CN117494031A - 一种压缩空气管路的智能监测方法及系统 - Google Patents
一种压缩空气管路的智能监测方法及系统 Download PDFInfo
- Publication number
- CN117494031A CN117494031A CN202410001914.3A CN202410001914A CN117494031A CN 117494031 A CN117494031 A CN 117494031A CN 202410001914 A CN202410001914 A CN 202410001914A CN 117494031 A CN117494031 A CN 117494031A
- Authority
- CN
- China
- Prior art keywords
- compressed air
- air pipeline
- data information
- time
- area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 63
- 238000012806 monitoring device Methods 0.000 claims description 48
- 230000006835 compression Effects 0.000 claims description 32
- 238000007906 compression Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 25
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 230000002401 inhibitory effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 description 13
- 230000007704 transition Effects 0.000 description 13
- 230000007547 defect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/36—Investigating fluid-tightness of structures by using fluid or vacuum by detecting change in dimensions of the structure being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种压缩空气管路的智能监测方法及系统，属于管路损伤监测技术领域，本发明通过根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对实时模型参数特征数据信息进行跟踪；最后通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于存在异常状态的压缩空气管路区域生成相关的预警信号。本发明通过融合归一化注意力机制以及孪生网络，提高了对各区域压缩空气管路的实时模型参数特征数据信息的跟踪精度，从而提高对各区域压缩空气管路的实时监测精度，能够长时间对压缩空气管路进行监测，及时发生压缩空气管路的损伤、泄漏等现象。
Description
技术领域
本发明涉及管路损伤监测技术领域，尤其涉及一种压缩空气管路的智能监测方法及系统。
背景技术
输送压缩空气的管路主要分主管路和支管路。主管路是一个固定安装并把空气输送到各支管路的全封闭环形回路，可以保证各用气点的气压恒定，分段分区设置断路阀，便于分段维护。支管路是由主管路接出将空气输送至各个使用点的管路。现如今，对于压缩空气管路的检测主要通过人工进行检测，多数泄漏点初期泄漏量很小或处于难以观察的遮挡区域，作业人员的工作强度高、耗时长、且具有较大盲目性。其次，还通过一些声波进行检测漏点以及内部损伤，基于声波传输原理特性，当泄漏点被管路、设备、内饰板、排障器、贯通道等遮挡时，泄漏点衍射信号同样可被声学成像仪识别。然而，这些手段仅仅只是进行短暂的监测，不能长时间的对压缩空气管路进行长时间的监测，绝大多数空气管路部件泄漏在引起重大问题前都存在一个随时间从微小到严重的累积过程，故障早期并不会在空气管路系统中出现明显现象，待出现较为明显的问题后，当产生了损伤或者缺陷之后，由于内部压强的作用力就会产生一定的形变，通过人眼是很难发现该问题。
发明内容
本发明克服了现有技术的不足，提供了一种压缩空气管路的智能监测方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方明提供了一种压缩空气管路的智能监测方法，包括以下步骤：
获取目标区域中压缩空气管路的布局图，并根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过所述压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪；
通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号。
进一步的，在本方法中，根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，具体包括：
根据所述目标区域中压缩空气管路的布局图构建空气压缩管路三维模型图，并将目标区域分为多个子区域，获取每个子区域的空气压缩管路三维模型图；
初始化监控装置的数量信息以及监控装置的布局位置，并引入遗传算法，根据遗传算法设置遗传代数，根据所述监控装置的数量信息以及监控装置的布局位置计算出对每个子区域的空气压缩管路三维模型图的预估监控面积信息；
