CN117889943B - 基于机器学习的气体超声波流量计检验方法及系统 - Google Patents
基于机器学习的气体超声波流量计检验方法及系统 Download PDFInfo
- Publication number
- CN117889943B CN117889943B CN202410283756.5A CN202410283756A CN117889943B CN 117889943 B CN117889943 B CN 117889943B CN 202410283756 A CN202410283756 A CN 202410283756A CN 117889943 B CN117889943 B CN 117889943B
- Authority
- CN
- China
- Prior art keywords
- gas
- inspection
- amplitude
- data
- pipeline
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 96
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 12
- 239000012535 impurity Substances 0.000 claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 20
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 8
- 238000005259 measurement Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了基于机器学习的气体超声波流量计检验方法及系统,涉及气体超声波流量计的技术领域,通过初步检验模块,系统能够预先选择基准气体,监测其已知数据,并根据测量结果判断气体超声波流量计是否正常,这有助于提高测量的准确性和可靠性;测试模块能够观测一号振幅差Fc1并判断传感器是否存在故障,在发现一号振幅差Fc1不为零时,系统能够快速锁定超声波传感器的故障,有助于及时确定故障存在的位置;数据采集模块通过摄像头和自检程序实时监测管道内外的环境和杂质数据,建立完整的检验数据集,为后续分析提供充足的信息;检验分析模块利用机器学习技术提取特征,并通过多个参数关联性的建模,获取检验评估指数Jpzs。
Description
技术领域
本发明涉及气体超声波流量计的技术领域,具体为基于机器学习的气体超声波流量计检验方法及系统。
背景技术
在工业自动化和流体控制领域,气体超声波流量计是一种关键的测量设备,广泛应用于监测气体流动情况以及实现流量控制,这主要是利用超声波的传播时间来推断气体流速和流量。其中,气体超声波流量计作为一种先进的测量工具,在工业、化工、能源以及环保等领域扮演着重要的角色。
气体超声波流量计在测量气体流量时,面临着一些挑战。由于工业生产过程中的气体质量波动、管道老化或过滤器失效等原因可能引起管道内出现杂质,因此过滤器的安装成为了必不可少的环节,但在实际操作中,仍然难以完全防止杂质或灰尘进入流量计内,导致传感器表面的污染,从而影响超声波的传播速度以及改变振幅特性等,导致流量计读数的不稳定性,甚至造成测量误差。因此,确保气体超声波流量计的可靠性和准确性成为一个重要的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于机器学习的气体超声波流量计检验方法及系统,解决了上述背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:基于机器学习的气体超声波流量计检验系统,包括初步检验模块、测试模块、数据采集模块、处理模块、检验分析模块以及反馈模块;
所述初步检验模块用于预先选择一种基准气体,将基准气体的已知数据通过气体超声波流量计监测,以判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
所述测试模块用于观测一号振幅差Fc1的读数是否为零,若不为零,则初步锁定超声波传感器出现故障,通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
所述数据采集模块用于利用摄像头设备和超声波传感器中集成自检程序,监测与记录管道内相关杂质数据信息,同时实时监测管道内外环境数据信息,并建立检验数据集;
所述处理模块用于将检验数据集中相关数据信息进行预处理,包括处理缺失数据,填充或标记为缺失值,利用无量纲处理技术,对检验数据集中相关数据信息进行单位统一;
所述检验分析模块用于利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,通过将二号振幅差Fc2与气体流动阻力Qdz相关联,获取杂质影响系数Zzxs,通过将振动强度Zdqd与粘度Ndz相关联,获取内外环境状态系数Hzxs,经无量纲处理后,拟合获取检验评估指数Jpzs,所述检验评估指数Jpzs通过以下公式获取:
;
式中,Ccqd表示为磁场强度,和分别表示为杂质影响系数Zzxs、内外环
境状态系数Hzxs和磁场强度Ccqd的预设比例系数,O表示为第一修正常数;
所述反馈模块用于预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告。
优选的,所述调试单元用于选择一种基准气体,且基准气体特性处于稳定状态,其中包括密度、粘度值和压力,建立基准条件,并在管道内没有气体流动时进行零点校准,接着将基准气体的已知数据通过气体超声波流量计监测;
其中,所述已知数据包括基准气体的已知流量和流速,所述监测数据包括通过气体超声波流量计监测出的流量和流速。
优选的,所述初步检验模块还包括检验单元;
所述检验单元用于判断监测数据是否与已知数据一致,若不一致,通过将所述输出振幅Sczf与所述基准振幅Jzzf比较,获取一号振幅差Fc1,所述一号振幅差Fc1通过以下公式获取:
;
若监测数据是否与已知数据一致,则表示为当前气体超声波流量计处于正常状态。
