冷却水流速值的时序协同分析,以此基于设备温度的实际变化情况来自适应地调整冷却水的流速值,从而提高冷却效果,并减少能源浪费,同时保护隧道掘进机的正常运行。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种隧道掘进机外用循环水冷却系统,其特征在于,包括:
温度数据采集模块,用于获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;
冷却水流速数据采集模块,用于获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;
数据时序排列模块,用于将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;
冷却水流速时序特征分析模块,用于通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取,以得到冷却水流速时序特征向量;
温度局部时序特征分析模块,用于对所述实时温度时序输入向量进行局部时序特征分析,以得到实时温度局部时序特征向量的序列;
后验冷却水流速时序特征表达模块,用于基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征;
冷却水流速控制模块,用于基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
2.根据权利要求1所述的隧道掘进机外用循环水冷却系统,其特征在于,所述深度神经网络模型为一维卷积神经网络模型。
3.根据权利要求2所述的隧道掘进机外用循环水冷却系统,其特征在于,所述温度局部时序特征分析模块,包括:
温度向量切分单元,用于对所述实时温度时序输入向量进行向量切分,以得到实时温度局部时序输入向量的序列;
温度局部时序特征提取单元,用于将所述实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到所述实时温度局部时序特征向量的序列。
4.根据权利要求3所述的隧道掘进机外用循环水冷却系统,其特征在于,所述后验冷却水流速时序特征表达模块,用于:基于所述实时温度局部时序特征向量的序列,以如下后验公式对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征向量作为所述后验冷却水流速时序特征;
其中,所述后验公式为:
;
;
其中,v表示所述冷却水流速时序特征向量,A表示1×Nw的矩阵,Nw等于所述冷却水流速时序特征向量的尺度,B是1×Nh的矩阵,Nh等于所述实时温度局部时序特征向量的序列中实时温度局部时序特征向量的数量,σ是Sigmoid函数,s为权重系数,Mw和Mh表示1×1卷积核的卷积操作,hi表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量,N表示所述实时温度局部时序特征向量的序列中的各个实时温度局部时序特征向量的尺度,v'表示所述后验冷却水流速时序特征向量。
5.根据权利要求4所述的隧道掘进机外用循环水冷却系统,其特征在于,所述冷却水流速控制模块,用于:将所述后验冷却水流速时序特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的冷却水的流速值应增大、应减小或应保持。
6.根据权利要求5所述的隧道掘进机外用循环水冷却系统,其特征在于,还包括用于对基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练的训练模块。
7.根据权利要求6所述的隧道掘进机外用循环水冷却系统,其特征在于,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的训练实时温度值;以及,由流速计采集的所述预定时间段内多个预定时间点的训练冷却水流速值;
训练数据时序排列单元,用于将所述多个预定时间点的训练冷却水流速值和所述多个预定时间点的训练实时温度值按照时间维度排列为训练冷却水流速时序输入向量和训练实时温度时序输入向量;
训练冷却水流速时序特征分析单元,用于通过基于一维卷积神经网络模型的冷却水流速时序特征提取器对所述训练冷却水流速时序输入向量进行特征提取,以得到训练冷却水流速时序特征向量;
训练温度向量切分单元,用于对所述训练实时温度时序输入向量进行向量切分,以得到训练实时温度局部时序输入向量的序列;
训练温度局部时序特征提取单元,用于将所述训练实时温度局部时序输入向量的序列通过基于一维卷积层的温度时序特征提取器进行特征提取,以得到训练实时温度局部时序特征向量的序列;
训练后验冷却水流速时序特征表达单元,用于基于所述训练实时温度局部时序特征向量的序列,对所述训练冷却水流速时序特征向量进行特征后验表达,以得到训练后验冷却水流速时序特征向量;
分类损失单元,用于将所述训练后验冷却水流速时序特征向量通过分类器,以得到分类损失函数值;
损失函数计算单元,用于计算所述实时温度局部时序特征向量的序列和所述冷却水流速时序特征向量之间的损失函数值;
加权计算单元,用于计算所述损失函数值和所述分类损失函数值之间的加权和作为最终损失函数值;
训练单元,用于基于所述最终损失函数值对所述基于一维卷积神经网络模型的冷却水流速时序特征提取器、所述基于一维卷积层的温度时序特征提取器和所述分类器进行训练。
8.根据权利要求7所述的隧道掘进机外用循环水冷却系统,其特征在于,所述分类损失单元,用于:
使用所述分类器对所述训练后验冷却水流速时序特征向量进行处理以得到训练分类结果;以及
计算所述训练分类结果与所述当前时间点的冷却水的流速值应增大、应减小或应保持的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