获取目标区域中空气压缩管路三维模型图的最大监控面积，当所述预估监控面积信息小于所述最大监控面积时，基于所述遗传代数进行遗传，调整监控装置的数量信息以及监控装置的布局位置；
当所述预估监控面积信息不小于所述最大监控面积时，输出监控装置的数量信息以及监控装置的布局位置，并根据所述监控装置的数量信息以及监控装置的布局位置构建压缩空气管路检测网络。
进一步的，在本方法中，通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型，具体包括：
获取目标区域中空气压缩管路三维模型图，并构建时间戳，获取每个时间戳中压缩空气管路的实时特征数据信息，通过对所述每个时间戳中压缩空气管路的实时特征数据信息进行预处理，获取预处理后的实时特征数据信息；
根据所述预处理后的实时特征数据信息对所述目标区域中空气压缩管路三维模型图进行特征模拟，获取每个时间戳中目标区域中空气压缩管路的特征三维模型图；
通过对每一时间戳中目标区域中空气压缩管路的特征三维模型图进行拼接，获取基于时间序列的目标区域中空气压缩管路的特征三维模型图；
根据所述基于时间序列的目标区域中空气压缩管路的特征三维模型图生成压缩空气管路的数字孪生模型，并设置时间更新间隔，根据所述时间更新间隔对所述压缩空气管路的数字孪生模型进行更新。
进一步的，在本方法中，根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪，具体包括：
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并引入孪生网络，根据所述各区域压缩空气管路的实时模型参数特征数据信息初始化模板特征以及搜索特征；
将所述模板特征以及搜索特征输入到骨干网络中，并引入归一化注意力机制，在所述骨干网络的残差块末端嵌入所述归一化注意力机制的信道注意力模块，通过训练模型权重的方差，抑制所述模板特征以及搜索特征中的不显著特征，突出显著特征；
通过NAM模块输出特征信息，并以NAM模块输出的特征信息作为基本结构，并引入特征金字塔结构骨架，根据所述特征金字塔结构骨架对所述基本结构进行处理，获取对应生成的特征层；
根据所述对应生成的特征层生成特征图，并将所述特征图中的高层次特征以及低层次特征进行融合，最大程度的保留低层次特征，并对融合后的特征进行边界框预测，对特征图中的固定区域进行估计每一特征目标的位置。
进一步的，在本方法中，通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，具体包括：
预设偏差阈值数据信息，获取每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息，并根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信获取初始时间戳中的实时模型参数特征数据信息；
根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息获取当前时间戳中的实时模型参数特征数据信息，并将所述初始时间戳中的实时模型参数特征数据信息以及当前时间戳中的实时模型参数特征数据信息进行对比，得到偏差率；
判断所述偏差率是否大于所述偏差阈值数据信息，当所述偏差率不大于所述偏差阈值数据信息时，则将所述偏差率不大于所述偏差阈值数据信息对应的区域作为正常状态的压缩空气管路区域；
当所述偏差率大于所述偏差阈值数据信息时，则将所述偏差率大于所述偏差阈值数据信息对应的区域作为存在异常状态的压缩空气管路区域。
进一步的，在本方法中，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号，具体包括：
获取所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息，并根据所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息计算出存在异常状态的压缩空气管路区域中压缩空气管路的形变特征数据；
预设若干隶属度范围阈值数据信息，根据所述隶属度范围阈值数据信息对所述形变特征数据进行形变隶属度评价，获取每一存在异常状态的压缩空气管路区域对应的形变隶属度；
判断所述存在异常状态的压缩空气管路区域对应的形变隶属度是否大于预设评价隶属度，若大于，则获取存在异常状态的压缩空气管路区域所在的位置信息，并根据所述位置信息生成相关的预警信号；
当存在异常状态的压缩空气管路区域对应的形变隶属度不大于预设评价隶属度时，通过孪生网络进行持续监控。
本发明第二方面提供了一种压缩空气管路的智能监测系统，所述系统包括存储器以及处理器，所述存储器中包括压缩空气管路的智能监测方法程序，所述压缩空气管路的智能监测方法程序被所述处理器执行时，实现如下步骤：
获取目标区域中压缩空气管路的布局图，并根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过所述压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪；
通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括压缩空气管路的智能监测方法程序，所述压缩空气管路的智能监测方法程序被处理器执行时，实现任一项所述的压缩空气管路的智能监测方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取目标区域中压缩空气管路的布局图，并根据目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；进而通过对压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；从而根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对实时模型参数特征数据信息进行跟踪；最后通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于存在异常状态的压缩空气管路区域生成相关的预警信号。本发明通过遗传算法对监控装置的数量信息以及布局位置进行优化，使得压缩空气管路检测网络更加合理；其次，本发明通过融合归一化注意力机制以及孪生网络，提高了对各区域压缩空气管路的实时模型参数特征数据信息的跟踪精度，从而提高对各区域压缩空气管路的实时监测精度，能够长时间对压缩空气管路进行监测，及时发生压缩空气管路的损伤、泄漏等现象。
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实施例的附图。
图1示出了一种压缩空气管路的智能监测方法的整体方法流程图；
图2示出了一种压缩空气管路的智能监测方法的第一方法流程图；
图3示出了一种压缩空气管路的智能监测方法的第二方法流程图；
图4示出了一种压缩空气管路的智能监测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方明提供了一种压缩空气管路的智能监测方法，包括以下步骤：
S102:获取目标区域中压缩空气管路的布局图，并根据目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
S104:通过对压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
S106:根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对实时模型参数特征数据信息进行跟踪；
S108:通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于存在异常状态的压缩空气管路区域生成相关的预警信号。
需要说明的是，本发明通过遗传算法对监控装置的数量信息以及布局位置进行优化，使得压缩空气管路检测网络更加合理；其次，本发明通过融合归一化注意力机制以及孪生网络，提高了对各区域压缩空气管路的实时模型参数特征数据信息的跟踪精度，从而提高对各区域压缩空气管路的实时监测精度，能够长时间对压缩空气管路进行监测，及时发生压缩空气管路的损伤、泄漏等现象。其中，布局图为空气管路的二维图纸信息。
如图2所示，进一步的，在本方法中，根据目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，具体包括：
S202:根据目标区域中压缩空气管路的布局图构建空气压缩管路三维模型图，并将目标区域分为多个子区域，获取每个子区域的空气压缩管路三维模型图；
S204:初始化监控装置的数量信息以及监控装置的布局位置，并引入遗传算法，根据遗传算法设置遗传代数，根据监控装置的数量信息以及监控装置的布局位置计算出对每个子区域的空气压缩管路三维模型图的预估监控面积信息；
S206:获取目标区域中空气压缩管路三维模型图的最大监控面积，当预估监控面积信息小于最大监控面积时，基于遗传代数进行遗传，调整监控装置的数量信息以及监控装置的布局位置；
S208：当预估监控面积信息不小于最大监控面积时，输出监控装置的数量信息以及监控装置的布局位置，并根据监控装置的数量信息以及监控装置的布局位置构建压缩空气管路检测网络。
需要说明的是，由于目标区域中压缩空气管路的布局图中记载有压缩空气管路的尺寸信息、轮廓信息、管路的布线设置信息、管径的大小信息等，通过三维建模软件来构建空气压缩管路三维模型图，如SolidWorks、Maya软件、虚拟现实技术等。通过遗传算法对监控装置的数量信息以及监控装置的布局位置进行优化，根据监控装置的数量信息以及监控装置的布局位置计算出对每个子区域的空气压缩管路三维模型图的预估监控面积信息，使得预估监控面积信息不小于最大监控面积时，实现对于空气管路的全方位监控，其中监控装置可以是传感器、监控摄像头等，在本实施例中并不过多的限制，如可对空气管路进行温度监控、形变监控等。
进一步的，在本方法中，通过对压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型，具体包括：
获取目标区域中空气压缩管路三维模型图，并构建时间戳，获取每个时间戳中压缩空气管路的实时特征数据信息，通过对每个时间戳中压缩空气管路的实时特征数据信息进行预处理，获取预处理后的实时特征数据信息；
根据预处理后的实时特征数据信息对目标区域中空气压缩管路三维模型图进行特征模拟，获取每个时间戳中目标区域中空气压缩管路的特征三维模型图；
通过对每一时间戳中目标区域中空气压缩管路的特征三维模型图进行拼接，获取基于时间序列的目标区域中空气压缩管路的特征三维模型图；
根据基于时间序列的目标区域中空气压缩管路的特征三维模型图生成压缩空气管路的数字孪生模型，并设置时间更新间隔，根据时间更新间隔对压缩空气管路的数字孪生模型进行更新。
需要说明的是，通过本方法能够构建动态的压缩空气管路的数字孪生模型，为孪生网络进行监控提供了模型基础以及计算基础。
如图3所示，进一步的，在本方法中，根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对实时模型参数特征数据信息进行跟踪，具体包括：
S302:根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并引入孪生网络，根据各区域压缩空气管路的实时模型参数特征数据信息初始化模板特征以及搜索特征；
S304:将模板特征以及搜索特征输入到骨干网络中，并引入归一化注意力机制，在骨干网络的残差块末端嵌入归一化注意力机制的信道注意力模块，通过训练模型权重的方差，抑制模板特征以及搜索特征中的不显著特征，突出显著特征；
S306:通过NAM模块输出特征信息，并以NAM模块输出的特征信息作为基本结构，并引入特征金字塔结构骨架，根据特征金字塔结构骨架对基本结构进行处理，获取对应生成的特征层；
S308:根据对应生成的特征层生成特征图，并将特征图中的高层次特征以及低层次特征进行融合，最大程度的保留低层次特征，并对融合后的特征进行边界框预测，对特征图中的固定区域进行估计每一特征目标的位置。
需要说明的是，孪生网络包括骨干网络、NAM模块等，通过融合归一化注意力机制以及孪生网络，能够抑制模板特征以及搜索特征中的不显著特征，突出显著特征，降低跟踪的计算量，提高了对各区域压缩空气管路的实时模型参数特征数据信息的跟踪精度，从而提高对各区域压缩空气管路的实时监测精度，能够长时间对压缩空气管路进行监测，及时发生压缩空气管路的损伤、泄漏等现象，通过对特征图中的固定区域进行估计每一特征目标的位置，从而使得每一区域的管路能够作为特征目标进行跟踪。
进一步的，在本方法中，通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，具体包括：
预设偏差阈值数据信息，获取每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息，并根据每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信获取初始时间戳中的实时模型参数特征数据信息；
根据每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息获取当前时间戳中的实时模型参数特征数据信息，并将初始时间戳中的实时模型参数特征数据信息以及当前时间戳中的实时模型参数特征数据信息进行对比，得到偏差率；
判断偏差率是否大于偏差阈值数据信息，当偏差率不大于偏差阈值数据信息时，则将偏差率不大于偏差阈值数据信息对应的区域作为正常状态的压缩空气管路区域；
当偏差率大于偏差阈值数据信息时，则将偏差率大于偏差阈值数据信息对应的区域作为存在异常状态的压缩空气管路区域。
需要说明的是，由于空气管路的长时间使用，内部就会出现损伤、裂纹、缺陷等现象，当前压缩空气管路的内部出现该类现象时，由于管路中压缩空气的作用力，就会使得损伤、裂纹、缺陷等现象区域位置产生一定的形变，由于是管路的内部发生了裂纹，无法通过肉眼看见，通过本方法能够快速地检测出可能产生形变的位置，从而识别出存在异常状态的压缩空气管路区域。
进一步的，在本方法中，基于存在异常状态的压缩空气管路区域生成相关的预警信号，具体包括：
获取存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息，并根据存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息计算出存在异常状态的压缩空气管路区域中压缩空气管路的形变特征数据；
预设若干隶属度范围阈值数据信息，根据隶属度范围阈值数据信息对形变特征数据进行形变隶属度评价，获取每一存在异常状态的压缩空气管路区域对应的形变隶属度；
判断存在异常状态的压缩空气管路区域对应的形变隶属度是否大于预设评价隶属度，若大于，则获取存在异常状态的压缩空气管路区域所在的位置信息，并根据位置信息生成相关的预警信号；
当存在异常状态的压缩空气管路区域对应的形变隶属度不大于预设评价隶属度时，通过孪生网络进行持续监控。
需要说明的是，形变隶属度包括低度形变、中度形变、高度形变等数据，而隶属度范围阈值数据信息，用户可以自行设置，如通过调整形变量的区域范围来确定形变隶属度，通过本方法能够快速地对存在异常状态的压缩空气管路区域对应的形变隶属度大于预设评价隶属度进行定位，实现动态监控。
此外，本方法还可以包括以下步骤：
通过大数据获取与压缩空气管路产生形变现象相关的环境因子数据信息，获取目标区域中各空气压缩管道的形变隶属度信息，并引入马尔科夫链；
通过所述马尔科夫链计算在所述相关的环境因子数据信息之下目标区域中各空气压缩管道的形变隶属度信息转移到下一形变隶属度的隶属度转移概率值，并基于深度神经网络构建状态转移概率预测模型；
获取预设时间之内的隶属度转移概率值，并根据所述预设时间之内的隶属度转移概率值构建隶属度转移概率矩阵，将所述隶属度转移概率矩阵输入所述状态转移概率预测模型中进行编码学习；
获取预设时间之内的相关的环境因子数据信息，将所述预设时间之内的相关的环境因子数据信息输入到所述状态转移概率预测模型中对当前时间戳的形变隶属度转移到下一形变隶属度的隶属度转移概率；
当所述隶属度转移概率值大于预设转移概率值时，将对当前时间戳的形变隶属度的下一形变隶属度作为下一预设时间之内的形变隶属度。
需要说明的是，相关的环境因子数据信息包括温度、湿度等，在一些环境温度高的区域，当环境温度升高时，压缩空气管路的温度升高，由于材料的热胀冷缩，形变量增加，形变隶属度就会转移到下一个等级的隶属度，使得管路加剧产生形变，通过本方法能够进一步提高形变隶属度的预测精度。
此外，本发明还包括以下步骤：
获取下一预设时间之内形变隶属度大于预设形变隶属度的子区域的位置信息以及目标区域中各子区域的环境特征数据信息，并通过大数据获取当前压缩空气管路的最优工作环境数据信息；
将所述当前压缩空气管路的最优工作环境数据信息与所述目标区域中各子区域的环境特征数据信息进行对比，得到环境数据偏差率，并判断所述环境数据偏差率是否大于预设环境数据偏差率；
当所述环境数据偏差率大于预设环境数据偏差率时，则根据所述下一预设时间之内形变隶属度大于预设形变隶属度的子区域的位置信息获取所述环境数据偏差率大于预设环境数据偏差率对应的子区域；
获取下一预设时间之内形变隶属度大于预设形变隶属度的子区域的位置信息所对应环境参数控制设备的通讯协议信息，并通过物联网平台根据所述通讯协议信息对所述环境数据偏差率大于预设环境数据偏差率对应的子区域的环境进行调控，直至所述环境数据偏差率不大于预设环境数据偏差率，并对该子区域进行预警。
需要说明的是，当达到一定的预设形变隶属度时，说明空气压缩管道可能会出现泄漏等现象，由于环境因子的影响，加剧了压缩空气管道的性能退化，需要及时对环境进行调控，对该类异常现象进行及时控制，避免提前出现泄漏现象，保护的工作人员的人身安全。其中，所对应环境参数控制设备包括空调、风扇等。
如图4所示，本发明第二方面提供了一种压缩空气管路的智能监测系统4，系统包括存储器41以及处理器42，存储器41中包括压缩空气管路的智能监测方法程序，压缩空气管路的智能监测方法程序被处理器42执行时，实现如下步骤：
获取目标区域中压缩空气管路的布局图，并根据目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
通过对压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
根据压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对实时模型参数特征数据信息进行跟踪；
通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于存在异常状态的压缩空气管路区域生成相关的预警信号。
进一步的，在本系统中，根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，具体包括：
根据所述目标区域中压缩空气管路的布局图构建空气压缩管路三维模型图，并将目标区域分为多个子区域，获取每个子区域的空气压缩管路三维模型图；
初始化监控装置的数量信息以及监控装置的布局位置，并引入遗传算法，根据遗传算法设置遗传代数，根据所述监控装置的数量信息以及监控装置的布局位置计算出对每个子区域的空气压缩管路三维模型图的预估监控面积信息；
获取目标区域中空气压缩管路三维模型图的最大监控面积，当所述预估监控面积信息小于所述最大监控面积时，基于所述遗传代数进行遗传，调整监控装置的数量信息以及监控装置的布局位置；
当所述预估监控面积信息不小于所述最大监控面积时，输出监控装置的数量信息以及监控装置的布局位置，并根据所述监控装置的数量信息以及监控装置的布局位置构建压缩空气管路检测网络。
进一步的，在本系统中，通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型，具体包括：
获取目标区域中空气压缩管路三维模型图，并构建时间戳，获取每个时间戳中压缩空气管路的实时特征数据信息，通过对所述每个时间戳中压缩空气管路的实时特征数据信息进行预处理，获取预处理后的实时特征数据信息；
根据所述预处理后的实时特征数据信息对所述目标区域中空气压缩管路三维模型图进行特征模拟，获取每个时间戳中目标区域中空气压缩管路的特征三维模型图；
通过对每一时间戳中目标区域中空气压缩管路的特征三维模型图进行拼接，获取基于时间序列的目标区域中空气压缩管路的特征三维模型图；
根据所述基于时间序列的目标区域中空气压缩管路的特征三维模型图生成压缩空气管路的数字孪生模型，并设置时间更新间隔，根据所述时间更新间隔对所述压缩空气管路的数字孪生模型进行更新。
进一步的，在本系统中，根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪，具体包括：
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并引入孪生网络，根据所述各区域压缩空气管路的实时模型参数特征数据信息初始化模板特征以及搜索特征；
将所述模板特征以及搜索特征输入到骨干网络中，并引入归一化注意力机制，在所述骨干网络的残差块末端嵌入所述归一化注意力机制的信道注意力模块，通过训练模型权重的方差，抑制所述模板特征以及搜索特征中的不显著特征，突出显著特征；
通过NAM模块输出特征信息，并以NAM模块输出的特征信息作为基本结构，并引入特征金字塔结构骨架，根据所述特征金字塔结构骨架对所述基本结构进行处理，获取对应生成的特征层；
根据所述对应生成的特征层生成特征图，并将所述特征图中的高层次特征以及低层次特征进行融合，最大程度的保留低层次特征，并对融合后的特征进行边界框预测，对特征图中的固定区域进行估计每一特征目标的位置。
进一步的，在本系统中，通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，具体包括：
预设偏差阈值数据信息，获取每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息，并根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信获取初始时间戳中的实时模型参数特征数据信息；
根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息获取当前时间戳中的实时模型参数特征数据信息，并将所述初始时间戳中的实时模型参数特征数据信息以及当前时间戳中的实时模型参数特征数据信息进行对比，得到偏差率；
判断所述偏差率是否大于所述偏差阈值数据信息，当所述偏差率不大于所述偏差阈值数据信息时，则将所述偏差率不大于所述偏差阈值数据信息对应的区域作为正常状态的压缩空气管路区域；
当所述偏差率大于所述偏差阈值数据信息时，则将所述偏差率大于所述偏差阈值数据信息对应的区域作为存在异常状态的压缩空气管路区域。
进一步的，在本系统中，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号，具体包括：
获取所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息，并根据所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息计算出存在异常状态的压缩空气管路区域中压缩空气管路的形变特征数据；
预设若干隶属度范围阈值数据信息，根据所述隶属度范围阈值数据信息对所述形变特征数据进行形变隶属度评价，获取每一存在异常状态的压缩空气管路区域对应的形变隶属度；
判断所述存在异常状态的压缩空气管路区域对应的形变隶属度是否大于预设评价隶属度，若大于，则获取存在异常状态的压缩空气管路区域所在的位置信息，并根据所述位置信息生成相关的预警信号；
当存在异常状态的压缩空气管路区域对应的形变隶属度不大于预设评价隶属度时，通过孪生网络进行持续监控。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括压缩空气管路的智能监测方法程序，压缩空气管路的智能监测方法程序被处理器执行时，实现任一项的压缩空气管路的智能监测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种压缩空气管路的智能监测方法，其特征在于，包括以下步骤：
获取目标区域中压缩空气管路的布局图，并根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过所述压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪；
通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号。
2.根据权利要求1所述的一种压缩空气管路的智能监测方法，其特征在于，根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，具体包括：
根据所述目标区域中压缩空气管路的布局图构建空气压缩管路三维模型图，并将目标区域分为多个子区域，获取每个子区域的空气压缩管路三维模型图；
初始化监控装置的数量信息以及监控装置的布局位置，并引入遗传算法，根据遗传算法设置遗传代数，根据所述监控装置的数量信息以及监控装置的布局位置计算出对每个子区域的空气压缩管路三维模型图的预估监控面积信息；
获取目标区域中空气压缩管路三维模型图的最大监控面积，当所述预估监控面积信息小于所述最大监控面积时，基于所述遗传代数进行遗传，调整监控装置的数量信息以及监控装置的布局位置；
当所述预估监控面积信息不小于所述最大监控面积时，输出监控装置的数量信息以及监控装置的布局位置，并根据所述监控装置的数量信息以及监控装置的布局位置构建压缩空气管路检测网络。
3.根据权利要求1所述的一种压缩空气管路的智能监测方法，其特征在于，通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型，具体包括：
获取目标区域中空气压缩管路三维模型图，并构建时间戳，获取每个时间戳中压缩空气管路的实时特征数据信息，通过对所述每个时间戳中压缩空气管路的实时特征数据信息进行预处理，获取预处理后的实时特征数据信息；
根据所述预处理后的实时特征数据信息对所述目标区域中空气压缩管路三维模型图进行特征模拟，获取每个时间戳中目标区域中空气压缩管路的特征三维模型图；
通过对每一时间戳中目标区域中空气压缩管路的特征三维模型图进行拼接，获取基于时间序列的目标区域中空气压缩管路的特征三维模型图；
根据所述基于时间序列的目标区域中空气压缩管路的特征三维模型图生成压缩空气管路的数字孪生模型，并设置时间更新间隔，根据所述时间更新间隔对所述压缩空气管路的数字孪生模型进行更新。
4.根据权利要求1所述的一种压缩空气管路的智能监测方法，其特征在于，根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪，具体包括：
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并引入孪生网络，根据所述各区域压缩空气管路的实时模型参数特征数据信息初始化模板特征以及搜索特征；
将所述模板特征以及搜索特征输入到骨干网络中，并引入归一化注意力机制，在所述骨干网络的残差块末端嵌入所述归一化注意力机制的信道注意力模块，通过训练模型权重的方差，抑制所述模板特征以及搜索特征中的不显著特征，突出显著特征；
通过NAM模块输出特征信息，并以NAM模块输出的特征信息作为基本结构，并引入特征金字塔结构骨架，根据所述特征金字塔结构骨架对所述基本结构进行处理，获取对应生成的特征层；
根据所述对应生成的特征层生成特征图，并将所述特征图中的高层次特征以及低层次特征进行融合，最大程度的保留低层次特征，并对融合后的特征进行边界框预测，对特征图中的固定区域进行估计每一特征目标的位置。
5.根据权利要求1所述的一种压缩空气管路的智能监测方法，其特征在于，通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，具体包括：
预设偏差阈值数据信息，获取每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息，并根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信获取初始时间戳中的实时模型参数特征数据信息；
根据所述每一时间戳中各区域中的压缩空气管路的实时模型参数特征数据信息获取当前时间戳中的实时模型参数特征数据信息，并将所述初始时间戳中的实时模型参数特征数据信息以及当前时间戳中的实时模型参数特征数据信息进行对比，得到偏差率；
判断所述偏差率是否大于所述偏差阈值数据信息，当所述偏差率不大于所述偏差阈值数据信息时，则将所述偏差率不大于所述偏差阈值数据信息对应的区域作为正常状态的压缩空气管路区域；
当所述偏差率大于所述偏差阈值数据信息时，则将所述偏差率大于所述偏差阈值数据信息对应的区域作为存在异常状态的压缩空气管路区域。
6.根据权利要求1所述的一种压缩空气管路的智能监测方法，其特征在于，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号，具体包括：
获取所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息，并根据所述存在异常状态的压缩空气管路区域在预设时间之间的实时模型参数特征数据信息计算出存在异常状态的压缩空气管路区域中压缩空气管路的形变特征数据；
预设若干隶属度范围阈值数据信息，根据所述隶属度范围阈值数据信息对所述形变特征数据进行形变隶属度评价，获取每一存在异常状态的压缩空气管路区域对应的形变隶属度；
判断所述存在异常状态的压缩空气管路区域对应的形变隶属度是否大于预设评价隶属度，若大于，则获取存在异常状态的压缩空气管路区域所在的位置信息，并根据所述位置信息生成相关的预警信号；
当存在异常状态的压缩空气管路区域对应的形变隶属度不大于预设评价隶属度时，通过孪生网络进行持续监控。
7.一种压缩空气管路的智能监测系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括压缩空气管路的智能监测方法程序，所述压缩空气管路的智能监测方法程序被所述处理器执行时，实现如下步骤：
获取目标区域中压缩空气管路的布局图，并根据所述目标区域中压缩空气管路的布局图构建压缩空气管路检测网络，通过所述压缩空气管路检测网络获取压缩空气管路的实时特征数据信息；
通过对所述压缩空气管路的实时特征数据信息进行融合，构建压缩空气管路的数字孪生模型；
根据所述压缩空气管路的数字孪生模型获取各区域压缩空气管路的实时模型参数特征数据信息，并基于孪生网络对所述实时模型参数特征数据信息进行跟踪；
通过对各区域压缩空气管路进行异常状态识别，获取存在异常状态的压缩空气管路区域，基于所述存在异常状态的压缩空气管路区域生成相关的预警信号。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括压缩空气管路的智能监测方法程序，所述压缩空气管路的智能监测方法程序被处理器执行时，实现如权利要求1-6任一项所述的压缩空气管路的智能监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001914.3A CN117494031B (zh) | 2024-01-02 | 2024-01-02 | 一种压缩空气管路的智能监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001914.3A CN117494031B (zh) | 2024-01-02 | 2024-01-02 | 一种压缩空气管路的智能监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494031A true CN117494031A (zh) | 2024-02-02 |
| CN117494031B CN117494031B (zh) | 2024-04-26 |
Family
ID=89683321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001914.3A Active CN117494031B (zh) | 2024-01-02 | 2024-01-02 | 一种压缩空气管路的智能监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494031B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014207A (zh) * | 2024-02-21 | 2024-05-10 | 珠海市现代农业发展中心 | 一种玉米种植场地评估管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021033A (zh) * | 2019-02-22 | 2019-07-16 | 广西师范大学 | 一种基于金字塔孪生网络的目标跟踪方法 |
| CN111639430A (zh) * | 2020-05-29 | 2020-09-08 | 重庆大学 | 一种数字孪生驱动的天然气管道泄漏识别系统 |
| CN113643149A (zh) * | 2021-07-07 | 2021-11-12 | 国网四川省电力公司 | 一种面向全覆盖监控的变电站监控布局优化方法及装置 |
| CN114782871A (zh) * | 2022-04-29 | 2022-07-22 | 广东技术师范大学 | 一种基于物联网的海洋异常信息监测方法和装置 |
| CN116168061A (zh) * | 2023-03-02 | 2023-05-26 | 重庆邮电大学 | 一种基于注意力金字塔残差网络的视觉目标跟踪方法APR-Net |
| CN116308302A (zh) * | 2023-05-19 | 2023-06-23 | 深圳抛物线科技有限公司 | 一种基于数字孪生的绝缘隐患超前预警方法及系统 |
| CN116342496A (zh) * | 2023-02-24 | 2023-06-27 | 智洋创新科技股份有限公司 | 一种用于智能巡检的异常物体检测方法和系统 |
| CN117115663A (zh) * | 2023-09-28 | 2023-11-24 | 中国矿业大学 | 一种基于深度监督网络的遥感图像变化检测系统及其方法 |
-
2024
- 2024-01-02 CN CN202410001914.3A patent/CN117494031B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110021033A (zh) * | 2019-02-22 | 2019-07-16 | 广西师范大学 | 一种基于金字塔孪生网络的目标跟踪方法 |
| CN111639430A (zh) * | 2020-05-29 | 2020-09-08 | 重庆大学 | 一种数字孪生驱动的天然气管道泄漏识别系统 |
| CN113643149A (zh) * | 2021-07-07 | 2021-11-12 | 国网四川省电力公司 | 一种面向全覆盖监控的变电站监控布局优化方法及装置 |
| CN114782871A (zh) * | 2022-04-29 | 2022-07-22 | 广东技术师范大学 | 一种基于物联网的海洋异常信息监测方法和装置 |
| CN116342496A (zh) * | 2023-02-24 | 2023-06-27 | 智洋创新科技股份有限公司 | 一种用于智能巡检的异常物体检测方法和系统 |
| CN116168061A (zh) * | 2023-03-02 | 2023-05-26 | 重庆邮电大学 | 一种基于注意力金字塔残差网络的视觉目标跟踪方法APR-Net |
| CN116308302A (zh) * | 2023-05-19 | 2023-06-23 | 深圳抛物线科技有限公司 | 一种基于数字孪生的绝缘隐患超前预警方法及系统 |
| CN117115663A (zh) * | 2023-09-28 | 2023-11-24 | 中国矿业大学 | 一种基于深度监督网络的遥感图像变化检测系统及其方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014207A (zh) * | 2024-02-21 | 2024-05-10 | 珠海市现代农业发展中心 | 一种玉米种植场地评估管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494031B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117494031B (zh) | 一种压缩空气管路的智能监测方法及系统 | |
| CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
| CN113658325B (zh) | 数字孪生环境下的生产线不确定对象智能识别与预警方法 | |
| CN109815904B (zh) | 一种基于卷积神经网络的火灾识别方法 | |
| CN114584571B (zh) | 基于空间计算技术的电网场站数字孪生同步通信方法 | |
| CN116577788B (zh) | 输电线路异物侵限监测方法、装置和计算机设备 | |
| CN116127396A (zh) | 一种基于智慧燃气的燃气泄漏判别方法和物联网系统 | |
| CN117274259B (zh) | 一种基于物联网的键盘生产设备管理方法及系统 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN117319451B (zh) | 基于多模态大数据的城市级消防物联网监管系统及其方法 | |
| CN115527203A (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
| CN115507309A (zh) | 一种燃气泄露报警方法和系统 | |
| CN117495205B (zh) | 一种工业互联网实验系统及方法 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN113128422A (zh) | 一种深度神经网络的图像烟火检测方法及系统 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| CN116384255B (zh) | 一种基于多源数据融合的园区危险态势感知方法及系统 | |
| CN116052300A (zh) | 一种基于数字孪生的电力巡检系统和方法 | |
| CN115171006B (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
| CN116202427A (zh) | 基于无人机影像的输电线路测距方法、系统、设备及介质 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN115830807A (zh) | 一种矿山安全预警方法、系统、设备及介质 | |
| CN114358423A (zh) | 处理针对幕墙的建筑数据的方法 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN110674764A (zh) | 一种工地裸露土方的检测方法、装置及系统 |
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 |