如何让公路养护装备更智慧

来源 :中国公路 | 被引量 : 0次 | 上传用户:fannao3562
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着5G、人工智能、云计算、大数据等技术的快速发展和应用,以及道路养护管理理念的升级,作为实现道路智慧养护重要支撑的智慧养护装备也得到了长足发展,智慧养护管理系统、各类智能检测设备等不断升级,助推道路养护变得更有智慧。何为道路智慧养护装备?即在道路养护领域充分运用物联网、云计算、互联网、人工智能、自动控制等技术,对现有养护装备进行升级改造或基于上述技术开发新型养护装备,使其具备自我感知、互联、分析、预测、控制等能力。
其他文献
焊接过程中,熔透是保证焊缝质量的前提,实时监控焊缝熔透状态对实现自动化焊接和保证焊接质量具有重要的工程意义。在焊接过程中,可以通过分析熔池动态特征参数、焊接电参数、电弧声信号等识别预测熔透状态,从而实现控制熔透。近几年来,国内外专家学者在焊缝熔透方面取得了大量的研究成果。本文综述了较前沿的基于学习模型、数学建模、神经网络以及以电弧声信号为研究对象的熔透识别预测及控制的研究现状。
石灰岩矿山高陡边坡是安全生产的关键,也是生态修复的难点。针对石灰岩矿山高陡边坡稳定性控制和生态修复存在的问题和面临的挑战,本文提出了矮化边坡、安全边坡、美丽边坡、生态边坡、智慧边坡5方面解决思路,并阐述了主要措施,对解决石灰岩矿高陡边坡安全控制和生态修复的难题有一定参考意义。
滚动轴承是旋转机械最主要的零部件之一,针对滚动轴承故障类型的有效识别问题,提出了一种基于卷积神经网络(CNN)和极端梯度提升(XGBoost)的滚动轴承故障诊断方法。对滚动轴承数据进行预处理,利用训练集对CNN进行训练和调参,运用训练好的CNN模型进行特征的提取,并使用XGBoost模型进行故障类型的分类。采用德国帕德博恩大学滚动轴承进行模型的测试,结果表明:该模型交叉验证得分接近满分,并且在测试集上准确率达到了99%,优于仅仅使用CNN、支持向量机(SVM)、XGBoost以及三层神经网络。