9.一种隧道掘进机外用循环水冷却方法,其特征在于,包括:
获取由温度传感器采集的隧道掘进机的待冷却部位在预定时间段内多个预定时间点的实时温度值;
获取由流速计采集的所述预定时间段内多个预定时间点的冷却水流速值;
将所述多个预定时间点的冷却水流速值和所述多个预定时间点的实时温度值按照时间维度排列为冷却水流速时序输入向量和实时温度时序输入向量;
通过基于深度神经网络模型的冷却水流速时序特征提取器对所述冷却水流速时序输入向量进行特征提取,以得到冷却水流速时序特征向量;
对所述实时温度时序输入向量进行局部时序特征分析,以得到实时温度局部时序特征向量的序列;
基于所述实时温度局部时序特征向量的序列,对所述冷却水流速时序特征向量进行特征后验表达,以得到后验冷却水流速时序特征;
基于所述后验冷却水流速时序特征,确定当前时间点的冷却水的流速值应增大、应减小或应保持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714480.3A CN117404853B (zh) | 2023-12-14 | 2023-12-14 | 隧道掘进机外用循环水冷却系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311714480.3A CN117404853B (zh) | 2023-12-14 | 2023-12-14 | 隧道掘进机外用循环水冷却系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117404853A true CN117404853A (zh) | 2024-01-16 |
CN117404853B CN117404853B (zh) | 2024-03-08 |
Family
ID=89489380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311714480.3A Active CN117404853B (zh) | 2023-12-14 | 2023-12-14 | 隧道掘进机外用循环水冷却系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117404853B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140116674A1 (en) * | 2012-10-29 | 2014-05-01 | Krones Ag | Heat recovery from a tunnel recooling process |
CN204854128U (zh) * | 2015-07-24 | 2015-12-09 | 比赫电气(太仓)有限公司 | 一种医疗核磁共振水冷机组 |
CN106969566A (zh) * | 2017-05-05 | 2017-07-21 | 湖北东神楚天化工有限公司 | 自动报警式冷却装置 |
CN108982744A (zh) * | 2018-05-07 | 2018-12-11 | 西北工业大学 | 适用于飞机发动机的燃气取样耙及燃气分析系统和方法 |
CN111368408A (zh) * | 2020-02-27 | 2020-07-03 | 创新奇智(南京)科技有限公司 | 基于seq2seq的数据中心能效优化连续决策方法 |
CN111947382A (zh) * | 2020-08-20 | 2020-11-17 | 中南大学 | 一种真空管道磁悬浮列车的循环冷却系统及冷却方法 |
CN113074500A (zh) * | 2021-03-10 | 2021-07-06 | 华电电力科学研究院有限公司 | 一种适用于冷却器的智慧节约冷却用水装置 |
CN114611608A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于深度学习模型的海表面高度数值预报偏差订正方法 |
CN217686115U (zh) * | 2022-06-16 | 2022-10-28 | 中铁工程装备集团技术服务有限公司 | 一种竖井掘进机冷却系统 |
CN115342679A (zh) * | 2022-07-15 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化冷却液循环控制系统 |
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
CN117021434A (zh) * | 2023-08-23 | 2023-11-10 | 海宁亿联塑业有限公司 | Ppr管材冷却成型控制系统及其方法 |
-
2023
- 2023-12-14 CN CN202311714480.3A patent/CN117404853B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140116674A1 (en) * | 2012-10-29 | 2014-05-01 | Krones Ag | Heat recovery from a tunnel recooling process |
CN204854128U (zh) * | 2015-07-24 | 2015-12-09 | 比赫电气(太仓)有限公司 | 一种医疗核磁共振水冷机组 |
CN106969566A (zh) * | 2017-05-05 | 2017-07-21 | 湖北东神楚天化工有限公司 | 自动报警式冷却装置 |
