CN113392378B - 一种基于时间序列的围岩变形多点突变识别方法及系统 - Google Patents

一种基于时间序列的围岩变形多点突变识别方法及系统 Download PDF

Info

Publication number
CN113392378B
CN113392378B CN202110810531.7A CN202110810531A CN113392378B CN 113392378 B CN113392378 B CN 113392378B CN 202110810531 A CN202110810531 A CN 202110810531A CN 113392378 B CN113392378 B CN 113392378B
Authority
CN
China
Prior art keywords
mutation
surrounding rock
rock deformation
slope
multipoint
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
CN202110810531.7A
Other languages
English (en)
Other versions
CN113392378A (zh
Inventor
袁健
高成强
王炜
于素慧
张毅
史俊
郑凯凯
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.)
Harbin Institute of Technology
Central South University
Rocket Force University of Engineering of PLA
Original Assignee
Harbin Institute of Technology
Central South University
Rocket Force University of Engineering of PLA
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 Harbin Institute of Technology, Central South University, Rocket Force University of Engineering of PLA filed Critical Harbin Institute of Technology
Priority to CN202110810531.7A priority Critical patent/CN113392378B/zh
Publication of CN113392378A publication Critical patent/CN113392378A/zh
Application granted granted Critical
Publication of CN113392378B publication Critical patent/CN113392378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/23—Dune restoration or creation; Cliff stabilisation

Abstract

一种基于时间序列的围岩变形多点突变识别方法及系统，涉及围岩变形识别技术领域，包括：S1：利用位移传感器采集围岩变形时间序列数据，将各数据点连接为二维曲线，并将初始突变点级别设为0；S2：对二维曲线进行回归分析并计算残差，随后将突变点级别增加1；S3：分别计算二维曲线中两个相邻线段的斜率增量；S4：确认突变判断阈值，同时对全部斜率增量分别进行判断，输出突变点。本发明提出的基于时间序列的围岩变形多点突变识别方法及系统，通过对斜率增量统计分析而建立了明确可调的突变准则，适应性更强，并能更清晰的把握围岩变形全过程的状态变化。

Description

一种基于时间序列的围岩变形多点突变识别方法及系统
技术领域
本发明涉及围岩变形识别技术领域，尤其涉及一种基于时间序列的围岩变形多点突变识别方法及系统。
背景技术
突变是从一种稳定组态跃迁到另一种稳定组态的现象和规律。在微小的偶然扰动因素作用下，仍然能够保持原来状态的是稳定态，而非线性系统从某一个稳定态(平衡态)到另一个稳定态的转化，是以突变形式发生的。突变理论和突变识别方法是作为研究系统序演化的有力数学工具，能较好地解说和预测自然界和社会上的突然现象，在数学、物理学、化学、生物学、工程技术、社会科学等方面有着广阔的应用前景。
非线性是在研究、分析系统时常常遇到的现象。非线性系统的行为可以表现为阶跃、滞后、极限环、分岔、突变和混沌等现象。尽管突变理论是一门数学理论，它的核心思想却有助于人们理解非线性系统的变化和中断。如果系统受到外界变化力量过于强大，而系统内部无法完全吸收的话，突变就会发生，系统随之进入另一种新的状态。
围岩变形是一种典型的非线性系统，位移突变是围岩在较短的时间内由一种稳定状态向另一种稳定状态过渡的行为，往往带来毁灭性的的灾难。近年来，虽然对突变识别的方法层出不穷，但对于围岩变形突变研究却只停留在时间序列的单一突变点检测上，且研究方法单一，存在着明显的局限性，鲜见有对突变过程性展开的研究。
发明内容
有鉴于此，本发明提出了一种基于时间序列的围岩变形多点突变识别方法及系统，通过对斜率增量统计分析而建立了明确可调的突变准则，适应性更强，并能更清晰的把握围岩变形全过程的状态变化。
为了实现上述目的，本发明采用的技术方案是：
根据本发明的第一方面，提供了一种基于时间序列的围岩变形多点突变识别方法，包括：
S1：利用位移传感器采集围岩变形时间序列数据，在平面坐标系中标记采集的序列数据，将各数据点连接为二维曲线，并将初始突变点级别设为0；
S2：对二维曲线进行回归分析并计算残差，随后将突变点级别增加1；
S3：分别计算二维曲线中每两个相邻数据点连成的线段的斜率，并进一步分别计算每两个相邻线段的斜率增量；
S4：确认突变判断阈值，同时对全部斜率增量分别进行判断；
若存在某两个相邻线段的斜率增量小于判断阈值时，则从构成二维曲线的全部数据点中剔除这两个相邻线段之间的公共数据点，将剩余数据点作为本级别的突变点输出；利用剩余数据点集合构成新的二维曲线，并重复所述步骤S2～S4；
若全部线段斜率增量大于等于判断阈值时，则结束判断。
进一步的，所述判断阈值具体为：
其中，ε为突变判断阈值；c为系数，取正数；为S3中得到的全部斜率增量的平均值。
进一步的，系数c的取值范围为0～1，且c的值越大，则方法收敛越快，识别的突变点越少。
进一步的，系数c的取值范围为0.6～0.9，能够保证收敛速度且不遗漏突变点。
进一步的，若所述时间序列数据为周期性平稳数据，则需在执行所述步骤S2前，利用频域处理法或移动平均法对二维曲线中的全部数据点进行预处理。
进一步的，所述S2中的回归分析采用无外界因素影响的理想围岩变形时间序列趋势作为回归模型。
进一步的，突变点的突变级别越大，则突变程度越大。
进一步的，所述S3具体包括：
定义Si为线段kiki+1；其中，ki、ki+1用于表示二维曲线中相邻的两个数据点；i为正整数，i＝1,…,n-1，n为二维曲线中数据点总数；
则Si线段的斜率si＝(yi+1-yi)/(xi+1-xi)；其中，xi、yi分别为数据点ki在平面坐标系下的横纵坐标；xi+1、yi+1分别为数据点ki+1在平面坐标系下的横纵坐标；
两相邻线段的斜率增量Δj＝sj+1-sj；其中，j为正整数，j＝1,…,n-2。
根据本发明的第二方面，提供了一种围岩变形多点突变识别系统，包括：
处理器和用于存储可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令，以执行上述的围岩变形多点突变识别方法。
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的围岩变形多点突变识别方法。
相对于现有技术，本发明所述的一种基于时间序列的围岩变形多点突变识别方法及系统，具有如下优势：
(1)本发明方法针对围岩变形数据的特点，通过对斜率增量统计分析而建立了明确可调的突变准则，可根据具体需求调整指标系数，适用性强。
(2)通过相邻线段的分级别合并能渐近识别不同突变程度的多点突变位置，相比本领域传统的单一突变点识别，通过研究多点突变点的发展情况能更清晰把握事件全过程的状态变化。
(3)本发明的方法运用简便，计算高效，通用性强，适用于各种趋势的围岩时间序列数据的突变识别，不会仅限于某一种或几种数据类型，能有效防止灾难发生。
附图说明
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明所述方法的流程图；
图2是本发明实施例1所述的线性趋势时间序列的突变位置识别图；
图3是本发明实施例2所述的二次趋势时间序列的突变位置识别图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
多个，包括两个或者两个以上。
和/或，应当理解，对于本发明中使用的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
一种基于时间序列的围岩变形多点突变识别方法，其具体技术方案如下：
a、利用位移传感器采集围岩变形时间序列数据，设原始数据点的有序集合为A0＝{k1,k2,…,kn}，各个点的连线为oxy坐标系上的二维曲线，并将初始突变点级别设为0；
b、对曲线进行回归分析并计算残差，将残差作为突变识别的主要依据，并将突变点级别增一；
c、定义Si为线段kiki+1，i＝1,…,n-1，Si线段的斜率si和两相邻线段的斜率增量Δi分别为si＝(yi+1-yi)/(xi+1-xi)和Δi＝si+1-si，i＝2,…,n-1，其中(xi,yi)为点ki的横纵坐标；
d、计算评价指标其中/>若所有线段的斜率增量Δi都大于ε，则终止计算，否则进行下一步；
e、若Δi<ε，则说明从线段Si到Si+1斜率变化相对较小，可合并为一个线段，即可从集合A0中去掉点ki。设共有m个点满足该条件，将剩余点组合成新的集合A＝{k1,k2,…,kn}，其中n＝n-m；则输出这一级的突变点A，并返回第二步。
优选地，步骤a中的时间序列为有较明显整体趋势的时间序列，本方法不适用于完全平稳的随机时间序列，对周期性数据需用频域分析法或移动平均法等进行预处理后再使用本发明的方法。
优选地，步骤b的回归分析中选用的回归模型是指在理想情况(即不考虑造成突变的因素)下时间序列的整体趋势。
优选地，在步骤d中，评价指标中c的取值范围为0到1，c越接近1，算法收敛越快，最终的突变点越少，但是不易识别出时间序列的微小突变点。
优选地，步骤e得到的每级拐点都是曲线不同程度的突变点，最后一级的突变点从整体上来说其突变程度最强。
优选地，评价指标中c的值选为0.6到0.9可保证收敛速率而不漏掉微小突变位置。
实施例1：线性趋势数据
某地围岩经监测，得到如图2所示的围岩变形时间序列数据，其整体呈线性趋势，在14秒处由未知因素导致增长变快，每个时间点处都附加一白噪声，在10秒处有一异常点，按照图1所示的方法进行多点突变识别：
首先用MATLAB编写本专利方法的程序，将该时间序列数据A0输入程序，A0＝{k1,k2,…,k21}；
对曲线进行线性回归分析，如图2a所示，并计算残差，如图2b所示；
定义Si为线段kiki+1，i＝1,…,20，分别用公式si＝(yi+1-yi)/(xi+1-xi)和Δi＝si+1-si计算Si线段的斜率si和两相邻线段的斜率增量Δi，i＝1,…,18，其中(xi,yi)为点ki的横纵坐标；
令c＝0.8，计算评价指标为，其中/>
根据斜率增量的相对大小，表明从线段S1到线段S9、线段S12到线段S14和线段S15到线段S20的斜率变化相对较小，可合并为一个线段，即可从集合A0中去掉15个满足该条件的点，将剩余6点组合成新的集合A＝{k1,k2,…,k6}，并输出这一级的突变点A；
循环进行以上步骤，直到所有线段的斜率增量Δi都大于评价指标ε。
此案例共输出了3级节点：{9,10,11,14}、{9,14}和{14}，每级拐点都是曲线不同程度的突变点，而14处的突变程度从整体上来说最强。
实施例2：二次趋势数据
某地围岩经监测，得到如图2所示的围岩变形时间序列数据，其整体呈二次趋势，每个时间点处都附加一白噪声，在5秒处由未知因素导致增长变快，而在15秒处增长变缓，按照图1所示的方法进行多点突变识别：
首先用MATLAB编写本专利方法的程序，将该时间序列数据A0输入程序，A0＝{k1,k2,…,k21}；
对曲线进行线性回归分析，如图3a所示，并计算残差，如图3b所示；
定义Si为线段kiki+1，i＝1,…,20，分别用公式si＝(yi+1-yi)/(xi+1-xi)和Δi＝si+1-si计算Si线段的斜率si和两相邻线段的斜率增量Δi，i＝1,…,18，其中(xi,yi)为点ki的横纵坐标；
令c＝0.8，计算评价指标为，其中/>
根据斜率增量的相对大小，表明从线段S1到线段S5、线段S6到线段S8、线段S9到线段S10和线段S12到线段S14的斜率变化相对较小，可合并为一个线段，即可从集合A0中去掉9个满足该条件的点，将剩余12点组合成新的集合A＝{k1,k2,…,k12}，并输出这一级的突变点A；
循环进行以上步骤，直到所有线段的斜率增量Δi都大于评价指标ε。
此案例共输出了3级节点：{5,8,10,11,14～19}、{5,10,11,14,15}和{5,15}，每级拐点都是曲线不同程度的突变点，而在5和15处的突变程度从整体上来说最强。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种基于时间序列的围岩变形多点突变识别方法，其特征在于，所述方法包括：
S1：利用位移传感器采集围岩变形时间序列数据，在平面坐标系中标记采集的序列数据，将各数据点连接为二维曲线，并将初始突变点级别设为0；
S2：对二维曲线进行回归分析并计算残差，随后将突变点级别增加1；
S3：分别计算二维曲线中每两个相邻数据点连成的线段的斜率，并进一步分别计算每两个相邻线段的斜率增量；
S4：确认突变判断阈值，同时对全部斜率增量分别进行判断；
若存在某两个相邻线段的斜率增量小于判断阈值时，则从构成二维曲线的全部数据点中剔除这两个相邻线段之间的公共数据点，将剩余数据点作为本级别的突变点输出；利用剩余数据点集合构成新的二维曲线，并重复所述步骤S2～S4；
若全部线段斜率增量大于等于判断阈值时，则结束判断。
2.根据权利要求1所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，所述判断阈值具体为：
其中，ε为突变判断阈值；c为系数，取正数；为S3中得到的全部斜率增量的平均值。
3.根据权利要求2所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，系数c的取值范围为0～1，且c的值越大，则方法收敛越快，识别的突变点越少。
4.根据权利要求2所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，系数c的取值范围为0.6～0.9，能够保证收敛速度且不遗漏突变点。
5.根据权利要求1所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，若所述时间序列数据为周期性平稳数据，则需在执行所述步骤S2前，利用频域处理法或移动平均法对二维曲线中的全部数据点进行预处理。
6.根据权利要求1所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，所述S2中的回归分析采用无外界因素影响的理想围岩变形时间序列趋势作为回归模型。
7.根据权利要求1所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，突变点的突变级别越大，则突变程度越大。
8.根据权利要求1所述的一种基于时间序列的围岩变形多点突变识别方法，其特征在于，所述S3具体包括：
定义Si为线段kiki+1；其中，ki、ki+1用于表示二维曲线中相邻的两个数据点；i为正整数，i＝1,…,n-1，n为二维曲线中数据点总数；
则Si线段的斜率si＝(yi+1-yi)/(xi+1-xi)；其中，xi、yi分别为数据点ki在平面坐标系下的横纵坐标；xi+1、yi+1分别为数据点ki+1在平面坐标系下的横纵坐标；
两相邻线段的斜率增量Δj＝sj+1-sj；其中，j为正整数，j＝1,…,n-2。
9.一种围岩变形多点突变识别系统，其特征在于，包括：
处理器和用于存储可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令，以执行如权利要求1至8中任一项所述的围岩变形多点突变识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的围岩变形多点突变识别方法。
CN202110810531.7A 2021-07-16 2021-07-16 一种基于时间序列的围岩变形多点突变识别方法及系统 Active CN113392378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110810531.7A CN113392378B (zh) 2021-07-16 2021-07-16 一种基于时间序列的围岩变形多点突变识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110810531.7A CN113392378B (zh) 2021-07-16 2021-07-16 一种基于时间序列的围岩变形多点突变识别方法及系统

Publications (2)

Publication Number Publication Date
CN113392378A CN113392378A (zh) 2021-09-14
CN113392378B true CN113392378B (zh) 2024-04-09

Family

ID=77626309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110810531.7A Active CN113392378B (zh) 2021-07-16 2021-07-16 一种基于时间序列的围岩变形多点突变识别方法及系统

Country Status (1)

Country Link
CN (1) CN113392378B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115096344A (zh) * 2022-05-13 2022-09-23 珠海格力电器股份有限公司 数据实时显示方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713916A (zh) * 2015-03-23 2015-06-17 中国人民解放军空军工程大学 一种针对电阻性薄膜传感器的实时裂纹损伤识别方法
CN105260793A (zh) * 2015-10-09 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种巷道围岩变形实时预测方法
CN106645434A (zh) * 2016-11-17 2017-05-10 中国船舶重工集团公司第七0研究所 基于斜率和幅度差值门限的强脉冲信号识别方法
CN107404409A (zh) * 2017-09-01 2017-11-28 广西大学 面向突变负载的容器云弹性供给容器数量预测方法与系统
CN108896287A (zh) * 2018-06-20 2018-11-27 浙江工业大学 一种基于多尺度分析的控制阀故障检测方法
CN110007854A (zh) * 2019-02-21 2019-07-12 湖南大唐先一科技有限公司 一种基于时序数据有损压缩方法及系统
CN112947491A (zh) * 2021-04-09 2021-06-11 宿迁学院 一种无人车快速轨迹规划方法
CN113108764A (zh) * 2021-04-15 2021-07-13 中国水利水电科学研究院 一种溃坝过程安全监测、预警与影响评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713916A (zh) * 2015-03-23 2015-06-17 中国人民解放军空军工程大学 一种针对电阻性薄膜传感器的实时裂纹损伤识别方法
CN105260793A (zh) * 2015-10-09 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种巷道围岩变形实时预测方法
CN106645434A (zh) * 2016-11-17 2017-05-10 中国船舶重工集团公司第七0研究所 基于斜率和幅度差值门限的强脉冲信号识别方法
CN107404409A (zh) * 2017-09-01 2017-11-28 广西大学 面向突变负载的容器云弹性供给容器数量预测方法与系统
CN108896287A (zh) * 2018-06-20 2018-11-27 浙江工业大学 一种基于多尺度分析的控制阀故障检测方法
CN110007854A (zh) * 2019-02-21 2019-07-12 湖南大唐先一科技有限公司 一种基于时序数据有损压缩方法及系统
CN112947491A (zh) * 2021-04-09 2021-06-11 宿迁学院 一种无人车快速轨迹规划方法
CN113108764A (zh) * 2021-04-15 2021-07-13 中国水利水电科学研究院 一种溃坝过程安全监测、预警与影响评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Narrowest-Over-Threshold Detection of Multiple Change Points and Change-Point-like Features;Rafal Baranowski 等;Journal of The Royal Statistical Society Series B: Statistical Methodology;20190731;第81卷(第3期);649-672 *
基于异常因子的时间序列异常模式检测;刘雪梅；王亚茹;计算机技术与发展;20180331;第28卷(第3期);93-96 *
基于斜率阈值法的滑坡预报分析;陈志强;王亮清;刘顺昌;;人民长江;20100528(10);38-41，44 *

Also Published As

Publication number Publication date
CN113392378A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
Sobczyk et al. Random fatigue: from data to theory
US9122273B2 (en) Failure cause diagnosis system and method
Zhang et al. A control chart based on likelihood ratio test for monitoring process mean and variability
CN113392378B (zh) 一种基于时间序列的围岩变形多点突变识别方法及系统
Ghashghaei et al. Sum of squares control charts for monitoring of multivariate multiple linear regression profiles in phase II
Ahmed et al. Performance evaluation of control chart for multiple assignable causes using genetic algorithm
Koppel et al. A process capability analysis method using adjusted modified sample entropy
Movaffagh et al. Monotonic change point estimation in the mean vector of a multivariate normal process
Prajapati Effectiveness of conventional CUSUM control chart for correlated observations
Variyath et al. Robust control charts for monitoring process mean of phase-I multivariate individual observations
Zhang et al. Optimal compression of a generalized Prandtl-Ishlinskii operator in hysteresis modeling
CN107346301B (zh) 基于双时间窗口验证的水质监测噪音数据实时检测方法
Zabolotnii et al. Semi-parametric estimation of the change-point of parameters of non-Gaussian sequences by polynomial maximization method
CN115482882A (zh) 管道腐蚀数据获取及管道腐蚀速率预测模型构建方法
Bajer et al. Surrogate model for mixed-variables evolutionary optimization based on GLM and RBF networks
Lu et al. Weak monotonicity with trend analysis for unsupervised feature evaluation
Thapliyal et al. On Rényi entropies of order statistics
Ghute et al. A multivariate moving average control chart for mean vector
Kaya et al. Fuzzy Process Incapability Index with Asymmetric Tolerances.
Turbal et al. Modification of the" Piramidal" Algorithm of the Small Time Series Forecasting.
Petryshyn Modeling of the TIF processes in binary numeral systems based on the vector-branching diagrams
Kapase et al. Estimating the period of a step-change in single observation data
Zabolotnii et al. Semi-parametric estimation of the change-point of mean value of non-Gaussian random sequences by polynomial maximization method
Torkamani et al. Estimating the Change Point of Correlated Poisson Count Processes
CN116228497A (zh) 一种流域输沙量非一致性变化识别及归因分析方法和装置

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