CN116754022A - 电缆隧道的在线检测应急预警方法及*** - Google Patents
电缆隧道的在线检测应急预警方法及*** Download PDFInfo
- Publication number
- CN116754022A CN116754022A CN202311058064.2A CN202311058064A CN116754022A CN 116754022 A CN116754022 A CN 116754022A CN 202311058064 A CN202311058064 A CN 202311058064A CN 116754022 A CN116754022 A CN 116754022A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- information
- cable
- gas concentration
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000007689 inspection Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Emergency Management (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及电缆检测的技术领域,特别是涉及一种电缆隧道的在线检测应急预警方法及***,其提高电缆隧道的在线检测效果和应急预警能力;所述方法包括:获取历史电缆隧道中温度信息、湿度信息、气体浓度信息以及故障信息;根据实际预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列,转换成分别由温度值、湿度值和气体浓度值表示的电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴;将若干条条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合成三维隧道状态矩阵,若干条条电缆温度数轴分别代表隧道中的若干条电缆;将一天分割成若干个时间节点,分别获取隧道中每个时间节点的三维隧道状态矩阵和该时间节点内的故障信息。
Description
技术领域
本发明涉及电缆检测的技术领域,特别是涉及一种电缆隧道的在线检测应急预警方法及***。
背景技术
电缆隧道是一种用于布置和保护电力、通信和数据传输电缆的地下隧道***;它们通常由混凝土或钢筋混凝土构成,用于在城市、工业区或其他需要大量电缆的地方传输和分配电力和通信信号;电缆隧道在城市规划和基建中起着重要作用;它们不仅使城市更加美观整洁,还提高了电力和通信***的可靠性和可持续性。
由于电缆隧道中电缆的高集中性,需要对电缆隧道进行定时巡检,以发现故障问题能够及时解决;而现有的电缆隧道巡检大多采用人工巡检,或人工控制巡检机器人进入隧道进行实时视频巡检,亦或是在隧道固定位置安装传感器进行检测。上述方法中不管是人工巡检还是人工控制机器人巡检,均会存在巡检不到位的情况;由于传感器安装存在间隔,因此传感器检测同样存在检测不全面的情况发生。
发明内容
为解决上述技术问题,本发明提供一种提高电缆隧道的在线检测效果和应急预警能力的电缆隧道的在线检测应急预警方法。
第一方面,本发明提供了电缆隧道的在线检测应急预警方法,所述方法包括:
获取历史电缆隧道中温度信息、湿度信息、气体浓度信息以及故障信息;
根据实际预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列,转换成分别由温度值、湿度值和气体浓度值表示的电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴;
将若干条条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合成三维隧道状态矩阵,若干条条电缆温度数轴分别代表隧道中的若干条电缆;
将一天分割成若干个时间节点,分别获取隧道中每个时间节点的三维隧道状态矩阵和该时间节点内的故障信息;
将三维隧道状态矩阵、该三维隧道状态矩阵的时间节点以及与该时间节点相对应的故障信息,三者结合生成一个状态信息数据集;
将若干个状态信息数据集上传至数据集成训练平台进行学习、训练,获得电缆隧道状态预警模型;
实时采集电缆隧道的状态信息数据集;
利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态;
根据预测的运行状态,对工作人员进行提醒示警;
其中电缆隧道的环境数据采集依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人。
另一方面,本申请还提供了电缆隧道的在线检测应急预警***,所述***包括:
历史数据获取模块,用于获取电缆隧道的历史温度信息、湿度信息、气体浓度信息和故障信息,并发送;
数据处理模块,用于接收历史温度信息、湿度信息、气体浓度信息和故障信息,并根据预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列转换为电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并发送;
隧道状态矩阵生成模块,用于接收电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并将多条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合生成三维隧道状态矩阵,并发送;其中每条电缆温度数轴代表一条电缆;
时间节点分割模块,用于将一天分割成多个时间节点;
状态信息获取模块,用于读取分割后的多个时间节点,并获取每个时间节点内的三维隧道状态矩阵和对应的故障信息;
数据集生成模块,用于将三维隧道状态矩阵、时间节点和故障信息结合生成一个状态信息数据集,并发送;
数据上传模块,用于接收状态信息数据集,并将多个状态信息数据集上传至数据集成训练平台进行学习和训练,以生成电缆隧道状态预警模型;
实时数据采集模块,依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人实时采集电缆隧道的状态信息数据集;
特征识别模块,用于接收实时采集的状态信息数据集,并利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态,并发送;
提醒示警模块,用于预测接收电缆隧道的运行状态,并根据预测的运行状态,对工作人员进行提醒示警。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地,在生成状态信息数据集之前,对三维隧道状态矩阵、时间节点和故障信息进行数据预处理;并利用相同的标识符来保持同一时间节点内数据的对应关系。
进一步地,所述巡检机器人集成有导航***和避障***,用于自行规划巡检路线;所述电缆隧道内设有充电点,用于为巡检机器人进行充电蓄能。
进一步地,所述三维隧道状态矩阵由若干层二维隧道状态矩阵沿电缆隧道排列而成,每个所述二维隧道状态矩阵中包含同一位置上的多条电缆温度值、湿度值以及气体浓度值;多条电缆的温度值在二维隧道状态矩阵上的位置根据隧道中多条电缆的实际布局分布。
进一步地,所述电缆隧道状态预警模型的核心采用卷积神经网络模型,所述卷积神经网络模型的卷积核为三层的二维隧道状态矩阵;所述卷积神经网络模型的步长为2;
所述卷积神经网络模型的输出为特征数轴,将特征数轴与数据集成训练平台预先训练得到的故障信息数轴进行比对,识别并确定故障类型。
进一步地,所述卷积神经网络模型的卷积核在对三维隧道状态矩阵进行运算的公式如下:中D为卷积核在三维隧道状态矩阵上对应区域的输出数值;n为卷积核在三维隧道状态矩阵上对应区域内温度值的数量;T为温度值;k为温度权重;W为湿度值;u为湿度权重;Q为气体浓度值;m为气体浓度权重。
进一步地,通过对特征数轴进行离散度计算,并将计算结果与多个故障信息数轴的离散度分别做差,计算两者差值的绝对值是否超过预设的阈值,若未超过则判定该特征数轴与该故障信息数轴所对应的故障类型相似,并输出该故障类型。
与现有技术相比本发明的有益效果为:通过采集全面的环境数据、建立状态检测预警模型,并结合巡检机器人进行实时数据采集,能够有效地解决传统巡检方法中存在的不足,提高电缆隧道的在线检测效果和应急预警能力。
附图说明
图1是电缆隧道的在线检测应急预警方法的流程图;
图2是三维隧道状态矩阵的示意图;
图3是二维隧道状态矩阵的示意图;
图4是卷积核其中一层示意图图;
图5是电缆隧道的在线检测应急预警***的模块示意图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
如图1至图4所示,本发明的电缆隧道的在线检测应急预警方法,所述方法包括:
S1、获取历史电缆隧道中温度信息、湿度信息、气体浓度信息以及故障信息;
在本步骤中,需要获取历史上电缆隧道中的温度、湿度、气体浓度以及故障信息;通过以下几种方式获取:
传感器数据记录:隧道中安装各种类型的传感器来实时测量温度、湿度和气体浓度;这些传感器能够直接将数据记录下来,并存储在数据库或数据存储设备中,以供后续分析使用;
记录维护日志:工作人员在巡检过程应该记录和维护一份详细的日志;这些日志包括巡检日期、时间、位置,以及观察到的温度、湿度和气体浓度情况;如果在巡检过程中发现了故障,也会在日志中记录;
故障报告:如果在电缆隧道中发生过故障,那么相应的故障报告应该包含详细的信息;这些报告会描述故障发生的时间、位置以及相关的温度、湿度和气体浓度情况;
以上三种方法都能够提供历史电缆隧道中的温度、湿度、气体浓度以及故障信息;这些数据将为后续的分析和建模提供重要的基础;确保数据的准确性和完整性非常关键,因为任何不准确或不完整的数据都可能导致预测模型的误差。
S2、根据实际预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列,转换成分别由温度值、湿度值和气体浓度值表示的电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴;
这一步骤的目的是为了将电缆隧道中各个位置的温度、湿度和气体浓度信息按照隧道方向进行组织,以便后续的分析和处理;具体步骤如下:
获取历史电缆隧道中的温度信息、湿度信息和气体浓度信息,这些数据可以通过传感器等设备进行实时监测和记录。
根据实际预设距离,将获取的温度信息、湿度信息和气体浓度信息按照隧道方向进行排列;这意味着将这些信息按照它们在隧道中的位置进行排序,通常是按照电缆的布置顺序或隧道的划分来进行。
转换成数轴表示;将排列好的温度信息、湿度信息和气体浓度信息转换成数轴,其中温度数轴表示电缆的温度变化情况,湿度数轴表示隧道的湿度变化情况,气体浓度数轴表示隧道的气体浓度变化情况;更为具体的:
电缆温度数轴:将电缆隧道中各个距离点上的温度数据按照其对应的距离值进行排序,得到一个由温度值表示的电缆温度数轴;
隧道湿度数轴:将电缆隧道中各个距离点上的湿度数据按照其对应的距离值进行排序,得到一个由湿度值表示的隧道湿度数轴;
隧道气体浓度数轴:将电缆隧道中各个距离点上的气体浓度数据按照其对应的距离值进行排序,得到一个由气体浓度值表示的隧道气体浓度数轴。
通过这样的排列和转换,我们可以在数轴上清楚地表示出电缆隧道中不同位置的温度、湿度和气体浓度的变化情况;这有助于后续的数据分析和模型训练,以便预测电缆隧道的运行状态并进行相应的预警。
需要注意的是,实际操作中,该方法需要考虑一些其他因素,比如电缆隧道的长度、电缆的布置方式、传感器的精度等,以确保排列和转换的准确性和可靠性;同时,对于不同类型的电缆隧道,可能需要针对其特定的特性进行相应的调整和优化。
S3、将若干条条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合成三维隧道状态矩阵,若干条条电缆温度数轴分别代表隧道中的若干条电缆;
将多个电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合在一起,形成一个三维隧道状态矩阵,如图2所示;在这个矩阵中,每个电缆温度数轴表示隧道中的一个电缆,隧道湿度数轴表示隧道中的湿度分布,而隧道气体浓度数轴则表示隧道中的气体变化;所述三维隧道状态矩阵由若干层二维隧道状态矩阵,如图3所示,沿电缆隧道排列而成,每个所述二维隧道状态矩阵中包含同一位置上的多条电缆温度值、湿度值以及气体浓度值;多条电缆的温度值在二维隧道状态矩阵上的位置根据隧道中多条电缆的实际布局分布。
通过将这些不同的数轴组合在一起,得到的三维矩阵可以提供更全面和综合的隧道状态信息;通过矩阵的不同维度,可以准确地表示隧道中电缆的温度、湿度和气体浓度的空间分布情况;需要注意的是,数轴的分辨率和采样频率应根据实际情况进行设置,以确保所得到的状态矩阵能够准确地反映出电缆隧道的状态变化;通过S3步骤,能够将电缆温度、湿度和气体浓度等信息转化为一个综合的三维隧道状态矩阵,这为后续的状态信息分析和预测提供了更加准确和全面的基础。
S4、将一天分割成若干个时间节点,分别获取隧道中每个时间节点的三维隧道状态矩阵和该时间节点内的故障信息;
S5、将三维隧道状态矩阵、该三维隧道状态矩阵的时间节点以及与该时间节点相对应的故障信息,三者结合生成一个状态信息数据集;
在S4和S5中,将一天的时间分割成若干个固定的时间段,以使后续分析可以针对每个时间段进行;对于每个时间节点,根据已收集到的历史数据进行处理,得到与该时间节点相对应的三维隧道状态矩阵。
在每个时间节点内,收集隧道中的故障信息;这些故障信息可以通过传感器、监控***或其他故障检测手段获取,例如检测到电缆短路、断线或超温等情况。
将每个时间节点内的三维隧道状态矩阵与与之相对应的故障信息进行关联,并生成一个状态信息数据集;这个数据集将用于后续的模型训练和预测。
通过分割时间节点、获取隧道的三维状态矩阵和故障信息,为后续的状态信息数据集的生成提供了基础;这样的数据集将用于训练预警模型,并根据模型的预测结果提醒工作人员进行相应的应急处理。
更为具体的,在生成状态信息数据集之前,需要确保三维隧道状态矩阵、时间节点和故障信息的数据格式一致,并有相同的标识符将它们对应起来;例如,可以使用时间戳将每个时间节点与对应的隧道状态矩阵和故障信息关联起来;并且需要对所获得的数据进行预处理;这包括数据清洗、去噪和归一化等操作,以保证数据的质量和可用性;例如,去除异常值、填充缺失数据并对数据进行标准化,以便更好地进行后续处理和分析。
S6、将若干个状态信息数据集上传至数据集成训练平台进行学习、训练,获得电缆隧道状态预警模型;
具体的,所述电缆隧道状态预警模型的核心采用卷积神经网络模型,所述卷积神经网络模型的卷积核为三层的二维隧道状态矩阵,如图4所示;所述卷积神经网络模型的步长为2;所述卷积神经网络模型的输出为特征数轴,将特征数轴与数据集成训练平台预先训练得到的故障信息数轴进行比对,识别并确定故障类型。
进一步地,所述卷积神经网络模型的卷积核在对三维隧道状态矩阵进行运算的公式如下:其中D为卷积核在三维隧道状态矩阵上对应区域的输出数值;n为卷积核在三维隧道状态矩阵上对应区域内温度值的数量;T为温度值;k为温度权重;W为湿度值;u为湿度权重;Q为气体浓度值;m为气体浓度权重。
数据预处理和特征提取后得到的数据集,可以利用数据集成训练平台进行学习和训练;这涉及将数据集输入到适当的机器学习算法或预测模型中,并通过对数据进行监督学习或其他相关训练方法,使模型能够理解和学习电缆隧道状态的模式和规律;一旦模型达到满意的性能,可以将其部署到实际的电缆隧道环境中;这包括将模型集成到实时数据监测***中,使其能够实时接收并处理来自巡检机器人或传感器的状态信息,并预测电缆隧道的运行状态。
S7、实时采集电缆隧道的状态信息数据集;其中电缆隧道的环境数据采集依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人;
其中巡检机器人的需要具备以下能力:
导航能力:巡检机器人需要具备良好的导航能力,能够准确地定位和移动在复杂的隧道环境中;可以采用激光导航、惯性导航等技术来实现机器人的导航;
避障能力:巡检机器人需要能够识别和避开隧道内的障碍物,例如电缆、管道等;采用激光雷达、摄像头等传感技术可以用于障碍物检测和避障;
传感器集成:巡检机器人需要搭载红外测温传感器、湿度传感器和气体浓度传感器等,以实时感知隧道中的环境数据;
数据采集与处理:巡检机器人需要能够准确、高效地采集和处理电缆隧道中的温度、湿度、气体浓度等环境数据,并将其传输给后续的数据处理平台;
长时间运行:巡检机器人应具备长时间运行的能力,以满足对大型电缆隧道进行全面巡检的需求;
可靠性和安全性:巡检机器人需要设计和制造符合安全标准的结构,以确保在隧道巡检任务中的稳定性和可靠性;同时,还需要采取相应的安全措施,防止机器人对环境和人员造成伤害;
数据通信:巡检机器人需要具备良好的数据通信能力,可以将采集到的数据及时传输给数据处理平台以进行实时分析和预警;
续航能力和自动充电:巡检机器人需要具备足够的续航能力,以保证在巡检任务中能够持续工作一段时间;此外,在不需要巡检时,机器人应具备自动充电功能,以提高工作效率。
S8、利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态;
具体在本步骤中,将实时采集的状态信息数据集输入到电缆隧道状态预警模型中,在进行特征识别之前,还需要对实时采集的状态信息数据集进行预处理;这包括数据清洗、数据校正和数据标准化等步骤,以确保数据的准确性和一致性;清洗过程可以排除异常或错误的数据点,校正过程可以修正可能存在的测量误差,而标准化过程可以使不同类型的数据具有相同的量纲和比例。
在电缆隧道状态预警模型对状态信息数据识别之后,输出特征数轴,通过对特征数轴进行离散度计算,并将计算结果与多个故障信息数轴的离散度分别做差,计算两者差值的绝对值是否超过预设的阈值,若未超过则判定该特征数轴与该故障信息数轴所对应的故障类型相似,并输出该故障类型。
需要注意的是,S8的准确性和可靠性取决于预测模型的训练质量、特征的选择和数据的质量等因素;因此,在设计和实施这样的在线检测应急预警方法时,需要充分考虑这些因素,并进行充分的验证和测试以确保***的可靠性和效果。
S9、根据预测的运行状态,对工作人员进行提醒示警;
在得到预测结果后,可以根据预测的运行状态来对工作人员进行提醒示警;这可以通过警报、通知或可视化界面等方式进行;预警的形式和内容可以根据实际需求进行定制,以便操作人员能够及时采取必要的行动来解决潜在问题。
实施例
如图5所示,一种电缆隧道的在线检测应急预警***,其中黑实线为训练模型的数据流向;黑虚线为实际应用中的数据流向;具体的,所述***包括:
历史数据获取模块,用于获取电缆隧道的历史温度信息、湿度信息、气体浓度信息和故障信息,并发送;
数据处理模块,用于接收历史温度信息、湿度信息、气体浓度信息和故障信息,并根据预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列转换为电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并发送;
隧道状态矩阵生成模块,用于接收电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并将多条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合生成三维隧道状态矩阵,并发送;其中每条电缆温度数轴代表一条电缆;
时间节点分割模块,用于将一天分割成多个时间节点;
状态信息获取模块,用于读取分割后的多个时间节点,并获取每个时间节点内的三维隧道状态矩阵和对应的故障信息;
数据集生成模块,用于将三维隧道状态矩阵、时间节点和故障信息结合生成一个状态信息数据集,并发送;
数据上传模块,用于接收状态信息数据集,并将多个状态信息数据集上传至数据集成训练平台进行学习和训练,以生成电缆隧道状态预警模型;
实时数据采集模块,依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人实时采集电缆隧道的状态信息数据集;
特征识别模块,用于接收实时采集的状态信息数据集,并利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态,并发送;
提醒示警模块,用于预测接收电缆隧道的运行状态,并根据预测的运行状态,对工作人员进行提醒示警。
在本实施例中,***利用巡检机器人搭载的传感器实时采集电缆隧道的状态信息数据集,实现了对电缆温度、湿度和气体浓度等多个参数的自动化检测;相比人工巡检和传感器固定安装的方式,***能够全面、即时地获取电缆隧道状态信息,降低了漏检和误检的风险;
***通过数据处理和特征识别模块,将采集到的电缆隧道状态信息数据集进行分析和处理,利用预先训练好的电缆隧道状态预警模型进行特征识别和状态预测;相比传统方法的直接数据收集,***能够进行更加深入的数据分析和处理,提高了检测的准确性和可靠性;
***利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态,并通过提醒示警模块实时对工作人员进行提醒示警;通过实时预警,能够及时发现电缆隧道的异常状态,提前预防和处理故障问题,降低了事故发生的风险;
***的历史数据获取模块能够获取电缆隧道的历史温度、湿度、气体浓度和故障信息,并进行数据集生成和上传;这样能够积累大量的历史数据,并利用这些数据进行数据分析、模型训练和优化,进一步提高***的准确性和稳定性;
由于***能够实时监测电缆隧道的状态信息,能够根据实际情况进行巡检计划的优化;基于***提供的数据和预警信息,决策者能够更加准确地判断巡检的必要性和时机,避免了不必要的定期巡检,节省了人力和物力资源;
综上所述,上述***相较于传统的巡检方法和传感器安装方式,具有自动化、智能化、实时化和优化巡检等方面的优点,能够提升电缆隧道的检测准确性和故障预防能力,降低巡检成本和风险,提高电缆隧道的安全性和可靠性;
前述实施例一中的电缆隧道的在线检测应急预警方法的各种变化方式和具体实施例同样适用于本实施例的电缆隧道的在线检测应急预警***,通过前述对电缆隧道的在线检测应急预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中电缆隧道的在线检测应急预警***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种电缆隧道的在线检测应急预警方法,其特征在于,所述方法包括:
获取历史电缆隧道中温度信息、湿度信息、气体浓度信息以及故障信息;
根据实际预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列,转换成分别由温度值、湿度值和气体浓度值表示的电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴;
将若干条条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合成三维隧道状态矩阵,若干条条电缆温度数轴分别代表隧道中的若干条电缆;
将一天分割成若干个时间节点,分别获取隧道中每个时间节点的三维隧道状态矩阵和该时间节点内的故障信息;
将三维隧道状态矩阵、该三维隧道状态矩阵的时间节点以及与该时间节点相对应的故障信息,三者结合生成一个状态信息数据集;
将若干个状态信息数据集上传至数据集成训练平台进行学习、训练,获得电缆隧道状态预警模型;
实时采集电缆隧道的状态信息数据集;
利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态;
根据预测的运行状态,对工作人员进行提醒示警;
其中电缆隧道的环境数据采集依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人。
2.如权利要求1所述的电缆隧道的在线检测应急预警方法,其特征在于,在生成状态信息数据集之前,对三维隧道状态矩阵、时间节点和故障信息进行数据预处理;并利用相同的标识符来保持同一时间节点内数据的对应关系。
3.如权利要求1所述的电缆隧道的在线检测应急预警方法,其特征在于,所述巡检机器人集成有导航***和避障***,用于自行规划巡检路线;所述电缆隧道内设有充电点,用于为巡检机器人进行充电蓄能。
4.如权利要求1所述的电缆隧道的在线检测应急预警方法,其特征在于,所述三维隧道状态矩阵由若干层二维隧道状态矩阵沿电缆隧道排列而成,每个所述二维隧道状态矩阵中包含同一位置上的多条电缆温度值、湿度值以及气体浓度值;多条电缆的温度值在二维隧道状态矩阵上的位置根据隧道中多条电缆的实际布局分布。
5.如权利要求4所述的电缆隧道的在线检测应急预警方法,其特征在于,所述电缆隧道状态预警模型的核心采用卷积神经网络模型,所述卷积神经网络模型的卷积核为三层的二维隧道状态矩阵;所述卷积神经网络模型的步长为2;
所述卷积神经网络模型的输出为特征数轴,将特征数轴与数据集成训练平台预先训练得到的故障信息数轴进行比对,识别并确定故障类型。
6.如权利要求5所述的电缆隧道的在线检测应急预警方法,其特征在于,所述卷积神经网络模型的卷积核在对三维隧道状态矩阵进行运算的公式如下:其中D为卷积核在三维隧道状态矩阵上对应区域的输出数值;n为卷积核在三维隧道状态矩阵上对应区域内温度值的数量;T为温度值;k为温度权重;W为湿度值;u为湿度权重;Q为气体浓度值;m为气体浓度权重。
7.如权利要求5所述的电缆隧道的在线检测应急预警方法,其特征在于,通过对特征数轴进行离散度计算,并将计算结果与多个故障信息数轴的离散度分别做差,计算两者差值的绝对值是否超过预设的阈值,若未超过则判定该特征数轴与该故障信息数轴所对应的故障类型相似,并输出该故障类型。
8.一种电缆隧道的在线检测应急预警***,其特征在于,所述***包括:
历史数据获取模块,用于获取电缆隧道的历史温度信息、湿度信息、气体浓度信息和故障信息,并发送;
数据处理模块,用于接收历史温度信息、湿度信息、气体浓度信息和故障信息,并根据预设距离将温度信息、湿度信息和气体浓度信息分别沿隧道方向进行排列转换为电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并发送;
隧道状态矩阵生成模块,用于接收电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴,并将多条电缆温度数轴、隧道湿度数轴和隧道气体浓度数轴组合生成三维隧道状态矩阵,并发送;其中每条电缆温度数轴代表一条电缆;
时间节点分割模块,用于将一天分割成多个时间节点;
状态信息获取模块,用于读取分割后的多个时间节点,并获取每个时间节点内的三维隧道状态矩阵和对应的故障信息;
数据集生成模块,用于将三维隧道状态矩阵、时间节点和故障信息结合生成一个状态信息数据集,并发送;
数据上传模块,用于接收状态信息数据集,并将多个状态信息数据集上传至数据集成训练平台进行学习和训练,以生成电缆隧道状态预警模型;
实时数据采集模块,依靠搭载红外测温传感器、湿度传感器和气体浓度传感器的巡检机器人实时采集电缆隧道的状态信息数据集;
特征识别模块,用于接收实时采集的状态信息数据集,并利用电缆隧道状态预警模型对实时采集的状态信息数据集进行特征识别,预测电缆隧道的运行状态,并发送;
提醒示警模块,用于预测接收电缆隧道的运行状态,并根据预测的运行状态,对工作人员进行提醒示警。
9.一种电缆隧道的在线检测应急预警的电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058064.2A CN116754022B (zh) | 2023-08-22 | 2023-08-22 | 电缆隧道的在线检测应急预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311058064.2A CN116754022B (zh) | 2023-08-22 | 2023-08-22 | 电缆隧道的在线检测应急预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116754022A true CN116754022A (zh) | 2023-09-15 |
CN116754022B CN116754022B (zh) | 2023-10-27 |
Family
ID=87951959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311058064.2A Active CN116754022B (zh) | 2023-08-22 | 2023-08-22 | 电缆隧道的在线检测应急预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116754022B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405177A (zh) * | 2023-12-15 | 2024-01-16 | 国网山东省电力公司济南供电公司 | 电缆隧道有害气体泄漏预警方法、***、设备及介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090254874A1 (en) * | 2006-05-18 | 2009-10-08 | Subhasis Bose | Methods and systems for placement and routing |
CN103258256A (zh) * | 2013-04-12 | 2013-08-21 | 国家电网公司 | 电缆线路状态监测多维可视化管理平台 |
CN104899690A (zh) * | 2015-06-08 | 2015-09-09 | 江苏省电力公司苏州供电公司 | 基于历史故障信息和运行状态的电力电缆运行维护方法 |
KR101638502B1 (ko) * | 2015-06-09 | 2016-07-11 | 주식회사 탑이엔씨 | 터널 내외의 휘도분석을 통한 터널 출입구 부분의 밝기 조절장치 |
CN108335468A (zh) * | 2017-12-12 | 2018-07-27 | 中科(深圳)能源物联网有限公司 | 一种电缆监控*** |
EP3557436A1 (en) * | 2018-04-20 | 2019-10-23 | Palantir Technologies Inc. | Object time series system |
CN110388964A (zh) * | 2019-08-16 | 2019-10-29 | 深圳江行联加智能科技有限公司 | 一种隧道电缆数据采集的方法、装置和*** |
CN111104880A (zh) * | 2019-12-09 | 2020-05-05 | 北京国网富达科技发展有限责任公司 | 电缆隧道状态数据的处理方法、装置及*** |
WO2021013192A1 (zh) * | 2019-07-24 | 2021-01-28 | 中南大学 | 列车过隧道时长计算方法、***及存储介质 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
CN112762997A (zh) * | 2021-01-15 | 2021-05-07 | 国网辽宁省电力有限公司电力科学研究院 | 电缆隧道分布式智能感知***与状态评价方法 |
CN112990445A (zh) * | 2021-05-13 | 2021-06-18 | 国网浙江省电力有限公司金华供电公司 | 一种配电网监控信息智能分析机器学习方法 |
CN113364115A (zh) * | 2021-04-25 | 2021-09-07 | 西安电子科技大学 | 一种电力电缆信息综合处理***、方法 |
CN113408878A (zh) * | 2021-06-07 | 2021-09-17 | 山东电工电气集团有限公司 | 基于多源信息的电缆隧道运行状态评价方法及区域控制*** |
WO2021257128A2 (en) * | 2020-02-14 | 2021-12-23 | Cornell University | Quantum computing based deep learning for detection, diagnosis and other applications |
CN113887657A (zh) * | 2021-10-21 | 2022-01-04 | 西安金源电气股份有限公司 | 一种基于GSA-Elman神经网络的电缆隧道告警***及方法 |
DE202022100907U1 (de) * | 2022-02-17 | 2022-03-14 | Himansu Sekhar Behera | Ein neuartiges Hybridisierungssystem für die Vorhersage von Zeitreihen |
CN115238366A (zh) * | 2022-09-19 | 2022-10-25 | 国网山西省电力公司太原供电公司 | 一种ai智能电缆隧道的在线检测应急预警方法及*** |
CN115273406A (zh) * | 2022-07-04 | 2022-11-01 | 山东浪潮新基建科技有限公司 | 城市道路易涝点内涝预判方法及*** |
-
2023
- 2023-08-22 CN CN202311058064.2A patent/CN116754022B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090254874A1 (en) * | 2006-05-18 | 2009-10-08 | Subhasis Bose | Methods and systems for placement and routing |
CN103258256A (zh) * | 2013-04-12 | 2013-08-21 | 国家电网公司 | 电缆线路状态监测多维可视化管理平台 |
CN104899690A (zh) * | 2015-06-08 | 2015-09-09 | 江苏省电力公司苏州供电公司 | 基于历史故障信息和运行状态的电力电缆运行维护方法 |
KR101638502B1 (ko) * | 2015-06-09 | 2016-07-11 | 주식회사 탑이엔씨 | 터널 내외의 휘도분석을 통한 터널 출입구 부분의 밝기 조절장치 |
CN108335468A (zh) * | 2017-12-12 | 2018-07-27 | 中科(深圳)能源物联网有限公司 | 一种电缆监控*** |
EP3557436A1 (en) * | 2018-04-20 | 2019-10-23 | Palantir Technologies Inc. | Object time series system |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和*** |
WO2021013192A1 (zh) * | 2019-07-24 | 2021-01-28 | 中南大学 | 列车过隧道时长计算方法、***及存储介质 |
CN110388964A (zh) * | 2019-08-16 | 2019-10-29 | 深圳江行联加智能科技有限公司 | 一种隧道电缆数据采集的方法、装置和*** |
CN111104880A (zh) * | 2019-12-09 | 2020-05-05 | 北京国网富达科技发展有限责任公司 | 电缆隧道状态数据的处理方法、装置及*** |
WO2021257128A2 (en) * | 2020-02-14 | 2021-12-23 | Cornell University | Quantum computing based deep learning for detection, diagnosis and other applications |
CN112762997A (zh) * | 2021-01-15 | 2021-05-07 | 国网辽宁省电力有限公司电力科学研究院 | 电缆隧道分布式智能感知***与状态评价方法 |
CN113364115A (zh) * | 2021-04-25 | 2021-09-07 | 西安电子科技大学 | 一种电力电缆信息综合处理***、方法 |
CN112990445A (zh) * | 2021-05-13 | 2021-06-18 | 国网浙江省电力有限公司金华供电公司 | 一种配电网监控信息智能分析机器学习方法 |
CN113408878A (zh) * | 2021-06-07 | 2021-09-17 | 山东电工电气集团有限公司 | 基于多源信息的电缆隧道运行状态评价方法及区域控制*** |
CN113887657A (zh) * | 2021-10-21 | 2022-01-04 | 西安金源电气股份有限公司 | 一种基于GSA-Elman神经网络的电缆隧道告警***及方法 |
DE202022100907U1 (de) * | 2022-02-17 | 2022-03-14 | Himansu Sekhar Behera | Ein neuartiges Hybridisierungssystem für die Vorhersage von Zeitreihen |
CN115273406A (zh) * | 2022-07-04 | 2022-11-01 | 山东浪潮新基建科技有限公司 | 城市道路易涝点内涝预判方法及*** |
CN115238366A (zh) * | 2022-09-19 | 2022-10-25 | 国网山西省电力公司太原供电公司 | 一种ai智能电缆隧道的在线检测应急预警方法及*** |
Non-Patent Citations (4)
Title |
---|
LIU ZHI-YONG等: "Failure analysis of API oil casing", JOURNAL OF IRON AND STEEL RESEARCH, vol. 20, no. 3 * |
MONSBERGER, CM等: "Large-scale distributed fiber optic sensing network for short and long-term integrity monitoring of tunnel linings", JOURNAL OF CIVIL STRUCTURAL HEALTH MONITORING, vol. 12, no. 6 * |
王强等: "TD-LTE网络在连续多山隧道网络覆盖应用的研究", 长江信息通信, no. 5 * |
董雷;刘刚;张芷艺;: "城市电缆隧道多状态在线监测***设计", 电气工程应用, no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405177A (zh) * | 2023-12-15 | 2024-01-16 | 国网山东省电力公司济南供电公司 | 电缆隧道有害气体泄漏预警方法、***、设备及介质 |
CN117405177B (zh) * | 2023-12-15 | 2024-04-26 | 国网山东省电力公司济南供电公司 | 电缆隧道有害气体泄漏预警方法、***、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116754022B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
CN111694916A (zh) | 浆砌石拱坝自动化监测*** | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及*** | |
Xia et al. | Operation and maintenance optimization of offshore wind farms based on digital twin: A review | |
CN111127825A (zh) | 环境预测方法和装置、电子设备 | |
CN115423127B (zh) | 一种基于人工智能的电力设备现场运维方法及*** | |
CN116305699B (zh) | 一种基于全方位感知的管道监督*** | |
CN117629549B (zh) | 一种桥梁建筑健康监测与安全预警*** | |
CN114139274B (zh) | 一种健康管理*** | |
CN114677054A (zh) | 一种基于数字孪生的煤矿井下人员及物资调度方法 | |
CN113503912A (zh) | 一种城市轨道交通土建设施健康状态实时监控*** | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
Finogeev et al. | Collection and consolidation of big data for proactive monitoring of critical events at infrastructure facilities in an urban environment | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及*** | |
CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
RU2668487C2 (ru) | Система информационной поддержки принятия управленческих решений для обслуживающего персонала судовой энергетической установки | |
CN114623799B (zh) | 结构健康监测数据异常预警方法、***、装置及存储介质 | |
JP7333284B2 (ja) | 保守支援システム及び保守支援方法 | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 | |
CN115394053B (zh) | 电缆沟环境气体监测报警装置 | |
CN116906837B (zh) | 地下管线的状态监测***及监测方法 | |
CN102035253A (zh) | 电网视频及环境监控***中可记忆学习的测试方法及装置 | |
CN117854233A (zh) | 一种基于城市防汛的监测预警方法 | |
Shanmugaraj et al. | Detection of Fault Analysis in Sensor Network Systems Through Embedded Cyber Physical Systems |
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 |