CN117553840A - 一种基于智能化管理的仪表及其系统 - Google Patents
一种基于智能化管理的仪表及其系统 Download PDFInfo
- Publication number
- CN117553840A CN117553840A CN202410042083.4A CN202410042083A CN117553840A CN 117553840 A CN117553840 A CN 117553840A CN 202410042083 A CN202410042083 A CN 202410042083A CN 117553840 A CN117553840 A CN 117553840A
- Authority
- CN
- China
- Prior art keywords
- instrument
- value
- error
- expected
- output
- 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
Links
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/048—Activation functions
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于智能化管理的仪表及其系统，属于仪表监控领域，利用历史数据构建智能学习模型，建立设备运行参数与仪表数值之间的联系；将所述智能学习模型应用于设备运行参数的监测中，以获取期望仪表数值；通过比较实际仪表数值与期望仪表数值获得仪表误差；根据判断实际仪表数值与期望仪表数值的相关特性，对仪表作出误差校正或更换报警处理。本发明解决了在仪表不准确时难以判断仪表是否可以校正而频繁停机更换仪表，导致工作生产效率下降的问题，提高了仪表智能化管理的能力。
Description
技术领域
本发明属于仪表监控领域，涉及一种基于智能化管理的仪表及其系统。
背景技术
仪表设备在工业、能源、水务和交通等领域起着关键作用，用于监测温度、压力和流量等各种指标。然而，传统的仪表管理方式通常是人工操作，需要工作人员实时监测仪表设备的数据进行判断和决策，这种仪表管理方式效率和准确性低，且存在一定的危险性。
中国专利CN108627794 A公开了一种基于深度学习的智能化仪表检测方法，包括：通过相机拍摄仪表图像，工控机对图像进行预处理，并通过图像数字识别技术读取仪表数值；对读取的仪表数值数据进行分析处理，做出结果预测和判断；如果分析判断仪表已经损坏，则发出仪表更换报警，并作出相应的停机处理；如果仪表工作正常，但数值超出仪表的安全范围，则发出警报并立刻停止设备运行；对历史数据和之前的处理判定进行智能学习，并将其返回给系统，不断完善数据分析处理和系统预判，通过不间断的机器自我学习，提高其预判的准确性。
然而，目前大部分管理人员在仪表读数不准确时就进行停机更换，而频繁的停机更换仪表会导致工作效率大大降低，难以满足仪表智能化管理的需求。
发明内容
为解决上述现有技术存在的问题，本发明提供了一种基于智能化管理的仪表及其系统。
本发明的目的可以通过以下技术方案实现：
第一方面，本发明提供了一种基于智能化管理的仪表，包括数据采集装置、分析处理装置、异常判断装置和校正报警装置，其中：
所述数据采集装置，用于采集设备运行参数及其对应的实际仪表数值；
所述分析处理装置，连接数据采集装置，用于将采集的设备运行参数输入预设的智能学习模型中，输出期望仪表数值；
所述异常判断装置，连接分析处理装置，用于比较实际仪表数值与期望仪表数值之间的仪表误差，判断仪表是否出现异常，当仪表出现异常时，生成异常报告传输到所述校正报警装置中；
所述校正报警装置，在接收到所述异常判断装置发送的异常报告后，分析实际仪表数值与期望仪表数值之间的关系，若实际仪表数值与期望仪表数值存在相关特性，则利用所述相关特性自动校正仪表误差；若实际仪表数值与期望仪表数值不存在相关特性，则发起更换仪表报警。
进一步地，所述分析处理装置中，所述预设的智能学习模型，配置为BP人工神经网络，包括以下步骤：
S1、数据收集：收集设备运行参数及其仪表数值的历史数据，作为建模的数据；
S2、确定模型结构：确定神经网络的神经元层数和数量，所述神经元包括输入层、隐藏层和输出层，其中输入层为设备运行参数，输出层为仪表数值；
S3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
S4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
S5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
S6、重复迭代：重复进行步骤S4至步骤S5，直到误差达到预设的误差阈值时停止；
S7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用决定系数评估模型的预测性能。
