CN117171528B - 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 - Google Patents
一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 Download PDFInfo
- Publication number
- CN117171528B CN117171528B CN202311067869.3A CN202311067869A CN117171528B CN 117171528 B CN117171528 B CN 117171528B CN 202311067869 A CN202311067869 A CN 202311067869A CN 117171528 B CN117171528 B CN 117171528B
- Authority
- CN
- China
- Prior art keywords
- model
- fusion
- layer
- algorithm
- points
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000036541 health Effects 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000015654 memory Effects 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 230000014509 gene expression Effects 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于深度卷积融合记忆网络高空悬挑结构健康监测方法。该方法包括以下步骤：步骤1，利用三维振动传感器采集悬挑架连接点的振动信号，并分别制作对应的标签；步骤2，利用FFT对采集的信号进行处理，而后提出相邻最大欧式距离融合算法对提取的数据进行融合；步骤3，提出加权熵阈值算法对步骤2融合的特征进行处理；步骤4，搭建DCFMN模型，并对模型进行离线训练直至模型收敛；步骤5，将训练好的模型嵌入至上位机程序中，实现对悬挑结构的实时健康状态监测。本发明所述方法可以实时且精准的监测高空悬挑结构的健康状况，在危险发生前发现并人为干预，降低事故发生率，具有良好的实际应用价值。
Description
技术领域
本发明涉及高空悬挑结构健康监测领域，特别是涉及一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法。
背景技术
随着社会的进步、科技的发展、国民经济的不断提高，大型复杂结构建筑的出现已成为必然的趋势，但因为施工过程中、运营期间的种种因素的影响，这些大型复杂结构在施工、运营中发生安全事故的机率相对较高，如何的减少这类事故的发生，提前发出警报信息，做到提前准备，确保施工顺利进行，确保结构安全使用，结构健康监测显得尤为重要。
想确保这类大跨度、复杂的空间结构在施工过程中和使用过程中的安全性和稳定性，现在切实可行的方法就是对此类结构进行健康的结构监测，结构健康监测能对这类结构的施工过程及其建成后的各种性能状态进行监测，最终通过监测到的信息对其结构健康情况做出评估并给出建议。
当下的深度学习网络，凭借着优异的自适应非线性表达能力，在各领域中得到了广泛的应用。通过调研相关文献和对研究现状的分析，深度学习模型在悬挑架的实时状态监测中，仍然存在以下两大难题：1：对悬挑架而言，其损伤特征表现于时空维度，传统的监测都是针对单点结构，对整个悬挑架而言，若实现全局监测，需要布置大量的传感器，一是增加了相应的成本，二是结构时空域的干扰耦合，会给诊断结论带来干扰，降低诊断精度；2：在考虑时空域特征条件下，多传感器的输入会导致模型训练的数据维度极大的增长，一方面增加了模型的训练时长和收敛难度，另一方面特征的耦合会导致训练出的模型存在过拟合的问题，导致模型的泛化性能低。
发明内容
为解决上述问题，本发明在卷积神经网络(Convolutional Neural Network，CNN)和长短时记忆神经网络(Long Short Term Memory,LSTM)的基础上，提出了一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法。针对难题1，本专利从悬挑架的时空特征考虑，首先以悬挑架剖面图为基准，通过分层布局三维振动传感器采集悬挑架连接点的振动信号，并采用FFT算法求得频率信号，接着提出了相邻最大欧式距离融合算法，将空间特征关联起来，最终得到能充分反应悬挑架时空特点的融合向量；针对难题2，本专利提出了加权熵阈值算法对融合特征进行特征增强，其中通过引入采用指数加权，可以更好凸显目标熵和背景熵之间的差距，使得确定的阈值能强化目标像素和背景像素间的对比度，增强所提取的特征，接着采用两个卷积层对特征进行逐层降维，从而加快网络收敛和降低特征间的耦合。为达此目的，本发明提供一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，具体步骤如下，其特征在于：
