CN116609440B - 基于云边协同的建筑工程质量智能验收管理方法及*** - Google Patents
基于云边协同的建筑工程质量智能验收管理方法及*** Download PDFInfo
- Publication number
- CN116609440B CN116609440B CN202310577867.2A CN202310577867A CN116609440B CN 116609440 B CN116609440 B CN 116609440B CN 202310577867 A CN202310577867 A CN 202310577867A CN 116609440 B CN116609440 B CN 116609440B
- Authority
- CN
- China
- Prior art keywords
- signal
- segment
- amplitude
- moment
- imf component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 230000005236 sound signal Effects 0.000 claims abstract description 52
- 230000005856 abnormality Effects 0.000 claims abstract description 39
- 230000014759 maintenance of location Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于云边协同的建筑工程质量智能验收管理方法及***,包括:对采集到的声音信号进行EMD分解;根据每个IMF分量信号进行分段每个分段的数据特征进行分析得到噪声保持程度;根据噪声保持程度得到波动程度权重;获得COF异常离群因子结合波动程度权重得到每个时刻的信号异常程度;根据信号异常程度进行异常识别。本发明通过EMD分解后的每一分量中的声音信号中所保持的噪声声音程度的大小作为常规COF算法得到的异常离群因子的权重并进行加权求和后进行COF算法检测异常信号,极大程度的降低环境噪声的干扰,增加了异常信号的识别精准度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于云边协同的建筑工程质量智能验收管理方法及***。
背景技术
近年来,随着云计算技术的快速发展,建筑工程质量智能验收管理***逐渐得到了广泛应用,通过整合多种技术手段,对建筑工程质量状况进行实时监测,并进行精准评估。而设备是否运行正常则会对建筑工程的质量以及效率产生不小的影响,而对于这类异常,通常是对工地中更存在的由机器故障或施工错误所引起的异常声音进行识别和监测,并及时处理如更换设备或检查施工细节,而对于声音异常数据的监测通常是基于COF算法进行异常数据识别。但是常规的COF算法是通过设定固定的K邻域范围,对每一个数据对应的K邻域范围内的数据进行异常因子的计算后,并对其进行阈值设定后判定是否为异常数据。但是由于工地环境中,除机器设备引起的异常声音外,还存在各种嘈杂或噪声信号,而每一时刻的噪声数据所引起的波动可能为单独的设备异常声音,也可能为噪声与设备异常叠加的声音信号,因此固定的阈值往往无法达到较好的监测效果。
发明内容
本发明提供基于云边协同的建筑工程质量智能验收管理方法及***,以解决现有的问题。
本发明的基于云边协同的建筑工程质量智能验收管理方法及***采用如下技术方案:
一方面,本发明一个实施例提供了基于云边协同的建筑工程质量智能验收管理方法,该方法包括以下步骤:
采集工地上一整天的声音信号,对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到多个IMF分量信号;
根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段;
根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值;
获取初始信号与分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值;
根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度;
根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度;
根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。
优选的,所述根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个
分段,包括的具体步骤如下:
根据得到的初始信号和所有IMF分量信号,按照时刻对信号进行分段,将包括初始信号和所有IMF分量信号在内的所有信号按照一个固定的分段大小分成多个分段,得到每个信号的每个分段。
优选的,所述根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动
值,包括的具体步骤如下:
获取初始信号中每个分段中每个时刻的振幅,并根据分段、时刻和信号振幅得到每个分段中所有时刻信号振幅的振幅波动值的计算公式如下:
其中,εm是初始信号中第m个分段中所有时刻信号振幅的振幅波动值,M是每个信号中所有分段的总数,m是初始信号中所有分段中的某个分段的标号且有m∈[1,M],T是初始信号中每个分段中包含的时刻数目,t是初始信号中每个分段中包含的某个时刻的标号且有t∈[1,T],amt是初始信号中第m个分段中第t时刻的信号振幅,是初始信号中第m个分段中的所有时刻的信号振幅的算术均值,exp()是以自然常数为底的指数函数。
优选的,所述获取初始信号与分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,包括的具体步骤如下:
获取每个IMF分量信号中每个分段中每个时刻的信号振幅,将初始信号中每个分段中每个时刻的信号振幅进行归一化得到第一振幅,将每个IMF分量信号中相同分段中相同时刻的信号振幅进行归一化得到第二振幅,并根据第一振幅和第二振幅作差并取绝对值得到每个分段中每个时刻的信号差异,将每个分段中每个时刻的信号差异记为第一信号差异值;同时,获取每个除某个IMF分量信号外的每个IMF分量信号中的每个时刻的信号振幅,记为第三振幅,获取每个除某个IMF分量信号外的每个时刻的前一时刻信号振幅,记为第四振幅,根据第三振幅和第四振幅作差并取绝对值求和并除以初始信号进行EMD分解得到的IMF分量信号的数量得到每个时刻的置信度特征。
优选的,所述根据第一信号差异值和每个分段中每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值,包括的具体步骤如下:
根据第一信号差异值和每个分段中每个时刻的置信度特征相乘累加,得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值。
优选的,所述根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度的计算公式如下:
其中,Cn是第n个IMF分量信号中的所有分段的噪声保持程度,,M是每个信号中所有分段的总数,μmn是第n个IMF分量信号中第m个分段中存在的整体数值比例大小差异值,是第n个IMF分量信号中所有M个分段中存在的整体数值比例大小差异值的算术均值,εm是第m个分段在初始信号中的所有时刻信号振幅的振幅波动值,norm(εm)表示对初始信号中第m个分段的所有时刻信号振幅的振幅波动值εm作线性归一化运算。
优选的,所述根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度,包括的具体步骤如下:
根据每个IMF分量下的每一时刻的信号进行常规COF离群检测得到的每个时刻在每个IMF分量信号中的COF异常离群因子,根据每个IMF分量信号中的所有分段的噪声保持程度进行归一化得到波动程度权重,根据每个时刻在每个IMF分量信号中的COF异常离群因子和波动程度权重相乘累加得到每个时刻的信号异常程度。
另一方面,本发明一个实施例提供了基于云边协同的建筑工程质量智能验收管理***,该***包括以下模块:
数据采集模块:用于采集工地上一整天的声音信号;
数据处理模块:用于对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到多个IMF分量信号;根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段;根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值;获取初始信号与分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值;根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度;根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度;
异常判断模块:用于根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。
本发明的技术方案的有益效果是:通过常规的COF算法进行异常声音识别时,会因为场景中不可避免存在的噪声信号,导致其异常设备产生的声音本身所具有的频率振幅等特征被削弱,从而导致检测不准确。而本发明结合其异常设备声音主要存在于某一频率范围内这一基础知识,将采集到的声音信号进行EMD分解后,根据分解后的每一分量中的声音信号中所保持的噪声声音程度的大小作为其每一分量中所具有的异常设备声音的程度,并以这一程度作为多个IMF分量中同一时刻声音信号进行常规COF算法得到的异常离群因子进行加权求和后,从而极大程度的降低环境噪声的干扰,从而增加异常声音的识别精准度。
附图说明
为了更清楚地说明本发明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为本发明基于云边协同的建筑工程质量智能验收管理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于云边协同的建筑工程质量智能验收管理方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于云边协同的建筑工程质量智能验收管理方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于云边协同的建筑工程质量智能验收管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集工地上一整天的声音信号,对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到N个IMF分量信号。
本实施例安装边缘计算设备,该设备包含声音传感器和计算单元,利用声音传感器对施工场景进行声音采集获取工地上一整天的声音信号,并将工地上一整天的声音信号传输给计算单元。在计算单元内根据采集获取得到的工地上一整天的声音信号进行数据清洗以去除工地上一整天的声音信号中可能存在的传感器干扰信号,得到初始信号,本实施例中所述的清洗是指用高斯滤波操作对数据进行平滑处理使得到的信号在处理时过于异常的信号值较少。根据初始信号进行EMD分解,得到N个IMF分量信号。需要说明的是,本实施例中所有的信号表达方式都是以传感器采样时刻t为横坐标,信号幅值a为纵坐标的二维信号曲线。其中,传感器采样时刻为信号采样间隔的累加值,为公共认知,本实施例不作多余赘述。另如无特殊说明,本实施例中后续说明中所有的时刻概念均指代传感器采样时刻。
至此,根据采集获取到的工地上一整天的声音信号得到了初始信号和N个IMF分量信号。
步骤S002:根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段。
本实施例根据得到的初始信号和所有IMF分量信号,按照时刻对信号进行分段,将包括初始信号和所有IMF分量信号在内的所有信号按照一个固定的分段大小分成M个分段。需要说明的是,在所有信号中的分段大小是一样的,且默认从所有信号的零时刻(即信号横坐标零点)进行分段。本实施例以分段大小为20min进行说明,实际可根据不同施工场景更换分段大小,且当最后一个分段不足20min时,则以剩余时序长度的信号作为最后一个分段。
至此,根据初始信号和所有IMF分量信号的时刻进行分段得到了每个信号的每个分段。
步骤S003:根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值。
根据初始信号中的每个分段对初始信号中的每个分段中的每个时刻的信号振幅进行计算得到每个分段中所有时刻信号振幅的振幅波动值,公式如下:
其中,εm是初始信号中第m个分段中所有时刻信号幅值的振幅波动值,m是初始信号中M个分段中分段的标号且有m∈[1,M],M是每个信号中所有分段的总数,T是初始信号中每个分段中包含的时刻数目,t是初始信号中每个分段中包含的时刻的标号且有t∈[1,T],amt是初始信号中第m个分段中第t时刻的信号振幅,是初始信号中第m个分段中的所有时刻的信号振幅的算术均值。exp(-amy)表示将初始信号中第m个分段中第t时刻的信号振幅进行归一化,使得每一时刻信号在参与计算标准差时的信号振幅大小给予不同的权重大小处于[0,1)区间内且随着amt的增加而减小。需要说明的是,本实施例中所用的exp(-x)模型仅用于表示负相关关系和约束模型输出的结果处于[0,1)区间内,具体实施时可替换成具有同样目的的其他模型,本实施例只是以exp(-x)模型为例进行叙述,不对做具体限定,x为该模型的输入数据。考虑到本实施例所需要的由设备异常导致的异常声音与其余干扰声音相比,振幅更大,频率更小,因此可以根据某时刻的信号振幅的振幅波动值对后续步骤中的噪声保持程度给予权重值。
至此,根据初始信号的每个分段得到了每个分段中所有时刻信号振幅的振幅波动值。
步骤S004:根据每个IMF分量信号的每个分段得到第一信号差异值和每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个分段中每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值。
由于根据每个分段中每个时刻的信号振幅的振幅波动值无法完全说明每个分段中每个时刻的信号中存在设备异常声音信号,这一逻辑的原因在于每个分段中每个时刻的信号振幅的振幅波动值受到环境声音与噪声信号之间的错乱的叠加的影响、设备异常声音信号的IMF分量信号中还具有部分噪声信号的影响以及噪声信号之间存在一定的相似性的影响,故无法单一地说明每个分段中每个时刻的信号中存在设备异常声音信号。本实施例将噪声信号看作正常信号,从而评估对每一分段中保持噪声信号振幅的程度,进而对其中可能存在设备异常声音信号进行推断。因此本实施例对每个IMF分量信号的每个分段中的每个时刻下的信号振幅进行正常噪声信号特征的分析评估。
首先,本实施例通过计算每个IMF分量信号的每个分段中的每个时刻下的信号振幅与同时刻的初始信号中的信号振幅之间的信号差异,得到第一信号差异值的公式如下:
Amnt=|norm(amnt)-norm(amt)|
