CN116448062B - 一种桥梁沉降变形检测方法、装置、计算机及存储介质 - Google Patents

一种桥梁沉降变形检测方法、装置、计算机及存储介质 Download PDF

Info

Publication number
CN116448062B
CN116448062B CN202310728552.3A CN202310728552A CN116448062B CN 116448062 B CN116448062 B CN 116448062B CN 202310728552 A CN202310728552 A CN 202310728552A CN 116448062 B CN116448062 B CN 116448062B
Authority
CN
China
Prior art keywords
data
sensor
matrix
weighting coefficient
steps
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
Application number
CN202310728552.3A
Other languages
English (en)
Other versions
CN116448062A (zh
Inventor
李红伟
李敬悦
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.)
Zhonglu Testing Technology Shandong Co ltd
Original Assignee
Zhonglu Testing Technology Shandong 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 Zhonglu Testing Technology Shandong Co ltd filed Critical Zhonglu Testing Technology Shandong Co ltd
Priority to CN202310728552.3A priority Critical patent/CN116448062B/zh
Publication of CN116448062A publication Critical patent/CN116448062A/zh
Application granted granted Critical
Publication of CN116448062B publication Critical patent/CN116448062B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种桥梁沉降变形检测方法、装置、计算机及存储介质，涉及桥梁检测技术领域，所述方法包括：获取至少一个传感器采集的沉降变形数据；对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据；根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；将所述融合数据与动态阈值进行对比，得到对比结果；根据所述对比结果分析桥梁结构的稳定性和安全性。本发明可提高监测结果的准确性和可靠性，更直观地判断桥梁结构的稳定性和安全性。

Description

一种桥梁沉降变形检测方法、装置、计算机及存储介质
技术领域
本发明涉及桥梁检测技术领域，特别是指一种桥梁沉降变形检测方法、装置、计算机及存储介质。
背景技术
传统的道路桥梁沉降变形检测方法通常使用单一传感器来监测沉降变形情况，这种方法的局限在于：
单一传感器可能存在误差、漂移等问题，且可能无法覆盖整个桥梁；同时，传感器之间可能会互相干扰，从而影响监测结果的准确性和可靠性。
发明内容
本发明要解决的技术问题是提供一种桥梁沉降变形检测方法、装置、计算机及存储介质，采用多个传感器监测，可以克服单一传感器误差、漂移等问题，提高监测结果的准确性和可靠性，使用加权系数矩阵对各个传感器的数据进行加权融合，可以更全面地反映桥梁结构的变形情况，从而提高监测结果的精度和稳定性，通过对比融合数据与动态阈值，可以更直观地判断桥梁结构的稳定性和安全性，提高监测结果的可读性和可操作性。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种桥梁沉降变形检测方法，所述方法包括：
获取至少一个传感器采集的沉降变形数据；
对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据；
根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；
将所述融合数据与动态阈值进行对比，得到对比结果；
根据所述对比结果分析桥梁结构的稳定性和安全性。
进一步的，对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据，包括：
将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目；
从至少一个传感器中获取沉降变形数据，其中，每个传感器分别采集到一组沉降变形数据，分别为：
[d 1,1 ，d 1,2 ，....，d 1,n ],[d 2,1 ，d 2,2 ，....，d 2,n ],....,[d m,1 ，d m,2 ，....，d m,n ]，其中，d m,n 为第m个传感器采集到的第n个沉降变形数据，m为传感器数量，n为每个传感器采集到的数据量；
对于每个传感器i，其中，i=1,2,...,m，按顺序获取传感器i第一个沉降变形数据点d i,1 ，计算传感器i第一个沉降变形数据点d i,1 至第k个沉降变形数据点d i,k 之间的平均值d i,k+1 ，将所述平均值d i,k+1 作为预处理数据，其中，所述平均值，其中，d i,j 为第i个传感器采集到的第j个沉降变形数据，其中，m≥i，n≥j。
进一步的，根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵，包括：
提取预处理数据中，每个传感器监测的沉降速率；
根据每个传感器的沉降速率，计算每个传感器的相对方差rv i ，其中，，/>为第i个传感器采集到的沉降变形数据的方差；
根据每个传感器的相对方差rv i ，计算出每个传感器的权重因子w i ，其中，，w i 为第i个传感器的权重因子；
将每个传感器的权重因子w i 组成一个对角矩阵作为加权系数矩阵，对角矩阵的对角线元素为每个传感器的权重因子，其余元素为零，其中，加权系数矩阵为。
进一步的，根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据，包括：
将预处理后的每个传感器采集的沉降变形数据分别转化为具有相同统计分布的数据序列；
将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，其中，第i个传感器的加权系数矩阵为W i ，第i个传感器对应的数据序列为x i ，加权后的传感器数据序列为y i =W i ×x i ；
将所有加权后的传感器数据序列相加，得到融合数据序列，其中，融合数据序列为；
将融合数据序列进行反标准化，得到最终融合数据。
进一步的，将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，包括：
获取每一个传感器的原始数据序列，以及每个传感器各自对应的加权系数矩阵，其中，加权系数矩阵的行数和列数均为原始数据序列的长度；
将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，其中，，其中，n i 为加权系数矩阵W i 的行数，l i 为数据序列的长度；
根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，其中，。
进一步的，将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，包括：
设定第i个传感器的数据序列，加权系数矩阵/>为第i个传感器的加权系数矩阵；
根据加权系数矩阵W i 的行数n i ，将数据序列x i 沿列方向重复n i 次，得到n i ×l i 的矩阵X i ，其中，。
进一步的，根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，包括：
将加权系数矩阵W i 作为n i 行、l i 列的矩阵，将矩阵X i 作为l i 行、n i 列的矩阵；
将加权系数矩阵W i 与矩阵X i 相乘得到n i ×n i 的矩阵Z i ，其中：
；
将矩阵Z i 的每一行进行求和，得到n i 维的向量y i ，其中，，其中，/>为W i 矩阵的第n i 行第i列的元素，t为矩阵X i 的第t列。
第二方面，一种桥梁沉降变形检测装置，包括：
获取模块，用于获取至少一个传感器采集的沉降变形数据；对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据；
处理模块，用于根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；将所述融合数据与动态阈值进行对比，得到对比结果；根据所述对比结果分析桥梁结构的稳定性和安全性。
第三方面，一种计算机，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，采用多个传感器监测，可以克服单一传感器误差、漂移等问题，提高监测结果的准确性和可靠性，使用加权系数矩阵对各个传感器的数据进行加权融合，可以更全面地反映桥梁结构的变形情况，从而提高监测结果的精度和稳定性，通过对比融合数据与动态阈值，可以更直观地判断桥梁结构的稳定性和安全性，提高监测结果的可读性和可操作性。
附图说明
图1是本发明的实施例提供的桥梁沉降变形检测方法的流程示意图。
图2是本发明的实施例提供的桥梁沉降变形检测装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种桥梁沉降变形检测方法，所述方法包括以下步骤：
步骤11，获取至少一个传感器采集的沉降变形数据；
步骤12，对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据；
步骤13，根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；
步骤14，将所述融合数据与动态阈值进行对比，得到对比结果；
步骤15，根据所述对比结果分析桥梁结构的稳定性和安全性。
在本发明实施例中，通过采用多个传感器监测，可以克服单一传感器误差、漂移等问题，提高监测结果的准确性和可靠性，使用加权系数矩阵对各个传感器的数据进行加权融合，可以更全面地反映桥梁结构的变形情况，从而提高监测结果的精度和稳定性，通过对比融合数据与动态阈值，可以更直观地判断桥梁结构的稳定性和安全性，提高监测结果的可读性和可操作性。
需要说明的是，在步骤11中，通过采集桥梁的沉降变形数据，通过多个传感器监测，可以得到数据的多个来源，提高监测结果的准确性和可靠性。在步骤12中，通过对采集到的数据进行预处理，从而得到更加准确、可靠的预处理数据。在步骤13中，通过对预处理后的数据进行进一步处理，通过为各个传感器分配权重因子，可以确定各个传感器在数据融合中的权重，即各个传感器采集数据的重要程度，进而根据加权系数矩阵进行加权融合得到更加准确、可靠的融合数据。在步骤14中，通过将融合后得到的数据与动态阈值进行比较，判断桥梁结构的稳定性和安全性，从而提供预警和监测结果评估等信息，可以根据实际情况设置不同的动态阈值，以适应不同的监测需求。在步骤15中，如果融合数据超过了预设，即桥梁结构当前存在安全隐患，那么需要采取相应的措施，如提高监测频率或者进行修缮工作，保证桥梁结构的稳定性和安全性；如果融合数据未超过预设，即桥梁结构当前处于正常状态，那么可以继续进行监测和采集数据等工作，以及时发现并排除潜在的安全隐患。因此，本发明通过使用多个传感器监测，采用加权系数矩阵对各个传感器的数据进行加权融合，可以更全面地反映桥梁结构的变形情况，从而提高监测结果的精度和稳定性，同时通过对比融合数据与动态阈值，可以更直观地判断桥梁结构的稳定性和安全性，提高监测结果的可读性和可操作性。
在本发明一优选的实施例中，上述步骤12，可以包括：
步骤121，将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目；
步骤122，从至少一个传感器中获取沉降变形数据，其中，每个传感器分别采集到一组沉降变形数据，分别为：
[d 1,1 ，d 1,2 ，....，d 1,n ],[d 2,1 ，d 2,2 ，....，d 2,n ],....,[d m,1 ，d m,2 ，....，d m,n ]，其中，d m,n 为第m个传感器采集到的第n个沉降变形数据，m为传感器数量，n为每个传感器采集到的数据量；
步骤123，对于每个传感器i，其中，i=1,2,...,m，按顺序获取传感器i第一个沉降变形数据点d i,1 ，计算传感器i第一个沉降变形数据点d i,1 至第k个沉降变形数据点d i,k 之间的平均值d i,k+1 ，将所述平均值d i,k+1 作为预处理数据，其中，所述平均值，其中，d i,j 为第i个传感器采集到的第j个沉降变形数据，其中，m≥i，n≥j。
在本发明实施例中，在步骤121中，通过对采集到的原始数据进行筛选和过滤，避免噪声和其他无关数据的影响，同时分段处理数据能够更加清晰地了解桥梁结构的运行情况。在步骤122中，通过获取桥梁各处的沉降变形数据，采用多个传感器监测，可以更全面、细致地了解桥梁结构的变形情况，从而提高监测结果的准确性和可靠性。在步骤123中，通过对采集到的沉降变形数据进行预处理，通过计算每个传感器的数据平均值，得到更加稳定、准确、可靠的预处理数据，从而提高监测结果的精度和可靠性，能够更好地反映出沉降变形的趋势。因此，本发明通过对采集到的原始数据进行分段处理，并通过计算平均值得到更加稳定、准确、可靠的预处理数据，进一步提高了监测结果的精度和可靠性。
在本发明另一优选的实施例中，上述步骤121，可以包括：
步骤1211，确定时间间隔，确定一个固定的时间间隔，例如每隔10分钟对采集到的沉降变形数据进行处理；
步骤1212，分段处理数据，将采集到的沉降变形数据按照固定的时间间隔分段处理，具体地，可以将原始数据按照时间戳排序，并根据时间间隔对其进行划分，例如，如果时间间隔为10分钟，那么可以将数据划分为多个10分钟的段，每个段包含该段内的所有数据点；
步骤1213，计算每个时间段内的数据点数目，统计每个时间段内的数据点数目，具体来说，对于每个时间段，可以计算其中包含的数据点数量，并将其记录下来，就能够得知每个时间段内的数据密度情况。因此，通过将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目，可以更好地理解数据，并为后续的数据处理和分析提供基础。
在本发明另一优选的实施例中，上述步骤122，可以包括：
步骤1221，确定传感器数量和数据量，确定要使用的传感器数量和每个传感器采集的数据量，例如，假设有m个传感器，每个传感器采集到n个沉降变形数据；
步骤1222，获取传感器采集到的数据，从每个传感器中获取其采集到的沉降变形数据，对于每个传感器，可以将它采集到的n个数据点组成一个列表，例如，第i个传感器采集到的数据为[d i,1 ，d i,2 ，....，d i,n ]；
步骤1223，组合所有传感器的数据，得到一个m行n列的数据矩阵。具体地，将每个传感器采集到的n个数据点作为一行，然后将这些行按顺序排列，组成数据矩阵，例如，将第1个传感器采集到的数据点作为第1行，第2个传感器采集到的数据点作为第2行，以此类推，最终得到一个m行n列的数据矩阵D；
步骤1224，对数据矩阵D进行处理，以使得数据矩阵D更加规范化，方便后续的数据分析和处理，因此，通过从至少一个传感器中获取沉降变形数据，并将其组合成一个数据矩阵，可以使获取的数据更加准确。
在本发明另一优选的实施例中，上述步骤1224，可以包括：
步骤12241，计算数据矩阵 D 中每列的标准差；
步骤12242，根据计算出的每列标准差，比较每个数据点与对应列的标准差的倍数，从而判断哪些数据点有可能是异常值，如果某个数据点的值超过了对应列标准差的k倍（例如k=3），则可以被认为是异常值；
步骤12243，若确定了哪些数据点是异常值，则将异常值所在的行或列删除，具体地，可以通过扫描数据矩阵D，如果发现某个数据点是异常值，则将该行或列删除，得到一个新的数据矩阵 D'，通过此步骤，可以清洗掉数据中的噪声和异常值，提高数据质量，并为后续的数据分析提供更稳定、可靠的数据基础。
在本发明一优选的实施例中，上述步骤13，可以包括：
步骤131，提取预处理数据中，每个传感器监测的沉降速率；
步骤132，根据每个传感器的沉降速率，计算每个传感器的相对方差rv i ，其中，，/>为第i个传感器采集到的沉降变形数据的方差；
步骤133，根据每个传感器的相对方差rv i ，计算出每个传感器的权重因子w i ，其中，，w i 为第i个传感器的权重因子；
步骤134，将每个传感器的权重因子w i 组成一个对角矩阵作为加权系数矩阵，对角矩阵的对角线元素为每个传感器的权重因子，其余元素为零，其中，加权系数矩阵为。
在本发明实施例中，在步骤131中，通过在预处理数据的基础上，计算出每个传感器的沉降速率，能够更加直观地了解桥梁结构的运行情况，从而更好地判断桥梁结构是否存在沉降和变形的问题。在步骤132中，通过计算每个传感器的相对方差，量化各传感器之间的差异性，可以方便进一步分析各传感器数据的可靠性和精度。在步骤133中，通过计算各传感器的权重因子，获得各传感器的权重，使准确度高、可靠性好的传感器具有更高的权重，从而提高监测结果的准确性和可靠性。在步骤134中，通过将每个传感器的权重因子组成一个对角矩阵，可以用于加权处理，通过对各传感器数据进行加权处理，能够更加精确、准确地获得桥梁结构的沉降变形情况，进一步提高监测结果的可靠性和精度。因此，本发明通过将预处理数据转化为权重矩阵并进行加权处理，这样能够更好地反映出每个传感器数据的贡献程度，提高监测结果的可靠性和精度。
在本发明一优选的实施例中，上述步骤13，还可以包括：
步骤135，将预处理后的每个传感器采集的沉降变形数据分别转化为具有相同统计分布的数据序列；
步骤136，将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，其中，第i个传感器的加权系数矩阵为W i ，第i个传感器对应的数据序列为x i ，加权后的传感器数据序列为y i =W i ×x i ；
步骤137，将所有加权后的传感器数据序列相加，得到融合数据序列，其中，融合数据序列为；
步骤138，将融合数据序列进行反标准化，得到最终融合数据。
在本发明实施例中，在步骤135中，通过对每个传感器的沉降变形数据进行转化，使得各传感器之间的数据具有相同的统计分布，便于数据加权处理。在步骤136中，根据获得的加权系数矩阵，对每个传感器的数据序列进行加权处理，可以使准确度高和可靠性好的传感器具有更高的权重，进一步提高监测结果的可靠性和精度。在步骤137中，将所有传感器的加权数据序列相加，得到融合数据序列，通过将各传感器的数据序列融合在一起，能够更全面地反映桥梁结构的沉降变形情况。在步骤138中，根据先前的标准化处理，将得到的融合数据序列进行反标准化处理，得到最终的融合数据，能够更好地分析桥梁结构的实际沉降变形情况及其趋势。因此，本发明能够更加准确、可靠地反映出桥梁结构的实际沉降变形情况，进一步提高监测结果的可靠性和精度。
在本发明一优选的实施例中，上述步骤136，可以包括：
步骤1361，获取每一个传感器的原始数据序列，以及每个传感器各自对应的加权系数矩阵，其中，加权系数矩阵的行数和列数均为原始数据序列的长度；
步骤1362，将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，其中，，其中，n i 为加权系数矩阵W i 的行数，l i 为数据序列的长度；
步骤1363，根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，其中，。
在本发明实施例中，通过将加权系数矩阵进行重复拼接，生成与原始数据序列相同长度的新的矩阵X i ，并且新的矩阵X i 中的每一行都是对应传感器的加权系数矩阵的行数次重复，即每行的加权系数相同，能够更好地区分出哪些传感器的数据对于整体结果更为重要，使得每个传感器的数据根据其可靠性和准确度进行加权，从而生成更加精确可靠的融合数据序列。
在本发明一优选的实施例中，上述步骤1362，可以包括：
步骤13621，设定第i个传感器的数据序列，加权系数矩阵/>为第i个传感器的加权系数矩阵；
步骤13622，根据加权系数矩阵W i 的行数n i ，将数据序列x i 沿列方向重复n i 次，得到n i ×l i 的矩阵X i ，其中，。
在本发明实施例中，通过将数据序列沿列方向进行加权，使得每个传感器的数据根据其可靠性和准确度进行加权，从而生成更加精确可靠的融合数据序列，在该步骤中，根据当前处理传感器的加权系数矩阵对数据序列进行了重复拼接，并生成了一个新的矩阵X i ，这个新矩阵中的每一行都是对应传感器的加权系数矩阵的行数次重复，即每行的加权系数相同，可以保证每个传感器的数据在进行加权后，数据点的数量与其他传感器的数据点数量相同，使得数据能够进行后续处理。
在本发明一优选的实施例中，上述步骤1363，可以包括：
步骤13631，将加权系数矩阵W i 作为n i 行、l i 列的矩阵，将矩阵X i 作为l i 行、n i 列的矩阵；
步骤13632，将加权系数矩阵W i 与矩阵X i 相乘得到n i ×n i 的矩阵Z i ，其中：
；
步骤13633，将矩阵Z i 的每一行进行求和，得到n i 维的向量y i ，其中，，其中，/>为W i 矩阵的第n i 行第i列的元素，t为矩阵X i 的第t列。
在本发明实施例中，根据传感器i的加权系数矩阵W i 和矩阵X i ，计算出它与其他传感器之间的权重，并生成一个n i 维的权重向量y i ，从而确定每个传感器在最终融合数据中所占的权重，这个权重向量可以进一步用于后续的数据集成和分析，以提高数据处理和分析的效率和准确性。
在本发明另一优选的实施例中，上述步骤14，可以包括：
步骤141，分别收集与传感器采集的沉降变形数据相对应的时间段内的风速数据、湿度数据以及土壤环境数据，其中，风速和湿度数据可以从气象部门获取或使用专门的气象监测设备进行实时采集；土壤环境数据（如土壤类型、含水量等）可通过地质勘查和土壤监测设备获得；
步骤142，对收集到的风速、湿度、土壤环境以及对应的沉降变形数据进行归一化处理，使其位于相同的数值范围，以得到归一化数据，根据所述归一化数据构建神经网络模型，所述神经网络模型的输入层包括风速、湿度和土壤环境特征，输出层为预测的沉降变形值，训练所述神经网络模型以最小化预测误差，并确定合适的权重和偏置值；
步骤143，将实时采集的风速数据、湿度数据以及土壤环境数据输入神经网络模型，得到各个时间段内的动态阈值；
步骤144，将所述融合数据与对应时间段的动态阈值进行对比，以得到对比结果。
在本发明实施例中，通过收集传感器采集的沉降变形数据相对应时间段内的风速、湿度和土壤环境数据，收集并整合这些数据有助于建立一个能够考虑多种因素的模型，从而更准确地预测沉降变形。首先对风速、湿度、土壤环境以及沉降变形数据进行归一化处理，使其处于相同的数值范围，然后，基于这些归一化后的数据构建神经网络模型，通过训练神经网络模型来最小化预测误差，确定合适的权重和偏置值，这样一来，构建出的神经网络模型能够根据输入的环境因素计算动态阈值。将实时采集的风速、湿度和土壤环境数据输入训练好的神经网络模型，并确保这些数据经过与训练集相同的归一化处理，神经网络模型将输出各个时间段内的预测沉降变形值，作为动态阈值，这些动态阈值反映了当前环境条件下设定的安全边界，有助于更准确地评估桥梁结构的稳定性和安全性。将融合数据与对应时间段的动态阈值进行对比，如果在某个时间段内，融合数据超过动态阈值，则可能存在桥梁结构安全隐患，这时需要进一步分析原因并采取相应措施确保桥梁结构的稳定性和安全性，有助于提前发现潜在问题，从而采取适当措施确保桥梁的安全运行。
如图2所示，本发明的实施例还提供一种桥梁沉降变形检测装置20，包括：
获取模块21，用于获取至少一个传感器采集的沉降变形数据；对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据；
处理模块22，用于根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；将所述融合数据与动态阈值进行对比，得到对比结果；根据所述对比结果分析桥梁结构的稳定性和安全性。
可选的，对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据，包括：
将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目；
从至少一个传感器中获取沉降变形数据，其中，每个传感器分别采集到一组沉降变形数据，分别为：
[d 1,1 ，d 1,2 ，....，d 1,n ],[d 2,1 ，d 2,2 ，....，d 2,n ],....,[d m,1 ，d m,2 ，....，d m,n ]，其中，d m,n 为第m个传感器采集到的第n个沉降变形数据，m为传感器数量，n为每个传感器采集到的数据量；
对于每个传感器i，其中，i=1,2,...,m，按顺序获取传感器i第一个沉降变形数据点d i,1 ，计算传感器i第一个沉降变形数据点d i,1 至第k个沉降变形数据点d i,k 之间的平均值d i,k+1 ，将所述平均值d i,k+1 作为预处理数据，其中，所述平均值，其中，d i,j 为第i个传感器采集到的第j个沉降变形数据，其中，m≥i，n≥j。
可选的，根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵，包括：
提取预处理数据中，每个传感器监测的沉降速率；
根据每个传感器的沉降速率，计算每个传感器的相对方差rv i ，其中，，/>为第i个传感器采集到的沉降变形数据的方差；
根据每个传感器的相对方差rv i ，计算出每个传感器的权重因子w i ，其中，，w i 为第i个传感器的权重因子；
将每个传感器的权重因子w i 组成一个对角矩阵作为加权系数矩阵，对角矩阵的对角线元素为每个传感器的权重因子，其余元素为零，其中，加权系数矩阵为。
可选的，根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据，包括：
将预处理后的每个传感器采集的沉降变形数据分别转化为具有相同统计分布的数据序列；
将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，其中，第i个传感器的加权系数矩阵为W i ，第i个传感器对应的数据序列为x i ，加权后的传感器数据序列为y i =W i ×x i ；
将所有加权后的传感器数据序列相加，得到融合数据序列，其中，融合数据序列为；
将融合数据序列进行反标准化，得到最终融合数据。
可选的，将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，包括：
获取每一个传感器的原始数据序列，以及每个传感器各自对应的加权系数矩阵，其中，加权系数矩阵的行数和列数均为原始数据序列的长度；
将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，其中，，其中，n i 为加权系数矩阵W i 的行数，l i 为数据序列的长度；
根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，其中，。
可选的，将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，包括：
设定第i个传感器的数据序列，加权系数矩阵/>为第i个传感器的加权系数矩阵；
根据加权系数矩阵W i 的行数n i ，将数据序列x i 沿列方向重复n i 次，得到n i ×l i 的矩阵X i ，其中，。
可选的，根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，包括：
将加权系数矩阵W i 作为n i 行、l i 列的矩阵，将矩阵X i 作为l i 行、n i 列的矩阵；
将加权系数矩阵W i 与矩阵X i 相乘得到n i ×n i 的矩阵Z i ，其中：
；
将矩阵Z i 的每一行进行求和，得到n i 维的向量y i ，其中，，其中，/>为W i 矩阵的第n i 行第i列的元素，t为矩阵X i 的第t列。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种桥梁沉降变形检测方法，其特征在于，所述方法包括：
获取至少一个传感器采集的沉降变形数据；
对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据，包括：将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目；从至少一个传感器中获取沉降变形数据，其中，每个传感器分别采集到一组沉降变形数据，分别为：[d 1,1 ，d 1,2 ，....，d 1,n ],[d 2,1 ，d 2,2 ，....，d 2,n ],....,[d m,1 ，d m,2 ，....，d m,n ]，其中，d m,n 为第m个传感器采集到的第n个沉降变形数据，m为传感器数量，n为每个传感器采集到的数据量；对于每个传感器i，其中，i=1,2,...,m，按顺序获取传感器i第一个沉降变形数据点d i,1 ，计算传感器i第一个沉降变形数据点d i,1 至第k个沉降变形数据点d i,k 之间的平均值d i,k+1 ，将所述平均值d i,k+1 作为预处理数据，其中，所述平均值，其中，d i,j 为第i个传感器采集到的第j个沉降变形数据，其中，m≥i，n≥j；
根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵，包括：提取预处理数据中，每个传感器监测的沉降速率；根据每个传感器的沉降速率，计算每个传感器的相对方差rv i ，其中，，/>为第i个传感器采集到的沉降变形数据的方差；根据每个传感器的相对方差rv i ，计算出每个传感器的权重因子w i ，其中，/>，w i 为第i个传感器的权重因子；将每个传感器的权重因子w i 组成一个对角矩阵作为加权系数矩阵，对角矩阵的对角线元素为每个传感器的权重因子，其余元素为零，其中，加权系数矩阵为/>；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；
将所述融合数据与动态阈值进行对比，得到对比结果；
根据所述对比结果分析桥梁结构的稳定性和安全性。
2.根据权利要求1所述的桥梁沉降变形检测方法，其特征在于，根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据，包括：
将预处理后的每个传感器采集的沉降变形数据分别转化为具有相同统计分布的数据序列；
将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，其中，第i个传感器的加权系数矩阵为W i ，第i个传感器对应的数据序列为x i ，加权后的传感器数据序列为y i =W i ×x i ；
将所有加权后的传感器数据序列相加，得到融合数据序列，其中，融合数据序列为；
将融合数据序列进行反标准化，得到最终融合数据。
3.根据权利要求2所述的桥梁沉降变形检测方法，其特征在于，将每个传感器对应的数据序列乘以各自对应的加权系数矩阵，得到加权后的传感器数据序列y i ，包括：
获取每一个传感器的原始数据序列，以及每个传感器各自对应的加权系数矩阵，其中，加权系数矩阵的行数和列数均为原始数据序列的长度；
将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，其中，，其中，n i 为加权系数矩阵W i 的行数，l i 为数据序列的长度；
根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，其中，。
4.根据权利要求3所述的桥梁沉降变形检测方法，其特征在于，将原始数据序列沿着列的方向重复加权系数矩阵的行数次，生成新的矩阵X i ，包括：
设定第i个传感器的数据序列，加权系数矩阵/>为第i个传感器的加权系数矩阵；
根据加权系数矩阵W i 的行数n i ，将数据序列x i 沿列方向重复n i 次，得到n i ×l i 的矩阵X i ，其中，。
5.根据权利要求4所述的桥梁沉降变形检测方法，其特征在于，根据加权系数矩阵W i 和矩阵X i 得到加权后的传感器数据序列y i ，包括：
将加权系数矩阵W i 作为n i 行、l i 列的矩阵，将矩阵X i 作为l i 行、n i 列的矩阵；
将加权系数矩阵W i 与矩阵X i 相乘得到n i ×n i 的矩阵Z i ，其中：
；
将矩阵Z i 的每一行进行求和，得到n i 维的传感器数据序列y i ，其中，，其中，/>为W i 矩阵的第n i 行第i列的元素，t为矩阵X i 的第t列。
6.一种桥梁沉降变形检测装置，其特征在于，包括：
获取模块，用于获取至少一个传感器采集的沉降变形数据；对所述沉降变形数据进行预处理，得到所述沉降变形数据分别对应的预处理数据，包括：将采集到的沉降变形数据按照固定的时间间隔分段处理，并计算每个时间段内的数据点数目；从至少一个传感器中获取沉降变形数据，其中，每个传感器分别采集到一组沉降变形数据，分别为：[d 1,1 ， d 1,2 ，....，d 1,n ],[d 2,1 ，d 2,2 ，....，d 2,n ],....,[d m,1 ，d m,2 ，....，d m,n ]，其中，d m,n 为第m个传感器采集到的第n个沉降变形数据，m为传感器数量，n为每个传感器采集到的数据量；对于每个传感器i，其中，i=1,2,...,m，按顺序获取传感器i第一个沉降变形数据点d i,1 ，计算传感器i第一个沉降变形数据点d i,1 至第k个沉降变形数据点d i,k 之间的平均值d i,k+1 ，将所述平均值d i,k+1 作为预处理数据，其中，所述平均值，其中，d i,j 为第i个传感器采集到的第j个沉降变形数据，其中，m≥i，n≥j；
处理模块，用于根据所述预处理数据，为所述预处理数据分别对应的传感器分配权重因子，以得到每个传感器分别对应的加权系数矩阵，包括：提取预处理数据中，每个传感器监测的沉降速率；根据每个传感器的沉降速率，计算每个传感器的相对方差rv i ，其中，，/>为第i个传感器采集到的沉降变形数据的方差；根据每个传感器的相对方差rv i ，计算出每个传感器的权重因子w i ，其中，/>，w i 为第i个传感器的权重因子；将每个传感器的权重因子w i 组成一个对角矩阵作为加权系数矩阵，对角矩阵的对角线元素为每个传感器的权重因子，其余元素为零，其中，加权系数矩阵为；根据所述预处理数据，以及每个传感器分别对应的加权系数矩阵进行加权融合，以得到融合数据；将所述融合数据与动态阈值进行对比，得到对比结果；根据所述对比结果分析桥梁结构的稳定性和安全性。
7.一种计算机，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN202310728552.3A 2023-06-20 2023-06-20 一种桥梁沉降变形检测方法、装置、计算机及存储介质 Active CN116448062B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310728552.3A CN116448062B (zh) 2023-06-20 2023-06-20 一种桥梁沉降变形检测方法、装置、计算机及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310728552.3A CN116448062B (zh) 2023-06-20 2023-06-20 一种桥梁沉降变形检测方法、装置、计算机及存储介质

Publications (2)

Publication Number Publication Date
CN116448062A CN116448062A (zh) 2023-07-18
CN116448062B true CN116448062B (zh) 2023-09-12

Family

ID=87120601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310728552.3A Active CN116448062B (zh) 2023-06-20 2023-06-20 一种桥梁沉降变形检测方法、装置、计算机及存储介质

Country Status (1)

Country Link
CN (1) CN116448062B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006013462A1 (de) * 2005-04-01 2006-10-05 Kistler, Walter P., Redmond Verformungssensor, der thermische Verformung ausgleicht
KR20180001617A (ko) * 2016-06-24 2018-01-05 고려대학교 산학협력단 변위 및 경사각 계측 데이터를 융합한 구조물의 변형 형상 추정 방법
CN109977996A (zh) * 2019-02-12 2019-07-05 华北水利水电大学 基于时间序列聚类融合的水工结构运行状态监测系统
CN111460729A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种桥梁变形智能检测系统
CN114330524A (zh) * 2021-12-23 2022-04-12 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法
CN114894411A (zh) * 2022-05-24 2022-08-12 东营固泰尔建筑科技有限责任公司 一种基于无线传感器网络的桥梁健康监测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006013462A1 (de) * 2005-04-01 2006-10-05 Kistler, Walter P., Redmond Verformungssensor, der thermische Verformung ausgleicht
KR20180001617A (ko) * 2016-06-24 2018-01-05 고려대학교 산학협력단 변위 및 경사각 계측 데이터를 융합한 구조물의 변형 형상 추정 방법
CN109977996A (zh) * 2019-02-12 2019-07-05 华北水利水电大学 基于时间序列聚类融合的水工结构运行状态监测系统
CN111460729A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种桥梁变形智能检测系统
CN114330524A (zh) * 2021-12-23 2022-04-12 重庆水利电力职业技术学院 桥梁健康监测数据处理与压缩融合方法
CN114894411A (zh) * 2022-05-24 2022-08-12 东营固泰尔建筑科技有限责任公司 一种基于无线传感器网络的桥梁健康监测方法及系统

Also Published As

Publication number Publication date
CN116448062A (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN109978379B (zh) 时序数据异常检测方法、装置、计算机设备和存储介质
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN112766342A (zh) 一种电气设备的异常检测方法
CN112416643A (zh) 无监督异常检测方法与装置
CN117407661B (zh) 一种用于设备状态检测的数据增强方法
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN116308305B (zh) 一种桥梁健康监测数据管理系统
CN112990330A (zh) 用户用能异常数据检测方法及设备
CN113822366A (zh) 业务指标异常检测方法及装置、电子设备、存储介质
CN111611294A (zh) 星敏感器数据异常检测方法
CN109308225B (zh) 一种虚拟机异常检测方法、装置、设备及存储介质
CN117669394B (zh) 一种山区峡谷桥梁长期性能综合评估方法及系统
CN114996257A (zh) 数据量异常检测方法、装置、介质及程序产品
CN112215307B (zh) 一种应用机器学习自动检测地震仪器信号异常的方法
CN117523299A (zh) 一种基于计算机网络图像识别方法、系统和存储介质
CN116448062B (zh) 一种桥梁沉降变形检测方法、装置、计算机及存储介质
CN107092772B (zh) 一种传感器特征曲线的确定方法及其装置
CN112819373A (zh) 一种配网电压异常数据检测方法及装置
CN112202630A (zh) 一种基于无监督模型的网路质量异常检测方法及装置
CN108536777B (zh) 一种数据处理方法、服务器集群及数据处理装置
CN116126807A (zh) 一种日志分析方法及相关装置
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN115270894A (zh) 用于甲醇发电机的异常振动信号提取方法
CN112732773B (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统

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