CN115294671A - 一种空压机出口压力预测方法和预测*** - Google Patents
一种空压机出口压力预测方法和预测*** Download PDFInfo
- Publication number
- CN115294671A CN115294671A CN202210944823.4A CN202210944823A CN115294671A CN 115294671 A CN115294671 A CN 115294671A CN 202210944823 A CN202210944823 A CN 202210944823A CN 115294671 A CN115294671 A CN 115294671A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- outlet pressure
- data
- network structure
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- 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
- 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)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种空压机出口压力预测方法，涉及数据处理领域，包括以下步骤：获取空压机运行数据，剔除异常数据，进行标准化处理；对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数；得到预测模型，以所述预测模型预测空压机出口压力。
Description
技术领域
本申请涉及数据处理领域，尤其涉及一种空压机出口压力预测方法和预测***。
背景技术
对于空压机***而言，利用数据挖掘技术进行参数的预测具有很大意义。数据挖掘技术根据挖掘任务可分为预测模型、分类与回归、聚类分析、关联分析、序列模式发现、依赖模型、故障及离群点检测等。人工神经网络技术作为一门成熟的理论在仿真预测中得到越来越广泛的应用，其使用范围可以涵盖生产控制、工艺设计、生产调度等的方面。
与此同时，随着工业生产智能化的飞速发展，对机械设备实时运行状态的监测、设备异常故障处理，以及高精度的预测设备运行参数成为当今工业界重点研究方向。空气压缩机是空分装置中关键设备之一，为后续的空冷塔和制冷机械提供指定压力的压缩空气，并为精馏塔提供所需的空气原料。由于压缩机的状态随时发生变化，空压机出口压力的高低将直接影响实际轴功率的大小，也直接影响整个空压机***的安全、效率、能耗等。因此研究空压机出口压力预测算法，对于研究空压机的安全、工厂的生产效率和能源的节约等问题有着重要的意义。传统的数据预测监测处理采用机器学习的算法建立预测模型，从而对数据进行预测。但是，空压机设备参数的数据进行分析十分复杂，且常见的预测模型的预测结果精度不够，误差比较大。
发明内容
针对工厂的空压机在运行过程中，出口压力的异常属于常见故障的一些问题，以及空压机参数的非线性、非典型性、非等效性特点，为此，针对空压机出口压力的异常进行监测，提出了新的一种空压机出口压力预测方法。
为实现上述目的，本申请采用以下技术方案：
一种空压机出口压力预测方法，包括以下步骤：
获取空压机运行数据，剔除异常数据，进行标准化处理；
对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数；
得到预测模型，以所述预测模型预测空压机出口压力。
优选的，所述剔除异常数据，进行标准化处理的方法包括：
包括若干参数类型，对每一参数类型的样本数据按照3σ准则剔除异常数据。
优选的，所述对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入的方法，具体包括：
采用Pearson相关性系数进行相关性分析，以主要参数类型的参数矩阵作为输入变量，以空压机出口压力值作为输出变量，根据相关性系数选择出主要参数类型对应的数据作为网络输入。
优选的，所述，以Adam优化算法优化多层感知机网络结构，最小化损失函数的方法，具体包括：
输出层输出预测的空压机出口压力，将所述预测的空压机出口压力给线性回归中使用的损失函数，优化目标为权值参量和偏置参量。
优选的，所述预测模型的损失函数采用均方根误差RMSE，具体包括：
以模型预测结果
和实际空压机数据进行比较，计算公式如下所示：
N为数据量，通过分析RMSE的值调整模型精度，得到最优模型。
优选的，所述特征集包括训练集和测试集，使用所述训练集训练多层感知机网络结构，使用所述测试集测试数据进行预测，将实际空压机出口压力与预测空压机出口压力进行比较。
优选的，采用双隐含层的多层感知机网络结构，第一隐含层的隐节点大于第二隐含层。
基于上述的一种空压机出口压力预测方法，进一步公开一种空压机出口压力预测***，包括以下结构：
预处理单元，用于获取空压机运行数据，剔除异常数据，进行标准化处理；
关联分析单元，对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
模型训练单元，用于以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数，得到最优模型；
模型测试单元，用于以测试集测计算空压机出口压力。
输入单元，输入空压机运行数据；
输出单元，用于输出预测的空压机出口压力。
本发明具有如下有益效果：
(1)本发明采用的多层感知机是前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上，解决了任何线性不可分问题，有效的实现空压机***健康分析，进一步可与数字孪生***结合对现场操作进行指导，从而保证现场设备的安全高效运行。
