关键词： 道岔缺口监测系统   远程监测   自组网   语音报警   数据整合   故障分析  

摘要： 结合QJY-A型道岔缺口监测软件在实际使用中收集到的客户需求与缺陷报告内容，提出了一种改进道岔缺口监测系统的软件方案。该方案在现有系统基础上对数据进行了重新整合，优化了数据处理流程，提升了系统的运行效率；新增的远程监测功可使用户能够通过互联网实时多地监控缺口状态，提高了系统的便捷性和实用性；当监测到异常情况时，引入的语音报警功能会自动触发语音提示，帮助用户快速响应，进一步增强了监测系统的安全性和用户体验；为适用更多复杂的现场环境，还增加了自组网功能。该改进方案不仅拓宽了软件的应用场景和安装灵活性，还更好地满足了客户的多样化需求，为道岔缺口监测领域提供了一种更加高效、智能的解决手段。

关键词： 复杂地质   灾害监测   特征分析   结构设计   综合治理   生态保护  

摘要： 总结川西高原地区高边坡的主要特征，梳理国内外高边坡稳定性评价方法，形成高原高边坡稳定性评价分析技术路线；对比不同支护结构的特点，提出高边坡支护需多种结构形式综合治理；总结土质、岩质高边坡生态防护修复技术，为高边坡生态防护问题提供参考。

关键词： 铁路   钢桁梁   健康监测   监测系统   可靠度理论  

摘要： 以新建潍坊至莱西铁路工程为背景，针对跨青荣铁路特大桥钢桁梁结构，研究桥梁健康监测中的几个关键技术问题，设计桥梁健康监测系统，并基于该系统对桥梁的运行状态进行评估。首先，针对跨青荣铁路特大桥的钢桁梁结构特性，设计并搭建连续钢桁梁健康监测系统，该系统能够实时采集桥位处环境参数、结构应力、结构应变及加速度等关键数据。其次，基于采集的数据，结合结构可靠度理论，研究基于健康监测的钢桥构件承载力可靠性评估方法，以科学评估桥梁在运营期间的健康状况及承载能力。研究表明，通过构建连续钢桁梁健康监测系统及提出基于健康监测的钢桥构件承载力可靠性评估方法，可为钢桁梁运营期的健康状况评定提供理论和技术支持。研究成果对于保障铁路桥梁正常使用、避免安全事故发生、减少人员及经济损失具有重要意义。

关键词： 临近空间   平流层飞艇   气密性   原理样机  

摘要： 平流层飞艇是理想的可实现长时驻留的临近空间平台，囊体气密性对飞艇的设计、制造和飞行性能有重大影响。针对目前应用于囊体气密性地面实验的测试系统在尺寸适配性、模块化程度以及使用自由度等方面与应用需求不匹配的问题，文章基于模块化思想研制一种可应用于全尺寸囊体气密性地面测试的监控系统原理样机。该样机使用PLC技术和监控与数据采集系统软件开发，实现数据采集、指令发送和设备控制等功能模块，解决数据源异构性问题，提高数据集成度和系统可维护性；在功能模块基础上实现全流程测试控制功能。

关键词： 锂离子电池   热失控   预警方法   机制   孤立森林  

摘要： 锂离子电池热失控反应迅速且剧烈，能够在储能系统内形成热蔓延，造成巨大损失，成为储能安全领域亟需解决的问题。为满足锂离子电池过充热失控预警的时效性需求，本文提出了一种基于时序模式注意力机制（TPA）和双向长短期记忆网络（BiLSTM）联合孤立森林的电池过充热失控预警方法。该方法首先通过TPA从多时间步捕获电池状态特征的变化规律，并通过差异化加权关注重要信息；然后利用BiLSTM的双向神经网络结构对电池特征数据进行双向信息提取，提高模型预测精度；最后结合孤立森林算法，利用电池真实数据集建立孤立森林模型并计算电池状态特征的异常分数，通过选取最佳异常分数阈值对电池状态进行分类，实现对电池异常状态的预警。实验结果表明，该方法的F1-score达到0.9509，能够在电池过充前7秒对电池异常状态进行预警，相比温度阈值划分方法提前了252秒。本文所述方法在提高锂离子电池过充热失控预警的准确性和时效性方面具有重要意义。

关键词： 桥梁异常检测   深度学习   嵌入式系统   可视化平台  

摘要： 针对我国典型类型的桥梁安全监测与智慧运维的迫切需求，不同于传统的低效率、高成本的桥梁人工巡检方式，本文构建基于多传感器时空协同学习的桥梁异常监测系统。为了保证系统的持续稳定和有效泛化，提出一种基于DBSCAN的轻量级聚类异常数据检测算法，实时高效地检测桥梁传感器异常数据。同时构建基于LSTM的多传感器数据修复网络，协同挖掘不同时空条件多传感器的关联信息以修复传感器故障导致的异常数据空值与不准确测量。在桥梁异常检测过程中，采用基于朴素贝叶斯分类器的桥梁结构异常判定方法，生成准确的桥梁结构安全判别结果。考虑到实现异常检测软硬件一体化原型系统，本文综合利用嵌入式端的实时采集处理与上位机丰富计算资源的互补性优势，将异常检测方法进行解耦划分并有效部署至嵌入式与上位机，并通过GUI界面实现全程可视化。实验结果表明，系统能够有效识别和修复异常数据，提升桥梁结构的安全性评估准确度，在实际应用中的异常检测准确率和修复效果均表现良好，能够为桥梁的智慧运维和结构安全预警提供可靠保障。

关键词： 无人机   油气管线巡检   地质灾害监测   大模型   变化检测  

摘要： 油气管线跨度大，易受地质灾害损坏，导致环境与经济损失，因此，地质灾害监测十分必要。无人机巡检是当前主要技术手段，但由于环境、植被、天气等因素的影响，目前，基于人工智能技术的图像识别效果有限，需借助大模型的泛化能力提高识别准确率。基于此，提出了一种基于多模态大模型CLIP+变化检测网络BIT+分类网络EfficientNet的组合地灾监测算法，构建了相应的数据集和模型微调策略。将无人机拍摄的同一管线、不同时间的定点航拍图像作为输入，采用ORB算法、蛮力匹配方法和放射变化实现基于关键点的图像对齐；利用组合网络中的CLIP图像特征提取器提取两张对齐后的图像的特征；使用组合网络中的BIT定位地质灾害的位置；将EfficientNet用于判定地灾的类型。在模型训练中，以四川盆地为例，采用所提模型微调策略，在融合公开数据集和专属数据集的训练数据上微调，构建油气管线地灾监测模型。实验结果表明：所提组合算法在变化检测方面的性能优于CDNet、ChangeFormer等深度学习算法，变化检测交并比（IoU）达到75%，地灾类型识别准确率达到86%，为油气管线地质灾害巡检提供了一种有效的智能监测手段。

关键词： 锦屏地下实验室   洞室稳定   可靠性分析   安全监测   深部岩石力学  

摘要： 极深地下实验室已成为全球各国基础科学研究的焦点和趋势,为深部岩石力学的发展带来重大契机和挑战.洞室的安全稳定是极深实验室各类科学研究的基础和关键,本文聚焦锦屏深地工程力学与安全(Jinping Deep Rock Engineering Mechanics and Safety, DREM)项目组研究方向,依托世界埋深最大的锦屏地下实验室二期工程,介绍了实验室的基本工程地质条件,分析了开挖建设和运行过程中洞室安全问题和监测结果,提出了基于支持向量机响应面的洞室稳定可靠性分析方法,采用物联网、数字孪生、数据可视化等先进技术,开发了锦屏极深地下实验室洞室稳定性监测与预警系统,设计了WEB端和3D端的交互分析模式,实现了线下与线上相结合的实验室洞室各类监测物理量的实时监控和安全分析.研究结果表明,当前锦屏极深实验室二期长期运行过程中洞室围岩处于安全稳定状态.本研究为深部实验室洞室稳定性评估和安全监测提供重要借鉴.

关键词： 液压门式起重机   双机抬吊   倾覆稳定性   监测系统   STM32  

摘要： 为了降低液压门式起重机双机抬吊过程中的倾覆危险，提高系统运行安全性，设计了一个基于动态稳定性的无线监测系统。简化了抬吊模型，通过获取的姿态信息对吊绳的拉力进行分析，并采用稳定系数法建立数学模型对抬吊过程中的倾覆状况进行判定。给出了监测系统的总体框架，采用STM32F103C8T6为控制器，以JY901模块为姿态采集传感器，采用基于ZigBee协议的DL-LN32P无线通信模块将数据传输到上位机。在实验室条件下进行测试，验证了系统的可行性，对液压门式起重机双机抬吊的安全监测具有一定的参考意义。

关键词： 小麦赤霉病   云服务   多节点部署   深度学习   监测系统   实例分割  

摘要： [目的]针对人工田间调查效率低下，难以满足大范围田间环境下实时、高效的小麦赤霉病监测需求，本文搭建了一种基于云服务的多节点田间小麦赤霉病监测系统。[方法]该系统主要由数据采集节点、数据处理模块和系统上位机端三部分组成。数据采集节点采用网格状多节点部署方案，用于获取田间小麦的病害图像及温湿度环境数据，数据处理模块基于级联视觉检测的深度学习框架，分为两个阶段：第一阶段基于YOLOv8n模型从整图中精确定位小麦植株，提取每株小麦的图像区域，为第二阶段的实例分割和等级识别提供准确输入，减少背景干扰对检测性能的影响；第二阶段在每株小麦区域内执行实例分割及患病等级识别，为提升模型对关键区域特征的提取能力，框架在YOLOv8n基础上引入了加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）和CBAM（Convolutional Block Attention Module）注意力机制增加模型对有效信息的关注度；检测结果经云服务器组传输至系统上位机端进行呈现。[结果]模型测试阶段，改进后的模型在测试集上的精确度和召回率为分别为89.3%、89.1%，与模型改进之前相比分别提升了5.1、1.6百分点，单张图片推理时间仅为2.8 ms；用户可通过系统上位机端获取温湿度环境参数的变化趋势和模型检测结果，[结论]本研究系统可有效实现田间小麦赤霉病监测，为粮食安全生产提供了技术保障和科学依据。