CN115410342B - 一种基于裂缝计实时监测的滑坡灾害智能预警方法 - Google Patents
一种基于裂缝计实时监测的滑坡灾害智能预警方法 Download PDFInfo
- Publication number
- CN115410342B CN115410342B CN202211030060.9A CN202211030060A CN115410342B CN 115410342 B CN115410342 B CN 115410342B CN 202211030060 A CN202211030060 A CN 202211030060A CN 115410342 B CN115410342 B CN 115410342B
- Authority
- CN
- China
- Prior art keywords
- data
- deformation
- difference
- early warning
- crack
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及边坡预警技术领域,公开了一种基于裂缝计实时监测的滑坡灾害智能预警方法,采用滑动平均方法对各个裂缝计监测到数据进行趋势提取,找出异常设备;剔除异常设备的监测数据,采用滑动平均方法对正常设备进行趋势提取,形成新的变形数据的时间序列;然后基于新的变形数据的时间序列,计算正常设备监测的历史数据的相邻两个时间间隔的变形差和变形速度。本发明采用基于裂缝计监测滑的坡灾害智能、实时监测预警方法,无需人为设置滑坡灾害发生对于的变形阈值,从而避免既能有效防止因为阈值设置不当而引起的漏报或误报,能够有效提高预警准确率,减少误报次数。
Description
技术领域
本发明涉及边坡预警技术领域,尤其涉及一种基于裂缝计实时监测的滑坡灾害智能预警方法。
背景技术
滑坡是给人们生产生活造成巨大损失的重要地质灾害类型之一,其作为自然界普遍存在的一种地质现象,通常表现为自然边坡或人工边坡在外界环境的影响下发生变形,并在外界环境条件触发时发生的整体滑动。
现阶段,采用裂缝计监测已是滑坡预警监测的重要技术手段,而在实际工作中,滑坡预警信息的误报已经成为滑坡预警技术发展中亟需解决的技术问题,为此提出一种基于裂缝计的边坡预警方法,以减少误报,提高预警准确率。
发明内容
本发明的目的在于提供一种基于裂缝计实时监测的滑坡灾害智能预警方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于裂缝计实时监测的滑坡灾害智能预警方法,包括如下步骤
采用滑动平均方法对各个裂缝计监测到数据进行趋势提取,找到异常设备;
剔除异常设备的监测数据,采用滑动平均方法对正常设备进行趋势提取,形成新的变形数据的时间序列;
然后基于新的变形数据的时间序列,计算正常设备监测的历史数据的相邻两个时间间隔的变形差和变形速度;
采用K-means的方法,将上述变形差和变形速度组成的数据序列分类40个聚类中心,进行聚类分析,以获得裂缝计监测到变形数据的聚类中心坐标,根据变形差和变形速度划分滑坡灾害发生的风险等级;
接收新数据,采用滑动平均的方法计算更新数据点的变形数据和前一个数据点的变形数据,计算更新数据点的变形差和变形速度,带入训练好的K-means模型,判断更新数据点是否为正常数据,若为正常数据,则对照上述确定滑坡灾害发生的风险等级。
进一步的,在S1中还包括如下步骤;
D1、选取一个长度为N个数据的滑动窗口,计算数据的滑动平均值,形成新的变形数据的数据序列Xk,其中,k为裂缝计序号;具体地,如果裂缝计监测到数据数量小于N,则保持数据不变,反之,在保持最初的N-1个数据不变,从第N个数据开始,选一个长度为N个数据的滑动窗口,用于存储该数据和该数据之前的N-1个数据。
D2、根据新的变形数据的时间序列Xk,计算每台裂缝计对应的新的变形数据的时间序列的平均值然后,计算/>的标准差STD;
D3、根据所述的STD、中数据的最大值和最小值的差值以及/>中相邻两个时间间隔的变形差对裂缝计进行分类。
进一步的,在上述的D3中,按照如下方式分类,
若STD≤0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常;
若STD>0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,则数据异常,该裂缝计标记为异常。
进一步的,在异常数据中,进一步计算中相邻两个时间间隔的变形差T,统计变形差T<-1mm的监测数据点数量占该裂缝计监测的总数据点数量的比例Y,统计变形差<-5mm的监测数据点与变形差>-5mm的监测数据点之间的数量差的绝对值Z,按照如下方式进一步进行分类;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y<0.6,标记该裂缝计为一类异常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,标记该裂缝计为为二类异常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,Z≤0.2,标记该裂缝计为三类异常。
进一步的,所述滑坡灾害发生的风险等级分为无预警、蓝色预警、黄色预警、橙色预警和红色预警。
本发明的有益效果是:
本发明能够有效剔除异常裂缝计监测到的数据,通过非监督学习(聚类分析)的方法,获取正常设备监测的历史数据的变形差和变形速度的特征,在此基础上,建立一种基于裂缝计监测滑的坡灾害智能、实时监测预警方法,并且根据变形差和变形速度对滑坡灾害发生的风险等级进行实时评估,从而实现滑坡灾害的预报预警。采用基于裂缝计监测滑的坡灾害智能、实时监测预警方法,无需人为设置滑坡灾害发生对于的变形阈值,从而避免既能有效防止因为阈值设置不当而引起的漏报或误报,能够有效提高预警准确率,减少误报次数。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。在附
图中:
图1为本发明提出的边坡预警方法的工作原理框图;
图2a、图2b均为第一类异常裂缝计测量数据;
图3a、图3b均为第二类异常裂缝计测量数据;
图4a、图4b均为第三类异常裂缝计测量数据;
图5为本发明的基于裂缝计监测到变形数据建立的聚类中心坐标滑坡灾
害发生的风险等级划分。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请实施例的描述中,需要说明的是,指示方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,或者是本领域技术人员惯常理解的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,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申请的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请实施例的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接连接,也可以通过中间媒介间接连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
实施例
一种基于裂缝计实时监测的滑坡灾害智能预警方法,包括如下步骤:
S1、采用滑动平均方法对各个裂缝计监测到数据进行趋势提取,找到异常设备。在S1中还包括如下步骤;D1、选取一个长度为N个数据的滑动窗口,计算数据的滑动平均值,形成新的变形数据的数据序列Xk,其中,k为裂缝计序号;具体地,如果裂缝计监测到数据数量小于N,则保持数据不变,反之,在保持最初的N-1个数据不变,从第N个数据开始,选一个长度为N个数据的滑动窗口,用于存储该数据和该数据之前的N-1个数据。D2、根据新的变形数据的时间序列Xk,计算每台裂缝计对应的新的变形数据的时间序列的平均值然后,计算的标准差STD;D3、根据所述的STD、/>中数据的最大值和最小值的差值以及/>中相邻两个时间间隔的变形差对裂缝计进行分类;在上述的D3中,按照如下方式分类。
若STD≤0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常。
若STD>0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常。
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,则数据异常,该裂缝计标记为异常。
在异常数据中,进一步计算中相邻两个时间间隔的变形差T,统计变形差T<-1mm的监测数据点数量占该裂缝计监测的总数据点数量的比例Y,统计变形差<-5mm的监测数据点与变形差>-5mm的监测数据点之间的数量差的绝对值Z,按照如下方式进一步进行分类。
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y<0.6,标记该裂缝计为一类异常。
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,标记该裂缝计为为二类异常。
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,Z≤0.2,标记该裂缝计为三类异常。
S2、通过上述方法找到异常设备,然后剔除异常设备的监测数据,采用滑动平均方法对正常设备进行趋势提取,形成新的变形数据的时间序列;
S3、然后基于新的变形数据的时间序列,计算正常设备监测的历史数据的相邻两个时间间隔的变形差和变形速度;
S4、采用K-means的方法,将上述变形差和变形速度组成的数据序列分类40个聚类中心,进行聚类分析,以获得裂缝计监测到变形数据的聚类中心坐标,根据变形差和变形速度划分滑坡灾害发生的风险等级;所述滑坡灾害发生的风险等级分为无预警、蓝色预警、黄色预警、橙色预警和红色预警,具体参照图5。
S5、接收新数据,采用滑动平均的方法计算更新数据点的变形数据和前一个数据点的变形数据,计算更新数据点的变形差和变形速度,带入训练好的K-means模型,判断更新数据点是否为正常数据,若为正常数据,则对照上述确定滑坡灾害发生的风险等级。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于裂缝计实时监测的滑坡灾害智能预警方法,其特征在于,包括如下步骤:
S1、采用滑动平均方法对各个裂缝计监测到数据进行趋势提取,找到异常设备;
S2、剔除异常设备的监测数据,采用滑动平均方法对正常设备进行趋势提取,形成新的变形数据的时间序列;
S3、然后基于新的变形数据的时间序列,计算正常设备监测的历史数据的相邻两个时间间隔的变形差和变形速度;
S4、采用K-means的方法,将上述变形差和变形速度组成的数据序列分类40个聚类中心,进行聚类分析,以获得裂缝计监测到变形数据的聚类中心坐标,根据变形差和变形速度划分滑坡灾害发生的风险等级;
S5、接收新数据,采用滑动平均的方法计算更新数据点的变形数据和前一个数据点的变形数据,计算更新数据点的变形差和变形速度,带入训练好的K-means模型,判断更新数据点是否为正常数据,若为正常数据,则对照上述步骤确定滑坡灾害发生的风险等级;
在S1中还包括如下步骤;
D1、选取一个长度为N个数据的滑动窗口,计算数据的滑动平均值,形成新的变形数据的数据序列Xk,其中,k为裂缝计序号;具体地,如果裂缝计监测到数据数量小于N,则保持数据不变,反之,在保持最初的N-1个数据不变,从第N个数据开始,选一个长度为N个数据的滑动窗口,用于存储该数据和该数据之前的N-1个数据;
D2、根据新的变形数据的时间序列Xk,计算每台裂缝计对应的新的变形数据的时间序列的平均值然后,计算/>的标准差STD;
D3、根据所述的STD、中数据的最大值和最小值的差值以及/>中相邻两个时间间隔的变形差对裂缝计进行分类;
在上述的D3中,按照如下方式分类,
若STD≤0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常;
若STD>0.1mm,且中数据的最大值和最小值的差值≤10mm,则数据正常,该裂缝计标记为正常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,则数据异常,该裂缝计标记为异常。
2.根据权利要求1所述的一种基于裂缝计实时监测的滑坡灾害智能预警方法,其特征在:在异常数据中,进一步计算中相邻两个时间间隔的变形差T,统计变形差T<-1mm的监测数据点数量占该裂缝计监测的总数据点数量的比例Y,统计变形差<-5mm的监测数据点与变形差>-5mm的监测数据点之间的数量差的绝对值Z,按照如下方式进一步进行分类;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y<0.6,标记该裂缝计为一类异常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,标记该裂缝计为为二类异常;
若STD>0.1mm,且中数据的最大值和最小值的差值>10mm,Y≥0.6,Z≤0.2,标记该裂缝计为三类异常。
3.根据权利要求2所述的一种基于裂缝计实时监测的滑坡灾害智能预警方法,其特征在于:所述滑坡灾害发生的风险等级分为无预警、蓝色预警、黄色预警、橙色预警和红色预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030060.9A CN115410342B (zh) | 2022-08-26 | 2022-08-26 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030060.9A CN115410342B (zh) | 2022-08-26 | 2022-08-26 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115410342A CN115410342A (zh) | 2022-11-29 |
CN115410342B true CN115410342B (zh) | 2023-08-11 |
Family
ID=84161295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211030060.9A Active CN115410342B (zh) | 2022-08-26 | 2022-08-26 | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410342B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115900838A (zh) * | 2023-03-10 | 2023-04-04 | 江西飞尚科技有限公司 | 一种边坡预警方法、系统、计算机设备及可读存储介质 |
CN116226115B (zh) * | 2023-05-10 | 2023-08-22 | 江西飞尚科技有限公司 | 一种智慧环保扬尘设备监测数据处理方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000284041A (ja) * | 1999-03-30 | 2000-10-13 | Seiko Instruments Inc | 携帯型距離・速度計 |
JP2005164421A (ja) * | 2003-12-03 | 2005-06-23 | Sabo Frontier Foundation | 地形変形移動方向決定方法およびその決定システム |
CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
CN111768620A (zh) * | 2020-06-17 | 2020-10-13 | 浙大城市学院 | 一种基于窗口划分以及形变聚类的道路异常检测方法 |
CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
CN111882664A (zh) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | 一种多窗口累计差分的裂缝提取方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
CN113609115A (zh) * | 2021-08-03 | 2021-11-05 | 招商局重庆交通科研设计院有限公司 | 一种边坡形变监测数据的数据清洗方法 |
CN113989637A (zh) * | 2021-09-26 | 2022-01-28 | 中国科学院空天信息创新研究院 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
CN114065509A (zh) * | 2021-11-15 | 2022-02-18 | 贵州省地质环境监测院(贵州省环境地质研究所) | 一种地质灾害防治用裂缝计的故障排查方法 |
CN114333257A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡变形速率临界值确定及滑坡预警方法 |
CN114490156A (zh) * | 2022-01-25 | 2022-05-13 | 杭州电子科技大学 | 一种时间序列数据异常标记方法 |
CN114818518A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险监测信息分析方法 |
CN114817228A (zh) * | 2022-06-01 | 2022-07-29 | 武汉大学 | 一种湖泊水位长时间序列监测数据的异常值剔除方法 |
-
2022
- 2022-08-26 CN CN202211030060.9A patent/CN115410342B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000284041A (ja) * | 1999-03-30 | 2000-10-13 | Seiko Instruments Inc | 携帯型距離・速度計 |
JP2005164421A (ja) * | 2003-12-03 | 2005-06-23 | Sabo Frontier Foundation | 地形変形移動方向決定方法およびその決定システム |
CN106708694A (zh) * | 2015-11-18 | 2017-05-24 | 腾讯科技(深圳)有限公司 | 一种定位毛刺异常点的方法、装置及计算设备 |
CN111768620A (zh) * | 2020-06-17 | 2020-10-13 | 浙大城市学院 | 一种基于窗口划分以及形变聚类的道路异常检测方法 |
CN111882664A (zh) * | 2020-07-08 | 2020-11-03 | 武汉武大卓越科技有限责任公司 | 一种多窗口累计差分的裂缝提取方法 |
CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112488221A (zh) * | 2020-12-07 | 2021-03-12 | 电子科技大学 | 一种基于动态刷新正样本图像库的道路路面异常检测方法 |
CN113609115A (zh) * | 2021-08-03 | 2021-11-05 | 招商局重庆交通科研设计院有限公司 | 一种边坡形变监测数据的数据清洗方法 |
CN113989637A (zh) * | 2021-09-26 | 2022-01-28 | 中国科学院空天信息创新研究院 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
CN114065509A (zh) * | 2021-11-15 | 2022-02-18 | 贵州省地质环境监测院(贵州省环境地质研究所) | 一种地质灾害防治用裂缝计的故障排查方法 |
CN114333257A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡变形速率临界值确定及滑坡预警方法 |
CN114490156A (zh) * | 2022-01-25 | 2022-05-13 | 杭州电子科技大学 | 一种时间序列数据异常标记方法 |
CN114817228A (zh) * | 2022-06-01 | 2022-07-29 | 武汉大学 | 一种湖泊水位长时间序列监测数据的异常值剔除方法 |
CN114818518A (zh) * | 2022-06-30 | 2022-07-29 | 深圳特科动力技术有限公司 | 一种陡坡防滑坡危险监测信息分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115410342A (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115410342B (zh) | 一种基于裂缝计实时监测的滑坡灾害智能预警方法 | |
CN107679734A (zh) | 一种用于无标签数据分类预测的方法和系统 | |
CN110032490A (zh) | 用于检测系统异常的方法及其装置 | |
CN104303122B (zh) | 通过自动确定判定阈来监测飞机机载设备老化的方法 | |
CN105117512B (zh) | 变压器预警值的估算方法及装置 | |
CN110132218B (zh) | 基于边坡稳定性监测的多等级预警测定方法 | |
CN111157850B (zh) | 一种基于均值聚类的电网线路故障识别方法 | |
CN112150769A (zh) | 一种基于大数据的地质灾害岩体崩塌智能监测预警系统 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN108090657A (zh) | 基于休哈特控制理论和概率神经网络的油气储运设施风险评估与在线预警管理系统及方法 | |
CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
Stefaniak et al. | Procedures for decision thresholds finding in maintenance management of belt conveyor system–statistical modeling of diagnostic data | |
CN113516313A (zh) | 一种基于用户画像的燃气异常检测方法 | |
CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
CN115660262A (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN117057644A (zh) | 一种基于特性匹配的设备生产质量检测方法及系统 | |
CN109116319B (zh) | 雷达系统的故障检测方法 | |
CN113391256B (zh) | 一种现场作业终端的电能表计量故障分析方法及系统 | |
CN113343056A (zh) | 一种用户用气量异常检测方法及装置 | |
CN109656904A (zh) | 一种案件风险检测方法及系统 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
TWI639908B (zh) | 製程偵錯與診斷方法 | |
CN116503025A (zh) | 一种基于工作流引擎的业务工单流程处理方法 |
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 |