CN116290203A - 基于神经网络的疏浚施工参数选优模型方法 - Google Patents

基于神经网络的疏浚施工参数选优模型方法 Download PDF

Info

Publication number
CN116290203A
CN116290203A CN202310040304.XA CN202310040304A CN116290203A CN 116290203 A CN116290203 A CN 116290203A CN 202310040304 A CN202310040304 A CN 202310040304A CN 116290203 A CN116290203 A CN 116290203A
Authority
CN
China
Prior art keywords
data
bad
monitoring
parameter
value
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.)
Granted
Application number
CN202310040304.XA
Other languages
English (en)
Other versions
CN116290203B (zh
Inventor
周滢
薛海兵
李夏
焦鹏
王冬冬
张伟
李涛
沈伟平
邓新杰
周子琛
童荣彬
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.)
Chec Dredging Co Ltd
Original Assignee
Chec Dredging 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 Chec Dredging Co Ltd filed Critical Chec Dredging Co Ltd
Priority to CN202310040304.XA priority Critical patent/CN116290203B/zh
Publication of CN116290203A publication Critical patent/CN116290203A/zh
Application granted granted Critical
Publication of CN116290203B publication Critical patent/CN116290203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Civil Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Structural Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了基于神经网络的疏浚施工参数选优模型方法，涉及疏浚施工技术领域，为了解决疏浚施工参数提取的准确率的问题。本发明对不同设备的工作数据进行分析，实现对异常数据的故障类型以及故障位置进行准确分析，实现对各设备的工作状态进行有效把握，通过甄别子模块根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，减少网络传输资源的占用，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据，可以将数据中不良数据进行提取，根据数据树中每一层包括的关键数据将其生成反馈监测数据，通过监测数据可以快速的将每层的参数数据进行监测查阅。

Description

基于神经网络的疏浚施工参数选优模型方法
技术领域
本发明涉及疏浚施工技术领域，具体为基于神经网络的疏浚施工参数选优模型方法。
背景技术
疏浚工程对人类社会进步、环境改善及经济发展的作用非常重大，用疏浚的方法，挖深河流或海湾的浅段以提高航道通航或排洪能力；将开挖航道或港池的疏浚土吹填到附近的低洼地进行造地的一种经济可行的主要方法。
公开号为CN108876279A的中国专利公开了一种疏浚施工监控方法、系统、电子设备及存储介质。主要通过实时获取施工端的作业数据，作业数据包括当前位置信息、实时航向、铰刀头位置及高程、时间及任务I D，使得监控端能够实时了解施工端作业情况，进而实现全流程地监控疏浚工程，有效提高疏浚施工效率，上述专利索然解决了施工设备监控的问题，但是在实际操作上还存在以下问题：
1.对施工设备进行数据参数提取时，由于没有对有异常的施工设备的异常位置进行有效定位，从而导致无法第一时间了解到异常的区域，使参数在提取时，参数数据出现不准确。
2.参数数据进行提取后，没有对数据的传输进行加密，从而使数据在传输时的安全性降低，以及数据在进行传输时候，由于传输量没有进行缩小，从而导致数据的传输效率降低。
3.将疏浚施工的参数数据进行运算后，没有进一步的将获取的数据进行排查和过滤，从而使得出的参数数据质量过差，导致最后施工品质欠佳。
4.在对疏浚施工参数数据计算分析后，没有进一步的对数据进行分层监测，从而导致后期对数据经常查看时无法根据数据类别进行快速的监测。
发明内容
本发明的目的在于提供基于神经网络的疏浚施工参数选优模型方法，对不同设备的工作数据进行分析，实现对异常数据的故障类型以及故障位置进行准确分析，实现对各设备的工作状态进行有效把握，通过甄别子模块根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，减少网络传输资源的占用，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据，可以将数据中不良数据进行提取，根据数据树中每一层包括的关键数据将其生成反馈监测数据，通过监测数据可以快速的将每层的参数数据进行监测查阅，可以解决现有技术中的问题。
为实现上述目的，本发明提供如下技术方案：
基于神经网络的疏浚施工参数选优模型方法，其特征在于：包括如下步骤：
S1：疏浚施工参数设定：根据疏浚施工所需的参数需求，对施工参数进行组合提取；
其中，先将提取参数和权重参数进行设置，设置完成后提取方案生成列表，再对比疏浚工具的工作强度，对比完成后挑选该强度下的方案并保存；
S2：参数数据加密和运算：根据施工设备中的各个参数的监控数据，对监控数据的原始数据进行异常排查，异常排查完成后对异常数据生成警报数据，对无异常的数据进行数据加密，并对加密数据进行数据运算；
S3：运算数据优化：根据神经网络运算得出的参数数据，将参数数据进行不良数据的筛查并剔除，并自动生成有效数据；
S4：优化数据生成反馈：根据得出的优化数据，将优化数据中的每个数据节点进行数据类别分析，并将分析完成后的数据生成反馈监测数据。
优选的，针对S1中参数数据的采集提取，包括：
参数接口提取模块，用于：
获取施工装置中各个装置中的施工参数数据的功能属性，并基于各个装置的功能属性提取其中接口的基准接口参数；
接口监控模块，用于：
基于基准接口参数确定对各属性的设备的监控参数指标，并基于监控参数指标根据预先设定的监控插件生成规则生成监控插件，其中，所述监控插件携带有动态函数库；
监控接口对接模块，用于：
提取监控插件的配置参数，并基于各设备接口的基准接口参数通过所述动态函数库中的各预设函数对所述监控插件的配置参数进行调整，且基于调整结果得到监控插件对应的监控接口；
监控数据统计模块，用于：
基于监控接口向各模块的模块接口发送监控请求，且在收到模块接口的响应信息时，将监控插件对应的监控接口与各设备的设备接口进行对接；
基于对接结果通过监控插件根据预设时间间隔获取对各模块的监控日志文件，并提取监控日志文件中监控数据的数据特征；
基于所述数据特征对监控数据进行分类统计，得到各设备的子监控数据。
优选的，针对S2中监控数据中原始数据的异常排查，包括：
监控数据分析模块，用于：
绘制二维直角坐标系，并提取各模块的子监控数据的目标取值，且基于所述目标取值在所述二维直角坐标系进行可视化展示，得到各模块的模块接口参数在监控时间段内的参数变化曲线；
获取各模块接口的基准接口参数，并基于所述基准接口参数在二维直角坐标系中得到各模块的基准参考线；
将所述参数变化曲线与所述基准参考线进行重叠，并基于重叠结果确定存在异常的参数变化曲线，且基于异常的参数变化曲线得到异常数据；
异常接口定位模块，用于：
将所述异常数据的子监控数据输入预设故障诊断模型分析，得到所述异常数据的故障类型以及故障位置；
异常数据读取模块，用于：
将各个设备的异常数据进行分组打包；
根据每个打包数据的接口参数的重要度大于等于预设阈值的目标数值进行统计；
数据对比模块，用于：
获取每个设备端口的参数数据的历史传输成功数据，解析所述历史传输成功数据确定其完整性和安全性，根据所述完整性和安全性评估出该数据设备接口参数的威胁风险指数和漏洞风险指数；
根据每个设备接口参数的目标数值的阈值大小和该设备接口参数的威胁风险指数和漏洞风险指数利用预设风险评估体系计算出该设备接口的安全性指数；
等级分类模块，用于：
根据预设风险评估体系计算出不同设备接口的安全性指数，根据安全性指数的数据值将其进行等级划分，大于异常指数的数据将自动生成异常警报数据。
优选的，针对S2中无异常数据的数据加密和运算，包括：
提取子模块，用于：
基于获取施工装置中各个装置中的施工参数数据的功能属性提取其中接口的基准接口参数；
标记子模块，用于：
对已经完成基准接口参数提取的功能属性添加特定的识别标记；
甄别子模块，用于：
在接收到基准接口参数的提取指令后，根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，调整提取范围；
加密子模块，用于：
在数据传输前，将调整后提取范围内的基准接口参数进行打包加密处理；
加密数据运算模块，用于：
将加密的数据进行数据正常阈值的计算，根据数据库中正常平均值的数据与接收到的实时数据进行对比，并且在对比时将计算对比出的平均值不在正常范围内的数据数值进行单独存储，根据数值的大小对不在正常范围内的数据数值进行数值大小的区分。
优选的，针对S3中参数数据中不良数据的筛查，包括：
获取运算完成的参数数据，将参数数据进行标签分类，通过分类标签从参数数据中获取每个数据标签对应的参数数值数据，并将其整合为该数据标签对应的数值数据集；
获取每个数据标签的数值以及该数据标签对应的数值数据集中每个子数据的动态特性值以及数据量；
根据每个数据标签的数值以及该标签对应的数值数据集中每个子数据的动态特性值以及数据量计算出该数据标签的数值数据集的置信度；
将置信度大于等于第一预设阈值的第一数据标签对应的第一数值数据集确认为有用数据，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据；
检测每个第二数值数据集中的无用数据分布情况。
优选的，将不良数据进行剔除另存储，包括
当判定所述第二数值数据集中存在不良数据时，从所述第二数值数据集提取所述不良数据；
根据所述不良数据的数据项数数量与有效数据之间的数据项数数量，获取所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；
当所述项数数量差值未超过预设的差值阈值时，提取所述不良数据发送至第一不良数据存储区域，并且，在所述不良数据发送至第一不良数据存储区域，对所述不良数据进行存储批次编号标识；
当所述项数数量差值超过预设的差值阈值时，获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域；
实时对比第一不良数据存储区域内存储的不良数据的数据量和第二不良存储区域内存储的不良数据的数据量，当所述第二不良存储区域内存储的不良数据的数据量超过所述第一不良数据存储区域内存储的不良数据的数据量的数据量差值超过第一数据量差值阈值时，则进行不良数据超标预警；
其中，所述第一数据量差值阈值通过如下公式获取：
Figure BDA0004050614620000061
Figure BDA0004050614620000062
其中，C1表示第一数据量差值阈值；Cs表示所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；Cy表示差值阈值；Csi表示第i批不良数据另存时，对应的所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；n表示当前不良数据另存的总批数；C01表示预设的第一数据量基准值；A表示阈值变量调整参数值。
优选的，根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域，包括：
获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量获取所述不良数据对应的数据量和所述有效数据对应的数据量之间的数据量差值；
判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域；
其中，判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域包括：
如果所述数据量差值超过所述第二数据量差值阈值，则将所述不良数据存储至第二不良数据存储区域，并对所述不良数据进行存储批次编号标识；
如果所述数据量差值未超过所述第二数据量差值阈值，则将所述不良数据存储至第一不良数据存储区域，并对所述不良数据进行存储批次编号标识。
优选的，针对S3中参数数据中不良数据的筛查，还包括：
根据所述无用数据分布情况确定每个无用数据的属性值；
基于每个无用数据的属性值计算出每个第二数值数据集中无用数据的影响因子；
确认每个第二数值数据集中无用数据的影响因子是否大于等于第二预设阈值，若是，确认该数值数据集中存在不良数据，若否，确认该数值数据集中未存在不良数据；
若存在不良数据，将不良数据进行剔除另存储，剔除后保留有效数据，并将有效数据进行存储。
优选的，针对S4中，优化数据的分析与反馈监测数据生成，包括：
将过滤完成的优化数据进行分析，将优化数据信息分割为多层的数据树，每一层包括多个簇；
对每一层对应的子数据信息进行聚类信息，得到若干个聚类集合；将每个聚类集合分配给对应的簇；
将每个簇中的聚类集合包括的数据类别进行类别操作，得到数据类别中的若干个类别前缀；
确定每个类别前缀的前缀特征及每个类别前缀在数据类别中的前缀特征；
根据构建的类别数据库及每个类别前缀的前缀特征，确定类别前缀之间的第一相似度。
优选的，针对S4中，优化数据的分析与反馈监测数据生成，还包括：
根据第一相似度及每个类别前缀在数据类别中的前缀特征，确定类别前缀之间的第二相似度；
对第二相似度大于预设相似度的类别前缀进行去重复处理，得到目标类别前缀集合；
将目标类别前缀集合中位置连续的类别前缀以前缀最小单元进行最大长度拼接，得到拼接前缀；
根据前缀特征对拼接前缀进行清洗，得到关键数据集合；
将关键数据集合中的关键数据转换为数据向量；
分别计算任一簇中每一数据向量与簇对应的标准数据向量之间的距离，筛选出距离最小的数据向量对应的关键数据，作为任一簇中的目标关键数据；
根据任一簇中的目标关键数据确定数据树中每一层包括的关键数据，并根据数据树中每一层包括的关键数据将其生成反馈监测数据。
与现有技术相比，本发明的有益效果如下：
1.本发明提供的基于神经网络的疏浚施工参数选优模型方法，监控插件是对个设备工作过程进行监控，获取各设备工作数据的一种监控工具，动态函数库是监控插件携带的，目的是为了对监控插件的配置信息进行及时调整，配置参数可以是监控插件的工作功率以及与各设备的兼容性等，监控接口目的是与各模块的工作接口进行对接，从而便于采集对应的工作数据，获取施工装置中各个装置中的施工参数数据的功能属性，获取接口的基准接口参数，实现对各设备的监控指标进行有效获取，其次，通过监控指标生成对应的监控插件，并对监控插件的配置信息进行调整，从而实现与对应的模块的接口进行对接，然后根据对接结果通过监控插件获取不同模块的工作数据，且对不同设备的工作数据进行分析，实现对异常数据的故障类型以及故障位置进行准确分析，实现对各设备的工作状态进行有效把握，从而便于在模块存在异常时，及时对设备的位置进行调取，当调取到异常位置时可以根据需求进行警报，可以有效的对异常位置的设备进行保护，防止损坏范围扩大。
2.本发明提供的基于神经网络的疏浚施工参数选优模型方法，通过标记子模块对已经完成基准接口参数提取的功能属性添加特定的识别标记，在接收到基准接口参数的提取指令后，通过甄别子模块根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，调整提取范围，可以避免数据的重复性提取，缩小数据传输量，减少网络传输资源的占用，保障数据传输的顺利进行，提高传输效率，降低传输数据混乱几率和数据管理难度，便于数据的管理和使用；在数据传输前，通过加密子模块将调整后提取范围内的基准接口参数进行打包加密处理，提高了提取过程中的数据传输安全性。
3.本发明提供的基于神经网络的疏浚施工参数选优模型方法，先将参数数据进行标签分类，根据每个数据标签的数值以及该标签对应的数值数据集中每个子数据的动态特性值以及数据量计算出该数据标签的数值数据集的置信度；将置信度大于等于第一预设阈值的第一数据标签对应的第一数值数据集确认为有用数据，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据，可以将数据中不良数据进行提取，并且不良数据进行单独的存储，便于后期的异常查看，再将不良数据从参数数据中剔除，得出有效数据，可以针对有效数据进一步的进行数据优化。
4.本发明提供的基于神经网络的疏浚施工参数选优模型方法，先将优化数据信息分割为多层的数据树，每一层包括多个簇；对每一层对应的子数据信息进行聚类信息，得到若干个聚类集合；将每个聚类集合分配给对应的簇；将每个簇中的聚类集合包括的数据类别进行类别操作，得到数据类别中的若干个类别前缀，可以根据每个参数数据分层的具体类别进行分类，提供数据检索监测的便捷性，根据任一簇中的目标关键数据确定数据树中每一层包括的关键数据，并根据数据树中每一层包括的关键数据将其生成反馈监测数据，通过监测数据可以快速的将每层的参数数据进行监测查阅。
附图说明
图1为本发明的疏浚施工参数优选模型方法的流程示意图；
图2为本发明的参数数据的采集提取模块示意图；
图3为本发明的原始数据的异常排查模块示意图；
图4为本发明的无异常数据的数据加密模块示意图。
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，都属于本发明保护的范围。
为了解决现有技术中，在对施工设备进行数据参数提取时，由于没有对有异常的施工设备的异常位置进行有效定位，从而导致无法第一时间了解到异常的区域，使参数在提取时，参数数据出现不准确的问题，请参阅图1-图3，本实施例提供以下技术方案：
基于神经网络的疏浚施工参数选优模型方法，其特征在于：包括如下步骤：
S1：疏浚施工参数设定：根据疏浚施工所需的参数需求，对施工参数进行组合提取；
其中，先将提取参数和权重参数进行设置，设置完成后提取方案生成列表，再对比疏浚工具的工作强度，对比完成后挑选该强度下的方案并保存；
S2：参数数据加密和运算：根据施工设备中的各个参数的监控数据，对监控数据的原始数据进行异常排查，异常排查完成后对异常数据生成警报数据，对无异常的数据进行数据加密，并对加密数据进行数据运算；
S3：运算数据优化：根据神经网络运算得出的参数数据，将参数数据进行不良数据的筛查并剔除，并自动生成有效数据；
S4：优化数据生成反馈：根据得出的优化数据，将优化数据中的每个数据节点进行数据类别分析，并将分析完成后的数据生成反馈监测数据。
针对S1中参数数据的采集提取，包括：参数接口提取模块，用于：获取施工装置中各个装置中的施工参数数据的功能属性，并基于各个装置的功能属性提取其中接口的基准接口参数；接口监控模块，用于：基于基准接口参数确定对各属性的设备的监控参数指标，并基于监控参数指标根据预先设定的监控插件生成规则生成监控插件，其中，所述监控插件携带有动态函数库；监控接口对接模块，用于：提取监控插件的配置参数，并基于各设备接口的基准接口参数通过所述动态函数库中的各预设函数对所述监控插件的配置参数进行调整，且基于调整结果得到监控插件对应的监控接口；监控数据统计模块，用于：基于监控接口向各模块的模块接口发送监控请求，且在收到模块接口的响应信息时，将监控插件对应的监控接口与各设备的设备接口进行对接；基于对接结果通过监控插件根据预设时间间隔获取对各模块的监控日志文件，并提取监控日志文件中监控数据的数据特征；基于所述数据特征对监控数据进行分类统计，得到各设备的子监控数据。
针对S2中监控数据中原始数据的异常排查，包括：监控数据分析模块，用于：绘制二维直角坐标系，并提取各模块的子监控数据的目标取值，且基于所述目标取值在所述二维直角坐标系进行可视化展示，得到各模块的模块接口参数在监控时间段内的参数变化曲线；获取各模块接口的基准接口参数，并基于所述基准接口参数在二维直角坐标系中得到各模块的基准参考线；将所述参数变化曲线与所述基准参考线进行重叠，并基于重叠结果确定存在异常的参数变化曲线，且基于异常的参数变化曲线得到异常数据；异常接口定位模块，用于：将所述异常数据的子监控数据输入预设故障诊断模型分析，得到所述异常数据的故障类型以及故障位置；异常数据读取模块，用于：将各个设备的异常数据进行分组打包；根据每个打包数据的接口参数的重要度大于等于预设阈值的目标数值进行统计；数据对比模块，用于：获取每个设备端口的参数数据的历史传输成功数据，解析所述历史传输成功数据确定其完整性和安全性，根据所述完整性和安全性评估出该数据设备接口参数的威胁风险指数和漏洞风险指数；根据每个设备接口参数的目标数值的阈值大小和该设备接口参数的威胁风险指数和漏洞风险指数利用预设风险评估体系计算出该设备接口的安全性指数；等级分类模块，用于：根据预设风险评估体系计算出不同设备接口的安全性指数，根据安全性指数的数据值将其进行等级划分，大于异常指数的数据将自动生成异常警报数据。
具体的，监控插件是对个设备工作过程进行监控，获取各设备工作数据的一种监控工具，动态函数库是监控插件携带的，目的是为了对监控插件的配置信息进行及时调整，配置参数可以是监控插件的工作功率以及与各设备的兼容性等，监控接口目的是与各模块的工作接口进行对接，从而便于采集对应的工作数据，获取施工装置中各个装置中的施工参数数据的功能属性，获取接口的基准接口参数，实现对各设备的监控指标进行有效获取，其次，通过监控指标生成对应的监控插件，并对监控插件的配置信息进行调整，从而实现与对应的模块的接口进行对接，然后根据对接结果通过监控插件获取不同模块的工作数据，且对不同设备的工作数据进行分析，实现对异常数据的故障类型以及故障位置进行准确分析，实现对各设备的工作状态进行有效把握，从而便于在模块存在异常时，及时对设备的位置进行调取，当调取到异常位置时可以根据需求进行警报，可以有效的对异常位置的设备进行保护，防止损坏范围扩大。
为了解决现有技术中，在参数数据进行提取后，没有对数据的传输进行加密，从而使数据在传输时的安全性降低，以及数据在进行传输时候，由于传输量没有进行缩小，从而导致数据的传输效率降低的问题，请参阅图1和图4，本实施例提供以下技术方案：
针对S2中无异常数据的数据加密和运算，包括：提取子模块，用于：基于获取施工装置中各个装置中的施工参数数据的功能属性提取其中接口的基准接口参数；标记子模块，用于：对已经完成基准接口参数提取的功能属性添加特定的识别标记；甄别子模块，用于：在接收到基准接口参数的提取指令后，根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，调整提取范围；加密子模块，用于：在数据传输前，将调整后提取范围内的基准接口参数进行打包加密处理；加密数据运算模块，用于：将加密的数据进行数据正常阈值的计算，根据数据库中正常平均值的数据与接收到的实时数据进行对比，并且在对比时将计算对比出的平均值不在正常范围内的数据数值进行单独存储，根据数值的大小对不在正常范围内的数据数值进行数值大小的区分。
具体的，通过标记子模块对已经完成基准接口参数提取的功能属性添加特定的识别标记，在接收到基准接口参数的提取指令后，通过甄别子模块根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，调整提取范围，可以避免数据的重复性提取，缩小数据传输量，减少网络传输资源的占用，保障数据传输的顺利进行，提高传输效率，降低传输数据混乱几率和数据管理难度，便于数据的管理和使用；在数据传输前，通过加密子模块将调整后提取范围内的基准接口参数进行打包加密处理，提高了提取过程中的数据传输安全性。
为了解决现有技术中，将疏浚施工的参数数据进行运算后，没有进一步的将获取的数据进行排查和过滤，从而使得出的参数数据质量过差，导致最后施工品质欠佳的问题，请参阅图1，本实施例提供以下技术方案：
针对S3中参数数据中不良数据的筛查，包括：获取运算完成的参数数据，将参数数据进行标签分类，通过分类标签从参数数据中获取每个数据标签对应的参数数值数据，并将其整合为该数据标签对应的数值数据集；获取每个数据标签的数值以及该数据标签对应的数值数据集中每个子数据的动态特性值以及数据量；根据每个数据标签的数值以及该标签对应的数值数据集中每个子数据的动态特性值以及数据量计算出该数据标签的数值数据集的置信度；将置信度大于等于第一预设阈值的第一数据标签对应的第一数值数据集确认为有用数据，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据；检测每个第二数值数据集中的无用数据分布情况。
针对S3中参数数据中不良数据的筛查，还包括：根据所述无用数据分布情况确定每个无用数据的属性值；基于每个无用数据的属性值计算出每个第二数值数据集中无用数据的影响因子；确认每个第二数值数据集中无用数据的影响因子是否大于等于第二预设阈值，若是，确认该数值数据集中存在不良数据，若否，确认该数值数据集中未存在不良数据；若存在不良数据，将不良数据进行剔除另存储，剔除后保留有效数据，并将有效数据进行存储。
具体的，先将参数数据进行标签分类，根据每个数据标签的数值以及该标签对应的数值数据集中每个子数据的动态特性值以及数据量计算出该数据标签的数值数据集的置信度；将置信度大于等于第一预设阈值的第一数据标签对应的第一数值数据集确认为有用数据，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据，可以将数据中不良数据进行提取，并且不良数据进行单独的存储，便于后期的异常查看，再将不良数据从参数数据中剔除，得出有效数据，可以针对有效数据进一步的进行数据优化。
另一方面，将不良数据进行剔除另存储，包括
当判定所述第二数值数据集中存在不良数据时，从所述第二数值数据集提取所述不良数据；
根据所述不良数据的数据项数数量与有效数据之间的数据项数数量，获取所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；
当所述项数数量差值未超过预设的差值阈值时，提取所述不良数据发送至第一不良数据存储区域，并且，在所述不良数据发送至第一不良数据存储区域，对所述不良数据进行存储批次编号标识；
当所述项数数量差值超过预设的差值阈值时，获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域；
实时对比第一不良数据存储区域内存储的不良数据的数据量和第二不良存储区域内存储的不良数据的数据量，当所述第二不良存储区域内存储的不良数据的数据量超过所述第一不良数据存储区域内存储的不良数据的数据量的数据量差值超过第一数据量差值阈值时，则进行不良数据超标预警；
其中，所述第一数据量差值阈值通过如下公式获取：
Figure BDA0004050614620000161
Figure BDA0004050614620000162
其中，C1表示第一数据量差值阈值；Cs表示所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；Cy表示差值阈值；Csi表示第i批不良数据另存时，对应的所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；n表示当前不良数据另存的总批数；C01表示预设的第一数据量基准值；A表示阈值变量调整参数值。
具体的，根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域，包括：
获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量获取所述不良数据对应的数据量和所述有效数据对应的数据量之间的数据量差值；
判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域；
其中，判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域包括：
如果所述数据量差值超过所述第二数据量差值阈值，则将所述不良数据存储至第二不良数据存储区域，并对所述不良数据进行存储批次编号标识；
如果所述数据量差值未超过所述第二数据量差值阈值，则将所述不良数据存储至第一不良数据存储区域，并对所述不良数据进行存储批次编号标识。
通过上述方式能够通过不良数据分区存储进行有效的判定不良数据的数据量判别，当不良数据过多时，针对过多的不良数据情况进行有效报警，能够有效提高不良数据占比实际情况的监控准确性和监控效率，防止不良数据过多导致有效数据占比较少，进而导致后续的优化效率降低的问题发生。
优选的，针对S3中参数数据中不良数据的筛查，还包括：
根据所述无用数据分布情况确定每个无用数据的属性值；
基于每个无用数据的属性值计算出每个第二数值数据集中无用数据的影响因子；
确认每个第二数值数据集中无用数据的影响因子是否大于等于第二预设阈值，若是，确认该数值数据集中存在不良数据，若否，确认该数值数据集中未存在不良数据；
若存在不良数据，将不良数据进行剔除另存储，剔除后保留有效数据，并将有效数据进行存储。
为了解决现有技术中，在对疏浚施工参数数据计算分析后，没有进一步的对数据进行分层监测，从而导致后期对数据经常查看时无法根据数据类别进行快速的监测的问题，请参阅图1，本实施例提供以下技术方案：
针对S4中，优化数据的分析与反馈监测数据生成，包括：将过滤完成的优化数据进行分析，将优化数据信息分割为多层的数据树，每一层包括多个簇；对每一层对应的子数据信息进行聚类信息，得到若干个聚类集合；将每个聚类集合分配给对应的簇；将每个簇中的聚类集合包括的数据类别进行类别操作，得到数据类别中的若干个类别前缀；确定每个类别前缀的前缀特征及每个类别前缀在数据类别中的前缀特征；根据构建的类别数据库及每个类别前缀的前缀特征，确定类别前缀之间的第一相似度。
针对S4中，优化数据的分析与反馈监测数据生成，还包括：根据第一相似度及每个类别前缀在数据类别中的前缀特征，确定类别前缀之间的第二相似度；对第二相似度大于预设相似度的类别前缀进行去重复处理，得到目标类别前缀集合；将目标类别前缀集合中位置连续的类别前缀以前缀最小单元进行最大长度拼接，得到拼接前缀；根据前缀特征对拼接前缀进行清洗，得到关键数据集合；将关键数据集合中的关键数据转换为数据向量；分别计算任一簇中每一数据向量与簇对应的标准数据向量之间的距离，筛选出距离最小的数据向量对应的关键数据，作为任一簇中的目标关键数据；根据任一簇中的目标关键数据确定数据树中每一层包括的关键数据，并根据数据树中每一层包括的关键数据将其生成反馈监测数据。
具体的，先将优化数据信息分割为多层的数据树，每一层包括多个簇；对每一层对应的子数据信息进行聚类信息，得到若干个聚类集合；将每个聚类集合分配给对应的簇；将每个簇中的聚类集合包括的数据类别进行类别操作，得到数据类别中的若干个类别前缀，可以根据每个参数数据分层的具体类别进行分类，提供数据检索监测的便捷性，根据任一簇中的目标关键数据确定数据树中每一层包括的关键数据，并根据数据树中每一层包括的关键数据将其生成反馈监测数据，通过监测数据可以快速的将每层的参数数据进行监测查阅。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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 (10)

1.基于神经网络的疏浚施工参数选优模型方法，其特征在于：包括如下步骤：
S1：疏浚施工参数设定：根据疏浚施工所需的参数需求，对施工参数进行组合提取；
其中，先将提取参数和权重参数进行设置，设置完成后提取方案生成列表，再对比疏浚工具的工作强度，对比完成后挑选该强度下的方案并保存；
S2：参数数据加密和运算：根据施工设备中的各个参数的监控数据，对监控数据的原始数据进行异常排查，异常排查完成后对异常数据生成警报数据，对无异常的数据进行数据加密，并对加密数据进行数据运算；
S3：运算数据优化：根据神经网络运算得出的参数数据，将参数数据进行不良数据的筛查并剔除，并自动生成有效数据；
S4：优化数据生成反馈：根据得出的优化数据，将优化数据中的每个数据节点进行数据类别分析，并将分析完成后的数据生成反馈监测数据。
2.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S1中参数数据的采集提取，包括：
参数接口提取模块，用于：
获取施工装置中各个装置中的施工参数数据的功能属性，并基于各个装置的功能属性提取其中接口的基准接口参数；
接口监控模块，用于：
基于基准接口参数确定对各属性的设备的监控参数指标，并基于监控参数指标根据预先设定的监控插件生成规则生成监控插件，其中，所述监控插件携带有动态函数库；
监控接口对接模块，用于：
提取监控插件的配置参数，并基于各设备接口的基准接口参数通过所述动态函数库中的各预设函数对所述监控插件的配置参数进行调整，且基于调整结果得到监控插件对应的监控接口；
监控数据统计模块，用于：
基于监控接口向各模块的模块接口发送监控请求，且在收到模块接口的响应信息时，将监控插件对应的监控接口与各设备的设备接口进行对接；
基于对接结果通过监控插件根据预设时间间隔获取对各模块的监控日志文件，并提取监控日志文件中监控数据的数据特征；
基于所述数据特征对监控数据进行分类统计，得到各设备的子监控数据。
3.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S2中监控数据中原始数据的异常排查，包括：
监控数据分析模块，用于：
绘制二维直角坐标系，并提取各模块的子监控数据的目标取值，且基于所述目标取值在所述二维直角坐标系进行可视化展示，得到各模块的模块接口参数在监控时间段内的参数变化曲线；
获取各模块接口的基准接口参数，并基于所述基准接口参数在二维直角坐标系中得到各模块的基准参考线；
将所述参数变化曲线与所述基准参考线进行重叠，并基于重叠结果确定存在异常的参数变化曲线，且基于异常的参数变化曲线得到异常数据；
异常接口定位模块，用于：
将所述异常数据的子监控数据输入预设故障诊断模型分析，得到所述异常数据的故障类型以及故障位置；
异常数据读取模块，用于：
将各个设备的异常数据进行分组打包；
根据每个打包数据的接口参数的重要度大于等于预设阈值的目标数值进行统计；
数据对比模块，用于：
获取每个设备端口的参数数据的历史传输成功数据，解析所述历史传输成功数据确定其完整性和安全性，根据所述完整性和安全性评估出该数据设备接口参数的威胁风险指数和漏洞风险指数；
根据每个设备接口参数的目标数值的阈值大小和该设备接口参数的威胁风险指数和漏洞风险指数利用预设风险评估体系计算出该设备接口的安全性指数；
等级分类模块，用于：
根据预设风险评估体系计算出不同设备接口的安全性指数，根据安全性指数的数据值将其进行等级划分，大于异常指数的数据将自动生成异常警报数据。
4.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S2中无异常数据的数据加密和运算，包括：
提取子模块，用于：
基于获取施工装置中各个装置中的施工参数数据的功能属性提取其中接口的基准接口参数；
标记子模块，用于：
对已经完成基准接口参数提取的功能属性添加特定的识别标记；
甄别子模块，用于：
在接收到基准接口参数的提取指令后，根据指令内容查询各个功能属性，并将带有识别标记的功能属性从提取范围内剔除，调整提取范围；
加密子模块，用于：
在数据传输前，将调整后提取范围内的基准接口参数进行打包加密处理；
加密数据运算模块，用于：
将加密的数据进行数据正常阈值的计算，根据数据库中正常平均值的数据与接收到的实时数据进行对比，并且在对比时将计算对比出的平均值不在正常范围内的数据数值进行单独存储，根据数值的大小对不在正常范围内的数据数值进行数值大小的区分。
5.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S3中参数数据中不良数据的筛查，包括：
获取运算完成的参数数据，将参数数据进行标签分类，通过分类标签从参数数据中获取每个数据标签对应的参数数值数据，并将其整合为该数据标签对应的数值数据集；
获取每个数据标签的数值以及该数据标签对应的数值数据集中每个子数据的动态特性值以及数据量；
根据每个数据标签的数值以及该标签对应的数值数据集中每个子数据的动态特性值以及数据量计算出该数据标签的数值数据集的置信度；
将置信度大于等于第一预设阈值的第一数据标签对应的第一数值数据集确认为有用数据，确认置信度小于所述第一预设阈值的第二数据标签对应的第二数值数据集中存在无用数据；
检测每个第二数值数据集中的无用数据分布情况。
6.根据权利要求5所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S3中参数数据中不良数据的筛查，还包括：
根据所述无用数据分布情况确定每个无用数据的属性值；
基于每个无用数据的属性值计算出每个第二数值数据集中无用数据的影响因子；
确认每个第二数值数据集中无用数据的影响因子是否大于等于第二预设阈值，若是，确认该数值数据集中存在不良数据，若否，确认该数值数据集中未存在不良数据；
若存在不良数据，将不良数据进行剔除另存储，剔除后保留有效数据，并将有效数据进行存储。
7.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：将不良数据进行剔除另存储，包括
当判定所述第二数值数据集中存在不良数据时，从所述第二数值数据集提取所述不良数据；
根据所述不良数据的数据项数数量与有效数据之间的数据项数数量，获取所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；
当所述项数数量差值未超过预设的差值阈值时，提取所述不良数据发送至第一不良数据存储区域，并且，在所述不良数据发送至第一不良数据存储区域，对所述不良数据进行存储批次编号标识；
当所述项数数量差值超过预设的差值阈值时，获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域；
实时对比第一不良数据存储区域内存储的不良数据的数据量和第二不良存储区域内存储的不良数据的数据量，当所述第二不良存储区域内存储的不良数据的数据量超过所述第一不良数据存储区域内存储的不良数据的数据量的数据量差值超过第一数据量差值阈值时，则进行不良数据超标预警；
其中，所述第一数据量差值阈值通过如下公式获取：
Figure FDA0004050614610000051
Figure FDA0004050614610000052
其中，C1表示第一数据量差值阈值；Cs表示所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；Cy表示差值阈值；Csi表示第i批不良数据另存时，对应的所述不良数据的数据项数数量与有效数据之间的数据项数数之间的项数数量差值；n表示当前不良数据另存的总批数；C01表示预设的第一数据量基准值；A表示阈值变量调整参数值。
8.根据权利要求7所述的基于神经网络的疏浚施工参数选优模型方法，根据所述不良数据对应的数据量和所述有效数据对应的数据量之间的数量关系，确定所述不良数据是否需要发送至第二不良数据存储区域，包括：
获取所述不良数据对应的数据量和所述有效数据对应的数据量；
根据所述不良数据对应的数据量和所述有效数据对应的数据量获取所述不良数据对应的数据量和所述有效数据对应的数据量之间的数据量差值；
判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域；
其中，判断所述数据量差值是否超过第二数据量差值阈值，获得判断结果，并根据判断结果确定所述不良数据是否需要发送至第二不良数据存储区域包括：
如果所述数据量差值超过所述第二数据量差值阈值，则将所述不良数据存储至第二不良数据存储区域，并对所述不良数据进行存储批次编号标识；
如果所述数据量差值未超过所述第二数据量差值阈值，则将所述不良数据存储至第一不良数据存储区域，并对所述不良数据进行存储批次编号标识。
9.根据权利要求1所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S4中，优化数据的分析与反馈监测数据生成，包括：
将过滤完成的优化数据进行分析，将优化数据信息分割为多层的数据树，每一层包括多个簇；
对每一层对应的子数据信息进行聚类信息，得到若干个聚类集合；将每个聚类集合分配给对应的簇；
将每个簇中的聚类集合包括的数据类别进行类别操作，得到数据类别中的若干个类别前缀；
确定每个类别前缀的前缀特征及每个类别前缀在数据类别中的前缀特征；
根据构建的类别数据库及每个类别前缀的前缀特征，确定类别前缀之间的第一相似度。
10.根据权利要求9所述的基于神经网络的疏浚施工参数选优模型方法，其特征在于：针对S4中，优化数据的分析与反馈监测数据生成，还包括：
根据第一相似度及每个类别前缀在数据类别中的前缀特征，确定类别前缀之间的第二相似度；
对第二相似度大于预设相似度的类别前缀进行去重复处理，得到目标类别前缀集合；
将目标类别前缀集合中位置连续的类别前缀以前缀最小单元进行最大长度拼接，得到拼接前缀；
根据前缀特征对拼接前缀进行清洗，得到关键数据集合；
将关键数据集合中的关键数据转换为数据向量；
分别计算任一簇中每一数据向量与簇对应的标准数据向量之间的距离，筛选出距离最小的数据向量对应的关键数据，作为任一簇中的目标关键数据；
根据任一簇中的目标关键数据确定数据树中每一层包括的关键数据，并根据数据树中每一层包括的关键数据将其生成反馈监测数据。
CN202310040304.XA 2023-01-12 2023-01-12 基于神经网络的疏浚施工参数选优模型方法 Active CN116290203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310040304.XA CN116290203B (zh) 2023-01-12 2023-01-12 基于神经网络的疏浚施工参数选优模型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310040304.XA CN116290203B (zh) 2023-01-12 2023-01-12 基于神经网络的疏浚施工参数选优模型方法

Publications (2)

Publication Number Publication Date
CN116290203A true CN116290203A (zh) 2023-06-23
CN116290203B CN116290203B (zh) 2023-10-03

Family

ID=86827669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310040304.XA Active CN116290203B (zh) 2023-01-12 2023-01-12 基于神经网络的疏浚施工参数选优模型方法

Country Status (1)

Country Link
CN (1) CN116290203B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11286957A (ja) * 1998-04-03 1999-10-19 Ishikawajima Harima Heavy Ind Co Ltd 浚渫船のｒａｎｃ自動制御方法
US20060020430A1 (en) * 2004-05-11 2006-01-26 Peter Gipps Path analysis system with client and server-side applications
CN104573869A (zh) * 2015-01-16 2015-04-29 河海大学常州校区 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统
CN106836341A (zh) * 2017-02-23 2017-06-13 中交烟台环保疏浚有限公司 智能绞吸式挖泥船的控制系统与控制方法
CN107506903A (zh) * 2017-08-01 2017-12-22 深圳市盛路物联通讯技术有限公司 一种安全管理方法和装置
JP2020002709A (ja) * 2018-06-29 2020-01-09 日立建機株式会社 作業機械
US20200184028A1 (en) * 2018-12-10 2020-06-11 Institute For Information Industry Optimization method and module thereof based on feature extraction and machine learning
CN111859777A (zh) * 2020-05-28 2020-10-30 中港疏浚有限公司 一种耙吸船智能挖掘工艺参数的计算方法
CN114065639A (zh) * 2021-11-19 2022-02-18 江苏科技大学 一种挖泥船施工参数的闭环实时反演方法
CN114264335A (zh) * 2021-12-20 2022-04-01 武汉品先电气自动化设备有限公司 一种机械设备智能实时监测系统
CN114385765A (zh) * 2021-12-03 2022-04-22 中交疏浚技术装备国家工程研究中心有限公司 一种基于航迹数据的耙吸挖泥船生产时间预估方法
CN114661006A (zh) * 2022-03-03 2022-06-24 江苏科技大学 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法
CN115457096A (zh) * 2022-08-17 2022-12-09 三一重机有限公司 作业机械的辅助控制方法、装置、系统及作业机械

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11286957A (ja) * 1998-04-03 1999-10-19 Ishikawajima Harima Heavy Ind Co Ltd 浚渫船のｒａｎｃ自動制御方法
US20060020430A1 (en) * 2004-05-11 2006-01-26 Peter Gipps Path analysis system with client and server-side applications
CN104573869A (zh) * 2015-01-16 2015-04-29 河海大学常州校区 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统
CN106836341A (zh) * 2017-02-23 2017-06-13 中交烟台环保疏浚有限公司 智能绞吸式挖泥船的控制系统与控制方法
CN107506903A (zh) * 2017-08-01 2017-12-22 深圳市盛路物联通讯技术有限公司 一种安全管理方法和装置
JP2020002709A (ja) * 2018-06-29 2020-01-09 日立建機株式会社 作業機械
US20200184028A1 (en) * 2018-12-10 2020-06-11 Institute For Information Industry Optimization method and module thereof based on feature extraction and machine learning
CN111859777A (zh) * 2020-05-28 2020-10-30 中港疏浚有限公司 一种耙吸船智能挖掘工艺参数的计算方法
CN114065639A (zh) * 2021-11-19 2022-02-18 江苏科技大学 一种挖泥船施工参数的闭环实时反演方法
CN114385765A (zh) * 2021-12-03 2022-04-22 中交疏浚技术装备国家工程研究中心有限公司 一种基于航迹数据的耙吸挖泥船生产时间预估方法
CN114264335A (zh) * 2021-12-20 2022-04-01 武汉品先电气自动化设备有限公司 一种机械设备智能实时监测系统
CN114661006A (zh) * 2022-03-03 2022-06-24 江苏科技大学 一种耙吸挖泥船抽舱吹岸过程优化控制系统及方法
CN115457096A (zh) * 2022-08-17 2022-12-09 三一重机有限公司 作业机械的辅助控制方法、装置、系统及作业机械

Also Published As

Publication number Publication date
CN116290203B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
CN116881749B (zh) 一种污染场地施工监测方法及系统
CN114201374B (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
CN115269342B (zh) 一种基于边缘计算的监测云平台及其监测方法
CN111831856B (zh) 一种基于元数据的全息数字电网数据自动入库系统及方法
CN111738371B (zh) 一种基于随机森林数据挖掘的地层裂缝条数预测方法
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN116986246A (zh) 一种用于对输煤皮带进行智能巡检系统及巡检方法
CN117421735A (zh) 基于大数据漏洞挖掘的挖掘评估方法
CN116389159A (zh) 基于多源数据异常监测的电子信息网络安全系统
CN116150191A (zh) 一种用于云端数据架构的数据运算加速方法及系统
CN113657747B (zh) 一种企业安全生产标准化级别智能评定系统
CN116290203B (zh) 基于神经网络的疏浚施工参数选优模型方法
CN117422938A (zh) 基于三维分析平台的坝坡混凝土结构异常分析方法
CN117729043A (zh) 一种基于大数据的网络安全预警方法及系统
CN117114420A (zh) 一种基于图像识别的工贸安全事故风险管控系统和方法
CN113221107B (zh) 一种面向工控系统的入侵检测规则匹配优化方法
CN116366277A (zh) 一种信息融合的网络安全态势评估方法
CN115578841A (zh) 基于Z-score模型的盾构异常数据检测方法及系统
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及系统
CN111639711B (zh) 一种基于压力监测时序数据的输油管线泄漏监测方法
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN111667920A (zh) 一种基于定位数据的人群密切接触排查方法
CN117395183B (zh) 一种工业物联网异常流量分级检测方法和系统
CN117786182B (zh) 基于erp系统的业务数据存储系统及方法
CN116308115B (zh) 一种基于网络探测技术的电力信息资产识别与分析方法

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