CN113781745B - 基于k均值聚类算法的北斗和微动的山体滑坡预警方法 - Google Patents
基于k均值聚类算法的北斗和微动的山体滑坡预警方法 Download PDFInfo
- Publication number
- CN113781745B CN113781745B CN202110958694.XA CN202110958694A CN113781745B CN 113781745 B CN113781745 B CN 113781745B CN 202110958694 A CN202110958694 A CN 202110958694A CN 113781745 B CN113781745 B CN 113781745B
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- beidou
- clustering algorithm
- landslide
- 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
- 238000003064 k means clustering Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 21
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 4
- 230000000243 photosynthetic effect Effects 0.000 claims description 4
- 229910052710 silicon Inorganic materials 0.000 claims description 4
- 239000010703 silicon Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 6
- 230000008054 signal transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了基于K均值聚类算法的北斗和微动的山体滑坡预警方法，涉及山体滑坡预警技术领域，包括以下步骤，首先，在山体表面的若干关键区域选择合适的位置建立北斗监测站，并且可视范围内和地基稳固的位置建立北斗基准站，北斗监测站与北斗基准站进行动态差分定位得到关键位置的RTK数据并上传云平台，云平台每6个小时进行一次静态差分定位算法得到一组毫米级的定位坐标，并与之前的数据进行做差得到累计位移量、位移速率和位移方向，然后在北斗监测站的上下左右安装智能矢量动测仪。本发明可以避免山体滑坡发生时人们没有充足的时间进行防灾准备的问题，降低了山体滑坡造成人们的生命财产损失。
Description
技术领域
本发明涉及山体滑坡预警技术领域，尤其涉及基于K均值聚类算法的北斗和微动的山体滑坡预警方法。
背景技术
滑坡灾害轻则造成大量经济损失，重则造成人民生命受到严重威胁，因此地质滑坡监测预警、滑坡防治工作已势在必行，据国土资源部通报，每年全国发生的地质灾害中，滑坡地质灾害占60％～70％的比重，可见，滑坡是最主要的地质灾害类型，在地质灾害防治方面至关重要。
现有技术中，对山体滑坡表面位移的监测方法是使用静态差分定位技术，所谓静态定位就是牺牲时间提高精度，3-6个小时出一组静态数据，精度可以达到毫米级别，也就达到了山体滑坡的监测标准，但是这种方式需要连续采集多组数据建模分析，监测结果虽然准确，监测具有延迟性，当山体滑坡发生时人们没有充足的时间进行防灾准备，从而造成人们生命财产的巨大损失。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法。其优点在于可以避免山体滑坡发生时人们没有充足的时间进行防灾准备的问题，降低了山体滑坡造成人们的生命财产损失。
为了实现上述目的，本发明采用了如下技术方案：
基于K均值聚类算法的北斗和微动的山体滑坡预警方法，包括以下步骤：
S1：首先，在山体表面的若干关键区域选择合适的位置建立北斗监测站，并且可视范围内和地基稳固的位置建立北斗基准站；
S2：北斗监测站与北斗基准站进行动态差分定位得到关键位置的RTK数据并上传云平台，云平台每6个小时进行一次静态差分定位算法得到一组毫米级的定位坐标，并与之前的数据进行做差得到累计位移量、位移速率和位移方向；
S3：然后在北斗监测站的上下左右安装智能矢量动测仪，该设备用于监测关键区域的瞬间位移量、瞬间运动速度和方向并上传云平台；
S4：云平台通过聚类算法提取数据特征，通过数据处理模型分析，判断建立滑坡预警模型，将处理后的数据利用数据显示模块进行显示；
S5：最后，工作人员根据静态差分定位采集的一组滑坡预警模型判断山体是否具有滑坡的倾向，当发现具有一定的滑坡倾向时，此时可以查看山体的微动矢量数据，当微动矢量数据发现山体的位移、速度和加速度发生变化时，此时复看一遍滑坡预警模型，若仍具有滑坡倾向，立即通过滑坡预警模块进行预警，反之，继续采集下一组数据进行预警。
优选地，所述预警系统包括基准站、监测站和云平台，所述基准站和监测站均分别与云平台相连接。
优选地，所述基准站和监测站均包括GNSS定位模块、信号接收模块、太阳能供电模块和信号发送模块，所述监测站还包括矢量动测仪，所述云平台包括处理芯片、信号处理模块、聚类算法模块、数据显示模块、建模分析模块和滑坡预警模块。
优选地，所述GNSS定位模块包括GNSS定位单元，且GNSS定位单元为GNSS定位天线，所述GNSS定位天线采用BDS-Ⅲ全频测量型北斗天线。
优选地，所述信号接收模块包括信号接收单元，且信号接收单元为信号接收机，所述信号接收机为BDS-Ⅲ全频高精度一体化接收机。
优选地，所述太阳能供电模块包括太阳能发电单元和蓄电池供电单元，且太阳能发电单元为太阳能电池板，蓄电池供电单元为光合硅能蓄电池。
优选地，所述信号处理模块包括信号处理单元，且信号处理单元为数据处理计算机，所述建模分析模块为BP神经网络建模单元，所述数据显示模块包括静态差分数据显示单元和微动质量数据显示单元。
优选地，所述信号发送模块包括信号发送单元，且信号发送单元为4G天线和5G天线中的至少一种。
优选地，所述聚类算法模块包括聚类算法分析单元，所述聚类算法分析单元包括K均值聚类算法，所述K均值聚类算法的表达式为D1＝∑∑|xi-cj|2，j＝1，xi∈cj；D2＝∑∑|cj-ci|2，j＝1，i＝1；L＝D1/D2，式中：xi表示数据点i，Cj表示第j类的数据集合，cj为Cj的聚类中心，ci为第i类的聚类中心，D1表示所有数据点到对应聚类中心的距离总和，表明类内数据的一致性，D2表示K个聚类中心之间的距离总和，反映类间数据的差异性，L越小，各类的区分度越高。
优选地，所述基准站和监测站还包括避雷模块，且避雷模块为避雷针。
本发明的有益效果为：
本发明公开了基于K均值聚类算法的北斗和微动的山体滑坡预警方法，本发明在现有技术基础上增加了矢量动测仪，矢量动测仪能够对监测站的山体的位移、速度和加速度进行实时监测，当静态差分定位采集一组静态数据后，即可将该组静态数据结合微动矢量数据进行判断，进而可以只采集一组数据即可对山体滑坡进行预测，大大降低了对山体滑坡的预警时间，从而可以避免山体滑坡发生时人们没有充足的时间进行防灾准备的问题，降低了山体滑坡造成人们的生命财产损失。
附图说明
图1为本发明提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法的流程结构示意图；
图2为本发明实施例1提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法的预警系统结构示意图；
图3为本发明提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法的太阳能供电模块结构示意图；
图4为本发明提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法的数据显示模块结构示意图；
图5为本发明实施例2提出的基于K均值聚类算法的北斗和微动的山体滑坡预警方法的预警系统结构示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。
在本专利的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“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专利和简化描述，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专利的限制。
在本专利的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“设置”应做广义理解，例如，可以是固定相连、设置，也可以是可拆卸连接、设置，或一体地连接、设置。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利中的具体含义。
实施例1
基于K均值聚类算法的北斗和微动的山体滑坡预警方法，如图1-4所示，包括以下步骤：
S1：首先，在山体表面的若干关键区域选择合适的位置建立北斗监测站，并且可视范围内和地基稳固的位置建立北斗基准站；
S2：北斗监测站与北斗基准站进行动态差分定位得到关键位置的RTK数据并上传云平台，云平台每6个小时进行一次静态差分定位算法得到一组毫米级的定位坐标，并与之前的数据进行做差得到累计位移量、位移速率和位移方向；
S3：然后在北斗监测站的上下左右安装智能矢量动测仪，该设备用于监测关键区域的瞬间位移量、瞬间运动速度和方向并上传云平台；
S4：云平台通过聚类算法提取数据特征，通过数据处理模型分析，判断建立滑坡预警模型，将处理后的数据利用数据显示模块进行显示；
S5：最后，工作人员根据静态差分定位采集的一组滑坡预警模型判断山体是否具有滑坡的倾向，当发现具有一定的滑坡倾向时，此时可以查看山体的微动矢量数据，当微动矢量数据发现山体的位移、速度和加速度发生变化时，此时复看一遍滑坡预警模型，若仍具有滑坡倾向，立即通过滑坡预警模块进行预警，反之，继续采集下一组数据进行预警。
需要说明的是，本实施例中预警系统包括基准站、监测站和云平台，所述基准站和监测站均分别与云平台相连接，基准站和监测站均包括GNSS定位模块、信号接收模块、太阳能供电模块和信号发送模块，所述监测站还包括矢量动测仪，所述云平台包括处理芯片、信号处理模块、聚类算法模块、数据显示模块、建模分析模块和滑坡预警模块。
GNSS定位模块包括GNSS定位单元，且GNSS定位单元为GNSS定位天线，GNSS定位天线采用BDS-Ⅲ全频测量型北斗天线，通过GNSS定位天线能够对基准站和监测站的位置进行定位，提高了定位的准确性。
信号接收模块包括信号接收单元，且信号接收单元为信号接收机，信号接收机为BDS-Ⅲ全频高精度一体化接收机，通过BDS-Ⅲ全频高精度一体化接收机能够对信号进行稳定接收，可以避免信号的干扰。
信号处理模块包括信号处理单元，且信号处理单元为数据处理计算机，数据处理计算机能够对监测的数据进行处理分析，建模分析模块为BP神经网络建模单元，BP神经网络建模单元通过输出误差的反向传播，获得不断调整网络连接权系数和阀值的信息，最终使神经网络的平方误差最小，以达到期望要求，数据显示模块包括静态差分数据显示单元和微动质量数据显示单元。
信号发送模块包括信号发送单元，且信号发送单元一般为4G天线和5G天线中的至少一种，信号发送模块能够实现对信号进行发送，便于将信号通过北斗卫星传递至监控站。
进一步的，本实施例中聚类算法模块包括聚类算法分析单元，聚类算法分析单元包括K均值聚类算法，K均值聚类算法的表达式为D1＝∑∑|xi-cj|2，j＝1，xi∈cj；D2＝∑∑|cj-ci|2，j＝1，i＝1；L＝D1/D2，式中：xi表示数据点i，Cj表示第j类的数据集合，cj为Cj的聚类中心，ci为第i类的聚类中心，D1表示所有数据点到对应聚类中心的距离总和，表明类内数据的一致性，D2表示K个聚类中心之间的距离总和，反映类间数据的差异性，L越小，各类的区分度越高。
太阳能供电模块包括太阳能发电单元和蓄电池供电单元，且太阳能发电单元为太阳能电池板，蓄电池供电单元为光合硅能蓄电池，太阳能电池板能够进行太阳能发电，并将发出的电量通过光合硅能蓄电池进行存储，保证了系统能够持续稳定的工作。
实施例2
基于K均值聚类算法的北斗和微动的山体滑坡预警方法，如图5所示，本实施例相较于实施例1还包括避雷模块，且避雷模块为避雷针。通过避雷针能够对基准站和监测站进行避雷，避免雷击造成设备损坏的情况发生。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，包括以下步骤：
S1：首先，在山体表面的若干关键区域选择合适的位置建立北斗监测站，并且可视范围内和地基稳固的位置建立北斗基准站；
S2：北斗监测站与北斗基准站进行动态差分定位得到关键位置的RTK数据并上传云平台，云平台每6个小时进行一次静态差分定位算法得到一组毫米级的定位坐标，并与之前的数据进行做差得到累计位移量、位移速率和位移方向；
S3：然后在北斗监测站的上下左右安装智能矢量动测仪，该设备用于监测关键区域的瞬间位移量、瞬间运动速度和方向并上传云平台；
S4：云平台通过聚类算法提取数据特征，通过数据处理模型分析，判断建立滑坡预警模型，将处理后的数据利用数据显示模块进行显示；
S5：最后，工作人员根据静态差分定位采集的一组滑坡预警模型判断山体是否具有滑坡的倾向，当发现具有一定的滑坡倾向时，此时可以查看山体的微动矢量数据，当微动矢量数据发现山体的位移、速度和加速度发生变化时，此时复看一遍滑坡预警模型，若仍具有滑坡倾向，立即通过滑坡预警模块进行预警，反之，继续采集下一组数据进行预警；
预警系统包括基准站、监测站和云平台，所述基准站和监测站均分别与云平台相连接，所述基准站和监测站均包括GNSS定位模块、信号接收模块、太阳能供电模块和信号发送模块，所述监测站还包括矢量动测仪，所述云平台包括处理芯片、信号处理模块、聚类算法模块、数据显示模块、建模分析模块和滑坡预警模块；
所述聚类算法模块包括聚类算法分析单元，所述聚类算法分析单元包括K均值聚类算法，所述K均值聚类算法的表达式为D1＝∑∑|xi-cj|2，j＝1，xi∈cj；D2＝∑∑|cj-ci|2，j＝1，i＝1；L＝D1/D2，式中：xi表示数据点i，Cj表示第j类的数据集合，cj为Cj的聚类中心，ci为第i类的聚类中心，D1表示所有数据点到对应聚类中心的距离总和，表明类内数据的一致性，D2表示K个聚类中心之间的距离总和，反映类间数据的差异性，L越小，各类的区分度越高。
2.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述GNSS定位模块包括GNSS定位单元，且GNSS定位单元为GNSS定位天线，所述GNSS定位天线采用BDS-Ⅲ全频测量型北斗天线。
3.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述信号接收模块包括信号接收单元，且信号接收单元为信号接收机，所述信号接收机为BDS-Ⅲ全频高精度一体化接收机。
4.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述太阳能供电模块包括太阳能发电单元和蓄电池供电单元，且太阳能发电单元为太阳能电池板，蓄电池供电单元为光合硅能蓄电池。
5.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述信号处理模块包括信号处理单元，且信号处理单元为数据处理计算机，所述建模分析模块为BP神经网络建模单元，所述数据显示模块包括静态差分数据显示单元和微动质量数据显示单元。
6.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述信号发送模块包括信号发送单元，且信号发送单元为4G天线和5G天线中的至少一种。
7.根据权利要求1所述的基于K均值聚类算法的北斗和微动的山体滑坡预警方法，其特征在于，所述基准站和监测站还包括避雷模块，且避雷模块为避雷针。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110958694.XA CN113781745B (zh) | 2021-08-20 | 2021-08-20 | 基于k均值聚类算法的北斗和微动的山体滑坡预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110958694.XA CN113781745B (zh) | 2021-08-20 | 2021-08-20 | 基于k均值聚类算法的北斗和微动的山体滑坡预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113781745A CN113781745A (zh) | 2021-12-10 |
| CN113781745B true CN113781745B (zh) | 2023-01-31 |
Family
ID=78838457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110958694.XA Active CN113781745B (zh) | 2021-08-20 | 2021-08-20 | 基于k均值聚类算法的北斗和微动的山体滑坡预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781745B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116597618B (zh) * | 2023-07-18 | 2023-10-10 | 深圳市天工测控技术有限公司 | 基于北斗高精度定位的山体滑坡监测及预警系统 |
| CN116935581B (zh) * | 2023-07-21 | 2024-05-03 | 深圳市天工测控技术有限公司 | 基于多传感监测的山体滑坡预警方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001041782A (ja) * | 1999-07-29 | 2001-02-16 | Mitsui Bussan Plant Kk | 地盤監視システム及びその検出器 |
| CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
| CN207780935U (zh) * | 2017-12-22 | 2018-08-28 | 湖南北斗微芯产业发展有限公司 | 一种地质灾害高精度自动监测系统 |
| CN108519045A (zh) * | 2018-05-14 | 2018-09-11 | 桂林电子科技大学 | 一种北斗精密形变监测与预警系统 |
| CN109887240A (zh) * | 2019-03-22 | 2019-06-14 | 福州大学 | 一种基于人工智能的滑坡灾害安全监测与预警方法 |
| CN110068849A (zh) * | 2019-05-06 | 2019-07-30 | 国网山东省电力公司东营供电公司 | 基于差分定位的输电线路多维形变实时监测方法及系统 |
| CN112033345A (zh) * | 2020-11-04 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于北斗的变形监测系统及方法 |
| CN112240738A (zh) * | 2020-10-15 | 2021-01-19 | 厦门星环科技有限公司 | 一种基于北斗+gps的大坝形变预警系统 |
| CN213455616U (zh) * | 2020-12-17 | 2021-06-15 | 国网新疆电力有限公司电力科学研究院 | 基于北斗短报文技术的输电线路杆塔基础及边坡监测系统 |
-
2021
- 2021-08-20 CN CN202110958694.XA patent/CN113781745B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001041782A (ja) * | 1999-07-29 | 2001-02-16 | Mitsui Bussan Plant Kk | 地盤監視システム及びその検出器 |
| CN207780935U (zh) * | 2017-12-22 | 2018-08-28 | 湖南北斗微芯产业发展有限公司 | 一种地质灾害高精度自动监测系统 |
| CN108332649A (zh) * | 2018-02-07 | 2018-07-27 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
| CN108519045A (zh) * | 2018-05-14 | 2018-09-11 | 桂林电子科技大学 | 一种北斗精密形变监测与预警系统 |
| CN109887240A (zh) * | 2019-03-22 | 2019-06-14 | 福州大学 | 一种基于人工智能的滑坡灾害安全监测与预警方法 |
| CN110068849A (zh) * | 2019-05-06 | 2019-07-30 | 国网山东省电力公司东营供电公司 | 基于差分定位的输电线路多维形变实时监测方法及系统 |
| CN112240738A (zh) * | 2020-10-15 | 2021-01-19 | 厦门星环科技有限公司 | 一种基于北斗+gps的大坝形变预警系统 |
| CN112033345A (zh) * | 2020-11-04 | 2020-12-04 | 湖南联智科技股份有限公司 | 一种基于北斗的变形监测系统及方法 |
| CN213455616U (zh) * | 2020-12-17 | 2021-06-15 | 国网新疆电力有限公司电力科学研究院 | 基于北斗短报文技术的输电线路杆塔基础及边坡监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113781745A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113781745B (zh) | 基于k均值聚类算法的北斗和微动的山体滑坡预警方法 | |
| CN107449393B (zh) | 一种城市轨道交通隧道变形监测系统及方法 | |
| CN106679625A (zh) | 基于北斗系统的广域范围电力铁塔高精度形变监测方法 | |
| CN206959776U (zh) | 基于北斗卫星的高层建筑安全监测系统 | |
| EP0562017A1 (en) | Apparatus and method for predicting lightning | |
| CN109737864A (zh) | 一种通信基站天线形变的监测系统 | |
| CN212109891U (zh) | 一种融合多源气象探测的gnss表面位移监测装置 | |
| CN112146558A (zh) | 一种基于虚拟参考站的gnss地灾形变监测系统及方法 | |
| CN113311460B (zh) | 一种基于北斗的预警方法及其系统 | |
| CN107514022A (zh) | 一种推土机引导系统 | |
| CN112556632A (zh) | 一种利用协同精密定位监测地质体形变的方法及结构 | |
| CN115049798A (zh) | 一种基于bim的金属屋面健康监测系统及方法 | |
| CN213363858U (zh) | 一种复杂环境下输电杆塔监测装置 | |
| CN109001807A (zh) | 基于微震监测的拱坝坝身裂缝超前预警方法 | |
| CN210466680U (zh) | 一种集成gnss和微震信息的多功能地灾监测装置及系统 | |
| CN112240738A (zh) | 一种基于北斗+gps的大坝形变预警系统 | |
| CN116660953B (zh) | 一种城市cors智能监测系统 | |
| CN117470317A (zh) | 一种泥石流多参数集成动态监测系统及方法 | |
| CN112466093A (zh) | 一种基于低轨卫星的自然灾害监测预警系统及方法 | |
| CN111896048A (zh) | 一种建筑结构健康实时监测系统 | |
| CN108873019A (zh) | 高压传输线路高精度定位系统 | |
| CN105136117A (zh) | 一种基于北斗通信系统电塔倾斜监测系统 | |
| Stone et al. | A new wave-current online information system for oil spill contingency planning (WAVCIS) | |
| CN215810888U (zh) | 基于飞行器的三维建图装置和应急管理应急救援系统 | |
| CN115164707A (zh) | 一种利用卫星定位进行结构形变监测的监测装置及方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240529 Address after: Room F320, Intelligent Manufacturing Technology Research Institute, Hefei University of Technology, No. 369 Huayuan Avenue, Baohe District, Hefei City, Anhui Province, 230051 Patentee after: Hefei Xingbei Intelligent Control Technology Co.,Ltd. Country or region after: China Address before: 230000 d405, 369 Huayuan Avenue, Baohe Economic Development Zone, Hefei, Anhui Patentee before: HEFEI SSTARS MONITORING INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |