CN114925771B - 一种影响盾构整机性能的关键部件识别方法 - Google Patents
一种影响盾构整机性能的关键部件识别方法 Download PDFInfo
- Publication number
- CN114925771B CN114925771B CN202210588098.1A CN202210588098A CN114925771B CN 114925771 B CN114925771 B CN 114925771B CN 202210588098 A CN202210588098 A CN 202210588098A CN 114925771 B CN114925771 B CN 114925771B
- Authority
- CN
- China
- Prior art keywords
- shield
- performance
- component
- model
- evaluation
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明涉及一种影响盾构整机性能的关键部件识别方法,包括如下步骤:利用工况参数、部件选型相关信息进行历史工程工况类别划分,然后通过盾构多级评价模型评估各历史工程的盾构性能,获取各类工况下各部件的基准监测数据集,依次建立其相应的基准高斯混合模型;输入新建工程目标时刻各部件监测参数数据集获得其高斯混合模型,运用JS散度计算与基准高斯混合模型的偏离度,实现该部件的性能退化评估;输入新建工程时序掘进数据,利用盾构多级评价模型进行新建工程整机性能评估,采用sobol灵敏度分析法分析各部件性能退化与盾构整机性能退化的相关程度,识别影响盾构整机性能的关键部件。
Description
技术领域
本发明涉及盾构掘进装备工程技术领域,具体涉及一种影响盾构整机性能的关键部件识别方法。
背景技术
盾构机长期在恶劣复杂的地下环境中作业,随着作业时间的持续其可靠性难以实现稳定评价,各部件的性能难以避免发生下滑。此外,盾构装置作业环境狭窄恶劣,体型庞大,故障发生时不但其部件的维修成本较大而且维修的障碍会导致较长时间的停机。通过接收分析特定传感器采集到的运行数据对盾构各部件性能及整机掘进效率进行评估从而实现盾构性能退化下关键影响部件的识别,对于盾构机的状态监控、备品储备、预防维护及降低故障概率提高盾构机运行可靠性具有重要意义。
发明内容
本发明的目的在于提供一种影响盾构整机性能的关键部件识别方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明采用了如下技术方案:
本发明公布了一种影响盾构整机性能的关键部件识别方法,包括如下步骤:
步骤一、工况聚类:利用工况参数、盾构部件拟定选型相关信息进行工况聚类分析。
步骤二、获取基准监测数据集:通过盾构多级评价模型评估历史工程的盾构性能并获取各工况下各部件基准监测数据集。
步骤三、部件性能评估:特定工况拟合下各部件的基准监测数据集依次建立其相应的基准高斯混合模型(Benchmark Gaussian Mixture Model,BGMM);输入新建工程目标监测时刻该部件性能监测数据集获得该时刻对应的高斯混合模型(Gaussian MixtureModel,GMM);基于新建工程特定工况及部件调用基准高斯混合模型后,利用JS散度(Jensen–Shannon divergence)获得两个模型间的偏离度实现该部件性能退化评估。
步骤四、整机性能评估:输入新建工程时序掘进数据,利用盾构多级评价模型进行整机性能评估并绘制盾构掘进指数变化曲线。
步骤五、定位关键退化部件:采用sobol灵敏度分析方法(Sobol SensitivityAnalysis)分析各部件性能退化与盾构整机性能退化的相关程度,识别影响盾构整机性能的关键部件。
所述步骤一中根据地质纵断面图及地质勘察报告选取加权平均土层参数(天然重度x1、黏聚力x2、内摩擦角x3、压缩模量x4、孔隙比x5、相对水位x6)、隧道轴线埋深H及盾构机型、刀盘形式实现工况划分;
所述步骤二中通过盾构多级评价模型获取各类工况下各部件基准监测数据集包含以下步骤:
1)盾构多级评价模型中首先利用公式获得效率指数M,其中F为盾构总推力、T为刀盘扭矩、w为刀盘转速、v为掘进速度;M值取施工区段环均值并进行z-score标准化处理作为评价指标。然后利用专家决策系统选取运维要素作为二级评价指标,包括区段内工期偏离、停机维护时长、关注频次、断面形态,并对其中各要素进行权重配置及分级记分,利用公式/>获取区段惩罚系数K,其中xi为要素分级记分,取值(0-1,1为最优)、ωi为指标权重。
2)获取各类工况下既有工程各区段M与K的乘积记为盾构掘进指数并分别进行正态分布处理,确定各工况盾构掘进指数合理区间并获取合理区间内各部件性能监测参数作为基准监测数据集。
所述步骤三中部件性能评估包含以下步骤:
1)通过步骤二获取在各类工况下综合性能最优状态的监测参数数据集后,利用专家系统从复杂监测数据集中确定各部件特征监测参数拟合训练得到的基准GMM模型,不同工况特定部件对应的模型记为利用最大期望值算法(Expectation maximum,EM)获取模型中的相关参数。
2)输入新建工程各部件目标区间的特征监测参数数据集,训练该区间对应的高斯混合模型设置一定宽度与步长的滑动时间窗以应对监测时刻的变动,实现输入GMM模型中监测参数数据矢量的更新。
3)计算由步骤2)获得的各部件的GMM模型与其工况相匹配的各部件基准模型间的JS散度,得到各部件监测时刻参数的分布偏离,实现量化评估各部件的性能退化程度;按照监测时间先后输入偏离值获得各部件性能退化趋势曲线。
所述步骤五中在盾构掘进指数曲线各处下滑区域内截取各部件性能退化趋势曲线,获取盾构掘进指数集及多维部件性能偏离值集,利用基于方差分解的sobol法实现盾构性能退化与各部件性能退化相关程度的排序,识别影响整机性能退化的关键部件。
与现有技术相比,本发明的有益效果在于:
(1)盾构机的作业环境极其复杂,基于不同的工况建立不同的基准模型能够更加准确的实现各部件的性能退化评估,更加符合工程实际。
(2)盾构多级评价模型综合考虑掘进效能及运维要素,能够有效的筛选既有工程的理想性能数据建立基准模型并实现新建工程的整机掘进性能评价。
(3)加权处理由多个性能监测参数拟合的高斯单元从而建立的高斯混合模型能够有效的处理具有多维随机分布特点的复杂监测参数数据集,面对复杂多变的作业环境帮助实现盾构机各部件性能变动的判断和评估;
(4)通过多模型的对比定位不同时刻影响整机掘进性能的高敏感度部件,能够有效实现高敏感度部件的预防性维修、更换从而避免故障停机的发生,减少低敏感度部件的关注以节约成本。
附图说明
图1为本发明的基本实施框架示意图;
图2为本发明中工况p下既有工程区段盾构掘进指数正态分布处理示意图;
图3为本发明中工况p下液压系统GMM模型变动示意图;
图4为本发明中液压系统、电力系统性能退化趋势变化曲线;
图5为本发明中新建工程盾构掘进指数变化曲线;
图6为本发明中整机性能下滑区域内各部件性能退化趋势。
具体实施方式
下面将结合本发明的附图,对本发明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发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术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,都属于本发明的保护范围。
如图1至图6所示,本实施例表述一种影响盾构整机性能的关键部件识别方法,包括如下步骤:
步骤一、工况聚类:利用工况参数、盾构部件拟定选型相关信息进行工况聚类分析。
步骤二、获取基准监测数据集:通过盾构多级评价模型评估历史工程的盾构性能并获取各工况下各部件基准监测数据集。
步骤三、部件性能评估:特定工况拟合下各部件的基准监测数据集依次建立其相应的基准高斯混合模型(Benchmark Gaussian Mixture Model,BGMM);输入新建工程目标监测时刻该部件性能监测数据集获得该时刻对应的高斯混合模型(Gaussian MixtureModel,GMM);基于新建工程特定工况及部件调用基准高斯混合模型后,利用JS散度(Jensen–Shannon divergence)获得两个模型间的偏离度实现该部件性能退化评估。
步骤四、整机性能评估:输入新建工程时序掘进数据,利用盾构多级评价模型进行整机性能评估并绘制盾构掘进指数变化曲线。
步骤五、定位关键退化部件:采用sobol灵敏度分析方法(Sobol SensitivityAnalysis)分析各部件性能退化与盾构整机性能退化的相关程度,识别影响盾构整机性能的关键部件。
所述步骤一中表1为与新建工程匹配的工况类别p。
表1工况p
所述步骤二中分析工况p下既有工程运行数据通过盾构多级评价模型获取部件基准监测数据集包含以下步骤:
1)通过掘进参数及运维要素数据分别获取工况p下既有工程所有区段经标准化处理的效率指数M(取施工区段环均值)与区段惩罚系数K;表2为工况p下某区段惩罚系数。
表2工况p下某区段惩罚系数
2)获取工况p既有工程所有区段M与K的乘积记为盾构掘进指数并分别进行正态分布处理,根据数理统计学计算出置信区间0.75,如图2,确定盾构掘进指数在目标工况p下的合理区间,截取基准训练数据。
所述步骤三中在工况p下选择液压系统、电力系统进行性能评估包含以下步骤:
1)利用专家系统从多维复杂监测数据集中选择液压系统参数:水箱温度(℃)、油箱油温(℃)、滤芯压力(bar)、斜盘开度(%);选择电力系统参数:电源电压、总功率、总电流、电机电流、电机电压。通过EM算法获取模型中各高斯单元的权重、单个高斯密度函数的均值以及单高斯模型之间的协方差矩阵,高斯单元数量设置为3,EM算法在求解模型参数时循环次数设置为100;在工况p下通过液压系统、电力系统基准特征参数数据集拟合训练得到基准GMM模型,记为如图3a为工况p下液压系统基准GMM模型。
2)逐个输入新建工程液压系统、电力系统新监测时刻特征参数数据,训练新时刻对应的高斯混合模型;如图3b、3c、3d,分别记录液压系统GMM模型第1次更新、第900次更新、第1800次更新共3个模型。
3)调用工况p下的液压系统、电力系统基准高斯混合模型,利用JS散度作为实际模型与基准模型间的偏离度量实现各部件性能退化评估。样例中第一次生成的液压系统GMM模型与基准模型/>的偏离值为0.382,在第900更新的模型/>偏离值为0.424,在第1800次更新的模型/>偏离值为0.543;按照时间序列连续输入偏离值获得各部件性能退化趋势曲线,如图4为液压系统、电力系统性能退化趋势变化曲线。
所述步骤四中输入新建工程时序掘进数据,利用盾构多级评价模型实现整机性能评估并绘制盾构掘进指数变化曲线,如图5。
所述步骤五中在归一化监测时刻0.4-0.6的时间范围内,如图6,盾构掘进指数发生一定程度的沉降,结合液压系统、电力系统性能退化曲线获取区域内盾构掘进指数集及对应的多维部件性能偏离值集,利用sobol法对各部件偏离值进行灵敏度分析;为减小系统随机误差,取各部件偏离值的灵敏度系数均值作为最终识别结果,液压系统、电力系统的一阶灵敏度系数分别为0.302、0.083;因此,液压系统对盾构整机性能的影响程度大于电力系统,重要度较高视为影响整机性能退化的关键部件。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为发明的优选例,并不用来限制本发明,在不脱离本发明新型精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种影响盾构整机性能的关键部件识别方法,其特征在于包括以下步骤:
步骤一、工况聚类:利用工况参数、盾构部件拟定选型相关信息进行工况聚类分析;
步骤二、获取基准监测数据集:通过盾构多级评价模型评估历史工程的盾构性能并获取各工况下各部件基准监测数据集;
步骤三、部件性能评估:特定工况拟合下各部件的基准监测数据集依次建立其相应的基准高斯混合模型(Benchmark Gaussian Mixture Model,BGMM);输入新建工程目标监测时刻该部件性能监测数据集获得该时刻对应的高斯混合模型(Gaussian Mixture Model,GMM);基于新建工程特定工况及部件调用基准高斯混合模型后,利用JS散度(Jensen–Shannon divergence)获得两个模型间的偏离度实现该部件性能退化评估;
步骤四、整机性能评估:输入新建工程时序掘进数据,利用盾构多级评价模型进行整机性能评估并绘制盾构掘进指数变化曲线;
步骤五、定位关键退化部件:采用sobol灵敏度分析方法(Sobol SensitivityAnalysis)分析各部件性能退化与盾构整机性能退化的相关程度,识别影响盾构整机性能的关键部件;
所述步骤五中在盾构掘进指数曲线各处下滑区域内截取各部件性能退化趋势曲线,获取盾构掘进指数集及多维部件性能偏离值集,利用基于方差分解的sobol法实现盾构性能退化与各部件性能退化相关程度的排序,识别影响整机性能退化的关键部件。
2.根据权利要求1所述的一种影响盾构整机性能的关键部件识别方法,其特征在于,所述步骤一中根据地质纵断面图及地质勘察报告选取加权平均土层参数包括天然重度x1、黏聚力x2、内摩擦角x3、压缩模量x4、孔隙比x5、相对水位x6、隧道轴线埋深H及盾构机型和刀盘形式实现工况划分。
3.根据权利要求1所述的一种影响盾构整机性能的关键部件识别方法,其特征在于,所述步骤二中通过盾构多级评价模型获取各类工况下各部件基准监测数据集包含以下步骤:
1)盾构多级评价模型中首先利用公式获得效率指数M,其中F为盾构总推力、T为刀盘扭矩、w为刀盘转速、v为掘进速度;M值取施工区段环均值并进行z-score标准化处理作为评价指标;然后利用专家决策系统选取运维要素作为二级评价指标,包括区段内工期偏离、停机维护时长、关注频次、断面形态,并对其中各要素进行权重配置及分级记分,利用公式/>获取区段惩罚系数K,其中xi为要素分级记分,取值xi∈(0,1],ωi为指标权重;
2)获取各类工况下既有工程各区段M与K的乘积记为盾构掘进指数并分别进行正态分布处理,确定各工况盾构掘进指数合理区间并获取合理区间内各部件性能监测参数作为基准监测数据集。
4.根据权利要求1所述的一种影响盾构整机性能的关键部件识别方法,其特征在于,所述步骤三中部件性能评估包含以下步骤:
1)通过步骤二获取在各类工况下综合性能最优状态的监测参数数据集后,利用专家系统从复杂监测数据集中确定各部件特征监测参数拟合训练得到的基准GMM模型,不同工况特定部件对应的模型记为
利用最大期望值算法(Expectation maximum,EM)获取模型中的相关参数;
2)输入新建工程各部件目标区间的特征监测参数数据集,训练该区间对应的高斯混合模型设置一定宽度与步长的滑动时间窗以应对监测时刻的变动,实现输入GMM模型中监测参数数据矢量的更新;
3)计算由步骤2)获得的各部件的GMM模型与其工况相匹配的各部件基准模型间的JS散度,得到各部件监测时刻参数的分布偏离,实现量化评估各部件的性能退化程度;按照监测时间先后输入偏离值获得各部件性能退化趋势曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588098.1A CN114925771B (zh) | 2022-05-26 | 2022-05-26 | 一种影响盾构整机性能的关键部件识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588098.1A CN114925771B (zh) | 2022-05-26 | 2022-05-26 | 一种影响盾构整机性能的关键部件识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925771A CN114925771A (zh) | 2022-08-19 |
CN114925771B true CN114925771B (zh) | 2023-10-03 |
Family
ID=82810911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588098.1A Active CN114925771B (zh) | 2022-05-26 | 2022-05-26 | 一种影响盾构整机性能的关键部件识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114925771B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303433A (zh) * | 2018-01-18 | 2018-07-20 | 南京航空航天大学 | 时变环境下结构损伤的高斯混合模型-路径累积成像方法 |
CN109543268A (zh) * | 2018-11-14 | 2019-03-29 | 大连理工大学 | 基于kriging模型的TBM推进力主要影响因素的识别方法 |
CN113344256A (zh) * | 2021-05-21 | 2021-09-03 | 上海隧道工程有限公司 | 盾构姿态多自由度运动特性预测和控制性能评估系统及方法 |
CN114017049A (zh) * | 2021-11-08 | 2022-02-08 | 南京工业大学 | 一种基于Multi-Agent理论的盾构掘进装备核心部件协同设计制造方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055125A1 (en) * | 2014-06-27 | 2016-02-25 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Methods and systems for determining global sensitivity of a process |
-
2022
- 2022-05-26 CN CN202210588098.1A patent/CN114925771B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303433A (zh) * | 2018-01-18 | 2018-07-20 | 南京航空航天大学 | 时变环境下结构损伤的高斯混合模型-路径累积成像方法 |
CN109543268A (zh) * | 2018-11-14 | 2019-03-29 | 大连理工大学 | 基于kriging模型的TBM推进力主要影响因素的识别方法 |
CN113344256A (zh) * | 2021-05-21 | 2021-09-03 | 上海隧道工程有限公司 | 盾构姿态多自由度运动特性预测和控制性能评估系统及方法 |
CN114017049A (zh) * | 2021-11-08 | 2022-02-08 | 南京工业大学 | 一种基于Multi-Agent理论的盾构掘进装备核心部件协同设计制造方法 |
Non-Patent Citations (4)
Title |
---|
Bearing performance degradation assessment using locality preserving projections and Gaussian mixture models;Yu Jianbo;《Mechanical Systems and Signal Processing》;第25卷(第7期);全文 * |
基于指数函数和的老旧电梯综合风险评价方法;李刚;马海霞;刘英杰;陈国华;;中国安全科学学报(第08期);全文 * |
采煤机性能退化评估研究;翟文睿;《中国优秀硕士论文全文数据库 工程科技Ⅰ辑 》;全文 * |
陈秉智 ; 汪驹畅 ; .基于Sobol'法的轨道车辆前端吸能结构灵敏度分析.铁道学报.2020,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114925771A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7627454B2 (en) | Method and system for predicting turbomachinery failure events employing genetic algorithm | |
CN106778010B (zh) | 基于数据驱动支持向量回归机的tbm刀具寿命预测方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN110210169B (zh) | 一种基于lstm的盾构机故障预测方法 | |
CN108470095B (zh) | 基于数据驱动径向基函数模型的tbm推进力预测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN113378939A (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
CN104281525A (zh) | 一种缺陷数据分析方法及利用其缩减软件测试项目的方法 | |
CN115588161A (zh) | 一种基于数字孪生技术的数字化系统及其构建方法 | |
CN113762360B (zh) | 一种基于smote+adacost算法的tbm掘进过程中的围岩等级预测方法 | |
Chuchro et al. | A concept of time windows length selection in stream databases in the context of sensor networks monitoring | |
CN117194995A (zh) | 基于数据挖掘的轨道车辆rams数据关联性分析方法 | |
CN112948996B (zh) | 基于故障树与改进层次分析法的刀盘故障风险分析方法 | |
CN114925771B (zh) | 一种影响盾构整机性能的关键部件识别方法 | |
CN113836822A (zh) | 一种基于mclstm模型的航空发动机寿命预测方法 | |
CN117235510A (zh) | 节理粗糙度预测方法与节理粗糙度预测模型训练方法 | |
CN105547705B (zh) | 发动机性能退化趋势预测方法 | |
CN116432891A (zh) | 一种钻头应用效能的综合评估方法及系统 | |
CN116245020A (zh) | 一种基于盾构机掘进的刀盘磨损和能耗优化方法及系统 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
CN117539920B (zh) | 基于房产交易多维度数据的数据查询方法及系统 | |
CN117473435B (zh) | 一种基于时空特征的突发公共卫生事件虚假异常信息检测方法 | |
CN117391626A (zh) | 一种基于大数据的工程造价数据处理方法 |
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 |