CN117668762A - 用于住宅地下渗漏的监测预警系统及方法 - Google Patents
用于住宅地下渗漏的监测预警系统及方法 Download PDFInfo
- Publication number
- CN117668762A CN117668762A CN202410129570.4A CN202410129570A CN117668762A CN 117668762 A CN117668762 A CN 117668762A CN 202410129570 A CN202410129570 A CN 202410129570A CN 117668762 A CN117668762 A CN 117668762A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- mapped
- water level
- humidity
- 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 51
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 447
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 176
- 230000004927 fusion Effects 0.000 claims abstract description 101
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 133
- 238000013507 mapping Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 9
- 239000003673 groundwater Substances 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005802 health problem Effects 0.000 description 4
- 239000004566 building material Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 208000028004 allergic respiratory disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 201000004335 respiratory allergy Diseases 0.000 description 2
- 208000023504 respiratory system disease Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 239000004823 Reactive adhesive Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Abstract
本申请公开了一种用于住宅地下渗漏的监测预警系统及方法，其获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。这样，可以及时生成预警提示，进而保障住宅的稳定性和安全性。
Description
技术领域
本申请涉及智能化监测预警技术领域，尤其涉及一种用于住宅地下渗漏的监测预警系统及方法。
背景技术
住宅地下渗漏是指地下水通过建筑物的地基或墙体渗透进入住宅的现象。这种渗漏可能是由于地下水位上升、地下水压力增加、地下水含量过高或地下排水系统故障等原因引起的。
住宅地下渗漏可能导致房屋结构受损、设备故障以及人体的健康问题。具体来说，长期的地下渗漏可能造成地基沉降、地板起翘等现象，从而使得住宅的建筑材料受到侵蚀，导致房屋结构受损，影响房屋的稳定性和安全性。另外，地下渗漏会影响住宅内的设备，如电气系统、供水管道、暖通空调系统等。其次，住宅产生地下渗漏会使得环境变得潮湿，使得霉菌和细菌肆意滋生，从而可能导致室内空气质量下降，增加居民患上呼吸道疾病、过敏等健康问题的风险。
传统的对于住宅地下渗漏的监测方式是进行人工巡检，但这种方式存在成本高、效率低等问题。因此，期待一种优化的用于住宅地下渗漏的监测预警系统。
发明内容
本申请提供一种用于住宅地下渗漏的监测预警系统及方法，其获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。这样，可以及时生成预警提示，进而保障住宅的稳定性和安全性。
本申请还提供了一种用于住宅地下渗漏的监测预警方法，其包括：获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；基于所述稀疏化多模态融合特征向量，确定是否生成预警提示；其中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量；使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量，包括：以如下稀疏化公式来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，所述稀疏化公式为：其中，/>是所述稀疏化多模态融合特征向量，/>是所述映射后水位时序特征向量，/>是所述映射后温度时序特征向量，/>是所述映射后湿度时序特征向量，/>是预定系数，/>是所述映射后水位时序特征向量和所述映射后温度时序特征向量之间的向量距离，且/>是所述映射后水位时序特征向量和所述映射后湿度时序特征向量之间的向量距离。
在上述用于住宅地下渗漏的监测预警方法中，对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量，包括：将所述水位时序序列、所述温度时序序列和所述湿度时序序列分别按照时间维度排列为水位时序输入向量、温度时序输入向量和湿度时序输入向量；将所述水位时序输入向量、所述温度时序输入向量和所述湿度时序输入向量通过基于一维卷积层的时序特征提取器以得到所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量。
在上述用于住宅地下渗漏的监测预警方法中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量通过基于全连接层的空间映射器以得到所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量。
在上述用于住宅地下渗漏的监测预警方法中，基于所述稀疏化多模态融合特征向量，确定是否生成预警提示，包括：将所述稀疏化多模态融合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地下渗漏；响应于所述分类结果为存在地下渗漏，生成预警提示。
在上述用于住宅地下渗漏的监测预警方法中，将所述稀疏化多模态融合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地下渗漏，包括：使用所述分类器的多个全连接层对所述稀疏化多模态融合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。
在上述用于住宅地下渗漏的监测预警方法中，还包括训练步骤：对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块和所述分类器进行训练。
在上述用于住宅地下渗漏的监测预警方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括由传感器组采集的被检测住宅地下的训练水位时序序列、训练温度时序序列和训练湿度时序序列，以及，是否存在地下渗漏的真实值；将所述训练水位时序序列、所述训练温度时序序列和所述训练湿度时序序列分别按照时间维度排列为训练水位时序输入向量、训练温度时序输入向量和训练湿度时序输入向量后通过所述基于一维卷积层的时序特征提取器以得到训练水位时序特征向量、训练温度时序特征向量和训练湿度时序特征向量；将所述训练水位时序特征向量、所述训练温度时序特征向量和所述训练湿度时序特征向量通过所述基于全连接层的空间映射器以得到训练映射后水位时序特征向量、训练映射后温度时序特征向量和训练映射后湿度时序特征向量；使用所述稀疏化模块来融合所述训练映射后水位时序特征向量、所述训练映射后温度时序特征向量和所述训练映射后湿度时序特征向量以得到训练稀疏化多模态融合特征向量；将所述训练稀疏化多模态融合特征向量通过分类器以得到分类损失函数值；以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练稀疏化多模态融合特征向量进行优化。
本申请还提供了一种用于住宅地下渗漏的监测预警系统，其包括：数据获取模块，用于获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；时序特征提取模块，用于对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；稀疏化融合模块，用于将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；预警提示生成模块，用于基于所述稀疏化多模态融合特征向量，确定是否生成预警提示；其中，所述稀疏化融合模块，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量；使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量，包括：以如下稀疏化公式来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，所述稀疏化公式为：其中，/>是所述稀疏化多模态融合特征向量，/>是所述映射后水位时序特征向量，/>是所述映射后温度时序特征向量，/>是所述映射后湿度时序特征向量，/>是预定系数，/>是所述映射后水位时序特征向量和所述映射后温度时序特征向量之间的向量距离，且/>是所述映射后水位时序特征向量和所述映射后湿度时序特征向量之间的向量距离。
与现有技术相比，本申请提供的用于住宅地下渗漏的监测预警系统及方法，其获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。这样，可以及时生成预警提示，进而保障住宅的稳定性和安全性。
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用于住宅地下渗漏的监测预警方法的流程图。
图2为本申请实施例中提供的一种用于住宅地下渗漏的监测预警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用于住宅地下渗漏的监测预警系统的框图。
图4为本申请实施例中提供的一种用于住宅地下渗漏的监测预警方法的应用场景图。
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。
住宅地下渗漏是指地下水或雨水通过地基、墙壁、地板等途径渗透进入住宅内部的现象，长期的地下渗漏会对房屋的结构、设备和居民的健康产生负面影响。首先，地下渗漏可能导致房屋结构受损，当地下水渗透进入房屋内部时，会使地基变得湿润，导致地基沉降，地基沉降会导致房屋出现倾斜、裂缝等问题，严重时甚至会引发房屋坍塌的风险。另外，地下水的渗透还会侵蚀建筑材料，如混凝土、砖石等，使其失去承重能力，进而影响房屋的稳定性和安全性。
其次，地下渗漏还会影响住宅内的设备，电气系统、供水管道、暖通空调系统等设备通常被安装在住宅的地下或地下室中，如果地下渗漏发生，这些设备可能会被水浸泡，导致设备损坏甚至故障。此外，地下渗漏还会使得设备周围的墙壁、地板等建筑材料受潮，进而影响设备的正常运行。
另外，地下渗漏还会导致室内环境潮湿，从而滋生霉菌和细菌，潮湿的环境是霉菌和细菌滋生的理想条件，它们会在墙壁、地板、家具等潮湿的表面生长繁殖。这些霉菌和细菌释放出的孢子和有害物质可能会污染室内空气，导致室内空气质量下降，长期暴露在这样的环境中，居民可能会出现呼吸道疾病、过敏等健康问题。
为了防止住宅地下渗漏带来的问题，可以采取以下措施：在房屋建造过程中，可以采用防水涂料、防水卷材等材料对地基进行防水处理，以防止地下水渗透进入房屋。定期检查住宅的地下环境，包括地下室、地下管道等，及时发现并修复潜在的渗漏问题。保持室内通风良好，使用除湿器等设备控制室内湿度，减少霉菌和细菌滋生的机会。一旦发现地下渗漏问题，应及时采取措施修复，防止问题进一步扩大。
传统的对于住宅地下渗漏的监测方式主要是通过人工巡检来进行，这种方式需要专业人员定期到住宅进行检查，以发现地下渗漏的迹象，然而，这种方式存在一些问题，如成本高、效率低等。
首先，人工巡检需要专业人员进行，他们需要花费大量的时间和精力来检查每个住宅，这不仅增加了人力成本，还可能导致效率低下。同时，由于人工巡检的主观性较强，可能存在遗漏或误判的情况，无法保证对所有住宅地下渗漏问题的全面监测。其次，人工巡检只能在一定的时间间隔内进行，无法实时监测地下渗漏的情况，这意味着如果在巡检之间发生了渗漏问题，可能要等到下一次巡检才能发现和处理，导致问题的延误和加剧。另外，人工巡检的范围受限，由于人力资源和时间有限，很难对大量的住宅进行全面的巡检。因此，可能会有一些住宅因为没有得到及时巡检而导致地下渗漏问题长期存在。在本申请中，提供一种优化的用于住宅地下渗漏的监测预警系统及方法。
