CN114358400B - 一种智慧桥隧涵边坡监控系统 - Google Patents
一种智慧桥隧涵边坡监控系统 Download PDFInfo
- Publication number
- CN114358400B CN114358400B CN202111569283.8A CN202111569283A CN114358400B CN 114358400 B CN114358400 B CN 114358400B CN 202111569283 A CN202111569283 A CN 202111569283A CN 114358400 B CN114358400 B CN 114358400B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor data
- sensor
- calculation
- critical
- 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
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供了一种智慧桥隧涵边坡监控系统,包括:服务器和边缘计算节点,服务器中存储有M个边缘计算节点的节点ID、节点中包括的关键传感器的传感器ID以及关键传感器进行AI计算所涉及AI计算数据;服务器和边缘计算节点实现以下步骤:节点i获取多个传感器数据,每个传感器数据包括多个第一传感器数据;如果多个传感器数据中的任意一个在预设阈值范围以外,则向服务器实时上传报文,报文包括多个传感器数据和被设置为第一标志值的AI计算启动标志;服务器接收上报的报文,如果AI计算启动标志为第一标志值,则显示数据,否则,获取对应的AI计算数据,得到预测的关键传感器数据。本申请能够确定关键传感器数据是否准确。
Description
技术领域
本申请涉及健康监测领域,具体涉及一种智慧桥隧涵边坡监控系统。
背景技术
为保障桥隧涵边坡运营安全、延长其使用寿命,一般在桥隧涵边坡的监测点上安装传感器以对桥梁进行实时监控。传感器会按照预定时间获取传感数据并传输到服务器中。
如果传感器获取的传感数据在用户预设的阈值范围内,那么不进行预警;如果在预设的阈值范围外,则预警。阈值范围通常为国标或行业标准。预警的结果,可能是不同颜色的显示或者现场保障。
通过传感器监控桥梁的目的之一是在恶劣环境和极端情况下发现问题。由于桥梁的监测点众多,使用的传感器数量也会很多。正常情况下,例如,天气条件较好的情况下,一般不需要传感器实时上传数据,因此,为确保监控目的,希望能够在恶劣环境和极端情况下传感器尤其是关键传感器能够实时传送准确的数据。但是,环境越恶劣,情况越极端,传感器自身、安装以及传感器与服务器之间的通信的意外情况就越多发,如此会导致传感器上报服务器的数据不准确或者无法上报。
发明内容
针对上述技术问题,本申请采用的技术方案为:
本发明实施例提供一种智慧桥隧涵边坡监控系统,所述系统包括通信连接的服务器和M个边缘计算节点E=(E1,E2,....,EM);
所述服务器包括传感器配置文件,所述传感器配置文件中存储有M个边缘计算节点的节点ID、任一边缘计算节点Ex中包括的关键传感器Sx=(Sx1,Sx2,......,Sxn)的传感器ID、以及任一关键传感器Sxj进行AI计算所涉及的AI计算数据;其中,x的取值为1~M,n为Sx中关键传感器的数量,j的取值为1到n;
其中,Ex用于获取与Ex通信连接的Mx个传感器的Mx个传感器数据并上传到所述服务器,其中,所述传感器被设置在桥隧涵边坡处,所述传感器数据包括Mx1个第一传感器数据;
所述服务器和边缘计算节点执行计算机程序以实现以下步骤:
S100,Ex获取Mx1个第一传感器数据;如果Mx1个第一传感器数据中的任一个传感器数据在预设阈值范围以外,则向所述服务器实时上传报文,所述报文包括Ex的节点ID、Mx个传感器数据和AI计算启动标志;所述AI计算启动标志被设置为启动AI计算的第一标志值;
S200,服务器接收Ex上报的报文,如果AI计算启动标志为第一标志值,那么执行S300;
S300,服务器使用Ex的节点ID查询关键传感器配置文件,获取Sxj对应的AI计算数据,根据Sxj对应的AI 计算数据和经训练的AI模型,得到Sxj的预测的关键传感器数据。
本申请至少具有以下技术效果:考虑了极端环境下传感器上传数据不准确的情况,对于关键传感器,使用了涉及的非关键传感器的数据进行AI计算,从而能够准确判断关键传感器当前监测的传感器数据是否准确。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种智慧桥隧涵边坡监控系统,用于对预设区域内的监测对象进行监测。在一个示例中,监测对象可为桥梁。预设区域为用户自定义的地理区域。所述系统可包括通信连接的服务器、传感器数据库和M个边缘计算节点E=(E1,E2,....,EM)。
在本申请实施例中,所述服务器包括传感器配置文件,所述传感器配置文件中存储有:M个边缘计算节点的节点ID、任一边缘计算节点Ex中包括的关键传感器Sx=(Sx1,Sx2,......,Sxn)的传感器ID以及任一关键传感器Sxj进行AI计算所涉及的AI计算数据;其中,x的取值为1~M,n为关键传感器的数量,j的取值为1到n。
进一步地,所述传感器配置文件中还存储有,获取Sxj的预测的关键传感器数据所涉及的Q个传感器SQ=(S1 xj,S2 xj,......,SQ xj)和对应的时间窗口数量,其中,Si xj包括的时间窗口数量为zi,Q≥1,i的取值为1到Q。其中,如果所涉及的传感器Si xj对应的时间窗口数量zi=0,则使用Si xj采集的当前传感器数据作为Sxj的AI计算数据,如果zi=Z,则使用Si xj采集的当前传感器数据以及当前时刻之前的Z个时间窗口内采集的Z个历史传感器数据作为Sxj的AI计算数据,即使用Sxj涉及的Z+1个传感器数据作为Sxj的AI计算数据。例如,如果涉及的某个非关键传感器的时间窗口数量为4,则使用该非关键传感器当前采集的传感器数据和当前时刻之前的4个时间窗口内的采样主数据作为AI计算数据。这样,能够确保使用的AI计算数据更加符合传感器所处的真实场景情况,使得计算的关键传感器数据更加准确。在本申请实施例中,时间窗口为传感器的采样周期。
进一步地,在本申请的优选实施例中,Sxj的预测的关键传感器数据所涉及的Q个传感器为非关键传感器。
在本申请实施例中,传感器数据库用于存储传感器上传的采样数据和对应的时间窗口数量。
在本申请实施例中,边缘计算节点用于获取所属监测对象内的传感器上传的传感器数据,并根据设置的上传条件来确定是否实时上传数据。边缘计算节点可为具有一定数据处理功能的服务器。每个监测对象可根据需要设置不同数量的边缘计算节点。例如,如果监测对象涉及的监测点超多一定阈值,则可设置多个边缘计算节点,每个计算节点与所属监测区域内的多个传感器通信连接。由于设置了边缘计算节点,使得传感器数据不必须实时上传到服务器,能够减少网络拥堵,节约网络资源。
具体地,在本申请实施例中,Ex用于获取与Ex通信连接的Mx个传感器的Mx个传感器数据并上传到所述服务器,其中,所述传感器被设置在桥隧涵边坡处,所述传感器数据包括Mx1个第一传感器数据、Mx2个第二传感器数据和Mx3个第三传感器数据。第一传感器数据,第二传感器数据和第三传感器数据为用户根据监测对象实际情况预先定义的数据。在一个示意性实施例中,所述第二传感器数据为关键传感器数据,所述第三传感器数据为非关键传感器数据。在本申请实施例中,Mx可以等于Mx1+ Mx2+ Mx3,也可以不同于Mx1+ Mx2+ Mx3,但是Mx=Mx1∪Mx2∪Mx3。Mx个传感器每隔Mx个预设时间获取传感器数据,Mx个预设时间可以相同,也可以不同。
进一步地,在本申请实施例中,所述服务器和边缘计算节点执行计算机程序以实现以下步骤:
S100,Ex获取Mx1个第一传感器数据;如果Mx1个第一传感器数据中的任一个传感器数据在预设阈值范围以外,则向所述服务器实时上传报文,所述报文包括Ex的节点ID、Mx个传感器数据和AI计算启动标志;所述AI计算启动标志被设置为启动AI计算的第一标志值,例如,可为1或者0。
S200,服务器接收Ex上报的报文,如果AI计算启动标志为第一标志值,那么执行S300;
S300,服务器使用Ex的节点ID查询关键传感器配置文件,获取Sxj对应的AI计算数据,根据Sxj对应的AI计算数据和经训练的AI模型,得到Sxj的预测的关键传感器数据。在本申请实施例中,AI模型可利用AI算法进行预测,AI算法为公知的算法,例如,逻辑回归算法或者其他回归算法。
进一步地,在本申请实施例中,S100中,还包括:如果Mx1个传感器数据均在预设阈值范围以内,则Ex判断是否到达预设的上传时间;如果是,则将所述报文上传到服务器,所述AI计算启动标志被设置为不启动AI计算的第二标志值,例如,第二标志值可设置与第一标志值不同的0或1。在该步骤中,如果Mx1个传感器数据均在预设阈值范围以内,在Ex判断到达预设的上传时间时将报文上传到服务器,而不是实时上传,能够减少通信吞吐量,节约网络资源。
进一步地,在本申请实施例中,S200中,还包括:如果AI计算启动标志为第二标志值,那么在显示屏上显示接收到的传感器数据,结束执行。
在本申请实施例中,考虑到极端环境下传感器上传数据不准确的情况,在Mx1个传感器数据中的任一个传感器数据在预设阈值范围以外,则向所述服务器实时上传报文,并利用关键传感器关联的非关键传感器的数据进行AI计算,得到预测的关键传感器数据,使得用于监测的关键传感器数据能够在极端环境下也是准确的。
进一步地,在本申请实施例中,AI模型训练使用的样本集可包括P*(Q+1)个样本向量U,P为预设的样本系数, U为Q个非关键传感器在关键传感器Sxj对应的zi个时间窗口内的数据,U=(U1,U2,U3,…,UQ),Ui为第i个非关键传感器包括的zi个非关键传感器数据,Ui=(Ui 1,Ui 2,......,Ui zi),即U=(U1 1,U1 2,......,U1 z1,U2 1,U2 2,......,U2 z2,......,UQ 1,UQ 2,......,UQ zQ),其中,Us k为第s个非关键传感器的在第k个时窗口内的采样数据,k的取值为1到zs,s的取值为1到Q。在本申请实施例中,预设的样本系数P可根据实际需要进行设置,只要能够保证样本数量足够训练得到准确的AI模型即可,例如,在一个优选示例中,P=2000个。
其中,本申请实施例中的P*(Q+1)个样本向量满足以下条件:
(1)P个样本向量中,任一非关键传感器数据Ui中的所有采样数据均在预设的阈值范围内即均为正常数据,即每个非关键传感器的所有时间窗口内的采样数据均为正常数据;预设的阈值范围可为预先设置值,例如,用户自定义。
(2)其余的P*Q个样本向量中的任一P个样本向量中,仅存在一个非关键传感器数据满足:至少存在一个采样数据在预设的阈值范围外即为异常数据,而其他采样数据均在预设的阈值范围内。即,对于其余的每份包括P个样本向量的样本数据,存在一个非关键传感器数据的至少一个时间窗口内的采样数据为异常数据。
在本申请实施例中,在选取AI模型的训练样本集时,需要满足上述条件(1)和(2),这样,样本向量包括所有非关键传感器数据均为正常数据以及每个非关键传感器为异常数据的情况,能够使得训练数据分布更广泛,训练得到的AI模型更准确。此外,考虑到非关键传感器实际应用场景下,时间窗口内的监测数据可能存在高度耦合性,因此,没有以时间窗口作为参考标准得到差异数据,而是基于每个非关键传感器进行,如此,能够获取足够的样本数据。
进一步地,如果基于条件(2)获得的样本数量不足P*Q个,则选用至少存在两个非关键传感器数据满足上述条件(2)的样本数据补充至样本集中,以保证样本集数量充足。例如,关键传感器Sxj与3个非关键传感器S1 xj,S2 xj,S3 xj相关,那么关键传感器Sxj的AI模型的训练样本集的选择需满足以下条件:
1)三个非关键传感器采集的传感器数据均为正常数据的样本量占总样本量的25%;
2)仅非关键传感器S1 xj采集的传感器数据为异常数据的样本量占总样本量的25%;
3)仅非关键传感器S2 xj采集的传感器数据为异常数据的样本量占总样本量的25%;
4)仅非关键传感器S3 xj采集的传感器数据为异常数据的样本量占总样本量的25%。
如果满足上述条件2)-4)的样本数量不够,例如仅非关键传感器S1 xj采集的传感器数据为异常数据的样本量占总样本量的不足25%,则可选择满足如下条件的样本数据进行补充:
a)S1 xj+ S2 xj同时为异常数据而S3 xj为正常数据;
b)S1 xj+ S3 xj同时为异常数据而S2 xj为正常数据;
c)S2 xj+ S3 xj同时为异常数据而S1 xj为正常数据;
d)S1 xj+ S2 xj+ S3 xj同时为异常数据。
本申请实施例中,由于使用了与预测的关键传感器相关的多个非关键传感器的多个时间窗口内的数据,并且选择的样本数据中每个非关键传感器采集的正常数据和异常数据的比例尽量均匀,能够使得模型预测更加准确。
本申请实施例中,服务器还用于执行计算机程序以实现如下步骤:
将Sxj的预测的关键传感器数据与Ex上报的Sxj传感器数据进行比较,如果两者之间的差值位于预设阈值内,则以第一颜色呈现两个数据,否则,以第二颜色呈现两个数据。第一颜色和第二颜色不同,例如,第一颜色为绿色,第二颜色为红色。
在一个示意性实施例中,索力是关键传感器数据。索力与时间窗口内的多个温度和湿度相关,实时的风速和风向相关,实时的车辆荷载相关。因此,可以通过采集的多个温度和湿度、实时的风速、风向和车辆荷载,代入AI模型中对实时索力进行预测,并与实时测量结果进行比较,如果预测值与测量值之间的误差小于预设阈值,则以绿色呈现预测值和测量值,表示当前监测的索力合理。反之,则以红色呈现预测值和测量值,表示当前监测的索力不合理。
虽然已经通过示例对本申请的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本申请的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本申请的范围和精神。本申请开的范围由所附权利要求来限定。
Claims (8)
1.一种智慧桥隧涵边坡监控系统,其特征在于,所述系统包括通信连接的服务器和M个边缘计算节点E=(E1,E2,....,EM);
所述服务器包括传感器配置文件,所述传感器配置文件中存储有M个边缘计算节点的节点ID、任一边缘计算节点Ex中包括的关键传感器Sx=(Sx1,Sx2,......,Sxn)的传感器ID、以及任一关键传感器Sxj进行AI计算所涉及的AI计算数据;其中,x的取值为1~M,n为Sx中关键传感器的数量,j的取值为1到n;
其中,Ex用于获取与Ex通信连接的Mx个传感器的Mx个传感器数据并上传到所述服务器,其中,所述传感器被设置在桥隧涵边坡处,所述传感器数据包括Mx1个第一传感器数据;
所述服务器和边缘计算节点执行计算机程序以实现以下步骤:
S100,Ex获取Mx1个第一传感器数据;如果Mx1个第一传感器数据中的任一个传感器数据在预设阈值范围以外,则向所述服务器实时上传报文,所述报文包括Ex的节点ID、Mx个传感器数据和AI计算启动标志;所述AI计算启动标志被设置为启动AI计算的第一标志值;
S200,服务器接收Ex上报的报文,如果AI计算启动标志为第一标志值,那么执行S300;
S300,服务器使用Ex的节点ID查询关键传感器配置文件,获取Sxj对应的AI计算数据,根据Sxj对应的AI计算数据和经训练的AI模型,得到Sxj的预测的关键传感器数据。
2.根据权利要求1所述的系统,其特征在于,所述传感器配置文件中还存储有:获取Sxj的预测的关键传感器数据所涉及的Q个传感器SQ=(S1 xj,S2 xj,......,SQ xj)和对应的时间窗口数量,其中,Si xj包括的时间窗口数量为zi,Q≥1,i的取值为1到Q;
其中,如果所涉及的传感器Si xj对应的时间窗口数量zi=0,则使用Si xj采集的当前传感器数据作为Sxj的AI计算数据,如果zi=Z,则使用Si xj采集的当前传感器数据以及当前时刻之前的Z个时间窗口内采集的Z个历史传感器数据作为Sxj的AI计算数据。
3.根据权利要求1所述的系统,其特征在于,S100中,还包括:如果Mx1个传感器数据均在预设阈值范围以内,则Ex判断是否到达预设的上传时间;如果是,则将所述报文上传到服务器,所述AI计算启动标志被设置为不启动AI计算的第二标志值;
S200中,还包括:如果AI计算启动标志为第二标志值,那么在显示屏上显示接收到的传感器数据,结束执行。
4.根据权利要求2所述的系统,其特征在于,获取Sxj的预测的关键传感器数据所涉及的Q个传感器为非关键传感器。
5.根据权利要求1所述的系统,其特征在于,所述Mx传感器数据还包括Mx2个第二传感器数据和Mx3个第三传感器数据,且Mx=Mx1∪Mx2∪Mx3。
6.根据权利要求5所述的系统,其特征在于,所述第二传感器数据为关键传感器数据,所述第三传感器数据为非关键传感器数据。
7.根据权利要求4所述的系统,其特征在于,所述经训练的AI模型为使用样本集训练后的模型;
所述样本集包括P*(Q+1)个样本向量U,P为预设的样本系数,U=(U1,U2,U3,…,UQ),Ui为第i个非关键传感器包括的zi个非关键传感器数据,Ui=(Ui 1,Ui 2,......,Ui zi),则U=(U1 1,U1 2,......,U1 z1,U2 1,U2 2,......,U2 z2,......,UQ 1,UQ 2,......,UQ zQ),其中,Us k为第s个非关键传感器的在第k个时窗口内的采样数据,k的取值为1到zs,s的取值为1到Q;
其中,P个样本向量中,任一非关键传感器数据Ui中的所有采样数据均在预设的阈值范围内;
以及,其余的P*Q个样本向量中的任一P个样本向量中,仅存在一个非关键传感器数据满足:至少存在一个采样数据在预设的阈值范围外,而其他采样数据均在预设的阈值范围内。
8.根据权利要求1所述的系统,其特征在于,还包括:
S400,将Sxj的预测的关键传感器数据与Ex上报的Sxj传感器数据进行比较,如果两者之间的差值位于预设阈值内,则以第一颜色呈现两个数据,否则,以第二颜色呈现两个数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569283.8A CN114358400B (zh) | 2021-12-21 | 2021-12-21 | 一种智慧桥隧涵边坡监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569283.8A CN114358400B (zh) | 2021-12-21 | 2021-12-21 | 一种智慧桥隧涵边坡监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358400A CN114358400A (zh) | 2022-04-15 |
CN114358400B true CN114358400B (zh) | 2023-06-23 |
Family
ID=81102056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569283.8A Active CN114358400B (zh) | 2021-12-21 | 2021-12-21 | 一种智慧桥隧涵边坡监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358400B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015183677A1 (en) * | 2014-05-30 | 2015-12-03 | Sikorsky Aircraft Corporation | Group scheduled sensor data acquisition in a wireless sensor system |
KR20200137098A (ko) * | 2019-05-29 | 2020-12-09 | (주)프론티스 | 확장현실 환경에서 엣지 컴퓨팅을 이용하여 대상 지역의 재난 발생을 예측하는 엣지 게이트웨이, 클라우드 서버 및 방법 |
JP2021018821A (ja) * | 2019-07-18 | 2021-02-15 | ▲広▼州大学 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
CN112710353A (zh) * | 2020-12-23 | 2021-04-27 | 龙海建设集团有限公司 | 智能建筑监测系统 |
KR102268276B1 (ko) * | 2020-12-04 | 2021-06-23 | 아신씨엔티 주식회사 | 센서 노드 및 이를 포함하는 시설물 안전 모니터링 시스템 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217542A (zh) * | 2014-09-12 | 2014-12-17 | 重庆大学 | 一种山区公路边坡实时监测预警装置 |
KR101732819B1 (ko) * | 2015-12-07 | 2017-05-08 | 이동규 | 빅데이터 기반 재난 예측 및 감지 플랫폼 시스템과 그 방법 |
US20170364818A1 (en) * | 2016-06-17 | 2017-12-21 | Business Objects Software Ltd. | Automatic condition monitoring and anomaly detection for predictive maintenance |
JP7200694B2 (ja) * | 2019-01-23 | 2023-01-10 | 日本電信電話株式会社 | センサノード、サーバ装置、識別システム、方法及びプログラム |
CN112187932A (zh) * | 2020-09-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 基于边缘计算的中小型水库大坝智能监测预警方法 |
CN112738754B (zh) * | 2020-12-30 | 2022-06-21 | 长江水利委员会长江科学院 | 一种基于边缘计算的山洪灾害预警监测系统 |
CN112800110B (zh) * | 2021-01-22 | 2022-09-16 | 国家电网有限公司技术学院分公司 | 电力物联网传感器弱敏感数据异常检测系统 |
-
2021
- 2021-12-21 CN CN202111569283.8A patent/CN114358400B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015183677A1 (en) * | 2014-05-30 | 2015-12-03 | Sikorsky Aircraft Corporation | Group scheduled sensor data acquisition in a wireless sensor system |
KR20200137098A (ko) * | 2019-05-29 | 2020-12-09 | (주)프론티스 | 확장현실 환경에서 엣지 컴퓨팅을 이용하여 대상 지역의 재난 발생을 예측하는 엣지 게이트웨이, 클라우드 서버 및 방법 |
JP2021018821A (ja) * | 2019-07-18 | 2021-02-15 | ▲広▼州大学 | データインテリジェント予測方法、装置、コンピュータ機器及び記憶媒体 |
KR102268276B1 (ko) * | 2020-12-04 | 2021-06-23 | 아신씨엔티 주식회사 | 센서 노드 및 이를 포함하는 시설물 안전 모니터링 시스템 |
CN112710353A (zh) * | 2020-12-23 | 2021-04-27 | 龙海建设集团有限公司 | 智能建筑监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114358400A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109365769B (zh) | 一种基于混合模型判断的结晶器漏钢预报方法 | |
CN112418557B (zh) | 基于云服务的数据分析和预测系统及方法 | |
CN116523508B (zh) | 一种基于AIoT资产的智慧运维管理系统 | |
CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
CN111696097A (zh) | 一种电缆在线监测方法和装置 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN115373403A (zh) | 一种建筑机械设备巡检服务系统 | |
CN114358400B (zh) | 一种智慧桥隧涵边坡监控系统 | |
CN114971268A (zh) | 列车性能评估方法及装置、存储介质及电子设备 | |
CN114611949A (zh) | 一种智慧水务调度系统 | |
CN114964557A (zh) | 混凝土温度监测方法、装置、设备及存储介质 | |
CN114495482A (zh) | 用于预测交通信息的设备和方法 | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
CN114234831A (zh) | 一种曲面铸钢件的应变监测方法、系统和可读存储介质 | |
JP4053544B2 (ja) | 降霜予測システム | |
KR101507903B1 (ko) | 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법 | |
CN117114206A (zh) | 一种煤矿水害指标数据趋势的计算方法 | |
CN116591768A (zh) | 一种基于分布式网络的隧道监测方法、系统及装置 | |
CN114328483B (zh) | 一种传感器数据的处理系统 | |
CN113421170B (zh) | 一种电力工程质量综合优化管理系统以及方法 | |
CN115931267A (zh) | 基于温度注意力—lstm的监测桥梁结构异常识别方法 | |
Mishalani et al. | Evaluating real-time origin-destination flow estimation using remote sensing-based surveillance data | |
CN109118731B (zh) | 输电线路覆冰雪监测预警方法及系统 | |
CN107464024B (zh) | 基于覆冰形状试验的架空输电线路舞动预测方法及系统 | |
CN112381386A (zh) | 一种车辆稽查布控方法、装置、电子设备和存储介质 |
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 |