CN117688432A - 一种基于盾构机的健康状态检测方法、设备及介质 - Google Patents
一种基于盾构机的健康状态检测方法、设备及介质 Download PDFInfo
- Publication number
- CN117688432A CN117688432A CN202410145868.4A CN202410145868A CN117688432A CN 117688432 A CN117688432 A CN 117688432A CN 202410145868 A CN202410145868 A CN 202410145868A CN 117688432 A CN117688432 A CN 117688432A
- Authority
- CN
- China
- Prior art keywords
- cutter
- health state
- vibration
- health
- grid node
- 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
- 230000036541 health Effects 0.000 title claims abstract description 226
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000005641 tunneling Effects 0.000 title claims description 34
- 239000013598 vector Substances 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000003862 health status Effects 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Emergency Alarm Devices (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供了一种基于盾构机的健康状态检测方法、设备及介质,属于机械部件健康检测技术领域。该方法获取来自健康状态检测设备的刀具能量信号、刀具振动信号,将处于盾构机三维模型的刀具网格节点对应的刀具能量信号及刀具振动信号输入健康状态分析模型,分析刀具能量信号及刀具振动信号,得到刀具网格节点的健康状态向量。基于刀具网格节点的位置关系、刀具类型及刀具振动信号,确定刀具网格节点组。根据刀具网格节点组,确定健康状态向量集合。基于健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各刀具网格节点组是否处于告警状态。在任一刀具网格节点组处于告警状态的情况下,生成健康告警信息,并发送健康告警信息至管理终端。
Description
技术领域
本申请涉及机械部件健康检测技术领域,尤其涉及一种基于盾构机的健康状态检测方法、设备及介质。
背景技术
盾构机是一种使用盾构法的隧道掘进机。盾构的施工法是掘进机在掘进的同时构建(铺设)隧道之“盾”(指支撑性管片),它区别于敞开式施工法。盾构机施工环境恶劣,其上设置刀具作为核心部件之一,一旦故障将极大地影响盾构机稳定服役,造成重大经济损失甚至安全事故,故对盾构机运行时进行健康状态的准确识别显得尤为重要。
对运行过程中的盾构机健康状态检测,通常依赖于人工经验或专家经验进行大量运行数据的分析,分析过程比较笼统,并需要耗较长分析时间在大量信息熵较低的健康运行数据中,不能有效地利用人才,影响工作进度,造成用户体验差。
因此,亟需一种能够节省人力成本,对盾构机健康状态进行更加系统、准确且高效地检测技术方案。
发明内容
本申请实施例提供了一种基于盾构机的健康状态检测方法、设备及介质,用于解决当前盾构机健康状态检测过于耗费人力成本,难以进行系统、准确且高效地健康状态检测的技术问题,保障用户使用体验。
一方面,本申请实施例提供了一种基于盾构机的健康状态检测方法,该方法包括:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型,分析所述刀具能量信号及所述刀具振动信号,得到所述刀具网格节点的健康状态向量;其中,所述健康状态向量至少包括能量维度、振动维度;
基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,并根据所述刀具网格节点组,确定健康状态向量集合;
基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态;
在任一所述刀具网格节点组处于所述告警状态的情况下,生成健康告警信息,并发送所述健康告警信息至管理终端,对所述刀具网格节点组对应刀具进行健康状态检测告警。
在本申请的一种实现方式中,将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型之前,所述方法还包括:
基于用户在用户终端的操作,构建盾构机三维模型;所述盾构机三维模型包括若干刀具网格节点;各所述刀具网格节点对应的刀具设置有相应的健康状态检测设备;所述健康状态检测设备至少用于采集刀具能量信号、刀具振动信号;
获取若干刀具类型在不同预设健康状态分级下的状态信号二元组;其中,不同所述健康状态分级对应不同的所述健康状态向量的取值区间;所述状态信号二元组包括所述刀具能量信号、所述刀具振动信号;
将各所述状态信号二元组作为训练样本,其对应的所述健康状态分级作为标签,输入待训练健康状态分级模型,以对所述待训练健康状态分级模型进行有监督训练;
在确定所述待训练健康状态分级模型的损失函数值小于第一预设阈值的情况下,确定所述待训练健康状态分级模型训练完成,得到所述健康状态分析模型。
在本申请的一种实现方式中,基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,具体包括:
确定同一所述刀具类型对应的各所述刀具网格节点,并按照与所述位置关系对应的顺序,生成各所述刀具类型对应的初始刀具网格节点组;
确定所述初始刀具网格节点组中各所述刀具网格节点对应的振动信号曲线;
基于各所述振动信号曲线,生成各所述振动信号曲线相应的包络线;
根据各所述包络线、与所述振动信号曲线对应的频谱图及波形图,分别确定各所述振动信号曲线两两之间的相似参数组,以根据所述相似参数组,得到同一所述振动信号曲线与其它所述振动信号曲线的相似参数集合;其中,所述相似参数组包括包络线相似参数、频域相似参数、时域相似参数;
基于各所述刀具网格节点的位置关系,确定各所述刀具网格节点对应的关联振动权重集合;所述关联振动权重集合中的关联振动权重与相应的两个所述刀具网格节点之间的距离负相关;
根据所述相似参数集合、所述关联振动权重集合,计算各所述振动信号曲线之间的振动相似度;所述振动相似度用于表征所述振动信号曲线两两之间的相似程度;
根据各所述振动相似度及第二预设阈值,将所述振动相似度大于所述第二预设阈值的各所述振动信号曲线对应的各所述刀具网格节点,添加至同一所述刀具网格节点组,以划分所述初始刀具网格节点组。
在本申请的一种实现方式中,基于各所述振动信号曲线,生成各所述振动信号曲线相应的包络线,具体包括:
对各所述振动信号曲线进行幅值测量,确定各所述振动信号曲线分别对应的振幅序列;
通过预设平滑算法,滤除所述振幅序列高频部分,以突出相应的低频部分,得到相应的离散振幅序列;所述预设平滑算法至少包括:低通滤波算法、希尔伯特变换算法;
通过预设平滑曲线生成算法,生成所述离散振幅序列对应的包络线;所述平滑曲线生成算法至少包括线性插值、二次插值、三次样条插值、最小二乘拟合、B样条曲线拟合。
在本申请的一种实现方式中,根据所述相似参数集合、所述关联振动权重集合,计算各所述振动信号曲线之间的振动相似度,具体包括:
根据所述相似参数集合,确定各所述相似参数组分别对应的刀具网格节点二元组;
根据所述关联振动权重集合,确定同一所述刀具网格节点二元组对应的关联振动权重组;所述关联振动权重组包括包络线关联振动权重、频域关联振动权重、时域关联振动权重;
计算同一所述刀具网格节点二元组对应的所述相似参数组与相应的所述关联振动权重组的乘积和值,并将所述乘积和值作为与所述刀具网格节点二元组对应的两条所述振动信号曲线的所述振动相似度。
在本申请的一种实现方式中,基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态,具体包括:
确定各所述健康状态向量集合对应的健康状态分级,并计算相应的健康状态分级均值;
确定所述预设健康状态告警标准对应的告警标准分级;
将所述健康状态分级均值与所述告警标准分级进行匹配;
在所述健康状态分级均值与所述告警标准分级不匹配的情况下,根据所述健康状态分级均值与所述告警标准分级的差值及所述预设修正区间,对所述预设健康状态告警标准进行修正;
根据所述健康状态向量集合及所述预设健康状态告警标准,将各所述健康状态向量与相应的告警标准阈值向量比对,以根据比对结果,确定各所述刀具网格节点组是否处于告警状态。
在本申请的一种实现方式中,所述方法还包括:
当确定各所述刀具网格节点组均不处于所述告警状态之后,将各所述刀具网格节点组对应的所述刀具能量信号、所述刀具振动信号进行压缩打包,并将压缩包发送至所述管理终端。
在本申请的一种实现方式中,所述刀具网格节点对应刀具的健康状态分级与现场工作环境相关;不同所述现场工作环境至少存在以下区别:挖掘土石硬度、环境温度。
另一方面,本申请实施例还提供了一种基于盾构机的健康状态检测设备,所述设备包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型,分析所述刀具能量信号及所述刀具振动信号,得到所述刀具网格节点的健康状态向量;其中,所述健康状态向量至少包括能量维度、振动维度;
基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,并根据所述刀具网格节点组,确定健康状态向量集合;
基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态;
在任一所述刀具网格节点组处于所述告警状态的情况下,生成健康告警信息,并发送所述健康告警信息至管理终端,对所述刀具网格节点组对应刀具进行健康状态检测告警。
再一方面,本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型,分析所述刀具能量信号及所述刀具振动信号,得到所述刀具网格节点的健康状态向量;其中,所述健康状态向量至少包括能量维度、振动维度;
基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,并根据所述刀具网格节点组,确定健康状态向量集合;
基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态;
在任一所述刀具网格节点组处于所述告警状态的情况下,生成健康告警信息,并发送所述健康告警信息至管理终端,对所述刀具网格节点组对应刀具进行健康状态检测告警。
本申请的有益效果为:
(1)、通过上述方案,进行刀具能量信号、振动信号的采集、处理,对多个刀具实现有关联地分析是否处于告警状态,从而完成盾构机部件的健康状态检测。充分利用能量信号及振动信号带来的有效数据,系统性地进行初步地数据分析,更有效地指出处于告警状态、需要进行关注的刀具及其数据,提高健康状态检测效率。解决了当前盾构机健康状态检测过于耗费人力成本,难以进行系统、准确且高效地健康状态检测的技术问题,保障用户使用体验。
(2)、在检测分析过程中,结合多种数据进行预测,避免忽视数据间真实内在关联,因分析偏差产生误告警的情况。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种基于盾构机的健康状态检测方法的一种流程示意图;
图2为本申请实施例中一种基于盾构机的健康状态检测设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅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。
本申请实施例提供了一种基于盾构机的健康状态检测方法、设备及介质,用来解决当前盾构机健康状态检测过于耗费人力成本,难以进行系统、准确且高效地健康状态检测的技术问题,保障用户使用体验。
以下结合附图,详细说明本申请的各个实施例。
本申请实施例提供了一种基于盾构机的健康状态检测方法,如图1所示,该方法可以包括步骤S101-S104:
S101,服务器获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的刀具能量信号及刀具振动信号输入健康状态分析模型,分析刀具能量信号及刀具振动信号,得到刀具网格节点的健康状态向量。
其中,健康状态向量至少包括能量维度、振动维度。
在本申请实施例中,服务器可以基于用户在用户终端的操作,构建盾构机三维模型。
盾构机三维模型包括若干刀具网格节点。各刀具网格节点对应的刀具设置有相应的健康状态检测设备。健康状态检测设备至少用于采集刀具能量信号、刀具振动信号。
需要说明的是,服务器作为基于盾构机的健康状态检测方法的执行主体,仅为示例性存在,执行主体不仅限于服务器,本申请对此不作具体限定。
本申请的执行主体服务器设置于健康状态检测设备及管理终端之间,管理终端可以是后台人工或专家的终端设备,如手机、电脑等,可以通过执行健康状态检测方法,初步处理相关的刀具能量信号及刀具振动信号,避免用户投入过多工作量于信息熵较低的数据中,同时能够进行及时地告警,避免因数据分析导致的告警滞后问题。同时,服务器还与用户终端网络连接,该用户终端包括但不限于上述后台人工或专家的终端设备,也可以是开发者终端。
在实际使用过程中,用户可以通过用户终端进行构建盾构机三维模型的操作,该操作可以用于指定盾构机刀盘形状、尺寸,刀具设置于刀盘的位置,刀具的类型等。刀具处于盾构机中的位置、刀具类型相关信息构成刀具网格节点,也就是刀具网格节点关联了刀具位置及刀具类型,在实际使用过程中,根据实际需求可以为刀具网格节点添加更多关联信息,本申请对此不作具体限定。
同时,用户根据盾构机实际安装的健康状态检测设备,将刀具网格节点与健康状态检测设备关联,例如刀具网格节点A-健康状态检测设备a1b1,刀具网格节点B-健康状态检测设备a2b2等。其中,健康状态检测设备可用于采集刀具能量信号、刀具振动信号,a1可以用于表示采集刀具能量信号的子设备,b1用于表示采集刀具振动信号的子设备,两个子设备共同构成了健康状态检测设备。刀具能量信号具体可以理解为热能信号。
通过上述的盾构机三维模型,在获取到健康状态检测设备的刀具能量信号、刀具振动信号之后,即可确定对应的刀具网格节点。随后利用预先训练好的健康状态分析模型,即可对刀具能量信号、刀具振动信号进行分析,从而得到该刀具网格节点对应的健康状态向量。
在本申请实施例中,将盾构机三维模型刀具网格节点对应的刀具能量信号及刀具振动信号输入健康状态分析模型之前,方法还包括:
首先,获取若干刀具类型在不同预设健康状态分级下的状态信号二元组。其中,不同健康状态分级对应不同的健康状态向量的取值区间。状态信号二元组包括刀具能量信号、刀具振动信号。随后,将各状态信号二元组作为训练样本,其对应的健康状态分级作为标签,输入待训练健康状态分级模型,以对待训练健康状态分级模型进行有监督训练。在确定待训练健康状态分级模型的损失函数值小于第一预设阈值的情况下,确定待训练健康状态分级模型训练完成,得到健康状态分析模型。
上述状态信号二元组可以存储在预先指定的数据库中,或者是用户终端发送的。状态信号二元组包含刀具能量信号及刀具振动信号,这些状态信号二元组是不同刀具类型在不同健康状态分级下采集得到的。
上述健康状态分级与现场工作环境相关。不同现场工作环境至少存在以下区别:挖掘土石硬度、环境温度。举例说明,在盾构机挖掘过程中,对于挖掘土石硬度较低、环境温度较低的健康状态分级归为一级,挖掘土石硬度适中、环境温度适中的健康状态分级归为二级,挖掘土石硬度高、环境温度高的健康状态分级归为三级。
在实际使用过程中,健康状态分级的数量可以根据实际使用场景进行设定,同时不同健康状态分级之下,对于健康状态向量中的能量维度及振动维度,分别有不同取值区间,即一个健康状态分级,可能具有其单独的刀具能量信号的取值区间、刀具振动信号的取值区间,依靠实际采集到的刀具能量信号、刀具振动信号所处的取值区间,便可判断其对应的健康状态分级。
待训练健康状态分级模型可以是神经网络模型,在有监督训练下,直至损失函数值小于用户预先设定的第一预设阈值时,得到训练完成的健康状态分析模型。从而根据刀具能量信号、刀具振动信号,输出相应的健康状态分级,并得到与输入的刀具能量信号、刀具振动信号对应的健康状态向量。健康状态向量是包含两个维度的向量,如[m,n],m为能量维度向量元素值,n为振动维度向量元素值。对于第一预设阈值的取值,本申请对此不作具体限定。
利用神经网络模型进行能量信号、振动信号的处理,无需人工干预,提高数据分析的效率。
S102,服务器基于各刀具网格节点的位置关系、刀具类型及刀具振动信号,实时确定相应刀具网格节点组,并根据刀具网格节点组,确定健康状态向量集合。
在本申请实施例中,基于各刀具网格节点的位置关系、刀具类型及刀具振动信号,实时确定相应刀具网格节点组,具体包括:
首先,服务器确定同一刀具类型对应的各刀具网格节点,并按照与位置关系对应的顺序,生成各刀具类型对应的初始刀具网格节点组。接着,确定初始刀具网格节点组中各刀具网格节点对应的振动信号曲线。随后,基于各振动信号曲线,生成各振动信号曲线相应的包络线。再根据各包络线、与振动信号曲线对应的频谱图及波形图,分别确定各振动信号曲线两两之间的相似参数组,以根据相似参数组,得到同一振动信号曲线与其它振动信号曲线的相似参数集合。其中,相似参数组包括包络线相似参数、频域相似参数、时域相似参数。
再随后,基于各刀具网格节点的位置关系,确定各刀具网格节点对应的关联振动权重集合。关联振动权重集合中的关联振动权重与相应的两个刀具网格节点之间的距离负相关。然后,根据相似参数集合、关联振动权重集合,计算各振动信号曲线之间的振动相似度。振动相似度用于表征振动信号曲线两两之间的相似程度。最后,根据各振动相似度及第二预设阈值,将振动相似度大于第二预设阈值的各振动信号曲线对应的各刀具网格节点,添加至同一刀具网格节点组,以划分初始刀具网格节点组。
换言之,服务器可以先按照刀具类型,将刀具网格节点分类。按照位置关系,依次将同一刀具类型的各刀具网格节点添加到初始刀具网格节点组。如盾构机的滚刀类型有x个刀具网格节点,以其中一个刀具网格节点为起点,顺时针或逆时针方式依次将各个刀具网格节点的节点标识添加到初始刀具网格节点组中。并按照初始刀具网格节点组进行分别处理,先生成同一初始刀具网格节点组内刀具网格节点的振动信号曲线的包络线。随后使用包络线、频谱图、波形图,进行两两振动信号曲线的相似度比较,得到相似参数组。接着,按照刀具网格节点的距离关系,从预先存储的关联振动权重列表中筛选得到关联振动权重集合,通过计算相似参数集合与关联振动权重集合之间的乘积和值,得到振动相似度。将振动相似度与用户指定的第二预设阈值进行比较,从而将振动信号曲线相似度比较高的各刀具网格节点合并至同一个刀具网格节点组。
在本申请的一个实施例中,上述基于各振动信号曲线,生成各振动信号曲线相应的包络线,具体包括:
服务器对各振动信号曲线进行幅值测量,确定各振动信号曲线分别对应的振幅序列。通过预设平滑算法,滤除振幅序列高频部分,以突出相应的低频部分,得到相应的离散振幅序列。预设平滑算法至少包括:低通滤波算法、希尔伯特变换算法。通过预设平滑曲线生成算法,生成离散振幅序列对应的包络线。平滑曲线生成算法至少包括线性插值、二次插值、三次样条插值、最小二乘拟合、B样条曲线拟合。
也就是说,服务器可以在振动信号曲线上,对每个时间点或者预先指定的采样时间点上的振动信号进行幅值测量,得到振幅值,从而按照时间顺序生成振幅序列。随后应用平滑算法如低通滤波算法、希尔伯特变换算法进行滤除高频成分、突出低频成分。使用插值或拟合方法,将离散振幅值连接起来,生成一条振动信号曲线对应的平滑的包络线。
服务器还将通过计算相似程度的方式,如计算均方根误差、相关系数等,分别计算两条振动信号曲线对应的包络线、频谱图、波形图之间的相似参数。其中,频谱图是将振动信号曲线进行频谱分析得到的,通过计算均方根误差或相关系数得到两个振动信号曲线的频域相似参数;波形图对振动信号曲线进行时域分析得到的,通过计算均方根误差或相关系数得到两个振动信号曲线的时域相似参数。同理,包络线相似参数也可通过计算均方根误差或相关系数得到。
两个振动信号曲线之间对应一个相似参数组,一个振动信号曲线有多个相似参数组,进而得到相似参数集合。服务器中可以预先存储有与节点距离相关的计算关联权重的公式,通过输入两个刀具网格节点的直线距离,可以输出两个刀具网格节点之间的包络线关联振动权重、频域关联振动权重、时域关联振动权重,得到关联振动权重集合。用于计算关联振动权重的公式中的参数,根据实际使用场景进行设定,本申请对此不作具体限定。关联振动权重与节点距离成反比例关系,即节点距离值越大,相应的关联振动权重越小。
在本申请实施例中,上述根据相似参数集合、关联振动权重集合,计算各振动信号曲线之间的振动相似度,具体包括:
服务器根据相似参数集合,确定各相似参数组分别对应的刀具网格节点二元组。根据关联振动权重集合,确定同一刀具网格节点二元组对应的关联振动权重组。关联振动权重组包括包络线关联振动权重、频域关联振动权重、时域关联振动权重。计算同一刀具网格节点二元组对应的相似参数组与相应的关联振动权重组的乘积和值,并将乘积和值作为与刀具网格节点二元组对应的两条振动信号曲线的振动相似度。
也就是说,服务器可以利用相似参数集合中的相似参数组,确定用于生成该相似参数组的两个刀具网格节点,以便生成刀具网格节点二元组。通过刀具网格节点二元组,从关联振动权重集合中进行匹配与之对应的关联振动权重组。利用关联振动权重组与相似参数组之间的乘积和值,可以得到刀具网格节点二元组对应的两个刀具网格节点的两条振动信号曲线的振动相似度。
例如,关联振动权重组包括{包络线关联振动权重,频域关联振动权重,时域关联振动权重},相似参数组包含{包络线相似参数,频域相似参数,时域相似参数},振动相似度为包络线关联振动权重*包络线相似参数+频域关联振动权重*频域相似参数+时域关联振动权重*时域相似参数的乘积和值。
通过用户预先设定的第二预设阈值,进行刀具网格节点的分组,如振动相似度大于第二预设阈值,则表征两个刀具网格节点属于同一个刀具网格节点组。第二预设阈值为用户在实际使用过程中进行设定的,本申请对其具体取值,不作具体限定。
通过上述振动相似度的比对,可以划分初始刀具网格节点组,因振动信号是与外部环境相关的,如外部因素引发的刀具异常振动,每个刀具类型的振动存在相似之处。通过上述方案,可以利用存在的相似振动进行刀具分组,利用刀具分组进行刀具健康状态分析,一方面避免因外部因素带来的噪音数据的影响,另一方面使刀具之间数据关联性更强,提高健康状态分析结果的准确度。
在上述得到刀具网格节点组之后,服务器将同一刀具网格节点组内刀具网格节点对应的健康状态向量合并为一个健康状态向量集合。
S103,服务器基于各健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各刀具网格节点组是否处于告警状态。
在本申请实施例中,基于各健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各刀具网格节点组是否处于告警状态,具体包括:
首先,服务器确定各健康状态向量集合对应的健康状态分级,并计算相应的健康状态分级均值。并确定预设健康状态告警标准对应的告警标准分级。接着,将健康状态分级均值与告警标准分级进行匹配。在健康状态分级均值与告警标准分级不匹配的情况下,根据健康状态分级均值与告警标准分级的差值及预设修正区间,对预设健康状态告警标准进行修正。然后,根据健康状态向量集合及预设健康状态告警标准,将各健康状态向量与相应的告警标准阈值向量比对,以根据比对结果,确定各刀具网格节点组是否处于告警状态。
也就是说,服务器通过健康状态向量,可以得到相对应的健康状态分级,并计算健康状态向量集合对应的各个健康状态分级的级别均值为健康状态分级均值。同时,服务器还将确定当前预设健康状态告警标准的告警标准分级,该告警标准分级与健康状态分级相对应,每一健康状态分级下都有唯一对应的一个告警标准分级,一个告警标准分级可以对应多个健康状态分级。服务器通过比较健康状态分级均值是否与告警标准分级匹配,即健康状态分级均值是否对应告警标准分级。如果匹配,则说明可以通过告警标准分级对健康状态向量集合进行处理,确定刀具是否处于告警状态。而若不匹配,则可能是因外部环境变化,如土质变硬或变软,刀具受外部影响振动明显,此时健康状态分级均值要高于或低于告警标准分级N级。通过该差值N级,服务器可以进行匹配该差值对应的预设修正区间,预设修正区间内包含进行健康状态告警标准进行修正的数据。例如健康状态告警标准中振动维度的告警标准阈值区间为[n1,n2],差值为N级,预设修正区间为[N*x,N*x],将原告警标准阈值区间加或减预设修正区间,其中高于告警标准分级N级为加,低于告警标准分级N级为减,对于能量维度的告警标准阈值区间修正同理。从而修正原健康状态告警标准,并修改相应的告警标准分级。上述告警标准阈值区间的区间边界为最小告警标准阈值及最大告警标准阈值,最小告警标准阈值及最大告警标准阈值之间的数据为正常数据,小于最小告警标准阈值或大于最大告警标准阈值,则相应的数据为异常数据,需要进行告警。
使用上述健康状态告警标准的告警标准阈值向量,将健康状态向量集合中各健康状态向量在能量维度、振动维度进行比对,如告警标准阈值向量对应的最小告警标准阈值向量为[m1,n1],最大告警标准阈值向量为[m2,n2],服务器将比较健康状态向量[m3,n3]中的m3是否处于m1与m2之间,n3是否处于n1与n2之间,如果二者均满足则不处于告警状态,否则处于告警状态。
通过将振动信号及能量信号两个维度作为健康状态检测的数据,可以充分结合环境及自身相关数据,一般振动信号与环境相关、能量信号如热能与刀具自身相关,得到与环境关联地健康状态检测结果,更加符合实际场景需求。
S104,服务器在任一刀具网格节点组处于告警状态的情况下,生成健康告警信息,并发送健康告警信息至管理终端,对刀具网格节点组对应刀具进行健康状态检测告警。
此外,当确定各刀具网格节点组均不处于告警状态之后,将各刀具网格节点组对应的刀具能量信号、刀具振动信号进行压缩打包,并将压缩包发送至管理终端。对于处于告警状态的刀具网格节点,服务器也可以将各刀具网格节点组对应的刀具能量信号、刀具振动信号进行压缩打包,并将压缩包发送至管理终端,不同的是,压缩包会标注哪些刀具能量信号、刀具振动信号对应于处于告警状态的刀具网格节点,以便用户进行关注这部分数据。
也就是说,本申请能够对刀具能量信号、刀具振动信号进行快速地初步处理,找到刀具运行时需要告警的刀具,能够快速地反馈需要关注、处于告警状态的刀具,让用户进行关注。同时,服务器还可以将没有告警状态的刀具能量信号及刀具振动信号进行压缩打包处理,以便管理终端后续对信号进一步地分析处理。
本申请通过上述方案,进行刀具能量信号、振动信号的采集、处理,对多个刀具实现有关联地分析是否处于告警状态,从而完成盾构机部件的健康状态检测。充分利用能量信号及振动信号带来的有效数据,系统性地进行初步地数据分析,更有效地指出处于告警状态、需要进行关注的刀具及其数据,提高健康状态检测效率。解决了当前盾构机健康状态检测过于耗费人力成本,难以进行系统、准确且高效地健康状态检测的技术问题,保障用户使用体验。
此外,在检测分析过程中,结合多种数据进行预测,避免忽视数据间真实内在关联,因分析偏差产生误告警的情况。
图2为本申请实施例提供的一种基于盾构机的健康状态检测设备的结构示意图,如图2所示,设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的刀具能量信号及刀具振动信号输入健康状态分析模型,分析刀具能量信号及刀具振动信号,得到刀具网格节点的健康状态向量。其中,健康状态向量至少包括能量维度、振动维度。基于各刀具网格节点的位置关系、刀具类型及刀具振动信号,实时确定相应刀具网格节点组,并根据刀具网格节点组,确定健康状态向量集合。基于各健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各刀具网格节点组是否处于告警状态。在任一刀具网格节点组处于告警状态的情况下,生成健康告警信息,并发送健康告警信息至管理终端,对刀具网格节点组对应刀具进行健康状态检测告警。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的刀具能量信号及刀具振动信号输入健康状态分析模型,分析刀具能量信号及刀具振动信号,得到刀具网格节点的健康状态向量。其中,健康状态向量至少包括能量维度、振动维度。基于各刀具网格节点的位置关系、刀具类型及刀具振动信号,实时确定相应刀具网格节点组,并根据刀具网格节点组,确定健康状态向量集合。基于各健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各刀具网格节点组是否处于告警状态。在任一刀具网格节点组处于告警状态的情况下,生成健康告警信息,并发送健康告警信息至管理终端,对刀具网格节点组对应刀具进行健康状态检测告警。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备及介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备及介质与方法是一一对应的,因此,设备及介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备及介质的有益技术效果。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于盾构机的健康状态检测方法,其特征在于,所述方法包括:
获取来自健康状态检测设备的刀具能量信号、刀具振动信号,并将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型,分析所述刀具能量信号及所述刀具振动信号,得到所述刀具网格节点的健康状态向量;其中,所述健康状态向量至少包括能量维度、振动维度;
基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,并根据所述刀具网格节点组,确定健康状态向量集合;
基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态;
在任一所述刀具网格节点组处于所述告警状态的情况下,生成健康告警信息,并发送所述健康告警信息至管理终端,对所述刀具网格节点组对应刀具进行健康状态检测告警。
2.根据权利要求1所述的一种基于盾构机的健康状态检测方法,其特征在于,将处于盾构机三维模型的刀具网格节点对应的所述刀具能量信号及所述刀具振动信号输入健康状态分析模型之前,所述方法还包括:
基于用户在用户终端的操作,构建盾构机三维模型;所述盾构机三维模型包括若干刀具网格节点;各所述刀具网格节点对应的刀具设置有相应的健康状态检测设备;所述健康状态检测设备至少用于采集刀具能量信号、刀具振动信号;
获取若干刀具类型在不同预设健康状态分级下的状态信号二元组;其中,不同所述健康状态分级对应不同的所述健康状态向量的取值区间;所述状态信号二元组包括所述刀具能量信号、所述刀具振动信号;
将各所述状态信号二元组作为训练样本,其对应的所述健康状态分级作为标签,输入待训练健康状态分级模型,以对所述待训练健康状态分级模型进行有监督训练;
在确定所述待训练健康状态分级模型的损失函数值小于第一预设阈值的情况下,确定所述待训练健康状态分级模型训练完成,得到所述健康状态分析模型。
3.根据权利要求1所述的一种基于盾构机的健康状态检测方法,其特征在于,基于各所述刀具网格节点的位置关系、刀具类型及所述刀具振动信号,实时确定相应刀具网格节点组,具体包括:
确定同一所述刀具类型对应的各所述刀具网格节点,并按照与所述位置关系对应的顺序,生成各所述刀具类型对应的初始刀具网格节点组;
确定所述初始刀具网格节点组中各所述刀具网格节点对应的振动信号曲线;
基于各所述振动信号曲线,生成各所述振动信号曲线相应的包络线;
根据各所述包络线、与所述振动信号曲线对应的频谱图及波形图,分别确定各所述振动信号曲线两两之间的相似参数组,以根据所述相似参数组,得到同一所述振动信号曲线与其它所述振动信号曲线的相似参数集合;其中,所述相似参数组包括包络线相似参数、频域相似参数、时域相似参数;
基于各所述刀具网格节点的位置关系,确定各所述刀具网格节点对应的关联振动权重集合;所述关联振动权重集合中的关联振动权重与相应的两个所述刀具网格节点之间的距离负相关;
根据所述相似参数集合、所述关联振动权重集合,计算各所述振动信号曲线之间的振动相似度;所述振动相似度用于表征所述振动信号曲线两两之间的相似程度;
根据各所述振动相似度及第二预设阈值,将所述振动相似度大于所述第二预设阈值的各所述振动信号曲线对应的各所述刀具网格节点,添加至同一所述刀具网格节点组,以划分所述初始刀具网格节点组。
4.根据权利要求3所述的一种基于盾构机的健康状态检测方法,其特征在于,基于各所述振动信号曲线,生成各所述振动信号曲线相应的包络线,具体包括:
对各所述振动信号曲线进行幅值测量,确定各所述振动信号曲线分别对应的振幅序列;
通过预设平滑算法,滤除所述振幅序列高频部分,以突出相应的低频部分,得到相应的离散振幅序列;所述预设平滑算法至少包括:低通滤波算法、希尔伯特变换算法;
通过预设平滑曲线生成算法,生成所述离散振幅序列对应的包络线;所述平滑曲线生成算法至少包括线性插值、二次插值、三次样条插值、最小二乘拟合、B样条曲线拟合。
5.根据权利要求3所述的一种基于盾构机的健康状态检测方法,其特征在于,根据所述相似参数集合、所述关联振动权重集合,计算各所述振动信号曲线之间的振动相似度,具体包括:
根据所述相似参数集合,确定各所述相似参数组分别对应的刀具网格节点二元组;
根据所述关联振动权重集合,确定同一所述刀具网格节点二元组对应的关联振动权重组;所述关联振动权重组包括包络线关联振动权重、频域关联振动权重、时域关联振动权重;
计算同一所述刀具网格节点二元组对应的所述相似参数组与相应的所述关联振动权重组的乘积和值,并将所述乘积和值作为与所述刀具网格节点二元组对应的两条所述振动信号曲线的所述振动相似度。
6.根据权利要求1所述的一种基于盾构机的健康状态检测方法,其特征在于,基于各所述健康状态向量集合、预设健康状态告警标准及预设修正区间,确定各所述刀具网格节点组是否处于告警状态,具体包括:
确定各所述健康状态向量集合对应的健康状态分级,并计算相应的健康状态分级均值;
确定所述预设健康状态告警标准对应的告警标准分级;
将所述健康状态分级均值与所述告警标准分级进行匹配;
在所述健康状态分级均值与所述告警标准分级不匹配的情况下,根据所述健康状态分级均值与所述告警标准分级的差值及所述预设修正区间,对所述预设健康状态告警标准进行修正;
根据所述健康状态向量集合及所述预设健康状态告警标准,将各所述健康状态向量与相应的告警标准阈值向量比对,以根据比对结果,确定各所述刀具网格节点组是否处于告警状态。
7.根据权利要求1所述的一种基于盾构机的健康状态检测方法,其特征在于,所述方法还包括:
当确定各所述刀具网格节点组均不处于所述告警状态之后,将各所述刀具网格节点组对应的所述刀具能量信号、所述刀具振动信号进行压缩打包,并将压缩包发送至所述管理终端。
8.根据权利要求1-7任一项所述的一种基于盾构机的健康状态检测方法,其特征在于,所述刀具网格节点对应刀具的健康状态分级与现场工作环境相关;不同所述现场工作环境至少存在以下区别:挖掘土石硬度、环境温度。
9.一种基于盾构机的健康状态检测设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述权利要求1-8任一项所述的一种基于盾构机的健康状态检测方法。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令能够执行如上述权利要求1-8任一项所述的一种基于盾构机的健康状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145868.4A CN117688432B (zh) | 2024-02-02 | 2024-02-02 | 一种基于盾构机的健康状态检测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410145868.4A CN117688432B (zh) | 2024-02-02 | 2024-02-02 | 一种基于盾构机的健康状态检测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688432A true CN117688432A (zh) | 2024-03-12 |
CN117688432B CN117688432B (zh) | 2024-04-30 |
Family
ID=90128496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410145868.4A Active CN117688432B (zh) | 2024-02-02 | 2024-02-02 | 一种基于盾构机的健康状态检测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688432B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
JP2019143388A (ja) * | 2018-02-21 | 2019-08-29 | 清水建設株式会社 | シールド掘削機制御システム及びシールド掘削機制御方法 |
CN114580115A (zh) * | 2022-03-15 | 2022-06-03 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀具状态分析与诊断方法 |
CN115688864A (zh) * | 2022-11-01 | 2023-02-03 | 西安邮电大学 | 一种盾构机刀盘健康评估方法、系统、介质、设备及终端 |
CN116221038A (zh) * | 2023-05-10 | 2023-06-06 | 山东金帝精密机械科技股份有限公司 | 一种基于风电轴承保持架的轴承运行监测方法及设备 |
CN116467802A (zh) * | 2023-03-28 | 2023-07-21 | 华中科技大学 | 一种基于能量数据的盾构机健康状态诊断方法及设备 |
CN117252086A (zh) * | 2023-08-10 | 2023-12-19 | 西安邮电大学 | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 |
-
2024
- 2024-02-02 CN CN202410145868.4A patent/CN117688432B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019143388A (ja) * | 2018-02-21 | 2019-08-29 | 清水建設株式会社 | シールド掘削機制御システム及びシールド掘削機制御方法 |
CN108549741A (zh) * | 2018-03-07 | 2018-09-18 | 上海交通大学 | 盾构机主轴承密封性能健康评估方法与系统 |
CN114580115A (zh) * | 2022-03-15 | 2022-06-03 | 中铁十四局集团大盾构工程有限公司 | 一种盾构机刀具状态分析与诊断方法 |
CN115688864A (zh) * | 2022-11-01 | 2023-02-03 | 西安邮电大学 | 一种盾构机刀盘健康评估方法、系统、介质、设备及终端 |
CN116467802A (zh) * | 2023-03-28 | 2023-07-21 | 华中科技大学 | 一种基于能量数据的盾构机健康状态诊断方法及设备 |
CN116221038A (zh) * | 2023-05-10 | 2023-06-06 | 山东金帝精密机械科技股份有限公司 | 一种基于风电轴承保持架的轴承运行监测方法及设备 |
CN117252086A (zh) * | 2023-08-10 | 2023-12-19 | 西安邮电大学 | 一种盾构机刀盘健康评估与退化预测方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
CHEN, KUI ET AL.: "The Fault Diagnosis of Shield Disc Cutter Based on Neural Network", PROCEEDINGS OF THE 3RD ANNUAL INTERNATIONAL CONFERENCE ON MECHANICS AND MECHANICAL ENGINEERING (MME 2016), 31 December 2017 (2017-12-31), pages 752 - 756 * |
张天瑞;代沅兴;武继将;于天彪;王宛山;: "基于虚拟仪器的TBM状态监测系统仿真研究", 系统仿真学报, no. 08, 8 August 2013 (2013-08-08), pages 1716 - 1720 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688432B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rueda et al. | Wavelet-based analysis of power system low-frequency electromechanical oscillations | |
CN111066003A (zh) | 对流程行业中的设备进行状态监测的方法、装置及介质 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN107490964A (zh) | 一种基于特征证据离散化的旋转机械故障特征约简方法 | |
CN103838931A (zh) | 一种工程机械臂架类结构再制造准入期评估方法 | |
CN112559963A (zh) | 一种配电网动态参数辨识方法及装置 | |
CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
CN107704668A (zh) | 一种基于测试性建模和分析的传感器优化布局方法 | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN117150216A (zh) | 一种电力数据回归分析方法及系统 | |
CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
CN112686773B (zh) | 一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法 | |
CN117688432B (zh) | 一种基于盾构机的健康状态检测方法、设备及介质 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN105843736B (zh) | 一种电力系统状态估计软件的测试方法 | |
CN117171366A (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
CN110098610B (zh) | 故障扰动下电力系统振荡主导模式的实时辨识方法及系统 | |
Bonada et al. | Practical-oriented pressure sensor placement for model-based leakage location in water distribution networks | |
Kezunovic | Automated analysis of voltage sags, their causes and impacts | |
Givaki et al. | Machine learning based impedance estimation in power system | |
CN113283076A (zh) | 用电异常的研究方法、装置与计算机可读存储介质 | |
CN103868747B (zh) | 一种基于时间序列符号化的结构损伤识别系统与识别方法 | |
CN117915222B (zh) | 一种无线爆破联动通信方法 |
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 |