Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 西安建筑科技大学王登甲获国家专利权

西安建筑科技大学王登甲获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉西安建筑科技大学申请的专利一种太阳能集热场故障风险快速检测系统及方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115841446B

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210808845.8,技术领域涉及:G06T7/00;该发明授权一种太阳能集热场故障风险快速检测系统及方法是由王登甲;蒋乐南;默哲龙;谭嘉钰;尚世杰设计研发完成,并于2022-07-11向国家知识产权局提交的专利申请。

一种太阳能集热场故障风险快速检测系统及方法在说明书摘要公布了:本发明公开了一种太阳能集热场故障风险快速检测方法,包括以下步骤;步骤一:通过设置红外热成像摄像头实时监测,经拍摄得到太阳能集热场的整体温度分布热图;步骤二:建立红外热成像摄像头与计算机之间的通讯,对集热场温度状态进行温度图像采集;步骤三:对集热场的整体温度分布热图进行预处理及区域划分,并进行特征提取得到各区域集热器故障温度场散点图;步骤四:将提取到的各区域温度场分布特征信息及相关特征参数导入太阳能集热器故障模型特征库,依次进行两次故障模型特征库的匹配分析,提高集热场故障检测效率,降低误报率与漏报率,保证太阳能集热系统的安全运行。本发明具有操作简便、无需对系统进行升级改造新增传感器的特点。

本发明授权一种太阳能集热场故障风险快速检测系统及方法在权利要求书中公布了:1.一种太阳能集热场故障风险快速检测方法,其特征在于,包括以下步骤; 步骤一:温度图像采集; 设置红外热成像摄像头实时监测,得到太阳能集热场的整体温度分布热图; 步骤二:温度图像读取; 建立红外热成像摄像头与计算机之间的通讯,红外热成像摄像头与计算机处于同一局域网下,在计算机下载对应摄像头的PC端软件,匹配IP即可实现实时监测,对集热场温度状态进行温度图像采集; 步骤三:数据采集分析处理; 对集热场的整体温度分布热图进行预处理及区域划分,并进行特征提取得到各区域集热器故障温度场散点图; 步骤四:故障模型匹配; 将提取到的各区域温度场分布特征信息及相关特征参数导入太阳能集热器故障模型特征库,依次进行两次故障模型特征库的匹配分析,提高集热场故障检测效率,降低误报率与漏报率,保证太阳能集热系统的安全运行; 所述步骤四太阳能集热器故障模型特征库包括基于回归分析模型的四类太阳能集热场典型故障判断模型特征库和基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库; 基于回归分析模型的四类太阳能集热场典型故障判断模型特征库的四类太阳能集热场典型故障判断模型特征库,基于太阳能集热场的特点,选用半物理模型,通过对太阳能系统的分析选择具有典型意义的特性参数,基于多项式的回归模型,利用系统正常工况下的运行数据建立模型,选取辐照量和流量对太阳能集热系统这两个参数作为模型的输入量,表达式为: Y=fG,Q+ε=a0+a1G+a2Q+a3G2+a4Q2+a5GQ 其中Y为回归变量输出模型;ε为误差项;a0-a5为回归模型相关系数;G为回归模型输入参数辐照量,Wm2;Q为回归模型输入参数流量,th; 经回归分析处理后,将模型的预测值与采集到的四种典型故障运行工况下集热器温度值进行对比,取90%的置信水平,确定特性参数残差及对应的阈值,分析特性参数的残差,实现故障的监测与识别; 基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库,经一维深度卷积神经网络训练提取数据特征,并确定各故障发生时的故障程度; 所述基于深度卷积神经网络的三类太阳能集热场典型故障的故障程度模型特征库: 包括以下步骤: 数据准备:对数据库中的温度数据进行审核及校验,对缺失数据、不一致数据进行补充和改正,保证数据的正确性和逻辑的一致性; ①缺失数据的处理:由于网络传输的故障,数据库中可能会出现缺失值,对缺失的数据,采用估算方法,用样本均值代替缺失值进行补充; ②不一致数据的处理:借助数据库管理系统的完整性约束机制,检查不一致数据,然后参考数据库中相应的数据值进行改正; 生成数据集:将准备好的数据分为训练集标签和测试集标签; 生成测试集数据及标签:根据太阳能系统不同的运行工况,从数据库中读取对应工况的温度数据值,生成各种工况状态下的测试集数据以及工况标签;其中工况标签同训练集工况标签一样,由程序根据运行工况自动生成; 网络训练: 将训练集数据输入卷积神经网络,不断经过卷积、池化,得到特征向量,送入全连接网络,通过计算网络的输出与训练集标签,得到网络误差,利用误差反向传播算法,对网络权值、偏置、卷积系数、池化系数进行不断修正,使误差满足设定的精度要求,继而网络训练完成,生成卷积神经网络模型,即基于深度卷积神经网络的太阳能集热场典型故障的故障程度模型。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人西安建筑科技大学,其通讯地址为:710055 陕西省西安市雁塔路13号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。