优选的,所述测试模块包括第一判断单元和第二判断单元;
所述第一判断单元用于根据所述一号振幅差Fc1的读数,初次判断是否因超声波传感器出现了故障;
若所述一号振幅差Fc1等于零时,表示为初次判断气体超声波流量计内的超声波传感器暂未出现故障;
若所述一号振幅差Fc1不等于零时,表示为初次判断气体超声波流量计内的超声波传感器出现了故障。
优选的,所述第二判断单元用于通过在管道内安装红外摄像头设备和两组超声波传感器,以分别获取第一振幅值Zf1和第二振幅值Zf2,并将所述第一振幅值Zf1与所述第二振幅值Zf2进行比较,获取二号振幅差Fc2,所述二号振幅差Fc2通过以下公式获取:
;
预先设置差阈值V,并将所述差阈值V与所述二号振幅差Fc2进行对比分析,以判断管道内是否存在杂质,其中具体判断内容如下:
若所述二号振幅差Fc2大于或等于所述差阈值V时,表示当前判断管道内存在杂质情况;
若所述二号振幅差Fc2小于所述差阈值V时,表示当前判断管道内未存在杂质情况。
优选的,所述检验数据集中相关数据信息包括管道内相关杂质数据信息和管道内外环境数据信息;所述数据采集模块包括第一采集单元和第二采集单元;
所述第一采集单元用于采集与记录管道内相关杂质数据信息,其中包括气体流动阻力Qdz、反射信号频率Sxpl、气体密度Qtmd、二号振幅差Fc2以及杂质附着于超声波传感器表面的状态;
所述第二采集单元用于采集与记录管道内外环境数据信息,其中包括大气压力Dyz、噪音值Zyz、气体湿度值Sdz、外界温度Wwz、振动强度Zdqd以及气体的粘度Ndz。
优选的,所述检验分析模块包括杂质分析单元和环境分析单元;
所述杂质分析单元用于当判断管道内存在杂质情况时,将依据所述相关杂质数据信息,并结合所述二号振幅差Fc2,经无量纲处理后,获取杂质影响系数Zzxs,所述杂质影响系数Zzxs通过以下公式获取:
;
式中,Qdz表示为气体流动阻力,Sxpl表示为反射信号频率,Qtmd表示为气体密度,f、s、m和q分别表示为二号振幅差Fc2、反射信号频率Sxpl、气体密度Qtmd和气体流动阻力Qdz的预设比例系数,R表示为第二修正常数。
优选的,所述环境分析单元用于当初次判断气体超声波流量计内的超声波传感器暂未出现故障时,依据所述管道内外环境数据信息,通过将振动强度Zdqd与粘度Ndz相关联,并经无量纲处理后,获取内外环境状态系数Hzxs,所述内外环境状态系数Hzxs通过以下公式获取:
;
式中,Sdz表示为气体湿度值,Zyz表示为噪音值,Wwz表示为外界温度,Dyz表示为大气压力,a和b均表示为预设比例系数,A表示为第三修正常数。
优选的,所述反馈模块将对所述检验评估指数Jpzs与所述评估阈值W进行对比分析,以获取检验报告,其中检验报告具体内容如下:
若所述检验评估指数Jpzs大于所述评估阈值W时,即Jpzs>W时,生成第一等级报告,表示为当前气体超声波流量计的检验结果处于异常状态,此时将对当前气体超声波流量计进一步调查、维修或者更换;
若所述检验评估指数Jpzs等于所述评估阈值W时,即Jpzs=W时,生成第二等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,此时将对当前气体超声波流量计进行标记,增加表面清洁与日常维护频率;
若所述检验评估指数Jpzs小于所述评估阈值W时,即Jpzs<W时,生成第三等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,无需采取额外措施。
基于机器学习的气体超声波流量计检验方法,包括以下步骤,
S1、首先用已知数据来观测气体超声波流量计的监测数据,并判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
S2、接着对一号振幅差Fc1进行分析,初步判断是否因超声波传感器出现了故障,并通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
S3、其次对管道内相关杂质数据信息进行监测与记录,同时实时监测管道内外环境数据信息,并建立检验数据集;
S4、然后将检验数据集中相关数据信息进行预处理,并对检验数据集中相关数据信息进行单位统一;
S5、此外利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,并结合二号振幅差Fc2,综合获取检验评估指数Jpzs;
S6、最后预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告。
(三)有益效果
本发明提供了基于机器学习的气体超声波流量计检验方法及系统,具备以下有益效果:
(1)通过初步检验模块,系统能够预先选择基准气体,监测其已知数据,并根据测量结果判断气体超声波流量计是否正常,这有助于提高测量的准确性和可靠性;测试模块能够观测一号振幅差Fc1并判断传感器是否存在故障,在发现一号振幅差Fc1不为零时,系统能够快速锁定超声波传感器的故障,有助于及时确定故障存在的位置,并采取维修和维护手段;数据采集模块通过摄像头和自检程序实时监测管道内外的环境和杂质数据,建立完整的检验数据集,为后续分析提供充足的信息;检验分析模块利用机器学习技术提取特征,并通过多个参数关联性的建模,获取检验评估指数Jpzs,这有助于更加全面地了解气体流动阻力Qdz、振动强度Zdqd和粘度Ndz等影响因素,接着将检验评估指数Jpzs与阈值进行对比,生成相应的检验报告,这为用户提供实时的检测结果和建议,使其能够迅速采取相应措施。总之,该系统通过综合运用多个模块,通过层层的判断与筛定,实现了对气体流量计的多方位监测、故障诊断和性能评估,从而提高了测量系统的可靠性与准确性,降低了维护成本和停机时间。
(2)第一判断单元的工作机制使得系统能够迅速定位是否存在超声波传感器的故障,这减少了维护人员的工作负担,进一步提高了维护效率。总之,测试模块中的第一判断单元通过一号振幅差Fc1的读数,实现了对超声波传感器故障的初步判断,为系统故障定位提供了有益的效果。
附图说明
图1为本发明基于机器学习的气体超声波流量计检验系统框图示意图;
图2为本发明基于机器学习的气体超声波流量计检验方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
请参阅图1和图2,本发明提供基于机器学习的气体超声波流量计检验系统,包括初步检验模块、测试模块、数据采集模块、处理模块、检验分析模块以及反馈模块;
所述初步检验模块用于预先选择一种基准气体,将基准气体的已知数据通过气体超声波流量计监测,以判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
所述测试模块用于观测一号振幅差Fc1的读数是否为零,若不为零,则初步锁定超声波传感器出现故障,通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
所述数据采集模块用于利用摄像头设备和超声波传感器中集成自检程序,监测与记录管道内相关杂质数据信息,同时实时监测管道内外环境数据信息,并建立检验数据集;
所述处理模块用于将检验数据集中相关数据信息进行预处理,包括处理缺失数据,填充或标记为缺失值,利用无量纲处理技术,对检验数据集中相关数据信息进行单位统一;
所述检验分析模块用于利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,通过将二号振幅差Fc2与气体流动阻力Qdz相关联,获取杂质影响系数Zzxs,通过将振动强度Zdqd与粘度Ndz相关联,获取内外环境状态系数Hzxs,经无量纲处理后,拟合获取检验评估指数Jpzs,所述检验评估指数Jpzs通过以下公式获取:
;
式中,Ccqd表示为磁场强度,和分别表示为杂质影响系数Zzxs、内外环
境状态系数Hzxs和磁场强度Ccqd的预设比例系数,其中,0.16≤w1≤0.55,0.13≤w2≤0.35,
0.02≤w3≤0.10,且0.45≤+≤1.0,O表示为第一修正常数;
上述的磁场强度Ccqd通过磁感应计进行监测获取;
所述反馈模块用于预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告。
本系统运行中,通过初步检验模块,系统能够利用基准气体的已知数据监测气体超声波流量计的读数;测试模块能够观测一号振幅差Fc1,并检测超声波传感器是否出现故障,通过二号振幅差Fc2与差阈值V比对,系统可以及时锁定可能存在的故障,保障设备的正常运行;数据采集模块利用摄像头设备和自检程序监测与记录管道内相关杂质数据信息,实现对管道内外环境的实时监测,处理模块对检验数据集进行预处理,包括缺失数据处理和单位统一,确保输入数据的完整性和一致性,进一步提高了机器学习模型的稳定性。检验分析模块利用机器学习对处理后的数据集进行特征提取,实现对杂质影响系数Zzxs和环境状态系数Hzxs的准确评估。反馈模块根据设定的评估阈值W与检验评估指数Jpzs进行对比,生成不同等级的检验报告,帮助用户及时了解设备状态,采取必要的维护和修复措施。
实施例2
请参照图1,具体的:所述初步检验模块包括调试单元;
所述调试单元用于选择一种基准气体,且基准气体特性处于稳定状态,其中包括密度、粘度值和压力,建立基准条件,这可能包括特定的温度与压力环境参数,并在管道内没有气体流动时进行零点校准,确保流量计在零流量条件下读数为零,这是通过调整或修正零点漂移来实现的,接着将基准气体的已知数据通过气体超声波流量计监测;
其中,所述已知数据包括基准气体的已知流量和流速,所述监测数据包括通过气体超声波流量计监测出的流量和流速。
所述初步检验模块还包括检验单元;
所述检验单元用于判断监测数据是否与已知数据一致,若不一致,通过将所述输出振幅Sczf与所述基准振幅Jzzf比较,获取一号振幅差Fc1,所述一号振幅差Fc1通过以下公式获取:
;
若监测数据是否与已知数据一致,则表示为当前气体超声波流量计处于正常状态。
本实施例中,通过对基准气体选择与条件建立,系统能够模拟真实工作环境,进一步提高初步检验的真实性和可靠性,在管道内没有气体流动时进行零点校准,确保流量计在零流量条件下的读数为零,有助于进一步提高流量计的准确性和可靠性。检验单元负责判断监测数据是否与已知数据一致,若不一致,系统通过比较输出振幅Sczf与基准振幅Jzzf,获取一号振幅差Fc1,通过数学公式计算,进一步评估流量计的状态,通过一号振幅差Fc1的计算,系统能够获取与基准振幅Jzzf的偏差,从而评估流量计的性能,这有助于及早发现流量计可能存在的问题,为后续的维护和修复提供有力依据,调试单元和检验单元的结合,使得系统能够在模拟真实工作条件下,快速而准确地评估气体超声波流量计的工作状态,这有助于提高初步检验的效率,进一步减少维护周期,降低操作成本。综合以上,初步检验模块通过基准气体的选择、条件建立、零点校准以及一号振幅差Fc1的获取和评估,使系统在实际工作中更具可信度,提高了气体超声波流量计的准确性和可靠性。
实施例3
请参照图1,具体的:所述测试模块包括第一判断单元和第二判断单元;
所述第一判断单元用于根据所述一号振幅差Fc1的读数,初次判断是否因超声波传感器出现了故障;
若所述一号振幅差Fc1等于零时,表示为初次判断气体超声波流量计内的超声波传感器暂未出现故障;
若所述一号振幅差Fc1不等于零时,表示为初次判断气体超声波流量计内的超声波传感器出现了故障。
本实施例中,第一判断单元在测试模块中负责根据一号振幅差Fc1的读数,对超声波传感器是否出现故障进行初步判断,这有效地提供了一个快速而简单的方式,间接的检测出超声波传感器的工作状态,当一号振幅差Fc1等于零时,系统初步判断气体超声波流量计内的超声波传感器暂未出现故障,这为操作人员提供了一个清晰的信号,表示超声波传感器在当前工作条件下是正常运行,减少了误报的可能性;若一号振幅差Fc1不等于零,系统初步判断气体超声波流量计内的超声波传感器出现了故障,这提供了一个故障存在的指示,有助于及早发现和解决传感器问题,进一步提高了系统的可靠性和稳定性。
实施例4
请参照图1,具体的:所述第二判断单元用于通过在管道内安装红外摄像头设备和两组超声波传感器,以分别获取第一振幅值Zf1和第二振幅值Zf2,并将所述第一振幅值Zf1与所述第二振幅值Zf2进行比较,获取二号振幅差Fc2,所述二号振幅差Fc2通过以下公式获取:
;
预先设置差阈值V,并将所述差阈值V与所述二号振幅差Fc2进行对比分析,以判断管道内是否存在杂质,其中具体判断内容如下:
若所述二号振幅差Fc2大于或等于所述差阈值V时,表示当前判断管道内存在杂质情况;
若所述二号振幅差Fc2小于所述差阈值V时,表示当前判断管道内未存在杂质情况。
本实施例中,通过第二判断单元将进行杂质的检测与判别,利用二号振幅差Fc2的获取,使系统能够有效地检测管道内是否存在杂质,并且提供了一个清晰的判断标准,系统将二号振幅差Fc2与差阈值V进行实时对比,判断管道内的振幅变化是否超过了预期范围,并在初次判断气体超声波流量计内的超声波传感器出现了故障的基础上,从而判断是否存在杂质,这进一步提高了系统对杂质的检测精度,通过快速比对二号振幅差Fc2与差阈值V,系统能够快速响应管道内杂质的出现,这有效减少了误报的可能性,确保只有在真正存在杂质的情况下系统才会发出警报,第二判断单元的工作机制使得系统对管道内杂质的检测更加可靠和精准,这有助于提高系统在实际工业环境中的稳定性和可操作性。总之,第二判断单元通过差阈值V的设定和实时对比,实现了对管道内杂质的快速检测和判别。
实施例5
请参照图1,具体的:所述检验数据集中相关数据信息包括管道内相关杂质数据信息和管道内外环境数据信息;所述数据采集模块包括第一采集单元和第二采集单元;
所述第一采集单元用于采集与记录管道内相关杂质数据信息,其中包括气体流动阻力Qdz、反射信号频率Sxpl、气体密度Qtmd、二号振幅差Fc2以及杂质附着于超声波传感器表面的状态;
所述第二采集单元用于采集与记录管道内外环境数据信息,其中包括大气压力Dyz、噪音值Zyz、气体湿度值Sdz、外界温度Wwz、振动强度Zdqd以及气体的粘度Ndz。
本实施例中,第一采集单元负责采集与记录管道内相关杂质数据信息,对管道内的多个关键参数进行监测,有助于更全面地了解管道的工作状态;第二采集单元负责采集与记录管道内外环境数据信息,系统能够更全面地了解管道周围环境的变化,进一步提高了对工业生产过程中各种因素的感知和响应能力;采集的数据集中涵盖了多个关键参数,包括与气体流动特性、杂质状态以及外部环境相关的信息,这使得在检验分析阶段,能够进行多参数协同分析,更精准地推断气体流量计的工作状态和性能特征,通过对杂质附着状态和振动的强度等数据的采集,系统能够及时诊断超声波传感器的故障,并在可能的情况下预防故障的发生,这提高了系统的可靠性和稳定性。总之,第一采集单元和第二采集单元的工作协同,实现了对管道内外多个关键参数的全面监测和采集,为后续的数据处理和检验分析提供了丰富的信息基础。
实施例6
请参照图1,具体的:所述检验分析模块包括杂质分析单元和环境分析单元;
所述杂质分析单元用于当判断管道内存在杂质情况时,将依据所述相关杂质数据信息,并结合所述二号振幅差Fc2,经无量纲处理后,获取杂质影响系数Zzxs,所述杂质影响系数Zzxs通过以下公式获取:
;
式中,Qdz表示为气体流动阻力,Sxpl表示为反射信号频率,Qtmd表示为气体密度,f、s、m和q分别表示为二号振幅差Fc2、反射信号频率Sxpl、气体密度Qtmd和气体流动阻力Qdz的预设比例系数,其中,0.14≤f≤0.28,0.12≤s≤0.30,0.08≤m≤0.28,0.05≤q≤0.14,且0.45≤f+s+m+q≤1.0,R表示为第二修正常数。
上述的反射信号频率Sxpl指的是超声波传感器发射的声波信号被气体流体反射回来的频率,并通过超声波传感器进行监测获取;
气体密度Qtmd通过密度计进行监测获取;
气体流动阻力Qdz通过差压传感器进行监测获取;
所述环境分析单元用于当初次判断气体超声波流量计内的超声波传感器暂未出现故障时,依据所述管道内外环境数据信息,通过将振动强度Zdqd与粘度Ndz相关联,并经无量纲处理后,获取内外环境状态系数Hzxs,所述内外环境状态系数Hzxs通过以下公式获取:
;
式中,Sdz表示为气体湿度值,Zyz表示为噪音值,Wwz表示为外界温度,Dyz表示为大气压力,a和b均表示为预设比例系数,其中,0.10≤a≤0.50,0.14≤b≤0.50,且0.30≤a+b≤1.0,A表示为第三修正常数。
上述的气体湿度值Sdz通过电容式湿度传感器或电阻式湿度传感器进行采集获取;
噪音值Zyz通过声音传感器进行监测获取;
外界温度Wwz通过使用温度传感器,如热敏电阻或热敏电容器等进行监测获取;
大气压力Dyz通过气压计或压阻传感器进行实时监测获取;
振动强度Zdqd通过使用加速度传感器、振动传感器或振动计等来监测振动情况;
粘度Ndz指的是气体内部的分子之间相对运动的阻力,它通常以“动力粘度”的形式表示,并通过旋转式粘度计或振动式粘度计等设备进行监测获取。
本实施例中,在判断管道内存在杂质情况时,通过综合利用相关杂质数据信息和二号振幅差Fc2,获取了杂质影响系数Zzxs,使得系统能够更准确地分析杂质对气体流动阻力Qdz以及反射信号频率Sxpl的影响,为检验评估指数Jpzs的计算提供了更为精确的数据基础,当初次判断气体超声波流量计内的超声波传感器暂未出现故障时,该单元依据管道内外环境数据信息,获取了内外环境状态系数Hzxs,这使系统能够更全面地了解环境状态,为检验评估指数Jpzs的计算提供了更为综合的信息。杂质影响系数Zzxs和内外环境状态系数Hzxs的计算公式中包含预设比例系数和修正常数等参数,这些参数的设定具有一定的灵活性,系统操作员可以根据具体情况灵活调整这些参数,以适应不同工况和气体流量计的特性,进一步提高了系统的适用性和鲁棒性;杂质分析单元和环境分析单元均采用了与多个参数的关联分析,为机器学习模型提供更为准确的特征输入。总之,检验分析模块中的杂质分析单元和环境分析单元通过详细的数据分析,提高了系统对气体流量计工作状态和环境特性的准确理解,为后续的检验评估提供了更为有力的支持。
实施例7
请参照图1,具体的:所述反馈模块将对所述检验评估指数Jpzs与所述评估阈值W进行对比分析,以获取检验报告,其中检验报告具体内容如下:
若所述检验评估指数Jpzs大于所述评估阈值W时,即Jpzs>W时,生成第一等级报告,表示为当前气体超声波流量计的检验结果处于异常状态,这为操作人员提供了重要的决策信息,指示需要对当前气体超声波流量计进行进一步调查、维修或更换;