进一步地，步骤S2中，所述模型结构，所述隐藏层层数为1层，所述输入层和输出层的层数与样本数相同；输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，隐藏层和输出层的神经元输出的计算公式如下：
，
式中，y为神经元输出；x i 为输入；b为偏置；w i 为神经元之间的连接权重；F为激活函数；k为输入个数。
进一步地，步骤S4中，所述计算误差，公式为：
，
式中，E为输出层单元误差函数；t l 为期望输出；z l 为输出层输出。
进一步地，步骤S6中，所述反向传播，包括以下步骤：
D1、利用误差函数对输出层单元的连接权重和偏置求偏导；
D2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
D3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
，
式中，w k+1 为调整量；w k 为当前的连接权重和偏置；η k 为学习率，ɡ k 为当前函数的梯度。
进一步地，所述异常判断装置中，所述仪表误差为实际仪表数值减去期望仪表数值，当仪表误差大于预设的误差阈值时，判定仪表出现异常。
进一步地，所述校正报警装置中，所述相关特性，配置为实际仪表数值与期望仪表数值之间的相关性系数，当所述相关性系数大于0.9时，确定实际仪表数值与期望仪表数值之间存在相关特性。
进一步地，所述相关性系数，计算公式如下：
，
式中：r ij 表示实际仪表数值x i 与期望仪表数值x j 之间的相关性系数；x ki 表示x i 的第k个样本，x kj 表示x j 的第k个样本，k=1，2，…，n，其中n为样本数；和/>分别表示x i 与x j 的平均值。
进一步地，所述校正报警装置中，所述利用所述相关特性自动校正仪表误差，具体为：
获取多个实际仪表数值和期望仪表数值样本；
拟合实际仪表数值与期望仪表数值之间的线性关系式；
根据所述线性关系式，对实际仪表数值进行调整，使其趋近于期望仪表数值。
第二方面，本发明提供了一种基于智能化管理的仪表系统，应用于上述的一种基于智能化管理的仪表。
本发明的有益效果：
利用历史数据构建智能学习模型，建立设备运行参数与仪表数值之间的联系；将所述智能学习模型应用于设备运行参数的监测中，以获取期望仪表数值；通过比较实际仪表数值与期望仪表数值获得仪表误差；根据判断实际仪表数值与期望仪表数值的相关特性，对仪表作出误差校正或更换报警处理。本发明解决了在仪表不准确时难以判断仪表是否可以校正而频繁停机更换仪表，导致工作生产效率下降的问题，提高了仪表智能化管理的能力。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步地说明。
图1为本发明中一种基于智能化管理的仪表的结构图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
请参阅图1，第一方面，本发明提供了一种基于智能化管理的仪表，包括数据采集装置、分析处理装置、异常判断装置和校正报警装置，其中：
所述数据采集装置，用于采集设备运行参数及其对应的实际仪表数值；
所述分析处理装置，连接数据采集装置，用于将采集的设备运行参数输入预设的智能学习模型中，输出期望仪表数值；
所述异常判断装置，连接分析处理装置，用于比较实际仪表数值与期望仪表数值之间的仪表误差，判断仪表是否出现异常，当仪表出现异常时，生成异常报告传输到所述校正报警装置中；
所述校正报警装置，在接收到所述异常判断装置发送的异常报告后，分析实际仪表数值与期望仪表数值之间的关系，若实际仪表数值与期望仪表数值存在相关特性，则利用所述相关特性自动校正仪表误差；若实际仪表数值与期望仪表数值不存在相关特性，则发起更换仪表报警。
本实施例中，通过历史数据训练智能学习模型，以量化设备运行参数与其对应的仪表数值之间的关系，其中，设备运行参数是决定仪表数值的重要参数，只需将设备运行参数输入训练后的智能学习模型中，即可输出表示仪表正常工作时的期望仪表数值。为了确保能够准确量化设备运行参数与仪表数值之间的关系，所述分析处理装置中，所述预设的智能学习模型，配置为BP人工神经网络。BP人工神经网络是一种多层结构的前馈式神经网络模型，具有出色的预测性能。它通过使用反向传播算法进行训练和优化，能够自动学习输入数据之间的复杂关系，并提供准确的预测结果。BP神经网络具备非线性映射能力，可以捕捉到输入数据中的非线性模式，借助多层结构和适当的激活函数，BP神经网络能够处理高维度的输入数据，并在预测任务中取得卓越的效果。此外，BP神经网络的训练过程可以并行化处理，这使得它能够高效处理大规模数据集和计算密集型任务，提供更快速的预测结果。本实施例构建BP人工神经网络包括以下步骤：
S1、数据收集：收集设备运行参数及其仪表数值的历史数据，作为建模的数据；
S2、确定模型结构：确定神经网络的神经元层数和数量，所述神经元包括输入层、隐藏层和输出层，其中输入层为设备运行参数，输出层为仪表数值；