(2)由于空压机其内部运行参数非常复杂，为降低训练难度、提高训练效率，在做数据处理时需要剔除一些与网络模型相关性较低的参数，重点研究与网络模型相关性较高的参数数据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是空压机出口压力预测方法流程图；
图2为双隐层MLP模型结构示意图；
图3为双隐层MLP模型参数示意图；
图4为空压机出口压力预测值与真实数据对比图。
具体实施方式
下面将结合附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请的权利要求书和说明书的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式，此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他单元。
实施例1：
一种空压机出口压力预测方法，包括以下步骤：
(1)，获取空压机运行数据，剔除异常数据，进行标准化处理；
(2)，对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
(3)以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数；
(4)训练得到预测模型，以预测模型预测空压机出口压力。
关于步骤(1)，剔除异常数据，进行标准化处理的方法包括：提取若干参数类型，对每一参数类型的样本数据按照3σ准则剔除异常数据。
设每个类型的参数样本数据为x1，x2，x3，…xN，平均值为
偏差为
根据贝塞尔公式计算出标准偏差
如果某一样本数据xi的偏差vi满足|vi|＞3σ则认为该数据为异常数据应该剔除。
异常值分析可以检验***上传数据是否有录入错误，是否含有不合常理的数据。把不加剔除地将异常值放入数据的计算分析过程中，会对空压机出口压力预测结果造成不良影响。对于标准化处理方法，采用0-1标准化方法，可以消除指标之间的量纲影响，以解决数据指标之间的可比性。
关于步骤(2)，对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入，采用Pearson相关性系数进行相关性分析，以主要参数矩阵作为输入变量，以空压机出口压力值作为输出变量，根据相关性系数选择出主要关联参数作为网络输入。
具体的，Pearson相关性系数的公式为：
其中，X(X个参数矩阵)和Y(出口压力)分别为输入和输出变量，N为观测量的大小(比如1000次采样)。实地采集空压机内部各设备正常运行的参数数据，经过计算得出相关性系数。规定相关系数在0.8～1.0范围为极强相关性，0.6～0.8范围为较强相关性，0.4～0.6范围为中等相关性，0～0.4范围属于几乎不相关。选取系数为极强相关性的参数作为输入值。
由于空压机装置有上千个测点，但并不是每一个测点都与空压机出口压力有关联性，其中对空压机出口压力有显著影响的只有部分主要参数，根据上述的Pearson相关性分析，可以确定下列参数为主要参数：空压机入口温度、空压机入口压力、空压机进水压力、空压机回水压力、空压机进水温度、空压机回水温度、空压机出口流速、空压机瞬时流量、空压机出口温度、空压机循环水进水压力、空压机循环水回水压力、空压机循环水进水温度、空压机循环水回水温度、空压机三级出口压力、空压机电流、空压机电压和空压机功率。以这17个参数作为网络输入。
步骤(3)，如图2、如图3所示构建深度学习模型，选择多层感知机网络结构，配置输入层、隐层、输出层，本实施例中采用双隐层，隐藏层大小为20,12，具体来说，经过步骤(1)(2)的处理后，输入给定样本X∈Rn×d，其批量大小为n，输入个数为d。在本实施例中d为输入变量的数目17，n为模型训练时每个输入变量的长度，根据空压机数据采集***中保存的数据进行调整。假设多层感知机的一个隐藏层，其中隐藏单元个数为h。记隐藏层的输出(也称为隐藏层变量或隐藏变量)为H，有H∈Rn×h。因为隐藏层和输出层均是全连接层，可以设隐藏层的权重参数和偏差参数分别为Wh∈Rd×h和bh∈R1×h，输出层的权重和偏差参数分别为Wo∈Rh×q和bo∈R1×q。多层感知机隐藏层按以下方式计算输出：
H＝φ(XWh+bh)
O＝HWo+bo (2)
其中φ表示激活函数，表达式为
激活函数的作用是向学习网络中引入非线性运算，使网络能够逼近任何非线性函数，大幅度提升模型泛化能力。在本发明中我们选用双层隐含层，在第1个隐层设置较多的隐节点，而第2个隐层设置较少的隐节点，更有利于改善多层前馈网的性能，提高预测效果。因此网络结构为(17，20，12，1)。在输出层的参数为预测的空压机出口压力。
进一步，以Adam优化算法优化多层感知机网络结构，将输出层的参数直接提供给线性回归中使用的平方损失函数。优化目标为权值参量和偏置参量，使得损失函数最小，这意味着网络输出的预测空压机出口压力会越来越接近真实空压机出口压力。
优化方法采用Adam，首先该优化方法实现简单，计算高效，可以节省分析时间；其次在空压机数据采集***内有大量的历史数据，考虑到预测的精确性往往选取大量的数据进行模型训练，该优化算法比较适合于这种运行场景；此外传感器采集的空压机运行数据不可避免受到噪声的影响，该优化算法可以减轻噪声对模型精度的影响。
上述预测模型的损失函数采用均方根误差RMSE，其中，以模型预测结果
和实际空压机数据进行比较，计算公式如下所示，N为数据量：
使得均方根误差RMSE最小化，若是，则保存模型并进入下一步测试集校验，若否，则调整权值参量和偏置参量继续训练，循环判断直至完成预测模型。
样本数据包括训练集和测试集，训练模型采用训练集，在测试阶段，本实施例选择1000个样本数据，根据测试保存的模型参数计算预测的空压机出口压力。同时，在开始训练模型之前，预先对网络中超参数进行设置，一般需要通过交叉验证设定。
综上，将从影响空压机出口压力的相关因素出发，结合获取的真实数据，通过使用MLP算法对出口压力进行预测，为该领域的进一步发展做出尝试。
从图4可以看出，预测值的与真实值相差很小，RMSE＝0.001。即网络预测结果满足要求。基于多层感知机的空压机出口压力预测算法有很好的拟合能力，值得运用在实践中。
实施例2：
基于上述的空压机出口压力预测方法，进一步公开一种空压机出口压力预测***，包括以下结构：
预处理单元，用于获取空压机运行数据，剔除异常数据，进行标准化处理；
关联分析单元，对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
模型训练单元，用于以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数，得到最优模型；
模型测试单元，用于以测试集测计算空压机出口压力。
输入单元，输入空压机运行数据；
输出单元，用于输出预测的空压机出口压力。
其中，在本申请所公开的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。
所述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何在本发明揭露的技术范围内的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种空压机出口压力预测方法，其特征在于，包括以下步骤：
获取空压机运行数据，剔除异常数据，进行标准化处理；
对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数；
得到预测模型，以所述预测模型预测空压机出口压力。
2.根据权利要求1所述的空压机出口压力预测方法，其特征在于，所述剔除异常数据，进行标准化处理的方法包括：
包括若干参数类型，对每一参数类型的样本数据按照3σ准则剔除异常数据。
3.根据权利要求1所述的空压机出口压力预测方法，其特征在于，所述对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入的方法，具体包括：
采用Pearson相关性系数进行相关性分析，以主要参数类型的参数矩阵作为输入变量，以空压机出口压力值作为输出变量，根据相关性系数选择出主要参数类型对应的数据作为网络输入。
4.根据权利要求1所述的空压机出口压力预测方法，其特征在于，所述，以Adam优化算法优化多层感知机网络结构，最小化损失函数的方法，具体包括：
输出层输出预测的空压机出口压力，将所述预测的空压机出口压力给线性回归中使用的损失函数，优化目标为权值参量和偏置参量。
5.根据权利要求1或4所述的空压机出口压力预测方法，其特征在于，所述预测模型的损失函数采用均方根误差RMSE，具体包括：
以模型预测结果
和实际空压机数据进行比较，计算公式如下所示：
N为数据量，通过分析RMSE的值调整模型精度，得到最优模型。
6.根据权利要求1所述的空压机出口压力预测方法，其特征在于，所述特征集包括训练集和测试集，使用所述训练集训练多层感知机网络结构，使用所述测试集测试数据进行预测，将实际空压机出口压力与预测空压机出口压力进行比较。
7.根据权利要求1所述的空压机出口压力预测方法，其特征在于，采用双隐含层的多层感知机网络结构，第一隐含层的隐节点大于第二隐含层。
8.一种空压机出口压力预测***，其特征在于，包括以下结构：
预处理单元，用于获取空压机运行数据，剔除异常数据，进行标准化处理；
关联分析单元，对空压机运行数据进行相关性分析，选择与空压机出口压力相关的运行参数作为网络输入；
模型训练单元，用于以与空压机出口压力相关的运行参数作为样本数据训练多层感知机网络结构，选取运行参数作为特征集训练多层感知机网络结构，以Adam优化算法优化多层感知机网络结构，最小化损失函数，得到最优模型；
模型测试单元，用于以测试集测计算空压机出口压力；
输入单元，输入空压机运行数据；
输出单元，用于输出预测的空压机出口压力。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的空压机出口压力预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的空压机出口压力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210944823.4A CN115294671A (zh) | 2022-08-08 | 2022-08-08 | 一种空压机出口压力预测方法和预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210944823.4A CN115294671A (zh) | 2022-08-08 | 2022-08-08 | 一种空压机出口压力预测方法和预测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115294671A true CN115294671A (zh) | 2022-11-04 |
Family
ID=83828109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210944823.4A Pending CN115294671A (zh) | 2022-08-08 | 2022-08-08 | 一种空压机出口压力预测方法和预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294671A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
| CN117236511A (zh) * | 2023-09-26 | 2023-12-15 | 中交广州航道局有限公司 | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 |
| TWI833604B (zh) * | 2023-03-15 | 2024-02-21 | 緯創資通股份有限公司 | 設備參數推薦方法、電子裝置及非暫態電腦可讀取記錄媒體 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060184255A1 (en) * | 2005-02-11 | 2006-08-17 | Roger Dixon | Adaptive sensor model |
| US20110067396A1 (en) * | 2009-09-22 | 2011-03-24 | Gm Global Technology Operations, Inc. | Pressure estimation systems and methods |
| CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
| TW201310260A (zh) * | 2011-08-16 | 2013-03-01 | Advanced Control & Systems Inc | 空壓機操作預測管理方法 |
| CN103745271A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 基于神经网络的感应热沉积钙磷涂层工艺预测方法 |
| CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
| CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
| CN111178978A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学 | 一种结合航班信息和价格序列的机票价格预测方法 |
| CN111950854A (zh) * | 2020-07-14 | 2020-11-17 | 包头钢铁（集团）有限责任公司 | 一种基于多层神经网络的焦炭质量指标预测方法 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及*** |
| CN112529320A (zh) * | 2020-12-18 | 2021-03-19 | 上海应用技术大学 | 空压机集群智能诊断*** |
| CN113339310A (zh) * | 2021-07-19 | 2021-09-03 | 东北大学 | 基于磁悬浮轴向位置控制的压缩机喘振预测控制方法 |
| CN113554466A (zh) * | 2021-07-26 | 2021-10-26 | 国网四川省电力公司电力科学研究院 | 一种短期用电量预测模型构建方法、预测方法和装置 |
| CN114169645A (zh) * | 2021-12-31 | 2022-03-11 | 中国南方电网有限责任公司 | 一种智能电网短期负荷预测方法 |
| CN114182510A (zh) * | 2021-12-31 | 2022-03-15 | 广东美的白色家电技术创新中心有限公司 | 干衣机控制方法、装置、干衣机及存储介质 |
| CN114295556A (zh) * | 2021-12-28 | 2022-04-08 | 浙江工业大学 | 一种基于一维卷积的高光谱理化指标拟合方法及*** |
| CN114492163A (zh) * | 2021-12-24 | 2022-05-13 | 武汉钢铁有限公司 | 一种高炉风机运行工况预测方法、装置、设备及存储介质 |
| CN114547974A (zh) * | 2022-02-11 | 2022-05-27 | 齐鲁工业大学 | 基于输入变量选择与lstm神经网络的动态软测量建模方法 |
-
2022
- 2022-08-08 CN CN202210944823.4A patent/CN115294671A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060184255A1 (en) * | 2005-02-11 | 2006-08-17 | Roger Dixon | Adaptive sensor model |
| US20110067396A1 (en) * | 2009-09-22 | 2011-03-24 | Gm Global Technology Operations, Inc. | Pressure estimation systems and methods |
| TW201310260A (zh) * | 2011-08-16 | 2013-03-01 | Advanced Control & Systems Inc | 空壓機操作預測管理方法 |
| CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
| CN103745271A (zh) * | 2014-01-02 | 2014-04-23 | 上海大学 | 基于神经网络的感应热沉积钙磷涂层工艺预测方法 |
| CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
| CN110503133A (zh) * | 2019-07-26 | 2019-11-26 | 东北大学 | 一种基于深度学习的离心式压缩机故障预测方法 |
| CN111178978A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学 | 一种结合航班信息和价格序列的机票价格预测方法 |
| CN111970163A (zh) * | 2020-06-30 | 2020-11-20 | 网络通信与安全紫金山实验室 | 一种基于注意力机制的lstm模型的网络流量预测方法 |
| CN111950854A (zh) * | 2020-07-14 | 2020-11-17 | 包头钢铁（集团）有限责任公司 | 一种基于多层神经网络的焦炭质量指标预测方法 |
| CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及*** |
| CN112529320A (zh) * | 2020-12-18 | 2021-03-19 | 上海应用技术大学 | 空压机集群智能诊断*** |
| CN113339310A (zh) * | 2021-07-19 | 2021-09-03 | 东北大学 | 基于磁悬浮轴向位置控制的压缩机喘振预测控制方法 |
| CN113554466A (zh) * | 2021-07-26 | 2021-10-26 | 国网四川省电力公司电力科学研究院 | 一种短期用电量预测模型构建方法、预测方法和装置 |
| CN114492163A (zh) * | 2021-12-24 | 2022-05-13 | 武汉钢铁有限公司 | 一种高炉风机运行工况预测方法、装置、设备及存储介质 |
| CN114295556A (zh) * | 2021-12-28 | 2022-04-08 | 浙江工业大学 | 一种基于一维卷积的高光谱理化指标拟合方法及*** |
| CN114169645A (zh) * | 2021-12-31 | 2022-03-11 | 中国南方电网有限责任公司 | 一种智能电网短期负荷预测方法 |
| CN114182510A (zh) * | 2021-12-31 | 2022-03-15 | 广东美的白色家电技术创新中心有限公司 | 干衣机控制方法、装置、干衣机及存储介质 |
| CN114547974A (zh) * | 2022-02-11 | 2022-05-27 | 齐鲁工业大学 | 基于输入变量选择与lstm神经网络的动态软测量建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘树春 等: "《深度实践OCR 基于深度学习的文字识别》", vol. 1, 31 May 2020, 机械工业出版社, pages: 154 - 156 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI833604B (zh) * | 2023-03-15 | 2024-02-21 | 緯創資通股份有限公司 | 設備參數推薦方法、電子裝置及非暫態電腦可讀取記錄媒體 |
| CN117032120A (zh) * | 2023-08-16 | 2023-11-10 | 广东超级龙节能环保科技有限公司 | 集成一体式空压站智能云控制***及控制方法 |
| CN117236511A (zh) * | 2023-09-26 | 2023-12-15 | 中交广州航道局有限公司 | 绞吸式挖泥船水下泵真空度的大数据预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Condition monitoring of wind turbine gearbox bearing based on deep learning model | |
| CN115294671A (zh) | 一种空压机出口压力预测方法和预测*** | |
| CN111539553B (zh) | 基于svr算法和偏峰度的风电机组发电机故障预警方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN110262450B (zh) | 面向汽轮机的多种故障特性协同分析的故障预测方法 | |
| CN113107626B (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
| CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
| CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| CN113822418A (zh) | 一种风电场功率预测方法、***、设备和存储介质 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和*** | |
| CN112132394A (zh) | 一种电厂循环水泵预测性状态评估方法及*** | |
| CN114218872A (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN117744859A (zh) | 基于自适应双控制策略的风电机组发电机故障预警方法 | |
| CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
| CN116127831A (zh) | 一种重型燃气轮机难测参数软测量方法 | |
| Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
| CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
| Lyu et al. | Interval prediction of remaining useful life based on convolutional auto-encode and lower upper bound estimation | |
| CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
| CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
| CN115578084A (zh) | 基于深度卷积自编码器的风电机组变频器故障预警方法 |
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 |