若所述检验评估指数Jpzs等于所述评估阈值W时,即Jpzs=W时,生成第二等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,此时将对当前气体超声波流量计进行标记,增加表面清洁与日常维护频率,这种建议有助于优化维护计划,进一步提高设备的稳定性和可靠性;
若所述检验评估指数Jpzs小于所述评估阈值W时,即Jpzs<W时,生成第三等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,无需采取额外措施,这种情况下,系统避免了不必要的干预,实现了对正常状态设备的高效资源利用,降低了不必要的维护成本。
本实施例中,反馈模块根据检验评估指数Jpzs与评估阈值W的对比,智能生成不同等级的检验报告;自动化的报告生成和等级分类使得操作人员可以迅速了解气体超声波流量计的工作状态,不仅减轻了操作人员的工作负担,还提高了决策的效率;系统的智能反馈帮助用户更好地理解检验结果,从而采取精准的操作和维护措施。总之,反馈模块通过智能分析检验评估指数Jpzs,为操作人员提供了清晰的检验报告,使其能够及时与准确地做出合理决策,从而提高了气体超声波流量计的可靠性和维护效率。
实施例8
请参照图1和图2,具体的:基于机器学习的气体超声波流量计检验方法,包括以下步骤,
S1、首先用已知数据来观测气体超声波流量计的监测数据,并判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
S2、接着对一号振幅差Fc1进行分析,初步判断是否因超声波传感器出现了故障,并通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
S3、其次对管道内相关杂质数据信息进行监测与记录,同时实时监测管道内外环境数据信息,并建立检验数据集;
S4、然后将检验数据集中相关数据信息进行预处理,并对检验数据集中相关数据信息进行单位统一;
S5、此外利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,并结合二号振幅差Fc2,综合获取检验评估指数Jpzs;
S6、最后预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告。
示例:一个某某检验中心,该检验中心引入了基于机器学习的气体超声波流量计检验方法及系统,以下是某某检验中心的示例:
数据采集:输出振幅Sczf为23.6;基准振幅Jzzf为20.1;第一振幅值Zf1为31.2;第二振幅值Zf2为36.7;反射信号频率Sxpl为22;气体密度Qtmd为6.4;气体流动阻力Qdz为3.5;
预设比例系数:f为0.20;s为0.16;m为0.16;q为0.09;第二修正常数R为0.83;
气体湿度值Sdz为2.8;噪音值Zyz为4.6;外界温度Wwz为28.1;大气压力Dyz为2.1;振动强度Zdqd为4.1;粘度Ndz为2.4;
预设比例系数:a为0.22;b为0.25;第三修正常数A为0.02;
磁场强度Ccqd为3.4;w1为0.35;w2为0.21;w3为0.03;第一修正常数O为0.7;
通过以上数据,可以进行以下计算:
一号振幅差=3.5;
此时一号振幅差Fc1不等于零,表示为初次判断气体超声波流量计内的超声波传感器出现了故障;
二号振幅差=5.5;
若差阈值V为3,则二号振幅差Fc2大于差阈值V,表示当前判断管道内存在杂质情况;
杂质影响系数=12;
内外环境状态系数
=422;
检验评估指数=16;
若评估阈值W为15,则检验评估指数Jpzs大于评估阈值W,即Jpzs>W,生成第一等级报告,表示为当前气体超声波流量计的检验结果处于异常状态,此时将对当前气体超声波流量计进一步调查、维修或者更换。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.基于机器学习的气体超声波流量计检验系统,其特征在于:包括初步检验模块、测试模块、数据采集模块、处理模块、检验分析模块以及反馈模块;
所述初步检验模块用于预先选择一种基准气体,将基准气体的已知数据通过气体超声波流量计监测,以判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
所述初步检验模块包括调试单元;
所述调试单元用于选择一种基准气体,且基准气体特性处于稳定状态,其中包括密度、粘度值和压力,建立基准条件,并在管道内没有气体流动时进行零点校准,接着将基准气体的已知数据通过气体超声波流量计监测;
其中,所述已知数据包括基准气体的已知流量和流速,所述监测数据包括通过气体超声波流量计监测出的流量和流速;
所述初步检验模块还包括检验单元;
所述检验单元用于判断监测数据是否与已知数据一致,若不一致,通过将所述输出振幅Sczf与所述基准振幅Jzzf比较,获取一号振幅差Fc1,所述一号振幅差Fc1通过以下公式获取:
;
若监测数据是与已知数据一致,则表示为当前气体超声波流量计处于正常状态;
所述测试模块用于观测一号振幅差Fc1的读数是否为零,若不为零,则初步锁定超声波传感器出现故障,通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
所述测试模块包括第一判断单元和第二判断单元;
所述第一判断单元用于根据所述一号振幅差Fc1的读数,初次判断是否因超声波传感器出现了故障;
若所述一号振幅差Fc1等于零时,表示为初次判断气体超声波流量计内的超声波传感器暂未出现故障;
若所述一号振幅差Fc1不等于零时,表示为初次判断气体超声波流量计内的超声波传感器出现了故障;
所述第二判断单元用于通过在管道内安装红外摄像头设备和两组超声波传感器,以分别获取第一振幅值Zf1和第二振幅值Zf2,并将所述第一振幅值Zf1与所述第二振幅值Zf2进行比较,获取二号振幅差Fc2,所述二号振幅差Fc2通过以下公式获取:
;
预先设置差阈值V,并将所述差阈值V与所述二号振幅差Fc2进行对比分析,以判断管道内是否存在杂质,其中具体判断内容如下:
若所述二号振幅差Fc2大于或等于所述差阈值V时,表示当前判断管道内存在杂质情况;
若所述二号振幅差Fc2小于所述差阈值V时,表示当前判断管道内未存在杂质情况;
所述数据采集模块用于利用摄像头设备和超声波传感器中集成自检程序,监测与记录管道内相关杂质数据信息,同时实时监测管道内外环境数据信息,并建立检验数据集;
所述检验数据集中相关数据信息包括管道内相关杂质数据信息和管道内外环境数据信息;所述数据采集模块包括第一采集单元和第二采集单元;
所述第一采集单元用于采集与记录管道内相关杂质数据信息,其中包括气体流动阻力Qdz、反射信号频率Sxpl、气体密度Qtmd、二号振幅差Fc2以及杂质附着于超声波传感器表面的状态;
所述第二采集单元用于采集与记录管道内外环境数据信息,其中包括大气压力Dyz、噪音值Zyz、气体湿度值Sdz、外界温度Wwz、振动强度Zdqd以及气体的粘度Ndz;
所述处理模块用于将检验数据集中相关数据信息进行预处理,包括处理缺失数据,填充或标记为缺失值,利用无量纲处理技术,对检验数据集中相关数据信息进行单位统一;
所述检验分析模块用于利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,通过将二号振幅差Fc2与气体流动阻力Qdz相关联,获取杂质影响系数Zzxs,通过将振动强度Zdqd与粘度Ndz相关联,获取内外环境状态系数Hzxs,经无量纲处理后,拟合获取检验评估指数Jpzs,所述检验评估指数Jpzs通过以下公式获取:
;
式中,Ccqd表示为磁场强度,和/>分别表示为杂质影响系数Zzxs、内外环境状态系数Hzxs和磁场强度Ccqd的预设比例系数,O表示为第一修正常数;
所述检验分析模块包括杂质分析单元和环境分析单元;
所述杂质分析单元用于当判断管道内存在杂质情况时,将依据所述相关杂质数据信息,并结合所述二号振幅差Fc2,经无量纲处理后,获取杂质影响系数Zzxs,所述杂质影响系数Zzxs通过以下公式获取:
;
式中,Qdz表示为气体流动阻力,Sxpl表示为反射信号频率,Qtmd表示为气体密度,f、s、m和q分别表示为二号振幅差Fc2、反射信号频率Sxpl、气体密度Qtmd和气体流动阻力Qdz的预设比例系数,R表示为第二修正常数;
所述环境分析单元用于当初次判断气体超声波流量计内的超声波传感器暂未出现故障时,依据所述管道内外环境数据信息,通过将振动强度Zdqd与粘度Ndz相关联,并经无量纲处理后,获取内外环境状态系数Hzxs,所述内外环境状态系数Hzxs通过以下公式获取:
;
式中,Sdz表示为气体湿度值,Zyz表示为噪音值,Wwz表示为外界温度,Dyz表示为大气压力,a和b均表示为预设比例系数,A表示为第三修正常数;
所述反馈模块用于预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告;
所述反馈模块将对所述检验评估指数Jpzs与所述评估阈值W进行对比分析,以获取检验报告,其中检验报告具体内容如下:
若所述检验评估指数Jpzs大于所述评估阈值W时,即Jpzs>W时,生成第一等级报告,表示为当前气体超声波流量计的检验结果处于异常状态,此时将对当前气体超声波流量计进一步调查、维修或者更换;
若所述检验评估指数Jpzs等于所述评估阈值W时,即Jpzs=W时,生成第二等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,此时将对当前气体超声波流量计进行标记,增加表面清洁与日常维护频率;
若所述检验评估指数Jpzs小于所述评估阈值W时,即Jpzs<W时,生成第三等级报告,表示为当前气体超声波流量计的检验结果处于非异常状态,无需采取额外措施。
2.基于机器学习的气体超声波流量计检验方法,包括上述权利要求1所述的基于机器学习的气体超声波流量计检验系统,其特征在于:包括以下步骤,
S1、首先用已知数据来观测气体超声波流量计的监测数据,并判断监测数据是否与已知数据一致,若不一致,获取当前输出振幅Sczf,同时利用零点校准,获取基准振幅Jzzf,并将输出振幅Sczf与基准振幅Jzzf比较,获取一号振幅差Fc1;
S2、接着对一号振幅差Fc1进行分析,初步判断是否因超声波传感器出现了故障,并通过两组超声波传感器,获取二号振幅差Fc2,并将二号振幅差Fc2与差阈值V比对,判断管道内是否存在杂质;
S3、其次对管道内相关杂质数据信息进行监测与记录,同时实时监测管道内外环境数据信息,并建立检验数据集;
S4、然后将检验数据集中相关数据信息进行预处理,并对检验数据集中相关数据信息进行单位统一;
S5、此外利用机器学习,将处理后的检验数据集进行特征提取,以获取气体流动阻力Qdz、振动强度Zdqd和粘度Ndz,并结合二号振幅差Fc2,综合获取检验评估指数Jpzs;
S6、最后预先设置评估阈值W,并将评估阈值W与所述检验评估指数Jpzs进行对比,以获取检验报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283756.5A CN117889943B (zh) | 2024-03-13 | 2024-03-13 | 基于机器学习的气体超声波流量计检验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283756.5A CN117889943B (zh) | 2024-03-13 | 2024-03-13 | 基于机器学习的气体超声波流量计检验方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117889943A CN117889943A (zh) | 2024-04-16 |
CN117889943B true CN117889943B (zh) | 2024-05-14 |
Family
ID=90642691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283756.5A Active CN117889943B (zh) | 2024-03-13 | 2024-03-13 | 基于机器学习的气体超声波流量计检验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117889943B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
CN112050912A (zh) * | 2020-09-27 | 2020-12-08 | 上海市供水水表强制检定站有限公司 | 基于超声波流量计进行水表在线校准方法、装置以及系统 |
JP2021067569A (ja) * | 2019-10-24 | 2021-04-30 | アズビル株式会社 | 超音波流量計および流量計測方法 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN116026389A (zh) * | 2023-03-07 | 2023-04-28 | 湖南科技学院 | 一种基于数据分析的智能传感器运行检测系统 |
CN116500439A (zh) * | 2023-06-29 | 2023-07-28 | 天津海森诺海洋科技有限公司 | 一种基于机器学习技术的电机在线故障监测方法和装置 |
CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
CN116577037A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
CN116625444A (zh) * | 2023-03-13 | 2023-08-22 | 宁夏隆基宁光仪表股份有限公司 | 一种超声波水表特征波自适应及流量修正的方法 |
CN117007160A (zh) * | 2023-08-14 | 2023-11-07 | 中国石油化工股份有限公司 | 一种基于机器学习的气体超声流量计检验系统 |
CN117029971A (zh) * | 2023-08-11 | 2023-11-10 | 中国计量科学研究院 | 一种基于机器学习的超声流量计检验方法及系统 |
CN117092470A (zh) * | 2023-10-16 | 2023-11-21 | 江苏创大电气有限公司 | 一种应用于配电箱的电火花检测方法及系统 |
CN117330255A (zh) * | 2023-09-28 | 2024-01-02 | 华润(南京)市政设计有限公司 | 一种基于超声波检测装置和无人机的燃气检测系统 |
CN117330156A (zh) * | 2023-09-27 | 2024-01-02 | 浙江维度仪表有限公司 | 一种气体流量计故障自动检测分析装置 |
CN117408173A (zh) * | 2023-12-16 | 2024-01-16 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种基于机器学习的水文流量整编智能模型构建方法 |
CN117516670A (zh) * | 2024-01-04 | 2024-02-06 | 山东晨晖电子科技有限公司 | 一种物联网超声波水表的数据智能监测方法 |
CN117606578A (zh) * | 2023-11-23 | 2024-02-27 | 深圳医和家智慧医疗科技有限公司 | 一种智能的气体流量监测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113383211A (zh) * | 2018-11-26 | 2021-09-10 | 丹尼尔测量和控制公司 | 流量计量系统基于条件的监测和预测模式的故障 |
CN116346864B (zh) * | 2023-05-30 | 2023-08-01 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的超声波计量补偿方法、系统和介质 |
CN116642560B (zh) * | 2023-07-27 | 2023-10-13 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气物联网的超声波燃气表计量纠正方法和系统 |
-
2024
- 2024-03-13 CN CN202410283756.5A patent/CN117889943B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021067569A (ja) * | 2019-10-24 | 2021-04-30 | アズビル株式会社 | 超音波流量計および流量計測方法 |
CN110867196A (zh) * | 2019-12-03 | 2020-03-06 | 桂林理工大学 | 一种基于深度学习及声音识别的机器设备状态监测系统 |
WO2021232655A1 (zh) * | 2020-05-20 | 2021-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN112050912A (zh) * | 2020-09-27 | 2020-12-08 | 上海市供水水表强制检定站有限公司 | 基于超声波流量计进行水表在线校准方法、装置以及系统 |
CN116026389A (zh) * | 2023-03-07 | 2023-04-28 | 湖南科技学院 | 一种基于数据分析的智能传感器运行检测系统 |
CN116625444A (zh) * | 2023-03-13 | 2023-08-22 | 宁夏隆基宁光仪表股份有限公司 | 一种超声波水表特征波自适应及流量修正的方法 |
CN116498908A (zh) * | 2023-06-26 | 2023-07-28 | 成都秦川物联网科技股份有限公司 | 基于超声波流量计的智慧燃气管网监测方法和物联网系统 |
CN116500439A (zh) * | 2023-06-29 | 2023-07-28 | 天津海森诺海洋科技有限公司 | 一种基于机器学习技术的电机在线故障监测方法和装置 |
CN116577037A (zh) * | 2023-07-12 | 2023-08-11 | 上海电机学院 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
CN117029971A (zh) * | 2023-08-11 | 2023-11-10 | 中国计量科学研究院 | 一种基于机器学习的超声流量计检验方法及系统 |
CN117007160A (zh) * | 2023-08-14 | 2023-11-07 | 中国石油化工股份有限公司 | 一种基于机器学习的气体超声流量计检验系统 |
CN117330156A (zh) * | 2023-09-27 | 2024-01-02 | 浙江维度仪表有限公司 | 一种气体流量计故障自动检测分析装置 |
CN117330255A (zh) * | 2023-09-28 | 2024-01-02 | 华润(南京)市政设计有限公司 | 一种基于超声波检测装置和无人机的燃气检测系统 |
CN117092470A (zh) * | 2023-10-16 | 2023-11-21 | 江苏创大电气有限公司 | 一种应用于配电箱的电火花检测方法及系统 |
CN117606578A (zh) * | 2023-11-23 | 2024-02-27 | 深圳医和家智慧医疗科技有限公司 | 一种智能的气体流量监测方法 |
CN117408173A (zh) * | 2023-12-16 | 2024-01-16 | 长江水利委员会水文局长江中游水文水资源勘测局 | 一种基于机器学习的水文流量整编智能模型构建方法 |
CN117516670A (zh) * | 2024-01-04 | 2024-02-06 | 山东晨晖电子科技有限公司 | 一种物联网超声波水表的数据智能监测方法 |
Non-Patent Citations (6)
Title |
---|
小口径多声道超声流量计的非实流式校准技术;刘增华;李佳奇;张易农;宋振华;何存富;吴斌;;北京工业大学学报;20181011(第11期);全文 * |
气体超声流量计在线诊断技术;房福生;;油气田地面工程;20160920(第09期);全文 * |
气体超声流量计的现场核查;陈立;肖迪;;油气田地面工程;20150120(第01期);全文 * |
燃气管道超声波内检测技术;袁婷婷;;煤气与热力;20170215(第02期);全文 * |
管道天然气超声流量计在线检验系统设计;吕几凡;程佳;李东升;吴焕芬;;传感器与微系统;20110820(第08期);全文 * |
超声波气体流量计检测精度影响因素分析;邵欣;韩思奇;檀盼龙;马学彬;李梦月;;液压与气动;20180915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117889943A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7478010B2 (en) | Condition monitoring of electrical cables as installed in industrial processes | |
CN107862338B (zh) | 基于双检验法的海洋环境监测数据质量管理方法及系统 | |
EP1763754B1 (en) | Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN103775832B (zh) | 基于瞬变流反问题方法的输油管道漏失检测的装置 | |
CN101761780A (zh) | 输气管道泄漏检测定位装置及其检测定位方法 | |
CN109710983B (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN1103946C (zh) | 分析测量值的方法以及实施此方法的测量值分析器 | |
CN105046075A (zh) | 水坝质量监测数据的分析处理方法及装置 | |
JP5164954B2 (ja) | 機器診断方法及び機器診断装置 | |
JP2013073414A (ja) | プラントのセンサ診断装置およびセンサ診断方法 | |
CN112729370A (zh) | 桥梁动态应变监测系统校准方法 | |
CN117405176B (zh) | 一种大体积混凝土施工质量检测方法及系统 | |
CN114527078A (zh) | 基于全光谱水质分析仪的监测预警方法和系统 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN117889943B (zh) | 基于机器学习的气体超声波流量计检验方法及系统 | |
CN206833239U (zh) | 一种基于数据驱动的火电厂控制系统故障检测系统 | |
CN113567051A (zh) | 基于光纤测温技术焊缝在线监测系统及监测方法 | |
Li et al. | Sensor fault localization with accumulated residual contribution rate for bridge SHM | |
CN117929418B (zh) | 一种集成电路缺陷检测方法及系统 | |
Tugova et al. | Development of a Wireless Pressure Transmitter with Diagnostics | |
CN117929418A (zh) | 一种集成电路缺陷检测方法及系统 | |
CN117553975A (zh) | 一种换热设备疏水阀门检漏判断评估方法 | |
CN117808411A (zh) | 一种航空传感器精益分析装置及方法 | |
CN117874713A (zh) | 一种机械设备故障预警系统及其使用方法 |
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 |