S3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
S4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
S5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
S6、重复迭代：重复进行步骤S4至步骤S5，直到误差达到预设的误差阈值时停止；
S7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用决定系数评估模型的预测性能。
进一步地，步骤S2中，所述模型结构，所述隐藏层层数为1层，所述输入层和输出层的层数与样本数相同；输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，隐藏层和输出层的神经元输出的计算公式如下：
，
式中，y为神经元输出；x i 为输入；b为偏置；w i 为神经元之间的连接权重；F为激活函数；k为输入个数。
进一步地，步骤S4中，所述计算误差，公式为：
，
式中，E为输出层单元误差函数；t l 为期望输出；z l 为输出层输出。
进一步地，步骤S6中，所述反向传播，包括以下步骤：
D1、利用误差函数对输出层单元的连接权重和偏置求偏导；
D2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
D3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
，
式中，w k+1 为调整量；w k 为当前的连接权重和偏置；η k 为学习率，ɡ k 为当前函数的梯度。
进一步地，所述异常判断装置中，所述仪表误差为实际仪表数值减去期望仪表数值，当仪表误差大于预设的误差阈值时，判定仪表出现异常。
需要注意的是，所述预设的误差阈值，可采用仪表误差占期望仪表数值的百分比表示。
本实施例中，将仪表误差分为两种情况讨论：一种是实际仪表数值与期望仪表数值有相关特征，这种情况产生的仪表误差可基于该相关特征进行校正调整，这个过程减少了仪表的更换频率，提高了工作生产效率；另一种是实际仪表数值与期望仪表数值不存在相关特性，这种情况出现的误差，表示仪表已经损坏不可校正，则可以发起更换报警。在日常工作中，实际仪表数值与期望仪表数值存在相关特性，是由于读取的实际仪表数值与期望仪表数值之间存在稳定的仪表误差导致的，也就是说在量程范围内，实际仪表数值以较为固定的误差值显示期望仪表数值，可得出实际仪表数值与期望仪表数值存在相关性。
进一步地，所述校正报警装置中，所述相关特性，配置为实际仪表数值与期望仪表数值之间的相关性系数，当所述相关性系数大于0.9时，确定实际仪表数值与期望仪表数值之间存在相关特性。
进一步地，所述相关性系数，计算公式如下：
，
式中：r ij 表示实际仪表数值x i 与期望仪表数值x j 之间的相关性系数；x ki 表示x i 的第k个样本，x kj 表示x j 的第k个样本，k=1，2，…，n，其中n为样本数；和/>分别表示x i 与x j 的平均值。
进一步地，所述校正报警装置中，所述利用所述相关特性自动校正仪表误差，具体为：
获取多个实际仪表数值和期望仪表数值样本；
拟合实际仪表数值与期望仪表数值之间的线性关系式；
根据所述线性关系式，对实际仪表数值进行调整，使其趋近于期望仪表数值。
第二方面，本发明提供了一种基于智能化管理的仪表系统，应用于上述的一种基于智能化管理的仪表。
本发明的有益效果：
利用历史数据构建智能学习模型，建立设备运行参数与仪表数值之间的联系；将所述智能学习模型应用于设备运行参数的监测中，以获取期望仪表数值；通过比较实际仪表数值与期望仪表数值获得仪表误差；根据判断实际仪表数值与期望仪表数值的相关特性，对仪表作出误差校正或更换报警处理。本发明解决了在仪表不准确时难以判断仪表是否可以校正而频繁停机更换仪表，导致工作生产效率下降的问题，提高了仪表智能化管理的能力。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于智能化管理的仪表，其特征在于：包括数据采集装置、分析处理装置、异常判断装置和校正报警装置，其中：
所述数据采集装置，用于采集设备运行参数及其对应的实际仪表数值；
所述分析处理装置，连接数据采集装置，用于将采集的设备运行参数输入预设的智能学习模型中，输出期望仪表数值；
所述异常判断装置，连接分析处理装置，用于比较实际仪表数值与期望仪表数值之间的仪表误差，判断仪表是否出现异常，当仪表出现异常时，生成异常报告传输到所述校正报警装置中；
所述校正报警装置，在接收到所述异常判断装置发送的异常报告后，分析实际仪表数值与期望仪表数值之间的关系，若实际仪表数值与期望仪表数值存在相关特性，则利用所述相关特性自动校正仪表误差；若实际仪表数值与期望仪表数值不存在相关特性，则发起更换仪表报警。
2.根据权利要求1所述的一种基于智能化管理的仪表，其特征在于：所述分析处理装置中，所述预设的智能学习模型，配置为BP人工神经网络，包括以下步骤：
S1、数据收集：收集设备运行参数及其仪表数值的历史数据，作为建模的数据；
S2、确定模型结构：确定神经网络的神经元层数和数量，所述神经元包括输入层、隐藏层和输出层，其中输入层为设备运行参数，输出层为仪表数值；
S3、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
S4、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
S5、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
S6、重复迭代：重复进行步骤S4至步骤S5，直到误差达到预设的误差阈值时停止；
S7、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用决定系数评估模型的预测性能。
3.根据权利要求2所述的一种基于智能化管理的仪表，其特征在于：步骤S2中，所述模型结构，所述隐藏层层数为一层，所述输入层和输出层的层数与样本数相同；输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，隐藏层和输出层的神经元输出的计算公式如下：
，
式中，y为神经元输出；x i 为输入；b为偏置；w i 为神经元之间的连接权重；F为激活函数；k为输入个数。
4.根据权利要求2所述的一种基于智能化管理的仪表，其特征在于：步骤S4中，所述计算误差，公式为：
，
式中，E为输出层单元误差函数；t l 为期望输出；z l 为输出层输出。
5.根据权利要求2所述的一种基于智能化管理的仪表，其特征在于：步骤S6中，所述反向传播，包括以下步骤：
D1、利用误差函数对输出层单元的连接权重和偏置求偏导；
D2、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
D3、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
，
式中，w k+1 为调整量；w k 为当前的连接权重和偏置；η k 为学习率，ɡ k 为当前函数的梯度。
6.根据权利要求1所述的一种基于智能化管理的仪表，其特征在于：所述异常判断装置中，所述仪表误差为实际仪表数值减去期望仪表数值，当仪表误差大于预设的误差阈值时，判定仪表出现异常。
7.根据权利要求1所述的一种基于智能化管理的仪表，其特征在于：所述校正报警装置中，所述相关特性，配置为实际仪表数值与期望仪表数值之间的相关性系数，当所述相关性系数大于0.9时，确定实际仪表数值与期望仪表数值之间存在相关特性。
8.根据权利要求7所述的一种基于智能化管理的仪表，其特征在于：所述相关性系数，计算公式如下：
，
式中：r ij 表示实际仪表数值x i 与期望仪表数值x j 之间的相关性系数；x ki 表示x i 的第k个样本，x kj 表示x j 的第k个样本，k=1，2，…，n，其中n为样本数；和/>分别表示x i 与x j 的平均值。
9.根据权利要求1所述的一种基于智能化管理的仪表，其特征在于：所述校正报警装置中，所述利用所述相关特性自动校正仪表误差，具体为：
获取多个实际仪表数值和期望仪表数值样本；
拟合实际仪表数值与期望仪表数值之间的线性关系式；
根据所述线性关系式，对实际仪表数值进行调整，使其趋近于期望仪表数值。
10.一种基于智能化管理的仪表系统，其特征在于：应用于如权利要求1-9任一项所述的一种基于智能化管理的仪表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042083.4A CN117553840A (zh) | 2024-01-11 | 2024-01-11 | 一种基于智能化管理的仪表及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410042083.4A CN117553840A (zh) | 2024-01-11 | 2024-01-11 | 一种基于智能化管理的仪表及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117553840A true CN117553840A (zh) | 2024-02-13 |
Family
ID=89811483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410042083.4A Pending CN117553840A (zh) | 2024-01-11 | 2024-01-11 | 一种基于智能化管理的仪表及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117553840A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130729A (zh) * | 2024-05-10 | 2024-06-04 | 安徽建工生态科技股份有限公司 | 基于cems的碳排放监测系统及方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050203360A1 (en) * | 2003-12-09 | 2005-09-15 | Brauker James H. | Signal processing for continuous analyte sensor |
