CN117055102A - 一种基于唯一微震信号的岩石破坏模式智能区分方法 - Google Patents
一种基于唯一微震信号的岩石破坏模式智能区分方法 Download PDFInfo
- Publication number
- CN117055102A CN117055102A CN202311056578.4A CN202311056578A CN117055102A CN 117055102 A CN117055102 A CN 117055102A CN 202311056578 A CN202311056578 A CN 202311056578A CN 117055102 A CN117055102 A CN 117055102A
- Authority
- CN
- China
- Prior art keywords
- microseismic
- distinguishing
- rock
- characteristic parameters
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 86
- 230000006378 damage Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 230000008859 change Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/288—Event detection in seismic signals, e.g. microseismics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/30—Analysis
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Acoustics & Sound (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于唯一微震信号的岩石破坏模式智能区分方法，包括收集已知岩石破坏模式的原始微震波形，利用傅里叶变换提取出微震波形的时间域与频率域的特征参数，对提取出的特征参数进行离差标准化后将特征参数平铺成微震参数一维特征图，以卷积神经网络为基本框架构建岩石破坏模式区分网络，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系构建岩石破坏模式智能区分模型，验证岩石破坏模式智能区分模型，将未知破坏模式的微震波形处理后输入训练好的岩石破坏模式智能区分模型进行破坏模式区分。本申请仅使用单独的微震信号即可完成岩石破坏模式区分，无需使用连续时间内的微震信号变化规律，减少了动力灾害监测预警的主客观误差。
Description
技术领域
本发明涉及矿山微震监测预警技术领域，具体涉及一种基于唯一微震信号的岩石破坏模式智能区分方法。
背景技术
微震监测常用于监测冲击地压、煤与瓦斯突出等动力灾害，通过拾震器监测岩体受力变形或断裂过程中产生的弹性波，获得微震事件的“时-空-强”信息，预测冲击地压等动力灾害的发生。根据微震事件能量判断动力灾害的强度，是微震监测的核心问题之一。
目前常规的微震监测预警方法一般是将微震监测系统监测到的信号进行统一分析，并通过连续时间的变化规律对动力灾害的危险等级进行评判。但本申请的发明人经过研究发现，这种方式存在两种缺陷：第一、微震监测系统接受到的传统预警技术将这些信号进行统一分析，以判别其危险等级，然而矿山是一个复杂地质环境，岩石也会发生不同的破坏模式，不同破坏模式的岩石破坏微震信号波形演化规律也有所不同，因此对所有信号进行统一分析，会造成动力灾害监测预警的主观误差；第二、在矿山中岩石破坏信号可能因为衰减和传感器的故障等原因，无法获取岩石破坏全过程的数据，会造成监测预警的客观误差。
综上所述，在矿山复杂地质环境条件下，传统微震监测预警方法在区分破坏模式和岩性等方面存在一定的局限性。目前针对于矿山复杂环境条件下的微震监测预警方法，仍受到监测信号混淆不清以及监测信号断续的影响。
发明内容
针对现有微震监测预警方法中因为岩石会发生不同的破坏模式，不同破坏模式的岩石破坏微震信号波形演化规律也有所不同，对所有信号进行统一分析，会造成动力灾害监测预警的主观误差，以及在矿山中岩石破坏信号可能因为衰减和传感器的故障等原因，无法获取岩石破坏全过程的数据，会造成监测预警的客观误差的技术问题，本发明提供一种基于唯一微震信号的岩石破坏模式智能区分方法。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于唯一微震信号的岩石破坏模式智能区分方法，包括以下步骤：
S1、收集已知岩石破坏模式的原始微震波形；
S2、利用傅里叶变换，提取出微震波形的时间域与频率域的特征参数，所述特征参数包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、有效电压、平均电平、质心频域、峰值频率；
S3、对提取出的微震波形的时间域与频率域的特征参数进行离差标准化，将特征参数标准化的数据平铺成微震参数一维特征图；
S4、以卷积神经网络为基本框架，构建岩石破坏模式区分网络M_Net；
S5、以微震参数一维特征图作为输入特征，已知的岩石破坏模式作为标签，岩石破坏模式区分网络M_Net作为基本框架，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系，构建岩石破坏模式智能区分模型；
S6、验证岩石破坏模式智能区分模型：以岩石破坏模式区分准确率为依据，当准确率小于预设值时，调整岩石破坏模式智能区分模型的超参数，按步骤S5重新训练模型，直至准确率大于等于预设值，则认为模型已经训练好了，可以进行应用；
S7、将未知破坏模式的微震波形按上述步骤S2和S3进行处理，然后输入步骤S5中训练好的岩石破坏模式智能区分模型进行破坏模式区分，实现未知岩石破坏模式的微震波形区分应用。
进一步，所述步骤S2中傅里叶变换采用以下公式：
其中，F(ω)表示傅里叶变换后的频谱，f(t)为原始信号，e-iωt为复指数函数，ω为频率。
进一步，所述步骤S3中离差标准化采用以下公式：
其中，xnew为标准化后的结果，x为进行标准化的数据，xmax为同一类特征值数据的最大值，xmin为同一类特征值数据的最大值。
进一步，所述步骤S4中构建的岩石破坏模式区分网络M_Net包括顺序连接的四个卷积块，每个卷积块包括从输入端到输出端依次连接的卷积层、批归一化层、激活层和最大池化层，每个卷积块的卷积层的卷积核大小为1×1，四个卷积块中卷积层的卷积核数量依次为32、64、128、256，四个卷积块中最大池化层的池化核大小为1×1，池化步长为1。
进一步，所述卷积层的卷积计算公式如下：
其中，I(i-m,j-n)为输入信号，K(m,n)为卷积核，i,j为输出特征映射的索引，m,n为卷积核的索引。
进一步，所述批归一化层的实现包括如下步骤：
S41、计算每一个训练批次微震特征参数的均值；
S42、计算每一个训练批次微震特征参数的方差；
S43、使用均值和方差对该批次的训练微震特征参数做归一化，将训练微震特征参数转化到均值为0方差为1的标准正态分布，获得0-1分布；
S44、对归一化的微震特征参数进行尺度变换和偏移。
进一步，所述步骤S41中微震特征参数的均值计算采用以下公式：
其中，μB为训练批次微震特征参数的均值，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数。
进一步，所述步骤S42中微震特征参数的方差计算采用以下公式：
其中，为训练批次微震特征参数的方差，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值。
进一步，所述步骤S43中微震特征参数的归一化计算采用以下公式：
其中，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值，为训练批次微震特征参数的方差，ε是为了避免除数为0时所使用的微小正数。
进一步，所述步骤S44中微震特征参数的尺度变换和偏移计算采用以下公式：
其中，γ为尺度因子，xi为第i个训练微震特征参数，β为平移因子。
与现有技术相比，本发明提供的基于唯一微震信号的岩石破坏模式智能区分方法具有以下优点：
1、本发明利用机器学习大数据分析能力，实现了混杂岩石破坏微震信号模式智能区分，一定程度上减少了动力灾害监测预警的主观误差；
2、本发明在实现岩石破坏模式区分的过程中，仅仅使用了一个单独的微震信号，即可完成岩石破坏模式区分，无需使用连续时间内的微震信号变化规律，减少了因传感器故障等原因造成的动力灾害监测预警的客观误差。
附图说明
图1是本发明提供的基于唯一微震信号的岩石破坏模式智能区分方法流程示意图。
图2是本发明提供的原始微震波形示意图。
图3是本发明提供的微震波形时间域与频率域的特征参数提取示意图。
图4是本发明提供的微震波形微震参数一维特征图。
图5是本发明提供的岩石破坏模式区分网络M_Net的结构示意图。
图6是本发明提供的岩石破坏模式智能区分模型的性能变化示意图。
图7是本发明提供的新方法在矿山三类破坏模式的区分结果。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。
请参考图1所示，本发明提供一种基于唯一微震信号的岩石破坏模式智能区分方法，包括以下步骤：
S1、收集已知岩石破坏模式的原始微震波形；所述原始微震波形的示意图如图2所示，其中横轴为时间轴，纵轴为能量振幅信息。
S2、利用傅里叶变换，提取出微震波形的时间域与频率域的特征参数，即通过傅里叶变换对微震波形进行参数提取，计算出微震波形的时间域与频率域的特征参数，参数提取图如图3所示；所述特征参数包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、有效电压、平均电平、质心频域、峰值频率。
S3、对提取出的微震波形的时间域与频率域的特征参数进行离差标准化，将特征参数标准化的数据平铺成微震参数一维特征图，特征图长为10，高为1；微震参数一维特征图如图4所示，图中x1～x10为微震特征参数经过归一化的值。
S4、以卷积神经网络为基本框架，构建岩石破坏模式区分网络M_Net。
S5、以微震参数一维特征图作为输入特征，已知的岩石破坏模式作为标签，岩石破坏模式区分网络M_Net作为基本框架，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系，构建岩石破坏模式智能区分模型。
S6、验证岩石破坏模式智能区分模型：以岩石破坏模式区分准确率为依据，当准确率小于预设值时，调整岩石破坏模式智能区分模型的超参数，按步骤S5重新训练模型，直至准确率大于等于预设值，则认为模型已经训练好了，可以进行应用；作为一种实施方式，所述预设值设定为90％。
S7、将未知破坏模式的微震波形按上述步骤S2和S3进行处理，然后输入步骤S5中训练好的岩石破坏模式智能区分模型进行破坏模式区分，实现未知岩石破坏模式的微震波形区分应用。
作为具体实施例，所述步骤S2中傅里叶变换采用以下公式：
其中，F(ω)表示傅里叶变换后的频谱，f(t)为原始信号，e-iωt为复指数函数，ω为频率。
作为具体实施例，所述步骤S3中离差标准化采用以下公式：
其中，xnew为标准化后的结果，x为进行标准化的数据，xmax为同一类特征值数据的最大值，xmin为同一类特征值数据的最大值。
作为具体实施例，请参考图5所示，所述步骤S4中构建的岩石破坏模式区分网络M_Net包括顺序连接的四个卷积块，每个卷积块包括从输入端到输出端依次连接的卷积层(Conv)、批归一化层(Batchnorm)、激活层(Relu)和最大池化层(Maxpool)，每个卷积块的卷积层的卷积核大小为1×1，四个卷积块中卷积层的卷积核数量依次为32、64、128、256，四个卷积块中最大池化层的池化核大小为1×1，池化步长为1。
作为具体实施例，所述卷积层的卷积计算公式如下：
其中，I9i-m,j-n)为输入信号，K(m,n)为卷积核，i,j为输出特征映射的索引，m,n为卷积核的索引。
作为具体实施例，所述批归一化层的实现包括如下步骤：
S41、计算每一个训练批次微震特征参数的均值；
S42、计算每一个训练批次微震特征参数的方差；
S43、使用均值和方差对该批次的训练微震特征参数做归一化，将训练微震特征参数转化到均值为0方差为1的标准正态分布，获得0-1分布；
S44、对归一化的微震特征参数进行尺度变换和偏移。
采用本实施例中的批归一化层实现步骤，由此可以加快岩石破坏模式区分模型训练的收敛速度，使岩石破坏模式区分模型更加容易训练和稳定。
作为具体实施例，所述步骤S41中微震特征参数的均值计算采用以下公式：
其中，μB为训练批次微震特征参数的均值，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数。
作为具体实施例，所述步骤S42中微震特征参数的方差计算采用以下公式：
其中，为训练批次微震特征参数的方差，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值。
作为具体实施例，所述步骤S43中微震特征参数的归一化计算采用以下公式：
其中，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值，为训练批次微震特征参数的方差，ε是为了避免除数为0时所使用的微小正数。
作为具体实施例，所述步骤S44中微震特征参数的尺度变换和偏移计算采用以下公式：
其中，γ为尺度因子，xi为第i个训练微震特征参数，β为平移因子。
作为具体实施例，所述激活层的激活函数选用ReLU函数，使用整流线性单元ReLU作为非线性激励函数，将归一化后每个值进行非线性转化，所述整流线性单元ReLU定义如下：
ReLU(yi)＝max(0,yi)
其中，ReLU(yi)表示整流线性单元函数，max表示求最大值，yi是一个输入值。
作为具体实施例，图6为训练学习微震参数一维特征图与岩石破坏模式区分的映射关系过程中，岩石破坏模式智能区分模型的性能变化，最终模型的区分准确率可达到99.9％。
作为具体实施例，图7为本方法在矿山三类(压缩、剪切、拉伸)破坏模式的区分结果，准确率都在99％以上，证明了本发明提出的新方法在岩石破坏模式区分的可行性。
与现有技术相比，本发明提供的基于唯一微震信号的岩石破坏模式智能区分方法具有以下优点：
1、本发明利用机器学习大数据分析能力，实现了混杂岩石破坏微震信号模式智能区分，一定程度上减少了动力灾害监测预警的主观误差；
2、本发明在实现岩石破坏模式区分的过程中，仅仅使用了一个单独的微震信号，即可完成岩石破坏模式区分，无需使用连续时间内的微震信号变化规律，减少了因传感器故障等原因造成的动力灾害监测预警的客观误差。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，包括以下步骤：
S1、收集已知岩石破坏模式的原始微震波形；
S2、利用傅里叶变换，提取出微震波形的时间域与频率域的特征参数，所述特征参数包括幅值、持续时间、上升时间、振铃计数、上升计数、能量、有效电压、平均电平、质心频域、峰值频率；
S3、对提取出的微震波形的时间域与频率域的特征参数进行离差标准化，将特征参数标准化的数据平铺成微震参数一维特征图；
S4、以卷积神经网络为基本框架，构建岩石破坏模式区分网络M_Net；
S5、以微震参数一维特征图作为输入特征，已知的岩石破坏模式作为标签，岩石破坏模式区分网络M_Net作为基本框架，训练学习微震参数一维特征图与岩石破坏模式区分的映射关系，构建岩石破坏模式智能区分模型；
S6、验证岩石破坏模式智能区分模型：以岩石破坏模式区分准确率为依据，当准确率小于预设值时，调整岩石破坏模式智能区分模型的超参数，按步骤S5重新训练模型，直至准确率大于等于预设值，则认为模型已经训练好了，可以进行应用；
S7、将未知破坏模式的微震波形按上述步骤S2和S3进行处理，然后输入步骤S5中训练好的岩石破坏模式智能区分模型进行破坏模式区分，实现未知岩石破坏模式的微震波形区分应用。
2.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S2中傅里叶变换采用以下公式：
其中，F(ω)表示傅里叶变换后的频谱，f(t)为原始信号，e-iωt为复指数函数，ω为频率。
3.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S3中离差标准化采用以下公式：
其中，xnew为标准化后的结果，x为进行标准化的数据，xmax为同一类特征值数据的最大值，xmin为同一类特征值数据的最大值。
4.根据权利要求1所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S4中构建的岩石破坏模式区分网络M_Net包括顺序连接的四个卷积块，每个卷积块包括从输入端到输出端依次连接的卷积层、批归一化层、激活层和最大池化层，每个卷积块的卷积层的卷积核大小为1×1，四个卷积块中卷积层的卷积核数量依次为32、64、128、256，四个卷积块中最大池化层的池化核大小为1×1，池化步长为1。
5.根据权利要求4所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述卷积层的卷积计算公式如下：
其中，I(i-m,j-n)为输入信号，K(m,n)为卷积核，i,j为输出特征映射的索引，m,n为卷积核的索引。
6.根据权利要求4所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述批归一化层的实现包括如下步骤：
S41、计算每一个训练批次微震特征参数的均值；
S42、计算每一个训练批次微震特征参数的方差；
S43、使用均值和方差对该批次的训练微震特征参数做归一化，将训练微震特征参数转化到均值为0方差为1的标准正态分布，获得0-1分布；
S44、对归一化的微震特征参数进行尺度变换和偏移。
7.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S41中微震特征参数的均值计算采用以下公式：
其中，μB为训练批次微震特征参数的均值，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数。
8.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S42中微震特征参数的方差计算采用以下公式：
其中，为训练批次微震特征参数的方差，M为训练批次微震特征参数的数量，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值。
9.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S43中微震特征参数的归一化计算采用以下公式：
其中，xi为第i个训练微震特征参数，μB为训练批次微震特征参数的均值，为训练批次微震特征参数的方差，ε是为了避免除数为0时所使用的微小正数。
10.根据权利要求6所述的基于唯一微震信号的岩石破坏模式智能区分方法，其特征在于，所述步骤S44中微震特征参数的尺度变换和偏移计算采用以下公式：
其中，γ为尺度因子，xi为第i个训练微震特征参数，β为平移因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311056578.4A CN117055102A (zh) | 2023-08-22 | 2023-08-22 | 一种基于唯一微震信号的岩石破坏模式智能区分方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311056578.4A CN117055102A (zh) | 2023-08-22 | 2023-08-22 | 一种基于唯一微震信号的岩石破坏模式智能区分方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117055102A true CN117055102A (zh) | 2023-11-14 |
Family
ID=88653192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311056578.4A Pending CN117055102A (zh) | 2023-08-22 | 2023-08-22 | 一种基于唯一微震信号的岩石破坏模式智能区分方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117055102A (zh) |
-
2023
- 2023-08-22 CN CN202311056578.4A patent/CN117055102A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105956526B (zh) | 基于多尺度排列熵的低信噪比微震事件辨识方法 | |
| CN112327219B (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
| CN102841131B (zh) | 钢丝绳芯输送带缺陷智能识别方法及系统 | |
| CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN106546892A (zh) | 基于深度学习的局部放电超声音频识别方法及系统 | |
| CN109033612A (zh) | 一种基于振动噪声及bp神经网络的变压器故障诊断方法 | |
| CN102778358A (zh) | 故障预测模型建立方法及系统、风机监测预警系统及方法 | |
| CN106500735A (zh) | 一种基于压缩感知的fbg信号自适应修复方法 | |
| CN105046882A (zh) | 摔倒检测方法以及装置 | |
| CN117407679B (zh) | 智能末屏传感器的数据采集方法及系统 | |
| CN110487917A (zh) | 一种基于神经网络的应力波检测与分析系统 | |
| CN114757266A (zh) | 专家知识与数据融合驱动的冲击地压预测模型构建方法 | |
| CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
| CN115754022A (zh) | 一种基于声发射的钢桁架焊接节点损伤程度识别方法 | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
| CN117055102A (zh) | 一种基于唯一微震信号的岩石破坏模式智能区分方法 | |
| CN109029711B (zh) | 一种动态的桥梁结构多阶频率识别方法 | |
| CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
| CN114896548B (zh) | 一种边坡稳定性判断方法、装置、设备及可读存储介质 | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN115130748A (zh) | 一种建筑电气系统故障诊断方法 | |
| CN114783462A (zh) | 一种基于cs-music矿井提升机故障源定位分析方法 | |
| KR102319262B1 (ko) | 인공지능을 이용한 태아 박동 진단방법, 장치 및 시스템 |
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 |