CN112989660B - 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 - Google Patents
基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 Download PDFInfo
- Publication number
- CN112989660B CN112989660B CN202110274856.8A CN202110274856A CN112989660B CN 112989660 B CN112989660 B CN 112989660B CN 202110274856 A CN202110274856 A CN 202110274856A CN 112989660 B CN112989660 B CN 112989660B
- Authority
- CN
- China
- Prior art keywords
- matrix
- partial
- test
- pipeline
- corrosion
- 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
Links
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Abstract
本发明公开一种基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,包括以下步骤:1、测试点选取、有限元仿真;2、数据预处理;3、获取训练样本;4、第一主成分对选取;5、因变量、自变量对主成分的回归;6、残差矩阵替换;7、偏最小二乘回归方程式的建立;8、交叉有效性验证;9、冗余位置变量的剔除、最佳传感器排布的选取;10、测试样本测试。本发明通过区间内获得的地表电位数据,结合有限元仿真获得有效的预测管道腐蚀电流密度,根据偏最小二乘法,得到预测回归方程,判断出管道的腐蚀情况,在减少传感器数量的同时,可保持预测精度在可接受范围内,对于直观监测管道腐蚀情况和节省成本具有重大的实际意义。
Description
技术领域
本发明涉及地铁轨道交通技术领域,尤其涉及一种基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法。
背景技术
随着社会的不断发展,我国城市化进程也在如火如荼的进行,城市交通系统带来的拥堵问题不容小视。以地铁为主的城市轨道交通系统具有运量大、占地小、环保、安全密闭等特点,正逐渐缓解城市交通压力,改善居民出行舒适度,提升城市形象,带动全城联动,是城市经济快速发展的催化剂。目前我国地铁主要采用DC750V或DC1500V的直流牵引供电系统,牵引变电所为地铁列车运行提供牵引电流,牵引电流经过列车最后沿轨道(即走行轨)再返回牵引变电所。由于轨道不可能完全对地绝缘,不可避免会有电流从走行轨泄入大地,形成杂散电流。长期的杂散电流泄漏会对地铁沿线的埋地金属造成严重的电化学腐蚀,进而造成巨大的经济损失,并给乘客安全出行带来巨大隐患。因此,杂散电流预测和防治对于地铁系统的可持续安全运行有重要的实际工程意义。
在杂散电流的干扰作用下,土壤电位以及流过埋地管线金属的电流密度均会发生变化。在城市轨道交通线路中,通常杂散电流监测系统通过埋设在轨道附近的传感器对轨道电位偏移值进行采集,进而间接预测埋地管道等金属的腐蚀程度,监测系统的预测精度对现场埋设传感器的数量和精度有非常高的要求。为了明确地表电位与管道腐蚀之间的联系,建立了地表电位与金属电流密度之间的偏最小二乘法回归模型,实现了通过地表电位预测管道腐蚀预测的目标,同时还相应减少了传感器的数量,减少了不必要的浪费。
发明内容
针对上述问题,本发明提出一种基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,结合有限元仿真获得有效的预测管道腐蚀电流密度,根据偏最小二乘法,得到预测回归方程,判断出管道的腐蚀情况,在减少传感器数量的同时,可保持预测精度在可接受范围内;同时,本测量方法测量方法测量简便,在测量过程中无需对现有系统进行改造,可保证系统在长时间检测时的预测精度。
本发明提出一种基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,所述方法包括以下步骤:
S1、在地铁运行车间内设置若干个样本参数测量点,同时沿轨道等间距铺设若干个传感器,所述测量点对地表电位进行测量采集得P,所述传感器测量采集得到管道腐蚀电流密度值Q,并结合有限元软件建立仿真等效模型,由此构成地表电位矩阵即自变量矩阵X,以及管道腐蚀电流密度矩阵即因变量矩阵Y;
S2、根据拉依达准则对自变量矩阵X和因变量矩阵Y进行预处理,并取列车运行工况为加速和匀速阶段所得的自变量矩阵和因变量矩阵作为训练变量组Xtest和Ytest;
S3、对训练变量组Xtest和Ytest进行矩阵化处理得到残差矩阵;
S4、根据S3得到的残差矩阵建立偏最小二乘回归方程式;
S5、优化偏最小二乘回归方程式;
S6、将测试样本代入到偏最小二乘回归方程式,得到预测后的管道腐蚀电流密度结构。
进一步改进在于,所述步骤S2中根据拉依达准则对自变量矩阵X和因变量矩阵Y进行预处理具体包括:
根据拉依达准则,使用正态分布函数确定区间,将剩余误差超过3σ的位置变量标记为异常值,并去除电位为0的位置变量和极端值位置变量,形成缩减后的自变量矩阵X。
进一步改进在于,所述步骤S3的矩阵化处理具体包括:
S31、分别提取训练变量组Xtest和Ytest的第一对主成分t1和u1,并使之相关性达到最大,其中t1是自变量矩阵Xtest的线性组合,u1是因变量矩阵Ytest的线性组合,所述t1和u1分别提取各自所在的训练变量组的变异信息且相关度达到最大;
S32、建立Ytest对t1的回归以及Xtest对t1的回归,其回归模型为:
进一步改进在于,所述步骤S31的提取过程具体是:
通过训练变量组的标准化观测数据矩阵E0和F0计算的第一对主成分的得分向量和其中通过用第一对主成分的得分向量和的内积来计算第一对主成分t1和u1的协方差Cov(t1,u1),从而转化为数学上的条件极值问题,通过拉格朗日乘数法求解,求得相应的w1和v1后,可得成分t1和μ1。
进一步改进在于,所述步骤S32中回归系数向量α1和β1的计算公式为:
进一步改进在于,所述步骤S4具体包括:
若n×m标准化观测矩阵E0的秩为r≤min(n-1,m),则存在r个成分t1,…,tr,使得
yj=aj1x1+aj2x2+…+ajpxp,(j=1,2,3…,q)
其中,p为自变量矩阵Xtest的变量数,q为因变量矩阵Ytest的变量数。
进一步改进在于,所述步骤S5具体包括:
在偏最小二乘法建模过程中,通过交叉验证有效性来获得最终选取的主成分,其方法是:
将若干个样本参数测量点分为两部分,第一部分为去除任意样本点b的所有样本集合,使用g个成分将这些样本点拟合得到一个回归方程;第二部分为把被排除的样本点b代入得到的拟合方程中,得到在样本点b上的拟合值遍历所有样本点,则定义yj的预测误差平方和为PRESS(g)。再将所有的样本点拟合含g个成分的回归方程,记第b个样本点的预测值为定义yj误差平方和为SS(g),通过设置偏最小二乘参数来判断增加成分tg对精度是否是有益的,若是,则停止抽取成分,确定tg个成分对,若不是,则继续抽取成分;
通过交叉有效性检验确定的tg个成分对可得自变量提出成分系数,将相关性较低的位置变量剔除,进一步减少传感器的数量,减少传感器数量的原则为:根据列车运行工况,在加速和减速阶段泄露电流最大处传感器密集选取,匀速阶段泄露电流较小处稀疏选取传感器。
进一步改进在于,所述步骤S5中判断增加成分tg对精度是否是有益的判断方法为:
与现有技术相比,本发明的有益效果为:
本发明的过程可细分为10个步骤:1、测试点选取、有限元仿真;2、数据预处理;3、获取训练样本;4、第一主成分对选取;5、因变量对主成分的回归以及自变量对主成分的回归;6、残差矩阵替换;7、偏最小二乘回归方程式的建立;8、交叉有效性验证确定最终主成分个数;9、位置变量的剔除、最佳传感器排布的选取;10、测试样本测试。
与现有的地铁杂散电流管道腐蚀预测相比:本发明通过实测数据与有限元仿真相结合,得到管道腐蚀电流密度,再由偏最小二乘法进而表征管道腐蚀程度。偏最小二乘法是一种多因变量对多自变量的回归建模方法,可以较好的解决许多以往用普通多元回归无法解决的问题。
附图说明
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
图1为本发明一实施例区间内测量点设置及电表点位采集点设置示意图;
图2为本发明一实施例列车运行工况下泄漏电流示意图;
图3为本发明一实施例的下管道腐蚀预测方法训练流程示意图;
图4为本发明一实施例的下管道腐蚀预测方法测试流程示意图。
具体实施方式
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以是通过中间媒介间接连接,可以说两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1:
如图1所示,一个区间内包括两个牵引变电所、轨道、列车、接触网、埋地管道以及杂散电流检测系统:杂散电流微机管理系统、杂散电流监测系统、等间隔排布的100个传感器。传感器数据通过杂散电流检测系统进行汇总,再传输到杂散电流微机管理系统进行处理、分析预测。本发明采用的技术方案是:一种基于偏最小二乘法的地铁杂散电流管道腐蚀电流密度的预测方法,该方法包括以下步骤:
步骤S1:在一个运行区间内,根据列车的运行工况(加速、匀速、减速),在区间内设置65个样本参数测量点,同时沿轨道等间距铺设100个传感器,如图1所示,在每个测量点对地表电位进行测量得p={x1,x2,x3…x100};所述埋地管道深度信息由地铁运营公司或燃气管道公司获得;结合有限元软件建立仿真等效模型,根据传感器数据得到管道腐蚀电流密度的值即q={y1,y2,y3…y316};由此构成了地表电位矩阵即自变量矩阵X={x1,x2,x3…x100}65×100,以及管道腐蚀电流密度矩阵即因变量矩阵Y={y1,y2,y3…y316}65×316;
步骤S2:对所得数据进行预处理,根据拉依达准则,使用正态分布函数确定区间,剩余误差超过3σ为异常值,可去除电位为零的位置变量和极端值位置变量共18个,即减少18个传感器,最后地表电位矩阵即自变量矩阵缩减为X={x1,x2,x3…x82}65×82;
并取列车运行工况为加速和匀速时所得地表电位和管道腐蚀电流密度Xtest={x1,x2,x3…x82}40×82和Ytest={y1,y2,y3…y316}40×316;
步骤S31:分别提取俩训练变量组的第一对成分t1和u1,并使之相关性达最大;t1是自变量矩阵X=(x1,x2,x3…x82)T的线性组合:u1是因变量矩阵Y=(y1,y2,y3…y316)T的线性组合:其中t1和u1各自尽可能多地提取所在变量组的变异信息且相关度达到最大;通过训练变量集的标准化观测数据阵E0和F0计算的第一对成分的得分向量和 第一对主成分t1和u1的协方差Cov(t1,u1)就可以用第一对成分的得分向量和的内积来计算,从而转化为数学上的条件极值问题,通过拉格朗日乘数法求解,求得相应的w1和v1后,可得成分t1和u1;
步骤S32:建立y1,…,y316对t1的回归及对x1,…,x82对t1的回归,
回归模型为:
其中E1,F1是回归方程中对应的残差矩阵,其中回归系数向量分别是:
步骤S33:用残差矩阵E1和F1取代E0和F0,记则残差阵如果残差阵F1中元素的绝对值近似为0,则认为用第一个成分建立的回归式精度已经满足需求了,可以停止抽取成分,进入步骤S4;否则用残差阵E1和F1代替E0和F0,返回步骤S31;
步骤S4:若n×m标准化观测矩阵E0的秩为r≤min(n-1,m),则存在r个成分t1,…,tr,使得
yj=aj1x1+aj2x2+…+aj82x82,(j=1,2,3…,316);
步骤S5:在偏最小二乘法建模过程中,最终选取多少个主成分可以通过交叉验证有效性来获得,如图3、图4所示;把65个样本点分成两部分,第一部分去除任意样本点b的所有样本集合(64个样本点),使用g个成分将这些样本点拟合得到一个回归方程;第二部分是把被排除的样本点b带入到得到的拟合方程中,得到在样本点b上的拟合值对每一个b=1,2,…,65,重复上述测试,则定义yj的预测误差平方和为PRESS(g)。再将所有的样本点拟合含g个成分的回归方程,记第b个样本点的预测值为定义yj误差平方和为SS(g);
由步骤S5交叉有效性检验确定的tg个成分对,可得自变量提出成分系数,将相关性较低的位置变量剔除,进一步减少传感器的数量;同时在根据列车运行工况,如图2所示,在加速和减速阶段泄露电流最大处传感器密集选取,匀速阶段泄露电流较小可稀疏选取传感器;
步骤10:将测试样本带入训练得到的偏最小二乘回归方程式,得到预测后的管道腐蚀电流密度结果。
本发明的工作原理与工作过程如下:利用了偏最小二乘法多因变量对多自变量的回归建模方法,特别是当因变量比自变量大得多的情况,可以较好的解决许多以往用普通多元回归无法解决的问题。通过区间内获得的地表电位数据,结合有限元仿真获得有效的预测管道腐蚀电流密度。根据偏最小二乘法,回归建模得到管道腐蚀电流密度对地表电位的预测回归方程,从而确定管道的腐蚀情况。该方法可以与现有的地铁杂散电流综合监控系统有很好的交互,克服了杂散电流对管道腐蚀情况判断难,工作量大的难题,避免了人力物力的浪费,对现有系统的改造升级影响较小,后期维护成本大幅度降低,实现了对地铁杂散电流腐蚀情况的有效预测。
图中,描述位置关系仅用于示例性说明,不能理解为对本专利的限制;显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,其特征在于,所述方法包括以下步骤:
S1、在地铁运行车间内设置若干个样本参数测量点,同时沿轨道等间距铺设若干个传感器,所述测量点对地表电位进行测量采集得P,所述传感器测量采集得到管道腐蚀电流密度值Q,并结合有限元软件建立仿真等效模型,由此构成地表电位矩阵即自变量矩阵X,以及管道腐蚀电流密度矩阵即因变量矩阵Y;
S2、根据拉依达准则对自变量矩阵X和因变量矩阵Y进行预处理,并取列车运行工况为加速和匀速阶段所得的自变量矩阵和因变量矩阵作为训练变量组Xtest和Ytest;
S3、对训练变量组Xtest和Ytest进行矩阵化处理得到残差矩阵;
S4、根据S3得到的残差矩阵建立偏最小二乘回归方程式;
S5、优化偏最小二乘回归方程式;
S6、将测试样本代入到偏最小二乘回归方程式,得到预测后的管道腐蚀电流密度结构;
所述步骤S5具体包括:
在偏最小二乘法建模过程中,通过交叉验证有效性来获得最终选取的主成分,其方法是:
将若干个样本参数测量点分为两部分,第一部分为去除任意样本点b的所有样本集合,使用g个成分将这些样本点拟合得到一个回归方程;第二部分为把被排除的样本点b代入得到的拟合方程中,得到在样本点b上的拟合值遍历所有样本点,则定义yj的预测误差平方和为PRESS(g),再将所有的样本点拟合含g个成分的回归方程,记第b个样本点的预测值为定义yj误差平方和为SS(g),通过设置偏最小二乘参数来判断增加成分tg对精度是否是有益的,若是,则停止抽取成分,确定tg个成分对,若不是,则继续抽取成分;
通过交叉有效性检验确定的tg个成分对可得自变量提出成分系数,将相关性较低的位置变量剔除,进一步减少传感器的数量,减少传感器数量的原则为:根据列车运行工况,在加速和减速阶段泄露电流最大处传感器密集选取,匀速阶段泄露电流较小处稀疏选取传感器。
2.根据权利要求1所述的基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,其特征在于,所述步骤S2中根据拉依达准则对自变量矩阵X和因变量矩阵Y进行预处理具体包括:
根据拉依达准则,使用正态分布函数确定区间,将剩余误差超过3σ的位置变量标记为异常值,并去除电位为0的位置变量和极端值位置变量,形成缩减后的自变量矩阵X。
3.根据权利要求1所述的基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法,其特征在于,所述步骤S3的矩阵化处理具体包括:
S31、分别提取训练变量组Xtest和Ytest的第一对主成分t1和u1,并使之相关性达到最大,其中t1是自变量矩阵Xtest的线性组合,u1是因变量矩阵Ytest的线性组合,所述t1和u1分别提取各自所在的训练变量组的变异信息且相关度达到最大;
S32、建立Ytest对t1的回归以及Xtest对t1的回归,其回归模型为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110274856.8A CN112989660B (zh) | 2021-03-15 | 2021-03-15 | 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110274856.8A CN112989660B (zh) | 2021-03-15 | 2021-03-15 | 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989660A CN112989660A (zh) | 2021-06-18 |
CN112989660B true CN112989660B (zh) | 2021-09-17 |
Family
ID=76335438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110274856.8A Active CN112989660B (zh) | 2021-03-15 | 2021-03-15 | 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989660B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707777A (zh) * | 2022-06-08 | 2022-07-05 | 中汽研汽车检验中心(天津)有限公司 | 由汽车冷启动模态数据快速预测碳氢化合物排放的方法 |
CN115219823B (zh) * | 2022-07-15 | 2024-01-30 | 北京市燃气集团有限责任公司 | 受铁路动态交流干扰的管道多点同步监测分析方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107615046A (zh) * | 2015-03-05 | 2018-01-19 | 哈利法科学技术大学 | 在线测量油气管道中的黑色粉末 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
CN110414079A (zh) * | 2019-07-03 | 2019-11-05 | 广西大学 | 一种具有因果关系的不一致数据处理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203480291U (zh) * | 2013-08-30 | 2014-03-12 | 徐州世昌机电科技有限公司 | 一种基于物联网的地铁杂散电流腐蚀监测与防护系统 |
CN107271359A (zh) * | 2017-04-27 | 2017-10-20 | 复旦大学 | 一种地铁线附近杂散电流引起埋地金属燃气管道腐蚀的综合判定方法 |
CN108562782B (zh) * | 2018-07-17 | 2020-06-16 | 国网湖南省电力有限公司 | 一种杂散电流的获取方法及杂散电流的检测系统 |
CN211013961U (zh) * | 2019-09-28 | 2020-07-14 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀动态模拟实验系统 |
CN110749541B (zh) * | 2019-09-28 | 2024-04-26 | 徐州中矿传动轨道科技有限公司 | 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 |
CN111508216B (zh) * | 2020-04-28 | 2021-12-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种大坝安全监测数据智能预警方法 |
-
2021
- 2021-03-15 CN CN202110274856.8A patent/CN112989660B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107615046A (zh) * | 2015-03-05 | 2018-01-19 | 哈利法科学技术大学 | 在线测量油气管道中的黑色粉末 |
CN109901111A (zh) * | 2019-02-25 | 2019-06-18 | 西安电子科技大学 | 基于偏最小二乘回归的近场声源定位方法 |
CN110414079A (zh) * | 2019-07-03 | 2019-11-05 | 广西大学 | 一种具有因果关系的不一致数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112989660A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103293014B (zh) | 一种桥梁疲劳损伤状态与剩余寿命的评估方法 | |
CN112989660B (zh) | 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 | |
CN111256924B (zh) | 一种大跨度高铁桥梁伸缩缝智能监测方法 | |
Liu et al. | Advances of research on high-speed railway catenary | |
CN101532917B (zh) | 一种桥梁承载能力快速荷载试验方法 | |
CN106840049B (zh) | 基于内置三轴加速传感器智能手机的路面质量评级方法 | |
CN102654539B (zh) | 一种电子式互感器运行状态评价方法 | |
CN108562782A (zh) | 一种杂散电流的获取方法及杂散电流的检测系统 | |
CN108170925A (zh) | 一种基于arma模型的桥梁损伤预警方法 | |
CN103852269A (zh) | 高速列车运行动力学参数检测方法 | |
CN102175597A (zh) | 地铁杂散电流腐蚀在线监测系统的在线监测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN110296801B (zh) | 一种基于应变响应的连续梁桥影响线快速获取方法 | |
CN106195646A (zh) | 漏水分布推定装置、推定系统和推定方法 | |
CN108664673A (zh) | 一种轮轨力载荷辨识特征数据模型建立方法及装置 | |
CN106248414A (zh) | 适用于结构健康监测的传感器布设方法及结构识别方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN104750976A (zh) | 一种输电线路状态评价参数体系的构建方法 | |
CN103995948A (zh) | 一种基于多项式模型的振荡中心电压预测方法 | |
CN107798418A (zh) | 一种基于交通分析小区的交通事故频次预测方法 | |
CN105699849A (zh) | 一种基于量子行为粒子群优化算法的电压暂降估计方法 | |
CN115169982A (zh) | 一种公路工程隧道围岩稳定性智能监测评价分析系统 | |
CN110544034A (zh) | 一种输电线路交叉跨越风险评估方法 | |
CN112926384B (zh) | 一种基于功率谱传递比和支持向量机的模态自动识别方法 | |
Wang et al. | Predictive model for corrosion hazard of buried metallic structure caused by stray current in the subway |
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 |