CN115165725A - 一种基于数据驱动的海上装备腐蚀监测与安全预警*** - Google Patents
一种基于数据驱动的海上装备腐蚀监测与安全预警*** Download PDFInfo
- Publication number
- CN115165725A CN115165725A CN202210737485.7A CN202210737485A CN115165725A CN 115165725 A CN115165725 A CN 115165725A CN 202210737485 A CN202210737485 A CN 202210737485A CN 115165725 A CN115165725 A CN 115165725A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- data
- sensor
- unit
- time
- 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.)
- Pending
Links
- 238000005260 corrosion Methods 0.000 title claims abstract description 229
- 230000007797 corrosion Effects 0.000 title claims abstract description 229
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000013500 data storage Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012423 maintenance Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000003411 electrode reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000004090 dissolution Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241001513371 Knautia arvensis Species 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- -1 polytetrafluoroethylene Polymers 0.000 description 2
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 2
- 239000004810 polytetrafluoroethylene Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/02—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by magnetic means, e.g. reluctance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/04—Corrosion probes
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Environmental Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于数据驱动的海上装备腐蚀监测与安全预警***，包括硬件单元、数据存储单元和软件单元；硬件单元包括腐蚀传感器和振动传感器，用于采集海上装备部件与腐蚀相关的传感器信号；数据存储单元用于对采集的传感器信号进行数据储存、数据预处理以及运维安全日志管理；软件单元用于利用神经网络模型算法对输入的预处理后的数据进行训练和预测，输出所监测部件的腐蚀趋势的预测值和腐蚀程度的分类结果，并判断是否发出安全警报。本发明采用多传感器融合技术，将传感器信号编译为腐蚀损失量的同时基于卷积神经网络和注意力机制，使海上装备重要部件处腐蚀情况得到数字化展示并对腐蚀数据库加以积累，提高了腐蚀安全监测预警的准确性。
Description
技术领域
本发明涉及材料腐蚀失效监测技术领域，特别涉及一种基于数据驱动的海上装备腐蚀监测与安全预警***。
背景技术
海洋资源开发、海上交通、海洋基础设施、石油钻井平台、海上风能、跨海大桥等装备设施常年处在腐蚀性极其恶劣的海洋大气环境下，装备设施会发生严重腐蚀失效，带来巨大的维护成本和服役安全隐患。所以对海上装备的准确故障诊断和及早的安全排查***可用于安排维修、延长使用寿命以及确保服役安全。
目前，实施腐蚀状态监测最常见方法为人工巡检或者在装备设施安装单一腐蚀传感器监测。前者需要专业技术人员操作，费时费力却仍然避免不了误判发生；后者通过判断单一测量值或简单运算值是否在指定范围判定腐蚀状况，但实际服役中，单一传感器因无法高效准确辨识复杂多变的环境而经常发送大量错误警报，导致误报浪费人力或漏报发生损坏。这是因为装备设施的腐蚀安全状况无法根据单个测量的分析来可靠地判断，单一传感器故障信号的非稳性、微弱性、随机性使得腐蚀事故发生初期的故障信号很容易淹没在噪声中，这也丧失了监测的意义。
腐蚀诊断不是一一对应的简单求解过程，应综合运用现代多学科融合技术综合判断。腐蚀的发生与海上大气环境中的温湿度及氯离子强相关，氯离子浓度与风速风向强相关。同时，所监测部件处腐蚀的影响会导致一定程度质量损失及腐蚀产物附着，腐蚀程度与部件振动加速度、振幅会存在相互促进的潜在关联。因此亟需一种基于多传感设备融合及多算法融合的状态监测与安全预警***来实现对海上设备进行腐蚀安全状态持续监测、故障诊断以及未来腐蚀趋势预判。
发明内容
本发明的目的在于提供一种基于数据驱动的海上装备腐蚀监测与安全预警***，以解决现有海上装备故障监测技术因未考虑材料腐蚀损失而误判误报以及传统腐蚀监测手段难以对海上装备的轴承、紧固件、螺栓等特殊位置进行腐蚀监测的技术问题。
为解决上述技术问题，本发明的实施例提供如下方案：
一种基于数据驱动的海上装备腐蚀监测与安全预警***，包括硬件单元、数据存储单元和软件单元，所述硬件单元与所述数据存储单元相连，所述数据存储单元与所述软件单元相连；
所述硬件单元包括腐蚀传感器和振动传感器，用于采集海上装备部件与腐蚀相关的传感器信号；
所述数据存储单元用于对采集的传感器信号进行数据储存、数据预处理以及运维安全日志管理；
所述软件单元用于利用神经网络模型算法对输入的预处理后的数据进行训练和预测，输出所监测部件的腐蚀预测值和腐蚀程度的分类结果，并判断是否发出安全警报。
优选地，所述腐蚀传感器包括内置的腐蚀双电极探测器、环境温湿度探测器、风速风向探测器以及第一数据采集器；各探测器探头贴合安装在监测部件所处环境外部，用于采集与所监测部件相同材料在所处环境下的腐蚀电流信号与环境参数；
所述振动传感器包括多个电涡流位移传感元件与第二数据采集器，用于采集所监测海上装备运行过程中的振动参数，所述振动参数包括振动加速度和振幅。
优选地，所述第一数据采集器包括第一微控制器、第一数据存储卡和第一接收发射装置，所述第一数据存储卡和所述第一接收发射装置均与所述第一微控制器连接，所述第一数据采集器用于将所述腐蚀传感器采集的数据传输至所述数据存储单元进行预处理；
所述第二数据采集器包括第二微控制器、第二数据存储卡和第二接收发射装置，所述第二数据存储卡和所述第二接收发射装置均与所述第二微控制器连接，所述第二数据采集器用于将所述振动传感器采集的数据传输至所述数据存储单元进行预处理。
优选地，所述数据存储单元包括存储模块、日志管理模块和预处理模块；所述存储模块用于存储所述硬件单元采集的与腐蚀相关的传感器信号，所述日志管理模块用于对部件的腐蚀安全运行情况与失效维护情况进行日志管理，所述预处理模块用于对采集的传感器信号进行腐蚀参数量化转换、异常值剔除、降噪预处理，并完成数据时间配准和空间配准、异类传感器信号特征提取与融合，使得各传感器信号都能够用于腐蚀状态信息的诊断识别。
优选地，所述腐蚀参数量化转换，是根据腐蚀传感器采集的腐蚀电流信号、环境响应系数和当下腐蚀反应的化学计量系数来表示：
式中，vcorr为腐蚀参数，F为法拉第常数，单位：C/mol；Mj为摩尔质量，单位：kg/mol；ρj为物种的密度，单位：kg/m；i为腐蚀传感器电流信号测量值，单位：A/cm2；P为环境响应系数；T为腐蚀反应的化学计量系数；n为反应参与电子数；j为物质系数；m为电极反应系数；
所述腐蚀参数量化转换用于在进行模型训练前量化由腐蚀传感器电极反应引起的腐蚀溶解速率，使腐蚀传感器采集的信号变为直接反应腐蚀程度的物理量；
所述环境响应系数是通过收集环境参数与腐蚀参数建立的特征系数，能够定量化反应当下的环境条件对所监测部件的腐蚀加速效应，数学表达式为：
式中，T和RH分别为环境温湿度探测器的温度实测值和湿度实测值，
为所处环境下氯离子的推测值，与风速成正相关，可以为定值；A、B、C是所监测部件材料对各环境变量敏感系数，用于将环境参数对所监测部件材料的腐蚀影响重要性进行定量，其加和为1；a、b、c、d、e、f是不同环境因素对所监测部件材料腐蚀加速公式中的参数；
所述环境响应系数用于提高腐蚀参数量化转换的精度。
优选地，所述软件单元包括算法模块；
所述算法模块包括GRU神经网络模型和CTSAN神经网络模型；所述GRU神经网络模型用于基于GRU神经网络和参量注意力机制对所监测部件腐蚀趋势进行预测；所述CTSAN神经网络模型用于输出所监测部件瞬态腐蚀程度的分类结果。
优选地，所述软件单元还包括输出模块，所述输出模块与所述算法模块相连；
所述输出模块包括控制器、展示器和报警器；所述控制器用于设置所监测部件正常腐蚀状态下目标建模参量实际值与预测值之间的残差上限，并设定越限时长的阈值，以识别腐蚀异常状态；所述展示器用于展示所监测部件的瞬时腐蚀状态和腐蚀程度分类结果；所述报警器用于当控制器识别出连续越限时长超过所述阈值时发出故障告警信号。
优选地，所述GRU神经网络模型包括参量注意力层、GRU层以及全连接层；其工作模式为：对所述数据存储单元输入的正常运行训练数据集以及预处理后测试数据集进行训练；在训练阶段，输入正常运行训练数据集训练出所监测部件的正常腐蚀行为模型；在部件腐蚀状态监测过程中，将预处理后测试数据集输入已训练的正常腐蚀行为模型，得到正常腐蚀安全运行数据的预测值。
优选地，所述GRU神经网络模型中，以序列单时间步长的输入参量向量x(t)＝[x1 (t),x2 (t)...,xm (t)]作为参量注意力机制输入，根据g(t)＝σ(Wx(t)+b)量化当前参量的权重，σ为sigmoid激活函数；W为可训练系数矩阵；b为偏置矩阵；并通过softmax函数对各注意力权重做归一化处理，使其满足权重之和为1的概率分布，归一化后的注意力权重与其相应参量值相乘以对第i个输入参量进行增强或削弱，从而得到加权输入向量x'(t)。
优选地，所述GRU神经网络模型包括更新门和复位门，其中更新门控制上一时刻隐藏状态有多少信息转移到当前时刻；复位门决定是否忽略先前隐藏状态；每个GRU单元内部基于t-1时刻输出的隐藏状态y(t-1)和t时刻的输入时间序列x(t)来计算t时刻输出的隐藏状态y(t)，隐藏状态y(t)＝f(y(t-1),x(t))表征各单元提取的隐藏时序信息，则t时刻更新门表示为：gt＝σ(Wgx(t)+Ught-1+bg)，复位门表示为ft＝σ(Wfx(t)+Ufht-1+bf)，其中W和U是系数转置矩阵。
优选地，所述CTSAN神经网络模型包括卷积特征提取层、空间注意力层、时序注意力层以及分类层；其工作模式为：将经过所述数据存储单元预处理好的多元时间序列X＝[x1,x2...,xt]基于卷积特征提取层提取感兴趣的时间间隔的特征，将模型关注点由数量较多的时间点转换到数量较少的时间间隔序列C＝[C1,C2...,Ct]；接着将时间间隔特征送至空间注意力层，输出所有间隔的全局空间特征C'＝[C'1,C'2...,C't]；然后将所有间隔的全局空间特征送至时序注意力层，输出考虑各间隔权重的全局时空特征C”；再将全局时空特征送至分类层，输出该序列对应的预测类别
最后，给定一组训练实例，对模型中各层系数进行迭代更新，最终得到CTSAN腐蚀故障分类模型。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例提供的基于数据驱动的海上装备腐蚀状态监测与安全预警***，能够实现对海上装备重要部件处腐蚀损伤进行及时预警，并对未来腐蚀发展趋势做出更准确的判断。与传统的先发生腐蚀事故，再检测到失效信号相比，本发明实现了腐蚀发生的瞬时监测和发展趋势判断；相对于传统硬编码警报上下限会发送大量错误警报的弊端，本发明在算法控制上达到预设阙值一定时长才会触发腐蚀安全警报；与传统的单传感器获取腐蚀信息相比，本发明融合多传感器信号特征，丰富了信源、拓宽了信道，在高自动化、智能化基础上预判腐蚀事故的发生，能够协助维护人员及时更换部件，提升海上装备腐蚀安全监测的水平。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于数据驱动的海上装备腐蚀监测与安全预警***的结构示意图；
图2是本发明实施例提供的***实际工作流程图；
图3是本发明实施例提供的腐蚀双电极传感器探头结构示意图；
图4是本发明实施例提供的监测过程中实测值与预测值的示意图；
图5是本发明实施例提供的腐蚀状态展示界面示意图。
如图所示，为了能明确实现本发明的实施例的结构，在图中标注了特定的结构和器件，但这仅为示意需要，并非意图将本发明限定在该特定结构、器件和环境中，根据具体需要，本领域的普通技术人员可以将这些器件和环境进行调整或者修改，所进行的调整或者修改仍然包括在本发明的保护范围中。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的实施例提供了一种基于数据驱动的海上装备腐蚀监测与安全预警***，如图1所示，所述***包括硬件单元1、数据存储单元2和软件单元3，硬件单元1与数据存储单元2相连，数据存储单元2与软件单元3相连；
硬件单元1包括腐蚀传感器11和振动传感器12，用于采集海上装备部件与腐蚀相关的传感器信号；
数据存储单元2用于对采集的传感器信号进行数据储存、数据预处理以及运维安全日志管理；
软件单元3用于利用神经网络模型算法对输入的预处理后的数据进行训练和预测，输出所监测部件的腐蚀预测值和腐蚀程度的分类结果，并判断是否发出安全警报。
进一步地，腐蚀传感器11包括内置的腐蚀双电极探测器、环境温湿度探测器、风速风向探测器以及第一数据采集器；各探测器探头贴合安装在监测部件所处环境外部，用于采集与所监测部件相同材料在所处环境下的腐蚀电流信号与环境参数。
振动传感器12包括多个电涡流位移传感元件与第二数据采集器，用于采集所监测海上装备运行过程中的振动参数，所述振动参数包括振动加速度和振幅。
其中，所述第一数据采集器包括第一微控制器、第一数据存储卡和第一接收发射装置，所述第一数据存储卡和所述第一接收发射装置均与所述第一微控制器连接，所述第一数据采集器用于将腐蚀传感器11采集的数据传输至数据存储单元2进行预处理；
所述第二数据采集器包括第二微控制器、第二数据存储卡和第二接收发射装置，所述第二数据存储卡和所述第二接收发射装置均与所述第二微控制器连接，所述第二数据采集器用于将振动传感器12采集的数据传输至数据存储单元2进行预处理。
本发明实施例中，所述腐蚀双电极探测器测得不同强度的腐蚀电流信号可以直接反映腐蚀发生强度的大小，但由于探头的极化作用和环境原因影响带来监测信号的噪声问题，因此在腐蚀传感器11内部安插环境温湿度探测器以及风速风向探测器，以提高探测精度。
优选地，所述腐蚀双电极探测器包括：匀相双电极腐蚀探测器、电偶双电极腐蚀探测器、电阻式双电极腐蚀探测器、电偶双电极电位腐蚀探测器等。
进一步地，数据存储单元2包括存储模块21、日志管理模块22和预处理模块23；其中，存储模块21用于存储硬件单元1采集的与腐蚀相关的传感器信号，日志管理模块22用于对部件的腐蚀安全运行情况与失效维护情况进行日志管理，预处理模块23用于对采集的传感器信号进行腐蚀参数量化转换、异常值剔除、降噪预处理，并完成数据时间配准和空间配准、异类传感器信号特征提取与融合，使得各个传感器信号都能够用于腐蚀状态信息的诊断识别。
