一种基于智能手机的解魔方机器人

    公开(公告)号:CN102699917A

    公开(公告)日:2012-10-03

    申请号:CN201210189512.8

    申请日:2012-06-08

    IPC分类号: B25J11/00 B25J13/00

    摘要: 本发明提供了一种基于智能手机的解魔方机器人,涉及机器人装置领域。它通过上位机单元采集魔方颜色信息,完成乱序魔方还原逻辑运算,并将解法通过蓝牙通信发送给机器人上控制单元进行实时控制,由执行单元完成对三阶魔方的还原。解魔方机器人的执行单元采用一种解决机械爪旋转绕线的传动机构解决由于机械臂在转动时所产生的爪部舵机绕线问题。解魔方机器人采用补光辅助装置来解决由于环境光所造成的摄像头图像识别不准确问题。

    一种基于多维序列数据相关性分析的泵站后池水位预测方法和系统

    公开(公告)号:CN118569480A

    公开(公告)日:2024-08-30

    申请号:CN202410617369.0

    申请日:2024-05-17

    摘要: 本发明提出一种基于多维序列数据相关性分析的泵站后池水位预测方法和系统。方法包括:对泵站监测数据进行数据预处理,得到趋势序列、周期序列和残差序列;对趋势序列进行预测,编码器由多层复合卷积层构成,对趋势序列进行特征提取,引入加权机制的并行神经网络,学习特征信息中不同位置之间的关系,对特征信息进行加权处理,解码器由有门控机制的循环神经网络层构成,对加权信息解码,进行预测;基于多层感知器对周期序列进行预测,将趋势序列预测值和周期序列的预测值与残差序列值相加得到最终的水位预测。本申请提出的方法能够关注输入序列中的不同部分,理解数据的变化规律深入挖掘数据之间复杂的相关作用关系,实现了对泵站水位的准确预测。

    一种梯级泵站前池水位调节速率的控制方法和系统

    公开(公告)号:CN116880586A

    公开(公告)日:2023-10-13

    申请号:CN202310849144.3

    申请日:2023-07-11

    摘要: 本发明提出一种梯级泵站前池水位调节速率的控制方法和系统。其中,方法包括:根据各级泵站的前池的控制水位,设定各级泵站的前池水位的调节速率;采集水厂需求的供水量;由第n级泵站开始,采集各级泵站的分水口的分水量;根据所述各级泵站的前池水位的调节速率、各级泵站的分水口的分水量和水厂需求的供水量,计算各级泵站出水量控制器的控制量;以所述各级泵站出水量控制器的控制量作为各级泵站出水量的设定值。本发明提出的方案能够使用者对梯级泵站中特定的一级或多级的前池水位,按所需要的变化率需要进行调节,而不对其他级泵站的运行造成影响,确保梯级泵站各级的平稳运行。

    一种基于级间反馈的梯级泵站前池水位控制方法和系统

    公开(公告)号:CN116657704A

    公开(公告)日:2023-08-29

    申请号:CN202310610308.7

    申请日:2023-05-26

    发明人: 于涌川 杨浩楠

    IPC分类号: E03B5/00 G05D9/12 G06F17/10

    摘要: 本发明提出一种基于级间反馈的梯级泵站前池水位控制方法和系统。其中,方法包括:获取各级泵站的前池的当前水位、安全水位和各级泵站的当前输出流量;计算各级泵站的前池的安全水位与当前水位的误差;将后一级泵站的流量向前一级泵站反馈;所述前一级泵站根据反馈的后一级泵站的流量和后一级泵站的安全水位与当前水位的误差,计算所述前一级泵站的输出流量;计算各级泵站的输出流量,控制各级泵站的前池的水位至安全水位。本发明提出的方案,根据泵站的多级联动关系,提出了联合控制逻辑方法,对各级泵站的流量进行同步控制,进而同步调节各级前池水位的高度至安全水位。

    一种基于知识增强的深度学习的总氮含量预测方法

    公开(公告)号:CN113836260A

    公开(公告)日:2021-12-24

    申请号:CN202110992754.X

    申请日:2021-08-27

    摘要: 本发明公开一种基于知识增强的深度学习的总氮含量预测方法,该方法通过分析百度百科关于水质污染参数的信息和水质参数文献,构建了水质知识图谱,得到水质参数之间的知识级信息,并提取出反映水质参数的知识级特征信息,并将其和数据级特征信息结合作为先验知识去解决水质预测问题。另一方面,通过将对抗学习和深度神经网络水质预测模型结合,以提高了模型的鲁棒性和泛化性。最后,将带有知识级和数据级的特征信息输入到水质预测模型中,预测河流总氮的浓度。实验结果表明,该方法将知识级信息和数据级信息结合,融入到基于对抗学习的神经网络水质预测模型中,提高了水质参数的预测精度。

    一种基于混合神经网络的河流总氮浓度预测方法

    公开(公告)号:CN113408799A

    公开(公告)日:2021-09-17

    申请号:CN202110669073.X

    申请日:2021-06-17

    摘要: 本发明公开一种基于混合神经网络的河流总氮浓度预测方法。采用孤立森林和朗格拉日法对待预测河流的水质数据进行清洗;然后,将清洗后的待预测水质数据利用一维卷积残差神经网络提取非线性局部特征;然后,使用双向门控循环单元整合时间序列的前后时刻信息,在顶层使用全连接层获得最终的河流总氮浓度预测结果。最后利用评价指标作为模型优劣的评估参数。本发明根据实施例完成了一组实验,以将所提出的方法与传统的、单一的神经网络水质参数预测方法进行对比。实验结果表明,该水质参数预测模型在稳定性和泛化能力方面均有良好体现,有效地降低了预测误差。本方法首次将特征提取模块和双向循环预测模块实现了有机融合,并运用到水质预测领域。

    一种基于特征的泵站机组特性工作点匹配曲线方法和系统

    公开(公告)号:CN118332807A

    公开(公告)日:2024-07-12

    申请号:CN202410493527.6

    申请日:2024-04-23

    摘要: 本发明提出一种基于特征的泵站机组特性工作点匹配曲线方法和系统。其中,方法包括:选取二次函数作为泵站机组特性的数学描述曲线;根据数学描述曲线的顶点的横坐标、纵坐标和二次项系数构造泵站机组特性的历史拟合曲线;基于历史数据点,求解历史拟合曲线的参数;当发现实际工作点与历史特性曲线存在偏差时,基于当前实际运行的工作点频率和流量,固定历史拟合曲线的走向,更新历史拟合曲线的剩余几何特征参数,得到工作点匹配曲线并转化为二次函数的形式,得到匹配更新的数学描述曲线;根据调度水量需求的流量,匹配更新的数学描述曲线的参数,得到泵站机组的频率。本发明直接利用当前时刻的泵站运行数据,使特性曲线与实际工作点匹配。

    面向泵站机组安全运行的增强时空动态感知的状态预测方法

    公开(公告)号:CN118296461A

    公开(公告)日:2024-07-05

    申请号:CN202410454255.9

    申请日:2024-04-16

    摘要: 本发明公开了面向泵站机组安全运行的增强时空动态感知的状态预测方法,首先引入时间衰减效应,以精确捕捉泵站机组时序数据的时间依赖性。其次,创新性地引入空间动态相关子图模块,用于捕捉序列间的复杂依赖关系。然后,采用跨时空维度的广泛编码策略,融合提取的关键时间、空间动态特征。最终,将特征融合向量传递到多任务分支网络,其中重构模块通过对输入序列的完成重构来提升特征融合网络对时间序列的表征能力,预测模块完成对泵站机组运行状态进行预测。将该方法应用于泵站机组运行状态预测中,不仅体现了对多维时间序列时空动态预测问题的独特优势,也强调了在泵站运维管理中提高预测准确性和可靠性的实际意义。

    一种用于泵站填料函温度监测的冗余监测方法和系统

    公开(公告)号:CN116147805A

    公开(公告)日:2023-05-23

    申请号:CN202310428033.5

    申请日:2023-04-20

    摘要: 本发明提出一种用于泵站填料函温度监测的冗余监测方法和系统。方法包括:在每路测量通道采用预定义测量机制的温度传感器;基于当前时刻之前的历史测量值,计算当前时刻测量通道的监测值;根据每路测量通道当前时刻之前的历史监测值的序列,计算当前时刻测量通道的测量异常值判断的阈值;如果当前时刻测量通道的监测值与历史监测值的序列的均值的差值的绝对值大于阈值,则舍弃测量通道的监测值,得到正确测量通道的监测值;对正确监测通道的监测值加权求平均值,求得当前时刻的填料函温度的最终监测值。本发明提出的方案,通过各测量通道的监测值和异常值判断阈值相结合,完成在动态变化的检测对象的异常值检测,进而提出工作异常的传感器通道。

    断面水质中的氨氮含量预测方法及装置

    公开(公告)号:CN112529147A

    公开(公告)日:2021-03-19

    申请号:CN202011120923.2

    申请日:2020-10-19

    摘要: 本发明实施例提供一种断面水质中的氨氮含量预测方法及装置,该方法包括:将待预测水质区域的当前水质因子输入到DBN模型,输出当前水质因子的特征向量;将当前水质因子的特征向量输入到LSSVR模型,输出所述待预测水质区域的氨氮含量;其中,所述DBN模型和LSSVR模型根据预先获取的历史水质因子和所述历史水质因子对应的预先获取的氨氮含量进行训练获取。本发明实施例将DBN模型和LSSVR模型结合,实现降低当前水质因子的维度的同时,从当前水质因子中深度挖掘和提取影响氨氮含量的本质特征,有效提高水质中的氨氮含量预测精度。