CN117870993A - 基于多传感器的转轮除湿机回风泄漏检测方法及系统 - Google Patents
基于多传感器的转轮除湿机回风泄漏检测方法及系统 Download PDFInfo
- Publication number
- CN117870993A CN117870993A CN202410275062.7A CN202410275062A CN117870993A CN 117870993 A CN117870993 A CN 117870993A CN 202410275062 A CN202410275062 A CN 202410275062A CN 117870993 A CN117870993 A CN 117870993A
- Authority
- CN
- China
- Prior art keywords
- gas flow
- imf component
- return air
- component signal
- sequence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 51
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- KWGKDLIKAYFUFQ-UHFFFAOYSA-M lithium chloride Chemical compound [Li+].[Cl-] KWGKDLIKAYFUFQ-UHFFFAOYSA-M 0.000 description 2
- 239000000741 silica gel Substances 0.000 description 2
- 229910002027 silica gel Inorganic materials 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及转轮除湿检测技术领域,具体涉及基于多传感器的转轮除湿机回风泄漏检测方法及系统,该方法包括:获取气体流量传感器的原始气体流量数据;采用EMD算法进行分解获取IMF分量信号;获取IMF分量信号的一阶差分序列、一阶绝对值差分序列、二阶绝对值差分序列;对这三个序列的数据进行分析,构建IMF分量信号的陡峭幅度以及疑似噪声分数;获取疑似噪声分数的距离密度值;采用聚类算法对IMF分量信号的疑似噪声分数进行聚类;根据获取气体流量传感器的气体流量信号序列;构建回风管道位置的泄漏率;完成对转轮除湿机的回风泄漏检测。本发明通过对初始聚类中心的选取提高聚类算法的精确度,进一步提升回风泄漏检测的精度。
Description
技术领域
本发明涉及转轮除湿检测技术领域,具体涉及基于多传感器的转轮除湿机回风泄漏检测方法及系统。
背景技术
转轮除湿机的原理是利用硅胶或者氯化理等材料制造出具有小蜂窝状通道的转轮,当空气穿过转轮时,水分被吸附在硅胶或氯化锂上,使得潮空气变成干空气,实现空气除湿的目的。转轮除湿机的工作主要分两部分,一是室内空气通过转轮降低湿度生成回风,二是利用室外空气利用高温将转轮上的水分带走。回风的程度决定着室内空气的湿度。
如果转轮除湿机回风存在泄漏问题,会导致除湿机无法正常工作,从而无法有效控制生产环境的湿度。如果环境湿度无法得到适当的控制,可能会造成产品变质、霉菌滋生、电子元器件损坏等问题,进而影响产品的质量和可靠性。
当管道在运作过程中发生泄漏时,会受管内介质、外界环境、设备操作等差异的影响,使传感器采集到的管道信号包含大量噪声,其重要特征信息往往会被噪声所掩埋,从而会严重影响对管道工况的识别,因此对管道信号分解非常重要,通过对信号的分解将噪声信号剔除出去,留下真实的信号数据。经验模态分解EMD算法是一种常用信号分解算法,但由于分解IMF选择决定着EMD算法的精确度。原始的K-means聚类算法,初始聚类中心的选取决定着K-means聚类算法的精确度,因此,本发明基于改进的K-means算法对IMF分量信号进行选择。
发明内容
为了解决上述技术问题,本发明的目的在于提供基于多传感器的转轮除湿机回风泄漏检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明实施例提供了基于多传感器的转轮除湿机回风泄漏检测方法,该方法包括以下步骤:
获取气体流量传感器的原始气体流量数据;采用EMD算法对原始气体流量数据进行分解获取气体流量传感器的各IMF分量信号;
根据气体流量传感器的各IMF分量信号的数据差异获取各IMF分量信号的一阶差分序列、一阶绝对值差分序列、二阶绝对值差分序列;根据各IMF分量信号的一阶绝对值差分序列以及二阶绝对值差分序列获取各IMF分量信号的陡峭幅度;根据各IMF分量信号的一阶差分序列获取各IMF分量信号的极值二元组集合;根据各IMF分量信号的极值二元组集合结合陡峭幅度获取各IMF分量信号的疑似噪声分数;根据各IMF分量信号的疑似噪声分数的数据分布获取各疑似噪声分数的距离密度值;根据各疑似噪声分数的距离密度值采用聚类算法对各IMF分量的疑似噪声分数进行聚类;根据各IMF分量信号的疑似噪声分数的聚类结果获取各气体流量传感器的气体流量信号序列;
