CN117649154B - 基于数字化的砼试块制作全过程管理系统及方法 - Google Patents
基于数字化的砼试块制作全过程管理系统及方法 Download PDFInfo
- Publication number
- CN117649154B CN117649154B CN202410120016.XA CN202410120016A CN117649154B CN 117649154 B CN117649154 B CN 117649154B CN 202410120016 A CN202410120016 A CN 202410120016A CN 117649154 B CN117649154 B CN 117649154B
- Authority
- CN
- China
- Prior art keywords
- detection index
- semantic
- feature vector
- context
- full
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 284
- 238000001514 detection method Methods 0.000 claims abstract description 232
- 238000007726 management method Methods 0.000 claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 91
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 22
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000003756 stirring Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 239000004568 cement Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012615 aggregate Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000007689 inspection Methods 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
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于数字化的砼试块制作全过程管理系统及方法，其通过取样芯片采集砼试块制作过程中的多个阶段的砼试块的检测指标数据；然后，提取各个阶段的检测指标数据的局部阶段检测特征，得到多个上下文阶段检测指标编码特征向量；接着，计算每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数，得到全生命性能语义波动特征向量；基于上下文阶段检测指标编码特征向量和全生命性能语义波动特征向量，构建多尺度性能语义特征表达，得到全生命性能多尺度语义表达特征向量，进而确定是否存在异常。这样，提供了一种全面、准确的砼试块制作全过程管理方法，能够提高砼试块质量和结构安全性。
Description
技术领域
本申请涉及智能化管理技术领域，尤其涉及一种基于数字化的砼试块制作全过程管理系统及方法。
背景技术
砼试块是用于测试混凝土强度的标准化样品。在建筑工程中，混凝土通常用作结构材料，因此需要确保其强度符合设计要求。为了评估混凝土的强度，工程师会在混凝土浇筑前制作砼试块。
在实际进行砼试块的制作过程中，需要及时识别和分析出可能导致砼试块强度异常的问题。如材料配比偏差、制作工艺问题、设备故障等。及早发现和解决这些问题，可以确保砼试块质量和结构安全性，避免在实际工程中出现问题。
传统的制作过程管理由人工进行记录和分析。这种方式存在一些问题，如记录信息不完整、数据难以追溯导致分析结果不准确等。因此，期待一种基于数字化的砼试块制作全过程管理系统及方法。
发明内容
本申请提供一种基于数字化的砼试块制作全过程管理系统及方法，其通过取样芯片采集砼试块制作过程中的多个阶段的砼试块的检测指标数据；然后，提取各个阶段的检测指标数据的局部阶段检测特征，得到多个上下文阶段检测指标编码特征向量；接下来，计算每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数，得到全生命性能语义波动特征向量；基于上下文阶段检测指标编码特征向量和全生命性能语义波动特征向量，构建多尺度性能语义特征表达，得到全生命性能多尺度语义表达特征向量，进而确定是否存在异常。这样，提供了一种全面、准确的砼试块制作全过程管理方法，能够提高砼试块质量和结构安全性。
本申请还提供了一种基于数字化的砼试块制作全过程管理方法，其包括：获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据； 提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。
在上述基于数字化的砼试块制作全过程管理方法中，提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量，包括：将所述各个阶段的砼试块的检测指标数据分别通过基于全连接层的检测指标编码器以得到多个阶段检测指标编码特征向量；将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量。
在上述基于数字化的砼试块制作全过程管理方法中，将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量，包括：将所述多个阶段检测指标编码特征向量进行一维排列以得到全局阶段检测指标特征向量；计算所述全局阶段检测指标特征向量与所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量进行加权以得到所述多个上下文阶段检测指标编码特征向量。
在上述基于数字化的砼试块制作全过程管理方法中，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量，包括：以如下性能差异语义度量公式计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的所述全生命性能语义波动特征向量；其中，所述性能差异语义度量公式为：其中，/>为前一个所述上下文阶段检测指标编码特征向量，/>为后一个所述上下文阶段检测指标编码特征向量，/>为各个所述上下文阶段检测指标编码特征向量的维度，/>为第/>个所述性能差异语义度量系数，表示以2为底的对数函数运算。
在上述基于数字化的砼试块制作全过程管理方法中，基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量，包括：将所述多个上下文阶段检测指标编码特征向量进行拼接以得到全生命性能语义特征向量；融合所述全生命性能语义波动特征向量和所述全生命性能语义特征向量以得到所述全生命性能多尺度语义表达特征向量。
在上述基于数字化的砼试块制作全过程管理方法中，基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常，包括：将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。
在上述基于数字化的砼试块制作全过程管理方法中，将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常，包括：使用所述分类器的多个全连接层对所述全生命性能多尺度语义表达特征向量进行全连接编码以得到编码分类特征向量；以及，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。
在上述基于数字化的砼试块制作全过程管理方法中，还包括训练步骤：对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练。
在上述基于数字化的砼试块制作全过程管理方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的训练检测指标数据，以及，是否存在异常的真实值；将所述各个阶段的砼试块的训练检测指标数据分别通过所述基于全连接层的检测指标编码器以得到多个训练阶段检测指标编码特征向量；将所述多个训练阶段检测指标编码特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文阶段检测指标编码特征向量；计算所述多个训练上下文阶段检测指标编码特征向量中每相邻两个训练上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的训练全生命性能语义波动特征向量；将所述多个训练上下文阶段检测指标编码特征向量进行拼接以得到训练全生命性能语义特征向量；融合所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量以得到训练全生命性能多尺度语义表达特征向量；将所述训练全生命性能多尺度语义表达特征向量通过分类器以得到分类损失函数值；计算所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特定损失函数值；以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值，对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练。
本申请还提供了一种基于数字化的砼试块制作全过程管理系统，其包括：检测指标数据获取模块，用于获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据； 局部阶段检测特征提取模块，用于提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；性能差异语义度量系数计算模块，用于计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；多尺度性能语义特征构建模块，用于基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；异常判断模块，用于基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。
与现有技术相比，本申请提供的基于数字化的砼试块制作全过程管理系统及方法，其通过取样芯片采集砼试块制作过程中的多个阶段的砼试块的检测指标数据；然后，提取各个阶段的检测指标数据的局部阶段检测特征，得到多个上下文阶段检测指标编码特征向量；接下来，计算每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数，得到全生命性能语义波动特征向量；基于上下文阶段检测指标编码特征向量和全生命性能语义波动特征向量，构建多尺度性能语义特征表达，得到全生命性能多尺度语义表达特征向量，进而确定是否存在异常。这样，提供了一种全面、准确的砼试块制作全过程管理方法，能够提高砼试块质量和结构安全性。
附图说明
为了更清楚地说明本申请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。
在附图中：图1为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的流程图。
图2为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的系统架构的示意图。
图3为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理系统的框图。
图4为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的应用场景图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本申请实施例做进一步详细说明。在此，本申请的示意性实施例及其说明用于解释本申请，但并不作为对本申请的限定。
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。
在进行砼试块制作时，密切关注可能导致砼试块强度异常的问题，并及时进行识别和分析，这些问题包括材料配比偏差、制作工艺问题和设备故障等。材料配比偏差指的是在配制砼时，水灰比、水胶比、砂石比等参数与设计要求不符，导致砼试块的强度不达标。制作工艺问题可能包括搅拌时间不足、搅拌速度不均匀等，这些都会影响砼试块的均匀性和强度。设备故障可能包括搅拌机故障、震动台故障等，这些故障会影响砼试块的制作过程和质量。
及早发现和解决这些问题是非常重要的，因为砼试块的质量直接关系到结构的安全性，如果砼试块的强度异常，可能导致实际工程中的结构出现问题，甚至引发安全事故。因此，通过严格的质量控制和监测手段来确保砼试块的质量和结构的安全性，这包括对原材料进行严格的检测和选择，确保配比准确；制定科学合理的制作工艺，保证搅拌和振动的均匀性；定期检查和维护设备，确保其正常运转。通过这些措施，可以有效地避免砼试块强度异常的问题，并保证工程的顺利进行。
传统的砼试块制作过程管理依赖于人工记录和分析，但存在一些问题，如记录信息不完整、数据难以追溯以及分析结果不准确等。为了解决这些问题，期待一种基于数字化的砼试块制作全过程管理系统及方法。基于数字化的砼试块制作全过程管理系统及方法可以提高制作过程的可追溯性和数据准确性，减少人为错误，实现实时监测和预警，提高管理效率和砼试块质量，这将为砼试块制作提供更可靠的质量保证，同时也为实际工程的安全性提供更坚实的基础。
本申请主要研究内容包括：砼试块制作、检测质量代表现场混凝土实体质量，对验砼试块制作检测全过程，实现数字化可追溯管理，加强过程控制，有效保证混凝土施工质里。
在本申请中，通过植入芯片，录入数据，实现硷砼试块的全过程控制。主要实现：1、现场砼试块制作合格；2、制作数量、养护方式、送检时间符合规范要求；3、砼试块检测合格。
在本申请的一个实施例中，图1为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的流程图。图2为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的系统架构的示意图。如图1和图2所示，根据本申请实施例的基于数字化的砼试块制作全过程管理方法，包括：110，获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据； 120，提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；130，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；140，基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；150，基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。
在所述步骤110中，获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据。确保取样芯片的正确安装和准确采集砼试块制作过程中的关键参数数据，如搅拌时间、搅拌速度、温度、湿度等。通过采集砼试块制作过程中的检测指标数据，可以实时监测和记录关键参数，为后续的分析和决策提供数据支持。
在所述步骤120中，提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量。根据实际需要和砼试块制作过程中的关键阶段，提取每个阶段的检测指标数据，并进行局部阶段检测特征的提取，如平均值、方差等。通过提取局部阶段检测特征，可以将每个阶段的检测指标数据进行编码，形成特征向量，为后续的性能差异分析和异常检测提供数据基础。
在所述步骤130中，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量。计算每个相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数，可以使用统计学方法或机器学习算法进行计算。通过计算性能差异语义度量系数，可以得到全生命性能语义波动特征向量，用于描述砼试块制作过程中的性能变化情况，为异常检测提供更准确的特征。
在所述步骤140中，基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量。根据上下文阶段检测指标编码特征向量和全生命性能语义波动特征向量，可以构建多尺度性能语义特征表达，如使用多种特征组合、加权等方法。通过构建全生命性能多尺度语义表达特征向量，可以更全面地描述砼试块制作过程中的性能特征，提高异常检测的准确性和可靠性。
在所述步骤150中，基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。根据全生命性能多尺度语义表达特征向量，可以使用机器学习或统计学方法进行异常检测，如分类算法、聚类算法等。通过对全生命性能多尺度语义表达特征向量进行异常检测，可以及时发现砼试块制作过程中的异常情况，提高质量控制和结构安全性。
针对上述技术问题，本申请的技术构思为通过植入取样芯片，记录和采集砼试块在制作全过程中多个阶段的砼试块的检测指标数据，并利用智能化算法来挖掘各个阶段的混凝土性能波动特征和全局整体性能特征，以此来实现对异常情况的识别。这样，实现可追溯性管理，并加强过程质量控制。
基于此，在本申请的技术方案中，首先获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据。这里，通过采集和获取砼试块在不同阶段的检测指标数据，可以了解砼试块的性能和质量，并及时发现可能导致砼试块强度异常的问题。具体而言，砼试块的检测指标数据可以包括但不限于以下内容：1. 混凝土配合比：包括水灰比、水胶比等；2. 原材料性能：包括水泥、骨料、粉煤灰等原材料的性能指标；3. 施工工艺参数：包括搅拌时间、浇筑温度、振捣方式等；4. 砼试块强度测试结果：包括砼试块的抗压强度、抗折强度等；5. 砼试块外观质量：包括表面平整度、裂缝情况等。这样，通过获取这些检测指标数据，可以对砼试块制作过程中的各个阶段进行全面的监测和评估，及时发现可能存在的问题。
接着将所述各个阶段的砼试块的检测指标数据分别通过基于全连接层的检测指标编码器以得到多个阶段检测指标编码特征向量；并将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到多个上下文阶段检测指标编码特征向量。其中，将所述各个阶段的砼试块的检测指标数据分别通过基于全连接层的检测指标编码器可以将各个阶段的原始检测指标数据进行有效的编码和表示。也就是，将每个阶段的检测指标数据转化为阶段检测指标编码特征向量，使得各个所述阶段检测指标编码特征向量包含各个阶段的关键特征信息，如水灰比、抗压强度等。再将多个阶段检测指标编码特征向量通过基于转换器的上下文编码器，以使得对各个阶段的检测指标编码特征向量进行上下文语义联合分析，得到每个阶段内检测指标数据之间的关联和上下文信息。
在本申请的一个具体实施例中，提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量，包括：将所述各个阶段的砼试块的检测指标数据分别通过基于全连接层的检测指标编码器以得到多个阶段检测指标编码特征向量；将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量。
更具体地，将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量，包括：将所述多个阶段检测指标编码特征向量进行一维排列以得到全局阶段检测指标特征向量；计算所述全局阶段检测指标特征向量与所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量进行加权以得到所述多个上下文阶段检测指标编码特征向量。
然后，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量。也就是，通过计算每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数来量化和衡量相邻两个阶段之间的性能差异，以表述和刻画砼试块的全生命周期的性能特征信息。具体而言，在砼试块制作的不同阶段，可能存在着不同的工艺参数、材料配比以及操作条件等因素的变化。这些变化可能会对砼试块的性能产生影响，导致砼试块强度的差异。在本申请的技术方案中，通过计算相邻两个阶段的性能差异语义度量系数，可以量化不同阶段之间的性能差异程度，以提供更全面和综合信息，帮助和引导后续模型更好地理解砼试块制作过程中的性能变化和波动情况，为识别砼试块强度异常提供重要的数据支撑。
在本申请的一个具体实施例中，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量，包括：以如下性能差异语义度量公式计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的所述全生命性能语义波动特征向量；其中，所述性能差异语义度量公式为：其中，/>为前一个所述上下文阶段检测指标编码特征向量，/>为后一个所述上下文阶段检测指标编码特征向量，/>为各个所述上下文阶段检测指标编码特征向量的维度，/>为第/>个所述性能差异语义度量系数，/>表示以2为底的对数函数运算。
进一步地，将所述多个上下文阶段检测指标编码特征向量进行拼接以得到全生命性能语义特征向量；并融合所述全生命性能语义波动特征向量和所述全生命性能语义特征向量以得到全生命性能多尺度语义表达特征向量。
在本申请的一个具体实施例中，基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量，包括：将所述多个上下文阶段检测指标编码特征向量进行拼接以得到全生命性能语义特征向量；融合所述全生命性能语义波动特征向量和所述全生命性能语义特征向量以得到所述全生命性能多尺度语义表达特征向量。
这里，将所述多个上下文阶段检测指标编码特征向量进行拼接以得到全生命性能语义特征向量，是为将各个阶段的上下文阶段检测指标编码特征向量所表达的局部阶段砼试块的性能特征信息进行整合，以全面地表示砼试块的整体性能和质量。再融合所述全生命性能语义波动特征向量和所述全生命性能语义特征向量以得到全生命性能多尺度语义表达特征向量，以使得所述全生命性能多尺度语义表达特征向量能够结合不同尺度和不同密度下的砼试块性能信息，具有更为出色的特征表达能力。
继而，将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。
在本申请的一个具体实施例中，基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常，包括：将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常。
更具体地，将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常，包括：使用所述分类器的多个全连接层对所述全生命性能多尺度语义表达特征向量进行全连接编码以得到编码分类特征向量；以及，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。
在本申请的一个实施例中，所述基于数字化的砼试块制作全过程管理方法，还包括训练步骤：对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的训练检测指标数据，以及，是否存在异常的真实值；将所述各个阶段的砼试块的训练检测指标数据分别通过所述基于全连接层的检测指标编码器以得到多个训练阶段检测指标编码特征向量；将所述多个训练阶段检测指标编码特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文阶段检测指标编码特征向量；计算所述多个训练上下文阶段检测指标编码特征向量中每相邻两个训练上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的训练全生命性能语义波动特征向量；将所述多个训练上下文阶段检测指标编码特征向量进行拼接以得到训练全生命性能语义特征向量；融合所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量以得到训练全生命性能多尺度语义表达特征向量；将所述训练全生命性能多尺度语义表达特征向量通过分类器以得到分类损失函数值；计算所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特定损失函数值；以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值，对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练。
在上述技术方案中，所述多个训练上下文阶段检测指标编码特征向量表达所述各个阶段的砼试块的检测指标数据的基于局部时域间编码特征上下文关联的局部时域内全局部时域关联编码特征，这样，由所述多个性能差异语义度量系数组成的训练全生命性能语义波动特征向量表达局部时域间关联编码差异特征，而所述训练全生命性能语义特征向量表达全局时域编码特征，也就是，所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量具有基于局部时域-全局时域下的不同维度关联编码特征表示的不同特征群密度表示，这样，在模型整体训练时，所述局部时域和全局时域下的不同维度关联特征编码之间就会存在迭代不均衡，影响模型的整体训练效率。
因此，本申请的申请人考虑提升所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特征群密度表示一致性，从而进一步引入了针对所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特定损失函数，表示为：以如下优化公式计算所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特定损失函数值；其中，所述优化公式为：其中，/>是所述训练全生命性能语义波动特征向量通过线性插值后得到的特征向量，/>是所述训练全生命性能语义特征向量，所述特征向量/>和所述训练全生命性能语义特征向量/>具有相同长度/>，且/>表示向量的二范数的平方，/>是所述训练全生命性能语义波动特征向量通过线性插值后得到的特征向量的特征值，/>是所述训练全生命性能语义特征向量的特征值，是特定损失函数值，/>表示计算以数值为幂的自然指数函数值，/>表示按位置减法。
这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量之间的特征群密度表示一致性优化，以提升模型的整体训练效率。
本申请的创新点为在砼试块中植入取样芯片，录入数据，从而对砼试块的制作、见证取样、检测实现全过程在线管理。
其包括但不限于：1、砼试块制作水平不一，存在砼试块制作不规范造成检测不合格现象;需要对砼试块制作人进行追溯，加强培训。
2、砼试块制作随意，少做、少送，送检超期，存在用其他砼试块代替现象，不能反映实体质量。加强砼试块的管理，实现全过程可控，最终保证混凝土的质量。
3、通过数字化管理，数据共享，共同监督，规范砼试块管理，加强过程控制。
本申请在砼试块中植入取样芯片，录入砼试块的制作时间、部位、强度等级、代表方量等数据，实现砼试块的可追溯性管理，加强过程质量控制。
综上，基于本申请实施例的基于数字化的砼试块制作全过程管理方法被阐明，其通过植入取样芯片，记录和采集砼试块在制作全过程中多个阶段的砼试块的检测指标数据，并利用智能化算法来挖掘各个阶段的混凝土性能波动特征和全局整体性能特征，以此来实现对异常情况的识别。这样，实现可追溯性管理，并加强过程质量控制。
图3为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理系统的框图。如图3所示，所述基于数字化的砼试块制作全过程管理系统200，包括：检测指标数据获取模块210，用于获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据； 局部阶段检测特征提取模块220，用于提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；性能差异语义度量系数计算模块230，用于计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；多尺度性能语义特征构建模块240，用于基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；异常判断模块250，用于基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。
本领域技术人员可以理解，上述基于数字化的砼试块制作全过程管理系统中的各个步骤的具体操作已经在上面参考图1到图2的基于数字化的砼试块制作全过程管理方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于数字化的砼试块制作全过程管理系统200可以实现在各种终端设备中，例如用于基于数字化的砼试块制作全过程管理的服务器等。在一个示例中，根据本申请实施例的基于数字化的砼试块制作全过程管理系统200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，该基于数字化的砼试块制作全过程管理系统200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，该基于数字化的砼试块制作全过程管理系统200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，该基于数字化的砼试块制作全过程管理系统200与该终端设备也可以是分立的设备，并且该基于数字化的砼试块制作全过程管理系统200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。
图4为本申请实施例中提供的一种基于数字化的砼试块制作全过程管理方法的应用场景图。如图4所示，在该应用场景中，首先，获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据（例如，如图4中所示意的C）；然后，将获取的检测指标数据输入至部署有基于数字化的砼试块制作全过程管理算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于数字化的砼试块制作全过程管理算法对所述检测指标数据进行处理，以确定是否存在异常。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (2)
1.一种基于数字化的砼试块制作全过程管理方法，其特征在于，包括：
获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据；
提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；
计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；
基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；
基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常；
其中，提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量，包括：
将所述各个阶段的砼试块的检测指标数据分别通过基于全连接层的检测指标编码器以得到多个阶段检测指标编码特征向量；
将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量；
其中，将所述多个阶段检测指标编码特征向量通过基于转换器的上下文编码器以得到所述多个上下文阶段检测指标编码特征向量，包括：
将所述多个阶段检测指标编码特征向量进行一维排列以得到全局阶段检测指标特征向量；
计算所述全局阶段检测指标特征向量与所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；
分别以所述多个概率值中各个概率值作为权重对所述多个阶段检测指标编码特征向量中各个阶段检测指标编码特征向量进行加权以得到所述多个上下文阶段检测指标编码特征向量；
其中，计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量，包括：
以如下性能差异语义度量公式计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的所述全生命性能语义波动特征向量；其中，所述性能差异语义度量公式为：
,
其中，为前一个所述上下文阶段检测指标编码特征向量，/>为后一个所述上下文阶段检测指标编码特征向量，/>为各个所述上下文阶段检测指标编码特征向量的维度，/>为第/>个所述性能差异语义度量系数，/>表示以2为底的对数函数运算；
其中，基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量，包括：
将所述多个上下文阶段检测指标编码特征向量进行拼接以得到全生命性能语义特征向量；
融合所述全生命性能语义波动特征向量和所述全生命性能语义特征向量以得到所述全生命性能多尺度语义表达特征向量；
其中，基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常，包括：
将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常；
其中，将所述全生命性能多尺度语义表达特征向量通过分类器以得到分类结果，所述分类结果用于表示是否存在异常，包括：
使用所述分类器的多个全连接层对所述全生命性能多尺度语义表达特征向量进行全连接编码以得到编码分类特征向量；以及
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；
其中，还包括训练步骤：对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的训练检测指标数据，以及，是否存在异常的真实值；
将所述各个阶段的砼试块的训练检测指标数据分别通过所述基于全连接层的检测指标编码器以得到多个训练阶段检测指标编码特征向量；
将所述多个训练阶段检测指标编码特征向量通过所述基于转换器的上下文编码器以得到多个训练上下文阶段检测指标编码特征向量；
计算所述多个训练上下文阶段检测指标编码特征向量中每相邻两个训练上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的训练全生命性能语义波动特征向量；
将所述多个训练上下文阶段检测指标编码特征向量进行拼接以得到训练全生命性能语义特征向量；
融合所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量以得到训练全生命性能多尺度语义表达特征向量；
将所述训练全生命性能多尺度语义表达特征向量通过分类器以得到分类损失函数值；
计算所述训练全生命性能语义波动特征向量和所述训练全生命性能语义特征向量的特定损失函数值；
以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值，对所述基于全连接层的检测指标编码器、所述基于转换器的上下文编码器和所述分类器进行训练。
2.一种基于数字化的砼试块制作全过程管理系统，使用如权利要求1所述的基于数字化的砼试块制作全过程管理方法，其特征在于，包括：
检测指标数据获取模块，用于获取由取样芯片采集的砼试块制作全过程中多个阶段的砼试块的检测指标数据；
局部阶段检测特征提取模块，用于提取各个阶段的砼试块的检测指标数据的局部阶段检测特征以得到多个上下文阶段检测指标编码特征向量；
性能差异语义度量系数计算模块，用于计算所述多个上下文阶段检测指标编码特征向量中每相邻两个上下文阶段检测指标编码特征向量之间的性能差异语义度量系数以得到由多个性能差异语义度量系数组成的全生命性能语义波动特征向量；
多尺度性能语义特征构建模块，用于基于所述多个上下文阶段检测指标编码特征向量和所述全生命性能语义波动特征向量，构建多尺度性能语义特征表达以得到全生命性能多尺度语义表达特征向量；
异常判断模块，用于基于所述全生命性能多尺度语义表达特征向量，确定是否存在异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410120016.XA CN117649154B (zh) | 2024-01-29 | 2024-01-29 | 基于数字化的砼试块制作全过程管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410120016.XA CN117649154B (zh) | 2024-01-29 | 2024-01-29 | 基于数字化的砼试块制作全过程管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649154A CN117649154A (zh) | 2024-03-05 |
| CN117649154B true CN117649154B (zh) | 2024-04-19 |
Family
ID=90046354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410120016.XA Active CN117649154B (zh) | 2024-01-29 | 2024-01-29 | 基于数字化的砼试块制作全过程管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649154B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117886278B (zh) * | 2024-03-13 | 2024-06-18 | 新疆凯龙清洁能源股份有限公司 | 天然气脱硫废产物制取精硫磺的方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610778A (zh) * | 2021-07-20 | 2021-11-05 | 武汉工程大学 | 一种基于语义分割的桥梁表面裂纹检测方法与系统 |
| CN115392731A (zh) * | 2022-08-29 | 2022-11-25 | 中建八局第三建设有限公司 | 一种混凝土全生命周期管控方法及系统 |
| CN115510754A (zh) * | 2022-10-09 | 2022-12-23 | 鼎邦智联(北京)科技有限公司 | 一种水泥混凝土性能预测和控制的方法及系统 |
| CN116151845A (zh) * | 2023-02-20 | 2023-05-23 | 南京天通新创科技有限公司 | 基于工业物联网技术的产品全生命周期管理系统及其方法 |
| CN116481791A (zh) * | 2023-05-09 | 2023-07-25 | 南阳师范学院 | 钢结构连接稳定性监测系统及其方法 |
| CN116596556A (zh) * | 2023-05-11 | 2023-08-15 | 新疆天莱养殖有限责任公司 | 肉牛追溯管理系统及方法 |
| CN117094937A (zh) * | 2023-03-16 | 2023-11-21 | 浙江宏丰炉料有限公司 | 耐火浇注料节能生产方法及系统 |
| CN117392604A (zh) * | 2023-10-16 | 2024-01-12 | 广东云百科技有限公司 | 物联网实时信息监控管理系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476781B (zh) * | 2020-04-08 | 2023-04-07 | 浙江大学 | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 |
-
2024
- 2024-01-29 CN CN202410120016.XA patent/CN117649154B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610778A (zh) * | 2021-07-20 | 2021-11-05 | 武汉工程大学 | 一种基于语义分割的桥梁表面裂纹检测方法与系统 |
| CN115392731A (zh) * | 2022-08-29 | 2022-11-25 | 中建八局第三建设有限公司 | 一种混凝土全生命周期管控方法及系统 |
| CN115510754A (zh) * | 2022-10-09 | 2022-12-23 | 鼎邦智联(北京)科技有限公司 | 一种水泥混凝土性能预测和控制的方法及系统 |
| CN116151845A (zh) * | 2023-02-20 | 2023-05-23 | 南京天通新创科技有限公司 | 基于工业物联网技术的产品全生命周期管理系统及其方法 |
| CN117094937A (zh) * | 2023-03-16 | 2023-11-21 | 浙江宏丰炉料有限公司 | 耐火浇注料节能生产方法及系统 |
| CN116481791A (zh) * | 2023-05-09 | 2023-07-25 | 南阳师范学院 | 钢结构连接稳定性监测系统及其方法 |
| CN116596556A (zh) * | 2023-05-11 | 2023-08-15 | 新疆天莱养殖有限责任公司 | 肉牛追溯管理系统及方法 |
| CN117392604A (zh) * | 2023-10-16 | 2024-01-12 | 广东云百科技有限公司 | 物联网实时信息监控管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649154A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117649154B (zh) | 基于数字化的砼试块制作全过程管理系统及方法 | |
| CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
| CN113344134B (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
| CN111400371A (zh) | 一种基于电压相关性校验的户变关系识别方法 | |
| CN113297797A (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| CN113807432A (zh) | 一种基于深度学习的气温预报数据订正方法 | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
| CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
| CN113269384B (zh) | 一种对河流系统健康状态进行预警的方法 | |
| CN112684156A (zh) | 一种基于深度学习的混凝土强度预测方法 | |
| CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
| CN117172556A (zh) | 一种桥梁工程的施工风险预警方法与系统 | |
| CN112488529A (zh) | 一种基于大数据的工程造价管理系统 | |
| CN115497574A (zh) | 一种基于模型融合的hpc抗压强度预测方法和系统 | |
| CN113269419A (zh) | 一种基于智能化的建筑工程项目材料进场验收管理方法及云管理平台 | |
| CN117825508B (zh) | 基于建筑楼体环保材料生产方法 | |
| CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
| CN110956316A (zh) | 一种基于随机森林的人员等级预测模型 | |
| CN114595552A (zh) | 一种基于曲线组合梁模型的混凝土精度管控系统 | |
| CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN116184533A (zh) | 一种基于新型权重系数的逐小时时间滞后集合降水预报订正方法 | |
| CN117892928B (zh) | 一种农村公路技术状况评定系统及方法 | |
| CN118552014B (zh) | 基于数据反馈的风电塔筒混凝土管片生产管理方法及系统 | |
| CN110160861A (zh) | 铸造用型砂强度测试单元及其装置 | |
| CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 |
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 |