CN108982744A (zh) * | 2018-05-07 | 2018-12-11 | 西北工业大学 | 适用于飞机发动机的燃气取样耙及燃气分析系统和方法 |
CN111368408A (zh) * | 2020-02-27 | 2020-07-03 | 创新奇智(南京)科技有限公司 | 基于seq2seq的数据中心能效优化连续决策方法 |
CN111947382A (zh) * | 2020-08-20 | 2020-11-17 | 中南大学 | 一种真空管道磁悬浮列车的循环冷却系统及冷却方法 |
CN113074500A (zh) * | 2021-03-10 | 2021-07-06 | 华电电力科学研究院有限公司 | 一种适用于冷却器的智慧节约冷却用水装置 |
CN114611608A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于深度学习模型的海表面高度数值预报偏差订正方法 |
CN217686115U (zh) * | 2022-06-16 | 2022-10-28 | 中铁工程装备集团技术服务有限公司 | 一种竖井掘进机冷却系统 |
CN115342679A (zh) * | 2022-07-15 | 2022-11-15 | 福建省杭氟电子材料有限公司 | 一种用于六氟丁二烯制备的智能化冷却液循环控制系统 |
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
CN117021434A (zh) * | 2023-08-23 | 2023-11-10 | 海宁亿联塑业有限公司 | Ppr管材冷却成型控制系统及其方法 |
Non-Patent Citations (1)
Title |
---|
李晓华;殷珊珊;李昊;蔡泽祥: "基于阀侧电流时序特征的换流阀电流实时计算方法", 《电工技术学报》, 25 April 2023 (2023-04-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117404853B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Powerful graph convolutional networks with adaptive propagation mechanism for homophily and heterophily | |
Wang et al. | Power quality disturbance classification based on compressed sensing and deep convolution neural networks | |
CN110929622B (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
CN107832787B (zh) | 基于双谱自编码特征的雷达辐射源识别方法 | |
Liu et al. | A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture | |
Vesanto | Using the SOM and local models in time-series prediction | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
He et al. | MTAD-TF: Multivariate time series anomaly detection using the combination of temporal pattern and feature pattern | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
CN116048031A (zh) | 用于石油助剂生产的控制系统及其方法 | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN116832588A (zh) | 酸再生烟气净化装置及其方法 | |
CN115062706A (zh) | 森林火灾监测方法及装置、存储介质、电子设备 | |
CN117671396A (zh) | 施工进度的智能监控预警系统及方法 | |
CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
CN117131452A (zh) | 基于归一化流和贝叶斯网络的异常检测方法及系统 | |
CN117011770A (zh) | 光学玻璃超声波清洗系统及其方法 | |
CN116994093A (zh) | 基于对偶图卷积神经网络的高光谱图像分类方法 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN116292130A (zh) | 基于协整分析的风力发电机状态监测系统及其方法 | |
CN116449881A (zh) | 智能气缸及其控制方法 | |
CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
CN114723877A (zh) | 一种针对三维稀疏卷积网络的对抗样本生成方法 | |
Elhalwagy et al. | Hybridization of capsule and lstm networks for unsupervised anomaly detection on multivariate data |
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 |