CN117706270A - 一种基于边缘计算的输电线路故障诊断方法 - Google Patents
一种基于边缘计算的输电线路故障诊断方法 Download PDFInfo
- Publication number
- CN117706270A CN117706270A CN202311696398.2A CN202311696398A CN117706270A CN 117706270 A CN117706270 A CN 117706270A CN 202311696398 A CN202311696398 A CN 202311696398A CN 117706270 A CN117706270 A CN 117706270A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- transmission line
- power transmission
- edge calculation
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06F18/21—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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种基于边缘计算的输电线路故障诊断方法,包括通过无人机对输电线路进行信息采集,得到待测信号数据;构建边缘计算模型;将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;基于所述诊断结果进行分析处理,得到监管方案;对所述监管方案进行可视化显示,通过对所述输电线路信号的高效采集以及通过所述边缘计算模型的精确计算,提高了对所述输电线路诊断的精确度及效率,解决了现有的检测和提取技术对输电线路的检测效率较低的问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于边缘计算的输电线路故障诊断方法。
背景技术
随着电力***的不断发展,输电线路故障类型高效识别对线路分析、故障及时排除、提高电力***运行可靠性具有重要意义。
然而,现有的检测和提取技术存在识别速度慢、提取准确率低的问题,降低了对输电线路的检测效率,为保障电网良好的电能质量要求能够快速精准地识别出线路故障以便于运行人员及时处理。
发明内容
本发明的目的在于提供一种基于边缘计算的输电线路故障诊断方法,旨在解决现有的检测和提取技术对输电线路的检测效率较低的问题。
为实现上述目的,本发明提供了一种基于边缘计算的输电线路故障诊断方法,包括以下步骤:
通过无人机对输电线路进行信息采集,得到待测信号数据;
构建边缘计算模型;
将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;
基于所述诊断结果进行分析处理,得到监管方案;
对所述监管方案进行可视化显示。
其中,所述通过无人机对输电线路进行信息采集,得到待测信号数据,包括:
获取多个无人机的当前位置和输电线路的布局;
基于所述布局确定飞行出发点;
基于多个无人机的当前位置选取距离所述飞行出发点最近的无人机,得到目标无人机;
基于所述目标无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
检查所述目标无人机的可飞行路程;
当所述可飞行路程大于所述飞行路径时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
其中,所述通过无人机对输电线路进行信息采集,得到待测信号数据,还包括:
当所述可飞行路程小于所述飞行路径时,选取距离距离所述飞行出发点第二近的无人机,得到备选无人机;
基于所述备选无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
检查所述备选无人机的可飞行路程;
当所述可飞行路程大于所述飞行路径时,获取所述目标无人机的充电时间和飞行至所述飞行出发点的时间,得到目标无人机到达时间,另外,获取所述备选无人机飞行至所述飞行出发点的时间,得到备选无人机到达时间;
当所述目标无人机到达时间大于所述备选无人机到达时间时,选择所述备选无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据;当所述目标无人机到达时间小于所述备选无人机到达时间时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
其中,所述将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果,包括:
对所述待测信号数据进行关键提取,得到提取数据;
将所述提取数据输入所述边缘计算模型中进行诊断,得到诊断结果。
其中,所述对所述待测信号数据进行关键提取,得到提取数据,包括:
构建神经网络模型;
使用训练数据集对所述神经网络模型进行训练,得到关键提取模型;
将所述待测信号数据输入所述关键提取模型中进行训练,得到提取数据。
其中,所述使用训练数据集对所述神经网络模型进行训练,得到关键提取模型,包括:
对所述训练数据集进行预处理,得到训练集和验证集;
使用所述训练集对所述神经网络模型进行训练,得到预训练模型;
使用所述验证集对所述预训练模型进行验证寻优,得到关键提取模型。
其中,所述对所述监管方案进行可视化显示,包括:
基于所述监管方案生成可视化模型;
通过显示屏对所述可视化模型进行显示。
本发明的一种基于边缘计算的输电线路故障诊断方法,通过无人机对输电线路进行信息采集,得到待测信号数据;构建边缘计算模型;将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;基于所述诊断结果进行分析处理,得到监管方案;对所述监管方案进行可视化显示,通过对所述输电线路信号的高效采集以及通过所述边缘计算模型的精确计算,提高了对所述输电线路诊断的精确度及效率,解决了现有的检测和提取技术对输电线路的检测效率较低的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种基于边缘计算的输电线路故障诊断方法的流程图。
图2是通过无人机对输电线路进行信息采集,得到待测信号数据的流程图。
图3是将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果的流程图。
图4是对所述监管方案进行可视化显示的流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图4,本发明提供一种基于边缘计算的输电线路故障诊断方法,包括以下步骤:
S1通过无人机对输电线路进行信息采集,得到待测信号数据;
具体方式为:
S101获取多个无人机的当前位置和输电线路的布局;
具体的,通过GPS定位获取处于输电线路预设范围内的多个无人机的当前位置。获取获取输电线路的布局图;使用特征提取模型对所述布局图进行特征提取,得到输电线路的布局。
S102基于所述布局确定飞行出发点;
S103基于多个无人机的当前位置选取距离所述飞行出发点最近的无人机,得到目标无人机;
S104基于所述目标无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
S105检查所述目标无人机的可飞行路程;
具体的,所述可飞行路程就是所述目标无人机的剩余电量能支持所述目标无人机能飞行的路程。
S106当所述可飞行路程大于所述飞行路径时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
S107当所述可飞行路程小于所述飞行路径时,选取距离距离所述飞行出发点第二近的无人机,得到备选无人机;
S108基于所述备选无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
S109检查所述备选无人机的可飞行路程;
S110当所述可飞行路程大于所述飞行路径时,获取所述目标无人机的充电时间和飞行至所述飞行出发点的时间,得到目标无人机到达时间,另外,获取所述备选无人机飞行至所述飞行出发点的时间,得到备选无人机到达时间;
具体的,当所述可飞行路程小于所述飞行路径时,直接对所述目标无人机进行充电后基于所述所述飞行路径对输电线路进行信息采集,得到待测信号数据。
S111当所述目标无人机到达时间大于所述备选无人机到达时间时,选择所述备选无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据;当所述目标无人机到达时间小于所述备选无人机到达时间时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
S2构建边缘计算模型;
具体的,边缘计算模型是一种分布式计算***,并且具有弹性管理、协同执行、环境异构以及实时处理等特点。边缘计算包括以下三个关键内容:(1)应用程序/服务功能可分割:可以应用到边缘计算模型的应用程序或服务需要满足可分割性,即对于一个任务可以分成若干个子任务并且任务功能可以迁移到边缘端去执行;(2)数据可分布:数据可分布性既是边缘计算的特征也是边缘计算模型对待处理数据集合的要求。边缘数据的可分布性是针对不同数据源而言的,不同数据源来自于数据生产者所产生的大量数据;(3)资源可分布:边缘计算模型中的数据具有一定的分布性,因此,执行边缘数据所需要的计算、存储和通信资源也要具有可分布性。
S3将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;
具体方式为:
S31对所述待测信号数据进行关键提取,得到提取数据;
具体的,构建神经网络模型;使用训练数据集对所述神经网络模型进行训练,得到关键提取模型;将所述待测信号数据输入所述关键提取模型中进行训练,得到提取数据。所述使用训练数据集对所述神经网络模型进行训练,得到关键提取模型,包括:对所述训练数据集进行预处理,得到训练集和验证集;使用所述训练集对所述神经网络模型进行训练,得到预训练模型;使用所述验证集对所述预训练模型进行验证寻优,得到关键提取模型。
所述预处理包括过滤、标记、划分等等,所述训练集和所述验证集的比例为8:2。
S32将所述提取数据输入所述边缘计算模型中进行诊断,得到诊断结果。
S4基于所述诊断结果进行分析处理,得到监管方案;
S5对所述监管方案进行可视化显示。
具体方式为:
S51基于所述监管方案生成可视化模型;
S52通过显示屏对所述可视化模型进行显示。
本发明的一种基于边缘计算的输电线路故障诊断方法,通过无人机对输电线路进行信息采集,得到待测信号数据;构建边缘计算模型;将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;基于所述诊断结果进行分析处理,得到监管方案;对所述监管方案进行可视化显示,通过对所述输电线路信号的高效采集以及通过所述边缘计算模型的精确计算,提高了对所述输电线路诊断的精确度及效率,解决了现有的检测和提取技术对输电线路的检测效率较低的问题。
以上所揭露的仅为本发明一种基于边缘计算的输电线路故障诊断方法较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于边缘计算的输电线路故障诊断方法,其特征在于,包括以下步骤:
通过无人机对输电线路进行信息采集,得到待测信号数据;
构建边缘计算模型;
将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果;
基于所述诊断结果进行分析处理,得到监管方案;
对所述监管方案进行可视化显示。
2.如权利要求1所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述通过无人机对输电线路进行信息采集,得到待测信号数据,包括:
获取多个无人机的当前位置和输电线路的布局;
基于所述布局确定飞行出发点;
基于多个无人机的当前位置选取距离所述飞行出发点最近的无人机,得到目标无人机;
基于所述目标无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
检查所述目标无人机的可飞行路程;
当所述可飞行路程大于所述飞行路径时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
3.如权利要求2所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述通过无人机对输电线路进行信息采集,得到待测信号数据,还包括:
当所述可飞行路程小于所述飞行路径时,选取距离距离所述飞行出发点第二近的无人机,得到备选无人机;
基于所述备选无人机的当前位置、所述飞行出发点和所述布局规划飞行路径;
检查所述备选无人机的可飞行路程;
当所述可飞行路程大于所述飞行路径时,获取所述目标无人机的充电时间和飞行至所述飞行出发点的时间,得到目标无人机到达时间,另外,获取所述备选无人机飞行至所述飞行出发点的时间,得到备选无人机到达时间;
当所述目标无人机到达时间大于所述备选无人机到达时间时,选择所述备选无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据;当所述目标无人机到达时间小于所述备选无人机到达时间时,选择所述目标无人机基于所述飞行路径对输电线路进行信息采集,得到待测信号数据。
4.如权利要求3所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述将所述待测信号数据输入所述边缘计算模型中进行诊断,得到诊断结果,包括:
对所述待测信号数据进行关键提取,得到提取数据;
将所述提取数据输入所述边缘计算模型中进行诊断,得到诊断结果。
5.如权利要求4所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述对所述待测信号数据进行关键提取,得到提取数据,包括:
构建神经网络模型;
使用训练数据集对所述神经网络模型进行训练,得到关键提取模型;
将所述待测信号数据输入所述关键提取模型中进行训练,得到提取数据。
6.如权利要求5所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述使用训练数据集对所述神经网络模型进行训练,得到关键提取模型,包括:
对所述训练数据集进行预处理,得到训练集和验证集;
使用所述训练集对所述神经网络模型进行训练,得到预训练模型;
使用所述验证集对所述预训练模型进行验证寻优,得到关键提取模型。
7.如权利要求6所述的基于边缘计算的输电线路故障诊断方法,其特征在于,
所述对所述监管方案进行可视化显示,包括:
基于所述监管方案生成可视化模型;
通过显示屏对所述可视化模型进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696398.2A CN117706270A (zh) | 2023-12-11 | 2023-12-11 | 一种基于边缘计算的输电线路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311696398.2A CN117706270A (zh) | 2023-12-11 | 2023-12-11 | 一种基于边缘计算的输电线路故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117706270A true CN117706270A (zh) | 2024-03-15 |
Family
ID=90147246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311696398.2A Pending CN117706270A (zh) | 2023-12-11 | 2023-12-11 | 一种基于边缘计算的输电线路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706270A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200012467A (ko) * | 2018-07-27 | 2020-02-05 | 한국전력공사 | 전력설비 감시용 무인 진단장치 및 방법 |
JP2020056694A (ja) * | 2018-10-02 | 2020-04-09 | パイオニア株式会社 | 情報処理装置、着陸候補地点送信装置、データ構造、情報処理方法、及びプログラム |
CN111311778A (zh) * | 2020-02-28 | 2020-06-19 | 西安众恒科技有限公司 | 一种基于无人机蜂巢技术的应用***及方法 |
US20220373612A1 (en) * | 2019-11-06 | 2022-11-24 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN115994327A (zh) * | 2023-03-22 | 2023-04-21 | 山东能源数智云科技有限公司 | 基于边缘计算的设备故障诊断方法及装置 |
KR20230077487A (ko) * | 2021-11-25 | 2023-06-01 | 한국전력공사 | 자율 주행 드론을 이용한 진단 시스템 및 이의 동작 방법 |
CN116994353A (zh) * | 2023-08-07 | 2023-11-03 | 广东电网有限责任公司 | 变电站巡检路径的自动生成方法、装置、设备及介质 |
-
2023
- 2023-12-11 CN CN202311696398.2A patent/CN117706270A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200012467A (ko) * | 2018-07-27 | 2020-02-05 | 한국전력공사 | 전력설비 감시용 무인 진단장치 및 방법 |
JP2020056694A (ja) * | 2018-10-02 | 2020-04-09 | パイオニア株式会社 | 情報処理装置、着陸候補地点送信装置、データ構造、情報処理方法、及びプログラム |
US20220373612A1 (en) * | 2019-11-06 | 2022-11-24 | Newsouth Innovations Pty Limited | Apparatus and process for real-time detection of high-impedance faults in power lines |
CN111311778A (zh) * | 2020-02-28 | 2020-06-19 | 西安众恒科技有限公司 | 一种基于无人机蜂巢技术的应用***及方法 |
KR20230077487A (ko) * | 2021-11-25 | 2023-06-01 | 한국전력공사 | 자율 주행 드론을 이용한 진단 시스템 및 이의 동작 방법 |
CN115994327A (zh) * | 2023-03-22 | 2023-04-21 | 山东能源数智云科技有限公司 | 基于边缘计算的设备故障诊断方法及装置 |
CN116994353A (zh) * | 2023-08-07 | 2023-11-03 | 广东电网有限责任公司 | 变电站巡检路径的自动生成方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
柯澳 等.: "基于深度学习的目标检测算法在电力巡检上的应用综述", 广西电力, vol. 45, no. 6, 11 June 2022 (2022-06-11), pages 47 - 56 * |
王鹏飞: "5G无人机自动巡线技术在电力输电线路巡检的实现策略", 中国高新科技, no. 10, 23 October 2023 (2023-10-23), pages 69 - 70 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及*** | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及*** | |
CN115686014A (zh) | 一种基于bim模型的地铁巡检机器人 | |
CN117410868B (zh) | 一种变电站巡检控制方法和装置 | |
CN110837941B (zh) | 对油气管道进行风险预测的方法及装置 | |
CN110969214A (zh) | 一种基于支持向量机综合模型的暂态安全域在线构建方法 | |
CN113076999B (zh) | 基于人工智能信息数据采集方法 | |
CN113222013B (zh) | 一种多***差异数据巡检方法、***和存储介质 | |
CN116229278B (zh) | 一种输电线路防震锤锈蚀缺陷检测方法和*** | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
Tanner et al. | Anomalies in the Sky: Experiments with traffic densities and airport runway use. | |
CN117706270A (zh) | 一种基于边缘计算的输电线路故障诊断方法 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN115933750A (zh) | 基于数据处理的电力巡检方法及电力巡检*** | |
CN111965995B (zh) | 一种三库合一飞机航电***健康评估与预测***及其方法 | |
CN112885049A (zh) | 基于运行数据的智能电缆预警***、方法及装置 | |
Ahmad | Artificial intelligence based condition monitoring of rail infrastructure | |
CN118129715B (zh) | 用于水文水资源的数据智能采集方法及*** | |
CN115359686B (zh) | 仪表着陆***信号分析诊断方法、装置及电子设备 | |
CN117074840B (zh) | 直流充电桩在线测试*** | |
CN113158743B (zh) | 基于先验知识的小目标实时检测与定位方法、***、设备 |
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 |