CN114046959B - 一种基于双级人工神经网络的五孔气动探针标定方法 - Google Patents
一种基于双级人工神经网络的五孔气动探针标定方法 Download PDFInfo
- Publication number
- CN114046959B CN114046959B CN202111453628.3A CN202111453628A CN114046959B CN 114046959 B CN114046959 B CN 114046959B CN 202111453628 A CN202111453628 A CN 202111453628A CN 114046959 B CN114046959 B CN 114046959B
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- calibration
- ann2
- ann1
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 239000000523 sample Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 24
- 101100269885 Arabidopsis thaliana ANN1 gene Proteins 0.000 claims abstract description 31
- 101100269886 Arabidopsis thaliana ANN2 gene Proteins 0.000 claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000004913 activation Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 18
- 210000005036 nerve Anatomy 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000009530 blood pressure measurement Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于双级人工神经网络的五孔气动探针标定方法,利用人工神经网络来预测五孔气动多孔探针的校准参数,通过构建第一、二基准人工神经网络ANN1、ANN2,输入的特征参数均为气动探针测量得到的特征参数,ANN1输出的标定参数为的无误差预测值,ANN2输出的标定参数为的误差预测值,使用五孔气动探针测量的校准数据分别训练和测试ANN1、ANN2,分别通过网络隐含层数量、训练算法、激活函数和神经元数量的不同组合进行***分析,以找到与基准网络相比的最优网络参数解;使用最佳网络结构来实现两级标定预测,两个神经网络的预测之和为预测标定值。本发明具有易于实现、泛化性好、测试精度高等优点。
Description
技术领域
本发明涉及燃气涡轮发动机叶轮机械精细化测试技术领域,涉及一种五孔气动探针标定方法,具体涉及一种基于人工双级神经网络的五孔气动探针标定方法,用于叶轮机械测量气动探针的高精度宽范围标定,为叶轮机械精细化设计提供先进测试提供必要支撑。
背景技术
现代燃气涡轮发动机为了获得尽可能高的效率,必须在设计阶段下对叶轮机械叶片性能进行优化设计。为了设计最优叶片气动布局,需要详细测量叶片见流道流场以了解边界层、二次流发展,而多孔气动探针的测量精度则至关重要,这就需要对探针进行高精度标定。
探针安装在校准风洞中,在该风洞中,马赫数和流动角逐渐变化,并且针对不同的测试条件测量多个孔的压力,这里以五孔为例。每个马赫数和角度设置都由一组压力系数来表示。测量的压力值和流场属性之间的关系可以用归一化系数来描述。这些系数必须相互独立以显示流动特征。当得到这些系数后,需要通过一些函数映射关系以得到待标定的气动参数,这一映射过程被称为标定,可以表示为:
Y=f(kMa,kα,kγ) (1)
其中Y为待标定的气动参数,一般为马赫数(Ma)、偏转角(α)、俯仰角(γ)。
针对此标定过程,已经提出了许多标定方法。其中,基于多项式拟合的方法得到了广泛使用。Bohn和Simon提出一种多项式方法,用于评估5孔探针的校准图。Gallington和Gerner等人提出了一个应用七孔探针的多项式方法。探针根据流向分为几个部分,定义了流动角α和γ以及总压压力系数Cpt和动压压力系数Cq四个方程。基于气流角扇区内的校准数据,对每个校准参数应用最小二乘法导出多项式系数c。这种方法的精度对于流动方向大致与探针轴对齐的中心扇形区来说是足够的,但对于扇区外部其他位置来说较差,使得扇区外部角度误差显著增加,无法满足叶轮机械内部二次流等大折转角位置的测量。
发明内容
根据以上问题,人工神经网络作为一种基于人工智能的技术,具有模式识别、非线性和自适应性等优点,利用这一特点可将其作为函数映射对探针进行标定,实现气动探针宽气流角范围标定,提供高插值能力以及针对未知数据的准确预测。人工神经网络通过构造一个将输入和输出联系起来的函数来学习数据,而这函数的构造包含了多个神经元组成的隐藏层,并且神经元中存在非线性的激活函数来实现对非线性问题的回归拟合。本发明提出利用人工神经网络来预测五孔气动多孔探针的校准参数,探索通过使用人工神经网络生成校准图来减少校准实验工作量。对不同步骤进行***分析,以确定最佳网络结构。
为实现上述技术目的本发明所提供的技术方案为:
一种基于双级人工神经网络的五孔气动探针标定技术方法,其特征在于,所述方法至少包括如下步骤:
SS1.分别构建第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,其中,
第一基准人工神经网络ANN1和第二基准人工神经网络ANN2输入的特征参数均为气动探针测量得到的特征参数kMa、kα、kγ,其中,kMa=Δp/p0,kα=(p3-p1)/Δp,kγ=(p4-p1)/Δp,Δp=p0-(p1+p3)/2,p0、p1、p2、p3、p4分别为五孔气动探针的5个压力测量值;
第一基准人工神经网络ANN1输出的标定参数为Mact、αct、γct、kpt、kps的无误差预测值,其中,Mact表示标定测量马赫数,αct表示标定测量偏转角,γct表示标定测量俯仰角,kpt表示标定测量总压系数,kps表示标定测量静压系数;
第二基准人工神经网络ANN2输出的标定参数为Mact、αct、γct、kpt、kps的误差预测值;
SS2.使用五孔气动探针测量的校准数据,即在标定风洞上测得的一组标定kMa、kα、kγ及对应的Mact、αct、γct、kpt、kps和误差值数据,分别训练和测试第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,第一基准人工神经网络ANN1利用输入与输出参数来训练ANN1神经网络中神经元的参数,第二基准人工神经网络ANN2利用输入与输出参数来训练ANN2神经网络中神经元的参数;SS3.对于第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,分别通过网络隐含层数量、训练算法、激活函数和神经元数量的不同组合进行***分析,以找到与基准网络相比的最优网络参数解;
SS4.利用步骤SS2、SS3得到的第一基准人工神经网络ANN1和第二基准人工神经网络ANN2的最佳网络结构,来实现五孔气动探针的双级神经网络标定预测,结合第一基准人工神经网络ANN1和第二基准人工神经网络ANN2分别预测校准参数和近似误差,两个神经网络的预测之和即为预测标定值。
优选地,上述步骤SS3中,隐含层通常选用1-2层,第1层隐含层所含神经单元数量不超过输入变量个数的2-3倍,后续的隐含层神经单元数目逐层递减,激活函数采用ReLU或Sigmoid函数,训练优化方法采用Adam方法。
同现有技术相比,本发明的基于双级神经网络的气动探针标定方法具有以下特点:
1).方案简单,易于实现:标定测量设备与原先相同,只在标定软件层面进行改动,通过构建双级人工神经网络即可实现更高精度标定。
2).泛化性好:通过标定后的测试,双级神经网络所预测的气动参数标定值在除了给定的标定值以外的值,仍能有很好的插值预测精度。
3).测试精度高:双级神经网路预测的多个气动参数标定值均拥有很高的预定标定精度。
4).本发明提出的基于双级神经网络的气动探针标定方法在多种多孔探针均拥有理想的标定精度,并在燃气涡轮发动机压气机和涡轮叶片流道的测量中提供了高可靠的测量精度。
附图说明
图1为单级人工神经网络气动探针标定参数预测模型(ANN Model)的输入输出示意图。
图2为单级人工神经网络探针标定参数预测模型的隐含层结构示意图。
图3为本发明提出的双级人工神经网络气动探针标定参数预测模型示意图。
图4为各标定参数模型预测值与实际值的对比示意图,其中,(a)为标定参数αct的模型预测与实际值的对比示意图,(b)为标定参数γct的模型预测与实际值的对比示意图,(c)为标定参数Mact的模型预测与实际值的对比示意图,(d)为标定参数kpt的模型预测与实际值的对比示意图,(e)为标定参数kps的模型预测与实际值的对比示意图。
图5为Ma=0.5时标定网格值与线性插值网格值示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,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更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作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。
图1、2分别为单级人工神经网络气动探针标定参数预测模型(ANN Model)的输入输出示意图及隐含层结构示意图。单级人工神经网络探针标定参数预测模型总体的输入是气动探针测量得到的特征参数,输出则是用户需要得到的标定参数,图1中示出的输入特征参数(即气动探针测量得到的特征参数)包括kMa、kα、kγ等,定义如下:
kMa=Δp/p0
kα=(p3-p1)/Δp
kγ=(p4-p1)/Δp
其中Δp=p0-(p1+p3)/2,p0、p1、p2、p3、p4分别为五孔探针的5个压力测量值。
输出的标定参数包括Mact、αct、γct、kpt、kps等,Mαct表示标定测量马赫数,αct表示标定测量偏转角,γct表示标定测量俯仰角,kpt表示标定测量总压系数,kps表示标定测量静压系数。
一般而言,单级人工神经网络模型的内部由输入层、隐含层、输出层构成,人工神经网络通过构造一个将输入和输出联系起来的函数来学习数据,而学习函数的构造包含了多个神经元组成的隐含层,并且神经元中存在非线性的激活函数来实现对非线性问题的回归拟合。输入层含有所有输入特征,每个隐含层含有多个神经元,输出层则含有输出值。对于全连接神经网络,每层的所有输入特征、所有神经元、所有输出值都是互相完全相连的,如图2所示,输出层的输出值与输入层的输入值的关系为:
式(2)中,ym表示输出值,xi表示输入值,表示输入i连接到神经元j的权重,表示神经元j连接到输出m的权重,n表示输入总个数,k表示神经元总个数,φ表示神经元上的激活函数,g表示输出层上的激活函数。
对于本发明而言,由于具体涉及到气动探针标定参数预测,以上的神经网络函数关系中,气动探针测量得到的输入特征参数(kMa、kα、kγ等)为xi,输出标定参数Mact、αct、γct、kpt、kps等则为ym。
图3为本发明提出的双级人工神经网络气动探针标定参数预测模型示意图。本发明提出的双级人工神经网络气动探针标定参数预测模型,整体由两个人工神经网络构成,即图3中示出的ANN1和ANN2。两个人工神经网络ANN1、ANN2的输入特征参数均为气动探针测量得到的特征参数x1、x2、x3即kMa、kα、kγ等,第一人工神经网络ANN1用以预测出各标定参数 即Mact、αct、γct、kpt、kps的无误差预测值。第二人工神经网络ANN2用以预测出各标定参数对应的误差值/>即Mact、αct、γct、kpt、kps的误差预测值,最后将预测出的各标定参数及其对应的误差值相加得到最终标定参数值y1、y2、y3、y4、y5即Mact、αct、γct、kpt、kps的最终预测值。
第一人工神经网络ANN1中,输入特征参数kMa、kα、kγ等与输出标定参数Mact、αct、γct、kpt、kps等被用来训练ANN1神经网络中神经元的参数。
第二人工神经网络ANN2中,输入特征参数kMa、kα、kγ等与输出误差值等被用来训练ANN2神经网络中神经元的参数。
图4为各标定参数Mact、αct、γct、kpt、kps等的模型预测值与实际值的对比示意图,结果可看到采用本发明的两级人工神经网络进行气动探针标定参数的预测拥有很好的预测精度。
图5为Ma=0.5时标定网格值与线性插值网格值,可看到除去训练时采用的标定值外,其余位置使用相邻两点标定值进行线性插值,插值结果均分布合理,说明拥有很好的泛化性能。
具体而言,本发明的基于双级神经网络的气动探针标定方法,在实施时主要包括如下步骤:
1)分别构建第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,其中,第一、二人工神经网络ANN1、ANN2的输入特征参数均为气动探针测量得到的特征参数x1、x2、x3即kMa、kα、kγ,第一人工神经网络ANN1的输出标定参数为即Mact、αct、γct、kpt、kps的无误差预测值,第二人工神经网络ANN2的输出为误差参数为/> 即Mact、αct、γct、kpt、kps的误差预测值,第一人工神经网络ANN1利用输入与输出参数来训练ANN1神经网络中神经元的参数,第二人工神经网络ANN2利用输入与输出参数来训练ANN2神经网络中神经元的参数。
2)使用气动探针测量的校准数据,即在标定风洞上测得的一组标定kMa、kα、kγ及对应的Mact、αct、γct、kpt、kps和误差值数据,训练和测试第一基准人工神经网络和第二基准人工神经网络;
3)通过网络隐含层数量、训练算法、激活函数和神经元数量的不同组合进行***分析,以找到与基准网络相比的最优解。通常隐含层选用1-2层,第1层隐含层所含神经单元数量不超过输入变量个数的2-3倍,后续的隐含层神经单元数目逐层递减,激活函数采用ReLU或Sigmoid函数,训练优化方法采用Adam方法;
4)使用最佳网络结构来实现两级标定预测方法,该方法结合了两个神经网络来分别预测校准参数和近似误差,两个神经网络的预测之和为预测标定值。
通过上述实施例,完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明,但应知道,本发明并不限于所公开的实施例,任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (1)
1.一种基于双级人工神经网络的五孔气动探针标定方法,其特征在于利用人工神经网络来预测五孔气动探针的校准参数,所述方法至少包括如下步骤:
SS1. 分别构建第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,其中,
第一基准人工神经网络ANN1和第二基准人工神经网络ANN2输入的特征参数均为气动探针测量得到的特征参数,其中,/>,/>,,/>,/> 分别为五孔气动探针的5个压力测量值;
第一基准人工神经网络ANN1输出的标定参数为的无误差预测值,其中,/>表示标定测量马赫数,/>表示标定测量偏转角,/>表示标定测量俯仰角,表示标定测量总压系数,/>表示标定测量静压系数;
第二基准人工神经网络ANN2输出的标定参数为的误差预测值;
SS2. 使用五孔气动探针测量的校准数据,在标定风洞上测得的一组标定及对应的/>和误差值数据,分别训练和测试第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,第一基准人工神经网络ANN1利用输入与输出参数来训练ANN1神经网络中神经元的参数,第二基准人工神经网络ANN2利用输入与输出参数来训练ANN2神经网络中神经元的参数;
SS3. 对于第一基准人工神经网络ANN1和第二基准人工神经网络ANN2,分别通过网络隐含层数量、训练算法、激活函数和神经元数量的不同组合进行***分析,以找到与基准网络相比的最优网络参数解,其中,
隐含层选用1-2层,第1层隐含层所含神经单元数量不超过输入变量个数的2-3倍,后续的隐含层神经单元数目逐层递减,激活函数采用ReLU或Sigmoid函数,训练优化方法采用Adam方法;
SS4. 利用步骤SS2、SS3得到的第一基准人工神经网络ANN1和第二基准人工神经网络ANN2的最佳网络结构,来实现五孔气动探针的双级神经网络标定预测,结合第一基准人工神经网络ANN1和第二基准人工神经网络ANN2分别预测校准参数和近似误差,两个神经网络的预测之和即为预测标定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453628.3A CN114046959B (zh) | 2021-12-01 | 2021-12-01 | 一种基于双级人工神经网络的五孔气动探针标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111453628.3A CN114046959B (zh) | 2021-12-01 | 2021-12-01 | 一种基于双级人工神经网络的五孔气动探针标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114046959A CN114046959A (zh) | 2022-02-15 |
CN114046959B true CN114046959B (zh) | 2024-05-10 |
Family
ID=80211895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111453628.3A Active CN114046959B (zh) | 2021-12-01 | 2021-12-01 | 一种基于双级人工神经网络的五孔气动探针标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046959B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114486164B (zh) * | 2022-04-18 | 2022-06-17 | 中国空气动力研究与发展中心空天技术研究所 | 一种基于神经网络的三孔探针梯度流场测试标定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107300629A (zh) * | 2017-07-31 | 2017-10-27 | 清华大学 | 扫描探针标定方法 |
CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
CN113268935A (zh) * | 2021-06-27 | 2021-08-17 | 东南大学 | 一种基于阵列式柔性触觉传感器的解耦分析方法 |
-
2021
- 2021-12-01 CN CN202111453628.3A patent/CN114046959B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107300629A (zh) * | 2017-07-31 | 2017-10-27 | 清华大学 | 扫描探针标定方法 |
CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
CN113268935A (zh) * | 2021-06-27 | 2021-08-17 | 东南大学 | 一种基于阵列式柔性触觉传感器的解耦分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114046959A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200063665A1 (en) | Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm | |
CN110069860A (zh) | 伸缩节可靠性疲劳寿命评估方法 | |
US20100058257A1 (en) | Topology optimization method using equivalent static loads | |
JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
CN114046959B (zh) | 一种基于双级人工神经网络的五孔气动探针标定方法 | |
CN108593964B (zh) | 一种七孔气流探针的标定方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN114486164B (zh) | 一种基于神经网络的三孔探针梯度流场测试标定方法 | |
CN113705077A (zh) | 基于机器学习的涡轮叶片反问题设计方法、计算机可读存储介质和电子设备 | |
CN117056402B (zh) | 一种基于多源信号的电机诊断方法、装置及存储介质 | |
CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
Somehsaraei et al. | A novel approach based on artificial neural network for calibration of multi-hole pressure probes | |
CN115358026A (zh) | 一种基于多元线性回归与曲面拟合的五孔探针数据处理方法 | |
CN113343562B (zh) | 一种基于混合建模策略的风机功率预测方法及*** | |
CN116399541A (zh) | 基于深度神经网络的叶栅风洞实验工况参数修正方法 | |
CN114330915A (zh) | 一种短期风电功率组合模型预测方法 | |
CN105046203A (zh) | 基于夹角dtw距离的卫星遥测数据自适应层次聚类方法 | |
CN111680437B (zh) | 一种发动机缸盖用铸铝材料本构参数模型建立方法 | |
CN116432352A (zh) | 一种基于数字孪生的航空发动机主轴轴承故障诊断方法 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN116027459A (zh) | 基于数值天气预报数据的大气加权平均温度的计算方法 | |
CN112685954B (zh) | 一种汽车环境风洞风速和风机转速的预测方法及装置 | |
CN114462336A (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
Chen et al. | The implementation of the data validation process in a gas turbine performance monitoring system |
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 |