CN116662920B - 钻爆法施工装备异常数据辨识方法、系统、装备及介质 - Google Patents
钻爆法施工装备异常数据辨识方法、系统、装备及介质 Download PDFInfo
- Publication number
- CN116662920B CN116662920B CN202310943156.2A CN202310943156A CN116662920B CN 116662920 B CN116662920 B CN 116662920B CN 202310943156 A CN202310943156 A CN 202310943156A CN 116662920 B CN116662920 B CN 116662920B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- equipment
- vibration monitoring
- data sequence
- vibration
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 164
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005553 drilling Methods 0.000 title claims abstract description 38
- 238000005422 blasting Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 330
- 238000010586 diagram Methods 0.000 claims abstract description 111
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 238000012795 verification Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002893 slag 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G06N3/08—Learning methods
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)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种钻爆法施工装备异常数据辨识方法、系统、装备及介质，涉及装备异常数据辨识技术领域。所述方法包括：根据装备在各时刻的状态监测数据，将装备在各时刻的振动监测数据划分为装备在四种状态下的振动监测数据序列；对装备在四种状态下的振动监测数据序列分别进行去噪处理和重构处理得到四个振动监测数据序列；采用完全自适应噪声集合经验模态分解算法分别对四个振动监测数据序列进行处理得到四个振动分解矩阵；基于四个振动分解矩阵构建四个模态时频图；采用样本集对Ghost模型进行训练和测试建立异常数据辨识模型，基于异常数据辨识模型开展针对装备的异常数据进行辨识分析。本发明可提高异常数据辨识结果的精度。
Description
技术领域
本发明涉及装备异常数据辨识技术领域，特别是涉及一种钻爆法施工装备异常数据辨识方法、系统、装备及介质。
背景技术
恶劣自然环境与复杂的地质条件下的隧道施工，不同于平原沿海区域，施工技术更复杂，对于施工装备要求更高。尤其是在生态脆弱性高、地质断裂带区域以及软硬岩分布不均匀区域，常规的小型低等级机械配套难以满足建设要求。因此，隧道钻爆法施工装备可以保证高质量、高标准、高效率的安全施工目标。
对于钻爆法成套机械装备带来的进度降低，施工装备故障率高，人员安全影响大的问题，现有技术提出了钻爆法中钻孔、装药、出渣、支护、湿喷等工序相应的各类施工装备，进行相应机械化施工配套方案，总结了适应的机械化施工开挖方法，确定了钻爆法施工成套装备体系的建议方案，为特殊地域、特殊环境的顺利施工提供有效保障。
装备异常数据辨识结果对于维护钻爆法施工成套装备工期保证及安全运营有着十分重要的作用，现阶段针对钻爆法机械化施工成套装备异常数据辨识方法主要针对单一装备指标监测进行辨识(例如，仅单独考虑装备油温或油压参数等)，造成辨识结果不准确，因此，现在需要一种可以提高装备异常辨识精度的辨识方法。
发明内容
本发明的目的是提供一种钻爆法施工装备异常数据辨识方法、系统、装备及介质，可提高异常状态监测数据的辨识精度。
为实现上述目的，本发明提供了如下方案：
一种钻爆法施工装备异常数据辨识方法，包括：
获取钻爆法施工成套装备中各装备在各时刻的状态监测数据以及各装备在各时刻的振动监测数据；
对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列；
均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列；
采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵；
根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图；
采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据。
可选的，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列，具体包括：
根据所述装备在各时刻的状态监测数据确定所述装备在各时刻的状态；所述状态包括正常行驶状态、异常行驶状态、正常施工状态和异常施工状态；
根据所述装备在各时刻的状态将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
可选的，均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列，具体包括：
对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列；
对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列；
对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列；
对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
可选的，采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，具体包括：
根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集；
以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
一种钻爆法施工装备异常数据辨识系统，包括：
获取模块，用于获取钻爆法施工成套装备中各装备在各时刻的状态监测数据以及各装备在各时刻的振动监测数据；
数据分类模块，用于对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列；
预处理模块，用于均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列；
模态分解模块，用于采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵；
可视化模块，用于根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图；
辨识模块，用于采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据。
可选的，所述数据分类模块，具体包括：
状态确定单元，用于根据所述装备在各时刻的状态监测数据确定所述装备在各时刻的状态；所述状态包括正常行驶状态、异常行驶状态、正常施工状态和异常施工状态；
数据分类单元，用于根据所述装备在各时刻的状态将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
可选的，所述预处理模块，具体包括：
第一振动监测数据序列确定单元，用于对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列；
第二振动监测数据序列确定单元，用于对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列；
第三振动监测数据序列确定单元，用于对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列；
第四振动监测数据序列确定单元，用于对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
可选的，所述辨识模块，具体包括：
样本集构建单元，用于根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集；
异常数据辨识模型确定单元，用于以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
一种电子设备，包括：
存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述所述的钻爆法施工装备异常数据辨识方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的钻爆法施工装备异常数据辨识方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
相比于现有技术的仅考虑单一数据，本发明采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型；样本集包括第一模态时频图、第二模态时频图、第三模态时频图、第四模态时频图、装备在各时刻的状态监测数据以及装备在各时刻的振动监测数据，充分考虑状态监测数据以及振动监测数据，构建异常数据辨识模型，对异常数据的辨识结果更加精确。
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为本发明实施例提供的钻爆法施工装备异常数据辨识方法的大概流程图；
图2为本发明中实施例提供的钻爆法施工装备异常数据辨识方法的具体流程图；
图3为本发明的实例测试结果辨识准确量验证框图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供了一种钻爆法施工装备异常数据辨识方法，如图1所示，大体步骤为：不同种类施工装备自身原始状态数据，油压和液压等，上传至数据平台；施工中施工装备不同状态的振动监测数据，进行数据预处理降噪并评估；基于振动监测数据进行时频分解，开展本征模态函数及矩阵重构；不同类型施工装备监测进行相同参数分析，并判断出工作进行异常值标定，构建不同状态下施工装备异常辨识模型开展装备长期异常数据辨识方法研究。如图2所示，具体步骤包括：振动监测数据采集，并对数据进行小波阈值降噪处理；优化参数后变分模态分解，得到IMF1、IMF2、IMF3、......、IMFK，模态时频图（可视化），构建训练集进行模型训练并与验证集进行模型验证，最终搭建基于Ghost的分析模型，进行施工装备正常状态（行驶）、异常状态（行驶）、正常状态（施工）、异常状态（施工）辨识分析。
本发明实施例提供的钻爆法施工装备异常数据辨识方法，具体包括：获取钻爆法施工成套装备中各装备在各时刻的状态监测数据（油温和油压）以及各装备在各时刻的振动监测数据。钻爆法施工成套装备包括但不仅限于打孔、装药、出渣、支护和湿喷工序中的装备，其中，每一个装备匹配于相对应的工序，状态监测数据通过施工内部网存储于当地服务器缓存模块中，并实时传到平台储存系统；振动监测数据通过安装在装备上的微机电振动传感器采集得到，具体的，微机电振动传感器布置在钻爆法各项施工装备上，进行施工中采集及装备空转监测，监测时间包含装备整体开工直至停机，传感装备为低功耗振动监测装备，频率为1hz-1000hz，可外接装备电源，亦可自身携带电源但需保证两班次电量，具有自启动与自关机功能；安装位置至少位于操作仓及驾驶仓两处位置，避免安装在机械臂、施工油泵等位置，避免施工恶劣环境影响振动监测数据收集。
对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列，正常行驶状态体现为装备自带各项状态监测数据行驶时显示为正常值，并在未来三次行驶中未出现相关故障代码或过劳现象；正常施工状态体现为在施工中车辆上施工作业设备及车辆施工过程中各项状态监测数据为正常施工作业数值，并在未来三次施工作业内未出现相关故障代码或过劳现象；异常行驶状态是指相关设备行驶中的状态，该状态在未来三次行驶内某一项或几项监测指标出现异常，需要进行维护及保养前状态；异常施工状态体现为在施工中车辆上施工作业设备及车辆各项状态监测数据出现的施工作业状态，该状态在未来三次施工作业内出现相关故障代码或过劳现象，需要采取更换零件或进行维护保养时刻前的状态。
均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理（进行奇异值剔除，设微机电振动传感器编号为n,n=1,2,3,...,N，正常运行状态噪音剔除标准为3倍标准差，3倍标准差以外判定相应的振动监测时间序列为异常值）和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列。
采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵。
根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图，具体的针对振动分解矩阵进行可视化处理，构建以矩阵为基础的模态时频图。
采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据，异常数据辨识模型处理过程为：对输入的四个时频图进行卷积得到特征图，卷积后的结果和逐层卷积后的结果进行堆叠组成，计算出部分卷积，再通过对其进行线性计算，计算卷积前的数据，减少卷积步骤时间消耗。
在实际应用中，基于异常数据辨识模型开展装备异常数据进行分析的过程具体为：首先采集待辨识装备某时段的振动监测数据；然后根据某时段的振动监测数据得到模态时频图，将模态时频图输入异常数据辨识模型得到待辨识装备的状态监测数据特征，进而判断装备状态监测数据是否是异常的。
在实际应用中，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列，具体包括：
根据所述装备在各时刻的状态监测数据确定所述装备在各时刻的状态；所述状态包括正常行驶状态、异常行驶状态、正常施工状态和异常施工状态。
根据所述装备在各时刻的状态将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
在实际应用中，均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列，具体包括：
对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列。
对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列。
对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列。
对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
在实际应用中，完全自适应噪声集合经验模态分解（CEEMDAN，Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise），进行振动信号分解，在进行经验模态分解中的特定时期对振动信号加入高斯白噪声，而添加的特定白噪声可以在经验模态分解时相互抵消，从而避免本征模态函数IMF分量中含有残留噪声并进行主成分分解，假设施工状态监测站振动监测数据为，新组成信号为/>：/>，其中，/>为噪声标准差，/>为白噪声，融合CEEMDAN对/>分解的本征模态函数为，其中/>为分解后本征模函数组数量，对/>开展模态分解得到矩阵/>，基于异常施工状态下的振动监测数据序列/>，参照上述同样步骤开展模态分解，得到异常施工状态振动分解矩阵，即第四振动分解矩阵；同理，基于正常行驶状态下的振动监测数据序列/>建立正常行驶状态振动分解矩阵即第一振动分解矩阵/>，基于正常施工状态下的振动监测数据序列/>建立正常施工状态振动分解矩阵即第三振动分解矩阵/>和基于异常行驶状态下的振动监测数据序列/> 建立异常行驶状态振动分解矩阵即第二振动分解矩阵。
在实际应用中，采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，具体包括：
根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集。
以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
在实际应用中，以目标函数最小为目标对模型进行训练，以交叉熵随机梯度为目标函数：/>，式中，/>为样本总量，/>为第/>个样本真实标签（即第/>个时频图对应的状态监测数据和振动监测数据），/>为第/>个样本标签（为模型输出的）。
本发明提供了一个更加具体的实施例对上述方法进行详细介绍，包括以下步骤：
S1：利用不同施工装备自身的监测装备采集状态监测数据。
S2：加装微机电振动传感器，采集不同施工装备的振动监测数据，并进行小波阈值降噪以及重构处理，根据状态监测数据确定振动监测数据对应的状态。
S3：基于装备本身监测的油温和油压等异常数据进行振动异常值时空反推标定，开展装备行驶及施工状态的标定。
S4：基于不同状态的振动监测数据，开展完全自适应噪声集合经验模态分解，分解本征模态函数并建立可视化图片。
S5：通过基于本征模态函数进行神经网络的轻量化特征提取，开展高效率高准确率振动异常特征挖掘。
步骤S1中的装备包括钻孔、装药、出渣、支护和湿喷等各类装备，自身状态监测数据通过布置在装备内部自带的设备采集，包含油温及油压，并上传至数据存储中心，包括但不限制实时与非实时。
步骤S2中的振动传感器采集装备行驶及施工状态振动时间序列数据，并针对每一组数据开展基于小波阈值初步去噪技术，期间使用均方根误差及绝对误差平均值测试去噪情况，采用信噪比判定重构时间序列去噪的准确性，具体为：
获得和/>；取信噪比，其中，/>表示去噪前的各装备不同状态的振动原始数据，t表示对应时刻，/>表示/>和/>对应处理并重构后的各监测站数据，/>为各类施工装备编号，/>。
步骤S3中，初期采集振动监测数据时，施工状态异常与非异常、行驶状态异常与非异常，主要由本身施工装备油压和油温等常识数据开展标定。
步骤S4中，采用完全自适应噪声集合经验模态分解算法针对四组振动监测数据序列进行信号分解，得到四个振动分解矩阵。
步骤S5中，输入的模态时频图大小调整为224*224*3，以训练集中每64张模态时频图作为一批训练的集合，设置学习率为0.0001，训练迭代次数为200。构建16通道的普通1x1卷积块，卷积块包含卷积、标准化与Relu激活函数，以交叉熵随机梯度Loss为目标函数自动提取可视化图形并分析特征：
式中，为样本总量，/>为第/>个样本真实标签，/>为第/>个样本标签。
四组数据进行可视化后，融入现有神经网络Ghost模块进行训练，进行第一层模块分析，并作为扩展层用于增加通道，把第1次卷积和第2次卷积抽取特征图拼接。构建两类模块进行网络结构堆叠，分为G-B-1，G-B-2；G-B-1模块用于增加特征维度，增大的比例称为膨胀率，其中第一层Ghost模块用于扩大通道数，第二个Ghost模块将通道数降低到与输入通道数一致，由于步长为1，其避免针对输入特征层的高和宽进行压缩，其功能为加深网络的深度；G-B-2模块则用于减少特征维度，使其与输入一致；采取步长为2，将特征图高和宽进行压缩，使其大小降为输入的1/2，捷径路径使用下采样层，并在Ghost模块中间插入步长为2的纵深卷积，其中Ghost模块的卷积均采用点态卷积。利用G-B-1，G-B-2，构建一个7x7x160的特征层；基于一个1x1的卷积块进行通道数的调整，构建一个7x7x960的特征层，进行一次全局平均池化；基于一个1x1的卷积块进行通道数的调整，获得一个1x1x1280的特征层，最后进行平铺后进行全连接分类并进行特征分类。
本发明提供了一种更加具体的实施例对上述方法的效果进行说明：本发明中Ghost模型选取ResNet，选取正常标定数据含孔、装药、出渣、支护、湿喷工序总共5类施工装备的行驶、施工数据，同时，装备异常情况下行驶、异常施工状态、正常行驶、正常施工状态数据各200张图片，图中数字表示不同状态下建立模型对实测验证集图片辨识数量，如图3所示，作为验证集并对其进行测试，测试结果用混淆矩阵表示；对于模型效果的评价，使用标定的准确率作为评估；其中，行驶状态的正常与异常状态识别率超过89%，施工状态正常与异常状态识别率相对较低，但也超过80%。
针对上述实施例，本发明还提供了一种钻爆法施工装备异常数据辨识系统，包括：
获取模块，用于获取钻爆法施工成套装备中各装备在各时刻的状态监测数据以及各装备在各时刻的振动监测数据。
数据分类模块，用于对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
预处理模块，用于均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列。
模态分解模块，用于采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵。
可视化模块，用于根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图。
辨识模块，用于采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据。
在实际应用中，所述数据分类模块，具体包括：
状态确定单元，用于根据所述装备在各时刻的状态监测数据确定所述装备在各时刻的状态；所述状态包括正常行驶状态、异常行驶状态、正常施工状态和异常施工状态。
数据分类单元，用于根据所述装备在各时刻的状态将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
在实际应用中，所述预处理模块，具体包括：
第一振动监测数据序列确定单元，用于对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列。
第二振动监测数据序列确定单元，用于对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列。
第三振动监测数据序列确定单元，用于对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列。
第四振动监测数据序列确定单元，用于对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
在实际应用中，所述辨识模块，具体包括：
样本集构建单元，用于根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集。
异常数据辨识模型确定单元，用于以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
一种电子设备，包括：
存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述方法实施例所述的钻爆法施工装备异常数据辨识方法。
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法实施例所述的钻爆法施工装备异常数据辨识方法。
本发明有以下技术效果：
本发明充分利用工程期不同施工器械的长期振动监测数据，构建顾及整体施工工序前后施工装备的异常数据辨识模型，挖掘施工装备不同阶段异常关联，节约施工成本，为施工整体效率提升及装备正常保障提供基础资料。
本发明采取了单一装备自身状态分析进行异常值标定，融合加装了振动传感数据采集，提升了施工装备异常值挖掘地准确性和相关性。
本发明基于不同类型施工装备振动监测数据，采用行业频率分析法融合神经网络架构，提高了异常挖掘系统整体性的同时为施工装备线上运营安全提供理论支持。
本发明基于自适应机器神经网络方法提高了针对不同类型施工装备异常值的自动化水平，为运营管理部门提供可靠的管理依据。
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。对于实施例公开的系统而言，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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种钻爆法施工装备异常数据辨识方法，其特征在于，包括：
获取钻爆法施工成套装备中各装备在各时刻的状态监测数据以及各装备在各时刻的振动监测数据；
对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列；
均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列；
采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵；
根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图；
采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据；
采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，具体包括：
根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集；
以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
2.根据权利要求1所述的钻爆法施工装备异常数据辨识方法，其特征在于，均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列，具体包括：
对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列；
对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列；
对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列；
对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
3.一种钻爆法施工装备异常数据辨识系统，其特征在于，包括：
获取模块，用于获取钻爆法施工成套装备中各装备在各时刻的状态监测数据以及各装备在各时刻的振动监测数据；
数据分类模块，用于对于任意一个装备，根据所述装备在各时刻的状态监测数据，将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列；
预处理模块，用于均对所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列分别进行去噪处理和重构处理得到第一振动监测数据序列、第二振动监测数据序列、第三振动监测数据序列和第四振动监测数据序列；
模态分解模块，用于采用完全自适应噪声集合经验模态分解算法分别对所述第一振动监测数据序列、所述第二振动监测数据序列、所述第三振动监测数据序列以及所述第四振动监测数据序列分别进行处理得到第一振动分解矩阵、第二振动分解矩阵、第三振动分解矩阵和第四振动分解矩阵；
可视化模块，用于根据所述第一振动分解矩阵、所述第二振动分解矩阵、所述第三振动分解矩阵和所述第四振动分解矩阵得到第一模态时频图、第二模态时频图、第三模态时频图和第四模态时频图；
辨识模块，用于采用样本集对Ghost模型进行训练和测试得到异常数据辨识模型，所述异常数据辨识模型用于对待辨识装备的异常数据进行辨识；所述样本集包括所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据；
所述辨识模块，具体包括：
样本集构建单元，用于根据所述第一模态时频图、所述第二模态时频图、所述第三模态时频图、所述第四模态时频图、所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据构建样本集；
异常数据辨识模型确定单元，用于以所述第一模态时频图、所述第二模态时频图、所述第三模态时频图和所述第四模态时频图为输入，以所述装备在各时刻的状态监测数据以及所述装备在各时刻的振动监测数据为输出对所述Ghost模型进行训练和测试得到异常数据辨识模型。
4.根据权利要求3所述的钻爆法施工装备异常数据辨识系统，其特征在于，所述数据分类模块，具体包括：
状态确定单元，用于根据所述装备在各时刻的状态监测数据确定所述装备在各时刻的状态；所述状态包括正常行驶状态、异常行驶状态、正常施工状态和异常施工状态；
数据分类单元，用于根据所述装备在各时刻的状态将所述装备在各时刻的振动监测数据划分为所述装备在正常行驶状态下的振动监测数据序列、所述装备在异常行驶状态下的振动监测数据序列、所述装备在正常施工状态下的振动监测数据序列以及所述装备在异常施工状态下的振动监测数据序列。
5.根据权利要求3所述的钻爆法施工装备异常数据辨识系统，其特征在于，所述预处理模块，具体包括：
第一振动监测数据序列确定单元，用于对所述装备在正常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第一振动监测数据序列；
第二振动监测数据序列确定单元，用于对所述装备在异常行驶状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第二振动监测数据序列；
第三振动监测数据序列确定单元，用于对所述装备在正常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第三振动监测数据序列；
第四振动监测数据序列确定单元，用于对所述装备在异常施工状态下的振动监测数据序列依次进行小波阈值去噪处理和重构处理得到第四振动监测数据序列。
6.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至2中任一项所述的钻爆法施工装备异常数据辨识方法。
7.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的钻爆法施工装备异常数据辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310943156.2A CN116662920B (zh) | 2023-07-31 | 2023-07-31 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310943156.2A CN116662920B (zh) | 2023-07-31 | 2023-07-31 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662920A CN116662920A (zh) | 2023-08-29 |
| CN116662920B true CN116662920B (zh) | 2023-10-24 |
Family
ID=87722782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310943156.2A Active CN116662920B (zh) | 2023-07-31 | 2023-07-31 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662920B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540326B (zh) * | 2024-01-09 | 2024-04-12 | 深圳大学 | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101986A (zh) * | 2018-06-07 | 2018-12-28 | 国网山东省电力公司青岛供电公司 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
| CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
| CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
| CN112945556A (zh) * | 2021-01-26 | 2021-06-11 | 大连海事大学 | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 |
| CN114463727A (zh) * | 2022-01-11 | 2022-05-10 | 上海工程技术大学 | 一种地铁驾驶员行为识别方法 |
| CN114970602A (zh) * | 2022-04-13 | 2022-08-30 | 浙大宁波理工学院 | 基于改进的经验模态分解与小波阀值函数的信号去噪方法与系统 |
| CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
| CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
| CN115688018A (zh) * | 2023-01-04 | 2023-02-03 | 湖南大学 | 一种多工况下轴承的状态监测与故障诊断方法 |
| CN116089857A (zh) * | 2023-01-04 | 2023-05-09 | 国网吉林省电力有限公司四平供电公司 | 一种基于ceemdan-dbn的变压器故障识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114036974A (zh) * | 2021-10-15 | 2022-02-11 | 东南大学 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
-
2023
- 2023-07-31 CN CN202310943156.2A patent/CN116662920B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101986A (zh) * | 2018-06-07 | 2018-12-28 | 国网山东省电力公司青岛供电公司 | 基于栈式降噪自编码器的输变电设备状态异常检测方法和系统 |
| CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
| CN110987494A (zh) * | 2019-12-02 | 2020-04-10 | 吉林松江河水力发电有限责任公司 | 一种基于声发射对水轮机空化状态监测的方法 |
| CN112945556A (zh) * | 2021-01-26 | 2021-06-11 | 大连海事大学 | 一种基于小波包分解和优选剔除分类策略的轴承故障诊断方法 |
| CN114463727A (zh) * | 2022-01-11 | 2022-05-10 | 上海工程技术大学 | 一种地铁驾驶员行为识别方法 |
| CN114970602A (zh) * | 2022-04-13 | 2022-08-30 | 浙大宁波理工学院 | 基于改进的经验模态分解与小波阀值函数的信号去噪方法与系统 |
| CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
| CN115452381A (zh) * | 2022-09-29 | 2022-12-09 | 湘潭大学 | 基于多重模态分解和长短期记忆网络的强噪声干扰下的滚动轴承故障诊断方法 |
| CN115688018A (zh) * | 2023-01-04 | 2023-02-03 | 湖南大学 | 一种多工况下轴承的状态监测与故障诊断方法 |
| CN116089857A (zh) * | 2023-01-04 | 2023-05-09 | 国网吉林省电力有限公司四平供电公司 | 一种基于ceemdan-dbn的变压器故障识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Field test of a reinforced concrete bridge under marine environmental corrosion;Du Yanliang et al.;ENGINEERING FAILURE ANALYSIS;第115卷;第1-12页 * |
| 声子晶体型浮置板轨道低频减振性能研究;杜彦良 等;振动与冲击;第41卷(第12期);第36-42、107页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662920A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
| CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
| CN116662920B (zh) | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 | |
| CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
| CN114048790B (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
| CN117076935B (zh) | 数字孪生辅助的机械故障数据轻量级生成方法及系统 | |
| CN116007937B (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
| CN111914490B (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
| CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
| CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
| CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
| CN115660209A (zh) | 一种矿井安全预警方法、系统、电子设备及介质 | |
| CN117710759B (zh) | 一种载人潜器故障和寿命预测系统及方法 | |
| CN114662327A (zh) | 一种用于auv舱内泄露监测的辅助方法 | |
| CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
| CN117392452A (zh) | 基于图像分析的墙体裂缝检测系统及其方法 | |
| CN115750341A (zh) | 一种罗茨式压缩机故障诊断方法及系统 | |
| CN115907104B (zh) | 基于物联网大数据与机器学习的液压泵故障预测方法 | |
| CN117272245B (zh) | 一种风机齿轮箱温度预测方法、装置、设备和介质 | |
| CN113957933B (zh) | 桩基竖向承载力评估方法及系统 | |
| CN114925568B (zh) | 六面顶压机铰链梁结构的疲劳寿命预测及可靠性分析方法 | |
| CN118133581B (zh) | 煤岩体应力模型的构建方法及装置 | |
| CN114781762B (zh) | 一种基于寿命消耗的装备故障预测方法 | |
| CN117309396A (zh) | 一种基于自编码器的球磨机轴承故障预测方法和系统 | |
| CN118150157A (zh) | 风电机组齿轮箱故障诊断方法、系统、设备及存储介质 |
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 |