一种基于人工智能的检测仪器计量校准方法及系统与流程
本技术涉及计量检测,尤其涉及一种基于人工智能的检测仪器计量校准方法及系统。
背景技术:
1、在计量校准实践中,校准源完成输出切换后需等待仪器输出稳定才能记录数据,现有的稳定状态判定方式主要包括固定等待时间法、人工观察判定法、简单阈值判定法以及基于弛豫时间的动态等待法。然而,固定等待时间法未考虑不同仪器的弛豫特性差异及输入变化幅度的影响,易导致数据不稳定或效率低下;人工观察判定法主观性强且无法实现自动化;简单阈值判定法的阈值设定依赖经验且固定时间窗口无法适配动态响应特性;基于弛豫时间的动态等待法虽通过公式计算动态时间,但仍无法根据仪器实际输出响应进行实时调整,且在仪器存在非线性弛豫特性或受环境因素影响时计算结果易产生偏差,更缺乏对短暂看似稳定但随后发生漂移的“伪稳定”状态的识别能力。因此,现有技术存在无法根据仪器实际输出响应实时、智能地判定稳定状态且难以识别伪稳定的技术问题。
技术实现思路
1、本技术提供一种基于人工智能的检测仪器计量校准方法及系统,解决了现有技术存在无法根据仪器实际输出响应实时、智能地判定稳定状态且难以识别伪稳定的技术问题。
2、为达到上述目的,本技术采用如下技术方案:
3、第一方面,提供一种基于人工智能的检测仪器计量校准方法,包括:控制校准源向待校准仪器输出设定值,并采集待校准仪器的输出值时间序列;基于输出值时间序列,构建包含输出幅值特征和变化趋势特征的输入特征序列;将输入特征序列输入至预先训练的时序神经网络模型,获取待校准仪器的稳定状态判定结果;响应于稳定状态判定结果表征达到稳定状态,记录当前的输出值,并对后续采集的输出值时间序列进行波动幅度校验;基于波动幅度校验的结果,确认记录的输出值或重新执行采集待校准仪器的输出值时间序列。
4、上述方案通过将包含输出幅值与变化趋势的时序特征输入预先训练的时序神经网络模型进行稳定状态判定,并在初步判定稳定后引入基于后续数据波动的二次校验机制,实现了基于仪器实际响应的实时自适应稳定判定,有效解决了传统方法无法应对非线性弛豫及伪稳定干扰的问题。
5、结合上述第一方面,在一种可能的实现方式中,基于输出值时间序列,构建包含输出幅值特征和变化趋势特征的输入特征序列,包括:以固定长度的滑动窗口对输出值时间序列进行滚动更新;基于待校准仪器的量程极值,对滑动窗口内的输出值进行归一化映射,得到输出幅值特征;计算相邻时刻归一化映射后的输出值的一阶差分,得到变化趋势特征;将输出幅值特征和变化趋势特征进行拼接,得到输入特征序列。
6、结合上述第一方面,在一种可能的实现方式中,预先训练的时序神经网络模型为长短期记忆网络,将输入特征序列输入至预先训练的时序神经网络模型,获取待校准仪器的稳定状态判定结果,包括:通过长短期记忆网络的隐藏层对输入特征序列进行时间步更新,提取时序隐藏状态;通过全连接层和softmax激活函数对最后一个时间步的时序隐藏状态进行分类映射,输出稳定概率和未稳定概率;当稳定概率大于未稳定概率,且稳定概率大于或等于预设置信度阈值时,确定稳定状态判定结果表征达到稳定状态。
7、结合上述第一方面,在一种可能的实现方式中,对后续采集的输出值时间序列进行波动幅度校验,包括:在记录当前的输出值后,持续监测后续预设数量采样点的输出值;计算后续预设数量采样点的输出值的波动幅度;将波动幅度与预设的稳定判定标准进行比对,得到波动幅度校验的结果。
8、结合上述第一方面,在一种可能的实现方式中,基于波动幅度校验的结果,确认记录的输出值或重新执行采集待校准仪器的输出值时间序列,包括:若波动幅度未超出预设的稳定判定标准,则确认记录的输出值有效;若波动幅度超出预设的稳定判定标准,则判定当前状态为伪稳定状态,丢弃记录的输出值,并重新启动输出值时间序列的采集与预先训练的时序神经网络模型的判定流程,直至再次判定达到稳定状态且波动幅度校验通过。
9、结合上述第一方面,在一种可能的实现方式中,控制校准源向待校准仪器输出设定值之前,方法还包括:基于待校准仪器的额定测量范围,沿额定测量范围均匀划分多个校准点,校准点覆盖额定测量范围的起点、中点及终点,整合形成完整校准点组;基于完整校准点组生成测量序列;控制校准源向待校准仪器输出设定值,包括:控制校准源依据测量序列依次向待校准仪器输出对应的设定值。
10、结合上述第一方面,在一种可能的实现方式中,基于完整校准点组生成测量序列,包括:对完整校准点组中的每个校准点分配唯一标识代码;采用伪随机算法对所有唯一标识代码进行重排,生成随机顺序的单次测量子序列;设定循环测量次数,将单次测量子序列按循环测量次数重复拼接,形成测量序列。
11、结合上述第一方面,在一种可能的实现方式中,预先训练的时序神经网络模型的训练过程包括:获取多种检测仪器在阶跃输入信号下的输出响应曲线;基于专家标注的稳定起始时刻,以稳定起始时刻为界,在输出响应曲线的前后分别截取长度为预设窗口长度的时间序列数据,并分别赋予未稳定标签和稳定标签;剔除稳定起始时刻前后预设范围内的边界模糊样本,构建训练数据集;基于训练数据集对初始时序神经网络模型进行训练,得到预先训练的时序神经网络模型。
12、结合上述第一方面,在一种可能的实现方式中,基于训练数据集对初始时序神经网络模型进行训练,得到预先训练的时序神经网络模型,包括:对训练数据集中的未稳定样本进行欠采样,使未稳定样本与稳定样本的数量比例达到预设平衡比例;对同一输出响应曲线以不同偏移量截取时间窗口,进行数据增强;采用交叉熵损失函数和adam优化器,基于增强和平衡后的训练数据集对初始时序神经网络模型进行迭代优化,直至损失函数收敛。
13、第二方面,提供一种基于人工智能的检测仪器计量校准系统,包括:校准控制模块,用于控制校准源向待校准仪器输出设定值;时序数据采集与特征构建模块,用于采集待校准仪器的输出值时间序列;基于输出值时间序列,构建包含输出幅值特征和变化趋势特征的输入特征序列;智能稳定判定模块,用于将输入特征序列输入至预先训练的时序神经网络模型,获取待校准仪器的稳定状态判定结果;二次校验与记录模块,用于响应于稳定状态判定结果表征达到稳定状态,记录当前的输出值,并对后续采集的输出值时间序列进行波动幅度校验;基于波动幅度校验的结果,确认记录的输出值或重新执行采集待校准仪器的输出值时间序列。
14、本技术提供的基于人工智能的检测仪器计量校准方法及系统,通过构建包含输出幅值与变化趋势的时序特征序列,并利用预先训练的时序神经网络模型进行稳定状态的实时分类推理,克服了传统固定公式或简单阈值法无法适配仪器非线性弛豫特性的缺陷,实现了基于仪器实际输出响应的自适应精准判定;同时,在模型初步判定稳定后引入基于后续数据波动的二次校验机制,有效识别并剔除了短暂稳定后发生漂移的“伪稳定”状态,显著降低了误判率;此外,通过伪随机测量序列生成与边界模糊样本剔除等策略,进一步消除了系统误差并强化了模型的判别边界,从而在保证校准数据绝对可靠的前提下,大幅提升了计量校准的自动化程度与作业效率。
15、应当理解的是,本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反,可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此,本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而,还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解,无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中,还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com