CN117033486A - 一种基于跨海大桥水文数据的综合监测系统 - Google Patents
一种基于跨海大桥水文数据的综合监测系统 Download PDFInfo
- Publication number
- CN117033486A CN117033486A CN202311005827.7A CN202311005827A CN117033486A CN 117033486 A CN117033486 A CN 117033486A CN 202311005827 A CN202311005827 A CN 202311005827A CN 117033486 A CN117033486 A CN 117033486A
- Authority
- CN
- China
- Prior art keywords
- data
- hydrologic
- monitoring system
- cross
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 33
- 239000000523 sample Substances 0.000 description 10
- 238000013461 design Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010183 spectrum analysis Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于跨海大桥水文数据的综合监测系统,涉及水文数据监测技术领域。包括设备层、通信层、服务层和用户管理层,设备层收集各项水文数据通过通信层的网络传输到系统数据库内,水文数据经过处理后,再通过预设接口进行信息交互传递到服务层,综合监测系统通过用户管理层进行系统的权限管理和配置管理,实现了在跨海大桥服役环境内的海洋水文监测数据的自动化管理,有效降低了跨海大桥综合监测系统的管理成本。
Description
技术领域
本发明涉及水文数据监测技术领域,特别是涉及一种基于跨海大桥水文数据的综合监测系统。
背景技术
水文数据的监测系统,适用于监测水库、湖泊、河道、防涝泵站、渠道和地下水等采集的水文情况,主要有水位、降雨量、流速、流量等数据,支持远程图像监控,快速对所辖范围内各类报汛站的水情信息进行传送,实现收集、传输、分析、示警、存储等作业,根据预设报警阈值,自动发送示警消息。提供准确、及时的现场信息,保障安全度汛。
目前还没有单独针对跨海大桥水文数据的综合监测系统,大多综合监测系统都是针对综合性的海洋水文数据方面的研究,关于跨海大桥的专一性水文相关研究较少。对于跨海大桥水文数据综合监测系统方面的研究还不够深入,跨海大桥水文数据缺乏系统全面的数据管理整合及应用。
发明内容
本发明的目的在于提供一种基于跨海大桥水文数据的综合监测系统,实现在跨海大桥服役环境内的海洋水文监测数据的自动化管理,有效降低了跨海大桥综合监测系统的管理成本。
为此,本发明的技术方案是,一种基于跨海大桥水文数据的综合监测系统,包括设备层、通信层、服务层和用户管理层,设备层收集各项水文数据通过通信层的网络传输到系统数据库内,水文数据经过处理后,再通过预设接口进行信息交互传递到服务层,综合监测系统通过用户管理层进行系统的权限管理和配置管理;综合监测系统的数据流程是,由前端感知设备采集到的跨海大桥水文数据通过数据接收模块接收,分析并提取有效数据、统一数据格式后流入数据存取模块;综合监测系统通过数据存取模块与数据库相连,存入或提取数据,在数据存取模块内生成数据文件、数据入库、数据出库、数据库表更新的操作后,数据流入数据处理模块对数据进行解析水文观测要素、解析气象观测要素、解析系统状态、数据封装、数据质量控制的操作后,再分别流入数据预警模块、数据预测模块和数据显示模块,其后在数据定制模块根据需求智能的定制输出所需水文要素数据内容和格式并导出,最终所有数据再回流数据存取模块,进入备份数据库中备份。
优选地,设备层主要由负责收集各项水文数据的感知设备组成,设备层包括监测现场的GPS、风速风向仪、浊度仪、潮位仪、流速剖面仪、波浪仪。
优选地,服务层提供水文监测、告警预警、地图服务、图表展示、数据预测的业务服务,以及数据查询、数据大屏、数据统计的数据服务。
优选地,用户管理层包含设备管理、用户管理、权限管理、角色管理、系统监控、项目管理、配置管理、其他管理。
优选地,数据显示模块用于实时数据显示、数据完整性检查、历史数据显示、数据发布。
优选地,数据预警模块包括告警名称、告警类型、告警方式、告警群组、告警周期、起止时间、运行状态。
优选地,数据预测模块实现潮位数据预测的方法是,
用微波雷达实时监测海浪波高和潮位,用三角波对11.4GHz射频进行线性调频,海表回波信号经解调形成中频信号,通过测定中频信号来计算出海表相对高度;
采用人工神经网络算法来求取中频,用人工神经网络算法代替快速傅氏变换算法求得微波反射波的中频信号,再计算出海表的探测距离,由一系列海表探测距离样本集绘得海表波浪波形;