根据各气体流量传感器的位置以及气体流量序列的元素差异获取各回风管道位置的泄漏率;根据各处回风管道位置的泄漏率完成对转轮除湿机的回风泄漏检测。
优选的,所述根据各IMF分量信号的一阶绝对值差分序列以及二阶绝对值差分序列获取各IMF分量信号的陡峭幅度,包括:
获取各IMF分量信号一阶绝对值差分序列的元素均值;
对于IMF分量信号的二阶绝对值差分序列的各元素,将各元素以及各元素前后相邻的元素作为各元素的邻域窗口;获取各元素邻域窗口的数据均值;将各元素与对应邻域窗口所述数据均值的差值作为以自然常数为底数的指数函数的指数;计算各元素与所述指数函数的乘积;
计算IMF分量信号的二阶绝对值差分序列的所有元素所述乘积的和值;将各IMF分量信号的所述元素均值与所述和值的乘积作为IMF分量信号的陡峭幅度。
优选的,所述根据各IMF分量信号的一阶差分序列获取各IMF分量信号的极值二元组集合,具体为:
通过一阶差分序列获取各IMF分量信号的极值,将极值以及其在所有极值中的序号作为各极值的二元组;将各IMF分量所有极值的二元组作为各IMF分量信号的极值二元组集合。
优选的,所述根据各IMF分量信号的极值二元组集合结合陡峭幅度获取各IMF分量信号的疑似噪声分数,具体表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数;/>表示第i个IMF分量信号的极值二元组集合的元素数量;/>表示第i个IMF分量信号的陡峭幅度;/>、/>表示第i个IMF分量信号的 第I个、第I+1个二元组中的第一个元素;/>、/>表示第i个IMF分量信号的第I个、第I+1个二元组中的第二个元素。
优选的,所述根据各IMF分量信号的疑似噪声分数的数据分布获取各疑似噪声分数的距离密度值,具体表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数的距离密度值;/>表示EMD算法分解IMF分量信号的数量;/>表示密度判别因子;/>表示第i个IMF分量信号的疑似噪声分数,/>表示第j个IMF分量信号的疑似噪声分数;/>表示取绝对值函数。
优选的,所述根据各疑似噪声分数的距离密度值采用聚类算法对各IMF分量的疑似噪声分数进行聚类,具体包括:
选取两个距离密度值最大和第二大的疑似噪声分数作为初始聚类中心,将各IMF分量信号的疑似噪声分数作为K-means算法的输入,K-means算法的输出为两个聚类簇。
优选的,所述根据各IMF分量信号的疑似噪声分数的聚类结果获取各气体流量传感器的真实气体流量信号序列,具体包括:
获取两个聚类簇的元素平均值;将元素平均值最小的聚类簇中的疑似噪声分数与其对应的IMF分量信号进行线性累加,将线性累加的结果作为各气体流量传感器的真实气体流量序列。
优选的,所述根据各气体流量传感器的位置以及真实气体流量序列的元素差异获取各回风管道位置的泄漏率,具体步骤包括:
对于相邻两个气体流量传感器;
将前一气体流量传感器的气体流量信号序列作为前气体信号序列;计算前气体流量信号序列的元素和值;
当后一气体流量传感器位于回风主管道时,将后一气体流量传感器的气体流量信号序列作为后气体流量信号序列;
当后一气体流量传感器位于回风管道分叉处时,沿回风流动方向将距离后一气体流量传感器距离最近处于回风主管道的气体流量传感器保存为后二气体流量传感器,将后一、后二气体流量传感器的气体流量信号序列对应位置元素相加组成的序列作为后气体流量信号序列;
计算前气体信号序列与后气体流量信号序列所有对应元素之间的差值绝对值的和值;将所述和值与所述元素和值的比值的百分数作为对应回风管道位置的泄漏率。
优选的,所述根据各处回风管道位置的泄漏率完成对转轮除湿机的回风泄漏检测,具体为:
设置阈值;当回风管道位置的泄漏率大于阈值,则该处回风管道位置发生泄漏;当回风管道位置的泄漏率小于等于阈值,则该处回风管道位置不发生泄漏。
第二方面,本发明实施例还提供了基于多传感器的转轮除湿机回风泄漏检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果:
本发明通过分量信号的一阶绝对值差分序列以及二阶绝对值差分序列计算分量信号的陡峭幅度,可以体现分量信号的变化幅度;通过一阶差分序列获取分量信号的极值数量,陡峭幅度,以及相邻极值之间的平均变化幅度计算分量信号的疑似噪声分数,改进了数据特征的提取,提高数据质量和可用性,表征分量信号是噪声信号形成的可能性。通过疑似噪声分数之间的距离计算距离密度值,代表数据的密度,选取数据密度大的点作为种子点,提高K-means聚类算法的精确度,提高回风泄露判断的准确率。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的基于多传感器的转轮除湿机回风泄漏检测方法的步骤流程图;
图2为空气流量传感器示意图;
图3为泄漏率的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成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,对依据本发明提出的基于多传感器的转轮除湿机回风泄漏检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于多传感器的转轮除湿机回风泄漏检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于多传感器的转轮除湿机回风泄漏检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取转轮除湿机在运行时回风管道的数据,并对数据进行预处理。
在转轮除湿器的回风管道按照回风流动方向安装多个气体流量传感器,其传感器1、传感器2、传感器3以及传感器4的安装方式如图2所示。启动转轮除湿器,获取在运行稳定状态下在除湿过程中气体流量传感器的数据,稳定状态一般为除湿器开机后持续运行时间T后,T取预设经验值为5min,在具体应用中,实施者可根据具体情况进行设置。气体流量传感器每秒钟采集一次数据,采集的总时长为T1,取预设经验值为5min。在具体应用中,实施者可根据具体情况进行设置。
将每个气体流量传感器的同一时刻获取的数据保存为原始气体流量数据,表示第x个气体流量传感器的原始气体流量数据。将各气体流量传感器的原始气体流量数据作为EMD算法的输入,每一个气体流量传感器会得到M个IMF分量信号,M取经验值10,在具体应用中,实施者可根据具体情况进行设置,进一步需要说明的是,EMD算法为现有公知技术,本实施例中不再赘述。
至此,获取各气体流量传感器的原始气体流量数据以及对应的IMF分量信号。
步骤S002:获取IMF分量信号的一阶差分序列、一阶绝对值差分序列、二阶差分序列、二阶绝对值差分序列,通过四个序列计算分量信号的陡峭幅度;通过分量信号的极值数量,陡峭幅度,以及相邻极值之间的平均变化幅度计算分量信号的疑似噪声分数。通过疑似噪声分数之间的距离计算距离密度值。
由于在IMF分量信号中低频部分代表着真实的信号,高频部分代表噪声信号。可以通过IMF分量信号中相邻信号的变化幅度判断此分量信号是否为转轮除湿机管道气体流量的真实信号。
当转轮除湿机发生回风泄漏时,由于泄漏的气体会产生一些声音,声音波动会引起气体流动中的压力变化,可能会对传感器的获取的数据产生一些噪声影响。由于噪声会使得气体流量信号数据产生较大的幅度变化,而一阶差分序列与二阶差分序列可以表现信号在单位时间内信号的变化幅度。
因此,针对各气体流量传感器分解后的分量信号进行分析,本实施例将一个气体流量传感器分解后的第i个IMF分量信号保存为。通过一阶差分法获取第i个IMF分量信号的一阶差分序列/>,获取一阶绝对值差分序列/>,即对数据一阶差分序列中的元素求绝对值。通过二阶差分法获取第i个IMF分量信号的二阶差分序列/>,二阶绝对值差分序列/>,即对数据二阶差分序列中的元素求绝对值。由于一阶差分法与二阶差分法为公知技术,因此具体计算过程,本实施例中不再赘述。
通过第i个IMF分量信号一阶绝对值差分序列以及二阶绝对值差分序列计算第i个IMF分量信号的陡峭幅度,表达式为:
式中,表示第i个IMF分量信号的陡峭幅度;/>表示第i个IMF分量信号一阶绝对值差分序列/>的均值;/>表示EMD算法分解的IMF分量信号的数量;/>表示第i个二阶绝对值差分序列/>中第j个数据;/>表示以自然常数为底数的指数函数;/>表示以第i个二阶绝对值差分序列/>中第j个信号数据邻域窗口内的数据均值。其中,本实施例设置的邻域窗口大小为3,即包含各数据本身以及与之前后相邻的数据;实施者可自行调整,进一步需要说明的是,当数据处于序列边界时,邻域窗口内数据不足3个时,就按照邻域窗口内的数据个数进行均值的计算。
当IMF分量信号中信号的变化幅度越大,IMF分量信号得到一阶绝对值差分序列元素的值越大,一阶绝对值差分序列中元素的平均值的值越大,使得IMF分量信号的陡峭幅度的值越大;当IMF分量信号中信号的变化幅度越混乱,使得IMF分量信号得到二阶绝对值差分序列中元素的值越混乱,使得二阶绝对值差分序列中元素与其邻域元素的均值的差异越大,使得IMF分量信号的陡峭幅度的值越大。当IMF分量信号的陡峭幅度的值越大代表IMF分量信号越有可能是噪声数据形成的。
转轮除湿机发生回风泄漏时,使得气体流量传感器获取的数据有一定的噪声影响,噪声会使得气体流量传感器获取的信号产生较多波动,使得信号中的波峰与波谷的数量增加。IMF分量信号中的极值数量,代表着波峰与波谷的数量,也决定着信号波动次数,极值的数量越大代表波动的次数越大,代表这个IMF分量信号越有可能是噪声信号形成的,极值之间的单位幅度也体现着这个IMF分量信号变化的情况,单位幅度越大,代表这个IMF分量信号越有可能是有噪声数据形成的。
采用一阶差分序列,获取IMF分量信号的极值,记录极值的大小以及在IMF分量信号中对应的排列数,通过极值的大小以及排列数构建二元组。通过每一个极值的二元组构建极值二元组集合,记为。若第一个值与最后一个值不是极值,则将第一个值与最后一个值加入到极值二元组集合,将第i个IMF分量信号的极值二元组集合的元素数量保存为/>,其中,极值二元组的排序方式为极值在第i个IMF分量信号的坐标从小到大排列。由于一阶差分序列计算极值的方法为公知技术,具体过程在此不再赘述。
通过极值二元组集合获取第i个IMF分量信号的疑似噪声分数,表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数;/>表示第i个IMF分量信号的极值二元组集合的元素数量;/>表示第i个IMF分量信号的陡峭幅度;/>、/>表示第i个IMF分量信号的第I个、第I+1个二元组中的第一个元素;/>、/>表示第i个IMF分量信号的第I个、第I+1个二元组中的第二个元素。将/>保存为相邻极值点之间的平均变化幅度。
当IMF分量信号中信号相同时刻变化的幅度越大,则IMF分量信号的陡峭幅度的值越大,IMF分量信号中的极值数量越大,在相邻极值点的之间的平均变化幅度的值越大,代表这个IMF分量信号越有可能是有噪声信号形成的。
EMD算法对于选择的计算的真实信号的IMF分量信号决定着EMD算法的精确度,只能体现IMF分量信号对于噪声的得分并不能直接用于判断这个IMF分量信号是否有噪声产生,需要对IMF分量信号进行分类将其为噪声数据类,以及真实数据类。
通过上述分析,计算第i个IMF分量信号的疑似噪声分数的距离密度值,表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数的距离密度值;/>表示EMD算法分解IMF分量信号的数量;/>表示密度判别因子;/>表示第i个IMF分量信号的疑似噪声分数,/>表示第j个IMF分量信号的疑似噪声分数;/>表示取绝对值函数。
当IMF分量信号的疑似噪声分数是离群点的可能性越大,则分量信号的疑似噪声分数距离其他分量信号的疑似噪声分数距离越大,减去距离均值后就越有可能大于0。
选择距离密度值最大的两个疑似噪声分数作为K-means聚类算法的初始聚类中心,将各气体流量传感器IMF分量信号的疑似噪声分数作为输入,使用K-means聚类算法,输出结果为两个聚类簇。需要说明的是,K-means聚类算法为现有公知技术,本实施例中不再赘述。
步骤S003:获取真实气体流量信号,并检测转轮除湿机是否发生回风泄漏。
对于上述步骤获取的两个聚类簇,选取簇中元素平均值小的簇,将簇中疑似噪声分数对应的分量信号进行线性累加,得到的结果为真实的回风管道的获取的气体流量信号序列。
通过上述计算步骤获取每一个气体流量传感器的真实气体流量信号序列。对于回风管道的泄漏进行如下分析:
计算管道回风的泄漏率:
式中,表示回风管道泄漏率,/>表示EMD算法分解IMF分量信号的数量;表示取绝对值函数;/>表示前气体流量信号序列第k个信号;/>表示后气体流量信号序列第k个信号。其中,泄漏率的获取流程如图3所示。
需要说明的是,后气体流量信号序列需要考虑回风管道是否存在气体分流的情况:若检测的回风管道处,有分叉管道,如图2所示,传感器1位于回风主管道处,将传感器1的气体流量信号序列保存为前气体流量信号序列,而与传感器1相邻的传感器3位于回风管道的分叉处,说明回风时,气体产生了分流,一部分流向传感器3,一部分流向传感器2,故将传感器2和传感器3的气体流量信号序列对应元素进行相加获得新序列,保存为后气体流量信号序列,进行上述泄露率的计算;若检测的回风管道处,无分叉管道,如图2所示,传感器2与传感器4都处于回风主管道并且相邻,故将传感器2的气体流量信号序列作为前气体信号序列,将传感器4的气体流量信号序列作为后气体流量信号序列,进行上述气体泄漏率的计算。
如果回风管道位置的泄漏率大于阈值T,取经验值2%,实施者可根据实际情况自行调整,证明气体流量传感器对应的回风管道位置发生回风泄漏,反之,不发生泄漏。通过上述判断过程计算转轮除湿机回风管道每一个分叉口与管道的泄漏情况,实现对转轮除湿机回风泄漏的检测。
基于与上述方法相同的发明构思,本发明实施例还提供了基于多传感器的转轮除湿机回风泄漏检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于多传感器的转轮除湿机回风泄漏检测方法中任意一项所述方法的步骤。
综上所述,本发明实施例通过分量信号的一阶绝对值差分序列以及二阶绝对值差分序列计算分量信号的陡峭幅度,可以体现分量信号的变化幅度;通过一阶差分序列获取分量信号的极值数量,陡峭幅度,以及相邻极值之间的平均变化幅度计算分量信号的疑似噪声分数,改进了数据特征的提取,提高数据质量和可用性,表征分量信号是噪声信号形成的可能性。通过疑似噪声分数之间的距离计算距离密度值,代表数据的密度,选取数据密度大的点作为种子点,提高K-means聚类算法的精确度,提高回风泄露判断的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,该方法包括以下步骤:
获取气体流量传感器的原始气体流量数据;采用EMD算法对原始气体流量数据进行分解获取气体流量传感器的各IMF分量信号;
根据气体流量传感器的各IMF分量信号的数据差异获取各IMF分量信号的一阶差分序列、一阶绝对值差分序列、二阶绝对值差分序列;根据各IMF分量信号的一阶绝对值差分序列以及二阶绝对值差分序列获取各IMF分量信号的陡峭幅度;根据各IMF分量信号的一阶差分序列获取各IMF分量信号的极值二元组集合;根据各IMF分量信号的极值二元组集合结合陡峭幅度获取各IMF分量信号的疑似噪声分数;根据各IMF分量信号的疑似噪声分数的数据分布获取各疑似噪声分数的距离密度值;根据各疑似噪声分数的距离密度值采用聚类算法对各IMF分量的疑似噪声分数进行聚类;根据各IMF分量信号的疑似噪声分数的聚类结果获取各气体流量传感器的气体流量信号序列;
根据各气体流量传感器的位置以及气体流量序列的元素差异获取各回风管道位置的泄漏率;根据各处回风管道位置的泄漏率完成对转轮除湿机的回风泄漏检测。
2.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各IMF分量信号的一阶绝对值差分序列以及二阶绝对值差分序列获取各IMF分量信号的陡峭幅度,包括:
获取各IMF分量信号一阶绝对值差分序列的元素均值;
对于IMF分量信号的二阶绝对值差分序列的各元素,将各元素以及各元素前后相邻的元素作为各元素的邻域窗口;获取各元素邻域窗口的数据均值;将各元素与对应邻域窗口所述数据均值的差值作为以自然常数为底数的指数函数的指数;计算各元素与所述指数函数的乘积;
计算IMF分量信号的二阶绝对值差分序列的所有元素所述乘积的和值;将各IMF分量信号的所述元素均值与所述和值的乘积作为IMF分量信号的陡峭幅度。
3.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各IMF分量信号的一阶差分序列获取各IMF分量信号的极值二元组集合,具体为:
通过一阶差分序列获取各IMF分量信号的极值,将极值以及其在所有极值中的序号作为各极值的二元组;将各IMF分量所有极值的二元组作为各IMF分量信号的极值二元组集合。
4.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各IMF分量信号的极值二元组集合结合陡峭幅度获取各IMF分量信号的疑似噪声分数,具体表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数;/>表示第i个IMF分量信号的极值二元组集合的元素数量;/>表示第i个IMF分量信号的陡峭幅度;/>、/>表示第i个IMF分量信号的 第I个、第I+1个二元组中的第一个元素;/>、/>表示第i个IMF分量信号的第I个、第I+1个二元组中的第二个元素。
5.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各IMF分量信号的疑似噪声分数的数据分布获取各疑似噪声分数的距离密度值,具体表达式为:
式中,表示第i个IMF分量信号的疑似噪声分数的距离密度值;/>表示EMD算法分解IMF分量信号的数量;/>表示密度判别因子;/>表示第i个IMF分量信号的疑似噪声分数,/>表示第j个IMF分量信号的疑似噪声分数;/>表示取绝对值函数。
6.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各疑似噪声分数的距离密度值采用聚类算法对各IMF分量的疑似噪声分数进行聚类,具体包括:
选取两个距离密度值最大和第二大的疑似噪声分数作为初始聚类中心,将各IMF分量信号的疑似噪声分数作为K-means算法的输入,K-means算法的输出为两个聚类簇。
7.如权利要求6所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各IMF分量信号的疑似噪声分数的聚类结果获取各气体流量传感器的真实气体流量信号序列,具体包括:
获取两个聚类簇的元素平均值;将元素平均值最小的聚类簇中的疑似噪声分数与其对应的IMF分量信号进行线性累加,将线性累加的结果作为各气体流量传感器的真实气体流量序列。
8.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各气体流量传感器的位置以及真实气体流量序列的元素差异获取各回风管道位置的泄漏率,具体步骤包括:
对于相邻两个气体流量传感器;
将前一气体流量传感器的气体流量信号序列作为前气体信号序列;计算前气体流量信号序列的元素和值;
当后一气体流量传感器位于回风主管道时,将后一气体流量传感器的气体流量信号序列作为后气体流量信号序列;
当后一气体流量传感器位于回风管道分叉处时,沿回风流动方向将距离后一气体流量传感器距离最近处于回风主管道的气体流量传感器保存为后二气体流量传感器,将后一、后二气体流量传感器的气体流量信号序列对应位置元素相加组成的序列作为后气体流量信号序列;
计算前气体信号序列与后气体流量信号序列所有对应元素之间的差值绝对值的和值;将所述和值与所述元素和值的比值的百分数作为对应回风管道位置的泄漏率。
9.如权利要求1所述的基于多传感器的转轮除湿机回风泄漏检测方法,其特征在于,所述根据各处回风管道位置的泄漏率完成对转轮除湿机的回风泄漏检测,具体为:
设置阈值;当回风管道位置的泄漏率大于阈值,则该处回风管道位置发生泄漏;当回风管道位置的泄漏率小于等于阈值,则该处回风管道位置不发生泄漏。
10.基于多传感器的转轮除湿机回风泄漏检测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275062.7A CN117870993B (zh) | 2024-03-12 | 2024-03-12 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275062.7A CN117870993B (zh) | 2024-03-12 | 2024-03-12 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117870993A true CN117870993A (zh) | 2024-04-12 |
CN117870993B CN117870993B (zh) | 2024-05-24 |
Family
ID=90595109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275062.7A Active CN117870993B (zh) | 2024-03-12 | 2024-03-12 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117870993B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682680A (zh) * | 2016-07-15 | 2017-05-17 | 浙江工业大学 | 一种基于快速聚类的混合检测器生成方法 |
CN109506135A (zh) * | 2018-11-06 | 2019-03-22 | 三川智慧科技股份有限公司 | 管道泄漏点定位方法及装置 |
CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
CN110096956A (zh) * | 2019-03-25 | 2019-08-06 | 中国地质大学(武汉) | 基于eemd和排列熵二阶差分的信号去噪方法及装置 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN115978662A (zh) * | 2017-04-10 | 2023-04-18 | 上海云懋空气处理设备有限公司 | 一种基于转轮除湿机的回风泄漏检测系统及方法 |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
CN117390380A (zh) * | 2023-12-12 | 2024-01-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离系统中的数据分析方法 |
-
2024
- 2024-03-12 CN CN202410275062.7A patent/CN117870993B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682680A (zh) * | 2016-07-15 | 2017-05-17 | 浙江工业大学 | 一种基于快速聚类的混合检测器生成方法 |
CN115978662A (zh) * | 2017-04-10 | 2023-04-18 | 上海云懋空气处理设备有限公司 | 一种基于转轮除湿机的回风泄漏检测系统及方法 |
CN109506135A (zh) * | 2018-11-06 | 2019-03-22 | 三川智慧科技股份有限公司 | 管道泄漏点定位方法及装置 |
CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
CN110096956A (zh) * | 2019-03-25 | 2019-08-06 | 中国地质大学(武汉) | 基于eemd和排列熵二阶差分的信号去噪方法及装置 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
US20210350050A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University | Method and system for predicting gas content in transformer oil based on joint model |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
CN117390380A (zh) * | 2023-12-12 | 2024-01-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离系统中的数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117870993B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001128A (zh) | 一种基于深度学习的轴流压气机失速喘振预测方法 | |
CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
CN111723925B (zh) | 一种在途智能列车空调机组故障诊断方法、装置、设备及介质 | |
CN117167903B (zh) | 基于人工智能的暖通设备异物故障检测方法 | |
CN116756493B (zh) | 一种安消防集指平台数据管理方法 | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN114861729A (zh) | 无线传感器网络中时间序列异常的检测方法及装置 | |
CN117870993B (zh) | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 | |
CN117454255B (zh) | 一种智慧建筑能耗数据优化存储方法 | |
CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN114186337A (zh) | 一种基于多源数据融合的压气机旋转失速预测方法 | |
CN117313020A (zh) | 一种承载式张力传感器数据处理方法 | |
Zhang et al. | The method for determining optimal analysis length of vibration data based on improved multiscale permutation entropy | |
CN114548555B (zh) | 一种深度自回归网络的轴流压气机失速喘振预测方法 | |
CN116777109A (zh) | 风力发电机组设备状态评估方法及系统 | |
CN114065335A (zh) | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 | |
CN113465930B (zh) | 基于混合方法的燃气轮机多传感器故障检测方法 | |
Bones et al. | Clustering multivariate data streams by correlating attributes using fractal dimension | |
CN115508511B (zh) | 基于网格化设备全参数特征分析的传感器自适应校准方法 | |
CN112633558A (zh) | 一种风机叶片结冰状态检测方法、装置及可读存储介质 | |
CN117633700A (zh) | 一种基于多传感器多级信息融合的叶片裂纹检测方法 | |
CN117786371B (zh) | 一种温度监测数据优化预测分析方法及系统 | |
CN114994357A (zh) | 一种基于改进的小波阈值滤波的声波信号处理方法 | |
US20230342424A1 (en) | Method and apparatus for machine learning based inlet debris monitoring |
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 |