CN112862147A - 基于bp神经网络的综合管廊运维风险评价模型及方法 - Google Patents
基于bp神经网络的综合管廊运维风险评价模型及方法 Download PDFInfo
- Publication number
- CN112862147A CN112862147A CN202011307134.XA CN202011307134A CN112862147A CN 112862147 A CN112862147 A CN 112862147A CN 202011307134 A CN202011307134 A CN 202011307134A CN 112862147 A CN112862147 A CN 112862147A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- risk
- data
- output
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 84
- 238000012423 maintenance Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000013210 evaluation model Methods 0.000 title claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 35
- 239000004576 sand Substances 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000006855 networking Effects 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 56
- 238000007726 management method Methods 0.000 claims description 29
- 238000012502 risk assessment Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 210000004027 cell Anatomy 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000001537 neural effect Effects 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 9
- 238000012954 risk control Methods 0.000 claims description 9
- 230000008054 signal transmission Effects 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 208000003098 Ganglion Cysts Diseases 0.000 claims description 3
- 208000005400 Synovial Cyst Diseases 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013278 delphi method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于BP神经网络的综合管廊运维风险评价模型,包括风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,风险评估服务器平台通过数据通讯网关分别与操控终端、数据接收终端、电子沙盘及虚拟现实终端连接。其具体构建方法包括系统组网,系统预设,系统自主学习,基本风险评价及系统拓展优化等五个步骤。本发明一方面系统构成结构简单、数据通讯处理能力强,可有效满足对管廊系统运维工作中风险事件进行及时评估并预警;另一方面系统运行自动化程度、智能化程度高,并具有良好的自主学习运行能力,从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本。
Description
技术领域
本发明涉及一种管廊定位管理系统及方法,特别是涉及地下综合管廊现场多源综合现场定位系统及方法。
背景技术
城市综合管廊系统的运行中,为了提高对运行风险事件的综合监管能力,提高管廊运行安全性,当前在监管工作采用了大量的基于人工职能类风险监控系统平台,如王建波(2018)等[12]采用德尔菲法和主成分分析(PCA)建立管廊PPP项目风险评价指标体系,并运用C-OWA算子来进行指标赋权,建立基于集对分析的风险评价模型,利用灰色关联度确定差异度系数,通过联系度的取值评判项目风险等级及发展趋势,为综合管廊PPP项目风险评价的理论与实践提供参考,虽然可以一定程度满足使用的需要,但在实际工作中发现,当前所使用的管廊风险监控评测系统,一方面均不同程度存在系统构建结构复杂,操作及维护难度大,且仅能满足对特定类型的风险事件进行评测管理作业,使用灵活性和便捷性均相对较差;另一方面在进行管廊系统维护中,当前的风险评测系统对风险评测运算的效率及运算精度均相对较差,且在运算过程中缺乏必要的自主学习能力,从而造成无法对突发或个别偶发状态数据对应的风险情况进行有效的评测,因此导致当前的管廊风险评价系统难以有效满足实际工作的需要。
因此针对这一现状,迫切需要开发一种全新的城市管廊风险评估系统,以满足管廊系统实际运行维护管理作业的需要。
发明内容
针对现有技术上存在的不足,本发明提供基于BP神经网络的综合管廊运维风险评价模型及构建方法,以克服传统设备在运行中的缺陷,提高设备运行的稳定性、安全性和可靠性。为了实现上述目的,本发明是通过如下的技术方案来实现:
一种基于BP神经网络的综合管廊运维风险评价模型,包括风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,风险评估服务器平台通过数据通讯网关分别与操控终端、数据接收终端、电子沙盘及虚拟现实终端连接,其中操控终端为1-4各,各操控终端间相互并联,电子沙盘和虚拟现实终端均若干,各电子沙盘间均相互并联,且每个电子沙盘均与至少2个虚拟现实终端连接并构成一个数据输出工作组,数据输出工作组不少于2个,各数据输出工作组间通过数据通讯网关相互混联,数据接收终端若干,各数据接收终端间通过数据通讯网关混联并构成至少一个数据接收局域网。
进一步的,所述的风险评估服务器平台为基于云计算平台、大数据平台及AI人工智能计算平台中任意一种或几种共用为基础的服务器系统,所述风险评估服务器另设至少一个数据备份服务器,且所述风险评估服务器采用分布式服务器结构及集群式服务器结构中的任意一种。
进一步的,所述的风险评估服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统,且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接,所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。
进一步的,所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。
进一步的,所述的数据接收终端包括承载底座、承载龙骨、托盘、基于晶闸管的电子开关电路、网络交换机、散热风机、主布线槽、辅助布线槽,所述承载底座为横断面呈矩形的腔体结构,其上端面与承载龙骨连接并同轴分布,所述承载龙骨为轴向截面呈矩形的框架结构,所述托盘若干,沿承载龙骨轴线自上向下均布并与承载龙骨轴线相互垂直,所述托盘为横断面呈“凵”字形槽状结构,其底部设若干透孔,侧表面与承载龙骨侧表面通过转台机构铰接,并环绕交接轴进行0°-360°范围旋转,且每个托盘上端面均与一个网络交换机连接,下端面设一个散热风机,所述基于晶闸管的电子开关电路嵌于承载底座内,并通过导线分别与各网络交换机、散热风机电气连接,同时另与操控终端电气连接,其中所述导线分别通过主布线槽、辅助布线槽与承载龙骨及托盘下端面连接,所述主布线槽与承载龙骨内侧面连接,辅助布线槽与托盘下端面连接。
进一步的,所述的操控终端为工业计算机、PC计算机及移动智能终端中的任意一种;所述虚拟现实终端为VR眼镜、VR头盔及VR座椅中的任意一种。
基于BP神经网络的综合管廊运维风险评价模型的构建方法,包括以下步骤:
S1,系统组网,首先构建至少一个风险评估服务器平台、若干数据通讯网关、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,然后数据通讯网通过通讯网络分别与风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端进行组网,构建得到远程评估网络系统,然后将数据接收终端分别与至少一个管廊系统的运维平台建立数据连接,并采集该管廊系统的运维平台中的管廊系统运维数据,构建数据采集服务网络,即可完成本发明组网建设;
S2,系统预设,完成S1步骤后,在风险评估服务器平台中建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统;
S3,系统自主学习,完成S2步骤后,首先通过操控终端向风险评估服务器中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法,并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在风险评估服务器平台生成风险管控数据汇总列表,然后根据风险管控数据汇总列表数据,然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习,并在学习过程中通过BP神经网络系统进行风险预判,并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析,并根据风险等级信息对风险管控数据汇总列表信息进行同步调整,划分风险事件处理优先级,从而完成系统预设;
S4,基本风险评价,完成S3步骤后,即可进行基本风险评价作业中,通过数据接收终端持续采集所连接的管廊系统的运行数据,并将采集的数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的风险管控数据汇总列表进行运算比较,从而对管廊系统当前运行风险进行综合评估,并将评估结果通过操控终端、电子沙盘及虚拟现实终端进行输出展示;
S5,系统拓展优化,在S4步骤中,当采集到S3步骤风险管控数据汇总列表未涉及的数据时,将新采集数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的深度学习逻辑计算规则,对新数据计算分析并生成相应数据对应的风险等级,最后将新生成的风险等级信息补充录入到风险管控数据汇总列表中。
进一步的,所述S3步骤中,BP神经网络系统包括了两个卷积层,一个dropout层,用于防止过拟合,提升模型的泛化能力;在dropout层之后是两层的全连接层;首先利用第一个卷积层对图像进行特征提取,而后经过最大池化和relu函数得到第一层的输出x1;然后将x1经过第二个卷积层和dropout层,再利用最大池化和relu函数对图像进一步做特征提取得到x2;将x2经过全连接层把图像的特征综合起来,并传递给输出层,最后利用softmax函数进行分类;对于损失函数则用了F.nll_loss()函数;同时所述BP神经网络系统分为输入层,卷积层,全连接层和输出层,其中输入层前面另设卷积层并与卷积层连接,其中:
输入层:卷积输入层可以直接作用于原始输入数据,对于输入是图像来说,输入数据是图像的像素值;
卷积层:卷积神经网络的卷积层,也叫做特征提取层,包括二个部分:第一部分是真正的卷积层,主要作用是提取输入数据特征;第二部分是pooling层,也叫下采样层,主要目的是在保留有用信息的基础上减少数据处理量,加快训练网络的速度;
全连接层:可以包含多个全连接层,即多层感知机的隐含层部分,通常情况下后面层的神经节点都和前一层的每一个神经节点连接,同一层的神经元节点之间是没有连接的,每一层的神经元节点分别通过连接线上的权值进行前向传播,加权组合得到下一层神经元节点的输入;
输出层:输出层神经节点的数目根据具体应用任务来设定的。
进一步的,所述S3步骤中,BP神经网络系统的计算函数包括:
隐含层节点的输出
yi=f(∑ωjixi-θi)=f(netj)
输出层节点的输出
zi=f(∑vljyi-θl)=f(netl)
实际输出与期望输出间的均方误差函数
①误差函数对隐含层与输出层节点间的权值求导
E是zk(1≤k≤n)的函数,但是只有zl与vlj有关,zi与zj(i≠j;i,j=1,2,…,n)间相互独立,则
设输出层节点误差为
δl=(tl-zl)×y’(netl)
②误差函数对输入层与隐含层节点间的权值求导
E是zl(1≤l≤n)的函数,某一个ωji对应于一个yj,它与所有的zl(1≤l≤n)有关,则
设隐含层节点误差为
由于权值的修正Δvlj、Δωji正比于误差函数沿梯度下降,故隐含层与输出层节点间的权值变化为
隐含层与输出层节点间的权值修正
vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj
输入层与隐含层节点间的权值变化为
输入层与隐含层节点间的权值修正
wji(k+1)=wji(k)+Δwji=wji(k)+η′δjxi
由上式可知,隐含层节点误差落δj中的∑lδlvlj表示输出节点zl的误差拐通过权值vlj向节点yj反向传播成为隐含层节点的误差。
③阈值的修正
BP网络在修正权值的同时也要修正阈值θ,原理同权值修正一样。
a)误差函数对输出节点阈值求导
阈值修正
θl(k+1)=θl(k)+ηδj
b)误差函数对隐含层节点阈值求导
阈值修正
θj(k+1)=θj(k)+η′δj。
进一步的,所述S2和S3步骤中,LSTM的智能预测系统包括:
遗忘门:选择忘记过去的某些信息,具体运算函数为
ft=σ(wf·[ht-1,xt]+bf);
其中ht-1表示的是上一个cell的输出,xt表示的是当前细胞的输入,σ表示sigmod函数;
输入门:下一步是决定让多少新的信息加入cell状态中来。实现这个需要包括两个步骤:其中一个是输入门的sigmoid层决定哪些信息需要更新;另一个tanh层生成一个向量,也就是备选的用来更新的内容,其运算函数为:
it=σ(wi·[ht-1,xt]+bi)
输出门:首先运行一个sigmoid层来确定细胞状态的输出端口;接着,把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘,最终确定需要输出的数据,具体运算函数为
ot=σ(wo·[ht-1,xt]+bo)
ht=ot*tan h(Ct)。
本发明一方面系统构成结构简单、数据通讯处理能力强,可有效满足对管廊系统运维工作中风险事件进行及时评估并预警,从而极大的提高了管廊系统运行的稳定性和安全性;另一方面系统运行自动化程度、智能化程度高,并具有良好的自主学习运行能力,从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本;同时极大的提高了风险事件判断效率及精度,并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务,极大的提高了管廊运行风险管控工作的工作效率和精度。
附图说明
下面结合附图和具体实施方式来详细说明本发明。
图1为本发明系统构成结构原理示意图;
图2为本数据接收终端结构示意图;
图3为发明运行方法流程示意图;
图4为BP神经网络基本构架结构示意图;
图5为LSTM的智能预测系统模型结构示意图;
图6为LSTM时间序列预测模型图;
图7为风险管控数据汇总列表表头。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,以氢气为例进一步阐述本发明。
如图1和2所示,一种基于BP神经网络的综合管廊运维风险评价模型,包括风险评估服务器平台1、操控终端2、数据通讯网关3、数据接收终端4、电子沙盘5及虚拟现实终端6,风险评估服务器平台1通过数据通讯网关3分别与操控终端2、数据接收终端4、电子沙盘5及虚拟现实终端6连接,其中操控终端2为1-4各,各操控终端2间相互并联,电子沙盘5和虚拟现实终端6均若干,各电子沙盘5间均相互并联,且每个电子沙盘5均与至少2个虚拟现实终端6连接并构成一个数据输出工作组,数据输出工作组不少于2个,各数据输出工作组间通过数据通讯网关相互混联,数据接收终端4若干,各数据接收终端4间通过数据通讯网关3混联并构成至少一个数据接收局域网。
本实施例中,所述的风险评估服务器平台为基于云计算平台、大数据平台及AI人工智能计算平台中任意一种或几种共用为基础的服务器系统,所述风险评估服务器另设至少一个数据备份服务器,且所述风险评估服务器采用分布式服务器结构及集群式服务器结构中的任意一种。
重点说明的,所述的风险评估服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统,且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接,所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。
进一步优化的,所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。
需要特别说明的,所述的数据接收终端4包括承载底座41、承载龙骨42、托盘43、基于晶闸管的电子开关电路44、网络交换机45、散热风机46、主布线槽47、辅助布线槽48,所述承载底座41为横断面呈矩形的腔体结构,其上端面与承载龙骨42连接并同轴分布,所述承载龙骨42为轴向截面呈矩形的框架结构,所述托盘43若干,沿承载龙骨42轴线自上向下均布并与承载龙骨42轴线相互垂直,所述托盘43为横断面呈“凵”字形槽状结构,其底部设若干透孔40,侧表面与承载龙骨42侧表面通过转台机构49铰接,并环绕交接轴进行0°-360°范围旋转,且每个托盘43上端面均与一个网络交换机45连接,下端面设一个散热风机46,所述基于晶闸管的电子开关电路44嵌于承载底座41内,并通过导线分别与各网络交换机45、散热风机46电气连接,同时另与操控终端2电气连接,其中所述导线分别通过主布线槽47、辅助布线槽48与承载龙骨42及托盘下端面连接,所述主布线槽47与承载龙骨42内侧面连接,辅助布线槽48与托盘43下端面连接。
进一步优化的,所述的操控终端为工业计算机、PC计算机及移动智能终端中的任意一种;所述虚拟现实终端为VR眼镜、VR头盔及VR座椅中的任意一种。
如图3-7所示,基于BP神经网络的综合管廊运维风险评价模型的构建方法,包括以下步骤:
S1,系统组网,首先构建至少一个风险评估服务器平台、若干数据通讯网关、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,然后数据通讯网通过通讯网络分别与风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端进行组网,构建得到远程评估网络系统,然后将数据接收终端分别与至少一个管廊系统的运维平台建立数据连接,并采集该管廊系统的运维平台中的管廊系统运维数据,构建数据采集服务网络,即可完成本发明组网建设;
S2,系统预设,完成S1步骤后,在风险评估服务器平台中建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统;
S3,系统自主学习,完成S2步骤后,首先通过操控终端向风险评估服务器中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法,并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在风险评估服务器平台生成风险管控数据汇总列表,然后根据风险管控数据汇总列表数据,然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习,并在学习过程中通过BP神经网络系统进行风险预判,并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析,并根据风险等级信息对风险管控数据汇总列表信息进行同步调整,划分风险事件处理优先级,从而完成系统预设;
S4,基本风险评价,完成S3步骤后,即可进行基本风险评价作业中,通过数据接收终端持续采集所连接的管廊系统的运行数据,并将采集的数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的风险管控数据汇总列表进行运算比较,从而对管廊系统当前运行风险进行综合评估,并将评估结果通过操控终端、电子沙盘及虚拟现实终端进行输出展示;
S5,系统拓展优化,在S4步骤中,当采集到S3步骤风险管控数据汇总列表未涉及的数据时,将新采集数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的深度学习逻辑计算规则,对新数据计算分析并生成相应数据对应的风险等级,最后将新生成的风险等级信息补充录入到风险管控数据汇总列表中。
重点说明的,所述S3步骤中,BP神经网络系统包括了两个卷积层,一个dropout层,用于防止过拟合,提升模型的泛化能力;在dropout层之后是两层的全连接层;首先利用第一个卷积层对图像进行特征提取,而后经过最大池化和relu函数得到第一层的输出x1;然后将x1经过第二个卷积层和dropout层,再利用最大池化和relu函数对图像进一步做特征提取得到x2;将x2经过全连接层把图像的特征综合起来,并传递给输出层,最后利用softmax函数进行分类;对于损失函数则用了F.nll_loss()函数;同时所述BP神经网络系统分为输入层,卷积层,全连接层和输出层,其中输入层前面另设卷积层并与卷积层连接,其中:
输入层:卷积输入层可以直接作用于原始输入数据,对于输入是图像来说,输入数据是图像的像素值;
卷积层:卷积神经网络的卷积层,也叫做特征提取层,包括二个部分。第一部分是真正的卷积层,主要作用是提取输入数据特征。每一个不同的卷积核提取输入数据的特征都不相同,卷积层的卷积核数量越多,就能提取越多输入数据的特征。第二部分是pooling层,也叫下采样层,主要目的是在保留有用信息的基础上减少数据处理量,加快训练网络的速度。通常情况下,卷积神经网络至少包含二层卷积层(这里把真正的卷积层和下采样层统称为卷积层),即卷积层,pooling层,卷积层,pooling层。卷积层数越多,在前一层卷积层基础上能够提取更加抽象的特征;
全连接层:可以包含多个全连接层,即多层感知机的隐含层部分,通常情况下后面层的神经节点都和前一层的每一个神经节点连接,同一层的神经元节点之间是没有连接的,每一层的神经元节点分别通过连接线上的权值进行前向传播,加权组合得到下一层神经元节点的输入;
输出层:输出层神经节点的数目是根据具体应用任务来设定的。如果是分类任务,卷积神经网络输出层通常是一个分类器;
与此同时,所述S3步骤中,BP神经网络系统的计算函数包括:
隐含层节点的输出
yi=f(∑ωjixi-θi)=f(netj)
输出层节点的输出
zi=f(∑vljyi-θl)=f(netl)
实际输出与期望输出间的均方误差函数
①误差函数对隐含层与输出层节点间的权值求导
E是zk(1≤k≤n)的函数,但是只有zl与vlj有关,zi与zj(i≠j;i,j=1,2,…,n)间相互独立,则
设输出层节点误差为
δl=(tl-zl)×y’(netl)
②误差函数对输入层与隐含层节点间的权值求导
E是zl(1≤l≤n)的函数,某一个ωji对应于一个yj,它与所有的zl(1≤l≤n)有关,则
设隐含层节点误差为
由于权值的修正Δvlj、Δωji正比于误差函数沿梯度下降,故隐含层与输出层节点间的权值变化为
隐含层与输出层节点间的权值修正
vlj(k+1)=vlj(k)+Δvlj=vlj(k)+ηδlyj
输入层与隐含层节点间的权值变化为
输入层与隐含层节点间的权值修正
wji(k+1)=wji(k)+Δwji=wji(k)+η′δjxi
由上式可知,隐含层节点误差落δj中的∑lδlvlj表示输出节点zl的误差拐通过权值vlj向节点yj反向传播成为隐含层节点的误差。
③阈值的修正
BP网络在修正权值的同时也要修正阈值θ,原理同权值修正一样。
a)误差函数对输出节点阈值求导
阈值修正
θl(k+1)=θl(k)+ηδj
b)误差函数对隐含层节点阈值求导
阈值修正
θj(k+1)=θj(k)+η′δj。
进一步的,所述S2和S3步骤中,LSTM的智能预测系统包括:
遗忘门:选择忘记过去的某些信息,具体运算函数为
ft=σ(wf·[ht-1,xt]+bf);
其中ht-1表示的是上一个cell的输出,xt表示的是当前细胞的输入,σ表示sigmod函数;
输入门:下一步是决定让多少新的信息加入cell状态中来。实现这个需要包括两个步骤:其中一个是输入门的sigmoid层决定哪些信息需要更新;另一个tanh层生成一个向量,也就是备选的用来更新的内容,其运算函数为:
it=σ(wi·[ht-1,xt]+bi)
输出门:首先运行一个sigmoid层来确定细胞状态的输出端口;接着,把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘,最终确定需要输出的数据,具体运算函数为
ot=σ(wo·[ht-1,xt]+bo)
ht=ot*tan h(Ct)。
本发明一方面系统构成结构简单、数据通讯处理能力强,可有效满足对管廊系统运维工作中风险事件进行及时评估并预警,从而极大的提高了管廊系统运行的稳定性和安全性;另一方面系统运行自动化程度、智能化程度高,并具有良好的自主学习运行能力,从而可极大的降低管廊系统风险事件评估作业的劳动强度、成本;同时极大的提高了风险事件判断效率及精度,并可为风险事件的日常管理、应急处理及日后信息追溯提供精确的信息指导及服务,极大的提高了管廊运行风险管控工作的工作效率和精度。
本行业的技术人员应该了解,本发明不受上述实施例的限制。上述实施例和说明书中描述的只是说明本发明的原理。在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进。这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述基于BP神经网络的综合管廊运维风险评价模型包括风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,所述风险评估服务器平台通过数据通讯网关分别与操控终端、数据接收终端、电子沙盘及虚拟现实终端连接,其中所述操控终端为1-4各,各操控终端间相互并联,所述电子沙盘和虚拟现实终端均若干,各电子沙盘间均相互并联,且每个电子沙盘均与至少2个虚拟现实终端连接并构成一个数据输出工作组,所述数据输出工作组不少于2个,各数据输出工作组问通过数据通讯网关相互混联,所述数据接收终端若干,各数据接收终端间通过数据通讯网关混联并构成至少一个数据接收局域网。
2.根据权利要求1所述的基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述的风险评估服务器平台为基于云计算平台、大数据平台及AI人工智能计算平台中任意一种或几种共用为基础的服务器系统,所述风险评估服务器另设至少一个数据备份服务器,且所述风险评估服务器采用分布式服务器结构及集群式服务器结构中的任意一种。
3.根据权利要求1或2所述的基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述的风险评估服务器平台内构建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统,且所述基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统均与基于SOA体系为基础的主程序系统建立数据链接,所述基于AI基础的人工智能服务器平台另通过通讯网络与外部第三方服务平台建立数据连接。
4.根据权利要求3所述的基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。
5.根据权利要求1所述的基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述的数据接收终端包括承载底座、承载龙骨、托盘、基于晶闸管的电子开关电路、网络交换机、散热风机、主布线槽、辅助布线槽,所述承载底座为横断面呈矩形的腔体结构,其上端面与承载龙骨连接并同轴分布,所述承载龙骨为轴向截面呈矩形的框架结构,所述托盘若干,沿承载龙骨轴线自上向下均布并与承载龙骨轴线相互垂直,所述托盘为横断面呈“凵”字形槽状结构,其底部设若干透孔,侧表面与承载龙骨侧表面通过转台机构铰接,并环绕交接轴进行0°-360°范围旋转,且每个托盘上端面均与一个网络交换机连接,下端面设一个散热风机,所述基于晶闸管的电子开关电路嵌于承载底座内,并通过导线分别与各网络交换机、散热风机电气连接,同时另与操控终端电气连接,其中所述导线分别通过主布线槽、辅助布线槽与承载龙骨及托盘下端面连接,所述主布线槽与承载龙骨内侧面连接,辅助布线槽与托盘下端面连接。
6.根据权利要求1所述的基于BP神经网络的综合管廊运维风险评价模型,其特征在于:所述的操控终端为工业计算机、PC计算机及移动智能终端中的任意一种;所述虚拟现实终端为VR眼镜、VR头盔及VR座椅中的任意一种。
7.基于BP神经网络的综合管廊运维风险评价模型的构建方法,其特征在于:所述的基于BP神经网络的综合管廊运维风险评价模型的构建方法包括以下步骤:
S1,系统组网,首先构建至少一个风险评估服务器平台、若干数据通讯网关、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端,然后数据通讯网通过通讯网络分别与风险评估服务器平台、操控终端、数据通讯网关、数据接收终端、电子沙盘及虚拟现实终端进行组网,构建得到远程评估网络系统,然后将数据接收终端分别与至少一个管廊系统的运维平台建立数据连接,并采集该管廊系统的运维平台中的管廊系统运维数据,构建数据采集服务网络,即可完成本发明组网建设;
S2,系统预设,完成S1步骤后,在风险评估服务器平台中建采用C/S结构和B/S结构的嵌套架构BP神经网络系统,及与BP神经网络系统协同运行的基于LSTM的智能预测系统为基础的和深度学习神经网络系统,同时所述基于AI基础的人工智能服务器平台内另设基于SOA体系为基础的主程序系统,及基于BIM和GIS为基础的三维信息展示子系统、图像识别处理系统平台子系统、基于AR/VR基础的虚拟现实展示平台子系统及高清视频信号传输子系统;
S3,系统自主学习,完成S2步骤后,首先通过操控终端向风险评估服务器中录入相关预设的管廊运行风险事件及相应的风险事件应急处理管理办法,并将录入的管廊运行风险事件及相应的风险事件应急处理管理办法数据在风险评估服务器平台生成风险管控数据汇总列表,然后根据风险管控数据汇总列表数据,然后由AI基础的人工智能服务器平台的基于LSTM的智能预测系统为基础的和深度学习神经网络系统对风险管控数据汇总列表信息进行学习,并在学习过程中通过BP神经网络系统进行风险预判,并为风险管控数据汇总列表中各管廊运行风险事件生成风险等级分析,并根据风险等级信息对风险管控数据汇总列表信息进行同步调整,划分风险事件处理优先级,从而完成系统预设;
S4,基本风险评价,完成S3步骤后,即可进行基本风险评价作业中,通过数据接收终端持续采集所连接的管廊系统的运行数据,并将采集的数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的风险管控数据汇总列表进行运算比较,从而对管廊系统当前运行风险进行综合评估,并将评估结果通过操控终端、电子沙盘及虚拟现实终端进行输出展示;
S5,系统拓展优化,在S4步骤中,当采集到S3步骤风险管控数据汇总列表未涉及的数据时,将新采集数据带入到BP神经网络系统中,由BP神经网络系统根据S3步骤的深度学习逻辑计算规则,对新数据计算分析并生成相应数据对应的风险等级,最后将新生成的风险等级信息补充录入到风险管控数据汇总列表中。
8.根据权利要求7所述的基于BP神经网络的综合管廊运维风险评价模型的构建方法,其特征在于:所述S3步骤中,BP神经网络系统包括了两个卷积层,一个dropout层,用于防止过拟合,提升模型的泛化能力;在dropout层之后是两层的全连接层;首先利用第一个卷积层对图像进行特征提取,而后经过最大池化和relu函数得到第一层的输出x1;然后将x1经过第二个卷积层和dropout层,再利用最大池化和relu函数对图像进一步做特征提取得到x2;将x2经过全连接层把图像的特征综合起来,并传递给输出层,最后利用softmax函数进行分类;对于损失函数则用了F.nll_loss()函数;同时所述BP神经网络系统分为输入层,卷积层,全连接层和输出层,其中输入层前面另设卷积层并与卷积层连接,其中:
输入层:卷积输入层可以直接作用于原始输入数据,对于输入是图像来说,输入数据是图像的像素值;
卷积层:卷积神经网络的卷积层,也叫做特征提取层,包括二个部分:第一部分是真正的卷积层,主要作用是提取输入数据特征;第二部分是pooling层,也叫下采样层,主要目的是在保留有用信息的基础上减少数据处理量,加快训练网络的速度;
全连接层:可以包含多个全连接层,即多层感知机的隐含层部分,通常情况下后面层的神经节点都和前一层的每一个神经节点连接,同一层的神经元节点之间是没有连接的,每一层的神经元节点分别通过连接线上的权值进行前向传播,加权组合得到下一层神经元节点的输入;
输出层:输出层神经节点的数目根据具体应用任务来设定的。
9.根据权利要求7所述的基于BP神经网络的综合管廊运维风险评价模型的构建方法,其特征在于:所述S3步骤中,BP神经网络系统的计算函数包括:
隐含层节点的输出
yi=f(∑ωjixi-θi)=f(netj)
输出层节点的输出
zi=f(∑vljyi-θl)=f(netl)
实际输出与期望输出间的均方误差函数
①误差函数对隐含层与输出层节点间的权值求导
E是zk(1≤k≤n)的函数,但是只有zl与vlj有关,zi与zj(i≠j;i,j=1,2,…,n)间相互独立,则
设输出层节点误差为
δl=(tl-zl)×y’(netl)
②误差函数对输入层与隐含层节点间的权值求导
E是zl(1≤l≤n)的函数,某一个ωji对应于一个yj,它与所有的zl(1≤l≤n)有关,则
设隐含层节点误差为
由于权值的修正Δvlj、Δωji正比于误差函数沿梯度下降,故隐含层与输出层节点间的权值变化为
隐含层与输出层节点间的权值修正
vlj(k+1)=vlj(k)+Δvli=fij(k)+ηδlyj
输入层与隐含层节点间的权值变化为
输入层与隐含层节点间的权值修正
wji(k+1)=wji(k)+Δwji=wji(k)+η′δjxi
由上式可知,隐含层节点误差落δj中的∑lδlvlj表示输出节点zl的误差拐通过权值vlj向节点yj反向传播成为隐含层节点的误差。
③阈值的修正
BP网络在修正权值的同时也要修正阈值θ,原理同权值修正一样。
a)误差函数对输出节点阈值求导
阈值修正
θl(k+1)=θl(k)+ηδj
b)误差函数对隐含层节点阈值求导
阈值修正
θj(k+1)=θj(k)+η′δj。
10.根据权利要求6所述的基于BP神经网络的综合管廊运维风险评价模型的构建方法,其特征在于:所述S2和S3步骤中,LSTM的智能预测系统包括:
遗忘门:选择忘记过去的某些信息,具体运算函数为
ft=σ(wf·[ht-1,xt]+bf);
其中ht-1表示的是上一个cell的输出,xt表示的是当前细胞的输入,σ表示sigmod函数;
输入门:下一步是决定让多少新的信息加入cell状态中来。实现这个需要包括两个步骤:其中一个是输入门的sigmoid层决定哪些信息需要更新;另一个tanh层生成一个向量,也就是备选的用来更新的内容,其运算函数为:
it=σ(wi·[ht_1,xt]+bi)
输出门:首先运行一个sigmoid层来确定细胞状态的输出端口;接着,把细胞状态通过tanh层进行处理(得到一个在-1到1之间的值)并将它和sigmoid层的输出相乘,最终确定需要输出的数据,具体运算函数为
ot=σ(wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307134.XA CN112862147A (zh) | 2020-11-19 | 2020-11-19 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307134.XA CN112862147A (zh) | 2020-11-19 | 2020-11-19 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112862147A true CN112862147A (zh) | 2021-05-28 |
Family
ID=75996388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011307134.XA Pending CN112862147A (zh) | 2020-11-19 | 2020-11-19 | 基于bp神经网络的综合管廊运维风险评价模型及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112862147A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344470A (zh) * | 2021-08-02 | 2021-09-03 | 山东炎黄工业设计有限公司 | 一种基于区块链的供电系统智能管理方法 |
CN115056824A (zh) * | 2022-05-06 | 2022-09-16 | 北京和利时系统集成有限公司 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
CN115996190A (zh) * | 2023-03-24 | 2023-04-21 | 江苏太湖云计算信息技术股份有限公司 | 物联网管廊险情冗余检测定位与多链路通信方法及系统 |
CN117892117A (zh) * | 2024-03-13 | 2024-04-16 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
US20150350160A1 (en) * | 2014-06-02 | 2015-12-03 | Ebay Inc. | Method and apparatus for dynamic detection of geo-location obfuscation in client-server connections through an ip tunnel |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达(北京)技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
CN109408686A (zh) * | 2018-10-19 | 2019-03-01 | 中建二局安装工程有限公司 | 一种地下综合管廊大数据可视化系统及方法 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
CN110428135A (zh) * | 2019-07-03 | 2019-11-08 | 上海电器科学研究所(集团)有限公司 | 一种综合管廊设备状态监测管理系统 |
CN111025901A (zh) * | 2019-12-03 | 2020-04-17 | 中国石油集团工程股份有限公司 | 一种管道清管周期预测方法及平台 |
CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
-
2020
- 2020-11-19 CN CN202011307134.XA patent/CN112862147A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
US20150350160A1 (en) * | 2014-06-02 | 2015-12-03 | Ebay Inc. | Method and apparatus for dynamic detection of geo-location obfuscation in client-server connections through an ip tunnel |
CN106022518A (zh) * | 2016-05-17 | 2016-10-12 | 清华大学 | 一种基于bp神经网络的管道破损概率预测方法 |
CN108416478A (zh) * | 2018-03-19 | 2018-08-17 | 国通广达(北京)技术有限公司 | 一种综合管廊内部燃气浓度lstm预测方法及系统 |
CN109408686A (zh) * | 2018-10-19 | 2019-03-01 | 中建二局安装工程有限公司 | 一种地下综合管廊大数据可视化系统及方法 |
CN109829631A (zh) * | 2019-01-14 | 2019-05-31 | 北京中兴通网络科技股份有限公司 | 一种基于记忆网络的企业风险预警分析方法及系统 |
CN110428135A (zh) * | 2019-07-03 | 2019-11-08 | 上海电器科学研究所(集团)有限公司 | 一种综合管廊设备状态监测管理系统 |
CN111025901A (zh) * | 2019-12-03 | 2020-04-17 | 中国石油集团工程股份有限公司 | 一种管道清管周期预测方法及平台 |
CN111144635A (zh) * | 2019-12-20 | 2020-05-12 | 山东大学 | 基于深度学习的tbm操作参数决策方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344470A (zh) * | 2021-08-02 | 2021-09-03 | 山东炎黄工业设计有限公司 | 一种基于区块链的供电系统智能管理方法 |
CN113344470B (zh) * | 2021-08-02 | 2021-11-16 | 山东炎黄工业设计有限公司 | 一种基于区块链的供电系统智能管理方法 |
CN115056824A (zh) * | 2022-05-06 | 2022-09-16 | 北京和利时系统集成有限公司 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
CN115056824B (zh) * | 2022-05-06 | 2023-11-28 | 北京和利时系统集成有限公司 | 一种确定控车参数的方法、装置、计算机存储介质及终端 |
CN115996190A (zh) * | 2023-03-24 | 2023-04-21 | 江苏太湖云计算信息技术股份有限公司 | 物联网管廊险情冗余检测定位与多链路通信方法及系统 |
CN117892117A (zh) * | 2024-03-13 | 2024-04-16 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
CN117892117B (zh) * | 2024-03-13 | 2024-05-31 | 国网山东省电力公司邹城市供电公司 | 一种配电网输电线路故障定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862147A (zh) | 基于bp神经网络的综合管廊运维风险评价模型及方法 | |
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN111931903A (zh) | 一种基于双层图注意力神经网络的网络对齐方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN110110707A (zh) | 人工智能cnn、lstm神经网络动态识别系统 | |
CN110782015A (zh) | 神经网络的网络结构优化器的训练方法、装置及存储介质 | |
Su et al. | RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms | |
CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
EP4099220A1 (en) | Processing apparatus, method and storage medium | |
CN112183667A (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN112163520B (zh) | 一种基于改进损失函数的mdssd人脸检测方法 | |
CN113065974A (zh) | 一种基于动态网络表示学习的链路预测方法 | |
CN114330541A (zh) | 道路交通事故风险预测深度学习算法 | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
CN113989291A (zh) | 一种基于PointNet与RANSAC算法的建筑物屋顶平面分割方法 | |
CN113537137B (zh) | 一种面向电扶梯的人体动作本征特征提取的方法及系统 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN108876144B (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN112967296B (zh) | 一种点云动态区域图卷积方法、分类方法及分割方法 | |
CN116881704B (zh) | 电网运行状态的预警方法及系统 | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN114067360A (zh) | 一种行人属性检测方法及装置 | |
Yang et al. | Road Damage Detection and Classification Based on Multi-Scale Contextual Features |
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 |