本申请的主要研究内容包括：针对住宅地下工程变形缝、底板、墙板渗漏问题展开研究，从施工材料、施工工艺等方面进行优化，形成标准化施工工艺，杜绝渗漏，保证工程施工质量。
在本申请中，针对地下工程渗漏采取非开挖堵漏技术，实现渗漏快速治理，减少渗漏对居民生活影响；针对变形缝部位渗漏问题，对变形缝施工工艺进行优化，提高变形缝处防渗能力，形成施工方法，标准化施工，提高工程质量。
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用于住宅地下渗漏的监测预警方法的流程图。图2为本申请实施例中提供的一种用于住宅地下渗漏的监测预警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用于住宅地下渗漏的监测预警方法，包括：110，获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；120，对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；130，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；140，基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。
在所述步骤110中，获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列。确保传感器组的准确安装和校准，以获取可靠的数据，选择合适的传感器类型和位置，以确保能够全面和准确地监测地下水位、温度和湿度的变化。通过获取水位、温度和湿度的时序数据，可以全面了解地下环境的变化情况，为后续的分析和预警提供基础数据。
在所述步骤120中，对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量。选择合适的时序特征提取方法，如平均值、方差、最大值、最小值、趋势性等，根据具体的需求，可以使用统计学方法、频域分析、小波变换等技术来提取特征。通过提取水位时序特征、温度时序特征和湿度时序特征，可以从水位、温度和湿度的变化中获取更加具体和有用的信息，以用于后续的分析和预测，帮助判断地下环境的状态和变化趋势。
在所述步骤130中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量。选择合适的稀疏化融合方法，如主成分分析（PCA）、因子分析、独立成分分析（ICA）等，这些方法可以将水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行融合，得到更加综合和紧凑的稀疏化多模态融合特征向量。通过稀疏化多模态融合，可以将水位时序特征、温度时序特征和湿度时序特征进行综合，减少特征的冗余性，提高特征的表达能力和区分度，有助于更好地描述地下环境的状态和变化。
在所述步骤140中，基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。根据预先设定的阈值或通过机器学习方法，对稀疏化多模态融合特征向量进行判断和分类，根据具体的预警规则，确定是否生成预警提示。通过基于稀疏化多模态融合特征向量的判断，可以及时识别地下渗漏问题，并生成预警提示，有助于快速采取措施，避免房屋结构受损、设备故障和居民健康问题的发生。
针对上述技术问题，本申请的技术构思为实时监测住宅地下的水位、温度和湿度参数，并利用智能化算法分析水位、温度和湿度参数之间的关联关系，以从中挖掘和识别地下渗漏的异常情况，从而及时生成预警提示。
基于此，在本申请的技术方案中，首先获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列。这里，水位、温度和湿度数据可以提供关于地下渗漏情况的重要信息，有助于及时发现异常并进行预警。具体来说，水位的变化趋势可以反映水位是否存在异常上升的情况，当地下水位超过一定阈值或出现异常波动时，可能意味着地下渗漏的发生。同时，在本申请的实际应用中，地下渗漏往往导致地下环境的温度变化。通过获取温度时序序列，可以观察地下温度的变化模式。例如，地下渗漏可能导致地下环境变得潮湿，进而影响地下温度。异常的温度变化模式可能暗示地下渗漏的存在。此外，通过获取湿度时序序列，可以观察地下湿度的变化趋势。当湿度超过一定阈值或出现异常变化时，也可能指示地下渗漏的发生。
接着将所述水位时序序列、所述温度时序序列和所述湿度时序序列分别按照时间维度排列为水位时序输入向量、温度时序输入向量和湿度时序输入向量后通过基于一维卷积层的时序特征提取器以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量。也就是，利用所述一维卷积层来构建所述时序特征提取器，以捕捉时序数据中的波动模式和变化趋势。具体来说，所述水位时序序列、所述温度时序序列和所述湿度时序序列包含了水位数据、温度数据和湿度数据在时间上的相关性和演化模式。一维卷积层能够自动学习时序数据中的关键模式和趋势，从而提取出有用的特征信息。
在本申请的一个具体实施例中，在步骤120中，对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量，包括：将所述水位时序序列、所述温度时序序列和所述湿度时序序列分别按照时间维度排列为水位时序输入向量、温度时序输入向量和湿度时序输入向量；将所述水位时序输入向量、所述温度时序输入向量和所述湿度时序输入向量通过基于一维卷积层的时序特征提取器以得到所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量。
在本申请的一个具体实施例中，在步骤130中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量；使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量。
然后，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量通过基于全连接层的空间映射器以将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量。也就是，通过所述基于全连接层的空间映射器将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射至同一特征空间中，消除特征分布之间的尺度差异，使得它们可以进行直接的融合和比较。
在本申请的一个具体实施例中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量通过基于全连接层的空间映射器以得到所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量。
进一步地，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到稀疏化多模态融合特征向量。其中，映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量可能存在一定的冗余信息。例如，水位、温度和湿度在住宅地下环境中通常是相互关联的。当地下渗漏发生时，水位可能上升，温度和湿度也可能发生变化。因此，这些特征在某些情况下可能提供了相似的信息，导致一定程度的冗余。在本申请的技术方案中，通过所述稀疏化模块来将所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量进行融合处理，可以减少特征分布中的冗余信息，并突出不同区域特征的重要性，从而提高特征的表达能力。
在本申请的一个具体示例中，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量，包括：以如下稀疏化公式来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，所述稀疏化公式为：其中，/>是所述稀疏化多模态融合特征向量，/>是所述映射后水位时序特征向量，/>是所述映射后温度时序特征向量，/>是所述映射后湿度时序特征向量，/>是预定系数，/>是所述映射后水位时序特征向量和所述映射后温度时序特征向量之间的向量距离，且/>是所述映射后水位时序特征向量和所述映射后湿度时序特征向量之间的向量距离。
这里，通过基于特征向量距离的去相关系数，可以针对特征向量的整体特征分布来进行非线性变换，从而可以更好地降低三个特征向量之间的特征分布相关性，以减少冗余信息对分类结果的影响。
继而，将所述稀疏化多模态融合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地下渗漏；并响应于所述分类结果为存在地下渗漏，生成预警提示。其中，当分类结果显示为存在地下渗漏时，可以生成相应的预警提示。预警提示可以通过声音、文字、图像等形式进行展示，用于提醒用户或相关工作人员存在地下渗漏的情况。具体实现方式可能因系统设计和应用场景的不同而有所差异。例如，可以通过连接到警报系统或发送通知消息的方式，将预警提示传达给用户或相关人员。预警提示的具体内容和形式可以根据实际需求进行设计和定制，以确保及时有效地提醒地下渗漏的发生。
在本申请的一个具体实施例中，在所述步骤140，基于所述稀疏化多模态融合特征向量，确定是否生成预警提示，包括：将所述稀疏化多模态融合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地下渗漏；响应于所述分类结果为存在地下渗漏，生成预警提示。
进一步地，在本申请的一个具体实施例中，将所述稀疏化多模态融合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地下渗漏，包括：使用所述分类器的多个全连接层对所述稀疏化多模态融合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，所述用于住宅地下渗漏的监测预警方法，还包括训练步骤：对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块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传感器组采集的被检测住宅地下的训练水位时序序列、训练温度时序序列和训练湿度时序序列，以及，是否存在地下渗漏的真实值；将所述训练水位时序序列、所述训练温度时序序列和所述训练湿度时序序列分别按照时间维度排列为训练水位时序输入向量、训练温度时序输入向量和训练湿度时序输入向量后通过所述基于一维卷积层的时序特征提取器以得到训练水位时序特征向量、训练温度时序特征向量和训练湿度时序特征向量；将所述训练水位时序特征向量、所述训练温度时序特征向量和所述训练湿度时序特征向量通过所述基于全连接层的空间映射器以得到训练映射后水位时序特征向量、训练映射后温度时序特征向量和训练映射后湿度时序特征向量；使用所述稀疏化模块来融合所述训练映射后水位时序特征向量、所述训练映射后温度时序特征向量和所述训练映射后湿度时序特征向量以得到训练稀疏化多模态融合特征向量；将所述训练稀疏化多模态融合特征向量通过分类器以得到分类损失函数值；以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练稀疏化多模态融合特征向量进行优化。
在本申请的技术方案中，所述训练水位时序特征向量、所述训练温度时序特征向量和所述训练湿度时序特征向量分别表达水位值、温度值和湿度值的局部时序关联特征，在通过基于全连接层的空间映射器后，可以进一步获得基于时序特征全域关联分布的共同高维特征空间映射，但是，所述训练映射后水位时序特征向量、所述训练映射后温度时序特征向量和所述训练映射后湿度时序特征向量在高维特征空间内仍然存在基于各自的时序特征分布的特征分布信息离散化，这样，在使用稀疏化模块来融合所述训练映射后水位时序特征向量、所述训练映射后温度时序特征向量和所述训练映射后湿度时序特征向量后，得到的所述训练稀疏化多模态融合特征向量仍然会存在基于稀疏化分布融合的异质时序信息博弈离散化，从而影响所述训练稀疏化多模态融合特征向量过分类器的分类训练。
基于此，本申请的申请人优选地在所述训练稀疏化多模态融合特征向量每次通过分类器进行迭代训练时，对所述训练稀疏化多模态融合特征向量进行优化，具体表示为：以如下优化公式对所述训练稀疏化多模态融合特征向量进行优化以得到优化训练稀疏化多模态融合特征向量；其中，所述优化公式为：其中，是所述训练稀疏化多模态融合特征向量的第/>个位置的特征值，/>是所述训练稀疏化多模态融合特征向量的第/>个位置的特征值，且/>是尺度超参数，/>是所述优化训练稀疏化多模态融合特征向量的第/>个位置的特征值，/>表示计算以2为底的对数函数。
具体地，当所述训练稀疏化多模态融合特征向量通过分类器进行迭代训练时，训练时所述分类器的权重矩阵将作用于所述训练稀疏化多模态融合特征向量上，由于所述权重矩阵本身的致密特性，会使得所述训练稀疏化多模态融合特征向量的各个位置的特征值之间的异质时序信息博弈离散化产生大规模信息博弈，导致分类解无法在博弈基础上收敛到纳什均衡，尤其是在存在多源数据时序关联特征分布的大规模非完美博弈离散化信息的情况下，这样，通过基于所述训练稀疏化多模态融合特征向量的向量信息自控均衡邻域对所述训练稀疏化多模态融合特征向量进行信息博弈均衡化的等效收敛，可以通过特征值在局部邻域内的自博弈来促进收敛，从而提高所述训练稀疏化多模态融合特征向量通过分类器的训练效果。
本申请的创新点包括：1、采用非开挖渗漏处理技术，实现渗漏部位快速处理。
2、对变形缝内侧防渗处理技术进行优化，增加纤维布+节点密封膏+1层反应粘防水卷材工艺。增加变形缝抗变形能力，提高抗渗能力。
综上，基于本申请实施例的用于住宅地下渗漏的监测预警方法被阐明，其实时监测住宅地下的水位、温度和湿度参数，并利用智能化算法分析水位、温度和湿度参数之间的关联关系，以从中挖掘和识别地下渗漏的异常情况，从而及时生成预警提示。
图3为本申请实施例中提供的一种用于住宅地下渗漏的监测预警系统的框图。如图3所示，所述用于住宅地下渗漏的监测预警系统200，包括：数据获取模块210，用于获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；时序特征提取模块220，用于对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；稀疏化融合模块230，用于将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；预警提示生成模块240，用于基于所述稀疏化多模态融合特征向量，确定是否生成预警提示。
本领域技术人员可以理解，上述用于住宅地下渗漏的监测预警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的用于住宅地下渗漏的监测预警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用于住宅地下渗漏的监测预警系统200可以实现在各种终端设备中，例如用于住宅地下渗漏的监测预警的服务器等。在一个示例中，根据本申请实施例的用于住宅地下渗漏的监测预警系统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，该用于住宅地下渗漏的监测预警系统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，该用于住宅地下渗漏的监测预警系统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，该用于住宅地下渗漏的监测预警系统200与该终端设备也可以是分立的设备，并且该用于住宅地下渗漏的监测预警系统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用于住宅地下渗漏的监测预警方法的应用场景图。如图4所示，在该应用场景中，首先，获取由传感器组采集的被检测住宅地下的水位时序序列（例如，如图4中所示意的C1）、温度时序序列（例如，如图4中所示意的C2）和湿度时序序列（例如，如图4中所示意的C3）；然后，将获取的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列输入至部署有用于住宅地下渗漏的监测预警算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于用于住宅地下渗漏的监测预警算法对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行处理，以确定是否生成预警提。
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 (8)
1.一种用于住宅地下渗漏的监测预警方法，其特征在于，包括：获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；基于所述稀疏化多模态融合特征向量，确定是否生成预警提示；其中，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量；使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量，包括：以如下稀疏化公式来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，所述稀疏化公式为：其中，/>是所述稀疏化多模态融合特征向量，/>是所述映射后水位时序特征向量，/>是所述映射后温度时序特征向量，/>是所述映射后湿度时序特征向量，/>是预定系数，/>是所述映射后水位时序特征向量和所述映射后温度时序特征向量之间的向量距离，且/>是所述映射后水位时序特征向量和所述映射后湿度时序特征向量之间的向量距离。
2.根据权利要求1所述的用于住宅地下渗漏的监测预警方法，其特征在于，对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量，包括：将所述水位时序序列、所述温度时序序列和所述湿度时序序列分别按照时间维度排列为水位时序输入向量、温度时序输入向量和湿度时序输入向量；将所述水位时序输入向量、所述温度时序输入向量和所述湿度时序输入向量通过基于一维卷积层的时序特征提取器以得到所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量。
3.根据权利要求2所述的用于住宅地下渗漏的监测预警方法，其特征在于，将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量通过基于全连接层的空间映射器以得到所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量。
4.根据权利要求3所述的用于住宅地下渗漏的监测预警方法，其特征在于，基于所述稀疏化多模态融合特征向量，确定是否生成预警提示，包括：将所述稀疏化多模态融合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地下渗漏；响应于所述分类结果为存在地下渗漏，生成预警提示。
5.根据权利要求4所述的用于住宅地下渗漏的监测预警方法，其特征在于，将所述稀疏化多模态融合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地下渗漏，包括：使用所述分类器的多个全连接层对所述稀疏化多模态融合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。
6.根据权利要求5所述的用于住宅地下渗漏的监测预警方法，其特征在于，还包括训练步骤：对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块和所述分类器进行训练。
7.根据权利要求6所述的用于住宅地下渗漏的监测预警方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括由传感器组采集的被检测住宅地下的训练水位时序序列、训练温度时序序列和训练湿度时序序列，以及，是否存在地下渗漏的真实值；将所述训练水位时序序列、所述训练温度时序序列和所述训练湿度时序序列分别按照时间维度排列为训练水位时序输入向量、训练温度时序输入向量和训练湿度时序输入向量后通过所述基于一维卷积层的时序特征提取器以得到训练水位时序特征向量、训练温度时序特征向量和训练湿度时序特征向量；将所述训练水位时序特征向量、所述训练温度时序特征向量和所述训练湿度时序特征向量通过所述基于全连接层的空间映射器以得到训练映射后水位时序特征向量、训练映射后温度时序特征向量和训练映射后湿度时序特征向量；使用所述稀疏化模块来融合所述训练映射后水位时序特征向量、所述训练映射后温度时序特征向量和所述训练映射后湿度时序特征向量以得到训练稀疏化多模态融合特征向量；将所述训练稀疏化多模态融合特征向量通过分类器以得到分类损失函数值；以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述基于全连接层的空间映射器、所述稀疏化模块和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述训练稀疏化多模态融合特征向量进行优化。
8.一种用于住宅地下渗漏的监测预警系统，其特征在于，包括：数据获取模块，用于获取由传感器组采集的被检测住宅地下的水位时序序列、温度时序序列和湿度时序序列；时序特征提取模块，用于对所述水位时序序列、所述温度时序序列和所述湿度时序序列进行时序特征提取以得到水位时序特征向量、温度时序特征向量和湿度时序特征向量；稀疏化融合模块，用于将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量进行稀疏化融合以得到稀疏化多模态融合特征向量；预警提示生成模块，用于基于所述稀疏化多模态融合特征向量，确定是否生成预警提示；其中，所述稀疏化融合模块，包括：将所述水位时序特征向量、所述温度时序特征向量和所述湿度时序特征向量映射到同一语义空间以得到映射后水位时序特征向量、映射后温度时序特征向量和映射后湿度时序特征向量；使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，使用稀疏化模块来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量，包括：以如下稀疏化公式来融合所述映射后水位时序特征向量、所述映射后温度时序特征向量和所述映射后湿度时序特征向量以得到所述稀疏化多模态融合特征向量；其中，所述稀疏化公式为：其中，/>是所述稀疏化多模态融合特征向量，/>是所述映射后水位时序特征向量，/>是所述映射后温度时序特征向量，/>是所述映射后湿度时序特征向量，/>是预定系数，/>是所述映射后水位时序特征向量和所述映射后温度时序特征向量之间的向量距离，且/>是所述映射后水位时序特征向量和所述映射后湿度时序特征向量之间的向量距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129570.4A CN117668762B (zh) | 2024-01-31 | 用于住宅地下渗漏的监测预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129570.4A CN117668762B (zh) | 2024-01-31 | 用于住宅地下渗漏的监测预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117668762A true CN117668762A (zh) | 2024-03-08 |
| CN117668762B CN117668762B (zh) | 2024-05-17 |
Family
ID=
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
| JP2017138708A (ja) * | 2016-02-02 | 2017-08-10 | Kddi株式会社 | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 |
| US20180130193A1 (en) * | 2016-11-09 | 2018-05-10 | Regents Of The University Of Minnesota | Simultaneous estimation of location elevations and water levels |
| US20180189572A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Multi-Modal Fusion Model |
| WO2019151763A1 (ko) * | 2018-01-30 | 2019-08-08 | 한국전력공사 | 사물 인터넷, 빅데이터, 3d 기술 융복합 현실 기반 지능형 전력구 관리 시스템, 이의 방법, 그리고, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| WO2020049666A1 (ja) * | 2018-09-05 | 2020-03-12 | 日本電気株式会社 | 時系列データ処理装置 |
| US20210125486A1 (en) * | 2015-12-16 | 2021-04-29 | Pillar Technologies, Inc. | Systems and methods for building water-leak detection and alert |
| CN113505997A (zh) * | 2021-07-13 | 2021-10-15 | 同济大学 | 一种基于机器学习的建筑墙面渗漏水风险等级评估方法 |
| CN113837213A (zh) * | 2020-06-24 | 2021-12-24 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯的深潜器多变量融合及漏水检测方法 |
| US20220067351A1 (en) * | 2019-03-01 | 2022-03-03 | Nec Corporation | Dictionary creation device, biometrics device, monitoring system, dictionary creation method, and recording medium |
| CN115655343A (zh) * | 2022-09-05 | 2023-01-31 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感技术的大坝安全监测系统及监测方法 |
| CN116008149A (zh) * | 2022-12-02 | 2023-04-25 | 浙江省国土整治中心 | 一种农田犁底层渗漏在线实时检测系统及检测方法 |
| KR20230086144A (ko) * | 2021-12-08 | 2023-06-15 | 한국건설기술연구원 | 지하 매설관의 누수배관 및 누수지반 모니터링 시스템 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
| CN117136765A (zh) * | 2023-09-04 | 2023-12-01 | 河南省农业农村科技教育中心(河南省农业广播电视学校) | 基于智能农业的大棚控制系统及方法 |
| CN117235672A (zh) * | 2023-11-14 | 2023-12-15 | 北京市科学技术研究院 | 一种基于多源数据的综合管廊故障诊断方法及装置 |
| CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
| CN117390381A (zh) * | 2023-09-11 | 2024-01-12 | 北京市政建设集团有限责任公司 | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 |
| WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 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 |
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030078901A1 (en) * | 2001-10-22 | 2003-04-24 | Coppola Emery J. | Neural network based predication and optimization for groundwater / surface water system |
| US20210125486A1 (en) * | 2015-12-16 | 2021-04-29 | Pillar Technologies, Inc. | Systems and methods for building water-leak detection and alert |
| JP2017138708A (ja) * | 2016-02-02 | 2017-08-10 | Kddi株式会社 | スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法 |
| US20180130193A1 (en) * | 2016-11-09 | 2018-05-10 | Regents Of The University Of Minnesota | Simultaneous estimation of location elevations and water levels |
| US20180189572A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Multi-Modal Fusion Model |
| WO2019151763A1 (ko) * | 2018-01-30 | 2019-08-08 | 한국전력공사 | 사물 인터넷, 빅데이터, 3d 기술 융복합 현실 기반 지능형 전력구 관리 시스템, 이의 방법, 그리고, 이 방법을 저장한 컴퓨터 판독 가능 저장 매체 |
| WO2020049666A1 (ja) * | 2018-09-05 | 2020-03-12 | 日本電気株式会社 | 時系列データ処理装置 |
| US20220067351A1 (en) * | 2019-03-01 | 2022-03-03 | Nec Corporation | Dictionary creation device, biometrics device, monitoring system, dictionary creation method, and recording medium |
| CN113837213A (zh) * | 2020-06-24 | 2021-12-24 | 中国科学院沈阳自动化研究所 | 一种基于贝叶斯的深潜器多变量融合及漏水检测方法 |
| CN113505997A (zh) * | 2021-07-13 | 2021-10-15 | 同济大学 | 一种基于机器学习的建筑墙面渗漏水风险等级评估方法 |
| KR20230086144A (ko) * | 2021-12-08 | 2023-06-15 | 한국건설기술연구원 | 지하 매설관의 누수배관 및 누수지반 모니터링 시스템 |
| WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 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 |
| CN115655343A (zh) * | 2022-09-05 | 2023-01-31 | 中油奥博(成都)科技有限公司 | 基于分布式光纤传感技术的大坝安全监测系统及监测方法 |
| CN116008149A (zh) * | 2022-12-02 | 2023-04-25 | 浙江省国土整治中心 | 一种农田犁底层渗漏在线实时检测系统及检测方法 |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
| CN117136765A (zh) * | 2023-09-04 | 2023-12-01 | 河南省农业农村科技教育中心(河南省农业广播电视学校) | 基于智能农业的大棚控制系统及方法 |
| CN117390381A (zh) * | 2023-09-11 | 2024-01-12 | 北京市政建设集团有限责任公司 | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 |
| CN117235672A (zh) * | 2023-11-14 | 2023-12-15 | 北京市科学技术研究院 | 一种基于多源数据的综合管廊故障诊断方法及装置 |
| CN117351659A (zh) * | 2023-12-01 | 2024-01-05 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
Non-Patent Citations (5)
| Title |
|---|
| LIU, KUIJIAN等: "Fault diagnosis of hydraulic retraction system based on multi-source signals feature fusion and health assessment for the actuator", JOURNAL OF INTELLIGENT & FUZZY SYSTEMS, 13 July 2018 (2018-07-13) * |
| 吕秀江;史云峰;韩莉娜;王开睿;: "基于聚类控制下多传感器数据火灾报警系统的实现", 长春工业大学学报(自然科学版), no. 04, 15 August 2010 (2010-08-15) * |
| 潘海泽;黄涛;杨海静;唐仙;: "运营隧道渗漏水灾害分类和等级评定方法", 干旱区地理, no. 01, 15 January 2009 (2009-01-15) * |
| 秋兴国;王超;: "时序变化率曲面拟合的矿井水害极值预警算法", 中国安全科学学报, no. 10, 15 October 2012 (2012-10-15) * |
| 高硕阳: "基于BP神经网络的填埋场渗漏量研究", 中国优秀硕士学位论文全文数据库, 15 January 2024 (2024-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111667673B (zh) | 一种智能检测泄漏的热力管网系统 | |
| CN108961714A (zh) | 一种无线智能建筑监测综合管理系统 | |
| Krstić et al. | Application of neural networks in predicting airtightness of residential units | |
| CN111666652B (zh) | 蒸汽热网疏水器巡检排放操作调度方法及操作调度系统 | |
| Stafford et al. | Adding value and meaning to coheating tests | |
| CN117668762B (zh) | 用于住宅地下渗漏的监测预警系统及方法 | |
| Tiberio et al. | A study of air leakage in residential buildings | |
| CN117668762A (zh) | 用于住宅地下渗漏的监测预警系统及方法 | |
| CN114723993B (zh) | 一种基于贝叶斯网络的农村房屋鉴定等级分类方法 | |
| CN111595534B (zh) | 建筑排水水封破坏实时检测装置及其使用方法 | |
| Dembo et al. | The Archetype Sustainable House: Investigating its potentials to achieving the net-zero energy status based on the results of a detailed energy audit | |
| Chen et al. | Using weather and schedule based pattern matching and feature based PCA for whole building fault detection—Part II field evaluation | |
| Pan | Damage prediction of low-rise buildings under hurricane winds | |
| Elnour et al. | Sensor fault diagnosis of multi-zone HVAC systems using auto-associative neural network | |
| Caucheteux et al. | A meta model-based methodology for an energy savings uncertainty assessment of building retrofitting | |
| Søndergaard et al. | Energy systems condition monitoring: Dynamic principal component analysis application | |
| Søndergaard et al. | Automatic process monitoring in a district heating substation utilizing a contextual shewhart chart | |
| JP6213792B1 (ja) | 雨漏れ原因特定補助システム | |
| CN217179671U (zh) | 一种建筑物外墙功能层智能监测系统 | |
| Ahmad et al. | Codesigned Communication and Data Analytics for Condition-Based Maintenance in Smart Buildings | |
| CN111692766B (zh) | 一种云端远程监控的太阳能集热系统及泄漏检测方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| Kalluri et al. | Toward Responsible Design of Low-Carbon Buildings: From Concept to Engineering | |
| Sherif et al. | DIVERSE OCCUPANCY SIMULATION AND PRESENCE SENSING VIABILITY FOR RESIDENTIAL THERMAL ENERGY REGULATION: REVIEW AND INITIAL FINDINGS | |
| Sarkar et al. | A Data-driven Approach towards Integration of Microclimate Conditions for Predicting Building Energy Performance |
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 |