CN117151649A - 基于大数据分析的施工方法管控系统及方法 - Google Patents
基于大数据分析的施工方法管控系统及方法 Download PDFInfo
- Publication number
- CN117151649A CN117151649A CN202311190505.4A CN202311190505A CN117151649A CN 117151649 A CN117151649 A CN 117151649A CN 202311190505 A CN202311190505 A CN 202311190505A CN 117151649 A CN117151649 A CN 117151649A
- Authority
- CN
- China
- Prior art keywords
- construction
- parameter
- state
- topology
- matrix
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 410
- 238000000034 method Methods 0.000 title claims abstract description 128
- 238000007405 data analysis Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 88
- 238000007726 management method Methods 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 27
- 230000005856 abnormality Effects 0.000 description 9
- 238000013468 resource allocation Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种基于大数据分析的施工方法管控系统及方法,其通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。这样,能够帮助施工管理者更好地监控和控制施工过程,提高施工效率和质量,降低施工风险和成本。
Description
技术领域
本申请涉及智能化管控技术领域,并且更具体地,涉及一种基于大数据分析的施工方法管控系统及方法。
背景技术
施工方法管控是指在建筑施工过程中,通过合理的方法和控制手段,对施工过程进行管理和控制,以确保工程质量、进度和安全的达成。施工方法管控是建筑项目管理的重要组成部分,它涉及到施工计划的制定、资源的调配、工艺流程的控制、质量的监督等方面。
然而,传统的施工方法管控主要依赖于监测人员的人工监测和经验判断,容易受到管理者个人经验和主观意识的影响,导致决策结果可能不够客观和全面。并且,传统的施工方法管控往往依赖于人工监测和报告,信息采集和传递存在滞后,无法实时了解施工现场的真实情况,也无法提前采取相应的措施进行干预。同时还需要大量的人力投入进行监测和管理,劳动力成本较高,且容易出现疏漏和误判。
因此,期望一种基于大数据分析的施工方法管控系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大数据分析的施工方法管控系统及方法,其通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。这样,能够帮助施工管理者更好地监控和控制施工过程,提高施工效率和质量,降低施工风险和成本。
第一方面,提供了一种基于大数据分析的施工方法管控系统,其包括:
数据采集模块,用于通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;
施工状态分析模块,用于对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;
施工过程检测模块,用于基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
第二方面,提供了一种基于大数据分析的施工方法管控方法,其包括:
通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;
对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;
基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于大数据分析的施工方法管控系统的框图。
图2为根据本申请实施例的基于大数据分析的施工方法管控系统中所述施工状态分析模块的框图。
图3为根据本申请实施例的基于大数据分析的施工方法管控方法的流程图。
图4为根据本申请实施例的基于大数据分析的施工方法管控方法架构的示意图。
图5为根据本申请实施例的基于大数据分析的施工方法管控系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
施工方法管控是指在建筑施工过程中,通过合理的方法和控制手段,对施工过程进行管理和控制,以确保工程质量、进度和安全的达成,是建筑项目管理的重要组成部分,涉及到施工计划的制定、资源的调配、工艺流程的控制、质量的监督等方面。
施工方法管控的目标是确保施工过程按照预定的计划和要求进行,以达到预期的工程质量、进度和安全要求,包括以下几个方面的内容:
施工计划制定:施工方法管控首先需要制定详细的施工计划,包括工期安排、资源调配、工艺流程等,计划要合理、可行,并与项目整体计划相协调。
资源调配:施工方法管控需要合理调配施工所需的各种资源,如人力、材料、设备等,以确保施工进度和质量的要求得到满足。
工艺流程控制:施工方法管控需要对施工过程中的工艺流程进行控制,确保各个工序按照正确的方法和顺序进行,避免工艺上的错误和缺陷。
质量监督:施工方法管控需要对施工质量进行监督和检查,确保施工过程中符合相关的质量标准和要求,及时发现和纠正质量问题。
安全管理:施工方法管控需要注重施工现场的安全管理,制定并执行安全操作规程,加强安全教育和培训,预防和控制施工安全事故的发生。
传统的施工方法管控主要依赖于人工监测和经验判断,存在主观性和滞后性的问题。因此,基于大数据分析的施工方法管控系统可以提供实时、全面的数据收集和分析,帮助施工管理者更好地监控和控制施工过程,提高施工效率和质量,降低施工风险和成本。
施工方法管控是建筑项目管理的重要组成部分,涉及到施工计划的制定、资源的调配、工艺流程的控制、质量的监督等方面。传统的施工方法管控主要依赖于监测人员的人工监测和经验判断。
具体地,在施工前,制定详细的施工计划,包括工期安排、资源调配、工艺流程等,计划要合理、可行,并与项目整体计划相协调。施工过程中,监测人员通过巡视、观察和检查等方式,对施工现场进行监测,他们会记录施工进度、质量问题、安全隐患等情况,并根据自己的经验进行判断和评估。监测人员将监测到的情况进行报告,并与相关管理人员进行沟通,他们会提出问题、建议和解决方案,并根据需要调整施工计划和资源调配。监测人员会对施工质量进行监督,包括材料的选用、施工工艺的控制、施工质量的检查等,他们会进行抽样检测、现场测试和验收等工作,以确保工程质量符合要求。监测人员会对施工现场的安全情况进行监测和管理,他们会检查施工现场的安全设施、操作规范的执行情况,提醒工人注意安全事项,并及时处理安全隐患。
传统的施工方法管控主要依赖于监测人员的人工监测和经验判断,这种方式容易受到人为因素的影响,监测结果可能存在主观性和误差,无法完全准确地反映施工过程的实际情况。传统管控方法通常是周期性的检查和监测,无法及时获取施工过程中的实时数据,这导致问题的发现和解决存在延迟,无法及时采取措施进行调整和纠正。传统管控方法中,信息的传递主要依赖于人工的口头沟通和书面报告,这种方式容易导致信息传递的延误、失误和不准确,影响决策的准确性和及时性。传统管控方法中,大量的监测数据和信息需要进行整理、分析和比对,这需要耗费大量的时间和人力,且容易出现数据遗漏、错误和难以分析的问题,影响决策的科学性和准确性。传统管控方法通常是以单个指标或单个环节为重点进行管控,缺乏对整个施工过程的综合性和系统性考虑,这导致难以全面把握施工过程中的各个环节和相互关系,影响管控效果的综合性和整体性。
也就是,传统施工方法管控的主要问题是依赖于监测人员的主观判断和经验,容易受到管理者个人经验和主观意识的影响。决策结果可能不够客观和全面。此外,传统方法往往依赖于人工监测和报告,信息采集和传递存在滞后,无法实时了解施工现场的真实情况,也无法提前采取相应的措施进行干预。同时,人工监测和管理需要大量的人力投入,劳动力成本较高,且容易出现疏漏和误判的情况。
因此,在本申请中,提供一种基于大数据分析的施工方法管控系统。
在本申请的一个实施例中,图1为根据本申请实施例的基于大数据分析的施工方法管控系统的框图。如图1所示,根据本申请实施例的基于大数据分析的施工方法管控系统100,包括:数据采集模块110,用于通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;施工状态分析模块120,用于对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;施工过程检测模块130,用于基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
在所述数据采集模块110中,选择适合的传感器组,并确保传感器的准确性和可靠性。同时,注意传感器的安装位置和布局,以保证能够准确获取施工现场的温度值、湿度值和压力值。这样,可以实时采集施工现场的温度、湿度和压力等关键参数,提供准确的数据支持,这些数据可以用于后续的施工状态分析和异常检测,帮助及时发现施工过程中的问题和异常情况。
在所述施工状态分析模块120中,对多个预定时间点的温度值、湿度值和压力值进行时序协同关联分析。在进行分析时,选择合适的算法和模型,确保能够准确地捕捉到施工状态的多参数时序关联特征。这样,可以通过时序协同关联分析,提取出施工过程中的多参数时序关联特征,这些特征可以反映施工过程的变化和趋势,帮助判断施工状态的正常与否,为后续的异常检测提供依据。
在所述施工过程检测模块130中,基于施工状态的多参数时序关联特征,用于确定施工过程是否存在异常。在进行异常检测时,设置合适的阈值和规则,以准确判断施工过程中的异常情况。这样,可以及时检测出施工过程中的异常情况,如温度异常、湿度异常或压力异常等,有助于及早发现和解决问题,避免施工质量或安全问题的发生,提高施工管理的效率和可靠性。
数据采集模块110、施工状态分析模块120和施工过程检测模块130在施工方法管控中起到重要作用,它们通过准确采集数据、分析施工状态和检测异常情况,有助于提高施工过程的监控效果,及时发现和解决问题,确保施工质量和安全。
具体地,所述数据采集模块110,用于通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值。针对上述技术问题,本申请的技术构思为通过基于大数据来实时、全面地收集施工过程中的各类数据,并在后端引入数据处理和分析算法来对于施工过程中的多个施工参数进行时序协同关联分析,以此来进行施工过程中的异常监测,通过这样的方式,能够避免传统方案人工监测和管理带来的低效率和管控滞后的问题,为施工方法管控提供科学依据。这样,能够帮助施工管理者更好地监控和控制施工过程,提高施工效率和质量,降低施工风险和成本。
具体地,在本申请的技术方案中,首先,获取施工过程中多个预定时间点的温度值、湿度值、压力值。通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值可以对最后确定施工过程是否存在异常起到重要作用。
传感器组可以实时采集施工现场的温度、湿度和压力等参数,这些参数是评估施工环境是否正常的关键指标。通过实时监测,可以及时发现施工过程中的环境异常,如温度过高、湿度过大或压力异常等情况。传感器组采集的数据具有较高的准确性和可靠性,可以提供真实的施工环境数据,这些数据可以作为判断施工过程是否存在异常的依据,避免了仅依靠人工观察和主观判断的局限性。通过对多个预定时间点的温度值、湿度值和压力值进行时序协同关联分析,可以捕捉到施工过程中的多参数时序关联特征,这些特征可以反映施工过程的变化趋势和规律,帮助判断施工过程是否正常。基于施工状态的多参数时序关联特征,可以建立异常检测模型,可以对实时采集的数据进行分析和比对,判断施工过程是否存在异常。一旦检测到异常,可以及时发出预警,促使采取相应的措施进行调整和修正,避免潜在的问题进一步扩大。
通过传感器组获取施工过程中的温度值、湿度值、压力值,可以为最后确定施工过程是否存在异常提供重要的数据支持和分析依据,有助于提高施工过程的安全性和质量。
具体地,所述施工状态分析模块120,用于对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征。图2为根据本申请实施例的基于大数据分析的施工方法管控系统中所述施工状态分析模块的框图。如图2所示,所述施工状态分析模块120,包括:施工多参数时序排列单元121,用于将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为施工多参数时域输入矩阵;施工多参数时域矩阵切分单元122,用于对所述施工多参数时域输入矩阵进行矩阵切分以得到多个施工多参数局部时域输入矩阵;局部施工状态拓扑分析单元123,用于对所述多个施工多参数局部时域输入矩阵进行施工状态间相似度拓扑关联特征提取以得到施工状态间关联拓扑特征矩阵;施工多参数局部时序特征提取单元124,用于通过基于深度神经网络模型的施工参数时域关联特征提取器分别对所述多个施工多参数局部时域输入矩阵进行特征提取以得到多个施工多参数局部时域特征向量;图结构关联编码单元125,用于对所述施工状态间关联拓扑特征矩阵和所述多个施工多参数局部时域特征向量进行图结构的关联编码以得到状态关联拓扑施工多参数全局特征矩阵作为所述施工状态多参数时序关联特征。
其中,所述深度神经网络模型为卷积神经网络模型。
接着,考虑到由于所述施工过程中的温度值、湿度值、压力值不仅都在时间维度上有着时序的动态变化规律,而且所述施工过程中的温度值、湿度值、压力值之间还具有着时序的多参数协同关联关系。因此,在本申请的技术方案中,首先需要将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为施工多参数时域输入矩阵,以此来分别整合所述施工过程中的温度值、湿度值、压力值在时间维度上的时序分布信息。
应可以理解,施工过程中的多个参数值通常是连续变化的时间序列数据,包含了丰富的时序信息。因此,直接将整个所述施工多参数时域输入矩阵作为输入可能会导致信息的混杂和模型的复杂性增加。为了更好地利用这些参数的时序分布数据,在本申请的技术方案中,进一步对所述施工多参数时域输入矩阵进行矩阵切分以得到多个施工多参数局部时域输入矩阵,以便于更加精细地观察和分析施工过程中不同阶段的参数时序特征和变化趋势,从而更好地捕捉施工过程中的多参数局部时序特征和时域关联性关系。
然后,将所述多个施工多参数局部时域输入矩阵分别通过基于卷积神经网络模型的施工参数时域关联特征提取器中进行特征挖掘,以分别提取出所述施工过程中的各个参数之间在不同的阶段的局部时序关联特征分布信息,即所述施工过程中的各个阶段的施工状态时序特征信息,从而得到多个施工多参数局部时域特征向量。
在本申请的一个实施例中,所述局部施工状态拓扑分析单元,包括:余弦相似度计算子单元,用于计算所述多个施工多参数局部时域输入矩阵中任意两个施工多参数局部时域输入矩阵之间的余弦相似度以得到由多个余弦相似度组成的施工状态间关联拓扑矩阵;施工状态拓扑关联特征提取子单元,用于将所述施工状态间关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述施工状态间关联拓扑特征矩阵。
首先,通过计算多个施工多参数局部时域输入矩阵之间的余弦相似度,可以得到施工状态间的关联拓扑矩阵,这个矩阵可以反映不同施工状态之间的相似度或相关性,帮助理解施工过程中不同参数之间的关系。余弦相似度计算可以量化施工状态之间的相似度,提供一种客观的度量方式。这有助于对施工状态进行比较和分类,为后续的特征提取和分析提供基础。
然后,通过基于卷积神经网络模型的拓扑特征提取器,可以从施工状态间关联拓扑矩阵中提取出关联拓扑特征,这些特征可以捕捉到施工状态之间的关联模式和拓扑结构,提供更高层次的信息。拓扑特征提取器可以自动学习和提取施工状态间的关联拓扑特征,无需人工定义特征,这样可以更好地利用数据中的信息,提高特征的表达能力和泛化能力。得到施工状态间关联拓扑特征矩阵后,可以用于后续的分析和决策。例如,可以通过聚类算法对施工状态进行分类,识别出不同的施工模式或阶段,帮助理解施工过程的演变和变化规律。
进一步地,考虑到由于在施工过程中,不同阶段的施工状态之间存在一定的关联性和相似性。因此,在本申请的技术方案中,为了能够利用施工过程中的不同阶段的全局施工状态特征来进行施工异常监测,需要进一步计算所述多个施工多参数局部时域输入矩阵中任意两个施工多参数局部时域输入矩阵之间的余弦相似度以得到由多个余弦相似度组成的施工状态间关联拓扑矩阵。应可以理解,通过计算所述多个施工多参数局部时域输入矩阵之间的余弦相似度,可以量化它们之间的相似程度,以此来反映出所述施工过程中的不同阶段施工状态之间的关联关系,有利于后续的特征提取和施工异常分类检测任务。
继而,再将所述施工状态间关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器中进行特征挖掘,以提取出所述施工过程中的各个阶段施工状态间的相似度拓扑关联特征信息,从而得到施工状态间关联拓扑特征矩阵。
在本申请的一个实施例中,所述图结构关联编码单元,用于:将所述多个施工多参数局部时域特征向量和所述施工状态间关联拓扑特征矩阵通过图神经网络模型以得到所述状态关联拓扑施工多参数全局特征矩阵。
进而,以所述多个施工多参数局部时域特征向量作为节点的特征表示,而以所述施工状态间关联拓扑特征矩阵作为节点与节点之间的边的特征表示,将由所述多个施工多参数局部时域特征向量经二维排列得到的施工多参数局部时域特征矩阵和所述施工状态间关联拓扑特征矩阵通过图神经网络模型以得到状态关联拓扑施工多参数全局特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述施工多参数局部时域特征矩阵和所述施工状态间关联拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述各个阶段施工状态间的相似度拓扑关联特征和所述各个阶段施工状态时序特征信息的所述状态关联拓扑施工多参数全局特征矩阵。
具体地,所述施工过程检测模块130,用于基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常,包括:特征增益单元,用于对所述状态关联拓扑施工多参数全局特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后状态关联拓扑施工多参数全局特征矩阵;施工检测单元,用于将所述增益后状态关联拓扑施工多参数全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示施工过程是否存在异常。
特别地,在本申请的技术方案中,将所述多个施工多参数局部时域输入矩阵分别通过基于卷积神经网络模型的施工参数时域关联特征提取器以得到多个施工多参数局部时域特征向量时,每个所述施工多参数局部时域特征向量可以表达相应的施工多参数局部时域输入矩阵的局部关联参数语义特征,这样,将所述多个施工多参数局部时域特征向量和所述施工多参数局部时域特征向量通过图神经网络模型后,得到的所述状态关联拓扑施工多参数全局特征矩阵可以进一步表达各个施工多参数局部时域输入矩阵的参数语义特征在特征语义时序相似度拓扑下的拓扑关联表示。这样,相对于施工多参数局部时域输入矩阵的参数语义特征作为前景对象特征,在进行时序拓扑关联表示时,也会引入与各个局部时序下的参数语义特征分布干涉相关的背景分布噪声,并且,所述状态关联拓扑施工多参数全局特征矩阵也具有局部时序和全局时序下的时序空间分级拓扑图像特征语义表达,由此,期望基于所述状态关联拓扑施工多参数全局特征矩阵的分布特性来增强其表达效果。
因此,本申请的申请人对所述状态关联拓扑施工多参数全局特征矩阵进行基于概率密度特征模仿范式的分布增益,具体表示为:以如下优化公式对所述状态关联拓扑施工多参数全局特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述增益后状态关联拓扑施工多参数全局特征矩阵;其中,所述优化公式为:
其中,M是所述状态关联拓扑施工多参数全局特征矩阵,mi,j是所述状态关联拓扑施工多参数全局特征矩阵的第(j,j)位置的特征值,N是所述状态关联拓扑施工多参数全局特征矩阵的尺度,表示所述状态关联拓扑施工多参数全局特征矩阵M的F范数的平方,且α是加权超参数,exp(·)表示指数运算,m'i,j是所述增益后状态关联拓扑施工多参数全局特征矩阵的第(i,j)位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的空间分级语义来对高维空间进行特征空间映射的语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述状态关联拓扑施工多参数全局特征矩阵基于特征分布特性的表达效果,也就提升了所述状态关联拓扑施工多参数全局特征矩阵通过分类器得到的分类结果的准确性,从而提升了施工过程是否存在异常的判断精准度和智能性。这样,能够利用大数据技术,并基于施工过程中的施工状态变化情况来进行施工过程中的异常监测,从而帮助施工管理者更好地监控和控制施工过程,提高施工效率和质量,降低施工风险和成本。
在本申请的一个实施例中,所述施工检测单元,包括:矩阵展开子单元,用于将所述增益后状态关联拓扑施工多参数全局特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
接着,进一步再将所述状态关联拓扑施工多参数全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示施工过程是否存在异常。具体地,在本申请的技术方案中,所述分类器的分类标签为施工过程是否存在异常的检测评估标签,因此,在得到所述分类结果后,可以基于所述分类结果来进行施工过程中的异常监测,通过这样的方式,能够避免传统方案人工监测和管理带来的低效率和管控滞后的问题,为施工方法管控提供科学依据。
综上,基于本申请实施例的基于大数据分析的施工方法管控系统100被阐明,其通过基于大数据来实时、全面地收集施工过程中的各类数据,并在后端引入数据处理和分析算法来对于施工过程中的多个施工参数进行时序协同关联分析,以此来进行施工过程中的异常监测,通过这样的方式,能够避免传统方案人工监测和管理带来的低效率和管控滞后的问题,为施工方法管控提供科学依据。
如上所述,根据本申请实施例的基于大数据分析的施工方法管控系统100可以实现在各种终端设备中,例如用于基于大数据分析的施工方法管控的服务器等。在一个示例中,根据本申请实施例的基于大数据分析的施工方法管控系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于大数据分析的施工方法管控系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于大数据分析的施工方法管控系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于大数据分析的施工方法管控系统100与该终端设备也可以是分立的设备,并且该基于大数据分析的施工方法管控系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图3为根据本申请实施例的基于大数据分析的施工方法管控方法的流程图。图4为根据本申请实施例的基于大数据分析的施工方法管控方法架构的示意图。如图3和图4所示,所述基于大数据分析的施工方法管控方法,包括:210,通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;220,对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;230,基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
具体地,在所述基于大数据分析的施工方法管控方法中,对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征,包括:将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为施工多参数时域输入矩阵;对所述施工多参数时域输入矩阵进行矩阵切分以得到多个施工多参数局部时域输入矩阵;对所述多个施工多参数局部时域输入矩阵进行施工状态间相似度拓扑关联特征提取以得到施工状态间关联拓扑特征矩阵;通过基于深度神经网络模型的施工参数时域关联特征提取器分别对所述多个施工多参数局部时域输入矩阵进行特征提取以得到多个施工多参数局部时域特征向量;对所述施工状态间关联拓扑特征矩阵和所述多个施工多参数局部时域特征向量进行图结构的关联编码以得到状态关联拓扑施工多参数全局特征矩阵作为所述施工状态多参数时序关联特征。
本领域技术人员可以理解,上述基于大数据分析的施工方法管控方法中的各个步骤的具体操作已经在上面参考图1到图2的基于大数据分析的施工方法管控系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的基于大数据分析的施工方法管控系统的应用场景图。如图5所示,在该应用场景中,首先,通过传感器组获取施工过程中多个预定时间点的温度值(例如,如图5中所示意的C1)、湿度值(例如,如图5中所示意的C2)、压力值(例如,如图5中所示意的C3);然后,将获取的温度值、湿度值、压力值输入至部署有基于大数据分析的施工方法管控算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于大数据分析的施工方法管控算法对所述温度值、所述湿度值、所述压力值进行处理,以确定施工过程是否存在异常。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于大数据分析的施工方法管控系统,其特征在于,包括:
数据采集模块,用于通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;
施工状态分析模块,用于对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;
施工过程检测模块,用于基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
2.根据权利要求1所述的基于大数据分析的施工方法管控系统,其特征在于,所述施工状态分析模块,包括:
施工多参数时序排列单元,用于将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为施工多参数时域输入矩阵;
施工多参数时域矩阵切分单元,用于对所述施工多参数时域输入矩阵进行矩阵切分以得到多个施工多参数局部时域输入矩阵;
局部施工状态拓扑分析单元,用于对所述多个施工多参数局部时域输入矩阵进行施工状态间相似度拓扑关联特征提取以得到施工状态间关联拓扑特征矩阵;
施工多参数局部时序特征提取单元,用于通过基于深度神经网络模型的施工参数时域关联特征提取器分别对所述多个施工多参数局部时域输入矩阵进行特征提取以得到多个施工多参数局部时域特征向量;
图结构关联编码单元,用于对所述施工状态间关联拓扑特征矩阵和所述多个施工多参数局部时域特征向量进行图结构的关联编码以得到状态关联拓扑施工多参数全局特征矩阵作为所述施工状态多参数时序关联特征。
3.根据权利要求2所述的基于大数据分析的施工方法管控系统,其特征在于,所述局部施工状态拓扑分析单元,包括:
余弦相似度计算子单元,用于计算所述多个施工多参数局部时域输入矩阵中任意两个施工多参数局部时域输入矩阵之间的余弦相似度以得到由多个余弦相似度组成的施工状态间关联拓扑矩阵;
施工状态拓扑关联特征提取子单元,用于将所述施工状态间关联拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述施工状态间关联拓扑特征矩阵。
4.根据权利要求3所述的基于大数据分析的施工方法管控系统,其特征在于,所述深度神经网络模型为卷积神经网络模型。
5.根据权利要求4所述的基于大数据分析的施工方法管控系统,其特征在于,所述图结构关联编码单元,用于:将所述多个施工多参数局部时域特征向量和所述施工状态间关联拓扑特征矩阵通过图神经网络模型以得到所述状态关联拓扑施工多参数全局特征矩阵。
6.根据权利要求5所述的基于大数据分析的施工方法管控系统,其特征在于,所述施工过程检测模块,包括:
特征增益单元,用于对所述状态关联拓扑施工多参数全局特征矩阵进行基于概率密度特征模仿范式的分布增益以得到增益后状态关联拓扑施工多参数全局特征矩阵;
施工检测单元,用于将所述增益后状态关联拓扑施工多参数全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示施工过程是否存在异常。
7.根据权利要求6所述的基于大数据分析的施工方法管控系统,其特征在于,所述特征增益单元,用于:以如下优化公式对所述状态关联拓扑施工多参数全局特征矩阵进行基于概率密度特征模仿范式的分布增益以得到所述增益后状态关联拓扑施工多参数全局特征矩阵;
其中,所述优化公式为:
其中,M是所述状态关联拓扑施工多参数全局特征矩阵,mi,j是所述状态关联拓扑施工多参数全局特征矩阵的第(i,j)位置的特征值,N是所述状态关联拓扑施工多参数全局特征矩阵的尺度,表示所述状态关联拓扑施工多参数全局特征矩阵M的F范数的平方,且α是加权超参数,exp(·)表示指数运算,m'i,j是所述增益后状态关联拓扑施工多参数全局特征矩阵的第(i,j)位置的特征值。
8.根据权利要求7所述的基于大数据分析的施工方法管控系统,其特征在于,所述施工检测单元,包括:
矩阵展开子单元,用于将所述增益后状态关联拓扑施工多参数全局特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于大数据分析的施工方法管控方法,其特征在于,包括:
通过传感器组获取施工过程中多个预定时间点的温度值、湿度值、压力值;
对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征;
基于所述施工状态多参数时序关联特征,确定施工过程是否存在异常。
10.根据权利要求9所述的基于大数据分析的施工方法管控方法,其特征在于,对所述多个预定时间点的温度值、湿度值、压力值进行时序协同关联分析以得到施工状态多参数时序关联特征,包括:
将所述多个预定时间点的温度值、湿度值和压力值按照时间维度和样本维度排列为施工多参数时域输入矩阵;
对所述施工多参数时域输入矩阵进行矩阵切分以得到多个施工多参数局部时域输入矩阵;
对所述多个施工多参数局部时域输入矩阵进行施工状态间相似度拓扑关联特征提取以得到施工状态间关联拓扑特征矩阵;
通过基于深度神经网络模型的施工参数时域关联特征提取器分别对所述多个施工多参数局部时域输入矩阵进行特征提取以得到多个施工多参数局部时域特征向量;
对所述施工状态间关联拓扑特征矩阵和所述多个施工多参数局部时域特征向量进行图结构的关联编码以得到状态关联拓扑施工多参数全局特征矩阵作为所述施工状态多参数时序关联特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190505.4A CN117151649B (zh) | 2023-09-15 | 2023-09-15 | 基于大数据分析的施工方法管控系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190505.4A CN117151649B (zh) | 2023-09-15 | 2023-09-15 | 基于大数据分析的施工方法管控系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151649A true CN117151649A (zh) | 2023-12-01 |
CN117151649B CN117151649B (zh) | 2024-02-23 |
Family
ID=88907919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311190505.4A Active CN117151649B (zh) | 2023-09-15 | 2023-09-15 | 基于大数据分析的施工方法管控系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151649B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
CN117787568A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市南粤建工有限公司 | 一种道路施工进度智能监测及预警方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372159A1 (en) * | 2013-03-15 | 2014-12-18 | David Bain | System for optimization of group interaction |
CN114359774A (zh) * | 2021-11-17 | 2022-04-15 | 山东省国土测绘院 | 行人移动模式分类方法、装置及电子设备 |
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 |
CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
CN115586757A (zh) * | 2022-11-09 | 2023-01-10 | 广东金柳信息科技有限公司 | 机械设备的智能控制系统及其方法 |
CN116510124A (zh) * | 2023-05-18 | 2023-08-01 | 温州医科大学附属第二医院(温州医科大学附属育英儿童医院) | 输液监控系统及其方法 |
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
CN116577464A (zh) * | 2023-04-28 | 2023-08-11 | 湖南省三联环保科技有限公司 | 用于大气污染的智能监测系统及其方法 |
CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
CN116661322A (zh) * | 2023-06-15 | 2023-08-29 | 杭州高腾机电科技有限公司 | 一种无缝内衣机控制系统及控制方法 |
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控系统 |
-
2023
- 2023-09-15 CN CN202311190505.4A patent/CN117151649B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140372159A1 (en) * | 2013-03-15 | 2014-12-18 | David Bain | System for optimization of group interaction |
CN114359774A (zh) * | 2021-11-17 | 2022-04-15 | 山东省国土测绘院 | 行人移动模式分类方法、装置及电子设备 |
CN115356434A (zh) * | 2022-07-14 | 2022-11-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
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 |
CN115586757A (zh) * | 2022-11-09 | 2023-01-10 | 广东金柳信息科技有限公司 | 机械设备的智能控制系统及其方法 |
CN116577464A (zh) * | 2023-04-28 | 2023-08-11 | 湖南省三联环保科技有限公司 | 用于大气污染的智能监测系统及其方法 |
CN116510124A (zh) * | 2023-05-18 | 2023-08-01 | 温州医科大学附属第二医院(温州医科大学附属育英儿童医院) | 输液监控系统及其方法 |
CN116661322A (zh) * | 2023-06-15 | 2023-08-29 | 杭州高腾机电科技有限公司 | 一种无缝内衣机控制系统及控制方法 |
CN116557787A (zh) * | 2023-07-11 | 2023-08-08 | 杭州国辰智企科技有限公司 | 管网状态智能评估系统及其方法 |
CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
CN116743635A (zh) * | 2023-08-14 | 2023-09-12 | 北京大学深圳研究生院 | 一种网络预测与调控方法及网络调控系统 |
Non-Patent Citations (4)
Title |
---|
SANG QIANQIAN 等: ""A multi-parameter fitting method based on matrix transformation for device aging modeling"", 《 MICROELECTRONICS RELIABILITY》, vol. 142, 1 February 2023 (2023-02-01), pages 1 - 3 * |
武敏: ""基于图神经网络的复杂网络社区发现算法研究"", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》, 15 January 2023 (2023-01-15), pages 002 - 404 * |
王吉红;: "公路工程施工质量控制信息化建设", 甘肃科技, no. 08, 30 April 2019 (2019-04-30), pages 113 - 115 * |
马少雄: ""基于BIM的地铁工程施工进度动态监控与预警系统研究"", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 January 2022 (2022-01-15), pages 033 - 13 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635219A (zh) * | 2024-01-26 | 2024-03-01 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
CN117635219B (zh) * | 2024-01-26 | 2024-04-26 | 长春黄金设计院有限公司 | 金属矿山生产大数据智能分析系统及方法 |
CN117787568A (zh) * | 2024-02-23 | 2024-03-29 | 深圳市南粤建工有限公司 | 一种道路施工进度智能监测及预警方法 |
CN117787568B (zh) * | 2024-02-23 | 2024-05-24 | 深圳市南粤建工有限公司 | 一种道路施工进度智能监测及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117151649B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117151649B (zh) | 基于大数据分析的施工方法管控系统及方法 | |
US20120304008A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
CN108921301A (zh) | 一种基于自学习的机器学习模型更新方法及系统 | |
CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
CN117032165A (zh) | 一种工业设备故障诊断方法 | |
CN112395684A (zh) | 一种高速列车走行部系统智能故障诊断方法 | |
CN113283546B (zh) | 加热炉完整性管理集控装置的炉况异常报警方法及系统 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
CN117556366A (zh) | 基于数据筛选的数据异常检测系统及方法 | |
KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
CN116523298A (zh) | 一种馆藏文物保存环境风险评价和溯源方法 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
KR20200002433A (ko) | 빅데이터 분석을 이용한 통계적 품질 관리 시스템 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 |
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 |