CN117923331A - 一种基于吊车吊装的负荷控制系统及方法 - Google Patents
一种基于吊车吊装的负荷控制系统及方法 Download PDFInfo
- Publication number
- CN117923331A CN117923331A CN202410096029.8A CN202410096029A CN117923331A CN 117923331 A CN117923331 A CN 117923331A CN 202410096029 A CN202410096029 A CN 202410096029A CN 117923331 A CN117923331 A CN 117923331A
- Authority
- CN
- China
- Prior art keywords
- crane
- decision
- module
- load
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003066 decision tree Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 90
- 230000004044 response Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 17
- 238000005065 mining Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 11
- 238000011022 operating instruction Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000004836 empirical method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000010485 coping Effects 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
- B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/16—Applications of indicating, registering, or weighing devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C13/00—Other constructional features or details
- B66C13/18—Control systems or devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
- B66C15/00—Safety gear
-
- 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)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及风力发电控制技术领域，尤其涉及一种基于吊车吊装的负荷控制系统及方法。首先，对实时采集到的参数数据进行数据处理，采用负荷判断算法计算吊车的物理负荷，引入潜在关联模型；然后，对吊车的物理负荷、吊车工作物理参数、吊装环境参数以及潜在关联模型进行数据分析，并更新潜在关联模型，得到吊车的实时工作状态；引入深度学习神经网络模型，得到吊装环境参数预测结果；通过决策树算法得到吊车工作状态的决策群，构建网络拓扑结构，并进行匹配处理，得到最佳应对决策；最后，基于最佳应对决策生成的操作指令，自动调整吊车的操作参数。解决了现有技术中控制不够准确和不够及时的技术问题。
Description
技术领域
本发明涉及风力发电控制技术领域，尤其涉及一种基于吊车吊装的负荷控制系统及方法。
背景技术
吊车吊装的负荷控制系统是一种用于监测和管理吊装操作中的负荷的技术系统。在重型工业和建筑领域，吊车经常用于搬运和吊装重物，而负荷控制系统的出现旨在提高操作的安全性、效率和精确性。
风电壁通常由大型的风力发电机组成，这些部件在安装和维护过程中需要使用吊车进行吊装。负荷控制系统在这里起到关键作用，负荷控制系统可以与吊装计划集成，确保在吊装过程中负荷始终在安全范围内，以防止意外事故发生。
负荷控制方法有很多，我国专利“一种电力负荷控制装置、控制方法、终端、介质及应用”，申请号：“CN202110909033.8”，公开日：“2021.11.2”，主要包括：利用预处理好的数据集对LSTM模型进行训练，改进LSTM单元中的激活函数，得到改进的LSTM模型；在改进的LSTM模型上加入注意力机制，得到改进的AM-LSTM短期负荷预测模型；将改进完成后的AM-LSTM短期负荷预测模型与硬件设备电力负荷控制装置结合，实现电力负荷控制。该发明提供的基于改进版短期电力负荷预测技术的电力负荷控制装置，对AM-LSTM模型进行了改进，将深度学习模型与传统电力负荷控制装置相结合，并首次将注意力机制引入电力负荷控制领域，预测准确率高，可以适应应对复杂因素，控制更加准确。
但上述技术至少存在如下技术问题：控制不够准确以及不够及时的技术问题。
发明内容
本申请实施例通过提供一种基于吊车吊装的负荷控制系统及方法，解决了现有技术中控制不够准确以及不够及时的技术问题，实现了高速准确的自适应控制的技术效果。
本申请提供了一种基于吊车吊装的负荷控制系统及方法，具体包括以下技术方案：
一种基于吊车吊装的负荷控制系统，包括以下部分：
参数获取模块，负荷检测模块，环境感知模块，挖掘模块，数据分析模块，智能预测模块，决策辅助模块，决策模块，控制模块，用户界面，反馈模块；
所述参数获取模块，用于获取吊车的物理参数，包括吊重、吊杆角度、吊杆长度，为负荷检测模块提供数据基础；
所述负荷检测模块，用于利用负荷判断算法对吊车物理负荷进行计算，实时监测吊车的物理负荷，并输出吊车的实时物理负荷数据；
所述环境感知模块，用于获取并处理吊装环境的实时参数，得到环境参数数据，包括风速、温度、湿度，并实时监测吊装环境的变化；
所述挖掘模块，用于基于吊车历史工作物理参数以及吊装环境历史参数，得到工作物理参数与环境参数的潜在关联模型，为数据分析模块提供依据；
所述数据分析模块，用于分析基于负荷检测模块和环境感知模块的实时数据，并结合挖掘模块的潜在关联模型，得到吊车实时工作状态；
所述智能预测模块，用于基于实时环境参数通过环境参数预测函数对环境进行预测，得到环境参数预测结果；
所述决策辅助模块，用于通过决策树算法对吊车的历史工作数据及历史应对决策进行训练，得到吊车工作状态的决策群，为决策模块提供匹配依据；所述历史工作数据包含吊车历史工作物理参数数据和吊装环境历史参数数据；
所述决策模块，用于基于数据分析模块得到的吊车实时工作状态结合智能预测模块得到的环境参数预测结果以及决策辅助模块得到的吊车工作状态的决策群，构建网络拓扑结构，进行匹配处理得到最佳应对决策，并根据最佳应对决策生成操作指令；
所述控制模块，用于根据决策模块的操作指令，自动调整吊车的操作参数；
所述反馈模块，用于将各个模块的输出结果进行检测，当检测到不安全的状态时，通过用户界面，将安全警告反馈给操作员；
所述用户界面，用于基于决策模块的操作指令和吊车的实际操作状态，为操作员提供实时的反馈和指引。
一种基于吊车吊装的负荷控制方法，包括以下步骤：
S1.对参数数据进行实时采集，并对实时采集到的吊车物理参数数据和吊装环境参数进行数据处理，采用负荷判断算法计算吊车的物理负荷，同时挖掘分析吊车历史工作物理参数数据和吊装环境历史参数数据，引入吊车工作物理参数与吊装环境参数之间的潜在关联模型；
S2.对吊车的物理负荷、吊车工作物理参数、吊装环境参数数据以及潜在关联模型进行数据分析，同时，对潜在关联模型进行实时更新，得到吊车的实时工作状态；
S3.基于吊装环境历史参数数据预测未来环境变化，引入深度学习神经网络模型，得到吊装环境参数预测结果；
S4.通过决策树算法得到吊车工作状态的决策群，基于吊车工作状态的决策群构建网络拓扑结构，基于吊车实时工作状态和环境参数预测结果结合吊车工作状态的决策群，进行匹配处理，得到最佳应对决策；
S5.基于最佳应对决策生成的操作指令，自动调整吊车的操作参数；
应用于一种基于吊车吊装的负荷控制系统。
优选的，所述S1，具体包括：
利用参数获取模块实时采集吊车物理参数，通过滑动平均滤波对采集到的吊车物理参数进行数据处理，引入负荷判断算法得到吊车的物理负荷再判断吊车的物理负荷状态。
优选的，在所述S1中，还包括：
分析吊车历史工作物理参数和吊装环境历史参数，选择与吊车物理负荷最相关的特征，构成特征集，通过特征构建对所述特征集进行扩展处理，得到扩展特征集，整理所述扩展特征集，对整理后的扩展特征集进行标签编码，将编码后的特征集使用线性回归、决策树和随机森林算法分别训练，并将线性回归、决策树和随机森林算法的模型结果进行加权平均或投票，得到潜在关联模型。
优选的，所述S2，具体包括：
利用潜在关联模型预测吊车的物理负荷，引入权重系数α来平衡实际物理负荷数据和模型预测的负荷数据，同时对潜在关联模型进行实时更新，得到吊车的实时工作状态。
优选的，所述S4，具体包括：
基于决策群构建网络拓扑结构，所述网络拓扑结构被看作是一个图，其中每个节点代表一个工作状态，而边则代表从一个状态到另一个状态的潜在转变。
优选的，在所述S4中，还包括：
计算吊车的实时工作状态和决策群中的每个工作状态的相关性，基于所述相关性，选择相关性大于阈值μ的工作状态构成第一匹配集合；μ由经验法获得；基于第一匹配集合，通过查找网格，得到第一决策匹配集合；结合环境参数预测结果，计算吊车的实时工作状态和所述第一决策匹配集合的契合概率，并选择契合概率最高的决策作为最佳应对决策，最后，根据最佳应对决策生成操作指令。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险。
2、本申请通过结合实际物理负荷数据和模型预测的负荷数据，能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性。
3、本申请利用决策树算法和网络拓扑结构，能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
4、本申请的技术方案能够有效解决控制不够准确以及不够及时的技术问题，通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险；通过结合实际物理负荷数据和模型预测的负荷数据，该技术能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性；利用决策树算法和网络拓扑结构，该技术能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
附图说明
图1为本申请所述一种基于吊车吊装的负荷控制系统模块图；
图2为本申请所述一种基于吊车吊装的负荷控制方法流程图。
具体实施方式
本申请实施例通过提供一种基于吊车吊装的负荷控制系统及方法，解决了现有技术中控制不够准确以及不够及时的技术问题，总体思路如下：
首先，对参数数据进行采集，并对采集到的参数数据进行数据处理，同时对历史参数数据进行挖掘分析，得到参数数据间的潜在关联模型；然后，基于处理后的参数数据结果以及参数数据间的潜在关联模型进行数据分析，得到吊车的实时工作状态；基于吊装环境历史参数数据预测未来环境变化，得到吊装环境参数预测结果，为决策模块提供环境数据支持；构建训练模型，对吊车历史工作数据及历史应对决策进行训练，生成吊车的工作状态的决策群，基于吊车实时工作状态和环境参数预测结果结合决策辅助模块得到的决策群进行匹配处理，得到最佳应对决策，根据最佳应对决策生成操作指令，并传输给控制模块；基于操作指令，自动调整吊车的操作参数，实现自适应控制；通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险；通过结合实际物理负荷数据和模型预测的负荷数据，该技术能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性；利用决策树算法和网络拓扑结构，该技术能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的一种基于吊车吊装的负荷控制系统，包括以下部分：
参数获取模块，负荷检测模块，环境感知模块，挖掘模块，数据分析模块，智能预测模块，决策辅助模块，决策模块，控制模块，用户界面，反馈模块；
所述参数获取模块，获取吊车的物理参数，为负荷检测模块提供数据基础；所述物理参数，如吊重、吊杆角度、吊杆长度；
所述负荷检测模块，基于参数获取模块得到的物理参数，利用负荷判断算法对吊车物理负荷进行计算，实时监测吊车的物理负荷，并将吊车的实时物理负荷数据进行输出；
所述环境感知模块，获取吊装环境的实时参数，并对获取的实时参数进行数据处理，得到准确的环境参数数据，来实时监测吊装环境的变化，为数据处理提供关键的环境参数数据；所述环境参数，如风速、温度、湿度；
所述挖掘模块，基于吊车历史工作物理参数以及吊装环境历史参数，挖掘得到工作物理参数与环境参数的潜在关联模型，为数据分析模块提供依据；
所述数据分析模块，基于负荷检测模块和环境感知模块的实时数据，结合所述挖掘模块得到的潜在关联模型，进行数据分析，得到吊车实时工作状态；
所述智能预测模块，基于历史环境数据对环境进行预测，得到预测函数，并基于实时环境参数对环境进行预测，得到环境参数预测结果；
所述决策辅助模块，通过构建模型对吊车历史工作数据及历史应对决策进行训练学习，得到所有工作状态的决策群，为决策模块提供匹配依据；所述历史工作数据包含吊车历史工作物理参数数据和吊装环境历史参数数据；
所述决策模块，基于所述数据分析模块得到的吊车实时工作状态结合所述智能预测模块得到的环境参数预测结果以及决策辅助模块得到的决策群，匹配得到最佳应对决策，并根据最佳应对决策生成操作指令；
所述控制模块，根据所述决策模块的操作指令，自动调整吊车的操作参数，实现吊车风电壁负荷的自适应控制；
所述用户界面，基于所述决策模块的操作指令和吊车的实际操作状态，为操作员提供实时的反馈和指引；
所述反馈模块，基于各个模块的输出结果进行检测，当检测到不安全的状态时，通过用户界面，将安全警告迅速反馈给操作员。
参照附图2，本申请所述一种基于吊车吊装的负荷控制方法，包括以下步骤：
S1.对参数数据进行实时采集，并对实时采集到的吊车物理参数数据和吊装环境参数进行数据处理，采用负荷判断算法计算吊车的物理负荷，同时挖掘分析吊车历史工作物理参数数据和吊装环境历史参数数据，引入吊车工作物理参数与吊装环境参数之间的潜在关联模型；
利用参数获取模块实时采集吊车的物理参数，将所述物理参数传输给负荷检测模块，利用负荷判断算法计算吊车的物理负荷，为数据分析模块提供吊车的实时物理负荷数据支持；
因存在测量误差，利用滑动平均滤波对采集到的吊车物理参数进行数据处理，得到准确的物理参数，为计算吊车负荷提供准确的物理参数数据；
进一步利用负荷判断算法对吊车的物理参数进行分析，得到吊车的物理负荷再进行判断吊车的物理负荷状态，具体有：
首先，利用经验法将吊车分为m个部分，如吊杆顶部、吊杆中部、吊杆底部，计算任意一个部分的动态响应系数Di和摩擦系数Mi，所述动态响应系数和摩擦系数可以从吊车的技术手册或实验测量中获得；结合吊车物理参数数据计算得到吊车的物理负荷状态，公式如下：
其中，F(i)表示吊车的第i部分的物理负荷状态；L表示吊杆的最大长度；W(x)表示在吊杆长度为x时的吊重；A(x)表示在吊杆长度为x时的吊杆与垂直方向的夹角；Mi表示摩擦系数集合中的第i个元素，表示吊车某一部分的摩擦系数；Di表示动态响应系数集合的第i个元素，表示吊车某一部分对动态负荷的响应；R表示吊车的半径；T表示温度对有效工作半径的影响系数，通过试验获得；Θ表示环境温度；∈表示操作效率与工作半径的影响系数；η表示吊车的操作效率；表示的是吊重对吊杆的影响；DiMi表示吊车某一部分的动态响应和摩擦产生的负荷，考虑了吊车的动态特性和摩擦的影响，是影响吊车物理负荷的另一个重要因素；(R+T·Θ-(1-η·∈))表示吊车的有效工作半径，考虑了吊车的半径、温度对半径的影响和操作效率的影响，是一个调整因子，用于调整物理负荷的值；在上述公式中，在考虑了吊重对吊杆的影响和吊车某一部分的动态响应和摩擦产生的负荷后，经过对有效工作半径的调整，得到吊车某一部分的物理负荷状态；针对非吊杆的其他部分通过查阅相关资料以求取吊车物理负荷状态，最终得到吊车物理负荷状态F；
利用环境感知模块，实时采集吊装环境参数，并将所述吊装环境参数进行数据处理，得到准确的数据，为数据分析模块提供环境数据支持；
首先，利用环境感知模块，首先实时采集吊装环境参数，如风速、温度、湿度、气压等，对采集到的原始数据进行初步的数据清洗，如去除明显的异常值，在数据处理过程中，可能会遇到数据丢失或数据不完整的问题，为了解决数据丢失的问题，采用数据插值技术，如线性插值、多项式插值或基于时间序列的预测模型来估算丢失的数据点；为了提高数据的准确性，采用滤波技术，如使用卡尔曼滤波、中值滤波等方法来减少数据中的噪声；在应用上述的插值和滤波技术时，会引入数据的时间延迟问题，为了解决数据的时间延迟问题，采用并行计算或优化算法来加速数据处理的速度，此外，考虑使用更高效的硬件或在数据采集端进行部分预处理，以减少控制系统的计算负担；经过上述处理和优化后，得到了准确、清洗过的环境数据。这些数据将为数据分析模块提供关键的环境数据支持，从而帮助吊车风电壁负荷控制系统做出更准确的决策。
利用挖掘模块分析吊车历史工作物理参数和吊装环境历史参数，识别工作物理参数与环境参数之间的潜在关联模型，为数据分析模块提供分析依据；
对吊车历史工作物理参数和吊装环境历史参数进行清洗、处理缺失值和异常值，得到准确的历史数据，使用相关系数、互信息或其他统计方法来选择与吊车负荷最相关的特征，构成特征集；基于特征构建对特征集进行扩展处理，如：多项式特征，如原始特征是x和y，则可以构建x2、y2、xy等特征；交互特征，如考虑两个或多个特征之间的交互，例如，温度和湿度的交互可能影响吊车的负荷；基于领域知识的特征构建：根据对吊车操作和物理原理的理解，可以构建新的特征；时间序列特征，如果数据是时间序列数据，可以考虑将过去的数据作为新的特征，如考虑吊车的历史负荷数据，使用过去3小时的平均负荷、过去24小时的最大负荷等作为新的特征；变换特征，对原始特征进行某种数学变换，如对数、平方根或指数变换，如考虑吊车的负荷数据，如果其分布是偏态的，考虑使用对数变换log(·)来使数据更接近正态分布；得到扩展的特征集，基于扩展的特征集使用主成分分析进行特征降维，得到整理后的特征集，然后对整理后的特征集进行标签编码以便于进行模型训练，将编码后的特征集使用线性回归、决策树和随机森林算法分别训练单一模型，然后将它们的模型结果进行加权平均或投票，得到最终的关联模型，公式如下：
为了便于理解凸显某些变量的重要性，将某些参数进行另外表示，有w表示吊重，θ表示吊杆角度，l表示吊杆长度，v表示风速，t表示温度，h表示湿度，p表示气压，d表示吊杆的直径，s表示吊车的速度，其他识别的工作物理参数和环境参数可以表示为集合X和Y；
进一步，利用
其中，x表示其他工作物理参数，y表示其他环境参数，P(t∣h)表示在给定湿度h时温度t的条件概率；w×l表示吊重与吊杆长度的乘积，描述吊车的负荷相关系数；e(θ×v)表示吊杆角度与风速的乘积的指数，描述了风速对吊杆角度的影响，即风力对吊车的影响；p+d表示气压和吊杆直径对吊车稳定性的综合影响；e(d×s)表示吊杆直径和吊车速度的乘积的指数，描述了吊车的动态响应系数；表示其他工作物理参数与温度和湿度的关系以及吊车速度的影响；∑y∈Yy×e(d×s)表示其他环境参数与吊杆直径和吊车速度的关系；
最终，得到工作物理参数与环境参数之间的潜在关联模型Model，为数据分析模块提供分析依据；
所述潜在关联模型Model描述了工作物理参数与环境参数之间的关系，并预测吊车的物理负荷；
本申请通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险。
S2.对吊车的物理负荷、吊车工作物理参数、吊装环境参数数据以及潜在关联模型进行数据分析，同时，对潜在关联模型进行实时更新，得到吊车的实时工作状态；
基于吊车的物理负荷、吊车工作物理参数、吊装环境参数数据，以及工作物理参数与环境参数之间的潜在关联模型进行数据分析，得到吊车的实时工作状态，具体过程如下：
利用潜在关联模型Model预测吊车的物理负荷，为应对吊车的实际物理负荷数据可能与通过模型预测的负荷数据不一致的情况以及吊装环境参数的多变性，引入一个权重系数α来平衡实际物理负荷数据和模型预测的负荷数据，公式如下：
其中，n表示环境参数集合的维度；Oi表示第i个环境参数；di表示与Oi相关的权重系数，通过试验数据进行拟合得到；α表示权重系数，用于平衡实际物理负荷和模型预测的负荷，其值介于0和1之间；
同时，对潜在关联模型Model进行实时更新，以适应环境参数的快速变化，得到吊车的实时工作状态Frealtime，公式如下：
Frealtime＝α×F+(1-α)×Model
其中，F表示吊车的物理负荷状态；
将所述实时工作状态发送至决策模块，为决策模块提供数据依据。
本申请通过结合实际物理负荷数据和模型预测的负荷数据，能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性。
S3.基于吊装环境历史参数数据预测未来环境变化，引入深度学习神经网络模型，得到吊装环境参数预测结果；
首先对吊装环境历史参数数据进行数据清洗预处理和数据标准化预处理，得到准确的吊装环境历史参数数据D，将准确的吊装环境历史参数数据集D进行训练，将预处理后的数据集分为训练集和验证集，例如，采用70％的数据作为训练集Dtrain，30％作为验证集Dvalid，利用深度学习神经网络模型对训练集进行训练，具体有：
输入层：输入节点数与训练集Dtrain的元素数量相同，将训练集作为输入层的输入，然后进行线性组合，
Z＝WDtrain+b
传递给隐藏层，可以使用正态分布生成随机数初始化权重W和偏置b；
隐藏层：可以有多个隐藏层，每层的节点数可以根据经验需求定义，将Z作为输入，通过线性变换和激活函数的处理得到输出R，传递给下一层；常用的激活函数包括ReLU、Tanh和Sigmoid；
Dropout层：将隐藏层的输出R作为输入，随机关闭一部分神经元，得到部分神经元被关闭后的数据D(R)，其中D(·)表示Dropout操作，将数据D(R)传送给输出层和损失函数；
输出层：将Dropout层的输出作为输入，经过线性变换和激活函数的处理，得到预测结果和预测模型，输出节点数与预测任务的目标数量相同。对于回归任务，通常只有一个输出节点。
定义损失函数，计算预测和真实标签之间的差异，使用交叉熵损失函数，具体为：
其中，y表示真实值，表示预测值，λ表示正则化系数，W表示权重；根据损失值Loss计算模型参数的梯度，并更新参数；
Dropout只在训练过程中使用。在验证或测试时，所有的神经元都是活跃的，但是每个神经元的输出会乘以(1-Dropout比率)，以保持网络的活跃部分不变；
最终得到环境参数预测函数f(D)，实现对吊装环境参数的预测，得到吊装环境参数预测结果E；
在训练完成后，对模型进行验证，基于验证数据集Dvalid，利用现有模型验证方法使用验证集评估模型的性能，验证模型的准确性和实用性。
S4.通过决策树算法得到吊车工作状态的决策群，基于吊车工作状态的决策群构建网络拓扑结构，基于吊车实时工作状态和环境参数预测结果结合吊车工作状态的决策群，进行匹配处理，得到最佳应对决策；
采用决策树算法对吊车的历史工作数据以及历史应对决策进行训练，得到吊车工作状态的决策群；
进一步，基于吊车实时工作状态和环境参数预测结果结合决策辅助模块得到的决策群进行匹配处理，得到最佳应对决策，具体有：
基于决策群构建网络拓扑结构，所述网络拓扑结构可以看作是一个图，其中每个节点代表一个工作状态，而边则代表从一个状态到另一个状态的可能转变。所述网络拓扑结构可以更好地理解吊车在不同条件下的工作状态之间的转移；
基于吊车的历史工作状态记录，对于每个工作状态si，计算其在历史工作状态数据中的出现频率：
基于上述计算的频率，为每个工作状态分配权重，所述权重计算如下：
w(si)＝log(1+f(si))
其中，w(si)表示工作状态si的权重；f(si)表示工作状态si的出现频率；
将计算得到的权重更新到网络的对应节点上，网络中的每个节点都有一个与其重要性或出现频率相对应的权重；
第一匹配过程：
基于吊车的实时工作状态Frealtime和决策群中的每个工作状态si，计算他们之间的相关性，公式如下：
其中，N表示工作状态的维度，Frealtime,j表示实时工作状态的第j个元素，si,j表示决策群中第i个工作状态的第j个元素，和/>表示均值；
基于上述计算的相关性，选择相关性大于阈值μ的工作状态构成第一匹配集合Match1；μ由专家通过经验法获得；
基于实时工作状态和决策群中的每个工作状态相关性得到的第一匹配集合，通过查找网格，得到第一决策匹配集合Matchd；
第二匹配过程：
结合环境参数预测结果，计算吊车的实时工作状态Frealtime和第一决策匹配集合Matchd的契合概率：
其中，di表示第一决策匹配集合Matchd中的任意一个元素，P(Frealtime,E|di)表示在选择了决策di的条件下，观察到实时工作状态Frealtime和环境参数预测结果E的概率，通过从历史数据中估计，查看在过去选择了di的情况下，有多少次观察到了Frealtime和E；P(di)表示决策di的先验概率，描述了在没有任何其他信息的情况下，选择di的概率，通过从历史数据中估计，计算在所有情况下选择di的频率；P(Frealtime,E)表示观察到实时工作状态Frealtime和环境参数预测结果E的无条件概率。这可以通过统计历史数据中Frealtime和E同时出现的频率来估计；
通过所有可能的决策di计算契合概率P(di|Frealtime,E)，并选择契合概率最高的决策作为最佳应对决策：
dbest为选择的契合概率最高的决策，将其作为最佳应对决策；
最后，根据最佳应对决策生成操作指令，并传输给控制模块；
本申请利用决策树算法和网络拓扑结构，能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
S5.基于最佳应对决策生成的操作指令，自动调整吊车的操作参数；
基于上述最佳应对决策生成的操作指令，自动调整吊车的操作参数，实现对吊车风电壁负荷的自适应控制；
在系统运行过程中，对各个模块进行检测，当检测到不安全的状态时，通过用户界面，将安全警告迅速反馈给操作员。
综上所述，便完成了本申请所述的一种基于吊车吊装的负荷控制系统及方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险。
2、本申请通过结合实际物理负荷数据和模型预测的负荷数据，能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性。
