CN115169644A - 一种挖泥船的能耗预测方法及系统 - Google Patents
一种挖泥船的能耗预测方法及系统 Download PDFInfo
- Publication number
- CN115169644A CN115169644A CN202210662673.8A CN202210662673A CN115169644A CN 115169644 A CN115169644 A CN 115169644A CN 202210662673 A CN202210662673 A CN 202210662673A CN 115169644 A CN115169644 A CN 115169644A
- Authority
- CN
- China
- Prior art keywords
- data
- filtering
- energy consumption
- dredger
- working
- 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.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims description 80
- 238000012545 processing Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013075 data extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及挖泥船作业技术领域,具体涉及一种挖泥船的能耗预测方法及系统,包括:步骤S1:获取所述挖泥船的工作数据,对所述工作数据进行降噪以生成预处理数据;步骤S2:将所述预处理数据输入一神经网络模型,以获取所述挖泥船的预测能耗。本发明的有益效果在于:通过对挖泥船的工作数据进行采集、处理,并采用特定的神经网络模型对工作数据处理,以预测出挖泥船在特定的工作参数下的能耗,便于对挖泥船的工作参数进行调整。
Description
技术领域
本发明涉及挖泥船作业技术领域,具体涉及一种挖泥船的能耗预测方法及系统。
背景技术
挖泥船,是一种负责清挖水道与河川淤泥,以便其他船舶顺利通过的工程类船舶,其在内水、河道的清挖疏浚作业中起到极为重要的作用。挖泥船的任务是进行水下土石方的施工,具体讲就是:挖深、加宽和清理现有的航道和港口;开挖新的航道、港口和运河;疏浚码头、船坞、船闸及其他水工建筑物的基槽以及将挖出的泥沙抛入深海或吹填于陆上洼地造田等。根据原理的不同,挖泥船可分为有绞吸式挖泥船、耙吸挖泥船等类型。
现有技术中,在挖泥船工作过程中,主要是依赖于人工调整挖泥船的各项参数以实现挖泥作业。但是,在实际实施过程中,发明人发现,挖泥船的各项工作参数在一定程度上会影响挖泥船的工作能耗,而现有技术中针对这一情况不能实现对挖泥船的能耗预测,给挖泥船的低能耗作业带来了一定的困难。
发明内容
针对现有技术中存在的上述问题,现提供一种挖泥船的能耗预测方法及系统。
具体技术方案如下:
一种挖泥船的能耗预测方法,包括:
步骤S1:获取所述挖泥船的工作数据,对所述工作数据进行降噪以生成预处理数据;
步骤S2:将所述预处理数据输入一神经网络模型,以获取所述挖泥船的预测能耗。
优选地,所述步骤S1包括:
步骤S11:采集所述挖泥船的工作记录数据,自所述工作记录数据中去除无效数据,以获得所述工作数据;
步骤S12:分别采用不同的滤波方法对所述工作数据进行滤波处理,以分别生成不同的所述滤波处理后得到的滤波数据;
步骤S13:对各个所述滤波数据进行评估,对滤波效果最好的所述滤波数据进行处理以输出所述预处理数据。
优选地,所述步骤S12中,所述滤波方法包括高斯滤波、均值滤波和中值滤波中的至少两种。
优选地,不同的所述滤波方法所使用的滤波步长各不相同。
优选地,所述步骤S13包括:
步骤S131:获取所有所述滤波数据并分别进行评估,以获得滤波效果最好的所述滤波数据并作为中间数据;
步骤S132:对所述中间数据进行归一化处理;
步骤S133:根据时序对归一化处理后的所述中间数据进行重新排列,以生成所述预处理数据。
优选地,所述步骤S2包括:
步骤S21:获取所述预处理数据,采用一滑动窗口对所述预处理数据进行采集,生成时序数据;
步骤S22:将所述时序数据输入所述神经网络模型,以获取所述挖泥船的预测能耗。
一种挖泥船的能耗预测系统,用于实施上述的能耗预测方法,包括:
数据处理单元,所述数据处理单元采集挖泥船的工作数据,并对所述工作数据进行处理以生成预处理数据;
能耗预测单元,所述能耗预测单元连接所述数据处理单元,所述能耗预测单元根据所述预处理数据生成所述挖泥船的预测能耗。
优选地,所述数据处理单元包括:
工作数据提取模块,所述工作数据提取模块接收所述挖泥船的工作记录数据,并从所述工作记录数据中提取所述工作数据;
滤波模块,所述滤波模块分别采用不同的滤波方法对所述工作数据进行处理生成滤波数据;
数据生成模块,所述数据生成模块选择滤波效果最好的所述滤波数据进行处理以输出所述预处理数据。
优选地,所述能耗预测单元包括:
滑动窗口模块,所述滑动窗口模块采用一滑动窗口自所述预处理数据中提取时序数据;
模型预测模块,所述模型预测模块将所述时序数据输入一神经网络模型以获取所述预测能耗。
上述技术方案具有如下优点或有益效果:通过对挖泥船的工作数据进行采集、处理,并采用特定的神经网络模型对工作数据处理,以预测出挖泥船在特定的工作参数下的能耗,便于对挖泥船的工作参数进行调整。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明实施例的整体示意图;
图2为本发明实施例中步骤S1子步骤示意图;
图3为本发明实施例中步骤S13子步骤示意图;
图4为本发明实施例中步骤S2子步骤示意图;
图5为本发明实施例中BP神经网络预测结果对比图;
图6为本发明实施例中LSTM神经网络预测结果对比图;
图7为本发明实施例中最优参数组合下的预测结果对比图;
图8为本发明实施例中预测系统原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,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作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本发明包括:
一种挖泥船的能耗预测方法,包括:
步骤S1:获取挖泥船的工作数据,对工作数据进行降噪以生成预处理数据;
步骤S2:将预处理数据输入一神经网络模型,以获取挖泥船的预测能耗。
具体地,针对现有技术中,对挖泥船的工作能耗预测较为困难的问题,本实施例中,通过预先构建一神经网络模型,并采用挖泥船的工作数据作为训练集对神经网络模型进行训练,从而实现基于工作数据对挖泥船的能耗进行预测,进而可根据预测出的能耗对挖泥船进行相应的控制。
在实际实施过程中,上述能耗预测方法可作为一软件实施例,其通过采集挖泥船的工作数据,并基于工作数据实时进行能耗预测并输出。工作数据指挖泥船在作业时的各项工作参数,比如,在绞吸挖泥船中,工作参数主要包括横移速度,绞刀转速,台车行程,绞刀深度等因素。在训练神经网络模型的过程中,可预先输入多个工作参数的组合,并根据训练结果来判断不同工作参数与能耗之间的相关性,并选取相关性较高的多个工作参数作为实际训练中所采用的训练集。
在一种较优的实施例中,如图2所示,步骤S1包括:
步骤S11:采集挖泥船的工作记录数据,自工作记录数据中去除无效数据,以获得工作数据;
步骤S12:分别采用不同的滤波方法对工作数据进行滤波处理,以分别生成不同的滤波处理后得到的滤波数据;
步骤S13:对各个滤波数据进行评估,对滤波效果最好的滤波数据进行处理以输出预处理数据。
具体地,针对挖泥船在数据采集过程中,可能采集到一定数量的无关数据,比如,泊船、航行阶段的工作数据,进而影响神经网络模型的准确性的问题,本实施例中,通过预先筛选工作数据,以去除非作业时段中的非工作数据,随后,通过滤波方法对工作数据去噪声,从而获取到较为准确的工作数据,以便于神经网络模型进行识别。
在一种较优的实施例中,步骤S12中,滤波方法包括:高斯滤波、均值滤波和中值滤波。
在实施过程中,基于不同类型的挖泥船的工作特性与作业环境的不同,其可能在工作过程中采集到的噪声数据也随之会发生变化,针对这一问题,本实施例中通过在对工作数据处理的过程中,分别采用高斯滤波、均值滤波和中值滤波对工作数据进行去噪声,随后评估并比较不同滤波方法的去噪声效果,选择一较好的滤波方法处理的工作数据作为实际采用的滤波方法。
在一种较优的实施例中,滤波方法的步长分别设置为3、5、10。
以耙吸挖泥船为例,通过对上述滤波方法和不同的步长进行组合,并滤波,随后获取不同的工作参数与油耗之间的相关性系数,从而获取到如下表1所示的评估效果比对结果。
表1
基于上表1所示的相关性系数可知,当采用均值滤波方法分别进行步长3、步长5、步长10的滤波,并进行平滑合并后,针对耙吸挖泥船的滤波效果最好,因此将该方法作为实际采用的滤波方法。
在一种较优的实施例中,如图3所示,步骤S13包括:
步骤S131:获取所有滤波数据并分别进行评估,以获得滤波效果最好的滤波数据并作为中间数据;
步骤S132:对中间数据进行归一化处理;
步骤S133:根据时序对归一化处理后的中间数据进行重新排列,以生成预处理数据。
具体地,为实现神经网络模型较好的识别效果,本实施例中,先通过在步骤S131中对工作数据的相关性进行评估,以选择实际要选用的滤波方法处理过的工作数据,随后再对工作数据进行归一化处理,以提高神经网络模型拟合的准确度。同时,由于在数据采集过程中,对非工作状态下的数据进行了排除,因此需要基于时序对工作数据进行重新排列,以最终生成预处理数据,进而实现较好的识别效果。
在一种较优的实施例中,如图4所示,步骤S2包括:
步骤S21:获取预处理数据,采用一滑动窗口对预处理数据进行采集,生成时序数据;
步骤S22:将时序数据输入神经网络模型,以获取挖泥船的预测能耗。
具体地,针对现有技术中不能有效预测挖泥船的能耗的问题,本实施例中,通过在对数据进行降噪处理后,采用特定长度的滑动窗口将时间序列数据进行采集并输入至神经网络模型中加以拟合,从而获取到挖泥船的预测能耗。
在实施过程中,为实现对挖泥船较好的能耗预测效果,本方案分别采用了LSTM神经网络进行分别拟合,其拟合结果如图5、图6所示。
可见,LSTM神经网络相较于BP神经网络具有更好的拟合效果,其更适用于对挖泥船的能耗进行预测。
随后,针对LSTM神经网络,分别采用长度为5和长度为10的滑动窗口对其进行评估,并将预测能耗与实际能耗之间的均方误差值作为评价标准,如表2所示:
表2
结合表1和表2可知,针对耙吸挖泥船这一类型的挖泥船,采用长度为5的滑动窗口,并结合平滑合并的均值滤波方法可实现较好的预测效果,该参数组合的滤波效果如图7所示。
一种挖泥船的能耗预测系统,用于实施上述的能耗预测方法,如图8所示,包括:
数据处理单元1,数据处理单元1采集挖泥船的工作数据,并对工作数据进行处理以生成预处理数据;
能耗预测单元2,能耗预测单元2连接数据处理单元1,能耗预测单元2根据预处理数据生成挖泥船的预测能耗。
具体地,针对现有技术中,对挖泥船的工作能耗预测较为困难的问题,本实施例中,通过采用数据处理单元1对挖泥船的工作数据进行采集、清洗、预处理,从而生成预处理数据,随后由能耗预测单元2中的神经网络模型基于预处理数据对挖泥船的能耗进行了预测,从而实现了对挖泥船的工作能耗的实时预测,便于根据能耗表现及时调整挖泥船的工作参数。
在一种较优的实施例中,数据处理单元1包括:
工作数据提取模块11,工作数据提取模块11接收挖泥船的工作记录数据,并从工作记录数据中提取工作数据;
滤波模块12,滤波模块12采用多个滤波方法对工作数据进行滤波生成滤波数据;
数据生成模块13,数据生成模块13选择滤波效果最好的滤波数据进行处理以输出预处理数据。
具体地,针对挖泥船在数据采集过程中,可能采集到一定数量的无关数据,比如,泊船、航行阶段的工作数据,进而影响神经网络模型的准确性的问题,本实施例中,通过工作数据提取模块11筛选工作数据,以去除非作业时段中的非工作数据,随后,通过滤波模块12采用多个滤波方法对工作数据去噪声,从而获取到较为准确的工作数据,并由数据生成模块13对滤波效果进行评估,以选取实际采用的滤波方法处理的工作数据,以便于神经网络模型进行识别。
在一种较优的实施例中,能耗预测单元2包括:
滑动窗口模块21,滑动窗口模块21采用一滑动窗口自预处理数据中提取时序数据;
模型预测模块22,模型预测模块22将时序数据输入一神经网络模型以获取预测能耗。
本发明的有益效果在于:通过对挖泥船的工作数据进行采集、处理,并采用特定的神经网络模型对工作数据处理,以预测出挖泥船在特定的工作参数下的能耗,便于对挖泥船的工作参数进行调整。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (9)
1.一种挖泥船的能耗预测方法,其特征在于,包括:
步骤S1:获取所述挖泥船的工作数据,对所述工作数据进行降噪以生成预处理数据;
步骤S2:将所述预处理数据输入一神经网络模型,以获取所述挖泥船的预测能耗。
2.根据权利要求1所述的能耗预测方法,其特征在于,所述步骤S1包括:
步骤S11:采集所述挖泥船的工作记录数据,自所述工作记录数据中去除无效数据,以获得所述工作数据;
步骤S12:分别采用不同的滤波方法对所述工作数据进行滤波处理,以分别生成不同的所述滤波处理后得到的滤波数据;
步骤S13:对各个所述滤波数据进行评估,对滤波效果最好的所述滤波数据进行处理以输出所述预处理数据。
3.根据权利要求2所述的能耗预测方法,其特征在于,所述步骤S12中,所述滤波方法包括高斯滤波、均值滤波和中值滤波中的至少两种。
4.根据权利要求2所述的能耗预测方法,其特征在于,不同的所述滤波方法所使用的滤波步长各不相同。
5.根据权利要求2所述的能耗预测方法,其特征在于,所述步骤S13包括:
步骤S131:获取所有所述滤波数据并分别进行评估,以获得滤波效果最好的所述滤波数据并作为中间数据;
步骤S132:对所述中间数据进行归一化处理;
步骤S133:根据时序对归一化处理后的所述中间数据进行重新排列,以生成所述预处理数据。
6.根据权利要求1所述的能耗预测方法,其特征在于,所述步骤S2包括:
步骤S21:获取所述预处理数据,采用一滑动窗口对所述预处理数据进行采集,生成时序数据;
步骤S22:将所述时序数据输入所述神经网络模型,以获取所述挖泥船的预测能耗。
7.一种挖泥船的能耗预测系统,其特征在于,用于实施如权利要求1-6任意一项所述的能耗预测方法,包括:
数据处理单元,所述数据处理单元采集挖泥船的工作数据,并对所述工作数据进行处理以生成预处理数据;
能耗预测单元,所述能耗预测单元连接所述数据处理单元,所述能耗预测单元根据所述预处理数据生成所述挖泥船的预测能耗。
8.根据权利要求7所述的能耗预测系统,其特征在于,所述数据处理单元包括:
工作数据提取模块,所述工作数据提取模块接收所述挖泥船的工作记录数据,并从所述工作记录数据中提取所述工作数据;
滤波模块,所述滤波模块分别采用不同的滤波方法对所述工作数据进行处理生成滤波数据;
数据生成模块,所述数据生成模块选择滤波效果最好的所述滤波数据进行处理以输出所述预处理数据。
9.根据权利要求7所述的能耗预测系统,其特征在于,所述能耗预测单元包括:
滑动窗口模块,所述滑动窗口模块采用一滑动窗口自所述预处理数据中提取时序数据;
模型预测模块,所述模型预测模块将所述时序数据输入一神经网络模型以获取所述预测能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662673.8A CN115169644A (zh) | 2022-06-13 | 2022-06-13 | 一种挖泥船的能耗预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210662673.8A CN115169644A (zh) | 2022-06-13 | 2022-06-13 | 一种挖泥船的能耗预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169644A true CN115169644A (zh) | 2022-10-11 |
Family
ID=83485182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210662673.8A Pending CN115169644A (zh) | 2022-06-13 | 2022-06-13 | 一种挖泥船的能耗预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600746A (zh) * | 2022-10-24 | 2023-01-13 | 哈尔滨工程大学(Cn) | 一种基于卷积神经网络的耙吸船能效预测方法 |
-
2022
- 2022-06-13 CN CN202210662673.8A patent/CN115169644A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600746A (zh) * | 2022-10-24 | 2023-01-13 | 哈尔滨工程大学(Cn) | 一种基于卷积神经网络的耙吸船能效预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086824A (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN115169644A (zh) | 一种挖泥船的能耗预测方法及系统 | |
CN101936767B (zh) | 提取工程机械运行特征信号的方法 | |
CN111488694A (zh) | 基于多元线性自回归的泥水盾构机掘进关键参数预测方法 | |
CN110826790A (zh) | 一种绞吸式挖泥船施工生产率智能预测方法 | |
CN114849316B (zh) | 一种智能化反冲洗过滤的自动控制系统 | |
CN111966759B (zh) | 一种港池航道通航保障评估方法、系统、装置及介质 | |
CN111047704B (zh) | 一种改进区域生长算法的多波束测深数据粗差自动清除方法 | |
CN113567969B (zh) | 一种基于水下声信号的非法采砂船自动监控方法及系统 | |
CN103761522A (zh) | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 | |
CN116503268B (zh) | 一种用于雷达回波图像的质量改进方法 | |
CN115861359B (zh) | 一种水面漂浮垃圾图像自适应分割提取方法 | |
CN113642801A (zh) | 一种基于lstm的绞吸挖泥船产量预测方法 | |
CN111860143A (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
CN114661006A (zh) | 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法 | |
CN115050386A (zh) | 一种中华白海豚哨叫声信号自动检测和提取方法 | |
CN108956783B (zh) | 一种基于hdp-hsmm的磨削声砂轮钝化状态检测方法 | |
CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
CN102314687B (zh) | 一种红外序列图像中的小目标检测方法 | |
CN116122802B (zh) | 基于Unet双通道输出的钻测录井特征提取方法与系统 | |
CN108629765B (zh) | 基于序列阈值差的精子显微视频序列滤波质量客观评价方法 | |
CN115330792A (zh) | 一种基于人工智能的污水检测方法及系统 | |
CN115291182B (zh) | 一种航道单波束密采水深的滤波方法 | |
CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
CN114580115A (zh) | 一种盾构机刀具状态分析与诊断方法 |
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 |