CN116561670B - 一种金属屋面健康状态识别及报警方法 - Google Patents
一种金属屋面健康状态识别及报警方法 Download PDFInfo
- Publication number
- CN116561670B CN116561670B CN202310851539.7A CN202310851539A CN116561670B CN 116561670 B CN116561670 B CN 116561670B CN 202310851539 A CN202310851539 A CN 202310851539A CN 116561670 B CN116561670 B CN 116561670B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- roof
- state
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000002184 metal Substances 0.000 title claims abstract description 21
- 230000036541 health Effects 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000003862 health status Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种金属屋面健康状态识别及报警方法,采集不同故障类型下的屋面位移信息、应力应变信息、振动信息、气候信息等,建立屋面信息状态数据库,对数据库展开数据清洗等预处理工作,提取数据库的时频域信息特征,建立数据特征与故障类型之间的映射关系。采用深度学习算法,建立U‑net卷积神经网络识别模型,实现对屋面状态、故障的自动识别与分类,实现面向屋面状态的连续性识别与高准确率报警。
Description
技术领域
本发明涉及建筑健康监测技术领域,更具体的说是涉及一种金属屋面健康状态识别及报警方法。
背景技术
金属屋面围护系统是机场航站楼、车站、会展中心等大跨度钢结构建筑的重要组成部分,具有优异的结构性能和外观适应性。但由于常年暴露于复杂天气环境中,风致损伤带来的屋面变形、开裂甚至揭顶等事故频繁出现,造成恶劣影响和巨大经济损失。进入服役期后的健康状况的监测和危险状态实时报警是大跨度金属屋面抗风防灾工程亟待突破的一个瓶颈。
目前国内外设计的监测装置或方法可以实现基本的屋面信息的采集或故障判定,对屋面系统的健康状况能起到一定的反馈作用。但这些监测报警系统存在对屋面系统的状态或故障类型判别精度差的问题,容易出现误报警或不报警的现象,导致维护人员频繁检修或无法及时发现问题,带来巨大人力、物力资源浪费。因此,对于大型大跨度屋面结构,一种高判别精度的报警方法及系统是必要的,在故障出现时能实现准确的报警可以极大概率避免经济损失,对保障公共与工业建筑的安全服役和稳定运行具有重要意义。
因此,如何实现大跨度金属屋面健康的准确监测和报警是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种金属屋面健康状态识别及报警方法,利用多源数据融合的方式获取金属屋面各种状态信息,对状态信息数据预处理并建立数据和典型故障类型之间的映射关系,通过将预处理的数据导入到创建的故障训练模型中迭代训练,最终实现基于采集的屋面状态数据判断出屋面状态的效果,实现对屋面状态、故障的自动识别,结合故障类型评价指标对屋面故障类型进行自动识别与分类,实现面向屋面状态的连续性识别与高准确率报警。
为了实现上述目的,本发明采用如下技术方案:
一种金属屋面健康状态识别及报警方法,包括:
步骤1:采集所有故障类型的金属屋面状态信息数据;
步骤2:对状态信息数据进行评估筛选,获得训练数据;
步骤3:根据训练数据及其对应的故障类型构建屋面信息状态数据集,并进行预处理,获得模型训练数据库;
步骤4:构建U-net卷积神经网络模型;
步骤5:将模型训练数据库中的模型训练数据输入U-net卷积神经网络模型进行训练,获得故障监测模型;
步骤6:将金属屋面监测数据输入故障监测模型,输出故障类型及报警触发信号。
优选的,对状态信息数据进行评估筛选,获得训练数据的具体过程为:
步骤21:对状态信息数据中的每一种数据分别进行拟合获得基本线;
步骤22:计算每种数据中的各离散值与基本线的距离;
步骤23:将距离小于预设筛选阈值的离散点评价为故障表征数据;
步骤24:选取状态信息数据中的所有故障表征数据构成训练数据。
优选的,对数据进行拟合采用多项式曲线拟合方法或回归分析法等。
优选的,预处理包括数据清洗、数据标注、数据重采样、数据归一化和数据批量化。
优选的,模型训练数据包括屋面信息状态数据和映射关系;通过对屋面信息状态数据的数据标注获得映射关系;数据标注过程为:提取屋面信息状态数据的时域信息特征和频域信息特征,根据时域信息特征和频域信息特征在屋面信息状态数据中标记故障类型,与对应的故障类型建立映射关系;时域信息包括幅值、周期、波形、时间延迟等,频域信息包括信号的频率成分、频率谱、频域响应等信息;将不同故障类型下的这些信息提取出来并标记,对应好数据特征和故障类型之间的关系。
优选的,U-net卷积神经网络模型包括下采样部分,拼接部分和上采样部分;下采样部分通过卷积层对模型训练数据的信息进行压缩,提取浅层特征信息;上采样部分通过反卷积层对模型训练数据的信息进行扩张,提取深层特征信息;拼接部分融合深层特征信息及浅层特征信息;下采样部分采用4层压缩,上采样部分采用4层扩张,每层卷积层的激活函数采用线性整流函数,输出层的激活函数采用归一化指数函数,并且在卷积层中间增加ropout层进行正则化,防止训练过程过拟合。
优选的,在U-net卷积神经网络模型训练过程中,根据故障类型选择合适的损失函数,选用软骰子函数作为损失函数可以对每个特征进行分类,并计算其与真实故障类型的误差,增加特定类别权重的同时缩小误差,最终提高模型的训练精度,提高识别率。
优选的,采用Adam优化器对训练过程进行优化。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种金属屋面健康状态识别及报警方法,针对屋面系统现有健康监测报警方法的低准确率及故障误报等情况,现提出基于深度学习的大跨度金属屋面健康状态自动识别方法及报警系统,通过现有屋面监测装置针对性的采集不同故障类型(如振动异常、板面滑移、螺栓松动等)下的屋面位移信息、应力应变信息、振动信息、气候信息(温度、风力风向风压、雨雪)等,整理屋面信息状态数据集,对数据集展开数据清洗等预处理工作,形成相应模型训练数据库,提取模型训练数据库的时频域信息特征,建立数据特征与故障类型之间的映射关系。采用深度学习算法,建立U-net卷积神经网络识别模型,实现对屋面状态、故障的自动识别,结合故障类型评价指标对屋面现场常见的屋面系统材料腐蚀、板材结构变形、振动异常、板面滑移、螺栓松动等故障类型进行自动识别与分类,实现面向屋面状态的连续性识别与高准确率报警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于U-net卷积神经网络的故障识别与分类流程示意图;
图2附图为本发明提供的U-net一维卷积神经网络的模型结构示意图。
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。
本发明实施例公开了一种金属屋面健康状态识别及报警方法,包括以下步骤:
S1:数据采集;
1.故障类型实验环境搭建
搭建实验室故障模拟采集系统,可模拟实现屋面系统全故障类型,包括屋面系统材料腐蚀、板材结构变形、振动异常、板面滑移、螺栓松动等;
2.数据量采集的实现
基于现有的屋面系统采集设备架设采集器,对屋面系统的金属板面位移信息、应力应变信息、振动信息、气候信息(温度、风力风向风压)等进行采集;
利用纵向激光传感器采集屋面板纵向位移数据;横向激光传感器采集板面整体横向位移来反应温度对板面变形的影响;通过采集模块内置的气象传感器采集屋面板环境的风力、风向、温度、湿度、气压数据;通过应力应变传感器采集屋面板的变形及受力数据;
3.多故障类型模拟
对现场设备依次模拟全故障类型,同时采集屋面系统的多种状态信息数据;
S2:对状态信息数据进行评估筛选,获得训练数据;优选出更加典型的数据集,以便于获得更高的识别率,最终提高报警的准确率;
S21:对状态信息数据中的每一种数据分别进行拟合获得基本线;
S22:计算每种数据中的各离散值与基本线的距离;
S23:将距离小于预设筛选阈值的离散点评价为故障表征数据;
S24:选取状态信息数据中的所有故障表征数据构成训练数据;
S3:数据预处理;
基于数据评价结果,将采集到的板面信息数据与故障类型数据同时进行数据清理等数据预处理操作,将预处理完的数据进行数据存储,并建立相应数据库;
数据预处理过程包括数据清洗、数据标注、数据重采样(风振频率大约在2-20Hz,为避免数据丢失,同时兼顾现场应用,规定重采样频率为10Hz)、数据归一化和数据批量化;
S4:建立U-net 卷积神经网络实现对屋面系统故障类型的自动识别,结合数据评价指标对屋面系统常见的故障类型进行自动识别与分类,实现面向屋面系统健康状态的连续性监测及诊断。
1)采用深度学习的方法,建立U-net 一维卷积神经网络,对屋面的故障时间戳进行自动识别,并为之后的屋面故障的识别与分类提供参照。故障识别与分类过程如图1所示。
2)U-net 一维卷积神经网络的模型结构
如图2所示,模型分为三部分,下采样部分,拼接部分和上采样部分。前半部分为下采样部分,主要作用为提取浅层特征信息;后半部分为上采样部分,主要作用为提取深层特征信息;中间部分为拼接部分,融合深层及浅层特征,防止在卷积过程中造成特征信息流失。下采样部分通过卷积层,对数据信息进行压缩,上采样部分通过反卷积层对数据信息进行扩张,两个部分分别采用了4层压缩和4层扩张。每一卷积层的激活函数为线性整流函数(ReLU),输出层的激活函数为归一化指数函数(softmax)。在卷积层中间,加入Dropout 层进行正则化,防止训练过程过拟合。
该识别模型采用Adam 优化器对训练过程进行优化,加速收敛。识别模型的损失函数采用软骰子函数(Soft Dice)。采用临床医生标注的病人主动呼吸时间戳作为识别模型的基准真相(Ground Truth)。
在模型的训练过程中采用十字交叉验证来避免过拟合。将数据分为10组,在训练过程中,将其中9组数据用于神经网络的训练,训练结果在剩下1组数据中检验。将此训练过程重复10次,循环使用每组数据作为测试组,最终得到预测结果,实现故障类型时间戳的识别。经过多次训练,当识别时间误差在0.1s内(准确率达到99%),开始下一步骤。
3)提取不同故障类型的数据集的时频域特征及对应故障(故障编号为1,2,3…),并作为数据集输入到建立的U-net模型结构中,经过多次训练,将输出结果与实际结果比对,识别分类准确率达到要求时,输出最终结果,完成最终的故障类型分类。
7)输出故障类型后,同时触发报警程序,发送到上位机端,通知管理人员,完成整个流程。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (3)
1.一种金属屋面健康状态识别及报警方法,其特征在于,包括如下步骤:
步骤1:采集所有故障类型的金属屋面状态信息数据;
步骤2:对状态信息数据进行评估筛选,获得训练数据;
步骤3:根据训练数据及其对应的故障类型构建屋面信息状态数据集,并进行预处理,获得模型训练数据库;
步骤4:构建U-net卷积神经网络模型;
步骤5:将模型训练数据库中的模型训练数据输入U-net卷积神经网络模型进行训练,获得故障监测模型;
步骤6:将金属屋面监测数据输入故障监测模型,输出故障类型及报警触发信号;
对状态信息数据进行评估筛选,获得训练数据的具体过程为:
步骤21:对状态信息数据中的每一种数据分别进行拟合获得基本线;
步骤22:计算每种数据中的各离散值与基本线的距离;
步骤23:将距离小于预设筛选阈值的离散点评价为故障表征数据;
步骤24:选取状态信息数据中的所有故障表征数据构成训练数据;
模型训练数据包括屋面信息状态数据和映射关系;通过对屋面信息状态数据的数据标注获得映射关系;数据标注过程为:提取屋面信息状态数据的时域信息特征和频域信息特征,根据时域信息特征和频域信息特征在屋面信息状态数据中标记故障类型,与对应的故障类型建立映射关系;
U-net卷积神经网络模型包括下采样部分,拼接部分和上采样部分;下采样部分通过卷积层对模型训练数据的信息进行压缩,提取浅层特征信息;上采样部分通过反卷积层对模型训练数据的信息进行扩张,提取深层特征信息;拼接部分融合深层特征信息及浅层特征信息;下采样部分采用4层压缩,上采样部分采用4层扩张,每层卷积层的激活函数采用线性整流函数,输出层的激活函数采用归一化指数函数,并且在卷积层中间增加Dropout层进行正则化,防止训练过程过拟合。
2.根据权利要求1所述的一种金属屋面健康状态识别及报警方法,其特征在于,预处理包括数据清洗、数据标注、数据重采样、数据归一化和数据批量化。
3.根据权利要求1所述的一种金属屋面健康状态识别及报警方法,其特征在于,采用Adam优化器对训练过程进行优化;U-net卷积神经网络模型的损失函数采用软骰子函数;采用十字交叉验证方法对U-net卷积神经网络模型进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851539.7A CN116561670B (zh) | 2023-07-12 | 2023-07-12 | 一种金属屋面健康状态识别及报警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851539.7A CN116561670B (zh) | 2023-07-12 | 2023-07-12 | 一种金属屋面健康状态识别及报警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116561670A CN116561670A (zh) | 2023-08-08 |
CN116561670B true CN116561670B (zh) | 2023-09-26 |
Family
ID=87498678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851539.7A Active CN116561670B (zh) | 2023-07-12 | 2023-07-12 | 一种金属屋面健康状态识别及报警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117824756B (zh) * | 2024-02-29 | 2024-05-28 | 深圳市腾信建设股份有限公司 | 一种建筑结构监测方法、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
CN113792456A (zh) * | 2021-08-27 | 2021-12-14 | 北京航空航天大学 | 一种基于风载荷谱疲劳仿真的金属屋面寿命预测方法 |
CN115049798A (zh) * | 2022-06-17 | 2022-09-13 | 北京航空航天大学 | 一种基于bim的金属屋面健康监测系统及方法 |
CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
CN115130519A (zh) * | 2022-07-08 | 2022-09-30 | 武汉爱科软件技术股份有限公司 | 一种使用卷积神经网络的船体结构故障预测方法 |
CN115330720A (zh) * | 2022-08-15 | 2022-11-11 | 南湖实验室 | 一种无人机影像地表固废检测模型及检测方法 |
CN115345866A (zh) * | 2022-08-25 | 2022-11-15 | 中国科学院地理科学与资源研究所 | 一种遥感影像中建筑物提取方法、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110361176B (zh) * | 2019-06-05 | 2021-11-19 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
-
2023
- 2023-07-12 CN CN202310851539.7A patent/CN116561670B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655298A (zh) * | 2019-01-10 | 2019-04-19 | 北京航空航天大学 | 一种大跨度金属屋面的故障实时预警方法及装置 |
CN111737909A (zh) * | 2020-06-10 | 2020-10-02 | 哈尔滨工业大学 | 基于时空图卷积网络的结构健康监测数据异常识别方法 |
CN113792456A (zh) * | 2021-08-27 | 2021-12-14 | 北京航空航天大学 | 一种基于风载荷谱疲劳仿真的金属屋面寿命预测方法 |
CN115049798A (zh) * | 2022-06-17 | 2022-09-13 | 北京航空航天大学 | 一种基于bim的金属屋面健康监测系统及方法 |
CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
CN115130519A (zh) * | 2022-07-08 | 2022-09-30 | 武汉爱科软件技术股份有限公司 | 一种使用卷积神经网络的船体结构故障预测方法 |
CN115330720A (zh) * | 2022-08-15 | 2022-11-11 | 南湖实验室 | 一种无人机影像地表固废检测模型及检测方法 |
CN115345866A (zh) * | 2022-08-25 | 2022-11-15 | 中国科学院地理科学与资源研究所 | 一种遥感影像中建筑物提取方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116561670A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及系统 | |
CN108764601B (zh) | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 | |
CN109583570B (zh) | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN116561670B (zh) | 一种金属屋面健康状态识别及报警方法 | |
CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测系统及方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN114169548A (zh) | 一种基于bim的公路桥梁管养phm系统和方法 | |
CN104880217A (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN116466241B (zh) | 一种单体电池热失控定位方法 | |
CN113538971A (zh) | 一种基于多源异构数据融合的风险船舶检测方法 | |
CN113503912A (zh) | 一种城市轨道交通土建设施健康状态实时监控系统 | |
CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN117269340A (zh) | 一种基于气体组分的gis设备智能故障诊断方法及系统 | |
CN111105075A (zh) | 一种基于案例推理的塔吊风险事故预测方法及系统 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN113960700B (zh) | 区域数值预报结果的客观检验、统计及分析系统 | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
CN114925517A (zh) | 一种城市多灾种耦合分析的方法 | |
CN114996815A (zh) | 一种基于决策树算法的金属屋面状态判断方法及系统 | |
CN104122111B (zh) | 一种桥梁结构的三类综合安全预警方法 | |
CN114547868A (zh) | 一种基于bim的斜拉桥性能在线评估预测方法 | |
CN114358539A (zh) | 一种基于风险的铁路运营安全判识方法 | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 |
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 |