3、本申请利用决策树算法和网络拓扑结构，能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
效果调研：
本申请的技术方案能够有效解决控制不够准确以及不够及时的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过实时采集吊车的物理参数和环境参数，结合历史数据的挖掘分析，可以实时并准确地得到吊车的工作状态和环境条件，这有助于提高吊车操作的安全性和效率，基于潜在关联模型，系统可以预测吊车的未来工作状态和环境条件，从而提前做出决策，避免可能的风险；通过结合实际物理负荷数据和模型预测的负荷数据，该技术能够提供吊车的实时工作状态，从而确保在吊装操作中的安全性和效率，引入权重系数使得系统能够根据环境参数的实时变化自动调整，从而提高了模型的鲁棒性和适应性；利用决策树算法和网络拓扑结构，该技术能够更好地理解吊车在不同条件下的工作状态之间的转移，从而为决策模块提供更准确的决策依据，通过结合实时工作状态、环境参数预测结果和历史决策群进行匹配处理，能够快速并准确地为吊车提供最佳的应对决策，从而确保吊装操作的安全性和效率。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于吊车吊装的负荷控制系统，其特征在于，包括以下部分：
参数获取模块，负荷检测模块，环境感知模块，挖掘模块，数据分析模块，智能预测模块，决策辅助模块，决策模块，控制模块，用户界面，反馈模块；
所述参数获取模块，用于获取吊车的物理参数，包括吊重、吊杆角度、吊杆长度，为负荷检测模块提供数据基础；
所述负荷检测模块，用于利用负荷判断算法对吊车物理负荷进行计算，实时监测吊车的物理负荷，并输出吊车的实时物理负荷数据；
所述环境感知模块，用于获取并处理吊装环境的实时参数，得到环境参数数据，包括风速、温度、湿度，并实时监测吊装环境的变化；
所述挖掘模块，用于基于吊车历史工作物理参数以及吊装环境历史参数，得到工作物理参数与环境参数的潜在关联模型，为数据分析模块提供依据；
所述数据分析模块，用于分析基于负荷检测模块和环境感知模块的实时数据，并结合挖掘模块的潜在关联模型，得到吊车实时工作状态；
所述智能预测模块，用于基于实时环境参数通过环境参数预测函数对环境进行预测，得到环境参数预测结果；
所述决策辅助模块，用于通过决策树算法对吊车的历史工作数据及历史应对决策进行训练，得到吊车工作状态的决策群，为决策模块提供匹配依据；所述历史工作数据包含吊车历史工作物理参数数据和吊装环境历史参数数据；
所述决策模块，用于基于数据分析模块得到的吊车实时工作状态结合智能预测模块得到的环境参数预测结果以及决策辅助模块得到的吊车工作状态的决策群，构建网络拓扑结构，进行匹配处理得到最佳应对决策，并根据最佳应对决策生成操作指令；
所述控制模块，用于根据决策模块的操作指令，自动调整吊车的操作参数；
所述反馈模块，用于将各个模块的输出结果进行检测，当检测到不安全的状态时，通过用户界面，将安全警告反馈给操作员；
所述用户界面，用于基于决策模块的操作指令和吊车的实际操作状态，为操作员提供实时的反馈和指引。
2.一种基于吊车吊装的负荷控制方法，其特征在于，包括以下步骤：
S1.对参数数据进行实时采集，并对实时采集到的吊车物理参数数据和吊装环境参数进行数据处理，采用负荷判断算法计算吊车的物理负荷，同时挖掘分析吊车历史工作物理参数数据和吊装环境历史参数数据，引入吊车工作物理参数与吊装环境参数之间的潜在关联模型；
S2.对吊车的物理负荷、吊车工作物理参数、吊装环境参数数据以及潜在关联模型进行数据分析，同时，对潜在关联模型进行实时更新，得到吊车的实时工作状态；
S3.基于吊装环境历史参数数据预测未来环境变化，引入深度学习神经网络模型，得到吊装环境参数预测结果；
S4.通过决策树算法得到吊车工作状态的决策群，基于吊车工作状态的决策群构建网络拓扑结构，基于吊车实时工作状态和环境参数预测结果结合吊车工作状态的决策群，进行匹配处理，得到最佳应对决策；
S5.基于最佳应对决策生成的操作指令，自动调整吊车的操作参数；
应用于如权利要求1所述的一种基于吊车吊装的负荷控制系统。
3.根据权利要求2所述的一种基于吊车吊装的负荷控制方法，其特征在于，所述S1，具体包括：
利用参数获取模块实时采集吊车物理参数，通过滑动平均滤波对采集到的吊车物理参数进行数据处理，引入负荷判断算法得到吊车的物理负荷再判断吊车的物理负荷状态。
4.根据权利要求2所述的一种基于吊车吊装的负荷控制方法，其特征在于，在所述S1中，还包括：
分析吊车历史工作物理参数和吊装环境历史参数，选择与吊车物理负荷最相关的特征，构成特征集，通过特征构建对所述特征集进行扩展处理，得到扩展特征集，整理所述扩展特征集，对整理后的扩展特征集进行标签编码，将编码后的特征集使用线性回归、决策树和随机森林算法分别训练，并将线性回归、决策树和随机森林算法的模型结果进行加权平均或投票，得到潜在关联模型。
5.根据权利要求2所述的一种基于吊车吊装的负荷控制方法，其特征在于，所述S2，具体包括：
利用潜在关联模型预测吊车的物理负荷，引入权重系数α来平衡实际物理负荷数据和模型预测的负荷数据，同时对潜在关联模型进行实时更新，得到吊车的实时工作状态。
6.根据权利要求2所述的一种基于吊车吊装的负荷控制方法，其特征在于，所述S4，具体包括：