| CN101799463A (zh) * | 2010-01-28 | 2010-08-11 | 无锡职业技术学院 | 瓦斯传感器故障智能诊断装置 |
| CN105628976A (zh) * | 2015-12-30 | 2016-06-01 | 中国科学院地质与地球物理研究所 | Mems加速度传感器性能参数标定方法、处理器及系统 |
| CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
| JP2018125979A (ja) * | 2017-02-01 | 2018-08-09 | 株式会社デンソー | センサの異常診断装置 |
| CN108541363A (zh) * | 2015-12-26 | 2018-09-14 | 英特尔公司 | 用于管理传感器异常的技术 |
| CN110501094A (zh) * | 2019-09-05 | 2019-11-26 | 珠海格力电器股份有限公司 | 电器温度传感器的故障检测校准方法、空调器及计算机可读存储介质 |
| CN110705186A (zh) * | 2019-10-01 | 2020-01-17 | 深圳市行健自动化股份有限公司 | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 |
| CN115221017A (zh) * | 2022-08-19 | 2022-10-21 | 山东云海国创云计算装备产业创新中心有限公司 | 服务器温度传感器自检的方法、系统、设备及存储介质 |
| CN115326242A (zh) * | 2022-09-13 | 2022-11-11 | 国网浙江省电力有限公司嘉兴供电公司 | 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 |
| CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
| CN115843041A (zh) * | 2021-09-16 | 2023-03-24 | 中移系统集成有限公司 | 一种传感器网络多维数据漂移盲校准方法及装置 |
| CN115931030A (zh) * | 2021-08-19 | 2023-04-07 | 福特全球技术公司 | 车辆光学传感器运动校正 |
| CN116327275A (zh) * | 2023-03-30 | 2023-06-27 | 新光维医疗科技(苏州)股份有限公司 | 气体输送系统及其数据处理方法 |
| CN116579768A (zh) * | 2023-07-12 | 2023-08-11 | 南京华天科技发展股份有限公司 | 一种发电厂在线仪表运维管理方法及系统 |
| CN117290795A (zh) * | 2023-08-18 | 2023-12-26 | 东方电气集团东方汽轮机有限公司 | 一种适用于单个仪表测量结果异常值的在线识别方法 |
-
2024
- 2024-01-11 CN CN202410042083.4A patent/CN117553840A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050203360A1 (en) * | 2003-12-09 | 2005-09-15 | Brauker James H. | Signal processing for continuous analyte sensor |
| CN101799463A (zh) * | 2010-01-28 | 2010-08-11 | 无锡职业技术学院 | 瓦斯传感器故障智能诊断装置 |
| CN108541363A (zh) * | 2015-12-26 | 2018-09-14 | 英特尔公司 | 用于管理传感器异常的技术 |
| CN105628976A (zh) * | 2015-12-30 | 2016-06-01 | 中国科学院地质与地球物理研究所 | Mems加速度传感器性能参数标定方法、处理器及系统 |
| CN106640548A (zh) * | 2016-12-19 | 2017-05-10 | 北京金风科创风电设备有限公司 | 用于风力发电机组的状态监测方法和装置 |
| JP2018125979A (ja) * | 2017-02-01 | 2018-08-09 | 株式会社デンソー | センサの異常診断装置 |
| CN110501094A (zh) * | 2019-09-05 | 2019-11-26 | 珠海格力电器股份有限公司 | 电器温度传感器的故障检测校准方法、空调器及计算机可读存储介质 |
| CN110705186A (zh) * | 2019-10-01 | 2020-01-17 | 深圳市行健自动化股份有限公司 | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 |
| CN115457756A (zh) * | 2021-06-09 | 2022-12-09 | 中移系统集成有限公司 | 传感器校准的方法及装置 |
| CN115931030A (zh) * | 2021-08-19 | 2023-04-07 | 福特全球技术公司 | 车辆光学传感器运动校正 |
| CN115843041A (zh) * | 2021-09-16 | 2023-03-24 | 中移系统集成有限公司 | 一种传感器网络多维数据漂移盲校准方法及装置 |
| CN115221017A (zh) * | 2022-08-19 | 2022-10-21 | 山东云海国创云计算装备产业创新中心有限公司 | 服务器温度传感器自检的方法、系统、设备及存储介质 |
| CN115326242A (zh) * | 2022-09-13 | 2022-11-11 | 国网浙江省电力有限公司嘉兴供电公司 | 输电线路状态监测传感器的在线性能评估与故障诊断方法及系统 |
| CN116327275A (zh) * | 2023-03-30 | 2023-06-27 | 新光维医疗科技(苏州)股份有限公司 | 气体输送系统及其数据处理方法 |
| CN116579768A (zh) * | 2023-07-12 | 2023-08-11 | 南京华天科技发展股份有限公司 | 一种发电厂在线仪表运维管理方法及系统 |
| CN117290795A (zh) * | 2023-08-18 | 2023-12-26 | 东方电气集团东方汽轮机有限公司 | 一种适用于单个仪表测量结果异常值的在线识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118130729A (zh) * | 2024-05-10 | 2024-06-04 | 安徽建工生态科技股份有限公司 | 基于cems的碳排放监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
| CN117553840A (zh) | 一种基于智能化管理的仪表及其系统 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
| CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN117783658B (zh) | 一种电力设备的电流数字测量方法 | |
| CN108921305B (zh) | 一种部件生命期监测方法 | |
| CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117277435A (zh) | 一种光伏逆变器的健康评估方法、系统及装置 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
| CN117540225B (zh) | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 | |
| CN112801426B (zh) | 一种基于关联参数挖掘的工业过程故障融合预测方法 | |
| CN117708707A (zh) | 大数据下台区线损率异常智能预警方法和系统 | |
| CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
| CN114202141A (zh) | 一种基于边云协同的计量设备检定线运行状态评估方法 | |
| CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 | |
| CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
| CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
| CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
| CN111966966B (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 |
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 |