步骤1，利用三维振动传感器采集悬挑架连接点的振动信号，其中采集5种悬挑架状态，分别为：正常状态、模板下沉、根部出现裂缝、悬梁板根断塌和整体坍塌，并分别制作对应的标签；
步骤2，利用FFT对采集的信号进行处理，而后提出相邻最大欧式距离融合算法对提取的数据进行融合；
步骤3，提出加权熵阈值算法对步骤2融合的特征进行处理；
步骤4，搭建DCFMN模型，并对模型进行离线训练直至模型收敛；
步骤5，将训练好的模型嵌入至上位机程序中，实现对悬挑结构的实时健康状态监测。
2.根据权利要求1所述的一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，步骤2中相邻最大欧式距离融合算法的具体过程可表述为：对施工过程中的悬挑结构，首先构建三维坐标系，以剖面图为基准，对单条悬挑梁的关键连接点处布局三维振动传感器，而后对所有的测点进行求和平均得到融合特征测点，接着对所有的特征测点数据进行FFT处理，并将时域和频域的一维信号并排组成一组特征向量；接着以距离坐标系原点最近的融合特征测点为基准，随后在相邻层的特征测点中选取与该测点欧式距离最大的且还未参与排布的特征测点，重复上述搜索规则，直至所有的融合特征测点全部排布完，其中迭代搜索的规则为：优先向上层搜索，若上层特征测点已全部参与排布则继续向上一层搜索，若无上层或上层所有融合特征点全部参与排布则向下搜索，其中相邻的融合测点Fd(xd,yd,zd)和Fu(xu,yu,zu)，其欧式距离Dist(Fd,Fu)的表达式为：
3.根据权利要求1所述的一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，步骤3中利用加权熵阈值算法对步骤2融合后的特征进行降维和特征增强的具体算法过程为：
对步骤2得到的融合特征，设图像目标为T，对应的灰度级和图像背景分别为K和B，p(i)表示灰度级为i的像素值，则在阈值L的条件下，目标像素的累计PT(L)和背景像素的累计PB(L)的表达式分别为：
PT(L)对应的目标熵HT(L)和PB(L)对应的背景熵HB(L)的表达式可表述为：
则所提出的加权熵HW(L)的计算公式为：
根据HW(L)的表达式以最大值原则确定最优的阈值L，并以之对图像进行降维和特征强化。
4.根据权利要求1所述的一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，步骤4中搭建DCFMN模型，并对模型进行离线训练的具体步骤为：
步骤4.1.搭建DCFMN模型后处理网络，具体的结构为：卷积层1→卷积层2→LSTM模型前向传播层→LSTM模型后向传播层→全连接层→SOFTMAX层；
步骤4.2.将DCFMN模型前处理网络(对应步骤1～步骤3)的输出输入到后处理网络中进行迭代训练，其中模型训练的损失函数为：
式中，N为样本总量，y(i)和分别表示第i个样本的实际标签和Softmax层判别的标签。
步骤4.3.重复步骤4.2，直至网络模型收敛，参数更新算法选择Adam，迭代收敛的标准为：迭代次数达到800次或者迭代过程中损失函数值低于0.0001。
本发明一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法。该方法基于三维振动传感器阵列采集的时域信号，首先通过FFT和提出的相邻最大欧式距离融合算法将时空域的融合特征提出出来，接着提出了加权熵阈值算法对融合特征进行特征增强和多层卷积对特征向量进行降维，最终提高了模型的诊断精度和泛化性能。总的有益效果为：
1.本专利从悬挑架的时空特征考虑，通过分层布局三维振动传感器采集悬挑架连接点的振动信号，并采用FFT算法求得频率信号，而后提出了相邻最大欧式距离融合算法，将空间特征关联起来，最终得到能充分反应悬挑架时空特点的融合向量；
2.本专利提出了加权熵阈值算法对融合特征进行特征增强，其中通过引入采用指数加权，可以更好凸显目标熵和背景熵之间的差距，使得确定的阈值能强化目标像素和背景像素间的对比度，增强所提取的特征，接着采用两个卷积层对特征进行逐层降维，从而加快网络收敛和降低特征间的耦合。
附图说明
图1为本专利的流程图；
图2为本专利中所述的悬挑架的剖面图；
图3为本专利中所述的悬挑架剖面图中对应的融合特征点求解示意图；
图4为DCFMN模型完整的诊断流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提出了一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，旨在实时且精准的对高空悬挑结构进行健康状态监测，以实现在损伤发生时能快速检测出来，提前发现隐患从而降低人员伤亡。图1为本发明的流程图，从图中可以看出，该方法具体的实现步骤为：
步骤1，利用三维振动传感器采集悬挑架连接点的振动信号，其中采集5种悬挑架状态，分别为：正常状态、模板下沉、根部出现裂缝、悬梁板根断塌和整体坍塌，并分别制作对应的标签；
步骤2，利用FFT对采集的信号进行处理，而后提出相邻最大欧式距离融合算法对提取的数据进行融合；
其中步骤2中相邻最大欧式距离融合算法的具体过程可表述为：对施工过程中的悬挑结构，首先构建三维坐标系，以剖面图为基准，对单条悬挑梁的关键连接点处布局三维振动传感器，而后对所有的测点进行求和平均得到融合特征测点，接着对所有的特征测点数据进行FFT处理，并将时域和频域的一维信号并排组成一组特征向量；接着以距离坐标系原点最近的融合特征测点为基准，随后在相邻层的特征测点中选取与该测点欧式距离最大的且还未参与排布的特征测点，重复上述搜索规则，直至所有的融合特征测点全部排布完，其中迭代搜索的规则为：优先向上层搜索，若上层特征测点已全部参与排布则继续向上一层搜索，若无上层或上层所有融合特征点全部参与排布则向下搜索，其中相邻的融合测点Fd(xd,yd,zd)和Fu(xu,yu,zu)，其欧式距离Dist(Fd,Fu)的表达式为：
步骤3，提出加权熵阈值算法对步骤2融合的特征进行处理；
其中步骤3中利用加权熵阈值算法对步骤2融合后的特征进行降维和特征增强的具体算法过程为：
对步骤2得到的融合特征，设图像目标为T，对应的灰度级和图像背景分别为K和B，p(i)表示灰度级为i的像素值，则在阈值L的条件下，目标像素的累计PT(L)和背景像素的累计PB(L)的表达式分别为：
PT(L)对应的目标熵HT(L)和PB(L)对应的背景熵HB(L)的表达式可表述为：
则所提出的加权熵HW(L)的计算公式为：
根据HW(L)的表达式以最大值原则确定最优的阈值L，并以之对图像进行降维和特征强化。
步骤4，搭建DCFMN模型，并对模型进行离线训练直至模型收敛；
其中步骤4中搭建DCFMN模型，并对模型进行离线训练的具体步骤为：
步骤4.1.搭建DCFMN模型后处理网络，具体的结构为：卷积层1→卷积层2→LSTM模型前向传播层→LSTM模型后向传播层→全连接层→SOFTMAX层；
步骤4.2.将DCFMN模型前处理网络(对应步骤1～步骤3)的输出输入到后处理网络中进行迭代训练，其中模型训练的损失函数为：
式中，N为样本总量，y(i)和分别表示第i个样本的实际标签和Softmax层判别的标签。
步骤4.3.重复步骤4.2，直至网络模型收敛，参数更新算法选择Adam，迭代收敛的标准为：迭代次数达到800次或者迭代过程中损失函数值低于0.0001。
步骤5，将训练好的模型嵌入至上位机程序中，实现对悬挑结构的实时健康状态监测。
图2为本专利中所述的悬挑架的剖面图，此悬挑架为常州金坛万达施工所用，从图中可以清晰的看出悬挑架的结构特征。
图3为本专利中所述的悬挑架剖面图中对应的融合特征点求解示意图。从图中可以看出：整个悬挑架结构的三维坐标系和坐标原点；对单条悬挑梁来说，其布局的多测点所测数据，通过求和平均计算得到融合特征测点数据；另外，可以看到整个悬挑架可分为5层，从上到下可分别表示为L1、L2、L3、L4和L5，每层的连接处都布局有三维振动传感器，且每层的传感器个数分别为6、5、5、2和2，编号分别为{1、2、3、4、5、6}，{7，8，9，10，11}，{12，13，14，15，16}，{17，18}和{19，20}。
图4为DCFMN模型完整的诊断流程图。从图中可以看到，整个流程包括：首先对悬挑架各层(L1～L5)连接点布局三维振动传感器，然后对采集的振动加速度信号求解FFT，接着利用相邻最大欧式距离融合算法对特征进行提取，而后再利用加权熵阈值法对特征进行增强处理，接着利用两层卷积层对特征进行降维处理，而后将求解的特征输入到LSTM模型中，最后通过全连接层将挖掘的特征展开并用SOFTMAX层对特征进行回归，以确认最终的悬挑架健康状态。综上所述，通过以上算法处理，最终训练得到的DCFMN模型能够捕获悬挑架时空域的特征，同时具有收敛快速、识别精度高和泛化性强的特点。
Claims (1)
1.一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法，其特征在于：
步骤1，利用三维振动传感器采集悬挑架连接点的振动信号，其中采集5种悬挑架状态，分别为：正常状态、模板下沉、根部出现裂缝、悬梁板根断塌和整体坍塌，并分别制作对应的标签；
步骤2，利用FFT对采集的信号进行处理，而后提出相邻最大欧式距离融合算法对提取的数据进行融合；
步骤2中相邻最大欧式距离融合算法的具体过程表述为：对施工过程中的悬挑结构，首先构建三维坐标系，以剖面图为基准，对单条悬挑梁的关键连接点处布局三维振动传感器，而后对所有的测点进行求和平均得到融合特征测点，接着对所有的特征测点数据进行FFT处理，并将时域和频域的一维信号并排组成一组特征向量；接着以距离坐标系原点最近的融合特征测点为基准，随后在相邻层的特征测点中选取与该测点欧式距离最大的且还未参与排布的特征测点，重复上述过程，直至所有的融合特征测点全部排布完，其中迭代搜索的规则为：优先向上层搜索，若上层特征测点已全部参与排布则继续向上一层搜索，若无上层或上层所有融合特征点全部参与排布则向下搜索，其中相邻的融合测点Fd(xd,yd,zd)和Fu(xu,yu,zu)，其欧式距离Dist(Fd,Fu)的表达式为：
步骤3，提出加权熵阈值算法对步骤2融合的特征进行处理；
步骤3中利用加权熵阈值算法对步骤2融合后的特征进行降维和特征增强的具体算法过程为：
对步骤2得到的融合特征，设图像目标为T，对应的灰度级和图像背景分别为K和B，p(i)表示灰度级为i的像素值，则在阈值L的条件下，目标像素的累计PT(L)和背景像素的累计PB(L)的表达式分别为：
PT(L)对应的目标熵HT(L)和PB(L)对应的背景熵HB(L)的表达式可表述为：
则所提出的加权熵HW(L)的计算公式为：
根据HW(L)的表达式以最大值原则确定最优的阈值L，并以之对图像进行降维和特征强化；
步骤4，搭建DCFMN模型，并对模型进行离线训练直至模型收敛；
步骤4中搭建DCFMN模型，并对模型进行离线训练的具体步骤为：
步骤4.1.搭建DCFMN模型后处理网络，具体的结构为：卷积层1→卷积层2→LSTM模型前向传播层→LSTM模型后向传播层→全连接层→SOFTMAX层；
步骤4.2.将DCFMN模型前处理网络(对应步骤1～步骤3)的输出输入到后处理网络中进行迭代训练，其中模型训练的损失函数为：
式中，N为样本总量，y(i)和分别表示第i个样本的实际标签和Softmax层判别的标签；
步骤4.3.重复步骤4.2，直至网络模型收敛，参数更新算法选择Adam，迭代收敛的标准为：迭代次数达到800次或者迭代过程中损失函数值低于0.0001；
步骤5，将训练好的模型嵌入至上位机程序中，实现对悬挑结构的实时健康状态监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311067869.3A CN117171528B (zh) | 2023-08-23 | 2023-08-23 | 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311067869.3A CN117171528B (zh) | 2023-08-23 | 2023-08-23 | 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117171528A CN117171528A (zh) | 2023-12-05 |
| CN117171528B true CN117171528B (zh) | 2024-03-08 |
Family
ID=88934904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311067869.3A Active CN117171528B (zh) | 2023-08-23 | 2023-08-23 | 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171528B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101532919A (zh) * | 2009-04-22 | 2009-09-16 | 中国地震局工程力学研究所 | 用于工程结构健康诊断的动静结合方法 |
| CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
| CN108334994A (zh) * | 2018-03-20 | 2018-07-27 | 哈尔滨工业大学 | 一种供热管网流量及压力监测点优化布置方法 |
| CN110031552A (zh) * | 2019-05-27 | 2019-07-19 | 嘉兴博感科技有限公司 | 一种结构健康监测损伤特征值计算方法 |
| US11017513B1 (en) * | 2019-03-28 | 2021-05-25 | Amazon Technologies, Inc. | Active sensor fusion systems and methods for object detection |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220322964A1 (en) * | 2021-04-07 | 2022-10-13 | University Of South Carolina | Facilitating at-home spirometry with millimeter-wave devices |
-
2023
- 2023-08-23 CN CN202311067869.3A patent/CN117171528B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101532919A (zh) * | 2009-04-22 | 2009-09-16 | 中国地震局工程力学研究所 | 用于工程结构健康诊断的动静结合方法 |
| CN106568503A (zh) * | 2016-11-07 | 2017-04-19 | 西安交通大学 | 一种基于筒体表面多点振动信号的磨机负荷检测方法 |
| CN108334994A (zh) * | 2018-03-20 | 2018-07-27 | 哈尔滨工业大学 | 一种供热管网流量及压力监测点优化布置方法 |
| US11017513B1 (en) * | 2019-03-28 | 2021-05-25 | Amazon Technologies, Inc. | Active sensor fusion systems and methods for object detection |
| CN110031552A (zh) * | 2019-05-27 | 2019-07-19 | 嘉兴博感科技有限公司 | 一种结构健康监测损伤特征值计算方法 |
| CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Review of Vibration-Based Structural Health Monitoring Using Deep Learning";Gyugmin Toh等;《Applied Sciences》;20200302;全文 * |
| "基于太原市植物园悬挑复杂钢结构的健康监测及理论分析";和凌霄;《中国优秀硕士学位论文全文数据库》;20220115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117171528A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| CN111898634B (zh) | 一种基于深度对抗域自适应的智能故障诊断方法 | |
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
| CN105631596A (zh) | 一种基于多维分段拟合的设备故障诊断方法 | |
| CN111462191B (zh) | 一种基于深度学习的非局部滤波器无监督光流估计方法 | |
| CN113204824A (zh) | 多模型融合的盾构施工沉降预测方法及*** | |
| CN115599779B (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
| CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
| CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
| CN117669008B (zh) | 一种基于深度学习的地基沉降预测方法及*** | |
| CN117171528B (zh) | 一种基于深度卷积融合记忆网络的高空悬挑结构健康监测方法 | |
| CN117093919B (zh) | 基于深度学习的岩土工程地质灾害预测方法及*** | |
| CN114399064A (zh) | 基于多源传感器数据融合的设备健康指标构建方法 | |
| CN116364203A (zh) | 一种基于深度学习的水质预测方法、***和装置 | |
| CN116383723A (zh) | 一种泥石流数据异常辨识方法、计算机设备及介质 | |
| CN116739940A (zh) | 一种点云补全的方法、装置、设备及介质 | |
| CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和*** | |
| CN114814776B (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
| CN115944280A (zh) | 一种基于多源信息融合深度网络的行为检测方法 | |
| CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
| CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
| CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
| CN113516232B (zh) | 一种基于自注意力机制的穿墙雷达人体姿态重构方法 | |
| CN112380949B (zh) | 一种微震波到时点检测方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |