CN117932286A - 一种液位计测量数据校准方法、***及电子设备 - Google Patents

一种液位计测量数据校准方法、***及电子设备 Download PDF

Info

Publication number
CN117932286A
CN117932286A CN202410344085.9A CN202410344085A CN117932286A CN 117932286 A CN117932286 A CN 117932286A CN 202410344085 A CN202410344085 A CN 202410344085A CN 117932286 A CN117932286 A CN 117932286A
Authority
CN
China
Prior art keywords
liquid level
level meter
calibrated
calibration model
gauge
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
Application number
CN202410344085.9A
Other languages
English (en)
Inventor
俞兰英
杨文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Zhongtuohuasheng Information Technology Co ltd
Original Assignee
Guangdong Zhongtuohuasheng Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Zhongtuohuasheng Information Technology Co ltd filed Critical Guangdong Zhongtuohuasheng Information Technology Co ltd
Priority to CN202410344085.9A priority Critical patent/CN117932286A/zh
Publication of CN117932286A publication Critical patent/CN117932286A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
    • G01F25/20—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of apparatus for measuring liquid level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

本申请公开了一种液位计测量数据校准方法、***及电子设备，涉及数据处理技术领域，该方法包括以下步骤：获取样本数据；对样本数据对应的统计值特征进行获取，统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；将统计值特征作为学习参数进行机器学习构建液位计校准模型；利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过液位计校准模型的输出对待校准的液位计进行校准。该***及电子设备均与该方法相对应。本申请，采用的统计值特征对样本数据能够充分且全面的体现数据特征，从而使得到的液位计校准模型具有较高的准确性，进而提高液位计校准结果的准确性和可靠性。

Description

一种液位计测量数据校准方法、***及电子设备
技术领域
本申请涉及数据处理技术领域，具体是一种液位计测量数据校准方法、***及电子设备。
背景技术
液位计在实际应用中，由于出厂质量的影响以及随着使用时长的影响，其测量结果可能会出现较大的误差，进而为应用场景带来无法估量的错误。因此，需要对液位计的读数进行校准。常规的校准方式，是通过收集液位计的读数样本，然后利用行业常规的机器学习构建模型，再通过模型预测读数来对液位计进行校准。但是，由于收集到的读数样本，通常是无法做到相同样本长度（数据采集周期不等）的，因此，在进行机器学习时，只能够以一批次的读数样本中最短长度的样本作为基准来对其他样本进行截取，这就导致样本数据的浪费，同时，也会影响使用的样本数据的真实性和可靠性，进而确保获取的模型的准确性，因此，这种校准方式存在不可靠性。
发明内容
本申请的目的在于提供一种液位计测量数据校准方法、***及电子设备，以提高液位计数据校准的可靠性。
为实现上述目的，本申请公开了以下技术方案：
第一方面，本申请公开了一种液位计测量数据校准方法，该方法包括以下步骤：
获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
作为优选，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
作为优选，所述允许差异条件包括：预设的误差范围，其中，，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当/>时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
作为优选，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为。
第二方面，本申请公开了一种液位计测量数据校准***，包括样本采集单元、数据预处理单元、模型训练单元和读数校准单元；
所述样本采集单元配置为：获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
所述数据预处理单元配置为：对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
所述模型训练单元配置为：将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
所述读数校准单元配置为：利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
作为优选，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
作为优选，所述允许差异条件包括：预设的误差范围，其中，，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当/>时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
作为优选，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为。
第三方面，本申请公开了一种电子设备，包括至少一个存储器和至少一个处理器，所述存储器与所述处理器通信连接，所述存储器上存储有能够被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，实现如上所述的液位计测量数据校准方法。
有益效果：本申请的液位计测量数据校准方法、***及电子设备，基于统计值特征作为机器学习的训练特征，以及利用统计值特征作为校准时的输入层，实现了对样本数据的特征提取，而采用的统计值特征对样本数据能够充分且全面的体现数据特征，从而使得到的液位计校准模型具有较高的准确性，进而提高液位计校准结果的准确性和可靠性。并且，本申请将传统时间序列预测转化为经典的机器学习预测，消除不同时间间隔的影响，减少了时间序列中插值误差和删除值信息损耗，仅保留数据自身最核心的特征。一方面简化了数据模型，另一方面可以享受最新的人工智能算法成果。
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是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的液位计测量数据校准方法的流程框图。
具体实施方式
下面将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，都属于本申请保护的范围。
在本文中，术语“包括”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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本实施例在第一方面公开了如图1所示的一种液位计测量数据校准方法，该方法包括以下步骤：
获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
本实施例的统计值特征，利用最大值和最小值体现了样本数据的离散程度，然后通过平均值、方差和标准差的获取，获取到了样本数据的平均程度，再通过四分之一中位数和四分之三中位的获取，得到了样本数据的聚合程度，从而实现通过统计值特征对样本数据的离散程度、平均程度以及聚合程度的充分体现，从而能够对样本数据实现真实且可靠的映射，进而确保液位计校准模型的准确性，以及利用液位计校准模型得到校准结果的可靠性。并且，本申请将传统时间序列预测转化为经典的机器学习预测，消除不同时间间隔的影响，减少了时间序列中插值误差和删除值信息损耗，仅保留数据自身最核心的特征。一方面简化了数据模型，另一方面可以享受最新的人工智能算法成果。
本实施例中，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
在一种实施方式中，所述允许差异条件包括：预设的误差范围，其中，/>，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当/>时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
其中，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为/>。
借由上述，本实施例的液位计测量数据校准方法，基于统计值特征作为机器学习的训练特征，以及利用统计值特征作为校准时的输入层，实现了对样本数据的特征提取，而采用的统计值特征对样本数据能够充分且全面的体现数据特征，从而使得到的液位计校准模型具有较高的准确性，进而提高液位计校准结果的准确性和可靠性。
本实施例在第二方面公开了一种液位计测量数据校准***，包括样本采集单元、数据预处理单元、模型训练单元和读数校准单元；
所述样本采集单元配置为：获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
所述数据预处理单元配置为：对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
所述模型训练单元配置为：将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
所述读数校准单元配置为：利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
在本实施例中，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
所述允许差异条件包括：预设的误差范围，其中，，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当/>时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为/>。
本实施例在第三方面公开了一种电子设备，包括至少一个存储器和至少一个处理器，所述存储器与所述处理器通信连接，所述存储器上存储有能够被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，实现如上所述的液位计测量数据校准方法。
需要说明的是，本实施例记载的液位计测量数据校准***和电子设备均与前述的液位计测量数据校准方法相对应，因此，本实施例的液位计测量数据校准***和电子设备对应的技术效果，也与前述的液位计测量数据校准方法中的记载相对应，本文本在此不做赘述。
在本申请所提供的实施例中，应该理解到，可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现，处理器可以在一个或多个下列单元中实现：专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现，实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时，可以将上述程序存储在计算机可读存储介质中或作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读存储介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应说明的是：以上所述仅为本申请的优选实施例而已，并不用于限制本申请，尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种液位计测量数据校准方法，其特征在于，该方法包括以下步骤：
获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
2.根据权利要求1所述的液位计测量数据校准方法，其特征在于，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
3.根据权利要求2所述的液位计测量数据校准方法，其特征在于，所述允许差异条件包括：预设的误差范围，其中，/>，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
4.根据权利要求2所述的液位计测量数据校准方法，其特征在于，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为/>。
5.一种液位计测量数据校准***，其特征在于，包括样本采集单元、数据预处理单元、模型训练单元和读数校准单元；
所述样本采集单元配置为：获取样本数据，所述样本数据为液位计在若干个周期内的读数数据；
所述数据预处理单元配置为：对所述样本数据对应的统计值特征进行获取，所述统计值特征包括样本数据中的最大值、最小值、平均值、方差、标准差、四分之一中位数和四分之三中位数；
所述模型训练单元配置为：将所述统计值特征作为学习参数进行机器学习构建液位计校准模型；
所述读数校准单元配置为：利用待校准的液位计对应的统计值特征作为输入层输入至液位计校准模型，并通过所述液位计校准模型的输出对待校准的液位计进行校准。
6.根据权利要求5所述的液位计测量数据校准***，其特征在于，所述的通过所述液位计校准模型的输出对待校准的液位计进行校准，具体包括：
将所述液位计校准模型的输出与待校准的液位计的实际读数进行比较，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件时，表示所述待校准的液位计的实际读数为准确值，否则，定义该待校准的液位计的实际读数为错误值。
7.根据权利要求6所述的液位计测量数据校准***，其特征在于，所述允许差异条件包括：预设的误差范围，其中，/>，/>为所述液位计校准模型的输出，/>为所述待校准的液位计的实际读数，当时，表示待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异满足允许差异条件。
8.根据权利要求6所述的液位计测量数据校准***，其特征在于，当待校准的液位计的实际读数与所述液位计校准模型的输出之间的差异不满足允许差异条件时，该待校准的液位计校准后的读数为/>。
9.一种电子设备，其特征在于，包括至少一个存储器和至少一个处理器，所述存储器与所述处理器通信连接，所述存储器上存储有能够被所述处理器执行的计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-4任意一项所述的液位计测量数据校准方法。
CN202410344085.9A 2024-03-25 2024-03-25 一种液位计测量数据校准方法、***及电子设备 Pending CN117932286A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410344085.9A CN117932286A (zh) 2024-03-25 2024-03-25 一种液位计测量数据校准方法、***及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410344085.9A CN117932286A (zh) 2024-03-25 2024-03-25 一种液位计测量数据校准方法、***及电子设备

Publications (1)

Publication Number Publication Date
CN117932286A true CN117932286A (zh) 2024-04-26

Family

ID=90768824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410344085.9A Pending CN117932286A (zh) 2024-03-25 2024-03-25 一种液位计测量数据校准方法、***及电子设备

Country Status (1)

Country Link
CN (1) CN117932286A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884092A (zh) * 2021-04-28 2021-06-01 深圳索信达数据技术有限公司 Ai模型生成方法、电子设备及存储介质
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927012A (zh) * 2021-02-23 2021-06-08 第四范式（北京）技术有限公司 营销数据的处理方法及装置、营销模型的训练方法及装置
CN112884092A (zh) * 2021-04-28 2021-06-01 深圳索信达数据技术有限公司 Ai模型生成方法、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢敏等: "基于机器学习的非接触式水位计校准算法研究", 水利信息化, no. 5, 31 October 2020 (2020-10-31), pages 1 - 4 *

Similar Documents

Publication Publication Date Title
Stoffelen Toward the true near‐surface wind speed: Error modeling and calibration using triple collocation
US7979227B2 (en) Calibration in a laboratory reference method
US7532992B2 (en) Measuring apparatuses and methods of using them
CN107621279B (zh) 数据处理方法、传感器数据校准方法及装置
CN113537160B (zh) 球磨机负荷测量方法、装置、电子设备和介质
CN112051562A (zh) 无线测距的距离补偿方法、装置、电子设备及存储介质
CN115840924A (zh) 一种压力变送器测量数据智慧处理***
CN109612607B (zh) 一种温度传感器反应速度测试方法
CN110646134A (zh) 一种气压传感器的校准方法和校准装置
CN117686140B (zh) 一种空盒气压表测量不确定度评定方法及***
CN117932286A (zh) 一种液位计测量数据校准方法、***及电子设备
CN117331377A (zh) 一种配置方法、装置、电子设备及存储介质
CN116208152B (zh) 一种高精度模拟量采集装置及方法
US20100307236A1 (en) Pressure sensor for an electric household appliance and associated method
CN112464986B (zh) 一种指针型圆盘仪表的读数方法及设备
CN116507887A (zh) 用于校准测量装置的方法
CN113670478A (zh) 基于测温仪的温度数据的修正方法、***、装置及介质
CN115865045A (zh) 车载嵌入式设备及模拟量的预处理方法
CN117330604B (zh) 自动化温度补偿方法、装置、计算机设备及存储介质
CN117131469B (zh) 一种智能差压变送器的误差校验方法
CN117607373B (zh) 一种温室气体监测数据校准的方法、***、设备及介质
CN113125155B (zh) 工业轴承检测方法及***
WO2023047851A1 (ja) 較正装置、較正方法、及びプログラム
CN117232597A (zh) 应用于超声测流的智能化校准方法及装置
JP3099362B2 (ja) ｐＨ計のセンサ応答時間測定方法

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