CN117371337A - 一种基于数字孪生的水利模型构建方法及*** - Google Patents
一种基于数字孪生的水利模型构建方法及*** Download PDFInfo
- Publication number
- CN117371337A CN117371337A CN202311671485.2A CN202311671485A CN117371337A CN 117371337 A CN117371337 A CN 117371337A CN 202311671485 A CN202311671485 A CN 202311671485A CN 117371337 A CN117371337 A CN 117371337A
- Authority
- CN
- China
- Prior art keywords
- data
- water conservancy
- model
- abnormal
- error
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 238000010276 construction Methods 0.000 title claims description 23
- 238000012937 correction Methods 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 18
- 239000006185 dispersion Substances 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于数字孪生的水利模型构建方法及***，涉及水利工程技术领域，由位于检测区域内的采集点采集数据，并使用卷积神经网络模型建立水利数字孪生模型；对从监测点处获取若干组监测数据做数据分析并获取数据质量集合，由数据质量集合生成稳定性系数，筛选出目标数据，以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若其超过误差阈值，依据异常模块的参数特征及算法特征选择出相应的修正方案，对水利孪生模型进行修正。能够存在水利风险时提前预知，预留出相对较多的处理时间，在一定程度上减少安全隐患。
Description
技术领域
本发明涉及水利工程技术领域，具体为一种基于数字孪生的水利模型构建方法及***。
背景技术
数字孪生模型是一个复杂的多维数据结构，它实现了物理实体的数字化建模。这个模型将物理世界的各种数据、状态和行为与数字世界的数学模型、算法和分析技术相结合。通过数字孪生模型，可以对物理实体进行分类、分级、识别、跟踪和优化等智能化管理。利用数字孪生模型，还可以对设备进行状态识别、故障监测、预测维护等智能化管理，延长设备使用寿命，提高设备可靠性和稳定性。
在申请公布号为CN114577275A的中国发明专利中，公开了一种水利水电工程下泄流量实时监控装置包括相互铰接的闸门和闸墩，所述闸门和闸墩之间铰接有启闭杆，闸门的顶部连接有起扬机，起扬机与闸门之间连接有起吊绳索，闸墩朝向水流的流入方向带有引流管道，相对于采用流量计监测的现有技术，本技术方案对使用环境进行匹配，降低了流量计被强压力的水流破坏的可能性，延长了监测装置的使用寿命，同时利用引流管道进行水流引入，改善水流计量装置的使用环境。
结合以上申请可知，在现有技术中，对水利风险进行检测时都是采取实时监测，获取实时数据后再对所获取的数据进行处理，最后若是判断出当前存在水利风险，再发出报警指令，但是这种处理方式反应较慢，因此，若是产生了水利风险，例如，水位快速上升或者水流量过大时，难以快速且及时的作出相应的反馈，并且预留出相应的处理风险的时间，这就导致安全隐患大为增加。
为此，本发明提供了一种基于数字孪生的水利模型构建方法及***。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于数字孪生的水利模型构建方法及***，通过位于检测区域内的采集点采集数据，并使用卷积神经网络模型建立水利数字孪生模型；对从监测点处获取若干组监测数据做数据分析并获取数据质量集合，由数据质量集合生成稳定性系数，筛选出目标数据，以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若其超过误差阈值，依据异常模块的参数特征及算法特征选择出相应的修正方案，对水利孪生模型进行修正。能够存在水利风险时提前预知，预留出相对较多的处理时间，在一定程度上减少安全隐患，从而解决了背景技术中提出的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于数字孪生的水利模型构建方法，包括如下步骤：
在检测区域内的监测点向外部发出异常数据时，若需要发出预警，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若所获取的延迟度/>超过预设的延迟阈值，向外部提示信息；
若接收到提示信息，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
从监测点处获取若干组监测数据后，做数据分析并获取数据质量集合，再由数据质量集合生成稳定性系数，由数据质量集合生成稳定性系数/>，具体方式如下：将稳定度Wd及离散度Sd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：/>其中，，且/>为权重系数；若监测数据的稳定性系数不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若误差系数/>超过误差阈值，则向外部发出修正指令；
由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正。
进一步的，确定水体及相应水利设施的覆盖范围后，将其划定为检测区域并建立至少覆盖检测区域的电子地图，将监测点及监测中心的位置在电子地图上标记；在检测区域内的监测点输出异常数据，将对应的监测点确定为异常点，获取用户遍历各个异常点的耗时，将其确定为检查耗时Ht；获取接收到异常数据至发出预警指令间的差值，将其确定为处理耗时Ct，将评价周期内若干组的检查耗时Ht及处理耗时Ct汇总后，生成预警延迟集合。
进一步的，由预警延迟集合生成延迟度，具体方式如下：将检查耗时Ht及处理耗时Ct做线性归一化处理后，并将相应的数据值映射至区间/>内，再依照如下公式：
其中，参数意义为：n为大于1的正整数，，权重系数：/>，，且/>，所述/>为检查耗时的合格标准值，/>为处理耗时的合格标准值；若所获取的延迟度/>超过预设的延迟阈值，向外部提示信息。
进一步的，在采集周期内从各个监测点处接收若干组监测数据，对监测数据做数据分析后，以所获取的各项数据的标准差作为稳定度Wd，以所获取各项数据的相对极差作为离散度Sd；将各项数据的稳定度Wd及离散度Sd汇总后，获取数据质量集合；由数据质量集合生成稳定性系数，若监测数据的稳定性系数/>不高于对应的稳定阈值，将其确定高变动数据组，以高变动数据组作为目标数据。
进一步的，以当前获取的目标数据作为输入，使用训练后的水利数字孪生模型对预测周期结束时的水体状态进行预测并获取相应的预测数据，将若干项预测数据汇总后生成预测数据集合；在预测周期结束后，从各个监测点处获取与预测数据对应的实际数据并将其作为验证数据，汇总后建立验证数据集合；结合预测数据集合及验证数据集合，在做数据分析后获取预测数据的误差系数，若误差系数/>超过误差阈值，向外部发出修正指令。
进一步的，结合预测数据集合及验证数据集合，在做数据分析后获取预测数据的误差度的方式如下：从预测数据集合及验证数据集合内分别获取同种类数据，以两者的差值作为误差值St，再依据如下方式获取误差度/>：
其中，/>为预测值与实际值间差值的均值，n为大于1的正整数，/>，其为单一种类数据的预测数据及实际数据的个数，为在i位置上的误差值，/>为误差值的合格标准值。
进一步的，由各项数据的误差度获取误差系数/>的获取方式如下：
其中，/>为第一误差中间值，/>为第二误差中间值，m为大于1的正整数，/>，其为数据的种类数；/>为权重， ，，且/>，具体值由用户调整设置。
进一步的，将预测数据集合及验证数据集合内数据做比对，判断两者的偏差比例，若其偏差比例超过预设的比例阈值，将其确定为异常特征；从水利数字孪生模型中确定出产生异常特征的模块，将其确定为异常模块，获取与异常模块对应的参数和算法，并在做特征识别后分别获取参数特征及算法特征。
进一步的，收集若干个现有的模型修正方案，汇总后建立修正方案库，在获取与异常模块相对应的算法特征和参数特征后，依据两者与修正方案的对应性，使用训练后的匹配模型，从修正方案库内匹配出相应的修正方案；结合从各个监测点获取的当前数据及历史数据，在接收到修正指令后，执行所匹配出的修正方案，以对水利孪生模型进行修正，并将修正后的水利孪生模型输出。
一种基于数字孪生的水利模型构建***，包括：
延迟预警单元，在检测区域内的监测点向外部发出异常数据时，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若其超过预设的延迟阈值，向外部提示信息；
模型构建单元，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
判断单元，对从监测点处获取若干组监测数据做数据分析并获取数据质量集合，由数据质量集合生成稳定性系数，若其不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
评估单元，以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若其超过误差阈值，则向外部发出修正指令；
修正单元，由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正。
（三）有益效果
本发明提供了一种基于数字孪生的水利模型构建方法及***，具备以下有益效果：
1、由采集的数据建立训练后的水利数字孪生模型，对水利风险进行预测，从而相对于现有的实时监测反应更快，在可能存在水利风险时，能够提前预知，从而预留出相对较多的处理时间，从而能够在一定程度上减少安全隐患。
2、由各项数据的稳定度Wd及离散度Sd关联获取稳定性系数，以其对若干个输入数据的稳定性进行评价，在选择输入时缩小选择输入范围，减少自变量的数目，能够减少误差和干扰，提高预测的准确度，而通过筛选出其中的高变动数据后，也能够选择出其中异常的和经常变动的部分，便于在对检测区域内的水文水利条件进行观察时，选择出重点观察的部分，降低风险性。
3、以误差系数对水利数字孪生模型的可用性进行评估，如果不可用，则仍需要对模型进行修正；而通过对模型的可用性进行评估，判断其可用程度，在其应用于实际场景时，能够对预测结果的误差程度提前预知，从而在获取到预测结果后，便于管理员或用户做出对应的处理，降低由预测误差带来的负面影响。
4、通过修正方案和修正目标的对应性，在确定需要进行修正时，快速的为其匹配出相应的匹配方案，从而在训练后的水利数字孪生模型不可用或者可用性不足时，快速给出参考性的修正方案，能够在修正时作为参考，从而提高修正的效率，以保障水利数字孪生模型的可用性。
附图说明
图1为本发明数字孪生的水利模型构建方法流程示意图；
图2为本发明数字孪生的水利模型构建***结构示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于数字孪生的水利模型构建方法，包括如下内容：
步骤一、在检测区域内的监测点向外部发出异常数据时，若需要发出预警，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若所获取的延迟度/>超过预设的延迟阈值，向外部提示信息；所述步骤一包括如下内容：
步骤101、确定水体及相应水利设施的覆盖范围后，将其划定为检测区域并建立至少覆盖检测区域的电子地图，将位于检测区域内的各个监测点的位置在电子地图上标记，在采集到水利及水文数据后，若需要监测中心对水利数据进行处理，则将监测中心的位置同样在电子地图上标记；
步骤102、在检测区域内的监测点输出异常数据，也即存在异常时，将对应的监测点确定为异常点，此时，获取用户遍历各个异常点的耗时，也即，用户或者管理员经过所有异常点所耗费的时间，将其确定为检查耗时Ht；
在获取到异常数据时，异常数据将被发送至管理中心进行处理，并在对异常数据进行处理后发出预警指令，此时，记录两者间的时间差值，将其确定为处理耗时Ct；设置评价周期，例如为一个月或者一个季度，将评价周期内若干组的检查耗时Ht及处理耗时Ct汇总后，生成预警延迟集合；
步骤103、由预警延迟集合生成延迟度，具体方式如下：将检查耗时Ht及处理耗时Ct做线性归一化处理后，并将相应的数据值映射至区间/>内，再依照如下公式：
其中，参数意义为：n为大于1的正整数，，权重系数：/>，，且/>，所述/>为检查耗时的合格标准值，/>为处理耗时的合格标准值；
作为补充的说明，为i位置上的检查耗时，/>为i位置上的处理耗时；
依据历史数据及对预警标准的预期，预先设置延迟阈值；若所获取的延迟度超过预设的延迟阈值，则说明在水体条件产生异常时，相关用户或者管理人员在进行处理时存在较大的延迟风险，可能并不能及时的处理当前已经存在的风险，此时，需要向外部提示信息；
使用时，结合步骤101至103中的内容：
在现有技术中，对水利风险进行检测时都是采取实时监测，获取实时数据后再对所获取的数据进行处理，最后若是判断出当前存在水利风险，再发出报警指令，但是这种处理方式反应较慢，因此，若是产生了水利风险，例如，水位快速上升或者水流量过大时，难以快速且及时的做出相应的反馈，并且预留出相应的处理风险的时间，这就导致安全隐患大为增加；在本步骤中，通过将检查耗时Ht及处理耗时Ct相关联并获取延迟度，以延迟度/>对当前的人工接收和处理预警信息的速度和效率进行评价，若延迟度/>较高，则说明当前可以做出的反应过慢，从而便于及时的做出改进。
步骤二、若接收到提示信息，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
所述步骤二包括如下内容：
步骤201、若接收到提示信息，在检测区域内设置若干个数据采集点，在采集点处采集用于建模的数据，具体包括：检测区域内的地形数据、水体状态及流向数据、水利设施的结构数据、天气条件数据等，汇总后生成建模数据集合，对建模数据集合内的数据进行特征识别，将识别获取的特征数据汇总，生成建模特征集合；
步骤202、使用卷积神经网络模型建立初始模型后，从建模特征集合中抽取部分数据分别作为训练集和测试集，在对初始模型进行训练和测试后，获取训练后的初始模型，将其作为训练后的水利数字孪生模型；
使用时，结合步骤201及202中的内容：
在接收到提示信息后，由采集的数据建立训练后的水利数字孪生模型，此时，在确定出输入数据的前提下，对水利风险进行预测，从而相对于现有的实时监测反应更快，在可能存在水利风险时，能够提前预知，从而预留出相对较多的处理时间，从而能够在一定程度上减少安全隐患。
步骤三、从监测点处获取若干组监测数据后，做数据分析并获取数据质量集合，再由数据质量集合生成稳定性系数，若监测数据的稳定性系数/>不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
所述步骤三包括如下内容：
步骤301、在设置数据的采集周期后，例如为1天或者3天，在采集周期内从各个监测点处接收若干组监测数据，对监测数据做数据分析后，以所获取的各项数据的标准差作为稳定度Wd，以所获取各项数据的相对极差作为离散度Sd；将各项数据的稳定度Wd及离散度Sd汇总后，获取数据质量集合；
步骤302、由数据质量集合生成稳定性系数，具体方式如下：将稳定度Wd及离散度Sd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：
其中，，且/>为权重系数；
而由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的预设比例系数；将设定的预设比例系数和采集的样本数据代入公式，任意两个公式构成二元一次方程组，将计算得到的系数进行筛选并取均值，得到的取值；
系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的预设比例系数；只要不影响参数与量化后数值的比例关系即可。
结合历史数据及对监测数据质量管理的预期，预先设置稳定阈值，若监测数据的稳定性系数不高于对应的稳定阈值，则说明该组数据的稳定性较低，数据经常产生变动，因此将其确定高变动数据组，以高变动数据组作为目标数据；
使用时，结合步骤301及302中内容：
在作为输入的数据种类较多时，由各项数据的稳定度Wd及离散度Sd关联获取稳定性系数，以其对若干个输入数据的稳定性进行评价，若该项数据变动较少或者几乎不产生变动，则将其不作为变量，从而可以在选择输入时缩小选择输入范围，减少自变量的数目，在使用水利数字孪生模型时，能够减少误差和干扰，提高预测的准确度，而通过筛选出其中的高变动数据后，也能够选择出其中异常的和经常变动的部分，便于在对检测区域内的水文水利条件进行观察时，选择出重点观察的部分，降低风险性。
步骤四、以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若误差系数超过误差阈值，则向外部发出修正指令；
所述步骤四包括如下内容：
步骤401、设置预测周期，例如为1天或者0.5天，在预测周期开始时，以当前获取的目标数据作为输入，使用训练后的水利数字孪生模型对预测周期结束时的水体状态进行预测并获取相应的预测数据，将若干项预测数据汇总后生成预测数据集合；
在预测周期结束后，从各个监测点处获取与预测数据对应的实际数据并将其作为验证数据，汇总后建立验证数据集合；
步骤402、结合预测数据集合及验证数据集合，在做数据分析后获取预测数据的误差系数，其具体方式如下：从预测数据集合及验证数据集合内分别获取同种类数据，以两者的差值作为误差值St，依照如下方式获取误差度/>：
其中，/>为预测值与实际值间差值的均值，n为大于1的正整数，/>，其为单一种类数据的预测数据及实际数据的个数，为在i位置上的误差值，/>为误差值的合格标准值；
其中，/>为第一误差中间值，/>为第二误差中间值，m为大于1的正整数，/>，其为数据的种类数；/>为权重，，且/>，具体值由用户调整设置；
结合历史数据及对预测误差的接受程度，预先设置误差阈值，若误差系数超过误差阈值，则说明当前的水利数字孪生模型在应用时，预测效果和实际效果存在一定的差距，这种差距会影响实际使用，因此，需要对水利数字孪生模型进行修正，此时，向外部发出修正指令，以便于在修正后获取预测效果相对较好的模型；
使用时，结合步骤401至402中的内容：
在确定作为输入的目标数据后，使用训练后水利数字孪生模型对水利状态进行预测，并获取相应的预测数据，在完成数据分析后，判断实际数据和预测数据之间的差距，以误差系数对水利数字孪生模型的可用性进行评估，如果水利数字孪生模型可用，则模型构建结束，如果不可用，则仍需要对模型进行修正；而通过对模型的可用性进行评估，判断其可用程度，在其应用于实际场景时，能够对预测结果的误差程度提前预知，从而在获取到预测结果后，便于管理员或用户做出对应的处理，降低由预测误差带来的负面影响。
步骤五、由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正；
所述步骤五包括如下内容：
步骤501、在设置比例阈值后，将预测数据集合及验证数据集合内数据做比对，判断两者的偏差比例，若其偏差比例超过预设的比例阈值，则说明训练后的水利数字孪生模型在对水利数据进行预测时的准确度不足，可能存在一定的问题，因此，将其确定为异常特征；
依据水利数字孪生模型的工作流程，从水利数字孪生模型中确定出产生异常特征的模块，将其确定为异常模块，获取与异常模块对应的参数和算法，并在做特征识别后分别获取参数特征及算法特征；
步骤502、在经过检索后，收集若干个现有的模型修正方案，汇总后建立修正方案库，在获取与异常模块相对应的算法特征和参数特征后，依据两者与修正方案的对应性，使用训练后的匹配模型，从修正方案库内匹配出相应的修正方案；结合从各个监测点获取的当前数据及历史数据，在接收到修正指令后，执行所匹配出的修正方案，以对水利孪生模型进行修正，并将修正后的水利孪生模型输出。
使用时，结合步骤501及502中内容：
在需要对水利数字孪生模型进行修正后，由筛选出来的异常特征从水利数字孪生模型中确定出导致预测数据异常的区域，将其确定为异常模块，因此，将异常模块的部分参数和算法作为修正目标，通过修正方案和修正目标的对应性，在确定需要进行修正时，快速的为其匹配出相应的匹配方案，从而在训练后的水利数字孪生模型不可用或者可用性不足时，快速给出参考性的修正方案，能够在修正时作为参考，从而提高修正的效率，以保障水利数字孪生模型的可用性。
请参阅图2，本发明提供一种基于数字孪生的水利模型构建***，包括：
延迟预警单元，在检测区域内的监测点向外部发出异常数据时，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若其超过预设的延迟阈值，向外部提示信息；
模型构建单元，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
判断单元，对从监测点处获取若干组监测数据做数据分析并获取数据质量集合，由数据质量集合生成稳定性系数，若其不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
评估单元，以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若其超过误差阈值，则向外部发出修正指令；
修正单元，由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于数字孪生的水利模型构建方法，其特征在于：包括如下步骤：
在检测区域内的监测点向外部发出异常数据时，若需要发出预警，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若所获取的延迟度/>超过预设的延迟阈值，向外部提示信息；
若接收到提示信息，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
从监测点处获取若干组监测数据后，做数据分析并获取数据质量集合，再由数据质量集合生成稳定性系数，由数据质量集合生成稳定性系数/>，具体方式如下：将稳定度Wd及离散度Sd做线性归一化处理，并将相应的数据值映射至区间/>内，再依照如下公式：/>其中，/>，且/>为权重系数；若监测数据的稳定性系数/>不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若误差系数/>超过误差阈值，则向外部发出修正指令；
由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正。
2.根据权利要求1所述的一种基于数字孪生的水利模型构建方法，其特征在于：
确定水体及相应水利设施的覆盖范围后，将其划定为检测区域并建立至少覆盖检测区域的电子地图，将监测点及监测中心的位置在电子地图上标记；在检测区域内的监测点输出异常数据，将对应的监测点确定为异常点，获取用户遍历各个异常点的耗时，将其确定为检查耗时Ht；获取接收到异常数据至发出预警指令间的差值，将其确定为处理耗时Ct，将评价周期内若干组的检查耗时Ht及处理耗时Ct汇总后，生成预警延迟集合。
3.根据权利要求2所述的一种基于数字孪生的水利模型构建方法，其特征在于：
由预警延迟集合生成延迟度，具体方式如下：将检查耗时Ht及处理耗时Ct做线性归一化处理后，并将相应的数据值映射至区间/>内，再依照如下公式：
其中，参数意义为：n为大于1的正整数，，权重系数：/>，/>，且/>，所述/>为检查耗时的合格标准值，/>为处理耗时的合格标准值；若所获取的延迟度/>超过预设的延迟阈值，向外部提示信息。
4.根据权利要求1所述的一种基于数字孪生的水利模型构建方法，其特征在于：
在采集周期内从各个监测点处接收若干组监测数据，对监测数据做数据分析后，以所获取的各项数据的标准差作为稳定度Wd，以所获取各项数据的相对极差作为离散度Sd；将各项数据的稳定度Wd及离散度Sd汇总后，获取数据质量集合；由数据质量集合生成稳定性系数，若监测数据的稳定性系数/>不高于对应的稳定阈值，将其确定高变动数据组，以高变动数据组作为目标数据。
5.根据权利要求1所述的一种基于数字孪生的水利模型构建方法，其特征在于：
以当前获取的目标数据作为输入，使用训练后的水利数字孪生模型对预测周期结束时的水体状态进行预测并获取相应的预测数据，将若干项预测数据汇总后生成预测数据集合；在预测周期结束后，从各个监测点处获取与预测数据对应的实际数据并将其作为验证数据，汇总后建立验证数据集合；结合预测数据集合及验证数据集合，在做数据分析后获取预测数据的误差系数，若误差系数/>超过误差阈值，向外部发出修正指令。
6.根据权利要求5所述的一种基于数字孪生的水利模型构建方法，其特征在于：
结合预测数据集合及验证数据集合，在做数据分析后获取预测数据的误差度的方式如下：从预测数据集合及验证数据集合内分别获取同种类数据，以两者的差值作为误差值St，再依据如下方式获取误差度/>：
其中，/>为预测值与实际值间差值的均值，n为大于1的正整数，/>，其为单一种类数据的预测数据及实际数据的个数，/>为在i位置上的误差值，/>为误差值的合格标准值。
7.根据权利要求6所述的一种基于数字孪生的水利模型构建方法，其特征在于：
由各项数据的误差度获取误差系数/>的获取方式如下：
其中，/>为第一误差中间值，/>为第二误差中间值，m为大于1的正整数，/>，其为数据的种类数；/>为权重，，且/>，具体值由用户调整设置。
8.根据权利要求1所述的一种基于数字孪生的水利模型构建方法，其特征在于：
将预测数据集合及验证数据集合内数据做比对，判断两者的偏差比例，若其偏差比例超过预设的比例阈值，将其确定为异常特征；从水利数字孪生模型中确定出产生异常特征的模块，将其确定为异常模块，获取与异常模块对应的参数和算法，并在做特征识别后分别获取参数特征及算法特征。
9.根据权利要求8所述的一种基于数字孪生的水利模型构建方法，其特征在于：
收集若干个现有的模型修正方案，汇总后建立修正方案库，在获取与异常模块相对应的算法特征和参数特征后，依据两者与修正方案的对应性，使用训练后的匹配模型，从修正方案库内匹配出相应的修正方案；结合从各个监测点获取的当前数据及历史数据，在接收到修正指令后，执行所匹配出的修正方案，以对水利孪生模型进行修正，并将修正后的水利孪生模型输出。
10.一种基于数字孪生的水利模型构建***，应用有权利要求1至9中的任一项所述方法，其特征在于：包括：
延迟预警单元，在检测区域内的监测点向外部发出异常数据时，由数据处理效率及处理异常风险的效率生成预警延迟集合，并由预警延迟集合生成延迟度，若其超过预设的延迟阈值，向外部提示信息；
模型构建单元，由位于检测区域内的采集点采集数据，在并经过数据特征识别后，汇总生成建模特征集合，并使用卷积神经网络模型建立初始模型，再经过训练和测试，将训练后的初始模型作为水利数字孪生模型；
判断单元，对从监测点处获取若干组监测数据做数据分析并获取数据质量集合，由数据质量集合生成稳定性系数，若其不高于对应的稳定阈值，则将相应的监测数据作为目标数据；
评估单元，以目标数据作为输入，使用训练后的水利数字孪生模型获取相应的预测数据，并依据预测数据与实际数据的偏差程度生成对应的误差系数，若其超过误差阈值，则向外部发出修正指令；
修正单元，由预测数据与实际数据的偏差部分筛选出训练后的水利数字孪生模型的异常模块，依据异常模块的参数特征及算法特征，从预先构建的修正方案库后匹配出相应的修正方案，在接收到修正指令后，用于对水利孪生模型进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311671485.2A CN117371337B (zh) | 2023-12-07 | 2023-12-07 | 一种基于数字孪生的水利模型构建方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311671485.2A CN117371337B (zh) | 2023-12-07 | 2023-12-07 | 一种基于数字孪生的水利模型构建方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117371337A true CN117371337A (zh) | 2024-01-09 |
| CN117371337B CN117371337B (zh) | 2024-03-15 |
Family
ID=89396910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311671485.2A Active CN117371337B (zh) | 2023-12-07 | 2023-12-07 | 一种基于数字孪生的水利模型构建方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117371337B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590204A (zh) * | 2024-01-18 | 2024-02-23 | 北京中科飞鸿科技股份有限公司 | 一种面向传输性能的微波器件拼缝宽度的确定方法 |
| CN117891644A (zh) * | 2024-03-11 | 2024-04-16 | 南京市计量监督检测院 | 一种基于数字孪生技术的数据采集***及其采集方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113835060A (zh) * | 2021-11-23 | 2021-12-24 | 武汉格蓝若智能技术有限公司 | 一种基于数字孪生的电力互感器在线状态监测方法及*** |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业***异常检测方法 |
| CN114502715A (zh) * | 2019-05-08 | 2022-05-13 | 伊西利科生物技术股份公司 | 优化生物技术生产的方法和装置 |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及*** |
| CA3175851A1 (en) * | 2022-05-12 | 2023-02-09 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
| WO2023044477A1 (en) * | 2021-09-17 | 2023-03-23 | Trustee Of Tufts College | Systems and methods for managing complex systems |
| CN116307641A (zh) * | 2023-05-19 | 2023-06-23 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及*** |
| CN116664332A (zh) * | 2023-08-01 | 2023-08-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的农业生产的监控*** |
| US20230281527A1 (en) * | 2019-01-13 | 2023-09-07 | Strong Force Iot Portfolio 2016, Llc | User interface for industrial digital twin providing conditions of interest with display of reduced dimensionality views |
| CN116738766A (zh) * | 2023-08-11 | 2023-09-12 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务*** |
| CN116738192A (zh) * | 2023-06-16 | 2023-09-12 | 广州市康雷信息技术有限公司 | 一种基于数字孪生的安全数据评估方法及*** |
| CN116757097A (zh) * | 2023-08-16 | 2023-09-15 | 南通午未连海科技有限公司 | 一种数字孪生水利工程运维监测***和方法 |
| US20230351269A1 (en) * | 2022-04-28 | 2023-11-02 | Visa International Service Association | System, Method, and Computer Program Product for Generating Error Rate Predictions Based on Machine Learning Using Incremental Backpropagation |
| WO2023207540A1 (zh) * | 2022-04-24 | 2023-11-02 | 重庆邮电大学工业互联网研究院 | 一种基于数字孪生的应急警力调度方法及*** |
| CN117057616A (zh) * | 2023-10-11 | 2023-11-14 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的水利监测方法及*** |
| CN117131671A (zh) * | 2023-08-16 | 2023-11-28 | 启东市水利市政工程有限公司 | 一种基于数字孪生的水利工程智能监测方法及*** |
-
2023
- 2023-12-07 CN CN202311671485.2A patent/CN117371337B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230281527A1 (en) * | 2019-01-13 | 2023-09-07 | Strong Force Iot Portfolio 2016, Llc | User interface for industrial digital twin providing conditions of interest with display of reduced dimensionality views |
| CN114502715A (zh) * | 2019-05-08 | 2022-05-13 | 伊西利科生物技术股份公司 | 优化生物技术生产的方法和装置 |
| WO2023044477A1 (en) * | 2021-09-17 | 2023-03-23 | Trustee Of Tufts College | Systems and methods for managing complex systems |
| CN114048600A (zh) * | 2021-11-09 | 2022-02-15 | 苏州纽克斯电源技术股份有限公司 | 一种数字孪生驱动的多模型融合工业***异常检测方法 |
| CN113835060A (zh) * | 2021-11-23 | 2021-12-24 | 武汉格蓝若智能技术有限公司 | 一种基于数字孪生的电力互感器在线状态监测方法及*** |
| WO2023207540A1 (zh) * | 2022-04-24 | 2023-11-02 | 重庆邮电大学工业互联网研究院 | 一种基于数字孪生的应急警力调度方法及*** |
| US20230351269A1 (en) * | 2022-04-28 | 2023-11-02 | Visa International Service Association | System, Method, and Computer Program Product for Generating Error Rate Predictions Based on Machine Learning Using Incremental Backpropagation |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及*** |
| CA3175851A1 (en) * | 2022-05-12 | 2023-02-09 | Beijing Longruan Technologies Inc. | Construction method of mine intelligent management and control platform based on geological survey guarantee system |
| CN116307641A (zh) * | 2023-05-19 | 2023-06-23 | 广州健新科技有限责任公司 | 一种面向数字化电厂的资源协同调度管理方法及*** |
| CN116738192A (zh) * | 2023-06-16 | 2023-09-12 | 广州市康雷信息技术有限公司 | 一种基于数字孪生的安全数据评估方法及*** |
| CN116664332A (zh) * | 2023-08-01 | 2023-08-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的农业生产的监控*** |
| CN116738766A (zh) * | 2023-08-11 | 2023-09-12 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的智慧农业线上产业化服务*** |
| CN116757097A (zh) * | 2023-08-16 | 2023-09-15 | 南通午未连海科技有限公司 | 一种数字孪生水利工程运维监测***和方法 |
| CN117131671A (zh) * | 2023-08-16 | 2023-11-28 | 启东市水利市政工程有限公司 | 一种基于数字孪生的水利工程智能监测方法及*** |
| CN117057616A (zh) * | 2023-10-11 | 2023-11-14 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的水利监测方法及*** |
Non-Patent Citations (5)
| Title |
|---|
| H JI等: "Research on water resources intelligent management of thermal power plant based on digital twins", IEEE * |
| 李福兴;李璐?;彭友;: "基于数字孪生的船舶预测性维护", 船舶工程, no. 1, 15 July 2020 (2020-07-15) * |
| 杜壮壮;高勇;万建忠;韩康;: "基于数字孪生技术的河道工程智能管理方法", 中国水利, no. 12 * |
| 王建金;石朋;瞿思敏;肖紫薇;戴韵秋;陈颖冰;陈星宇;: "改进BP神经网络算法在中小流域洪水预报中的应用研究", 西安理工大学学报, no. 04 * |
| 陈才;陈喜;张志才;魏琳娜;: "喀斯特流域降雨-径流人工神经网络模型结构分析及模拟", 中国岩溶, no. 04 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117590204A (zh) * | 2024-01-18 | 2024-02-23 | 北京中科飞鸿科技股份有限公司 | 一种面向传输性能的微波器件拼缝宽度的确定方法 |
| CN117590204B (zh) * | 2024-01-18 | 2024-04-05 | 北京中科飞鸿科技股份有限公司 | 一种面向传输性能的微波器件拼缝宽度的确定方法 |
| CN117891644A (zh) * | 2024-03-11 | 2024-04-16 | 南京市计量监督检测院 | 一种基于数字孪生技术的数据采集***及其采集方法 |
| CN117891644B (zh) * | 2024-03-11 | 2024-06-04 | 南京市计量监督检测院 | 一种基于数字孪生技术的数据采集***及其采集方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117371337B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及*** | |
| US7275018B2 (en) | Method of condition monitoring | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| CN111625988A (zh) | 基于深度学习的桥梁健康管理分析与预测***及方法 | |
| CN113409167B (zh) | 一种水质异常分析方法及装置 | |
| CN105488352B (zh) | 基于长期挠度监测数据的混凝土桥梁刚度可靠度评估方法 | |
| CN117636073B (zh) | 混凝土缺陷检测方法、装置及存储介质 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN117932501B (zh) | 一种电能表运行状态管理方法和*** | |
| CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警*** | |
| CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
| CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及*** | |
| CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及*** | |
| CN114492636A (zh) | 一种变压器绕组状态信号的采集*** | |
| CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及*** | |
| CN116226606B (zh) | 无人值守自动气象站雨量数据质控方法及*** | |
| CN118154003B (zh) | 一种台区用户窃电检测方法、装置及存储介质 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
| CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
| CN113159605B (zh) | 基于逻辑回归的化工装置智能化报警方法及*** | |
| CN114611865A (zh) | 一种基于仪控平台的工业控制站仪表的健康评估方法 | |
| CN117786610A (zh) | 一种基于多元拟合的数据清洗方法、***、设备及介质 | |
| Zhou et al. | Groundwater level abnormal detection based on correlation analysis | |
| CN117496668A (zh) | 一种水利数字孪生信息化管理平台及管理方法 | |
| CN118114870A (zh) | 一种水利工程进度监控*** |
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 |