其中,Amnt是第n个IMF分量信号中第m个分段中第t时刻下两个振幅的归一化后的信号差异即第一信号差异值,amnt是第n个IMF分量信号中第m个分段中第t时刻的信号振幅,norm(amnt)表示将第n个IMF分量信号中第m个分段中第t时刻的信号振幅进行线性归一化得到的第一幅值,norm(amt)表示将初始信号中的第m个分段中的第t时刻下的信号振幅进行线性归一化得到的第二幅值,表征了每个IMF分量信号的每个分段中的每个时刻下的信号振幅与同一时刻的初始信号中的信号振幅数值的比例大小。当每个IMF分量信号的每个分段中的每个时刻下的信号振幅与同一时刻的初始信号中的信号振幅数值的比例大小越大时,则表征在该时刻下的初始信号中存在的不同的信号的数量越多。在施工场景下,噪声声音信号主要是由嘈杂的声音信号组成,嘈杂的声音信号与大部分设备之间的距离以及对应的声音信号大小差异不会过大,噪声声音信号的振幅通常较大。但是异常设备导致的异常信号的振幅通常较大,因此当某个IMF分量信号中的某个分段的某个时刻对应的信号中存在设备异常声音信号时,分段中其余的信号的幅值对应的占比便会存在差异,进而导致其在进行前后数值比例差异计算时,得到的记过相对偏大。同时可知当某一时刻的初始信号与某一个IMF分量信号之间的差异越大时,该时刻初始信号中某一声音信号本身占比较大,但是由于多种声音叠加,导致其自身的振幅并未表现出来,因此在EMD分解后,该时刻初始信号中某一声音信号的振幅可以被拆解出来,从而导致该时刻初始信号中某一声音信号的振幅特征较为明显。因此相对该时刻初始信号来说其分解前后的振幅数值会存在差异。这一差值表征的是当前这一时刻的声音中是否是由多种不同频率的声音信号叠加从而导致的。
至此,通过计算每个IMF分量信号的每个分段中的每个时刻下的信号振幅与同时刻的初始信号中的信号振幅之间的信号差异,得到了第一信号差异值。
其次,由于噪声信号由嘈杂的环境所导致,组成成分较复杂,可能某些时刻下的信号即使没有设备异常声音信号参与,但是也会出现某一时刻的幅值几乎都分配在某一IMF分量信号下,而设备异常声音信号虽然短,但也存在持续时间,因此需要对这一情况进行额外的调整,避免这类极端情况的干扰。故本实施例根据计算除某个IMF分量信号外所有IMF分量信号中每个分段中每个时刻的信号振幅与除某个IMF分量信号外所有IMF分量信号中每个分段中前一个时刻的信号振幅的差值,得到每个分段中每个时刻的置信度特征的公式如下:
其中,kmnt是第n个IMF分量信号中m个分段中第t时刻的置信度特征,即每个分段中每个时刻的置信度特征,N是IMF分量信号的数量,N'是不包括第n个IMF分量信号在内的其余IMF分量信号的总数,n'是不包括第n个IMF分量信号在内的其余IMF分量信号的标号,n'∈[1,N'],amn't,amn'(t-1)分别表示除第n个IMF分量信号外,第n'个IMF分量信号中第t时刻和第(t-1)时刻的信号振幅即前一个时刻的信号振幅即第三振幅和第四振幅。即当不包括第n个IMF分量信号在内的其余IMF分量信号的幅值变化越大时,第n个IMF分量信号的数值比例差异主要是由于噪声组成成分复杂导致当前幅值分配异常而导致的可能性就越小,除某个IMF分量信号外所有IMF分量信号中每个分段中每个时刻的信号振幅与除某个IMF分量信号外所有IMF分量信号中每个分段中前一个时刻的信号振幅的差值导致其不是极端情况干扰的置信度较低。为避免出现t-1=0的不合理的时刻,本实施例中计算得到第n个IMF分量信号中m个分段中第t时刻的置信度特征的过程中,将t=1时刻的置信度特征定义为0,具体实施场景中可以根据需要更换定义。
至此,根据计算除某个IMF分量信号外所有IMF分量信号中每个分段中每个时刻的信号振幅与除某个IMF分量信号外所有IMF分量信号中每个分段中前一个时刻的信号振幅的差值,得到了每个分段中每个时刻的置信度特征。
最后,本实施例对第一信号差异值以及每个分段中每个时刻的置信度特征进行相乘累加得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值,表达的公式如下:
其中,μmn是第n个IMF分量信号中第m个分段中存在的整体数值比例大小差异值,Amnt是第一信号差异值,kmnt是第n个IMF分量信号中m个分段中第t时刻的置信度特征。μmn表征每个IMF分量中每个分段中存在的整体数值比例大小差异值,这一值越高,则某个分段对应的信号在进行EMD分解时,该分段对应的信号中越可能存在设备异常声音信号。
至此,根据第一信号差异值和每个分段中每个时刻的置信度特征得到了每个IMF分量信号中每个分段中存在的整体数值比例大小差异值。
步骤S005:根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度。
基于在步骤S003和步骤S004得到的每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值,有如下分析:
由于当某个分段中所有时刻信号振幅的振幅波动值越大时,该分段内的声音信号中包括的频率以及振幅所处的量级越多,同时振幅分布越极端,就越可能存在我们需要的设备异常声音信号。
故本实施例根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号每个分段中存在的整体数值比例大小差异值,计算每个IMF分量信号中的所有分段的噪声保持程度的公式如下:
其中,Cn是第n个IMF分量信号中的所有分段的噪声保持程度,M是第n个IMF分量信号中分段总数,M是每个信号中所有分段的总数,μmn是第n个IMF分量信号中第m个分段中存在的整体数值比例大小差异值,是第n个IMF分量信号中所有M个分段中存在的整体数值比例大小差异值的算术均值,εm是第m个分段在初始信号中的所有时刻信号振幅的振幅波动值,norm(εm)表示对初始信号中第m个分段的所有时刻信号振幅的振幅波动值εm作线性归一化运算,表征了每个分段在初始信号中的所有时刻信号振幅的振幅波动值对原始声音信号的标准差的归一化调配,当每个分段在初始信号中的所有时刻信号振幅的振幅波动值越大,则原始声音信号的标准差越小,即以某个分段对应的原始声音信号的标准差作为某个分段的置信度,当这一标准差越高,该分段中存在的信号的波动程度越高,表示在该分段内部除正常的环境噪声信号外,还可能存在设备异常声音信号。因此该分段作为某IMF分量信号中是否保持噪声信号特征的置信度较低。对每一分段的数值比例大小差异累加值进行标准差计算,得到当前这一分量中保持噪声信号的程度表征信号的波动程度,当某IMF分量信号的波动程度越小时,该IMF分量信号越稳定,该IMF分量信号所具有的设备异常声音信号越弱。
至此,根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到了每个IMF分量信号中的所有分段的噪声保持程度。
步骤S006:根据每个IMF分量信号中的所有分段的噪声保持程度归一化得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度。
由于每个IMF分量中的所有分段的噪声信号的波动程度越大,所保留的设备异常声音信号特征就越强。故本实施例根据步骤S005中得到的每个IMF分量信号中的所有分段的噪声保持程度Cn就可以得到对每个IMF分量信号下的每一时刻的信号进行常规COF离群检测后得到的异常离群因子的归一化权重,并将所有IMF分量信号下的每一时刻的信号进行常规COF离群检测后得到的异常离群因子与权重相乘累加,得到每个时刻的信号异常程度,具体计算公式如下:
通过对第n个IMF分量下的每一时刻的信号进行常规COF离群检测后得到的异常离群因子即γnt,以上述的波动程度Cn为第t时刻在第n个IMF分量信号中计算得到的异常离群因子进行累加时的权重后得到最终所采集的第t时刻的异常程度即:
其中,γt是第t时刻的信号异常程度,N是IMF分量信号的数量,γnt是第n个IMF分量信号下的第t时刻的信号进行常规COF离群检测后得到的异常离群因子(COF离群因子的计算为现有的常规技术,本实施例不进行赘述),norm(Cn)表示对每个IMF分量信号中的所有分段的噪声保持程度Cn作线性归一化运算,表征了异常离群因子的归一化权重。某一个IMF分量信号中的噪声保持程度越小,则在这一IMF分量信号中进行设备异常声音识别时的置信度要小一点,对每一IMF分量信号下的信号进行COF离群因子计算后,得到加权求和后的每个时刻的信号异常程度。
至此,根据每个IMF分量信号中的所有分段的噪声保持程度归一化得到波动程度权重,并根据每个IMF分量信号下的每个时刻的信号进行常规COF离群检测后得到的异常离群因子和波动程度权重加权求和后得到了每个时刻的信号异常程度。
步骤S007:根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。
根据重复步骤S002到步骤S006的步骤过程,获取工地上一整天的声音信号的每个时刻的信号异常程度。根据工地上一整天的声音信号的每个时刻的信号异常程度进行线性归一化得到异常检测值。将异常检测值与预设的异常阈值进行数值大小比较,根据比较结果判断:当异常检测值超过异常阈值的为异常信号,否则为正常信号。本实施例以预设的异常阈值等于0.8为例进行叙述,实施时可设置其他值,本实施例不进行具体限定。
获取异常信号,将对应的异常信号进行截取后,现有技术可以通过对声音信号进行分析和处理来找出发生异常声音的具体设备。这种技术被称为声学监测或音频识别。该技术基于机器学习和数据分析技术,利用先进的信号处理算法和模式识别技术,对特定设备产生的声音进行分析,并创建一个特征向量表示设备的声音特征。然后使用这些特征向量来训练一个分类器或神经网络模型,以便能够自动识别该设备的正常和异常声音。当设备发生异常时,该***会检测到这些异常声音并找出对应的发生异常的设备,将异常的设备发送至云端进行汇报从而通知维修人员及时进行检修,保证建筑工程的正常开展。
至此,本实施例得到了对应的发生异常的设备实现了基于云边协同的建筑工程质量智能验收管理方法。
本发明出示了一个实施例,提供基于云边协同的建筑工程质量智能验收管理***,该***包括以下模块:
数据采集模块:采集工地上一整天的声音信号。
数据处理模块:对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到多个IMF分量信号;根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段;根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值;获取初始信号与分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值;根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度;根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度。
异常判断模块:根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备。
以上所述仅为本发明的较佳实施例而已,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 (6)
1.基于云边协同的建筑工程质量智能验收管理方法,其特征在于,该方法包括以下步骤:
采集工地上一整天的声音信号,对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到多个IMF分量信号;
根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段;
根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值;
获取初始信号与IMF分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据IMF分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个分段中每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值;
根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度;
根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度;
根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备;
所述获取初始信号与IMF分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据IMF分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,包括的具体步骤如下:
获取每个IMF分量信号中每个分段中每个时刻的信号振幅,将初始信号中每个分段中每个时刻的信号振幅进行归一化得到第一振幅,将每个IMF分量信号中相同分段中相同时刻的信号振幅进行归一化得到第二振幅,并根据第一振幅和第二振幅作差并取绝对值得到每个分段中每个时刻的信号差异,将每个分段中每个时刻的信号差异记为第一信号差异值;同时,获取除某个IMF分量信号外的每个IMF分量信号中的每个时刻的信号振幅,记为第三振幅,获取除某个IMF分量信号外的每个时刻的前一时刻信号振幅,记为第四振幅,根据第三振幅和第四振幅作差并取绝对值求和并除以初始信号进行EMD分解得到的IMF分量信号的数量得到每个时刻的置信度特征;
所述根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度的计算公式如下:
其中,Cn是第n个IMF分量信号中的所有分段的噪声保持程度,M是每个信号中所有分段的总数,μmn是第n个IMF分量信号中第m个分段中存在的整体数值比例大小差异值,是第n个IMF分量信号中所有M个分段中存在的整体数值比例大小差异值的算术均值,εm是第m个分段在初始信号中的所有时刻信号振幅的振幅波动值,norm(εm)表示对初始信号中第m个分段的所有时刻信号振幅的振幅波动值εm作线性归一化运算;
所述根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,包括的具体步骤如下:
根据每个IMF分量信号中的所有分段的噪声保持程度进行归一化得到波动程度权重。
2.根据权利要求1所述基于云边协同的建筑工程质量智能验收管理方法,其特征在于,所述根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段,包括的具体步骤如下:
根据得到的初始信号和所有IMF分量信号,按照时刻对信号进行分段,将包括初始信号和所有IMF分量信号在内的所有信号按照一个固定的分段大小分成多个分段,得到每个信号的每个分段。
3.根据权利要求1所述基于云边协同的建筑工程质量智能验收管理方法,其特征在于,所述根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值,包括的具体步骤如下:
获取初始信号中每个分段中每个时刻的振幅,并根据分段、时刻和信号振幅得到每个分段中所有时刻信号振幅的振幅波动值的计算公式如下:
其中,εm是初始信号中第m个分段中所有时刻信号振幅的振幅波动值,M是每个信号中所有分段的总数,m是初始信号中所有分段中的某个分段的标号且有m∈[1,M],T是初始信号中每个分段中包含的时刻数目,t是初始信号中每个分段中包含的某个时刻的标号且有t∈[1,T],amt是初始信号中第m个分段中第t时刻的信号振幅,是初始信号中第m个分段中的所有时刻的信号振幅的算术均值,exp()是以自然常数为底的指数函数。
4.根据权利要求1所述基于云边协同的建筑工程质量智能验收管理方法,其特征在于,所述根据第一信号差异值和每个分段中每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值,包括的具体步骤如下:
根据第一信号差异值和每个分段中每个时刻的置信度特征相乘累加,得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值。
5.根据权利要求1所述基于云边协同的建筑工程质量智能验收管理方法,其特征在于,所述根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度,包括的具体步骤如下:
根据每个IMF分量下的每一时刻的信号进行常规COF离群检测得到的每个时刻在每个IMF分量信号中的COF异常离群因子,根据每个时刻在每个IMF分量信号中的COF异常离群因子和波动程度权重相乘累加得到每个时刻的信号异常程度。
6.基于云边协同的建筑工程质量智能验收管理***,其特征在于,该***包括以下模块:
数据采集模块:用于采集工地上一整天的声音信号;
数据处理模块:用于对声音信号进行预处理得到初始信号,并根据初始信号进行EMD分解得到多个IMF分量信号;根据初始信号和所有IMF分量信号的时刻进行分段得到每个信号的每个分段;根据初始信号的每个分段得到每个分段中所有时刻信号振幅的振幅波动值;获取初始信号与IMF分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据IMF分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,并根据第一信号差异值和每个时刻的置信度特征得到每个IMF分量信号中每个分段中存在的整体数值比例大小差异值;根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度;根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,并根据每个时刻在每个IMF分量信号中计算得到的COF异常离群因子和波动程度权重得到每个时刻的信号异常程度;
异常判断模块:根据每个时刻的异常程度进行异常信号判断并得到对应的发生异常的设备;
所述获取初始信号与IMF分量信号在每个分段中每个时刻的信号差异,记为第一信号差异值,根据IMF分量信号在每个分段中相邻时刻的信号差异得到每个分段中每个时刻的置信度特征,包括的具体步骤如下:
获取每个IMF分量信号中每个分段中每个时刻的信号振幅,将初始信号中每个分段中每个时刻的信号振幅进行归一化得到第一振幅,将每个IMF分量信号中相同分段中相同时刻的信号振幅进行归一化得到第二振幅,并根据第一振幅和第二振幅作差并取绝对值得到每个分段中每个时刻的信号差异,将每个分段中每个时刻的信号差异记为第一信号差异值;同时,获取除某个IMF分量信号外的每个IMF分量信号中的每个时刻的信号振幅,记为第三振幅,获取除某个IMF分量信号外的每个时刻的前一时刻信号振幅,记为第四振幅,根据第三振幅和第四振幅作差并取绝对值求和并除以初始信号进行EMD分解得到的IMF分量信号的数量得到每个时刻的置信度特征;
所述根据每个分段中所有时刻信号振幅的振幅波动值和每个IMF分量信号中每个分段中存在的整体数值比例大小差异值得到每个IMF分量信号中的所有分段的噪声保持程度的计算公式如下:
其中,Cn是第n个IMF分量信号中的所有分段的噪声保持程度,M是每个信号中所有分段的总数,μmn是第n个IMF分量信号中第m个分段中存在的整体数值比例大小差异值,是第n个IMF分量信号中所有M个分段中存在的整体数值比例大小差异值的算术均值,εm是第m个分段在初始信号中的所有时刻信号振幅的振幅波动值,norm(εm)表示对初始信号中第m个分段的所有时刻信号振幅的振幅波动值εm作线性归一化运算;
所述根据每个IMF分量信号中的所有分段的噪声保持程度得到波动程度权重,包括的具体步骤如下:
根据每个IMF分量信号中的所有分段的噪声保持程度进行归一化得到波动程度权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577867.2A CN116609440B (zh) | 2023-05-22 | 2023-05-22 | 基于云边协同的建筑工程质量智能验收管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577867.2A CN116609440B (zh) | 2023-05-22 | 2023-05-22 | 基于云边协同的建筑工程质量智能验收管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609440A CN116609440A (zh) | 2023-08-18 |
CN116609440B true CN116609440B (zh) | 2023-11-28 |
Family
ID=87681317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577867.2A Active CN116609440B (zh) | 2023-05-22 | 2023-05-22 | 基于云边协同的建筑工程质量智能验收管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609440B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117375626B (zh) * | 2023-12-08 | 2024-03-08 | 北京奥力斯特投资管理有限公司 | 一种智慧供热异常数据传输方法及*** |
CN117889945B (zh) * | 2024-03-14 | 2024-05-31 | 河南鹏飞建设工程有限公司 | 一种公路桥梁施工振动测试方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109560984A (zh) * | 2018-11-13 | 2019-04-02 | 苏宁易购集团股份有限公司 | 一种网络服务响应时间异常检测方法及装置 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN115325936A (zh) * | 2022-10-10 | 2022-11-11 | 南通欧惠纺织科技有限公司 | 一种纺织机综框异常检测方法 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
-
2023
- 2023-05-22 CN CN202310577867.2A patent/CN116609440B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN109560984A (zh) * | 2018-11-13 | 2019-04-02 | 苏宁易购集团股份有限公司 | 一种网络服务响应时间异常检测方法及装置 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN115325936A (zh) * | 2022-10-10 | 2022-11-11 | 南通欧惠纺织科技有限公司 | 一种纺织机综框异常检测方法 |
CN116013087A (zh) * | 2023-03-27 | 2023-04-25 | 东莞市城建规划设计院 | 一种基于城市运动车辆检测的车流量统计方法 |
Non-Patent Citations (1)
Title |
---|
Shuai Yang等.《A New Method of Bearing Remaining Useful Life Based on Life Evolution and SE-ConvLSTM Neural Network》.《Machines》.2022,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116609440A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116609440B (zh) | 基于云边协同的建筑工程质量智能验收管理方法及*** | |
Koizumi et al. | Unsupervised detection of anomalous sound based on deep learning and the neyman–pearson lemma | |
EP3680639B1 (en) | Abnormality model learning device, method, and program | |
CN109974782B (zh) | 基于大数据敏感特征优化选取的设备故障预警方法及*** | |
US20190376840A1 (en) | Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
Liu et al. | A deep support vector data description method for anomaly detection in helicopters | |
CN113707175B (zh) | 基于特征分解分类器与自适应后处理的声学事件检测*** | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及*** | |
CN111291481A (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
CN117782403A (zh) | 一种基于分离网络的松动螺栓定位方法、装置、介质 | |
CN116364108A (zh) | 变压器声纹检测方法及装置、电子设备、存储介质 | |
Zhang et al. | Automatic recognition of porcine abnormalities based on a sound detection and recognition system | |
CN112329535B (zh) | 基于cnn的电力***低频振荡模态特征的快速辨识方法 | |
CN115343573A (zh) | 一种面向电网监控的声纹模型演化设备故障融合判决方法 | |
Zhang et al. | Detection capability for incipient faults in a noisy environment using PDF and CDF based techniques: a comparative study | |
CN112232329A (zh) | 入侵信号识别的多核svm训练、报警方法、装置及*** | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 | |
Yang et al. | Empirical probability density cumulative sum for incipient fault detection | |
CN117079416B (zh) | 基于人工智能算法的多人5d雷达跌倒检测方法及*** | |
CN117262942A (zh) | 电梯异常检测方法、装置、计算机设备及存储介质 |
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 |