基于超声波液位计的标准流量计量方法

为了解决传统水流量标准装置存在由换向器的换入和换出行程差产生的流量测量误差问题。通过对超声波液位计的原理分析和容积标定法的研究,提出了一种基于超声波液位计和标准水箱的流量在线检测计量方法。利用超声波液位计与标准水箱进行实验,得到液位高度和液位体积的函数关系;利用上位机和8路模拟量采集模块采集标准水箱液位高度和相应的时间,进而得到标准圆筒中液位体积和时间的关系,由单位时间内流体体积的变化值得到实际流量值。实验结果表明,采用此方法得到的流量测量值精度能够达到0.55%,能够实现流量的精准测量。

基于NB-IoT的定位及远程管控系统设计

工业生产或实验中对重要物品的存放和运输有特殊的要求,针对此问题设计了一种基于NB-IoT和STM32的定位及远程管控系统。以STM32作为系统主控芯片,选择BC20作为NB-IoT通信单元,BC20采集定位信号并实现与物联网平台的通信,上位机从物联网平台获取数据实现远程监控。结果表明:该设备能够对设备位置信息进行实时采集,定位精度在5 m以内,同时具有防盗报警、远程报警、临时密码解锁等功能,极大提高了重要物品的存放和运输安全性。

基于LSTM的气液两相流液相流量测量方法

气液两相流参数测量的准确性和实时性对火力发电、化工、石油等工业生产具有重要意义。为提升气液两相流液相流量测量速度和精度,通过对电阻层析成像(electrical resistance tomography,ERT)技术和长短时记忆(long and short time memory,LSTM)神经网络的研究,提出了一种基于LSTM神经网络的气液两相流流量测量方法。利用16电极ERT系统分别采集了弹状流、泡状流两种流型对应的阵列电阻值,并将其作为LSTM神经网络的输入,电磁流量计采集的液相流量值作为理想输出,通过网络训练得到了2种流型下的液相流量测量模型。仿真实验结果表明:利用该方法在弹状流和泡状流下的均方根误差分别为5.359 m^(3)/h和4.088 m^(3)/h,平均引用误差低于3%,测量精度和速度优于BP神经网络,能够实现对两种流型下液相体积流量的准确测量。

基于中心差分卷积的自监督学习方法研究

作为无监督学习的一个分支,自监督学习可以从大量无标签数据中学习到有用的特征,是近期一个热门的研究方向.基于前置任务和对比学习的自监督学习已经得到了大量的研究,但对于卷积操作的选择还没有得到足够的重视.将中心差分卷积神经网络引入自监督学习,探究了卷积操作对自监督学习性能的影响.实验结果显示,加入了中心差分卷积神经网络的Resnet18模型相比普通模型在下游分类任务上的性能提升了4.14%,在几乎未增加计算量的情况下,与Resnet50性能相当.