基于决策群构建网络拓扑结构，所述网络拓扑结构被看作是一个图，其中每个节点代表一个工作状态，而边则代表从一个状态到另一个状态的潜在转变。
7.根据权利要求6所述的一种基于吊车吊装的负荷控制方法，其特征在于，在所述S4中，还包括：
计算吊车的实时工作状态和决策群中的每个工作状态的相关性，基于所述相关性，选择相关性大于阈值μ的工作状态构成第一匹配集合；μ由经验法获得；基于第一匹配集合，通过查找网格，得到第一决策匹配集合；结合环境参数预测结果，计算吊车的实时工作状态和所述第一决策匹配集合的契合概率，并选择契合概率最高的决策作为最佳应对决策，最后，根据最佳应对决策生成操作指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096029.8A CN117923331B (zh) | 2024-01-23 | 2024-01-23 | 一种基于吊车吊装的负荷控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096029.8A CN117923331B (zh) | 2024-01-23 | 2024-01-23 | 一种基于吊车吊装的负荷控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117923331A true CN117923331A (zh) | 2024-04-26 |
| CN117923331B CN117923331B (zh) | 2025-01-28 |
Family
ID=90755286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410096029.8A Active CN117923331B (zh) | 2024-01-23 | 2024-01-23 | 一种基于吊车吊装的负荷控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117923331B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119073185A (zh) * | 2024-10-10 | 2024-12-06 | 广州市园林建设集团有限公司 | 基于机器视觉的装配式大树移植装置及移植方法 |
| CN119330219A (zh) * | 2024-12-18 | 2025-01-21 | 无锡学院 | 基于mlp神经网络反演的悬臂式起重机防摆控制方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BG1193U1 (bg) * | 2008-05-15 | 2009-07-31 | Димитър ЛЕВСКИ | Насочваща и следяща система за товароподемни кранове |
| CN115180520A (zh) * | 2022-07-07 | 2022-10-14 | 徐州重型机械有限公司 | 一种起重机物联网数据采集分析系统及方法 |
| CN116191508A (zh) * | 2022-12-25 | 2023-05-30 | 国网湖北省电力有限公司电力科学研究院 | 一种计及风光出力的含储能有源配电网经济运行优化方法 |
| CN116865251A (zh) * | 2023-07-04 | 2023-10-10 | 西安交通大学 | 一种短期负荷概率预测方法及系统 |
| CN117078227A (zh) * | 2023-08-08 | 2023-11-17 | 南方电网数字平台科技(广东)有限公司 | 一种基于标识解析的环境监测运维平台 |
-
2024
- 2024-01-23 CN CN202410096029.8A patent/CN117923331B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BG1193U1 (bg) * | 2008-05-15 | 2009-07-31 | Димитър ЛЕВСКИ | Насочваща и следяща система за товароподемни кранове |
| CN115180520A (zh) * | 2022-07-07 | 2022-10-14 | 徐州重型机械有限公司 | 一种起重机物联网数据采集分析系统及方法 |
| CN116191508A (zh) * | 2022-12-25 | 2023-05-30 | 国网湖北省电力有限公司电力科学研究院 | 一种计及风光出力的含储能有源配电网经济运行优化方法 |
| CN116865251A (zh) * | 2023-07-04 | 2023-10-10 | 西安交通大学 | 一种短期负荷概率预测方法及系统 |
| CN117078227A (zh) * | 2023-08-08 | 2023-11-17 | 南方电网数字平台科技(广东)有限公司 | 一种基于标识解析的环境监测运维平台 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119073185A (zh) * | 2024-10-10 | 2024-12-06 | 广州市园林建设集团有限公司 | 基于机器视觉的装配式大树移植装置及移植方法 |
| CN119330219A (zh) * | 2024-12-18 | 2025-01-21 | 无锡学院 | 基于mlp神经网络反演的悬臂式起重机防摆控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117923331B (zh) | 2025-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Massaoudi et al. | A novel stacked generalization ensemble-based hybrid LGBM-XGB-MLP model for Short-Term Load Forecasting | |
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| Garcia Marquez et al. | A comprehensive review of artificial intelligence and wind energy | |
| Renani et al. | Using data-driven approach for wind power prediction: A comparative study | |
| CN117923331A (zh) | 一种基于吊车吊装的负荷控制系统及方法 | |
| CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN111277434A (zh) | 一种基于vmd和lstm的网络流量多步预测方法 | |
| CN106372799B (zh) | 一种电网安全风险预测方法 | |
| Singh et al. | Integrated forecasting using the discrete wavelet theory and artificial intelligence techniques to reduce the bullwhip effect in a supply chain | |
| CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
| CN114519923B (zh) | 一种电厂智能诊断预警方法和系统 | |
| CN107392368A (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
| CN108255854A (zh) | 基于粒子群优化的模糊神经网络数据挖掘方法 | |
| CN106997495A (zh) | 一种电力负荷预测方法 | |
| CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
| CN115660293B (zh) | 基于数字孪生的复杂机电产品全生命周期综合评价方法 | |
| CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
| Qiu et al. | Short-term performance metrics forecasting for virtual machine to support anomaly detection using hybrid ARIMA-WNN model | |
| CN113988398A (zh) | 一种风电机组功率预测方法、装置、电子设备和存储介质 | |
| CN111582593A (zh) | 一种基于工业用电大数据的数据清洗的集成方法 | |
| CN115494562A (zh) | 一种考虑风速风向相关性的间接预测风向方法 | |
| CN118761603A (zh) | 一种后浇带工程项目资源调度系统 | |
| CN117994076A (zh) | 一种基于大数据的天然气管网调度节能评估方法 | |
| CN117077532A (zh) | 风电机组寿命预测的多模型融合方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20250103 Address after: Room 1001, No. 777, North Innovation and Entrepreneurship Building, 204 National Highway, Xiaomajiatuan, Cangma Town, Huangdao District, Qingdao City, Shandong Province, China 266500 Applicant after: Qingdao Tianzhiyuan Energy Technology Co.,Ltd. Country or region after: China Address before: Building B, 10th Floor, Blue Ocean Software Park, No.1 Blue Sea Road, High tech Zone, Yantai City, Shandong Province, 264000 Applicant before: SHANDONG HENGHAO INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |