CN114459575B - 设定信息关联参考平台及方法 - Google Patents

设定信息关联参考平台及方法 Download PDF

Info

Publication number
CN114459575B
CN114459575B CN202210126113.0A CN202210126113A CN114459575B CN 114459575 B CN114459575 B CN 114459575B CN 202210126113 A CN202210126113 A CN 202210126113A CN 114459575 B CN114459575 B CN 114459575B
Authority
CN
China
Prior art keywords
flow detection
flow
certain
detection device
river
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
CN202210126113.0A
Other languages
English (en)
Other versions
CN114459575A (zh
Inventor
佘以道
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.)
Jinan Qiyingying Network Technology Co.,Ltd.
Original Assignee
Shandong Qiyingying Network Technology Co ltd
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 Shandong Qiyingying Network Technology Co ltd filed Critical Shandong Qiyingying Network Technology Co ltd
Priority to CN202210126113.0A priority Critical patent/CN114459575B/zh
Publication of CN114459575A publication Critical patent/CN114459575A/zh
Application granted granted Critical
Publication of CN114459575B publication Critical patent/CN114459575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
    • 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
    • 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
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种设定信息关联参考平台及方法，所述平台包括：沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据；流量预测设备，用于在某一流量检测设备发生故障时，基于某一流量检测设备周围设定总数的各个流量检测设备分别测量的某一时刻对应的各个现场流量数据预测某一流量检测设备在所述某一时刻的流量数据。本发明的设定信息关联参考平台及方法设计紧凑、具有一定的鲁棒性。由于在流量检测设备发生故障时，能够根据周围其他流量检测设备的输出结果基于人工预测模型判断发生故障的流量检测设备的流量数据，从而保证了整个流量检测系统的稳定性。

Description

设定信息关联参考平台及方法
技术领域
本发明涉及计算机应用领域，尤其涉及一种设定信息关联参考平台及方法。
背景技术
计算机中，CPU即中央处理器，是一台计算机的运算核心和控制核心。其功能主要是解释计算机指令以及处理计算机软件中的数据。CPU由运算器、控制器、寄存器、高速缓存及实现它们之间联系的数据、控制及状态的总线构成。作为整个系统的核心，CPU也是整个系统最高的执行单元，因此CPU已成为决定电脑性能的核心部件，很多客户都以它为标准来判断电脑的档次。
现有技术中，一般沿着同一河流设置多个流量检测设备以对所述河流沿岸的各个位置执行水体流量的检测以及对整个河流执行水体流量的判断，从而为后续的水文分析以及航运管理提供重要的参考信息。然而，由于河流环境过于恶劣，一旦某一个流量检测设备发生故障，则不仅仅会缺失所述流量检测设备所在位置的水体流量，也会对整个河流的水体流量的判断造成偏差。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种设定信息关联参考平台，通过将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络，从而实现对故障监控仪器的输出信息的有效预测。
为此，本发明至少需要具备以下三处突出的实质性特点：
(1)沿着同一河流设置多个流量检测设备以及多个故障判断单元，用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据以及分别判断连接的多个流量检测设备是否存在故障；
(2)在某一流量检测设备存在故障时，基于其周围各个流量检测设备的各个输出信息联合预测所述存在故障的流量检测设备的输出信息，从而提升了整个流量检测系统的鲁棒性；
(3)针对每一流量检测设备所在位置的垂直落差，为每一流量检测设备定制不同结构的执行联合预测的人工智能模型。
根据本发明的一方面，提供了一种设定信息关联参考平台，所述平台包括：
沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据；
时间供应部件，与所述沿岸检测部件连接，用于每隔预设时间长度向所述沿岸检测部件发送一次检测触发命令；
所述多个流量检测设备在每接收到一次检测触发命令后，同步执行对所述河流边沿多个位置分别对应的多个现场流量数据的实时测量，以获得当前时刻对应的多个现场流量数据并作为当前时刻对应的沿岸流量数据；
前端构建设备，由第一计算机控制芯片来实现，分别与所述沿岸检测部件和所述时间供应部件连接，用于将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络；
后端构建设备，由第二计算机控制芯片来实现，与所述前端构建设备连接，用于将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出；
流量预测设备，与所述后端构建设备连接，用于在某一流量检测设备发生故障时，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为所述某一流量检测设备对应的人工预测模型的各份输入信号，并运行所述人工预测模型以将其输出信号作为所述某一流量检测设备在所述某一时刻的预测流量数据；
其中，在所述前端构建设备中，所述某一流量检测设备所在位置的垂直落差越大，选择的设定总数的数值越大。
根据本发明的另一方面，还提供了一种设定信息关联参考方法，所述方法包括使用如上述的设定信息关联参考平台以在设备发生故障时基于其关联各个设备的输出信息智能预测发生故障的输出信息。
本发明的设定信息关联参考平台及方法设计紧凑、具有一定的鲁棒性。由于在流量检测设备发生故障时，能够根据周围其他流量检测设备的输出结果基于人工预测模型判断发生故障的流量检测设备的流量数据，从而保证了整个流量检测系统的稳定性。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明实施例示出的设定信息关联参考平台的流量检测设备的内部结构示意图。
具体实施方式
下面将参照附图对本发明的设定信息关联参考平台及方法的实施例进行详细说明。
河流管理中，河流中各处水流信息是关系着河道水文分析以及航运管理的重要参考数据，需要进行同步测量或者分时测量，并对测量的数据进行分析以获得河流整体的参考数据。
现有技术中，一般沿着同一河流设置多个流量检测设备以对所述河流沿岸的各个位置执行水体流量的检测以及对整个河流执行水体流量的判断，从而为后续的水文分析以及航运管理提供重要的参考信息。然而，由于河流环境过于恶劣，一旦某一个流量检测设备发生故障，则不仅仅会缺失所述流量检测设备所在位置的水体流量，也会对整个河流的水体流量的判断造成偏差。
为了克服上述不足，本发明搭建了一种设定信息关联参考平台及方法，能够有效解决相应的技术问题。
图1为根据本发明实施例示出的设定信息关联参考平台的流量检测设备的内部结构示意图。
第一实施例：
本发明的第一实施例的设定信息关联参考平台包括：
沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据，其中，每一个流量检测设备的内部结构如图1所示；
时间供应部件，与所述沿岸检测部件连接，用于每隔预设时间长度向所述沿岸检测部件发送一次检测触发命令；
所述多个流量检测设备在每接收到一次检测触发命令后，同步执行对所述河流边沿多个位置分别对应的多个现场流量数据的实时测量，以获得当前时刻对应的多个现场流量数据并作为当前时刻对应的沿岸流量数据；
前端构建设备，由第一计算机控制芯片来实现，分别与所述沿岸检测部件和所述时间供应部件连接，用于将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络；
后端构建设备，由第二计算机控制芯片来实现，与所述前端构建设备连接，用于将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出；
流量预测设备，与所述后端构建设备连接，用于在某一流量检测设备发生故障时，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为所述某一流量检测设备对应的人工预测模型的各份输入信号，并运行所述人工预测模型以将其输出信号作为所述某一流量检测设备在所述某一时刻的预测流量数据；
其中，在所述前端构建设备中，所述某一流量检测设备所在位置的垂直落差越大，选择的设定总数的数值越大；
将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出包括：所述某一流量检测设备所在位置的垂直落差越大，选择的学习次数越多；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个位置从所述河流的下流向所述河流的上流的水流方向分布；
所述多个位置从所述河流的下流向所述河流的上流的水流方向分布包括：所述多个位置中，两两位置之间的间距相等；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个流量检测设备的结构相同。
第二实施例：
本发明的第二实施例的设定信息关联参考平台包括：
沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据，其中，每一个流量检测设备的内部结构如图1所示；
时间供应部件，与所述沿岸检测部件连接，用于每隔预设时间长度向所述沿岸检测部件发送一次检测触发命令；
所述多个流量检测设备在每接收到一次检测触发命令后，同步执行对所述河流边沿多个位置分别对应的多个现场流量数据的实时测量，以获得当前时刻对应的多个现场流量数据并作为当前时刻对应的沿岸流量数据；
前端构建设备，由第一计算机控制芯片来实现，分别与所述沿岸检测部件和所述时间供应部件连接，用于将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络；
后端构建设备，由第二计算机控制芯片来实现，与所述前端构建设备连接，用于将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出；
流量预测设备，与所述后端构建设备连接，用于在某一流量检测设备发生故障时，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为所述某一流量检测设备对应的人工预测模型的各份输入信号，并运行所述人工预测模型以将其输出信号作为所述某一流量检测设备在所述某一时刻的预测流量数据；
其中，在所述前端构建设备中，所述某一流量检测设备所在位置的垂直落差越大，选择的设定总数的数值越大；
数据上报设备，通过无线网络与所述河流的监控服务器连接，用于将所述某一流量检测设备在所述某一时刻的预测流量数据无线发送给所述河流的监控服务器；
将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出包括：所述某一流量检测设备所在位置的垂直落差越大，选择的学习次数越多；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个位置从所述河流的下流向所述河流的上流的水流方向分布；
所述多个位置从所述河流的下流向所述河流的上流的水流方向分布包括：所述多个位置中，两两位置之间的间距相等；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个流量检测设备的结构相同。
第三实施例：
本发明的第三实施例的设定信息关联参考平台包括：
沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据，其中，每一个流量检测设备的内部结构如图1所示；
时间供应部件，与所述沿岸检测部件连接，用于每隔预设时间长度向所述沿岸检测部件发送一次检测触发命令；
所述多个流量检测设备在每接收到一次检测触发命令后，同步执行对所述河流边沿多个位置分别对应的多个现场流量数据的实时测量，以获得当前时刻对应的多个现场流量数据并作为当前时刻对应的沿岸流量数据；
前端构建设备，由第一计算机控制芯片来实现，分别与所述沿岸检测部件和所述时间供应部件连接，用于将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络；
后端构建设备，由第二计算机控制芯片来实现，与所述前端构建设备连接，用于将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出；
流量预测设备，与所述后端构建设备连接，用于在某一流量检测设备发生故障时，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为所述某一流量检测设备对应的人工预测模型的各份输入信号，并运行所述人工预测模型以将其输出信号作为所述某一流量检测设备在所述某一时刻的预测流量数据；
其中，在所述前端构建设备中，所述某一流量检测设备所在位置的垂直落差越大，选择的设定总数的数值越大；
数据上报设备，通过无线网络与所述河流的监控服务器连接，用于将所述某一流量检测设备在所述某一时刻的预测流量数据无线发送给所述河流的监控服务器；
故障判断设备，包括多个故障判断单元，用于分别与所述多个流量检测设备连接，每一故障判断单元用于判断其连接的流量检测设备的输出数据是否偏差超过预设偏差阈值以判断所述流量检测设备是否存在故障；
将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出包括：所述某一流量检测设备所在位置的垂直落差越大，选择的学习次数越多；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个位置从所述河流的下流向所述河流的上流的水流方向分布；
所述多个位置从所述河流的下流向所述河流的上流的水流方向分布包括：所述多个位置中，两两位置之间的间距相等；
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个流量检测设备的结构相同。
同时，为了克服上述不足，本发明还搭建了一种设定信息关联参考方法，所述方法包括使用如上述的设定信息关联参考平台以在设备发生故障时基于其关联各个设备的输出信息智能预测发生故障的输出信息。
另外，在所述设定信息关联参考平台中，将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络包括：所述某一流量检测设备周围设定总数的各个流量检测设备中一半为设置在所述某一流量检测设备上流的多个流量检测设备，另一半为设置在所述某一流量检测设备下流的多个流量检测设备。
对于本领域普通技术人员来说，能够对本发明进行不同的修改和变化将是很显然的。因此，本发明旨在覆盖落入所附权利要求范围及其等价范围内的对本发明的修改和变化。

Claims (8)

1.一种设定信息关联参考平台，其特征在于，所述平台包括：
沿岸检测部件，包括沿着同一河流设置的多个流量检测设备，所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据；
时间供应部件，与所述沿岸检测部件连接，用于每隔预设时间长度向所述沿岸检测部件发送一次检测触发命令；
所述多个流量检测设备在每接收到一次检测触发命令后，同步执行对所述河流边沿多个位置分别对应的多个现场流量数据的实时测量，以获得当前时刻对应的多个现场流量数据并作为当前时刻对应的沿岸流量数据；
前端构建设备，由第一计算机控制芯片来实现，分别与所述沿岸检测部件和所述时间供应部件连接，用于将某一流量检测设备测量的某一时刻对应的现场流量数据作为深度前馈神经网络的单份输出信号，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为深度前馈神经网络的各份输入信号，以构建针对所述某一流量检测设备的深度前馈神经网络；
后端构建设备，由第二计算机控制芯片来实现，与所述前端构建设备连接，用于将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出；
流量预测设备，与所述后端构建设备连接，用于在某一流量检测设备发生故障时，将所述某一流量检测设备周围设定总数的各个流量检测设备分别测量的所述某一时刻对应的各个现场流量数据作为所述某一流量检测设备对应的人工预测模型的各份输入信号，并运行所述人工预测模型以将其输出信号作为所述某一流量检测设备在所述某一时刻的预测流量数据；
其中，在所述前端构建设备中，所述某一流量检测设备所在位置的垂直落差越大，选择的设定总数的数值越大。
2.如权利要求1所述的设定信息关联参考平台，其特征在于，所述平台还包括：
数据上报设备，通过无线网络与所述河流的监控服务器连接，用于将所述某一流量检测设备在所述某一时刻的预测流量数据无线发送给所述河流的监控服务器。
3.如权利要求1所述的设定信息关联参考平台，其特征在于，所述平台还包括：
故障判断设备，包括多个故障判断单元，用于分别与所述多个流量检测设备连接，每一故障判断单元用于判断其连接的流量检测设备的输出数据是否偏差超过预设偏差阈值以判断所述流量检测设备是否存在故障。
4.如权利要求1-3任一所述的设定信息关联参考平台，其特征在于：
将每一历史时刻下某一流量检测设备以及其周围设定总数的各个流量检测设备分别对应的多个现场流量数据作为针对所述某一流量检测设备的深度前馈神经网络的输入信号和/或输出信号，执行对针对所述某一流量检测设备的深度前馈神经网络的单次学习动作，以获得经过多次学习后的深度前馈神经网络并作为人工预测模型输出包括：所述某一流量检测设备所在位置的垂直落差越大，选择的学习次数越多。
5.如权利要求1-3任一所述的设定信息关联参考平台，其特征在于：
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个位置从所述河流的下流向所述河流的上流的水流方向分布。
6.如权利要求5所述的设定信息关联参考平台，其特征在于：
所述多个位置从所述河流的下流向所述河流的上流的水流方向分布包括：所述多个位置中，两两位置之间的间距相等。
7.如权利要求1-3任一所述的设定信息关联参考平台，其特征在于：
所述多个流量检测设备用于分别测量所述河流边沿多个位置分别对应的多个现场流量数据包括：所述多个流量检测设备的结构相同。
8.一种设定信息关联参考方法，所述方法包括使用如权利要求1-7任一所述的设定信息关联参考平台以在设备发生故障时基于其关联各个设备的输出信息智能预测发生故障的输出信息。
CN202210126113.0A 2022-02-10 2022-02-10 设定信息关联参考平台及方法 Active CN114459575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210126113.0A CN114459575B (zh) 2022-02-10 2022-02-10 设定信息关联参考平台及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210126113.0A CN114459575B (zh) 2022-02-10 2022-02-10 设定信息关联参考平台及方法

Publications (2)

Publication Number Publication Date
CN114459575A CN114459575A (zh) 2022-05-10
CN114459575B true CN114459575B (zh) 2023-05-02

Family

ID=81412613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210126113.0A Active CN114459575B (zh) 2022-02-10 2022-02-10 设定信息关联参考平台及方法

Country Status (1)