本发明实施例中，所述腐蚀参数量化转换，是根据腐蚀传感器采集的腐蚀电流信号、环境响应系数和当下腐蚀反应的化学计量系数来表示：
式中，vcorr为腐蚀参数，F为法拉第常数，单位：C/mol；Mj为摩尔质量，单位：kg/mol；ρj为物种的密度，单位：kg/m；i为腐蚀传感器电流信号测量值，单位：A/cm2；P为环境响应系数；T为腐蚀反应的化学计量系数；n为反应参与电子数；j为物质系数；m为电极反应系数。
所述腐蚀参数量化转换用于在进行模型训练前量化由腐蚀传感器电极反应引起的腐蚀溶解速率，使腐蚀传感器采集的信号变为直接反应腐蚀程度的物理量。
所述环境响应系数是通过收集环境参数与腐蚀参数建立的特征系数，能够定量化反应当下的环境条件对所监测部件的腐蚀加速效应，数学表达式为：
式中，T和RH分别为环境温湿度探测器的温度实测值和湿度实测值，
为所处环境下氯离子的推测值，与风速成正相关，可以为定值；A、B、C是所监测部件材料对各环境变量敏感系数，用于将环境参数对所监测部件材料的腐蚀影响重要性进行定量，其加和为1，通过腐蚀传感器监测初期的腐蚀电流数据利用统计学方法，回归算法、随机森林等方法计算得到；a、b、c、d、e、f是不同环境因素对所监测部件材料腐蚀加速公式中的参数，通过腐蚀传感器监测初期的腐蚀电流数据、环境参数数据利用非线性回归法计算得到；所述环境响应系数用于提高腐蚀参数量化转换的精度。
本发明实施例中，所述数据降噪的方式，包括均值小波包降噪，快速傅里叶变换降噪等；所述特征值的提取包括均值、自相关、滤波器、功率谱密度以及方差等统计学手段等。
进一步地，软件单元3包括算法模块31；算法模块31包括包含两个神经网络模型，用于将历史数据进行模型训练并且将实时数据套用训练好的模型进行腐蚀信号的预测和分类。
具体地，算法模块31包括GRU神经网络模型311和CTSAN神经网络模型312(可卷积时空注意力神经网络模型)；GRU神经网络模型311用于基于GRU神经网络和参量注意力机制对所监测部件腐蚀趋势进行预测；CTSAN神经网络模型312用于输出所监测部件瞬态腐蚀程度的分类结果。
本发明实施例中，所述GRU神经网络模型311包括参量注意力层、GRU层以及全连接层；其工作模式为：对数据存储单元2输入的正常运行训练数据集以及预处理后测试数据集进行训练；在训练阶段，输入正常运行训练数据集训练出所监测部件的正常腐蚀行为模型；在部件腐蚀状态监测过程中，将预处理后测试数据集输入已训练的正常腐蚀行为模型，得到正常腐蚀安全运行数据的预测值。
所述GRU神经网络模型311中，以序列单时间步长的输入参量向量x(t)＝[x1 (t),x2 (t)...,xm (t)]作为参量注意力机制输入，根据g(t)＝σ(Wx(t)+b)量化当前参量的权重，σ为sigmoid激活函数；W为可训练系数矩阵；b为偏置矩阵；并通过softmax函数对各注意力权重做归一化处理，使其满足权重之和为1的概率分布，归一化后的注意力权重与其相应参量值相乘以对第i个输入参量进行增强或削弱，从而得到加权输入向量x'(t)。
所述GRU神经网络模型311包括更新门和复位门，其中更新门控制上一时刻隐藏状态有多少信息转移到当前时刻；复位门决定是否忽略先前隐藏状态；每个GRU单元内部基于t-1时刻输出的隐藏状态y(t-1)和t时刻的输入时间序列x(t)来计算t时刻输出的隐藏状态y(t)，隐藏状态y(t)＝f(y(t-1),x(t))表征各单元提取的隐藏时序信息，则t时刻更新门表示为：gt＝σ(Wgx(t)+Ught-1+bg)，复位门表示为ft＝σ(Wfx(t)+Ufht-1+bf)，其中W和U是系数转置矩阵。
本发明实施例中，所述CTSAN神经网络模型312包括卷积特征提取层、空间注意力层、时序注意力层以及分类层；其工作模式为：将经过数据存储单元2预处理好的多元时间序列X＝[x1,x2...,xt]基于卷积特征提取层提取感兴趣的时间间隔的特征，将模型关注点由数量较多的时间点转换到数量较少的时间间隔序列C＝[C1,C2...,Ct]；接着将时间间隔特征送至空间注意力层，基于
输出所有间隔的全局空间特征C'＝[C'1,C'2...,C't]；然后将所有间隔的全局空间特征送至时序注意力层，输出考虑各间隔权重的全局时空特征C”；再将全局时空特征送至分类层，输出该序列对应的预测类别
最后，给定一组训练实例，对模型中各层系数进行迭代更新，最终得到CTSAN腐蚀故障分类模型。
进一步地，软件单元3还包括输出模块32，输出模块32与算法模块31相连；输出模块32包括控制器321、展示器322和报警器323；控制器321用于设置所监测部件正常腐蚀状态下目标建模参量实际值与预测值之间的残差上限，并设定越限时长的阈值，以识别腐蚀异常状态；展示器322用于展示所监测部件的瞬时腐蚀状态和腐蚀程度分类结果；报警器323用于当控制器识别出连续越限时长超过所述阈值时发出故障告警信号。
优选地，可以设定60分钟为越限时长的阈值，即当连续越限超过60分钟时，报警器323会发出故障告警信号。
本发明实施例所述的基于数据驱动的海上装备腐蚀状态监测与安全预警***，在工作状态下，硬件单元1传感器采集到的信号通过内部的接收发射装置发送至数据存储单元2；数据存储单元2将预处理后的传感器信号再发送给软件单元3进行模型训练并输出腐蚀趋势预测结果和腐蚀程度分级结果。正因为本实施例采用多传感器融合技术并基于卷积神经网络和注意力机制，使得海上装备重要部件处腐蚀情况得到数字化展示，在实现腐蚀连续性监测的同时提高了腐蚀安全预警的准确性，并且以可理解的形式呈现模型提取的时空特征，进一步提高诊断结果的可靠性。
