CN117131465B - 单管塔损伤识别方法、装置、电子设备及可读存储介质 - Google Patents
单管塔损伤识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN117131465B CN117131465B CN202311395940.0A CN202311395940A CN117131465B CN 117131465 B CN117131465 B CN 117131465B CN 202311395940 A CN202311395940 A CN 202311395940A CN 117131465 B CN117131465 B CN 117131465B
- Authority
- CN
- China
- Prior art keywords
- data
- moment
- wind speed
- data corresponding
- strain 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000006467 substitution reaction Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 90
- 238000009499 grossing Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种单管塔损伤识别方法、装置、电子设备及可读存储介质,涉及深度学习技术领域,该方法包括:获取等效替代模型,等效替代模型为基于单管塔多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到,单管塔多个时刻对应的第一风速风向数据和第一应变时程数据为单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;获取单管塔监测数据,监测数据包括第二风速风向数据和第二应变时程数据;将第二风速风向数据输入至等效替代模型进行处理,得到预测应变时程数据;在预测应变时程数据与第二应变时程数据的差值大于预设误差阈值的情况下,确定监测数据对应的单管塔的位置存在损伤。本发明能提高识别损伤的准确率。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及一种单管塔损伤识别方法、装置、电子设备及可读存储介质。
背景技术
基站铁塔是通信设备之间进行通信的关键设备,为减小基站铁塔的占地面积和减小施工周期,通常采用单管塔作为基站铁塔。而在基站铁塔运营过程中,单管塔会受到风载荷的影响造成损伤,在相关技术中通过在实验室进行模拟实验以预测单管塔的是否出现损伤。由于实验室模拟条件过于理性,无法真实模拟单管塔的真实运营情况,导致对单管塔是否存在损伤的识别准确率较低。
可见,相关技术中存在对单管塔是否存在损伤的识别准确率较低的问题。
发明内容
本发明实施例提供一种单管塔损伤识别方法、装置、电子设备及可读存储介质,以解决相关技术中存在对单管塔是否存在损伤的识别准确率较低的问题。
为解决上述问题,本发明是这样实现的:
第一方面,本发明实施例提供一种单管塔损伤识别方法,包括:
获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;
获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据;
将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据;
在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤。
第二方面,本发明实施例还提供一种单管塔损伤识别装置,包括:
第一获取模块,用于获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;
第二获取模块,用于获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据;
处理模块,用于将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据;
确定模块,用于在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤。
第三方面,本发明实施例还提供一种电子设备,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如上述第一方面所述的单管塔损伤识别方法中的步骤。
第四方面,本发明实施例还提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如上述第一方面所述的单管塔损伤识别方法中的步骤。
在本发明实施例中,通过获取等效替代模型,等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;获取单管塔监测数据,监测数据包括监测的第二风速风向数据和第二应变时程数据;将第二风速风向数据输入至等效替代模型进行处理,得到预测应变时程数据,基于预测应变数据和第二应变时程数据可以确定单管塔是否存在损伤。其中,在预测应变时程数据与第二应变时程数据的差值大于预设误差阈值的情况下,确定监测数据对应的单管塔的位置存在损伤。这样,通过对比预测应变数据和第二应变时程数据,分析出单管塔是否存在损伤,而预测应变数据由经过历时数据训练的等效替代模型得到,历时数据为实际环境的数据,可以有效把握实际工程中的复杂不确定因素,使等效替代模型更加准确,能有效提高识别的准确率。
附图说明
为更清楚地说明本发明实施例的技术方案,下面将对本发明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性的前提下,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一种单管塔损伤识别方法的流程图;
图2是本发明实施例提供的LSTM神经网络模型的结构示意图;
图3是本发明实施例提供的一种单管塔损伤识别装置的结构图;
图4是本发明实施例提供的一种电子设备的结构图。
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作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。
请参见图1,图1是本发明实施例提供的一种单管塔损伤识别方法的流程图,如图1所示,包括以下步骤:
步骤101、获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据。
上述等效替代模型为基于单管塔的第一风速风向数据预测第一应变时程数据的模型,每个单管塔对应一个等效替代模型,由于单管塔的环境不同,每个单管塔对应的等效替代模型不同,需要对每个单管塔的等效模型进行单独训练得到,具体见后续实施例。
其中,上述第一风速风向数据为单管塔的在多个时刻对应的历史风速风向数据,上述第一应变时程数据为单管塔的在多个时刻对应的历史应变时程数据,历史风速风向数据和历史应变时程数据为单管塔在未出现损伤时采集的数据。
步骤102、获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据。
上述监测数据为单管塔的实时数据,包括单管塔在不同时刻的第二风速风向数据和第二应变时程数据。其中,第二风速风向数据和第二应变时程数据为单管塔的实时风速风向数据和实时应变时程数据。通过获取单管塔的监测数据,以通过监测数据和单管塔对应的等效替代模型确定单管塔是否出现损伤。
应理解,上述监测数据的监测位置、采集第一风速风向数据和采集第一应变时程数据的位置为同一位置,等效替代模型用于预测该位置的应变时程,进而确定该位置是否出现损伤。
进一步地,上述第一风速风向数据由传感器采集,需要对传感器的数据设计数字滤波器去除噪声。其中,由于风速变化缓慢,频谱主要集中在低频,因此可以选择设计简单的低通滤波器去除噪声。优选的,考虑到实时性要求以及滤波效果,采用无限脉冲响应(Infinite Impulse Response,IIR)滤波器。为获取最小阶的IIR滤波器,采用巴特沃思方法设计6阶的奇抗滤波器,该滤波器相位非线性会让信号发生失真,因此进行零相位转换,并补偿引入的延迟。
为了进一步提高信号质量,引入平滑滤波技术,采用的多项式平滑(Sgolay)和Rloss两种算法进行评估。其中,在相同的平滑窗口下,Rloss算法能提供更好的平滑效果,能更好地保留信号细节。通过上述数字滤波设计,能够有效提高第一风速风向数据的质量,提高训练得到的等效替代模型的准确性。
应理解,上述第一应变时程数据由传感器采集,传感器采集的数据采样频率较低,为了去除测量噪声,可采用小波阈值法进行去噪,或者,采用平滑去噪算法去噪,通过比较Sgolay和Rloss算法的平滑效果,可选择出最优的平滑去噪算法,以获得准确的第一应变时程数据。
其中,由于第一风速风向数据和第一应变时程数据由不同的传感器进行采集,会存在采集频率不一致的情况。为保证进行训练的数据在每个时刻均对应一个第一风速风向数据和第一应变时程数据,可以在数据较多的情况下从数据中进行部分采样,得到符合设定数量的数据;在数据较少的情况下,存在单个时刻中数据缺失的情况,此时采用线性插值或样条插值来估计的数据点,以填充缺失的数据。
步骤103、将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据。
应理解,第二风速风向数据为单管塔的实时风速风向数据,将第二风速风向数据输入至等效替代模型进行处理,得到等效替代模型预测的预测应变时程数据,预测应变时程数据为预测得到的单管塔在未出现损伤的情况下的应变时程数据。通过对比预测应变时程数据和第二应变时程数据,从而确定单管塔是否出现损伤。
步骤104、在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤。
上述预设误差阈值用于确定单管塔是否出现损伤,在预测应变时程数据与第二应变时程数据的差值大于预设误差阈值的情况下,确定单管塔在收集监测数据的位置出现了损伤;在预测应变时程数据与第二应变时程数据的差值小于或等于预设误差阈值的情况下,确定单管塔在收集监测数据的位置未出现损伤。
在本发明实施例中,通过获取等效替代模型,等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;获取单管塔监测数据,监测数据包括监测的第二风速风向数据和第二应变时程数据;将第二风速风向数据输入至等效替代模型进行处理,得到预测应变时程数据,基于预测应变数据和第二应变时程数据可以确定单管塔是否存在损伤。其中,在预测应变时程数据与第二应变时程数据的差值大于预设误差阈值的情况下,确定监测数据对应的单管塔的位置存在损伤。这样,通过对比预测应变数据和第二应变时程数据,分析出单管塔是否存在损伤,而预测应变数据由经过历时数据训练的等效替代模型得到,历时数据为实际环境的数据,可以有效把握实际工程中的复杂不确定因素,使等效替代模型更加准确,能有效提高识别的准确率。
在一个实施例中,所述初始模型为长短期记忆(Long Short-Term Memory,LSTM)神经网络模型;
所述等效替代模型的训练过程包括:
基于所述多个时刻对应的第一风速风向数据和第一应变时程数据对所述LSTM模型进行训练,得到训练模型;
将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据;
在所述多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值小于设定阈值的情况下,将所述训练模型设为所述等效替代模型。
上述基于多个时刻对应的第一风速风向数据和第一应变时程数据对LSTM模型进行训练,得到训练模型中,具体为将第一风速风向数据作为输入,第一应变时程数据作为输出,以训练LSTM模型。
应理解,在得到训练模型后,需要对训练模型进行评估,进而确定训练模型是否能准确的预测单管塔的应变时程数据。具体的,将多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值作为评估对象(也可以采用均方根误差(Root mean squarederror,RMSE)作为评估对象),在多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值小于设定阈值的情况下,训练模型通过评估,此时将训练模型设为等效替代模型;而在多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值大于或等于设定阈值的情况下,训练模型不能通过评估,需要再次进行训练,直至满足设定阈值的要求。
其中,RMSE的计算过程如下:
;
RMSE为剩余标准差,n为多个时刻的数量,yi为第一应变时程数据,为预测响应数据。在RMSE小于1的情况下,认为训练模型通过评估;在RMSE大于或等于1的情况下,认为训练模型不能通过评估。
在本发明实施例中,通过基于多个时刻对应的第一风速风向数据和第一应变时程数据对LSTM模型进行训练,得到训练模型;将多个时刻对应的第一风速风向数据输入至训练模型,得到多个时刻对应的预测响应数据;在多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值小于设定阈值的情况下,将训练模型设为等效替代模型,从而提高等效替代模型预测得到的应变时程数据的准确率。这样,与传统数值模型分析方法不同,本发明提出的新框架可以避免复杂的计算,实现对单管塔在各种强度灾害下结构响应的快速预测,大大降低了计算量,提高了识别效率和可靠性,使单管塔的安全性分析更加快速、经济、可靠。
在一个实施例中,所述LSTM神经网络模型包括输入门、遗忘门及输出门,所述输入门用于调整当前时刻输入的参数,所述遗忘门用于删除当前时刻之前的部分历史数据,所述输出门用于输出当前时刻的预测响应数据;
所述将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据,包括:
获取第一时刻的预测响应数据和所述输入门的第一输出数据,所述第一时刻为所述当前时刻之前的相邻时刻;
基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据;
基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据;
基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据。
应理解,LSTM神经网络模型由LSTM单元组成,每个LSTM单元包括输入门、遗忘门和输出门三个部分。通过LSTM神经网络模型能遗忘历史数据中不重要的部分数据,从而更好地捕捉和控制数据在不同时刻的长短期传递。其中,输入门用于调整当前时刻输入的参数,从而控制新数据进入LSTM单元的程度;遗忘门用于删除当前时刻之前的部分历史数据,从而遗忘不重要的历史数据;输出门用于输出当前时刻的预测响应数据。这样,通过输入门、遗忘门和输出门三个部分,解决了普通循环神经网络中可能出现的梯度消失和数据***问题,从而能够记住并传递时间间隔很久的重要数据,提高训练得到的等效替代模型的预测准确率。
具体的,如图2所示,LSTM神经网络模型需要预测t时刻的预测响应数据ht,需要获取当前时刻的第一风速风向数据xt,t-1时刻的预测响应数据ht-1和第一输出数据Ct-1,再经过遗忘门、输入门和输出门的处理,得到t时刻的预测响应数据ht,以及第三输出数据Ct。
其中,在经过遗忘门、输入门和输出门的处理,得到t时刻的预测响应数据ht,以及第三输出数据Ct的过程,具体包括:先基于遗忘门对t-1时刻的预测响应数据ht-1和t时刻对应的第一风速风向数据xt进行计算,得到当前时刻的遗忘门的第二输出数据ft;再基于输入门对t-1时刻的预测响应数据ht-1、t时刻对应的第一风速风向数据xt和第一输出数据Ct-1进行计算,得到t时刻的输入门的第三输出数据Ct;最后基于输出门对t-1时刻的预测响应数据ht-1、t时刻对应的第一风速风向数据xt和第三输出数据Ct进行计算,得到当前时刻对应的预测响应数据ht。
进一步地,为避免数据差异波动对预测结果的运行,在将第一风速风向数据xt输入至公式处理之前,需要先对第一风速风向数据进行标准化,具体如下:
;
其中,xi为标准化前的第一风速风向数据,xt为标准化后的第一风速风向数据,为多个第一风速风向数据的均值,/>为多个第一风速风向数据的标准差。
在本发明实施例中,通过获取第一时刻的预测响应数据和输入门的第一输出数据,第一时刻为当前时刻之前的相邻时刻;基于遗忘门对第一时刻的预测响应数据和当前时刻对应的第一风速风向数据进行计算,得到当前时刻的遗忘门的第二输出数据;基于输入门对第一时刻的预测响应数据、当前时刻对应的第一风速风向数据和第一输出数据进行计算,得到当前时刻的输入门的第三输出数据;基于输出门对第一时刻的预测响应数据、当前时刻对应的第一风速风向数据和第三输出数据进行计算,得到当前时刻对应的预测响应数据。这样,通过LSTM神经网络模型得到当前时刻对应的预测响应数据,能解决了普通循环神经网络中可能出现的梯度消失和数据***问题。
在一个实施例中,所述基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据,包括:
将所述第一时刻的预测响应数据和当前时刻对应的第一风速风向数据输入至第一预设函数进行处理,得到所述第二输出数据;
其中,所述第一预设函数通过如下公式一表示:
;
在所述公式一中,ft为所述第二输出数据,为西格玛函数,Wf、bf为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据。
上述西格玛函数具体为:
;
z为输入西格玛函数的数据,在公式一中,z为Wf、bf、ht-1和xt,通过西格玛函数得到第二输出数据,以更新LSTM神经网络模型中的数据。
进一步地,所述基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第二预设函数进行处理,得到第一中间数据;
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第三预设函数进行处理,得到第二中间数据;
将所述第一中间数据、所述第二中间数据和所述第一输出数据输入至第四预设函数进行处理,得到所述第三输出数据;
其中,所述第二预设函数通过如下公式二表示:
;
在所述公式二中,it为所述第一中间数据,为西格玛函数,Wi、bi为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第三预设函数通过如下公式三表示:
;
在所述公式三中,为所述第二中间数据,tanh()为双曲函数,Wc、bc为常数;
所述第四预设函数通过如下公式四表示:
;
在所述公式四中,Ct为所述第三输出数据,ft为所述第二输出数据,Ct-1为所述第一输出数据。
进一步地,所述基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第五预设函数进行处理,得到第三中间数据;
将所述第三中间数据和所述第三输出数据输入至第六预设函数进行处理,得到所述当前时刻对应的预测响应数据;
其中,所述第五预设函数通过如下公式五表示:
;
在所述公式五中,ot为所述第三中间数据,为西格玛函数,Wo、bo为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第六预设函数通过如下公式六表示:
;
在所述公式六中,ht为所述当前时刻对应的预测响应数据,tanh()为双曲函数。
通过上述公式一至公式六,计算得到当前时刻的预测响应数据和第三输出数据。在计算第二时刻的预测响应数据时,基于LSTM神经网络模型对第二时刻的第一风速风向数据和当前时刻的预测响应数据和第三输出数据处理,从而得到第二时刻的预测响应数据,第二时刻为与当前时刻之后的时刻,第二时刻与当前时刻相邻。
其中,公式一至公式六的常数Wi、bi、Wc、bc、Wo和bo为模型训练过程中需要调整的参数,通过调整Wi、bi、Wc、bc、Wo和bo以使得训练模型满足设定阈值的要求。
应理解,LSTM神经网络模型中还包括超参数,可以采用贝叶斯优化来实现深度学习模型超参数的优化。其中,由于目标函数未知,贝叶斯优化选择用替代函数(SurrogateFunction)来代替目标函数(即采用替代函数作为初始函数),具体过程如下:
(1)定义超参数搜索空间和优化目标函数。搜索空间可以包括学习率、网络单元数、网络层数等超参数。优化目标可以是模型验证集上的损失函数或准确率。
(2)建立高斯过程回归模型作为替代模型。其中,高斯过程回归模型为以当前搜索空间中的超参数组合为输入,以目标函数值作为输出,拟合一个回归模型。
(3)基于采集函数(Acquisition Function)选择下一个超参数组合进行评估。其中,可以使用期望改进量(Expected Improvement,EI)或概率改进量(Probability ofImprovement,PI)作为采集函数。
(4)在LSTM神经网络模型上评估选出的超参数组合,得到目标函数值。
(5)用新的数据点更新高斯过程模型的后验分布。
(6)重复步骤(3)-(5),迭代进行采样和模型更新,直到超参数空间被充分遍历或达到预定次数。
(7)从最后的高斯过程后验分布中确定全局最优超参数,此时在高斯过程回归模型中的最小值对应的超参数组合为最优超参数。
在本发明实施例中,通过采用贝叶斯优化算法对LSTM神经网络模型的超参数进行了优化选择,相对于经验确定超参数的方法,利用贝叶斯优化算法可以更客观、有效地寻找深度学习模型的最佳超参数。通过训练损失函数值和预测响应的对比分析,贝叶斯优化超参数的LSTM神经网络模型可以实现更好的模型训练效果,预测响应结果也更优,进而提高识别的准确率。
在一个实施例中,所述预设误差阈值通过如下方式得到:
将所述多个时刻对应的第一风速风向数据输入至所述等效替代模型中,得到所述多个时刻对应的预测响应数据;
将每个时刻对应的第一应变时程数据和预测响应数据的差值的绝对值输入至第七预设函数进行处理,得到所述每个时刻的第四中间数据;
将所述每个时刻的第四中间数据输入至第八预设函数中,得到所述每个时刻的平滑分数;
将所述平滑分数的最大值设为所述预设误差阈值;
其中,所述第七预设函数通过如下公式七表示:
;
在所述公式七中,为t时刻对应的所述第四中间数据,Erri(t)为t时刻对应的第一应变时程数据和预测响应数据的差值的绝对值,/>为t时刻的所述第一应变时程数据的中位数,/>为t时刻的所述第一应变时程数据的四分位距数;
所述第八预设函数通过如下公式八表示:
;
在所述公式八中,As(t)为t时刻的平滑分数,movmean( )为平滑函数,A为t时刻的所述第四中间数据的最大值,k为常数。
应理解,预设误差阈值用于评估单管塔是否出现损伤,对于不同的单管塔,采用相同的预设误差阈值容易造成误判,需要根据单管塔对应的等效替代模型设计预设误差阈值,以提高预测结果的准确性。
其中,上述Erri(t)通过如下方式计算得到:
;
为第一应变时程数据,/>为预测响应数据。
另外,在确定预设误差阈值的过程中,采用移动均值法计算移动窗口内的数据的平均值来生成平滑分数。首先,需要确定窗口的大小,即在计算平均值时要考虑的数据点数量。在公式八中,k为移动窗口长度。
在本发明实施例中,通过将多个时刻对应的第一风速风向数据输入至等效替代模型中,得到多个时刻对应的预测响应数据;将每个时刻对应的第一应变时程数据和预测响应数据的差值的绝对值输入至第七预设函数进行处理,得到每个时刻的第四中间数据;将每个时刻的第四中间数据输入至第八预设函数中,得到每个时刻的平滑分数;将平滑分数的最大值设为预设误差阈值,使得通过预设误差阈值可以有效确认单管塔是否出现损伤,提高识别的准确率。
请参见图3,图3是本发明实施例提供的一种单管塔损伤识别装置的结构图,如图3所示,单管塔损伤识别装置300包括:
第一获取模块301,用于获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;
第二获取模块302,用于获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据;
处理模块303,用于将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据;
确定模块304,用于在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤。
可选的,所述初始模型为长短期记忆LSTM神经网络模型;
所述等效替代模型的训练过程包括:
基于所述多个时刻对应的第一风速风向数据和第一应变时程数据对所述LSTM模型进行训练,得到训练模型;
将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据;
在所述多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值小于设定阈值的情况下,将所述训练模型设为所述等效替代模型。
可选的,所述LSTM神经网络模型包括输入门、遗忘门及输出门,所述输入门用于调整当前时刻输入的参数,所述遗忘门用于删除当前时刻之前的部分历史数据,所述输出门用于输出当前时刻的预测响应数据;
所述将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据,包括:
获取第一时刻的预测响应数据和所述输入门的第一输出数据,所述第一时刻为所述当前时刻之前的相邻时刻;
基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据;
基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据;
基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据。
可选的,所述基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据,包括:
将所述第一时刻的预测响应数据和当前时刻对应的第一风速风向数据输入至第一预设函数进行处理,得到所述第二输出数据;
其中,所述第一预设函数通过如下公式一表示:
;
在所述公式一中,ft为所述第二输出数据,为西格玛函数,Wf、bf为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据。
可选的,所述基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第二预设函数进行处理,得到第一中间数据;
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第三预设函数进行处理,得到第二中间数据;
将所述第一中间数据、所述第二中间数据和所述第一输出数据输入至第四预设函数进行处理,得到所述第三输出数据;
其中,所述第二预设函数通过如下公式二表示:
;
在所述公式二中,it为所述第一中间数据,为西格玛函数,Wi、bi为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第三预设函数通过如下公式三表示:
;
在所述公式三中,为所述第二中间数据,tanh()为双曲函数,Wc、bc为常数;
所述第四预设函数通过如下公式四表示:
;
在所述公式四中,Ct为所述第三输出数据,ft为所述第二输出数据,Ct-1为所述第一输出数据。
可选的,所述基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第五预设函数进行处理,得到第三中间数据;
将所述第三中间数据和所述第三输出数据输入至第六预设函数进行处理,得到所述当前时刻对应的预测响应数据;
其中,所述第五预设函数通过如下公式五表示:
;
在所述公式五中,ot为所述第三中间数据,为西格玛函数,Wo、bo为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第六预设函数通过如下公式六表示:
;
在所述公式六中,ht为所述当前时刻对应的预测响应数据,tanh()为双曲函数。
可选的,所述预设误差阈值通过如下方式得到:
将所述多个时刻对应的第一风速风向数据输入至所述等效替代模型中,得到所述多个时刻对应的预测响应数据;
将每个时刻对应的第一应变时程数据和预测响应数据的差值的绝对值输入至第七预设函数进行处理,得到所述每个时刻的第四中间数据;
将所述每个时刻的第四中间数据输入至第八预设函数中,得到所述每个时刻的平滑分数;
将所述平滑分数的最大值设为所述预设误差阈值;
其中,所述第七预设函数通过如下公式七表示:
;
在所述公式七中,为t时刻对应的所述第四中间数据,Erri(t)为t时刻对应的第一应变时程数据和预测响应数据的差值的绝对值,/>为t时刻的所述第一应变时程数据的中位数,/>为t时刻的所述第一应变时程数据的四分位距数;
所述第八预设函数通过如下公式八表示:
;
在所述公式八中,As(t)为t时刻的平滑分数,movmean( )为平滑函数,A为t时刻的所述第四中间数据的最大值,k为常数。
本发明实施例提供的单管塔损伤识别装置为能实现上述单管塔损伤识别方法的各实施例的各个过程,技术特征一一对应,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本发明实施例中的单管塔损伤识别装置可以是装置,也可以是电子设备中的部件、集成电路、或芯片。
本发明实施例还提供一种电子设备,参见图4,图4是本发明实施提供的一种电子设备的结构示意图,电子设备包括存储器401、处理器402和存储在存储器401上运行的程序或者指令,该程序或者指令被处理器402执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
其中,处理器402可以是CPU、ASIC、FPGA或GPU。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。
本发明实施例还提供一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。所述的存储介质,如只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本发明实施例中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本申请中使用“和/或”表示所连接对象的至少其中之一,例如A和/或B和/或C,表示包含单独A,单独B,单独C,以及A和B都存在,B和C都存在,A和C都存在,以及A、B和C都存在的7种情况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者第二终端设备等)执行本申请各个实施例的方法。
上面结合附图对本申请的实施例进行描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (9)
1.一种单管塔损伤识别方法,其特征在于,包括:
获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;
获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据;
将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据;
在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤;
所述预设误差阈值通过如下方式得到:
将所述多个时刻对应的第一风速风向数据输入至所述等效替代模型中,得到所述多个时刻对应的预测响应数据;
将每个时刻对应的第一应变时程数据和预测响应数据的差值的绝对值输入至第七预设函数进行处理,得到所述每个时刻的第四中间数据;
将所述每个时刻的第四中间数据输入至第八预设函数中,得到所述每个时刻的平滑分数;
将所述平滑分数的最大值设为所述预设误差阈值;
其中,所述第七预设函数通过如下公式七表示:
在所述公式七中,ai(t)为t时刻对应的所述第四中间数据,Erri(t)为t时刻对应的第一应变时程数据和预测响应数据的差值的绝对值,为t时刻的所述第一应变时程数据的中位数,/>为t时刻的所述第一应变时程数据的四分位距数;
所述第八预设函数通过如下公式八表示:
As(t)=movmean(A,k);
在所述公式八中,As(t)为t时刻的平滑分数,movmean()为平滑函数,A为t时刻的所述第四中间数据的最大值,k为常数。
2.根据权利要求1所述的方法,其特征在于,所述初始模型为长短期记忆LSTM神经网络模型;
所述等效替代模型的训练过程包括:
基于所述多个时刻对应的第一风速风向数据和第一应变时程数据对所述LSTM模型进行训练,得到训练模型;
将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据;
在所述多个时刻对应的第一应变时程数据和预测响应数据的差值的平方和均值小于设定阈值的情况下,将所述训练模型设为所述等效替代模型。
3.根据权利要求2所述的方法,其特征在于,所述LSTM神经网络模型包括输入门、遗忘门及输出门;
所述将所述多个时刻对应的第一风速风向数据输入至训练模型,得到所述多个时刻对应的预测响应数据,包括:
获取第一时刻的预测响应数据和所述输入门的第一输出数据,所述第一时刻为当前时刻之前的相邻时刻;
基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据;
基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据;
基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据。
4.根据权利要求3所述的方法,其特征在于,所述基于所述遗忘门对所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据进行计算,得到所述当前时刻的遗忘门的第二输出数据,包括:
将所述第一时刻的预测响应数据和当前时刻对应的第一风速风向数据输入至第一预设函数进行处理,得到所述第二输出数据;
其中,所述第一预设函数通过如下公式一表示:
ft=σ(Wf·[ht-1,xt]+bf);
在所述公式一中,ft为所述第二输出数据,σ()为西格玛函数,Wf、bf为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据。
5.根据权利要求3所述的方法,其特征在于,所述基于所述输入门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第一输出数据进行计算,得到所述当前时刻的输入门的第三输出数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第二预设函数进行处理,得到第一中间数据;
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第三预设函数进行处理,得到第二中间数据;
将所述第一中间数据、所述第二中间数据和所述第一输出数据输入至第四预设函数进行处理,得到所述第三输出数据;
其中,所述第二预设函数通过如下公式二表示:
it=σ(Wi·[ht-1,xt]+bi);
在所述公式二中,it为所述第一中间数据,σ()为西格玛函数,Wi、bi为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第三预设函数通过如下公式三表示:
在所述公式三中,为所述第二中间数据,tanh()为双曲函数,Wc、bc为常数;
所述第四预设函数通过如下公式四表示:
在所述公式四中,Ct为所述第三输出数据,ft为所述第二输出数据,Ct-1为所述第一输出数据。
6.根据权利要求3所述的方法,其特征在于,所述基于所述输出门对所述第一时刻的预测响应数据、所述当前时刻对应的第一风速风向数据和所述第三输出数据进行计算,得到所述当前时刻对应的预测响应数据,包括:
将所述第一时刻的预测响应数据和所述当前时刻对应的第一风速风向数据输入至第五预设函数进行处理,得到第三中间数据;
将所述第三中间数据和所述第三输出数据输入至第六预设函数进行处理,得到所述当前时刻对应的预测响应数据;
其中,所述第五预设函数通过如下公式五表示:
ot=σ(Wo·[ht-1,xt]+bo);
在所述公式五中,ot为所述第三中间数据,σ()为西格玛函数,Wo、bo为常数,ht-1为所述第一时刻的预测响应数据,xt为所述当前时刻对应的第一风速风向数据;
所述第六预设函数通过如下公式六表示:
ht=ot*tanh(Ct);
在所述公式六中,ht为所述当前时刻对应的预测响应数据,tanh()为双曲函数。
7.一种单管塔损伤识别装置,其特征在于,包括:
第一获取模块,用于获取等效替代模型,所述等效替代模型为基于单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据对初始模型进行训练得到的等效替代模型,所述单管塔的多个时刻对应的第一风速风向数据和第一应变时程数据为所述单管塔的多个时刻对应的历史风速风向数据和历史应变时程数据;
第二获取模块,用于获取所述单管塔的监测数据,所述监测数据包括监测的第二风速风向数据和第二应变时程数据;
处理模块,用于将所述第二风速风向数据输入至所述等效替代模型进行处理,得到预测应变时程数据;
确定模块,用于在所述预测应变时程数据与所述第二应变时程数据的差值大于预设误差阈值的情况下,确定所述监测数据对应的所述单管塔的位置存在损伤;
所述预设误差阈值通过如下方式得到:
将所述多个时刻对应的第一风速风向数据输入至所述等效替代模型中,得到所述多个时刻对应的预测响应数据;
将每个时刻对应的第一应变时程数据和预测响应数据的差值的绝对值输入至第七预设函数进行处理,得到所述每个时刻的第四中间数据;
将所述每个时刻的第四中间数据输入至第八预设函数中,得到所述每个时刻的平滑分数;
将所述平滑分数的最大值设为所述预设误差阈值;
其中,所述第七预设函数通过如下公式七表示:
在所述公式七中,ai(t)为t时刻对应的所述第四中间数据,Erri(t)为t时刻对应的第一应变时程数据和预测响应数据的差值的绝对值,为t时刻的所述第一应变时程数据的中位数,/>为t时刻的所述第一应变时程数据的四分位距数;
所述第八预设函数通过如下公式八表示:
As(t)=movmean(A,k);
在所述公式八中,As(t)为t时刻的平滑分数,movmean()为平滑函数,A为t时刻的所述第四中间数据的最大值,k为常数。
8.一种电子设备,其特征在于,包括处理器、存储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,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的单管塔损伤识别方法中的步骤。
9.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述的单管塔损伤识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395940.0A CN117131465B (zh) | 2023-10-26 | 2023-10-26 | 单管塔损伤识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311395940.0A CN117131465B (zh) | 2023-10-26 | 2023-10-26 | 单管塔损伤识别方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131465A CN117131465A (zh) | 2023-11-28 |
CN117131465B true CN117131465B (zh) | 2024-01-30 |
Family
ID=88860402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311395940.0A Active CN117131465B (zh) | 2023-10-26 | 2023-10-26 | 单管塔损伤识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131465B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569924A (zh) * | 2021-07-09 | 2021-10-29 | 常州大学 | 一种基于支持向量机多核协作的情绪辨识分类方法 |
CN114997548A (zh) * | 2022-08-05 | 2022-09-02 | 武九铁路客运专线湖北有限责任公司 | 一种基于遗传神经网络的动水地质渗流实时预警方法 |
CN115508066A (zh) * | 2022-09-16 | 2022-12-23 | 浙江大学 | 基于逆有限元变形重构和深度学习的塔筒结构监测方法 |
WO2023029706A1 (zh) * | 2021-09-02 | 2023-03-09 | 山东建筑大学 | 一种塔机塔身损伤状态特征点映射模型的建立方法与快速判别损伤的方法 |
CN116777419A (zh) * | 2023-05-24 | 2023-09-19 | 国网山东省电力公司寿光市供电公司 | 线路覆冰监测方法、***、终端及存储介质 |
CN116912537A (zh) * | 2022-11-23 | 2023-10-20 | ***通信有限公司研究院 | 通信铁塔类型的识别方法、装置、设备及存储介质 |
-
2023
- 2023-10-26 CN CN202311395940.0A patent/CN117131465B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569924A (zh) * | 2021-07-09 | 2021-10-29 | 常州大学 | 一种基于支持向量机多核协作的情绪辨识分类方法 |
WO2023029706A1 (zh) * | 2021-09-02 | 2023-03-09 | 山东建筑大学 | 一种塔机塔身损伤状态特征点映射模型的建立方法与快速判别损伤的方法 |
CN114997548A (zh) * | 2022-08-05 | 2022-09-02 | 武九铁路客运专线湖北有限责任公司 | 一种基于遗传神经网络的动水地质渗流实时预警方法 |
CN115508066A (zh) * | 2022-09-16 | 2022-12-23 | 浙江大学 | 基于逆有限元变形重构和深度学习的塔筒结构监测方法 |
CN116912537A (zh) * | 2022-11-23 | 2023-10-20 | ***通信有限公司研究院 | 通信铁塔类型的识别方法、装置、设备及存储介质 |
CN116777419A (zh) * | 2023-05-24 | 2023-09-19 | 国网山东省电力公司寿光市供电公司 | 线路覆冰监测方法、***、终端及存储介质 |
Non-Patent Citations (4)
Title |
---|
基于CNN-LSTM架构神经网络的桥梁损伤位置识别;皇鹏飞;高士武;杨晓林;;价值工程(第05期);全文 * |
浅析通信铁塔的安全性及其安全性评估方法;李晓亮;孙国良;黄维学;汲书强;;数据通信(第05期);全文 * |
电视塔结构风振控制***优化与在线监测研究;滕军;李长朴;刘红军;高峰;***;;国外建材科技(第01期);全文 * |
风力发电塔预埋塔筒基础健康监测;贺云鹏;;住宅与房地产(第31期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131465A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、***和计算机设备 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN111027686B (zh) | 一种滑坡位移的预测方法、装置及设备 | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN111310981B (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
JP6216294B2 (ja) | 重回帰分析装置および重回帰分析方法 | |
CN111030889A (zh) | 一种基于gru模型的网络流量预测方法 | |
CN114742260A (zh) | 一种大体积混凝土温度监控数据预测方法、***和介质 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及*** | |
Wu et al. | Remaining useful life estimation based on a nonlinear Wiener process model with CSN random effects | |
CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
CN112128950A (zh) | 一种基于多种模型对比的机房温湿度预测方法及*** | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、***、设备及介质 | |
EP4266209A1 (en) | Anomaly detection method and apparatus for dynamic control system, and computer-readable medium | |
CN112487361B (zh) | 一种基于arima和小波变换的扇区短时交通流量预测方法 | |
Robinson et al. | Model-based prognosis using an explicit degradation model and Inverse FORM for uncertainty propagation | |
CN114510469A (zh) | 电力***不良数据辨识方法、装置、设备及介质 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
CN113537638A (zh) | 高层建筑风压短期预测方法、异常数据补全方法及装置 | |
Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
CN117972365B (zh) | 一种隧底群桩压力承载监测***和监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |