CN113266559A - 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 - Google Patents
一种基于神经网络的混凝土输送泵堵塞的无线检测方法 Download PDFInfo
- Publication number
- CN113266559A CN113266559A CN202110555107.2A CN202110555107A CN113266559A CN 113266559 A CN113266559 A CN 113266559A CN 202110555107 A CN202110555107 A CN 202110555107A CN 113266559 A CN113266559 A CN 113266559A
- Authority
- CN
- China
- Prior art keywords
- delivery pump
- concrete delivery
- neural network
- acceleration
- value
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B15/00—Pumps adapted to handle specific fluids, e.g. by selection of specific materials for pumps or pump parts
- F04B15/02—Pumps adapted to handle specific fluids, e.g. by selection of specific materials for pumps or pump parts the fluids being viscous or non-homogeneous
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
- F04B51/00—Testing machines, pumps, or pumping installations
-
- 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
Abstract
本发明公开了一种基于神经网络的混凝土输送泵堵塞的无线检测方法,包括,将混凝土输送泵水平放置,并在混凝土输送泵表面铺贴加速度传感器;在混凝土输送泵的不同位置进行敲击,通过加速度传感器收集加速度信号;计算混凝土输送泵的加速度响应理论值,并将加速度响应理论值和监测到的加速度响应值进行对比,获取混凝土输送泵不同位置处的误差值;建立全卷积神经网络模型,并利用平滑处理后的加速度信号对模型进行训练,而后利用汉南‑奎因信息准则对全卷积神经网络模型进行拟合;将误差值作为全卷积神经网络模型的目标函数,通过全卷积神经网络模型对混凝土输送泵堵塞位置进行检测;本发明能准确快速地检测混凝土输送泵进堵塞位置。
Description
技术领域
本发明涉及设备检测的技术领域,尤其涉及一种基于神经网络的混凝土输送泵堵塞的无线检测方法。
背景技术
现代建筑行业为提高施工生产效率在混凝土浇筑上多采用混凝土输送泵输送,但在混凝土输送泵作业施工中,容易发生堵塞的情况。出现这一情况除了会造成设备的损坏外,还会严重影响到整个建筑的工程质量。而目前常用的方法有人工锤击法和回弹法等,对于人工锤击法,其需要大量的人力物力来判断混凝土输送泵堵塞的位置,使得这种方法在实际应用过程中准确性很低。对于回弹法,这种方法尽管不用消耗大量的人力,但其无法准确的识别堵塞位置,更无法精准的判断堵塞程度,造成不必要的混凝土输送泵拆卸,造成经济损失和工期延误。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于神经网络的混凝土输送泵堵塞的无线检测方法,能够有效解决混凝土输送泵堵塞位置和堵塞程度的判定问题。
为解决上述技术问题,本发明提供如下技术方案:包括,将混凝土输送泵水平放置,并在所述混凝土输送泵表面铺贴加速度传感器;保持所述混凝土输送泵在未工作时的状态,并在混凝土输送泵的不同位置进行敲击,通过加速度传感器收集加速度信号;对所述加速度信号进行平滑处理;通过结构动力学理论计算得到混凝土输送泵在外力作用下的加速度响应理论值,并将所述加速度响应理论值和监测到的加速度响应值进行对比,获取混凝土输送泵不同位置处的误差值;利用Python建立全卷积神经网络模型,并利用平滑处理后的加速度信号对所述全卷积神经网络模型进行训练,而后利用汉南-奎因信息准则对所述全卷积神经网络模型进行拟合;将误差值作为全卷积神经网络模型的目标函数,通过所述全卷积神经网络模型对混凝土输送泵堵塞位置进行检测。