再用人工神经网络算法把每9个点样本插值成256个点的探测距离集,然后根据插值所得的探测距离集计算出波高,再求统计平均获得海表潮位。
优选地,人工神经网络采用前馈三层神经网络,激活函数选择s形函数。
优选地,人工神经网络的训练算法采用BP算法。
优选地,输入层节点数为1024,中间节点数为10,输出节点数为1。
本发明的有益效果如下:
(1)通过构建一个统一的存储结构模型,可以提升系统对数据的处理分析和管理能力,为相关部门和用户提供全面、多角度的跨海大桥水文数据服务,为跨海桥梁建设提供有力的支持。
(2)系统设计以数据库为中心,其它模块通过内部接口进行信息交互,可以最大程度地降低系统模块之间的耦合度,保证系统整体的稳定性。实现在跨海大桥服役环境内的海洋水文监测数据的自动化管理,有效降低了跨海大桥综合监测系统的管理成本。
(3)综合监测系统的数据预测模块,采用人工神经网络算法来求取中频,并用人工神经网络插值算法来细化所描绘的海浪波形,且根据海浪波形,用软件算法求得波高,再求统计平均获得海表潮位,从而简化了设计,达到了既可测波高又可测潮位的目的。采用人工神经网络做谱分析来求取中频频率的优点是速度快,可使系统的检测精度提高1个数量级,再经9/256人工神经网络插值,使监测的实时性得到了充分保证。
附图说明
图1是本发明一种基于跨海大桥水文数据的综合监测系统的整体结构示意图;
图2是本发明一种基于跨海大桥水文数据的综合监测系统的功能模块示意图;
图3是本发明一种基于跨海大桥水文数据的综合监测系统的数据流程示意图;
图4是本发明用神经网络算法获得的海表高度样本所绘制的海浪波形图。
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、完整的描述,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。
实施例1
如图1所示,本发明提供一种基于跨海大桥水文数据的综合监测系统,其包括设备层、通信层、服务层和用户管理层,设备层收集各项水文数据通过通信层的网络传输到系统数据库内,水文数据经过处理后,再通过预设接口进行信息交互传递到服务层,综合监测系统通过用户管理层进行系统的权限管理和配置管理。
设备层主要由负责收集各项水文数据的感知设备组成,设备层由监测现场的GPS、风速风向仪、浊度仪、潮位仪、流速剖面仪、波浪仪等智能终端组成,这些终端收集到的区域位置、风速风向、浊度、潮位、流速流向、波高波周期等数据,通过通信层内的网络传输到系统数据库内,对数据进行一系列的采集、处理、存储、备份/还原及数据加密,再通过预设接口进行信息交互传递到服务层。
通信层由综合监测系统与设备自带的通讯网络构成,用于数据的双向传输,包括2G、3G、4G、WI F I、l ora等无线网络传输方式。
服务层是综合监测系统的核心,提供水文监测、告警预警、地图服务、图表展示、数据预测等业务服务,以及数据查询、数据大屏、数据统计等数据服务,其中水文数据预测服务以潮位预测为核心,对于实际工程应用具有重大意义。
用户管理层主要负责为管理人员提供系统用户的添加、删除、修改和分配权限等操作,不同权限的系统用户的访问级别不同,目前划分为普通用户、管理员和超级管理员三类角色,包含设备管理、用户管理、权限管理、角色管理、系统监控、项目管理、配置管理、其他管理等管理功能。
如图2所示,一种基于跨海大桥水文数据的综合监测系统,主要有7大功能模块:
数据接收模块:通过外部接口接收前端感知设备传递的数据、分析并提取有效数据,统一格式等。
数据处理模块:解析水文观测要素数据、解析气象观测要素数据、解析系统状态数据、数据封装、数据质量控制、存储数据报表等。
数据存取模块:生成数据文件、数据入库、数据出库、数据库表更新、数据查询等。
数据显示模块:实时数据显示、数据完整性检查、历史数据显示、数据发布等。
数据预警模块:包括告警名称、告警类型、告警方式、告警群组、告警周期、起止时间、运行状态等。
数据预测模块:采用人工神经网络算法来求取中频,并用人工神经网络插值算法来细化所描绘的海浪波形,且根据海浪波形,用软件算法求得波高,再求统计平均获得海表潮位,从而简化了设计,达到了既可测波高又可测潮位的目的。
数据定制模块:可定制的数据管理和处理模块,能够实现快速更新数据,且依据定制要求可扩展不同水文要素特征的计算和管理,根据需求智能的定制输出所需水文要素数据内容和格式等。
如图3所示,一种基于跨海大桥水文数据的综合监测系统的数据流程是,由前端感知设备采集到的跨海大桥水文数据通过数据接收模块接收,分析并提取有效数据、统一格式后流入数据存取模块;综合监测系统通过数据存取模块与数据库相连,存入或提取数据,以其为核心,在数据存取模块内生成数据文件、数据入库、数据出库、数据库表更新等操作后,数据流入数据处理模块对数据进行解析水文观测要素、解析气象观测要素、解析系统状态、数据封装、数据质量控制等操作后,再分别流入数据预警模块、数据预测模块和数据显示模块等三大模块,其后可在数据定制模块根据需求智能的定制输出所需水文要素数据内容和格式并导出,最终所有数据再回流数据存取模块,进入备份数据库中备份。
实施例2
数据预测模块实现潮位数据预测的方法是,用微波雷达实时监测海浪波高和潮位,用三角波对11.4GHz射频进行线性调频,海表回波信号经解调形成中频信号(fif)
fif=(4/3)ΔFfΔ×10-8H(1)
式中,fΔ为三角波调制信号频率;F为调频最大频移;H为海表相对高度(m)。通过测定中频信号来计算出海表相对高度:
采用11.4GHz微波源,三角波调制信号的频率fΔ=500Hz,三角波调频的最大频偏ΔF=45.5MHz,中频动态范围是4.5-92.0kHz,相应的潮位监测范围是1.5-30.0m。
为了减少测量误差,本发明采用人工神经网络算法来求取中频,并用人工神经网络插值算法来细化所描绘的海浪波形,且根据海浪波形,用软件算法求得波高,再求统计平均获得海表潮位,从而简化了设计,达到了既可测波高又可测潮位的目的。
该方法的基本思路是,用人工神经网络算法代替快速傅氏变换算法求得微波反射波的中频信号,再用公式(2)计算出海表的探测距离,由一系列海表探测距离样本集绘得海表波浪波形。为使绘制的波形更精细,需要更密集的探测距离样本集,但这会耗费更多的求取中频的时间,不利于实时性检测。为此,再用神经网络算法把每9个点样本插值成256个点的探测距离集,然后根据插值所得的探测距离集计算出波高,再求统计平均(加海表基准)获得海表潮位。
用人工神经网络检测中频信号,其训练样本可以用下式确定:
式中,振幅A取0.8-1.2;频率f取3.75-75.00kHz;相位取0-2π;随机噪声R取0.01-0.10。A,f,/>R都可由计算机产生。神经网络采用前馈三层神经网络,训练算法采用BP算法。输入层节点数为1024,中间节点数为10,输出节点数为1。输入是A/D卡采样所得的中频信号时域数据,输出为当前信号的最大值的主频,即被测中频频率。谱分析的实验结果为:平均误差为45.24Hz,最大误差为100.36Hz,最小误差为0.56Hz。神经网络训练好以后,它的响应时间小于0.00001s,即输入1024点的时域数据时输出该信号的主频只需0.00001s。
人工神经网络插值算法,应用人工神经网络可以保证在一定的误差方差下进行大点数插值,这是其他算法所不能的,因为它可以通过学习来修正它的权值,使误差控制在规定的方差内,采用人工神经网络插值算法的目的是为了减少实测距离的样本数,以便减少系统响应时间,保证监测的实时性。人工神经网络插值算法的网络设计包括网络拓扑结构的选择、激活函数的选择、确定输入输出的节点数、神经网络的层数以及各隐层的单元数等,连接方式还包括历史数据(训练样本)的分类,即如何组织训练样本,例如初始权值、学习步长、动量项系数等问题。该神经网络的功能是三层前馈神经网络,要利用9个抽样点插值生成256个点。网络拓扑结构应选择前馈神经网络,激活函数选择s形函数。
如图4所示,系统采用人工神经网络算法(输入1024点,输出1点)做谱分析求取的中频频率,经神经网络(输入9点,输出256点)做插值,再经平滑滤波滤去杂浪和噪声后所得的一个海表高度波形样本。有了这个样本就可求得波高和海表潮位。将波高定义为相邻的波谷与波峰的高度差,这样图4中H1是位于0线以上的波高,H2是位于0线以下的波高,H3是跨过0线的拔高。通常将波高定义为跨0线一侧的显著波峰与另一侧的显著波谷间的高度差,因此图4的波浪样本的波高是H3。对一定时间内的高度祥本作统计平均即可获得海表潮位(须附加微波探头的基准高度)。
用人工神经网络做谱分析来求取中频频率的优点是速度快,做一次1024点谱分析在233MHz工控机上运算只需0.00001s,而做一次1024点快速傅氏变换需耗时0.1s,前者耗时只有后者的1/10000,同时还可避免快速傅氏变换所带来的谱分辨率方面的问题。对本系统,快速傅氏变换的谱分辨率是180Hz,相当于0.06m。本神经网络的最大误差为100Hz,最小误差约为1Hz,平均误差约为50Hz,对应距离最大误差为0.005m(5mm),最小误差为0.00005m(0.05mm),平均误差为0.0025m(2.5mm),可使系统的检测精度提高1个数量级,再经9/256人工神经网络插值,使监测的实时性得到了充分保证。
本发明所述的跨海大桥水文数据的综合监测系统,系统设计以数据库为中心,其它模块通过内部接口进行信息交互,可以最大程度地降低系统模块之间的耦合度,保证系统整体的稳定性。
综合监测系统的数据预测模块,采用人工神经网络算法来求取中频,并用人工神经网络插值算法来细化所描绘的海浪波形,且根据海浪波形,用软件算法求得波高,再求统计平均获得海表潮位,从而简化了设计,达到了既可测波高又可测潮位的目的。采用人工神经网络做谱分析来求取中频频率的优点是速度快,可使系统的检测精度提高1个数量级,再经9/256人工神经网络插值,使监测的实时性得到了充分保证。
系统设计的数据定制模块,根据需求智能的定制输出所需跨海大桥水文要素数据内容和格式,能够实现快速更新数据,且依据定制要求可扩展不同水文要素特征的计算和管理。
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)
1.一种基于跨海大桥水文数据的综合监测系统,其特征在于,包括设备层、通信层、服务层和用户管理层,所述设备层收集各项水文数据通过通信层的网络传输到系统数据库内,水文数据经过处理后,再通过预设接口进行信息交互传递到服务层,所述综合监测系统通过用户管理层进行系统的权限管理和配置管理;所述综合监测系统的数据流程是,由前端感知设备采集到的跨海大桥水文数据通过数据接收模块接收,分析并提取有效数据、统一数据格式后流入数据存取模块;综合监测系统通过数据存取模块与数据库相连,存入或提取数据,在数据存取模块内生成数据文件、数据入库、数据出库、数据库表更新的操作后,数据流入数据处理模块对数据进行解析水文观测要素、解析气象观测要素、解析系统状态、数据封装、数据质量控制的操作后,再分别流入数据预警模块、数据预测模块和数据显示模块,其后在数据定制模块根据需求智能的定制输出所需水文要素数据内容和格式并导出,最终所有数据再回流数据存取模块,进入备份数据库中备份。
2.根据权利要求1所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述设备层主要由负责收集各项水文数据的感知设备组成,所述设备层包括监测现场的GPS、风速风向仪、浊度仪、潮位仪、流速剖面仪、波浪仪。
3.根据权利要求1所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述服务层提供水文监测、告警预警、地图服务、图表展示、数据预测的业务服务,以及数据查询、数据大屏、数据统计的数据服务。
4.根据权利要求1所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述用户管理层包含设备管理、用户管理、权限管理、角色管理、系统监控、项目管理、配置管理和其他管理。
5.根据权利要求1所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述数据显示模块用于实时数据显示、数据完整性检查、历史数据显示、数据发布。
6.根据权利要求1所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,数据预警模块包括告警名称、告警类型、告警方式、告警群组、告警周期、起止时间、运行状态。
7.根据权利要求1-6任一所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述数据预测模块实现潮位数据预测的方法是,
用微波雷达实时监测海浪波高和潮位,用三角波对11.4GHz射频进行线性调频,海表回波信号经解调形成中频信号,通过测定中频信号来计算出海表相对高度;
采用人工神经网络算法来求取中频,用人工神经网络算法代替快速傅氏变换算法求得微波反射波的中频信号,再计算出海表的探测距离,由一系列海表探测距离样本集绘得海表波浪波形;
再用人工神经网络算法把每9个点样本插值成256个点的探测距离集,然后根据插值所得的探测距离集计算出波高,再求统计平均获得海表潮位。
8.根据权利要求7所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述人工神经网络采用前馈三层神经网络,激活函数选择s形函数。
9.根据权利要求8所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,所述人工神经网络的训练算法采用BP算法。
10.根据权利要求9所述的一种基于跨海大桥水文数据的综合监测系统,其特征在于,输入层节点数为1024,中间节点数为10,输出节点数为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005827.7A CN117033486A (zh) | 2023-08-10 | 2023-08-10 | 一种基于跨海大桥水文数据的综合监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005827.7A CN117033486A (zh) | 2023-08-10 | 2023-08-10 | 一种基于跨海大桥水文数据的综合监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033486A true CN117033486A (zh) | 2023-11-10 |
Family
ID=88625785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311005827.7A Pending CN117033486A (zh) | 2023-08-10 | 2023-08-10 | 一种基于跨海大桥水文数据的综合监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033486A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
CN111899568A (zh) * | 2020-07-17 | 2020-11-06 | 广州忘平信息科技有限公司 | 桥梁防撞预警系统、方法、装置和存储介质 |
CN113487094A (zh) * | 2021-07-09 | 2021-10-08 | 青岛杰瑞自动化有限公司 | 一种海洋数据管理应用平台 |
-
2023
- 2023-08-10 CN CN202311005827.7A patent/CN117033486A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175513A (zh) * | 2013-03-01 | 2013-06-26 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控系统及方法 |
CN111899568A (zh) * | 2020-07-17 | 2020-11-06 | 广州忘平信息科技有限公司 | 桥梁防撞预警系统、方法、装置和存储介质 |
CN113487094A (zh) * | 2021-07-09 | 2021-10-08 | 青岛杰瑞自动化有限公司 | 一种海洋数据管理应用平台 |
Non-Patent Citations (1)
Title |
---|
蒋传纪, 郑正奇, 李宗标: "人工神经网络在潮位探测系统中的应用研究", 海洋学报(中文版), no. 04, pages 104 - 110 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609742B (zh) | 一种水环境预警综合管理平台 | |
US6957157B2 (en) | Tracking vibrations in a pipeline network | |
CN103678910B (zh) | 河道型水库支流库湾水华的云体系架构预警系统及方法 | |
CN111650872A (zh) | 一种基于物联网的河湖水生态环境监控系统 | |
Neff | Quantitative evaluation of acoustic echoes from the planetary boundary layer | |
CN106369288B (zh) | 给水管网漏损监控系统 | |
CN106801463B (zh) | 排水管的排水状态检测方法和系统 | |
CN112883644B (zh) | 一种动态水环境管理方法 | |
CN1435678A (zh) | 流体输送管道泄露智能故障诊断与定位的方法与装置 | |
CN113110200A (zh) | 一种基于气象和雨洪模型的城市内涝预警系统 | |
CN105003828A (zh) | 一种基于移动平台的排水在线监测预警方法及系统 | |
CN103136596A (zh) | 一种中小河流域山洪灾害监测预警业务平台系统 | |
CN108204848A (zh) | 一种水位和径流量数据采集和处理系统及方法 | |
CN111579004A (zh) | 基于北斗卫星应用的水利监测系统、监测方法及存储介质 | |
Ancona et al. | An “Internet of Things” vision of the flood monitoring problem | |
Khan et al. | Uncertainty in remote sensing of streams using noncontact radars | |
CN117033486A (zh) | 一种基于跨海大桥水文数据的综合监测系统 | |
CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
CN201247086Y (zh) | 联合站游离水脱除器的油水界面自动测量装置 | |
CN103983323B (zh) | 水电站水位测量方法和水电站水位监测系统 | |
CN101344764A (zh) | 联合站游离水脱除器的油水分离自动测量与控制系统 | |
CN114839121A (zh) | 一种泥沙含量在线监测系统及监测方法 | |
CN111027893A (zh) | 一种河湖水环境健康智能评估预警系统及方法 | |
CN113254560B (zh) | 一种油田滩海的潮汐灾害预测系统及方法 | |
Colagrossi et al. | Technologies for storing, processing and fruition of hydrological data |
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 |