CN116955933A - 可变流程微通道换热器性能检测方法、装置及设备 - Google Patents
可变流程微通道换热器性能检测方法、装置及设备 Download PDFInfo
- Publication number
- CN116955933A CN116955933A CN202311220732.7A CN202311220732A CN116955933A CN 116955933 A CN116955933 A CN 116955933A CN 202311220732 A CN202311220732 A CN 202311220732A CN 116955933 A CN116955933 A CN 116955933A
- Authority
- CN
- China
- Prior art keywords
- heat exchange
- description vector
- data set
- vector
- exchange performance
- 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 38
- 239000013598 vector Substances 0.000 claims abstract description 661
- 238000004140 cleaning Methods 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims description 76
- 238000004422 calculation algorithm Methods 0.000 claims description 62
- 238000004220 aggregation Methods 0.000 claims description 57
- 230000002776 aggregation Effects 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 238000007635 classification algorithm Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004931 aggregating effect Effects 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010926 purge Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 34
- 238000003860 storage Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 239000012530 fluid Substances 0.000 description 10
- 238000012546 transfer Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241001080929 Zeugopterus punctatus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Heat-Exchange Devices With Radiators And Conduit Assemblies (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
Abstract
本公开提供一种可变流程微通道换热器性能检测方法、装置及设备,通过获取拟检测换热器换热数据集的数据集描述向量,将其确定为第一数据集描述向量,对第一数据集描述向量进行调节以实现数据清洗,每轮调节的清洗都至少联合第一数据集描述向量,数据清洗后获得的第二数据集描述向量能保留拟检测换热器换热数据集中的初始换热性能状态,避免数据清洗改变换热性能状态导致的性能识别出现偏差。多次调节时,后一轮调节联合了历史各次调节的数据清洗结果,可以增加数据清洗的质量,进而提高对目标描述向量识别换热性能状态的可靠性。通过通过调节清洗的第二数据集描述向量,进行换热性能状态分类,得到拟检测换热器换热数据集的换热性能状态。
Description
技术领域
本公开涉及但不限于数据处理、人工智能技术领域,尤其涉及一种可变流程微通道换热器性能检测方法、装置及设备。
背景技术
可变流程微通道换热器(Variable Flow Microchannel Heat Exchanger)是一种用于热传递的装置,采用微通道结构来实现高效的热交换。其由多个微小通道组成,通过这些通道将热量从一个流体传递给另一个流体,从而实现热能的转移。可变流程微通道换热器的特点在于可以根据需要调整流体的流量。通过改变不同通道的使用情况,可以实现非均匀的流动分布,从而优化热传递效果。这种灵活的设计使得换热器可以根据实际应用需求进行调整,提高热交换的效率和性能。在众多应用领域中,可变流程微通道换热器具有潜在的应用前景,如电子设备散热、化工过程中的热交换、再生能源***等。检测可变流程微通道换热器的换热性能是保证换热效果的重要环节,相关技术中,换热性能的检测主要通过对可变流程微通道换热器的换热数据,例如流体入口温度、流体出口温度、流体流量、压力、壁面温度等数据采用人工智能辅助工具进行分析,以提高检测效率和准确性,那么,如何提高换热性能检测的准确性是需要不断改进的技术问题。
发明内容
有鉴于此,本公开实施例至少提供一种可变流程微通道换热器性能检测方法、装置及设备。
本公开实施例的技术方案是这样实现的:
一方面,本公开实施例提供可变流程微通道换热器性能检测方法,应用于计算机设备,所述方法包括:
获取拟检测换热器换热数据集的数据集描述向量,作为第一数据集描述向量;
对所述第一数据集描述向量进行多轮调节,一轮调节包括:基于所述第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,并依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量;
在第一轮调节中,所述待清洗描述向量为所述第一数据集描述向量,在第X轮调节中,所述待清洗描述向量为所述第一数据集描述向量和已获取的中间描述向量聚合获取的,X为正整数;
将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量;
通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态。
在一些实施例中,对一轮调节而言:
当为第一轮调节时,将所述第一数据集描述向量确定成待清洗描述向量,并依据对历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第一轮调节对应的中间描述向量;
当为第二轮调节时,将所述第一数据集描述向量和本轮调节的上一轮调节得到的一个中间描述向量聚合成待清洗描述向量,并依据对所述历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第二轮调节对应的中间描述向量;
当为第三轮调节时,将所述第一数据集描述向量和本轮调节的上两次调节得到的两个中间描述向量聚合成待清洗描述向量,并依据对所述历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第三轮调节对应的中间描述向量。
在一些实施例中,所述待清洗描述向量的聚合过程包括:
通过预设的拼接位次对已获取的各中间描述向量和所述第一数据集描述向量进行向量拼接,得到待清洗描述向量;或者;通过已获取的各中间描述向量分别对应的聚合调节参数,以及所述第一数据集描述向量对应的聚合调节参数,对所述各中间描述向量和所述第一数据集描述向量进行权值平衡合并,获得待清洗描述向量;其中,每个所述聚合调节参数用于描述相应的中间描述向量或所述第一数据集描述向量对所述待清洗描述向量的重要性;
所述对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量,包括:
对所述目标描述向量进行降维操作,获得向量元素数量与所述第一数据集描述向量对应的临时描述向量;
对所述临时描述向量进行数值区间归一,得到归一向量,将所述归一向量确定成目标数据清洗参数;
通过所述目标数据清洗参数计算与所述第一数据集描述向量的内积,得到第二数据集描述向量。
在一些实施例中,所述通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态,包括:
对于所述第二数据集描述向量进行数据集描述向量推理,得到所述第二数据集描述向量中包含换热性能状态的分类支持系数;
若所述分类支持系数大于预设的换热性能状态分类参考支持系数,则确定所述拟检测换热器换热数据集中包含对应的所述换热性能状态。
在一些实施例中,所述方法依据训练完成的换热性能状态检测算法实现,所述换热性能状态检测算法通过以下操作训练得到:
获取换热器数据样本集合,所述换热器数据样本集合中的每个换热器数据样本包括:对一拟清洗换热器数据样本抽取的第一换热性能样本描述向量和相应的样本注释,所述样本注释包括样本换热性能状态标记,所述样本换热性能状态标记用于描述所述换热性能状态是否对应于相应的拟清洗换热器数据样本;
在所述换热器数据样本集合中确定换热器数据样本,以及将对应的第一换热性能样本描述向量输入所述换热性能状态检测算法中,得到对所述换热性能状态分类的推理换热性能状态标记;
通过所述推理换热性能状态标记与相应的样本换热性能状态标记之间的损失,对所述换热性能状态检测算法中的算法可学习变量进行修正。
在一些实施例中,所述算法可学习变量包括用于清洗的第一可学习变量和用于支持系数确定的第二可学习变量;所述得到对所述换热性能状态分类的推理换热性能状态标记,包括:
通过所述第一可学习变量对所述第一换热性能样本描述向量进行清洗,得到相应的第二换热性能样本描述向量;
通过所述第二可学习变量,对所述第二换热性能样本描述向量进行数据集描述向量推理,得到支持所述换热性能状态的分类支持系数,并比较所述分类支持系数与预设的换热性能状态分类参考支持系数,得到推理换热性能状态标记;
所述样本注释还包括对相应拟清洗换热器数据样本抽取的纯净换热性能样本描述向量,所述纯净换热性能样本描述向量为无需清洗的数据集描述向量,所述算法可学习变量包括用于清洗的第一可学习变量和用于支持系数确定的第二可学习变量;所述通过所述推理换热性能状态标记与相应的样本换热性能状态标记之间的损失,对所述换热性能状态检测算法中的算法可学习变量进行修正,包括:
通过所述第二换热性能样本描述向量与相应的纯净换热性能样本描述向量之间的第一损失,优化所述第一可学习变量;
获取所述推理换热性能状态标记与相应的样本换热性能状态标记之间的第二损失,并对所述第一损失和所述第二损失进行融合,得到融合损失;
通过所述融合损失优化所述第一可学习变量和所述第二可学习变量。
在一些实施例中,所述通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态,包括:
获取所述拟检测换热器换热数据集和换热性能状态关系网;
将所述拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到所述拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量;
通过描述向量抽取模块对所述换热性能状态关系网进行描述向量抽取,得到所述换热性能状态关系网的换热性能描述向量,所述换热性能描述向量表征所述换热性能状态关系网的状态衍生关系;
对所述换热性能描述向量、所述数据簇描述向量和所述第二数据集描述向量进行描述向量聚合,得到目标聚合向量;
将所述目标聚合向量输入换热性能状态分类算法进行换热性能状态分类,得到所述拟检测换热器换热数据集对应的换热性能状态。
在一些实施例中,所述描述向量抽取模块包括与所述换热性能状态关系网中的多个网结彼此映射的多个描述向量融合单元,所述通过描述向量抽取模块对所述换热性能状态关系网进行描述向量抽取,得到所述换热性能状态关系网的换热性能描述向量,包括:
对所述多个网结中每个网结的换热性能状态进行换热特征识别,得到所述每个网结对应的网结换热描述向量;
将所述换热性能状态关系网的末端网结对应的网结换热描述向量输入与所述末端网结对应的描述向量融合单元,得到所述末端网结对应的网结融合描述向量;
从所述末端网结的上级网结开始,通览所述多个网结,将当下处理到的网结的下级网结对应的网结融合描述向量和所述当下处理到的网结对应的网结换热描述向量输入与所述当下处理到的网结对应的描述向量融合单元,得到所述当下处理到的网结对应的网结融合描述向量;
通览所述多个网结后,将所述换热性能状态关系网中顶端网结对应的网结融合描述向量确定为所述换热性能描述向量;
所述换热特征识别算法包括换热数据划簇模块、换热特征识别模块和换热特征融合模块,所述将所述拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到所述拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量,包括:
将所述拟检测换热器换热数据集输入所述换热数据划簇模块进行数据划簇,得到所述多个换热数据簇;
将所述多个换热数据簇输入所述换热特征识别模块进行换热特征识别,得到所述多个换热数据簇对应的基础换热特征向量、数据簇位置向量和数据簇区间向量;
将所述基础换热特征向量、所述数据簇位置向量与所述数据簇区间向量输入所述换热特征融合模块对所述多个换热数据簇进行互相关换热特征融合,得到所述数据簇描述向量;
所述对所述换热性能描述向量、所述数据簇描述向量和所述第二数据集描述向量进行描述向量聚合,得到目标聚合向量包括:
将所述换热性能描述向量和所述数据簇描述向量输入描述向量聚合模块进行描述向量聚合,得到基础聚合向量;
将所述基础聚合向量、所述第二数据集描述向量和所述换热性能描述向量输入向量拼接单元进行向量拼接,得到所述目标聚合向量。
第二方面,本公开提供了一种可变流程微通道换热器性能检测装置,包括:
特征提取模块,用于获取拟检测换热器换热数据集的数据集描述向量,作为第一数据集描述向量;
特征调节模块,用于对所述第一数据集描述向量进行多轮调节,一轮调节包括:基于所述第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,并依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量;
在第一轮调节中,所述待清洗描述向量为所述第一数据集描述向量,在第X轮调节中,所述待清洗描述向量为所述第一数据集描述向量和已获取的中间描述向量聚合获取的,X为正整数;
数据清洗模块,用于将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量;
性能检测模块,用于通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态。
第三方面,本公开提供了一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述方法中的步骤。
本公开至少具有的有益效果:本公开通过获取拟检测换热器换热数据集的数据集描述向量,将其确定为第一数据集描述向量,对第一数据集描述向量进行调节以实现数据清洗,一轮调节过程中,基于第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,之后通过清洗中间状态对待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量,第一轮调节过程中,待清洗描述向量为第一数据集描述向量,在第X轮调节中,待清洗描述向量为第一数据集描述向量和已获取的中间描述向量聚合获取的的,X为正整数。其中,每轮调节的清洗过程都至少联合第一数据集描述向量(即初始的拟清洗的数据集描述向量),通过数据清洗后,获得的第二数据集描述向量能保留拟检测换热器换热数据集中的初始换热性能状态,避免数据清洗改变换热性能状态导致的性能识别出现偏差。进一步地,多次调节时,后一轮调节联合了历史各次调节的数据清洗结果(即中间描述向量),可以增加数据清洗的质量,进而提高对目标描述向量识别换热性能状态的可靠性。通过通过调节清洗的第二数据集描述向量,进行换热性能状态分类,得到拟检测换热器换热数据集的换热性能状态。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1为本公开实施例提供的一种可变流程微通道换热器性能检测方法的实现流程示意图。
图2为本公开实施例提供的一种可变流程微通道换热器性能检测装置的组成结构示意图。
图3为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本公开的目的、技术方案和优点更加清楚,下面结合附图和实施例对本公开的技术方案进一步详细阐述,所描述的实施例不应视为对本公开的限制,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它实施例,都属于本公开保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
