CN110188399B - 一种基于多相关序列的大坝安全监测单测点评价方法 - Google Patents

一种基于多相关序列的大坝安全监测单测点评价方法 Download PDF

Info

Publication number
CN110188399B
CN110188399B CN201910375440.8A CN201910375440A CN110188399B CN 110188399 B CN110188399 B CN 110188399B CN 201910375440 A CN201910375440 A CN 201910375440A CN 110188399 B CN110188399 B CN 110188399B
Authority
CN
China
Prior art keywords
point
measuring
sequence
evaluation
measuring point
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.)
Active
Application number
CN201910375440.8A
Other languages
English (en)
Other versions
CN110188399A (zh
Inventor
毛莺池
程杨堃
齐海
王龙宝
平萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910375440.8A priority Critical patent/CN110188399B/zh
Publication of CN110188399A publication Critical patent/CN110188399A/zh
Application granted granted Critical
Publication of CN110188399B publication Critical patent/CN110188399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开了一种基于多相关序列的大坝安全监测单测点评价方法，包括测点序列预处理、单测点时间序列数据预测和单测点运行状态评价三个阶段。采用基于多序列协同的单测点评判模型(Single‑node Assessment Model based on Multi‑sequence Collaboration,SAM)，对测点序列数据进行预处理，归一化后利用余弦相似度计算序列之间相关性。选取多个相关序列作为输入，并加入注意力层为多序列分配注意力权重，然后采用LSTM层进行预测，最后通过Softmax层完成单测点评判，从而增加单点评判准确性，提高大坝安全监测系统中单测点安全评价的性能。本发明利用多个相关测点序列协同对单测点监测数据进行预测和评价，有利于提高大坝安全监测系统中单测点安全评价的性能。

Description

一种基于多相关序列的大坝安全监测单测点评价方法
技术领域
本发明属于工程安全监测领域，特别涉及一种基于多相关序列的大坝安全监测单测点评价方法。
背景技术
在大型土木工程结构体生产和运行的过程中，其部署的自动化监测系统将会不断产生新的监测数据。由于结构体空间规模巨大，测点数量多，直接从海量的原始监测数据中获取结构体实际运行情况的实现难度大，因此需要对监测数据进行识别、分析、提取和归纳，结合结构体的实际运行状态进行评判，从而确保其安全、可持续运行。
工程实践表明，结构体运行状态由监测数据反映，对观测资料的分析具有十分重要的工程应用和科学研究意义。结构体中部署大量传感器，感知多种物理量变化，测量单点物理量，产生海量监测数据。测点监测数据时间序列规律反映单域中局部物理量变化趋势。例如当单域中发生应力突变事件时，应力类传感器感知到的数据也会出现明显突变，同时由于应力突变引起位移改变，位移类传感器数据也会发生变化。通过分析多个相关测点的时间序列数据，预测监测数值，结合监测数据变化范围和单域分布的观测信息和影响因素，从而评判单个测点的运行状态。经过区域划分得到单域中的测点之间具有较强的相关性或相似性，因此不同测点时间序列数据之间也具有相关性或相似性。在实际应用中，单个测点序列数据往往表现出非平滑、不稳定、存在噪声值和缺失值等特点，从而会影响单测点评判准确性。由于单个测点的数据变化往往伴随着多个相关测点数据同步改变，此时利用多个相关测点序列协同对单测点监测数据进行预测和评价，有利于提高大坝安全监测系统中单测点安全评价的性能。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于多相关序列的大坝安全监测单测点评价方法，利用多个相关测点序列协同对单测点监测数据进行预测和评价，有利于提高大坝安全监测系统中单测点安全评价的性能。
技术方案：为实现上述目的，本发明提供一种基于多相关序列的大坝安全监测单测点评价方法，包括如下步骤：
(1)测点时间序列数据预处理：基于多序列协同的SAM单测点评判模型(Single-node Assessment Model based on Multi-sequence Collaboration,SAM)，对测点序列数据进行预处理，归一化后利用余弦相似度计算序列之间相关性；
(2)单测点时间序列数据预测：选取多个相关序列作为输入，并加入注意力层为多序列分配注意力权重，然后采用LSTM层进行预测；
(3)单测点运行状态评判：通过Softmax层完成单测点评价。
进一步的，所述步骤(1)中测点时间序列数据预处理的具体步骤如下：定义单域rj中包含的测点集合为
Figure BDA0002051491340000021
其中
Figure BDA0002051491340000022
代表该测点属于单域r2；len(rj)表示单域测点集合长度，即rj中包含测点的总数；
(1.1)归一化处理：单域中各测点监测不同的物理量，在单点预测和评判之前首先进行归一化处理；测点
Figure BDA0002051491340000023
原始时间序列
Figure BDA0002051491340000024
的归一化公式为：
Figure BDA0002051491340000025
其中
Figure BDA0002051491340000026
和
Figure BDA0002051491340000027
分别为序列均值和标准差，当序列中存在空值(NULL,NAN)，将其置为0；
(1.2)计算序列之间相关性：当数据符合正态分布或经过标准化处理之后，Pearson相关性系数、余弦相似度、欧式距离的平方认为是等价的，采用余弦相似度计算测点
Figure BDA0002051491340000028
和
Figure BDA0002051491340000029
的相关性：
Figure BDA00020514913400000210
(1.3)选择相关序列：计算单域中各测点之间的相关系数，取与
Figure BDA00020514913400000211
序列相关性最高的前
Figure BDA00020514913400000212
个测点序列
Figure BDA00020514913400000228
其中将
Figure BDA00020514913400000213
记为T0；其中
Figure BDA00020514913400000214
且为自然数，当
Figure BDA00020514913400000215
时仅选择
Figure BDA00020514913400000216
本身序列，
Figure BDA00020514913400000217
代表选择2个相关序列。
进一步的，所述步骤(2)中单测点时间序列数据预测的具体步骤如下：
经过测点序列预处理后，得到
Figure BDA00020514913400000218
作为输入，利用注意力层Attention和LSTM层完成预测；利用注意力层为每个序列分配权重
Figure BDA00020514913400000219
对输入序列应用注意力权重得到
Figure BDA00020514913400000220
作为LSTM层的输入；权重通过误差反向传播进行更新；LSTM层进行预测后得到测点
Figure BDA00020514913400000221
的序列预测值
Figure BDA00020514913400000222
进一步的，所述步骤(3)中单测点运行状态评判的具体步骤如下：
基于测点实测值
Figure BDA00020514913400000223
和预测值
Figure BDA00020514913400000224
通过全连接层Dense和Softmax层对该测点的运行状态进行评价，最终得到
Figure BDA00020514913400000225
的评价结果
Figure BDA00020514913400000226
单测点评价结果
Figure BDA00020514913400000227
为一个概率向量；单域r1中的测点
Figure BDA0002051491340000031
的运行状态被预设为良好、正常、检查和异常；经过预测和评价后得到
Figure BDA0002051491340000032
则表示其对应属于四个运行状态的概率分别为65％、20％、10％和5％；根据最大概率，认为
Figure BDA0002051491340000033
运行状态评价结果为良好。
有益效果：本发明与现有技术相比具有以下优点：
在实际应用中，单个测点序列数据往往表现出非平滑、不稳定、存在噪声值和缺失值等特点，从而会影响单测点评判准确性。由于单个测点的数据变化往往伴随着多个相关测点数据同步改变，此时本发明利用多个相关测点序列协同对单测点监测数据进行预测和评价，有利于提高大坝安全监测系统中单测点安全评价的性能。
附图说明
图1为具体实施例中某大坝与单域实际分布图；
图2为具体实施例中基于多序列协同的单测点评判模型结构图；
图3为具体实施例中测点序列预处理过程图；
图4为具体实施例中测点预测和评价具体过程图；
图5为具体实施例中测点P04618的2017-01-01至2017-12-31预测过程线；
图6为具体实施例中测点P04618SAM和CM模型每15天平均RMSE统计图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
结构体中部署大量传感器，感知多种物理量变化，在生产运行过程中产生海量监测数据。由于单个测点的数据变化往往伴随着多个相关测点数据同步改变，通过分析多测点时间序列数据，预测监测数值，结合监测数据变化范围和单域分布的观测信息和影响因素，从而评判单个测点的运行状态。
定义本发明中的问题为：选取某大坝一段时间内的监测数据，针对大坝其中某个单域中的某个测点，进行单测点预测与评价。具体而言，如图1所示，图中红色边框代表单域范围，红色圆点表示单域中的测点。选取位于单域r1中部的测点P04618(编号，无实际意义)，利用2017-01-01至2017-12-31时间段内每天的横河向位移数值对其进行评价。
使用一种基于多序列协同的单测点评判模型(Single-node Assessment Modelbased on Multi-sequence Collaboration,SAM)，其结构如图2所示，对测点序列数据进行预处理，归一化后利用余弦相似度计算序列之间相关性。选取多个相关序列作为输入，并加入注意力层为多序列分配注意力权重，然后采用LSTM层进行预测，最后通过Softmax层完成单测点评判，从而增加单点评判准确性。定义单域rj中包含的测点集合为
Figure BDA0002051491340000041
例如
Figure BDA0002051491340000042
代表该测点属于单域r2。len(rj)表示单域测点集合长度，即rj中包含测点的总数。具体实施步骤描述如下：
(1)测点序列预处理，具体过程如图3所示
(1.1)归一化处理：单域中各测点监测不同的物理量，因此相应的数据单位并不统一，测值大小范围亦不同。在单点预测和评判之前首先进行归一化处理。测点
Figure BDA0002051491340000043
原始时间序列
Figure BDA0002051491340000044
的归一化公式为：
Figure BDA0002051491340000045
其中
Figure BDA0002051491340000046
和
Figure BDA0002051491340000047
分别为序列均值和标准差，当序列中存在空值(NULL,NAN)，将其置为0。
(1.2)计算序列之间相关性：当数据符合正态分布或经过标准化处理之后，Pearson相关性系数、余弦相似度、欧式距离的平方可认为是等价的，为便于计算采用余弦相似度计算测点
Figure BDA0002051491340000048
和
Figure BDA0002051491340000049
的相关性：
Figure BDA00020514913400000410
(1.3)计算单域中各测点之间的相关系数，取与
Figure BDA00020514913400000411
序列(将
Figure BDA00020514913400000412
记为T0)相关性最高的前
Figure BDA00020514913400000413
个测点序列
Figure BDA00020514913400000414
其中
Figure BDA00020514913400000415
且为自然数，当
Figure BDA00020514913400000416
时仅选择
Figure BDA00020514913400000417
本身序列，
Figure BDA00020514913400000418
代表选择2个相关序列。
(2)单测点时间序列数据预测：如图4上半部分所示，经过测点序列预处理得到
Figure BDA00020514913400000419
作为SAM模型的输入，利用注意力层(Attention)和LSTM层完成预测。考虑到输入各序列在预测中的重要程度不一致，因此利用注意力层为每个序列分配权重
Figure BDA00020514913400000420
对输入序列应用注意力权重得到
Figure BDA00020514913400000421
作为LSTM层的输入。权重通过误差反向传播进行更新。LSTM层进行预测后得到
Figure BDA00020514913400000422
的序列预测值
Figure BDA00020514913400000423
预测误差由测点原始时间序列
Figure BDA00020514913400000424
与序列预测值
Figure BDA00020514913400000425
的均方根误差给出：
Figure BDA0002051491340000051
如图5所示，分别利用本发明所使用的基于多序列协同的单测点评判模型SAM与目前该大坝使用的动态最优组合模型CM，预测测点P04618在2017-01-01至2017-12-31时间段内每天的位移值(Displacement)，通过过程线展示了该测点的预测值和实测值趋势变化。图5中SAM和CM分别代表相应模型的预测值，Real为测点实测值，图例箭头指向即为相应的曲线。采用SAM得到的预测值能够及时反应实测值Real的变化趋势，而采用CM得到的预测值曲线则与实测值Real曲线存在较明显差异。
利用均方根误差(RMSE)衡量本发明的准确性和稳定性，SAM利用多序列进行预测，不会因实测值的骤变而出现突跳和振荡，其预测结果比较稳定。与SAM不同，现有的最优组合模型CM则无法及时反映实测值变化规律。如图6所示，SAM均方误差曲线位于CM下方。在实测值表现较为平缓的时间段，如2017-01-16至2017-05-01，两者较为接近。但在2017-10-10至2017-11-28时间段内实测值出现突变的情况下，CM误差也出现明显增加，SAM则依然比较平稳。
(3)单测点运行状态评价：基于测点实测值
Figure BDA0002051491340000052
和预测值
Figure BDA0002051491340000053
通过全连接层(Dense)和Softmax层对该测点的运行状态进行评价，最终得到
Figure BDA0002051491340000054
的评价结果
Figure BDA0002051491340000055
单测点评价结果
Figure BDA0002051491340000056
为一个概率向量。例如单域r1中的测点
Figure BDA0002051491340000057
的运行状态被预设为良好、正常、检查和异常。经过预测和评价后得到
Figure BDA0002051491340000058
则表示其对应属于四个运行状态的概率分别为65％、20％、10％和5％。根据最大概率，认为
Figure BDA0002051491340000059
运行状态评价结果为良好。

Claims (3)

1.一种基于多相关序列的大坝安全监测单测点评价方法，其特征在于，包括如下步骤：
(1)测点时间序列数据预处理：基于多序列协同的SAM单测点评判模型，对测点序列数据进行预处理，归一化后利用余弦相似度计算序列之间相关性；
(2)单测点时间序列数据预测：选取多个相关序列作为输入，并加入注意力层为多序列分配注意力权重，然后采用LSTM层进行预测；
(3)单测点运行状态评判：通过Softmax层完成单测点评价；
所述步骤(1)中测点时间序列数据预处理的具体步骤如下：定义单域rj中包含的测点集合为
Figure FDA0002618263450000011
其中
Figure FDA0002618263450000012
代表该测点属于单域r2；len(rj)表示单域测点集合长度，即rj中包含测点的总数；
(1.1)归一化处理：单域中各测点监测不同的物理量，在单点预测和评判之前首先进行归一化处理；测点
Figure FDA0002618263450000013
原始时间序列
Figure FDA0002618263450000014
的归一化公式为：
Figure FDA0002618263450000015
其中
Figure FDA0002618263450000016
和
Figure FDA0002618263450000017
分别为序列均值和标准差，当序列中存在空值(NULL,NAN)，将其置为0；
(1.2)计算序列之间相关性：当数据符合正态分布或经过标准化处理之后，Pearson相关性系数、余弦相似度、欧式距离的平方认为是等价的，采用余弦相似度计算测点
Figure FDA0002618263450000018
和
Figure FDA0002618263450000019
的相关性：
Figure FDA00026182634500000110
(1.3)选择相关序列：计算单域中各测点之间的相关系数，取与
Figure FDA00026182634500000111
序列相关性最高的前
Figure FDA00026182634500000112
个测点序列
Figure FDA00026182634500000113
其中将
Figure FDA00026182634500000114
记为T0；其中
Figure FDA00026182634500000115
且为自然数，当
Figure FDA00026182634500000116
时仅选择
Figure FDA00026182634500000117
本身序列，
Figure FDA00026182634500000118
代表选择2个相关序列。
2.根据权利要求1所述的一种基于多相关序列的大坝安全监测单测点评价方法，其特征在于，所述步骤(2)中单测点时间序列数据预测的具体步骤如下：
经过测点序列预处理后，得到
Figure FDA00026182634500000119
作为输入，利用注意力层Attention和LSTM层完成预测；利用注意力层为每个序列分配权重
Figure FDA00026182634500000120
对输入序列应用注意力权重得到
Figure FDA00026182634500000121
作为LSTM层的输入；权重通过误差反向传播进行更新；LSTM层进行预测后得到测点
Figure FDA00026182634500000122
的序列预测值
Figure FDA00026182634500000123
3.根据权利要求1所述的一种基于多相关序列的大坝安全监测单测点评价方法，其特征在于，所述步骤(3)中单测点运行状态评判的具体步骤如下：
基于测点实测值
Figure FDA0002618263450000021
和预测值
Figure FDA0002618263450000022
通过全连接层Dense和Softmax层对该测点的运行状态进行评价，最终得到
Figure FDA0002618263450000023
的评价结果
Figure FDA0002618263450000024
单测点评价结果
Figure FDA0002618263450000025
为一个概率向量；单域r1中的测点
Figure FDA0002618263450000026
的运行状态被预设为良好、正常、检查和异常；如果经过预测和评价后得到测点
Figure FDA0002618263450000027
的评价结果
Figure FDA0002618263450000028
为[0.65,0.2,0.1,0.05]，则表示测点
Figure FDA0002618263450000029
属于四个运行状态即良好、正常、检查和异常的概率分别为65％、20％、10％和5％；根据最大概率，认为
Figure FDA00026182634500000210
运行状态评价结果为良好。
CN201910375440.8A 2019-05-07 2019-05-07 一种基于多相关序列的大坝安全监测单测点评价方法 Active CN110188399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910375440.8A CN110188399B (zh) 2019-05-07 2019-05-07 一种基于多相关序列的大坝安全监测单测点评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910375440.8A CN110188399B (zh) 2019-05-07 2019-05-07 一种基于多相关序列的大坝安全监测单测点评价方法

Publications (2)

Publication Number Publication Date
CN110188399A CN110188399A (zh) 2019-08-30
CN110188399B true CN110188399B (zh) 2020-10-16

Family

ID=67715738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910375440.8A Active CN110188399B (zh) 2019-05-07 2019-05-07 一种基于多相关序列的大坝安全监测单测点评价方法

Country Status (1)

Country Link
CN (1) CN110188399B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110728397B (zh) * 2019-09-26 2021-03-02 河海大学 一种基于模型自动匹配的大坝单测点阈值计算方法
CN113298426B (zh) * 2021-06-17 2022-06-24 华能澜沧江水电股份有限公司 知识图谱驱动的大坝安全评判权重动态拟定方法及系统
CN113344279B (zh) * 2021-06-21 2022-03-01 河海大学 基于lstm-sam模型和池化的居民负荷预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN108846199A (zh) * 2018-06-12 2018-11-20 华能澜沧江水电股份有限公司 基于时空一体化的特高拱坝变形时空序列预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10284453B2 (en) * 2015-09-08 2019-05-07 Uber Technologies, Inc. System event analyzer and outlier visualization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN107480341A (zh) * 2017-07-21 2017-12-15 河海大学 一种基于深度学习的大坝安全综合评判方法
CN108846199A (zh) * 2018-06-12 2018-11-20 华能澜沧江水电股份有限公司 基于时空一体化的特高拱坝变形时空序列预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
混凝土坝性态安全多维诊控方法研究;徐兴忠;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190115;9-36 *
面向大坝变形监测的时空一体化预测算法;毛莺池 等;《计算机科学》;20190228;223-228 *

Also Published As

Publication number Publication date
CN110188399A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110188399B (zh) 一种基于多相关序列的大坝安全监测单测点评价方法
CN104764869B (zh) 一种基于多维特征量的变压器气体故障诊断和报警方法
CN109614997A (zh) 一种基于深度学习的窃电风险预测方法及装置
CN109034191A (zh) 基于elm的单维遥测数据异常判读方法
CN110400231B (zh) 一种加权非线性贝叶斯的电能计量设备失效率预估方法
CN112327191B (zh) 一种基于几何特征融合决策的电池跳水概率评估方法
Ma et al. Measurement error prediction of power metering equipment using improved local outlier factor and kernel support vector regression
CN108549908A (zh) 基于多采样概率核主成分模型的化工过程故障检测方法
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
CN117371337B (zh) 一种基于数字孪生的水利模型构建方法及系统
CN115270266A (zh) 基于改进层次分析法的边坡监测状态风险判断方法
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
CN111026790A (zh) 一种基于数据挖掘的结构安全评估及预报方法
CN113973403B (zh) 基于结构离散测点拓扑的温致应变场重分布智能感知方法
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN114169594A (zh) 一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法
CN109241147B (zh) 一种用于评估统计值变异性的方法
CN113673145A (zh) 基于pca-lstm神经网络的地表沉降预测方法
CN117595260B (zh) 一种基于5g短切片的电力设备远程监控方法及系统
CN114184211B (zh) 一种惯导可靠性试验中性能变化机理一致性判定方法
CN117554762B (zh) 一种变压器绝缘件老化模型建立方法、介质及系统
CN117150244B (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN112531683A (zh) 一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法
CN113987776A (zh) 干式电抗器耐老化能力测试模型构建方法与测试方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190830

Assignee: HUANENG LANCANG RIVER HYDROPOWER Inc.

Assignor: HOHAI University

Contract record no.: X2021320000034

Denomination of invention: An evaluation method of dam safety monitoring based on multi correlation sequence

Granted publication date: 20201016

License type: Common License

Record date: 20210525

EE01 Entry into force of recordation of patent licensing contract
CB03 Change of inventor or designer information

Inventor after: Cheng Yangkun

Inventor after: Mao Yingchi

Inventor after: Qi Hai

Inventor after: Wang Longbao

Inventor after: Ping Ping

Inventor before: Mao Yingchi

Inventor before: Cheng Yangkun

Inventor before: Qi Hai

Inventor before: Wang Longbao

Inventor before: Ping Ping

CB03 Change of inventor or designer information