CN104713408A - 冷却塔噪声监测系统及其方法 - Google Patents
冷却塔噪声监测系统及其方法 Download PDFInfo
- Publication number
- CN104713408A CN104713408A CN201510110435.6A CN201510110435A CN104713408A CN 104713408 A CN104713408 A CN 104713408A CN 201510110435 A CN201510110435 A CN 201510110435A CN 104713408 A CN104713408 A CN 104713408A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- parameter
- population
- neural network
- monitoring system
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 11
- 238000009423 ventilation Methods 0.000 claims description 11
- 230000007935 neutral effect Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 238000010367 cloning Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000002096 quantum dot Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000012208 gear oil Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种冷却塔噪声监测及其方法，属于冷却塔系统领域，该系统包括：信号采集单元；控制器，连接信号采集单元并接收信号采集单元的信号参数；终端显示器，连接控制器，接收控制器的信号并显示出来。本发明能够对冷却塔噪声相关部件进行实时监测，利用了量子免疫优化神经网络模型对检测到的冷却塔噪声相关数据进行分析处理，将量子搜索机制和免疫算法克隆选择原理相结合，利用神经网络算法的克隆操作产生原始种群和克隆子群实现种群扩张，提高了局部搜索能力，很好的处理分析得出最佳模型参数，提高了参数数据分类概率，降低了误报率，解决了现有技术中对冷却塔噪声根源问题的忽略问题。
Description
技术领域
本发明涉及冷却塔系统领域，尤其涉及一种冷却塔噪声监测及其方法。
背景技术
冷却塔是指在塔内将热水喷洒到淋水填料上形成水滴或水膜，自上而下地与从下向上流动的具有吸热能力的冷空气进行对流传热，并利用水的蒸发扩散作用带走水中热量的冷却设备。冷却塔在火电以及核电中应用较为广泛，特别是在水资源不是十分充足的地区的电厂中应用较多，随着核电向内陆化发展，冷却塔的应用前景也越来越广阔。
但现有的冷却塔在使用过程中产生的噪声比较大，严重影响了工作人员的工作环境，同时浪费资源严重。而现有技术中对应的解决方案只是改进冷却塔结构进行降低噪声的改善，没有对噪声的根源进行探究和维修，通常冷却塔噪声大的原因：风机转速过高或通风量过大，冷却塔紧固件松动，齿轮缺油等原因造成噪声过大。
发明内容
为了克服现有技术中对冷却塔噪声根源问题的忽略问题，本发明提供一种冷却塔噪声监测系统及其方法，本发明提供的系统能够对冷却塔噪声进行监测并分析噪声原因，提出可行的解决方案以备工作人员选择。
本发明的技术方案是：一种冷却塔噪声监测系统，该系统包括：
信号采集单元，采集冷却塔的音量参数、风机转速参数、通风口处的通风量参数和冷却塔内部紧固件的振动参数；
控制器，连接信号采集单元并接收信号采集单元的信号参数，比较冷却塔的音量参数与系统设定的阈值大小，同时判断信号采集单元其他参数与阈值的大小；
终端显示器，连接控制器，接收控制器的信号并显示出来。
所述信号采集单元包括测量音量参数的分贝仪、测量风机转速的转速传感器、测量通风量的风量传感器和测量振动参数的振动传感器。
所述控制器包括量子免疫算法优化神经网络模型，利用该模型分析数据。
一种冷却塔噪声监测系统的方法，该方法步骤包括：
步骤一、采集冷却塔噪声相关待测数据，建立数据库；
步骤二、建立神经网络模型，利用量子免疫算法优化神经网络模型参数；
步骤三、利用量子免疫算法优化神经网络模型分析待测数据；
步骤四、输出冷却塔噪声分析结果。
所述步骤一中的冷却塔噪声相关待测数据包括冷却塔的音量参数、风机转速参数、通风口处的通风量参数和冷却塔内部紧固件的振动参数。
所述步骤二中建立神经网络模型时，建立的神经网络模型为带开关权值的神经网络模型。
所述步骤二中利用量子免疫算法优化神经网络模型参数的步骤包括：
A. 设置算法参数，包括种群规模参数、算法最大迭代次数参数和种群稀疏度参数，算法参数初始化；
B. 种群初始化：根据预置参数产生原始种群，并初始化；
C. 计算适应度：将公式（4） 计算得到的输出y与系统设定阈值输出target代入公式(7) 计算适应度fitness，这里设目标输出为n维向量，式（4）中:zi(i=1，2，…，ni)为网络输入；yk(k=1，2，…，no)为网络输出；ni为输入变量数量；no为输出变量数量；nh为隐层节点数量； 为第i个输入与第j个隐层节点的连接权值； 为第j个隐层节点与第k个输出层节点的连接权值； 为输出节点阈值开关计算时将其列为 的最后一个元素； 为输入层节点i与隐层节点j连接权值， 为隐层节点阈值开关，计算时将其列为 的最后一个元素； 为隐层节点阈值； 为输出层节点阈值。
D. 若达到神经网络算法停止条件，则记录当前最优解，及抗体中权值为0的位置信息；若没有达到停止条件，则进行步骤E然后转向步骤C；
E. 对原始种群进行克隆及更新操作，计算新种群的适应度值，保留新种群中前种群规模数量个最优个体组成下一代种群；
F. 根据抗体中数值为0的权值的位置信息，对原有神经网络进行优化，删除对应位置的隐层节点。
本发明有如下积极效果：本发明的系统能够对冷却塔噪声相关部件进行实时监测，并通过对检测到的数据进行分析找出噪声来源，并提出解决方法以供工作人员参考使用。同时在数据分析中，本发明利用了量子免疫优化神经网络模型对检测到的冷却塔噪声相关数据进行分析处理，将量子搜索机制和免疫算法克隆选择原理相结合，利用神经网络算法的克隆操作产生原始种群和克隆子群实现种群扩张，提高了局部搜索能力，同时避免陷入局部最优，很好的处理分析得出最佳模型参数，提高了参数数据分类概率，降低了误报率，数据分析结果更加精准。
附图说明
图1 是本发明中冷却塔噪声监测系统的工作框图；
图2 是本发明中冷却塔噪声监测系统方法的工作流程图；
图3 是本发明中量子免疫算法优化神经网络模型的工作流程图。
具体实施方式
下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种冷却塔噪声监测系统，如图1所示，该系统包括信号采集单元、控制器和终端显示器，信号采集单元的信息传递到控制器，控制器发送信号到终端显示器。
信号采集单元，包括分贝仪、转速传感器、风量传感器和振动传感器，分贝的仪安装在冷却塔内部或外部均可，测量冷却塔的音量参数，输出参数信号到控制器判断冷却塔的噪声情况。转速传感器安装在冷却塔中的风机旁测量风机转速，因为转速过高就会产生很大的噪声，所以风机转速需要实时监测。风量传感器安装在通风口处，测量冷却塔的通风量，通风量过大的时候需要调整风机叶片方向，不然过大的通风量进入冷却塔也会产生很大的噪声。振动传感器安装在冷却塔内紧固件上，测量紧固件在冷却塔中的情况，监测紧固件是否松动随着冷却塔工作而产生振动，冷却塔内部紧固件众多，一旦松动，产生的噪声也是非常大的，所以要对噪声产生的根源进行实时监测，分析是冷却塔的哪个部件是噪声的主要来源，并进行检查和必要的维修。
控制器，连接信号采集单元并接收信号采集单元的信号参数，利用量子免疫算法优化神经网络模型分析信号采集单元发送的数据参数，比较冷却塔的音量参数与系统设定的阈值大小，判断冷却塔噪声是否超过规定阈值，如果超过了，同时判断信号采集单元其他参数与相应的阈值的大小，检测出是哪个部件的问题。
控制器利用量子免疫优化神经网络模型对检测到的冷却塔噪声相关数据进行分析处理，将量子搜索机制和免疫算法克隆选择原理相结合，利用量子编码的叠加性和随机性构造抗体，利用神经网络算法的克隆操作产生原始种群和克隆子群实现种群扩张，使搜索空间扩大，提高了局部搜索能力，同时避免陷入局部最优，很好的处理分析得出最佳模型参数，分析结果更加精准。
终端显示器，连接控制器，接收控制器的信号并显示出来。终端显示器用于显示控制器输出的点火提前角结果，终端显示器还设有输入键盘，输入键盘可以用于工作人员输入指令和更改指令，终端显示器的设置方便工作人员的查看冷却塔中各部件的工作情况和噪声原因。
一种冷却塔噪声监测系统的方法，如图2所示，该方法步骤包括：
步骤一、采集冷却塔噪声相关待测数据，建立数据库。采集冷却塔中噪声相关待测数据，包括冷却塔的音量参数、风机转速参数、通风口处的通风量参数和冷却塔内部紧固件的振动参数分别利用分贝仪、转速传感器、风量传感器和振动传感器测量获得参数数据，继而构成数据库。
步骤二、建立神经网络模型，利用量子免疫算法优化神经网络模型参数。
建立神经网络模型时，选择的是遗传神经网络，神经网络的输入输出关系如公式（1）所示：
其中zi（i=1，2，…，ni）为网络输入；yk（k=1，2，…，no）网络输出；ni为输入变量数量；no为输出变量数量；nh为隐层节点数量； 为第i个输入与第j个隐层节点的连接权值； 为第j个隐层节点与第k个输出层节点的连接权值；bjl为隐层节点阈值，bil为输出层节点阈值；gnh为隐层节点间的连接开关，为1时表示有此隐层节点，为0时表示无此隐层节点； 和表示隐层节点和输出层节点的阈值开关，开关值为1表示节点有连接，反之表示没有连接；sij为第i个输入和第j个隐层节点的连接开关。表示S型对数函数:
由式(1)可以看出，实际分别只有两种情况，如式(3)所示:
也具有同样的特点，若将连接开关 和 省去，在算法初始化连接权值时将 和 生成为具有一定稀疏度的数据集，即该集合中有若干数量的权值为0，则同样可以达到减少隐层连接的口的，还可以减少计算代价。改进后的神经网络输出为式(4)：
式中:zi(i=1，2，…，ni)为网络输入；yk(k=1，2，…，no)为网络输出；ni为输入变量数量；no为输出变量数量；nh为隐层节点数量； 为第i个输入与第j个隐层节点的连接权值；为第j个隐层节点与第k个输出层节点的连接权值； 为输出节点阈值开关计算时将其列为的最后一个元素；为输入层节点i与隐层节点j连接权值， 为隐层节点阈值开关，计算时将其列为 的最后一个元素；为隐层节点阈值；为输出层节点阈值。
量子免疫算法优化神经网络模型参数的流程图如图3所示，步骤包括：
A. 设置算法参数，包括种群规模参数sizepop、算法最大迭代次数参数maxgen和种群稀疏度参数sparseratio，算法参数均进行初始化。
B. 种群初始化：根据预置参数产生原始种群，并初始化，种群中每个抗体的稀疏度均为sparseratio 。其中权值抗体初始化时，其抗体的编码方式采用量子比特编码。一个抗体中的量子位的状态是不确定的，可以为0或1，其状态表示为式(5):
其中， 表示相应状态出现概率的两个复数，其关系为 =1。
具有n个量子比特位的抗体可以描述为式(6)：
其中:m为量子位数，t表示种群代数。结合神经网络的应用实际来讲，m表示连接权值的数量。规模为n的量子种群表示为:Q（t）={ ， ，…， },Q(t)即为神经网络权值优化的解空间。
C. 计算适应度：将公式（4）
计算得到的输出y与系统设定阈值输出target代入公式(7)计算适应度fitness，这里设目标输出为n维向量。
若达到神经网络算法停止条件，则记录当前最优解，及抗体中权值为0的位置信息；若没有达到停止条件，则进行步骤E然后转向步骤C。
D. 对原始种群进行克隆及种群更新操作，计算新种群的适应度值，保留新种群中前种群规模数量sizepop个最优个体组成下一代种群。设克隆前的种群为Q（t）={ ， ，…， }，则克隆操作后的种群为 ，其中C(t)为克隆产生的抗体子群，其种群中的每个抗体的稀疏度与原种群抗体稀疏度相同，仅是位置发生了变化。C(t)的种群规模采用轮盘赌方法，其克隆规模由式(8)给出:
式中:mi为种群中第i个个体的克隆规模，nc是与克隆规模先关且大于种群规模N的常数，本算法中设置为种群规模的1. 5倍，f(qi)为第i个抗体的适应度， 表示向上取整函数。
E. 选择操作：根据抗体中数值为0的权值的位置信息，对原有神经网络进行优化，删除对应位置的隐层节点。量子克隆免疫算法能够根据预设的稀疏度对神经网络进行优化，提供神经网络的计算速度，降低计算负责度。
步骤三、利用量子免疫算法优化神经网络模型分析待测数据。即神经网络模型优化后完成机器训练后，冷却塔噪声相关测量输入到量子免疫算法优化神经网络模型中，优化后的模型进行数据分析，对数据进行函数逼近以及实现目标分类，能够区分开各部位的信号并进行对比判断，是由于哪个部件引起的噪声较大问题，降低了误报率，数据分析结果更加精准。
步骤四、输出冷却塔噪声分析结果。控制器利用量子免疫算法优化的神经网络模型对待测数据的分析结果会显示在显示终端上，同时系统的监测数据也会显示在显示终端上，方便工作人员随时查看。检测结果在显示终端上显示的同时还会保存在数据库中，方便系统模型的机器训练过程中进行调用，达到更新数据库的目的，系统监测准确度更高，监测系统更加实用。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
Claims (6)
1.一种冷却塔噪声监测系统，其特征在于，该系统包括：
信号采集单元，采集冷却塔的音量参数、风机转速参数、通风口处的通风量参数和冷却塔内部紧固件的振动参数；
控制器，连接信号采集单元并接收信号采集单元的信号参数，比较冷却塔的音量参数与系统设定的阈值大小，同时判断信号采集单元其他参数与阈值的大小；
终端显示器，连接控制器，接收控制器的信号并显示出来。
2.根据权利要求1所述的冷却塔噪声监测系统，其特征在于，所述信号采集单元包括测量音量参数的分贝仪、测量风机转速的转速传感器、测量通风量的风量传感器和测量振动参数的振动传感器。
3.根据权利要求1所述的冷却塔噪声监测系统，其特征在于，所述控制器包括量子免疫算法优化神经网络模型，利用该模型分析数据。
4.一种冷却塔噪声监测系统的方法，其特征在于，该方法步骤包括：
步骤一、采集冷却塔噪声相关待测数据，建立数据库；
步骤二、建立神经网络模型，利用量子免疫算法优化神经网络模型参数；
步骤三、量子免疫算法优化神经网络模型分析待测数据；
步骤四、输出冷却塔噪声分析结果。
5.根据权利要求4所述的冷却塔噪声监测系统的方法，其特征在于，所述步骤一中的冷却塔噪声相关待测数据包括冷却塔的音量参数、风机转速参数、通风口处的通风量参数和冷却塔内部紧固件的振动参数。
6.根据权利要求4所述的冷却塔噪声监测系统的方法，其特征在于，所述步骤二中利用量子免疫算法优化神经网络模型参数的步骤包括：
A.设置算法参数，包括种群规模参数、算法最大迭代次数参数和种群稀疏度参数，算法参数初始化；
B.种群初始化：根据预置参数产生原始种群，并初始化；
C.计算适应度：将公式（4） 计算得到的输出y与系统设定阈值输出target代入公式(7) 计算适应度fitness，这里设目标输出为n维向量，式（4）中:zi(i=1，2，…，ni)为网络输入；yk(k=1，2，…，no)为网络输出；ni为输入变量数量；no为输出变量数量；nh为隐层节点数量；为第i个输入与第j个隐层节点的连接权值；为第j个隐层节点与第k个输出层节点的连接权值；为输出节点阈值开关计算时将其列为的最后一个元素；为输入层节点i与隐层节点j连接权值，为隐层节点阈值开关，计算时将其列为的最后一个元素；为隐层节点阈值；为输出层节点阈值；
D.若达到神经网络算法停止条件，则记录当前最优解，及抗体中权值为0的位置信息；若没有达到停止条件，则进行步骤E然后转向步骤C；
E.对原始种群进行克隆及更新操作，计算新种群的适应度值，保留新种群中前种群规模数量个最优个体组成下一代种群；
F.根据抗体中数值为0的权值的位置信息，对原有神经网络进行优化，删除对应位置的隐层节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510110435.6A CN104713408A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔噪声监测系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510110435.6A CN104713408A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔噪声监测系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104713408A true CN104713408A (zh) | 2015-06-17 |
Family
ID=53412950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510110435.6A Pending CN104713408A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔噪声监测系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104713408A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614887A (zh) * | 2018-05-03 | 2018-10-02 | 合肥工业大学 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
| CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
| CN118669957A (zh) * | 2024-08-22 | 2024-09-20 | 中通信息服务有限公司 | 一种中央空调系统项目更新的智能管控方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001235297A (ja) * | 2000-02-18 | 2001-08-31 | Aquas Corp | 循環冷却水の濃縮度管理方法およびその装置 |
| CN2916562Y (zh) * | 2006-06-19 | 2007-06-27 | 蔡宁生 | 冷却塔智能化综合监测仪 |
| CN103335539A (zh) * | 2013-07-04 | 2013-10-02 | 南京大洋冷却塔股份有限公司 | 无风机无动力能耗安全环保型冷却塔 |
| JP2014222311A (ja) * | 2013-05-14 | 2014-11-27 | 株式会社Ihi | 騒音低減装置及び騒音低減方法 |
-
2015
- 2015-03-13 CN CN201510110435.6A patent/CN104713408A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001235297A (ja) * | 2000-02-18 | 2001-08-31 | Aquas Corp | 循環冷却水の濃縮度管理方法およびその装置 |
| CN2916562Y (zh) * | 2006-06-19 | 2007-06-27 | 蔡宁生 | 冷却塔智能化综合监测仪 |
| JP2014222311A (ja) * | 2013-05-14 | 2014-11-27 | 株式会社Ihi | 騒音低減装置及び騒音低減方法 |
| CN103335539A (zh) * | 2013-07-04 | 2013-10-02 | 南京大洋冷却塔股份有限公司 | 无风机无动力能耗安全环保型冷却塔 |
Non-Patent Citations (2)
| Title |
|---|
| 周勃: "基于盲分离空调机组故障振声诊断研究", 《沈阳工业大学博士学位论文》 * |
| 祁浩: "基于量子免疫克隆算法的神经网络优化方法", 《计算机应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108614887A (zh) * | 2018-05-03 | 2018-10-02 | 合肥工业大学 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
| CN108614887B (zh) * | 2018-05-03 | 2021-05-18 | 合肥工业大学 | 供应链环境下带有噪声的物联网信息处理方法及系统 |
| CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
| CN118669957A (zh) * | 2024-08-22 | 2024-09-20 | 中通信息服务有限公司 | 一种中央空调系统项目更新的智能管控方法及装置 |
| CN118669957B (zh) * | 2024-08-22 | 2024-10-25 | 中通信息服务有限公司 | 一种中央空调系统项目更新的智能管控方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
| KR100277219B1 (ko) | 냉각 회로에서의 냉매 충전량을 모니터링하는 방법 | |
| Gogolak et al. | Indoor fingerprint localization in WSN environment based on neural network | |
| Yang et al. | A novel model-based fault detection method for temperature sensor using fractal correlation dimension | |
| CN108376298A (zh) | 一种风电机组发电机温度故障预警诊断方法 | |
| CN109508745A (zh) | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 | |
| CN113640027A (zh) | 基于边缘计算和神经网络的换热机组故障诊断方法及系统 | |
| CN103853881A (zh) | 基于自适应混沌和差分进化粒子群算法的水轮机参数辨识方法 | |
| CN104598968A (zh) | 变压器故障诊断方法 | |
| CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
| CN112503400B (zh) | 一种供水管网测压点多目标优化布置方法 | |
| CN104713408A (zh) | 冷却塔噪声监测系统及其方法 | |
| CN106155985B (zh) | 一种基于相邻数据特征的数据缺失填充方法 | |
| CN106371316A (zh) | 基于pso‑lssvm的水岛加药在线控制方法和装置 | |
| CN110598914A (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN116644663A (zh) | 一种基于特征测点油温的变压器热点温度反演预测方法 | |
| CN109630092B (zh) | 一种基于数据的抽油井泵效多模型软测量方法 | |
| CN118863811A (zh) | 一种用于水压爆破的数据自动化分析系统 | |
| CN118590375A (zh) | 一种智慧楼宇通信系统故障诊断方法 | |
| CN104697585A (zh) | 冷却塔塔筒强度预测控制系统及其方法 | |
| CN116839228A (zh) | 一种模块式全科热水机智能控制系统 | |
| CN116681158A (zh) | 基于集成极限学习机的参考作物蒸散量预测方法 | |
| CN104713410A (zh) | 一种调控冷却塔出水温度的方法 | |
| CN111721399B (zh) | 一种水工建筑结构振动测试系统和测试方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150617 |
|
| RJ01 | Rejection of invention patent application after publication |