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公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的,不是旨在限制本公开。
本公开实施例提供一种可变流程微通道换热器性能检测方法,该方法可以由计算机设备的处理器执行。其中,计算机设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备等具备数据处理能力的设备。
图1为本公开实施例提供的一种可变流程微通道换热器性能检测方法的实现流程示意图,如图1所示,该方法包括如下操作:
操作100,获取拟检测换热器换热数据集的数据集描述向量,并确定为第一数据集描述向量。
拟检测换热器换热数据集可以是基于物联网技术采集的可变流程微通道换热器(Variable Flow Microchannel Heat Exchanger)的流体入口温度、流体出口温度、流体流量、压力、壁面温度、热传导率等换热器的工作数据,按照预设的数据整理规则(不做限定)进行整理得到。可以基于卷积神经网络对拟检测换热器换热数据集进行特征提取,得到对应的数据集描述向量,将数据集描述向量确定成拟检测换热器换热数据集对应的第一数据集描述向量,描述向量即描述拟检测换热器换热数据集特征信息(如温度特征、流量特征、压力特征等)的矢量。
操作200,对第一数据集描述向量进行多轮调节,获得每轮调节对应的中间描述向量。
本公开实施例中,中间描述向量即对第一数据集描述向量进行一轮清洗后得到的描述向量,可以理解,第一数据集描述向量表征拟检测换热器换热数据集对应的待清洗描述向量,中间描述向量表征拟检测换热器换热数据集对应的清洗描述向量。数据清洗可以包括错误值处理、缺失值处理、重复值处理、降噪、逻辑一致性排查、异常值处理等过程,由于其为现有技术,此处不做展开,本公开实施例的目的在于对数据清洗过程中,缓解过度清洗引起的后续状态识别的误差。
具体来说,调节的过程是对第一数据集描述向量进行数据清洗的过程,在第一轮调节时,将第一数据集描述向量确定成待清洗描述向量,在X轮调节流程中,将第一数据集描述向量和已获取的中间描述向量聚合成待清洗描述向量,并通过对历史拟检测换热器换热数据集获取的历史待清洗描述向量集合,得到本轮调节对应的清洗中间状态,然后通过清洗中间状态对待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量,X为正整数。一轮调节采用任意可行的深度神经网络进行,比如可以基于门控网络将依序排布的多个数据簇(例如按照采集时间划分的多个数据簇或者按照采集数据类型划分的多个数据簇)依次输入门控网络,按序扩展门控网络的状态,通过上一轮的输出确定下一轮的输出,门控网络可以部署分类模块,分类得到推理结果。
设本轮的输入为p,上轮推理结果为q,在一轮调节中,获取四个中间结果,分别为第一结果r1、第二结果r2、第三结果r3和第四结果r4,具体可以基于以下方式进行获取:
r1=Relu(Sr11·p+Sr12·q+Mr1)
r2=tanh(Sr21·p+Sr22·q+Mr2)
r3=Relu(Sr31·p+Sr32·q+Mr3)
r4=Relu(Sr41·p+Sr42·q+Mr4)
其中,Sr11、Sr12、Sr21、Sr22、Sr31、Sr32、Sr41、Sr42分别为一轮调节获得的权值,Mr1、Mr2、Mr3、Mr4分别为实现部署的偏置。
基于以上结果可以获取得到本轮的清洗中间状态(门控网络的中间状态),设其为g,则g=r3·gex+r1·r2,其中,gex为上一轮获得的清洗中间状态。
那么,本轮的推理结果z为Z=r4·tanh(g)。
通常而言,每轮调节是对数据簇进行的,此外,输入数据还可以为待清洗描述向量,以及通过对历史拟检测换热器换热数据集获取的历史待清洗描述向量集合,得到的本轮调节对应的清洗中间状态,然后基于新的输入和前述信息结合得到本轮调节对应的中间描述向量,并将下一轮需要信息进行正向传播,便于对下一拟清洗的数据集描述向量进行清洗。
本公开对第一数据集描述向量需要进行多轮调节,例如,如果进行两轮调节,此时调节的硬件开销小,算力依赖小;如果为了增加清洗质量,可以进行三轮调节,虽提高了硬件开销,但每轮调节时清洗不复杂,无需依赖过高的硬件环境。那么,在调节过程中,以三轮调节进行举例:
在第一轮调节中,将第一数据集描述向量确定成待清洗描述向量,并依据对历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据清洗中间状态对待清洗描述向量进行清洗,得到第一轮调节对应的中间描述向量。在对第一数据集描述向量进行第一轮调节的数据清洗过程中,获取历史拟检测换热器换热数据集对应的清洗中间状态,将其和当下拟检测换热器换热数据集对应的拟清洗数据集描述向量一起作为输入,令门控网络对其进行清洗,得到输出的本轮拟检测换热器换热数据集对应的拟清洗中间状态,以及本轮调节对应的中间描述向量。清洗前,可对第一数据集描述向量进行降维操作,例如,通过第一全连接层对第一数据集描述向量的组成元素数量(即维度)进行变换,基于预设的非线性函数(如tanh)对第一数据集描述向量进行处理,第一全连接层用于对维数进行下降,非线性函数用于对数据数值进行压缩。增加第一全连接层和非线性函数,则下一轮调节的待清洗描述向量还需整合第一数据集描述向量在全连接层后得到的待清洗描述向量。
在第二轮调节中,将第一数据集描述向量和本轮调节以前的一轮调节得到的一个中间描述向量聚合成待清洗描述向量(比如向量拼接、相加、连接等方式进行聚合),并依据对历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据清洗中间状态对待清洗描述向量进行清洗,得到第二轮调节对应的中间描述向量。
在第三轮调节中,将第一数据集描述向量和本轮调节前的两次调节得到的两个中间描述向量(第一轮调节得到的一个中间描述向量和第二轮调节得到的一个中间描述向量)聚合成待清洗描述向量,并依据对历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据清洗中间状态对待清洗描述向量进行清洗,得到第三轮调节对应的中间描述向量。
第一轮调节后的第X轮调节是将本轮调节前的每一次调节得到的各中间描述向量和第一数据集描述向量聚合成待清洗描述向量。在对第一数据集描述向量进行第X轮调节的数据清洗中,和第一轮调节的区别是待清洗描述向量为通过本轮拟检测换热器换热数据集对应的第一数据集描述向量与本轮调节以前得到各中间描述向量聚合获取的。
对于描述向量进行聚合的方式,通过描述向量整合,将已获取的各中间描述向量和第一数据集描述向量,转换成包含更好表征效果的待清洗描述向量,令对待清洗描述向量进行清洗的同时联合第一数据集描述向量和之前每一轮数据清洗结果进行判断,增加数据清洗的可靠性,从而帮助对换热性能状态分类提升可靠性。聚合过程例如为:通过预设的拼接位次(即定义谁在前谁在后),对已获取的各中间描述向量和第一数据集描述向量进行向量拼接,获得待清洗描述向量。或者,通过已获取的各中间描述向量分别对应的聚合调节参数,以及第一数据集描述向量对应的聚合调节参数,对各中间描述向量和第一数据集描述向量进行权值平衡合并(即将聚合调节参数乘以第一数据集描述向量,再将结果求和),获得待清洗描述向量。每个聚合调节参数用于描述相应的中间描述向量或第一数据集描述向量对待清洗描述向量的重要性,即两个描述向量互相之间的影响程度。
每轮调节的清洗过程都至少联合第一数据集描述向量(即初始的拟清洗的数据集描述向量),通过数据清洗后,获得的第二数据集描述向量能保留拟检测换热器换热数据集中的初始换热性能状态,避免数据清洗改变换热性能状态导致的性能识别出现偏差。进一步地,多次调节时,后一轮调节联合了历史各次调节的数据清洗结果(即中间描述向量),可以增加数据清洗的质量,进而提高对目标描述向量识别换热性能状态的可靠性。通过通过调节清洗的第二数据集描述向量,进行换热性能状态分类,得到拟检测换热器换热数据集的换热性能状态。
操作300,将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对目标描述向量进行挖掘得到的目标数据清洗参数,对第一数据集描述向量进行清洗,得到第二数据集描述向量。
目标数据清洗参数是通过清洗输出的一个掩码,通过目标数据清洗参数对第一数据集描述向量进行清洗,得到拟检测换热器换热数据集对应的第二数据集描述向量,即数据清洗后的数据集描述向量。
获取目标数据清洗参数时,先对最终轮调节得到的目标描述向量进行降维操作,得到向量元素数量与第一数据集描述向量对应的中间描述向量,然后对中间描述向量进行数值区间归一,得到归一向量,将归一向量确定成目标数据清洗参数,最后通过目标数据清洗参数计算与第一数据集描述向量的内积,获得第二数据集描述向量。对目标描述向量变换为目标数据清洗参数,可通过第二全连接层变换的描述向量降维操作,基于预设的非线性函数(如sigmoid)对描述向量进行处理,第二全连接层用于对维数进行降维,逻辑函数将取值进行归一化。第二数据集描述向量为对第一数据集描述向量进行各种处理得到的数据清洗后的数据集描述向量,由于上一轮处理都综合第一数据集描述向量的信息,则可以保留换热性能状态信息。
操作400,通过第二数据集描述向量进行换热性能状态分类,获得拟检测换热器换热数据集的换热性能状态。
本公开实施例对第二数据集描述向量进行数据集描述向量推理,得到第二数据集描述向量中包含换热性能状态的分类支持系数,若分类支持系数大于预设的换热性能状态分类参考支持系数,则确定拟检测换热器换热数据集中包含对应的换热性能状态。支持系数表示对应换热性能状态的可能性大小,可以用概率表示。换热性能状态是对换热性能进行分析得到的状态信息,例如对热传递效果的分类,如热传递性能强、热传递性能弱、热传递性能一般;或者流体运动速度状态的分类;或者流体在微通道中的阻力状态(如正常、阻力过大);或者换热器的传热效率等换热性能状态。
例如,对换热性能状态分类时,可以采用支持向量机对第二数据集描述向量进行分析,得到第二数据集描述向量中包含对应换热性能状态的分类支持系数,与预设的换热性能状态分类参考支持系数进行大小对比,当大于预设的换热性能状态分类参考支持系数时,表示其为对应的换热性能状态,确定拟检测换热器换热数据集中包含对应的换热性能状态。
作为一种实施方案,以上实施例可以基于一换热性能状态检测算法实现,该换热性能状态检测算法可以采用以下操作进行训练:
操作S101,获取换热器数据样本集合。
换热器数据样本集合中的每个换热器数据样本包括对一拟清洗换热器数据样本抽取的第一换热性能样本描述向量和样本注释,样本注释包括样本换热性能状态标记,样本换热性能状态标记用于描述换热性能状态是否对应于相应拟清洗换热器数据样本。
操作S102,在换热器数据样本集合中确定换热器数据样本,以及将对应的第一换热性能样本描述向量输入换热性能状态检测算法,得到对换热性能状态分类的推理换热性能状态标记。
操作S103,通过推理换热性能状态标记与相应样本换热性能状态标记之间的损失对换热性能状态检测算法中的算法可学习变量进行修正。
换热性能状态检测算法的训练过程为一轮调节,每轮调节的目的为优化算法可学习变量,例如学习率、超参,在算法收敛时,得到训练完成的换热性能状态检测算法。算法可学习变量具体可以包括用于清洗的第一可学习变量和用于支持系数确定的第二可学习变量,对换热性能状态分类的推理换热性能状态标记,可以是通过第一可学习变量对第一换热性能样本描述向量进行清洗,得到相应的第二换热性能样本描述向量;通过第二可学习变量对第二换热性能样本描述向量进行数据集描述向量推理,得到支持换热性能状态的分类支持系数,并比较分类支持系数与预设的换热性能状态分类参考支持系数,得到推理换热性能状态标记。
换热性能状态检测算法的每轮调节训练都包含第一可学习变量和第二可学习变量的修正,主要是依据清洗的结果和样本注释间的第一损失,得到清洗对应的第一损失值,以及基于推理敏感内容与样本注释之间的第二损失,获得换热性能状态分类对应的第二损失值。样本注释还包括对相应的拟清洗换热器数据样本抽取的纯净换热性能样本描述向量,纯净换热性能样本描述向量是无需清洗的数据集描述向量,则通过第二换热性能样本描述向量与相应的纯净换热性能样本描述向量间的第一损失修正第一可学习变量;获得推理换热性能状态标记与相应样本换热性能状态标记之间的第二损失,并对第一损失和第二损失进行融合(例如加权求和或直接求和),得到融合损失;通过融合损失优化第一可学习变量与第二可学习变量。其中,第一损失可基于均方误差计算得到,第二损失可基于交叉熵计算得到。
作为另一种实施方式,通过第二数据集描述向量进行换热性能状态分类,获得拟检测换热器换热数据集的换热性能状态,还可以通过如下操作实现:
操作S201,获取拟检测换热器换热数据集和换热性能状态关系网。
换热性能状态关系网是收集的各类换热性能状态信息,基于各个状态之间的关系(如从属关系、并列关系)组成(编织)的结构,还可以称其为换热性能状态树状结构。换热性能状态关系网包含多个网结,一个网结对应一个换热性能状态,一个网结可能具有一个衍生的网结,如果具有衍生的网结,那么该网结为一个上级网结或者父网结,其衍生的网结为一个下级网结或者子网结。
操作S202,将拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量。
如操作200所述,一轮调节是对数据簇进行的,该数据簇可称为换热数据簇,其是对拟检测换热器换热数据集进行划簇得到的,例如基于数据采集周期划分的数据簇,或按照数据类型(如换热器的不同换热指标)划分的数据簇,第二数据集描述向量表征拟检测换热器换热数据集的互相关特征(或称上下文特征),数据簇描述向量表征对应的换热数据簇在拟检测换热器换热数据集中的换热性能特征,将拟检测换热器换热数据集输入换热特征识别算法,换热特征识别算法可以结合拟检测换热器换热数据集的上下文完成换热特征识别,得到数据簇描述向量。换热特征识别算法是对预设的换热特征识别算法进行换热特征识别优化得到,预设的换热特征识别算法包括换热数据划簇模块、换热特征识别模块和换热特征融合模块,将拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到拟检测换热器换热数据集的多个拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量,具体可以包括:
操作S2021,将拟检测换热器换热数据集输入换热数据划簇模块进行数据划簇,得到多个换热数据簇。
操作S2022,将多个换热数据簇输入换热特征识别模块进行换热特征识别,得到多个换热数据簇对应的基础换热特征向量、数据簇位置向量和数据簇区间向量。
基础换热特征向量表征对应的换热数据簇自身的特征,数据簇区间向量表征对应的换热数据簇在拟检测换热器换热数据集中所在的数据区间(例如处在哪一个周期,或者哪一个换热数据类型)的特征,数据簇位置向量表征对应的换热数据簇在所在数据区域中的位置特征。
操作S2023,将基础换热特征向量、数据簇位置向量与数据簇区间向量输入换热特征融合模块对多个换热数据簇进行互相关换热特征融合,得到数据簇描述向量。
例如,换热特征融合模块可以包括双向编码模块,将基础换热特征向量、数据簇位置向量与数据簇区间向量输入双向编码模块,对每一换热数据簇的互相关换热特征(即上下文特征)进行融合(如拼接或相加),获得每一换热数据簇的数据簇描述向量。
操作S203,通过描述向量抽取模块对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能描述向量,换热性能描述向量表征换热性能状态关系网的状态衍生关系。
换热性能描述向量表征换热性能状态关系网的状态衍生关系,换热性能状态关系网的状态衍生关系包括换热性能状态关系网的结构和换热性能状态信息,换热性能状态关系网的层级是换热性能状态的结构衍生关系和各换热性能状态之间的关联性。描述向量抽取模块可以是对预设的描述向量抽取模块进行描述向量抽取优化后得到,预设的描述向量抽取模块包括与预设的换热性能状态关系网中的多个网结彼此映射(即一一对应)的多个描述向量融合单元。
例如,通过描述向量抽取模块对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能描述向量,包括:
操作S2031,对多个网结中每个网结的换热性能状态进行换热特征识别,得到每个网结对应的网结换热描述向量。
网结换热描述向量表征网结的换热性能状态本身的语义信息,描述向量抽取模块还包括换热性能状态换热特征识别模块,将每个网结的换热性能状态输入换热性能状态换热特征识别模块进行换热特征识别,得到每个网结对应的网结换热描述向量。
操作S2032,将换热性能状态关系网的末端网结(即最末的、处在底层的网结)对应的网结换热描述向量输入与末端网结对应的描述向量融合单元,得到末端网结对应的网结融合描述向量。
操作S2033,从末端网结的上级网结(即衍生出该末端网结的网结)开始,通览多个网结。
操作S2034,将当下处理到的网结的下级网结对应的网结融合描述向量和当下处理到的网结对应的网结换热描述向量输入与当下处理到的网结对应的描述向量融合单元,得到当下处理到的网结对应的网结融合描述向量。
网结融合描述向量可以表征自末端网结到对应网结的结构衍生关系与合并语义信息。
操作S2035,通览(即遍历所有)多个网结后,将换热性能状态关系网中顶端网结(即位于最上层的网结,可以视为根)对应的网结融合描述向量确定为换热性能描述向量。
例如,通过描述向量抽取模块对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能描述向量,包括:通过描述向量抽取模块对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能状态表征向量,通过描述向量抽取模块对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能状态表征向量包括对多个网结中每个网结的换热性能状态进行换热特征识别,得到每个网结对应的网结换热描述向量,将换热性能状态关系网的末端网结对应的网结换热描述向量输入描述向量抽取模块中与末端网结对应的描述向量融合单元,得到末端网结对应的网结组合表征向量,自末端网结的上级网结开始,依次浏览多个网结,将当下处理到的网结的下级网结对应的网结组合表征向量和当下处理到的网结对应的网结换热描述向量加载到描述向量抽取模块中与当下处理到的网结对应的描述向量融合单元,得到当下处理到的网结对应的网结组合表征向量,通览完成多个网结后,将换热性能状态关系网中顶端网结对应的网结组合表征向量确定为换热性能状态表征向量。如此基于包含与换热性能状态关系网中的多个网结彼此映射的多个描述向量融合单元的描述向量抽取模块对换热性能状态关系网进行描述向量抽取,以合并换热性能状态关系网自末端网结到顶端网结的结构衍生关系与换热性能语义信息,换热性能状态关系网特征被表征得更加精准。
S204,对换热性能描述向量、数据簇描述向量和第二数据集描述向量进行描述向量聚合,得到目标聚合向量。
目标聚合向量为将拟检测换热器换热数据集的换热性能表征向量与换热性能状态关系网的层级表征向量和换热性能语义向量进行聚合后获得的特征向量,可以挖掘拟检测换热器换热数据集与换热性能状态关系网的特征间关联性。
本公开实施例中,对换热性能描述向量、数据簇描述向量和第二数据集描述向量进行描述向量聚合,得到目标聚合向量,包括:
S2041,将换热性能描述向量和数据簇描述向量输入描述向量聚合模块进行描述向量聚合,得到基础聚合向量。
基础聚合向量为嵌入换热性能状态关系网的状态衍生关系的拟检测换热器换热数据集表征,例如,描述向量聚合模块可以对预设的描述向量聚合模块进行描述向量聚合优化得到,预设的描述向量聚合模块包括关联识别单元、权值计算单元和权值分配单元,将换热性能描述向量和数据簇描述向量输入描述向量聚合模块进行描述向量聚合,得到基础聚合向量,包括:
S20411,将数据簇描述向量与换热性能描述向量输入关联识别单元进行关联关系识别,得到目标关联向量。
目标关联向量表征数据簇描述向量与换热性能描述向量间的关联度,例如,关联识别单元可以包括相关性确定单元,将数据簇描述向量与换热性能描述向量输入相关性确定单元进行相关性确定,得到目标关联向量。相关性确定单元可以为tanh函数。
S20412,将目标关联向量输入权值计算单元进行计算,得到数据簇描述向量的关联性评估权值。
例如,权值计算单元可以为归一化指数函数,通过其对目标关联向量进行计算(完成归一化),得到数据簇描述向量的关联性评估权值。
S20413,将关联性评估权值和数据簇描述向量输入权值分配单元进行权值分配,得到基础聚合向量。
S2042,将基础聚合向量、第二数据集描述向量和换热性能描述向量输入向量拼接单元进行向量拼接,得到目标聚合向量。
S205,将目标聚合向量输入换热性能状态分类算法进行换热性能状态分类,得到拟检测换热器换热数据集对应的换热性能状态。
目标换热性能状态为换热性能状态关系网的多个换热性能状态中与拟检测换热器换热数据集对应的一个或多个换热性能状态。换热性能状态分类算法可以是对预设的换热性能状态分类算法进行换热性能状态分类优化获得,预设的换热性能状态分类算法包括全连接层、输出层。输出层用于对整合向量进行换热性能状态分类,得到目标换热性能状态。可选地,换热性能状态可以为换热性能状态关系网中任一末端网结换热性能状态对应的末层换热性能状态信息,在将目标聚合向量输入换热性能状态分类算法进行换热性能状态分类,得到拟检测换热器换热数据集对应的换热性能状态之后,还可以包括:获取换热性能状态匹配信息,换热性能状态匹配信息表征末层换热性能状态信息与末层换热性能状态信息对应的多层级换热性能状态信息的对应关系;通过换热性能状态匹配信息确定与换热性能状态对应的目标多层级换热性能状态信息。
例如,末层换热性能状态信息包括底层换热性能状态,末层换热性能状态信息对应的多层级换热性能状态信息包括底层换热性能状态标记对应的多级换热性能状态,换热性能状态匹配信息表征底层换热性能状态标记与底层换热性能状态标记对应的多级换热性能状态标记的对应关系,底层换热性能状态标记为换热性能状态关系网中任一末端网结换热性能状态对应的换热性能状态标记,多级换热性能状态标记为通过对应末端网结换热性能状态至顶端网结换热性能状态的换热性能状态对应的多级换热性能状态标记。可选地,在换热性能状态包括多个底层换热性能状态标记时,通过换热性能状态匹配信息,确定与换热性能状态对应的目标多层级换热性能状态信息,包括:通过换热性能状态匹配信息,确定与多个底层换热性能状态标记对应的多个目标多级换热性能状态标记;在通过换热性能状态匹配信息确定和多个底层换热性能状态标记对应的多个目标多级换热性能状态标记之后,通过多个目标多级换热性能状态标记生成目标换热性能状态关系网。
基于此,通过换热性能状态分类算法标注最底层换热性能状态,根据末层换热性能状态信息与末层换热性能状态信息对应的多层级换热性能状态信息的对应关系确定与换热性能状态对应的目标多层级换热性能状态信息,增加了换热性能状态分类的准确性。通过对预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法进行训练,得到换热特征识别算法、描述向量抽取模块、描述向量聚合模块、向量拼接单元和换热性能状态分类算法。
该训练过程具体可以包括:
S1,获取换热器换热数据训练模板和换热器换热数据训练模板对应的预设的换热性能状态。
预设的换热性能状态为对换热器换热数据训练模板事先注释的预设的换热性能状态标记。
S2,将换热器换热数据训练模板输入预设的换热特征识别算法进行换热特征抽取,得到换热器换热数据训练模板的第二数据集训练描述向量和换热器换热数据训练模板的多个训练模板换热数据簇的训练模板数据簇描述向量。
S3,通过预设的描述向量抽取模块,对换热性能状态关系网进行描述向量抽取,得到换热性能状态关系网的换热性能训练描述向量。
S4,将换热性能训练描述向量和训练模板数据簇描述向量输入预设的描述向量聚合模块进行描述向量聚合,得到基础训练聚合向量。
S5,将基础训练聚合向量、第二数据集训练描述向量和换热性能训练描述向量输入预设的向量拼接单元进行向量拼接,得到训练模板目标聚合向量。
S6,将训练模板目标聚合向量输入预设的换热性能状态分类算法进行换热性能状态分类,得到换热器换热数据训练模板对应的训练换热性能状态。
S7,通过预设的换热性能状态和训练换热性能状态确定算法损失。
S8,通过算法损失优化预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法,得到换热特征识别算法、描述向量抽取模块、描述向量聚合模块、向量拼接单元和换热性能状态分类算法。
训练换热性能状态包括换热器换热数据训练模板的训练换热性能状态标记;算法损失包括换热性能状态标记损失;通过预设的换热性能状态和训练换热性能状态,确定算法损失包括:基于预设的换热性能状态标记和训练换热性能状态标记确定换热性能状态标记损失。例如,基于预设的换热性能状态标记和训练换热性能状态标记,确定换热性能状态标记损失包括通过预设的损失函数,如交叉熵函数确定预设的换热性能状态标记和训练换热性能状态标记间的换热性能状态标记损失。换热性能状态标记损失表征预设的换热性能状态标记和训练换热性能状态标记间的损失。
可选地,通过算法损失优化预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法,得到换热特征识别算法、描述向量抽取模块、描述向量聚合模块、向量拼接单元和换热性能状态分类算法,包括:通过算法损失,迭代优化预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法的网络内部配置变量;通过迭代优化后的预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法,重复S2到通过算法损失,迭代优化预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法的网络内部配置变量的换热性能状态分类优化迭代,到通过算法损失,迭代优化预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法的网络内部配置变量的换热性能状态分类优化迭代,到符合换热性能状态分类收敛要求,将符合换热性能状态分类收敛要求时获得的预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法,作为换热特征识别算法、描述向量抽取模块、描述向量聚合模块、向量拼接单元和换热性能状态分类算法。
基于此,对预设的换热特征识别算法、预设的描述向量抽取模块、预设的描述向量聚合模块、预设的向量拼接单元和预设的换热性能状态分类算法进行联合训练,效率高,帮助得到换热性能状态分类更准确的算法。
采用该实施方式进行换热性能状态分类,通过具有换热数据划簇模块、换热特征识别模块和换热特征融合模块的换热特征识别算法对拟检测换热器换热数据集进行上下文换热特征识别,完成拟检测换热器换热数据集上下文换热特征整合,使得数据簇换热特征更准确,基于包含与换热性能状态关系网中的多个网结彼此映射的多个描述向量融合单元的描述向量抽取算子对换热性能状态关系网进行描述向量抽取,合并换热性能状态关系网自末端网结到顶端网结的结构衍生关系和换热特征,换热性能状态关系网的换热特征被表征得更准确,同时,通过描述向量聚合模块和向量拼接单元对换热性能状态关系网与拟检测换热器换热数据集的特征进行再次整合,进一步增加目标聚合向量对换热数据簇换热特征的表征能力,通过目标聚合向量中拟检测换热器换热数据集和换热性能状态之间的底层换热特征关联以及换热性能状态间的层级关联性进行换热性能状态检测,换热性能状态结果更可靠。
基于前述的实施例,本公开实施例提供一种可变流程微通道换热器性能检测装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central Processing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital Signal Processor,DSP)或现场可编程门阵列(Field Programmable GateArray,FPGA)等。
图2为本公开实施例提供的一种可变流程微通道换热器性能检测装置的组成结构示意图,如图2所示,可变流程微通道换热器性能检测装置210包括:
特征提取模块211,用于获取拟检测换热器换热数据集的数据集描述向量,作为第一数据集描述向量;
特征调节模块212,用于对所述第一数据集描述向量进行多轮调节,一轮调节包括:基于所述第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,并依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量;在第一轮调节中,所述待清洗描述向量为所述第一数据集描述向量,在第X轮调节中,所述待清洗描述向量为所述第一数据集描述向量和已获取的中间描述向量聚合获取的,X为正整数;
数据清洗模块213,用于将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量;
性能检测模块214,用于通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本公开装置实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
需要说明的是,本公开实施例中,如果以软件功能模块的形式实现上述的可变流程微通道换热器性能检测方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开实施例的技术方案本质上或者说对相关技术做出贡献的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台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本公开实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本公开实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本公开实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本公开实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
图3为本公开实施例提供的一种计算机设备的硬件实体示意图,如图3所示,该计算机设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的可变流程微通道换热器性能检测方法的步骤。处理器1001通常控制计算机设备1000的总体操作。
本公开实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的可变流程微通道换热器性能检测方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本公开的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本公开的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本公开所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本公开各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本公开上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机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台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本公开各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本公开的实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。
Claims (10)
1.一种可变流程微通道换热器性能检测方法,其特征在于,应用于计算机设备,所述方法包括:
获取拟检测换热器换热数据集的数据集描述向量,作为第一数据集描述向量;
对所述第一数据集描述向量进行多轮调节,一轮调节包括:基于所述第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,并依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量;在第一轮调节中,所述待清洗描述向量为所述第一数据集描述向量,在第X轮调节中,所述待清洗描述向量为所述第一数据集描述向量和已获取的中间描述向量聚合获取的,X为正整数;
将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量;
通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态。
2.根据权利要求1所述的可变流程微通道换热器性能检测方法,其特征在于,对一轮调节而言:
当为第一轮调节时,将所述第一数据集描述向量确定成待清洗描述向量,并依据对历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第一轮调节对应的中间描述向量;
当为第二轮调节时,将所述第一数据集描述向量和本轮调节的上一轮调节得到的一个中间描述向量聚合成待清洗描述向量,并依据对所述历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第二轮调节对应的中间描述向量;
当为第三轮调节时,将所述第一数据集描述向量和本轮调节的上两次调节得到的两个中间描述向量聚合成待清洗描述向量,并依据对所述历史拟检测换热器换热数据集获取的相应历史待清洗描述向量,得到对应的清洗中间状态,以及依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到所述第三轮调节对应的中间描述向量。
3.根据权利要求2所述的可变流程微通道换热器性能检测方法,其特征在于,所述待清洗描述向量的聚合过程包括:
通过预设的拼接位次对已获取的各中间描述向量和所述第一数据集描述向量进行向量拼接,得到待清洗描述向量;或者;通过已获取的各中间描述向量分别对应的聚合调节参数,以及所述第一数据集描述向量对应的聚合调节参数,对所述各中间描述向量和所述第一数据集描述向量进行权值平衡合并,获得待清洗描述向量;其中,每个所述聚合调节参数用于描述相应的中间描述向量或所述第一数据集描述向量对所述待清洗描述向量的重要性;
所述对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量,包括:
对所述目标描述向量进行降维操作,获得向量元素数量与所述第一数据集描述向量对应的临时描述向量;
对所述临时描述向量进行数值区间归一,得到归一向量,将所述归一向量确定成目标数据清洗参数;
通过所述目标数据清洗参数计算与所述第一数据集描述向量的内积,得到第二数据集描述向量。
4.根据权利要求1所述的可变流程微通道换热器性能检测方法,其特征在于,所述通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态,包括:
对于所述第二数据集描述向量进行数据集描述向量推理,得到所述第二数据集描述向量中包含换热性能状态的分类支持系数;
若所述分类支持系数大于预设的换热性能状态分类参考支持系数,则确定所述拟检测换热器换热数据集中包含对应的所述换热性能状态。
5.根据权利要求4所述的可变流程微通道换热器性能检测方法,其特征在于,所述方法依据训练完成的换热性能状态检测算法实现,所述换热性能状态检测算法通过以下操作训练得到:
获取换热器数据样本集合,所述换热器数据样本集合中的每个换热器数据样本包括:对一拟清洗换热器数据样本抽取的第一换热性能样本描述向量和相应的样本注释,所述样本注释包括样本换热性能状态标记,所述样本换热性能状态标记用于描述所述换热性能状态是否对应于相应的拟清洗换热器数据样本;
在所述换热器数据样本集合中确定换热器数据样本,以及将对应的第一换热性能样本描述向量输入所述换热性能状态检测算法中,得到对所述换热性能状态分类的推理换热性能状态标记;
通过所述推理换热性能状态标记与相应的样本换热性能状态标记之间的损失,对所述换热性能状态检测算法中的算法可学习变量进行修正。
6.根据权利要求5所述的可变流程微通道换热器性能检测方法,其特征在于,所述算法可学习变量包括用于清洗的第一可学习变量和用于支持系数确定的第二可学习变量;所述得到对所述换热性能状态分类的推理换热性能状态标记,包括:
通过所述第一可学习变量对所述第一换热性能样本描述向量进行清洗,得到相应的第二换热性能样本描述向量;
通过所述第二可学习变量,对所述第二换热性能样本描述向量进行数据集描述向量推理,得到支持所述换热性能状态的分类支持系数,并比较所述分类支持系数与预设的换热性能状态分类参考支持系数,得到推理换热性能状态标记;
所述样本注释还包括对相应拟清洗换热器数据样本抽取的纯净换热性能样本描述向量,所述纯净换热性能样本描述向量为无需清洗的数据集描述向量,所述算法可学习变量包括用于清洗的第一可学习变量和用于支持系数确定的第二可学习变量;所述通过所述推理换热性能状态标记与相应的样本换热性能状态标记之间的损失,对所述换热性能状态检测算法中的算法可学习变量进行修正,包括:
通过所述第二换热性能样本描述向量与相应的纯净换热性能样本描述向量之间的第一损失,优化所述第一可学习变量;
获取所述推理换热性能状态标记与相应的样本换热性能状态标记之间的第二损失,并对所述第一损失和所述第二损失进行融合,得到融合损失;
通过所述融合损失优化所述第一可学习变量和所述第二可学习变量。
7.根据权利要求1所述的可变流程微通道换热器性能检测方法,其特征在于,所述通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态,包括:
获取所述拟检测换热器换热数据集和换热性能状态关系网;
将所述拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到所述拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量;
通过描述向量抽取模块对所述换热性能状态关系网进行描述向量抽取,得到所述换热性能状态关系网的换热性能描述向量,所述换热性能描述向量表征所述换热性能状态关系网的状态衍生关系;
对所述换热性能描述向量、所述数据簇描述向量和所述第二数据集描述向量进行描述向量聚合,得到目标聚合向量;
将所述目标聚合向量输入换热性能状态分类算法进行换热性能状态分类,得到所述拟检测换热器换热数据集对应的换热性能状态。
8.根据权利要求7所述的可变流程微通道换热器性能检测方法,其特征在于,所述描述向量抽取模块包括与所述换热性能状态关系网中的多个网结彼此映射的多个描述向量融合单元,所述通过描述向量抽取模块对所述换热性能状态关系网进行描述向量抽取,得到所述换热性能状态关系网的换热性能描述向量,包括:
对所述多个网结中每个网结的换热性能状态进行换热特征识别,得到所述每个网结对应的网结换热描述向量;
将所述换热性能状态关系网的末端网结对应的网结换热描述向量输入与所述末端网结对应的描述向量融合单元,得到所述末端网结对应的网结融合描述向量;
从所述末端网结的上级网结开始,通览所述多个网结,将当下处理到的网结的下级网结对应的网结融合描述向量和所述当下处理到的网结对应的网结换热描述向量输入与所述当下处理到的网结对应的描述向量融合单元,得到所述当下处理到的网结对应的网结融合描述向量;
通览所述多个网结后,将所述换热性能状态关系网中顶端网结对应的网结融合描述向量确定为所述换热性能描述向量;
所述换热特征识别算法包括换热数据划簇模块、换热特征识别模块和换热特征融合模块,所述将所述拟检测换热器换热数据集输入换热特征识别算法进行换热特征识别,得到所述拟检测换热器换热数据集的多个换热数据簇的数据簇描述向量,包括:
将所述拟检测换热器换热数据集输入所述换热数据划簇模块进行数据划簇,得到所述多个换热数据簇;
将所述多个换热数据簇输入所述换热特征识别模块进行换热特征识别,得到所述多个换热数据簇对应的基础换热特征向量、数据簇位置向量和数据簇区间向量;
将所述基础换热特征向量、所述数据簇位置向量与所述数据簇区间向量输入所述换热特征融合模块对所述多个换热数据簇进行互相关换热特征融合,得到所述数据簇描述向量;
所述对所述换热性能描述向量、所述数据簇描述向量和所述第二数据集描述向量进行描述向量聚合,得到目标聚合向量包括:
将所述换热性能描述向量和所述数据簇描述向量输入描述向量聚合模块进行描述向量聚合,得到基础聚合向量;
将所述基础聚合向量、所述第二数据集描述向量和所述换热性能描述向量输入向量拼接单元进行向量拼接,得到所述目标聚合向量。
9.一种可变流程微通道换热器性能检测装置,其特征在于,包括:
特征提取模块,用于获取拟检测换热器换热数据集的数据集描述向量,作为第一数据集描述向量;
特征调节模块,用于对所述第一数据集描述向量进行多轮调节,一轮调节包括:基于所述第一数据集描述向量确定待清洗描述向量,以及依据对历史拟检测换热器换热数据集获取的历史待清洗描述向量,得到本轮调节对应的清洗中间状态,并依据所述清洗中间状态对所述待清洗描述向量进行清洗,得到本轮调节对应的中间描述向量;
在第一轮调节中,所述待清洗描述向量为所述第一数据集描述向量,在第X轮调节中,所述待清洗描述向量为所述第一数据集描述向量和已获取的中间描述向量聚合获取的,X为正整数;
数据清洗模块,用于将最终轮调节得到的中间描述向量确定成目标描述向量,并依据对所述目标描述向量进行挖掘得到的目标数据清洗参数,对所述第一数据集描述向量进行清洗,得到第二数据集描述向量;
性能检测模块,用于通过所述第二数据集描述向量,进行换热性能状态分类,获得所述拟检测换热器换热数据集的换热性能状态。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有可在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程序时实现权利要求1至8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220732.7A CN116955933B (zh) | 2023-09-21 | 2023-09-21 | 可变流程微通道换热器性能检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220732.7A CN116955933B (zh) | 2023-09-21 | 2023-09-21 | 可变流程微通道换热器性能检测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116955933A true CN116955933A (zh) | 2023-10-27 |
CN116955933B CN116955933B (zh) | 2024-01-09 |
Family
ID=88458763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311220732.7A Active CN116955933B (zh) | 2023-09-21 | 2023-09-21 | 可变流程微通道换热器性能检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955933B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308557A1 (en) * | 2016-04-21 | 2017-10-26 | LeanTaas | Method and system for cleansing and de-duplicating data |
CN108549689A (zh) * | 2018-04-12 | 2018-09-18 | 华北电力大学 | 一种风电机组运行数据清洗方法 |
CN111861011A (zh) * | 2020-07-23 | 2020-10-30 | 清华大学 | 一种超临界压力流体对流换热性能预测方法及*** |
CN113984422A (zh) * | 2021-10-29 | 2022-01-28 | 上海板换机械设备有限公司 | 换热器运行性能评价方法、装置及电子设备 |
CN114818472A (zh) * | 2022-03-29 | 2022-07-29 | 清华大学 | 超临界压力流体换热性能预测方法、装置和设备 |
US20220245103A1 (en) * | 2021-02-01 | 2022-08-04 | Capital One Services, Llc | Maintaining a dataset based on periodic cleansing of raw source data |
US20220414072A1 (en) * | 2021-06-29 | 2022-12-29 | International Business Machines Corporation | Severity computation of anomalies in information technology operations |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压***故障诊断方法及*** |
-
2023
- 2023-09-21 CN CN202311220732.7A patent/CN116955933B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308557A1 (en) * | 2016-04-21 | 2017-10-26 | LeanTaas | Method and system for cleansing and de-duplicating data |
CN108549689A (zh) * | 2018-04-12 | 2018-09-18 | 华北电力大学 | 一种风电机组运行数据清洗方法 |
CN111861011A (zh) * | 2020-07-23 | 2020-10-30 | 清华大学 | 一种超临界压力流体对流换热性能预测方法及*** |
US20220245103A1 (en) * | 2021-02-01 | 2022-08-04 | Capital One Services, Llc | Maintaining a dataset based on periodic cleansing of raw source data |
US20220414072A1 (en) * | 2021-06-29 | 2022-12-29 | International Business Machines Corporation | Severity computation of anomalies in information technology operations |
CN113984422A (zh) * | 2021-10-29 | 2022-01-28 | 上海板换机械设备有限公司 | 换热器运行性能评价方法、装置及电子设备 |
CN114818472A (zh) * | 2022-03-29 | 2022-07-29 | 清华大学 | 超临界压力流体换热性能预测方法、装置和设备 |
CN116186946A (zh) * | 2023-05-04 | 2023-05-30 | 无锡华瀚能源装备科技有限公司 | 一种基于诊断模型的液压***故障诊断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116955933B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sudheer et al. | Radial basis function neural network for modeling rating curves | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和*** | |
CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
CN112955962B (zh) | 新药候选物质导出方法及装置 | |
CN116663568B (zh) | 基于优先级的关键任务识别***及其方法 | |
JP2018185771A (ja) | 文ペア分類装置、文ペア分類学習装置、方法、及びプログラム | |
CN115761275A (zh) | 一种基于图神经网络的无监督社区发现方法及*** | |
CN113342909B (zh) | 识别相同实体模型的数据处理*** | |
CN114925212A (zh) | 一种自动判断并融合知识图谱的关系抽取方法及*** | |
CN116955933B (zh) | 可变流程微通道换热器性能检测方法、装置及设备 | |
CN107798331B (zh) | 离变焦图像序列特征提取方法和装置 | |
Smith et al. | Physics-informed implicit representations of equilibrium network flows | |
CN117312865A (zh) | 基于非线性动态优化的数据分类模型的构建方法及装置 | |
CN113781110B (zh) | 一种基于多因素加权bi-lstm学习的用户行为预测方法与*** | |
Lopes et al. | Automatic cluster labeling through artificial neural networks | |
CN115132295A (zh) | 分子分类方法、装置、设备及计算机可读存储介质 | |
CN116027874A (zh) | 笔记本电脑功耗控制方法及其*** | |
Leavline | Classification Problem Using MATLAB | |
CN114780103A (zh) | 一种基于图匹配网络的语义类代码克隆检测方法 | |
CN109086373B (zh) | 一种构建公平的链接预测评估***的方法 | |
Zhang et al. | Graph attention MLP with reliable label utilization | |
Alrammahi et al. | A new approach for improving clustering algorithms performance | |
Gao et al. | A novel intrusion detection method based on WOA optimized hybrid kernel RVM | |
CN114662687B (zh) | 一种基于层间互信息的图对比学习方法及*** | |
CN116794975B (zh) | 电动蝶阀的智能控制方法及其*** |
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 |