图2是本发明所述***的实际工作流程图，具体包括：
设置已知腐蚀损失状态的特征参量作为目标建模参量，其它运行参量及环境参量组成对应时刻的输入序列；
引入参量注意力机制将注意力集中于腐蚀状态预测的焦点区域，减少甚至忽略对其它区域的关注，挖掘出数据集输入参量与目标建模参量的关联关系，为各输入参量分配注意力权重，避免传统参量选择方法存在的主观阈值限制；
根据注意力权重完成增强关键参量表达并弱化冗余参量，避免现有参量选择方法因预设阈值选择部分输入参量而导致关联信息丢失；
将归一化后的注意力权重与其相应参量值进行增强或削弱，得到加权输入向量，随后输入GRU神经网络模型进行模型训练以提取隐藏时序信息；
最后将末端GRU单元输出的隐藏时序信息送至全连接层，以输出该序列对应的目标建模参量腐蚀损失情况的预测值。
于此同时，将记录在腐蚀安全运维日志中的数据在可卷积时空注意力网络(CTSAN)的卷积特征提取层将关注点由时间点转移到时间间隔；
紧接着，通过空间注意力层确定每个时间间隔中各空间参量的权重，再通过时序注意力层确定各时间间隔的权重，最后将综合考虑上述两部分权重的特征输入分类层以输出预测出的腐蚀类别。
在更具体的实施例中，选取与东海大桥风电场一号风机齿轮箱材料相同的钢种，裁剪为长度20mm、宽度10mm、厚度1mm的长方形钢片共14片，并准备长度20mm、宽度10mm、厚度0.1mm聚四氟乙烯绝缘垫片若干，每相邻两枚钢片间夹一枚聚四氟乙烯绝缘垫片，奇数号钢片导线相连作为阳极，偶数号钢片导线相连作为阴极，将所有试片压实且相邻两者之间不留任何缝隙后用环氧树脂封装，只露出一个测试表面，风干完成后阴极导线接数据采集器正极，阳极导线接数据采集器负极，制成腐蚀双电极传感器探头结构如图3所示。
将腐蚀双电极探测器探头及环境温湿度探测器探头固定在齿轮箱表面，电涡流位移传感元件贴合安装在齿轮箱内部，安装完成后进行传感器信号采集并获取东海大桥风电场一号风机齿轮箱腐蚀运行数据，获得的瞬时传感器数据及腐蚀安全运行日志发送至数据存储单元，在数据存储单元内通过采集的传感器数据(表1所示)进行传感器信号的腐蚀参数量化转换，此时只考虑发生材料内铁溶解反应，即
此时的化学计量系数为1；参与电子数为2；所监测钢材密度为7850kg/m3；相对分子质量0.056kg/mol，通过收集的初期传感器信号数据计算得到所监测部件材料在服役环境下腐蚀厚度的瞬时损失值，其中A为0.4、B为0.35、C为0.25；a、b、c、d、e、f的值分别为1.3e-11、7.1、21.75、75.5、0.26、0.73，则发生腐蚀参数量化转换后的瞬时腐蚀损失值可表示为：
之后再经预处理降噪去除异常值后发送至软件单元进行模型训练。
表1
监测过程中新输入的传感器信号在已训练的模型单元内参与计算并输出分类结果和预测值，通过图4控制器展示预处理除噪后的瞬时数据实测值和预测值，如达到预设残差上限并超过越限时长阙值则触发安全警报，说明此时东海大桥风电场一号风机齿轮箱处于腐蚀异常状态，机箱材料腐蚀严重，随时可能发生腐蚀断裂风险；如未达到预设残差上限则为正常腐蚀行为状态，此时可由展示器查看瞬时腐蚀状态和腐蚀程度分类结果，如图5所示，并将新输出的无异常瞬时腐蚀数据以运维安全日志的形式在数据存储单元内进行存储，从而达到海上风机腐蚀数据库的完善和神经网络模型的优化的效果。
综上，本实施例所述基于数据驱动的海上装备腐蚀状态监测与安全预警***，能够对海上装备重要部件处腐蚀安全服役状况进行连续监控，通过构建腐蚀参数量化转换方程和环境响应系数将传感器信号编译为直观的腐蚀信息，并融合多种算法模型基于大数据技术对所监测部件的瞬态腐蚀程度做出分类评估，对未来腐蚀发生趋势做出预测，在提升腐蚀监测精度的同时一改传统腐蚀失效监测的“先发生，再检测”现象，对海上装备重要部件在发生腐蚀失效之前提前进行预警。
并且本实施例所述基于数据驱动的海上装备腐蚀状态监测与安全预警***采用了多传感器融合技术，排除了单一传感器经常发生误报漏报的弊端，丰富了信源、拓宽了信道，实现高自动化、智能化基础上预判腐蚀事故的发生及协助维护人员及时更换设备部件，同时可积累大量腐蚀及与腐蚀相关的数据，丰富海上装备安全服役的腐蚀数据库，实现了海上装备腐蚀安全监测的良性循环，也为海上装备的选材提供理论支持。
需要说明的是，在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例(无论是否明确描述)实现这种特征、结构或特性应在相关领域技术人员的知识范围内。
通常，可以至少部分从上下文中的使用来理解术语。例如，至少部分取决于上下文，本文中使用的术语“一个或多个”可以用于描述单数意义的任何特征、结构或特性，或者可以用于描述复数意义的特征、结构或特性的组合。另外，术语“基于”可以被理解为不一定旨在传达一组排他性的因素，而是可以替代地，至少部分地取决于上下文，允许存在不一定明确描述的其他因素。
如本文使用的，术语“标称/标称地”是指在生产或制造过程的设计阶段期间设置的针对部件或过程操作的特性或参数的期望或目标值，以及高于和/或低于期望值的值的范围。值的范围可能是由于制造过程或容限中的轻微变化导致的。如本文使用的，术语“大约”指示可以基于与主题半导体器件相关联的特定技术节点而变化的给定量的值。基于特定技术节点，术语“大约”可以指示给定量的值，其例如在值的5％-15％(例如，值的±5％、±10％或±15％)内变化。
可以理解的是，本公开中的“在……上”、“在……之上”和“在……上方”的含义应当以最宽方式被解读，以使得“在……上”不仅表示“直接在”某物“上”而且还包括在某物“上”且其间有居间特征或层的含义，并且“在……之上”或“在……上方”不仅表示“在”某物“之上”或“上方”的含义，而且还可以包括其“在”某物“之上”或“上方”且其间没有居间特征或层的含义。
此外，诸如“在…之下”、“在…下方”、“下部”、“在…之上”、“上部”等空间相关术语在本文中为了描述方便可以用于描述一个元件或特征与另一个或多个元件或特征的关系，如在附图中示出的。空间相关术语旨在涵盖除了在附图所描绘的取向之外的在设备使用或操作中的不同取向。设备可以以另外的方式被定向，并且本文中使用的空间相关描述词可以类似地被相应解释。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，包括硬件单元、数据存储单元和软件单元，所述硬件单元与所述数据存储单元相连，所述数据存储单元与所述软件单元相连；
所述硬件单元包括腐蚀传感器和振动传感器，用于采集海上装备部件与腐蚀相关的传感器信号；
所述数据存储单元用于对采集的传感器信号进行数据储存、数据预处理以及运维安全日志管理；
所述软件单元用于利用神经网络模型算法对输入的预处理后的数据进行训练和预测，输出所监测部件的腐蚀预测值和腐蚀程度的分类结果，并判断是否发出安全警报。
2.根据权利要求1所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述腐蚀传感器包括内置的腐蚀双电极探测器、环境温湿度探测器、风速风向探测器以及第一数据采集器；各探测器探头贴合安装在监测部件所处环境外部，用于采集与所监测部件相同材料在所处环境下的腐蚀电流信号与环境参数；
所述振动传感器包括多个电涡流位移传感元件与第二数据采集器，用于采集所监测海上装备运行过程中的振动参数，所述振动参数包括振动加速度和振幅。
3.根据权利要求2所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述第一数据采集器包括第一微控制器、第一数据存储卡和第一接收发射装置，所述第一数据存储卡和所述第一接收发射装置均与所述第一微控制器连接，所述第一数据采集器用于将所述腐蚀传感器采集的数据传输至所述数据存储单元进行预处理；
所述第二数据采集器包括第二微控制器、第二数据存储卡和第二接收发射装置，所述第二数据存储卡和所述第二接收发射装置均与所述第二微控制器连接，所述第二数据采集器用于将所述振动传感器采集的数据传输至所述数据存储单元进行预处理。
4.根据权利要求1所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述数据存储单元包括存储模块、日志管理模块和预处理模块；所述存储模块用于存储所述硬件单元采集的与腐蚀相关的传感器信号，所述日志管理模块用于对部件的腐蚀安全运行情况与失效维护情况进行日志管理，所述预处理模块用于对采集的传感器信号进行腐蚀参数量化转换、异常值剔除、降噪预处理，并完成数据时间配准和空间配准、异类传感器信号特征提取与融合，使得各个传感器信号都能够用于腐蚀状态信息的诊断识别。
5.根据权利要求4所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述腐蚀参数量化转换，是根据腐蚀传感器采集的腐蚀电流信号、环境响应系数和当下腐蚀反应的化学计量系数来表示：
式中，vcorr为腐蚀参数，F为法拉第常数，单位：C/mol；Mj为摩尔质量，单位：kg/mol；ρj为物种的密度，单位：kg/m；i为腐蚀传感器电流信号测量值，单位：A/cm2；P为环境响应系数；T为腐蚀反应的化学计量系数；n为反应参与电子数；j为物质系数；m为电极反应系数；
所述腐蚀参数量化转换用于在进行模型训练前量化由腐蚀传感器电极反应引起的腐蚀溶解速率，使腐蚀传感器采集的信号变为直接反应腐蚀程度的物理量；
所述环境响应系数是通过收集环境参数与腐蚀参数建立的特征系数，能够定量化反应当下的环境条件对所监测部件的腐蚀加速效应，数学表达式为：
式中，T和RH分别为环境温湿度探测器的温度实测值和湿度实测值，DCl-为所处环境下氯离子的推测值，与风速成正相关，可以为定值；A、B、C是所监测部件材料对各环境变量敏感系数，用于将环境参数对所监测部件材料的腐蚀影响重要性进行定量，其加和为1；a、b、c、d、e、f是不同环境因素对所监测部件材料腐蚀加速公式中的参数；
所述环境响应系数用于提高腐蚀参数量化转换的精度。
6.根据权利要求1所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述软件单元包括算法模块；
所述算法模块包括GRU神经网络模型和CTSAN神经网络模型；所述GRU神经网络模型用于基于GRU神经网络和参量注意力机制对所监测部件腐蚀趋势进行预测；所述CTSAN神经网络模型用于输出所监测部件瞬态腐蚀程度的分类结果；
所述软件单元还包括输出模块，所述输出模块与所述算法模块相连；
所述输出模块包括控制器、展示器和报警器；所述控制器用于设置所监测部件正常腐蚀状态下目标建模参量实际值与预测值之间的残差上限，并设定越限时长的阈值，以识别腐蚀异常状态；所述展示器用于展示所监测部件的瞬时腐蚀状态和腐蚀程度分类结果；所述报警器用于当控制器识别出连续越限时长超过所述阈值时发出故障告警信号。
7.根据权利要求6所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述GRU神经网络模型包括参量注意力层、GRU层以及全连接层；其工作模式为：对所述数据存储单元输入的正常运行训练数据集以及预处理后测试数据集进行训练；在训练阶段，输入正常运行训练数据集训练出所监测部件的正常腐蚀行为模型；在部件腐蚀状态监测过程中，将预处理后测试数据集输入已训练的正常腐蚀行为模型，得到正常腐蚀安全运行数据的预测值。
8.根据权利要求7所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述GRU神经网络模型中，以序列单时间步长的输入参量向量x(t)＝[x1 (t),x2 (t)...,xm (t)]作为参量注意力机制输入，根据g(t)＝σ(Wx(t)+b)量化当前参量的权重，σ为sigmoid激活函数；W为可训练系数矩阵；b为偏置矩阵；并通过softmax函数对各注意力权重做归一化处理，使其满足权重之和为1的概率分布，归一化后的注意力权重与其相应参量值相乘以对第i个输入参量进行增强或削弱，从而得到加权输入向量x'(t)。
9.根据权利要求8所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述GRU神经网络模型包括更新门和复位门，其中更新门控制上一时刻隐藏状态有多少信息转移到当前时刻；复位门决定是否忽略先前隐藏状态；每个GRU单元内部基于t-1时刻输出的隐藏状态y(t-1)和t时刻的输入时间序列x(t)来计算t时刻输出的隐藏状态y(t)，隐藏状态y(t)＝f(y(t-1),x(t))表征各单元提取的隐藏时序信息，则t时刻更新门表示为：gt＝σ(Wgx(t)+Ught-1+bg)，复位门表示为ft＝σ(Wfx(t)+Ufht-1+bf)，其中W和U是系数转置矩阵。
10.根据权利要求6所述的基于数据驱动的海上装备腐蚀监测与安全预警***，其特征在于，所述CTSAN神经网络模型包括卷积特征提取层、空间注意力层、时序注意力层以及分类层；其工作模式为：将经过所述数据存储单元预处理好的多元时间序列X＝[x1,x2...,xt]基于卷积特征提取层提取感兴趣的时间间隔的特征，将模型关注点由数量较多的时间点转换到数量较少的时间间隔序列C＝[C1,C2...,Ct]；接着将时间间隔特征送至空间注意力层，输出所有间隔的全局空间特征C'＝[C'1,C'2...,C't]；然后将所有间隔的全局空间特征送至时序注意力层，输出考虑各间隔权重的全局时空特征C”；再将全局时空特征送至分类层，输出该序列对应的预测类别
最后，给定一组训练实例，对模型中各层系数进行迭代更新，最终得到CTSAN腐蚀故障分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737485.7A CN115165725A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据驱动的海上装备腐蚀监测与安全预警*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210737485.7A CN115165725A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据驱动的海上装备腐蚀监测与安全预警*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115165725A true CN115165725A (zh) | 2022-10-11 |
Family
ID=83487559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210737485.7A Pending CN115165725A (zh) | 2022-06-27 | 2022-06-27 | 一种基于数据驱动的海上装备腐蚀监测与安全预警*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115165725A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116572535A (zh) * | 2023-07-11 | 2023-08-11 | 深圳市雄毅华绝缘材料有限公司 | 一种高分子材料产品的生产优化方法及*** |
| US11879599B2 (en) | 2022-12-16 | 2024-01-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods, Internet of Things systems, and mediums for assessing electrochemical corrosion of smart gas pipeline |
| CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测***及介质 |
-
2022
- 2022-06-27 CN CN202210737485.7A patent/CN115165725A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11879599B2 (en) | 2022-12-16 | 2024-01-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods, Internet of Things systems, and mediums for assessing electrochemical corrosion of smart gas pipeline |
| CN116572535A (zh) * | 2023-07-11 | 2023-08-11 | 深圳市雄毅华绝缘材料有限公司 | 一种高分子材料产品的生产优化方法及*** |
| CN117762861A (zh) * | 2023-12-18 | 2024-03-26 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测***及介质 |
| CN117762861B (zh) * | 2023-12-18 | 2024-07-02 | 青岛青软晶尊微电子科技有限公司 | 一种基于神经网络的油轮腐蚀预测***及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警*** | |
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
| CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
| CN116026389A (zh) | 一种基于数据分析的智能传感器运行检测*** | |
| CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
| CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和*** | |
| CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
| CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
| CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
| CN116105802B (zh) | 一种基于物联网的地下设施安全监测预警方法 | |
| CN110764474B (zh) | 监测设备运行状态的方法和*** | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及*** | |
| CN114450483A (zh) | 风力涡轮发电机的异常状况的检测 | |
| CN103487250B (zh) | 基于二维投射的煤矿设备预知维护方法 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN103868492A (zh) | 运营状态下斜拉桥竖向变形性能的退化报警方法 | |
| CN113281616A (zh) | 一种基于专家***的输电线路故障诊断方法、***及架构 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN116306262A (zh) | 一种基于集成学习算法的镀锌钢腐蚀预测方法 | |
| CN112348419B (zh) | 一种物联网处理***和方法 | |
| CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** | |
| KR102188095B1 (ko) | 건설 구조물의 센서의 이벤트 원인 분석방법 | |
| CN118014405B (zh) | 一种基于数据处理的电力故障预警*** | |
| CN118053046B (zh) | 一种海上风力发电连接结构健康状态融合表征及判定方法 | |
| CN117576854B (zh) | 一种基于安防消防一体化的自动报警方法及*** |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Xiaogang Inventor after: Yang Tishao Inventor after: Cheng Xuequn Inventor after: Wang Bingqin Inventor after: Zhang Dawei Inventor after: Sun Lei Inventor after: Yang Xiaojia Inventor after: Li Qing Inventor after: Zhu Renzheng Inventor after: Yang Liu Inventor before: Cheng Xuequn Inventor before: Yang Tishao Inventor before: Li Xiaogang Inventor before: Wang Bingqin Inventor before: Zhang Dawei Inventor before: Sun Lei Inventor before: Yang Xiaojia Inventor before: Li Qing Inventor before: Zhu Renzheng Inventor before: Yang Liu |