CN116010857A - 一种用于港口原油的智慧管控系统 - Google Patents
一种用于港口原油的智慧管控系统 Download PDFInfo
- Publication number
- CN116010857A CN116010857A CN202310292988.2A CN202310292988A CN116010857A CN 116010857 A CN116010857 A CN 116010857A CN 202310292988 A CN202310292988 A CN 202310292988A CN 116010857 A CN116010857 A CN 116010857A
- Authority
- CN
- China
- Prior art keywords
- crude oil
- pipeline
- data
- signal
- module
- 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
- 239000010779 crude oil Substances 0.000 title claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 14
- 230000007797 corrosion Effects 0.000 claims abstract description 13
- 238000005260 corrosion Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013523 data management Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
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
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及数据管理技术领域,具体公开了一种用于港口原油的智慧管控系统,包括信息采集模块、通信模块、控制模块、显示模块、信号处理模块和数据存储模块,信息采集模块利用超声波探伤技术对各原油管道内堵塞、结垢、腐蚀的情况进行信号采集,建立原油运输管道自动诊断模型,该模型能够自动识别并及时诊断出堵塞、结垢、腐蚀较严重的管道,并及时发出提醒。本发明降低原油污染概率,避免因管道腐蚀而造成的损失,有助于提高原油运输的安全性。
Description
技术领域
本发明涉及数据管理技术领域,具体公开了一种用于港口原油的智慧管控系统。
背景技术
金属管道长期输送原油,不加清理,会出现管道堵塞、结垢、腐蚀,最终影响原油品质,严重时管道会因腐蚀引起泄漏,对新装卸的原油造成损失污染。为应对上述问题,本发明提出一种用于港口原油的智慧管控系统,建立原油运输管道自动诊断模型,该模型能够自动识别并及时诊断出堵塞、结垢、腐蚀较严重的管道,降低原油污染概率,避免因管道腐蚀而造成的损失,有助于提高原油运输的安全性。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种用于港口原油的智慧管控系统建立原油运输管道自动诊断模型,该模型能够自动识别并及时诊断出堵塞、结垢、腐蚀较严重的管道,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:
一种用于港口原油的智慧管控系统,包括信息采集模块、通信模块、控制模块、显示模块、信号处理模块和数据存储模块,所述信息采集模块与通信模块相连,所述通信模块与控制模块相连,所述控制模块与显示模块相连,所述显示模块与信号处理模块相连,所述信号处理模块与数据储存模块相连,所述信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况,将原油管道首末端正负信号按照时域波形幅值分成预设N个管道区间,统计出信号幅值在个区间频域的最大值和最小值,统计出各区间信号幅值落在任意区间的频数,建立原油运输管道自动诊断模型:
;
式中:为各区间内不在标准振幅范围内的频数,为管道区间个数,为信号幅值在任意区间内的频数,为任意区间内频数的最小值,为任意区间内频数的最大值,为超声波修正量。
进一步地,用于实现上述一种用于港口原油的智慧管控系统,包括如下步骤:
步骤S1:信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况采集波形图,生成原油内管道情况采集数据集;
步骤S2:对原油内管道情况采集波形图进行预处理,对原油内管道情况采集数据集进行剔除冗余和噪声处理;
步骤S3:将预处理得到的原油内管道情况采集数据集图像输入至特征提取模块,特征提取模块包块一个卷积层和一个全连接层,在卷积层中利用卷积神经网络引入激活函数提取出特征H,将特征H输入至全连接层,获得具有多样的代表性的特征;
步骤S4:检验提取特征质量,将H作为数据中心点,某特征节点i与特征值之间的距离加权作为数据集中的其他节点与特征值之间的差异性损失;
步骤S5:通过相关性分析得出管道区间内超声波水平线性误差和垂直线性误差之间的关系,根据其相关性分析得到超声波水平线性误差和垂直线性误差之间的关系,避免超声波水平线性误差符合标准而垂直线性误差偏大偏小,超声波水平线性误差为:
;
其中,为声波水平线性误差,为水平刻度最大偏差值,为水平满刻度值;超声波垂直线性误差为:
;
其中,为垂直线性误差,为最大正偏差值,为最大负偏差值。
相关性分析是通过利用计算公式:
;
其中,u为t时刻的数据节点,v为t时刻的数据节点,用于检测两节点数据的匹配程度,匹配程度越大,则两节点之间的相似性越高,为超声波水平线性误差和垂直线性误差相同节点,为相同节点占比,相同节点占比越高,相似度越大,对m时刻下的数据集做特征分析,将距离加权作为数据中其他节点与特征值之间的差异性损失,为噪声声波水平线性误差和噪声声波垂直线性误差中数据节点与特征值之间的距离加权,M为数据集中节点总数;
步骤S6:剔除异常数据用到了滤波分析算法和傅里叶算法,其中,滤波分析模型为:
,
;
其中,为原油内管道状态向量,为原油内管道观测向量,为原油内管道信号的异常点,为内管道原油损耗采集向量,为状态矩阵;
在处理异常数据点时,采用的傅里叶变换函数为:
;
其中,为傅里叶变换函数,如下式:
;
式中,,p为傅里叶变换的阶数,为接收端信号处理模块采集的信号状态向量。
进一步地,信号处理模块对管道温度变化对超声波的干扰图像剔除步骤为:对超声波的信号状态向量进行信号的幅频和相位调制,如下式:
;
对调制后的信号进行傅里叶变换得到:
;
再进行信号的滤波分析,得到经过过滤后的数据:
;
从而控制模块有剔除指令产生,根据剔除信号的来源发出相应输出信号并对其进行检测。
进一步地,超声波探伤技术利用基于时域的管道声波信号进行信号处理,对管道运行情况进行判断,在处理过程中对声波信号的幅值进行了归一化处理,使信号分析处理过程及处理结果不依赖于信号的幅值,减少检测到的声波信号幅值对管道诊断结果的影响,且管道诊断过程中不对声波信号的频率进行分析,因此有效避免了在长距离输送管道中,信号在传播过程中频率重心发生偏移对管道检测的影响,有效避免了管道诊断中漏报、误报现象。
进一步地,信号处理模块中数据分析的超声波修正量与检测过程中管道薄厚程度的均值正相关,超声波修正量的公式为:
;
式中:为管道薄厚变程度的均值,通过将检测过程中超声波每次发射信号与接收信号之间的差值进行求和,所得均值再除以管道薄厚程度变化超过设定阈值的次数获得,所述设定阈值根据经验数据进行调整。
进一步地,通过此采样及数据点处理方法,每隔一个周期分别对管道首站及管道末站的声波信号的N个数据点进行处理,缩短了数据采集分析处理的时间,而同时又能保证对足够多的数据点进行分析。对每个所采集的数据点进行了充分的利用,提高了设备资源的利用率。缩短分析处理的时间间隔,提高管道泄漏时间报告的及时性,这对实际生产中资源保护具有重大意义。
进一步地,数据存储模块包括处理所述原油内管道情况数据并将处理结果传递至显示模块,显示模块由人为控制,并下达处理存在问题管道的命令。
本发明的技术效果是:通过提出一种用于港口原油的智慧管控系统,建立原油运输管道自动诊断模型,该模型能够自动识别并及时诊断出堵塞、结垢、腐蚀较严重的管道,降低原油污染概率,避免因管道腐蚀而造成的损失,有助于提高原油运输的安全性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一种用于港口原油的智慧管控系统的分析流程示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步说明,其中,附图仅用于示例性说明,为的仅是示意图,而非实物图,不能理解为对本发明的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸。
一种用于港口原油的智慧管控系统,包括信息采集模块、通信模块、控制模块、显示模块、信号处理模块和数据存储模块,所述信息采集模块与通信模块相连,所述通信模块与控制模块相连,所述控制模块与显示模块相连,所述显示模块与信号处理模块相连,所述信号处理模块与数据储存模块相连,所述信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况,将原油管道首末端正负信号按照时域波形幅值分成预设N个管道区间,统计出信号幅值在个区间频域的最大值和最小值,统计出各区间信号幅值落在任意区间的频数,建立原油运输管道自动诊断模型:
;
式中:为各区间内不在标准振幅范围内的频数,为管道区间个数,为信号幅值在任意区间内的频数,为任意区间内频数的最小值,为任意区间内频数的最大值,为超声波修正量。
进一步地,一种用于港口原油的智慧管控系统,还包括如下步骤:
步骤S1:信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况采集波形图,生成原油内管道情况采集数据集。
步骤S2:对原油内管道情况采集波形图进行预处理,其步骤包括:
步骤一:剔除冗余信息,选择利用背景差分法快速判断原油内管道情况数据集的图像里是否有干扰,筛选管道温度变化对超声波的干扰图像,剔除不存在的干扰图像,减少系统的计算量。
步骤二:去除图像中的噪声干扰,通过向原油内管道情况采集数据集中引入一组随机高斯噪声去除图像中的噪声干扰。
步骤S3:将预处理得到的原油内管道情况采集数据集图像输入至特征提取模块,特征提取模块包块一个卷积层和一个全连接层,在卷积层中利用卷积神经网络引入激活函数提取出特征H,将特征H输入至全连接层,获得具有多样的代表性的特征。
步骤S4:检验提取特征质量,将H作为数据中心点,某特征节点i与特征值之间的距离加权作为数据集中的其他节点与特征值之间的差异性损失。
步骤S5:通过相关性分析得出管道区间内超声波水平线性误差和垂直线性误差之间的关系,根据其相关性分析得到超声波水平线性误差和垂直线性误差之间的关系,避免超声波水平线性误差符合标准而垂直线性误差偏大偏小,超声波水平线性误差为:
;
其中,为声波水平线性误差,为水平刻度最大偏差值,为水平满刻度值;
超声波垂直线性误差为:
;
其中,为垂直线性误差,为最大正偏差值,为最大负偏差值。
相关性分析是通过利用计算公式:
;
其中,u为t时刻的数据节点,v为t时刻的数据节点,用于检测两节点数据的匹配程度,匹配程度越大,则两节点之间的相似性越高,为超声波水平线性误差和垂直线性误差相同节点,为相同节点占比,相同节点占比越高,相似度越大,对m时刻下的数据集做特征分析,将距离加权作为数据中其他节点与特征值之间的差异性损失,为噪声声波水平线性误差和噪声声波垂直线性误差中数据节点与特征值之间的距离加权,M为数据集中节点总数;
步骤S6:剔除异常数据用到了滤波分析算法和傅里叶算法,其中,滤波分析模型为:
,
;
其中,为原油内管道状态向量,为原油内管道观测向量,为原油内管道信号的异常点,为内管道原油损耗采集向量,为状态矩阵;
在处理异常数据点时,采用的傅里叶变换函数为:
;
其中,为傅里叶变换函数,如下式:
;
式中,,p为傅里叶变换的阶数,为接收端信号处理模块采集的信号状态向量。
信号处理模块对管道温度变化对超声波的干扰图像剔除步骤为:对超声波的信号状态向量进行信号的幅频和相位调制,如下式:
,
对调制后的信号进行傅里叶变换得到:
,
再进行信号的滤波分析,得到经过过滤后的数据:
,
从而控制模块有剔除指令产生,根据剔除信号的来源发出相应输出信号并对其进行检测。
超声波探伤技术利用基于时域的管道声波信号进行信号处理,对管道运行情况进行判断,在处理过程中对声波信号的幅值进行了归一化处理,使信号分析处理过程及处理结果不依赖于信号的幅值,减少检测到的声波信号幅值对管道诊断结果的影响,且管道诊断过程中不对声波信号的频率进行分析,因此有效避免了在长距离输送管道中,信号在传播过程中频率重心发生偏移对管道检测的影响,有效避免了管道诊断中漏报、误报现象。
信号处理模块中数据分析的超声波修正量与检测过程中管道薄厚程度的均值正相关,超声波修正量的公式为:
;
式中:为管道薄厚变程度的均值,通过将检测过程中超声波每次发射信号与接收信号之间的差值进行求和,所得均值再除以管道薄厚程度变化超过设定阈值的次数获得,所述设定阈值根据经验数据进行调整。
通过此采样及数据点处理方法,每隔一个周期分别对管道首站及管道末站的声波信号的N个数据点进行处理,缩短了数据采集分析处理的时间,而同时又能保证对足够多的数据点进行分析。对每个所采集的数据点进行了充分的利用,提高了设备资源的利用率。缩短分析处理的时间间隔,提高管道泄漏时间报告的及时性,这对实际生产中资源保护具有重大意义。
数据存储模块包括处理所述原油内管道情况数据并将处理结果传递至显示模块,显示模块由人为控制,并下达处理存在问题管道的命令。
本发明的技术效果是:通过提出一种用于港口原油的智慧管控系统,建立原油运输管道自动诊断模型,该模型能够自动识别并及时诊断出堵塞、结垢、腐蚀较严重的管道,降低原油污染概率,避免因管道腐蚀而造成的损失,有助于提高原油运输的安全性。
以上显示和描述了本发明的基本原理和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只是说明本发明的原理,在不脱离本发明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。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于港口原油的智慧管控系统,其特征在于,智慧管控系统包括信息采集模块、通信模块、控制模块、显示模块、信号处理模块和数据存储模块,所述信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况,将原油管道首末端正负信号按照时域波形幅值分成N个预设管道区间,统计出信号幅值在各区间频域的最大值和最小值,统计出各区间信号幅值落在任意区间的频数,建立原油运输管道自动诊断模型:
;
式中:为各区间内不在标准振幅范围内的频数,为管道区间个数,为信号幅值在任意区间内的频数,为任意区间内频数的最小值,为任意区间内频数的最大值,为超声波修正量。
2.据权利要求1所述的一种用于港口原油的智慧管控系统,其特征在于,智慧管控系统包括如下步骤:
步骤S1:信息采集模块利用超声波探伤技术采集各原油管道内堵塞、结垢、腐蚀的情况采集波形图,生成原油内管道情况采集数据集;
步骤S2:对原油内管道情况采集波形图进行预处理,对原油内管道情况采集数据集,剔除冗余和噪声处理;
步骤S3:将预处理得到的原油内管道情况采集数据集图像输入至特征提取模块,特征提取模块包括一个卷积层和一个全连接层,在卷积层中利用卷积神经网络引入激活函数提取出特征,将特征输入至全连接层,获得具有多样的代表性的特征;
步骤S4:检验提取特征质量,将作为数据中心点,某特征节点与特征值之间的距离加权作为数据集中的其他节点与特征值之间的差异性损失;
步骤S5:通过相关性分析得出管道区间内超声波水平线性误差和垂直线性误差之间的关系,相关性分析公式为:
;
其中,u为t时刻的数据节点,v为t时刻的数据节点,用于检测两节点数据的匹配程度,匹配程度越大,则两节点之间的相似性越高,为超声波水平线性误差和垂直线性误差相同节点,为相同节点占比,相同节点占比越高,相似度越大,对m时刻下的数据集做特征分析,将距离加权作为数据中其他节点与特征值之间的差异性损失,为噪声声波水平线性误差和噪声声波垂直线性误差中数据节点与特征值之间的距离加权,M为数据集中节点总数;
步骤S6:剔除信号,剔除异常数据采用滤波分析算法和傅里叶算法对影响原油管道传输的异常数据点进行剔除。
3.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述信号处理模块对管道温度变化对超声波的干扰图像剔除步骤为:对超声波的信号状态向量进行信号的幅频和相位调制,如下式:
;
对调制后的信号进行傅里叶变换得到:
;
再进行信号的滤波分析,得到经过过滤后的数据:
;
从而控制模块有剔除指令产生,根据剔除信号的来源发出相应输出信号并对其进行检测。
4.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述剔除异常数据用到了滤波分析算法和傅里叶算法,其中,滤波分析模型为:
,
;
其中,为原油内管道状态向量,为原油内管道观测向量,为原油内管道信号的异常点,为内管道原油损耗采集向量,为状态矩阵;
在处理异常数据点时,采用的傅里叶变换函数为:
;
其中,为傅里叶变换函数,如下式:
;
式中,,p为傅里叶变换的阶数,为接收端信号处理模块采集的信号状态向量。
5.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述相关性分析得到声波水平线性误差和声波垂直线性误差之间的关系,声波水平线性误差为:
;
其中,为声波水平线性误差,为水平刻度最大偏差值,为水平满刻度值;
声波垂直线性误差为:
;
其中,为垂直线性误差,为最大正偏差值,为最大负偏差值。
6.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述剔除冗余,选择利用背景差分法快速判断原油内管道情况数据集的图像里是否有干扰,筛选管道温度变化对超声波的干扰图像,剔除不存在的干扰图像,去除图像中的噪声干扰,通过向原油内管道情况采集数据集中引入一组随机高斯噪声去除图像中的噪声干扰。
7.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述超声波探伤技术利用基于时域的管道声波信号进行信号处理,对管道运行情况进行判断,在处理过程中对声波信号的幅值进行了归一化处理。
8.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,所述信号处理模块中数据分析的超声波修正量与检测过程中管道薄厚程度的均值正相关,超声波修正量的公式为:
;
式中:为管道薄厚变程度的均值,通过将检测过程中超声波每次发射信号与接收信号之间的差值进行求和,所得均值再除以管道薄厚程度变化超过设定阈值的次数获得。
9.根据权利要求2所述的一种用于港口原油的智慧管控系统,其特征在于,通过此采样及数据点处理方法,每隔一个周期分别对管道首站及管道末站的声波信号的个数据点进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310292988.2A CN116010857A (zh) | 2023-03-24 | 2023-03-24 | 一种用于港口原油的智慧管控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310292988.2A CN116010857A (zh) | 2023-03-24 | 2023-03-24 | 一种用于港口原油的智慧管控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010857A true CN116010857A (zh) | 2023-04-25 |
Family
ID=86035869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310292988.2A Pending CN116010857A (zh) | 2023-03-24 | 2023-03-24 | 一种用于港口原油的智慧管控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010857A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104048165A (zh) * | 2013-08-16 | 2014-09-17 | 北京化工大学 | 管道泄漏诊断的方法 |
CN107893549A (zh) * | 2017-11-09 | 2018-04-10 | 曹睿康 | 一种建筑模块 |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
US20210341646A1 (en) * | 2020-12-23 | 2021-11-04 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Weather parameter prediction model training method, weather parameter prediction method, electronic device and storage medium |
WO2023000532A1 (zh) * | 2021-03-17 | 2023-01-26 | 江苏中科君达物联网股份有限公司 | 一种新型振动噪声测试方法 |
CN115830034A (zh) * | 2023-02-24 | 2023-03-21 | 淄博市中心医院 | 一种用于口腔健康管理的数据分析系统 |
-
2023
- 2023-03-24 CN CN202310292988.2A patent/CN116010857A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104048165A (zh) * | 2013-08-16 | 2014-09-17 | 北京化工大学 | 管道泄漏诊断的方法 |
CN107893549A (zh) * | 2017-11-09 | 2018-04-10 | 曹睿康 | 一种建筑模块 |
CN110149237A (zh) * | 2019-06-13 | 2019-08-20 | 东北大学 | 一种Hadoop平台计算节点负载预测方法 |
US20210341646A1 (en) * | 2020-12-23 | 2021-11-04 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Weather parameter prediction model training method, weather parameter prediction method, electronic device and storage medium |
WO2023000532A1 (zh) * | 2021-03-17 | 2023-01-26 | 江苏中科君达物联网股份有限公司 | 一种新型振动噪声测试方法 |
CN115830034A (zh) * | 2023-02-24 | 2023-03-21 | 淄博市中心医院 | 一种用于口腔健康管理的数据分析系统 |
Non-Patent Citations (3)
Title |
---|
ZHEHENG RAO等: "Cellular Traffic Prediction: A Deep Learning Method Considering Dynamic Nonlocal Spatial Correlation, Self-Attention, and Correlation of Spatiotemporal Feature Fusion", IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT, pages 426 * |
戚元华;林伟国;吴海燕;: "基于时域统计特征的天然气管道泄漏检测方法", 石油学报, no. 06, pages 169 - 173 * |
林伟国;陈萍;孙剑;: "具有工况适应性的管道泄漏信号特征提取", 化工学报, no. 07, pages 1715 - 1720 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116951328A (zh) * | 2023-07-21 | 2023-10-27 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
CN116951328B (zh) * | 2023-07-21 | 2024-02-06 | 浙江华创设计有限公司 | 基于大数据的排水管线运行智慧监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102319064B (zh) | 一种提高胎心率数据减速识别准确性的装置和方法 | |
CN116010857A (zh) | 一种用于港口原油的智慧管控系统 | |
CN106247173B (zh) | 管道泄漏检测的方法及装置 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN107424626A (zh) | 一种岸桥小车轨道声音监测及故障识别系统 | |
CN110287827B (zh) | 一种基于数据关联性的桥梁应变数据异常值识别方法 | |
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 | |
CN117191305B (zh) | 一种公路桥梁的状态评估方法及系统 | |
CN106597377A (zh) | 次声波管道机器人快速定位系统及方法 | |
CN106409351A (zh) | 一种核电厂松动部件振动信号的处理方法及装置 | |
CN115265723A (zh) | 基于数据处理的涡街流量计异常监测方法及系统 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN115165274A (zh) | 工程机械设备振动状态自适应智能监测装置及方法 | |
CN104048165B (zh) | 管道泄漏诊断的方法 | |
CN109538946B (zh) | 一种城市自来水管道泄漏检测定位方法 | |
CN111879479B (zh) | 集输气管道非高斯噪声环境微泄漏信号监测系统及方法 | |
CN115949891B (zh) | 一种lng加气站智能控制系统及其控制方法 | |
CN116522281A (zh) | 一种基于微服务架构的分布式供热数据融合系统 | |
CN116187980B (zh) | 一种基于数据传输的环保设备用可视化智能管理系统 | |
CN107124577A (zh) | 一种基于运动目标检测的实时防窃系统 | |
CN112413413B (zh) | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 | |
CN112528754A (zh) | 一种共享果汁平台的流道监测方法、系统及可读存储介质 | |
CN110579534B (zh) | 基于互易性受损的带焊缝钢板缺陷无基线检测及定位方法 | |
Yu et al. | A combined Kalman filter—Discrete wavelet transform method for leakage detection of crude oil pipelines | |
CN112178360A (zh) | 次声波管道机器人快速定位系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230425 |
|
RJ01 | Rejection of invention patent application after publication |