CN116070508A - 一种桥梁健康状态预测预警方法 - Google Patents

一种桥梁健康状态预测预警方法 Download PDF

Info

Publication number
CN116070508A
CN116070508A CN202211706804.4A CN202211706804A CN116070508A CN 116070508 A CN116070508 A CN 116070508A CN 202211706804 A CN202211706804 A CN 202211706804A CN 116070508 A CN116070508 A CN 116070508A
Authority
CN
China
Prior art keywords
data
bridge
state
model
prediction
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
Application number
CN202211706804.4A
Other languages
English (en)
Inventor
何清
李丽琳
赵朝部
黎力韬
颜晓凤
王�华
江俊翔
苏若珊
梁定菲
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.)
Guangxi Jiaoke Group Co Ltd
Original Assignee
Guangxi Jiaoke Group 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 Guangxi Jiaoke Group Co Ltd filed Critical Guangxi Jiaoke Group Co Ltd
Priority to CN202211706804.4A priority Critical patent/CN116070508A/zh
Publication of CN116070508A publication Critical patent/CN116070508A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种桥梁健康状态预测预警方法，包括如下步骤：S1：数据获取，获得桥梁状态数据和外界环境数据；S2：数据修正，对超出阈值的数据进行修正；S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界环境数据，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度；S4：模型训练，使用BiLSTM模型进行预测；S5：训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；本发明提供的桥梁健康状态预测预警方法，采用时间频率分析LMD方法分析分解桥梁状态数据，解决时间频率分析方法混叠和端点效应的缺点，更好地保持了数据的完整性，解决人工智能算法预测桥梁状态时梯度消失和梯度爆炸的问题。

Description

一种桥梁健康状态预测预警方法
技术领域
本发明属于桥梁状态诊断技术领域，具体涉及一种桥梁健康状态预测预警方法。
背景技术
桥梁在中国随处可见，而桥梁坍塌会对人类社会的发展和人民生命财产安全造成严重威胁和损失。近些年来，中国的桥梁坍塌时有发生，随着我国汽车拥有量的快速上升，加上车辆超重驾驶随处可见，这直接导致了多年前设计建设的桥梁的承受能力和健康状态随着时间的推移而逐步降低。由于桥梁自身结构的复杂性，使得桥梁预警一直是多方研究的重点和难点，现在非常需要一种行之有效的预警方法，因此有必要对桥梁的健康状态进行预测预警。
局部均值分解(Local Mean Decomposition，LMD)的核心思想是将一个复杂的非平稳多分量信号自适应分解为几个具有瞬时频率物理意义的乘积函数(PF)的和，其中每个PF分量由一个包络信号和一个纯调频信号直接计算。包络信号是PF分量的瞬时幅值，从纯调频信号可以直接计算出PF分量的瞬时频率。结合所有PF分量的瞬时幅值和瞬时频率，得到原始信号的完整时频分布。LMD算法可以将复杂的非线性桥梁状态数据和外界环境数据分解为几个具有物理意义的PFs。灰色关联分析方法(Grey Relation Analysis,GRA)，是计算变量之间变化发展趋势的相似或相异程度，可以作为衡量因素间关联程度的一种方法。双向长短期记忆网络(Bidirectional Long-Short Term Memory，BiLSTM)是一种时间循环神经网络，BiLSTM模型由正反LSTM模型组合而成，前向LSTM可以获取输入序列的过去数据信息，后向LSTM可以获取输入序列的未来数据信息。数据的前向LSTM和后向LSTM训练过程可以进一步提高特征提取的全局完整性。
发明内容
本发明的目的在于提供一种桥梁健康状态预测预警方法，采用时间频率分析LMD方法分析分解桥梁状态数据，解决时间频率分析方法混叠和端点效应的缺点，更好地保持了数据的完整性，解决人工智能算法预测桥梁状态时梯度消失和梯度爆炸的问题，解决无法有效选取外界环境影响因素，从而导致预测准确度降低的问题。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
本发明提供了一种桥梁健康状态预测预警方法，包括如下步骤：
S1：数据获取，利用传感器对桥梁状态进行实时监测，获得桥梁状态数据，桥梁状态数据包括：桥梁挠度、裂缝长度、桥面的车载重量等；利用监测设备对影响桥梁的因素进行实时监测，获得外界环境数据，外界环境数据包括：雨量、温度、湿度、风力大小等等；
S2：数据修正，分别设置阈值对所获取的桥梁状态数据和外界环境数据进行比对，对超出阈值的数据进行修正，修正后的数据为该超出阈值的数据的前5个数据与后5个数据的算术平均值；
S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界环境数据，得到桥梁状态数据和外界环境数据的多个不同频率PF分量和uk，PF分量和uk即构成子序列，实际累计数据等于各个子序列的总和；
得到桥梁状态数据和外界环境数据的各个子序列后，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度，关联程度大于预设值的则判定为相关性较大，则该外界数据的子序列与桥梁状态数据的子序列相关；
S4：模型训练，将关联数值大于预设值的选做预测该桥梁状态数据子序列的输入变量，使用BiLSTM模型进行预测，数据以固定比例分为训练集和测试集，训练集负责模型的参数，测试集负责验证和评估的模型性能；
S5：模型验证与评估，训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；将预测值与预先设置好的阈值进行比较，得到预警结果。
作为本发明的进一步改进，步骤S3中所述的LMD算法的计算步骤如下：
Figure BDA0004024980120000031
Figure BDA0004024980120000032
其中mi是连续两个极值ni和ni+1的第i个平均值，αi是每个半波振荡的局部振幅，i＝1，2，...M-1＝1(M＝极值个数)。所有连续极值的均值mi必须形成一条直线，采用移动平均法对mi和αi进行平滑处理，得到了局部均值函数m11(t)和包络估计函数α11(t)。然后，将m11(t)与原始信号X(t)分离，得到残差信号h11(t)；
h11(t)＝X(t)-m11(t)；
再使用h11(t)除以α11(t)进行调幅如下：
Figure BDA0004024980120000033
其中s11(t)是为纯调频信号，重复这个过程q次，直到得到一个包络函数满足α1(q+1)(t)＝1的纯调频信号s1(t)，对应的包络α1(t)如下式所示：
Figure BDA0004024980120000034
其中q表示迭代次数，并且第一个PF1(t)如下：
PF1(t)＝s1q(t)×α1(t)；
将原信号X(t)减去PF1(t)得到新信号，重复以上步骤得到PF2(t)。这些步骤重复，直到最后一个信号变为常数或不包含更多的振荡，就得到残差信号uk(t)。因此，原始信号X(t)可以分解为PF分量与uk(t)的和：
Figure BDA0004024980120000041
式中：PFp(t)表示为第p个乘积函数，uk(t)表示为残余分量，X(t)表示为原始数据；
作为本发明的进一步改进，步骤S3中所述的GRA算法按以下步骤计算：
S31：设置桥梁状态数据的一个子序列X0为主序列，Xi为次序列构造序列矩阵：
X＝[X0，X1，X2，X3，…，Xi]，i＝0，1，…，m；k＝0，1，…，n；
Figure BDA0004024980120000042
式中：m为外界环境因素类型的数量，n为该外界环境因素类型中子序列的数量；
S32：每个子序列和外界数据的各子序列的关联程度，按下式计算关联程度：
Figure BDA0004024980120000043
Figure BDA0004024980120000044
式中：ξ(x0(k)′，xi(k)′)就是xi和xj之间的相关系数，ρ是分辨系数，F(x0,xi)是最终的关联程度。
作为本发明的进一步改进，步骤S4中所述的BiLSTM模型如下：
ft＝σ(wf·[ht-1，xt]+bf)；
it＝σ(wi·[ht-1，xt]+bi)；
ot＝σ(wo·[ht1，xt]+bo)；
Figure BDA0004024980120000045
ht＝0t·tanh(Ct)；
Figure BDA0004024980120000051
Figure BDA0004024980120000052
式中：ft为前向传播计算t时间的遗忘门状态、it为t时间的输入门状态、ot为t时间的输出门状态、ht为t时间的输出数据、Ct为t时间的单元状态、
Figure BDA0004024980120000053
为t时间的备选状态、
Figure BDA0004024980120000054
为反向输出的LSTM状态、
Figure BDA0004024980120000055
为正向输出的LSTM状态、Ht为BiLSTM的输出状态，wf为反向传播会计算调整遗忘门权重、wo为输出门权重、wi为输入门权重、wc为备选状态权重、bf为遗忘门偏置、bi为输入门偏置、bo为输出门偏置、bc为备选状态偏置。
本发明的优点：
本发明提供的桥梁健康状态预测预警方法，采用了时间频率分析LMD方法分析分解桥梁状态数据，解决了时间频率分析方法EMD或EEMD方法混叠和端点效应的缺点，更好地保持了数据的完整性；解决了人工智能算法预测桥梁状态时梯度消失和梯度爆炸的问题，以及无法有效选取外界环境影响因素，从而导致预测准确度降低的问题；采用了多个BiLSTM模型预测桥梁状态的各子序列，提高了预测准确度，解决了LSTM模型预测准确度有限的问题，同时还解决了异常数据的发生导致预测准确度降低的问题。
附图说明
图1为本发明所述的桥梁健康状态预测预警方法流程框图；
图2为本发明实施例中所述的桥梁挠度数据检测结果示意图；
图3为本发明实施例中所述的温度数据检测结果示意图；
图4为本发明实施例中所述的应变数据检测结果示意图；
图5为本发明实施例中将桥梁挠度数据分解后的PF1分量示意图；
图6为本发明实施例中将桥梁挠度数据分解后的PF2分量示意图；
图7为本发明实施例中将桥梁挠度数据分解后的PF3分量示意图；
图8为本发明实施例中将桥梁挠度数据分解后的PF4分量示意图；
图9为本发明实施例中将桥梁挠度数据分解后的PF5分量示意图；
图10为本发明实施例中将桥梁挠度数据分解后的uk分量示意图；
图11为本发明实施例中桥梁挠度状态中PF1分量的预测结果示意图；
图12为本发明实施例中桥梁挠度状态中PF2分量的预测结果示意图；
图13为本发明实施例中桥梁挠度状态中PF3分量的预测结果示意图；
图14为本发明实施例中桥梁挠度状态中PF4分量的预测结果示意图；
图15为本发明实施例中桥梁挠度状态中PF5分量的预测结果示意图；
图16为本发明实施例中桥梁挠度状态中uk分量的预测结果示意图；
图17为本发明实施例中最终的挠度数值预测结果示意图。
具体实施方式
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的实施例中提供了一种桥梁健康状态预测预警方法，流程步骤如图1所示。
本实施例使用某桥右侧桥梁挠度传感器监测到的桥梁挠度数据，数据从2022年10月29日到11月5日，每小时采集一个数据，总共有168个数据，如图2所示，图中X轴为数据个数，Y轴为数据值。同时，使用右侧测到的温度数据和桥梁应变数据，作为外界环境数据，数据从2022年10月29日到11月5日，每小时采集一个数据，温度数据和应变数据各有168个数据，如图3和图4所示。
利用LMD算法将桥梁挠度数据、温度数据和应变数据分解为多个分量，如图5至图10所示；
然后，使用GRA计算桥梁挠度数据各子序列和外界数据(温度数据和应变数据)各子序列的相关性，最终6个挠度子序列分别选择的输入变量个数为2、3、3、1、5、2；然后，使用BiLSTM模型预测各子序列的数值，将遗忘门权重wf、输出门权重wo、输入门权重wi、备选状态权重wc、遗忘门偏置bf、输入门偏置bi、输出门偏置bo、备选状态偏置bc置为预设值，学习率θ置为预设值；
将桥梁挠度数据和外界数据(温度数据和应变数据)分为训练集和数据集，比例为0.8：0.2，则168组数据中训练集有134组，测试集有34组。使用训练集数据训练模型，训练时模型有前向传播和反向传播；每一次训练迭代，计算yt、ft、it、ot、ht、Ct、
Figure BDA0004024980120000071
wf、wo、wi、wc、bf、bi、bo、bc、
Figure BDA0004024980120000072
Ht的数值，每次迭代中将Ht和yt相减得到的值相加，得到总误差，总误差分别对遗忘门权重wf、输出门权重wo、输入门权重wi、备选状态权重wc、遗忘门偏置bf、输入门偏置bi、输出门偏置bo、备选状态偏置bc求导得到误差项的和对每个权重的导数遗忘门权重wf、输出门权重wo、输入门权重wi、备选状态权重wc、遗忘门偏置bf、输入门偏置bi、输出门偏置bo、备选状态偏置bc减去所得导数与学习率的乘积，成为新的遗忘门权重wf、输出门权重wo、输入门权重wi、备选状态权重wc、遗忘门偏置bf、输入门偏置bi、输出门偏置bo、备选状态偏置bc；循环迭代至设定次数或者总误差小于设定值，模型训练完成；
模型使用测试集数据预测，得到预测结果，预测时只有前向传播，分别预测桥梁挠度状态的6个子序列，如图11至图16所示；
将预测的各子序列相加，得到最终的挠度数值的预测值，如图17所示；得到的最终预测结果与实际测量值比较，两者差值做为评估标准，可以评估模型的预测性能；将预测值与预先设置好的阈值比较，得到预警结果。
由此描述了本发明的至少一个实施例的几个方面，可以理解，对本领域技术人员来说容易地进行各种改变、修改和改进。这种改变、修改和改进意于在本发明的精神和范围内。

Claims (4)

1.一种桥梁健康状态预测预警方法，其特征在于，包括如下步骤：
S1：数据获取，利用传感器对桥梁状态进行实时监测，获得桥梁状态数据；利用监测设备对影响桥梁的因素进行实时监测，获得外界环境数据；
S2：数据修正，分别设置阈值对所获取的桥梁状态数据和外界环境数据进行比对，对超出阈值的数据进行修正，修正后的数据为该超出阈值的数据的前5个数据与后5个数据的算术平均值；
S3：建立桥梁状态预测模型，利用LMD算法分别分解所获取的桥梁状态数据和外界环境数据，得到桥梁状态数据和外界环境数据的多个不同频率PF分量和uk，PF分量和uk即构成子序列，实际累计数据等于各个子序列的总和；
得到桥梁状态数据和外界环境数据的各个子序列后，利用GRA算法计算桥梁状态数据的每个子序列和外界数据的各子序列的关联程度，关联程度大于预设值的则判定为相关性较大，则该外界数据的子序列与桥梁状态数据的子序列相关；
S4：模型训练，将关联数值大于预设值的选做预测该桥梁状态数据子序列的输入变量，使用BiLSTM模型进行预测，数据以固定比例分为训练集和测试集，训练集负责模型的参数，测试集负责验证和评估的模型性能；
S5：模型验证与评估，训练结束后采用测试集输入BiLSTM模型，得到的最终预测结果与实际测量值比较，用以评估模型的预测性能；将预测值与预先设置好的阈值进行比较，得到预警结果。
2.如权利要求1所述的桥梁健康状态预测预警方法，其特征在于，步骤S3中所述的LMD算法按下式计算：
Figure FDA0004024980110000011
式中：PFp(t)表示为第p个乘积函数，uk(t)表示为残余分量，x(t)表示为原始数据。
3.如权利要求1所述的桥梁健康状态预测预警方法，其特征在于，步骤S3中所述的GRA算法按以下步骤计算：
S31:设置桥梁状态数据的一个子序列X0为主序列，Xi为次序列构造序列矩阵:
X＝[X0，X1，X2，X3，…，Xi]，i＝0,1,…,m；k＝0,1,…,n；
Figure FDA0004024980110000021
式中：m为外界环境因素类型的数量，n为该外界环境因素类型中子序列的数量；
S32：每个子序列和外界数据的各子序列的关联程度，按下式计算关联程度：
Figure FDA0004024980110000022
Figure FDA0004024980110000023
式中：ξ(x0(k)',xi(k)')就是xi和xj之间的相关系数，ρ是分辨系数，r(x0,xi)是最终的关联程度。
4.如权利要求1所述的桥梁健康状态预测预警方法，其特征在于，步骤S4中所述的BiLSTM模型如下：
ft＝σ(wf·[ht-1,xt]+bf)；
it＝σ(wi·ht-1,xt]+bi)；
ot＝σ(wo·[ht-1,xt]+bo)；
Figure FDA0004024980110000024
ht＝ot·tanh(Ct)；
Figure FDA0004024980110000025
Figure FDA0004024980110000026
式中：ft为前向传播计算t时间的遗忘门状态、it为t时间的输入门状态、ot为t时间的输出门状态、ht为t时间的输出数据、Ct为t时间的单元状态、
Figure FDA0004024980110000031
为t时间的备选状态、
Figure FDA0004024980110000032
为反向输出的LSTM状态、
Figure FDA0004024980110000033
为正向输出的LSTM状态、Ht为BiLSTM的输出状态，wf为反向传播会计算调整遗忘门权重、wo为输出门权重、wi为输入门权重、wc为备选状态权重、bf为遗忘门偏置、bi为输入门偏置、bo为输出门偏置、bc为备选状态偏置。
CN202211706804.4A 2022-12-29 2022-12-29 一种桥梁健康状态预测预警方法 Pending CN116070508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211706804.4A CN116070508A (zh) 2022-12-29 2022-12-29 一种桥梁健康状态预测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211706804.4A CN116070508A (zh) 2022-12-29 2022-12-29 一种桥梁健康状态预测预警方法

Publications (1)

Publication Number Publication Date
CN116070508A true CN116070508A (zh) 2023-05-05

Family

ID=86174198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211706804.4A Pending CN116070508A (zh) 2022-12-29 2022-12-29 一种桥梁健康状态预测预警方法

Country Status (1)

Country Link
CN (1) CN116070508A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451913A (zh) * 2023-06-20 2023-07-18 交通运输部公路科学研究所 一种交通基础设施健康监测系统服役性能评价方法及装置
JP7527702B1 (ja) 2024-03-28 2024-08-05 台州学院 橋梁変形監視方法、コンピュータ機器及びコンピュータ可読記憶媒体

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451913A (zh) * 2023-06-20 2023-07-18 交通运输部公路科学研究所 一种交通基础设施健康监测系统服役性能评价方法及装置
CN116451913B (zh) * 2023-06-20 2023-09-05 交通运输部公路科学研究所 一种交通基础设施健康监测系统服役性能评价方法及装置
JP7527702B1 (ja) 2024-03-28 2024-08-05 台州学院 橋梁変形監視方法、コンピュータ機器及びコンピュータ可読記憶媒体

Similar Documents

Publication Publication Date Title
Binu et al. Rider-deep-LSTM network for hybrid distance score-based fault prediction in analog circuits
CN112926273B (zh) 一种多元退化设备剩余寿命预测方法
CN116070508A (zh) 一种桥梁健康状态预测预警方法
CN110852515B (zh) 基于混合长短时记忆神经网络的水质指标预测方法
CN111443294A (zh) 一种锂离子电池剩余寿命间接预测方法及装置
CN107145645A (zh) 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN113420509A (zh) 一种风电机组状态评价方法、装置及存储介质
CN112488235A (zh) 一种基于深度学习的电梯时序数据的异常诊断方法
Xiao et al. Remaining useful life prediction based on intentional noise injection and feature reconstruction
CN114912640A (zh) 基于深度学习的发电机组的异常模式检测方法及系统
CN115510748A (zh) 基于变分模态分解和cnn-gru的滑坡位移预测方法
CN115687322A (zh) 基于编码器-解码器和自回归生成对抗网络的水质时间序列缺失数据补全方法
Hu et al. A hybrid model for predicting the degradation trend of hydropower units based on deep learning
CN117543544A (zh) 一种负荷预测方法、装置、设备及存储介质
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN115422687A (zh) 一种滚动轴承的寿命预测方法
CN116595319A (zh) 应用于轨道交通电机健康状态评估的预测方法及系统
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
CN111523727A (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN112215495B (zh) 一种基于长短时记忆神经网络的污染源贡献度计算方法
CN113537638A (zh) 高层建筑风压短期预测方法、异常数据补全方法及装置
CN117744495A (zh) 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法
CN117591819A (zh) 一种考虑扰动强度阈值与鲁棒性分析的大型设备故障诊断方法

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