Country Link
CN (1) CN114459575B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765756A (zh) * 2021-01-12 2021-05-07 生态环境部南京环境科学研究所 用于生物多样性保护的河流网络构建方法、系统及其应用
CN113213638A (zh) * 2021-04-30 2021-08-06 水利部中国科学院水工程生态研究所 一种河流沿岸带栖息地模拟系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012012252C5 (de) * 2012-06-22 2025-03-27 Krohne Ag System zur Durchflussmessung
CN103716180A (zh) * 2013-12-04 2014-04-09 国网上海市电力公司 基于网络流量实际预测的网络异常预警方法
CN107677334A (zh) * 2017-11-09 2018-02-09 合肥智旭仪表有限公司 一种不规则河道断面流量测量装置
JP6927925B2 (ja) * 2018-05-30 2021-09-01 Ｅｎｅｏｓ株式会社 計量機の流量計故障診断方法及び水素充填装置
CN111858526B (zh) * 2020-06-19 2022-08-16 国网福建省电力有限公司信息通信分公司 基于信息系统日志的故障时间空间预测方法及系统
CN215677161U (zh) * 2021-08-24 2022-01-28 甘肃省祁连山水源涵养林研究院 一种森林树干径流截留使用的收集测量装置
CN113819974B (zh) * 2021-09-17 2022-07-12 河海大学 一种免水尺的河流水位视觉测量方法
CN113959535B (zh) * 2021-10-11 2024-12-06 江苏省计量科学研究院(江苏省能源计量数据中心) 一种同步信号发生器

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765756A (zh) * 2021-01-12 2021-05-07 生态环境部南京环境科学研究所 用于生物多样性保护的河流网络构建方法、系统及其应用
CN113213638A (zh) * 2021-04-30 2021-08-06 水利部中国科学院水工程生态研究所 一种河流沿岸带栖息地模拟系统

Also Published As

Publication number Publication date
CN114459575A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114819415B (zh) 一种基于数据分析的电力设备故障预测系统
CN110851931A (zh) 一种城市供水管网流量监测点的优化布置方法
CN107273273A (zh) 一种分布式集群硬件故障预警方法及系统
CN102879728A (zh) Dc-dc变换器健康评估指标与故障预测方法
CN107229004A (zh) 一种多分支输电线路故障的定位方法
CN109658002B (zh) 考虑控保系统竞争失效的电力电子装置可靠性建模方法
CN111027721B (zh) 一种系统故障定位方法
CN116489003A (zh) 一种基于多模态异常检测的微服务瞬时故障定位方法
CN115372816A (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质
CN104965150B (zh) 基于不完备营配信息融合的配电网故障定位方法
CN202614273U (zh) 一种火电厂传感器故障诊断装置
CN112906169A (zh) 一种基于虚拟流故障定位的计算机介质及其应用
CN110082623A (zh) 一种开关柜健康状态评价方法及系统
CN114459575B (zh) 设定信息关联参考平台及方法
CN109559019A (zh) 一种基于风险指数的电力系统动态安全评估方法
CN106680664B (zh) 一种输电线路故障点定位综合优化方法
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN118469212A (zh) 一种基于人工智能的燃气安全监管一体化方法及系统
CN105514843B (zh) 一种基于监测数据的750kV变电站二次设备检修方法
CN117454314A (zh) 风力机组件运行状态预测方法、装置、设备及存储介质
CN102867556A (zh) 核电站dcs安注系统信号失效的故障处理方法及系统
CN117318011A (zh) 一种配电网安全运行仿真运算方法及系统
CN108321932A (zh) 基于无线传感器网络的母线槽温升监测系统
CN103425873B (zh) 基于率模可靠性理论的航天器健康评估中隶属度计算方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230412

Address after: Room 2110, Building 2, Xianwen Center, No. 63 Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250101

Applicant after: Shandong Qiyingying Network Technology Co.,Ltd.

Address before: 212400 No. 11, Lingang science and technology entrepreneurship Park, Xiashu Town, Jurong City, Zhenjiang City, Jiangsu Province

Applicant before: She Yidao

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 2110, Building 2, Xianwen Center, No. 63 Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250101

Patentee after: Jinan Qiyingying Network Technology Co.,Ltd.

Country or region after: China

Address before: Room 2110, Building 2, Xianwen Center, No. 63 Gongye South Road, High tech Zone, Jinan City, Shandong Province, 250101

Patentee before: Shandong Qiyingying Network Technology Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address