• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Measurement >Developing a Long Short-Term Memory-based signal processing method for Coriolis mass flowmeter
【24h】

Developing a Long Short-Term Memory-based signal processing method for Coriolis mass flowmeter

机译：为科里奥利质量流量计开发一种基于短期的基于存储器的信号处理方法

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Coriolis mass flowmeter is widely used in various fields due to its high accuracy, but it still needs to be improved in some special conditions. This paper proposes a deep learning-based signal processing method for Coriolis mass flowmeter. Firstly, we set up an experimental platform to collect data, taking the vibration signal as the input feature and the mass flow as the sample label. Secondly, we designed networks with different structures (including LSTM, RNN and ANN) and adopted batch normalization to speed up convergence. Finally, Bayesian model fusion and moving average were used to reduce generalization error. Experiment results prove that the model with LSTM layer is better than other single models and the mean square error of the optimized model reduces to 0.0047, which is far superior to the calibrated meter (0.1200). These findings that get rid of traditional methods are expected to break through existing bottlenecks. (C) 2019 Elsevier Ltd. All rights reserved.
机译：由于其高精度，科里奥利质量流量计广泛用于各个领域，但在某些特殊条件下仍然需要提高。 本文提出了一种基于深度学习的基于学习的Coriolis质量流量计的信号处理方法。 首先，我们设置了一个实验平台来收集数据，将振动信号作为输入特征和质量流为样品标签。 其次，我们设计了具有不同结构的网络（包括LSTM，RNN和ANN），并采用批量归一化以加速收敛。 最后，贝叶斯模型融合和移动平均值用于减少泛化误差。 实验结果证明，具有LSTM层的模型比其他单一型号更好，优化模型的均方误差减少到0.0047，远远优于校准仪表（0.1200）。 预计将摆脱传统方法的这些发现将突破现有的瓶颈。 （c）2019年elestvier有限公司保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号