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述平滑处理包括,计算加速度信号X的局部极大值和极小值;计算所述局部极大值和极小值的平均值,并计算加速度信号X和所述局部极大值和极小值的平均值的差值;将所述差值作为一个新的加速度信号Xt,判断加速度信号Xt是否满足IMF定义,若满足,则令IMF的第一个分量为所述加速度信号Xt;否则,则重复计算局部极大值、极小值和差值,直至满足所述IMF定义为止;结合所述加速度信号X和IMF的第一个分量计算残留信号R;将所述残留信号R作为一个新的加速度信号Rt,判断加速度信号Rt是否满足所述IMF定义,若满足则令IMF的第二个分量为所述加速度信号Rt;否则,则重复计算局部极大值、极小值和差值,直至残留信号为单调信号或只存在一个极值点为止。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述IMF定义包括,IMF为有限个本征模函数,IMF分量包括原加速度信号的不同时间尺度的局部特征信号。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述加速度响应理论值包括,
其中,u(t)为t时刻的加速度,u0(t+t)为t时刻到t+t加速度的直线变化值,u0(t)为零时刻的加速度,t为通过积分分解t后获得的微小时间段。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述混凝土输送泵不同位置处的误差值包括,定义所述监测到的加速度响应值为a(t),所述混凝土输送泵不同位置处的误差值为:
s(t)=|u(t)-a(t)|
其中,s(t)为所述混凝土输送泵不同位置处的误差值。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述全卷积神经网络模型包括卷积层、池化层和反卷积层。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述拟合包括,结合高斯定理,通过下式对所述全卷积神经网络模型进行拟合:
HQC=Nln(δ2)+cln(lnN)
其中,HQC为所述汉南-奎因信息准则,N为加速度信号的样本数量,c为输入的维数,δ2为加速度信号的样本标准差。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:还包括,将所述平滑处理后的加速度信号划分为训练集和测试集,根据下式计算所述加速度信号的样本标准差δ2:
其中,yi为第i个样本的模型实际输出,Yi为第i个样本的模型理论输出,P为训练集的数量。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述目标函数包括,
mins(t)=min|u(t)-a(t)|。
其中,mins(t)为目标函数值。
作为本发明所述的基于神经网络的混凝土输送泵堵塞的无线检测方法的一种优选方案,其中:所述检测包括,若mins(t)大于0.1,则判定误差值所处的混凝土输送泵位置的混凝土输送泵堵塞;否则,则判定误差值所处的混凝土输送泵位置的混凝土输送泵不堵塞。
本发明的有益效果:本发明通过构建全卷积神经网络模型,能够有效快速地对混凝土输送泵进堵塞位置进行识别判定。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于神经网络的混凝土输送泵堵塞的无线检测方法的平滑处理结果示意图;
图2为本发明第一个实施例所述的一种基于神经网络的混凝土输送泵堵塞的无线检测方法的全卷积神经网络模型结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是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中的具体含义。
实施例1
参照图1~图2,为本发明的第一个实施例,该实施例提供了一种基于神经网络的混凝土输送泵堵塞的无线检测方法,包括:
S1:将混凝土输送泵水平放置,并在混凝土输送泵表面铺贴加速度传感器。
S2:保持混凝土输送泵在未工作时的状态,并在混凝土输送泵的不同位置进行敲击,通过加速度传感器收集加速度信号;
S3:对加速度信号进行平滑处理。
平滑处理的步骤如下:
(1)计算加速度信号X的局部极大值Xa和极小值Xi;
(3)将差值作为一个新的加速度信号Xt,判断加速度信号Xt是否满足IMF定义,若满足,则令IMF的第一个分量为加速度信号Xt;否则,则重复计算局部极大值、极小值和差值,直至满足IMF定义为止;
需要说明的是,IMF为有限个本征模函数,IMF分量包括原加速度信号的不同时间尺度的局部特征信号。
(4)结合加速度信号X和IMF的第一个分量IMF1计算残留信号R;
R=X-IMF1
(5)将残留信号R作为一个新的加速度信号Rt,判断加速度信号Rt是否满足IMF定义,若满足则令IMF的第二个分量为加速度信号Rt;否则,则重复计算局部极大值、极小值和差值,直至残留信号为单调信号或只存在一个极值点为止。
平滑结果如图1所示。
S4:通过结构动力学理论计算得到混凝土输送泵在外力作用下的加速度响应理论值,并将加速度响应理论值和监测到的加速度响应值进行对比,获取混凝土输送泵不同位置处的误差值。
加速度响应理论值为:
其中,u(t)为t时刻的加速度,u0(t+t)为t时刻到t+t加速度的直线变化值,u0(t)为零时刻的加速度,t为通过积分分解t后获得的微小时间段。
混凝土输送泵不同位置处的误差值如下:
定义监测到的加速度响应值为a(t),混凝土输送泵不同位置处的误差值为:
s(t)=|u(t)-a(t)|
其中,s(t)为混凝土输送泵不同位置处的误差值。
S5:利用Python建立全卷积神经网络模型,并利用平滑处理后的加速度信号对全卷积神经网络模型进行训练,而后利用汉南-奎因信息准则对全卷积神经网络模型进行拟合。
参照图2,全卷积神经网络模型包括卷积层、池化层和反卷积层,其训练的步骤如下:
(1)对训练集进行卷积conv1、池化pool1后训练集缩小为1/2;
(2)对训练集进行第二次卷积conv2、池化pool2后训练集缩小为1/4;
(3)继续对训练集进行第三次卷积conv3、池化pool3,缩小为训练集的1/8,此时保留池化pool3的featureMap;
(4)继续对训练集进行第四次卷积conv4、池化pool4,缩小为训练集的1/16,保留pool4的featureMap;
(5)最后对训练集行第五次卷积conv5、池化pool5,缩小为训练集的1/32,
(6)然后把卷积神经网络中的的全连接变成卷积操作conv6、conv7,训练集的featureMap数量改变,但是训练集大小依然为原训练集的1/32。
进一步的,利用汉南-奎因信息准则对全卷积神经网络进行拟合,具体如下:
结合高斯定理,通过下式对全卷积神经网络模型进行拟合:
HQC=Nln(δ2)+cln(lnN)
其中,HQC为汉南-奎因信息准则,N为加速度信号的样本数量,c为输入的维数,δ2为加速度信号的样本标准差。
将平滑处理后的加速度信号划分为训练集和测试集,根据下式计算加速度信号的样本标准差δ2:
其中,yi为第i个样本的模型实际输出,Yi为第i个样本的模型理论输出,P为训练集的数量。
将HQC的最小值时的隐层结构作为全卷积神经网络模型的最终结构。
S6:将误差值作为全卷积神经网络模型的目标函数,通过全卷积神经网络模型对混凝土输送泵堵塞位置进行检测。
定义目标函数为:
mins(t)=min|u(t)-a(t)|。
其中,mins(t)为目标函数值。
若mins(t)大于0.1,则判定误差值所处的混凝土输送泵位置的混凝土输送泵堵塞;否则,则判定误差值所处的混凝土输送泵位置的混凝土输送泵不堵塞。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择的人工锤击法、回弹法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
人工锤击法需要大量的人力物力来判断混凝土输送泵堵塞的位置,使得这种方法在实际应用过程中准确性很低;回弹法无法准确的识别堵塞位置,从而造成经济损失和工期延误。
为验证本方法相对人工锤击法和回弹法具有较好的堵塞位置识别结果,本实施例中将采用人工锤击法和回弹法和本方法分别对混凝土输送泵堵塞的位置进行实时识别对比。
采用一个故障的混凝土输送泵和一个无故障的混凝土输送泵作为测试样本,分别利用人工锤击法的人工操作进行故障位置判断并获得测试结果数据,利用回弹法进行故障位置判断并获得测试结果数据,采用Python实现本方法的仿真测试,根据实验结果得到仿真数据,结果如下表所示。
表1:混凝土输送泵堵塞位置识别结果。
由上表可见,本方法能准确且快速地识别混凝土输送泵堵塞位置。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:包括,
将混凝土输送泵水平放置,并在所述混凝土输送泵表面铺贴加速度传感器;
保持所述混凝土输送泵在未工作时的状态,并在混凝土输送泵的不同位置进行敲击,通过加速度传感器收集加速度信号;
对所述加速度信号进行平滑处理;
通过结构动力学理论计算得到混凝土输送泵在外力作用下的加速度响应理论值,并将所述加速度响应理论值和监测到的加速度响应值进行对比,获取混凝土输送泵不同位置处的误差值;
利用Python建立全卷积神经网络模型,并利用平滑处理后的加速度信号对所述全卷积神经网络模型进行训练,而后利用汉南-奎因信息准则对所述全卷积神经网络模型进行拟合;
将误差值作为全卷积神经网络模型的目标函数,通过所述全卷积神经网络模型对混凝土输送泵堵塞位置进行检测。
2.如权利要求1所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述平滑处理包括,
计算加速度信号X的局部极大值和极小值;
计算所述局部极大值和极小值的平均值,并计算加速度信号X和所述局部极大值和极小值的平均值的差值;
将所述差值作为一个新的加速度信号Xt,判断加速度信号Xt是否满足IMF定义,若满足,则令IMF的第一个分量为所述加速度信号Xt;否则,则重复计算局部极大值、极小值和差值,直至满足所述IMF定义为止;
结合所述加速度信号X和IMF的第一个分量计算残留信号R;
将所述残留信号R作为一个新的加速度信号Rt,判断加速度信号Rt是否满足所述IMF定义,若满足则令IMF的第二个分量为所述加速度信号Rt;否则,则重复计算局部极大值、极小值和差值,直至残留信号为单调信号或只存在一个极值点为止。
3.如权利要求2所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述IMF定义包括,
IMF为有限个本征模函数,IMF分量包括原加速度信号的不同时间尺度的局部特征信号。
5.如权利要求4所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述混凝土输送泵不同位置处的误差值包括,
定义所述监测到的加速度响应值为a(t),所述混凝土输送泵不同位置处的误差值为:
s(t)=|u(t)-a(t)|
其中,s(t)为所述混凝土输送泵不同位置处的误差值。
6.如权利要求1、2、5任一所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述全卷积神经网络模型包括卷积层、池化层和反卷积层。
7.如权利要求6所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述拟合包括,
结合高斯定理,通过下式对所述全卷积神经网络模型进行拟合:
HQC=Nln(δ2)+cln(lnN)
其中,HQC为所述汉南-奎因信息准则,N为加速度信号的样本数量,c为输入的维数,δ2为加速度信号的样本标准差。
9.如权利要求7或8所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述目标函数包括,
min s(t)=min|u(t)-a(t)|。
其中,min s(t)为目标函数值。
10.如权利要求9所述的基于神经网络的混凝土输送泵堵塞的无线检测方法,其特征在于:所述检测包括,
若min s(t)大于0.1,则判定误差值所处的混凝土输送泵位置的混凝土输送泵堵塞;否则,则判定误差值所处的混凝土输送泵位置的混凝土输送泵不堵塞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555107.2A CN113266559B (zh) | 2021-05-21 | 2021-05-21 | 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110555107.2A CN113266559B (zh) | 2021-05-21 | 2021-05-21 | 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113266559A true CN113266559A (zh) | 2021-08-17 |
CN113266559B CN113266559B (zh) | 2022-10-28 |
Family
ID=77232214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110555107.2A Active CN113266559B (zh) | 2021-05-21 | 2021-05-21 | 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113266559B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509604A (zh) * | 2009-03-20 | 2009-08-19 | 武汉大学 | 一种金属管内堆积物的检测和评定方法及装置 |
KR20100013371A (ko) * | 2008-07-31 | 2010-02-10 | 한림에코텍 주식회사 | 콘크리트 블록체 및 이의 시공방법 |
US20140053663A1 (en) * | 2011-04-11 | 2014-02-27 | Teknologian Tutkimuskeskus Vtt | Method for Determining Condition of Piping and a Sequence Controlled Sample Pump |
CN106017401A (zh) * | 2016-06-13 | 2016-10-12 | 上海建工集团股份有限公司 | 超高泵送混凝土输送管堵塞的监测装置及监测与评判方法 |
CN107178146A (zh) * | 2017-05-24 | 2017-09-19 | 西安市市政设施管理局 | 一种基于bp神经网络的市政管网清淤机器人及工作方法 |
KR20180043747A (ko) * | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 신경망을 활용한 콘크리트 펌핑시 폐색 이상상태 검측 시스템 및 방법 |
KR20180043497A (ko) * | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 뉴럴 네트워크를 이용한 콘크리트 폐색 예측 시스템 |
CN109144469A (zh) * | 2018-07-23 | 2019-01-04 | 上海亮牛半导体科技有限公司 | 流水线结构神经网络矩阵运算架构及方法 |
CN109373189A (zh) * | 2018-10-24 | 2019-02-22 | 中国建筑股份有限公司 | 一种测量混凝土泵管堵塞位置的装置及方法 |
CN109781338A (zh) * | 2019-01-24 | 2019-05-21 | 中建三局集团有限公司 | 混凝土泵送监测系统及方法 |
CN109801290A (zh) * | 2019-02-03 | 2019-05-24 | 西安科技大学 | 基于eit层析成像的不同流体模型识别及堵管定位方法 |
JP2019124650A (ja) * | 2018-01-19 | 2019-07-25 | 前田建設工業株式会社 | コンクリートの流動性の推定方法、コンクリートの製造方法およびコンクリートの流動性の推定装置 |
CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
CN111443130A (zh) * | 2020-04-22 | 2020-07-24 | 上海建工集团股份有限公司 | 一种混凝土泵送管道堵塞状态监测装置 |
CN111539111A (zh) * | 2020-04-27 | 2020-08-14 | 上海建工集团股份有限公司 | 一种超高层建筑混凝土泵送性能测控系统 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
CN112697883A (zh) * | 2020-12-13 | 2021-04-23 | 南通卓强信息技术有限公司 | 基于音频向量协方差矩阵的混凝土管桩浇筑质量检测方法 |
-
2021
- 2021-05-21 CN CN202110555107.2A patent/CN113266559B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100013371A (ko) * | 2008-07-31 | 2010-02-10 | 한림에코텍 주식회사 | 콘크리트 블록체 및 이의 시공방법 |
CN101509604A (zh) * | 2009-03-20 | 2009-08-19 | 武汉大学 | 一种金属管内堆积物的检测和评定方法及装置 |
US20140053663A1 (en) * | 2011-04-11 | 2014-02-27 | Teknologian Tutkimuskeskus Vtt | Method for Determining Condition of Piping and a Sequence Controlled Sample Pump |
CN106017401A (zh) * | 2016-06-13 | 2016-10-12 | 上海建工集团股份有限公司 | 超高泵送混凝土输送管堵塞的监测装置及监测与评判方法 |
KR20180043747A (ko) * | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 신경망을 활용한 콘크리트 펌핑시 폐색 이상상태 검측 시스템 및 방법 |
KR20180043497A (ko) * | 2016-10-20 | 2018-04-30 | 주식회사 포스코건설 | 뉴럴 네트워크를 이용한 콘크리트 폐색 예측 시스템 |
CN107178146A (zh) * | 2017-05-24 | 2017-09-19 | 西安市市政设施管理局 | 一种基于bp神经网络的市政管网清淤机器人及工作方法 |
JP2019124650A (ja) * | 2018-01-19 | 2019-07-25 | 前田建設工業株式会社 | コンクリートの流動性の推定方法、コンクリートの製造方法およびコンクリートの流動性の推定装置 |
CN109144469A (zh) * | 2018-07-23 | 2019-01-04 | 上海亮牛半导体科技有限公司 | 流水线结构神经网络矩阵运算架构及方法 |
CN109373189A (zh) * | 2018-10-24 | 2019-02-22 | 中国建筑股份有限公司 | 一种测量混凝土泵管堵塞位置的装置及方法 |
CN109781338A (zh) * | 2019-01-24 | 2019-05-21 | 中建三局集团有限公司 | 混凝土泵送监测系统及方法 |
CN109801290A (zh) * | 2019-02-03 | 2019-05-24 | 西安科技大学 | 基于eit层析成像的不同流体模型识别及堵管定位方法 |
CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
CN111443130A (zh) * | 2020-04-22 | 2020-07-24 | 上海建工集团股份有限公司 | 一种混凝土泵送管道堵塞状态监测装置 |
CN111539111A (zh) * | 2020-04-27 | 2020-08-14 | 上海建工集团股份有限公司 | 一种超高层建筑混凝土泵送性能测控系统 |
CN112396159A (zh) * | 2020-10-22 | 2021-02-23 | 沈阳建筑大学 | 一种用于混凝土布料的螺旋输送量的预报方法 |
CN112697883A (zh) * | 2020-12-13 | 2021-04-23 | 南通卓强信息技术有限公司 | 基于音频向量协方差矩阵的混凝土管桩浇筑质量检测方法 |
CN112665801A (zh) * | 2021-01-14 | 2021-04-16 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113266559B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742031B (zh) | 基于实验和数学算法的驱替实验人造岩心分析制备方法 | |
CN109978901A (zh) | 一种快速、精确的圆形检测和圆心定位方法 | |
CN105243193B (zh) | 一种确定徐变试验棱柱体试件抗压强度折算系数的方法 | |
CN112684156A (zh) | 一种基于深度学习的混凝土强度预测方法 | |
CN107193782A (zh) | 一种基于多项式拟和的野值剔除方法 | |
CN113266559B (zh) | 一种基于神经网络的混凝土输送泵堵塞的无线检测方法 | |
CN110865008A (zh) | 基于有限尺度下圆形定水头边界非稳定流抽水的水文地质参数测定方法 | |
CN114580940A (zh) | 基于灰色关联度分析法的注浆效果模糊综合评价方法 | |
CN109447026B (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN106557652A (zh) | 判断样品检测数据可疑值的方法 | |
CN111199109B (zh) | 基于计盒维数与聚类分析用于划分岩体均质区的耦合方法 | |
CN105336637A (zh) | 量测晶圆变形的方法 | |
CN115308063A (zh) | 一种已有建筑的混凝土强度抽样检测方法 | |
CN107341336A (zh) | 一种贮箱产品几何精度一致性评价方法 | |
CN101592692B (zh) | 测量机台的评估方法 | |
CN103852562B (zh) | 判断样品检测数据可疑值的方法 | |
CN103808262A (zh) | 多孔位产品孔位的模拟修模方法 | |
CN111811827B (zh) | 基于瑞利分布的产品性能一致性检验方法 | |
CN107589300A (zh) | 一种线路阻抗检测方法、系统、装置与可读存储介质 | |
CN112182759A (zh) | 一种基于卫星高度计数据对波浪数值模拟结果的检验方法 | |
CN111967799A (zh) | 集总参数表贴环行器物料及工艺问题识别方法 | |
CN111415878A (zh) | 晶圆级自动检测方法、设备及系统 | |
CN109472083B (zh) | 基于统计过程控制的土木工程结构损伤检测方法 | |
CN115306371A (zh) | 盐岩储库水溶造腔沉渣堆积角预测方法 | |
CN114295095B (zh) | 一种自由曲面检测最佳测点数确定方法 |
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 |